Aprender en la era digital: teorías, diseño y redes by Debora

Caso 1

deborabrocca — 2025-09-18 20:06:19 UTC

En el primer año de Ingeniería, en una cursada masiva de Física I, la escena se repite todas las semanas: las planillas llegan prolijas, los números cierran, las fórmulas encajan como piezas de un engranaje bien aceitado; sin embargo, cuando la docente pide que alguien explique por qué eligió ese modelo de movimiento y no otro, qué significa la derivada de la posición en ese tramo o bajo qué supuestos se sostuvo la linealidad, la sala de Zoom queda en silencio. “¿Cuál fórmula usamos para cada caso?”, pregunta un estudiante; y la profesora, antes de responder, intenta abrir el espacio para el razonamiento: “¿Cambio de qué, respecto de qué?”, insiste, buscando que emerja la idea de velocidad instantánea y su vínculo con la representación gráfica. Los materiales del curso —PDF extensos con problemas tipo y un banco de ejercicios autocorregibles— empujan hacia la ejecución algorítmica y desalientan la construcción de significado. En el foro casi no hay intercambio: cada quien resuelve “a su manera” y busca confirmación en la clave de respuestas; si la clave coincide, el problema se da por aprendido. La evaluación oral revela fisuras: ante una variación mínima del enunciado —un rozamiento despreciable que deja de serlo, un marco que rota, una aceleración que ya no es constante— las soluciones se desmoronan. La cátedra dispone de H5P y de GeoGebra Classroom, pero su uso se limita a embellecer consignas. La docente percibe una sobrecarga extrínseca evitable: textos largos sin señalización, ejemplos sin anotaciones que expliquen el porqué, ausencia de andamiajes para coordinar ecuaciones, gráficos y descripciones verbales. El resultado es un aprendizaje superficial que “funciona” hasta que se le cambia la consigna. Ella imagina otra escena: videos cortos con objetivos observables y pausas interactivas que obliguen a justificar la elección del modelo; un taller en GeoGebra en el que los equipos produzcan y narren la coherencia entre x–t y v–t; un foro con roles claros —quien formula, quien modela, quien verifica unidades— y rúbricas que valoren la explicitación de supuestos. Le interesa que el error deje de ser un fracaso y se convierta en una pista: bancos de errores típicos, retroalimentación en capas y bitácoras de modelo que documenten decisiones. El problema no es la falta de práctica, sino la naturaleza de la práctica: demasiada receta, poca explicación.

Caso 2

deborabrocca — 2025-09-18 20:06:49 UTC

En Fundamentos de Enfermería, la simulación clínica ofrece una ilusión de seguridad: los estudiantes ejecutan la secuencia de la administración segura, lavan sus manos, cotejan los “cinco correctos”, anuncian en voz alta lo que harán y registran el procedimiento con esmero. La OSCE parece fluir sin tropiezos hasta que el caso introduce una alergia, una insuficiencia renal o un IMC límite; entonces, al preguntar por el ajuste de dosis, la fundamentación se vuelve difusa. “Porque el caso lo decía”, responde alguien, sin poder identificar el dato que gatilló la decisión. En el campus abundan los videos de procedimientos y las guías en PDF, pero escasean herramientas que obliguen a hacer visible el razonamiento clínico: la cadena que va de los signos y antecedentes a la valoración de riesgo/beneficio, la conexión con recomendaciones vigentes, el descarte de alternativas. La devolución llega tarde, cuando el informe ya está entregado y el error consolidado. La docente sospecha que el entrenamiento mecanizado ha desplazado la clínica y que la evaluación del “cómo” eclipsa la del “por qué”. Sabe que existen simuladores con rama libre que podrían exigir recolección de “cues” antes de permitir la administración, y plantillas de justificación que conecten cada decisión con el dato que la sostiene y con la guía abreviada que la respalda. Imagina un circuito rápido: caso virtual que frene al estudiante si no integra función renal con farmacocinética; una matriz de razonamiento que se complete en caliente; feedback escalonado que primero señale la carencia conceptual, luego abra un recurso focalizado y finalmente proponga un mini-caso para practicar la mejora. Piensa, además, en micro-OSCEs virtuales de tres minutos donde el estudiante verbalice su juicio clínico, y en rúbricas que califiquen seguridad, fundamentación y documentación, no solo la prolijidad del procedimiento. Lo que falta no es checklists, sino conversación estructurada entre datos, criterios y decisiones.

Caso 3

deborabrocca — 2025-09-18 20:08:07 UTC

En Historia Contemporánea, la lectura parece cumplirse como un rito solitario: los estudiantes descargan artículos extensos sobre memoria y dictaduras, subrayan con color, llegan a la fecha de entrega y producen un ensayo que, en su mayor parte, reproduce el argumento del autor con pocas referencias verificables y una conclusión que apela a la experiencia personal. Cuando la profesora pregunta por la tesis y la evidencia central, la respuesta se desliza hacia lo genérico: “que la memoria es importante”, “que hay debates”, “que no todo es igual”, sin citar página ni reconstruir el contrapunto entre autores. En los foros, los hilos se llenan de opiniones que no conversan entre sí; no se cita, no se interroga, no se replica con fuentes. El diseño de la cursada, apoyado en lecturas largas sin propósitos explícitos, contribuye a la sobrecarga y desalienta el diálogo académico. La docente intuye que no basta con pedir “más análisis”: hay que modelarlo. Piensa en trasladar la lectura a una práctica social visible con anotaciones compartidas, en la que cada equipo asuma roles —quien rastrea la tesis, quien curatoria evidencias, quien plantea objeciones— y se comprometa a fundamentar con autor, año y página. Imagina preguntas troncales que orienten la atención y una plantilla de argumento que fuerce a completar huecos: qué sostiene el autor, con qué lo demuestra, qué objeción es plausible, con quiénes “conversa”. Propone, también, que el feedback llegue antes del ensayo, en la fase de anotación, con una mini-rúbrica que valore relevancia, uso de fuente y construcción de réplica. El foro deja de ser un muro de opiniones para transformarse en una mesa de discusión: cada equipo abre un hilo con una tesis en el título y responde a otro hilo con citas puntuales. Un breve taller sincrónico de citación APA, con ejemplos y contraejemplos, desactiva la barrera formal. Así, la lectura deja de ser un trámite y se convierte en conversación disciplinar.

Caso 4

deborabrocca — 2025-09-18 20:08:32 UTC

En Econometría I, la computadora exhibe resultados impecables: tablas ordenadas, gráficos con líneas de tendencia, coeficientes significativos y un R² que luce convincente. Pero cuando el docente pregunta por los residuos, por la presencia de heterocedasticidad o por la colinealidad que sugiere ese VIF elevado, emergen las grietas. El análisis se ha transformado en una secuencia de clics sobre Excel que promete certezas, aunque la especificación no se haya discutido. Los informes llegan como capturas de pantalla sin trazabilidad, y el contraste entre modelos alternativos se evita por falta de tiempo o de criterio. Ante un conjunto de datos con outliers, la conclusión permanece intacta: “sirve porque explica mucho”. La cátedra dispone de cuentas institucionales de GitHub Classroom y de Google Colab, pero la práctica no ha migrado: el aula sigue siendo una planilla. El docente imagina otro itinerario, uno que haga explícitas las decisiones del analista y obligue a justificar cada paso. Un cuaderno guiado, con celdas marcadas “Decisión”, pide elegir variables sobre una pregunta sustantiva y, al probar supuestos, ofrece pistas y enlaces cortos a criterios de diagnóstico. El dataset ya no es un ejemplo de manual, sino una serie pública con confusiones plausibles, lo bastante “viva” como para exigir prudencia. El trabajo se organiza en equipos que discuten especificaciones en Issues, comparan dos modelos y documentan los trade-offs entre sesgo y varianza antes de recomendar. Tests automáticos verifican que se corrieron las pruebas de heterocedasticidad o normalidad; el feedback humano llega como revisión de código, con una rúbrica que puntúa calidad del diagnóstico, solidez del argumento y reproducibilidad. El foro técnico distribuye roles y evita la parálisis: alguien rastrea datos, otro verifica supuestos, un tercero relata decisiones. El objetivo no es sustituir Excel por Python por moda, sino alinear la herramienta con la forma de pensar que la disciplina demanda: transparente, contrastiva, defendible. Solo así el “modelo que funciona” empieza a ser, también, un modelo que tiene sentido.