Propuesta de modelamiento para responder al problema del asignaturismo en la escuela:

Aproximación desde Fuzzy Set.

Resumen

Sin duda, el Asignaturismo es un concepto muy debatido en la comunidad educativa. De

hecho, no existe consenso sobre cómo cuantificar este término y el nivel de impacto que
este produce sobre la educación mismo, pero tiende a existir consenso de que este produce
un impacto negativo o a lo más, si fuera positivo, sólo lo sería en algunos aspectos
considerados como mínimos y que finalmente si este es considerado como un todo es más
negativo que positivo. Sin afán de definir este concepto, y con el fin de dar ámbito y alcance,
al menos consensuamos que para la comunidad educativa el concepto se refiere como “... a
la fragmentación de los conocimientos en multitud de asignaturas no suficientemente
relacionadas entre sí …” Asumiendo que estamos de acuerdo con lo anterior, se destaca en
la aseveración “Asignaturas no suficientemente relacionadas entre sí”.

● ¿Cuándo se puede responder que las asignaturas están suficientemente

relacionadas?
● Deben tener todas las asignaturas los mismos grados de relación entre si y todas
con todas?
● ¿Quién es el que determina estos grados, o se forma una comisión que permita
realizar esta determinación (igual problema)?
● ¿Quién determina cuáles deben relacionarse?
● ¿En función de qué o de quién debe producirse esta suficiente o más que suficiente
relación?
● Posteriormente y una vez en funcionamiento, ¿quién(es) debe(n) controlar este
proceso ¿es dinámico o inmutable?
● ¿Cómo enfrentar la respuesta asociada a la anterior pregunta?

Introducción

El responder adecuadamente estas y muchas otras preguntas similares debería entregar

indicios sobre lo que se conoce como asignaturismo y posteriormente al proceso de tener
las respuestas, evaluarlas y así obtener mejores indicios sobre si estas apuntan a lo que
necesario o supuestamente deseamos.
Aún en conocimiento que en el ambiente existe una disposición negativa hacia este
concepto y sin ánimo de ponerme de un lado u otro de esta discusión, ya que existen
muchos trabajos que discuten y proponen diversos argumentos para un lado u otro,
particularmente en este trabajo no se propone responder necesariamente todas las
preguntas pero si entregar una propuesta de modelo de gestión de tal modo de enfrentar de
mejor manera la problemática con el fin de que a través de la aplicación y utilización de este
permita al o los encargados aumentar los niveles de gestión sobre la problemática. Para
lograr esto se deben considerar aquellas características o propiedades propias del lado del
problema, características tales como: No linealidad, relaciones estáticas y/o dinámicas
susceptibles de grados, jerarquía de las relaciones, cohesión, acoplamiento, etc. Por lo
anterior es que desde el lado del modelo solución este debe considerar estas y otras
características, y a la vez que este provea las herramientas conceptuales que permita la
administración de estas características y operativa involucrada.
Caso de uso o Propuesta Modelo de Gestión

Consideremos la siguiente situación, la cual puede ser el comienzo de la confección de una

malla curricular o una vez que ésta ya esté en régimen. Es claro que en la programación o
supervisión de la malla se tiene que hay líneas programáticas las cuales de alguna manera
“disputan” la importancia de ella para satisfacer un perfil predeterminado. Estas líneas
programáticas se deben “cualificar” en consecuencia crear los grados de influencia o peso e
importancia que, a juego de los diseñadores, debiera tener tal o cual línea programática
para que el perfil “cumpla” con lo deseado.
- Por ejemplo, y en forma simplificada, consideremos al conjunto Líneas
Programáticas (LP) constituido por: Matemáticas (M), Humanísticas (Lenguaje y
Comunicación, Historia, Filosofía), Ciencias (Física, Química, Biología), Artes (A),
Otros (O), es decir,

LP = (M, H, C, A, O),

y en donde, los grados de cualificación de cada una de estas líneas programáticas se

encuentran en el conjunto Grados de Importancia de Líneas Programáticas (GILP)
siguiente:

GILP = {GI, I, RI, MI, Di, Cir) donde:

GI: Gran Importancia

I: Importante
RI: Relativamente importante.
MI: Menos Importante
Dir: Debe ir
Cir: Casi irrelevante

Además se debe considerar que cada uno de los valores cualitativos anteriores corresponde
o se representan en el intervalo de pertenencia [0,1]. En particular usaremos dos funciones
de membresía consideradas como clásicas, la primera corresponde a la representación
conocida como Números Triangulares o Función Triangular:
 |0 para x < a
| ​x - a​ para a < x < m
f(x) = | m -a
| ​b - x para m < x < b
| b -m
|0 para x > b

Y la segunda corresponde a una representación Trapezoidal o Función M

Además, se debe considerar que cada uno de los valores cualitativos anteriores o se
representan en el intervalo de pertenencia [0,1]

|0 para x < a
| ​x - a​ para a < x < m
| b -a
f(x) = |1 para b < x < c
| ​b - x para m < x < b
| b -m
|0 para x > b

En la figura, usando principalmente Funciones Triangulares y Funciones Trapezoidales, se

representan gráficamente las Funciones de Membresía asociada a los grados de incidencia
posibles de las asignaturas de LP.
Ahora, es claro que cada una de las asignaturas que están contenidas en L.P tienen
su grado de importancia relativa, dada inicialmente por los expertos, y además existe un
grado de inferencia de cada asignatura en el perfil asociado al currículum, además que cada
una de ellas tiene, en base a sus relaciones, grados de inferencia, y este está contenido en
GILP, por lo cual y, a modo de ejemplo, podríamos tener algo como lo siguiente:

Cuadro 1
 LP GILP

M GI

H Dir

C I

A Cir

O Dir

Cuadro 2

LP GILP

M I

H I

C GI

A Cir

O Dir

Desde el punto de vista operativo y como sabemos que los grados de cada una de las
asignaturas se encuentran en el intervalo [0, 1], se puede construir “una función” de grados
de influencia de cada una de las asignaturas en el currículum como:

Currículum = ΣαGI(M ) + βD(H) + γI(C) + δCir(A) + εDi(o) , donde

ΣαGI + βDi + γI + δCir + εDi = 1

En este caso la “fórmula” Currículum corresponde a determinación reflejada en Cuadro 1

anterior, el cual a su vez corresponde a situación de grados de importancia o influencia de
cada una de las asignaturas o líneas programáticas con respecto del currículum que
responde a un perfil predeterminado para Cuadro 1 u otro para Cuadro 2 u otros. Debe
notarse que los aGI, …., eDi han sido normalizados para evitar la importancia relativa y
además debe considerarse que igual tratamiento se debe realizar a los a,b,d,g,e en forma
independiente. Más aún, estos últimos también pueden corresponder a cualificadores
difusos. Notar que a su vez C = (F,Q,B), y esta también corresponde a:

C = ΣαGI(F ) + βDi(Q) + γI(B) , por ejemplo y a su vez: αGI + β Di + γ I = 1

Observación
Es importante resaltar que el Currículum debe ser igual a 1 o lo más cercano que se pueda,
se considerará que Currículum está en “estado óptimo” si está lo “más cercano a 1” que se
pueda. Este valor “lo más cercado a 1”, corresponde a un umbral a determinar por los
gestores y será un indicador de cercanía o alejamiento que esté tomando Currículum en el
tiempo.
Posteriormente y para este ejemplo en particular, se debe construir una Matriz de
Relaciones entre Asignaturas. Esta Matriz se llena con los valores que a juicio de los
diseñadores representan de mejor manera la Incidencia que tiene una Asignatura respecto
a otra. Debe notarse que esta Matriz no es necesariamente simétrica y además debe
aclararse que esta Matriz se debe construir al comienzo de este proceso y los valores
corresponden a apreciaciones difusas de los diseñadores.

M H F Q B A O

M 0 0,3 0,7 0,4 0,3 0,2 0,1

H 0,1 0 0,2 0,1 0,15 0,35 0,1

F 0,3 0,1 0 0,3 0,2 0,1 0,1

Q 0,15 0,15 0,3 0 0,3 0,2 0,2

B 0,1 0,1 0,1 0,2 0 0,1 0,3

A 0,1 0,2 0,1 0,1 0,1 0 0,1

O 0,1 0,1 0,1 0,1 0,1 0,1 0

Algoritmo

● Obtener los valores de la Matriz 1

● Ingresar estos en Currículum
● Si valor de Currículum es mayor que umbral es porque hay una o más de una
asignatura que está influyendo más de lo considerado originalmente y por lo tanto se
está produciendo un desvío de lo pensado originalmente
● Dado lo anterior, se deben ajustar nuevamente los valores de Cuadro 1.

Conclusión

El ánimo del presente trabajo no es estar en contra o a favor del Asignaturismo, pudiendo
existir haber muchos, variados y diversos argumentos por una u otra postura (es más fácil
estar en contra); sino más bien dado que el Asignaturismo está presente o se manifiesta
hoy en día en la mayoría de las mallas curriculares, sobretodo en las primeras etapas de
elaboración, planificación, diseño y posterior construcción es que me sitúo desde el punto
de vista de ofrecer una propuesta que permita de alguna manera mejorar operacionalmente
manera de abordar la problemática, sobretodo reconociendo que ésta en sí tiene variables
que son mpas de tipo cualitativas que cuantitativas y por lo tanto esta naturaleza debe ser
abordada con herramientas de representación del conocimiento adecuadas, como en este
caso el uso de Conjuntos Fuzzy y en particular las funciones de membresía fuzzy para
representar las variables cualitativas y las relaciones de importancia y grados de influencia,
ambas susceptibles de grados de tipo cualitativos. Por último se esboza una propuesta de
algoritmo y un pequeño Caso de Uso.

Conceptos Fuzzy

El concepto de conjunto fuzzy dado por Zadeh (1987), está basado en el modelamiento de
la pertenencia parcial en un conjunto para ciertos elementos de un universo dado. En
particular, una variable fuzzy lingüística es un atributo cuyo dominio contiene valores
lingüísticos, que son rótulos para un subconjunto fuzzy; por ejemplo, el conjunto fuzzy Edad
se puede describir como:

Edad = {Bebé, Infante, Niño, Pre Púber, Adolecente, Adolecente Mayor, Adulto Joven,
Adulto, Adulto Mayor, Casi Anciano, Anciano}.

Lo anterior es muy relevante pues generalmente el conocimiento de los expertos es

obtenido en forma lingüistica. Una variable lingüística es aquella en que los valores que
toma son palabras.

Ejemplo 1:

La variable EDAD es lingüística si se considera que los valores que puede tomar está
comprendida en el conjunto (joven, maduro, viejo, muy viejo).
Una proposición p, en el lenguaje natural, puede ser escrita en forma canónica.

X es F, donde

X es una variable lingüística y F un valor que puede tomar.

Ejemplo 2:

p: Carlos tiene el cabello oscuro X es F, donde

X = Color (Cabello(Carlos))
F = Oscuro.

Notemos que, en los ejemplos anteriores, los valores de las variables lingüísticas son fuzzy.
Es por esto que la Teoría Fuzzy es considerada como una herramienta para manejar en
forma precisa las expresiones del lenguaje natural.
En lo que resta de este trabajo, se verá cómo la Teoría Fuzzy permite representar
conocimiento fuzzy y ejecutar inferencias con este tipo de conocimiento. La Teoría Fuzzym
introducida por Zadeg (1975), permite modelar la incertidumbre, considerando para esto
obviamente la entropía y evaluacion de esta en un sistema de relaciones fuzzy de manera
natural, debido a su axiomática, la cual concibe un nuevo tipo de matemática, donde todos
los elementos son conceptualizados de manera gradual y no taxativos, como en la
matemática clásica (Videla, Leyton y Rossel, 2017); es por esta razón que algunos
matemáticos son críticos de esta teoría. Según Córdova y Leyton (2013) el modelamiento
se hace tomando en cuenta las siguientes consideraciones:
Definición. Sea X un conjunto clásico de objetos, llamado universo. La pertenencia
en un subconjunto A de X se puede definir en términos de la función característica:

μX −−−−−−−−−−−−−−−−−−−−−−> [0, 1]

x −−−−−−−−−−−−−−−−−−−−−> μ(x) , donde

| 1, xεA
f(x) |
| 0, x​ ∉A

Si el conjunto de valuación [0,1] es extendido al intervalo real [0,1] entonces se puede

hablar de pertenencia parcial en A, donde μA(x) es el grado de A en X y en el que los
valores 0 y 1 son interpretados como “no pertenencia” y “pertenencia total”m
respectivamente. Claramente, A es un subconjunto de X, el cual no tiene fronteras definidas
(Kandel, 1982). Esto permite dar la siguiente definición:

Definición. Sea X un espacio de objetos. Un subconjunto fuzzy A de X está caracterizado

por el conjunto de pares:

A = {(x, μ(x)}/ x ε X , donde

μ : X −−−−> [0, 1]

Ejemplo 3:

Sea Aa = [ x I N / x es aproximadamente igual a 10}, Se puede escribir:

A = {(6,0.0),(7,0.1),(8,0.5)(9,0.8)(10,1.0)(11,0.8),(12,0.5)(13,0.1),(14,0.0)}

Ejemplo 4:

Sea A = {x ε R/A >> 1} constituido por elementos R mucho mayor que 1. En

este caso, μA puede ser:

| 0, xεA
μ( x) = |
x−1 ∉A
| , x​
x

Observaciones
 1. Los subconjuntos fuzzy discretos se pueden escribir en forma de una tabla. En el
ejemplo 3 se tiene:

x μ(x)

6 0.0

7 0.1

8 0.5

9 0.8

10 1.0

11 0.8

12 0.5

13 0.1

14 0.0

2. Tanto en el caso de subconjuntos fuzzy discretos como continuos, la asignación de

función de pertenencia puede ser subjetivo, pero no arbitraria. Para el caso del ejemplo 4