TIC y aprendizaje TIC y aprendizaje

significativo: significativo:
una perspectiva una perspectiva
constructivista constructivista
David Jonassen David Jonassen

P03/72048/01332 P03/72048/01332
 FUOC • P03/72048/01332
Índice
Introducción .............................................................................................. 5
Objectivos ................................................................................................... 9
1. La construcción de modelos para el cambio conceptual .......... 11
1.1. Resultados del aprendizaje significativo ........................................... 11
1.1.1. Modelos mentales .................................................................. 11
1.1.2. Cambio conceptual ................................................................ 12
1.2. Construcción de modelos mentales ................................................. 14
1.2.1. Construcción de modelos vs. consumo ................................. 16
1.3. ¿Qué modelamos? ............................................................................ 17
1.3.1. Construcción de modelos de los conocimientos dominantes .. 17
1.3.2. Construir modelos problemas ................................................ 18
1.3.3. Construir modelos de sistemas .............................................. 21
1.3.4. Construir modelos de experiencias (historias) ....................... 23
1.3.5. Construir modelos de pensamiento (simulaciones
cognitivas) .............................................................................. 25
1.4. Tipos de sistemas de aprendizaje basados en modelos .................... 27
1.4.1. Construcción de simulaciones deductivas ............................. 27
1.4.2. Construcción de modelos de simulación inductivos ............ 28
1.4.3. Exploración de modelos de caja negra o simulaciones ......... 29
1.4.4. Modelos causales cualitativos ................................................ 29
1.4.5. Herramientas de construcción de modelos semánticos ........ 29
1.4.6. Advertencias críticas sobre las herramientas
de construcción de modelos .................................................. 30
1.5. Valorar el cambio conceptual con modelos construidos
por estudiantes ................................................................................. 30
1.6. Bases para la construcción de modelos ............................................ 31
1.7. Limitaciones para la construcción de modelos ................................ 32
2. Aprender a solucionar problemas .................................................. 34
2.1. ¿En que consiste la resolución de problemas? ................................. 34
2.2. Variedad de problemas ..................................................................... 34
2.2.1. Estructuración ........................................................................ 35
2.2.2. Complejidad ........................................................................... 36
2.2.3. Especificidad de campo (abstractos-situados) ........................ 37
2.3. Tipología de solución de problemas ................................................. 38
2.3.1. Problemas lógicos ................................................................... 38
2.3.2. Problemas algorítmicos .......................................................... 40
2.3.3. Problemas narrados ................................................................ 40
2.3.4. Problemas que usan reglas ..................................................... 41
2.3.5. Problemas de toma de decisiones .......................................... 41
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 TIC y aprendizaje significativo...
Índice
Introducción .............................................................................................. 5
Objectivos ................................................................................................... 9
1. La construcción de modelos para el cambio conceptual .......... 11
1.1. Resultados del aprendizaje significativo ........................................... 11
1.1.1. Modelos mentales .................................................................. 11
1.1.2. Cambio conceptual ................................................................ 12
1.2. Construcción de modelos mentales ................................................. 14
1.2.1. Construcción de modelos vs. consumo ................................. 16
1.3. ¿Qué modelamos? ............................................................................ 17
1.3.1. Construcción de modelos de los conocimientos dominantes .. 17
1.3.2. Construir modelos problemas ................................................ 18
1.3.3. Construir modelos de sistemas .............................................. 21
1.3.4. Construir modelos de experiencias (historias) ....................... 23
1.3.5. Construir modelos de pensamiento (simulaciones
cognitivas) .............................................................................. 25
1.4. Tipos de sistemas de aprendizaje basados en modelos .................... 27
1.4.1. Construcción de simulaciones deductivas ............................. 27
1.4.2. Construcción de modelos de simulación inductivos ............ 28
1.4.3. Exploración de modelos de caja negra o simulaciones ......... 29
1.4.4. Modelos causales cualitativos ................................................ 29
1.4.5. Herramientas de construcción de modelos semánticos ........ 29
1.4.6. Advertencias críticas sobre las herramientas
de construcción de modelos .................................................. 30
1.5. Valorar el cambio conceptual con modelos construidos
por estudiantes ................................................................................. 30
1.6. Bases para la construcción de modelos ............................................ 31
1.7. Limitaciones para la construcción de modelos ................................ 32
2. Aprender a solucionar problemas .................................................. 34
2.1. ¿En que consiste la resolución de problemas? ................................. 34
2.2. Variedad de problemas ..................................................................... 34
2.2.1. Estructuración ........................................................................ 35
2.2.2. Complejidad ........................................................................... 36
2.2.3. Especificidad de campo (abstractos-situados) ........................ 37
2.3. Tipología de solución de problemas ................................................. 38
2.3.1. Problemas lógicos ................................................................... 38
2.3.2. Problemas algorítmicos .......................................................... 40
2.3.3. Problemas narrados ................................................................ 40
2.3.4. Problemas que usan reglas ..................................................... 41
2.3.5. Problemas de toma de decisiones .......................................... 41
 FUOC • P03/72048/01332
2.3.6. Problemas de resolución de dificultades .............................. 41
2.3.7. Problemas de solución y diagnosis ...................................... 42
2.3.8. Actuaciones estratégicas ....................................................... 42
2.3.9. Problemas políticos y de análisis de casos ubicados ............ 43
2.3.10. Problemas de diseño ............................................................ 43
2.3.11. Dilemas ................................................................................. 44
3. Entornos de aprendizaje de resolución de problemas en línea ... 45
3.1. Problemas narrados .......................................................................... 45
3.1.1. Tipo de problema y tipología ............................................... 46
3.1.2. Clasificación de problemas .................................................. 49
3.1.3. Problema verbal ................................................................... 49
3.1.4. Identificador del conjunto ................................................... 49
3.1.5. Modelo estructural ............................................................... 50
3.1.6. Constructor de ecuaciones ................................................... 51
3.1.7. Modelo situacional ............................................................... 51
3.1.8. Ejemplos trabajados ............................................................. 52
3.1.9. Asuntos de la práctica .......................................................... 53
3.1.10. Instrucción de contenido ..................................................... 53
3.1.11. Resumen ............................................................................... 54
3.2. Problemas de resolución de dificultades .......................................... 54
3.2.1. Modelo conceptual ................................................................. 55
3.2.2. Localizador de dificultades o averías ...................................... 56
3.2.3. Biblioteca o archivo de casos ................................................. 58
3.2.4. Ejemplos trabajados ............................................................... 59
3.2.5. Temas de práctica ................................................................... 59
3.3. Problemas de análisis de casos/sistemas ........................................... 59
3.3.1. Representación de problemas ................................................ 60
3.3.2. Herramientas de representación de problemas ...................... 63
3.3.3. Generar opciones de solución: acomodar perspectivas
múltiples ................................................................................. 65
3.3.4. Argumentación ....................................................................... 66
4. Argumentación mediante la tecnología para apoyar
la resolución de problemas ............................................................... 68
4.1. Tecnologías de argumentación ......................................................... 69
4.1.1. SenseMaker ............................................................................. 73
4.1.2. Belvedere ................................................................................ 74
4.1.3. Convince Me .......................................................................... 75
Glosario ....................................................................................................... 76
Bibliografía ................................................................................................ 76
TIC y aprendizaje significativo...
3. Entornos de aprendizaje de resolución de problemas en línea ... 45
4. Argumentación mediante la tecnología para apoyar
Glosario ....................................................................................................... 76
Bibliografía ................................................................................................ 76
 FUOC • P03/72048/01332 TIC y aprendizaje significativo...
2.3.6. Problemas de resolución de dificultades .............................. 41
2.3.7. Problemas de solución y diagnosis ...................................... 42
2.3.8. Actuaciones estratégicas ....................................................... 42
2.3.9. Problemas políticos y de análisis de casos ubicados ............ 43
2.3.10. Problemas de diseño ............................................................ 43
2.3.11. Dilemas ................................................................................. 44
3.1. Problemas narrados .......................................................................... 45
3.1.1. Tipo de problema y tipología ............................................... 46
3.1.2. Clasificación de problemas .................................................. 49
3.1.3. Problema verbal ................................................................... 49
3.1.4. Identificador del conjunto ................................................... 49
3.1.5. Modelo estructural ............................................................... 50
3.1.6. Constructor de ecuaciones ................................................... 51
3.1.7. Modelo situacional ............................................................... 51
3.1.8. Ejemplos trabajados ............................................................. 52
3.1.9. Asuntos de la práctica .......................................................... 53
3.1.10. Instrucción de contenido ..................................................... 53
3.1.11. Resumen ............................................................................... 54
3.2. Problemas de resolución de dificultades .......................................... 54
3.2.1. Modelo conceptual ................................................................. 55
3.2.2. Localizador de dificultades o averías ...................................... 56
3.2.3. Biblioteca o archivo de casos ................................................. 58
3.2.4. Ejemplos trabajados ............................................................... 59
3.2.5. Temas de práctica ................................................................... 59
3.3. Problemas de análisis de casos/sistemas ........................................... 59
3.3.1. Representación de problemas ................................................ 60
3.3.2. Herramientas de representación de problemas ...................... 63
3.3.3. Generar opciones de solución: acomodar perspectivas
múltiples ................................................................................. 65
3.3.4. Argumentación ....................................................................... 66
la resolución de problemas ............................................................... 68
4.1. Tecnologías de argumentación ......................................................... 69
4.1.1. SenseMaker ............................................................................. 73
4.1.2. Belvedere ................................................................................ 74
4.1.3. Convince Me .......................................................................... 75
 FUOC • P03/72048/01332 5 TIC y aprendizaje significativo...
Introducción
El siguiente módulo describe puntos de vista muy actuales sobre cómo se pue-
de usar la tecnología para impulsar un aprendizaje más significativo en el cam-
po de la educación. Este módulo habla más de aprendizaje que de tecnología.
¿Por qué? Últimamente muchos educadores han visto la tecnología como la
salvación de la educación. Hasta que los educadores no se pongan de acuerdo
en que debería modificarse la naturaleza del aprendizaje en la educación, pro-
bablemente la tecnología no tendrá ningún efecto sobre la misma. Es decir, la
tecnología por si sola no puede cambiar la educación. Tenemos que estar to-
dos de acuerdo en que la educación debe centrarse en un aprendizaje signifi-
cativo, el tipo de aprendizaje que lleva a los estudiantes a un nivel profundo
de pensamiento.
Muchos informes en Estados Unidos han concluido que la complejidad que
supone avanzar en el mundo del siglo XXI requiere nuevas habilidades y for-
mas de pensar de los estudiantes. La preparación necesaria para que los estu-
diantes cumplan estos requisitos debe fomentarse en las escuelas mediante
entornos intelectuales enriquecidos. Más que explicar a los estudiantes el
mundo que van a encontrarse fuera de la escuela, es este mundo el que debe
llamarles la atención. Los estudiantes tienen que aprender a solucionar pro-
blemas complejos y mal definidos, prosperar en la ambigüedad y abarcar dis-
tintas perspectivas, usando un repertorio de habilidades intelectuales y
creativas que con poca frecuencia les son requeridas. Cuando los educadores
crean que estos objetivos son importantes, la tecnología podrá tener un mayor
impacto en el aprendizaje y la educación.
Este módulo se basa en la teoría sobre el desarrollo del aprendizaje significati-
vo que se ha denominado constructivismo. El constructivismo parte de los si-
guientes supuestos (Jonassen, Peck y Wilson, 1999):
1. El conocimiento se construye. Las personas dan sentido a su mundo y
todo aquello con lo que mantienen un contacto construyendo representacio-
nes mentales de este mundo. Los seres humanos son perceptores e intérpretes
que construyen sus propias interpretaciones del mundo físico mediante acti-
vidades interpretativas y cognitivas que suponen la creación de modelos men-
tales. Este proceso de elaboración del sentido implica acomodar ideas y
fenómenos nuevos en las creencias y conocimientos existentes que ya habían
sido construidos por el estudiante.
2. La realidad (el sentido que construimos del mundo) se encuentra en la
mente. El proceso de elaboración del sentido tiene como resultado un cono-
cimiento que es único a la persona, puesto que se basa en un conjunto de ex-
 FUOC • P03/72048/01332 5 TIC y aprendizaje significativo...
Introducción
El siguiente módulo describe puntos de vista muy actuales sobre cómo se pue-
de usar la tecnología para impulsar un aprendizaje más significativo en el cam-
po de la educación. Este módulo habla más de aprendizaje que de tecnología.
¿Por qué? Últimamente muchos educadores han visto la tecnología como la
salvación de la educación. Hasta que los educadores no se pongan de acuerdo
en que debería modificarse la naturaleza del aprendizaje en la educación, pro-
bablemente la tecnología no tendrá ningún efecto sobre la misma. Es decir, la
tecnología por si sola no puede cambiar la educación. Tenemos que estar to-
dos de acuerdo en que la educación debe centrarse en un aprendizaje signifi-
cativo, el tipo de aprendizaje que lleva a los estudiantes a un nivel profundo
de pensamiento.
Muchos informes en Estados Unidos han concluido que la complejidad que
supone avanzar en el mundo del siglo XXI requiere nuevas habilidades y for-
mas de pensar de los estudiantes. La preparación necesaria para que los estu-
diantes cumplan estos requisitos debe fomentarse en las escuelas mediante
entornos intelectuales enriquecidos. Más que explicar a los estudiantes el
mundo que van a encontrarse fuera de la escuela, es este mundo el que debe
llamarles la atención. Los estudiantes tienen que aprender a solucionar pro-
blemas complejos y mal definidos, prosperar en la ambigüedad y abarcar dis-
tintas perspectivas, usando un repertorio de habilidades intelectuales y
creativas que con poca frecuencia les son requeridas. Cuando los educadores
crean que estos objetivos son importantes, la tecnología podrá tener un mayor
impacto en el aprendizaje y la educación.
Este módulo se basa en la teoría sobre el desarrollo del aprendizaje significati-
vo que se ha denominado constructivismo. El constructivismo parte de los si-
guientes supuestos (Jonassen, Peck y Wilson, 1999):
1. El conocimiento se construye. Las personas dan sentido a su mundo y
todo aquello con lo que mantienen un contacto construyendo representacio-
nes mentales de este mundo. Los seres humanos son perceptores e intérpretes
que construyen sus propias interpretaciones del mundo físico mediante acti-
vidades interpretativas y cognitivas que suponen la creación de modelos men-
tales. Este proceso de elaboración del sentido implica acomodar ideas y
fenómenos nuevos en las creencias y conocimientos existentes que ya habían
sido construidos por el estudiante.
2. La realidad (el sentido que construimos del mundo) se encuentra en la
mente. El proceso de elaboración del sentido tiene como resultado un cono-
cimiento que es único a la persona, puesto que se basa en un conjunto de ex-
 FUOC • P03/72048/01332 6 TIC y aprendizaje significativo...
periencias únicas que han producido una combinación de creencias sobre el
mundo también única. Un principio importante es que el conocimiento no es
una entidad externa que se encuentra en el mundo físico y que debe ser ad-
quirido o transmitido.
3. Así pues, existen múltiples perspectivas del mundo. Del mismo modo
que no existen dos personas en el mundo que tengan las mismas experiencias
y las mismas percepciones de estas experiencias, cada uno de nosotros cons-
truye un conocimiento propio que, a su vez, afecta a la percepción de las ex-
periencias que compartimos. En este sentido, por ejemplo, cualquier discusión
sobre política, religión o cerveza evoca una multitud de perspectivas sobre
cualquier fenómeno que se discuta.
4. El conocimiento se construye a partir de nuestras interacciones con el
medio ambiente. No podemos separar nuestro conocimiento sobre un área,
de nuestras interacciones con esta área; ni podemos valorar el conocimiento
adquirido sin tener en cuenta como se adquiere (Savery y Duffy, 1995). Es de-
cir, los estudiantes sólo pueden interpretar la información en el contexto de
sus propias experiencias, y aquello que interpreten será, hasta cierto punto, in-
dividual (Jonassen, 1991). El conocimiento que los estudiantes construyen
consiste no sólo en las ideas (contenido), sino también en el conocimiento so-
bre el contexto en que son adquiridas, lo que la persona estaba haciendo en
aquel entorno y aquello que pretendía del entorno. Lo que diferencia a los se-
res humanos de las formas inferiores de vida (por lo que sabemos) es la inten-
cionalidad y la habilidad para articular esas intenciones.
5. Así pues, el conocimiento se encuentra anclado e indexado en contex-
tos relevantes. Las ideas que tenemos y las habilidades que hemos adquirido
consisten, en parte, en la situación o contexto en que fueron adquiridas o apli-
cadas. Es decir, el contexto es parte del conocimiento que la persona utiliza
para explicar o dar sentido a una idea. Esto significa que las normas abstractas
y las leyes, si están aisladas de un contexto, no tienen significado alguno. Los
constructivistas afirman que las habilidades tienen más significado si se desa-
rrollan en contextos significativos. Si las ideas no pueden aplicarse, entonces
no tienen significado. Enseñar hechos y explicar conceptos sin enmarcarlos
en algún contexto les quita el significado.
6. Por consiguiente, el conocimiento no se puede transmitir. El objetivo
explícito de la instrucción tradicional es la “transmisión del conocimiento”
más eficiente. Desgraciadamente, lo que podemos “enseñar” no es siempre lo
que los estudiantes aprenden. El conocimiento no puede transmitirse de pro-
fesores a estudiantes.
7. La construcción del conocimiento se estimula por una cuestión de ne-
cesidad o deseo de saber. Aquello que produce el proceso de construcción del
conocimiento es una disonancia entre lo que se sabe y lo que se observa en el
 FUOC • P03/72048/01332 6 TIC y aprendizaje significativo...
periencias únicas que han producido una combinación de creencias sobre el
mundo también única. Un principio importante es que el conocimiento no es
una entidad externa que se encuentra en el mundo físico y que debe ser ad-
quirido o transmitido.
3. Así pues, existen múltiples perspectivas del mundo. Del mismo modo
que no existen dos personas en el mundo que tengan las mismas experiencias
y las mismas percepciones de estas experiencias, cada uno de nosotros cons-
truye un conocimiento propio que, a su vez, afecta a la percepción de las ex-
periencias que compartimos. En este sentido, por ejemplo, cualquier discusión
sobre política, religión o cerveza evoca una multitud de perspectivas sobre
cualquier fenómeno que se discuta.
4. El conocimiento se construye a partir de nuestras interacciones con el
medio ambiente. No podemos separar nuestro conocimiento sobre un área,
de nuestras interacciones con esta área; ni podemos valorar el conocimiento
adquirido sin tener en cuenta como se adquiere (Savery y Duffy, 1995). Es de-
cir, los estudiantes sólo pueden interpretar la información en el contexto de
sus propias experiencias, y aquello que interpreten será, hasta cierto punto, in-
dividual (Jonassen, 1991). El conocimiento que los estudiantes construyen
consiste no sólo en las ideas (contenido), sino también en el conocimiento so-
bre el contexto en que son adquiridas, lo que la persona estaba haciendo en
aquel entorno y aquello que pretendía del entorno. Lo que diferencia a los se-
res humanos de las formas inferiores de vida (por lo que sabemos) es la inten-
cionalidad y la habilidad para articular esas intenciones.
5. Así pues, el conocimiento se encuentra anclado e indexado en contex-
tos relevantes. Las ideas que tenemos y las habilidades que hemos adquirido
consisten, en parte, en la situación o contexto en que fueron adquiridas o apli-
cadas. Es decir, el contexto es parte del conocimiento que la persona utiliza
para explicar o dar sentido a una idea. Esto significa que las normas abstractas
y las leyes, si están aisladas de un contexto, no tienen significado alguno. Los
constructivistas afirman que las habilidades tienen más significado si se desa-
rrollan en contextos significativos. Si las ideas no pueden aplicarse, entonces
no tienen significado. Enseñar hechos y explicar conceptos sin enmarcarlos
en algún contexto les quita el significado.
6. Por consiguiente, el conocimiento no se puede transmitir. El objetivo
explícito de la instrucción tradicional es la “transmisión del conocimiento”
más eficiente. Desgraciadamente, lo que podemos “enseñar” no es siempre lo
que los estudiantes aprenden. El conocimiento no puede transmitirse de pro-
fesores a estudiantes.
7. La construcción del conocimiento se estimula por una cuestión de ne-
cesidad o deseo de saber. Aquello que produce el proceso de construcción del
conocimiento es una disonancia entre lo que se sabe y lo que se observa en el
 FUOC • P03/72048/01332 7 TIC y aprendizaje significativo...
entorno. La construcción real de significado (resolver la disonancia entre lo
que sabemos bien y lo que percibimos o creemos que las otras personas saben)
resulta de una perplejidad (Duffy y Cunningham, 1996), una perturbación
(Maturana, 1980), una violación de expectativas (Schank, 1986) o una adap-
tación al entorno que conlleva ciclos de asimilación y adaptación. Podemos
memorizar ideas que otros nos hayan dicho, pero llegar de forma activa a la
construcción del significado de un fenómeno supone algún motivo para sa-
ber. Esta disonancia asegura cierta propiedad por parte del estudiante.
8. El significado se negocia de forma social. De la misma forma que todos
compartimos el mundo físico, también compartimos parte del significado que
le damos. Los seres humanos son criaturas sociales que confían en las reaccio-
nes de otros humanos para determinar su propia existencia y la veracidad de
sus creencias personales. Los constructivistas sociales han creído durante cin-
cuenta años que la elaboración del significado se produce en un proceso de ne-
gociación entre los participantes de cualquier diálogo. Desde una perspectiva
constructivista, aprender es un diálogo, un proceso de negociación, tanto in-
terno como social. Aprender es inherentemente un proceso social-dialógico
(Duffy y Cunningham, 1996).
9. El significado y el pensamiento se distribuyen entre la cultura y la co-
munidad en las que vivimos y las herramientas que utilizamos. Desde el
momento en que entramos a formar parte de comunidades de práctica, nues-
tros conocimientos y creencias sobre el mundo reciben la influencia de esta
comunidad y de sus creencias y valores. Cuando entramos a formar parte de
comunidades de discurso sobre la práctica, también nuestros conocimientos
y creencias reciben su influencia. Por ejemplo, nuestro conocimiento del
mundo recibe la influencia de las actividades que realizamos en el trabajo.
Las creencias y el conocimiento de nuestros compañeros influyen en nuestra
forma de pensar. El aprendizaje puede ser entendido como los cambios que
sufre nuestra relación con la cultura o culturas con las que estamos conecta-
dos.
10. No todo el significado se crea de la misma forma. Los constructivistas
no comparten la opinión deconstructivista, como muchos creen, de que todos
los significados son válidos. Debemos examinar la viabilidad del significado
de cualquier persona sobre la base de las normas sociales e intelectuales de la
comunidad.
Principios de un aprendizaje significativo
Si aceptamos todas estas suposiciones, se produce un cambio en el proceso de
educar a los estudiantes. Basándonos en ellas, el aprendizaje en las escuelas y
las universidades debería poner énfasis en las siguientes cualidades:
 FUOC • P03/72048/01332 7 TIC y aprendizaje significativo...
entorno. La construcción real de significado (resolver la disonancia entre lo
que sabemos bien y lo que percibimos o creemos que las otras personas saben)
resulta de una perplejidad (Duffy y Cunningham, 1996), una perturbación
(Maturana, 1980), una violación de expectativas (Schank, 1986) o una adap-
tación al entorno que conlleva ciclos de asimilación y adaptación. Podemos
memorizar ideas que otros nos hayan dicho, pero llegar de forma activa a la
construcción del significado de un fenómeno supone algún motivo para sa-
ber. Esta disonancia asegura cierta propiedad por parte del estudiante.
8. El significado se negocia de forma social. De la misma forma que todos
compartimos el mundo físico, también compartimos parte del significado que
le damos. Los seres humanos son criaturas sociales que confían en las reaccio-
nes de otros humanos para determinar su propia existencia y la veracidad de
sus creencias personales. Los constructivistas sociales han creído durante cin-
cuenta años que la elaboración del significado se produce en un proceso de ne-
gociación entre los participantes de cualquier diálogo. Desde una perspectiva
constructivista, aprender es un diálogo, un proceso de negociación, tanto in-
terno como social. Aprender es inherentemente un proceso social-dialógico
(Duffy y Cunningham, 1996).
9. El significado y el pensamiento se distribuyen entre la cultura y la co-
munidad en las que vivimos y las herramientas que utilizamos. Desde el
momento en que entramos a formar parte de comunidades de práctica, nues-
tros conocimientos y creencias sobre el mundo reciben la influencia de esta
comunidad y de sus creencias y valores. Cuando entramos a formar parte de
comunidades de discurso sobre la práctica, también nuestros conocimientos
y creencias reciben su influencia. Por ejemplo, nuestro conocimiento del
mundo recibe la influencia de las actividades que realizamos en el trabajo.
Las creencias y el conocimiento de nuestros compañeros influyen en nuestra
forma de pensar. El aprendizaje puede ser entendido como los cambios que
sufre nuestra relación con la cultura o culturas con las que estamos conecta-
dos.
10. No todo el significado se crea de la misma forma. Los constructivistas
no comparten la opinión deconstructivista, como muchos creen, de que todos
los significados son válidos. Debemos examinar la viabilidad del significado
de cualquier persona sobre la base de las normas sociales e intelectuales de la
comunidad.
Principios de un aprendizaje significativo
Si aceptamos todas estas suposiciones, se produce un cambio en el proceso de
educar a los estudiantes. Basándonos en ellas, el aprendizaje en las escuelas y
las universidades debería poner énfasis en las siguientes cualidades:
 FUOC • P03/72048/01332 8 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 8 TIC y aprendizaje significativo...

• Activo. Los estudiantes se comprometen con el proceso de aprendizaje en • Activo. Los estudiantes se comprometen con el proceso de aprendizaje en
un procesamiento consciente de la información, de cuyo resultado son res- un procesamiento consciente de la información, de cuyo resultado son res-
ponsables. ponsables.

• Constructivo. Los estudiantes adaptan nuevas ideas a un conocimiento • Constructivo. Los estudiantes adaptan nuevas ideas a un conocimiento
previo (equilibración) para dar sentido o dar significado o reconciliar una previo (equilibración) para dar sentido o dar significado o reconciliar una
discrepancia o perplejidad. discrepancia o perplejidad.

• Colaborativo. Los estudiantes trabajan en comunidades de aprendizaje y • Colaborativo. Los estudiantes trabajan en comunidades de aprendizaje y
construcción del conocimiento, aprovechando las habilidades del resto y construcción del conocimiento, aprovechando las habilidades del resto y
aportando apoyo social, además de modelar y observar las contribuciones aportando apoyo social, además de modelar y observar las contribuciones
de cada uno de los miembros de la comunidad. de cada uno de los miembros de la comunidad.

• Intencional. Los estudiantes intentan conseguir un objetivo cognitivo de • Intencional. Los estudiantes intentan conseguir un objetivo cognitivo de
forma activa y intencional. forma activa y intencional.

• Conversacional. Aprender es inherentemente un proceso social, dialógico • Conversacional. Aprender es inherentemente un proceso social, dialógico
(Duffy y Cunningham, en prensa), en el cual los estudiantes son los que (Duffy y Cunningham, en prensa), en el cual los estudiantes son los que
más se benefician del hecho de pertenecer a comunidades en que se cons- más se benefician del hecho de pertenecer a comunidades en que se cons-
truye el conocimiento, tanto en clase como fuera de la escuela. truye el conocimiento, tanto en clase como fuera de la escuela.

• Contextualizado. Las actividades de aprendizaje están situadas en ciertas • Contextualizado. Las actividades de aprendizaje están situadas en ciertas
tareas significativas del mundo real o simulado mediante un entorno de tareas significativas del mundo real o simulado mediante un entorno de
aprendizaje basado en algún caso o problema. aprendizaje basado en algún caso o problema.

• Reflexivo. Los estudiantes articulan lo que han aprendido y reflexionan • Reflexivo. Los estudiantes articulan lo que han aprendido y reflexionan
sobre los procesos y decisiones implicadas en los mismos. sobre los procesos y decisiones implicadas en los mismos.
 FUOC • P03/72048/01332 9 TIC y aprendizaje significativo...
Objectivos
Este módulo contempla tres áreas principales: la construcción de modelos, la
solución de problemas y la argumentación. Estas áreas representan las inves-
tigaciones más actuales que estoy llevando a cabo. El modelado, la resolución
de problemas y la argumentación son actividades constructivistas que pueden
llevar a un aprendizaje significativo y pueden recibir el apoyo efectivo de la
tecnología. Junto a este módulo encontramos estudios de caso que muestran
cómo se pueden involucrar los estudiantes en estas actividades.
Mediante la lectura de este módulo y el examen de los casos, se espera que po-
dáis ser capaces de lo siguiente:
1. Reconocer campos de contenido, sistemas, problemas y experiencias que
pueden modelarse de forma efectiva utilizando las herramientas descritas.
2. Aprender a utilizar una o más herramientas de modelación para modelar
vuestra propia comprensión de un contenido.
3. Saber llamar la atención de vuestros alumnos y apoyarles en el uso de las
herramientas de modelación para que construyan modelos de su propia
comprensión.
4. Reconocer distintos tipos de solución a los problemas exigidos en la activi-
dad diaria de los profesores, es decir, reconocer la enseñanza como una for-
ma de solucionar problemas.
5. Identificar problemas de la vida cotidiana que pueden usarse para llamar la
atención del estudiante, es decir, identificar problemas que podrían cons-
tituir actividades de aprendizaje significativo.
6. Como parte de la solución a problemas mal planteados, exigir a los alum-
nos que construyan argumentos que demuestren el razonamiento de sus
soluciones.
 FUOC • P03/72048/01332 9 TIC y aprendizaje significativo...
Objectivos
Este módulo contempla tres áreas principales: la construcción de modelos, la
solución de problemas y la argumentación. Estas áreas representan las inves-
tigaciones más actuales que estoy llevando a cabo. El modelado, la resolución
de problemas y la argumentación son actividades constructivistas que pueden
llevar a un aprendizaje significativo y pueden recibir el apoyo efectivo de la
tecnología. Junto a este módulo encontramos estudios de caso que muestran
cómo se pueden involucrar los estudiantes en estas actividades.
Mediante la lectura de este módulo y el examen de los casos, se espera que po-
dáis ser capaces de lo siguiente:
1. Reconocer campos de contenido, sistemas, problemas y experiencias que
pueden modelarse de forma efectiva utilizando las herramientas descritas.
2. Aprender a utilizar una o más herramientas de modelación para modelar
vuestra propia comprensión de un contenido.
3. Saber llamar la atención de vuestros alumnos y apoyarles en el uso de las
herramientas de modelación para que construyan modelos de su propia
comprensión.
4. Reconocer distintos tipos de solución a los problemas exigidos en la activi-
dad diaria de los profesores, es decir, reconocer la enseñanza como una for-
ma de solucionar problemas.
5. Identificar problemas de la vida cotidiana que pueden usarse para llamar la
atención del estudiante, es decir, identificar problemas que podrían cons-
tituir actividades de aprendizaje significativo.
6. Como parte de la solución a problemas mal planteados, exigir a los alum-
nos que construyan argumentos que demuestren el razonamiento de sus
soluciones.
 FUOC • P03/72048/01332 11
1. La construcción de modelos
para el cambio conceptual
El aprendizaje significativo debería ser la raison d’ètre de las escuelas. Más que
presentar un contenido curricular preorganizado que los estudiantes deben
memorizar, las escuelas deberían ayudar a los alumnos a darse cuenta de lo
que están aprendiendo y a usar su comprensión para resolver los problemas
de la vida cotidiana. El supuesto fundamental de este artículo es que la tec-
nología, cuando se usa de manera productiva, puede promover un aprendi-
zaje significativo entre los estudiantes. En la mayoría de escuelas hay un
acceso limitado a la tecnología (normalmente menos de 2 horas por sema-
na), por este motivo, nuestra función como educadores debería ser decidir
cómo usar la tecnología para dar el máximo apoyo a un aprendizaje signifi-
cativo durante este tiempo limitado. ¿Cómo aprovechar al máximo este
tiempo? Es decir, ¿cómo usar la tecnología de la forma más conceptualmente
atractiva posible? La premisa de este módulo es que construir modelos que
se basen en la informática es la actividad tecnológica más conceptualmente
atractiva que existe, con la máxima contribución al cambio conceptual y al
desarrollo de modelos mentales. No sólo atrae a los estudiantes hacia un
cambio conceptual, sino que la construcción de modelos no puede efectuar-
se sin un ordenador.
1.1. Resultados del aprendizaje significativo
Aquello que para nosotros es significativo depende de nuestras necesidades e
intenciones. Sin embargo, desde una perspectiva psicológica del aprendizaje,
las dos concepciones actuales que más se acercan a la significación son los mo-
delos mentales y el cambio conceptual.
1.1.1. Modelos mentales
¿Qué sucede cuando las personas aprenden de forma significativa? ¿Qué prue-
bas describen el aprendizaje significativo? El resultado del aprendizaje signifi-
cativo es un modelo mental de los fenómenos que se han explorado y
manipulado. Los niños empiezan construyendo sus propios modelos mentales
sencillos para explicar sus mundos, y con la experiencia, el apoyo y, más re-
flexión, sus modelos mentales se van complejizando cuando interactúan con
el mundo de una manera más compleja. Los modelos más complejos les per-
mitirán razonar de manera más consistente y productiva sobre los fenómenos
que observan.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 11 TIC y aprendizaje significativo...
1. La construcción de modelos
para el cambio conceptual
El aprendizaje significativo debería ser la raison d’ètre de las escuelas. Más que
presentar un contenido curricular preorganizado que los estudiantes deben
memorizar, las escuelas deberían ayudar a los alumnos a darse cuenta de lo
que están aprendiendo y a usar su comprensión para resolver los problemas
de la vida cotidiana. El supuesto fundamental de este artículo es que la tec-
nología, cuando se usa de manera productiva, puede promover un aprendi-
zaje significativo entre los estudiantes. En la mayoría de escuelas hay un
acceso limitado a la tecnología (normalmente menos de 2 horas por sema-
na), por este motivo, nuestra función como educadores debería ser decidir
cómo usar la tecnología para dar el máximo apoyo a un aprendizaje signifi-
cativo durante este tiempo limitado. ¿Cómo aprovechar al máximo este
tiempo? Es decir, ¿cómo usar la tecnología de la forma más conceptualmente
atractiva posible? La premisa de este módulo es que construir modelos que
se basen en la informática es la actividad tecnológica más conceptualmente
atractiva que existe, con la máxima contribución al cambio conceptual y al
desarrollo de modelos mentales. No sólo atrae a los estudiantes hacia un
cambio conceptual, sino que la construcción de modelos no puede efectuar-
se sin un ordenador.
1.1. Resultados del aprendizaje significativo
Aquello que para nosotros es significativo depende de nuestras necesidades e
intenciones. Sin embargo, desde una perspectiva psicológica del aprendizaje,
las dos concepciones actuales que más se acercan a la significación son los mo-
delos mentales y el cambio conceptual.
1.1.1. Modelos mentales
¿Qué sucede cuando las personas aprenden de forma significativa? ¿Qué prue-
bas describen el aprendizaje significativo? El resultado del aprendizaje signifi-
cativo es un modelo mental de los fenómenos que se han explorado y
manipulado. Los niños empiezan construyendo sus propios modelos mentales
sencillos para explicar sus mundos, y con la experiencia, el apoyo y, más re-
flexión, sus modelos mentales se van complejizando cuando interactúan con
el mundo de una manera más compleja. Los modelos más complejos les per-
mitirán razonar de manera más consistente y productiva sobre los fenómenos
que observan.
 FUOC • P03/72048/01332 12
Los seres humanos son constructores naturales de modelos.
¿Qué es un modelo mental? Se trata de una pregunta difícil porque hay muy
poca unanimidad respecto a su respuesta. Existen muchas concepciones sobre
los modelos mentales, empezando por Johnson-Laird (1983) y Gentner y Ste-
vens (1983). ¿Los modelos mentales son modelos semánticos, simulaciones,
conocimientos procedimentales en forma de normas de inferencia, o qué son
exactamente? Los modelos mentales son todo eso, es decir, son representacio-
nes ricas, complejas, interconectadas, interdependientes y multimodales de
todo aquello que una persona o un grupo de personas saben.
Los modelos mentales individuales consisten en representaciones múltiples, interdepen-
dientes e integradas de aquello que se ha aprendido. Para representar un modelo mental
individual, pueden usarse distintas formas de pruebas, incluyendo el conocimiento es-
tructural, procedimental, reflexivo, espacial/imaginativo, metafórico, ejecutivo, además
de multitud de creencias sobre el mundo (Jonassen y Henning, 1999).
Los modelos mentales grupales o colaborativos los construyen socialmente grupos de
individuos que se centran, colaborando unos con otros, en una misma tarea significativa.
Los modelos mentales grupales o de equipo consisten en representaciones múltiples de
algún sistema o fenómeno. Para representar un modelo mental grupal se necesitan dis-
tintas formas de pruebas, como el conocimiento basado en las actividades, el conoci-
miento social o relacional, el conversacional o discursivo y los artefactos que el grupo usa
y produce.
Este módulo afirma que la actividad que favorece la construcción de un mo-
delo mental de forma más consistente y productiva es la construcción de mo-
delos computacionales. Es decir, usar el ordenador para construir modelos de
lo que se ha estudiado proporciona una representación física de los procesos
mentales de la construcción de modelos. Distintos investigadores han demos-
trado la relación entre la construcción de modelos y los modelos mentales
(Frederiksen y White, 1998; Mellar, Bliss, Boohan, Ogborn y Tompsett, 1994;
White, 1993). La forma más efectiva de impulsar la construcción de modelos
mentales es hacer que los estudiantes usen una variedad de herramientas para
construir modelos físicos, visuales, lógicos, o computacionales de los fenóme-
nos. En otras palabras, construir modelos físicos y computacionales mediante
tecnologías confiere a los estudiantes la oportunidad de operacionalizar y ex-
ternalizar sus modelos mentales.
1.1.2. Cambio conceptual
Tal como se ha indicado en el subapartado anterior, un objetivo de casi todos
los aprendizajes científicos es la construcción de modelos mentales. Los seres
humanos construyen de forma natural teorías simplificadas e intuitivas para ex-
plicar el mundo. Mediante la experiencia y la reflexión, añaden complejidades
conceptuales a medida que van aprendiendo. Como aprendices, construyen sus
modelos mentales, expresan cierta fuerza, coherencia y compromiso con las
concepciones existentes; interactúan con la nueva información hasta alcanzar
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 12 TIC y aprendizaje significativo...
Los seres humanos son constructores naturales de modelos.
¿Qué es un modelo mental? Se trata de una pregunta difícil porque hay muy
poca unanimidad respecto a su respuesta. Existen muchas concepciones sobre
los modelos mentales, empezando por Johnson-Laird (1983) y Gentner y Ste-
vens (1983). ¿Los modelos mentales son modelos semánticos, simulaciones,
conocimientos procedimentales en forma de normas de inferencia, o qué son
exactamente? Los modelos mentales son todo eso, es decir, son representacio-
nes ricas, complejas, interconectadas, interdependientes y multimodales de
todo aquello que una persona o un grupo de personas saben.
Los modelos mentales individuales consisten en representaciones múltiples, interdepen-
dientes e integradas de aquello que se ha aprendido. Para representar un modelo mental
individual, pueden usarse distintas formas de pruebas, incluyendo el conocimiento es-
tructural, procedimental, reflexivo, espacial/imaginativo, metafórico, ejecutivo, además
de multitud de creencias sobre el mundo (Jonassen y Henning, 1999).
Los modelos mentales grupales o colaborativos los construyen socialmente grupos de
individuos que se centran, colaborando unos con otros, en una misma tarea significativa.
Los modelos mentales grupales o de equipo consisten en representaciones múltiples de
algún sistema o fenómeno. Para representar un modelo mental grupal se necesitan dis-
tintas formas de pruebas, como el conocimiento basado en las actividades, el conoci-
miento social o relacional, el conversacional o discursivo y los artefactos que el grupo usa
y produce.
Este módulo afirma que la actividad que favorece la construcción de un mo-
delo mental de forma más consistente y productiva es la construcción de mo-
delos computacionales. Es decir, usar el ordenador para construir modelos de
lo que se ha estudiado proporciona una representación física de los procesos
mentales de la construcción de modelos. Distintos investigadores han demos-
trado la relación entre la construcción de modelos y los modelos mentales
(Frederiksen y White, 1998; Mellar, Bliss, Boohan, Ogborn y Tompsett, 1994;
White, 1993). La forma más efectiva de impulsar la construcción de modelos
mentales es hacer que los estudiantes usen una variedad de herramientas para
construir modelos físicos, visuales, lógicos, o computacionales de los fenóme-
nos. En otras palabras, construir modelos físicos y computacionales mediante
tecnologías confiere a los estudiantes la oportunidad de operacionalizar y ex-
ternalizar sus modelos mentales.
1.1.2. Cambio conceptual
Tal como se ha indicado en el subapartado anterior, un objetivo de casi todos
los aprendizajes científicos es la construcción de modelos mentales. Los seres
humanos construyen de forma natural teorías simplificadas e intuitivas para ex-
plicar el mundo. Mediante la experiencia y la reflexión, añaden complejidades
conceptuales a medida que van aprendiendo. Como aprendices, construyen sus
modelos mentales, expresan cierta fuerza, coherencia y compromiso con las
concepciones existentes; interactúan con la nueva información hasta alcanzar
 FUOC • P03/72048/01332 13 TIC y aprendizaje significativo...
un nivel en el que la información sea comprensible, coherente, plausible y retó-
ricamente apremiante de acuerdo con sus modelos conceptuales. El proceso
cognitivo de construcción de estas teorías es el cambio conceptual.
El cambio conceptual tiene lugar cuando los estudiantes cambian su manera
de entender los conceptos y marcos conceptuales. Según diferentes investiga-
dores, el proceso y ritmo del cambio conceptual es variable; para algunos (Smith,
diSessa y Resnick, 1993; Siegler, 1996), el cambio conceptual es un proceso evo-
lutivo de ampliación y transformación gradual de los estados de conocimien-
to. Este modelo de cambio conceptual es más piagetiano en aquellos puntos
en los que los estudiantes acomodan gradualmente el conocimiento que ya
poseen y lo convierten en mejores estructuras de conocimiento.
Familiarizarse con sistemas conceptuales después de haber oído hablar de ellos
El cambio conceptual...
consiste típicamente en la introducción de términos, la explicación de experi-
mentos y la defensa de hipótesis (Thagard, 1992). Esta forma evolutiva del cam- ... puede ser el resultado de la
instrucción o del descubri-
bio conceptual requiere poca reestructuración de los sistemas conceptuales miento.
(Carey, 1985). El aprendizaje reproductivo en las escuelas requiere demasiadas
veces, la simple articulación de un marco conceptual ya existente, que sólo im-
plica cambios en las relaciones entre conceptos (Carey, 1988), y no una rees-
tructuración de los modelos conceptuales por parte de los aprendices. Este tipo
de enriquecimiento es la forma más débil de cambio conceptual (Vosniadou,
1994). Los estudiantes más avanzados pueden llegar a desarrollar sus modelos
conceptuales mediante el descubrimiento, en el momento en que alguien esta-
blece un nuevo sistema conceptual y los estudiantes aducen sus propias hipó-
tesis explicativas. Este tipo de cambio conceptual, la revisión, es necesario
cuando la información que debe adquirirse no corresponde a las creencias, pre-
suposiciones, y modelos ingenuos del mundo (Vosniadou, 1994).
Para otros investigadores (Chi, 1992; Thagard, 1992), el cambio conceptual es
un proceso revolucionario en el cual la manera como se entienden los concep-
tos se sustituye por otra comprensión que se espera que sea mejor. El cambio
es una reorganización radical o marcada de las estructuras del conocimiento
(Dole y Sinatra, 1998). Es necesaria una reestructuración radical cuando los es-
tudiantes chocan con importantes anomalías que no pueden acomodar en sus
actuales teorías, así que es pertinente un nuevo paradigma. La sustitución de
modelos conceptuales por otros nuevos no puede llevarse a cabo simplemente
rehusando conceptos concretos o proposiciones en el sistema conceptual, sino
que debe desafiarse toda la estructura y sustituirla (Thagard, 1992). El cambio
conceptual radical requiere que los estudiantes cambien conceptos y proposi-
ciones a través de categorías ontológicas, es decir, que cambien marcos para
acomodar ideas.
El cambio conceptual más significativo sólo sucede si es intencional (Dole y
Sinatra, 1998). Es decir, en el momento en que el aprendiz es consciente de
que su comprensión es inadecuada y percibe la necesidad de cambio, es pro-
 FUOC • P03/72048/01332 13 TIC y aprendizaje significativo...
un nivel en el que la información sea comprensible, coherente, plausible y retó-
ricamente apremiante de acuerdo con sus modelos conceptuales. El proceso
cognitivo de construcción de estas teorías es el cambio conceptual.
El cambio conceptual tiene lugar cuando los estudiantes cambian su manera
de entender los conceptos y marcos conceptuales. Según diferentes investiga-
dores, el proceso y ritmo del cambio conceptual es variable; para algunos (Smith,
diSessa y Resnick, 1993; Siegler, 1996), el cambio conceptual es un proceso evo-
lutivo de ampliación y transformación gradual de los estados de conocimien-
to. Este modelo de cambio conceptual es más piagetiano en aquellos puntos
en los que los estudiantes acomodan gradualmente el conocimiento que ya
poseen y lo convierten en mejores estructuras de conocimiento.
Familiarizarse con sistemas conceptuales después de haber oído hablar de ellos
El cambio conceptual...
consiste típicamente en la introducción de términos, la explicación de experi-
mentos y la defensa de hipótesis (Thagard, 1992). Esta forma evolutiva del cam- ... puede ser el resultado de la
instrucción o del descubri-
bio conceptual requiere poca reestructuración de los sistemas conceptuales miento.
(Carey, 1985). El aprendizaje reproductivo en las escuelas requiere demasiadas
veces, la simple articulación de un marco conceptual ya existente, que sólo im-
plica cambios en las relaciones entre conceptos (Carey, 1988), y no una rees-
tructuración de los modelos conceptuales por parte de los aprendices. Este tipo
de enriquecimiento es la forma más débil de cambio conceptual (Vosniadou,
1994). Los estudiantes más avanzados pueden llegar a desarrollar sus modelos
conceptuales mediante el descubrimiento, en el momento en que alguien esta-
blece un nuevo sistema conceptual y los estudiantes aducen sus propias hipó-
tesis explicativas. Este tipo de cambio conceptual, la revisión, es necesario
cuando la información que debe adquirirse no corresponde a las creencias, pre-
suposiciones, y modelos ingenuos del mundo (Vosniadou, 1994).
Para otros investigadores (Chi, 1992; Thagard, 1992), el cambio conceptual es
un proceso revolucionario en el cual la manera como se entienden los concep-
tos se sustituye por otra comprensión que se espera que sea mejor. El cambio
es una reorganización radical o marcada de las estructuras del conocimiento
(Dole y Sinatra, 1998). Es necesaria una reestructuración radical cuando los es-
tudiantes chocan con importantes anomalías que no pueden acomodar en sus
actuales teorías, así que es pertinente un nuevo paradigma. La sustitución de
modelos conceptuales por otros nuevos no puede llevarse a cabo simplemente
rehusando conceptos concretos o proposiciones en el sistema conceptual, sino
que debe desafiarse toda la estructura y sustituirla (Thagard, 1992). El cambio
conceptual radical requiere que los estudiantes cambien conceptos y proposi-
ciones a través de categorías ontológicas, es decir, que cambien marcos para
acomodar ideas.
El cambio conceptual más significativo sólo sucede si es intencional (Dole y
Sinatra, 1998). Es decir, en el momento en que el aprendiz es consciente de
que su comprensión es inadecuada y percibe la necesidad de cambio, es pro-
 FUOC • P03/72048/01332 14
bable que el cambio sea significativo (Luque, 2003). El problema es que los
aprendices con un bajo nivel de conocimiento dominante tienen dificultades
para percatarse de contradicciones entre sus propias concepciones y las que
son científicamente aceptables. Además de ser conscientes de sus anomalías
de pensamiento, los aprendices también han de querer cambiarlas (Luque,
2003). Las teorías que sustituirán a las actuales deben ser inteligibles, plausi-
bles y productivas (Strike y Posner, 1985), es decir, atractivas cognitivamente.
¿Qué hace que el cambio conceptual sea intencional? El cambio conceptual es
una función del nivel de compromiso conceptual (Dole y Sinatra, 1998). Los
aprendices manifiestan de forma natural una cierta fuerza, coherencia, y com-
promiso con las concepciones que poseen; es más fácil que cambiar. Tienden
a interactuar con la información que es comprensible, coherente, plausible a
la luz de las teorías existentes.
El nivel de interacción de los estudiantes con la nueva información depende de un con-
tinuo, desde un compromiso cognitivo bajo hasta un alto compromiso metacognitivo.
Cuando los estudiantes no se comprometen cognitivamente, procesan información de
forma superficial. No obstante, los estudiantes a menudo encuentran información que
no corresponde a sus propias teorías. Pueden ignorar esta información (cosa que hacen a
menudo), o pueden intentar reconciliarla con lo que ya saben. Esta reconciliación impli-
ca muchas veces que reestructuren lo que saben (por ejemplo, mediante un cambio concep-
tual). El cambio conceptual requiere un alto compromiso cognitivo. Para reestructurar lo que
saben, los estudiantes deben regularse a sí mismos, esforzándose en analizar y sintetizar la
nueva información.
Según Dole y Sinatra (1998), en el nivel más alto de compromiso, los estudian-
tes piensan detenidamente sobre argumentos y contraargumentos relaciona-
dos con el mensaje, con lo que se consigue una alta probabilidad de que se
efectúe un cambio conceptual.
Una de las preguntas importantes a la que responde este módulo es
cómo nosotros, los educadores, podemos impulsar un alto compromiso
cognitivo de los estudiantes que ven la necesidad de cambiar sus mode-
los conceptuales del mundo. También se describe cómo los estudiantes
pueden usar el ordenador para construir sus propios modelos del mun-
do; mediante la construcción de estos modelos, se comprometen de for-
ma necesariamente cognitiva. Cuando prueban y revisan estos modelos
para reconciliarlos con sus experiencias, los estudiantes necesariamente
efectúan un cambio conceptual radical o revolucionario.
1.2. Construcción de modelos mentales
Los profesores de matemáticas y ciencias (Confrey y Doerr, 1994; Frederiksen
y White, 1998; Hestenes, 1986; Lehrer y Schauble, 2000; White, 1993) han re-
conocido durante mucho tiempo la importancia de construir modelos a la
hora de entender los fenómenos matemáticos y científicos.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 14 TIC y aprendizaje significativo...
bable que el cambio sea significativo (Luque, 2003). El problema es que los
aprendices con un bajo nivel de conocimiento dominante tienen dificultades
para percatarse de contradicciones entre sus propias concepciones y las que
son científicamente aceptables. Además de ser conscientes de sus anomalías
de pensamiento, los aprendices también han de querer cambiarlas (Luque,
2003). Las teorías que sustituirán a las actuales deben ser inteligibles, plausi-
bles y productivas (Strike y Posner, 1985), es decir, atractivas cognitivamente.
¿Qué hace que el cambio conceptual sea intencional? El cambio conceptual es
una función del nivel de compromiso conceptual (Dole y Sinatra, 1998). Los
aprendices manifiestan de forma natural una cierta fuerza, coherencia, y com-
promiso con las concepciones que poseen; es más fácil que cambiar. Tienden
a interactuar con la información que es comprensible, coherente, plausible a
la luz de las teorías existentes.
El nivel de interacción de los estudiantes con la nueva información depende de un con-
tinuo, desde un compromiso cognitivo bajo hasta un alto compromiso metacognitivo.
Cuando los estudiantes no se comprometen cognitivamente, procesan información de
forma superficial. No obstante, los estudiantes a menudo encuentran información que
no corresponde a sus propias teorías. Pueden ignorar esta información (cosa que hacen a
menudo), o pueden intentar reconciliarla con lo que ya saben. Esta reconciliación impli-
ca muchas veces que reestructuren lo que saben (por ejemplo, mediante un cambio concep-
tual). El cambio conceptual requiere un alto compromiso cognitivo. Para reestructurar lo que
saben, los estudiantes deben regularse a sí mismos, esforzándose en analizar y sintetizar la
nueva información.
Según Dole y Sinatra (1998), en el nivel más alto de compromiso, los estudian-
tes piensan detenidamente sobre argumentos y contraargumentos relaciona-
dos con el mensaje, con lo que se consigue una alta probabilidad de que se
efectúe un cambio conceptual.
Una de las preguntas importantes a la que responde este módulo es
cómo nosotros, los educadores, podemos impulsar un alto compromiso
cognitivo de los estudiantes que ven la necesidad de cambiar sus mode-
los conceptuales del mundo. También se describe cómo los estudiantes
pueden usar el ordenador para construir sus propios modelos del mun-
do; mediante la construcción de estos modelos, se comprometen de for-
ma necesariamente cognitiva. Cuando prueban y revisan estos modelos
para reconciliarlos con sus experiencias, los estudiantes necesariamente
efectúan un cambio conceptual radical o revolucionario.
1.2. Construcción de modelos mentales
Los profesores de matemáticas y ciencias (Confrey y Doerr, 1994; Frederiksen
y White, 1998; Hestenes, 1986; Lehrer y Schauble, 2000; White, 1993) han re-
conocido durante mucho tiempo la importancia de construir modelos a la
hora de entender los fenómenos matemáticos y científicos.
 FUOC • P03/72048/01332 15
Yo creo que se trata de una habilidad esencial en todas las disciplinas, es decir,
es una habilidad cognitiva esencial para la construcción de significado en to-
dos los campos. También creo que además de construir modelos del conoci-
miento dominante (el principal objetivo de los trabajos educativos de
matemáticas y ciencias hasta la actualidad), los estudiantes también pueden
beneficiarse de la construcción de modelos de problemas (construir espacios
del problema), sistemas, estructuras semánticas y procesos de pensamiento
(como las simulaciones cognitivas). Además de distinguir entre lo que se mo-
dela, también distingo diferentes tipos de sistemas de construcción de mode-
los y sus habilitaciones para apoyar la construcción de modelos mentales. ¿Por
qué es tan importante la construcción de modelos?
La construcción de modelos es importante porque se trata de uno de los
procesos cognitivos que conlleva mayor relación conceptual. Resolver pro-
blemas de diseño puede ser potencialmente más atractivo, pero las tecno-
logías actuales alcanzan mejor los procesos de creación de modelos que los
de diseño. Construir modelos también es importante porque los modelos
conceptuales construidos por la mayoría de las personas suelen ser inge-
nuos, poco informados e inconsistentes con las teorías establecidas.
Aunque el desarrollo y cambio de las teorías personales puede ser un proceso
humano natural, las personas no tienen una gran habilidad para ello. Las teo-
rías personales y los modelos conceptuales están llenos de malentendidos y
conceptos inadecuados. Los aprendices deberían recibir ayuda a la hora de
construir modelos más completos y viables de los fenómenos que estudian.
¿Qué es construir modelos? Los conceptos cambian según las herramientas y
los cambios que se estudien. La mayoría de matemáticos y científicos creen tá-
citamente que construir modelos es un proceso matemático, que las represen-
taciones cuantitativas son de lo más explícitas e informativas. El primer
objetivo de este proceso es definir la relación entre variables. Hestenes (1987)
propuso un proceso de construcción de modelos para el aprendizaje de la físi-
ca que incluía cuatro estadios: describir las variables básicas y derivadas de al-
guna forma en diagrama; formular las relaciones basadas en las leyes de la
física (escribiendo ecuaciones; dibujando ramificaciones de un modelo y vali-
dando de forma empírica el modelo ramificado. Para Hestenes, "el modelo es
el mensaje" (pág. 446), es decir, "la construcción de modelos matemáticos de-
bería ser el tema central de la enseñanza de la física" (pág. 453).
Algunos investigadores creen que los modelos cualitativos son tan importantes
como los cuantitativos. La representación cualitativa es un enlace perdido en la
solución de problemas en el caso de aprendices noveles (Chi, Feltovich, Glaser,
1981; Larkin, 1983). Cuando los estudiantes intentan comprender un problema
de una única manera, especialmente cuando de esta manera no se llega a una
información conceptual del problema, entonces no entienden los sistemas más
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 15 TIC y aprendizaje significativo...
Yo creo que se trata de una habilidad esencial en todas las disciplinas, es decir,
es una habilidad cognitiva esencial para la construcción de significado en to-
dos los campos. También creo que además de construir modelos del conoci-
miento dominante (el principal objetivo de los trabajos educativos de
matemáticas y ciencias hasta la actualidad), los estudiantes también pueden
beneficiarse de la construcción de modelos de problemas (construir espacios
del problema), sistemas, estructuras semánticas y procesos de pensamiento
(como las simulaciones cognitivas). Además de distinguir entre lo que se mo-
dela, también distingo diferentes tipos de sistemas de construcción de mode-
los y sus habilitaciones para apoyar la construcción de modelos mentales. ¿Por
qué es tan importante la construcción de modelos?
La construcción de modelos es importante porque se trata de uno de los
procesos cognitivos que conlleva mayor relación conceptual. Resolver pro-
blemas de diseño puede ser potencialmente más atractivo, pero las tecno-
logías actuales alcanzan mejor los procesos de creación de modelos que los
de diseño. Construir modelos también es importante porque los modelos
conceptuales construidos por la mayoría de las personas suelen ser inge-
nuos, poco informados e inconsistentes con las teorías establecidas.
Aunque el desarrollo y cambio de las teorías personales puede ser un proceso
humano natural, las personas no tienen una gran habilidad para ello. Las teo-
rías personales y los modelos conceptuales están llenos de malentendidos y
conceptos inadecuados. Los aprendices deberían recibir ayuda a la hora de
construir modelos más completos y viables de los fenómenos que estudian.
¿Qué es construir modelos? Los conceptos cambian según las herramientas y
los cambios que se estudien. La mayoría de matemáticos y científicos creen tá-
citamente que construir modelos es un proceso matemático, que las represen-
taciones cuantitativas son de lo más explícitas e informativas. El primer
objetivo de este proceso es definir la relación entre variables. Hestenes (1987)
propuso un proceso de construcción de modelos para el aprendizaje de la físi-
ca que incluía cuatro estadios: describir las variables básicas y derivadas de al-
guna forma en diagrama; formular las relaciones basadas en las leyes de la
física (escribiendo ecuaciones; dibujando ramificaciones de un modelo y vali-
dando de forma empírica el modelo ramificado. Para Hestenes, "el modelo es
el mensaje" (pág. 446), es decir, "la construcción de modelos matemáticos de-
bería ser el tema central de la enseñanza de la física" (pág. 453).
Algunos investigadores creen que los modelos cualitativos son tan importantes
como los cuantitativos. La representación cualitativa es un enlace perdido en la
solución de problemas en el caso de aprendices noveles (Chi, Feltovich, Glaser,
1981; Larkin, 1983). Cuando los estudiantes intentan comprender un problema
de una única manera, especialmente cuando de esta manera no se llega a una
información conceptual del problema, entonces no entienden los sistemas más
 FUOC • P03/72048/01332 16 TIC y aprendizaje significativo...
importantes que en él tienen lugar. Es necesario, por consiguiente, ayudarles a
construir una representación, tanto cualitativa como cuantitativa, del proble-
ma. Las representaciones cualitativas de los problemas obligan y facilitan a la
vez la construcción de representaciones cuantitativas (Ploetzner y Spada, 1998).
1.2.1. Construcción de modelos vs. consumo
La distinción más importante que debe hacerse es cómo se utilizan los mode-
los. Los modelos son bastante habituales en la enseñanza de las matemáticas y
las ciencias, y se presentan también en otras disciplinas. La mayoría de libros
de ciencias presentan un modelo de ciertos fenómenos para facilitar la com-
prensión de los estudiantes y siguen este modelo con problemas bien estructu-
rados relacionados con aquellos modelos que los aprendices deben solucionar.
Normalmente los modelos se usan como motor intelectual en muchos soft-
wares. Los sistemas tutoriales más inteligentes disponen de modelos de apren-
dizaje, modelos expertos o de dominio y modelos tutoriales. El razonamiento
basado en los modelos se centra en un modelo explícito de los sistemas físicos
que se están aprendiendo (de Koning y Bredweg, 2001). En los micromundos,
el modelo se encuentra implícito en las opciones de exploración que facilita
Los micromundos,...
el software, pero el modelo no se manifiesta de forma explícita. Y lo que es más
importante, el modelo es inmutable. Los estudiantes no sólo no pueden acce- ... como Geometric Supposer y
SimCalc, entre otros, son ejem-
der a él, sino que no pueden cambiarlo a no ser que manipulen un conjunto plos de entornos basados en
modelos.
de variables preseleccionadas dentro del modelo.
En este trabajo, cuando hablamos de construcción de modelos nos referimos a la cons-
trucción, manipulación o comprobación de modelos que efectúa el estudiante. Algunas
de las herramientas aquí descritas ya facilitan un modelo que los estudiantes pueden ma-
nipular y comprobar, pero en otros casos se requiere que el estudiante construya y com-
pruebe los modelos.
La forma más eficaz de estimular y valorar el cambio conceptual radical es
construir y comparar modelos que representen sistemas conceptuales despro-
porcionados. Cuando los estudiantes descubren anomalías o errores concep-
tuales en las estructuras mediante los experimentos de construcción de
modelos que representan sistemas desproporcionados, caben más posibilida-
des de que revisen y reestructuren sus propias estructuras conceptuales.
En esta propuesta, se pide a los estudiantes que reestructuren sus modelos conceptuales
de la biología de plantas de tierra con los modelos conceptuales basados en el crecimien-
to de espacio limitado. Así, el objetivo es que modelemos nuestra idea de que usar herra-
mientas informáticas para construir modelos computacionales de los fenómenos
científicos es el medio más efectivo para estimular y ayudar a los estudiantes a efectuar
un cambio conceptual rápido.
El cambio conceptual radical muy pocas veces es consecuencia de la instruc-
ción. ¿Por qué debería serlo, pues, de la construcción de modelos? El cambio
conceptual radical procede de las perturbaciones creadas en los propios con-
ceptos y que ponen en duda la comprensión (Ferrary y Elik, 2003). Para resol-
verlas, los estudiantes deben usar la experiencia u otros procesos altamente
atractivos como la construcción de modelos y así comparar los conceptos
opuestos (Dole y Sinatra, 1998).
 FUOC • P03/72048/01332 16 TIC y aprendizaje significativo...
importantes que en él tienen lugar. Es necesario, por consiguiente, ayudarles a
construir una representación, tanto cualitativa como cuantitativa, del proble-
ma. Las representaciones cualitativas de los problemas obligan y facilitan a la
vez la construcción de representaciones cuantitativas (Ploetzner y Spada, 1998).
1.2.1. Construcción de modelos vs. consumo
La distinción más importante que debe hacerse es cómo se utilizan los mode-
los. Los modelos son bastante habituales en la enseñanza de las matemáticas y
las ciencias, y se presentan también en otras disciplinas. La mayoría de libros
de ciencias presentan un modelo de ciertos fenómenos para facilitar la com-
prensión de los estudiantes y siguen este modelo con problemas bien estructu-
rados relacionados con aquellos modelos que los aprendices deben solucionar.
Normalmente los modelos se usan como motor intelectual en muchos soft-
wares. Los sistemas tutoriales más inteligentes disponen de modelos de apren-
dizaje, modelos expertos o de dominio y modelos tutoriales. El razonamiento
basado en los modelos se centra en un modelo explícito de los sistemas físicos
que se están aprendiendo (de Koning y Bredweg, 2001). En los micromundos,
el modelo se encuentra implícito en las opciones de exploración que facilita
Los micromundos,...
el software, pero el modelo no se manifiesta de forma explícita. Y lo que es más
importante, el modelo es inmutable. Los estudiantes no sólo no pueden acce- ... como Geometric Supposer y
SimCalc, entre otros, son ejem-
der a él, sino que no pueden cambiarlo a no ser que manipulen un conjunto plos de entornos basados en
modelos.
de variables preseleccionadas dentro del modelo.
En este trabajo, cuando hablamos de construcción de modelos nos referimos a la cons-
trucción, manipulación o comprobación de modelos que efectúa el estudiante. Algunas
de las herramientas aquí descritas ya facilitan un modelo que los estudiantes pueden ma-
nipular y comprobar, pero en otros casos se requiere que el estudiante construya y com-
pruebe los modelos.
La forma más eficaz de estimular y valorar el cambio conceptual radical es
construir y comparar modelos que representen sistemas conceptuales despro-
porcionados. Cuando los estudiantes descubren anomalías o errores concep-
tuales en las estructuras mediante los experimentos de construcción de
modelos que representan sistemas desproporcionados, caben más posibilida-
des de que revisen y reestructuren sus propias estructuras conceptuales.
En esta propuesta, se pide a los estudiantes que reestructuren sus modelos conceptuales
de la biología de plantas de tierra con los modelos conceptuales basados en el crecimien-
to de espacio limitado. Así, el objetivo es que modelemos nuestra idea de que usar herra-
mientas informáticas para construir modelos computacionales de los fenómenos
científicos es el medio más efectivo para estimular y ayudar a los estudiantes a efectuar
un cambio conceptual rápido.
El cambio conceptual radical muy pocas veces es consecuencia de la instruc-
ción. ¿Por qué debería serlo, pues, de la construcción de modelos? El cambio
conceptual radical procede de las perturbaciones creadas en los propios con-
ceptos y que ponen en duda la comprensión (Ferrary y Elik, 2003). Para resol-
verlas, los estudiantes deben usar la experiencia u otros procesos altamente
atractivos como la construcción de modelos y así comparar los conceptos
opuestos (Dole y Sinatra, 1998).
 FUOC • P03/72048/01332 17
1.3. ¿Qué modelamos?
Si es verdad que construir modelos puede ayudar a crear modelos mentales, en-
tonces los estudiantes deberían aprender a construir modelos de un conjunto
de fenómenos. En este subapartado describiremos brevemente la gama de fe-
nómenos que pueden modelarse mediante distintas herramientas, más adelan-
te describiremos brevemente la naturaleza de algunas de estas herramientas.
La mayoría de estos modelos son lo que Lehrer y Schauble (2000) denominan
modelos sintácticos. Se trata de modelos formales que imponen una sintaxis dis-
tinta al estudiante. Esta sintaxis lleva a una correspondencia relacional entre
el modelo y los fenómenos que representa. El objetivo de los modelos sintác-
ticos es resumir la función esencial del sistema que debe representarse.
1.3.1. Construcción de modelos de los conocimientos dominantes
El objetivo principal del uso de los modelos en la enseñanza de las matemáticas y
la ciencia ha ido encaminado a construir modelos de ideas dentro de los campos
de la matemática y la ciencia. En la educación secundaria y el bachillerato los es-
tudiantes utilizan herramientas informáticas para construir modelos, como los
micromundos, herramientas para construir modelos de sistemas u otras herra-
mientas cualitativas, con el fin de construir su modelo de sistemas científicos.
Por ejemplo, la figura 1 ilustra el uso del micromundo, ThinkerTools, para construir mo-
delos y experimentar con principios relacionados con las trayectorias dentro del campo
de la física. El usuario ejerce un impulso sobre el punto antes de lanzarlo. Puede explo-
rarse la relación entre los impulsos o las fuerzas del vector en la trayectoria de los puntos.
En la figura 1 puede verse que se han aplicado las fuerzas correctas de vectores.
Figura 1. Construir modelos de principios de trayectorias en el campo de la física, mediante
ThinkerTools.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 17 TIC y aprendizaje significativo...
1.3. ¿Qué modelamos?
Si es verdad que construir modelos puede ayudar a crear modelos mentales, en-
tonces los estudiantes deberían aprender a construir modelos de un conjunto
de fenómenos. En este subapartado describiremos brevemente la gama de fe-
nómenos que pueden modelarse mediante distintas herramientas, más adelan-
te describiremos brevemente la naturaleza de algunas de estas herramientas.
La mayoría de estos modelos son lo que Lehrer y Schauble (2000) denominan
modelos sintácticos. Se trata de modelos formales que imponen una sintaxis dis-
tinta al estudiante. Esta sintaxis lleva a una correspondencia relacional entre
el modelo y los fenómenos que representa. El objetivo de los modelos sintác-
ticos es resumir la función esencial del sistema que debe representarse.
1.3.1. Construcción de modelos de los conocimientos dominantes
El objetivo principal del uso de los modelos en la enseñanza de las matemáticas y
la ciencia ha ido encaminado a construir modelos de ideas dentro de los campos
de la matemática y la ciencia. En la educación secundaria y el bachillerato los es-
tudiantes utilizan herramientas informáticas para construir modelos, como los
micromundos, herramientas para construir modelos de sistemas u otras herra-
mientas cualitativas, con el fin de construir su modelo de sistemas científicos.
Por ejemplo, la figura 1 ilustra el uso del micromundo, ThinkerTools, para construir mo-
delos y experimentar con principios relacionados con las trayectorias dentro del campo
de la física. El usuario ejerce un impulso sobre el punto antes de lanzarlo. Puede explo-
rarse la relación entre los impulsos o las fuerzas del vector en la trayectoria de los puntos.
En la figura 1 puede verse que se han aplicado las fuerzas correctas de vectores.
Figura 1. Construir modelos de principios de trayectorias en el campo de la física, mediante
ThinkerTools.
 FUOC • P03/72048/01332 18
Los estudiantes pueden utilizar una amplia gama de herramientas para cons-
truir modelos. La figura 2 muestra principios geométricos modelados con Ca-
bri, una herramienta de visualización geométrica de Texas Instruments. En
cada uno de estos modelos, los estudiantes representan principios dominantes
que están estudiando. Las herramientas para construir modelos les permiten
comprobar sus modelos mentales de los fenómenos que están estudiando. Sin
embargo, en ambos ejemplos se encuentran implícitos modelos subyacentes.
Los principios se ejemplifican en las representaciones, pero los modelos se en-
cuentran implícitos. Es decir, la relación entre las variables no se expresa de
forma explícita. Volveremos a hablar sobre ello más adelante, cuando descri-
bamos ciertas herramientas para construir modelos.
1.3.2. Construir modelos problemas
Otro tema importante y poco estudiado es el uso de las herramientas de mo-
delado para desarrollar modelos explícitos de problemas que los estudiantes
intentan resolver. En estas aplicaciones, los estudiantes representan el espacio
del problema (Jonassen, 2003). En general, se acepta que a la hora de resolver
problemas, las personas no necesitan construir ningún tipo de representación
interna (modelo mental) de un problema (espacio del problema) para resolver-
lo. Estas representaciones personales del problema tienen las siguientes
funciones (Savelsbergh, de Jong, y Ferguson-Hessler, 1998):
• Dirigir una interpretación posterior de la información sobre el problema.
• Simular el comportamiento del sistema basado en el conocimiento sobre
las propiedades del sistema.
• Asociar e impulsar un esquema concreto de solución (procedimiento).
Figura 2. Modelo geométrico de Cabri.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 18 TIC y aprendizaje significativo...
Los estudiantes pueden utilizar una amplia gama de herramientas para cons-
truir modelos. La figura 2 muestra principios geométricos modelados con Ca-
bri, una herramienta de visualización geométrica de Texas Instruments. En
cada uno de estos modelos, los estudiantes representan principios dominantes
que están estudiando. Las herramientas para construir modelos les permiten
comprobar sus modelos mentales de los fenómenos que están estudiando. Sin
embargo, en ambos ejemplos se encuentran implícitos modelos subyacentes.
Los principios se ejemplifican en las representaciones, pero los modelos se en-
cuentran implícitos. Es decir, la relación entre las variables no se expresa de
forma explícita. Volveremos a hablar sobre ello más adelante, cuando descri-
bamos ciertas herramientas para construir modelos.
1.3.2. Construir modelos problemas
Otro tema importante y poco estudiado es el uso de las herramientas de mo-
delado para desarrollar modelos explícitos de problemas que los estudiantes
intentan resolver. En estas aplicaciones, los estudiantes representan el espacio
del problema (Jonassen, 2003). En general, se acepta que a la hora de resolver
problemas, las personas no necesitan construir ningún tipo de representación
interna (modelo mental) de un problema (espacio del problema) para resolver-
lo. Estas representaciones personales del problema tienen las siguientes
funciones (Savelsbergh, de Jong, y Ferguson-Hessler, 1998):
• Dirigir una interpretación posterior de la información sobre el problema.
• Simular el comportamiento del sistema basado en el conocimiento sobre
las propiedades del sistema.
• Asociar e impulsar un esquema concreto de solución (procedimiento).
Figura 2. Modelo geométrico de Cabri.
 FUOC • P03/72048/01332 19 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 19 TIC y aprendizaje significativo...

Los espacios de un problema se construyen mentalmente seleccionando y ma-
peando relaciones específicas del problema (McGuinness, 1986). El supuesto
fundamental de este artículo es que el hecho de usar las herramientas de mode-
lado para crear modelos físicos, visuales o computacionales externaliza los mo-
delos mentales de los estudiantes. En relación con la solución de problemas, la
construcción de modelos visuales y computacionales de los problemas externa-
liza los espacios de los problemas internos de los estudiantes. La construcción
de modelos de espacios de problema es importante para toda clase de proble-
mas. A medida que aumenta la complejidad del problema, resulta más impor-
tante producir representaciones eficaces; y la eficacia de las representaciones
depende de la organización, la integración o la coherencia (McGuinness, 1986).
Los espacios de un problema se construyen mentalmente seleccionando y ma-
peando relaciones específicas del problema (McGuinness, 1986). El supuesto
fundamental de este artículo es que el hecho de usar las herramientas de mode-
lado para crear modelos físicos, visuales o computacionales externaliza los mo-
delos mentales de los estudiantes. En relación con la solución de problemas, la
construcción de modelos visuales y computacionales de los problemas externa-
liza los espacios de los problemas internos de los estudiantes. La construcción
de modelos de espacios de problema es importante para toda clase de proble-
mas. A medida que aumenta la complejidad del problema, resulta más impor-
tante producir representaciones eficaces; y la eficacia de las representaciones
depende de la organización, la integración o la coherencia (McGuinness, 1986).

Aunque hay muchas herramientas informáticas de modelado que ayudan a la
construcción de modelos cuantitativos de problemas, la construcción de mo-
delos cualitativos de problemas es de igual o mayor importancia. Las represen-
taciones cualitativas asumen muchas formas y organizaciones distintas;
pueden ser espaciales o verbales y pueden organizarse de distintas formas. Son
más físicas que numéricas: las representaciones físicas de los problemas con-
sisten en entidades que se fijan en campos concretos (por ejemplo, la física),
y las normas de inferencia que las conectan y les dan un significado son cua-
litativas (Larkin, 1983).
Aunque hay muchas herramientas informáticas de modelado que ayudan a la
construcción de modelos cuantitativos de problemas, la construcción de mo-
delos cualitativos de problemas es de igual o mayor importancia. Las represen-
taciones cualitativas asumen muchas formas y organizaciones distintas;
pueden ser espaciales o verbales y pueden organizarse de distintas formas. Son
más físicas que numéricas: las representaciones físicas de los problemas con-
sisten en entidades que se fijan en campos concretos (por ejemplo, la física),
y las normas de inferencia que las conectan y les dan un significado son cua-
litativas (Larkin, 1983).

Figura 3. Extracto de una base de reglas de un sistema experto de estequiometría. Figura 3. Extracto de una base de reglas de un sistema experto de estequiometría.

Contexto 'Con esta base de conocimiento se pretende simular el proceso de cálculo de Contexto 'Con esta base de conocimiento se pretende simular el proceso de cálculo de
conversiones molares.' conversiones molares.'
D1: 'Sabéis la masa de un mol de muestra.' D1: 'Sabéis la masa de un mol de muestra.'
D2: 'Hay que determinar la masa molar (fórmula).' D2: 'Hay que determinar la masa molar (fórmula).'
D3: 'Dividid la masa de la muestra por la masa molar.' D3: 'Dividid la masa de la muestra por la masa molar.'
D4: 'Multiplicad el número de moles por la masa molar.' D4: 'Multiplicad el número de moles por la masa molar.'
D5: 'Sabéis las unidades de masa atómica.' D5: 'Sabéis las unidades de masa atómica.'
D6: 'Sabéis la masa molar.' D6: 'Sabéis la masa molar.'
D7: 'Dividid la masa de muestra por la masa molar y multiplicadlo por el número de Avogadro.' D7: 'Dividid la masa de muestra por la masa molar y multiplicadlo por el número de Avogadro.'
D8: 'Dividid el número de átomos por el número de Avogadro.' D8: 'Dividid el número de átomos por el número de Avogadro.'
D9: 'Convertid el número de átomos a moles y los moles a masa.' D9: 'Convertid el número de átomos a moles y los moles a masa.'
D10: 'Convertid la masa a moles usando la masa molar y los moles a moléculas mediante el D10: 'Convertid la masa a moles usando la masa molar y los moles a moléculas mediante el
número de Avogadro.' número de Avogadro.'
D11: 'Haced la conversión de volumen a moles (dividid volumen por volumen/mol), y luego D11: 'Haced la conversión de volumen a moles (dividid volumen por volumen/mol), y luego
convertid los moles a moles multiplicando por el número de Avogadro.' convertid los moles a moles multiplicando por el número de Avogadro.'

Q1: '¿Sabéis el número de moléculas?' A 1 'sí' 2 'no' Q1: '¿Sabéis el número de moléculas?' A 1 'sí' 2 'no'
Q2: '¿Sabéis la masa en gramos de la muestra?' A 1 'sí' 2 'no' Q2: '¿Sabéis la masa en gramos de la muestra?' A 1 'sí' 2 'no'
Q3: '¿Sabéis la masa molar del elemento o compuesto?' A 1 'sí' 2 'no' Q3: '¿Sabéis la masa molar del elemento o compuesto?' A 1 'sí' 2 'no'
Q4: '¿Sabéis el número de moles de la muestra?' A 1 'sí' 2 'no' Q4: '¿Sabéis el número de moles de la muestra?' A 1 'sí' 2 'no'
Q5: '¿Sabéis el número de moléculas?' A 1 'sí' 2 'no' Q5: '¿Sabéis el número de moléculas?' A 1 'sí' 2 'no'
Q6: '¿Queréis saber la masa de muestra en gramos?' A 1 'sí' 2 'no' Q6: '¿Queréis saber la masa de muestra en gramos?' A 1 'sí' 2 'no'
Q7: '¿Queréis saber la masa molar del compuesto?' A 1 'sí' 2 'no' Q7: '¿Queréis saber la masa molar del compuesto?' A 1 'sí' 2 'no'
Q8: '¿Queréis saber el número de moles de la muestra?' A 1 'sí' 2 'no' Q8: '¿Queréis saber el número de moles de la muestra?' A 1 'sí' 2 'no'
Q9: '¿Sabéis las unidades de masa atómica?' A 1 'sí' 2 'no' Q9: '¿Sabéis las unidades de masa atómica?' A 1 'sí' 2 'no'
Q10: '¿Sabéis el volumen de un gas?' A 1 'sí' 2 'no' Q10: '¿Sabéis el volumen de un gas?' A 1 'sí' 2 'no'

Regla1: SI q2a1 Y q8a1 ENTONCES D2 Regla1: SI q2a1 Y q8a1 ENTONCES D2

Regla2: SI (d1 O q3a1) Y q2a1 Y q8a1 ENTONCES D3 Regla2: SI (d1 O q3a1) Y q2a1 Y q8a1 ENTONCES D3
Regla3: SI q4a1 Y q3a1 Y q6a1 ENTONCES D4 Regla3: SI q4a1 Y q3a1 Y q6a1 ENTONCES D4
Regla4: SI q3a1 ENTONCES D1 Regla4: SI q3a1 ENTONCES D1
Regla5: SI q3a1 ENTONCES D5 Regla5: SI q3a1 ENTONCES D5
Regla6: SI q9a1 ENTONCES D6 Regla6: SI q9a1 ENTONCES D6
Regla7: SI q3a1 Y q2a1 Y q5a1 ENTONCES D7 Regla7: SI q3a1 Y q2a1 Y q5a1 ENTONCES D7
Regla8: SI q1a1 Y q8a1 ENTONCES D8 Regla8: SI q1a1 Y q8a1 ENTONCES D8
Regla9: SI q1a1 Y q6a1 ENTONCES D9 Regla9: SI q1a1 Y q6a1 ENTONCES D9
Regla10: SI q2a1 Y q5a1 ENTONCES D10 Regla10: SI q2a1 Y q5a1 ENTONCES D10
Regla11: SI q10a1 Y q1a1 ENTONCES D11 Regla11: SI q10a1 Y q1a1 ENTONCES D11
 FUOC • P03/72048/01332 20
Las representaciones cualitativas tienen la función siguiente:
• Explicar información que sólo aparece implícitamente en las descripciones
de los problemas pero que es importante para su solución.
• Aportar precondiciones sobre las que se pueda aplicar el conocimiento
cuantitativo.
• El razonamiento cualitativo ayuda a la construcción del conocimiento cuantitati-
vo no disponible en un principio y establece un conjunto de restricciones que
aportan directrices para un razonamiento cuantitativo (Ploetzner y Spada, 1993).
Figura 4. Sistemas de modelos dinámicos de problemas de estequiometría según Stella.
De hecho, Ploetzner, Fehse, Kneser y Spada (1999) demostraron que a la hora
de resolver problemas de física, las representaciones cualitativas de los proble-
mas son requisitos necesarios para aprender representaciones cuantitativas.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 20 TIC y aprendizaje significativo...
Las representaciones cualitativas tienen la función siguiente:
• Explicar información que sólo aparece implícitamente en las descripciones
de los problemas pero que es importante para su solución.
• Aportar precondiciones sobre las que se pueda aplicar el conocimiento
cuantitativo.
• El razonamiento cualitativo ayuda a la construcción del conocimiento cuantitati-
vo no disponible en un principio y establece un conjunto de restricciones que
aportan directrices para un razonamiento cuantitativo (Ploetzner y Spada, 1993).
Figura 4. Sistemas de modelos dinámicos de problemas de estequiometría según Stella.
De hecho, Ploetzner, Fehse, Kneser y Spada (1999) demostraron que a la hora
de resolver problemas de física, las representaciones cualitativas de los proble-
mas son requisitos necesarios para aprender representaciones cuantitativas.
 FUOC • P03/72048/01332 21
Cuando los estudiantes intentan entender un problema sólo de una manera,
no entienden los sistemas subyacentes que están trabajando.
La figura 3 muestra un modelo cualitativo de un simple problema de química de conver-
sión molar, mediante un sistema experto. Es decir, los estudiantes construyeron un sis-
tema de reglas de producción que describe la lógica necesaria para resolver el problema.
Las representaciones cualitativas ayudan a la solución de problemas cuantitativos. Las
mejores soluciones de problemas pueden surgir integrando modelos cualitativos y cuan-
titativos. Esta integración aún puede verse más respaldada en las herramientas para cons-
truir modelos de sistemas, como el de Stella, que aportan representaciones cuantitativas
de las relaciones entre aquellos componentes de problemas que se expresan de forma
cualitativa. La figura 4 muestra un modelo Stella de un problema de estequiometría, y
aporta tanto las representaciones cuantitativas, como las cualitativas del problema.
1.3.3. Construir modelos de sistemas
Los contenidos de los problemas también pueden concebirse como sistemas.
Cuando se estudia el contenido como si fueran sistemas, más que centrarse en
hechos concretos o características de los fenómenos, los aprendices desarro-
llan una perspectiva del mundo mucho más integrada.
Hay distintas concepciones sistémicas del mundo que están relaciona-
das, incluyendo pensamientos de sistemas abiertos, pensamientos de sis-
temas humanos o sociales y procesos de sistemas, pensamientos de
sistemas de reacción, dinámica de sistemas, sistemas de control o ciber-
nética, la teoría de la actividad y los sistemas de vida más comunes.
Figura 5. Construcción de modelos del sistema circulatorio con Model-It.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 21 TIC y aprendizaje significativo...
Cuando los estudiantes intentan entender un problema sólo de una manera,
no entienden los sistemas subyacentes que están trabajando.
La figura 3 muestra un modelo cualitativo de un simple problema de química de conver-
sión molar, mediante un sistema experto. Es decir, los estudiantes construyeron un sis-
tema de reglas de producción que describe la lógica necesaria para resolver el problema.
Las representaciones cualitativas ayudan a la solución de problemas cuantitativos. Las
mejores soluciones de problemas pueden surgir integrando modelos cualitativos y cuan-
titativos. Esta integración aún puede verse más respaldada en las herramientas para cons-
truir modelos de sistemas, como el de Stella, que aportan representaciones cuantitativas
de las relaciones entre aquellos componentes de problemas que se expresan de forma
cualitativa. La figura 4 muestra un modelo Stella de un problema de estequiometría, y
aporta tanto las representaciones cuantitativas, como las cualitativas del problema.
1.3.3. Construir modelos de sistemas
Los contenidos de los problemas también pueden concebirse como sistemas.
Cuando se estudia el contenido como si fueran sistemas, más que centrarse en
hechos concretos o características de los fenómenos, los aprendices desarro-
llan una perspectiva del mundo mucho más integrada.
Hay distintas concepciones sistémicas del mundo que están relaciona-
das, incluyendo pensamientos de sistemas abiertos, pensamientos de sis-
temas humanos o sociales y procesos de sistemas, pensamientos de
sistemas de reacción, dinámica de sistemas, sistemas de control o ciber-
nética, la teoría de la actividad y los sistemas de vida más comunes.
Figura 5. Construcción de modelos del sistema circulatorio con Model-It.
 FUOC • P03/72048/01332 22
Figura 6. Construcción de modelo del efecto de un huracán en Bryzoan con EcoBeaker.
Todas estas concepciones comparten atributos similares, como por ejemplo
un todo irreducible, un modelo de organización autoproductor, las partes in-
terdependientes, el hecho de que funcionen accionados por el objetivo, el
control de reacción, el automantenimiento y la autorregulación. El hecho de
requerir a los estudiantes que organicen su objeto de estudio en sistemas rele-
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 22 TIC y aprendizaje significativo...
Figura 6. Construcción de modelo del efecto de un huracán en Bryzoan con EcoBeaker.
Todas estas concepciones comparten atributos similares, como por ejemplo
un todo irreducible, un modelo de organización autoproductor, las partes in-
terdependientes, el hecho de que funcionen accionados por el objetivo, el
control de reacción, el automantenimiento y la autorregulación. El hecho de
requerir a los estudiantes que organicen su objeto de estudio en sistemas rele-
 FUOC • P03/72048/01332 23 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 23 TIC y aprendizaje significativo...

vantes que interactúen unos con otros les aporta una perspectiva del mundo vantes que interactúen unos con otros les aporta una perspectiva del mundo
Herramientas Herramientas
mucho más holística e integrada. informáticas mucho más holística e integrada. informáticas

Existe una variedad de herra- Existe una variedad de herra-

Los estudiantes deben construir los modelos antes de comprobarlos. La figura mientas informáticas que apo-
5 muestra una perspectiva sistémica del sistema circulatorio, construida con yan el pensamiento de
sistemas. Basados en dinámica
Model-It, una herramienta simplificada para construir modelos de sistemas de sistemas, herramientas
como Stella, PowerSim y Ven-
que ha desarrollado el grupo HI-CE en la Universidad de Michigan para estu- Sim proporcionan herramien-
tas sofisticadas para construir
diantes de secundaria. Esta herramienta identifica relaciones entre variables. En
modelos de sistemas. Estas he-
vez de introducir fórmulas para describir relaciones, los estudiantes deben iden- rramientas permiten a los estu-
diantes construir modelos de
tificar la dirección de la relación y el efecto potencial que tiene una variable so- sistemas de fenómenos, me-
diante el razonamiento hipoté-
bre otra. tico-deductivo.
Los estudiantes deben construir los modelos antes de comprobarlos. La figura mientas informáticas que apo-
5 muestra una perspectiva sistémica del sistema circulatorio, construida con yan el pensamiento de
sistemas. Basados en dinámica
Model-It, una herramienta simplificada para construir modelos de sistemas de sistemas, herramientas
como Stella, PowerSim y Ven-
que ha desarrollado el grupo HI-CE en la Universidad de Michigan para estu- Sim proporcionan herramien-
tas sofisticadas para construir
diantes de secundaria. Esta herramienta identifica relaciones entre variables. En
modelos de sistemas. Estas he-
vez de introducir fórmulas para describir relaciones, los estudiantes deben iden- rramientas permiten a los estu-
diantes construir modelos de
tificar la dirección de la relación y el efecto potencial que tiene una variable so- sistemas de fenómenos, me-
diante el razonamiento hipoté-
bre otra. tico-deductivo.

La figura 6 construye un modelo de crecimiento de organismos diminutos
dentro de un entorno, perturba este entorno y vuelve a comprobar las pautas Más herramientas
informáticas
de crecimiento. En este caso, el modelo muestra los efectos de un huracán en
Existe otra clase de herramien-
el crecimiento de Bryzoa. Estas herramientas, más que simples sistemas, repre- ta que permite que el estudian-
sentan una perspectiva del mundo teóricamente compleja; es decir, exploran te construya inductivamente
modelos de sistemas. Los mi-
la naturaleza autoorganizadora de los fenómenos del mundo. cromundos como StarLogo,
AgentSheets y Eco-Beaker per-
miten construir reglas sobre la
naturaleza del comportamien-
1.3.4. Construir modelos de experiencias (historias) to en sistemas y comprobar su
efecto de forma inmediata.
La figura 6 construye un modelo de crecimiento de organismos diminutos
dentro de un entorno, perturba este entorno y vuelve a comprobar las pautas Más herramientas
informáticas
de crecimiento. En este caso, el modelo muestra los efectos de un huracán en
Existe otra clase de herramien-
el crecimiento de Bryzoa. Estas herramientas, más que simples sistemas, repre- ta que permite que el estudian-
sentan una perspectiva del mundo teóricamente compleja; es decir, exploran te construya inductivamente
modelos de sistemas. Los mi-
la naturaleza autoorganizadora de los fenómenos del mundo. cromundos como StarLogo,
AgentSheets y Eco-Beaker per-
miten construir reglas sobre la
naturaleza del comportamien-
1.3.4. Construir modelos de experiencias (historias) to en sistemas y comprobar su
efecto de forma inmediata.

Las historias pueden funcionar como sustituto de la experiencia directa. Si
asumimos que aprendemos de las experiencias, deberíamos ser capaces de
aprender de las historias que cuentan experiencias. Algunas personas creen
que escuchar historias es equivalente a experimentar uno mismo los fenóme-
nos (Ferguson, Bareiss, Birnbaum y Osgood, 1991).
Las historias pueden funcionar como sustituto de la experiencia directa. Si
asumimos que aprendemos de las experiencias, deberíamos ser capaces de
aprender de las historias que cuentan experiencias. Algunas personas creen
que escuchar historias es equivalente a experimentar uno mismo los fenóme-
nos (Ferguson, Bareiss, Birnbaum y Osgood, 1991).

En otras palabras, las estructuras de la memoria utilizadas para entender la historia son
las mismas que las que se usan a la hora de llevar a cabo una tarea. Teniendo en cuenta
la falta de experiencias por parte de los principiantes, las experiencias de historias o casos
que pueden obtener en una biblioteca aumentan su repertorio de experiencias. El razo-
namiento a partir de historias o casos ayuda a resolver problemas.
En otras palabras, las estructuras de la memoria utilizadas para entender la historia son
las mismas que las que se usan a la hora de llevar a cabo una tarea. Teniendo en cuenta
la falta de experiencias por parte de los principiantes, las experiencias de historias o casos
que pueden obtener en una biblioteca aumentan su repertorio de experiencias. El razo-
namiento a partir de historias o casos ayuda a resolver problemas.

¿Por qué las historias son importantes para la comprensión? Porque todo lo
que sabemos lo recordamos en forma de historias. Las historias son formalis-
mos ricos y poderosos para narrar y describir recuerdos. Así pues, una forma
de entender lo que las personas saben es analizar sus historias. El medio que
* En inglés Cased-Based Learning
nos permite analizarlas se llama razonamiento basado en casos (RBC*). (CBR).
¿Por qué las historias son importantes para la comprensión? Porque todo lo
que sabemos lo recordamos en forma de historias. Las historias son formalis-
mos ricos y poderosos para narrar y describir recuerdos. Así pues, una forma
de entender lo que las personas saben es analizar sus historias. El medio que
* En inglés Cased-Based Learning
nos permite analizarlas se llama razonamiento basado en casos (RBC*). (CBR).

El RBC es un método de inteligencia artificial para representar los cono- El RBC es un método de inteligencia artificial para representar los cono-
cimientos de las personas. El RBC sostiene que los conocimientos se al- cimientos de las personas. El RBC sostiene que los conocimientos se al-
macenan en la memoria en forma de historias (Schank, 1990). Cuando macenan en la memoria en forma de historias (Schank, 1990). Cuando
se encuentran con una situación nueva, las personas la analizan e in- se encuentran con una situación nueva, las personas la analizan e in-
tentan recuperar una situación que ya hayan experimentado y que se tentan recuperar una situación que ya hayan experimentado y que se
parezca a la situación actual. Aparte de la información sobre la situa- parezca a la situación actual. Aparte de la información sobre la situa-
ción, también recuperamos lo que aprendimos de aquella situación. Los ción, también recuperamos lo que aprendimos de aquella situación. Los
problemas nuevos se resuelven encontrando casos similares del pasado problemas nuevos se resuelven encontrando casos similares del pasado
y aplicando las lecciones de aquella experiencia en este nuevo caso. y aplicando las lecciones de aquella experiencia en este nuevo caso.
 FUOC • P03/72048/01332 24 TIC y aprendizaje significativo...
Por consiguiente, los estudiantes pueden impulsar el cambio conceptual cons-
truyendo modelos de las experiencias de otras personas, es decir, recogiendo
historias sobre las experiencias de otros.
La base de datos de la figura 7 cuenta una de las muchas historias que se han recogido
sobre el conflicto en Irlanda del Norte. La base contiene muchas historias que se han in-
dexado por cuestión, tema, contexto, objetivo, razonamiento, religión, etc. Contiene
muchas cuestiones, temas y contextos.
Cuando los estudiantes analizan historias para entender estos problemas, en-
tienden mejor la complejidad fundamental del campo de contenido. Recoger
e indexar las historias es construir modelos de las experiencias de las personas;
como estas experiencias son diferentes, representan perspectivas y creencias
múltiples. Encontrar esta diversidad de creencias es la mejor manera de perci-
bir que hay que cambiar los modelos conceptuales de cada persona sobre el
mundo.
Figura 7. Entrada en una base de datos sobre historias de Irlanda del Norte.
Si se quieren usar bases de datos para capturar historias, se deben identificar ca-
sos o historias. Los casos indican situaciones, sucesos, experiencias, problemas,
etc. Cuando hablamos de situaciones nos referimos a una descripción de las si- En este ejemplo del RBC,...
tuaciones (contexto, objetivo, etc.), las soluciones que se escogieron y lo que se
... los estudiantes aprenden so-
aprendió al utilizarlas (Kologner, 1993). La situación del problema se define a bre el horror de los conflictos
religiosos examinando la expe-
partir de los objetivos que quieren conseguirse resolviendo el problema, las res- riencia de otros. Las bases de
tricciones para llegar a los objetivos y cualquier característica del problema. datos facilitan este proceso de
aprendizaje, permitiendo que
los profesores busquen en
Cuando se recogen historias de revistas, informes de noticias, entrevistas per- cualquier ámbito para colocar
casos o resultados semejantes.
sonales o cualquier otro medio y se analizan, deben indexarse identificando
 FUOC • P03/72048/01332 24 TIC y aprendizaje significativo...
Por consiguiente, los estudiantes pueden impulsar el cambio conceptual cons-
truyendo modelos de las experiencias de otras personas, es decir, recogiendo
historias sobre las experiencias de otros.
La base de datos de la figura 7 cuenta una de las muchas historias que se han recogido
sobre el conflicto en Irlanda del Norte. La base contiene muchas historias que se han in-
dexado por cuestión, tema, contexto, objetivo, razonamiento, religión, etc. Contiene
muchas cuestiones, temas y contextos.
Cuando los estudiantes analizan historias para entender estos problemas, en-
tienden mejor la complejidad fundamental del campo de contenido. Recoger
e indexar las historias es construir modelos de las experiencias de las personas;
como estas experiencias son diferentes, representan perspectivas y creencias
múltiples. Encontrar esta diversidad de creencias es la mejor manera de perci-
bir que hay que cambiar los modelos conceptuales de cada persona sobre el
mundo.
Figura 7. Entrada en una base de datos sobre historias de Irlanda del Norte.
Si se quieren usar bases de datos para capturar historias, se deben identificar ca-
sos o historias. Los casos indican situaciones, sucesos, experiencias, problemas,
etc. Cuando hablamos de situaciones nos referimos a una descripción de las si- En este ejemplo del RBC,...
tuaciones (contexto, objetivo, etc.), las soluciones que se escogieron y lo que se
... los estudiantes aprenden so-
aprendió al utilizarlas (Kologner, 1993). La situación del problema se define a bre el horror de los conflictos
religiosos examinando la expe-
partir de los objetivos que quieren conseguirse resolviendo el problema, las res- riencia de otros. Las bases de
tricciones para llegar a los objetivos y cualquier característica del problema. datos facilitan este proceso de
aprendizaje, permitiendo que
los profesores busquen en
Cuando se recogen historias de revistas, informes de noticias, entrevistas per- cualquier ámbito para colocar
casos o resultados semejantes.
sonales o cualquier otro medio y se analizan, deben indexarse identificando
 FUOC • P03/72048/01332 25
cierta combinación de objetivos, restricciones, descripciones situacionales, te-
mas, soluciones, resultados y lecciones en una base de datos. Aprender, según
la perspectiva del RBC, es un proceso de indexar y rellenar lecciones basadas
en experiencias y reutilizarlas en situaciones futuras semejantes.
1.3.5. Construir modelos de pensamiento
(simulaciones cognitivas)
Existe otra clase de construcción de modelos que permite el desarrollo de pro-
cesos de pensamiento. Más que construir modelos de contenidos o sistemas,
los aprendices construyen modelos del tipo de pensamiento que necesitan
para actuar a la hora de resolver un problema, tomar una decisión o terminar
cualquier otra actividad. Es decir, los estudiantes pueden utilizar herramientas
informáticas para construir simulaciones cognitivas.
"[...[ las simulaciones cognitivas son programas informáticos que representan modelos de
actividades cognitivas humanas."
E.M. Roth; D.D. Woods; H.E. Pople (1992). "Cognitive Simulation as a Tool for Cognitive
Task Analysis". Ergonomics (núm. 35, pàg. 1163-1198).
Tienen como objetivo construir modelos de estructuras mentales y procesos
cognitivos humanos.
"El programa informático contiene representaciones explícitas de procesos mentales y es-
tructuras de conocimiento ya propuestos."
D. E. Kieras (1990). "The role of cognitive simulation models in the development of ad-
vanced training and testing systems". A: N. Frederiksen; R. Glaser; A. Lesgold; M. Shafto
(eds.). Diagnostic monitoring of skill and knowledge acquisition. Hillsdale, NJ: Erlbaum.
El objetivo primordial de las simulaciones cognitivas es intentar externalizar
procesos mentales para la construcción de análisis y teorías. Las usan sobre
todo los ingenieros para construir sistemas tutoriales elaborados, pero hemos
descubierto que también los jóvenes estudiantes pueden reflexionar sobre su
pensamiento para construir este tipo de simulaciones. Jonassen (en prensa)
describe el proceso de construcción de una simulación cognitiva de un razo-
namiento metacognitivo mediante la protección de sistema experto.
La figura 8 muestra actores seleccionados a partir de esta base de conocimiento. Se pidió
a los estudiantes que meditaran sobre cómo usaban ellos el control ejecutivo y las activi-
dades de control de comprensión a la hora de estudiar.
Lippert (1988) afirmaba que hacer que los estudiantes construyan pequeñas bases
de conocimiento es un método útil para enseñar a resolver problemas y a estruc-
turar el conocimiento para estudiantes desde sexto grado hasta la edad adulta.
Figura 8. Factores metacognitivos en la simulación cognitiva.
Pregunta: "¿Por qué estoy estudiando este material?
Asignado = Ha sido un material asignado por el profesor
Relacionado = El material es útil para investigación o estudios relacionados
Personal = El material es de interés personal"
Pregunta: "¿Necesito conocer bien este material?
Lo esencial = Sólo debo comprender las ideas principales.
Discutir = Hablaremos e interrelacionaremos los temas.
Valorar = Tengo que valorar la importancia o precisión de estas ideas.
Generar = Debo pensar temas, nuevas ideas, hipótesis sobre el material."
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 25 TIC y aprendizaje significativo...
cierta combinación de objetivos, restricciones, descripciones situacionales, te-
mas, soluciones, resultados y lecciones en una base de datos. Aprender, según
la perspectiva del RBC, es un proceso de indexar y rellenar lecciones basadas
en experiencias y reutilizarlas en situaciones futuras semejantes.
1.3.5. Construir modelos de pensamiento
(simulaciones cognitivas)
Existe otra clase de construcción de modelos que permite el desarrollo de pro-
cesos de pensamiento. Más que construir modelos de contenidos o sistemas,
los aprendices construyen modelos del tipo de pensamiento que necesitan
para actuar a la hora de resolver un problema, tomar una decisión o terminar
cualquier otra actividad. Es decir, los estudiantes pueden utilizar herramientas
informáticas para construir simulaciones cognitivas.
"[...[ las simulaciones cognitivas son programas informáticos que representan modelos de
actividades cognitivas humanas."
E.M. Roth; D.D. Woods; H.E. Pople (1992). "Cognitive Simulation as a Tool for Cognitive
Task Analysis". Ergonomics (núm. 35, pàg. 1163-1198).
Tienen como objetivo construir modelos de estructuras mentales y procesos
cognitivos humanos.
"El programa informático contiene representaciones explícitas de procesos mentales y es-
tructuras de conocimiento ya propuestos."
D. E. Kieras (1990). "The role of cognitive simulation models in the development of ad-
vanced training and testing systems". A: N. Frederiksen; R. Glaser; A. Lesgold; M. Shafto
(eds.). Diagnostic monitoring of skill and knowledge acquisition. Hillsdale, NJ: Erlbaum.
El objetivo primordial de las simulaciones cognitivas es intentar externalizar
procesos mentales para la construcción de análisis y teorías. Las usan sobre
todo los ingenieros para construir sistemas tutoriales elaborados, pero hemos
descubierto que también los jóvenes estudiantes pueden reflexionar sobre su
pensamiento para construir este tipo de simulaciones. Jonassen (en prensa)
describe el proceso de construcción de una simulación cognitiva de un razo-
namiento metacognitivo mediante la protección de sistema experto.
La figura 8 muestra actores seleccionados a partir de esta base de conocimiento. Se pidió
a los estudiantes que meditaran sobre cómo usaban ellos el control ejecutivo y las activi-
dades de control de comprensión a la hora de estudiar.
Lippert (1988) afirmaba que hacer que los estudiantes construyan pequeñas bases
de conocimiento es un método útil para enseñar a resolver problemas y a estruc-
turar el conocimiento para estudiantes desde sexto grado hasta la edad adulta.
Figura 8. Factores metacognitivos en la simulación cognitiva.
Pregunta: "¿Por qué estoy estudiando este material?
Asignado = Ha sido un material asignado por el profesor
Relacionado = El material es útil para investigación o estudios relacionados
Personal = El material es de interés personal"
Pregunta: "¿Necesito conocer bien este material?
Lo esencial = Sólo debo comprender las ideas principales.
Discutir = Hablaremos e interrelacionaremos los temas.
Valorar = Tengo que valorar la importancia o precisión de estas ideas.
Generar = Debo pensar temas, nuevas ideas, hipótesis sobre el material."
 FUOC • P03/72048/01332 26
Pregunta: "Qué velocidad de lectura tengo?"
Opciones: lenta, normal, rápida
Pregunta: "Cuántas horas debo estudiar?
Ninguna = Menos de una hora
Pocas = De 1 a 3 horas
Varias = De 4 a 8 horas"
Pregunta: "Cuántos días quedan para la clase?"
Opciones Días: más de 7, de 2 a 6, menos de 2.
Pregunta: "Cómo me considero respecto a los otros estudiantes de la clase?
Superior = Creo que soy más hábil que mis compañeros para entender el material.
Igual = Tengo la misma habilidad que el resto de la clase.
Peor = No tengo tantos conocimientos ni inteligencia como el resto de la clase."
El aprendizaje resulta más significativo porque los estudiantes no sólo valoran sus
propios procesos de pensamiento, sino también el producto de estos procesos.
También hemos experimentado con herramientas de dinámicas de sistemas para
la construcción de simulaciones cognitivas. La figura 9 ilustra un modelo de me-
moria de Stella; Stella es una herramienta de dinámicas de sistemas para represen-
tar las relaciones dinámicas entre fenómenos de sistemas. Tanto los sistemas
expertos como las dinámicas de sistemas permiten a los estudiantes la construc-
ción y comprobación de las suposiciones y funcionamiento de sus modelos.
Figura 9. Modelo de memoria Stella.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 26 TIC y aprendizaje significativo...
Pregunta: "Qué velocidad de lectura tengo?"
Opciones: lenta, normal, rápida
Pregunta: "Cuántas horas debo estudiar?
Ninguna = Menos de una hora
Pocas = De 1 a 3 horas
Varias = De 4 a 8 horas"
Pregunta: "Cuántos días quedan para la clase?"
Opciones Días: más de 7, de 2 a 6, menos de 2.
Pregunta: "Cómo me considero respecto a los otros estudiantes de la clase?
Superior = Creo que soy más hábil que mis compañeros para entender el material.
Igual = Tengo la misma habilidad que el resto de la clase.
Peor = No tengo tantos conocimientos ni inteligencia como el resto de la clase."
El aprendizaje resulta más significativo porque los estudiantes no sólo valoran sus
propios procesos de pensamiento, sino también el producto de estos procesos.
También hemos experimentado con herramientas de dinámicas de sistemas para
la construcción de simulaciones cognitivas. La figura 9 ilustra un modelo de me-
moria de Stella; Stella es una herramienta de dinámicas de sistemas para represen-
tar las relaciones dinámicas entre fenómenos de sistemas. Tanto los sistemas
expertos como las dinámicas de sistemas permiten a los estudiantes la construc-
ción y comprobación de las suposiciones y funcionamiento de sus modelos.
Figura 9. Modelo de memoria Stella.
 FUOC • P03/72048/01332 27
1.4. Tipos de sistemas de aprendizaje basados en modelos
Como hemos visto en el subapartado anterior cuando se describían los aspec-
tos de sistemas que pueden modelarse, hay muchas clases de herramientas dis-
ponibles para construir modelos de una amplia gama de fenómenos. Éstas
varían en características, funcionalidad y habilitaciones. Cada una de ellas usa
una estructura y una sintaxis distintas para construir modelos de fenómenos.
Pueden sustituirse unas por otras, pero no siempre con consecuencias positi-
vas. Cada tipo de herramienta implica combinaciones distintas de pensamien-
to crítico, creativo y complejo (Jonassen, 2000).
Una de las diferencias más importantes dentro de estas herramientas es la cla-
ridad del modelo subyacente. Algunas herramientas son sistemas de caja ne-
gra, en los que el estudiante puede introducir información y manipular las
características de los sistemas, comprobando los efectos de las manipulaciones
teóricas.
Otras herramientas, como las de construcción de modelos de sistemas, son sis-
temas de caja de cristal, en los que el estudiante no sólo investiga el modelo
subyacente, sino que puede cambiarlo. De hecho, los sistemas de este tipo ne-
cesitan que el estudiante construya el modelo de forma explícita antes de com-
probarlo. Creo que este último tipo de herramientas de construcción es mejor
para representar modelos mentales y hacer entrar a los estudiantes en un nivel
de transformación más profundo.
Describiremos brevemente distintas clases de herramientas para la construc-
ción de modelos.
1.4.1. Construcción de simulaciones deductivas
Hay un tipo de herramientas que construyen modelos de sistemas, incluyendo
Stella, PowerSim, VenSim y Model-It, que permiten que el estudiante construya
y compruebe modelos de sistemas cerrados controlados por reacción. Basándo-
se en dinámicas de sistemas, los estudiantes construyen representaciones con-
ceptuales utilizando un simple conjunto de iconos de bloque para construir un
mapa de un proceso: valores, flujos, conversores y conectores (véase la figura
9). Los valores ilustran el nivel de alguna variable en la simulación.
En la figura 9, la información en la memoria a largo plazo y la información en la memoria a corto
plazo son valores. Los flujos controlan el flujo entrante y saliente de material en los valores.
Almacenando y olvidando son flujos. Los flujos a menudo se compensan unos a otros, como
las influencias positivas y negativas en los giros normales. Por ejemplo, olvidando es una in-
fluencia controladora negativa de la información en la memoria a largo plazo. Los conversores
convierten las entradas en salidas. Son factores o razones que influyen en los flujos. Olvido es
un conversor. Los conversores se usan para añadir complejidad a los modelos y así represen-
tar mejor la complejidad del mundo real. Finalmente, los conectores son las líneas que mues-
tran mediante flechas el efecto direccional que tiene cada factor sobre otro.
TIC y aprendizaje significativo...
La mayoría
de simulaciones...
... y micromundos son de este
tipo. Se trata de entornos ex-
ploratorios que abastecen a los
aprendices con la oportunidad
de comprobar los efectos cau-
sales de las manipulaciones,
pero el modelo básico que de-
fine los parámetros del sistema
está escondido.
 FUOC • P03/72048/01332 27 TIC y aprendizaje significativo...
1.4. Tipos de sistemas de aprendizaje basados en modelos
Como hemos visto en el subapartado anterior cuando se describían los aspec-
tos de sistemas que pueden modelarse, hay muchas clases de herramientas dis-
ponibles para construir modelos de una amplia gama de fenómenos. Éstas
varían en características, funcionalidad y habilitaciones. Cada una de ellas usa
una estructura y una sintaxis distintas para construir modelos de fenómenos.
Pueden sustituirse unas por otras, pero no siempre con consecuencias positi-
vas. Cada tipo de herramienta implica combinaciones distintas de pensamien-
to crítico, creativo y complejo (Jonassen, 2000).
Una de las diferencias más importantes dentro de estas herramientas es la cla-
La mayoría
ridad del modelo subyacente. Algunas herramientas son sistemas de caja ne- de simulaciones...
gra, en los que el estudiante puede introducir información y manipular las ... y micromundos son de este
tipo. Se trata de entornos ex-
características de los sistemas, comprobando los efectos de las manipulaciones ploratorios que abastecen a los
aprendices con la oportunidad
teóricas. de comprobar los efectos cau-
sales de las manipulaciones,
pero el modelo básico que de-
Otras herramientas, como las de construcción de modelos de sistemas, son sis- fine los parámetros del sistema
está escondido.
temas de caja de cristal, en los que el estudiante no sólo investiga el modelo
subyacente, sino que puede cambiarlo. De hecho, los sistemas de este tipo ne-
cesitan que el estudiante construya el modelo de forma explícita antes de com-
probarlo. Creo que este último tipo de herramientas de construcción es mejor
para representar modelos mentales y hacer entrar a los estudiantes en un nivel
de transformación más profundo.
Describiremos brevemente distintas clases de herramientas para la construc-
ción de modelos.
1.4.1. Construcción de simulaciones deductivas
Hay un tipo de herramientas que construyen modelos de sistemas, incluyendo
Stella, PowerSim, VenSim y Model-It, que permiten que el estudiante construya
y compruebe modelos de sistemas cerrados controlados por reacción. Basándo-
se en dinámicas de sistemas, los estudiantes construyen representaciones con-
ceptuales utilizando un simple conjunto de iconos de bloque para construir un
mapa de un proceso: valores, flujos, conversores y conectores (véase la figura
9). Los valores ilustran el nivel de alguna variable en la simulación.
En la figura 9, la información en la memoria a largo plazo y la información en la memoria a corto
plazo son valores. Los flujos controlan el flujo entrante y saliente de material en los valores.
Almacenando y olvidando son flujos. Los flujos a menudo se compensan unos a otros, como
las influencias positivas y negativas en los giros normales. Por ejemplo, olvidando es una in-
fluencia controladora negativa de la información en la memoria a largo plazo. Los conversores
convierten las entradas en salidas. Son factores o razones que influyen en los flujos. Olvido es
un conversor. Los conversores se usan para añadir complejidad a los modelos y así represen-
tar mejor la complejidad del mundo real. Finalmente, los conectores son las líneas que mues-
tran mediante flechas el efecto direccional que tiene cada factor sobre otro.
 FUOC • P03/72048/01332 28
Estos modelos son dinámicos, es decir, se caracterizan por la acción o el cam-
bio en los estados. Así, un modelo de simulación dinámica es aquel que repre-
senta conceptualmente la naturaleza cambiante de fenómenos de sistemas de
una forma similar al fenómeno real. Estas simulaciones son representaciones
sintácticas de la realidad. Lo que distingue estos modelos del siguiente tipo es
que el modelo se concibe y se implementa antes de ser comprobado; se trata
de un modelo hipotético-deductivo.
Este tipo de modelos también puede construirse utilizando una hoja de cálculo.
El modelo de la figura 10, por ejemplo, ha sido construido por estudiantes que querían
comprobar los efectos de una serie de resistores. Se explica en las fórmulas introducidas
en cada celda. Si lo hubiera construido el profesor para que los estudiantes manipularan
y comprobaran los efectos, funcionaría más como un micromundo, en el cual los estu-
diantes exploran simulaciones de caja negra.
Figura 10. Modelo de series de resistor, construido en una hoja de cálculo.
1.4.2. Construcción de modelos de simulación inductivos
Existe otra clase de herramientas de construcción de modelos que utiliza una
aproximación más inductiva para la construcción de simulaciones. Herra-
mientas como Agent Sheets, Star Logo y GenScope permiten construir mode-
los más abiertos de sistemas de fenómenos. Más que identificar todos los
componentes del modelo antes de construir antes de construirlo, los aprendi-
ces, utilizando estos entornos, identifican los componentes del modelo y los
añaden a medida que van avanzando. Cada vez que se añada un elemento, se
puede comprobar el modelo para observar el efecto del nuevo elemento en el
funcionamiento del sistema.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 28 TIC y aprendizaje significativo...
Estos modelos son dinámicos, es decir, se caracterizan por la acción o el cam-
bio en los estados. Así, un modelo de simulación dinámica es aquel que repre-
senta conceptualmente la naturaleza cambiante de fenómenos de sistemas de
una forma similar al fenómeno real. Estas simulaciones son representaciones
sintácticas de la realidad. Lo que distingue estos modelos del siguiente tipo es
que el modelo se concibe y se implementa antes de ser comprobado; se trata
de un modelo hipotético-deductivo.
Este tipo de modelos también puede construirse utilizando una hoja de cálculo.
El modelo de la figura 10, por ejemplo, ha sido construido por estudiantes que querían
comprobar los efectos de una serie de resistores. Se explica en las fórmulas introducidas
en cada celda. Si lo hubiera construido el profesor para que los estudiantes manipularan
y comprobaran los efectos, funcionaría más como un micromundo, en el cual los estu-
diantes exploran simulaciones de caja negra.
Figura 10. Modelo de series de resistor, construido en una hoja de cálculo.
1.4.2. Construcción de modelos de simulación inductivos
Existe otra clase de herramientas de construcción de modelos que utiliza una
aproximación más inductiva para la construcción de simulaciones. Herra-
mientas como Agent Sheets, Star Logo y GenScope permiten construir mode-
los más abiertos de sistemas de fenómenos. Más que identificar todos los
componentes del modelo antes de construir antes de construirlo, los aprendi-
ces, utilizando estos entornos, identifican los componentes del modelo y los
añaden a medida que van avanzando. Cada vez que se añada un elemento, se
puede comprobar el modelo para observar el efecto del nuevo elemento en el
funcionamiento del sistema.
 FUOC • P03/72048/01332 29 TIC y aprendizaje significativo...
1.4.3. Exploración de modelos de caja negra o simulaciones
La mayoría de simulaciones construidas para que los estudiantes exploren y
Los micromundos,...
experimenten no explican el modelo implícito, sino que permiten la manipu-
... como ThinkerTools (figura 1;
lación de variables y la comprobación de los resultados de estas manipulacio-
White, 1993), Boxer (deSessa,
nes; entonces, los estudiantes pueden generar hipótesis sobre las relaciones 1986), Geometric Supposer
(Schwartz y Yerulshalmy, 1987)
entre las variables y examinarlas. y otros, requieren que los estu-
diantes construyan como míni-
mo un modelo implícito del
sistema con el fin de generar hi-
pótesis y examinarlas.
1.4.4. Modelos causales cualitativos
Los sistemas expertos son programas de inteligencia artificial diseñados
como expertos simulados para facilitar la toma de decisiones en todo
tipo de problemas. Un sistema experto es un programa informático que
pretende simular la manera como los expertos humanos resuelven un
problema: una toma de decisiones artificial.
Se construyen con hechos y con una serie de reglas SI-ENTONCES, y el que los
construye debe identificar todas las decisiones y resultados posibles, todos los
factores que pueden influir en cada decisión, y construir entonces, las reglas
que conecten todas las condiciones de sistema posibles con las conclusiones o
resultados posibles.
Construir sistemas expertos es un proceso de construcción de modelos del co-
nocimiento que permite a expertos e ingenieros construir modelos conceptua-
les (Adams-Webber, 1995). Aunque haya muchas herramientas que construyen
modelos de sistemas y otro tipo de herramientas que se basan en representacio-
nes cuantitativas de relaciones entre factores, los sistemas expertos se basan en
descripciones cualitativas de relaciones causales.
1.4.5. Herramientas de construcción de modelos semánticos
Las herramientas para la representación de relaciones semánticas dentro de un
campo de conceptos, como las herramientas de redes semánticas, el mapeo de
conceptos y las bases de datos, permiten la representación de asociaciones se-
mánticas entre conceptos dominantes.
Sin embargo, estas herramientas no pueden construir modelos de relaciones
causales dinámicas, sino sólo de la información asociacional sobre un campo
de conceptos relacionados. Facilitan representaciones matrices y espaciales de
los conceptos y sus interrelaciones, intentando que representen las estructuras
de conocimiento que los seres humanos almacenan en la mente (Jonassen,
Beissner y Yacci, 1993).
 FUOC • P03/72048/01332 29 TIC y aprendizaje significativo...
1.4.3. Exploración de modelos de caja negra o simulaciones
La mayoría de simulaciones construidas para que los estudiantes exploren y
Los micromundos,...
experimenten no explican el modelo implícito, sino que permiten la manipu-
... como ThinkerTools (figura 1;
lación de variables y la comprobación de los resultados de estas manipulacio-
White, 1993), Boxer (deSessa,
nes; entonces, los estudiantes pueden generar hipótesis sobre las relaciones 1986), Geometric Supposer
(Schwartz y Yerulshalmy, 1987)
entre las variables y examinarlas. y otros, requieren que los estu-
diantes construyan como míni-
mo un modelo implícito del
sistema con el fin de generar hi-
pótesis y examinarlas.
1.4.4. Modelos causales cualitativos
Los sistemas expertos son programas de inteligencia artificial diseñados
como expertos simulados para facilitar la toma de decisiones en todo
tipo de problemas. Un sistema experto es un programa informático que
pretende simular la manera como los expertos humanos resuelven un
problema: una toma de decisiones artificial.
Se construyen con hechos y con una serie de reglas SI-ENTONCES, y el que los
construye debe identificar todas las decisiones y resultados posibles, todos los
factores que pueden influir en cada decisión, y construir entonces, las reglas
que conecten todas las condiciones de sistema posibles con las conclusiones o
resultados posibles.
Construir sistemas expertos es un proceso de construcción de modelos del co-
nocimiento que permite a expertos e ingenieros construir modelos conceptua-
les (Adams-Webber, 1995). Aunque haya muchas herramientas que construyen
modelos de sistemas y otro tipo de herramientas que se basan en representacio-
nes cuantitativas de relaciones entre factores, los sistemas expertos se basan en
descripciones cualitativas de relaciones causales.
1.4.5. Herramientas de construcción de modelos semánticos
Las herramientas para la representación de relaciones semánticas dentro de un
campo de conceptos, como las herramientas de redes semánticas, el mapeo de
conceptos y las bases de datos, permiten la representación de asociaciones se-
mánticas entre conceptos dominantes.
Sin embargo, estas herramientas no pueden construir modelos de relaciones
causales dinámicas, sino sólo de la información asociacional sobre un campo
de conceptos relacionados. Facilitan representaciones matrices y espaciales de
los conceptos y sus interrelaciones, intentando que representen las estructuras
de conocimiento que los seres humanos almacenan en la mente (Jonassen,
Beissner y Yacci, 1993).
 FUOC • P03/72048/01332 30 TIC y aprendizaje significativo...
¿Por qué crear redes semánticas? El aprendizaje significativo exige que los es-
tudiantes conecten nuevas ideas al conocimiento que ya han construido. Los
mapas conceptuales y las bases de datos ayudan a organizar sus conocimientos
mediante la integración de la información en un marco conceptual cada vez
más complejo.
1.4.6. Advertencias críticas sobre las herramientas
de construcción de modelos
Ya hemos afirmado anteriormente que el residuo cognitivo del aprendizaje
significativo es un modelo de lo que se está aprendiendo de forma significati-
va. Además, también hemos afirmado que construir modelos ayuda a la crea-
ción de modelos mentales. Si es así, entonces debemos preguntarnos si los
modelos que construyen los estudiantes demuestran que, dentro del modelo
o en su proceso de construcción, existen conocimientos estructurales, proce-
dimentales, reflexivos, imaginarios, metafóricos o ejecutivos y creencias sobre
estos conocimientos.
Muchas veces no poseen esta clase de conocimiento porque las herramientas
usadas por los estudiantes se basan en un tipo determinado de representación.
Si los modelos mentales no se desarrollan suficientemente como resultado de
la construcción de modelos, puede que sea necesario usar más de un tipo de
herramienta para representar los fenómenos. Es decir, la construcción de mo-
delos mentales probablemente se impulsará si los estudiantes utilizan más de
una herramienta para construir modelos de un campo, un problema, un siste-
ma, una estructura semántica o un proceso de pensamiento. Será necesaria
una investigación para determinar el número de herramientas y el tipo de
combinaciones que harán más fácil la construcción de modelos mentales.
1.5. Valorar el cambio conceptual con modelos
construidos por estudiantes
Además de impulsar un cambio conceptual radical en los estudiantes median-
El análisis
te los experimentos, esta propuesta también quiere validar métodos para va- de los protocolos...
lorar el cambio conceptual. Aunque existen muchos informes teóricos sobre ... de entrevistas y conversacio-
nes es muy difícil y largo. Por
el cambio conceptual (Limon y Mason, 2002; Schnotz, Vosniadou, y Carreter, este motivo proponemos eva-
1999; Sinatra y Pintrich, 2003), hay muy pocos trabajos que estudien cómo va- luar la validez actual del mapeo
de conceptos y la modelación
lorar de manera efectiva el cambio conceptual. Los métodos dominantes uti- de sistemas o la valoración del
cambio conceptual. Se podrá
lizados incluyen el análisis de los protocolos de interacción de los estudiantes conseguir comparando estos
a la hora de resolver o explicar un problema (Hogan y Fisherkeller, 2000), en dos métodos de construcción
de modelos con los protocolos
entrevistas estructuradas (Southerland, Smith, y Cummins, 2000) y en el uso de conversación y entrevista.
de mapas conceptuales (Edmundson, 2000).
Estas herramientas presuponen que el cambio conceptual puede valorarse
comparando las estructuras cognitivas de los estudiantes (Vosniadou, 1992).
 FUOC • P03/72048/01332 30 TIC y aprendizaje significativo...
¿Por qué crear redes semánticas? El aprendizaje significativo exige que los es-
tudiantes conecten nuevas ideas al conocimiento que ya han construido. Los
mapas conceptuales y las bases de datos ayudan a organizar sus conocimientos
mediante la integración de la información en un marco conceptual cada vez
más complejo.
1.4.6. Advertencias críticas sobre las herramientas
de construcción de modelos
Ya hemos afirmado anteriormente que el residuo cognitivo del aprendizaje
significativo es un modelo de lo que se está aprendiendo de forma significati-
va. Además, también hemos afirmado que construir modelos ayuda a la crea-
ción de modelos mentales. Si es así, entonces debemos preguntarnos si los
modelos que construyen los estudiantes demuestran que, dentro del modelo
o en su proceso de construcción, existen conocimientos estructurales, proce-
dimentales, reflexivos, imaginarios, metafóricos o ejecutivos y creencias sobre
estos conocimientos.
Muchas veces no poseen esta clase de conocimiento porque las herramientas
usadas por los estudiantes se basan en un tipo determinado de representación.
Si los modelos mentales no se desarrollan suficientemente como resultado de
la construcción de modelos, puede que sea necesario usar más de un tipo de
herramienta para representar los fenómenos. Es decir, la construcción de mo-
delos mentales probablemente se impulsará si los estudiantes utilizan más de
una herramienta para construir modelos de un campo, un problema, un siste-
ma, una estructura semántica o un proceso de pensamiento. Será necesaria
una investigación para determinar el número de herramientas y el tipo de
combinaciones que harán más fácil la construcción de modelos mentales.
1.5. Valorar el cambio conceptual con modelos
construidos por estudiantes
Además de impulsar un cambio conceptual radical en los estudiantes median-
El análisis
te los experimentos, esta propuesta también quiere validar métodos para va- de los protocolos...
lorar el cambio conceptual. Aunque existen muchos informes teóricos sobre ... de entrevistas y conversacio-
nes es muy difícil y largo. Por
el cambio conceptual (Limon y Mason, 2002; Schnotz, Vosniadou, y Carreter, este motivo proponemos eva-
1999; Sinatra y Pintrich, 2003), hay muy pocos trabajos que estudien cómo va- luar la validez actual del mapeo
de conceptos y la modelación
lorar de manera efectiva el cambio conceptual. Los métodos dominantes uti- de sistemas o la valoración del
cambio conceptual. Se podrá
lizados incluyen el análisis de los protocolos de interacción de los estudiantes conseguir comparando estos
a la hora de resolver o explicar un problema (Hogan y Fisherkeller, 2000), en dos métodos de construcción
de modelos con los protocolos
entrevistas estructuradas (Southerland, Smith, y Cummins, 2000) y en el uso de conversación y entrevista.
de mapas conceptuales (Edmundson, 2000).
Estas herramientas presuponen que el cambio conceptual puede valorarse
comparando las estructuras cognitivas de los estudiantes (Vosniadou, 1992).
 FUOC • P03/72048/01332 31
El uso de mapas conceptuales presupone que los cambios en la estructura cog-
nitiva pueden valorarse mediante mapas conceptuales u otras técnicas estruc-
turales del conocimiento (Jonassen, Beissner, y Yacci, 1993) y que los cambios
en la estructura cognitiva son valoraciones válidas del cambio conceptual. Los
mapas conceptuales han demostrado ser valoraciones válidas de las estructu-
ras cognitivas (Jonassen, 1987). Los protocolos se analizarán mediante análisis
de conversaciones (Chi, 1997). Los modelos se valorarán utilizando la cohe-
rencia explicativa (Thagard, 1992) y valoraciones de fijación y calidad (Fisher,
2000). También examinaremos las relaciones entre los experimentos diseña-
dos por los estudiantes, los sistemas robóticos y las cámaras de crecimiento, y
los mapas conceptuales y modelos de sistemas que producen.
1.6. Bases para la construcción de modelos
Schwarz y White (en prensa) afirman que la construcción de modelos es fun-
damental para la cognición humana y la investigación científica. Creen que
ayuda a los estudiantes a expresar y externalizar su pensamiento; visualizar y
comprobar los componentes de sus teorías y hacer que los materiales sean más
interesantes.
A continuación resumiremos algunas de las razones para construir modelos
con el objetivo de impulsar el aprendizaje significativo y la construcción de
modelos mentales.
• La construcción de modelos es un fenómeno cognitivo natural. Al encon-
trarse con fenómenos desconocidos, los seres humanos empiezan a cons-
truir de manera natural teorías sobre estos fenómenos como parte esencial
del proceso de comprensión.
• La construcción de modelos ayuda a hacer conjeturas, comprobar e inferir
hipótesis y una gran cantidad de habilidades cognitivas importantes.
• Construir modelos requiere que los estudiantes articulen un razonamiento
causal, que es la base de la mayoría de modelos de cambio conceptual.
• Construir modelos lleva a un nivel más alto de compromiso conceptual,
importante premonitor del cambio conceptual (Dole y Sinatra, 1998).
• Construir modelos tiene como consecuencia la construcción de artefactos
cognitivos (modelos mentales) mediante la construcción de artefactos físicos.
• Cuando los estudiantes construyen modelos, son propietarios del conoci-
miento. La propiedad del estudiante es importante para la construcción de
significado y de conocimiento. Cuando son propietarios de las ideas, los es-
tudiantes quieren poner más esfuerzo, defender sus posiciones y razonar de
manera efectiva.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 31 TIC y aprendizaje significativo...
El uso de mapas conceptuales presupone que los cambios en la estructura cog-
nitiva pueden valorarse mediante mapas conceptuales u otras técnicas estruc-
turales del conocimiento (Jonassen, Beissner, y Yacci, 1993) y que los cambios
en la estructura cognitiva son valoraciones válidas del cambio conceptual. Los
mapas conceptuales han demostrado ser valoraciones válidas de las estructu-
ras cognitivas (Jonassen, 1987). Los protocolos se analizarán mediante análisis
de conversaciones (Chi, 1997). Los modelos se valorarán utilizando la cohe-
rencia explicativa (Thagard, 1992) y valoraciones de fijación y calidad (Fisher,
2000). También examinaremos las relaciones entre los experimentos diseña-
dos por los estudiantes, los sistemas robóticos y las cámaras de crecimiento, y
los mapas conceptuales y modelos de sistemas que producen.
1.6. Bases para la construcción de modelos
Schwarz y White (en prensa) afirman que la construcción de modelos es fun-
damental para la cognición humana y la investigación científica. Creen que
ayuda a los estudiantes a expresar y externalizar su pensamiento; visualizar y
comprobar los componentes de sus teorías y hacer que los materiales sean más
interesantes.
A continuación resumiremos algunas de las razones para construir modelos
con el objetivo de impulsar el aprendizaje significativo y la construcción de
modelos mentales.
• La construcción de modelos es un fenómeno cognitivo natural. Al encon-
trarse con fenómenos desconocidos, los seres humanos empiezan a cons-
truir de manera natural teorías sobre estos fenómenos como parte esencial
del proceso de comprensión.
• La construcción de modelos ayuda a hacer conjeturas, comprobar e inferir
hipótesis y una gran cantidad de habilidades cognitivas importantes.
• Construir modelos requiere que los estudiantes articulen un razonamiento
causal, que es la base de la mayoría de modelos de cambio conceptual.
• Construir modelos lleva a un nivel más alto de compromiso conceptual,
importante premonitor del cambio conceptual (Dole y Sinatra, 1998).
• Construir modelos tiene como consecuencia la construcción de artefactos
cognitivos (modelos mentales) mediante la construcción de artefactos físicos.
• Cuando los estudiantes construyen modelos, son propietarios del conoci-
miento. La propiedad del estudiante es importante para la construcción de
significado y de conocimiento. Cuando son propietarios de las ideas, los es-
tudiantes quieren poner más esfuerzo, defender sus posiciones y razonar de
manera efectiva.
 FUOC • P03/72048/01332 32
• Construir modelos ayuda al desarrollo de creencias epistémicas. En la base
del aprendizaje se encuentran las creencias de las personas sobre lo que son
el conocimiento y la verdad, y sobre cómo desarrollamos estas creencias.
Desde un punto de vista biológico, aceptamos que los humanos se han
adaptado muy bien al aprendizaje gracias al tamaño de su córtex. Pero,
¿qué es lo que lleva a las personas a aprender? Sociólogos y psicólogos ha-
blan de necesidades de realización, que aportan un motivo conativo para
el aprendizaje. Pero epistemológicamente, ¿qué es lo que motiva nuestros
esfuerzos para entender el mundo? Según Wittgenstein, lo que sabemos se
basa en la posibilidad de la duda. Sabemos muchas cosas, pero nunca po-
demos tener la certeza de saberlas. Esta incertidumbre sólo puede modifi-
carse con los esfuerzos para saber más sobre el mundo. Las herramientas de
construcción de modelos permiten a las personas externalizar y comprobar
sus creencias epistemólogicas sobre el significado de las construcciones
epistemólogicas, como el conocimiento y la verdad, y sobre cómo estas
creencias pueden cambiar con el tiempo.
• Construir modelos aporta espacios de trabajo colectivos que llevan a moti-
vos más fuertes de colaboración.
1.7. Limitaciones para la construcción de modelos
Aunque hemos defendido el uso de las tecnologías como herramientas de
construcción de modelos, es necesario analizar sus posibles limitaciones.
a) Carga cognitiva. La habilidad, el tiempo y el esfuerzo para aprender las ha-
bilitaciones de los distintos formalismos. Aunque Jonassen (2000) ha defendi-
do que la mayoría de estas herramientas pueden aprenderse más o menos en
una hora, hay otras que requieren más tiempo. Además, si se usan frecuente-
mente se conseguirá una familiarización con las herramientas.
b) Contradicciones. Desde un marco teórico de actividad (Barab, Evans y
Baek, en prensa), una dimensión de este sistema de actividad reconceptualiza-
do, potencialmente importante para el diseño, es el concepto de contradic-
ción. Según Engeström (1987), cualquier sistema de actividad dispone de
cuatro niveles de contradicciones que es necesario tener en cuenta durante el
análisis de una situación de aprendizaje y de trabajo. Son las siguientes:
• Nivel 1: La primera contradicción aparece en cada elemento de la actividad
central que se está investigando; surge de la tensión entre el valor de uso y
el valor de intercambio.
• Nivel 2: La segunda contradicción aparece entre los elementos constitu-
yentes del sistema de actividad central (por ejemplo, entre el tema y la he-
rramienta).
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 32 TIC y aprendizaje significativo...
• Construir modelos ayuda al desarrollo de creencias epistémicas. En la base
del aprendizaje se encuentran las creencias de las personas sobre lo que son
el conocimiento y la verdad, y sobre cómo desarrollamos estas creencias.
Desde un punto de vista biológico, aceptamos que los humanos se han
adaptado muy bien al aprendizaje gracias al tamaño de su córtex. Pero,
¿qué es lo que lleva a las personas a aprender? Sociólogos y psicólogos ha-
blan de necesidades de realización, que aportan un motivo conativo para
el aprendizaje. Pero epistemológicamente, ¿qué es lo que motiva nuestros
esfuerzos para entender el mundo? Según Wittgenstein, lo que sabemos se
basa en la posibilidad de la duda. Sabemos muchas cosas, pero nunca po-
demos tener la certeza de saberlas. Esta incertidumbre sólo puede modifi-
carse con los esfuerzos para saber más sobre el mundo. Las herramientas de
construcción de modelos permiten a las personas externalizar y comprobar
sus creencias epistemólogicas sobre el significado de las construcciones
epistemólogicas, como el conocimiento y la verdad, y sobre cómo estas
creencias pueden cambiar con el tiempo.
• Construir modelos aporta espacios de trabajo colectivos que llevan a moti-
vos más fuertes de colaboración.
1.7. Limitaciones para la construcción de modelos
Aunque hemos defendido el uso de las tecnologías como herramientas de
construcción de modelos, es necesario analizar sus posibles limitaciones.
a) Carga cognitiva. La habilidad, el tiempo y el esfuerzo para aprender las ha-
bilitaciones de los distintos formalismos. Aunque Jonassen (2000) ha defendi-
do que la mayoría de estas herramientas pueden aprenderse más o menos en
una hora, hay otras que requieren más tiempo. Además, si se usan frecuente-
mente se conseguirá una familiarización con las herramientas.
b) Contradicciones. Desde un marco teórico de actividad (Barab, Evans y
Baek, en prensa), una dimensión de este sistema de actividad reconceptualiza-
do, potencialmente importante para el diseño, es el concepto de contradic-
ción. Según Engeström (1987), cualquier sistema de actividad dispone de
cuatro niveles de contradicciones que es necesario tener en cuenta durante el
análisis de una situación de aprendizaje y de trabajo. Son las siguientes:
• Nivel 1: La primera contradicción aparece en cada elemento de la actividad
central que se está investigando; surge de la tensión entre el valor de uso y
el valor de intercambio.
• Nivel 2: La segunda contradicción aparece entre los elementos constitu-
yentes del sistema de actividad central (por ejemplo, entre el tema y la he-
rramienta).
 FUOC • P03/72048/01332 33
• Nivel 3: La tercera contradicción aparece entre el objeto/motivo de la acti-
vidad central y el objeto/motivo de una forma culturalmente más avanza-
da que la de la actividad central.
• Nivel 4: La cuarta contradicción aparece entre la actividad central y las ad-
yacentes, como las actividades de producción de instrumentos, temas o re-
glas.
Para poner un ejemplo empírico de esta idea, Barab, Barnett, Yamagata-Lynch, Squire, y
Keating (en prensa) utilizaban la teoría de la actividad como una lente analítica para en-
tender las transacciones y tensiones penetrantes que caracterizaban las actividades de
curso. Si nos basamos en su análisis, interpretaron tensiones del curso y contradicciones
en el marco de todo el sistema de actividad de curso, modelado de una forma general
usando la inscripción triangular de Engeström (1987) para construir un modelo de la es-
tructura básica de la actividad humana (véase la figura 3). Todos los componentes que
Engeström consideraba actividad constituyente se representan en negrita en las esquinas
del triángulo.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 33 TIC y aprendizaje significativo...
• Nivel 3: La tercera contradicción aparece entre el objeto/motivo de la acti-
vidad central y el objeto/motivo de una forma culturalmente más avanza-
da que la de la actividad central.
• Nivel 4: La cuarta contradicción aparece entre la actividad central y las ad-
yacentes, como las actividades de producción de instrumentos, temas o re-
glas.
Para poner un ejemplo empírico de esta idea, Barab, Barnett, Yamagata-Lynch, Squire, y
Keating (en prensa) utilizaban la teoría de la actividad como una lente analítica para en-
tender las transacciones y tensiones penetrantes que caracterizaban las actividades de
curso. Si nos basamos en su análisis, interpretaron tensiones del curso y contradicciones
en el marco de todo el sistema de actividad de curso, modelado de una forma general
usando la inscripción triangular de Engeström (1987) para construir un modelo de la es-
tructura básica de la actividad humana (véase la figura 3). Todos los componentes que
Engeström consideraba actividad constituyente se representan en negrita en las esquinas
del triángulo.
 FUOC • P03/72048/01332 34
2. Aprender a solucionar problemas
2.1. ¿En que consiste la resolución de problemas?
Antes que nada, ¿qué es un problema? Sólo existen dos atributos importantes
de un problema. Un problema es algo que se desconoce, es decir, si tenemos
un objetivo y no sabemos cómo llegar a él, hay algo que no conocemos, tene-
mos un problema. El segundo atributo es que lo desconocido debe tener algún
valor social, cultural o intelectual para alguien. Si no hay nadie que crea que
vale la pena descubrir lo desconocido, entonces no se ha percibido ningún
problema.
El proceso de solución de un problema es encontrar lo desconocido.
Como proceso, solucionar un problema tiene dos características principales:
a) La primera es que requiere una representación mental de la situación en el
mundo. Eso quiere decir que al solucionar problemas humanos, se construye
una representación mental del problema, que recibe el nombre de espacio del
problema (Newell y Simon, 1972).
b) La segunda característica es que solucionar un problema requiere cierta
manipulación activa del espacio del problema. Cuando manipulamos el espa-
cio del problema, representamos sus componentes y dimensiones, generamos
hipótesis sobre cómo encontrar lo desconocido, probamos estas hipótesis y
llegamos a conclusiones. Por consiguiente, la manipulación del espacio del
problema, ya sea una representación mental interna o una manipulación físi-
ca externa, implica necesariamente una actividad consciente. Otra complica-
ción a la hora de solucionar un problema, es que no todos los problemas son
iguales, así que se necesitan diferentes procesos de solución. Lo desconocido
es que no sabemos cómo resolver distintas clases de problemas.
2.2. Variedad de problemas
Durante las últimas tres décadas han surgido distintas teorías sobre la solución
de problemas. Un modelo conocido es el IDEAL (Bransford y Stein, 1984), que
describe la solución de problemas como un proceso uniforme de identificar
problemas potenciales, definir y representar el problema, explorar posibles es-
trategias y actuar sobre estas estrategias, y mirar atrás (del inglés Look back) y
valorar los efectos de estas actividades.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 34 TIC y aprendizaje significativo...
2. Aprender a solucionar problemas
2.1. ¿En que consiste la resolución de problemas?
Antes que nada, ¿qué es un problema? Sólo existen dos atributos importantes
de un problema. Un problema es algo que se desconoce, es decir, si tenemos
un objetivo y no sabemos cómo llegar a él, hay algo que no conocemos, tene-
mos un problema. El segundo atributo es que lo desconocido debe tener algún
valor social, cultural o intelectual para alguien. Si no hay nadie que crea que
vale la pena descubrir lo desconocido, entonces no se ha percibido ningún
problema.
El proceso de solución de un problema es encontrar lo desconocido.
Como proceso, solucionar un problema tiene dos características principales:
a) La primera es que requiere una representación mental de la situación en el
mundo. Eso quiere decir que al solucionar problemas humanos, se construye
una representación mental del problema, que recibe el nombre de espacio del
problema (Newell y Simon, 1972).
b) La segunda característica es que solucionar un problema requiere cierta
manipulación activa del espacio del problema. Cuando manipulamos el espa-
cio del problema, representamos sus componentes y dimensiones, generamos
hipótesis sobre cómo encontrar lo desconocido, probamos estas hipótesis y
llegamos a conclusiones. Por consiguiente, la manipulación del espacio del
problema, ya sea una representación mental interna o una manipulación físi-
ca externa, implica necesariamente una actividad consciente. Otra complica-
ción a la hora de solucionar un problema, es que no todos los problemas son
iguales, así que se necesitan diferentes procesos de solución. Lo desconocido
es que no sabemos cómo resolver distintas clases de problemas.
2.2. Variedad de problemas
Durante las últimas tres décadas han surgido distintas teorías sobre la solución
de problemas. Un modelo conocido es el IDEAL (Bransford y Stein, 1984), que
describe la solución de problemas como un proceso uniforme de identificar
problemas potenciales, definir y representar el problema, explorar posibles es-
trategias y actuar sobre estas estrategias, y mirar atrás (del inglés Look back) y
valorar los efectos de estas actividades.
 FUOC • P03/72048/01332 35
Gick (1986) sintetizó las teorías de solución de problemas en un modelo sim-
plificado del proceso de solución de problemas, buscando soluciones para des-
pués implementarlas y controlarlas. Como la mayoría de teorías de solución
de problemas, ésta trata todos los problemas de la misma forma. Estas teorías
asumen que si estos procesos se aplican a diferentes tipos de problemas, se
consiguen resultados satisfactorios.
Sin embargo, la solución de problemas no es una actividad uniforme. Los pro-
blemas no son equivalentes ni en contenido, ni en forma, ni en proceso. ¿En
qué se diferencian? Mayer y Wittrock (1996) han descrito los problemas como
mal definidos / bien definidos y rutinarios / no rutinarios. Jonassen (1997) dis-
tingue entre problemas mal o bien estructurados y describe diferencias en el
procesamiento cognitivo de estos dos tipos. Smith (1991) distingue los facto-
res externos, entre los que encontramos el dominio y la complejidad, de las
características internas del solucionador de problemas. Cada vez hay más con-
formidad respecto a la variabilidad de los problemas en lo que se refiere a sus-
tancia, estructura y proceso. A continuación, describiremos como mínimo tres
maneras en las que los problemas y su solución varían: estructuración, com-
plejidad y especificidad de campo (abstracción).
2.2.1. Estructuración
Como hemos señalado, Jonassen (1997) distingue entre problemas mal y bien
estructurados y recomienda diferentes modelos de diseño para cada tipo, por-
que requieren distintas habilidades.
a) Los problemas más comunes, sobre todo en escuelas y universidades, son
problemas bien estructurados. Normalmente, se encuentran al final de cada
capítulo de los libros de texto y requieren la aplicación de un número determi-
nado de conceptos y reglas, así como el estudio de principios en una situación
problemática restrictiva. También se les llama problemas de transformación, que
consisten en un estado inicial bien definido, un objetivo conocido y un grupo
restrictivo de operadores lógicos. Los problemas bien estructurados presentan
todos los elementos del problema; requieren un número limitado de reglas y
principios que se organizan en una disposición previsible y prescriptible; po-
seen respuestas correctas y convergentes, y tienen un proceso de solución pre-
sentado y prescrito (Jonassen, 1997).
b) Por otro lado, los problemas mal estructurados son aquellos que se en-
cuentran en las actividades diarias, por lo que resultan típicamente emergen-
tes. Por el hecho de que no estén restringidos por los campos de contenido que
se estudian en clase, sus soluciones no son predecibles ni convergentes. Estos
problemas requieren a menudo la integración de varios campos de contenido.
Las soluciones a problemas como la contaminación medioambiental requie-
ren componentes de matemáticas, ciencia, política y psicología. Pueden darse
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 35 TIC y aprendizaje significativo...
Gick (1986) sintetizó las teorías de solución de problemas en un modelo sim-
plificado del proceso de solución de problemas, buscando soluciones para des-
pués implementarlas y controlarlas. Como la mayoría de teorías de solución
de problemas, ésta trata todos los problemas de la misma forma. Estas teorías
asumen que si estos procesos se aplican a diferentes tipos de problemas, se
consiguen resultados satisfactorios.
Sin embargo, la solución de problemas no es una actividad uniforme. Los pro-
blemas no son equivalentes ni en contenido, ni en forma, ni en proceso. ¿En
qué se diferencian? Mayer y Wittrock (1996) han descrito los problemas como
mal definidos / bien definidos y rutinarios / no rutinarios. Jonassen (1997) dis-
tingue entre problemas mal o bien estructurados y describe diferencias en el
procesamiento cognitivo de estos dos tipos. Smith (1991) distingue los facto-
res externos, entre los que encontramos el dominio y la complejidad, de las
características internas del solucionador de problemas. Cada vez hay más con-
formidad respecto a la variabilidad de los problemas en lo que se refiere a sus-
tancia, estructura y proceso. A continuación, describiremos como mínimo tres
maneras en las que los problemas y su solución varían: estructuración, com-
plejidad y especificidad de campo (abstracción).
2.2.1. Estructuración
Como hemos señalado, Jonassen (1997) distingue entre problemas mal y bien
estructurados y recomienda diferentes modelos de diseño para cada tipo, por-
que requieren distintas habilidades.
a) Los problemas más comunes, sobre todo en escuelas y universidades, son
problemas bien estructurados. Normalmente, se encuentran al final de cada
capítulo de los libros de texto y requieren la aplicación de un número determi-
nado de conceptos y reglas, así como el estudio de principios en una situación
problemática restrictiva. También se les llama problemas de transformación, que
consisten en un estado inicial bien definido, un objetivo conocido y un grupo
restrictivo de operadores lógicos. Los problemas bien estructurados presentan
todos los elementos del problema; requieren un número limitado de reglas y
principios que se organizan en una disposición previsible y prescriptible; po-
seen respuestas correctas y convergentes, y tienen un proceso de solución pre-
sentado y prescrito (Jonassen, 1997).
b) Por otro lado, los problemas mal estructurados son aquellos que se en-
cuentran en las actividades diarias, por lo que resultan típicamente emergen-
tes. Por el hecho de que no estén restringidos por los campos de contenido que
se estudian en clase, sus soluciones no son predecibles ni convergentes. Estos
problemas requieren a menudo la integración de varios campos de contenido.
Las soluciones a problemas como la contaminación medioambiental requie-
ren componentes de matemáticas, ciencia, política y psicología. Pueden darse
 FUOC • P03/72048/01332 36 TIC y aprendizaje significativo...
muchas soluciones alternativas. Los problemas mal estructurados tienen unos
objetivos vagamente definidos o poco claros, y restricciones no expuestas; tie-
nen muchas soluciones, vías de solución o ninguna solución y requieren que
los estudiantes expresen su opinión personal o sus creencias sobre el proble-
ma, así que hablamos únicamente de actividades humanas interpersonales
(Jonassen, 1997).
Los investigadores han asumido desde hace tiempo que aprender a solucionar
problemas bien estructurados se transfiere de manera positiva hacia el apren-
dizaje de problemas mal estructurados. Mientras que las teorías del procesa-
miento de información han creído que “en general, los procesos utilizados
para resolver problemas mal estructurados son los mismos que los utilizados
para los problemas bien estructurados” (Simon, 1978, pág. 287), investigacio-
nes recientes de la solución de problemas diarios aclaran que existen marcadas
diferencias entre el pensamiento necesario para resolver problemas convergen-
tes y el que sirve para resolver problemas diarios. Dunkle, Schraw y Bendixen
(1995) concluyen que solucionar problemas bien definidos es independiente de
realizar tareas mal definidas, y que los problemas mal definidos requieren un
conjunto distinto de creencias epistémicas. Hong, Jonassen y McGee (en pren-
sa) observan que resolver problemas mal estructurados en una simulación re-
quiere diferentes habilidades que resolver problemas bien estructurados, entre
las cuales se encuentran la metacognición y la argumentación. Jonassen y
Kwon (2001) afirman que las pautas de comunicación en equipos difieren a la
hora de solucionar problemas bien y mal estructurados. Es evidente que hace
falta más investigación que justifique estas observaciones, pero es obvio que
estos dos tipos de problemas requieren habilidades intelectuales distintas.
2.2.2. Complejidad
De la misma manera que los problemas mal estructurados son más difíciles de
solucionar que los que están bien estructurados, los problemas complejos
también son más difíciles de resolver que aquellos más sencillos.
Existen tres dimensiones dentro de la complejidad de los problemas:
Aunque la complejidad
y estructuración...
• el número de temas, funciones y variables que actúan en el problema; ... pueden coincidir, la comple-
jidad se refiere más a la manera
• el número de interacciones dentro de estos temas, funciones o variables;
como muchos componentes
• y la predecibilidad del comportamiento de estos temas, funciones o varia- se representan de forma implí-
cita o explícita dentro del pro-
bles. blema, cómo interactúan y
cómo se comportan de forma
consistente.
Cuanto más complejo sea un problema, más difícil será para quien quiera re-
solverlo procesar activamente los componentes del mismo. Los problemas
bien estructurados, como los problemas matemáticos y científicos de los libros
de texto, no son demasiado complejos, implican un conjunto restringido de
factores o variables. Aunque los problemas mal estructurados tienden a ser
 FUOC • P03/72048/01332 36 TIC y aprendizaje significativo...
muchas soluciones alternativas. Los problemas mal estructurados tienen unos
objetivos vagamente definidos o poco claros, y restricciones no expuestas; tie-
nen muchas soluciones, vías de solución o ninguna solución y requieren que
los estudiantes expresen su opinión personal o sus creencias sobre el proble-
ma, así que hablamos únicamente de actividades humanas interpersonales
(Jonassen, 1997).
Los investigadores han asumido desde hace tiempo que aprender a solucionar
problemas bien estructurados se transfiere de manera positiva hacia el apren-
dizaje de problemas mal estructurados. Mientras que las teorías del procesa-
miento de información han creído que “en general, los procesos utilizados
para resolver problemas mal estructurados son los mismos que los utilizados
para los problemas bien estructurados” (Simon, 1978, pág. 287), investigacio-
nes recientes de la solución de problemas diarios aclaran que existen marcadas
diferencias entre el pensamiento necesario para resolver problemas convergen-
tes y el que sirve para resolver problemas diarios. Dunkle, Schraw y Bendixen
(1995) concluyen que solucionar problemas bien definidos es independiente de
realizar tareas mal definidas, y que los problemas mal definidos requieren un
conjunto distinto de creencias epistémicas. Hong, Jonassen y McGee (en pren-
sa) observan que resolver problemas mal estructurados en una simulación re-
quiere diferentes habilidades que resolver problemas bien estructurados, entre
las cuales se encuentran la metacognición y la argumentación. Jonassen y
Kwon (2001) afirman que las pautas de comunicación en equipos difieren a la
hora de solucionar problemas bien y mal estructurados. Es evidente que hace
falta más investigación que justifique estas observaciones, pero es obvio que
estos dos tipos de problemas requieren habilidades intelectuales distintas.
2.2.2. Complejidad
De la misma manera que los problemas mal estructurados son más difíciles de
solucionar que los que están bien estructurados, los problemas complejos
también son más difíciles de resolver que aquellos más sencillos.
Existen tres dimensiones dentro de la complejidad de los problemas:
Aunque la complejidad
y estructuración...
• el número de temas, funciones y variables que actúan en el problema; ... pueden coincidir, la comple-
jidad se refiere más a la manera
• el número de interacciones dentro de estos temas, funciones o variables;
como muchos componentes
• y la predecibilidad del comportamiento de estos temas, funciones o varia- se representan de forma implí-
cita o explícita dentro del pro-
bles. blema, cómo interactúan y
cómo se comportan de forma
consistente.
Cuanto más complejo sea un problema, más difícil será para quien quiera re-
solverlo procesar activamente los componentes del mismo. Los problemas
bien estructurados, como los problemas matemáticos y científicos de los libros
de texto, no son demasiado complejos, implican un conjunto restringido de
factores o variables. Aunque los problemas mal estructurados tienden a ser
 FUOC • P03/72048/01332 37
más complejos, también sucede que los que están bien estructurados pueden
ser extremadamente complejos y, los mal estructurados, muy sencillos.
Por ejemplo, el ajedrez y el bridge son problemas bien estructurados muy complejos y, en
cambio, elegir qué ponerse (al menos para mí) es un problema sencillo mal estructurado.
Muchos problemas, como hacer funcionar un negocio de venta al por menor, represen-
tan un complejo o conjunto de problemas más sencillos. Los problemas en contextos de
la vida diaria o profesional suelen ser complejos, así que a la hora de analizar cualquier
contexto problemático, hay que identificar tanto su complejidad como los problemas
que lo constituyen.
2.2.3. Especificidad de campo (abstractos-situados)
Las teorías e investigaciones actuales de la solución de problemas afir-
man que las habilidades para resolver problemas son específicas del do-
minio y del contexto, es decir, están situadas, integradas, y por eso
dependen de la naturaleza del contexto o dominio.
Esto es así porque solucionar problemas dentro de un campo se basa en unas
estrategias cognitivas (métodos fuertes) específicas del dominio (Mayer, 1992;
Smith, 1991; Sternberg y Frensch, 1991). Otros estudios contradicen esta idea
de la especificidad del dominio a la hora de resolver problemas. Lehman, Lem-
pert y Nisbett (1988) han concluido que existen diferentes formas de razona-
miento que se enseñan en distintas disciplinas universitarias.
Por ejemplo, los alumnos licenciados en las ciencias de probabilidad de la Psicología y la
Medicina resuelven mejor los problemas de razonamiento estadístico, metodológico y
condicional de la vida diaria que los estudiantes de Derecho y Química que no aprenden
estas formas de razonamiento.
El razonamiento se adquiere mejor mediante el desarrollo de esquemas de ra-
zonamiento pragmático que con ejercicios de lógica formal. Es decir, los estu-
diantes de estos dominios desarrollan habilidades de razonamiento mediante
la solución de problemas mal estructurados que requieren formas de lógica es-
pecíficas del dominio; no queda claro cómo se efectúa realmente esta solución
de problemas específica de cada dominio.
Los problemas mal estructurados suelen estar más situados, mientras que los
que están bien estructurados son más abstractos. Sin embargo, no es algo fijo,
y los problemas bien estructurados, en forma de problemas matemáticos, pue-
den estar bastante situados, mientras que los problemas mal estructurados, en
forma de dilemas, pueden ser bastante abstractos. En este módulo, propone-
mos y describimos seguidamente una tipología de solución de problemas. Esta
tipología asume que hay semejanzas en algunos de los procesos cognitivos de
los distintos problemas. También asumimos que algunas estrategias de ins-
trucción, hasta cierto punto, pueden generalizarse a través de los tipos de pro-
blemas.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 37 TIC y aprendizaje significativo...
más complejos, también sucede que los que están bien estructurados pueden
ser extremadamente complejos y, los mal estructurados, muy sencillos.
Por ejemplo, el ajedrez y el bridge son problemas bien estructurados muy complejos y, en
cambio, elegir qué ponerse (al menos para mí) es un problema sencillo mal estructurado.
Muchos problemas, como hacer funcionar un negocio de venta al por menor, represen-
tan un complejo o conjunto de problemas más sencillos. Los problemas en contextos de
la vida diaria o profesional suelen ser complejos, así que a la hora de analizar cualquier
contexto problemático, hay que identificar tanto su complejidad como los problemas
que lo constituyen.
2.2.3. Especificidad de campo (abstractos-situados)
Las teorías e investigaciones actuales de la solución de problemas afir-
man que las habilidades para resolver problemas son específicas del do-
minio y del contexto, es decir, están situadas, integradas, y por eso
dependen de la naturaleza del contexto o dominio.
Esto es así porque solucionar problemas dentro de un campo se basa en unas
estrategias cognitivas (métodos fuertes) específicas del dominio (Mayer, 1992;
Smith, 1991; Sternberg y Frensch, 1991). Otros estudios contradicen esta idea
de la especificidad del dominio a la hora de resolver problemas. Lehman, Lem-
pert y Nisbett (1988) han concluido que existen diferentes formas de razona-
miento que se enseñan en distintas disciplinas universitarias.
Por ejemplo, los alumnos licenciados en las ciencias de probabilidad de la Psicología y la
Medicina resuelven mejor los problemas de razonamiento estadístico, metodológico y
condicional de la vida diaria que los estudiantes de Derecho y Química que no aprenden
estas formas de razonamiento.
El razonamiento se adquiere mejor mediante el desarrollo de esquemas de ra-
zonamiento pragmático que con ejercicios de lógica formal. Es decir, los estu-
diantes de estos dominios desarrollan habilidades de razonamiento mediante
la solución de problemas mal estructurados que requieren formas de lógica es-
pecíficas del dominio; no queda claro cómo se efectúa realmente esta solución
de problemas específica de cada dominio.
Los problemas mal estructurados suelen estar más situados, mientras que los
que están bien estructurados son más abstractos. Sin embargo, no es algo fijo,
y los problemas bien estructurados, en forma de problemas matemáticos, pue-
den estar bastante situados, mientras que los problemas mal estructurados, en
forma de dilemas, pueden ser bastante abstractos. En este módulo, propone-
mos y describimos seguidamente una tipología de solución de problemas. Esta
tipología asume que hay semejanzas en algunos de los procesos cognitivos de
los distintos problemas. También asumimos que algunas estrategias de ins-
trucción, hasta cierto punto, pueden generalizarse a través de los tipos de pro-
blemas.
 FUOC • P03/72048/01332 38
2.3. Tipología de solución de problemas
La tabla 1 es una lista horizontal de once tipos diferentes de problemas, inclu-
yendo problemas lógicos, algorítmicos, matemáticos, problemas que usan re-
glas, problemas de toma de decisiones, problemas de mediación, problemas
de diagnosis-solución, actuaciones tácticas/estratégicas, problemas políticos
o de análisis de casos ubicados, problemas de diseño y dilemas. Esta gama des-
cribe un continuo de problemas, desde los que están bien estructurados hasta
los mal estructurados. Dentro de cada categoría, los problemas pueden variar
en abstracción y complejidad. El resultado de aprendizaje de cada tipo de pro-
blema se describe en la siguiente fila de la tabla; luego aparece una lista de los
tipos de problemas, que describen brevemente los requisitos de proceso cog-
nitivo de cada tipo de problema. La siguiente fila es una lista de los tipos de
soluciones.
Los problemas pueden variar desde problemas lógicos y algoritmos con solu-
ciones exactas, hasta dilemas que no tienen una solución verificablemente co-
rrecta. Seguidamente hay una lista de la función que ejerce el contexto de los
problemas. El contexto es de vital importancia a la hora de definir problemas
mal estructurados y, en cambio, los problemas bien estructurados quitan én-
fasis a la función del contexto. En la tabla 1 también hay una lista de ejemplos
breves de cada tipo de problema; las dos últimas filas describen el nivel de es-
tructuración y abstracción que normalmente se encuentra en estos problemas.
La complejidad varía mucho dentro de cada clase de problema que hay que
describir. Esta tabla presenta una visión general de los diferentes tipos de pro-
blemas que los educadores y estudiantes deben aprender a solucionar.
2.3.1. Problemas lógicos
Los problemas lógicos suelen ser pruebas abstractas de la lógica que descon-
cierta al estudiante. Se utilizan para apoyar la agudeza mental, la claridad y el
razonamiento lógico.
Juegos clásicos como Misioneros y Caníbales o La Torre de Hanoi desafían al estudiante para
que encuentre la secuencia de acción más eficaz (el menor número de movimientos). El
cubo de Rubic era un juego que se hizo popular en los años setenta, con el cual el usuario
debía hacer girar las filas y columnas de un cubo tridimensional para crear composicio-
nes de colores.
En cada uno de estos juegos, hay un método específico de razonamiento que
lleva a la solución más eficaz. Es el estudiante quien debe descubrir este méto-
do. Los estudios han demostrado que no hay transferencia de soluciones de
estos problemas a problemas idénticos (Hayes y Simon, 1977; Reed, Ernst y
Banerji, 1974). Este tipo de problemas se ha usado sobre todo para investigar
procesos de solución de problemas, a pesar de que no haya posibilidad de
transferencia a problemas de la vida cotidiana o profesional.
TIC y aprendizaje significativo...
Los problemas bien
estructurados...
... se centran en soluciones co-
rrectas, eficaces, mientras que
los mal estructurados se fijan
más en la articulación y argu-
mentación de decisiones.
 FUOC • P03/72048/01332 38 TIC y aprendizaje significativo...
2.3. Tipología de solución de problemas
La tabla 1 es una lista horizontal de once tipos diferentes de problemas, inclu-
yendo problemas lógicos, algorítmicos, matemáticos, problemas que usan re-
glas, problemas de toma de decisiones, problemas de mediación, problemas
de diagnosis-solución, actuaciones tácticas/estratégicas, problemas políticos
o de análisis de casos ubicados, problemas de diseño y dilemas. Esta gama des-
cribe un continuo de problemas, desde los que están bien estructurados hasta
los mal estructurados. Dentro de cada categoría, los problemas pueden variar
en abstracción y complejidad. El resultado de aprendizaje de cada tipo de pro-
blema se describe en la siguiente fila de la tabla; luego aparece una lista de los
tipos de problemas, que describen brevemente los requisitos de proceso cog-
nitivo de cada tipo de problema. La siguiente fila es una lista de los tipos de
soluciones.
Los problemas pueden variar desde problemas lógicos y algoritmos con solu-
Los problemas bien
ciones exactas, hasta dilemas que no tienen una solución verificablemente co- estructurados...
rrecta. Seguidamente hay una lista de la función que ejerce el contexto de los ... se centran en soluciones co-
rrectas, eficaces, mientras que
problemas. El contexto es de vital importancia a la hora de definir problemas los mal estructurados se fijan
más en la articulación y argu-
mal estructurados y, en cambio, los problemas bien estructurados quitan én- mentación de decisiones.
fasis a la función del contexto. En la tabla 1 también hay una lista de ejemplos
breves de cada tipo de problema; las dos últimas filas describen el nivel de es-
tructuración y abstracción que normalmente se encuentra en estos problemas.
La complejidad varía mucho dentro de cada clase de problema que hay que
describir. Esta tabla presenta una visión general de los diferentes tipos de pro-
blemas que los educadores y estudiantes deben aprender a solucionar.
2.3.1. Problemas lógicos
Los problemas lógicos suelen ser pruebas abstractas de la lógica que descon-
cierta al estudiante. Se utilizan para apoyar la agudeza mental, la claridad y el
razonamiento lógico.
Juegos clásicos como Misioneros y Caníbales o La Torre de Hanoi desafían al estudiante para
que encuentre la secuencia de acción más eficaz (el menor número de movimientos). El
cubo de Rubic era un juego que se hizo popular en los años setenta, con el cual el usuario
debía hacer girar las filas y columnas de un cubo tridimensional para crear composicio-
nes de colores.
En cada uno de estos juegos, hay un método específico de razonamiento que
lleva a la solución más eficaz. Es el estudiante quien debe descubrir este méto-
do. Los estudios han demostrado que no hay transferencia de soluciones de
estos problemas a problemas idénticos (Hayes y Simon, 1977; Reed, Ernst y
Banerji, 1974). Este tipo de problemas se ha usado sobre todo para investigar
procesos de solución de problemas, a pesar de que no haya posibilidad de
transferencia a problemas de la vida cotidiana o profesional.
 Problema Problema
Tipo Problema Problemas Toma Diagnosis- Actuación Análisis
Algoritmo matemático de resolución Diseños Dilemas
de problema lógico que usan reglas de decisiones Solución estratégica de casos
narrado de dificultades

Actividad de control lógico y secuencia desambiguar proceso identificación de examinar el fallos del sistema aplicar tácticas identificar actuar sobre los reconciliar las
aprendizaje manipulación de procedimental de variables; procedimental beneficios y sistema; hacer de mediación; para llegar a soluciones, objetivos para decisiones
variables manipulaciones seleccionar y restringido por límites; valorar pruebas; valorar seleccionar y estrategias en actuaciones producir complejas, no
limitadas; resolver proceso aplicar algoritmos normas; opciones; resultados; hacer valorar las tiempo real, alternativas, artefactos; previsibles y
la perplejidad algorítmico para producir la seleccionar y seleccionar hipótesis y opciones de actuaciones argumentar la estructuración y molestas sin
aplicado a respuesta correcta aplicar reglas para alternativas y confirmar falsos tratamiento y complejas posición articulación de solución;
conjuntos mediante el producir justificar estados con controlar; aplicar manteniendo la problemas perspectivas
 FUOC • P03/72048/01332

similares de método prescrito respuestas o estrategias esquemas de concienca irreconciliables

variables; cálculo productos de (sustitución, problemas situacional
o producción de sistemas eliminación en
respuestas restringidos serie, separación
correctas de espacio)

Entradas perplejidad Fórmula o historia con situación en un situación de sistema con un sistema complejo actuación sistema complejo declaración vaga situación con
procedimiento fórmula o sistema decisión con mal con fallos y varias compleja a tiempo a tiempo libre con de objetivos con posiciones
procedimiento restringido; reglas soluciones funcionamiento soluciones real con muchos objetivos pocas antinómicas
fijados limitadas alternativas con uno o más opcionales necesidades mal definidos restricciones;
limitadas fallos competitivas requiere
estructuración

Criterios de éxito manipulación la respuesta o el la respuesta o el productividad(nú la respuesta o el identificación de estrategia usada; conseguir el múltiple, poco criterios múltiples, preferencia
eficaz; producto es igual producto es igual mero de producto es igual fallo(s); eficacia efectividad y objetivo claro indefinidos; no articulada con
movimientos o en valor y forma en valor y forma; respuestas o en valor y forma del aislamiento de eficacia de estratégico hay correcto o alguna
manipulaciones se ha usado el productos fallo(s) tratamiento; incorrecto -sólo justificación
requeridos algoritmo correcto relevantes o útiles) justificación del mejor o peor
tratamiento
escogido

Contexto tarea abstracta abstracto, de elementos determinado, decisiones de la sistema cerrado, mundo real, actuación a mundo real, mundo real, tópico, complejo,
formulista restringidos a los académico, vida mundo real técnico, sobre tiempo real restringido complejo; niveles inter-disciplinario
predefinidos, mundo real, todo sistema de libertad;
contexto restringido cerrado entrada limitada y
39

superficial reacción

Nivel de descubierto procedimental clases de resultado resultados finitos fallos y resultados fallos y resultados estrategias mal mal estructurado mal estructurado resultados finitos,
estructuración predecible problemas bien imprevisible finitos finitos estructuradas; múltiple
definidas; tácticas bien razonamiento
procedimental estructuradas
predecible

Nivel de abstracto, abstracto, simulación basado en situado situado por situado por situado por situado por caso situado por situado por tema
abstracción descubierto procedimental limitada necesidades personalmente problema problema contexto problema
TIC y aprendizaje significativo...

Problema Problema
Tipo Problema Problemas Toma Diagnosis- Actuación Análisis
Algoritmo matemático de resolución Diseños Dilemas
de problema lógico narrado que usan reglas de decisiones de dificultades Solución estratégica de casos

Actividad de control lógico y secuencia desambiguar proceso identificación de examinar el fallos del sistema aplicar tácticas identificar actuar sobre los reconciliar las
aprendizaje manipulación de procedimental de variables; procedimental beneficios y sistema; hacer de mediación; para llegar a soluciones, objetivos para decisiones
variables manipulaciones seleccionar y restringido por límites; valorar pruebas; valorar seleccionar y estrategias en actuaciones producir complejas, no
limitadas; resolver proceso aplicar algoritmos normas; opciones; resultados; hacer valorar las tiempo real, alternativas, artefactos; previsibles y
la perplejidad algorítmico para producir la seleccionar y seleccionar hipótesis y opciones de actuaciones argumentar la estructuración y molestas sin
aplicado a respuesta correcta aplicar reglas para alternativas y confirmar falsos tratamiento y complejas posición articulación de solución;
conjuntos mediante el producir justificar estados con controlar; aplicar manteniendo la problemas perspectivas
 FUOC • P03/72048/01332

similares de método prescrito respuestas o estrategias esquemas de concienca irreconciliables

variables; cálculo productos de (sustitución, problemas situacional
o producción de sistemas eliminación en
respuestas restringidos serie, separación
correctas de espacio)

Entradas perplejidad Fórmula o historia con situación en un situación de sistema con un sistema complejo actuación sistema complejo declaración vaga situación con
procedimiento fórmula o sistema decisión con mal con fallos y varias compleja a tiempo a tiempo libre con de objetivos con posiciones
procedimiento restringido; reglas soluciones funcionamiento soluciones real con muchos objetivos pocas antinómicas
fijados limitadas alternativas con uno o más opcionales necesidades mal definidos restricciones;
limitadas fallos competitivas requiere
estructuración

Criterios de éxito manipulación la respuesta o el la respuesta o el productividad(nú la respuesta o el identificación de estrategia usada; conseguir el múltiple, poco criterios múltiples, preferencia
eficaz; producto es igual producto es igual mero de producto es igual fallo(s); eficacia efectividad y objetivo claro indefinidos; no articulada con
movimientos o en valor y forma en valor y forma; respuestas o en valor y forma del aislamiento de eficacia de estratégico hay correcto o alguna
manipulaciones se ha usado el productos fallo(s) tratamiento; incorrecto -sólo justificación
requeridos algoritmo correcto relevantes o útiles) justificación del mejor o peor
tratamiento
escogido

Contexto tarea abstracta abstracto, de elementos determinado, decisiones de la sistema cerrado, mundo real, actuación a mundo real, mundo real, tópico, complejo,
formulista restringidos a los académico, vida mundo real técnico, sobre tiempo real restringido complejo; niveles inter-disciplinario
predefinidos, mundo real, todo sistema de libertad;
contexto restringido cerrado entrada limitada y
39

superficial reacción

Nivel de descubierto procedimental clases de resultado resultados finitos fallos y resultados fallos y resultados estrategias mal mal estructurado mal estructurado resultados finitos,
estructuración predecible problemas bien imprevisible finitos finitos estructuradas; múltiple
definidas; tácticas bien razonamiento
procedimental estructuradas
predecible

Nivel de abstracto, abstracto, simulación basado en situado situado por situado por situado por situado por caso situado por situado por tema
abstracción descubierto procedimental limitada necesidades personalmente problema problema contexto problema
TIC y aprendizaje significativo...
 FUOC • P03/72048/01332 40
2.3.2. Problemas algorítmicos
Uno de los tipos de problemas más comunes en las escuelas es el algoritmo.
En la mayoría de cursos de matemáticas, los estudiantes aprenden a resolver
problemas mediante un conjunto rígido y finito de procedimientos, con deci-
siones limitadas y predecibles. Solucionar algoritmos requiere comprensión,
producción numérica y cálculo (McCloskey, Caramaza, y Basili, 1985). Los sis-
temas de procesamiento de números de los estudiantes, que consisten en com-
prensión y producción de números, son la comprensión intelectual que
complementa los procedimientos de cálculo.
Los cálculos, según McCloskey y otros (1985) requieren comprender operaciones (por
ejemplo, propiedades asociativas y conmutativas y conceptos de multiplicación y divi-
sión), procedimientos de ejecución para el cálculo y la recuperación de hechos aritméti-
cos (por ejemplo, tablas de tiempos). Estos enfoques algorítmicos también se usan
frecuentemente en cursos de ciencias o de economía doméstica.
La primera limitación de los enfoques algorítmicos es su dependencia excesiva
de las estructuras de conocimiento procedimental y la falta o ausencia de com-
prensión conceptual de los objetivos del algoritmo y los procedimientos que
requiere. El contenido que sólo se aprende como procedimiento raras veces
puede transmitirse por la falta de comprensión conceptual del proceso subya-
cente. Ésta es una queja bastante común sobre el aprendizaje de estadísticas,
en el cual los profesores se centran en los algoritmos y olvidan el objetivo del
estudio del análisis estadístico.
2.3.3. Problemas narrados
En un intento de situar los algoritmos en una especie de contexto, muchos au-
tores de libros de texto y profesores utilizan los problemas matemáticos. Nor-
malmente, este proceso consiste en fijar los valores que se necesitan para
resolver un algoritmo en una situación o narración breve. Se pide a los estu-
diantes que seleccionen la fórmula más adecuada para resolver el problema,
que extraigan los valores de la narración y los inserten en la fórmula, resol-
viendo la cantidad desconocida.
Se trata de un proceso cognitivo más complejo que seguir un algoritmo proce-
dimental. Desgraciadamente, la narración del problema a menudo no tiene
ningún interés para el estudiante. Por esta razón, cuando intentan transferir
las habilidades para solucionar problemas matemáticos a otros problemas, se
centran demasiado en las características superficiales o recurren a soluciones
familiares que han utilizado en problemas previos (Woods, Hrymak, Marshall,
Wood, Crowe, Hoffman, Wright, Taylor, Woodhouse, y Bouchard, 1997). No
llegan a entender los principios y las aplicaciones conceptuales subyacentes en
la actividad, y tampoco pueden transferir la habilidad de resolver un tipo de
problema a otros problemas que tienen la misma estructura pero característi-
cas distintas.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 40 TIC y aprendizaje significativo...
2.3.2. Problemas algorítmicos
Uno de los tipos de problemas más comunes en las escuelas es el algoritmo.
En la mayoría de cursos de matemáticas, los estudiantes aprenden a resolver
problemas mediante un conjunto rígido y finito de procedimientos, con deci-
siones limitadas y predecibles. Solucionar algoritmos requiere comprensión,
producción numérica y cálculo (McCloskey, Caramaza, y Basili, 1985). Los sis-
temas de procesamiento de números de los estudiantes, que consisten en com-
prensión y producción de números, son la comprensión intelectual que
complementa los procedimientos de cálculo.
Los cálculos, según McCloskey y otros (1985) requieren comprender operaciones (por
ejemplo, propiedades asociativas y conmutativas y conceptos de multiplicación y divi-
sión), procedimientos de ejecución para el cálculo y la recuperación de hechos aritméti-
cos (por ejemplo, tablas de tiempos). Estos enfoques algorítmicos también se usan
frecuentemente en cursos de ciencias o de economía doméstica.
La primera limitación de los enfoques algorítmicos es su dependencia excesiva
de las estructuras de conocimiento procedimental y la falta o ausencia de com-
prensión conceptual de los objetivos del algoritmo y los procedimientos que
requiere. El contenido que sólo se aprende como procedimiento raras veces
puede transmitirse por la falta de comprensión conceptual del proceso subya-
cente. Ésta es una queja bastante común sobre el aprendizaje de estadísticas,
en el cual los profesores se centran en los algoritmos y olvidan el objetivo del
estudio del análisis estadístico.
2.3.3. Problemas narrados
En un intento de situar los algoritmos en una especie de contexto, muchos au-
tores de libros de texto y profesores utilizan los problemas matemáticos. Nor-
malmente, este proceso consiste en fijar los valores que se necesitan para
resolver un algoritmo en una situación o narración breve. Se pide a los estu-
diantes que seleccionen la fórmula más adecuada para resolver el problema,
que extraigan los valores de la narración y los inserten en la fórmula, resol-
viendo la cantidad desconocida.
Se trata de un proceso cognitivo más complejo que seguir un algoritmo proce-
dimental. Desgraciadamente, la narración del problema a menudo no tiene
ningún interés para el estudiante. Por esta razón, cuando intentan transferir
las habilidades para solucionar problemas matemáticos a otros problemas, se
centran demasiado en las características superficiales o recurren a soluciones
familiares que han utilizado en problemas previos (Woods, Hrymak, Marshall,
Wood, Crowe, Hoffman, Wright, Taylor, Woodhouse, y Bouchard, 1997). No
llegan a entender los principios y las aplicaciones conceptuales subyacentes en
la actividad, y tampoco pueden transferir la habilidad de resolver un tipo de
problema a otros problemas que tienen la misma estructura pero característi-
cas distintas.
 FUOC • P03/72048/01332 41
2.3.4. Problemas que usan reglas
Una cantidad importante de problemas tienen soluciones correctas pero múl-
tiples vías de solución o múltiples reglas que dirigen el proceso de solución.
Suelen tener un propósito u objetivo claro que es restrictivo pero no restringi-
do a un procedimiento o método específico. Utilizar un sistema de búsqueda
en línea para localizar información importante en la web es un ejemplo de
problemas que usan reglas. El objetivo es claro: encontrar la información más
relevante en el menor tiempo. Ello requiere seleccionar los términos de bús-
queda, construir argumentos de búsqueda eficaces, implementar la estrategia
de búsqueda y valorar la utilidad y credibilidad de la información encontrada.
Schacter, Chung y Dorr (1998) han revelado que los estudiantes raramente
utilizan estrategias de búsqueda sistemática y pasan muy poco tiempo o nada
planeándolas. Ésta es la esencia de la búsqueda orientada con reglas. Por el he-
cho de que hay múltiples estrategias de búsqueda, los problemas que usan re-
glas pueden llegar a estar decididamente mal estructurados.
2.3.5. Problemas de toma de decisiones
Los problemas de toma de decisiones normalmente se resumen en decisiones
con un número de soluciones limitadas. Por ejemplo, ¿nos movemos en la di-
rección adecuada para aceptar una promoción? ¿Qué plan de salud escoge-
mos? ¿Qué escuela es mejor para mis hijos? Aunque estos problemas tienen
un número limitado de soluciones, el número de factores que pueden consi-
derarse a la hora de decidir entre éstas, así como la importancia que damos a
cada una, pueden ser muy complejas. Los problemas de toma de decisiones
normalmente requieren comparar y contrastar las ventajas e inconvenientes
de las soluciones alternativas. Las decisiones se justifican por la importancia
que se concede a cada uno de estos factores.
2.3.6. Problemas de resolución de dificultades
La resolución de dificultades o averías es una de las formas más comunes de
solucionar problemas cotidianos. Mantener comunicaciones complejas y
equipamientos informáticos requiere de esta habilidad de resolución, como
por ejemplo eliminar un virus de un programa informático.
El objetivo principal de la resolución de dificultades es la diagnosis de
estados falsos. Es decir, hay una parte de un sistema que no funciona
correctamente, y ello crea síntomas que deben diagnosticarse y corres-
ponder con el conocimiento del usuario sobre los distintos estados fal-
sos. La resolución de dificultades supone utilizar síntomas para generar
y probar hipótesis sobre distintos estados falsos.
TIC y aprendizaje significativo...
Los problemas
que usan reglas...
... pueden ser tan sencillos
como una receta para acoger a
más invitados, o tan complejas
como rellenar las declaraciones
de devolución de impuestos.
 FUOC • P03/72048/01332 41 TIC y aprendizaje significativo...
2.3.4. Problemas que usan reglas
Una cantidad importante de problemas tienen soluciones correctas pero múl-
Los problemas
tiples vías de solución o múltiples reglas que dirigen el proceso de solución. que usan reglas...
Suelen tener un propósito u objetivo claro que es restrictivo pero no restringi- ... pueden ser tan sencillos
como una receta para acoger a
do a un procedimiento o método específico. Utilizar un sistema de búsqueda más invitados, o tan complejas
en línea para localizar información importante en la web es un ejemplo de como rellenar las declaraciones
de devolución de impuestos.
problemas que usan reglas. El objetivo es claro: encontrar la información más
relevante en el menor tiempo. Ello requiere seleccionar los términos de bús-
queda, construir argumentos de búsqueda eficaces, implementar la estrategia
de búsqueda y valorar la utilidad y credibilidad de la información encontrada.
Schacter, Chung y Dorr (1998) han revelado que los estudiantes raramente
utilizan estrategias de búsqueda sistemática y pasan muy poco tiempo o nada
planeándolas. Ésta es la esencia de la búsqueda orientada con reglas. Por el he-
cho de que hay múltiples estrategias de búsqueda, los problemas que usan re-
glas pueden llegar a estar decididamente mal estructurados.
2.3.5. Problemas de toma de decisiones
Los problemas de toma de decisiones normalmente se resumen en decisiones
con un número de soluciones limitadas. Por ejemplo, ¿nos movemos en la di-
rección adecuada para aceptar una promoción? ¿Qué plan de salud escoge-
mos? ¿Qué escuela es mejor para mis hijos? Aunque estos problemas tienen
un número limitado de soluciones, el número de factores que pueden consi-
derarse a la hora de decidir entre éstas, así como la importancia que damos a
cada una, pueden ser muy complejas. Los problemas de toma de decisiones
normalmente requieren comparar y contrastar las ventajas e inconvenientes
de las soluciones alternativas. Las decisiones se justifican por la importancia
que se concede a cada uno de estos factores.
2.3.6. Problemas de resolución de dificultades
La resolución de dificultades o averías es una de las formas más comunes de
solucionar problemas cotidianos. Mantener comunicaciones complejas y
equipamientos informáticos requiere de esta habilidad de resolución, como
por ejemplo eliminar un virus de un programa informático.
El objetivo principal de la resolución de dificultades es la diagnosis de
estados falsos. Es decir, hay una parte de un sistema que no funciona
correctamente, y ello crea síntomas que deben diagnosticarse y corres-
ponder con el conocimiento del usuario sobre los distintos estados fal-
sos. La resolución de dificultades supone utilizar síntomas para generar
y probar hipótesis sobre distintos estados falsos.
 FUOC • P03/72048/01332 42 TIC y aprendizaje significativo...
Esta habilidad requiere una combinación de conocimiento dominante y de sis-
temas (modelos conceptuales del sistema); estrategias de resolución de dificulta-
des como buscar - y - sustituir, la eliminación en serie y la partición del espacio,
y la experiencia (representada en el razonamiento basado en casos). Estas habili-
dades se integran y se organizan a partir de las experiencias del localizador de
problemas. El modelo conceptual consiste en un conocimiento conceptual, fun-
cional y declarativo, incluyendo el conocimiento de componentes del sistema y
de interacciones, el control de movimiento, los falsos estados (características fal-
sas, síntomas, información contextual y probabilidades de ocurrencia), y los pro-
cedimientos de comprobación de fallos.
2.3.7. Problemas de solución y diagnosis
Los problemas de solución y diagnosis se parecen a los de resolución de difi-
cultades; la mayoría de estos problemas requieren la identificación de un esta-
do falso. Sin embargo, en el caso de la resolución de dificultades o averías, el
objetivo es reparar el fallo y volver a tener el sistema en línea lo más rápido
posible, o sea que las estrategias de solución son más restrictivas. Los proble-
mas de solución y diagnosis normalmente empiezan con un estado falso simi-
lar al de la resolución de dificultades.
Podemos tomar como ejemplo los síntomas de una persona enferma. El médico examina
al paciente y estudia su historial antes de hacer un diagnóstico inicial. En una espiral de
recogida de datos, en la generación de hipótesis y la comprobación, el médico se centra
en una etiología específica y un diagnóstico diferencial del problema del paciente. En
este punto, el médico ya puede sugerir una solución. A menudo existen múltiples solu-
ciones y vías de solución, por lo que el médico debe justificar una solución concreta. Esta
ambigüedad en las vías de solución es lo que distingue los problemas de solución y diag-
nosis de los de resolución de dificultades.
2.3.8. Actuaciones estratégicas
La actuación táctica-estratégica requiere tiempo real, estructuras de activida-
des complejas en las que los actores recurren a actividades tácticas para encon-
trar una estrategia más compleja y mal estructurada manteniendo la
conciencia situacional. Para llegar al objetivo estratégico, como cuando uno
pilota un avión comercial o un quarterback* contraataca una falta de fútbol
* Conducta de juego
americano, el actor aplica una serie de actividades tácticas complejas que se
han diseñado para llegar a unos objetivos estratégicos.
La formación de estrategias representa un caso ubicado o un problema de di-
seño (descrito a continuación). Encontrar esta estrategia mediante maniobras
tácticas es una actuación táctica. Típicamente, existe un número limitado de
actividades tácticas que se han diseñado para cumplir la estrategia, pero la
prueba de que un actor táctico es experto radica en su habilidad para impro-
visar y construir nuevas tácticas para llegar a la estrategia.
 FUOC • P03/72048/01332 42 TIC y aprendizaje significativo...
Esta habilidad requiere una combinación de conocimiento dominante y de sis-
temas (modelos conceptuales del sistema); estrategias de resolución de dificulta-
des como buscar - y - sustituir, la eliminación en serie y la partición del espacio,
y la experiencia (representada en el razonamiento basado en casos). Estas habili-
dades se integran y se organizan a partir de las experiencias del localizador de
problemas. El modelo conceptual consiste en un conocimiento conceptual, fun-
cional y declarativo, incluyendo el conocimiento de componentes del sistema y
de interacciones, el control de movimiento, los falsos estados (características fal-
sas, síntomas, información contextual y probabilidades de ocurrencia), y los pro-
cedimientos de comprobación de fallos.
2.3.7. Problemas de solución y diagnosis
Los problemas de solución y diagnosis se parecen a los de resolución de difi-
cultades; la mayoría de estos problemas requieren la identificación de un esta-
do falso. Sin embargo, en el caso de la resolución de dificultades o averías, el
objetivo es reparar el fallo y volver a tener el sistema en línea lo más rápido
posible, o sea que las estrategias de solución son más restrictivas. Los proble-
mas de solución y diagnosis normalmente empiezan con un estado falso simi-
lar al de la resolución de dificultades.
Podemos tomar como ejemplo los síntomas de una persona enferma. El médico examina
al paciente y estudia su historial antes de hacer un diagnóstico inicial. En una espiral de
recogida de datos, en la generación de hipótesis y la comprobación, el médico se centra
en una etiología específica y un diagnóstico diferencial del problema del paciente. En
este punto, el médico ya puede sugerir una solución. A menudo existen múltiples solu-
ciones y vías de solución, por lo que el médico debe justificar una solución concreta. Esta
ambigüedad en las vías de solución es lo que distingue los problemas de solución y diag-
nosis de los de resolución de dificultades.
2.3.8. Actuaciones estratégicas
La actuación táctica-estratégica requiere tiempo real, estructuras de activida-
des complejas en las que los actores recurren a actividades tácticas para encon-
trar una estrategia más compleja y mal estructurada manteniendo la
conciencia situacional. Para llegar al objetivo estratégico, como cuando uno
pilota un avión comercial o un quarterback* contraataca una falta de fútbol
* Conducta de juego
americano, el actor aplica una serie de actividades tácticas complejas que se
han diseñado para llegar a unos objetivos estratégicos.
La formación de estrategias representa un caso ubicado o un problema de di-
seño (descrito a continuación). Encontrar esta estrategia mediante maniobras
tácticas es una actuación táctica. Típicamente, existe un número limitado de
actividades tácticas que se han diseñado para cumplir la estrategia, pero la
prueba de que un actor táctico es experto radica en su habilidad para impro-
visar y construir nuevas tácticas para llegar a la estrategia.
 FUOC • P03/72048/01332 43
El quarterback que grita en la línea está eligiendo una nueva táctica para llegar a la estra-
tegia ofensiva. En el campo de batalla, los oficiales superiores identifican una estrategia
y pueden negociar cuestiones tácticas con el actor, pero todos se dan cuenta de que las
tácticas deben ajustarse.
Estos ajustes son contextualmente restringidos. Las actuaciones tácticas pue-
den ser bastante complejas. Las opciones pueden ser numerosas y su imple-
mentación bastante compleja.
2.3.9. Problemas políticos y de análisis de casos ubicados
Los problemas de análisis de casos son situaciones multifacéticas complejas.
Lo que hace que sean problemas difíciles de resolver es que no siempre está
claro cuál es el problema. El hecho de que definir el espacio del problema sea
más ambiguo hace que estos problemas estén peor estructurados. Son el tipo
de problema más común en contextos profesionales; requieren que la persona
exprese la naturaleza del problema y las distintas perspectivas que influyen en
el mismo antes de sugerir soluciones (Jonassen, 1997).
De todos los problemas que hemos estudiado hasta ahora, éste es el tipo de
problema más vinculado al contexto; es decir, sus soluciones dependen de un
análisis de factores contextuales. Solucionar problemas económicos, como la
planificación de la producción, se engloban en este tipo.
Decidir los niveles de producción, por ejemplo, requiere equilibrar los recursos humanos,
las tecnologías, los inventarios y las ventas (Jonassen, Privish, Christy, y Stavrulaki,
1999). También encontramos ejemplos clásicos de problemas de análisis de casos en las
relaciones internacionales, como por ejemplo: “...dada la baja productividad de cosechas
en la Unión Soviética, ¿cómo podría una persona ocuparse de mejorar la productividad
de la cosecha si fuera director del Ministerio de Agricultura en la Unión Soviética?” (Voss
y Post, 1988, pág. 273).
Los problemas en las relaciones internacionales implican tomar decisiones,
generar soluciones y comprobarlas en un contexto político. Justificar decisio-
nes es uno de los procesos más importantes dentro de la solución de proble-
mas de análisis de casos.
2.3.10. Problemas de diseño
Uno de los tipos de problemas peor estructurados es el hecho de diseñar algún
objeto. Ya sea un circuito electrónico, una casa o cualquier otro producto o sis-
tema, el diseño requiere aplicar una gran cantidad de conocimiento dominan-
te con mucho conocimiento estratégico para llegar a un diseño original. El
diseño instruccional es un ejemplo clásico de solución de problemas mal es-
tructurados. A pesar de nuestra lealtad para diseñar modelos, en cualquier pro-
blema de diseño instruccional existen un número infinito de soluciones
posibles. Además, aunque hay quien opina lo contrario, no disponemos de su-
ficientes estudios que apoyen algún modelo en distintas situaciones. Para los
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 43 TIC y aprendizaje significativo...
El quarterback que grita en la línea está eligiendo una nueva táctica para llegar a la estra-
tegia ofensiva. En el campo de batalla, los oficiales superiores identifican una estrategia
y pueden negociar cuestiones tácticas con el actor, pero todos se dan cuenta de que las
tácticas deben ajustarse.
Estos ajustes son contextualmente restringidos. Las actuaciones tácticas pue-
den ser bastante complejas. Las opciones pueden ser numerosas y su imple-
mentación bastante compleja.
2.3.9. Problemas políticos y de análisis de casos ubicados
Los problemas de análisis de casos son situaciones multifacéticas complejas.
Lo que hace que sean problemas difíciles de resolver es que no siempre está
claro cuál es el problema. El hecho de que definir el espacio del problema sea
más ambiguo hace que estos problemas estén peor estructurados. Son el tipo
de problema más común en contextos profesionales; requieren que la persona
exprese la naturaleza del problema y las distintas perspectivas que influyen en
el mismo antes de sugerir soluciones (Jonassen, 1997).
De todos los problemas que hemos estudiado hasta ahora, éste es el tipo de
problema más vinculado al contexto; es decir, sus soluciones dependen de un
análisis de factores contextuales. Solucionar problemas económicos, como la
planificación de la producción, se engloban en este tipo.
Decidir los niveles de producción, por ejemplo, requiere equilibrar los recursos humanos,
las tecnologías, los inventarios y las ventas (Jonassen, Privish, Christy, y Stavrulaki,
1999). También encontramos ejemplos clásicos de problemas de análisis de casos en las
relaciones internacionales, como por ejemplo: “...dada la baja productividad de cosechas
en la Unión Soviética, ¿cómo podría una persona ocuparse de mejorar la productividad
de la cosecha si fuera director del Ministerio de Agricultura en la Unión Soviética?” (Voss
y Post, 1988, pág. 273).
Los problemas en las relaciones internacionales implican tomar decisiones,
generar soluciones y comprobarlas en un contexto político. Justificar decisio-
nes es uno de los procesos más importantes dentro de la solución de proble-
mas de análisis de casos.
2.3.10. Problemas de diseño
Uno de los tipos de problemas peor estructurados es el hecho de diseñar algún
objeto. Ya sea un circuito electrónico, una casa o cualquier otro producto o sis-
tema, el diseño requiere aplicar una gran cantidad de conocimiento dominan-
te con mucho conocimiento estratégico para llegar a un diseño original. El
diseño instruccional es un ejemplo clásico de solución de problemas mal es-
tructurados. A pesar de nuestra lealtad para diseñar modelos, en cualquier pro-
blema de diseño instruccional existen un número infinito de soluciones
posibles. Además, aunque hay quien opina lo contrario, no disponemos de su-
ficientes estudios que apoyen algún modelo en distintas situaciones. Para los
 FUOC • P03/72048/01332 44
diseñadores sin experiencia no queda claro qué modelo es el más apropiado.
Y los criterios que exponen la mejor solución no siempre son obvios, así que
las habilidades en la argumentación y justificación pueden ayudar a los dise-
ñadores o diseñadoras a racionalizar su diseño. Aunque ellos/ellas siempre es-
peran la mejor solución, ésta pocas veces llega a conocerse.
Además de su mala estructuración, muchos problemas de diseño son comple-
jos y requieren que el diseñador equilibre muchas necesidades y restricciones
al llevarlo a cabo. No podemos quitar importancia a este tipo de problemas.
La mayoría de profesionales cobran por diseñar objetos (productos, sistemas,
etc.), y no por hacer exámenes. Un objetivo importante en los planes de estu-
dio actuales es que se adquiera más experiencia en este tipo de problemas.
2.3.11. Dilemas
Los dilemas o problemas basados en temas son los más impredecibles y mal
estructurados, sobretodo porque no hay ninguna solución que sea aceptable
para una parte importante de las personas afectadas.
Normalmente hay muchas perspectivas sobre la situación (militar, política,
La crisis de Kosovo...
social, ética, etc.), y ninguna es capaz de aportar una solución aceptable a la
crisis. La situación es tan compleja e impredecible que no se puede encontrar
una solución que sea mejor que las otras. Ello no quiere decir que no haya so-
luciones que pueden intentarse con grados variables de éxito, pero ninguna
de ellas cubrirá las necesidades de la mayoría o evitará la catástrofe. Los dile-
mas suelen ser situaciones sociales complejas con perspectivas conflictivas, y
normalmente son los problemas que crean más perplejidad.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 44 TIC y aprendizaje significativo...
diseñadores sin experiencia no queda claro qué modelo es el más apropiado.
Y los criterios que exponen la mejor solución no siempre son obvios, así que
las habilidades en la argumentación y justificación pueden ayudar a los dise-
ñadores o diseñadoras a racionalizar su diseño. Aunque ellos/ellas siempre es-
peran la mejor solución, ésta pocas veces llega a conocerse.
Además de su mala estructuración, muchos problemas de diseño son comple-
jos y requieren que el diseñador equilibre muchas necesidades y restricciones
al llevarlo a cabo. No podemos quitar importancia a este tipo de problemas.
La mayoría de profesionales cobran por diseñar objetos (productos, sistemas,
etc.), y no por hacer exámenes. Un objetivo importante en los planes de estu-
dio actuales es que se adquiera más experiencia en este tipo de problemas.
2.3.11. Dilemas
Los dilemas o problemas basados en temas son los más impredecibles y mal
estructurados, sobretodo porque no hay ninguna solución que sea aceptable
para una parte importante de las personas afectadas.
Normalmente hay muchas perspectivas sobre la situación (militar, política,
La crisis de Kosovo...
social, ética, etc.), y ninguna es capaz de aportar una solución aceptable a la
... es un ejemplo muy claro de ... es un ejemplo muy claro de
un problema de dilema.
crisis. La situación es tan compleja e impredecible que no se puede encontrar un problema de dilema.
una solución que sea mejor que las otras. Ello no quiere decir que no haya so-
luciones que pueden intentarse con grados variables de éxito, pero ninguna
de ellas cubrirá las necesidades de la mayoría o evitará la catástrofe. Los dile-
mas suelen ser situaciones sociales complejas con perspectivas conflictivas, y
normalmente son los problemas que crean más perplejidad.
 FUOC • P03/72048/01332 45 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 45 TIC y aprendizaje significativo...

3. Entornos de aprendizaje de resolución 3. Entornos de aprendizaje de resolución

de problemas en línea de problemas en línea

Encontramos problemas en todas partes, de tal manera que gastamos buena
Problemas cuotidianos
parte de nuestra energía psicológica en resolverlos. Mientras que a muchos de
nosotros no nos gusta admitir que tenemos problemas, la realidad es que los ¿Qué me pongo para ir a tra-
bajar? ¿Cuál es el mejor cami-
solucionamos diariamente. no para evitar el tráfico?
¿Cómo hacer que mi jefe no
me regañe? ¿Qué podemos
Estamos inundados de problemas cada día. Desgraciadamente, raras veces nos comer esta noche? ¿Cómo po-
demos promocionar este pro-
enseñan a solucionarlos. ducto para maximizar los
ingresos? ¿Cómo hago que los
estudiantes dejen de hablar en
En esta apartado, describiremos los requisitos básicos para diseñar entornos de clase?
aprendizaje en línea que ayuden a las personas a solucionar diferentes tipos de
problemas. El hecho de que cada tipo de problema descrito anteriormente re-
quiere un proceso de pensamiento distinto para llegar a una solución, hace
que cada uno deba enseñarse de una forma distinta.
Encontramos problemas en todas partes, de tal manera que gastamos buena
Problemas cuotidianos
parte de nuestra energía psicológica en resolverlos. Mientras que a muchos de
nosotros no nos gusta admitir que tenemos problemas, la realidad es que los ¿Qué me pongo para ir a tra-
bajar? ¿Cuál es el mejor cami-
solucionamos diariamente. no para evitar el tráfico?
¿Cómo hacer que mi jefe no
me regañe? ¿Qué podemos
Estamos inundados de problemas cada día. Desgraciadamente, raras veces nos comer esta noche? ¿Cómo po-
demos promocionar este pro-
enseñan a solucionarlos. ducto para maximizar los
ingresos? ¿Cómo hago que los
estudiantes dejen de hablar en
En esta apartado, describiremos los requisitos básicos para diseñar entornos de clase?
aprendizaje en línea que ayuden a las personas a solucionar diferentes tipos de
problemas. El hecho de que cada tipo de problema descrito anteriormente re-
quiere un proceso de pensamiento distinto para llegar a una solución, hace
que cada uno deba enseñarse de una forma distinta.

Antes hemos descrito once tipos de problemas, pero por problemas de espacio
sólo describiremos tres clases de entornos de aprendizaje para la resolución de
problemas. Describiremos, en términos generales, cómo deberían ser los en-
tornos de aprendizaje en línea para que permitan aprender a resolver proble-
mas matemáticos, problemas de resolución de dificultades y problemas de
análisis de casos. En la actualidad todavía estamos desarrollando modelos que
permitan enseñar a resolver otros tipos de problemas.
Antes hemos descrito once tipos de problemas, pero por problemas de espacio
sólo describiremos tres clases de entornos de aprendizaje para la resolución de
problemas. Describiremos, en términos generales, cómo deberían ser los en-
tornos de aprendizaje en línea para que permitan aprender a resolver proble-
mas matemáticos, problemas de resolución de dificultades y problemas de
análisis de casos. En la actualidad todavía estamos desarrollando modelos que
permitan enseñar a resolver otros tipos de problemas.

3.1. Problemas narrados 3.1. Problemas narrados

El método más común para enseñar a solucionar problemas matemáticos es el
que consiste en traducir las historias a fórmulas y entonces solucionar lo des-
conocido. Los estudiantes pueden llegar a ser muy hábiles a la hora de repre-
sentar problemas cuantitativamente sin entender los principios subyacentes
que representan las fórmulas.
El método más común para enseñar a solucionar problemas matemáticos es el
que consiste en traducir las historias a fórmulas y entonces solucionar lo des-
conocido. Los estudiantes pueden llegar a ser muy hábiles a la hora de repre-
sentar problemas cuantitativamente sin entender los principios subyacentes
que representan las fórmulas.

“Durante años, el profesor de física Eric Mazur, creyó firmemente que los estudiantes de “Durante años, el profesor de física Eric Mazur, creyó firmemente que los estudiantes de
su curso introductorio de física de la Universidad de Harvard estaban entendiendo la ma- su curso introductorio de física de la Universidad de Harvard estaban entendiendo la ma-
teria; después de todo, conseguían excelentes resultados en los difíciles problemas cuan- teria; después de todo, conseguían excelentes resultados en los difíciles problemas cuan-
titativos de los exámenes.” titativos de los exámenes.”

F. Panitz (1998). “The 15-minute lecture”. Prism (vol. 6, núm. 7, pág. 17). F. Panitz (1998). “The 15-minute lecture”. Prism (vol. 6, núm. 7, pág. 17).

Cuando les dio un examen diseñado para valorar su conocimiento básico de Cuando les dio un examen diseñado para valorar su conocimiento básico de
los conceptos de física representados en los problemas: los conceptos de física representados en los problemas:

“quedó muy sorprendido por el fracaso. Aparentemente, muchos estudiantes simple- “quedó muy sorprendido por el fracaso. Aparentemente, muchos estudiantes simple-
mente habían memorizado ecuaciones y procedimientos para resolver problemas sin en- mente habían memorizado ecuaciones y procedimientos para resolver problemas sin en-
tender los conceptos que había escondidos”. tender los conceptos que había escondidos”.

F. Panitz (1998, pág. 17). F. Panitz (1998, pág. 17).

 FUOC • P03/72048/01332 46 TIC y aprendizaje significativo...
Este resultado ocurre inevitablemente cuando los estudiantes usan un enfo-
Plug and chug
que de aplicación directa (plug and chug) para resolver problemas matemáticos.
¿Por qué ocurre esto? Porque plug and chug no requiere habilidades como la Significa introducir valores en
las fórmulas y encontrar direc-
interpretación de conceptos o la generación de representaciones que generan tamente la solución.
problemas, imprescindibles para el aprendizaje significativo (Jonassen, 2001).
Cada tipo de solución de problemas requiere que el estudiante construya una
especie de modelo mental del problema y que base sus planes de solución en
su modelo. Es importante que los estudiantes demuestren que entienden con-
ceptualmente el problema antes de elegir una fórmula (Reusser, 1993).
En las siguientes páginas, describiremos, justificaremos y ejemplificaremos un
modelo para crear entornos de aprendizaje que ayuden a los estudiantes a
aprender a resolver problemas conceptual y cuantitativamente. Cada compo-
nente tiene también una breve descripción posterior de cómo funcionan los
entornos de aprendizaje de problemas matemáticos.
3.1.1. Tipo de problema y tipología
La construcción de un modelo conceptual de la solución de problemas resulta
difícil porque cada tipo de problema tiene un tipo de modelo distinto.
Existen distintos tipos de problemas clásicos de movimiento en matemáticas, como el
adelantamiento (un vehículo arranca y le sigue otro vehículo que hace el mismo trayecto
a más velocidad), dirección opuesta (dos vehículos que salen del mismo punto y van en
dirección opuesta), viaje de ida y vuelta (el vehículo va del punto A al B y vuelve), o cierre
(dos vehículos que arrancan en dos puntos distintos y viajan el uno hacia donde esta el
otro) (Mayer, Larkin y Kadane, 1984).
Cada tipo de problema tiene un conjunto de relaciones estructurales entre las
entidades que requieren operaciones distintas. Es esencial que los estudiantes
construyan modelos conceptuales que demuestren que han entendido las rela-
ciones entre las entidades que establece el problema. Deben aprender las es-
tructuras de cada tipo de problema que intentan solucionar. Clasificar tipos de
problemas es básico para entender y transferir la solución de problemas (Ma-
yer, Larkin, Kadane, 1984). ¿Por qué? Porque los principiantes suelen clasificar
los problemas basándose en el contenido superficial (las entidades situaciona-
les que establece el problema) y no las relaciones fijadas en los principios, y ello
provoca una mala categorización del tipo de problema (Blessin y Ross, 1996).
Clasificar problemas es importante porque, como han revelado Mayer y otros
(1984), cuando los estudiantes categorizan incorrectamente los problemas, es
más probable que cometan errores.
En casi todos los campos donde utilizan problemas matemáticos, los investi-
gadores han desarrollado tipologías de problemas. Incluso los problemas ma-
temáticos más elementales pueden clasificarse como problemas de cambio, de
 FUOC • P03/72048/01332 46 TIC y aprendizaje significativo...
Este resultado ocurre inevitablemente cuando los estudiantes usan un enfo-
Plug and chug
que de aplicación directa (plug and chug) para resolver problemas matemáticos.
¿Por qué ocurre esto? Porque plug and chug no requiere habilidades como la Significa introducir valores en
las fórmulas y encontrar direc-
interpretación de conceptos o la generación de representaciones que generan tamente la solución.
problemas, imprescindibles para el aprendizaje significativo (Jonassen, 2001).
Cada tipo de solución de problemas requiere que el estudiante construya una
especie de modelo mental del problema y que base sus planes de solución en
su modelo. Es importante que los estudiantes demuestren que entienden con-
ceptualmente el problema antes de elegir una fórmula (Reusser, 1993).
En las siguientes páginas, describiremos, justificaremos y ejemplificaremos un
modelo para crear entornos de aprendizaje que ayuden a los estudiantes a
aprender a resolver problemas conceptual y cuantitativamente. Cada compo-
nente tiene también una breve descripción posterior de cómo funcionan los
entornos de aprendizaje de problemas matemáticos.
3.1.1. Tipo de problema y tipología
La construcción de un modelo conceptual de la solución de problemas resulta
difícil porque cada tipo de problema tiene un tipo de modelo distinto.
Existen distintos tipos de problemas clásicos de movimiento en matemáticas, como el
adelantamiento (un vehículo arranca y le sigue otro vehículo que hace el mismo trayecto
a más velocidad), dirección opuesta (dos vehículos que salen del mismo punto y van en
dirección opuesta), viaje de ida y vuelta (el vehículo va del punto A al B y vuelve), o cierre
(dos vehículos que arrancan en dos puntos distintos y viajan el uno hacia donde esta el
otro) (Mayer, Larkin y Kadane, 1984).
Cada tipo de problema tiene un conjunto de relaciones estructurales entre las
entidades que requieren operaciones distintas. Es esencial que los estudiantes
construyan modelos conceptuales que demuestren que han entendido las rela-
ciones entre las entidades que establece el problema. Deben aprender las es-
tructuras de cada tipo de problema que intentan solucionar. Clasificar tipos de
problemas es básico para entender y transferir la solución de problemas (Ma-
yer, Larkin, Kadane, 1984). ¿Por qué? Porque los principiantes suelen clasificar
los problemas basándose en el contenido superficial (las entidades situaciona-
les que establece el problema) y no las relaciones fijadas en los principios, y ello
provoca una mala categorización del tipo de problema (Blessin y Ross, 1996).
Clasificar problemas es importante porque, como han revelado Mayer y otros
(1984), cuando los estudiantes categorizan incorrectamente los problemas, es
más probable que cometan errores.
En casi todos los campos donde utilizan problemas matemáticos, los investi-
gadores han desarrollado tipologías de problemas. Incluso los problemas ma-
temáticos más elementales pueden clasificarse como problemas de cambio, de
 FUOC • P03/72048/01332 47
comparación o de combinación (Riley y Greeno, 1983). Un problema de com-
paración en el que se desconoce la cantidad de cambio podría ser éste:
Tom tiene cuatro manzanas. Mary tiene algunas manzanas. Juntos,
tienen nueve manzanas. ¿Cuántas manzanas tiene Mary?
Mayer (1982) ha analizado miles de problemas de los libros de álgebra de los
institutos para encontrar semejanzas estructurales. Ha identificado ocho fami-
lias de problemas matemáticos:
• problemas de cálculo de tiempo,
• problemas de coste unitario,
• problemas de coste porcentual,
• problemas cálculo directo,
• problemas geométricos (área simple),
• problemas físicos (ley de Ohm),
• problemas estadísticos (combinaciones)
• y problemas numéricos.
En cada familia de problemas, Mayer identifica categorías de problemas. Por
ejemplo, en los problemas de cálculo de tiempo identifica problemas de mo-
vimiento, problemas actuales y problemas laborales. En cada una de estas ca-
tegorías identifica plantillas de problemas que comparten características
similares.
Por ejemplo, dentro de los problemas de movimientos, identifica plantillas como el ade-
lantamiento, la dirección opuesta, el viaje de ida y vuelta, el cierre, el cambio de veloci-
dad, la misma dirección, etc. La estructura para los problemas de movimiento de
adelantamiento especifica que “un vehículo arranca y le sigue otro vehículo que hace el
mismo trayecto a más velocidad” (pág. 156).
Para enseñar a los estudiantes a resolver problemas de este tipo en cualquier
campo, hay que construir tipologías similares de tipos de problema para ense-
ñar explícitamente semejanzas y diferencias estructurales entre problemas.
Para diseñar y desarrollar entornos de aprendizaje de problemas matemáticos
en la física introductoria, construimos la tipología de problemas de la figura
11. El organizador gráfico se usa para estructurar el entorno de aprendizaje.
Cuando el estudiante se encuentra con el problema, debe usar primero esta ti-
pología y clasificar el problema. Si se hace un doble clic en cada tipo de pro-
blema, aparecen ejemplos, así como los principios subyacentes de la física.
Poner énfasis en las propiedades estructurales de los problemas y contrastarlos
con otros problemas del mismo campo impulsa las habilidades del estudiante
para generalizar problemas dentro de la clase y discrimina entre aquellas clases
que se basan más en las propiedades estructurales de los problemas que en el
nivel superficial y las características situacionales (Chi, Feltovich y Glaser,
1981; Silver, 1981).
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 47 TIC y aprendizaje significativo...
comparación o de combinación (Riley y Greeno, 1983). Un problema de com-
paración en el que se desconoce la cantidad de cambio podría ser éste:
Tom tiene cuatro manzanas. Mary tiene algunas manzanas. Juntos,
tienen nueve manzanas. ¿Cuántas manzanas tiene Mary?
Mayer (1982) ha analizado miles de problemas de los libros de álgebra de los
institutos para encontrar semejanzas estructurales. Ha identificado ocho fami-
lias de problemas matemáticos:
• problemas de cálculo de tiempo,
• problemas de coste unitario,
• problemas de coste porcentual,
• problemas cálculo directo,
• problemas geométricos (área simple),
• problemas físicos (ley de Ohm),
• problemas estadísticos (combinaciones)
• y problemas numéricos.
En cada familia de problemas, Mayer identifica categorías de problemas. Por
ejemplo, en los problemas de cálculo de tiempo identifica problemas de mo-
vimiento, problemas actuales y problemas laborales. En cada una de estas ca-
tegorías identifica plantillas de problemas que comparten características
similares.
Por ejemplo, dentro de los problemas de movimientos, identifica plantillas como el ade-
lantamiento, la dirección opuesta, el viaje de ida y vuelta, el cierre, el cambio de veloci-
dad, la misma dirección, etc. La estructura para los problemas de movimiento de
adelantamiento especifica que “un vehículo arranca y le sigue otro vehículo que hace el
mismo trayecto a más velocidad” (pág. 156).
Para enseñar a los estudiantes a resolver problemas de este tipo en cualquier
campo, hay que construir tipologías similares de tipos de problema para ense-
ñar explícitamente semejanzas y diferencias estructurales entre problemas.
Para diseñar y desarrollar entornos de aprendizaje de problemas matemáticos
en la física introductoria, construimos la tipología de problemas de la figura
11. El organizador gráfico se usa para estructurar el entorno de aprendizaje.
Cuando el estudiante se encuentra con el problema, debe usar primero esta ti-
pología y clasificar el problema. Si se hace un doble clic en cada tipo de pro-
blema, aparecen ejemplos, así como los principios subyacentes de la física.
Poner énfasis en las propiedades estructurales de los problemas y contrastarlos
con otros problemas del mismo campo impulsa las habilidades del estudiante
para generalizar problemas dentro de la clase y discrimina entre aquellas clases
que se basan más en las propiedades estructurales de los problemas que en el
nivel superficial y las características situacionales (Chi, Feltovich y Glaser,
1981; Silver, 1981).
 FUOC • P03/72048/01332 48 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 48 TIC y aprendizaje significativo...

Figura 11. Organizador gráfico de problemas físicos. Figura 11. Organizador gráfico de problemas físicos.

Figura 12. Estructura de un entorno de solución a un Figura 12. Estructura de un entorno de solución a un
problema matemático. problema matemático.
 FUOC • P03/72048/01332 49 TIC y aprendizaje significativo...
La figura 12 ilustra la estructura de un entorno de solución de un problema
matemático (ESPM). A continuación describiremos cada uno de los compo-
nentes del entorno.
3.1.2. Clasificación de problemas
Cuando se trabaja en un entorno de solución de problemas matemáticos (ilus-
trado en la figura 13), los estudiantes deben elegir el tipo de problema que
creen que lo describe mejor, utilizando el menú para bajar en la parte izquier-
da superior de la pantalla. En este caso, el estudiante utiliza correctamente el
clasificador de problemas para seleccionar la cinemática, seguidamente la ve-
locidad constante y luego la bidimensional.
Figura 13. Entorno de solución de problemas matemáticos en el campo de la física.
3.1.3. Problema verbal
El estudiante visualiza el problema en el entorno de solución de problemas
matemáticos (ESPM*) en la esquina superior derecha de la figura 13. Éste es el
* En inglés, Story-problem-solving
problema que se ha clasificado como un problema bidimensional de velocidad enviroment (SPSE).
constante. El problema permanece siempre en la ventana de la parte superior
derecha para que el estudiante pueda ir adelante y atrás pasando de una repre-
sentación a otra.
3.1.4. Identificador del conjunto
Como hemos dicho antes, para construir una representación interna del pro-
blema, los estudiantes deben construir un modelo conceptual interno del mis-
mo. Este modelo consiste en los conjuntos importantes que lo configuran.
Analizar cualquier problema matemático requiere identificar los conjuntos
 FUOC • P03/72048/01332 49 TIC y aprendizaje significativo...
La figura 12 ilustra la estructura de un entorno de solución de un problema
matemático (ESPM). A continuación describiremos cada uno de los compo-
nentes del entorno.
3.1.2. Clasificación de problemas
Cuando se trabaja en un entorno de solución de problemas matemáticos (ilus-
trado en la figura 13), los estudiantes deben elegir el tipo de problema que
creen que lo describe mejor, utilizando el menú para bajar en la parte izquier-
da superior de la pantalla. En este caso, el estudiante utiliza correctamente el
clasificador de problemas para seleccionar la cinemática, seguidamente la ve-
locidad constante y luego la bidimensional.
Figura 13. Entorno de solución de problemas matemáticos en el campo de la física.
3.1.3. Problema verbal
El estudiante visualiza el problema en el entorno de solución de problemas
matemáticos (ESPM*) en la esquina superior derecha de la figura 13. Éste es el
* En inglés, Story-problem-solving
problema que se ha clasificado como un problema bidimensional de velocidad enviroment (SPSE).
constante. El problema permanece siempre en la ventana de la parte superior
derecha para que el estudiante pueda ir adelante y atrás pasando de una repre-
sentación a otra.
3.1.4. Identificador del conjunto
Como hemos dicho antes, para construir una representación interna del pro-
blema, los estudiantes deben construir un modelo conceptual interno del mis-
mo. Este modelo consiste en los conjuntos importantes que lo configuran.
Analizar cualquier problema matemático requiere identificar los conjuntos
 FUOC • P03/72048/01332 50
que son importantes para la solución del problema y asignarles un valor
(Briars y Larkin, 1984; Riley y Greeno, 1988). Completar y asignar valores a es-
tas proposiciones promueve la construcción de distintos modelos para cada
tipo de problema (Mayer, 1982).
Para usar el identificador del conjunto, el estudiante subraya las entidades y sus cantida-
des en el espacio del problema verbal en la esquina superior derecha de la figura 13 y tras-
lada cada valor del problema al identificador del conjunto. De manera automática, se
crea un conjunto, que consiste en tres cajas más pequeñas. El estudiante debe identificar
el objeto, la cantidad y las unidades que describen el objeto. En la figura 14 se han iden-
tificado tres conjuntos (velocidad inicial, ángulo de proyección y lanzamiento).
3.1.5. Modelo estructural
“Una persona que trabaja en problemas de física ha de poder reconocer las estructuras
subyacentes de los problemas, generar representaciones adecuadas para el descubrimien-
to de soluciones y hacer inferencias de estas representaciones.”
Y. Anzai (1991). “Learning and use of representations for physics problems”. En: K.A.
Ericsson, J. Smith (eds.). Toward a general theory of expertise (pág. 83). Cambridge: Cam-
bridge University Press.
Los principios subyacentes de la física, como en todos los campos, pue-
den predecirse por las relaciones causales entre conceptos. En física,
cada tipo de problema tiene un modelo estructural que representa una
combinación distinta de entidades interrelacionadas mediante formas
únicas.
Una vez seleccionado el tipo de problema e identificados los conjuntos, el es-
tudiante traslada y lanza los conjuntos desde el identificador del conjunto
hasta el modelo estructural (titulado Determinar relaciones causales, parte supe-
rior izquierda en la figura 14). El modelo describe los componentes causales y
estructurales del problema. Aunque se parecen al tipo de estructuras de cono-
cimiento que Bagno, Eylon y Ganiel (2000) usaban para demostrar estructuras
de conocimiento experto, estos modelos se centran en la descripción de rela-
ciones causales entre componentes del problema.
Los estudiantes, en este problema, han de ir arrastrando de velocidad inicial a
velocidad inicial sucesivamente. Si arrastran y dejan un conjunto en un ele-
mento equivocado del modelo estructural, aparece un cuadro explicatorio.
Aunque este paso puede parecer redundante, sirve para poner énfasis en las re-
laciones conceptuales del problema antes de mapear los valores en fórmulas.
¿Por qué es importante? Ploetzner, Fehse, Kneser, y Spada (1999) demostraron
que al solucionar problemas matemáticos en física, las representaciones cuali-
tativas del problema son necesarias para aprender representaciones cuantita-
tivas. Por lo tanto, los estudiantes deberían mapear valores de los problemas y
convertirlos en representaciones cualitativas (causales) del problema antes de
mapear los valores y convertirlos en fórmulas.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 50 TIC y aprendizaje significativo...
que son importantes para la solución del problema y asignarles un valor
(Briars y Larkin, 1984; Riley y Greeno, 1988). Completar y asignar valores a es-
tas proposiciones promueve la construcción de distintos modelos para cada
tipo de problema (Mayer, 1982).
Para usar el identificador del conjunto, el estudiante subraya las entidades y sus cantida-
des en el espacio del problema verbal en la esquina superior derecha de la figura 13 y tras-
lada cada valor del problema al identificador del conjunto. De manera automática, se
crea un conjunto, que consiste en tres cajas más pequeñas. El estudiante debe identificar
el objeto, la cantidad y las unidades que describen el objeto. En la figura 14 se han iden-
tificado tres conjuntos (velocidad inicial, ángulo de proyección y lanzamiento).
3.1.5. Modelo estructural
“Una persona que trabaja en problemas de física ha de poder reconocer las estructuras
subyacentes de los problemas, generar representaciones adecuadas para el descubrimien-
to de soluciones y hacer inferencias de estas representaciones.”
Y. Anzai (1991). “Learning and use of representations for physics problems”. En: K.A.
Ericsson, J. Smith (eds.). Toward a general theory of expertise (pág. 83). Cambridge: Cam-
bridge University Press.
Los principios subyacentes de la física, como en todos los campos, pue-
den predecirse por las relaciones causales entre conceptos. En física,
cada tipo de problema tiene un modelo estructural que representa una
combinación distinta de entidades interrelacionadas mediante formas
únicas.
Una vez seleccionado el tipo de problema e identificados los conjuntos, el es-
tudiante traslada y lanza los conjuntos desde el identificador del conjunto
hasta el modelo estructural (titulado Determinar relaciones causales, parte supe-
rior izquierda en la figura 14). El modelo describe los componentes causales y
estructurales del problema. Aunque se parecen al tipo de estructuras de cono-
cimiento que Bagno, Eylon y Ganiel (2000) usaban para demostrar estructuras
de conocimiento experto, estos modelos se centran en la descripción de rela-
ciones causales entre componentes del problema.
Los estudiantes, en este problema, han de ir arrastrando de velocidad inicial a
velocidad inicial sucesivamente. Si arrastran y dejan un conjunto en un ele-
mento equivocado del modelo estructural, aparece un cuadro explicatorio.
Aunque este paso puede parecer redundante, sirve para poner énfasis en las re-
laciones conceptuales del problema antes de mapear los valores en fórmulas.
¿Por qué es importante? Ploetzner, Fehse, Kneser, y Spada (1999) demostraron
que al solucionar problemas matemáticos en física, las representaciones cuali-
tativas del problema son necesarias para aprender representaciones cuantita-
tivas. Por lo tanto, los estudiantes deberían mapear valores de los problemas y
convertirlos en representaciones cualitativas (causales) del problema antes de
mapear los valores y convertirlos en fórmulas.
 FUOC • P03/72048/01332 51
Figura 14. Prototipo de entorno para la solución de problemas matemáticos en el campo de la
física.
Otro motivo para mapear entidades en un modelo estructural es que los estu-
diantes muy pocas veces reconcilian los modelos estructurales y situacionales
del problema (estos últimos, descritos a continuación). Así, en el ESPM son ad-
yacentes, y el hecho de permitir al estudiante comparar y contrastar los mo-
delos situacionales y estructurales aportará un modelo mental más rico del
tipo de problema. Los que mejor solucionan los problemas matemáticos son
aquellos capaces de integrar los modelos situacionales y estructurales, porque
ambos son importantes para la solución de problemas.
3.1.6. Constructor de ecuaciones
A partir del modelo estructural, los estudiantes asignan valores de este modelo
a la ecuación, utilizando el constructor de ecuaciones (figura 13). Para utilizar el
constructor de ecuaciones, hay que arrastrar los valores desde el modelo estruc-
tural hasta el espacio de la ecuación, cancelar y reorganizar las variables. Una
vez completada la fórmula, hay que hacer clic encima del botón de calcular.
Para comprobar la exactitud de los valores y de la fórmula, un mapa de vector
animado hará aparecer los resultados en la ventana de Solución de la serie. Na-
than, Kintsch y Young (1992) demostraron que los estudiantes que veían re-
sultados animados sobresalían por encima de los que tenían un entorno
inanimado, y reconocían una solución correcta, generaban ecuaciones a partir
de textos y diagnosticaban errores.
3.1.7. Modelo situacional
Los estudiantes visualizan el modelo situacional (llamado Visualizar problema,
en las figuras 12 y 13). Aunque muchos psicólogos creen que las características
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 51 TIC y aprendizaje significativo...
Figura 14. Prototipo de entorno para la solución de problemas matemáticos en el campo de la
física.
Otro motivo para mapear entidades en un modelo estructural es que los estu-
diantes muy pocas veces reconcilian los modelos estructurales y situacionales
del problema (estos últimos, descritos a continuación). Así, en el ESPM son ad-
yacentes, y el hecho de permitir al estudiante comparar y contrastar los mo-
delos situacionales y estructurales aportará un modelo mental más rico del
tipo de problema. Los que mejor solucionan los problemas matemáticos son
aquellos capaces de integrar los modelos situacionales y estructurales, porque
ambos son importantes para la solución de problemas.
3.1.6. Constructor de ecuaciones
A partir del modelo estructural, los estudiantes asignan valores de este modelo
a la ecuación, utilizando el constructor de ecuaciones (figura 13). Para utilizar el
constructor de ecuaciones, hay que arrastrar los valores desde el modelo estruc-
tural hasta el espacio de la ecuación, cancelar y reorganizar las variables. Una
vez completada la fórmula, hay que hacer clic encima del botón de calcular.
Para comprobar la exactitud de los valores y de la fórmula, un mapa de vector
animado hará aparecer los resultados en la ventana de Solución de la serie. Na-
than, Kintsch y Young (1992) demostraron que los estudiantes que veían re-
sultados animados sobresalían por encima de los que tenían un entorno
inanimado, y reconocían una solución correcta, generaban ecuaciones a partir
de textos y diagnosticaban errores.
3.1.7. Modelo situacional
Los estudiantes visualizan el modelo situacional (llamado Visualizar problema,
en las figuras 12 y 13). Aunque muchos psicólogos creen que las características
 FUOC • P03/72048/01332 52
superficiales del problema sólo distraen a los estudiantes y les impiden enten-
der la estructura más profunda del problema, hay otros que creen que aquellos
que solucionan problemas de una manera eficaz reúnen las restricciones cuan-
titativas basadas en un contexto situacional (Briars y Larkin, 1984).
Muchos modelos cuantitativos (fórmulas) pueden mapearse fácilmente y con-
vertirse en estructuras de historias.
Por ejemplo, los problemas de movimiento y de trabajo compuestos tienen distintos
acontecimientos como viajar en direcciones opuestas, andar juntos o subir a un autobús,
con el resultado y el tiempo como dimensiones básicas que organizan la historia.
Los estudiantes realizan inferencias constructivas basadas en modelos situa-
cionales. Blessin y Ross (1996) demostraron los efectos positivos del contenido
situacional en la solución de problemas y la clasificación de problemas por
parte de personas con experiencia (estudiantes universitarios). El contenido si-
tuacional también tiene mucho valor porque afecta al acceso a esquemas de
problemas mentales internos. Muchas veces los expertos basan sus categoriza-
ciones en el contenido superficial (Novick, 1988).
Cuando el estudiante soluciona el problema, el modelo situacional cubre el
sistema de referencia por encima de la visualización a causa de la importancia
que tienen los problemas de cinemática a la hora de determinar el sistema de
referencia y su origen (figura 13).
3.1.8. Ejemplos trabajados
La instrucción consiste en ejemplos trabajados que utilicen el entorno ESPM
para ilustrar cómo hay que resolver como mínimo tres problemas por cada
tipo de problema antes de dejar practicar a los estudiantes. Los ejemplos tra-
bajados de las soluciones de problemas anteriores a la práctica mejoran la so-
lución de problemas basados en la práctica, porque reducen la carga cognitiva
y ayudan a los estudiantes a construir esquemas de solución de problemas
(Cooper y Sweller, 1987; Sweller y Cooper, 1985).
En el ESPM, un agente pedagógico animado (Lester, Stone, y Stelling, 1999, no
se muestra en la figura 12 o 13) investigará como mínimo, dos ejemplos de
cada tipo de problema. El agente lee primero la representación del problema
verbal en el ESPM, buscando pistas que ayuden a clasificar el tipo de problema
(en nuestro ejemplo, constante). Entonces elige el tipo de problema. El agente
planea la solución identificando explícitamente los subproblemas requeridos.
Aclarar la estructura de subobjetivos en ejemplos trabajados mejora de forma
significativa la realización (Atkinson, Derry, Renkl y Wortham, 2000). Los
subproblemas se añaden al cuadro Solución del Plan a medida que se va reali-
zando.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 52 TIC y aprendizaje significativo...
superficiales del problema sólo distraen a los estudiantes y les impiden enten-
der la estructura más profunda del problema, hay otros que creen que aquellos
que solucionan problemas de una manera eficaz reúnen las restricciones cuan-
titativas basadas en un contexto situacional (Briars y Larkin, 1984).
Muchos modelos cuantitativos (fórmulas) pueden mapearse fácilmente y con-
vertirse en estructuras de historias.
Por ejemplo, los problemas de movimiento y de trabajo compuestos tienen distintos
acontecimientos como viajar en direcciones opuestas, andar juntos o subir a un autobús,
con el resultado y el tiempo como dimensiones básicas que organizan la historia.
Los estudiantes realizan inferencias constructivas basadas en modelos situa-
cionales. Blessin y Ross (1996) demostraron los efectos positivos del contenido
situacional en la solución de problemas y la clasificación de problemas por
parte de personas con experiencia (estudiantes universitarios). El contenido si-
tuacional también tiene mucho valor porque afecta al acceso a esquemas de
problemas mentales internos. Muchas veces los expertos basan sus categoriza-
ciones en el contenido superficial (Novick, 1988).
Cuando el estudiante soluciona el problema, el modelo situacional cubre el
sistema de referencia por encima de la visualización a causa de la importancia
que tienen los problemas de cinemática a la hora de determinar el sistema de
referencia y su origen (figura 13).
3.1.8. Ejemplos trabajados
La instrucción consiste en ejemplos trabajados que utilicen el entorno ESPM
para ilustrar cómo hay que resolver como mínimo tres problemas por cada
tipo de problema antes de dejar practicar a los estudiantes. Los ejemplos tra-
bajados de las soluciones de problemas anteriores a la práctica mejoran la so-
lución de problemas basados en la práctica, porque reducen la carga cognitiva
y ayudan a los estudiantes a construir esquemas de solución de problemas
(Cooper y Sweller, 1987; Sweller y Cooper, 1985).
En el ESPM, un agente pedagógico animado (Lester, Stone, y Stelling, 1999, no
se muestra en la figura 12 o 13) investigará como mínimo, dos ejemplos de
cada tipo de problema. El agente lee primero la representación del problema
verbal en el ESPM, buscando pistas que ayuden a clasificar el tipo de problema
(en nuestro ejemplo, constante). Entonces elige el tipo de problema. El agente
planea la solución identificando explícitamente los subproblemas requeridos.
Aclarar la estructura de subobjetivos en ejemplos trabajados mejora de forma
significativa la realización (Atkinson, Derry, Renkl y Wortham, 2000). Los
subproblemas se añaden al cuadro Solución del Plan a medida que se va reali-
zando.
 FUOC • P03/72048/01332 53
Por ejemplo:
1) escoger punto de origen;
2) escoger sistema de referencia (eje x y eje y);
3) determinar el tiempo en el aire (velocidad inicial + cuánto se mueve en el
eje y);
4) determinar la extensión del movimiento de proyección en el eje x.
El agente identifica los conjuntos requeridos para el problema en el identifica-
dor de conjuntos, los mueve hacia el modelo estructural y entonces mapea los
valores y los convierte en fórmula en el constructor de ecuaciones. También
efectúa una comprobación de unidades y hace una estimación del tamaño de
la pregunta. Entonces soluciona la fórmula y compara el resultado con la esti-
mación. Realizar esta demostración con otros dos problemas más complejos
prepara al estudiante para completar los asuntos de la práctica.
3.1.9. Asuntos de la práctica
Otro componente esencial de cualquier instrucción para resolver problemas
narrados es la oportunidad de practicar las habilidades adquiridas en el en-
torno. La práctica de problemas debería presentarse al estudiante como se ilus-
tra en los ejemplos trabajados, que deberían ser similares a cómo se presentan
en la evaluación. Los estudiantes pueden revisar los ejemplos trabajados. Nor-
malmente suelen tener éxito a la hora de relacionar los problemas prácticos
con los ejemplos, y prefieren el ejemplo complejo como modelo (Reed, Willes
y Guarino, 1994).
De forma similar, se permite que utilicen la misma interfaz ESPM que se usó
para los ejemplos y así pueden usar este recurso hasta que tengan más expe-
riencia. Los estudiantes recibirán cuadros explicativos durante las sesiones
prácticas. Si identifican el tipo de problema correcto, identifican y colocan los
conjuntos del problema de forma correcta en las representaciones correctas
del problema, o si hacen estimaciones razonables de la solución del problema,
recibirán cuadros explicativos sobre estas actividades.
3.1.10. Instrucción de contenido
Mientras clasifica el tipo de problema mediante la tipología descrita en la fi-
gura 13 o en cualquier otro momento en los ejemplos trabajados o fases de
práctica, el estudiante puede hacer doble clic en cualquiera de los componen-
tes del modelo estructural y hacer que el agente presente la actual instrucción
conceptual del problema. En este entorno, la instrucción del contenido se pro-
porciona a solicitud, utilizando el enfoque de enseñanza justo a tiempo (No-
vak, Patterson, Gavrin & Christianson, 1999).
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 53 TIC y aprendizaje significativo...
Por ejemplo:
1) escoger punto de origen;
2) escoger sistema de referencia (eje x y eje y);
3) determinar el tiempo en el aire (velocidad inicial + cuánto se mueve en el
eje y);
4) determinar la extensión del movimiento de proyección en el eje x.
El agente identifica los conjuntos requeridos para el problema en el identifica-
dor de conjuntos, los mueve hacia el modelo estructural y entonces mapea los
valores y los convierte en fórmula en el constructor de ecuaciones. También
efectúa una comprobación de unidades y hace una estimación del tamaño de
la pregunta. Entonces soluciona la fórmula y compara el resultado con la esti-
mación. Realizar esta demostración con otros dos problemas más complejos
prepara al estudiante para completar los asuntos de la práctica.
3.1.9. Asuntos de la práctica
Otro componente esencial de cualquier instrucción para resolver problemas
narrados es la oportunidad de practicar las habilidades adquiridas en el en-
torno. La práctica de problemas debería presentarse al estudiante como se ilus-
tra en los ejemplos trabajados, que deberían ser similares a cómo se presentan
en la evaluación. Los estudiantes pueden revisar los ejemplos trabajados. Nor-
malmente suelen tener éxito a la hora de relacionar los problemas prácticos
con los ejemplos, y prefieren el ejemplo complejo como modelo (Reed, Willes
y Guarino, 1994).
De forma similar, se permite que utilicen la misma interfaz ESPM que se usó
para los ejemplos y así pueden usar este recurso hasta que tengan más expe-
riencia. Los estudiantes recibirán cuadros explicativos durante las sesiones
prácticas. Si identifican el tipo de problema correcto, identifican y colocan los
conjuntos del problema de forma correcta en las representaciones correctas
del problema, o si hacen estimaciones razonables de la solución del problema,
recibirán cuadros explicativos sobre estas actividades.
3.1.10. Instrucción de contenido
Mientras clasifica el tipo de problema mediante la tipología descrita en la fi-
gura 13 o en cualquier otro momento en los ejemplos trabajados o fases de
práctica, el estudiante puede hacer doble clic en cualquiera de los componen-
tes del modelo estructural y hacer que el agente presente la actual instrucción
conceptual del problema. En este entorno, la instrucción del contenido se pro-
porciona a solicitud, utilizando el enfoque de enseñanza justo a tiempo (No-
vak, Patterson, Gavrin & Christianson, 1999).
 FUOC • P03/72048/01332 54
3.1.11. Resumen
Una revisión amplia del trabajo empírico y teórico en el que se basa este mo-
delo iría más allá del objetivo de este módulo. Otros investigadores han desa-
rrollado entornos que cumplen algunas de estas funciones de instrucción de
este modelo. Por ejemplo, el Solucionador de Problemas Matemáticos (SPM)
(Marshall, 1995) y el entorno TiPS (Derry y Grupo de Investigación TiPS, 2001)
representan problemas en modelos estructurales para desarrollar y solucionar
problemas aritméticos. Ellos asumen, como yo, que las representaciones cualita-
tivas de los problemas son necesarias para aprender representaciones cuantitati-
vas (Ploetzner, Fehse, Kneser, y Spada, 1999). También creen que las estructuras
del problema varían entre los tipos de problemas y determinan los procedi-
mientos necesarios para resolverlos. Otros entornos, como ANIMATE (Na-
than, 1998), representan el modelo situacional del problema mediante
animaciones, mapeando las animaciones en una ecuación que permite solu-
ción.
Diversos atributos convierten en único el entorno que acabamos de describir.
No hay ningún otro entorno que haya intentado integrar las representaciones
estructurales y situacionales del problema. Aunque el SPM y el TiPS requieren
que el estudiante identifique el tipo de problema, su proceso de selección no
implica elegir entre una tipología de problemas. Además, el proceso de razo-
namiento necesario para resolver el problema matemático está fijado en la es-
tructura del entorno.
Los estudiantes deben clasificar el tipo de problema, identificar conjuntos im-
portantes de la representación del problema y mapearlos en un modelo estruc-
tural antes de mapear los valores en una fórmula. La diferencia más notable
entre este modelo y los otros es quizás que funciona como un modelo genérico
para la construcción de entornos en línea mediante campos de temas. Los
otros intentos se han centrado en problemas individuales o pequeñas clases
de problemas.
El objetivo del modelo de diseño es que funcione como una arquitectu-
ra para los entornos en línea de problemas matemáticos.
Así, los problemas matemáticos en otros campos pueden utilizar el mismo en-
torno y la misma estructura que acabo de describir. Los problemas serán dis-
tintos, pero la estructura del entorno será la misma.
3.2. Problemas de resolución de dificultades
Como se ha descrito anteriormente, la resolución de dificultades eficaz requie-
re conocimiento de sistema, conocimiento procedimental y estratégico, ade-
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 54 TIC y aprendizaje significativo...
3.1.11. Resumen
Una revisión amplia del trabajo empírico y teórico en el que se basa este mo-
delo iría más allá del objetivo de este módulo. Otros investigadores han desa-
rrollado entornos que cumplen algunas de estas funciones de instrucción de
este modelo. Por ejemplo, el Solucionador de Problemas Matemáticos (SPM)
(Marshall, 1995) y el entorno TiPS (Derry y Grupo de Investigación TiPS, 2001)
representan problemas en modelos estructurales para desarrollar y solucionar
problemas aritméticos. Ellos asumen, como yo, que las representaciones cualita-
tivas de los problemas son necesarias para aprender representaciones cuantitati-
vas (Ploetzner, Fehse, Kneser, y Spada, 1999). También creen que las estructuras
del problema varían entre los tipos de problemas y determinan los procedi-
mientos necesarios para resolverlos. Otros entornos, como ANIMATE (Na-
than, 1998), representan el modelo situacional del problema mediante
animaciones, mapeando las animaciones en una ecuación que permite solu-
ción.
Diversos atributos convierten en único el entorno que acabamos de describir.
No hay ningún otro entorno que haya intentado integrar las representaciones
estructurales y situacionales del problema. Aunque el SPM y el TiPS requieren
que el estudiante identifique el tipo de problema, su proceso de selección no
implica elegir entre una tipología de problemas. Además, el proceso de razo-
namiento necesario para resolver el problema matemático está fijado en la es-
tructura del entorno.
Los estudiantes deben clasificar el tipo de problema, identificar conjuntos im-
portantes de la representación del problema y mapearlos en un modelo estruc-
tural antes de mapear los valores en una fórmula. La diferencia más notable
entre este modelo y los otros es quizás que funciona como un modelo genérico
para la construcción de entornos en línea mediante campos de temas. Los
otros intentos se han centrado en problemas individuales o pequeñas clases
de problemas.
El objetivo del modelo de diseño es que funcione como una arquitectu-
ra para los entornos en línea de problemas matemáticos.
Así, los problemas matemáticos en otros campos pueden utilizar el mismo en-
torno y la misma estructura que acabo de describir. Los problemas serán dis-
tintos, pero la estructura del entorno será la misma.
3.2. Problemas de resolución de dificultades
Como se ha descrito anteriormente, la resolución de dificultades eficaz requie-
re conocimiento de sistema, conocimiento procedimental y estratégico, ade-
 FUOC • P03/72048/01332 55
más de las clases de conocimiento que las experiencias del solucionador de
dificultades han anclado y organizado.
La resolución de dificultades o averías se basa en el conocimiento experimental,
que es exactamente del que carecen los principiantes. Desde los técnicos con ex-
periencia hasta los físicos indexan su conocimiento en experiencias de resolu-
ción de dificultades. A menudo pueden reutilizar problemas, que ya han
mediado muchos años antes, con una agudeza extraordinaria. Los problemas
que recuerdan con más precisión y exactitud son los que fueron más difíciles de
resolver, porque la persona estuvo conceptualmente más implicada en el proce-
so. Por lo tanto, enseñar a resolver dificultades a los principiantes requiere que
descubran el máximo número de problemas posible para ganar conocimiento
experimental que integrará el conocimiento conceptual, procedimental y estra-
tégico necesarios para la resolución de dificultades.
La figura 15 ilustra un modelo de diseño para la construcción de entornos de aprendizaje
de este tipo (TLE). El modelo asume que la forma más efectiva para aprender a solucionar
dificultades son los problemas del tipo que estamos describiendo.
Aprender a resolver dificultades requiere presentar a los estudiantes los sínto-
mas de problemas nuevos para que los solucionen. Los componentes más im-
portantes de los TLE son una biblioteca de casos de problemas ya resueltos, un
solucionador de dificultades que permita al estudiante practicar la resolución
y un modelo conceptual rico del sistema que se debe solucionar o descubrir.
El modelo conceptual impulsa la construcción del conocimiento de sistemas;
el solucionador de dificultades promueve la construcción del conocimiento
procedimental y estratégico, y la biblioteca o archivo de casos, la construcción
del conocimiento experimental que integra las otras clases de conocimiento.
Figura 15. Modelo para diseñar un entorno de aprendizaje de resolución de dificultades.
3.2.1. Modelo conceptual
El entorno de resolución de dificultades se orienta mediante un modelo con-
ceptual del sistema de descubrimiento o resolución. Este modelo ilustra la in-
TIC y aprendizaje significativo...
La diferencia
fundamental...
... entre los solucionadores ex-
pertos y los principiantes es su
nivel de experiencia.
 FUOC • P03/72048/01332 55 TIC y aprendizaje significativo...
más de las clases de conocimiento que las experiencias del solucionador de
dificultades han anclado y organizado.
La resolución de dificultades o averías se basa en el conocimiento experimental,
La diferencia
que es exactamente del que carecen los principiantes. Desde los técnicos con ex- fundamental...
periencia hasta los físicos indexan su conocimiento en experiencias de resolu- ... entre los solucionadores ex-
pertos y los principiantes es su
ción de dificultades. A menudo pueden reutilizar problemas, que ya han nivel de experiencia.
mediado muchos años antes, con una agudeza extraordinaria. Los problemas
que recuerdan con más precisión y exactitud son los que fueron más difíciles de
resolver, porque la persona estuvo conceptualmente más implicada en el proce-
so. Por lo tanto, enseñar a resolver dificultades a los principiantes requiere que
descubran el máximo número de problemas posible para ganar conocimiento
experimental que integrará el conocimiento conceptual, procedimental y estra-
tégico necesarios para la resolución de dificultades.
La figura 15 ilustra un modelo de diseño para la construcción de entornos de aprendizaje
de este tipo (TLE). El modelo asume que la forma más efectiva para aprender a solucionar
dificultades son los problemas del tipo que estamos describiendo.
Aprender a resolver dificultades requiere presentar a los estudiantes los sínto-
mas de problemas nuevos para que los solucionen. Los componentes más im-
portantes de los TLE son una biblioteca de casos de problemas ya resueltos, un
solucionador de dificultades que permita al estudiante practicar la resolución
y un modelo conceptual rico del sistema que se debe solucionar o descubrir.
El modelo conceptual impulsa la construcción del conocimiento de sistemas;
el solucionador de dificultades promueve la construcción del conocimiento
procedimental y estratégico, y la biblioteca o archivo de casos, la construcción
del conocimiento experimental que integra las otras clases de conocimiento.
Figura 15. Modelo para diseñar un entorno de aprendizaje de resolución de dificultades.
3.2.1. Modelo conceptual
El entorno de resolución de dificultades se orienta mediante un modelo con-
ceptual del sistema de descubrimiento o resolución. Este modelo ilustra la in-
 FUOC • P03/72048/01332 56
terconexión entre los componentes del sistema. Es decir, ¿cuáles son todos los
componentes y subsistemas del sistema en el que sucede el problema? ¿Cómo
influyen unos sobre otros?
La figura 16 ilustra un modelo conceptual de un sistema eléctrico automotor incluido en
parte del software de solución de problemas producido por la empresa PLATO. Cuando
hay que solucionar las averías de un coche que no arranca, el mecánico no utilizará el
método de ensayo y error, ni la eliminación en serie u otras estrategias débiles de resolu-
ción de problemas, porque sabe cómo funciona el sistema eléctrico automotor. Es decir,
entiende la función de cada uno de los componentes de la figura 16 y cómo influyen
unos sobre otros. El principiante no entiende todos los componentes o sus interacciones,
y por eso recurre a la instrucción de cada uno haciendo un simple clic sobre el compo-
nente. La comprensión conceptual del sistema es esencial para la resolución de dificulta-
des. La ilustración de la figura 16 también se usa como interfaz para predecir qué
componente puede estar fallando.
Figura 16. Modelo de sistema para resolver las dificultades o averías de un sistema eléctrico auto-
motor. Implementado en la Experiencia de Solución de Problemas de la empresa PLATO.
3.2.2. Localizador de dificultades o averías
El centro del TLE* es el localizador de dificultades (véase la figura 17). Es aquí
* Sigla de troubleshooting learning
donde el estudiante actúa como si fuera un localizador de dificultades con ex-
aprendizaje de resolución de
periencia, resolviendo casos nuevos.
Caso
Después de escuchar una explicación sobre el problema automotor que describe los sín-
tomas que mostraba el coche justo antes de pararse, el aprendiz (como un localizador de
dificultades experimentado) primero elige una acción del menú para bajar a la izquierda
de la pantalla, como cuando se pide una comprobación, se comprueba una conexión o
se intenta una estrategia de reparación. Se puede enseñar al principiante qué acción ba-
sada en la sintomatología hay que escoger primero, o también puede él o ella escoger
cualquier acción. Cada movimiento que haga el localizador aparece en el modelo del sis-
tema. Después de cada movimiento del estudiante, el localizador de dificultades pide al
estudiante que explique o elija la hipótesis falsa que está intentando demostrar, median-
te el menú para bajar situado a la derecha del menú de acción. Ésta es una forma implícita
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 56 TIC y aprendizaje significativo...
terconexión entre los componentes del sistema. Es decir, ¿cuáles son todos los
componentes y subsistemas del sistema en el que sucede el problema? ¿Cómo
influyen unos sobre otros?
La figura 16 ilustra un modelo conceptual de un sistema eléctrico automotor incluido en
parte del software de solución de problemas producido por la empresa PLATO. Cuando
hay que solucionar las averías de un coche que no arranca, el mecánico no utilizará el
método de ensayo y error, ni la eliminación en serie u otras estrategias débiles de resolu-
ción de problemas, porque sabe cómo funciona el sistema eléctrico automotor. Es decir,
entiende la función de cada uno de los componentes de la figura 16 y cómo influyen
unos sobre otros. El principiante no entiende todos los componentes o sus interacciones,
y por eso recurre a la instrucción de cada uno haciendo un simple clic sobre el compo-
nente. La comprensión conceptual del sistema es esencial para la resolución de dificulta-
des. La ilustración de la figura 16 también se usa como interfaz para predecir qué
componente puede estar fallando.
Figura 16. Modelo de sistema para resolver las dificultades o averías de un sistema eléctrico auto-
motor. Implementado en la Experiencia de Solución de Problemas de la empresa PLATO.
3.2.2. Localizador de dificultades o averías
El centro del TLE* es el localizador de dificultades (véase la figura 17). Es aquí
* Sigla de troubleshooting learning
1environment, o entorno de
donde el estudiante actúa como si fuera un localizador de dificultades con ex- 1environment, o entorno de
aprendizaje de resolución de
dificultades. dificultades.
periencia, resolviendo casos nuevos.
Caso
Después de escuchar una explicación sobre el problema automotor que describe los sín-
tomas que mostraba el coche justo antes de pararse, el aprendiz (como un localizador de
dificultades experimentado) primero elige una acción del menú para bajar a la izquierda
de la pantalla, como cuando se pide una comprobación, se comprueba una conexión o
se intenta una estrategia de reparación. Se puede enseñar al principiante qué acción ba-
sada en la sintomatología hay que escoger primero, o también puede él o ella escoger
cualquier acción. Cada movimiento que haga el localizador aparece en el modelo del sis-
tema. Después de cada movimiento del estudiante, el localizador de dificultades pide al
estudiante que explique o elija la hipótesis falsa que está intentando demostrar, median-
te el menú para bajar situado a la derecha del menú de acción. Ésta es una forma implícita
 FUOC • P03/72048/01332 57
de argumentación. Se trata de exigir al estudiante que justifique sus acciones. Si la hipó-
tesis no se corresponde a la acción (si ha sido determinada levantando y comprobando
las etiquetas), entonces aparecen explicaciones sobre el motivo que lleva a tomar aquella
acción. Seguidamente, el estudiante debe identificar el subsistema en el que ocurre el fa-
llo. Si éste no corresponde a la acción, el estudiante regresa otra vez al modelo conceptual
para entender mejor el funcionamiento del subsistema que lleva a la acción o a la hipó-
tesis. El estudiante recibe entonces el resultado de la acción (por ejemplo, resultados de
exámenes, información del sistema, etc.) a la derecha del subsistema y debe interpretar-
los utilizando el menú para bajar de la derecha del localizador de dificultades. Si la inter-
pretación no corresponde a la acción, hipótesis o subsistema, aparece un mensaje de
error. La comprobación de errores utiliza un sistema de evaluación muy sencillo.
El localizador (véase la figura 17) exige al estudiante que piense y actúe como
un localizador de dificultades con experiencia. El entorno integra las acciones
de resolución de problemas, los tipos de conocimiento (conceptual, estratégi-
co y procedimental) y el modelo de sistemas conceptuales con una base de da-
tos de los fallos que han tenido lugar en el sistema que el estudiante y otras
personas han solucionado. Los ejemplos trabajados proporcionan la instruc-
ción inicial sobre cómo usar el sistema. A medida que los estudiantes van so-
lucionando problemas, los resultados de sus casos prácticos pueden añadirse
a su archivo de casos de situaciones falsas, para que el estudiante pueda apren-
der de sus propias experiencias personales.
Figura 17. Arquitectura del localizador de dificultades.
En cualquier punto del proceso de aprendizaje, el estudiante o localizador de
dificultades puede acceder a una instrucción justo a tiempo sobre cómo llevar
a cabo la acción (por ejemplo, test electrónico, comprobación de síntomas) o
los resultados multi-modales de esta acción.
Jonassen y Henning (1999) observaron que los técnicos de refrigeración se ba-
san muchas veces en distintas modalidades a la hora de hablar de máquinas y
herramientas. Normalmente ponen las manos en los tubos para ver la tempe-
ratura, escuchan el sonido de un compresor, buscan manchas de aceite en el
suelo o interactúan con la pantalla del ordenador. En definitiva, se comunican
a través de impresiones del sentido, lo que los técnicos llaman conocimiento
táctil-sensorial.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 57 TIC y aprendizaje significativo...
de argumentación. Se trata de exigir al estudiante que justifique sus acciones. Si la hipó-
tesis no se corresponde a la acción (si ha sido determinada levantando y comprobando
las etiquetas), entonces aparecen explicaciones sobre el motivo que lleva a tomar aquella
acción. Seguidamente, el estudiante debe identificar el subsistema en el que ocurre el fa-
llo. Si éste no corresponde a la acción, el estudiante regresa otra vez al modelo conceptual
para entender mejor el funcionamiento del subsistema que lleva a la acción o a la hipó-
tesis. El estudiante recibe entonces el resultado de la acción (por ejemplo, resultados de
exámenes, información del sistema, etc.) a la derecha del subsistema y debe interpretar-
los utilizando el menú para bajar de la derecha del localizador de dificultades. Si la inter-
pretación no corresponde a la acción, hipótesis o subsistema, aparece un mensaje de
error. La comprobación de errores utiliza un sistema de evaluación muy sencillo.
El localizador (véase la figura 17) exige al estudiante que piense y actúe como
un localizador de dificultades con experiencia. El entorno integra las acciones
de resolución de problemas, los tipos de conocimiento (conceptual, estratégi-
co y procedimental) y el modelo de sistemas conceptuales con una base de da-
tos de los fallos que han tenido lugar en el sistema que el estudiante y otras
personas han solucionado. Los ejemplos trabajados proporcionan la instruc-
ción inicial sobre cómo usar el sistema. A medida que los estudiantes van so-
lucionando problemas, los resultados de sus casos prácticos pueden añadirse
a su archivo de casos de situaciones falsas, para que el estudiante pueda apren-
der de sus propias experiencias personales.
Figura 17. Arquitectura del localizador de dificultades.
En cualquier punto del proceso de aprendizaje, el estudiante o localizador de
dificultades puede acceder a una instrucción justo a tiempo sobre cómo llevar
a cabo la acción (por ejemplo, test electrónico, comprobación de síntomas) o
los resultados multi-modales de esta acción.
Jonassen y Henning (1999) observaron que los técnicos de refrigeración se ba-
san muchas veces en distintas modalidades a la hora de hablar de máquinas y
herramientas. Normalmente ponen las manos en los tubos para ver la tempe-
ratura, escuchan el sonido de un compresor, buscan manchas de aceite en el
suelo o interactúan con la pantalla del ordenador. En definitiva, se comunican
a través de impresiones del sentido, lo que los técnicos llaman conocimiento
táctil-sensorial.
 FUOC • P03/72048/01332 58 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 58 TIC y aprendizaje significativo...

3.2.3. Biblioteca o archivo de casos 3.2.3. Biblioteca o archivo de casos

Si el localizador de dificultades se encuentra en el corazón del TLE, el archivo Si el localizador de dificultades se encuentra en el corazón del TLE, el archivo
o biblioteca de casos se encuentra a la cabeza (memoria) del TLE. o biblioteca de casos se encuentra a la cabeza (memoria) del TLE.

El discurso es esencial para negociar problemas, soluciones o significa- El discurso es esencial para negociar problemas, soluciones o significa-
dos de manera social. dos de manera social.

En las situaciones de resolución de dificultades de contextos diarios, el medio En las situaciones de resolución de dificultades de contextos diarios, el medio
Las historias... Las historias...
principal de negociación son las historias. Es decir, cuando un localizador tie- principal de negociación son las historias. Es decir, cuando un localizador tie-
... aportan información con- ... aportan información con-
ne un problema, normalmente lo describe a alguien que puede recordar de ne un problema, normalmente lo describe a alguien que puede recordar de
textual, funcionan en formato textual, funcionan en formato
memoria un problema similar, y cuenta su experiencia al localizador de difi- de diagnosis y también expre- memoria un problema similar, y cuenta su experiencia al localizador de difi- de diagnosis y también expre-
san una identidad entre los san una identidad entre los
cultades. Las historias sobre cómo los localizadores han solucionado proble- participantes de cualquier tipo cultades. Las historias sobre cómo los localizadores han solucionado proble- participantes de cualquier tipo
de comunidad. de comunidad.
mas o averías similares se introducen, se indexan y se ponen a disposición de mas o averías similares se introducen, se indexan y se ponen a disposición de
los estudiantes en una biblioteca o archivo de casos (que también se conoce los estudiantes en una biblioteca o archivo de casos (que también se conoce
como base de datos falsa). como base de datos falsa).

La biblioteca de casos o base de datos falsa debe contener historias de tantas
experiencias de resolución de dificultades como sea posible. Cada caso repre-
senta una historia de un ejemplo específico de un campo. Estos archivos, que
se basan en principios del razonamiento basado en casos, representan la for-
ma más importante de apoyo instruccional para los problemas mal estructu-
rados como los de resolución de dificultades (Jonassen y Hernandez-Serrano,
2002).
La biblioteca de casos o base de datos falsa debe contener historias de tantas
experiencias de resolución de dificultades como sea posible. Cada caso repre-
senta una historia de un ejemplo específico de un campo. Estos archivos, que
se basan en principios del razonamiento basado en casos, representan la for-
ma más importante de apoyo instruccional para los problemas mal estructu-
rados como los de resolución de dificultades (Jonassen y Hernandez-Serrano,
2002).

Se indexa cada caso o historia según su fallo del sistema, el sistema o subsistema en el que Se indexa cada caso o historia según su fallo del sistema, el sistema o subsistema en el que
ocurrió el fallo y los síntomas del fallo que son similares a los del localizador de dificul- ocurrió el fallo y los síntomas del fallo que son similares a los del localizador de dificul-
tades. También están recogidos el modo de avería y las hipótesis o estrategias aprendidas tades. También están recogidos el modo de avería y las hipótesis o estrategias aprendidas
a partir de la experiencia. a partir de la experiencia.

El archivo representa, pues, el conocimiento experimental de centenares de
localizadores de dificultades experimentados potenciales. ¿Por qué? Porque
los localizadores almacenan casi siempre su conocimiento de problemas y so-
luciones a partir de sus experiencias. Es este conocimiento experimental el que
precisamente no tienen los estudiantes. De esta forma, cuando se encuentran
con una dificultad o no están seguros de cómo actuar, pueden acceder al ar-
chivo y observar en casos similares qué caminos se siguieron y con qué resul-
tados.
El archivo representa, pues, el conocimiento experimental de centenares de
localizadores de dificultades experimentados potenciales. ¿Por qué? Porque
los localizadores almacenan casi siempre su conocimiento de problemas y so-
luciones a partir de sus experiencias. Es este conocimiento experimental el que
precisamente no tienen los estudiantes. De esta forma, cuando se encuentran
con una dificultad o no están seguros de cómo actuar, pueden acceder al ar-
chivo y observar en casos similares qué caminos se siguieron y con qué resul-
tados.

Las historias... Las historias...

El TLE también puede programarse para acceder de forma automática a una
... se almacenan de una forma
historia importante en cuanto el estudiante comete un error, ordena una prue- sencilla, presentando un pro-
blema a los localizadores expe-
ba inadecuada o lleva a cabo alguna acción que demuestra su falta de com-
rimentados y pidiéndoles si
prensión. Hernandez-Serrano y Jonassen (2003) han demostrado que el acceso recuerdan algún problema se-
mejante que ya hayan solucio-
a un archivo de casos durante el aprendizaje de solución de problemas mejora nado. Siempre los recuerdan,
sin excepción.
la resolución de problemas complejos en un examen.
El TLE también puede programarse para acceder de forma automática a una
... se almacenan de una forma
historia importante en cuanto el estudiante comete un error, ordena una prue- sencilla, presentando un pro-
blema a los localizadores expe-
ba inadecuada o lleva a cabo alguna acción que demuestra su falta de com-
rimentados y pidiéndoles si
prensión. Hernandez-Serrano y Jonassen (2003) han demostrado que el acceso recuerdan algún problema se-
mejante que ya hayan solucio-
a un archivo de casos durante el aprendizaje de solución de problemas mejora nado. Siempre los recuerdan,
sin excepción.
la resolución de problemas complejos en un examen.
 FUOC • P03/72048/01332 59
3.2.4. Ejemplos trabajados
De una forma similar al aprendizaje de resolución de problemas matemáticos
narrados, mediante ejemplos trabajados también se introduce a los estudian-
tes a la resolución de dificultades, la biblioteca de casos y el modelo concep-
tual. Estos ejemplos no sólo ilustran cómo usar el TLE sino que también
construyen modelos de distintas estrategias de resolución de dificultades (por
ejemplo, la división del espacio para aislar el subsistema erróneo antes de ha-
cer ninguna comprobación).
Agente pedagógico
Si el TLE es en línea, aparece un agente pedagógico animado (Lester, Stone y Stelling,
1999) que trabaja como mínimo dos ejemplos de cada tipo de problema. El agente lee la
representación del problema en el TLE, construye modelos de estrategias por ejemplo
mediante la búsqueda de pistas o el rechazo de las hipótesis menos probables antes de
usar el localizador de dificultades. El agente también puede construir un modelo sobre
cómo conseguir el máximo beneficio del modelo conceptual y la biblioteca de casos.
3.2.5. Temas de práctica
La práctica consiste en utilizar el localizador de dificultades para solucionar
problemas nuevos. Durante la práctica, se presentan nuevos problemas al es-
tudiante, que utiliza el localizador para aislar el caso del problema. Si quiere,
también puede acceder al modelo conceptual o al archivo de casos. No se co-
noce exactamente el número de prácticas necesarias para desarrollar distintos
niveles de habilidad de resolución de dificultades. Ello dependerá de la com-
plejidad del sistema de resolución de dificultades, de las habilidades y dispo-
siciones de los estudiantes y de una multitud de otros factores.
Vale la pena remarcar que todos los movimientos que haga el estudiante du-
rante la práctica (acciones en el localizador, acceso a la información del modelo
conceptual o a los casos del archivo) pueden servir para ayudar a mejorar su
comprensión y sus habilidades de resolución de dificultades. El objetivo de esta
evaluación puede ser valorar el proceso durante el aprendizaje o simplemente
ver si el estudiante se implica mentalmente en el proceso de aprendizaje.
3.3. Problemas de análisis de casos/sistemas
Como ya hemos descrito antes, los problemas de análisis de casos/sistemas son
complejos, ambiguos y están muy mal estructurados. Como tales, representan
la antítesis de buena parte de la educación formal, que se centra en respuestas
correctas y en encontrar la verdad.
Analizar y tratar de resolver estos problemas es un reto para muchos estudian-
tes (desde la guardería hasta la edad adulta), por muchas razones. Los guiones
que los estudiantes siguen para “hacer escuela” tienen rutinas claramente es-
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 59 TIC y aprendizaje significativo...
3.2.4. Ejemplos trabajados
De una forma similar al aprendizaje de resolución de problemas matemáticos
narrados, mediante ejemplos trabajados también se introduce a los estudian-
tes a la resolución de dificultades, la biblioteca de casos y el modelo concep-
tual. Estos ejemplos no sólo ilustran cómo usar el TLE sino que también
construyen modelos de distintas estrategias de resolución de dificultades (por
ejemplo, la división del espacio para aislar el subsistema erróneo antes de ha-
cer ninguna comprobación).
Agente pedagógico
Si el TLE es en línea, aparece un agente pedagógico animado (Lester, Stone y Stelling,
1999) que trabaja como mínimo dos ejemplos de cada tipo de problema. El agente lee la
representación del problema en el TLE, construye modelos de estrategias por ejemplo
mediante la búsqueda de pistas o el rechazo de las hipótesis menos probables antes de
usar el localizador de dificultades. El agente también puede construir un modelo sobre
cómo conseguir el máximo beneficio del modelo conceptual y la biblioteca de casos.
3.2.5. Temas de práctica
La práctica consiste en utilizar el localizador de dificultades para solucionar
problemas nuevos. Durante la práctica, se presentan nuevos problemas al es-
tudiante, que utiliza el localizador para aislar el caso del problema. Si quiere,
también puede acceder al modelo conceptual o al archivo de casos. No se co-
noce exactamente el número de prácticas necesarias para desarrollar distintos
niveles de habilidad de resolución de dificultades. Ello dependerá de la com-
plejidad del sistema de resolución de dificultades, de las habilidades y dispo-
siciones de los estudiantes y de una multitud de otros factores.
Vale la pena remarcar que todos los movimientos que haga el estudiante du-
rante la práctica (acciones en el localizador, acceso a la información del modelo
conceptual o a los casos del archivo) pueden servir para ayudar a mejorar su
comprensión y sus habilidades de resolución de dificultades. El objetivo de esta
evaluación puede ser valorar el proceso durante el aprendizaje o simplemente
ver si el estudiante se implica mentalmente en el proceso de aprendizaje.
3.3. Problemas de análisis de casos/sistemas
Como ya hemos descrito antes, los problemas de análisis de casos/sistemas son
complejos, ambiguos y están muy mal estructurados. Como tales, representan
la antítesis de buena parte de la educación formal, que se centra en respuestas
correctas y en encontrar la verdad.
Analizar y tratar de resolver estos problemas es un reto para muchos estudian-
tes (desde la guardería hasta la edad adulta), por muchas razones. Los guiones
que los estudiantes siguen para “hacer escuela” tienen rutinas claramente es-
 FUOC • P03/72048/01332 60
tablecidas. El profesor/monitor les dice lo que deberían saber, los estudiantes
intentan saberlo y el profesor/monitor valora si lo saben bien. Sin embargo,
los problemas de análisis de casos a menudo presentan fenómenos desconoci-
dos que deben negociarse y co-construirse socialmente. No existe en ningún
caso una simple perspectiva que represente la verdad.
Solucionar este tipo de problemas requiere que el estudiante asimile la ambi-
güedad. Sin embargo, la tolerancia a la ambigüedad no abunda entre profeso-
res y estudiantes. ¿Por qué? Está relacionada con sus creencias epistémicas, es
decir, lo que las personas creen que significan el conocimiento, la verdad y el
aprendizaje. Las personas desarrollan sus creencias a partir de un pensamiento
simple, blanco o negro, que a través de una exploración de perspectivas múl-
tiples se convierte en un pensamiento relativista complejo. Los fundamentos
epistemológicos para la educación son los que Baxter-Magolda (1987) llama
saber absoluto, en el que los individuos creen que el conocimiento y la verdad
son verdaderos y que las autoridades deberían ofrecerlos. Solucionar proble-
mas de análisis de casos requiere:
• un conocimiento transicional (el conocimiento es parcialmente verdadero
y requiere comprender mediante la lógica, el debate y la investigación),
• un conocimiento independiente (el conocimiento no es verdadero y re-
quiere pensar libremente y ser abierto),
• y un conocimiento contextual (el conocimiento se basa en las pruebas ad-
quiridas en un contexto).
El hecho de que la mayoría de estudiantes sean pensadores absolutos hace que
para ellos los problemas de análisis de caso sean un reto importante, porque
no tienen ninguna respuesta correcta. A pesar de ello, si no se enfrentan nunca
a problemas de análisis de casos mal estructurados, probablemente no llegarán
a desarrollar habilidades de pensamiento contextual o independiente. Por lo
tanto, exponerse a la ambigüedad es una experiencia de aprendizaje.
La figura 18 muestra un modelo para diseñar un entorno de aprendizaje de
análisis de casos. A continuación describiremos cada uno de los componentes
de este entorno.
3.3.1. Representación de problemas
La representación de problemas es un tema complejo; los problemas de análi-
sis de casos (como todos los problemas mal estructurados) dependen más de
un contexto que los bien estructurados; por eso es necesario desarrollar un en-
torno más auténtico y ubicado (Voss, 1988). Si el pensamiento de análisis de
casos viene muy determinado por el contexto y el campo que representa, es
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 60 TIC y aprendizaje significativo...
tablecidas. El profesor/monitor les dice lo que deberían saber, los estudiantes
intentan saberlo y el profesor/monitor valora si lo saben bien. Sin embargo,
los problemas de análisis de casos a menudo presentan fenómenos desconoci-
dos que deben negociarse y co-construirse socialmente. No existe en ningún
caso una simple perspectiva que represente la verdad.
Solucionar este tipo de problemas requiere que el estudiante asimile la ambi-
güedad. Sin embargo, la tolerancia a la ambigüedad no abunda entre profeso-
res y estudiantes. ¿Por qué? Está relacionada con sus creencias epistémicas, es
decir, lo que las personas creen que significan el conocimiento, la verdad y el
aprendizaje. Las personas desarrollan sus creencias a partir de un pensamiento
simple, blanco o negro, que a través de una exploración de perspectivas múl-
tiples se convierte en un pensamiento relativista complejo. Los fundamentos
epistemológicos para la educación son los que Baxter-Magolda (1987) llama
saber absoluto, en el que los individuos creen que el conocimiento y la verdad
son verdaderos y que las autoridades deberían ofrecerlos. Solucionar proble-
mas de análisis de casos requiere:
• un conocimiento transicional (el conocimiento es parcialmente verdadero
y requiere comprender mediante la lógica, el debate y la investigación),
• un conocimiento independiente (el conocimiento no es verdadero y re-
quiere pensar libremente y ser abierto),
• y un conocimiento contextual (el conocimiento se basa en las pruebas ad-
quiridas en un contexto).
El hecho de que la mayoría de estudiantes sean pensadores absolutos hace que
para ellos los problemas de análisis de caso sean un reto importante, porque
no tienen ninguna respuesta correcta. A pesar de ello, si no se enfrentan nunca
a problemas de análisis de casos mal estructurados, probablemente no llegarán
a desarrollar habilidades de pensamiento contextual o independiente. Por lo
tanto, exponerse a la ambigüedad es una experiencia de aprendizaje.
La figura 18 muestra un modelo para diseñar un entorno de aprendizaje de
análisis de casos. A continuación describiremos cada uno de los componentes
de este entorno.
3.3.1. Representación de problemas
La representación de problemas es un tema complejo; los problemas de análi-
sis de casos (como todos los problemas mal estructurados) dependen más de
un contexto que los bien estructurados; por eso es necesario desarrollar un en-
torno más auténtico y ubicado (Voss, 1988). Si el pensamiento de análisis de
casos viene muy determinado por el contexto y el campo que representa, es
 FUOC • P03/72048/01332 61
importante describir de forma adecuada el contexto social, político y organi-
zacional del problema. Es por eso por lo que hay que llevar a cabo un análisis
contextual. ¿Cuál es la naturaleza del campo? ¿Cuáles son las restricciones que
impone el contexto? También debemos preguntarnos qué tipo de problemas
se solucionan en este campo y qué restricciones contextuales afectan al pro-
blema.
Figura 18. Modelo para un entorno de solución de problemas de análisis de casos/sistemas.
Los problemas de análisis de casos se representan muchas veces a partir de his-
torias. Las historias se entienden y se recuerdan mejor y son más empáticas
que las representaciones didácticas de los problemas.
El siguiente extracto está sacado de un entorno de aprendizaje de análisis de
casos que desarrollamos en Sociología del Bienestar. Esta historia concreta in-
troduce el problema del ciclo de bienestar (buscar asistencia, ayuda y bienestar
en el trabajo). El problema está relacionado con la manera de ayudar a las per-
sonas con el ciclo de bienestar en el trabajo. Otro objetivo principal del entor-
no es que los estudiantes culturalmente aislados de una gran universidad
pública evoquen respuestas empáticas.
Martes, 2 de febrero, 1999
Me llamo Tiffany. Estoy viajando hasta Lewistown con mi hija Stephanie. Stephanie va
a cumplir cinco años dentro de poco. La tuve cuando tenía dieciocho años. Mi casa y mis
amigos están en Detroit. Yo no puedo quedarme más. Entré a formar parte de una banda
de allí, vendiendo drogas y traficando. Tardé cinco años en darme cuenta de que ya no
quería vivir así. Robaba y hacía cosas que nunca creí que fuera capaz de hacer. Quiero a
mi hija. Me he dado cuenta de que le haría daño si me quedaba allí.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 61 TIC y aprendizaje significativo...
importante describir de forma adecuada el contexto social, político y organi-
zacional del problema. Es por eso por lo que hay que llevar a cabo un análisis
contextual. ¿Cuál es la naturaleza del campo? ¿Cuáles son las restricciones que
impone el contexto? También debemos preguntarnos qué tipo de problemas
se solucionan en este campo y qué restricciones contextuales afectan al pro-
blema.
Figura 18. Modelo para un entorno de solución de problemas de análisis de casos/sistemas.
Los problemas de análisis de casos se representan muchas veces a partir de his-
torias. Las historias se entienden y se recuerdan mejor y son más empáticas
que las representaciones didácticas de los problemas.
El siguiente extracto está sacado de un entorno de aprendizaje de análisis de
casos que desarrollamos en Sociología del Bienestar. Esta historia concreta in-
troduce el problema del ciclo de bienestar (buscar asistencia, ayuda y bienestar
en el trabajo). El problema está relacionado con la manera de ayudar a las per-
sonas con el ciclo de bienestar en el trabajo. Otro objetivo principal del entor-
no es que los estudiantes culturalmente aislados de una gran universidad
pública evoquen respuestas empáticas.
Martes, 2 de febrero, 1999
Me llamo Tiffany. Estoy viajando hasta Lewistown con mi hija Stephanie. Stephanie va
a cumplir cinco años dentro de poco. La tuve cuando tenía dieciocho años. Mi casa y mis
amigos están en Detroit. Yo no puedo quedarme más. Entré a formar parte de una banda
de allí, vendiendo drogas y traficando. Tardé cinco años en darme cuenta de que ya no
quería vivir así. Robaba y hacía cosas que nunca creí que fuera capaz de hacer. Quiero a
mi hija. Me he dado cuenta de que le haría daño si me quedaba allí.
 FUOC • P03/72048/01332 62
Cuando uno ha hecho y ha visto lo que yo, no tiene sentido dejarlo a no ser que estés
preparado para ello. Así que me voy, sin dinero, sin ayuda de nadie. Sólo Stef y yo. Sí,
ésta ha sido mi “Feliz Navidad”. Estoy buscando a mi madre biológica. Sé que cuando yo
nací, ella vivía en Lewistown, Pennsylvania. Pero ya ha pasado mucho tiempo. Tengo
una dirección del año 1992. Nunca antes la he visto. No sabe que voy hacia allí. No tengo
ningún otro lugar adonde ir, pero no puedo quedarme en Detroit, ni hablar. Estoy casi
de ocho meses. Voy a pedir ayuda en cuanto llegue, por el bien de mis hijos.
Miércoles, 3 de febrero, 1999 (17:30 h)
Stephanie nunca había viajado en un autocar. Un viaje de 24 horas casi le ha quitado
todo su entusiasmo, pobrecita. Gracias a Dios se ha dormido. Dejamos la estación de la
calle Howard en Detroit a las 10 de la noche anterior y hemos llegado a las 17:15 de hoy.
Con este maldito tiempo pronto va a ser de noche. No hemos comido desde que nos ter-
minamos todos los snacks. Dios, el olor de esta parrilla me está volviendo loca. ¿Qué he
hecho? ¡El billete me ha costado $59! Quizás debería haber guardado mi dinero.
No tengo ni idea de adónde ir. En el número que tengo de mi madre no contesta nadie.
No tengo ni un dólar en moneda para el teléfono. Treinta dólares, mi hija y esta bolsa
vieja de playa con su ropa, algunos muñecos y algo para mí es todo lo que tengo. Y, Dios,
este sitio apesta, y hace frío. Sé que tengo que buscar ayuda. Este número no contesta.
No hay contestador. A lo mejor no es ni un número... Se está haciendo tarde. ¿Qué vamos
a hacer?
Representar problemas de análisis de casos en forma de historias no es sufi-
ciente para hacer que el estudiante desarrolle la clase de pensamiento necesa-
rio para resolverlos. Además, es igual de importante o más, que los estudiantes
tengan una tarea concreta y real para resolver.
En el problema de asistencia social que acabamos de describir, pedimos a los
estudiantes que aconsejaran a la mujer que quería pasar de la asistencia social
al trabajo. Su consejo no sólo debía ser legalmente correcto (los estudiantes se
frustraron por la complejidad de formas y procedimientos de los papeles que
los perceptores debían rellenar) sino también empático.
La actividad debe ser también bastante específica.
a) Un problema de análisis de política exterior en el Próximo Oriente puede
requerir que los estudiantes actúen como si fueran analistas de política exte-
rior para el departamento de estado en el cual deben recomendar acciones po-
líticas concretas al secretario de estado sobre si los palestinos deberían tener
un estado independiente. Es decir, debería haber una especie de resultado con-
creto (consejo) asociado a la actividad: no sólo un informe, sino un informe
con puntos de acción concretos. Esto no quiere decir que sea imprescindible
dar un consejo, sino que debe hacerse en forma de consejo.
b) Un problema de análisis de casos sobre el sistema político de Noruega de-
bería requerir recomendaciones sobre cómo construir las coaliciones parla-
mentarias necesarias para aprobar una ley sobre la construcción de una planta
eléctrica de gas. Cuantos más objetivos tenga la actividad, más atractiva será.
Este mismo entorno, con todos sus sistemas de apoyo, puede ser alterado si
vuelve a definirse la actividad. También se puede asignar a algunos estudiantes
un entorno para crear una coalición que frene la construcción de la planta de
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 62 TIC y aprendizaje significativo...
Cuando uno ha hecho y ha visto lo que yo, no tiene sentido dejarlo a no ser que estés
preparado para ello. Así que me voy, sin dinero, sin ayuda de nadie. Sólo Stef y yo. Sí,
ésta ha sido mi “Feliz Navidad”. Estoy buscando a mi madre biológica. Sé que cuando yo
nací, ella vivía en Lewistown, Pennsylvania. Pero ya ha pasado mucho tiempo. Tengo
una dirección del año 1992. Nunca antes la he visto. No sabe que voy hacia allí. No tengo
ningún otro lugar adonde ir, pero no puedo quedarme en Detroit, ni hablar. Estoy casi
de ocho meses. Voy a pedir ayuda en cuanto llegue, por el bien de mis hijos.
Miércoles, 3 de febrero, 1999 (17:30 h)
Stephanie nunca había viajado en un autocar. Un viaje de 24 horas casi le ha quitado
todo su entusiasmo, pobrecita. Gracias a Dios se ha dormido. Dejamos la estación de la
calle Howard en Detroit a las 10 de la noche anterior y hemos llegado a las 17:15 de hoy.
Con este maldito tiempo pronto va a ser de noche. No hemos comido desde que nos ter-
minamos todos los snacks. Dios, el olor de esta parrilla me está volviendo loca. ¿Qué he
hecho? ¡El billete me ha costado $59! Quizás debería haber guardado mi dinero.
No tengo ni idea de adónde ir. En el número que tengo de mi madre no contesta nadie.
No tengo ni un dólar en moneda para el teléfono. Treinta dólares, mi hija y esta bolsa
vieja de playa con su ropa, algunos muñecos y algo para mí es todo lo que tengo. Y, Dios,
este sitio apesta, y hace frío. Sé que tengo que buscar ayuda. Este número no contesta.
No hay contestador. A lo mejor no es ni un número... Se está haciendo tarde. ¿Qué vamos
a hacer?
Representar problemas de análisis de casos en forma de historias no es sufi-
ciente para hacer que el estudiante desarrolle la clase de pensamiento necesa-
rio para resolverlos. Además, es igual de importante o más, que los estudiantes
tengan una tarea concreta y real para resolver.
En el problema de asistencia social que acabamos de describir, pedimos a los
estudiantes que aconsejaran a la mujer que quería pasar de la asistencia social
al trabajo. Su consejo no sólo debía ser legalmente correcto (los estudiantes se
frustraron por la complejidad de formas y procedimientos de los papeles que
los perceptores debían rellenar) sino también empático.
La actividad debe ser también bastante específica.
a) Un problema de análisis de política exterior en el Próximo Oriente puede
requerir que los estudiantes actúen como si fueran analistas de política exte-
rior para el departamento de estado en el cual deben recomendar acciones po-
líticas concretas al secretario de estado sobre si los palestinos deberían tener
un estado independiente. Es decir, debería haber una especie de resultado con-
creto (consejo) asociado a la actividad: no sólo un informe, sino un informe
con puntos de acción concretos. Esto no quiere decir que sea imprescindible
dar un consejo, sino que debe hacerse en forma de consejo.
b) Un problema de análisis de casos sobre el sistema político de Noruega de-
bería requerir recomendaciones sobre cómo construir las coaliciones parla-
mentarias necesarias para aprobar una ley sobre la construcción de una planta
eléctrica de gas. Cuantos más objetivos tenga la actividad, más atractiva será.
Este mismo entorno, con todos sus sistemas de apoyo, puede ser alterado si
vuelve a definirse la actividad. También se puede asignar a algunos estudiantes
un entorno para crear una coalición que frene la construcción de la planta de
 FUOC • P03/72048/01332 63
gas. La única diferencia es la actividad, pero el resto del entorno puede ser el
mismo o muy similar.
c) En otro entorno diseñado para un curso de geografía centrado en el uso de
mapas (figura 19), dimos a los estudiantes un contrato del ministerio de trans-
porte para que eligieran una ruta alternativa que evitara una de las intersec-
ciones de autopistas peor diseñadas de la historia.
Figura 19. Problema de tráfico.
Los estudiantes debían reconciliar las opiniones de los motoristas, los comer-
ciantes, los habitantes y los burócratas utilizando los mapas de terreno, así
como mapas topográficos, aéreos y de parcelas para encontrar la solución más
eficiente, eficaz y aceptable al problema.
Está claro que no existe ninguna solución absolutamente correcta, sólo hay
soluciones mejores y peores. La actividad debe ser lo más real posible y estar
bien circunscrita. Muchas veces la solución de problemas en clase no tiene éxi-
to porque las actividades son muy difusas. Se pide a los estudiantes que anali-
cen políticas o principios. ¿Por qué? Si los estudiantes no perciben un objetivo
significativo para la solución del problema, es poco probable que se sumerjan
en él o en las soluciones.
3.3.2. Herramientas de representación de problemas
Anteriormente hemos descrito las formas de representación de los problemas
dirigidas a los estudiantes, incluyendo el formato narrativo y las actividades
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 63 TIC y aprendizaje significativo...
gas. La única diferencia es la actividad, pero el resto del entorno puede ser el
mismo o muy similar.
c) En otro entorno diseñado para un curso de geografía centrado en el uso de
mapas (figura 19), dimos a los estudiantes un contrato del ministerio de trans-
porte para que eligieran una ruta alternativa que evitara una de las intersec-
ciones de autopistas peor diseñadas de la historia.
Figura 19. Problema de tráfico.
Los estudiantes debían reconciliar las opiniones de los motoristas, los comer-
ciantes, los habitantes y los burócratas utilizando los mapas de terreno, así
como mapas topográficos, aéreos y de parcelas para encontrar la solución más
eficiente, eficaz y aceptable al problema.
Está claro que no existe ninguna solución absolutamente correcta, sólo hay
soluciones mejores y peores. La actividad debe ser lo más real posible y estar
bien circunscrita. Muchas veces la solución de problemas en clase no tiene éxi-
to porque las actividades son muy difusas. Se pide a los estudiantes que anali-
cen políticas o principios. ¿Por qué? Si los estudiantes no perciben un objetivo
significativo para la solución del problema, es poco probable que se sumerjan
en él o en las soluciones.
3.3.2. Herramientas de representación de problemas
Anteriormente hemos descrito las formas de representación de los problemas
dirigidas a los estudiantes, incluyendo el formato narrativo y las actividades
 FUOC • P03/72048/01332 64
reales y concretas. Cabe remarcar que la manera como se plantean los proble-
mas a los estudiantes en el enunciado afecta a la representación mental que se
hacen de los problemas que intentan resolver. Éste es el objetivo: conseguir
que los estudiantes construyan un modelo conceptual significativo de los pro-
blemas que intentan resolver. Sin embargo, esta representación del problema
sólo es una de las fuentes de influencia. El modelo para implicar a los estudian-
tes en los problemas de análisis de casos requiere el uso de herramientas para
que los estudiantes construyan su propia representación externa de los proble-
mas. El modelo de dinámicas de sistemas de la población fumadora en la figu-
ra 20 representa el tipo de herramienta de representación de problemas que
puede usarse para representar cualquier tipo de problemas de análisis de casos.
Figura 20. Modelo de dinámicas de sistemas de la población fumadora.
Este modelo (producido con Stella) representa las relaciones dinámicas entre
distintos factores que afectan a la población. Si la tarea del estudiante fuera re-
ducir el número de fumadores en la población de los Estados Unidos para re-
ducir los gastos sanitarios, los estudiantes podrían empezar construyendo un
modelo de este tipo. Las herramientas de dinámicas de sistemas permiten que
los estudiantes añadan o quiten factores y comprueben los resultados de los
cambios efectuados en estos factores. También pueden comprobar sus mode-
los cambiando los valores de los parámetros y viendo los resultados.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 64 TIC y aprendizaje significativo...
reales y concretas. Cabe remarcar que la manera como se plantean los proble-
mas a los estudiantes en el enunciado afecta a la representación mental que se
hacen de los problemas que intentan resolver. Éste es el objetivo: conseguir
que los estudiantes construyan un modelo conceptual significativo de los pro-
blemas que intentan resolver. Sin embargo, esta representación del problema
sólo es una de las fuentes de influencia. El modelo para implicar a los estudian-
tes en los problemas de análisis de casos requiere el uso de herramientas para
que los estudiantes construyan su propia representación externa de los proble-
mas. El modelo de dinámicas de sistemas de la población fumadora en la figu-
ra 20 representa el tipo de herramienta de representación de problemas que
puede usarse para representar cualquier tipo de problemas de análisis de casos.
Figura 20. Modelo de dinámicas de sistemas de la población fumadora.
Este modelo (producido con Stella) representa las relaciones dinámicas entre
distintos factores que afectan a la población. Si la tarea del estudiante fuera re-
ducir el número de fumadores en la población de los Estados Unidos para re-
ducir los gastos sanitarios, los estudiantes podrían empezar construyendo un
modelo de este tipo. Las herramientas de dinámicas de sistemas permiten que
los estudiantes añadan o quiten factores y comprueben los resultados de los
cambios efectuados en estos factores. También pueden comprobar sus mode-
los cambiando los valores de los parámetros y viendo los resultados.
 FUOC • P03/72048/01332 65
La figura 21 muestra el resultado del modelo con la contribución extra de la
campaña antitabaco. Los resultados de estos modelos también pueden usarse
como información para apoyar los argumentos de los estudiantes (descritos
más adelante).
Figura 21. Resultado del modelo de dinámica de sistemas.
3.3.3. Generar opciones de solución: acomodar
perspectivas múltiples
He descubierto que la teoría de la flexibilidad cognitiva es uno de los mejores
modelos para facilitar el estudio de múltiples perspectivas, un proceso esencial
para resolver problemas de análisis de casos, y para llegar a ser un estudiante
maduro epistémicamente (Spiro y Jehng, 1990).
Esta teoría subraya la interrelación conceptual de ideas y su interconexión. Los
entornos de flexibilidad cognitiva representan intencionadamente múltiples
perspectivas o interpretaciones del contenido en los casos utilizados para ilus-
trar el campo de contenido. La mala estructuración de cualquier campo de co-
nocimiento se ilustra mejor con múltiples perspectivas o temas que se
encuentran inherentes en los problemas representados.
Hemos usado hipertextos de flexibilidad cognitiva en un entorno sobre temas de biodi-
versidad, uso de la tierra y estilos de control y resolución de conflictos a medida que han
ido apareciendo en la controversia surgida tras la reintroducción del lobo gris mexicano
en las áreas salvajes del suroeste americano. El entorno de reintroducción del lobo (véase
la figura 22) permite que el estudiante examine el tema de la reintroducción desde una
perspectiva de una docena de personas afectadas por los lobos, incluyendo rancheros y
defensores del medioambiente. También identificamos diversos problemas temáticos
interconectados con sus comentarios, incluyendo control local frente a control nacional
de la tierra, consumo frente a conservación, cooperación frente a cooptación. Para llegar
a un juicio sobre la continuación de la práctica, los estudiantes tuvieron que entender
y reconciliar estos puntos de vista. Es esencial que entiendan las distintas perspectivas
que complican los problemas de análisis de casos para generar y evaluar las distintas so-
luciones.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 65 TIC y aprendizaje significativo...
La figura 21 muestra el resultado del modelo con la contribución extra de la
campaña antitabaco. Los resultados de estos modelos también pueden usarse
como información para apoyar los argumentos de los estudiantes (descritos
más adelante).
Figura 21. Resultado del modelo de dinámica de sistemas.
3.3.3. Generar opciones de solución: acomodar
perspectivas múltiples
He descubierto que la teoría de la flexibilidad cognitiva es uno de los mejores
modelos para facilitar el estudio de múltiples perspectivas, un proceso esencial
para resolver problemas de análisis de casos, y para llegar a ser un estudiante
maduro epistémicamente (Spiro y Jehng, 1990).
Esta teoría subraya la interrelación conceptual de ideas y su interconexión. Los
entornos de flexibilidad cognitiva representan intencionadamente múltiples
perspectivas o interpretaciones del contenido en los casos utilizados para ilus-
trar el campo de contenido. La mala estructuración de cualquier campo de co-
nocimiento se ilustra mejor con múltiples perspectivas o temas que se
encuentran inherentes en los problemas representados.
Hemos usado hipertextos de flexibilidad cognitiva en un entorno sobre temas de biodi-
versidad, uso de la tierra y estilos de control y resolución de conflictos a medida que han
ido apareciendo en la controversia surgida tras la reintroducción del lobo gris mexicano
en las áreas salvajes del suroeste americano. El entorno de reintroducción del lobo (véase
la figura 22) permite que el estudiante examine el tema de la reintroducción desde una
perspectiva de una docena de personas afectadas por los lobos, incluyendo rancheros y
defensores del medioambiente. También identificamos diversos problemas temáticos
interconectados con sus comentarios, incluyendo control local frente a control nacional
de la tierra, consumo frente a conservación, cooperación frente a cooptación. Para llegar
a un juicio sobre la continuación de la práctica, los estudiantes tuvieron que entender
y reconciliar estos puntos de vista. Es esencial que entiendan las distintas perspectivas
que complican los problemas de análisis de casos para generar y evaluar las distintas so-
luciones.
 FUOC • P03/72048/01332 66
3.3.4. Argumentación
Como hemos afirmado antes, los problemas mal estructurados tienen una na-
turaleza dialéctica en la cual se utilizan dos o más conceptualizaciones opues-
tas del problema (diferentes espacios del mismo) para apoyar distintos
argumentos con presunciones opuestas subyacentes (Churchman, 1971). Por
lo tanto, es importante que los estudiantes sean capaces de articular las distin-
tas concepciones defendiendo argumentos para la solución que ellos propo-
nen. El argumento aporta la mejor prueba del conocimiento dominante que
pueden haber adquirido. El desarrollo de argumentos lógicos para apoyar un
pensamiento divergente –juicio reflexivo (Kitchner y King, 1981)– no sólo lle-
va a una cognición y metacognición del proceso utilizado para resolver el pro-
blema, sino también a una conciencia de la naturaleza epistémica del proceso
y de la verdad o valor de las distintas soluciones (Kitchner, 1983). En el entor-
no de geografía, existen distintas carreteras posibles que pueden escogerse y
muchas razones para escoger una de ellas. Exigir a los estudiantes que desarro-
llen un argumento para su elección es equivalente a solucionar problemas.
Figura 22. Entorno de reintroducción del lobo.
Es decir, aporta datos de evaluación muy útiles para ayudar al profesor a de-
terminar qué sabe el estudiante. Se puede entrenar y ayudar a recordar me-
diante una serie de preguntas o apuntes de juicio reflexivo (Kitchner y King,
1981), como los siguientes:
• ¿Podéis llegar a estar seguros de que vuestra posición es correcta? ¿Lle-
garemos a saber cuál es la posición correcta?
• ¿Cómo habéis llegado a esta opinión? ¿En qué la basáis?
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 66 TIC y aprendizaje significativo...
3.3.4. Argumentación
Como hemos afirmado antes, los problemas mal estructurados tienen una na-
turaleza dialéctica en la cual se utilizan dos o más conceptualizaciones opues-
tas del problema (diferentes espacios del mismo) para apoyar distintos
argumentos con presunciones opuestas subyacentes (Churchman, 1971). Por
lo tanto, es importante que los estudiantes sean capaces de articular las distin-
tas concepciones defendiendo argumentos para la solución que ellos propo-
nen. El argumento aporta la mejor prueba del conocimiento dominante que
pueden haber adquirido. El desarrollo de argumentos lógicos para apoyar un
pensamiento divergente –juicio reflexivo (Kitchner y King, 1981)– no sólo lle-
va a una cognición y metacognición del proceso utilizado para resolver el pro-
blema, sino también a una conciencia de la naturaleza epistémica del proceso
y de la verdad o valor de las distintas soluciones (Kitchner, 1983). En el entor-
no de geografía, existen distintas carreteras posibles que pueden escogerse y
muchas razones para escoger una de ellas. Exigir a los estudiantes que desarro-
llen un argumento para su elección es equivalente a solucionar problemas.
Figura 22. Entorno de reintroducción del lobo.
Es decir, aporta datos de evaluación muy útiles para ayudar al profesor a de-
terminar qué sabe el estudiante. Se puede entrenar y ayudar a recordar me-
diante una serie de preguntas o apuntes de juicio reflexivo (Kitchner y King,
1981), como los siguientes:
• ¿Podéis llegar a estar seguros de que vuestra posición es correcta? ¿Lle-
garemos a saber cuál es la posición correcta?
• ¿Cómo habéis llegado a esta opinión? ¿En qué la basáis?
 FUOC • P03/72048/01332 67 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 67 TIC y aprendizaje significativo...

• Cuando las personas difieren en temas como éste, ¿es porque alguien • Cuando las personas difieren en temas como éste, ¿es porque alguien
tiene la razón y los otros están equivocados? ¿Hay una opinión que sea tiene la razón y los otros están equivocados? ¿Hay una opinión que sea
peor y las otras mejores? peor y las otras mejores?

• ¿Cómo es posible que las personas puedan tener puntos de vista tan • ¿Cómo es posible que las personas puedan tener puntos de vista tan
distintos? distintos?

• ¿Qué significa para vosotros que los expertos no se pongan de acuerdo • ¿Qué significa para vosotros que los expertos no se pongan de acuerdo
en este tema? en este tema?
 FUOC • P03/72048/01332 68
4. Argumentación mediante la tecnología
para apoyar la resolución de problemas
“Probablemente en la argumentación es donde podemos encontrar de forma más signi-
ficativa el pensamiento y razonamiento de mayor nivel que pueden desarrollar la mayo-
ría de personas. El pensamiento argumentativo forma parte de las creencias de las
personas, de sus juicios y de las conclusiones a las que llegan, y aparece en cada decisión
importante que deben tomar. Así pues, el pensamiento argumentativo se encuentra en
el centro de lo que debería valorarse a la hora de examinar cómo y hasta qué nivel pien-
san las personas”.
Kuhn (1992). (pág. 156-157).
La argumentación no es sólo una habilidad cognitiva esencial; es algo endé-
mico en nuestra cultura. Neil Postman (1995) observa que la Declaración de
Independencia se compuso en forma de argumento. La Constitución también
es un argumento fundado con la creencia de que cada persona debería tener
el derecho a defender libremente su postura.
¿Qué es un argumento?
Aunque su significado cotidiano implica un conflicto o confrontación entre personas, un
argumento intelectual consta necesariamente de dos partes: una premisa y una conclu-
sión. Normalmente se expresan en forma de ‘si (como, por el hecho de que)’ premisa, ‘en-
tonces (por lo tanto, por consiguiente)’ solución. Ejemplo: “Como en el curso de Biología
piden más deberes que en cualquier otro, no deberías hacerlo”. Este argumento tiene una
presunción escondida: “el objetivo del estudiante es evitar el trabajo excesivo”. Puede ha-
ber un contraargumento que afirme que “si trabajas más, aprenderás más”, seguido de “si
en el curso de Biología aprendes más, deberías hacerlo”, asumiendo que “el objetivo del
estudiante es aprender lo máximo posible”.
Las habilidades de argumentación incluyen analizar argumentos en un texto o en otros
entornos de aprendizaje y también la habilidad de construir argumentos (Marttunen,
1994). Los estudiantes preuniversitarios normalmente no tienen muy desarrolladas estas
dos habilidades. Sin embargo, solucionar cualquier problema exige la construcción im-
plícita o explícita de argumentos. En otras palabras, la solución a un problema es un ar-
gumento, es decir, solucionar un problema necesita de una argumentación. Cualquier
solución a un problema es una conclusión. La calidad de la solución (conclusión) es una
función de la validez de las premisas. La argumentación es un proceso en el que se hacen
declaraciones (sacar conclusiones) y se da una justificación (premisas) aportando pruebas
a las declaraciones (Toulmin, 1958). La argumentación es un tipo esencial de razona-
miento informal fundamental para la habilidad intelectual que interviene a la hora de
solucionar problemas, hacer juicios y tomar decisiones, formular ideas y creencias (Kuhn,
1991). La argumentación requiere que quien quiera solucionar un problema identifique
varias perspectivas alternativas, puntos de vista y opiniones; que desarrolle y elija una so-
lución razonable y preferible, y que apoye la solución con datos y pruebas (Voss, Lawrence,
y Engle, 1991). La argumentación es una variable que predice el éxito del estudiante ante
problemas bien y mal estructurados (Hong, Jonassen y McGee, 2003).
A pesar de su importancia, la mayoría de las personas no son grandes expertos
en la construcción de argumentos lógicos (Cerbin, 1988). Más concretamente,
no utilizan advertencias para conectar pruebas con sus afirmaciones:
– afirmación = la reducción de impuestos aumentará los ahorros;
– advertencia = propensión marginal al consumo;
– pruebas = reducción de ahorros el último año e incremento de los ingresos
por ventas.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 68 TIC y aprendizaje significativo...
4. Argumentación mediante la tecnología
para apoyar la resolución de problemas
“Probablemente en la argumentación es donde podemos encontrar de forma más signi-
ficativa el pensamiento y razonamiento de mayor nivel que pueden desarrollar la mayo-
ría de personas. El pensamiento argumentativo forma parte de las creencias de las
personas, de sus juicios y de las conclusiones a las que llegan, y aparece en cada decisión
importante que deben tomar. Así pues, el pensamiento argumentativo se encuentra en
el centro de lo que debería valorarse a la hora de examinar cómo y hasta qué nivel pien-
san las personas”.
Kuhn (1992). (pág. 156-157).
La argumentación no es sólo una habilidad cognitiva esencial; es algo endé-
mico en nuestra cultura. Neil Postman (1995) observa que la Declaración de
Independencia se compuso en forma de argumento. La Constitución también
es un argumento fundado con la creencia de que cada persona debería tener
el derecho a defender libremente su postura.
¿Qué es un argumento?
Aunque su significado cotidiano implica un conflicto o confrontación entre personas, un
argumento intelectual consta necesariamente de dos partes: una premisa y una conclu-
sión. Normalmente se expresan en forma de ‘si (como, por el hecho de que)’ premisa, ‘en-
tonces (por lo tanto, por consiguiente)’ solución. Ejemplo: “Como en el curso de Biología
piden más deberes que en cualquier otro, no deberías hacerlo”. Este argumento tiene una
presunción escondida: “el objetivo del estudiante es evitar el trabajo excesivo”. Puede ha-
ber un contraargumento que afirme que “si trabajas más, aprenderás más”, seguido de “si
en el curso de Biología aprendes más, deberías hacerlo”, asumiendo que “el objetivo del
estudiante es aprender lo máximo posible”.
Las habilidades de argumentación incluyen analizar argumentos en un texto o en otros
entornos de aprendizaje y también la habilidad de construir argumentos (Marttunen,
1994). Los estudiantes preuniversitarios normalmente no tienen muy desarrolladas estas
dos habilidades. Sin embargo, solucionar cualquier problema exige la construcción im-
plícita o explícita de argumentos. En otras palabras, la solución a un problema es un ar-
gumento, es decir, solucionar un problema necesita de una argumentación. Cualquier
solución a un problema es una conclusión. La calidad de la solución (conclusión) es una
función de la validez de las premisas. La argumentación es un proceso en el que se hacen
declaraciones (sacar conclusiones) y se da una justificación (premisas) aportando pruebas
a las declaraciones (Toulmin, 1958). La argumentación es un tipo esencial de razona-
miento informal fundamental para la habilidad intelectual que interviene a la hora de
solucionar problemas, hacer juicios y tomar decisiones, formular ideas y creencias (Kuhn,
1991). La argumentación requiere que quien quiera solucionar un problema identifique
varias perspectivas alternativas, puntos de vista y opiniones; que desarrolle y elija una so-
lución razonable y preferible, y que apoye la solución con datos y pruebas (Voss, Lawrence,
y Engle, 1991). La argumentación es una variable que predice el éxito del estudiante ante
problemas bien y mal estructurados (Hong, Jonassen y McGee, 2003).
A pesar de su importancia, la mayoría de las personas no son grandes expertos
en la construcción de argumentos lógicos (Cerbin, 1988). Más concretamente,
no utilizan advertencias para conectar pruebas con sus afirmaciones:
– afirmación = la reducción de impuestos aumentará los ahorros;
– advertencia = propensión marginal al consumo;
– pruebas = reducción de ahorros el último año e incremento de los ingresos
por ventas.
 FUOC • P03/72048/01332 69
Pero razonar desde las afirmaciones hasta las pruebas es esencial para resolver
problemas. Bell y Linn (1997) sugieren que hacer conjeturas con advertencias,
y no con descripciones, para apoyar los argumentos es un indicio de que los
estudiantes están llegando a conjeturas científicas, que les permiten generar
mejores soluciones a los problemas.
¿Cómo podemos facilitar el desarrollo de las habilidades de argumentación de
los estudiantes? Cerbin (1988) propone una instrucción directa de las habili-
dades de razonamiento que se base en un modelo explícito de argumentación.
Durante años, este enfoque ha sido el método estándar utilizado. Varios inves-
tigadores han utilizado la instrucción directa en la estructura y la notación de
la argumentación (Knudson, 1991; Sanders, Wiseman y Gass, 1994; Yeh,
1998). Sin embargo, los estudios han demostrado resultados inconsistentes: la
instrucción directa no siempre cumple las expectativas de mejora de las habi-
lidades argumentativas. Algunos de ellos indican que este tipo de instrucción
sí que produce una mejora (Sander, Wiseman y Gass, 1994), mientras que otros
demuestran que no se llega a resultados positivos en este aspecto (Knudson,
1991).
4.1. Tecnologías de argumentación
Durante la última década, algunos investigadores han desarrollado herra-
mientas de argumentación basadas en la tecnología, que pueden utilizarse
como entornos aislados o fijarse en entornos de aprendizaje más complejos.
Estas herramientas pertenecen a una nueva clase de herramientas cognitivas
que se conocen como software de CSCA*. Su objetivo es apoyar la construcción
de argumentos del estudiante, incluyendo la búsqueda de advertencias y prue-
bas que respalden sus afirmaciones. Son entornos estructurados para introdu-
cir a los estudiantes en “juegos de diálogo” (Moore, 2000). Los juegos de
diálogo tienen un conjunto de reglas para regular las contribuciones de los
participantes a cualquier discusión. Las herramientas CSCA se usan para mo-
derar discusiones en línea.
Los entornos CSCA pueden usarse de forma efectiva para apoyar la búsqueda
de distintas soluciones para distintos tipos de problemas. Es decir, cuando los
estudiantes colaboran para solucionar problemas, pueden usar entornos CSCA
que les ayuden a construir, justificar y debatir las soluciones que han escogido.
Por el hecho de que los estudiantes no son grandes expertos en argumenta-
ción, los entornos de discusión pueden dirigir o impulsar formas más argu-
mentativas de discusión. Cho y Jonassen (2002) han demostrado que el uso de
Belvedere (descrito más adelante) para impulsar la construcción de argumen-
tos del estudiante no sólo mejora sustancialmente su argumentación, sino
también su capacidad de solución de problemas bien y mal estructurados. La
mayoría de entornos que serán descritos a continuación no pueden adaptarse
TIC y aprendizaje significativo...
* Sigla de computer-supported
collaborative argumentation o
argumentación colaborativa
asistida por ordenador.
 FUOC • P03/72048/01332 69 TIC y aprendizaje significativo...
Pero razonar desde las afirmaciones hasta las pruebas es esencial para resolver
problemas. Bell y Linn (1997) sugieren que hacer conjeturas con advertencias,
y no con descripciones, para apoyar los argumentos es un indicio de que los
estudiantes están llegando a conjeturas científicas, que les permiten generar
mejores soluciones a los problemas.
¿Cómo podemos facilitar el desarrollo de las habilidades de argumentación de
los estudiantes? Cerbin (1988) propone una instrucción directa de las habili-
dades de razonamiento que se base en un modelo explícito de argumentación.
Durante años, este enfoque ha sido el método estándar utilizado. Varios inves-
tigadores han utilizado la instrucción directa en la estructura y la notación de
la argumentación (Knudson, 1991; Sanders, Wiseman y Gass, 1994; Yeh,
1998). Sin embargo, los estudios han demostrado resultados inconsistentes: la
instrucción directa no siempre cumple las expectativas de mejora de las habi-
lidades argumentativas. Algunos de ellos indican que este tipo de instrucción
sí que produce una mejora (Sander, Wiseman y Gass, 1994), mientras que otros
demuestran que no se llega a resultados positivos en este aspecto (Knudson,
1991).
4.1. Tecnologías de argumentación
Durante la última década, algunos investigadores han desarrollado herra-
mientas de argumentación basadas en la tecnología, que pueden utilizarse
como entornos aislados o fijarse en entornos de aprendizaje más complejos.
Estas herramientas pertenecen a una nueva clase de herramientas cognitivas
que se conocen como software de CSCA*. Su objetivo es apoyar la construcción
* Sigla de computer-supported
de argumentos del estudiante, incluyendo la búsqueda de advertencias y prue- collaborative argumentation o
argumentación colaborativa
asistida por ordenador.
bas que respalden sus afirmaciones. Son entornos estructurados para introdu-
cir a los estudiantes en “juegos de diálogo” (Moore, 2000). Los juegos de
diálogo tienen un conjunto de reglas para regular las contribuciones de los
participantes a cualquier discusión. Las herramientas CSCA se usan para mo-
derar discusiones en línea.
Los entornos CSCA pueden usarse de forma efectiva para apoyar la búsqueda
de distintas soluciones para distintos tipos de problemas. Es decir, cuando los
estudiantes colaboran para solucionar problemas, pueden usar entornos CSCA
que les ayuden a construir, justificar y debatir las soluciones que han escogido.
Por el hecho de que los estudiantes no son grandes expertos en argumenta-
ción, los entornos de discusión pueden dirigir o impulsar formas más argu-
mentativas de discusión. Cho y Jonassen (2002) han demostrado que el uso de
Belvedere (descrito más adelante) para impulsar la construcción de argumen-
tos del estudiante no sólo mejora sustancialmente su argumentación, sino
también su capacidad de solución de problemas bien y mal estructurados. La
mayoría de entornos que serán descritos a continuación no pueden adaptarse
 FUOC • P03/72048/01332 70
a las necesidades de un problema en particular. Es decir, tienen una estructura
establecida.
Belvedere, por ejemplo, tiene cuatro articulaciones de conversación predefinidas (“hipó-
tesis”, “datos”, “principios” e “inespecificaciones”) y tres enlaces (“a favor”, “en contra”
y “y”) para conectarlas. Esta estructura genérica puede enriquecer la solución de proble-
mas. Aún no se conoce, sin embargo, cuánto se podría enriquecer con un conjunto mo-
dificable de articulaciones y enlaces. Esta última capacidad de articulaciones y enlaces
modificables la ofrece la primera de las herramientas que vamos a describir.
En la universidad de Missouri, hemos construido un entorno de argumenta-
ción asistida que permite que cualquier instructor construya una estructura de
discurso específica para un campo o problema con el fin de restringir el diálo-
go durante un foro de discusión. El instructor define los tipos de mensaje que
son más adecuados para el tema de discusión. En la figura 23, el instructor ha
identificado el primer tipo de mensaje, una propuesta de solución. Este tipo
de mensaje estaría en el nivel más alto de una discusión centrada en la solu-
ción de un problema.
Figura 23. Creando tipos de mensaje.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 70 TIC y aprendizaje significativo...
a las necesidades de un problema en particular. Es decir, tienen una estructura
establecida.
Belvedere, por ejemplo, tiene cuatro articulaciones de conversación predefinidas (“hipó-
tesis”, “datos”, “principios” e “inespecificaciones”) y tres enlaces (“a favor”, “en contra”
y “y”) para conectarlas. Esta estructura genérica puede enriquecer la solución de proble-
mas. Aún no se conoce, sin embargo, cuánto se podría enriquecer con un conjunto mo-
dificable de articulaciones y enlaces. Esta última capacidad de articulaciones y enlaces
modificables la ofrece la primera de las herramientas que vamos a describir.
En la universidad de Missouri, hemos construido un entorno de argumenta-
ción asistida que permite que cualquier instructor construya una estructura de
discurso específica para un campo o problema con el fin de restringir el diálo-
go durante un foro de discusión. El instructor define los tipos de mensaje que
son más adecuados para el tema de discusión. En la figura 23, el instructor ha
identificado el primer tipo de mensaje, una propuesta de solución. Este tipo
de mensaje estaría en el nivel más alto de una discusión centrada en la solu-
ción de un problema.
Figura 23. Creando tipos de mensaje.
 FUOC • P03/72048/01332 71
Después de especificar todos los tipos de mensaje, el instructor especifica las
relaciones entre estos tipos (véase la figura 24). Esto se hace comprobando los
tipos de mensajes permitidos para responder a los otros tipos. Al utilizar la es-
tructura de argumentación de Toulmin, este instructor ha agrupado los tipos
de declaraciones que componen un argumento en tres niveles (propuesta, ad-
vertencia y pruebas).
El instructor envía la explicación de un problema, y los estudiantes pueden
responder sólo utilizando declaraciones del nivel propuesta. La única declara-
ción disponible en el nivel propuesta de nuestra estructura es la “Propuesta de
solución”, y sólo puede responderse con declaraciones del nivel advertencia.
Entre las declaraciones del nivel advertencia encontramos “Razón para apo-
yar”, “Razón para rehusar” y “Modificar propuesta”. En lugar de seguir este pa-
so, el instructor también puede seleccionar advertencias teóricas o que estén
basadas en lecturas o incluso posturas aceptadas. Las declaraciones en el nivel
advertencia sólo pueden responderse con declaraciones del nivel pruebas, que
(en este caso) incluyen “Información o hechos”, “Opinión personal o creencia”,
“Experiencia personal” y “Descubrimientos de investigación”. Los tipos de men-
saje pueden cambiarse fácilmente añadiendo o eliminando algunos de ellos.
Figura 24. Definir relaciones entre tipos de mensajes.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 71 TIC y aprendizaje significativo...
Después de especificar todos los tipos de mensaje, el instructor especifica las
relaciones entre estos tipos (véase la figura 24). Esto se hace comprobando los
tipos de mensajes permitidos para responder a los otros tipos. Al utilizar la es-
tructura de argumentación de Toulmin, este instructor ha agrupado los tipos
de declaraciones que componen un argumento en tres niveles (propuesta, ad-
vertencia y pruebas).
El instructor envía la explicación de un problema, y los estudiantes pueden
responder sólo utilizando declaraciones del nivel propuesta. La única declara-
ción disponible en el nivel propuesta de nuestra estructura es la “Propuesta de
solución”, y sólo puede responderse con declaraciones del nivel advertencia.
Entre las declaraciones del nivel advertencia encontramos “Razón para apo-
yar”, “Razón para rehusar” y “Modificar propuesta”. En lugar de seguir este pa-
so, el instructor también puede seleccionar advertencias teóricas o que estén
basadas en lecturas o incluso posturas aceptadas. Las declaraciones en el nivel
advertencia sólo pueden responderse con declaraciones del nivel pruebas, que
(en este caso) incluyen “Información o hechos”, “Opinión personal o creencia”,
“Experiencia personal” y “Descubrimientos de investigación”. Los tipos de men-
saje pueden cambiarse fácilmente añadiendo o eliminando algunos de ellos.
Figura 24. Definir relaciones entre tipos de mensajes.
 FUOC • P03/72048/01332 72
Figura 25. Tabla de discusión.
El foro de discusión se parece mucho a otras tablas de boletines de discursos
(figura 24). Se puede acceder a cada mensaje, ordenado jerárquicamente, ha-
ciendo un doble clic. Durante la discusión en línea, los estudiantes pueden se-
leccionar el enlace “Mensajes nuevos” en el cual ya sólo tienen la opción de
enviar la ”Propuesta de solución”. También pueden responder a los mensajes.
Después de haber escogido cuál responder y antes de escribirlo, el estudiante
debe elegir el tipo de mensaje que quiere enviar. Por ejemplo, si contesta un
tipo de mensaje de ”Propuesta de solución”, entonces lo primero que debe ha-
cer es elegir un tipo de mensaje utilizando la interfaz de la figura 25.
Figura 26. Opciones de respuesta a una propuesta de solución.
Después de elegir el tipo de mensaje que quieren enviar, los estudiantes escri-
ben sus mensajes. Cada mensaje se identifica por tipo de mensaje, autor y fe-
cha (véase la figura 26). Hemos comprobado este entorno en distintos campos
y estamos llevando a cabo unas investigaciones para comprobar su eficacia.
TIC y aprendizaje significativo...  FUOC • P03/72048/01332 72 TIC y aprendizaje significativo...
Figura 25. Tabla de discusión.
El foro de discusión se parece mucho a otras tablas de boletines de discursos
(figura 24). Se puede acceder a cada mensaje, ordenado jerárquicamente, ha-
ciendo un doble clic. Durante la discusión en línea, los estudiantes pueden se-
leccionar el enlace “Mensajes nuevos” en el cual ya sólo tienen la opción de
enviar la ”Propuesta de solución”. También pueden responder a los mensajes.
Después de haber escogido cuál responder y antes de escribirlo, el estudiante
debe elegir el tipo de mensaje que quiere enviar. Por ejemplo, si contesta un
tipo de mensaje de ”Propuesta de solución”, entonces lo primero que debe ha-
cer es elegir un tipo de mensaje utilizando la interfaz de la figura 25.
Figura 26. Opciones de respuesta a una propuesta de solución.
Después de elegir el tipo de mensaje que quieren enviar, los estudiantes escri-
ben sus mensajes. Cada mensaje se identifica por tipo de mensaje, autor y fe-
cha (véase la figura 26). Hemos comprobado este entorno en distintos campos
y estamos llevando a cabo unas investigaciones para comprobar su eficacia.
 FUOC • P03/72048/01332 73 TIC y aprendizaje significativo...
Este entorno de conversación permite que el profesor o diseñador del curso
adapte la estructura de la discusión para llegar a satisfacer las necesidades con-
cretas de la actividad. Por ejemplo, si diseñarais un curso de resolución de difi-
cultades de forma colaborativa, la tabla de discusión se estructuraría de acuerdo
con el proceso de resolución de dificultades. En el nivel superior, los estudian-
tes podrían decidir qué acción llevar a cabo. Al desarrollar más esta articula-
ción, las articulaciones de niveles más bajos exigirían al estudiante que enviara
hipótesis, pruebas para sugerir la acción o alguna justificación para llevarla a
cabo. Al enseñar a los estudiantes cómo defenderse ante un tribunal, se podría
impulsar esta actividad aportando el argumento en el nivel superior, elaborado
por casos precedentes, propuestas estratégicas o conectadas con otros argu-
mentos. No hay estudios sobre la eficacia de sistemas de conversación específi-
cos de cada campo, pero es razonable pensar que podrán obtener éxito.
4.1.1. SenseMaker
El SenseMaker forma parte de un entorno de integración del conocimiento,
expuesto por WISE*, un entorno de aprendizaje científico en línea gratuito
* Sigla de web-based inquiry science
para estudiantes de 4° de primaria hasta secundaria. SenseMaker (figura 27) se environment, o entorno de
investigación científica basada en la
web.
diseñó para promover la teorización de los estudiantes, para que apoyaran la
coordinación teoría-pruebas y expusieran su pensamiento de una forma visi-
ble durante los debates de clase. Los estudiantes agrupan las distintas pruebas
en categorías y crean argumentos científicos asociados a un proyecto. Median-
te el software, trabajan con puntos de pruebas que representan partes indivi-
duales de pruebas en la web y exponen marcos que corresponden a categorías
conceptuales (grupos) para las pruebas.
Figura 27. Pantalla de SenseMaker.
 FUOC • P03/72048/01332 73 TIC y aprendizaje significativo...
Este entorno de conversación permite que el profesor o diseñador del curso
adapte la estructura de la discusión para llegar a satisfacer las necesidades con-
cretas de la actividad. Por ejemplo, si diseñarais un curso de resolución de difi-
cultades de forma colaborativa, la tabla de discusión se estructuraría de acuerdo
con el proceso de resolución de dificultades. En el nivel superior, los estudian-
tes podrían decidir qué acción llevar a cabo. Al desarrollar más esta articula-
ción, las articulaciones de niveles más bajos exigirían al estudiante que enviara
hipótesis, pruebas para sugerir la acción o alguna justificación para llevarla a
cabo. Al enseñar a los estudiantes cómo defenderse ante un tribunal, se podría
impulsar esta actividad aportando el argumento en el nivel superior, elaborado
por casos precedentes, propuestas estratégicas o conectadas con otros argu-
mentos. No hay estudios sobre la eficacia de sistemas de conversación específi-
cos de cada campo, pero es razonable pensar que podrán obtener éxito.
4.1.1. SenseMaker
El SenseMaker forma parte de un entorno de integración del conocimiento,
expuesto por WISE*, un entorno de aprendizaje científico en línea gratuito
* Sigla de web-based inquiry science
para estudiantes de 4° de primaria hasta secundaria. SenseMaker (figura 27) se environment, o entorno de
investigación científica basada en la
web.
diseñó para promover la teorización de los estudiantes, para que apoyaran la
coordinación teoría-pruebas y expusieran su pensamiento de una forma visi-
ble durante los debates de clase. Los estudiantes agrupan las distintas pruebas
en categorías y crean argumentos científicos asociados a un proyecto. Median-
te el software, trabajan con puntos de pruebas que representan partes indivi-
duales de pruebas en la web y exponen marcos que corresponden a categorías
conceptuales (grupos) para las pruebas.
Figura 27. Pantalla de SenseMaker.
 FUOC • P03/72048/01332 74 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 74 TIC y aprendizaje significativo...

4.1.2. Belvedere 4.1.2. Belvedere

Belvedere aporta un marco para organizar, exponer y grabar el proceso de ar- Belvedere aporta un marco para organizar, exponer y grabar el proceso de ar-
Belvedere... Belvedere...
gumentación, para que los estudiantes puedan desarrollar su argumento de gumentación, para que los estudiantes puedan desarrollar su argumento de
una manera más fácil y llegar a solucionar un problema mientras trabajan con ... ha sido desarrollado por el una manera más fácil y llegar a solucionar un problema mientras trabajan con ... ha sido desarrollado por el
Centro de Desarrollo e Investi- Centro de Desarrollo e Investi-
los otros miembros del grupo. Concretamente, Belvedere ofrece (véase la figu- gación de Aprendizaje de la los otros miembros del grupo. Concretamente, Belvedere ofrece (véase la figu- gación de Aprendizaje de la
Universidad de Pittsburgh, con Universidad de Pittsburgh, con
ra 28) cuatro articulaciones de conversaciones predefinidas: el objetivo de apoyar a los estu- ra 28) cuatro articulaciones de conversaciones predefinidas: el objetivo de apoyar a los estu-
diantes en la creación de argu- diantes en la creación de argu-
mentos construidos mentos construidos
– “hipótesis”, socialmente. – “hipótesis”, socialmente.
– “datos”, – “datos”,
– “principios” – “principios”
– y “no especificadas” – y “no especificadas”

y tres enlaces: y tres enlaces:

– “a favor” – “a favor”
– “en contra” – “en contra”
– “y”. – “y”.

Las restricciones de este sistema se determinan a partir de los tipos de articu-
laciones y los enlaces entre éstas. Se pide a los usuarios que enlacen sus comen-
tarios a un comentario ya existente utilizando uno de los cuatro tipos de
mensaje. Por ejemplo, los datos y principios sirven para modificar hipótesis.
Los estudiantes utilizan cuadros y enlaces predefinidos para desarrollar sus ar-
gumentos durante una sesión de solución de problemas. Pueden usar esta he-
rramienta para organizar sus ideas y los mensajes que enviaron al BBS.
Las restricciones de este sistema se determinan a partir de los tipos de articu-
laciones y los enlaces entre éstas. Se pide a los usuarios que enlacen sus comen-
tarios a un comentario ya existente utilizando uno de los cuatro tipos de
mensaje. Por ejemplo, los datos y principios sirven para modificar hipótesis.
Los estudiantes utilizan cuadros y enlaces predefinidos para desarrollar sus ar-
gumentos durante una sesión de solución de problemas. Pueden usar esta he-
rramienta para organizar sus ideas y los mensajes que enviaron al BBS.

Figura 28. Diagrama hecho por estudiantes de 4º de educación secundaria sobre el sida. Figura 28. Diagrama hecho por estudiantes de 4º de educación secundaria sobre el sida.
 FUOC • P03/72048/01332 75 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 75 TIC y aprendizaje significativo...

4.1.3. Convince Me 4.1.3. Convince Me

Convince Me (figura 29) incorpora herramientas para hacer diagramas de una
Convince Me...
estructura de argumentación y modificar los argumentos y creencias de cada
persona. Al usarlo, las personas pueden: ... es un programa de “mesa de
trabajo para los razonadores”
que no depende de ningún
campo y que apoya el desarro-
a) articular sus creencias sobre una controversia, llo de la argumentación y la re-
visión y ofrece feedback sobre
b) categorizar cada creencia en función de si hay pruebas o son hipotéticas,
la coherencia de los argumen-
c) conectar sus creencias para apoyar o rehusar una tesis, tos en función de la teoría de la
coherencia explicativa (Ranney
d) ofrecer valoraciones para indicar la credibilidad de las afirmaciones y y Schank, en prensa).
e) efectuar una simulación de conexiones que aporte feedback sobre la cohe-
rencia de los argumentos.
Convince Me (figura 29) incorpora herramientas para hacer diagramas de una
Convince Me...
estructura de argumentación y modificar los argumentos y creencias de cada
persona. Al usarlo, las personas pueden: ... es un programa de “mesa de
trabajo para los razonadores”
que no depende de ningún
campo y que apoya el desarro-
a) articular sus creencias sobre una controversia, llo de la argumentación y la re-
visión y ofrece feedback sobre
b) categorizar cada creencia en función de si hay pruebas o son hipotéticas,
la coherencia de los argumen-
c) conectar sus creencias para apoyar o rehusar una tesis, tos en función de la teoría de la
coherencia explicativa (Ranney
d) ofrecer valoraciones para indicar la credibilidad de las afirmaciones y y Schank, en prensa).
e) efectuar una simulación de conexiones que aporte feedback sobre la cohe-
rencia de los argumentos.

Este feedback hace que Convince Me sea una de las herramientas de ar- Este feedback hace que Convince Me sea una de las herramientas de ar-
gumentación más importantes que existen. gumentación más importantes que existen.

Convince Me ha sido usado para razonar sobre distintas situaciones sociales, Convince Me ha sido usado para razonar sobre distintas situaciones sociales,
Un ejemplo Un ejemplo
como la interpretación del comportamiento humano. El uso de Convince Me de interpretación... como la interpretación del comportamiento humano. El uso de Convince Me de interpretación...

ha ayudado a los estudiantes a estructurar los argumentos consistentes con sus ... del comportamiento huma-
no sería si bostezar indica una
creencias (Schank y Renay, 1992), a medida que iban cambiando sus estructuras
expresión subconsciente de
de argumentación el doble de veces que los estudiantes que utilizaban protoco- agresión o simplemente una
falta de oxígeno, o sobre si de-
los escritos. Estos estudiantes que usaban Convince Me también empleaban bería legalizarse la marihuana.
más explicaciones y contradicciones en sus argumentos.
ha ayudado a los estudiantes a estructurar los argumentos consistentes con sus ... del comportamiento huma-
no sería si bostezar indica una
creencias (Schank y Renay, 1992), a medida que iban cambiando sus estructuras
expresión subconsciente de
de argumentación el doble de veces que los estudiantes que utilizaban protoco- agresión o simplemente una
falta de oxígeno, o sobre si de-
los escritos. Estos estudiantes que usaban Convince Me también empleaban bería legalizarse la marihuana.
más explicaciones y contradicciones en sus argumentos.
 FUOC • P03/72048/01332 76 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 76 TIC y aprendizaje significativo...

Glosario Glosario
Affordances (‘habilitaciones’) Capacidad de dar soporte a la actividad; característica de un Affordances (‘habilitaciones’) Capacidad de dar soporte a la actividad; característica de un
sistema o un fenómeno que permite a los animales o humanos realizar actividades concretas. sistema o un fenómeno que permite a los animales o humanos realizar actividades concretas.

Cambio conceptual m Cambio en la organización o estructura de la comprensión concep- Cambio conceptual m Cambio en la organización o estructura de la comprensión concep-
tual. tual.

Carga cognitiva f Cantidad de actividad cognitiva (razonamiento, atención, memoria, cál- Carga cognitiva f Cantidad de actividad cognitiva (razonamiento, atención, memoria, cál-
culo) que se requiere para desarrollar distintas actividades. culo) que se requiere para desarrollar distintas actividades.

Dilema m Problema basado en temas éticos o sociales que no puede predecirse porque no Dilema m Problema basado en temas éticos o sociales que no puede predecirse porque no
hay ninguna solución que sea aceptable para una parte importante de las personas afectadas. hay ninguna solución que sea aceptable para una parte importante de las personas afectadas.

Espacio del problema m Representación mental de un problema, de sus componentes y Espacio del problema m Representación mental de un problema, de sus componentes y
de las proposiciones necesarias para entenderlo y resolverlo. de las proposiciones necesarias para entenderlo y resolverlo.

Mala categorización Clasificación incorrecta de la naturaleza de un problema. Mala categorización Clasificación incorrecta de la naturaleza de un problema.

Metacognitivo, -a m y f Aprender a aprender estrategias que requieren una conciencia in- Metacognitivo, -a m y f Aprender a aprender estrategias que requieren una conciencia in-
dividual y la regulación de los procesos cognitivos utilizados. dividual y la regulación de los procesos cognitivos utilizados.

Micromundo m Entorno inmersivo, basado en la informática, que simula algunos fenóme- Micromundo m Entorno inmersivo, basado en la informática, que simula algunos fenóme-
nos del mundo real y permite que el estudiante los experimente. nos del mundo real y permite que el estudiante los experimente.

Modelo conceptual Modelo visual de un sistema que ilustra las interconexiones de los Modelo conceptual Modelo visual de un sistema que ilustra las interconexiones de los
componentes del mismo. componentes del mismo.

Modelo mental m Modelo conceptual construido por los humanos para representar su Modelo mental m Modelo conceptual construido por los humanos para representar su
comprensión de sistemas, objetos y otros fenómenos. comprensión de sistemas, objetos y otros fenómenos.

perturbación f Pensamiento estimulador sobre algo mediante la aportación de informa- perturbación f Pensamiento estimulador sobre algo mediante la aportación de informa-
ción conflictiva o perspectivas alternativas; disonancia cognitiva. ción conflictiva o perspectivas alternativas; disonancia cognitiva.

problemas algorítmicos m pl Problemas que utilizan unos procedimientos finitos y rígi- problemas algorítmicos m pl Problemas que utilizan unos procedimientos finitos y rígi-
dos con decisiones predichas y limitadas que normalmente exigen comprensión numérica, dos con decisiones predichas y limitadas que normalmente exigen comprensión numérica,
producción numérica y cálculo. producción numérica y cálculo.

problemas de actuación estratégica m pl Problemas que necesitan actividades complejas problemas de actuación estratégica m pl Problemas que necesitan actividades complejas
a tiempo real, en las que se apliquen un determinado número de actividades tácticas para lle- a tiempo real, en las que se apliquen un determinado número de actividades tácticas para lle-
gar a una estrategia más compleja y mal estructurada manteniendo la conciencia situacional. gar a una estrategia más compleja y mal estructurada manteniendo la conciencia situacional.

problemas de análisis de casos m pl Problemas complejos, desestructurados y que requie- problemas de análisis de casos m pl Problemas complejos, desestructurados y que requie-
ren situaciones multifacéticas. ren situaciones multifacéticas.

problemas de diseño m pl Problemas que requieren aplicar muchos conocimientos domi- problemas de diseño m pl Problemas que requieren aplicar muchos conocimientos domi-
nantes junto con conocimientos estratégicos para producir un diseño original. nantes junto con conocimientos estratégicos para producir un diseño original.

problemas de resolución de dificultades m pl Problemas en los que la persona que problemas de resolución de dificultades m pl Problemas en los que la persona que
quiere solucionarlos intenta descubrir un estado falso en un sistema (parte de un sistema que quiere solucionarlos intenta descubrir un estado falso en un sistema (parte de un sistema que
no funcione correctamente), provocando un conjunto de síntomas que deben diagnosticarse no funcione correctamente), provocando un conjunto de síntomas que deben diagnosticarse
y concordar con el conocimiento que tiene el usuario sobre los distintos estados falsos. y concordar con el conocimiento que tiene el usuario sobre los distintos estados falsos.

problemas de toma de decisiones m pl Problemas que requieren comparar y contrastar problemas de toma de decisiones m pl Problemas que requieren comparar y contrastar
las ventajas e inconvenientes de soluciones alternadas para llegar a tomar una decisión. las ventajas e inconvenientes de soluciones alternadas para llegar a tomar una decisión.

problemas lógicos m pl Pruebas abstractas de lógica que dejan perplejo al estudiante y que problemas lógicos m pl Pruebas abstractas de lógica que dejan perplejo al estudiante y que
se usan para valorar la agudeza mental, la claridad y el razonamiento lógico. se usan para valorar la agudeza mental, la claridad y el razonamiento lógico.

problemas desestructurados m pl Problemas que pueden tener soluciones alternativas, problemas desestructurados m pl Problemas que pueden tener soluciones alternativas,
definidas de forma imprecisa u objetivos que no están claros y restricciones no declaradas; definidas de forma imprecisa u objetivos que no están claros y restricciones no declaradas;
soluciones múltiples, vías de solución o ninguna solución; criterios múltiples para la evalua- soluciones múltiples, vías de solución o ninguna solución; criterios múltiples para la evalua-
ción de soluciones. ción de soluciones.

problemas matemáticos narrados m pl Problemas bien estructurados en los que los va- problemas matemáticos narrados m pl Problemas bien estructurados en los que los va-
lores numéricos necesarios para solucionar un algoritmo están fijados en una narración bre- lores numéricos necesarios para solucionar un algoritmo están fijados en una narración bre-
ve o situación. ve o situación.

problemas que usan reglas m pl Problemas dentro de los cuales pueden aplicarse un nú- problemas que usan reglas m pl Problemas dentro de los cuales pueden aplicarse un nú-
mero limitado de reglas de distintos campos y de formas distintas. mero limitado de reglas de distintos campos y de formas distintas.
 FUOC • P03/72048/01332 77 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 77 TIC y aprendizaje significativo...

razonamiento basado en casos m Método de inteligencia artificial para representar aque- razonamiento basado en casos m Método de inteligencia artificial para representar aque-
llo que las personas saben en forma de historias. llo que las personas saben en forma de historias.

representaciones cualitativas f pl Medios verbales, visuales o no-numéricos para repre- representaciones cualitativas f pl Medios verbales, visuales o no-numéricos para repre-
sentar un problema y su estructura o tipo. sentar un problema y su estructura o tipo.

simulaciones cognitivas f pl Programas informáticos que puedan funcionar y que repre- simulaciones cognitivas f pl Programas informáticos que puedan funcionar y que repre-
senten modelos de actividades humanas cognitivas que "pretenden modelar estructuras senten modelos de actividades humanas cognitivas que "pretenden modelar estructuras
mentales y procesos humanos cognitivos". mentales y procesos humanos cognitivos".

sistema experto m Conjunto de hechos y reglas SI-ENTONCES que parecen expertos hu- sistema experto m Conjunto de hechos y reglas SI-ENTONCES que parecen expertos hu-
manos; normalmente ayuda a los usuarios en tareas que requieren tomar decisiones. manos; normalmente ayuda a los usuarios en tareas que requieren tomar decisiones.

Bibliografía Bibliografía
Bibliografía básica Bibliografía básica

Duffy, T.M.; Cunningham, D. “Constructivism: Implications for the Design and Delivery Duffy, T.M.; Cunningham, D. “Constructivism: Implications for the Design and Delivery
of Instruction”. En: D.H. Jonassen (ed.). The handbook of research on educational communications of Instruction”. En: D.H. Jonassen (ed.). The handbook of research on educational communications
and technology. Nueva York: Scholastic. and technology. Nueva York: Scholastic.

Jonassen, D.H. (1991). Objectivism vs. constructivism: “Do we need a new philosophical Jonassen, D.H. (1991). Objectivism vs. constructivism: “Do we need a new philosophical
paradigm?”. Educational Technology: Research ad Development (núm. 39). paradigm?”. Educational Technology: Research ad Development (núm. 39).

Jonassen, D.H.; Peck, K.,; Wilson, B.G. (1999). Learning With technology: A constructivist Jonassen, D.H.; Peck, K.,; Wilson, B.G. (1999). Learning With technology: A constructivist
perspective. Columbus, OH: Merrill-Prentice Hall. perspective. Columbus, OH: Merrill-Prentice Hall.

Maturana, H.R. (1980). Autopoiesis and cognition, the realization of the living. Boston: Reidel Maturana, H.R. (1980). Autopoiesis and cognition, the realization of the living. Boston: Reidel
Publishing. Publishing.

Savery, J.; Duffy, T.M. (1995). “Problem based learning: An instructional model and its Savery, J.; Duffy, T.M. (1995). “Problem based learning: An instructional model and its
constructivist framework”. En: B.G. Wilson (ed.). Designing constructivist learning environments. constructivist framework”. En: B.G. Wilson (ed.). Designing constructivist learning environments.
Englewood Cliffs, NJ: Educational Technology Publications. Englewood Cliffs, NJ: Educational Technology Publications.

Schank, R.C. (1986). Explanation patterns: Understanding mechanically and creatively. Hillsdale, Schank, R.C. (1986). Explanation patterns: Understanding mechanically and creatively. Hillsdale,
NJ: Lawrence Erlbaum Associates. NJ: Lawrence Erlbaum Associates.

Bibliografía complementaria Bibliografía complementaria

Adams-Webber, J. (1995). “Constructivist psychology and knowledge elicitation”. Journal Adams-Webber, J. (1995). “Constructivist psychology and knowledge elicitation”. Journal
of Constructivist Psychology (vol. 3, núm. 8, pág. 237-249). of Constructivist Psychology (vol. 3, núm. 8, pág. 237-249).

Anzai, Y. (1991). “Learning and use of representations for physics problems”. En: K.A. Ericsson, Anzai, Y. (1991). “Learning and use of representations for physics problems”. En: K.A. Ericsson,
J. Smith (eds.). Toward a general theory of expertise. Cambridge: Cambridge University Press. J. Smith (eds.). Toward a general theory of expertise. Cambridge: Cambridge University Press.

Bagno, E.; Eylon, B.S.; Ganiel, U. (2000). “From fragmented knowledge to a knowledge Bagno, E.; Eylon, B.S.; Ganiel, U. (2000). “From fragmented knowledge to a knowledge
structure: Linking the domains of mechanics and electromagnetism”. American Journal of structure: Linking the domains of mechanics and electromagnetism”. American Journal of
Physics, Supplement (vol. 7, núm. 68, pág. S16-S26). Physics, Supplement (vol. 7, núm. 68, pág. S16-S26).

Barab, S.A.; Barnett, M.; Yamagata-Lynch, L.; Squire, K.; Keating, T. (en prensa). Barab, S.A.; Barnett, M.; Yamagata-Lynch, L.; Squire, K.; Keating, T. (en prensa).
“Using activity theory to understand the contradictions characterizing a technology-rich “Using activity theory to understand the contradictions characterizing a technology-rich
introductory astronomy course”. Mind, Culture, and Activity. introductory astronomy course”. Mind, Culture, and Activity.

Barab, S.; Evans, M.A.; Baek E.O. (2004). “Activity Theory As a Lens for Characterizing the Barab, S.; Evans, M.A.; Baek E.O. (2004). “Activity Theory As a Lens for Characterizing the
Participatory Unit”. En: D. Jonassen (ed.). Handbook of Research for Educational Communications Participatory Unit”. En: D. Jonassen (ed.). Handbook of Research for Educational Communications
and Technologies (2.a ed.) Mahwah, NJ: Lawrence Erlbaum Associates. and Technologies (2.a ed.) Mahwah, NJ: Lawrence Erlbaum Associates.

Baxter-Magolda, M.B. (1987). “Comparing Open-Ended Interviews and Standardized Baxter-Magolda, M.B. (1987). “Comparing Open-Ended Interviews and Standardized
Measures of Intellectual Development”. Journal of College Student Personne (núm. 28, pág. Measures of Intellectual Development”. Journal of College Student Personne (núm. 28, pág.
443-448). 443-448).

Blessing, S.B.; Ross, B.H. (1996). “Content effects in problem categorization and problem Blessing, S.B.; Ross, B.H. (1996). “Content effects in problem categorization and problem
solving”. Journal of Experimental Psychology: Learning, Memory, and Cognition (vol. 3, núm. 22, solving”. Journal of Experimental Psychology: Learning, Memory, and Cognition (vol. 3, núm. 22,
pág. 792-810). pág. 792-810).

Bransford, J.; Stein, B.S. (1983). The IDEAL problem solver: A guide for improving thinking, Bransford, J.; Stein, B.S. (1983). The IDEAL problem solver: A guide for improving thinking,
learning, and creativity. Nueva York: W.H. Freeman. learning, and creativity. Nueva York: W.H. Freeman.

Briars, D.J.; Larkin, J.H. (1984). “An integrated model of skill in solving elementary word Briars, D.J.; Larkin, J.H. (1984). “An integrated model of skill in solving elementary word
problems”. Cognition and Instruction (núm. 1, pág. 245-296). problems”. Cognition and Instruction (núm. 1, pág. 245-296).
 FUOC • P03/72048/01332 78 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 78 TIC y aprendizaje significativo...

Carey, S. (1992). “The origin and evolution of everyday concepts”. En: R.N. Giere (ed.). Carey, S. (1992). “The origin and evolution of everyday concepts”. En: R.N. Giere (ed.).
Minnesota Studies in the philosophy of science (vol. XV: Cognitive models of science, pág. 129- Minnesota Studies in the philosophy of science (vol. XV: Cognitive models of science, pág. 129-
186). Mineapolis, MN: University of Minnesota Press. 186). Mineapolis, MN: University of Minnesota Press.

Cerbin, B. (1988). The nature and development of informal reasoning skills in college students Cerbin, B. (1988). The nature and development of informal reasoning skills in college students
(ERIC Document Reproduction Service, núm. ED 298 805). (ERIC Document Reproduction Service, núm. ED 298 805).

Chi, M.T.H. (1992). “Conceptual change within and across ontological categories: Examples Chi, M.T.H. (1992). “Conceptual change within and across ontological categories: Examples
from learning and discovery in science”. En: R.N. Giere (ed.). Minnesota Studies in the philosophy from learning and discovery in science”. En: R.N. Giere (ed.). Minnesota Studies in the philosophy
of science (vol. XV: Cognitive models of science, pág. 129-186). Mineapolis, MN: University of of science (vol. XV: Cognitive models of science, pág. 129-186). Mineapolis, MN: University of
Minnesota Press. Minnesota Press.

Chi, M.T.H.; Feltovich, P.J.; Glaser, R. (1981). “Categorization and representation of Chi, M.T.H.; Feltovich, P.J.; Glaser, R. (1981). “Categorization and representation of
physics problems y experts and novices”. Cognitive Science (núm. 5, pág. 121-152). physics problems y experts and novices”. Cognitive Science (núm. 5, pág. 121-152).

Cho, K.L.; Jonassen, D.H. (2002). “The effects of argumentation scaffolds on argumenta- Cho, K.L.; Jonassen, D.H. (2002). “The effects of argumentation scaffolds on argumenta-
tion and problem solving”. Educational Technology: Research & Development (vol. 3, núm. 50, tion and problem solving”. Educational Technology: Research & Development (vol. 3, núm. 50,
pág. 5-22). pág. 5-22).

Confrey, J.; Doerr, H.M. (1994). “Student modelers”. Interactive Learning Environment (vol. Confrey, J.; Doerr, H.M. (1994). “Student modelers”. Interactive Learning Environment (vol.
3, núm. 4, pág. 199-217). 3, núm. 4, pág. 199-217).

De Koning, K.; Bredweg, B. (2001). “Exploting model-based reasoning in educational De Koning, K.; Bredweg, B. (2001). “Exploting model-based reasoning in educational
systems: illuminating the learer modeling problem”. En: K.D. Forbus; P.J. Feltovich (eds.). systems: illuminating the learer modeling problem”. En: K.D. Forbus; P.J. Feltovich (eds.).
Smart machines in education (pág. 299-3330). Menlo Park, CA: AAAI Press. Smart machines in education (pág. 299-3330). Menlo Park, CA: AAAI Press.

Derry, S.J.; Grupo de Investigación TiPS (2001). “Development and Assessment of Tu- Derry, S.J.; Grupo de Investigación TiPS (2001). “Development and Assessment of Tu-
torials in Problem Solving (TiPS): A Remedial Mathematics Tutor”. Final Report to the Office torials in Problem Solving (TiPS): A Remedial Mathematics Tutor”. Final Report to the Office
of Naval research (N00014-93-1-0310). Madison, WI: Wisconsin Center for Education Re- of Naval research (N00014-93-1-0310). Madison, WI: Wisconsin Center for Education Re-
search, University of Wisconsin-Madison. search, University of Wisconsin-Madison.

DiSessa, A; Abeson, H. (1986). Boxer: A reconstructible computational medium. Commu- DiSessa, A; Abeson, H. (1986). Boxer: A reconstructible computational medium. Commu-
nications of the ACM (núm. 29, pág. 859-868). nications of the ACM (núm. 29, pág. 859-868).

Dole, J.A.; Sinatra, G.M. (1998). “Reconceptualizing change in the cognitive construction Dole, J.A.; Sinatra, G.M. (1998). “Reconceptualizing change in the cognitive construction
of knowledge”. Educational Psychologist (núm. 33, pág. 109-128). of knowledge”. Educational Psychologist (núm. 33, pág. 109-128).

Dunkle, M.E.; Schraw, G.; Bendixen, L.D. (1995, abril). “Cognitive processes in well- Dunkle, M.E.; Schraw, G.; Bendixen, L.D. (1995, abril). “Cognitive processes in well-
defined and ill-defined problem solving”. Artículo presentado en la reunión anual de la Ame- defined and ill-defined problem solving”. Artículo presentado en la reunión anual de la Ame-
rican Educational Research Association. San Francisco: CA. rican Educational Research Association. San Francisco: CA.

Edmundson, K.M. (2000). “Assessing science understanding through concept maps”. En: Edmundson, K.M. (2000). “Assessing science understanding through concept maps”. En:
J.J. Mintzes, J.H. Wandersee, J.D. Novak (eds.). Assessing science understanding: A human cons- J.J. Mintzes, J.H. Wandersee, J.D. Novak (eds.). Assessing science understanding: A human cons-
tructivist view (pág. 19-40). San Diego: Academic Press. tructivist view (pág. 19-40). San Diego: Academic Press.

Engeström, Y. (1987). Learning by expanding: An activity-theoretical approach to developmental Engeström, Y. (1987). Learning by expanding: An activity-theoretical approach to developmental
research. Helsinki, Finlandia: Orienta-Konultit. research. Helsinki, Finlandia: Orienta-Konultit.

Ferguson, W.; Bareiss, R.; Birnbaum, L.; Osgood, R. (1991). “ASK Systems: An Approach Ferguson, W.; Bareiss, R.; Birnbaum, L.; Osgood, R. (1991). “ASK Systems: An Approach
to the Realization of Story-Based Teachers”. The Journal of the Learning Sciences (vol. 1, núm 2, to the Realization of Story-Based Teachers”. The Journal of the Learning Sciences (vol. 1, núm 2,
pág. 95-134). pág. 95-134).

Fisher, K.M. (2000). “SemNet software as an assessment tool”. En: J.J. Mintzes, J.H. Wandersee, Fisher, K.M. (2000). “SemNet software as an assessment tool”. En: J.J. Mintzes, J.H. Wandersee,
J.D. Novak (eds.). Assessing science understanding: A human constructivist view (pág. 198-223). San J.D. Novak (eds.). Assessing science understanding: A human constructivist view (pág. 198-223). San
Diego: Academic Press. Diego: Academic Press.

Frederiksen, J.R.; White, B.Y. (1998). “Teaching and learning generic modeling and rea- Frederiksen, J.R.; White, B.Y. (1998). “Teaching and learning generic modeling and rea-
soning skills”. Journal of Interactive Learning Environment (núm. 55, pág. 33-51). soning skills”. Journal of Interactive Learning Environment (núm. 55, pág. 33-51).

Gentner, D.; Stevens, A.L. (1983). Mental models. Hillsdale, NJ: Lawrence Erlbaum Asso- Gentner, D.; Stevens, A.L. (1983). Mental models. Hillsdale, NJ: Lawrence Erlbaum Asso-
ciates. ciates.

Grabinger, R.S. (1996). “Rich environments for active learning”. En: D.H. Jonassen (ed.). Grabinger, R.S. (1996). “Rich environments for active learning”. En: D.H. Jonassen (ed.).
Handbook of research for educational communications and technology. Nueva York: Macmillan. Handbook of research for educational communications and technology. Nueva York: Macmillan.

Hannafin, M.J.; Hall, C.; Land, S.; Hill, J. (1994). “Learning in open-ended learning en- Hannafin, M.J.; Hall, C.; Land, S.; Hill, J. (1994). “Learning in open-ended learning en-
vironments: Assumptions, methods, and implications”. Educational Technology (vol. 8, núm. vironments: Assumptions, methods, and implications”. Educational Technology (vol. 8, núm.
34, pág. 48-55). 34, pág. 48-55).
 FUOC • P03/72048/01332 79 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 79 TIC y aprendizaje significativo...

Hayes, J.R.; Simon, H.A. (1977). “Psychological differences among problem isomorphs”. Hayes, J.R.; Simon, H.A. (1977). “Psychological differences among problem isomorphs”.
En: N.J. Castellan, D.B. Pisoni, G.R. Potts (eds.). Cognitive theory (pág. 21-41). Hillsdale, NJ: En: N.J. Castellan, D.B. Pisoni, G.R. Potts (eds.). Cognitive theory (pág. 21-41). Hillsdale, NJ:
Lawrence Erlbaum Associates. Lawrence Erlbaum Associates.

Hernandez-Serrano, J.; Jonassen, D.H. (2003). “The effects of case libraries on problem Hernandez-Serrano, J.; Jonassen, D.H. (2003). “The effects of case libraries on problem
solving”. Journal of Computer-Assisted Learning. solving”. Journal of Computer-Assisted Learning.

Hestenes, D. (1987). "Toward a modeling theory of physics instruction". American Journal Hestenes, D. (1987). "Toward a modeling theory of physics instruction". American Journal
of Physics (núm. 55, pàg. 44-454). of Physics (núm. 55, pàg. 44-454).

Hogan, K.; Fisherkeller, J. (2000). “Dialogue as data: Assessing students’ scientific reasoning Hogan, K.; Fisherkeller, J. (2000). “Dialogue as data: Assessing students’ scientific reasoning
with interactive protocols”. En: J.J. Mintzes, J.H. Wandersee, J.D. Novak (eds.). Assessing science with interactive protocols”. En: J.J. Mintzes, J.H. Wandersee, J.D. Novak (eds.). Assessing science
understanding: A human constructivist view (pág. 96-129). San Diego: Academic Press. understanding: A human constructivist view (pág. 96-129). San Diego: Academic Press.

Hong, N.S.; Jonassen, D.H.; McGee, S. (2003). “Predictors of well-structured and ill-struc- Hong, N.S.; Jonassen, D.H.; McGee, S. (2003). “Predictors of well-structured and ill-struc-
tured problem solving in an astronomy simulation”. Journal of Research in Science Teaching. tured problem solving in an astronomy simulation”. Journal of Research in Science Teaching.

Johnson-Laird, P.N. (1983). Mental models: Towards a cognitive science of language, inference, Johnson-Laird, P.N. (1983). Mental models: Towards a cognitive science of language, inference,
and consciousness. Cambridge, MA: Harvard University Press. and consciousness. Cambridge, MA: Harvard University Press.

Jonassen, D.H. (1987). “Verifying a method for assessing cognitive structure using pattern Jonassen, D.H. (1987). “Verifying a method for assessing cognitive structure using pattern
notes”. Journal of Research and Development in Education (vol. 3, núm. 20, pág. 1-14). notes”. Journal of Research and Development in Education (vol. 3, núm. 20, pág. 1-14).

Jonassen, D.H. (1997). “Instructional design models for well-structured and ill-structured Jonassen, D.H. (1997). “Instructional design models for well-structured and ill-structured
problem-solving learning outcomes”. Educational Technology: Research and Development (vol. problem-solving learning outcomes”. Educational Technology: Research and Development (vol.
1, núm. 45, pág. 65-95). 1, núm. 45, pág. 65-95).

Jonassen, D.H. (2000). Computers as Mindtools for schools: Engaging critical thinking. Colum- Jonassen, D.H. (2000). Computers as Mindtools for schools: Engaging critical thinking. Colum-
bus, OH: Merrill/Prentice-Hall. bus, OH: Merrill/Prentice-Hall.

Jonassen, D.H. (2003). “Using cognitive tools to represent problems”. Journal of Research on Jonassen, D.H. (2003). “Using cognitive tools to represent problems”. Journal of Research on
Technology in Education. Technology in Education.

Jonassen, D.H.; Beissner, K.; Yacci, M.A. (1993). Structural knowledge: Techniques for re- Jonassen, D.H.; Beissner, K.; Yacci, M.A. (1993). Structural knowledge: Techniques for re-
presenting, conveying, and acquiring structural knowledge. Hillsdale, NJ: Lawrence Erlbaum. presenting, conveying, and acquiring structural knowledge. Hillsdale, NJ: Lawrence Erlbaum.

Jonassen, D.H.; Henning, P. (1999). “Mental models: Knowledge in the head and Jonassen, D.H.; Henning, P. (1999). “Mental models: Knowledge in the head and
knowledge in the world”. Educational Technology (vol. 3, núm. 39, pág. 37-42). knowledge in the world”. Educational Technology (vol. 3, núm. 39, pág. 37-42).

Jonassen, D.H.; Hernandez-Serrano, J. (2002). “Case-based reasoning and instructional Jonassen, D.H.; Hernandez-Serrano, J. (2002). “Case-based reasoning and instructional
design: Using stories to support problem solving”. Educational Technology: Research and De- design: Using stories to support problem solving”. Educational Technology: Research and De-
velopment (vol. 2, núm. 50, pág. 65-77). velopment (vol. 2, núm. 50, pág. 65-77).

Jonassen, D.H.; Kwon, H.I. (2001). “Communication patterns in computer-mediated vs. Jonassen, D.H.; Kwon, H.I. (2001). “Communication patterns in computer-mediated vs.
face-to-face group problem solving”. Educational Technology: Research and Development. face-to-face group problem solving”. Educational Technology: Research and Development.

Jonassen, D.H.; Marra, R.M.; Palmer, B. (en prensa). “Epistemological development: An Jonassen, D.H.; Marra, R.M.; Palmer, B. (en prensa). “Epistemological development: An
implicit entailment of constructivist learning environments”. En: S. Dijkstra, N. Seel (eds.). implicit entailment of constructivist learning environments”. En: S. Dijkstra, N. Seel (eds.).
Instructional design: International perspectives (vol. 3). Mahwah, NJ: Lawrence Erlbaum Asso- Instructional design: International perspectives (vol. 3). Mahwah, NJ: Lawrence Erlbaum Asso-
ciates. ciates.

Jonassen, D.; Prevish, T.; Christy, D.; Stavurlaki, E. (1999). “Learning to solve problems Jonassen, D.; Prevish, T.; Christy, D.; Stavurlaki, E. (1999). “Learning to solve problems
on the Web: Aggregate planning in a business management course”. Distance Education: An on the Web: Aggregate planning in a business management course”. Distance Education: An
International Journal (vol. 1, núm. 20, pág. 49-63). International Journal (vol. 1, núm. 20, pág. 49-63).

Jonassen, D.H.; Tessmer, M. (1996/1997). An outcomes-based taxonomy for instructional Jonassen, D.H.; Tessmer, M. (1996/1997). An outcomes-based taxonomy for instructional
systems design, evaluation, and research. Training Research Journal (núm. 2, pág. 11-46). systems design, evaluation, and research. Training Research Journal (núm. 2, pág. 11-46).

Jonassen, D.H.; Wang, S. (en prensa). “Using expert systems to build cognitive simulations”. Jonassen, D.H.; Wang, S. (en prensa). “Using expert systems to build cognitive simulations”.
Journal of Educational Computing Research. Journal of Educational Computing Research.

Kieras, D.E. (1990). "The role of cognitive simulation models in the development of advanced Kieras, D.E. (1990). "The role of cognitive simulation models in the development of advanced
training and testing systems". A: N. Frederiksen; R. Glaser; A. Lesgold; M. Shafto (eds.). Diagnos- training and testing systems". A: N. Frederiksen; R. Glaser; A. Lesgold; M. Shafto (eds.). Diagnos-
tic monitoring of skill and knowledge acquisition. Hillsdale, NJ: Erlbaum. tic monitoring of skill and knowledge acquisition. Hillsdale, NJ: Erlbaum.

Kolodner, J. (1993). Case-based reasoning. Nueva York: Morgan Kaufman. Kolodner, J. (1993). Case-based reasoning. Nueva York: Morgan Kaufman.

Knudson, R.E. (1991). “Effects of instructional strategies, grade and sex on students’ per- Knudson, R.E. (1991). “Effects of instructional strategies, grade and sex on students’ per-
suasive writing”. Journal of Experimental Education (vol. 2, núm. 59, pág. 141-152). suasive writing”. Journal of Experimental Education (vol. 2, núm. 59, pág. 141-152).
 FUOC • P03/72048/01332 80 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 80 TIC y aprendizaje significativo...

Kraiger, K.; Salas, E. (1993, abril). “Measuring mental models to assess learning during Kraiger, K.; Salas, E. (1993, abril). “Measuring mental models to assess learning during
training”. Artículo presentado en la reunión anual de la Society for Industrial/Organizational training”. Artículo presentado en la reunión anual de la Society for Industrial/Organizational
Psychology. San Francisco, CA. Psychology. San Francisco, CA.

Land, S.M. y Hannafin, M.J. (1996). “A conceptual framework for the development of Land, S.M. y Hannafin, M.J. (1996). “A conceptual framework for the development of
theories-in-action with open-ended learning environments”. Educational Technology Research theories-in-action with open-ended learning environments”. Educational Technology Research
& Development (vol. 3, núm. 44, pág. 37-53). & Development (vol. 3, núm. 44, pág. 37-53).

Larkin, J.H. (1983). “The role of problem representation in physics”. En: D. Gentner; A.L. Larkin, J.H. (1983). “The role of problem representation in physics”. En: D. Gentner; A.L.
Stevens (eds.). Mental models (pág. 75-98). Hillsdale, NJ: Lawrence Erlbaum Associates. Stevens (eds.). Mental models (pág. 75-98). Hillsdale, NJ: Lawrence Erlbaum Associates.

Lehrer, R.; Schauble, L. (2000). “Modeling in mathematics and science”. En: R. Glaser Lehrer, R.; Schauble, L. (2000). “Modeling in mathematics and science”. En: R. Glaser
(Ed.) Advances in instructional psychology: volume 5. Educational design and cognitive science (Ed.) Advances in instructional psychology: volume 5. Educational design and cognitive science
(pág. 101-159). Nueva Jersey: Lawrence Erlbaum. (pág. 101-159). Nueva Jersey: Lawrence Erlbaum.

Lester, J.C.; Stone, B.A.; Steling, G.D. (1999). “Lifelike pedagogical agents for mixed-ini- Lester, J.C.; Stone, B.A.; Steling, G.D. (1999). “Lifelike pedagogical agents for mixed-ini-
tiative problem solving in constructivist learning environments”. User Modeling and User- tiative problem solving in constructivist learning environments”. User Modeling and User-
Adapted Interaction (núm. 9, pág. 1-44). Adapted Interaction (núm. 9, pág. 1-44).

Lippert, R.C. (1988). “An expert system shell to teach problem solving”. Tech Trends (vol. Lippert, R.C. (1988). “An expert system shell to teach problem solving”. Tech Trends (vol.
2, núm. 33, pág. 22-26). 2, núm. 33, pág. 22-26).

Luque, M.L. (2003). “The role of domain-specific knowledge in intentional conceptual Luque, M.L. (2003). “The role of domain-specific knowledge in intentional conceptual
change”. En: G.M. Sinatra, P.R. Pintrich (eds.). Intentional conceptual change. Mahwah, NJ: change”. En: G.M. Sinatra, P.R. Pintrich (eds.). Intentional conceptual change. Mahwah, NJ:
Lawrence Erlbaum associates. Lawrence Erlbaum associates.

Marshall, S.P. (1995). Schemas in problem solving. Cambridge: Cambridge University Press. Marshall, S.P. (1995). Schemas in problem solving. Cambridge: Cambridge University Press.

Mayer, R.E. (1982). “Memory for algebra story problems”. Journal of Educational Psychology Mayer, R.E. (1982). “Memory for algebra story problems”. Journal of Educational Psychology
(núm. 74, pág. 199-216). (núm. 74, pág. 199-216).

Mayer, R.E. (1992). Thinking, problem solving, cognition (2.ª ed.). Nueva York: Freeman. Mayer, R.E. (1992). Thinking, problem solving, cognition (2.ª ed.). Nueva York: Freeman.

Mayer, R.E.; Wittrock, M.C. (1996). “Problem-solving transfer”. In Handbook of educational Mayer, R.E.; Wittrock, M.C. (1996). “Problem-solving transfer”. In Handbook of educational
psychology (pág.. 47-62). Nueva York: Macmillan. psychology (pág.. 47-62). Nueva York: Macmillan.

Mayer, R.E.; Larkin, J.H.; Kadane, J.B. (1984). “A cognitive analysis of mathematical Mayer, R.E.; Larkin, J.H.; Kadane, J.B. (1984). “A cognitive analysis of mathematical
problem solving ability”. En: R. Sternberg (ed.). Advances in the psychology of human intelligence. problem solving ability”. En: R. Sternberg (ed.). Advances in the psychology of human intelligence.
Hillsdale, NJ: Lawrence Erlbaum Associates. Hillsdale, NJ: Lawrence Erlbaum Associates.

McCloskey, M.; Caramaza, A.; Basili, A. (1985). “Cognitive mechanisms in number pro- McCloskey, M.; Caramaza, A.; Basili, A. (1985). “Cognitive mechanisms in number pro-
cessing and calculation: Evidence from dyscalculia”. Brain and Cognition (núm. 4, pág. 171- cessing and calculation: Evidence from dyscalculia”. Brain and Cognition (núm. 4, pág. 171-
196). 196).

McGuinness, C. (1986). “Problem representation: The effects of spatial arrays”. Memory & McGuinness, C. (1986). “Problem representation: The effects of spatial arrays”. Memory &
Cognition (vol. 3, núm. 14, pág. 270-280). Cognition (vol. 3, núm. 14, pág. 270-280).

Mellar, H.; Bliss, J.; Boohan, R., Ogborn, J.; Tompsett, C. (1994). Learning with artifi- Mellar, H.; Bliss, J.; Boohan, R., Ogborn, J.; Tompsett, C. (1994). Learning with artifi-
cial worlds: Computer-based modeling in the curriculum. Londres: Falmer Press. cial worlds: Computer-based modeling in the curriculum. Londres: Falmer Press.

Moore, D. (2000). “A framework for using multimedia within argumentation systems”. Moore, D. (2000). “A framework for using multimedia within argumentation systems”.
Journal of Educational Multimedia and Hypermedia (vol. 2, núm. 9, pág. 83-98). Journal of Educational Multimedia and Hypermedia (vol. 2, núm. 9, pág. 83-98).

Nathan, M.J. (1998). “Knowledge and situational feedback in alearning environment for Nathan, M.J. (1998). “Knowledge and situational feedback in alearning environment for
algebra story problem solving”. Interactive Learning Environments (núm. 5, pág. 135-139). algebra story problem solving”. Interactive Learning Environments (núm. 5, pág. 135-139).

Nathan M.J.; Kintsch, W.; Young, E. (1992). “A theory of algebra-word-problem com- Nathan M.J.; Kintsch, W.; Young, E. (1992). “A theory of algebra-word-problem com-
prehension and its implications for the design of learning environments”. Cognition and Ins- prehension and its implications for the design of learning environments”. Cognition and Ins-
truction (núm. 9, pág. 329-389). truction (núm. 9, pág. 329-389).

Newell, A.; Simon, H. (1972). Human problem solving. Englewood Cliffs, NJ: Prentice Hall. Newell, A.; Simon, H. (1972). Human problem solving. Englewood Cliffs, NJ: Prentice Hall.

Novak, G.M.; Patterson, E.T.; Gavrin, A.D.; Christianson, W. (1999). Just-in-time Novak, G.M.; Patterson, E.T.; Gavrin, A.D.; Christianson, W. (1999). Just-in-time
teaching: Blending active learning wit web technology. Upper Saddle River, NJ: Prentice-Hall. teaching: Blending active learning wit web technology. Upper Saddle River, NJ: Prentice-Hall.

Novick, L.R. (1988). “Analogical transfer, problem similarity, and expertise”. Journal of Ex- Novick, L.R. (1988). “Analogical transfer, problem similarity, and expertise”. Journal of Ex-
perimental Psychology (núm. 14, pág. 510-520). perimental Psychology (núm. 14, pág. 510-520).

Penner, D.E.; Giles, N.D.; Lhrer, R.; Schauble, L. (1997). “Buildig functional models: Penner, D.E.; Giles, N.D.; Lhrer, R.; Schauble, L. (1997). “Buildig functional models:
designing and elbow”. Journal of Research in Science Teaching (vol. 2, núm. 34, pág. 125-143). designing and elbow”. Journal of Research in Science Teaching (vol. 2, núm. 34, pág. 125-143).
 FUOC • P03/72048/01332 81 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 81 TIC y aprendizaje significativo...

Ploetzner, R.; Fehse, E.; Kneser, C.; Spada, H. (1999). “Learning to relate qualitative Ploetzner, R.; Fehse, E.; Kneser, C.; Spada, H. (1999). “Learning to relate qualitative
and quantitative problem representations in a model-based setting for collaborative problem and quantitative problem representations in a model-based setting for collaborative problem
solving”. Journal of the Learning Sciences (vol. 2, pág. 8, pág. 177-214). solving”. Journal of the Learning Sciences (vol. 2, pág. 8, pág. 177-214).

Ploetzner, R.; Spada, H. (1998). “Constructing quantitative problem representations on Ploetzner, R.; Spada, H. (1998). “Constructing quantitative problem representations on
the basis of qualitative reasoning”. Interactive Learning Environments (núm. 5, pág. 95-107). the basis of qualitative reasoning”. Interactive Learning Environments (núm. 5, pág. 95-107).

Ploetzner, R.; Fehse, E.; Kneser, C.; Spada, H. (1999). “Learning to relate qualitative Ploetzner, R.; Fehse, E.; Kneser, C.; Spada, H. (1999). “Learning to relate qualitative
and quantitative problem representations in a model-based setting for collaborative problem and quantitative problem representations in a model-based setting for collaborative problem
solving”. Journal of the Learning Sciences (vol. 2, núm. 8, pág. 177-214). solving”. Journal of the Learning Sciences (vol. 2, núm. 8, pág. 177-214).

Ranney, M.; Schank, P. (en prensa). “Modeling, observing, and promoting the explana- Ranney, M.; Schank, P. (en prensa). “Modeling, observing, and promoting the explana-
tory coherence of social reasoning”. En: S. Read, L. Miller (eds.). Connectionist and PDP models tory coherence of social reasoning”. En: S. Read, L. Miller (eds.). Connectionist and PDP models
of social reasoning. Hillsdale, NJ: Lawrence Erlbaum. of social reasoning. Hillsdale, NJ: Lawrence Erlbaum.

Reed, S.K.; Willis, D.; Guarino, J. (1994). “Selecting examples from solving word problems”. Reed, S.K.; Willis, D.; Guarino, J. (1994). “Selecting examples from solving word problems”.
Journal of Educational Psychology (núm. 86, pág. 380-388). Journal of Educational Psychology (núm. 86, pág. 380-388).

Reed, S.K.; Ernst, G.W.; Banerji, R. (1974). “The role of analogy in transfer between si- Reed, S.K.; Ernst, G.W.; Banerji, R. (1974). “The role of analogy in transfer between si-
milar problem states”. Cognitive Psychology (núm. 6, pág. 436-450). milar problem states”. Cognitive Psychology (núm. 6, pág. 436-450).

Reusser, K. (1993). “Tutoring systems and pedagogical theory: representational tools for Reusser, K. (1993). “Tutoring systems and pedagogical theory: representational tools for
understanding, planning, and reflection in problem solving”. En: S.P. Lajoie, S.J. Derry (eds.). understanding, planning, and reflection in problem solving”. En: S.P. Lajoie, S.J. Derry (eds.).
Computers as cognitive tools (pág. 143-178). Hillsdale, NJ: Lawrence Erlbaum Associates. Computers as cognitive tools (pág. 143-178). Hillsdale, NJ: Lawrence Erlbaum Associates.

Riley, M.S.; Greeno, J.G. (1988). “Developmental analysis of understanding language Riley, M.S.; Greeno, J.G. (1988). “Developmental analysis of understanding language
about quantities in solving problems”. Cognition and Instruction (vol. 1, núm. 5, pág. 49-101). about quantities in solving problems”. Cognition and Instruction (vol. 1, núm. 5, pág. 49-101).

Rips, L.J. (1986). “Mental muddles”. En: M. Brand, R.M. Harnish (eds.). The representation of Rips, L.J. (1986). “Mental muddles”. En: M. Brand, R.M. Harnish (eds.). The representation of
knowledge and beliefs (pág. 258-286). Tuscon, AZ: University of Arizona Press. knowledge and beliefs (pág. 258-286). Tuscon, AZ: University of Arizona Press.

Roth, E.M.; Woods, D.D.; Pople, H.E. (1992). "Cognitive Simulation as a Tool for Cogni- Roth, E.M.; Woods, D.D.; Pople, H.E. (1992). "Cognitive Simulation as a Tool for Cogni-
tive Task Analysis". Ergonomics (núm. 35, pàg. 1163-1198). tive Task Analysis". Ergonomics (núm. 35, pàg. 1163-1198).

Salomon, G.; Perkins, D.N.; Globerson, T. (1991). “Partners in Cognition: Extending Salomon, G.; Perkins, D.N.; Globerson, T. (1991). “Partners in Cognition: Extending
Human Intelligence with Intelligent Technologies”. Educational Researcher (vol. 3, núm. 20, Human Intelligence with Intelligent Technologies”. Educational Researcher (vol. 3, núm. 20,
pág. 2-9). pág. 2-9).

Sanders, J.A.; Wiseman, R.L.; Gass, R.H. (1994). “Does teaching argumentation facili- Sanders, J.A.; Wiseman, R.L.; Gass, R.H. (1994). “Does teaching argumentation facili-
tate critical thinking?”. Communication Reports (vol. 1, núm. 7, pág. 27-35). tate critical thinking?”. Communication Reports (vol. 1, núm. 7, pág. 27-35).

Schacter, J.; Chung; G.K.W.K.; Door, A. (1998). “Children's Internet searching on com- Schacter, J.; Chung; G.K.W.K.; Door, A. (1998). “Children's Internet searching on com-
plex problems: Performance and process analyses”. Journal of the American Society for Informa- plex problems: Performance and process analyses”. Journal of the American Society for Informa-
tion Science (núm. 49, pág. 840-849). tion Science (núm. 49, pág. 840-849).

Schank, R.C. (1990). Tell me a story: Narrative and intelligence. Evanston, IL: Northwestern Schank, R.C. (1990). Tell me a story: Narrative and intelligence. Evanston, IL: Northwestern
University Press. University Press.

Schank, R.C. (1994). “Goal-based scenarios”. En: R.C. Schank; E. Langer (eds.). Beliefs, reaso- Schank, R.C. (1994). “Goal-based scenarios”. En: R.C. Schank; E. Langer (eds.). Beliefs, reaso-
ning, and decision making: Psycho-logic in honor of Bob Abelson. Hillsdale, NJ: Lawrence Erlbaum. ning, and decision making: Psycho-logic in honor of Bob Abelson. Hillsdale, NJ: Lawrence Erlbaum.

Schank, R.C.; Fano, A.; Bell, B.; Jona, M. (1993-1994). “The design of goal-based scena- Schank, R.C.; Fano, A.; Bell, B.; Jona, M. (1993-1994). “The design of goal-based scena-
rios”. The Journal of the Learning Sciences (vol. 4, núm. 3, pág. 305-345). rios”. The Journal of the Learning Sciences (vol. 4, núm. 3, pág. 305-345).

Schnotz, W.; Vosniadou, S.; Carreter (1999). New perspectives in conceptual change. Schnotz, W.; Vosniadou, S.; Carreter (1999). New perspectives in conceptual change.
Amsterdam: Pergamom. Amsterdam: Pergamom.

Schwartz, J.L.; Yerulshalmy, M. (1987). “The geometric supposer: Using microcompu- Schwartz, J.L.; Yerulshalmy, M. (1987). “The geometric supposer: Using microcompu-
ters to restore invention to the learning of mathematics”. En: D. Perkins, J. Lockhead, J.C. ters to restore invention to the learning of mathematics”. En: D. Perkins, J. Lockhead, J.C.
Bishop (eds.). Thinking: The second international conference (pág. 525-536). Hillsdale, NJ: Bishop (eds.). Thinking: The second international conference (pág. 525-536). Hillsdale, NJ:
Lawrence Erlbaum Associates. Lawrence Erlbaum Associates.

Schwarz, C.V.; White, B.Y. (en prensa). “Developing a model-centered approach to science Schwarz, C.V.; White, B.Y. (en prensa). “Developing a model-centered approach to science
education”. Journal of Research in Science Teaching. education”. Journal of Research in Science Teaching.

Shavelson, R.J. (1972). “Some aspects of the correspondence between content structure Shavelson, R.J. (1972). “Some aspects of the correspondence between content structure
and cognitive structure in physics instruction”. Journal of Educational Psychology (núm. 63, and cognitive structure in physics instruction”. Journal of Educational Psychology (núm. 63,
pág. 225-234). pág. 225-234).

Siegler, R.S. (1996). Emerging minds: The process of change in children’s thinking. Nueva York: Siegler, R.S. (1996). Emerging minds: The process of change in children’s thinking. Nueva York:
Oxford University Press. Oxford University Press.
 FUOC • P03/72048/01332 82 TIC y aprendizaje significativo...  FUOC • P03/72048/01332 82 TIC y aprendizaje significativo...

Silver, E.A. (1981). Recall of mathematical problem information: Solving related problems. Silver, E.A. (1981). Recall of mathematical problem information: Solving related problems.
Journal of Research in Mathematics Education (núm. 12, pág. 54-64). Journal of Research in Mathematics Education (núm. 12, pág. 54-64).

Simon, D.P. (1978). “Information processing theory of human problem solving”. En: D. Estes Simon, D.P. (1978). “Information processing theory of human problem solving”. En: D. Estes
(ed.). Handbook of learning and cognitive process. Hillsdale, NJ: Lawrence Erlbaum Associates. (ed.). Handbook of learning and cognitive process. Hillsdale, NJ: Lawrence Erlbaum Associates.

Smith, M.U. (1991). A view from biology. En M.U. Smith (ed.). Toward a unified theory of Smith, M.U. (1991). A view from biology. En M.U. Smith (ed.). Toward a unified theory of
problem solving. Hillsdale, NJ: Lawrence Erlbaum Associates. problem solving. Hillsdale, NJ: Lawrence Erlbaum Associates.

Smith, J.P.; di Sessa, A.A.; Roschelle, J. (1993). “Misconceptions reconceived: A Smith, J.P.; di Sessa, A.A.; Roschelle, J. (1993). “Misconceptions reconceived: A
constructivist analysis of knowledge in transition”. Journal of Learning Sciences (núm. 3, constructivist analysis of knowledge in transition”. Journal of Learning Sciences (núm. 3,
pág. 115-163). pág. 115-163).

Spiro, R.J.; Jehng, J.C. (1990). “Cognitive flexibility and hypertext: Theory and technology Spiro, R.J.; Jehng, J.C. (1990). “Cognitive flexibility and hypertext: Theory and technology
for the non-linear and multi-dimensional traversal of complex subject matter”. En: D. Nix, for the non-linear and multi-dimensional traversal of complex subject matter”. En: D. Nix,
R.J. Spiro (eds.). Cognition, education, and multimedia: Explorations in high technology. Hillsdale, R.J. Spiro (eds.). Cognition, education, and multimedia: Explorations in high technology. Hillsdale,
NJ: Lawrence Erlbaum. NJ: Lawrence Erlbaum.

Sternberg, R.J.; Frensch, P.A. (eds.) (1991). Complex problem solving: Principles and mecha- Sternberg, R.J.; Frensch, P.A. (eds.) (1991). Complex problem solving: Principles and mecha-
nisms. Hillsdale, NJ: Lawrence Erlbaum Associates. nisms. Hillsdale, NJ: Lawrence Erlbaum Associates.

Strike, K.A.; Posner, G.J. (1985). “A conceptual change view of learning and understanding”. Strike, K.A.; Posner, G.J. (1985). “A conceptual change view of learning and understanding”.
En: L.H.T. West, A.L. Pines (eds.). Cognitive structure and conceptual change (pág. 211-231). En: L.H.T. West, A.L. Pines (eds.). Cognitive structure and conceptual change (pág. 211-231).
Nueva York: Academic. Nueva York: Academic.

Taylor, H.A.; Tversky, B. (1992). “Spatial mental models derived from survey and route Taylor, H.A.; Tversky, B. (1992). “Spatial mental models derived from survey and route
descriptions”. Journal of Memory and Language (núm. 31, pág. 261-292). descriptions”. Journal of Memory and Language (núm. 31, pág. 261-292).

Thagard, P. (1992). Conceptual revolutions. Princeton, NJ: Princeton University Press. Thagard, P. (1992). Conceptual revolutions. Princeton, NJ: Princeton University Press.

Toulmin, S. (1958). The uses of argument. Cambridge, England: Cambridge University Press. Toulmin, S. (1958). The uses of argument. Cambridge, England: Cambridge University Press.

Veer, G.C. van der (1989). “Individual differences and the user interface”. Ergonomics (vol. Veer, G.C. van der (1989). “Individual differences and the user interface”. Ergonomics (vol.
11, núm. 32, pág. 1431-1449). 11, núm. 32, pág. 1431-1449).

Vosniadou, S. (1992). “Knowledge acquisition and conceptual change”. Applied Psychology: Vosniadou, S. (1992). “Knowledge acquisition and conceptual change”. Applied Psychology:
An International Review (vol. 4, núm. 41, pág. 347-357). An International Review (vol. 4, núm. 41, pág. 347-357).

Voss, J.F.; Post, T.A. (1989). “On the solving of ill-structured problems”. En: M.T.H. Chi, Voss, J.F.; Post, T.A. (1989). “On the solving of ill-structured problems”. En: M.T.H. Chi,
R. Glaser, M.J. Farr (eds.). The nature of expertise. Hillsdale, NJ: Lawrence Erlbaum Associates. R. Glaser, M.J. Farr (eds.). The nature of expertise. Hillsdale, NJ: Lawrence Erlbaum Associates.

Voss, J.F.; Wolfe, C.R.; Lawrence, J.A.; Engle, J.A. (1991). “From representation to de- Voss, J.F.; Wolfe, C.R.; Lawrence, J.A.; Engle, J.A. (1991). “From representation to de-
cision: An analysis of problem solving in international relations”. En: R.J. Sternberg, P.A. cision: An analysis of problem solving in international relations”. En: R.J. Sternberg, P.A.
Frensch (eds.). Complex problem solving: Principles and mechanisms (pág. 119-158). Hillsdale, Frensch (eds.). Complex problem solving: Principles and mechanisms (pág. 119-158). Hillsdale,
NJ: Lawrence Erlbaum Associates. NJ: Lawrence Erlbaum Associates.

White, B. (1993a). “ThinkerTools: Causal models, conceptual change, and science educa- White, B. (1993a). “ThinkerTools: Causal models, conceptual change, and science educa-
tion”. Cognition and Instruction (vol. 1, núm. 10, pág. 1-100). tion”. Cognition and Instruction (vol. 1, núm. 10, pág. 1-100).

Wittgenstein, L. (1922). Tractatus logico-philosophicus. Londres: Routledge. Wittgenstein, L. (1922). Tractatus logico-philosophicus. Londres: Routledge.

Woods, D.R.; Hrymak, A.N.; Marshall, R.R.; Wood, P.E.; Crowe; Hoffman, T.W.; Woods, D.R.; Hrymak, A.N.; Marshall, R.R.; Wood, P.E.; Crowe; Hoffman, T.W.;
Wright, J.D.; Taylor, P.A.; Woodhouse, K.A.; Bouchard, C.G.K. (1997). “Developing Wright, J.D.; Taylor, P.A.; Woodhouse, K.A.; Bouchard, C.G.K. (1997). “Developing
problem-solving skills: the McMaster problem solving program”. Journal of Engineering Edu- problem-solving skills: the McMaster problem solving program”. Journal of Engineering Edu-
cation (vol. 2, núm. 86, pág. 75-92). cation (vol. 2, núm. 86, pág. 75-92).