La Representación Del Conocimiento PDF

La representación del conocimiento en la ciencia cognitiva: Sus implicancias en la educación
La representación del conocimiento

en la ciencia cognitiva.
Sus implicancias en la educación
Chris Westbury
Uri Wilensky
25
En las últimas décadas, la ciencia cognitiva ha logrado reunir a in-

vestigadores de diferentes disciplinas interesados en comprender el fe-
nómeno del conocimiento. Gracias a los avances en la exploración
del cerebro, dichos investigadores cuentan ahora con una gran canti-
dad de datos empíricos que sirven de base a sus teorías.
Esta investigación es una introducción a la ciencia cognitiva ac-
tual en la que se hace un breve recuento de sus orígenes y se indican
las principales líneas de investigación a través de las cuales se desa-
rrolla hoy en día. Luego de analizar uno de los conceptos más impor-
tantes alrededor del cual giran las discusiones de los científicos
cognitivos en los últimos años —la representación mental—, se muestra
la trascendencia de estos debates para la educación.
Comprender el conocimiento implica, necesariamente, comprender
los procesos de aprendizaje a través de los cuáles éste se construye. Es
por ello que la ciencia cognitiva contemporánea presenta interesantes
aportes al desarrollo de los procesos educativos.
27
I. Introducción a la ciencia cognitiva
Definir la ciencia cognitiva es sorprendentemente difícil. Un comenta-

rista escribió recientemente: “La mayoría de las personas sabe qué es
la ciencia cognitiva cuando la ve, pero tiene muchos más problemas
para dar una definición estricta”1. Esta dificultad se puede atribuir a
varios factores. En parte, se debe al hecho de que esta ciencia surgió
de una combinación de diferentes disciplinas académicas y, en
consecuencia, abarca una gama más amplia de campos intelectuales
que otras disciplinas académicas. La dificultad surge, también, de la
naturaleza dinámica de la misma disciplina. La ciencia ha avanzado
rápidamente en las últimas cuatro décadas, tiempo en el que apareció
la ciencia cognitiva. Como resultado de este rápido avance, definir
algunas de sus características originales más importantes ya no es
estrictamente necesario y varias características que inicialmente fueron
subestimadas o ignoradas han llegado a desempeñar un papel
importante en las teorías actuales.
No obstante, la dificultad en la definición se debe mayormente a la
complejidad inherente a la materia. El estudio de la cognición admite
múltiples niveles de análisis que interactúan en innumerables maneras,
lo que permite que muchos enfoques aparentemente divergentes coexis-
tan bajo el mismo rótulo y que, por ejemplo, psicólogos sociales y
neuropsicólogos que trabajan en el mismo departamento puedan consi-
derarse psicólogos cognitivos sin encontrar jamás un vocabulario común.
1
Keil, F., “Cognitive Science and the Origins of Thought and Knowledge”, en: Damon, W. y R.
Lerner (eds.), The Handbook of Child Psychology: Theoretical Models of Human Development,
5a. ed., Nueva York: John Wiley & Sons, 1998, vol. 1, p. 354.
29
¿Sabemos cómo se aprende? Nuevos enfoques sobre el aprendizaje
Quien trate de dar una definición concisa de la ciencia cognitiva

corre el riesgo de desvirtuarla. En las siguientes páginas se brinda una
definición general, situándola en un marco histórico y señalando va-
rias características que en la actualidad pueden considerarse particu-
larmente importantes.
1. Breve historia de la ciencia cognitiva
La decisión acerca de dónde empezar la historia de la ciencia cognitiva

debe hacerse un tanto arbitrariamente. Es posible hallar su origen
muchos siglos atrás: se podría decir que no se puede entender esta
ciencia sin situarse en la tradición del pensamiento occidental que se
remonta por lo menos a los tiempos de Aristóteles. En lugar de retro-
ceder tanto, es posible optar por empezar la historia más reciente-
mente, señalando los importantes paralelos metodológicos entre la
ciencia cognitiva y la psicofísica que caracterizó los inicios de la
psicología científica por un corto período a fines del siglo XIX e inicios
del siglo XX. Obviando aún más el pasado, se podría relacionar
racionalmente muchas de las ideas de la ciencia cognitiva con el
surgimiento de la cibernética (literalmente “la ciencia del control”),
que empezó con la aparición, en 1948, del libro de Norbert Weiner
Cybernetics: Or Control and Communication in the Animal and the
Machine (“Cibernética: o control y comunicación en el animal y en la
máquina”). Otra opción sería ignorar por completo a los precursores
de la ciencia cognitiva y empezar la historia de esta disciplina con su
forma más reciente, que ha mantenido una misma línea hasta su forma
actual. En este documento se considerará esta última opción.
Existe amplio consenso entre las personas que han escrito sobre la
historia de la ciencia cognitiva acerca de que esta disciplina, tal como
se practica hoy en día, surgió entre 1955 y 19602. Un comentarista que
participó en las actividades originales que llevaron al surgimiento de
2
Cf. Gardner, H., The Mind’s New Science: A History of the Cognitive Revolution, Nueva York:
Basic Books, 1985.
30
la disciplina dijo incluso que es posible fijar su nacimiento en un día

preciso: el 11 de setiembre de 19563. Ese día se llevó a cabo un simposio
sobre la ciencia de la información en el Instituto Tecnólogico de
Massachusetts (MIT), en Boston. A pesar de que no era la primera
conferencia sobre la ciencia de la información, este simposio reunió
por primera vez a pensadores de diferentes disciplinas que habrían
de desempeñar un papel importante en el surgimiento de la ciencia
cognitiva.
La teoría de la información fue, junto con la ciencia de la compu-
tación, una de las disciplinas subyacentes a la ciencia cognitiva que
fue estimulada por los desafíos prácticos de la Segunda Guerra Mundial.
Los gobiernos de Gran Bretaña y de los Estados Unidos de América
querían mejorar su conocimiento de cómo codificar, decodificar, com-
prender y transformar la información transmitida. Por eso, todas las
disciplinas que podían llevar a un descubrimiento importante en esos
campos recibieron un gran apoyo financiero.
En Inglaterra, el resultado fue el desarrollo de una nueva metáfora
para entender a los seres humanos: la del procesamiento de informa-
ción de Colin Cherry y Donald Broadbent. Dichos investigadores pro-
pusieron estudiar a los seres humanos como dispositivos de procesa-
miento de información y describirlos en los mismos términos que se
utilizaban para describir dispositivos de procesamiento de informa-
ción más simples, como un conjunto de canales de entrada y salida
con capacidades limitadas conocidas4. Esta metáfora condujo al
desarrollo de un nuevo y beneficioso programa de investigación
dedicado a explorar las restricciones y el funcionamiento de los canales
sensoriales humanos, y brindó un medio inequívoco para expresar y
explorar una antigua idea que el avance científico había hecho cada
vez más concebible: que el ser humano podría ser un tipo de máquina
compleja. Una de las conferencias más conocidas en el simposio del
3
Cf. Miller, G., “A Very Personal History. Talk to Cognitive Science Workshop”, MIT, Cambridge,
MA, 1 de junio de 1979, citado en Gardner, H., op. cit.; cf. asimismo Breuer, J.T., Schools for
Thought: A Science of Learning in the Classroom, Cambridge, MA: MIT Press, 1993.
4
Broadbent, D., Perception and Communication, Londres: Pergamon Press, 1958.
31
MIT presentó un descubrimiento que hasta hoy en día es, quizás, el

más conocido del paradigma del procesamiento de información: el
hallazgo de George Miller de que la memoria a corto plazo se limita
aproximadamente a siete ítemes5.
En los Estados Unidos de América, las exigencias de la guerra
condujeron al desarrollo del Computador e Integrador Numérico
Electrónico, la primera computadora electrónica diseñada para
calcular la curva de los proyectiles hacia el blanco. Esta computadora
se llegó a utilizar en 1946, un tanto tarde para ser de ayuda durante
la guerra. Su diseño se basaba directamente en los principios teóricos
de un famoso informe publicado en 1936 por el matemático británico
Alan Turing y de una tesis de maestría del MIT publicada en 1938
por el matemático Claude Shannon. Turing probó que existía una
forma simple y general subyacente a todos los cálculos algorítmicos:
un lenguaje universal para describir el cálculo. Shannon se basó en
este trabajo para demostrar que las funciones de relés e interruptores
electrónicos existentes eran suficientes para crear una máquina que
simulara el dispositivo de cálculo universal que el informe de Turing
había descrito6.
El matemático estadounidense John von Neumann siguió de cerca
los avances en el emergente campo del cálculo electrónico. Contribu-
yó tanto al diseño del hardware de computadoras que muchas veces
se llama “arquitectura Von Neumann” a la configuración moderna de
estos aparatos. Von Neumann fue también uno de los primeros en
especular sobre la relación entre la nueva tecnología y el cerebro
humano. Murió de cáncer antes de ver la publicación de su libro The
Computer and the Brain (“La computadora y el cerebro”), en 1958.
Otra de las conferencias del simposio de 1956 en el MIT, presenta-
da por Alan Newell y Herbert Simon, se basó en el sueño de Von
5
Miller, G., “The Magical Number Seven, Plus or Minus Two: Some Limits on Our Capacity for
Processing Information”, en: Psychological Review, 63 (1956), pp. 81-97.
6
Debido a que la prueba de la naturaleza universal del cálculo de Turing dependía de un
dispositivo imaginario que tenía una capacidad de almacenamiento infinita, no es posible realizarla
sino sólo simularla.
32
Neumann de entender el pensamiento humano en términos de una

computadora electrónica. Newell y Simon presentaron la primera prue-
ba completa de un teorema en lógica simbólica creado por una
máquina, utilizando una computadora llamada “Johnniac” en honor a
Von Neumann. Hasta cierto punto la presentación era puramente
formal, ya que Simon había comprobado a mano, algunos meses antes,
que tal demostración era posible y porque el teorema en cuestión ya
había sido demostrado décadas antes por Whitehead y Russell. Sin
embargo, la demostración de Newell y Simon marcó el comienzo de
una nueva era. No sólo se trataba de una máquina, un objeto sin vida,
mostrando su incipiente inteligencia: Newell y Simon insistieron en
que no demostraban solamente la inteligencia de una máquina, sino
las leyes generales que sustentan el pensamiento7. Al insistir en su
interpretación, formularon uno de los postulados centrales de la cien-
cia cognitiva temprana: que se puede estudiar la organización general
del procesamiento cognitivo independientemente de la manera en
que se implementan esos procesos en el cerebro humano. Así, se
estableció una disociación entre el algoritmo utilizado para resolver
un problema y su implementación. Se puede estudiar el primero sin
tomar en consideración el segundo.
Los avances en el procesamiento de información y en la computa-
ción artificial, proporcionaron a los investigadores de diversos campos,
nuevos recursos intelectuales para pensar de manera formal y rigurosa
en los procesos cognitivos. Otorgaron una nueva terminología para
los teóricos en psicología, permitiéndoles pensar en términos como
algoritmos, buffers de información, embotellamiento de flujo y bucles
de retroacción.
La creciente popularidad de las ideas computacionales contribuyó
y fue a la vez impulsada por un cambio paralelo en los campos de la
filosofía y de la psicología. Profesionales de ambas disciplinas empe-
zaron a notar que las metodologías que insistían en restringirse sólo a
la información sensorial accesible empíricamente (conductismo en
7
Simon, H.A., Sciences of the Artificial, Cambridge, MA: MIT Press, 1969.
33
psicología, y positivismo y verificacionismo en filosofía) presentaban

demasiadas limitaciones para explicar todos los fenómenos que se
quería8. La “psicología de caja negra”, que trató al cerebro como una
unidad encapsulada cuyo funcionamiento interno no se habría de
usar para teorizar, debía ser abandonada. La vieja metáfora del cerebro
como un tablero de distribución telefónico que conecta directamente
estímulos con respuestas, dio paso a una metáfora más compleja que
lo describió como “una mapoteca donde se seleccionan y clasifican
los estímulos antes de emitir alguna respuesta”9.
Una tercera conferencia sobre procesamiento de información pre-
sentada en el simposio de 1956 en el MIT enfatizó la necesidad de
dar por sentado este preprocesamiento cognitivo. El conferencista
era un joven lingüista que estaba reinventando su campo por sí
solo: Noam Chomsky. Éste demostró que los principios
computacionales simples señalados por Shannon no eran suficientes
para explicar el lenguaje humano, y presentó una nueva manera de
pensar en el lenguaje que proponía transformaciones computacionales
a través de las unidades morfológicas del lenguaje10. Alegó que no
se podía explicar el lenguaje si no se abría la “caja negra” del cerebro
y si los teóricos no se permitían hablar de casos computacionales
inferidos que requieren operaciones sin manifestación externa obvia
y que van más allá de las definidas en la lógica. Su trabajo contribuyó
a que se aceptase que para entender la funcionalidad del cerebro se
necesitaba desarrollar nuevas ideas sobre cómo representar y
manipular la información. El estudio de Chomsky repercutió en la
manera de comprender la clase de procesamiento de información
que el cerebro debe realizar y subrayó la necesidad de considerar
que algunos tipos de conocimiento podrían estar especificados de
manera innata, es decir directamente conectados al sistema nervioso
humano al momento de nacer.
8
Hebb, D.O., Organization of Behavior, Nueva York: John Wiley & Sons, 1949.
9
Bruner, J.S., J. Goodknow y G. Austin, A Study of Thinking, Nueva York: John Wiley & Sons,
1956, p. vii.
10
Chomsky, N., Syntactic Structures, La Haya: Mouton, 1957.
34
En los años posteriores al simposio de 1956 en el MIT, el interés

por las ciencias computacionales creció rápidamente. En 1960, Jerome
Bruner y George Miller, psicólogos de la Universidad de Harvard,
fundaron el Centro de Estudios Cognitivos, el cual se dedicó explícita-
mente a fomentar nuevas maneras de considerar el pensamiento y
tuvo un papel importante en los primeros años de la ciencia cognitiva11.
En 1969, se publicó el primer libro importante consagrado a exponer
(y a criticar) la nueva ciencia: Cognitive Psychology, “Psicología
cognitiva”, de Ulric Neisser.
Tres años después, Newell y Simon, los dos investigadores que
habían presentado la primera prueba de un teorema creado por com-
putadora, publicaron su voluminoso libro Human Problem Solving,
“Resolución humana de problemas”, en el cual describieron un enfo-
que computacional general para resolver problemas. Su enfoque —el
análisis medio-fin— puede considerarse como una extensión del prin-
cipio cibernético de la retroalimentación.
En los sistemas de retroalimentación, se compara la información
sobre el estado actual del sistema con el estado deseado del mismo y,
poco a poco, se dirige el estado actual en la dirección deseada. Este
simple principio se usa mucho en sistemas naturales o controlados
por máquinas. La aplicación de la idea a la cognición es muy simple:
implica la comparación (frecuentemente en varias dimensiones) del
estado actual de un problema con el estado final deseado, y la
utilización de un operador que acorta la distancia entre ambos estados.
El libro de Newell y Simon demostró que este enfoque se podía utilizar
de manera algorítmica con el fin de resolver una amplia gama de
problemas para los cuales se pensaba que era necesaria la inteligencia
humana. A pesar de que sus aplicaciones son cada vez más sofisticadas
y sus limitaciones más aparentes, hoy en día se siguen usando mucho
11
Posner, M. y G.L. Schulman, “Cognitive Science”, en: Hearst, E. (ed.), The First Century of
Experimental Psychology, Hillsdale, NJ: Lawrence Erlbaum, 1979; Bruner, J., “Founding the Center
for Cognitive Studies”, en: Hirst, W. (ed.), The Making of Cognitive Science, Cambridge: Cam-
bridge University Press, 1988, pp. 90-99; Norman, D.A. y W.J. Levelt, “Life at the Center”, en:
Hirst, W. (ed.), op. cit., pp. 100-110.
35
las variaciones del enfoque general descrito por Newell y Simon en

los campos de la inteligencia artificial y la ciencia cognitiva12.
La ciencia cognitiva recibió un impulso a mediados de los años
setenta cuando la fundación privada Sloan decidió brindarle apoyo
financiero. Poco después, se publicó Cognitive Science, “Ciencia
cognitiva”, el primer boletín dedicado a esta disciplina. La nueva aproxi-
mación a la mente empezaba a conquistar su propio espacio.
2. Tendencias actuales en la ciencia cognitiva
En los veinte años transcurridos desde que se logró dar una definición
suficientemente buena de la ciencia cognitiva como para publicar su
primer boletín, esta disciplina ha sufrido varias modificaciones. Se han
dado (o se están dando), principalmente, cuatro cambios que alteran
drásticamente sus conceptos básicos sobre el procesamiento cognitivo:
• El surgimiento de modelos mentales horizontales y la resultante

decadencia de los métodos y arquitecturas estructurados de “arriba
hacia abajo”.
• La integración de la neurociencia a la ciencia cognitiva.
• El surgimiento de la psicología evolutiva.
• La reconsideración del papel del contexto en la función cognitiva.
En las siguientes páginas se explica brevemente cada uno de estos

cambios.
12
Quizás la variación más significativa es la unión del análisis medio-fin con la selección natural,
lo que permite a una máquina aplicar muchos operadores al estado actual, seleccionar los que
más acortan la distancia entre el estado actual y el estado deseado, y luego producir nuevos
operadores al “procrear” los que tuvieron éxito, cf. Holland, J., Hidden Order: How Adaptation
Builds Complexity, Reading, MA: Addison-Wesley, 1995; Koza, J. R., Genetic Programming II:
Automatic Discovery of Reuseable Programs, Cambridge, MA: MIT Press, 1994. Esta técnica tuvo
impacto en el campo de la inteligencia artificial. Su aplicación en la ciencia cognitiva ha sido hasta
ahora limitada, pero hay indicios de que ello está cambiando, cf. Edelman, G., Neural Darwinism:
The Theory of Neuronal Group Selection, Nueva York: Basic Books, 1987; Calvin, W.H., The Cer-
ebral Code, Cambridge, MA: MIT Press, 1996.
36
2.1. El surgimiento de los modelos mentales horizontales
Los modelos mentales horizontales y estructurados de “abajo hacia

arriba” se basan en componentes individuales conectados en una red,
en vez de basarse en arquitecturas jerárquicamente organizadas de
“arriba hacia abajo”. Estos modelos tienen una larga historia.
Los modelos conexionistas, cuyas características determinantes
son anteriores a la ciencia cognitiva, son importantes precursores
de los modelos actuales. En 1943, Warren McCulloch y Walter Pitts,
dos investigadores del MIT involucrados en el desarrollo de la
cibernética, publicaron un informe en el cual probaron que redes
simples de neuronas simuladas eran suficientes para imitar una
máquina Turing y, por lo tanto, para calcular cualquier función
calculable. De esta manera, fundaron la disciplina que luego se
hizo conocida con el nombre de conexionismo, la misma que está
orientada al estudio de las capacidades de procesamiento de
información de una red de nodos conectados con funciones simples
de respuesta. Seis años después de la publicación del informe de
McCulloch y Pitts, el psicólogo Donald Hebb de la Universidad
McGill13 sugirió un medio sencillo para que las redes de neuronas
reales pudieran representar información. Esto sentó la base
conceptual del conexionismo: “Si un axón de la célula A está lo
suficientemente cerca para excitar a una célula B, y participa de manera
repetitiva o persistente en su estimulación, se produce algún proceso
de crecimiento o cambio metabólico en una o ambas células, de manera
que la eficiencia de A, como una de las células que estimula a B, se
incrementa”14.
Tempranamente se reconoció que las computadoras ofrecían una
manera de modelar y explorar las características de las redes neuronales.
Un trabajo pionero en el campo del conexionismo, utilizando una
versión ampliada de la ley de aprendizaje de Hebb, fue realizado por
13
Hebb, D.O., op. cit.
14
Ibid., p. 62.
37
Rosenblatt15 quien llamó “perceptrones” a las redes de dos capas que

estudiaba porque eran capaces de aprender a “percibir” categorías en
una cadena de entrada. Algunos años después, Minsky y Papert
demostraron que las redes de perceptrones tenían serias limitaciones:
no podían clasificar ciertos tipos de entradas simples y, por lo tanto,
presentarían serios problemas de dimensionamiento16. Si bien su crítica
era muy específica y se aplicaba a una configuración particular de las
redes conexionistas con un tipo especial de unidades de procesa-
miento, el libro de Minsky y Papert redujo drásticamente el interés en
el conexionismo.
En la década que siguió a la publicación del informe de Minsky
y Papert, la mayoría de los trabajos computacionales orientados
hacia el campo de la cognición se basaban en el procesamiento
simbólico, siguiendo las ideas del programa de Newell y Simon.
Algunos investigadores continuaron desarrollando las ideas del
conexionismo17, pero los científicos cognitivos no les prestaron
mucha atención.
En los años ochenta surgió un nuevo interés por el conexionismo
sobre cuyos motivos sólo podemos especular. Probablemente, uno
de los factores más importantes fue la desilusión con respecto al pro-
grama clásico de procesamiento de símbolos en el campo de la inte-
ligencia artificial. A pesar de que Estados Unidos y Japón han brindado
mucho apoyo financiero a los programas de inteligencia artificial, el
avance en este campo ha sido muy lento, casi exclusivamente limitado
a simulaciones de “micromundos” que normalmente no permiten una
generalización a otros campos cognitivos que no sean los simulados.
Aunque el enfoque general de Newell y Simon para resolver proble-
mas resultaba útil para solucionar una variedad de problemas simples,
los intentos de aplicarlo a problemas de la vida real, en los que las
15
Rosenblatt, Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms,
Washington, D.C.: Spartan Books, 1961.
16
Minsky, M. y S. Papert, Perceptrons, Cambridge, MA: MIT Press, 1969.
17
Cf. Churchland, P.S. y T.J. Sjenowski, The Computational Brain, Cambridge, MA: MIT Press,
1992, p. 78.
38
estructuras y los límites no están necesariamente bien definidos, no

tuvieron mucho éxito.
Otro de los factores que, probablemente, contribuyó a la renovada
atención por el conexionismo fue el creciente interés en la cognición
específicamente humana que se oponía al interés de la inteligencia
artificial por la cognición y la inteligencia en general. Se tomó con-
ciencia de que los modelos computacionales propuestos como mo-
delos de cognición humana eran, como lo describió un comentarista
en esa época, “absurdamente indeterminados” por los datos18. No
había manera de decidir si un modelo computacional era un mejor
modelo de la cognición humana que otro, ya que cualquier número
de modelos de amplia variación podía servir para modelar la
información.
El costo decreciente y el acceso cada vez más fácil a los recursos
de computación desempeñaron también un papel importante en el
resurgimiento del conexionismo. A mediados de los años ochenta, las
computadoras personales eran por primera vez suficientemente velo-
ces como para simular redes neuronales simples. En 1986, cualquier
persona que tuviera acceso a una computadora personal podía com-
prar el paquete de software para construir y ejecutar una amplia gama
de simulaciones de modelos conexionistas19. De hecho, muchas
personas lo hicieron. Según Amy Brand, editor en jefe del MIT Press,
en los primeros cinco años de su lanzamiento se vendieron cuarenta
mil paquetes. Éste es un volumen de ventas enorme para una
publicación académica especializada.
Algunos años después surgió otro motivo para la creciente popula-
ridad del conexionismo, cuando las redes conexionistas empezaron a
ser utilizadas por primera vez para comprender mejor trastornos
18
Dennett, D., “The Logical Geography of Computational Approaches: A View from the East
Pole”, en: Brand, M. y M. Harnish (eds.), The Representation of Knowledge and Belief, Tucson:
University of Arizona Press, 1986, pp. 55-79.
19
Rumelhart, D.E. y J. McLelland (eds.), Parallel Distributed Processing: Explorations in the
Microstructure of Cognition, vol. 1, Cambridge, MA: MIT Press, 1986.
39
neurológicos reales como la dislexia20. Este desarrollo condujo a que

clínicos e investigadores que antes habían ignorado al conexionismo
se interesaran en él, ya que hizo posible que se publicaran por primera
vez estudios sobre conexionismo en boletines no especializados en
modelos computacionales.
A pesar de que la mayoría de los modelos conexionistas de cogni-
ción de alto nivel se consideran ahora simplistas y biológicamente
improbables, el principio subyacente de que “la inteligencia emerge
de las interacciones de un gran número de unidades simples de
procesamiento”21 sigue siendo una característica importante de la ciencia
cognitiva moderna. Actualmente, existen muchos enfoques diferentes
para la construcción de modelos de cognición horizontales y
estructurados de “abajo hacia arriba”22. Estos modelos tienen diversas
ventajas en comparación con el enfoque estructurado de “arriba hacia
abajo”. Frecuentemente guardan una relación más estrecha con la
microestructura y el funcionamiento conocido del cerebro que las
explicaciones simbólicas, y permiten teorizar más concretamente sobre
las, de otra manera misteriosas, conexiones entre la representación de
información, la función computacional, la estructura neurológica y la
producción de comportamientos 23 ; además, ofrecen nuevas
explicaciones para muchos vacíos sorprendentes en el desarrollo de
la cognición24. Por todas estas razones, los modelos horizontales y de
“abajo hacia arriba” tienen un papel cada vez más importante en la
ciencia cognitiva contemporánea.
20
Hinton, G.E. y T. Shallice, “Lesioning an Attractor Network: Investigations of Acquired Dislexia”,
en: Psychological Review, 98 (1991), pp. 74-95.
21
Rumelhart, D.E. y J. McLelland (eds.), op. cit., p. ix.
22
Cf. Franklin, S., Artificial Minds, Cambridge, MA: MIT Press, 1995.
23
Cf. O’Brien, G. y J. Opie, “A Connectionist Theory of Phenomenal Experience”, en: Behavioral
and Brain Sciences, en prensa.
24
Cf. Elman, J.L. et al., Rethinking Innateness: A Connectionist Perspective on Development,
Cambridge, MA: MIT Press, 1996; Thelen, E. y L.B. Smith, “Dynamic Systems Theories”, en:
Lerner, R. (ed.), op. cit., pp. 563-634.
40
2.2. La integración de la neurociencia a la ciencia cognitiva
A pesar de que muchos científicos cognitivos siguen estudiando la

cognición independientemente de su implementación en el cerebro,
hay una tendencia reciente a integrar ambos aspectos. Esta tendencia
se debe, en parte, a dos acontecimientos que ya han sido mencio-
nados: el creciente reconocimiento de las limitaciones teóricas y
prácticas de los enfoques clásicos de “arriba hacia abajo” en el
campo de la inteligencia artificial, y el surgimiento de modelos
computacionales de “abajo hacia arriba” como un enfoque
alternativo.
Sin embargo, el principal motivo del aumento de la importancia
de la neurociencia es el gran avance que se ha registrado en este
campo en los últimos treinta años. Este avance puede atribuirse
parcialmente a la creación (liderada principalmente por Hebb y sus
colegas William Penfield y Brenda Milner de la Universidad McGill)
de la subdisciplina llamada neuropsicología25 que llevó de la clínica
al laboratorio el estudio de la relación entre el cerebro y el
comportamiento26. Los adelantos técnicos han proporcionado a la
neurociencia un importante conjunto de nuevas herramientas para
estudiar la estructura funcional del sistema nervioso vivo en seres
humanos y otros animales. Mientras que hace cuarenta años se con-
sideraba que el cerebro humano era una “caja negra”, hoy en día
una variedad de tecnologías electrónicas de imagen y estimulación
permite a los investigadores estudiar la funcionalidad dinámica del
cerebro vivo mediante una gama de resoluciones temporales y
espaciales. En ese mismo período, se desarrollaron sutiles técnicas
25
Hebb, D.O, op. cit., 1949; Penfield, W. y L. Roberts, Speech and Brain Mechanisms, Princeton,
NJ: Princeton University Press, 1959.
26
Para apreciar la importancia de este cambio de enfoque, se debe considerar el informe citado en
Cytowic, R., Synesthesia: A Union of the Senses (Nueva York: Springer Verlag, 1989, p. 7): “Norman
Geschwind [un reconocido neurólogo] me contó que en 1942 los catedráticos de la universidad de
Harvard bromeaban sobre las personas que pensaban que el cerebro podía estar relacionado con la
conducta, pero daban por sentado que pasarían cientos de años hasta que se llegara a algo en esta
dirección y que considerar esta área era una especulación sin sentido”.
41
experimentales que han permitido a los científicos hacer deducciones

sobre el misterioso funcionamiento de la “caja negra”27.
Todo ello contribuyó a comprender que el cerebro puede
implementar algunos o todos sus cálculos de manera asombrosamente
compleja, y a la opinión de que la ciencia cognitiva no puede avanzar
si ignora los discernimientos de la neurociencia.
2.3. El surgimiento de la psicología evolutiva
Una tendencia muy reciente en la ciencia cognitiva insiste en la im-

portancia de conocer la evolución humana para poder entender la
conducta y la cognición28. Como las otras tendencias ya consideradas,
ésta se basa en varios cambios.
Uno de ellos es la creciente aceptación de que los seres humanos
se encuentran lejos de tener una inteligencia óptima. Como se men-
cionó anteriormente, éste es un hallazgo que tiene mucho sentido si
se considera desde una perspectiva evolutiva. El pensamiento evolu-
tivo sostiene que si queremos entender cómo piensan los seres huma-
nos, no es suficiente crear modelos de cognición idealizados, sino
que es necesario estudiar a las personas considerando su historia evo-
lutiva, ya que sólo ella puede explicar por qué pensamos de la manera
en que lo hacemos.
Un motivo vinculado con el interés en la evolución por parte de
los investigadores cognitivos es la creciente preocupación relativa a
que los intentos chomskianos y neochomskianos de explicar las fun-
ciones cognitivas complejas (especialmente el lenguaje) haciendo
referencia a lo innato, no sean satisfactorios desde el punto de vista
27
Westbury, C., “Research Strategies: Psychological and Psycholinguistic Methods in
Neurolinguistics”, en Stemmer, B. y H. Whitaker (eds.), Handbook of Neurolinguistics, Nueva
York: Academic Press, 1998, pp. 83-94.
28
Dennett, D., Darwin’s Dangerous Idea: Evolution and the Meanings of Life, Nueva York: Simon &
Schuster, 1995; Deacon, T., The Symbolic Species: The Co-Evolution of Language and the Brain,
Nueva York: Norton, 1997; Bogdan, 1997; Hendriks Jansen, H., Catching Ourselves in the Act: Situ-
ated Activity, Interactive Emergence, Evolution, and Human Thought, Cambridge, MA: MIT Press,
1996; Elman, J.L. et al., op. cit.; Pinker, S., How the Mind Works, Nueva York: Norton, 1997.
42
científico. En los últimos años se ha comprendido que dar por sen-

tado estructuras innatas para las funciones psicológicas no es en sí
mismo una explicación, sino sólo una descripción de lo que queda
por explicar. Las teorías psicológicas que postulan estructuras inna-
tas son, en ese sentido, un remanente de la “psicología de caja ne-
gra” que el desarrollo de la ciencia cognitiva trajo abajo. Un enfoque
evolutivo de la psicología limita las explicaciones de la posible gé-
nesis de las estructuras aparentemente innatas.
Probablemente, el surgimiento de las teorías horizontales y de “abajo
hacia arriba” también contribuyó al creciente interés en la psicología
evolutiva. Ambas teorías plantearon algo que parecía imposible des-
de la explicación clásica de la inteligencia artificial: que los tipos de
cambios requeridos por la evolución pudieron provocar las diferen-
cias aparentemente cualitativas que separan la cognición animal de la
del ser humano29.
Los enfoques de “abajo hacia arriba” eliminan la necesidad de afir-
mar la existencia de complejas estructuras de datos simbólicos como
el nivel más bajo de la estructura cognitiva. También destacan la ma-
nera en que algunas modificaciones simples, por ejemplo las causa-
das por pequeños cambios en el genotipo, pueden conducir a cam-
bios adaptativos a nivel funcional30. En conjunto, estas características
ayudan a imaginar cómo pueden haber evolucionado las funciones
psicológicas complejas.
Los últimos avances en la concepción de la evolución como proce-
sos algorítmicos31 muestran que los marcos explicativos de la ciencia
cognitiva y de la evolución son en gran medida compatibles. Ahora,
la evolución es entendida no sólo como un método especializado
para mejorar la calidad reproductiva en sucesivas generaciones de
organismos biológicos, sino también como un proceso mucho más
general que puede usarse para estudiar cualquier espacio mayor de
29
Drescher, G.L., Made-Up Minds, Cambridge, MA, MIT Press, 1991.
30
Sobre genes de caja homeopática, cf. Elman, J.L. et al., op. cit., y Deacon, T., op. cit.
31
Dennett, D., Darwin’s Dangerous Idea: Evolution and the Meanings of Life, op. cit.; Holland,
J. Hidden Order: How Adaptation Builds Complexity, Reading, MA: Addison-Wesley, 1995.
43
posibilidades codificadas y estructuradas, de tal manera que las

soluciones evolucionadas con un valor similar sean generalmente
representadas por las siguientes generaciones con códigos similares32.
Como resultado de esta redefinición de la evolución, muchas per-
sonas reconocen ahora que los procesos evolutivos operan en niveles
relevantes para la psicología cognitiva. Hay cada vez mayores eviden-
cias de que los procesos selectivos sustentan los procesos que guían
a las neuronas cerebrales para que éstas se conecten correctamente33,
aunque ello ocurre de una manera que difiere de la teoría de la
selección natural planteada por Darwin34.
A pesar de que su idea todavía no es aceptada por la corriente
predominante de la psicología cognitiva, un teórico ha propuesto re-
cientemente que el cerebro utiliza la selección natural como la pre-
sentó Darwin para estructurar y manejar la actividad electroquímica
que subyace tras la cognición y la conducta35. Un número cada vez
mayor de teóricos ha aceptado también que hay que invocar los
principios evolutivos a nivel social para explicar de qué manera las
ideas (o “memes”, como llamó Dawkins en 1976 a la unidad reprodu-
cible de la cognición) se duplican y sobreviven a nivel cultural36. En la
naciente perspectiva de la evolución, se considera a los organismos
individuales como nexos de los múltiples procesos evolutivos que se
están produciendo a escalas mayores y menores en comparación con
la escala en la cual se pensaba que operaba la selección natural clásica
de Darwin.
32
En la evolución genética esta estructura es proporcionada por el hecho de que pequeños
cambios en el genoma probablemente producen pequeños efectos en el fenotipo. Si no se
estructura un espacio de posibilidades de esta manera, la investigación evolutiva sería sólo una
investigación al azar. En este caso, no sería una ventaja conservar la información sobre las
soluciones pasadas para un problema para el cual la solución ha evolucionado, de este modo la
evolución nunca empezaría.
33
Cf. Edelman, G., op. cit.; Changeux, J.-P., “Concluding Remarks: On the Singularity of Nerve
Cells and its Ontogenesis”, en: Progress in Brain Research, 58 (1983), pp. 465-478.
34
Belle, T. van, “Is Neural Darwinism Darwinism?”, en: Artificial Life, 3 (1997), pp. 41-49.
35
Calvin, W.H., op. cit.
36
Dennett, D., Darwin’s Dangerous Idea: Evolution and the Meanings of Life, op. cit.
44
2.4. La importancia del contexto
En su primer trabajo sobre la revolución cognitiva, Gardner37 escribió

que: “A pesar de que los principales científicos cognitivos no sienten
necesariamente aversión contra el aspecto afectivo, contra el contexto
que rodea cualquier acción o pensamiento, o contra los análisis
históricos o culturales, en la práctica tratan de dejar de lado estos
elementos”. Así, los primeros científicos cognitivos tendieron a tratar
el contexto como ruido que se podía controlar, pero que no se admitía
en la teoría porque “para la mayoría de los psicólogos, la idea de que
el contexto puede modificar el procesamiento cognitivo es parecida a
reconocer la fragilidad de nuestras teorías”38.
Sin embargo, los datos empíricos no respetan los límites impuestos
por los deseos humanos. Existe evidencia indiscutible de que muchas
funciones que suscitan el interés de los psicólogos —incluyendo el
razonamiento39, la memoria40 e incluso el control motor a bajo nivel41—
son más sensibles al contexto de lo que muchos de los primeros científicos
cognitivos imaginaron. Hoy en día, un significativo número de
37
Gardner, H., op. cit., p. 41.
38
Ceci, S.J. y A. Roazzi, “The Effects of Context in Cognition: Postcards from Brazil”, en: Stern-
berg, R.J. y R.K. Wagner (eds.), Mind in Context: Interactionist Perspectives on Human Intelli-
gence, Nueva York: Cambridge University Press, 1994, p. 74. Muchas décadas antes de que lo
hicieran los científicos cognitivos, algunos antropólogos y filósofos enunciaron la necesidad de
tomar en cuenta al contexto para entender a los seres humanos, cf. Wittgenstein, L., Philosophi-
cal Investigations, Oxford: Basil Blackwell, 1958; Winch, P., The Idea of a Social Science, Londres:
Routledge, 1958; Garfinkel, H., Studies in Ethnomethodology, Nueva York: Prentice-Hall, 1967;
Geertz, C., Interpretation of Cultures, Nueva York: Basic Books, 1973.
39
Ceci, S.J. y A. Roazzi, op. cit., pp. 74-101; Ferrari, M. y R.J. Sternberg, “The Development of
Mental Abilities and Styles”, en Kuhn, D. y R. Siegler (eds.), The Handbook of Child Psychology:
Cognition, Perception, and Language, Nueva York: John Wiley & Sons, 1998, pp. 899-946.
40
Anderson, J.R., The Architecture of Cognition, Cambridge, MA: Harvard University Press, 1982;
Chase, W.H. y H. Simon, “Perception in Chess”, en: Cognitive Psychology, 1 (1973), pp. 33-81;
Ceci, S.J. y M. Leichtman, “Memory, Cognition, and Learning”, en: Segalowitz, S. y I. Rapin
(eds.), Handbook of Neuropsychology, Amsterdam: Elsevier, 1992, pp. 223-240.
41
Mowrey, R.A. y I.R.A. MacKay, “Phonological Primitives: Electro-Myographic Speech Error Evidence”,
en: Journal of the Acoustic Society of America, 88 (1990), pp. 1299-1312; Kelso, J.A., Dynamic Patterns:
The Self-Organization of Brain and Behavior, Cambridge, MA: MIT Press, 1995.
45
investigadores ha aceptado que tomar en cuenta los efectos del contexto

es importante, incluso crucial, para entender la cognición humana.
No todos los científicos cognitivos han relegado la importancia del
contexto. Jerome Bruner, reconocido como uno de los fundadores de
esta ciencia por su papel en la creación del Centro de Estudios
Cognitivos de Harvard, publicó en 1990 un libro en el cual no sólo
declaraba que “la revolución contextual (al menos en psicología) está
ocurriendo hoy en día”42, sino que insistía en que el creciente interés
por el contexto implicaba regresar a una de las metas originales de la
ciencia cognitiva, que había sido olvidada durante mucho tiempo. La
visión de Bruner acerca de la psicología, que él llama “contextualismo
transaccional”, destaca que las acciones dentro de un contexto tienen
un significado basado en la experiencia. Este enfoque viene recibiendo
múltiples aportes tanto de los recientes avances que tratan de
generalizar la teoría evolutiva para aplicarla al campo de la cognición,
como de los trabajos que derivan de la reconsideración de las exigencias
y del papel de la inteligencia artificial (y del computacionalismo en
general) debida al éxito limitado de los métodos clásicos de
procesamiento de símbolos. Otras fuentes que también alimentan esta
perspectiva son la renovada insistencia en la importancia de los estudios
etológicos, los éxitos de la psicología al descomponer conductas
aparentemente unitarias en microconductas cada vez más específicas,
el surgimiento de la neurofilosofía, y los adelantos en dos campos de
investigación estrechamente relacionados y hasta hoy desconocidos:
la robótica de situación y la vida artificial43.
Muchos investigadores44 identifican tres contextos fundamentales
para entender la cognición humana: el biológico, el ambiental
(incluyendo el social) y el mental, epistemológico o simbólico
(“dominio”).
42
Bruner, J., Acts of Meaning, Cambridge, MA: Harvard University Press, 1990, pp. 105-106.
43
Para una revisión detallada sobre los vínculos entre ambas disciplinas, cf. Hendriks-Jansen,
H., op. cit., 1996.
44
Ceci, S.J. y A. Roazzi, op. cit.; Ferrari, M. y R.J. Sternberg, op. cit., 1998.
46
a) El contexto biológico
El contexto biológico comprende las limitaciones y capacidades pro-

pias del sistema nervioso de un individuo, constituidas por sus predis-
posiciones innatas (modeladas por especificaciones genéticas y por el
ambiente prenatal) y por la conducta aprendida (modelada por el
medio ambiente externo después del nacimiento). Existen muchos
ejemplos de conducta aprendida, pero quizás el más sobresaliente es
la distinción fonémica del niño. Así, se ha demostrado que los niños
son capaces de diferenciar una gama mucho más amplia de sonidos
lingüísticos cuando nacen que algunos años más tarde, después de
haber sido expuestos a los fonemas utilizados en la lengua o las len-
guas de su medio ambiente45.
Nuestro cerebro ha sido adaptado, por medio de la selección natu-
ral, para resolver los problemas que nuestros antepasados evolutivos
tuvieron que enfrentar, como aquellos relacionados con la caza, la
recolección, los depredadores, el apareamiento y la crianza de los
hijos. Desde la época en que estos temas eran nuestra única preocu-
pación, no ha habido evolución notable: tenemos el mismo cerebro
que nuestros antepasados cazadores y recolectores. Como los proble-
mas para los cuales nuestro cerebro ha sido adaptado son limitados,
debemos suponer que tiene una capacidad reducida para manejar
otras dimensiones de la experiencia. La capacidad de resolver cierto
tipo de problemas por parte de nuestros antepasados evolutivos —
problemas inmediatos que involucraban objetos sólidos de tamaño
mediano cuyo comportamiento es fácilmente predecible— dejaría sin
lugar a dudas algunas “lagunas funcionales” en nuestra arquitectura
cognitiva. La razón es simple: no hubo ninguna presión selectiva para
llenar estas lagunas durante nuestra historia evolutiva. De hecho, los
investigadores cognitivos han identificado un número de predilecciones
cognitivas sistemáticas y universales, sobre todo en el razonamiento
45
Remez, R.E., “Neural Models of Speech Perception: A Case History”, en: Harnad, S. (ed.),
Categorical Perception: The Groundwork of Cognition, Cambridge: Cambridge University Press,
1987, pp. 199-225.
47
probabilístico y formal46. Los seres humanos tienen muchas limitaciones,

incluso después de un extenso entrenamiento, para combinar
probabilidades o calcular funciones que les exigen tener en mente
una gran cantidad de información47.
El sistema nervioso humano tiene también algunos poderes inna-
tos. Por ejemplo, es excepcionalmente bueno para procesar informa-
ción visual, especialmente si esta información está codificada con co-
lor y/o movimiento. Los científicos cognitivos han identificado una
serie de fortalezas cognitivas innatas específicas según el campo. Múl-
tiples estudios realizados con niños muy pequeños sugieren que po-
seemos de manera innata (y a la vez somos capaces de adquirir muy
rápidamente) un conocimiento limitado y superficial —“conocimiento
común”— en muchos campos, incluyendo la física, biología y
psicología48. A pesar de que el conocimiento innato no siempre es
compatible con la comprensión científica moderna, sirve como guía
rudimentaria acerca de cómo funciona el mundo y de qué manera se
limita la comprensión conceptual en esas áreas. Mencionaré solamente
un ejemplo: estudios que utilizaban una medida conductual de
expectativas frustradas, indican que los niños a los cuatro meses ya
comprenden que una substancia no puede traspasar objetos sólidos49.
46
Cf. Kahnemann, D., P. Slovic y A. Tversky (eds.), Judgment under Uncertainty: Heuristics and
Biases, Cambridge, MA: Harvard University Press, 1982; Piatelli Palmarini, M., Inevitable Illu-
sions: How Mistakes of Reason Rule Our Minds, Nueva York: John Wiley & Sons, 1994.
47
A partir de la demostración de estas limitaciones, algunos investigadores y educadores
concluyeron erróneamente que los temas en sí eran efectivamente difíciles y que la comprensión
intuitiva de campos como la probabilidad tiene que quedar fuera de nuestro alcance. Wilensky
(“Paradox, Programming and Learning Probability”, en: Journal of Mathematical Behavior, 14
(1995), 2, pp. 251-280, y “What is Normal Anyway? Therapy for Epistemological Anxiety”, en:
Educational Studies in Mathematics, 33 (1997), 2, pp.171-202) demostró que con la ayuda de
tecnologías cognitivas apropiadas se puede superar estas limitaciones y desarrollar nuevas
intuiciones.
48
Cf. Wellman, H.M. y S.A. Gelman, “Knowledge Acquisition in Foundational Domains”, en:
Kuhn, D. y R. Siegler (eds.), op. cit., 1998.
49
Spelke, E.S., “Where Perceiving Ends and Thinking Begins: The Apprehension of Objects in
Infancy”, en Yonas, A. (ed.), Perceptual Development in Infancy, vol. 20, Hillsdale, NJ: Lawrence
Erlbaum, 1988, pp. 197-234; “Initial Knowledge: Six Suggestions”, en: Cognition, 50 (1994), 1-3,
pp. 431-445.
48
Durante muchos años, Gardner llamó la atención sobre otro efecto

del contexto biológico: el de las diferencias individuales que existen
entre las personas en lo que concierne a sus habilidades innatas. Así,
introdujo la idea de las “inteligencias múltiples” (o IM, que son casi
equivalentes a los llamados “estilos cognitivos”) para destacar el he-
cho de que los seres humanos tienen diferentes inclinaciones especi-
ficadas biológicamente. Debido a esta característica, Gardner postula
que no debería percibirse la inteligencia como un atributo unitario,
sino como un rico conjunto de habilidades independientes50. Aunque
según el propio autor esta lista no es exhaustiva, algunas de las
inteligencias originales serían: la lingüística, la lógico-matemática, la
musical, la kinestésica-corporal, la interpersonal y la intrapersonal.
b) El contexto ambiental
El contexto en el cual un ser humano vive, aprende y trabaja, influye

considerablemente en su modo de percibir sus habilidades y talentos.
En las siguientes líneas consideraré brevemente el efecto del medio
ambiente social.
En nuestra escala evolutiva, el pensamiento estructurado sistemáti-
camente (que caracteriza el trabajo científico) es un fenómeno abso-
lutamente nuevo. Si comprimimos en veinticuatro horas el tiempo
transcurrido desde que el Homo sapiens empezó a utilizar el lenguaje
por primera vez (no más de 350,000 años), la primera representa-
ción documentada de un problema general (la geometría, inventada
por Tales de Mileto hacia el año 450 a.C.) sólo hubiera aparecido
hace nueve minutos y treinta segundos; la primera sistematización,
a gran escala, de datos empíricos (las observaciones astronómicas
de Tycho Brahe) sólo hubiera aparecido hace un minuto y medio; y
la primera ecuación matemática capaz de predecir un fenómeno
50
Gardner, H., Frames of Mind: The Theory of Multiple Intelligences, Nueva York: Basic Books,
1983; The Unschooled Mind: How Children Think and How Schools Should Teach, Nueva York:
Basic Books, 1991; Multiple Intelligences: The Theory in Practice, Nueva York: Basic Books,
1993; asimismo Ferrari, M. y R.J. Sternberg, op. cit.
49
empírico (desarrollada por Newton para el movimiento planetario

en 1697) sólo hubiera aparecido hace un minuto y doce segundos.
Su tardía aparición sugiere que estas ideas no son “naturales” o simples
para los seres humanos. Son ideas que fueron desarrolladas con
mucho esfuerzo. Haberlas creado es una característica significativa
de la especie humana.
Nuestra actual capacidad de comprensión sólo es posible porque
el mundo proporciona “andamios” para el conocimiento: es decir, nos
brinda un marco que lo hace comprensible. Desde el punto de vista
de la ciencia cognitiva, Margolis ha postulado que el efecto del ambiente
social consiste sobre todo en romper con los hábitos mentales
arraigados, muchas veces inconscientemente, en la manera cómo
actuamos51. Asímismo, afirma que “el principal enigma para entender
lo que vincula a una determinada comunidad (facilitando la comuni-
cación dentro de ella y dificultándola con una comunidad rival) serían
los hábitos mentales que conducen tácitamente a las intuiciones críti-
cas particulares de esa comunidad, que no parecerían razonables para
alguien que no sea miembro de esa comunidad y que, por lo tanto,
no tiene la experiencia intensa de ver las cosas tal como las ven los
miembros de la misma”52.
Margolis defiende su teoría analizando algunos cambios históricos
de paradigmas científicos y mostrando que los primeros en ser ex-
puestos a estos cambios frecuentemente no lograron percibir que és-
tos eran correctos, aun si el tema era completamente formal y fácil de
comprender. Por ejemplo, el surgimiento de la teoría elemental de
probabilidades —a mediados del siglo XVI— encontró una enorme
resistencia cuando se introdujo por primera vez, a pesar de su carácter
formal, su utilidad y lo que reconocemos ahora como su simplicidad.
A partir de ello se infiere que el conocimiento general de una comu-
nidad puede tener un impacto muy sutil sobre la comprensión.
51
Margolis, H., Paradigms and Barriers: How Habits of Mind Govern Scientific Beliefs, Chicago,
IL: University of Chicago Press, 1993.
52
Ibid., p. 23.
50
c) El contexto mental
El tercer contexto que puede afectar la cognición es el mental o

espistemológico. El trabajo de Margolis, realizado desde un nivel so-
cial, demostró que el conocimiento previo de una persona influye en
su capacidad de aprender nueva información. Como se descubrió
desde los inicios de la ciencia cognitiva, es más fácil aprender nueva
información cuando la misma está relacionada con un conocimiento
ya adquirido, que aprender datos sin relación53. Este hallazgo ha sido
explicado en términos de la elaboración. Así, el proceso de utilizar
datos conocidos al captar nueva información permite al estudiante
contar con múltiples rutas de acceso a esa nueva información y construir
redes de conocimiento conectadas, en lugar de forzarlo a recordar
hechos aislados.
La importancia de estos tres contextos será explicada con mayor
detalle más adelante, pues es fundamental para entender el impacto
de la ciencia cognitiva en la educación.
3. Las características determinantes de la ciencia cognitiva
Volvamos a nuestra pregunta original: ¿qué es la ciencia cognitiva?

Como definición de trabajo se puede decir que es un enfoque
multidisciplinario para estudiar cómo las representaciones mentales
permiten a un organismo producir una conducta y una cognición
adaptativas. A pesar de su generalidad, esta definición abarca tres
aspectos fundamentales de la ciencia cognitiva: la creencia en la ne-
cesidad de unir múltiples disciplinas, el acuerdo de que los objetos a
explicar son la conducta y la cognición, y el reconocimiento de que la
representación interna del conocimiento es importante para esta ex-
plicación. Sin embargo, esta definición no responde una pregunta
muy importante: ¿qué es una representación mental? Es a esta pregunta
a la que ahora tenemos que dirigir nuestra atención.
53
Chase, W.G. y H. Simon, “Perception in Chess”, en: Cognitive Psychology, 1 (1973), pp. 33-81.
51
II. ¿Qué es una representación mental?

Definir la representación mental ha sido el principal problema desde
los inicios de la ciencia cognitiva. Como vimos, esta disciplina surgió,
principalmente, como respuesta a la necesidad de una teoría de la
representación mental. A pesar de ello, hasta ahora no existe ninguna
definición universalmente aceptada de este concepto. Aún más, es
cada vez menos probable obtenerla, porque la representación mental
parece ser algo que no se puede definir como una clase unitaria.
Representación mental es el nombre que utilizamos para referirnos a
diferentes tipos de almacenamiento de información. Muchas repre-
sentaciones mentales que parecen unitarias tienen múltiples
restricciones a nivel neurológico: por ejemplo, una función
aparentemente básica como la de reconocer objetos involucra varias
vías neurológicas. Otras representaciones mentales (por ejemplo, las
de los estados intencionales54, como las creencias y los deseos) pueden
ser funciones del lenguaje, y existir más como resultado de la manera
en que las palabras son codificadas, que como entidades preexistentes
que, subyaciendo esa codificación, esperan ser nombradas55. Algunas
representaciones que parecen ser estructuras estáticas de datos se
relacionan de manera inextricable con la conducta y, por lo tanto,
pueden interpretarse más apropiadamente como procesos
computacionales que como estructuras estáticas56.
1. La representación espacio-problema
Muchas otras complicaciones impiden definir de manera simple, ge-

neral, útil y neurológicamente plausible las representaciones mentales.
En esta parte consideraré una definición de la representación mental
54
El término “intencional” no se usa aquí en su sentido habitual, sino en un sentido técnico. Un
estado intencional es un estado que está dirigido a algo, como un deseo que tiene que ser un
deseo por algo o una creencia que tiene que ser una creencia en algo.
55
Dennett, D., The Intentional Stance, Cambridge, MA: MIT Press, 1987.
56
. Cf. Hendriks Jansen, H., op. cit.; Westbury, C., op. cit.
52
muy valiosa para entender la educación y poder hablar de ella. Se

trata de la representación espacio-problema, un marco general y neutral
para pensar en todos los procesos dirigidos hacia una meta. Puesto
que no hay educación sin meta, sea ésta profundizar la comprensión,
facilitar la adquisición de destrezas o aumentar la retención de datos,
la representación espacio-problema es de aplicación general dentro
del campo de la educación.
La definición clásica de la representación espacio-problema pro-
viene de la bibliografía sobre la resolución de problemas en la ciencia
cognitiva. Los primeros trabajos reconocieron que cualquier problema
puede descomponerse en diferentes elementos. Con el objeto de de-
finir claramente los elementos, citaremos un ejemplo muy simple: el
problema de ordenar alfabéticamente los elementos del conjunto {b,
a, d, c}.
Dos elementos importantes de cualquier problema son el estado
inicial y el estado meta. El estado inicial es el estado del problema
cuando primero lo reconocemos como tal. En nuestro ejemplo, el
estado inicial es la presentación del conjunto cuando se definió el
problema: {b, a, d, c}. En educación, el estado inicial es normalmente
un estado de conocimiento no profundo sobre un campo específico.
El estado meta, en cambio, es el estado al cual hay que llegar
para resolver el problema. Como nuestro ejemplo consiste en
ordenar alfabéticamente el conjunto, sabemos que el estado meta
es: {a, b, c, d}. En muchos problemas de la vida real no conocemos,
por supuesto, el estado meta. Por ejemplo, si se trata de problemas
matemáticos, normalmente no sabemos la respuesta de antemano.
Sin embargo, en estos casos, siempre tiene que haber un medio de
reconocer el estado meta, alguna manera de saber cuándo el
problema está resuelto. De no ser así, el problema estaría demasiado
mal definido como para ser resuelto, pues, ¿cómo podríamos
resolver un problema si no supiéramos que lo hemos resuelto
incluso cuando ya lo hemos hecho?
Para transformar el estado inicial en estado meta, es necesario tener
un mecanismo o un conjunto de mecanismos que modifiquen el esta-
do inicial. Estos mecanismos se llaman “operadores”. En nuestro ejem-
53
plo, nos permitimos utilizar sólo un operador llamado “flip”. El opera-

dor flip nos permite cambiar el orden de cualquiera de dos elementos
consecutivos en un conjunto. Por ejemplo, podemos mover los pri-
meros dos elementos de nuestro estado inicial {b, a, d, c} para obtener
el conjunto {a, b, d, c).
Luego de definir un estado inicial y un conjunto de operadores,
obtenemos una representación abstracta del problema llamada el “es-
pacio-problema”. El espacio-problema es el conjunto de todos los
posibles estados que la persona que resuelve el problema puede cons-
truir desde el estado inicial, utilizando los operadores disponibles. El
espacio-problema, en nuestro ejemplo, consiste en todas las posibles
permutaciones de los cuatro elementos del conjunto inicial, ya que el
operador flip permite crear cualquier orden posible.
Es importante señalar que, generalmente, no hay nada prescrito en
una representación espacio-problema, es decir, la representación no
nos indica cómo resolver el problema. Una representación del estado
de un problema lo describe simplemente con las restricciones del
espacio específico de un estado-problema y los operadores disponibles.
Un mismo problema puede tener diferentes representaciones debido
a que el estado inicial fue descrito de diversas maneras y/o porque se
aplican diferentes operadores. Imaginemos que en nuestro ejemplo
tuviéramos un operador llamado “alfabetizar” que actúa sobre el con-
junto y lo ordena alfabéticamente. En ese caso, nuestro ejemplo po-
dría ser resuelto muy fácilmente mediante una única aplicación del
operador alfabetizar. Escoger la descripción de un estado inicial y un
conjunto de operadores es un paso importante para resolver un pro-
blema, ya que las diferentes maneras de representar un problema
pueden influir directamente en la solución. Algunas veces tenemos la
posibilidad de escoger qué operadores vamos a aplicar frente un pro-
blema, y otras veces éstos son especificados previamente. En ausencia
de ese dato, escoger un conjunto de operadores constituye un problema
en sí.
Existen dos tipos de métodos para escoger operadores: los méto-
dos débiles y los métodos fuertes. Los métodos débiles (llamados así
porque requieren poco conocimiento específico sobre la tarea a rea-
54
lizar) son métodos generales, de utilidad múltiple. Dos métodos débiles

que han sido utilizados usualmente son el hill-climbing y el means-
ends analysis (“escalada de montaña” y “análisis medio-fin”). Ambos
son ejemplos de un método más general llamado generate-and-test
(“crear-y-comprobar”); es decir, crear una posible solución para un
problema y, después, evaluarla.
Al aplicar el hill-climbing, la persona que quiere resolver un pro-
blema intenta acercarse más al estado meta. El análisis medio-fin, que
fue antes brevemente discutido, es sólo un poco más sofisticado. Al
utilizar este último, el sujeto no escoge simplemente el primer opera-
dor disponible, sino que analiza la meta que busca alcanzar. Si tiene
un operador para ello, lo utilizará. En caso contrario, se fija una submeta
(subgoal) para encontrar estos medios; es decir, se crea un nuevo
problema que consiste en encontrar los medios necesarios para al-
canzar la meta original. Newell y Simon57 dan un ejemplo de ello en
su libro Human Problem Solving (“Resolución humana de problemas”):
“Quiero llevar a mi hijo al nido. ¿Cuál es la diferencia entre lo que
tengo y lo que quiero? La distancia. ¿Qué cambia la distancia? Mi
carro. Mi carro no funciona. ¿Qué se necesita para que funcione? Una
batería nueva. ¿Dónde consigo una batería nueva? En un taller de
mecánica. Quiero que en el taller me pongan una batería nueva, pero
en el taller no saben que necesito una. ¿Cuál es la dificultad? La
comunicación. ¿Qué me permite establecer una comunicación? Un
teléfono ...”58. Sofisticadas variaciones de estos simples métodos
generales son la base de aplicaciones exitosas de la inteligencia artificial
que se utilizan hasta la actualidad.
Los métodos fuertes para escoger operadores son, en cambio, es-
pecíficos para el tipo de problema que se quiere resolver. Por ejem-
plo, para hacer funcionar un distribuidor automático malogrado, po-
dríamos tratar de golpearlo primero, no porque creamos que éste sea
el operador más idóneo, sino porque es el más fácil de aplicar. Sin
57
Newell, A. y H. Simon, Human Problem Solving, Englewoods Cliffs, NJ: Prentice-Hall, 1972.
58
Ibid., p. 416.
55
embargo, el operador “golpe” no resuelve la mayoría de los proble-

mas cognitivos.
Evaluar el estado inicial de un problema es tan importante como
escoger los operadores apropiados. En nuestro ejemplo, se especificó
el estado del problema al presentarlo. En la vida real, la persona que
quiere resolver un problema debe escoger frecuentemente su propia
representación del mismo; es decir, tiene que decidir qué elementos
del problema codificará. De ello dependerá cómo lo resuelve. No
existen pautas generales para escoger una representación del problema:
la decisión es, principalmente, una cuestión de creatividad.
Posner proporciona este buen ejemplo para ilustrar la importancia
de escoger una representación apropiada del problema: “Dos trenes
salen de dos estaciones un sábado a las dos de la tarde. La distancia
entre una estación y la otra es de 50 millas (80 kilómetros). Apenas
arranca uno de los trenes, un pájaro salta de la parte delantera del
tren y vuela en la misma dirección del tren, sólo que a mayor velocidad.
Cuando el pájaro alcanza al segundo tren, que va en dirección opuesta,
da la vuelta y regresa al primer tren. Cuando se encuentra con el
primer tren, da la vuelta nuevamente. El pájaro continúa volando de
acá para allá entre los dos trenes hasta que éstos se encuentran. Los
trenes van a 25 millas (40 kilómetros) por hora y el pájaro vuela a una
velocidad de 40 millas (64 kilómetros) por hora. ¿Qué distancia habrá
volado el pájaro hasta el momento en que los dos trenes se
encuentren?”59.
Posner señala que representar este problema en términos de dis-
tancia es bastante difícil, pues requiere la suma de un conjunto de
distancias decrecientes, cuyo cálculo es una función del tiempo, de la
velocidad de los trenes y de la velocidad del vuelo del pájaro. Sin
embargo, si se lo representa en términos de tiempo, se convierte en
un problema trivial. Los trenes están a una distancia de 50 millas y
cada uno va hacia el otro a una velocidad de 25 millas por hora, que
da una velocidad total de 50 millas por hora y, por lo tanto, necesitan
59
Posner, M., Cognition: An Introduction, Nueva York: Scott Foresman, 1973, p. 50.
56
una hora para encontrarse. Como el pájaro vuela a 40 millas por hora,
la solución es que recorre una distancia de 40 millas. Un simple cam-
bio en la representación del problema puede convertir un problema
difícil en uno fácil60.
Algunos investigadores opinan que, para entender la cognición, se
necesitan espacios de representación más complejos que los conside-
rados. Por ejemplo, Klahr y Dunbar61 estudiaron cómo enfrentan los
estudiantes el problema de diseñar experimentos para deducir la
función de un botón en un dispositivo electrónico programable. Las
estrategias utilizadas por los estudiantes pueden describirse mejor en
términos de búsquedas simultáneas y de mutua restricción en dos
espacios: el espacio del experimento, que consiste en el conjunto de
todos los experimentos que podrían realizarse (en cierta medida equi-
valente a la representación espacio-problema mencionada anterior-
mente), y el espacio de la hipótesis, que consiste en el conjunto de
todas las posibles hipótesis para la solución del problema (similar al
espacio-operador). Klahr y Dunbar propusieron que esta búsqueda
dual del espacio proporciona un modelo general del razonamiento
científico.
Aunque es posible concebir representaciones más complejas, la
representación espacio-problema es la más usual en la ciencia cognitiva.
En el ámbito educativo, el espacio-operador está predefinido, ya que
normalmente se dice a los estudiantes qué herramientas cognitivas
deberán usar para resolver un problema. En este documento, consi-
deraremos únicamente las representaciones de problemas de un solo
espacio.
60
Este problema se le planteó una vez a John von Neumann, el brillante matemático que tanto
contribuyó al diseño de las computadoras modernas. Después de pensar un poco, Von Neumann
contestó correctamente. El colega que le había planteado este problema dijo: “Ah, usted se
percató del truco. La mayoría de la gente trata de resolverlo con una serie de términos decrecientes
y calculando la suma”. Se afirma que Von Neumann respondió con sorpresa: “Pero eso es
justamente lo que hice” (Hogan, J.P., Mind Matters: Exploring the World of Artificial Intelligence,
Nueva York: Ballantine, 1997, p. 52).
61
Klahr, D. y K. Dunbar, “Dual Space Search During Scientific Reasoning”, en: Cognitive Science,
12 (1),1988, pp. 1-48.
57
La representación espacio-problema es muy general. Esta caracte-

rística es al mismo tiempo su punto débil y su punto fuerte. Es un
punto fuerte porque permite la descripción de muchos problemas
diferentes en el mismo marco general y pone énfasis en los aspectos
comunes. Sin embargo, es un punto débil cuando la pregunta sobre
el espacio-problema que está usando aquél que se enfrenta al problema
está, como ocurre a menudo, subdeterminada por esos datos. Aunque
se han realizado excelentes trabajos empíricos para descubrir el espa-
cio-problema que sirve como base para resolver algunos problemas
simples con un pequeño margen de error (por ejemplo, problemas de
balanceo de vigas y de sustracción, ambos considerados a continua-
ción), y aunque estos análisis microgenéticos de los procesos de apren-
dizaje de las personas se han vuelto comunes en campos más com-
plejos, sigue siendo difícil discernir el espacio-problema para proble-
mas que son más complejos o menos receptivos para la descripción
dentro de un marco formal.
III. La ciencia cognitiva y la educación

La investigación en el campo de la ciencia cognitiva es importante
para la educación, debido a que ambas disciplinas se ocupan fun-
damentalmente de problemas espistemológicos. En las siguientes
líneas, presentaremos las dos principales vertientes de esta
investigación.
La primera está relacionada con una de las metas fundamentales
de la educación (sea ésta formal u obtenida de las experiencias coti-
dianas): la de capacitar a un estudiante para que aplique exitosamente
lo que aprende.
La segunda guarda relación con el fracaso del propósito anterior y
permite comprender mejor las limitaciones innatas del sistema cognitivo
humano.
58
1. Aprendizaje con éxito
En los inicios de la ciencia cognitiva, se tuvo la esperanza de descubrir

los principios generales en los que se apoyan la conducta inteligente
y la habilidad humana; es decir, la esperanza de que los métodos
débiles fueran todo lo que se necesitaba. Sin embargo, las limitaciones
de dichos métodos se tornaron evidentes cuando se demostró que los
programas de inteligencia artificial basados en ellos, como por ejem-
plo la solución de problemas generales de Newell y Simon, eran en
realidad muy limitados en lo que concierne a la gama de problemas
que podían resolver.
1.1. La representación de problemas por parte de expertos
Este hallazgo estimuló el desarrollo de una nueva especialidad en la

ciencia cognitiva: la del estudio sistemático del conocimiento humano
experto. Se pensó que al comprender mejor cómo almacenan la infor-
mación los expertos, se descubrirían nuevos principios generales so-
bre la manera de representar y manipular el conocimiento.
Quizás, el primer experimento conocido e importante en esta
área fue un estudio de Chase y Simon sobre expertos jugadores de
ajedrez62. Ambos investigadores mostraron a jugadores expertos y
novatos, durante cinco a diez segundos, unos tableros de ajedrez
que reproducían una partida real, y luego les pidieron volver a
colocar las veinticinco piezas tal como las habían visto en el tablero.
Descubrieron que los jugadores expertos eran capaces de colocar
el 90% de las piezas correctamente, mientras que los novatos sólo
podían acomodar el 20%. Luego demostraron que el desempeño
de los expertos era similar al de los novatos, si las piezas se
distribuían al azar.
Este trabajo fue repetido en varios otros campos: los expertos siem-
pre mostraban un desempeño superior para recordar asuntos relacio-
62
Chase, W.G. y H. Simon, op. cit.
59
nados con su campo de habilidad, pero no en los temas generales.

Esta serie de experimentos sugirió dos conclusiones.
La primera es una conclusión negativa, que explicaremos más ade-
lante: la de que la pericia en un campo se basa en métodos fuertes
limitados a ese campo, y no en métodos débiles (habilidades genera-
les) que se transfieren de un campo a otro. En consecuencia, el cono-
cimiento y la pericia son, principalmente, específicos de un campo.
La segunda conclusión que se extrajo de estos experimentos es
que los expertos no dividen el espacio del problema de la misma
manera que los novatos. La capacidad de un jugador experto de ajedrez
para recordar las posiciones de aproximadamente veintidos piezas
excedió largamente las limitaciones generales de la memoria a corto
plazo de 7+/-2 unidades planteadas por Miller. Sin embargo, el fracaso
de los jugadores expertos en transferir esa capacidad a otros campos,
demostró que ésta no se debe a una mayor capacidad de memoria. La
única conclusión posible es que los expertos reunen su conocimiento
de diferente manera, memorizando la misma cantidad de unidades
que los novatos, pero identificando una unidad mucho más compleja
que éstos.
Desde entonces, muchos experimentos han confirmado y amplia-
do estas conclusiones. Chi, Glaser y Rees investigaron la comprensión
de expertos y novatos acerca de problemas de física, pidiéndoles
categorizar léxicamente los problemas y clasificarlos en categorías
según sus características63. Descubrieron que mientras que los nova-
tos se basaban sobre todo en características superficiales (si el proble-
ma comprendía, por ejemplo, resortes, planos inclinados o poleas),
los expertos ordenaban los problemas basándose en el tipo de leyes
requeridas para resolverlos. Como su clasificación se apoyaba más en
principios generales de la física que en características abiertamente
visibles, los expertos reunieron problemas que no tenían característi-
cas superficiales en común.
63
Chi, M., R. Glaser y E. Rees, “Expertise in Problem Solving”, en: Sternberg, R. (ed.), Advances
in the Psychology of Human Intelligence, vol. 1, Hillsdale, NJ: Lawrence Erlbaum, 1982.
60
En un campo más reducido, Siegler identificó un conjunto preci-

so de leyes utilizadas por tres niveles de novatos (basándose en sus
errores) y expertos (basándose en un análisis de tiempos de solu-
ción) para resolver problemas de equilibrio de una balanza64. Los
sujetos tenían que decidir si una balanza con pesas se inclinaría
hacia la izquierda, derecha o permanecería equilibrada. Siegler llegó
a la conclusión de que, en comparación con los novatos, los expertos
utilizaban mayores agrupaciones de conocimiento y leyes más
complejas para combinarlas.
Estos descubrimientos nos demuestran que los expertos no son
simplemente computadoras más rápidas que los principiantes, sino
otro tipo de computadora: utilizan diferentes representaciones del
problema y operadores distintos.
1.2. La influencia del contexto
Se obtuvo resultados similares a partir de estudios comparativos de

estudiantes en medios diferentes. Estas investigaciones indican clara-
mente que las diferencias en la manera de representar un problema
se dan tanto en sujetos con distintos niveles de pericia, como en un
solo sujeto, debido a alteraciones del contexto en el cual se presenta
el problema65.
Lave comparó la capacidad de veinticinco adultos para resolver
problemas matemáticos en una situación de prueba, con su capacidad
para resolver problemas formalmente idénticos en situaciones de la
vida real, como por ejemplo ir de compras66. Demostró que, por lo
general, el nivel de desempeño, el tipo de errores y los procedimien-
64
Siegler, R.S., “Encoding and the Development of Problem Solving”, en: Chipman, S.F., J.W.
Segal y R. Glaser (eds.), Thinking and Learning Skills: Research and Open Questions, Nueva
York: Lawrence Erlbaum, 1985.
65
Cf. Ferrari, M. y R.J. Sternberg, op. cit.; Rogoff, B., “Cognition as a Collaborative Process”, en:
Kuhn, D. y R. Siegler (eds.), op. cit., pp. 679-744; Ceci, S.J. y A. Roazzi, op. cit.; Sternberg, R.J. y
R.K. Wagner, op. cit.
66
Lave, J., Cognition in Practice: Mind, Mathematics and Culture in Everyday Life, Cambridge:
Cambridge University Press, 1988.
61
tos utilizados eran diferentes en ambos contextos. Las personas ten-

dían a ser mucho más precisas al resolver problemas aritméticos en
situaciones reales o que simulaban la vida real (un promedio de 98%
en situaciones reales y de 93% en una situación simulada), que en
situaciones formales de prueba (un promedio de 70%).
Al resolver problemas de la vida real, las estrategias incluyeron
cálculos de izquierda a derecha (es decir, la descomposición de
una cifra en centenas, decenas y unidades y la comparación
empezando con las cifras más grandes), el redondeo, la
transformación del problema y de las soluciones en el proceso
(como escoger la caja más grande por razones que no guardaban
relación con una mejor o peor compra) y el medio ambiente como
fuente de información (por ejemplo, comparar el tamaño de los
envases para llegar a la respuesta correcta). En cambio, como la
mayoría de estas estrategias no servían para resolver los problemas
de matemáticas, los sujetos aplicaron estrategias completamente
diferentes. Todos se basaron en cálculos de derecha a izquierda,
en operaciones de “prestar” y “llevar” (que no habían utilizado en
situaciones de la vida real) y revisaron las divisiones utilizando
sucesivamente la multiplicación y la sustracción.
Unos investigadores brasileños67 llegaron a resultados similares en
un estudio sobre vendedores de fruta con bajo nivel educativo en el
Brasil. Demostraron que muchos podían resolver problemas que
superaban su nivel educativo y que lo hacían utilizando estrategias
que no se enseñan en la escuela. Los investigadores se acercaron, por
ejemplo, a un vendedor de cocos de doce años con una educación de
tercer grado y le pidieron diez cocos. Cada coco costaba 35. El vendedor
calculó el precio de diez cocos de la siguiente manera: “Tres son 105;
67
Carraher T. y A. Schlieman, “Computation Routines Prescribed by Schools: Help or Hindrance?”,
documento presentado en la conferencia de la OTAN sobre la adquisición de destrezas simbólicas,
Keele, Inglaterra, 1982; Carraher, T., D. Carraher y A. Schlieman, Mathematics in the Streets and
Schools, Recife: Universidade Federal de Pernambuco, 1983 (manuscrito); Carraher, T., D. Carraher
y A. Schlieman, “Na vida des, na escola, zero: Os contextos culturais da aprendigazem da matimatica”,
en: Caderna la Pesquisa, 42 (1982), pp. 79-86.
62
con tres más son 210. Necesito cuatro más. Esto es ... 315 ... 350”68. Es
obvio que la estrategia utilizada por el niño para calcular el precio de
diez cocos dependía de su representación del problema como una
función de adición del precio (calculado o memorizado) de tres cocos:
(3 x 35) + 105 + 105 + 35. Sin embargo, para resolver el problema
utilizó una representación del mismo basada en la idiosincrasia y no
en una enseñanza formal.
La conclusión de estos investigadores sobre las implicancias de sus
descubrimientos está muy bien resumida en el título de su informe:
Na vida dez, na escola, zero (“En la vida diez, en la escuela, 0”).
Cuando las exigencias de la vida real obligan a las personas a resolver
problemas, éstas encuentran maneras de hacerlo, incluso si no se les
ha enseñado formalmente un método.
Pequeños cambios en el modo como se plantea un problema pue-
den llevar a las personas a representarlo de diferentes maneras. A
veces, estas maneras se repiten sistemáticamente en diferentes sujetos.
Johnson-Laird69 dio un buen ejemplo de ello al mostrar las grandes
diferencias en la capacidad de resolver un mismo problema lógico,
dependiendo de la manera como era presentado.
En primer lugar, se les mostró a varias personas cuatro tarjetas con
los rótulos “E”, “K”, “4” y “7”. Se les pidió especificar qué tarjetas
debían ser volteadas para comprobar la siguiente ley: si la tarjeta tiene
una vocal en un lado, entonces tiene un número par en el otro. La
respuesta correcta es que hay que voltear dos tarjetas: la tarjeta con el
rótulo “E” y la del rótulo “7”. Hay que voltear la primera para asegu-
rarse de que tiene un número par en el otro lado, y la última para
comprobar si no tiene una vocal en el reverso. La mayoría de los
sujetos se equivocó, porque contestó que sólo había que voltear la
tarjeta con el rótulo “E”, o porque sugirió que también debía voltear la
tarjeta “4”, ignorando el hecho de que la ley especifica una contingencia
en una sola dirección (es decir, sólo indica que las tarjetas con una
68
Carraher, T., D. Carraher y A. Schlieman, Mathematics in the Streets and Schools, op. cit., p. 8.
69
Johnson-Laird, P.N., Mental Models: Towards a Cognitive Science of Language, Inference, and
Consciousness, Cambridge, MA: Harvard University Press, 1983.
63
vocal en un lado tienen que tener un número par en el otro y no, que
las tarjetas con un número par tienen que tener una vocal en el otro
lado). Sólo el 12% de los sujetos estudiados por Johnson-Laird indicó
correctamente que la tarjeta “7” debía ser volteada.
Los resultados de su segundo experimento fueron diferentes. En
él, las tarjetas tenían los rótulos “Manchester”, “Sheffield”, “Tren”,
“Carro”. Se dijo a las personas que un lado de las tarjetas indicaba un
destino y el otro, los medios para llegar a él. Se les pidió especificar
qué tarjetas debían ser volteadas para comprobar la siguiente ley:
cada vez que una persona se dirige a Manchester, lo hace en tren. La
respuesta correcta era “Manchester” y “Carro”. La mayoría de los sujetos
resolvió este problema correctamente: el 60% entendió que tenía que
voltear la tarjeta “Carro”, que correspondía a la tarjeta “7”, tan dejada
de lado en el primer problema.
La discontinuidad en el desempeño es notable, porque los dos
problemas son formalmente idénticos, salvo por los rótulos que son
irrelevantes para la estructura lógica del problema. El segundo problema
parece más fácil porque se trata de una situación posible en la vida
real, lo que demuestra una vez más cómo la información contextual
puede influir en la cognición. Esta sensibilidad al contexto a la hora
de resolver un problema, ha sido propuesta como un argumento para
la presión evolutiva en mecanismos sensibles al contexto70.
Repitiendo los argumentos filosóficos enunciados por primera vez
por Wittgenstein71, y defendidos por un creciente número de teóricos
cognitivos contemporáneos72, Lave73 afirma que los resultados de éstos
70
Cosmides, L. y J. Tooby, “Are Humans Good Intuitive Statisticians after All? Rethinking some Con-
clusions from the Literature on Judgment under Uncertainty”, en: Cognition, 58 (1995), 1, pp. 1-73.
71
Wittgenstein, L., op. cit.
72
Clark, A., Being There: Putting Brain, Body, and World Back Together Again, Cambridge, MA:
MIT Press, 1997; Hendriks Jansen, H., op. cit.; Maturana, H.R. y F.J. Varela, Autopoesis and
Cognition: The Realization of the Living, Dordrecht: Reidel, 1980; Varela, F.J., E. Thompson y E.
Rosch, The Embodied Mind, Cambridge, MA: MIT Press, 1991; Shore, B., Culture in Mind:
Cognition, Culture, and the Problem of Meaning, Nueva York: Oxford University Press, 1996;
Smith, B.C., On the Origin of Objects, Cambridge, MA: MIT Press,1996; Cole, M., Cultural Psy-
chology: A Once and Future Discipline, Cambridge, MA: Harvard University Press, 1996.
73
Lave, J., op. cit.
64
y otros estudios sobre el razonamiento en un contexto “desafían los

límites teóricos entre la actividad y su ambiente, entre las formas de
actividad cognitiva, corporal y social, entre la información y el valor,
[y] entre los problemas y las soluciones”74. Las estrategias para resolver
problemas no son atributos fijos de individuos o problemas: surgen
más bien de la interacción entre el conocimiento de un individuo y el
contexto.
1.3. Las habilidades metacognitivas
En las últimas páginas se ha reflexionado brevemente sobre los

avances relacionados con el aprendizaje exitoso, descubiertos
mediante arduas investigaciones. Ni los expertos en ajedrez ni los
novatos conocían sus propias estrategias para resolver problemas:
éstas fueron deducidas por los científicos cognitivos que las
estudiaron. Si los estudiantes pudieran evaluar sus propias
representaciones de problemas, les sería más fácil evaluar la eficacia
de esa representación y, en caso necesario, modificarla. Esta
capacidad de evaluación comprende un nivel de análisis mayor al
de la representación del espacio-problema, pues se encarga de
cómo definir el espacio-problema y no de cómo trabajar con uno
que ya ha sido definido. Los científicos cognitivos denominan
“habilidades metacognitivas” a todas aquellas habilidades que
permiten hacer un análisis a ese nivel.
Cuando Flavell y Wellman75 definieron por primera vez la no-
ción de metacognición, identificaron cuatro niveles de actividad
mental:
• El primer nivel se encarga de establecer los detalles: los procesos

básicos incorporados e interconectados en el cerebro, con los cua-
les la representación se configura en el cerebro.
74
Ibid., p. 3.
75
Flavell, J.H. y H.M. Wellman, “Metamemory”, en: Kail, R.V. y J.W. Hagen (eds.), Perspectives on
the Development of Memory and Cognition, Hillsdale, NJ: Lawrence Erlbaum, 1977, pp. 3-33.
65
• El segundo nivel se ocupa del acceso a la memoria semántica: la

recuperación de conjuntos organizados de conocimientos relevan-
tes para la representación.
• El tercer nivel depende del segundo y consiste —como éste—
en los métodos y estrategias mediante los cuales escogemos
los operadores que intervendrán en cualquier estado del
problema.
• El cuarto nivel es lo que Flavell y Wellman llaman el “nivel meta-
cognitivo”. Consiste en todo el conocimiento, la conciencia y el
control (consciente o implícito) de los niveles inferiores de la cog-
nición.
Algunos ejemplos de habilidades metacognitivas son: el reconocimiento

de las diferencias entre comprender y memorizar; el saber qué estra-
tegias aplicar con el fin de escoger operadores relevantes; la capacidad
de comprender lo que no se comprendió; la capacidad de discernir si
la explicación de otra persona es útil para la propia manera de repre-
sentarse el problema; la capacidad de monitorear los propios progre-
sos; y la capacidad de analizar las soluciones obtenidas para conside-
rar si son plausibles y correctas.
Las investigaciones indican que algunas diferencias en el apren-
dizaje y en la comprensión se deben a variaciones en las habilidades
metacognitivas. Bransford et al.76 demostraron que los estudiantes
hábiles utilizan más estrategias metacognitivas. Consecuentemente,
los estudiantes con menor capacidad tienen pocas probabilidades
de evaluar la dificultad de un texto, de apreciar la diferencia entre
memorizar y comprender, de usar diferentes estrategias para cada
una de estas tareas y de evaluarse para detectar posibles
equivocaciones. A su vez, Markman77 demostró que los lectores menos
76
Bransford, J.D., R. Sherwood, N. Vye y J. Rieser, “Teaching Thinking and Problem Solving”, en:
American Psychologist, 41 (1986), 10, pp. 1078-1089.
77
Markman, E.M., “Comprehension Monitoring: Developmental and Educational Issues”, en:
Chipman, S.F., J.W. Segal y R. Glaser (eds.), Thinking and Learning Skills: Research and Open
Questions, vol. 2, Nueva York: Lawrence Erlbaum, 1985.
66
hábiles tienen menos probabilidades de notar contradicciones en un

texto debido, probablemente, a un escaso monitoreo de la
comprensión.
Por otro lado, Brown y sus colegas lograron mejorar el desempeño
de diversos sujetos al enseñarles habilidades metacognitivas. Así, por
ejemplo, el entrenamiento en habilidades metacognitivas mejoró la
memorización en estudiantes con retardo mental78, las habilidades
para resumir textos en universitarios79, y el razonamiento analógico
en niños pequeños80.
2. Aprendizaje sin éxito
2.1. La falta de transferencia entre los campos de conocimiento
El interés en las habilidades metacognitivas fue estimulado en parte

por un inquietante y temprano descubrimiento de la ciencia cognitiva
que ya mencionamos: el de que existe poca transferencia entre los
campos del conocimiento. El conocimiento de un tema específico, no
mejora necesariamente nuestra comprensión de otros temas similares.
Esta afirmación se confirma con el descubrimiento de Chase y Simon,
anteriormente citado, acerca de que la memoria superior de los ex-
pertos se limita al campo de su especialidad. Se explicó que el motivo
por el cual los expertos podrían estar limitados de esta manera, es
que incluso los pequeños cambios del contexto pueden alterar la
representación de un problema. Muchos otros descubrimientos res-
78
Brown, A.L., J.C. Campione y C.R. Barclay, “Training Self-Checking Routines for Estimating
Test Readiness: Generalization from List Learning to Prose Recall”, en: Child Development, 50
(1979), pp. 501-512.
79
Brown, A.L., J.C. Campione y J.D. Day, “Learning to Learn: On Training Students to Learn from
Texts”, en Educational Researcher, 10 (1981), pp. 14-21.
80
Brown, A.L., “Analogical Learning and Transfer: What Develops?”, en: Vosniadou, S. y A.
Ortony (eds.), Similarity and Analogical Reasoning, Cambridge: Cambridge University Press,
1989.
67
paldan esta afirmación81.

El problema del carácter específico del conocimiento es especial-
mente importante para la educación por la simple razón de que los
estudiantes no son tabula rasa (“tablas rasas”). No entran al aula con
la mente desprovista por completo de conceptos, sino con diferentes
tipos de conocimiento y representaciones de problemas. Algunos ni-
ños representan los problemas de una manera compatible con la es-
cuela. Para otros niños, en cambio, el conocimiento que se propor-
ciona en las aulas no se ajusta a su comprensión previa. En esos casos
requieren transferir su conocimiento a otros campos. Como esto es
algo muy difícil, dichos estudiantes corren el riesgo de tener un des-
empeño deficiente.
Varios investigadores han estudiado este problema. Griffin et al.82
analizaron el conocimiento natural sobre los números que tienen
los niños cuando entran a primaria. Empezaron utilizando la estrate-
gia estándar de la ciencia cognitiva: aislar los operadores que aplica-
ban los niños para resolver problemas simples de adición. Al hacer-
lo, identificaron un pequeño grupo de niños que se desempeñaba
81
Cf. Anderson, J.R., op. cit.; Bransford, J.D. et al., op. cit.; Chase, W.G. y H. Simon, op. cit.;
Cheng, P. et al., “Pragmatic vs. Syntactic Approaches use to Training Deductive Reasoning”, en:
Cognitive Psychology, 18 (1986), pp. 293-328; Chi, M. et al., “Categorization and Representation
of Physics Problems by Experts and Novices”, en: Cognitive Science, 5 (1981), pp. 121-152; Gick,
M. y K. Holyoak, “Analogic Problem Solving”, en: Cognitive Psychology, 12 (1980), pp. 306-355;
Hayes, J. y H. Simon, “Psychological Differences among Problem Isomorphs”, en: Castellan, N.,
D. Pisoni y G. Potts (eds.), Cognitive Theory, vol. 2, Hillsdale, NJ: Lawrence Erlbaum, 1977, pp.
21-41; McLoskey, M., “Naive Theories of Motion”, en: Gentner, D. y A.L. Stevens (eds.), Mental
Models, Hillsdale, NJ, Lawrence Erlbaum, 1983, pp. 299-323; Nisbett, R., Human Inference:
Strategies and Shortcoming of Social Judgment, Englewood Cliffs, NJ: Prentice-Hall, 1980; Reed,
S., G. Ernst y R. Banerji, “The Role of Analogy in Transfer Between Similar Problem States”, en:
Cognitive Psychology, 6 (1974), pp. 436-450; Tversky, A. y D. Kahneman, “Judgment under
Uncertainty: Heuristics and Biases”, en: Kahneman, D., P. Slovic y A. Tversky (eds.), Judgment
under Uncertainty: Heuristics and Biases, Cambridge: Cambridge University Press, 1982,
pp. 3-20.
82
Griffin, S., R. Case y R. Siegler, “Rightstart: Providing the Central Conceptual Prerequisites for
First Formal Learning of Arithmetic to Students Art Risk for School Failure”, en: McGilly, K. (ed.),
Classroom Lessons: Integrating Cognitive Theory and Classroom Practice, Cambridge, MA: MIT
Press, 1994, pp. 51-74.
68
mal en matemáticas y que también utilizaba dos operadores inusuales.

En un intento de entender por qué sólo este grupo adoptó dichas
estrategias, los investigadores demostraron mediante un examen
detallado que muchos niños carecían de un marco básico al cual
integrar el conocimiento sobre números que se enseña en la escuela.
Por ejemplo, estos estudiantes no podían decir cuál de dos números
era mayor, o decir si dos estaba más cerca de seis que cinco. Los
niños que no tenían este conocimiento básico se veían obligados a
aprender las matemáticas de memoria porque no conocían sus
principios.
Investigando el conocimiento sobre números entre estudiantes
exitosos, Griffin desarrolló un programa llamado Rightstart, que pro-
porcionaba el conocimiento que le faltaba al grupo deficiente en ma-
temáticas. Al probarlo en la vida real, este programa fue considerado
un éxito: los niños que lo recibieron en el kindergarten lograron
puntajes mucho más altos en varias pruebas que aquellos que no lo
recibieron.
Otros trabajos similares tuvieron éxito en campos de aprendizaje más
complejos. Por ejemplo, Hunt y Minstrell estudiaron el conocimiento
natural sobre física de estudiantes de secundaria83. Sin tomar en cuenta
si era realmente correcto, dichos investigadores resumieron ese
conocimiento en una serie de enunciados que recogían puntualmente
las creencias de los estudiantes sobre la física. Incluyeron, por ejemplo,
el siguiente enunciado: “El movimiento horizontal impide que las cosas
se caigan tan rápidamente como lo harían si se movieran directamente
hacia abajo”. A pesar de que este enunciado no es correcto en general,
sí lo es en contextos específicos: por ejemplo, es cierto que el
movimiento horizontal impide que los aviones se caigan del cielo.
Muchos otros enunciados recopilados por Hunt y Minstrell eran
correctos en situaciones específicas, pero no aplicables de manera
general.
83
Hunt, E. y J. Minstrell, “A Cognitive Approach to Teaching Physics”, en: McGilly, K. (ed.), op.
cit., pp. 51-74.
69
Después, Hunt y Minstrell prepararon una clase de física basada en

la “física natural” expresada en esos enunciados. El plan incluyó un
programa de computación que trató de diagnosticar el estado del
conocimiento de un estudiante en términos de los enunciados recopi-
lados y de relacionar esos enunciados con las leyes más generales de
la física formal. Las pruebas realizadas sugirieron que este enfoque
era más exitoso que uno estándar que ignora o refuta las concepciones
previas de los estudiantes sin valorar o reconocer lo que hay de co-
rrecto en ellas.
2.2. La disociación entre destreza y comprensión
Unas páginas atrás, citamos el ejemplo del vendedor de frutas brasile-

ño que, aun con un nivel educativo muy bajo, fue capaz de descom-
poner —haciendo uso de su idiosincrasia— el problema de calcular
el precio de diez cocos en subproblemas que sí podía resolver. Al
hacerlo, este vendedor mostró una disociación entre la destreza de un
procedimiento y la comprensión del mismo.
El hecho de que ocurra esta disociación es de importancia fun-
damental para los educadores, por la simple razón de que la mayoría
de las herramientas educativas de evaluación miden más la destreza
q u e la comprensión. Particu la r m e nt e , m uc ha s p rue ba s
estandarizadas de aptitud y rendimiento proporcionan buena
información estadística sobre el nivel de ejecución de la tarea (es
decir, nos dicen cómo se desempeñó el estudiante), mas no sobre
las causas de ese nivel (es decir, no explican por qué el estudiante
obtuvo ese desempeño). Al confiar demasiado en las pruebas
estandarizadas, es posible que los estudiantes encuentren trucos
para resolver los problemas más comunes en una situación de
prueba. Sin embargo, esto jamás obliga al estudiante a pensar por
qué funcionan estos trucos, si hay contextos en los cuales no lo
hacen o si existen otros métodos más generales.
En una serie de investigaciones, Brown, Burton y Van Lehn estu-
diaron el uso de trucos en problemas de sustracción. Después de
analizar numerosos problemas aritméticos resueltos por estudiantes,
70
concluyeron que la sustracción de varios dígitos es, para la mayoría,

un procedimiento sin significado alguno, que se efectúa utilizando
leyes que no guardan relación con la comprensión del sistema
numérico84. Gardner citó un buen ejemplo de un estudiante con este
tipo de disociación: describió a una joven que llegó a dos respuestas
diferentes para un problema de adición simple, dependiendo de si lo
resolvía usando sus dedos para contar o haciendo la operación en un
papel85. Curiosamente, la joven pensaba que las dos respuestas eran
correctas: no entendía que los mismos números siempre tienen que
sumar la misma cantidad sin importar el procedimiento aplicado. Al
tratar de entender cómo ocurren estos malentendidos, Brown, Burton
y Van Lehn identificaron un gran número de errores sistemáticos
relacionados con la sustracción y algunas “leyes de reparación” que
los estudiantes usan cuando están bloqueados en este tipo de cálculo.
Estas leyes no guardan relación con la naturaleza conceptual de la
sustracción, sino que se basan más bien en cómo piensan los
estudiantes que debería verse la respuesta final.
Los investigadores concluyeron que el problema para los educa-
dores no es que los alumnos sean incapaces de seguir procedimientos
sino, más bien, que “son seguidores notablemente competentes, sólo
que frecuentemente siguen procedimientos equivocados”86.
Casi todos los problemas pueden ser descritos mediante una
amplia gama de representaciones que pueden diferir por su
generalidad y su facilidad de cálculo. Esto hace muy difícil identificar
84
Lehn, K. van, “On the Representation of Procedures in Repair Theory”, en: Ginsburg, H. (ed.),
The Development of Mathematical Thinking, Nueva York: Academic Press, 1983.
85
Gardner, H., The Unschooled Mind: How Children Think and How Schools Should Teach, op. cit.
86
Brown, J.S., y R.R. Burton, “Diagnostic Models for Procedural Bugs in Basic Mathematical
Skills”, en: Cognitive Science, 2 (1978), p. 157; cf. asimismo Ng, E. y C. Bereiter, “Three Levels of
Goal Orientation in Learning”, en: Journal of the Learning Sciences, 1 (1991), 3-4, pp. 243-371;
Nicholls, J.G., “Achievement Motivation: Conception of Ability, Subjective Experience, Task
Choice, and Performance”, en: Psychological Review, 91 (1984), pp. 328-346; Schoenfeld, A.H.,
Mathematical Problem Solving, Orlando, FL: Academic Press, 1985; y, para un análisis clásico
del papel de los procedimientos incompatibles en la educación, Holt, J., How Children Fail,
Nueva York: Pitman, 1964.
71
qué representación del problema está usando el estudiante y, por

lo tanto, dificulta también la posibilidad de ayudarlo a depurar su
procedimiento. Prueba de ello es que los investigadores de la ciencia
cognitiva pueden tomarse meses o años para especificar la gama
de estrategias utilizadas en un sólo problema. Puesto que los
educadores no pueden darse el lujo de emplear tanto tiempo en
esa tarea, tienen dificultades para entender por qué sus estudiantes
no comprenden.
Como se mencionó anteriormente, una posible solución a esta di-
ficultad es enseñar a los niños las habilidades metacognitivas necesarias
para evaluar su propio progreso: así, podrán reconocer cuándo no
entienden y depurar su propio trabajo.
El uso pedagógico de las representaciones múltiples es otra posible
solución. Este método fue examinado por Resnick, cuando enseñó a
niños a efectuar sustracciones y adiciones de varios dígitos utilizando
un sistema de representación dual. Además de los operadores usuales
(lápiz y papel), los estudiantes debían representar los procedimientos
con bloques multicolores empleando operadores que les exigían
moverlos físicamente87. Por ejemplo, cuando en el papel llevaban un
dígito de la izquierda, tenían que cambiar un bloque de “decenas”
por diez bloques de “unidades” y agregar físicamente uno de estos
nuevos bloques de “unidades” a la próxima columna de la derecha. El
método de la representación dual de Resnick ayudó a los estudiantes
a depurar su propia comprensión porque los errores que eran fáciles
de cometer en el papel eran más obvios o menos probables en la
representación de bloques.
Otra solución para asegurarse de que los estudiantes tengan repre-
sentaciones correctas, es hacerlos aplicar su conocimiento a situacio-
nes de la vida real (o a situaciones que la simulan), en las que los
errores tienen consecuencias inmediatamente observables. Muchos
87
Resnick, L.B. “Syntax and Semantics in Learning to Subtract”, en: Carpenter, T.P., J.M. Moser y
T.A. Romberg (eds.), Addition and Subtraction: A Cognitive Perspective, Nueva York: Lawrence
Erlbaum, 1982.
72
científicos cognitivos han construido “micromundos”88 utilizando

tecnología de vídeo y/o de computadoras. Estos micromundos permi-
ten a los estudiantes identificar y corregir sus propios errores al de-
mostrarles las consecuencias de su comprensión.
Uno de los ejemplos más interesantes de micromundos ha sido
implementado en el lenguaje de modelado StarLogo89, una versión
paralela al lenguaje de programación gráfica Logo. StarLogo resulta
especialmente interesante porque permite la fácil exploración de
sistemas dinámicos que a menudo se comportan de maneras difíciles
de captar en forma intuitiva. Al proporcionar un conjunto de
herramientas para habilitar y probar rápidamente ideas sobre la
conducta de estos sistemas, StarLogo enseña al usuario a desconfiar
de la primera intuición acerca de su conducta, y a desarrollar intuiciones
más sofisticadas e hipótesis que exigen una mayor reflexión.
Adicionalmente, la enseñanza de habilidades metacognitivas y el
uso de representaciones múltiples y de micromundos otorgan a los
estudiantes una fuente de retroalimentación sobre su progreso, y les
permiten monitorearlo constantemente. En los campos de la psicolo-
gía conductual, clínica, fisiológica, comparativa, educativa y social
existe ahora abundante bibliografía sobre la importancia de la
retroalimentación90. Tal como lo muestra la popularidad de las llamadas
88
Papert, S., Mindstorms: Children, Computers, and Powerful Ideas, Nueva York: Basic Books,
1980; diSessa, A., “Artificial Worlds and Real Experience”, en: Instructional Science, 1986, pp.
207-227; Edwards, L., “Microworlds as Representations”, en: Noss, R., C. Hoyles, A. diSessa y L.
Edwards (eds.), Proceedings of the NATO Advanced Technology Workshop on Computer Based
Exploratory Learning Environments, Asilomar, CA, 1995, pp. 127-154; Brandes, A. y U. Wilensky,
“Treasureworld: A Computer-Based Environment for the Study and Exploration of Feedback”,
en: Harel, I. y S. Papert (eds.), Constructionism, I, Norwood, NJ: Ablex, 1991, cap. X.
89
. Resnick, M., Turtles, Termites, and Traffic Jams: Explorations in Massively Parallel Worlds,
Cambridge, MA: MIT Press, 1994; Wilensky, U., “Paradox, Programming and Learning Probabil-
ity”, en: Journal of Mathematical Behavior, 14 (1995), 2, pp. 251-280; Wilensky, U. y M. Resnick,
“Thinking in Levels: A Dynamic Systems Perspective to Making Sense of the World”, en: Journal
of Science Education and Technology, vol. 8, n° 1.
90
Cf. Seligman, M.E., Learned Optimism, Nueva York: A.A. Knopf, 1991, y Cziskszentmihalyi,
M., Flow: The Psychology of Optimal Experience, Nueva York: Harper Collins, 1991.
73
actividades recreativas “inútiles”, como por ejemplo los juegos de vídeo

o los crucigramas, la retroalimentación constante del desempeño
aumenta la probabilidad de que las personas sigan interesadas y se
sientan satisfechas con la tarea que están ejecutando. Cuando no la
hay, los seres humanos (y otros mamíferos) muestran manifestaciones
conductuales y fisiológicas de ansiedad y un descenso en el desempeño
de la tarea, llegando incluso a abandonarla.
IV. Las implicancias prácticas de la ciencia cognitiva en la

educación
Los descubrimientos de los científicos cognitivos que estudian el
aprendizaje y la solución de problemas del conocimiento tienen
implicancias específicas para la educación. En esta parte se pre-
sentan algunas de ellas.
1. Alentar a los estudiantes para que construyan sus propias represen-

taciones del conocimiento
En el campo educativo, existe una creciente tendencia hacia el

constructivismo91, basado en la idea enunciada por primera vez, en
1710, por el filósofo Giambattista Vico: Verum ipsum factum que
significa ‘la verdad equivale a lo hecho’. Explicando más esta frase,
Vico escribió: “... la verdad humana es lo que el hombre construye y
hace al conocer algo. La ciencia es, por lo tanto, el conocimiento del
género o modo por el cual algo está hecho”.
Esta idea de que el conocimiento es construido en lugar de descu-
bierto y de que, por lo tanto, lo que conocemos está relacionado
inextricablemente con cómo llegamos a conocerlo, define la posición
constructivista.
Los educadores de esta corriente opinan que se debe proporcionar
a los estudiantes contextos que les permitan construir conocimientos
91
Cf. Steffe, L.P. y J. Gail (eds.), Constructivism in Education, Hillsdale, NJ: Lawrence Erlbaum, 1995.
74
activa y productivamente. Es decir, de una manera que proporcione

la mayor flexibilidad y precisión para aplicar el conocimiento. El método
de transmitir ideas a los estudiantes sólo mediante clases expositivas
está destinado al fracaso porque, como se señaló anteriormente, el
mensaje intencional puede ser socavado por las concepciones previas
del estudiante. Como los alumnos construyen su comprensión sobre
concepciones previas, es decisivo para los educadores aprender todo
lo que puedan acerca de ellas. De esta manera, podrán planear estra-
tegias que optimicen la probabilidad de que los estudiantes constru-
yan concepciones más sofisticadas sobre su conocimiento anterior.
En este documento se ha puesto énfasis en algunos descubrimien-
tos de la ciencia cognitiva. Hallazgos como las representaciones
autoconstruidas; la epistemología basada en la adaptación evolutiva y
en las progresivas mejoras de las estructuras de conocimiento; la mul-
tiplicidad de representaciones de problemas; el impacto del contexto
sobre la comprensión; la importancia de la acción en el aprendizaje y
las diferencias particulares que hacen necesario un enfoque
individualizado del conocimiento, son compatibles con la aplicación
de los principios constructivistas en la educación.
2. Enseñar representaciones de problemas, no su contenido
Algunas veces el constructivismo es mal interpretado por quienes

creen que implica que todas las construcciones de los estudiantes
son igualmente valiosas. Como científicos, los investigadores
cognitivos estarían horrorizados al percatarse de que sus
descubrimientos pueden usarse para sostener este relativismo
conceptual. Así como la ciencia cognitiva ha demostrado que los
seres humanos usan múltiples representaciones autoconstruidas, ha
probado con una certeza matemática que no todas las
representaciones de conocimiento son iguales. Se ha demostrado
que existen caminos hacia un espacio de conocimiento determinado,
más eficientes que otros. Se ha demostrado, también, que algunas
representaciones de conocimiento son conceptualmente más ricas,
más generales o más útiles. Al emplear los hallazgos de la ciencia
75
cognitiva, es importante que los educadores no ignoren el análisis

riguroso que los ha hecho posibles. El descubrimiento de las múltiples
diferencias individuales sobre cómo los seres humanos representan
y usan el conocimiento, no cambia el hecho de que algunas
representaciones son simplemente mejores para un determinado pro-
pósito. Al alentar a los estudiantes a explorar y construir sus propias
representaciones del conocimiento, los educadores no deben obviar
aquello que otros estudiantes, que han investigado sobre el mismo
tema, ya han aprendido. Siegler92 identifica esto como una de las
principales tareas de la educación al decir que:
“Gran parte de la tarea de la educación en relación a la solución de
problemas consiste, quizás, en identificar la codificación que quisiéra-
mos que las personas tuvieran sobre problemas específicos y en desa-
rrollar métodos instruccionales para ayudarlos a tenerla”93.
Este énfasis en dirigir siempre a los estudiantes hacia representa-
ciones deseables de problemas, también ha sido subrayado en el trabajo
de Schank sobre el aprendizaje orientado a metas94.
Incluso, temas educativos factuales pueden enseñarse como codi-
ficación de problemas. Por ejemplo, en lugar de exigir a los estudiantes
que memoricen datos históricos, se les puede pedir que analicen las
acciones de un personaje o que sugieran escenarios históricos alter-
nativos. Este método los anima a convertirse en estudiantes activos,
en lugar de responsabilizarlos por encontrar un enfoque activo e in-
tencional para las tareas de memorización.
Sin embargo, como ya hemos visto, es peligroso enseñar solamente
representaciones de problemas, porque la destreza y la comprensión
se pueden disociar. Proporcionar a los estudiantes sólo una codifica-
ción les impide entender realmente los conceptos que sustentan las
estrategias aplicadas para resolver problemas. Para evitar este tipo de
92
Siegler, R.S., op. cit.
93
Ibid., p. 185.
94
Cf. Schank, R., “Goal-Based Scenarios: A Radical Look at Education”, en: Journal of the Learn-
ing Sciences, 3 (1993-1994), 4, pp. 429-453; Schank, R. y C. Cleary, Engines for Education,
Hillsdale, NJ: Lawrence Erlbaum, 1995.
76
dificultad, vamos a reconsiderar brevemente dos planteamientos ya

mencionados: el uso de múltiples representaciones y el de represen-
taciones del mundo real o de un mundo real simulado.
3. Utilizar múltiples representaciones de problemas
Marvin Minsky, del MIT, uno de los fundadores del campo de la

inteligencia artificial, escribió una vez que una persona entiende
algo sólo cuando lo entiende de más de una manera95. Cuando ello
ocurre, comprende los principios que lo sustentan, y no sólo aque-
llo en lo que se apoya una representación específica. Proporcionar
a un estudiante múltiples sistemas de representación limita la posi-
bilidad de que construya una representación errónea consistente,
porque lo obliga a depurar un sistema con la ayuda del otro. Ello
aumenta la probabilidad de que su representación del problema
refleje una comprensión real. Un buen ejemplo fue el éxito de
Resnick al enseñar a estudiantes jóvenes la sustracción, pidiéndoles
resolver los problemas utilizando al mismo tiempo representaciones
en papel y con bloques.
Como la representación con bloques no permitió el mismo tipo de
errores que la representación en papel, los estudiantes desarrollaron
una representación consistente que reconciliaba ambos sistemas.
Schoenfeld96 ha tenido éxito enseñando a los estudiantes múltiples
representaciones y estrategias de metacognición, al mostrarles vídeos
de otros alumnos tratando de resolver el mismo tipo de problemas
que ellos. Al criticar a los estudiantes que aparecían en los vídeos (lo
cual, según Schoenfeld, es mucho más fácil que criticarse a sí mismo),
los estudiantes se daban cuenta del propósito de la metacognición y
de las múltiples maneras con las cuales se puede representar bien o
mal un problema.
95
Minsky, M., The Society of Mind, Nueva York: Simon & Schuster, 1985.
96
Schoenfeld, A.H., “What’s All the Fuss About Meta-Cognition?”, en: Schoenfeld, A.H., Cogni-
tive Science and Mathematics Education, Hillsdale, NJ: Lawrence Erlbaum, 1987, pp. 189-214.
77
4. Enfrentar a los estudiantes con problemas reales (o simulaciones

del mundo real)
Un método simple para enseñar a los estudiantes representaciones

múltiples y paralelas de un problema es dejarlos aplicar su conoci-
miento en situaciones reales o simuladas, en lugar de obligarlos a
resolver problemas sólo en abstracto. Cuando se aplica el conoci-
miento a la realidad, el mundo sirve como una representación en sí
y, por lo tanto, limita los tipos de representaciones que uno podría
tener paralelamente. Muchos errores de comprensión imperceptibles
desde un punto de vista notacional, pueden ser bastante obvios
para un estudiante si conducen a consecuencias no deseables o
sorprendentes. Además, el conocimiento aplicado tiende a traspasar
las barreras artificiales entre las disciplinas académicas, y obliga al
estudiante a servirse al mismo tiempo de su conocimiento en diversos
campos. Este hecho fue reconocido antes de la invención de la ciencia
cognitiva, en un ensayo escrito en 1929 por la filósofa francesa Simone
Weil: “Un obrero que vive en el mundo real del trabajo puede saber
mucho más sobre sí mismo y sobre el mundo que un matemático
que estudia geometría sin saber que se aplica también a la física, y
que un físico que no reconoce completamente el valor de las hipótesis
geométricas. El obrero puede salir de la oscuridad, mientras que los
miembros de la Academia de Ciencias sólo pueden moverse entre
las sombras”97.
La tecnología moderna permite diseñar micromundos artificiales
que tienen todas las ventajas del mundo real, además de ventajas
adicionales. Al utilizar tecnología de vídeo o de computadoras, es
posible exponer a los estudiantes a situaciones a las cuales resulta
demasiado caro, peligroso, lento, impredecible o difícil exponerlos
en la vida real. Los estudiantes que usan StarLogo, por ejemplo, pueden
simular fácilmente modelos de tráfico98 que comprenden la ubicación
97
Citado en McLellan, D., Utopian Pessimist: The Life and Thought of Simone Weil, Nueva York:
Poseidon Press, 1990, p. 22; cf. asimismo Anderson, J.R., op. cit.
98
Wilensky, U. y M. Resnick, op. cit.
78
y el rastreo de cientos de carros, o modelos de gas99 a niveles que les

exigen seguir el movimiento de moléculas individuales. De esta manera,
tienen fácil acceso a fenómenos que son difíciles o imposibles de
estudiar en el mundo real. Como las situaciones simuladas (igual que
las reales) responden inmediatamente a las acciones, los estudiantes
pueden depurar sus propias representaciones del problema.
Otra ventaja de los micromundos es que la dificultad del problema
se puede ajustar automáticamente a la competencia individual del estu-
diante. Esto es posible si se le proporciona libremente un conjunto de
herramientas para que las utilice según su propio ritmo, o si se ajusta el
nivel de dificultad de la pregunta o de la ayuda según sus respuestas..
Por otra parte, los micromundos tienen la doble y contradictoria ventaja
de impedir que los estudiantes cometan errores graves (al monitorearlos
y responder a sus acciones en un tiempo real) y de dejarlos cometer
errores inaceptables en el mundo real. Por ejemplo, a los que están
aprendiendo a manejar con un simulador computarizado, se les puede
permitir conducir a velocidades peligrosamente altas para que se den
cuenta de por qué no deben hacerlo, y a los que están aprendiendo a
hacer un diagnóstico médico, se les puede admitir errores que tendrían
consecuencias fatales en el tratamiento de un paciente. De esta manera,
los micromundos pueden limitar y extender la escala de realidad de
manera pedagógicamente útil.
5. Enseñar a los estudiantes cómo funciona su aparato cognitivo
Uno de los descubrimientos más sólidos de la ciencia cognitiva es que

el conocimiento humano y la experiencia procedimental son normal-
mente muy específicos. Tener una habilidad especial en un campo,
no implica necesariamente tenerla en uno estrechamente relacionado.
La razón es que los estudiantes utilizan representaciones muy
específicas de problemas.
99
Wilensky, U., “GasLab: An Extensible Modeling Toolkit for Exploring Micro and Macro Views
of Gases”, en: Roberts, N., W. Feurzeig y B. Hunter (eds.), Computer Modeling and Simulation
in Science Education, Berlín: Springer Verlag, en prensa.
79
Una manera de manejar esta limitación es proporcionarles cono-

cimientos sobre el aprendizaje, un proceso que Bateson denominó
“deutero-aprendizaje”100. Es aconsejable hacer que los estudiantes se
den cuenta de los efectos de sus propias limitaciones y fortalezas
cognitivas, dictándoles cursos introductorios sobre la cognición, orien-
tados a la práctica101.
Resnick alegó que el principal aporte de la ciencia cognitiva a la
educación es haber hecho evidente la necesidad de un
“metacurrículo”102. La educación que utiliza la información proporcio-
nada por la teoría cognitiva “transformará de manera sustancial todo
el currículum. Así mismo, considerará el desarrollo de habilidades de
un orden superior como meta suprema de todo proceso educativo”.
Enseñar a los estudiantes cómo funciona su aparato cognitivo es
convertirlos en lo que ha sido denominado indistintamente estudian-
tes “intencionales”, “autorregulados”, “autónomos” o “estratégicos
activos”103. Todos estos términos se refieren a estudiantes que entienden
que el aprendizaje es una meta identificada y perseguida
conscientemente, y no la consecuencia de memorizar una clase. Un
curso de cognición debería proporcionar a los estudiantes herramientas
para diseñar métodos con el fin de optimizar sus habilidades específicas
e “incluir estrategias apropiadas para tareas específicas, instrucciones
para dirigir, revisar y monitorear estas habilidades, así como información
acerca de su significado”104.
100
Bateson, G., Steps to an Ecology of Mind, Nueva York: Ballantine, 1972.
101
Weinstein, C.E. y V.L. Underwood, “Learning Strategies: The How of Learning”, en: Segal,
J.W., S.F. Chipman y R. Glaser (eds.), Thinking and Learning Skills: Relating Instruction to
Research, Hillsdale, NJ: Lawrence Erlbaum, 1985, pp. 241-258; Gaskins, I.W., “Classroom Appli-
cations of Cognitive Science: Teaching Poor Readers How to Learn, Think, and Problem Solve”,
en: McGilly, K., op. cit., pp. 129-154.
102
Resnick, L.B., “Syntax and Semantics in Learning to Subtract”, en: Carpenter, T.P., J.M. Moser
y T.A. Romberg (eds.), Addition and Subtraction: A Cognitive Perspective, Nueva York: Law-
rence Erlbaum, 1982, p. 43.
103
Breuer, J.T., “Classroom Problems, School Culture, and Cognitive Research”, en: McGilly, K.,
op. cit., pp. 273-290.
104
Brown, A.L., “Analogical Learning and Transfer: What Develops?”, op. cit., p. 335.
80
La enseñanza cognitiva puede impartirse en la escuela desde los pri-

meros años. Gaskins, por ejemplo, describe un programa cognitivo
llamado Learning and Thinking (“Aprender y pensar”) que se enseña
a niños de ocho años105.
6. Fomentar el aprendizaje en grupo
Otra manera de manejar la limitación de las representaciones espe-

cíficas de problemas, es alentar a los estudiantes a comunicarse con
compañeros que sobresalgan en otras áreas. Existen varios proyectos
piloto que han tratado de alentar a los estudiantes a compartir su
conocimiento y sus habilidades individuales: Computer Supported
Learning Environment (“Ambiente de aprendizaje asistido por
computadora”) de Scardamalia, Bereiter y Lamon 106; Reciprocal
Teaching (“Enseñanza recíproca”) de Brown y Campione 107 y
Cognition and Technology Group (“Grupo de cognición y tecnología”)
de la Universidad de Vanderbilt (1994). Estos grupos de aprendizaje
reconocen que los estudiantes tienen diferentes intereses y
habilidades, y que todos pueden hacer contribuciones valiosas a
una meta educativa común.
7. Respetar el papel del contexto
Como vimos, la ciencia cognitiva ha puesto énfasis en la importancia

de la comprensión y en la explicación de los efectos del contexto en
la cognición, dos aspectos que también repercuten en la educación.
Resumiendo los efectos del contexto en la cognición, Ceci y Roazzi108
escribieron:
105
Gaskins, I.W., op. cit.
106
Scardamalia, M., C. Bereiter y M. Lamon, “The CSILE Project: Trying to Bring the Classroom
into World 3”, en: McGilly, K., op. cit., pp. 201-228.
107
Brown, A.L. y J.C. Campione, “Guided Discovery in a Community of Learners”, en: McGilly,
K., op. cit., pp. 229-272.
108
Ceci, S.J. y A. Roazzi, op. cit.
81
“Nuestro análisis, que abarca diferentes continentes, clases sociales

y niveles de educación formal, muestra que el contexto en el cual se
aprende algo tiene una gran influencia sobre la cognición, al servir
para ejemplificar estructuras específicas de conocimiento, al activar
estrategias específicas según el contexto, y al influenciar la interpreta-
ción que tiene el sujeto de la tarea misma. Ni el contexto ni la cogni-
ción pueden comprenderse aisladamente, ya que forman un sistema
integrado en el cual la habilidad cognitiva en cuestión se convierte en
parte del contexto. Tratar de evaluar el contexto y la cognición por
separado es como tratar de evaluar la belleza de una sonrisa separada
del rostro del cual forma parte”109.
Para entender el aprendizaje, los educadores deben considerar no
sólo la tarea o el concepto que enseñan, sino también el contexto en
el cual lo hacen. Han de tomar en cuenta, por lo menos, los siguientes
aspectos:
• La situación social en la cual se define la tarea o el concepto.

• Los materiales usados.
• Las herramientas cognitivas (operadores).
• Los operadores que no están utilizando, pero que podrían servir
para la misma tarea.
• El conocimiento previo del estudiante.
• La medida en que la nueva información está relacionada con el
conocimiento previo o con el contexto en el cual se usará la infor-
mación.
• El significado que tiene el material enseñado para el estudiante.
Dada la importancia del contexto en el proceso cognitivo, es nece-

sario evaluar cuidadosamente las investigaciones realizadas en labo-
ratorio. Los descubrimientos obtenidos en el ambiente cuidadosa-
mente controlado de un laboratorio científico pueden no ser aplica-
bles en las aulas. Los educadores tienen que ser críticos respecto de
109
Ibid., p. 98.
82
la bibliografía científica y evaluar los descubrimientos científicos según

sus necesidades.
8. Desconfiar de las evaluaciones globales y fomentar las habilidades

individuales
Las investigaciones indican que diversos factores pueden afectar el

desempeño de un estudiante en una tarea cognitiva. Algunos factores
son sus habilidades innatas, sus antecedentes de aprendizaje, sus in-
tereses y el contexto. Por ello, no es lógico clasificar a los estudiantes
según una única dimensión, como lo hacen muchas pruebas de ren-
dimiento académico110. Una vez comprendido que la educación
depende de diversos parámetros que varían según el individuo, es
importante precisar qué factores determinan el desempeño de un
estudiante particular, en lugar de medir simplemente dicho
desempeño111. Los descubrimientos de la ciencia cognitiva aconsejan
no suponer que los mismos factores explican el desempeño de
cualquier estudiante en un campo dado. Los educadores y los directo-
res que deseen conducir sus programas académicos a la luz de la
ciencia contemporánea, deben desarrollar estrategias de evaluación
que permitan a los estudiantes demostrar sus fortalezas y debilidades
de manera más sutil que la admitida por los actuales procedimientos
de evaluación112.
Una forma de alcanzar esta meta, es proveer medio ambientes edu-
cativos apropiados que brinden a los estudiantes la oportunidad de
experimentar y evaluarse utilizando la más amplia gama posible de
enfoques para cualquier tema. Un estudiante que fracasa en demostrar
su aptitud para las matemáticas en una prueba con papel y lápiz puede,
110
Gardner, H., The Unschooled Mind: How Children Think and How Schools Should Teach, op. cit.
111
Glaserfeld, E. von, “A Constructivist Approach to Teaching”, en: Steffe, L.P. y J. Gail (eds.),
Constructivism in Education, Hillsdale, NJ: Lawrence Erlbaum, 1995, pp. 3-15.
112
Stroup, W. y U. Wilensky, “Assessing Learning as Emergent Phenomena: Moving Constructivist
Statistics Beyond the Bell-Curve”, en: Kelly, A.E. y R. Lesh (eds.), Research Methods in Math-
ematics and Science Education, Englewood Cliffs, NJ: Lawrence Erlbaum, en prensa.
83
no obstante, sentirse capaz de dominar y demostrar esta habilidad usando

exactamente los mismos conceptos en un taller de carpintería o al tocar
música. Es posible fomentar este reconocimiento inter-disciplinario del
dominio de conceptos, alentando a los estudiantes a encontrarles sus
propias aplicaciones a la vida real y dándoles múltiples enfoques para
un único concepto. Ambas estrategias permiten a los estudiantes
descomponer eficazmente un problema. Del mismo modo, es posible
reconocer y aprovechar las habilidades ocultas de los estudiantes (al
menos en instituciones educativas pequeñas), alentando debates
interdisciplinarios sobre las habilidades de cada uno. Ello puede revelar,
por ejemplo, que un estudiante que parece incapaz de dominar los
ratios en la clase de matemáticas, los aplica adecuadamente al afinar y
tocar un instrumento de cuerda en la clase de música.
Evidentemente, es difícil proporcionar a los estudiantes programas
educativos individualizados, ya que frecuentemente los educadores no
tienen tiempo para asumir una responsabilidad adicional. Una manera
de sortear esta dificultad es responsabilizar al estudiante de su propia
educación, dándole la posibilidad de escoger a qué clases asistir.
Al estructurar las clases alrededor de sus propios intereses, los estu-
diantes pueden escoger los temas y, al mismo tiempo, adquirir una
instrucción única en común. Por ejemplo, el contenido de las clases
de matemáticas puede prepararse de manera diferente para los estu-
diantes interesados en finanzas, música, biología, deportes o compu-
tación, mientras que las clases de literatura pueden enseñar las mis-
mas habilidades literarias básicas, mediante una selección diferente
de libros, según los intereses de los alumnos113.
Otra manera de sortear los problemas prácticos de la instrucción
individual es utilizar la tecnología de la computación, mencionada
anteriormente. Un programa de computación puede ofrecer a los es-
tudiantes diferentes ejemplos sobre un mismo concepto, tomados de
una variedad de campos de interés, y asegurar que cada estudiante
adquiera el mismo conjunto de conceptos centrales.
113
Schank, R. y C. Cleary, op. cit.
84
9. Respetar las limitaciones naturales y explotar las fortalezas de la

cognición
La ciencia cognitiva ha demostrado que existen limitaciones innatas

en el sistema nervioso humano. Por ejemplo, las personas no son
computadoras perfectamente lógicas y sincronizadas, sino que tien-
den a pensar de una manera particular. Los educadores deben cono-
cer estas debilidades del sistema nervioso humano y explotar sus
fortalezas naturales. Las investigaciones proponen diversas estrategias
para lograrlo. Aquí, sólo algunos ejemplos:
• Para evitar las limitaciones cognitivas humanas, es recomendable

enfrentar a las personas a tareas cotidianas (por ejemplo, al trato
adecuado con amigos, parientes y conocidos), o a tareas de “alto
nivel” (por ejemplo, un diagnóstico médico), que les exijan sinteti-
zar información de su experiencia pasada. Hay que alentarlos a
apoyarse más en resúmenes y recordatorios externos que en su
propia memoria.
• Para aprovechar la capacidad visual humana, se aconseja presentar
la información visualmente, y empleando colores vivos y movi-
miento. Si se presenta información de manera auditiva, textual o
numérica, hay mayor probabilidad de que ésta sea ignorada.
• Para superar las concepciones equivocadas sobre un determinado
campo, es importante identificar y manejar directa y explícitamente
las concepciones equivocadas previas. Los profesores deben co-
nocer tanto la mejor forma de comprender un tema, como las
formas más comunes de no comprenderlo. Los errores de cognición
pueden estar basados en malentendidos estructurados
sistemáticamente o en la recodificación inapropiada del problema.
Esta información debería enseñarse explícitamente a los educadores.
• Para aprovechar las concepciones previas de los estudiantes, los
educadores deben identificarlas como un camino progresivo hacia
una concepción de experto. Este enfoque impide que los estudian-
tes queden estancados y sean incapaces de avanzar hacia concep-
ciones más complejas.
85
• Para optimizar los beneficios del aprendizaje activo y evitar limita-

ciones en la capacidad de memoria, los educadores pueden utilizar
ambientes computacionales que transfieran a la tecnología las ta-
reas de la memoria de nivel inferior. Ello permite que los estudian-
tes se concentren activamente en tareas de nivel superior114.
• Para evitar el problema de una retroalimentación insuficiente para
el estudiante, es conveniente el uso de ambientes basados en
computadoras que permiten al alumno demostrar sus hipotésis y
recibir una retroalimentación inmediata de sus teorías.
• Para aprovechar las habilidades innatas (IM) del estudiante, es de-
seable estructurar la enseñanza desde diversas perspectivas y alen-
tar a los estudiantes a aplicar los conceptos aprendidos en clase a
áreas de su interés o a sus habilidades.
V. Conclusión
La ciencia cognitiva surgió, en gran parte, como un reconocimiento al
hecho de que no es posible comprender científicamente la cognición si
no se sabe cómo representar y manipular el conocimiento internamente.
En la medida en que el aprendizaje puede interpretarse como un
proceso que modifica, de manera controlada, las propias representa-
ciones mentales (y su expresión conductual), los avances científicos
relacionados con este proceso tienen implicancias directas en la edu-
cación. En este documento hemos tratado de señalar cómo puede
contribuir la ciencia cognitiva a la educación.
Brown y Campione115 describieron un programa educativo que se
basó en los descubrimientos de la ciencia cognitiva como un programa
dedicado al “aprendizaje activo y estratégico, con la comprensión y el
control del estudiante, siguiendo trayectorias específicas según el campo”116.
Decir que el aprendizaje es “activo” y “estratégico” significa que el
114
Cf. Pea, R., “Beyond Amplification: Using the Computer to Reorganize Mental Functioning”,
en: Educational Psychologist, 20 (1985), 4, pp. 167-182.
115
Brown, A.L. y J.C. Campione, op. cit.
116
Ibid., p. 231.
86
estudiante desempeña un papel decisivo en su propia educación, es-

coge conscientemente aprender y usar las técnicas de la metacognición
para evaluar y depurar su propia comprensión. El énfasis en la “com-
prensión” y el “control” es una conclusión directa de este reconoci-
miento. Para que un estudiante se sienta comprometido con el apren-
dizaje, debe moldear lo que aprende de un modo que le permita
construir paulatina y cuidadosamente sobre su comprensión previa.
El énfasis en el “carácter específico según el campo” se debe, finalmente,
al descubrimiento de que los seres humanos son deficientes transfi-
riendo conocimiento entre campos, debido, en gran medida, a que
son altamente sensibles al contexto epistemológico y ambiental en el
cual adquieren y aplican su conocimiento.
Quizás es apropiado terminar este documento resumiendo el dis-
curso que el lingüista Noam Chomsky pronunciara en 1970, años
antes de que la ciencia cognitiva brindara sus herramientas a la edu-
cación. En él, Chomsky especuló sobre el papel de la educación
desde una perspectiva más histórica y humanista que científica.
Empezó citando al filósofo alemán Wilhelm von Humboldt que, en
1792, había escrito lo siguiente: “cultivar la comprensión, como
cualquiera de las otras facultades del hombre, se logra generalmente
mediante las propias actividades, el propio ingenio o los propios
métodos para utilizar los descubrimientos de otros”117. Al citar a
Humboldt, Chomsky hizo alusión a las exigencias que los científicos
cognitivos han destacado casi treinta años más tarde: “la educación
[...] tiene que proporcionar oportunidades para la autorealización;
en el mejor de los casos, puede proporcionar un medio ambiente
apropiado y desafiante para que el individuo lo explore a su manera”.
El conocimiento tiene que ser, como lo escribió Humboldt,
“despertado en la mente. Lo único que uno puede proporcionar es
el hilo a lo largo del cual se desarrollará”118.
117
Citado en Chomsky, N., “Language and Freedom”, en: For Reasons of State, Nueva York:
Vintage, 1970, p. 398.
118
Ibid., p. 389.
87

La Representación Del Conocimiento PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

La Representación Del Conocimiento PDF

Transféré par

Droits d'auteur :

Formats disponibles

La representación del conocimiento en la ciencia cognitiva: Sus implicancias en la educación

La representación del conocimiento

En las últimas décadas, la ciencia cognitiva ha logrado reunir a in-

I. Introducción a la ciencia cognitiva

Definir la ciencia cognitiva es sorprendentemente difícil. Un comenta-

Quien trate de dar una definición concisa de la ciencia cognitiva

1. Breve historia de la ciencia cognitiva

La decisión acerca de dónde empezar la historia de la ciencia cognitiva

la disciplina dijo incluso que es posible fijar su nacimiento en un día

MIT presentó un descubrimiento que hasta hoy en día es, quizás, el

Neumann de entender el pensamiento humano en términos de una

psicología, y positivismo y verificacionismo en filosofía) presentaban

En los años posteriores al simposio de 1956 en el MIT, el interés

las variaciones del enfoque general descrito por Newell y Simon en

2. Tendencias actuales en la ciencia cognitiva

• El surgimiento de modelos mentales horizontales y la resultante

En las siguientes páginas se explica brevemente cada uno de estos

2.1. El surgimiento de los modelos mentales horizontales

Los modelos mentales horizontales y estructurados de “abajo hacia

Rosenblatt15 quien llamó “perceptrones” a las redes de dos capas que

estructuras y los límites no están necesariamente bien definidos, no

neurológicos reales como la dislexia20. Este desarrollo condujo a que

2.2. La integración de la neurociencia a la ciencia cognitiva

A pesar de que muchos científicos cognitivos siguen estudiando la

experimentales que han permitido a los científicos hacer deducciones

2.3. El surgimiento de la psicología evolutiva

Una tendencia muy reciente en la ciencia cognitiva insiste en la im-

científico. En los últimos años se ha comprendido que dar por sen-

posibilidades codificadas y estructuradas, de tal manera que las

2.4. La importancia del contexto

En su primer trabajo sobre la revolución cognitiva, Gardner37 escribió

investigadores ha aceptado que tomar en cuenta los efectos del contexto

El contexto biológico comprende las limitaciones y capacidades pro-

probabilístico y formal46. Los seres humanos tienen muchas limitaciones,

Durante muchos años, Gardner llamó la atención sobre otro efecto

El contexto en el cual un ser humano vive, aprende y trabaja, influye

empírico (desarrollada por Newton para el movimiento planetario

El tercer contexto que puede afectar la cognición es el mental o

3. Las características determinantes de la ciencia cognitiva

Volvamos a nuestra pregunta original: ¿qué es la ciencia cognitiva?

II. ¿Qué es una representación mental?

Muchas otras complicaciones impiden definir de manera simple, ge-

muy valiosa para entender la educación y poder hablar de ella. Se

plo, nos permitimos utilizar sólo un operador llamado “flip”. El opera-

lizar) son métodos generales, de utilidad múltiple. Dos métodos débiles

embargo, el operador “golpe” no resuelve la mayoría de los proble-

La representación espacio-problema es muy general. Esta caracte-

III. La ciencia cognitiva y la educación

1. Aprendizaje con éxito

En los inicios de la ciencia cognitiva, se tuvo la esperanza de descubrir

1.1. La representación de problemas por parte de expertos

Este hallazgo estimuló el desarrollo de una nueva especialidad en la

nados con su campo de habilidad, pero no en los temas generales.

En un campo más reducido, Siegler identificó un conjunto preci-

1.2. La influencia del contexto

Se obtuvo resultados similares a partir de estudios comparativos de

tos utilizados eran diferentes en ambos contextos. Las personas ten-

y otros estudios sobre el razonamiento en un contexto “desafían los

1.3. Las habilidades metacognitivas

En las últimas páginas se ha reflexionado brevemente sobre los

• El primer nivel se encarga de establecer los detalles: los procesos

• El segundo nivel se ocupa del acceso a la memoria semántica: la

Algunos ejemplos de habilidades metacognitivas son: el reconocimiento