Sistemas dinámicos y modelos multiagente en la enseñanza de las

Ciencias
Ma. José Chelquer

CEFIEC – FCEyN – UBA

jose@chelquer.com.ar

Resumen
Las TICs han abierto nuevas posibilidades al abordaje de los modelos científicos
en la enseñanza, tanto por la capacidad para construir simulaciones basadas en
modelos matemáticos como por la accesibilidad de herramientas para el desarrollo
de los propios m odelos. Los desarrollos destinados a la enseñanza media
apuntan, mayoritariamente, a facilitar la adquisición de los m odelos científico-
escolares consagrados. No obstante, existe un potencial -m enos explorado- para
trabajar con otros enfoques que prom uevan una comprensión más profunda de los
fenómenos estudiados y que perm itan a docentes y alum nos experimentar por sí
mismos la actividad de creación y refinamiento de modelos, tan central en la
producción científica y sin embargo descuidada en la enseñanza.
En es te trabajo presentamos el análisis de metodologías de modelado asistido
por computadora según 5 criterios que consideramos relevantes para su uso
educativo. Hemos incluido modelos de sistem as dinámicos basados en
ecuaciones diferenciales ordinarias y modelos basados en la interacción de
agentes m últiples. En ambos casos se describen las herram ientas conceptuales y
de software apropiadas para su abordaje, y se ejem plifica su aplicación.
En conclusión, nuestro grupo ha decidido trabajar en el desarrollo de propuestas
didácticas que introduzcan el m odelado con EDO y sis temas multiagentes en la
ens eñanza de contenidos de Ciencias Naturales y Matem ática. Nuestro primer
trabajo se está enfocando en la enseñanza de la Evolución biológica con modelos
multiagente.

Palab ras clave: TIC, MODELADO, S ISTEMAS DIN ÁMICOS, MULTIAGENTE ,

ECUACIONES DIFERENCIALES ORDINARIAS

1
Introd ucción
Los modelos matem áticos que se introducen en la escuela Media se encuentran,
norm almente, restringidos por las herramientas matem áticas de que disponen los
alum nos. El Análisis Matem ático se aborda, normalmente, sólo hacia el final de la
escuela Media o en los primeros años de la Universidad, lo que ha determ inado
que en la escuela se utilicen sólo modelos estáticos, que describen situaciones de
equilibrio (p.ej. los que relacionan Presión, Volumen y Tem peratura en gases) o
modelos dinámicos expresados como ecuaciones horarias (com o en el caso de la
mecánica clásica, donde las variables se expresan como función del tiempo).
Es te abordaje tiende a ocuparse de estados m ás que de procesos, y a os curecer
las causas que determinan el comportam iento de los sistem as, centrando la
atención en el cálculo y predicción de consecuencias observables.
Las computadoras han abierto posibilidades de utilizar form as de modelado
potentes –tanto en el sentido psicológico como práctico-, delegando parte de la
tarea en ellas. No se trata de diluir el papel del sujeto que aprende quitándole
parte del trabajo sino, precisamente, de darle la oportunidad de com prometerse
más profundamente dejando de ocuparse de aspectos que están temporalmente
más allá de sus posibilidades o bien que implican un fárrago rutinario de cálculo.
As í, por ejemplo, es posible delegar en la computadora el tratamiento de
ecuaciones diferenciales perm itiendo al aprendiz concentrarse en su significado y
su potencia de m odelado. Asimismo, se ha vuelto factible m odelar procesos por
medio de multitud de interacciones sim ples (un enfoque que ha dominado a la
ciencia occidental a lo largo de su historia), dejando a cargo de la computadora la
tarea de calcular el efecto de esa masa de interacciones.
El primer caso queda adecuadam ente representado por las técnicas de modelado
de sis temas dinámicos basadas en sistemas de ecuaciones diferenciales
ordinarias –o bien, en su versión equivalente presentada bajo la metáfora
hidráulica por Forrester-.
El s egundo caso puede hallarse en modelos m ulti-agente, donde se modela el
comportamiento –en general, sencillo- de m ultitud de com ponentes individuales y
se es tudia el resultado emergente de su interacción.

Referentes teóricos
El uso de herram ientas –especialmente si se trata de herramientas culturales-
tiene impacto en la form a en que se desarrollan las tareas y en los sujetos que las
llevan a cabo (Wertsch, 1999). Perkins, Salomon y Globerson (1992) han señalado

2
los efectos cognitivos con la tecnología –cuando conforma con el sujeto que la
utiliza un sistema cognitivo mayor (Gardner 1987) y los efectos de la tecnología,
duraderos m ás allá del momento de su uso, a los que denominan residuos
cognitivos. La escuela sociohistórica ha destacado en particular el papel del
lenguaje en tanto m edio simbólico que interviene en la constitución de los
procesos cognitivos. Un papel sim ilar puede caber al entorno computacional
(Chelquer 1999), un medio simbólico y form al, interactivo, dinámico, que integra
form as de representación y com bina aspectos procedurales y declarativos (Martí
1992).
Las computadoras, con software apropiado, ofrecen la posibilid ad de tender un
puente entre lo que Larkin y Chabay (1989) denominan “el espacio psíquico de las
ecuaciones” y el del conocimiento cotidiano, ofreciendo un entorno de objetos
concreto-abstractos (Teodoro, 1998), m etáforas para pensar los sistem as
dinámicos como en los diagramas de Forrester (Lahoz Beltrá, 2004) y
herramientas para representar la complejidad.
Es en este contexto que es tudiamos el papel que pueden tener algunas formas de
modelado asistido por computadora, basadas en ecuaciones diferenciales
ordinarias y representaciones de sis tem as dinámicos por diagramas de Forrester
(Bioinformática 2004) y los entornos de programación multiagente.

Metodología
La función de los m odelos científico-m atemáticos es doble: por un lado tienen un
valor predictivo y por otro deben ser útiles para mejorar la comprensió n que los
sujetos tienen del fenóm eno estudiado. Éste último aspecto, que es importante
para la circulación del conocim iento en la comunidad científica, es especialmente
crítico en la educación científica general, que debe apuntar a la com prensión por
sobre la adquisición de técnicas predictivas. A la hora de evaluar formalism os
matemáticos y herramientas de software para el m odelado, nos centraremos en
identificar características que nos resultan relevantes :

a- La potencia expresiva del form alism o: su capacidad para expresar en

form a comprensible y ps icológicamente manejable las ideas centrales de
los modelos en cuestión.
b- La extensibilidad de los m odelos producidos con el form alismo/software: la
ductilidad para desarrollar modelos en forma iterativa, com plejizándolos y
perfeccionándolos como parte integral del proceso de modelado.

3
 c- La disponibilidad y accesibilidad de las herramientas necesarias –incluido
el aspecto económico.
d- La facilidad de aprendizaje del formalismo/software en cuestión.
e- La flexibilidad representacional: la disponibilidad de formas variadas y
significativas de representar las variables del m odelo, de modo de hacerlo
comprensible.

4
Resultados y Discusión
4.1 Sistemas din ámi cos y EDO
El uso de sistem as ecuaciones diferenciales ordin arias (EDO) para sistem as
dinámicos es una técnica de uso extendido en la comunidad científica –aunque,
por las razones expresadas más arriba, no lo es en el marco de la educación
media-.
Para ilustrar su potencia expresiva, tom arem os un ejemplo sencillo: el m odelo de
un objeto caliente que se está enfriando desde una temperatura T0 en un ambiente
con temperatura Te.
Con el tipo de ecuaciones horarias que habitualmente se usan en la escuela, el
modelo podría escribirse como:

-kt
(1) T(t)= T 0 -(T 0-T e)(1-e )

Es ta fórmula ofrece una forma directa de calcular la temperatura T del objeto en

cualquier instante t, conociendo las condiciones iniciales y ciertas características
propias de la interacción objeto-m edio representadas por la constante k. No
obs tante, las razones para la elección de una fórm ula exponencial com o ésta
resultan difíciles de percibir. Su lectura podría ser la siguiente:
“Transcurrido un tiempo t, un objeto que inicialmente estab a a la temperatura T0
dentro de un amb iente a temperatura Te hab rá perdido una parte de su diferencia
-kt
respecto al m edio (la fracción representada por e .”)
La idea que da origen a esta fórm ula, sin em bargo, es bastante m ás sencilla: “el
ob jeto se está enfriando a una velocidad que es proporcional, en todo m omento, a
la diferencia de temperaturas con el m edio”. La idea original es perfectamente
comprensible para un alumno de nivel m edio, y una EDO podría capturarla con
sencillez y precisión:

(2) dT/dt=-k(T- T e)

En (2), cada parte de la fórmula tiene un significado claro y traducible al lenguaje

coloquial:
dT/dt es la velocidad de cambio de la temperatura, (T- Te) es la diferencia de
tem peraturas con el medio, y k es sim plemente una constante de
proporcionalidad.

5
Por otra parte, resulta interesante que la fórm ula EDO (2) no haga intervenir en
abs oluto la temperatura inicial del objeto, lo que resalta el hecho de que está
capturando la naturaleza del proceso, que es esencialmente el m ismo en todo
momento.
Ejem plos sim ilares pueden hallarse en sistem as que son claramente describibles
con el lenguaje propio de las ecuaciones diferenciales, pero que en su vers ión de
ecuaciones horarias resultarían más oscuros:
● “Una población evoluciona de m odo que en todo momento nace y muere
una cantidad de individuos proporcional a la población total.”
● “Un material radiactivo se descompone perdiendo un porcentaje de su
masa por unidad de tiempo”.
● “Un objeto sometido a la acción de fuerzas cambia su velocidad a una tasa
proporcional a esas fuerzas”.
● La velocidad de la reacción quím ica X es proporcional al cuadrado de la
concentración de sus reactivos”.

En cuanto a la extensibilidad: ¿qué ocurriría si quisiéramos representar el hecho

de que la temperatura del ambiente también se ve modificada, aunque sea en
menor medida, por el objeto? La (1) sólo es válida si Te es constante durante todo
el proceso. Las EDO, en cambio, no imponen restricciones innecesarias como
ésta: la (2) es válida aunque durante el proceso Se Te modifique, y e xtender el
modelo en el sentido pretendido sólo requiere sumar una ecuación (sin alterar la
exis tente) y sin introducir ninguna innovación conceptual porque postula el mism o
modelo de calentam iento para el medio que el usado para el enfriamiento del
objeto:

(3) dTe/dt=ke (T- Te)

Análogam ente, es sencillo complejizar los demás ejemplos que dimos: la

población en crecimiento puede tener una tas a de mortandad m ayor en
condiciones de superpoblación (sólo se requiere una fórm ula que relacione esa
tas a con la población en cada m omento), las fuerzas que acele ran a un objeto
podrían ser variables, etc.
En cuanto a la accesibilidad de herramientas apropiadas, en el CEFIEC
trabajamos con dos programas gratuitos: Modellus y Vens im PLE, y con
aproximaciones hechas con Planillas de Cálculo.

6
En el caso de las dos primeras, los program as resuelven –en form a transparente
para el usuario- con métodos num éricos tales como RungeKutta. En el caso de las
Planillas de Cálculo, el uso de m étodos sem ejantes requeriría program ación
adicional; el uso m ás natural de las planillas, como primera aproxim ación,
consis tiría en alguna vers ión del método de Euler que, aunque m uy impreciso en
sus resultados, es fácil de entender como aproximación discreta al problema
continuo.
Las características salientes de las restantes herramientas son:
Modellus:
a) Las EDO se expresan en la notación matem ática habitual o bien como
ecuaciones en diferencias finitas.
b) El programa integra numéricam ente por RungeKutta.
c) Se puede escribir modelos con m últiples EDO y ecuaciones no
diferenciales.
d) El programa puede com unicar sus resultados en form a de tablas, gráficos y
anim aciones. En es te último caso, se hace depender a variables de la
anim ación tales como la posición o el tamaño de un objeto, la altura de un
deslizador, etc, de variables del m odelo.
e) El programa simula en “tiempo virtual”: el usuario puede ver, a medida que
transcurre la simulación, cómo se construyen los gráficos correspondientes
o cómo se desenvuelve la anim ación.
f) Se puede interactuar con el m odelo modificando parámetros durante la
simulación.

7
Para una descripción del programa hecha por su autor, véase Teodoro (1998).

Vensim:
a) Utiliza una representación gráfica de los sistem as dinámicos basada en
Diagramas de Forrester, donde los cambios se representan com o flujos y
las variables que responden a EDOs, como niveles que acumulan el efecto
de flujos.
b) Integra numéricamente por RungeKutta o Euler.
c) Permite trabajar por separado el bosquejado de una red conceptual del
modelo, y la elaboración de fórm ulas precisas para el cálculo de las
variables.
d) Un modelo puede contener varias ecuaciones diferenciales y
convencionales.
e) Carece de la posibilidad de anim aciones.
f) Produce gráficos pero no m uestra su proceso de construcción.
g) Permite análisis de sensibilidad –ensayando rápidamente el efecto sobre
todas las variables de cam bios en cualquiera de ellas.
h) Permite el uso de unidades de m edida para las variables y valida la
consistencia de su uso.

8
La facilidad de aprendizaje de los formalismos empleados y del s oftware en
cuestión es relativa. En el caso de Vensim, el uso de la m etáfora hidráulica
clarifica los conceptos de tasa de cambio (en estos diagramas se convierte en un
flujo o caudal). En el caso de Modellus, se debe incorporar el lenguaje propio de
las ecuaciones diferenciales. En ambos casos, el uso de herram ientas
computacionales apropiadas perm ite separar el problema de comprender el
concepto de tasa de cambio propio de la derivada de la habilidad para integrar y
calcular el valor de una variable a partir de una ecuación diferencial. Un alumno
que comprenda la idea expresada por (2), puede desentenderse del problema de
calcular Te en dis tintos instantes, graficar su evolución, etc. delegándolo en un
software.
No obstante, la adquisición de una nueva herramienta –sea conceptual o de
software- requiere tiempo y esto debe tenerse en cuenta a la hora de planificar su
uso didáctico. El uso de herramientas de modelado como las vis tas no puede
encararse como una actividad aislada, porque las dificultades propias de la
novedad instrumental sobrecargarían cognitivamente al alum no. Con una
estrategia de largo plazo, en cambio , tras la primera fase de adquisición
ins trum ental se liberarían recursos para el trabajo propiamente conceptual.

La flexibilidad representacional de los productos evaluados es clara. En el caso

de Vensim, consiste en diagramas de Forrester, gráficos cartesianos y tablas. En
el cas o de Modellus se am plía notablem ente con animaciones que pueden incluir
el us o de representaciones transicionales entre lo concreto y lo abstracto, tales

9
como vectores, indicadores de nivel y controladores; la construcción dinámica
tanto de las anim aciones como de las propias representaciones cartesianas
agrega un elemento importante a la flexibilidad representacional de este software.

4.2 Sistemas multiagen te

4.2.1 Autó matas celulares

Los autóm atas celulares son, esencialm ente, disposiciones uni o bidim ensionales
de elementos (células) que tienen asociado, normalmente, una única propiedad –
un número, visualizado habitualmente como un color- , que m antienen su
ubicación espacial fija y se influyen m utuam ente, de m odo que evolucionan
cambiando su estado (el valor de su variable característica) en función de los
valores de los elementos que los rodean.

10
Potencia Expresiva

Los autóm atas celulares ilustran claramente la forma en que de unas pocas reglas
locales puede emerger un comportamiento com plejo; con sus reglas sencillas son
capaces de generar una enorme variedad de comportamientos. No obstante,
dadas las limitaciones propias de este tipo de form alismo (distribución espacial fija;
reglas, básicamente, centradas en una única propiedad), resultan poco flexibles si
lo que se pretende es representar sistem as reales.

Extensibilidad

Las mismas dificultades señaladas anteriorm ente se aplican a la hora de pensar a

los autóm atas celulares como m edios para un modelado progresivo, con
refinaciones sucesivas.

Accesibilidad

Los autóm atas celulares son fáciles de programar y e xisten programas gratuitos
que ya tienen im plementadas varias fam ilias de autóm atas listas para ser
configuradas en forma individual. Hemos trabajado con Mcell (Mirek´scellebration)
un programa gratuito, completo y fácil de usar.

Los formalismos no presentan m ayores dificultades de aprendizaje. Su estilo

representacional suele ser único.

4.2.2 Lenguajes de pro gramación

Otro tipo de sistemas multiagente son los lenguajes de programación tales como
Java y Starlogo que permiten la programación concurrente de varios hilos de
ejecución, cada uno de ellos –posiblemente- asociados a un agente distinto.

Potencia Expresiva
Las EDO representan un primer nivel de profundización respecto a los modelos
habituales, al mover el foco del estado de una variable a los factores que tienden a
modificarlo. Sin embargo, cuando se trata de fenómenos complejos en los que
participa gran cantidad de elem entos semejantes, los modelos basados en EDO
siguen describiendo variables m acroscópicas que de una u otra m anera resumen
el efecto de esta complejidad. Un modelado que respete las ideas originales de
interacción entre elementos tiene dos ventajas expresivas: por un lado, ser
traducción directa de la idea que les da origen y, por otro, permitir experimentar la

11
form a en que comportam ientos emergentes complejos pueden obedecer no a un
plan preform ado sino a la dinámica provocada por m ecanism os sencillos, una idea
que habitualm ente es difícil de captar.

Para ilustrar el papel de las ecuaciones de estado, las de transform ación (EDO) y
los modelos multiagente, vamos a exam inar tres casos.

Cas o 1: teoría cinética de los gases. La explicación teórica hace pie en la

pos tulación de la existencia de multitud de pequeñas unidades en movim iento
perm anente, obedeciendo a las leyes de la m ecánica. Las ecuaciones que
típicamente se estudian, en cambio, describen estados de equilib rio y vinculan
entre s í variables que resumen el comportamiento colectivo de es tas unidades
tales como la temperatura y la presión. Un enfoque distinto consistiría en modelar,
precisamente, aquéllo que describe la teoría cinética: el movimiento de m últiples
unidades, cada una con su propia velocidad, chocando con las demás y con las
paredes de un recipiente. La temperatura y la presión serían, aquí, propiedades
emergentes, resultantes del conjunto de interacciones.

Cas o 2: en un proceso epidémico, la cantidad de infectados crece siguiendo una

curva sigmóidea (crecim iento rápido al principio y as intótico hacia el final). El
enfoque EDO puede captar la esencia del proceso: en todo momento la población
infectada (I) entra en contacto con una cantidad de individuos proporcional (rI),
infectando a aquellos que no estaban ya infectados , que (presuntam ente) serán
una fracción similar a la de no infectados en la población total (P-I)/P:

(4) dI/dt=rI(P-I)/P .

En un enfoque m ultiagente se podría m odelar el movimiento de un conjunto P de

individuos, marcar como infectados a I de ellos, y perm itir que cada vez que un
individuo infectado esté cerca de otro sano, lo infecte.

Cas o 3: la evolución por mutación y selección natural es difícil de describir por

medio de ecuaciones tanto de estado como de tipo EDO: cada m utación tiene su
propio grado de valor adaptativo, y el curso del proceso es azaroso, de m odo que
lo deseable sería capturarlo por m edio de un m odelo probabilístico que,
efectivamente, produje ra resultados diferentes en cada sim ulación. Con un
enfoque multiagente, bastará con modelar el hecho de que unos individuos
engendran a otros, introducir una “mutación” que haga a los hijos probablemente

12
dis tintos de sus padres, y finalmente vincular su genotipo con una conducta que lo
lleve o no a tener m ayor éxito en el m edio.

Extensibilidad
Los modelos multiagente son naturalm ente extensibles: pequeñas modificaciones
en el com portam iento de cada agente pueden dar cuenta de grandes cambios en
los sis tem as, y la adición de nuevos agentes es relativam ente sencilla.
En el caso epidémico, por ejemplo, resultaría sencillo hacer extensiones tales
como: programar la curación progresiva de los individuos infectados, hacer que el
contagio no sea automático sino dependiente del azar, o incluso estar
condicionado a que el individuo a infectar no esté inmunizado por una enferm edad
previa. Bastaría con agregar un par de propiedades a cada agente, una que
indique su grado de contagio (que podría arrancar en un valor máximo e ir
decrementándose con el tiempo) y otra para marcar que está inmunizado, etc. Al
cruzars e dos agentes la probabilidad de infección podría depender del grado de su
grado de contagio y de su estado de inmunización por medio de reglas sencillas.
En nuestro trabajo en el CEFIEC, de hecho, hemos trabajado refinando y
complejizando progresivam ente modelos de evolución por m utación y selección, y
experimentam os en forma directa la facilidad de modelado en este tipo de
entornos.

Accesibilidad
Hem os evaluado dos entornos de programación m ultiagente: Java y Starlogo,
ambos gratuitos.

Java presenta cuatro características útiles para su uso como plataforma de

modelado:
a- Es un lenguaje orientado a objetos lo que facilita un modelado apropiado
de agentes (objetos) y com portam ientos (métodos).
b- Permite la ejecución concurrente de hilos (threads) de programación
independiente, con lo que cada agente puede desenvolverse siguiendo su
propia línea.
c- Funciona en máquinas virtuales Java, lo que hace a los programas aptos
para correr en distintos sistemas operativos.
d- Permite la creación de applets insertables en páginas Web, facilitando su
distribución y uso por parte de los alumnos.

13
Starlogo es un entorno desarrollado por el MIT, orientado específicamente al
modelado m ulti-agente. Actualm ente conviven dos versiones de Starlogo:
OpenStarlogo y StarLogo TNG.
OpenStarlogo es un entorno de código abierto, desarrollado en Java. El lenguaje
es una variante de Logo –un lenguaje inspirado en Lisp, desarrollado en el MIT a
fines de la década de los 60, que tuvo una vasta utilización en contextos escolares
especialm ente durante la década del 80. Los agentes de StarLogo son tortugas-
robot que pueden desplazarse en un espacio bidim ensional (con código adicional
se las puede llevar a un espacio 3D) y tienen asociadas propiedades. En StarLogo
las tortugas-robot pueden pertenecer a distintas “especies” y responder a
programación diferente para cada una de ellas. El entorno facilita la
creación/destrucción de agentes, la programación de código que ejecuten, la
detección de eventos (tales como el encuentro de dos agentes), la representación
anim ada de su comportam iento, y la graficación cartesiana de la evolución de
variables asociadas (tales com o la cantidad de agentes de una u otra especie).
StarLogo TNG es una versión posterior, más elaborada desde el punto de vis ta
gráfico (un espacio tridim ensional, elección de puntos de vis ta para observar lo
que ocurre en el terreno, etc.) y con una programación vis ual que se hace
componiendo bloques a modo de un rom pecabezas.
Si bien la vers ión TNG res ulta más atractiva y ofrece una interfaz que facilita
inicialmente el desarrollo de programas, resulta mucho más exigente en recursos
computacionales y carece –por el momento- de un mecanism o para programar
escribiendo código, lo que limita la velocidad de desarrollo de un usuario-
programador que haya superado el nivel inicial. En nuestro equipo de trabajo,
hem os sel eccionado la versión OpenStarlogo para el desarrollo de modelos.

14
Facilidad de aprendizaje

Los entornos de programación son sum amente flexibles pero, a cambio, tienen
una curva de aprendizaje m ás larga que los program as-herramienta (como los
vis tos para EDOs). El grado de abstracción y de dis tancia entre el mom ento de
escribir el código y el de ver su efecto, la rigurosidad sintáctica en las
construcciones, la diversidad de elem entos del lenguaje, etc. son un desafío
significativo.

Una forma de facilitar el acceso a estos entornos consiste en aprovechar su propia

estructura interna extensible, que perm ite crear bibliotecas de funciones o
preprogramar la estructura de programas útiles dejando a cargo de un
programador-usuario la tarea de com pletarlos o modificarlos.

Flexibilidad representacional

Tratándose de entornos de programación, la flexibilidad representacional es –en

principio- enorme. Se dispone de toda la gama de recursos con que puede operar
una computadora: imagen, sonido, anim ación, color, efectos .

En el caso de StarLogo, buena parte de los recursos representacionales

necesarios están listos para usar: una ventana que m uestra a los agentes en
acción y les puede asociar formas, tam años y colores, recursos para construir
gráficos cartesianos, mecanism os para inspeccionar las propiedades de cualquier
agente durante la propia simulación, etc.

Conclusiones
Encontramos prometedoras las posibilidades de trabajo con modelos basados en
EDO así como en entornos de programación orientada al trabajo multiagente
como Starlogo. En función de esto, el grupo está trabajando actualm ente en el
des arrollo de modelos m ultiagente con el lenguaje Starlogo.
Hem os descartado por el m om ento el trabajo con otro form alism o m ultiagente, el
de autómatas celulares, que si bien ofrece posibilidades interesantes no cumple a
satis facción con los criterios im puestos.

Referencias Bibliográficas

BARQUERO, B., B OSCH, M., GASCÓN J. (2007) La modelización matem ática

como instrum ento de articulación de las matem áticas del primer ciclo universitario

15
de Ciencias. Matem áticas, escuela y sociedad. Jaén: Publicaciones de la
Diputación de Jaén, pp. 531-544

CHELQUER, J. (1999). Enfoques sociohistóricos : la computadora como

instrumento mediador. Buenos Aires. Argentina. Tr. De seminario para Flacso.

CHELQUER, J. y MUTIS, Á. (2009). Modelado y tics en la enseñanza de

ciencias y matemática. Enseñanza de las Ciencias, Número Extra VIII Congreso
Internacional sobre Investigación en Didáctica de las Ciencias, Barcelona, pp. 231-
236

GARDNER, H. (1987). La nueva ciencia de la mente. Buenos Aires. Argentina.

Paidós.

LAHOZ BELTR Á (2004) Bioinformática, simulación, vida artificial e

inteligencia artificial. Día z de Santos .

LARKIN, J. y CHAB AY, R. en RESNICK, L. y KLOPFER, L (1989) en Currículum

y cognición. Buenos Aires, Argentina: Aique. pp. 241-275

MARTÍ, E. (1992) Aprender con ordenadores en la escuela. Horsori.

SALOMON, G. PERKINS, D. GLOBERSON (1992) Coparticipando en el

conocimiento. Infancia y Aprendizaje

WERTSCH, J. (1998) La mente en acción. Buenos Aires. Argentina. Aique, pp

49-109

TEODORO, V. T. (1998) From formulae to conceptual experiments: interactive

modelling in the physical sciences and in mathematics.International
CoLosConference. Maribor. Slovenia.

Referencias de Software

Modellus, http://modellus.fct.unl.pt/

Mcell, http://psoup.math.wisc.edu/mcell/

16
Vens im , http://vensim.com/software.html

Starlogo, http://education.mit.edu/starlogo/

Agradecimientos
A los alum nos del curso de posgrado “Modelado asistido por computadora” que
dictam os en el Cefiec, porque con su entusiasmo, interés, creatividad y
compromiso ayudaron a abrir horizontes más allá de lo planificado. A quienes con
su dis posición a seguir trabajando más allá de los lím ites de la materia, conforman
un verdadero equipo y es timulan a seguir trabajando: a Diego Arias Regalía,
Santiago Aspiazu, Ariel Blatman, Gustavo Domínguez y Débora Sanguinetti. A
AguedaMuttis, su calidad docente, responsabilidad y apoyo perm anentes.

17