Quiero compartirles una historia sobre el esfuerzo. Bueno, en realidad, sobre dos tipos de esfuerzo.
Mi padre obtuvo su doctorado en la Universidad de Utah a comienzos de la década de 1970. Para su tesis doctoral, realizó un análisis de regresión multivariada a partir de registros genealógicos con el fin de determinar el impacto de las condiciones micro y macroeconómicas en el tamaño de las familias.
Lo hizo utilizando uno de los computadores más avanzados de la época. ¿Su método? Literalmente perforar pequeños rectángulos en decenas de tarjetas de cartón que contenían las instrucciones del programa y luego introducir la pila de tarjetas en el computador. Mi padre era un estudiante de posgrado más entre muchos, y como la demanda de tiempo de uso del computador en la universidad era altísima, debía ejecutar su análisis en plena madrugada. Pasó muchas noches perforando tarjetas y cargándolas en la máquina. Un solo error al perforar bastaba para que el programa completo dejara de funcionar y fuera necesario revisar todo con extremo cuidado, volver a perforar las tarjetas y pasar otra noche más en el laboratorio de computación.
Las largas noches en el laboratorio construyen una historia casi heroica de perseverancia académica, pero que no aportaron valor desde el punto de vista intelectual. Lidiar con tarjetas perforadas no hizo que el análisis de regresión fuera más profundo ni más esclarecedor. Esperar hasta las dos de la madrugada tampoco amplió su comprensión de los ciclos económicos o del comportamiento demográfico.
Esfuerzo improductivo vs. esfuerzo productivo
La extenuante privación de sueño y las interminables horas perforando tarjetas que se interponían entre mi padre y sus objetivos representan el primer tipo de esfuerzo en mi historia: el esfuerzo improductivo.
El esfuerzo improductivo es el esfuerzo intelectual que dedicamos a perseguir una meta de aprendizaje que resulta exigente e inevitable, pero que no aporta ningún valor a los resultados intelectuales que buscamos alcanzar.
El verdadero desafío intelectual consistía en decidir qué variables debían incluirse en el modelo, determinar cómo representar las condiciones económicas a lo largo del tiempo e interpretar coeficientes que solo contaban una parte de la historia. Ese es el segundo tipo de esfuerzo: el esfuerzo productivo.
El esfuerzo productivo es el esfuerzo intelectual que realiza un estudiante para comprender conceptos, para descifrar algo que no es evidente a simple vista. Esta dificultad conduce al crecimiento y a la comprensión profunda. Desarrolla criterio, experiencia y comprensión.
Lo que resulta frustrante de la historia de mi padre, al mirar en retrospectiva, no es la complejidad de lo que estaba aprendiendo; eso, sin duda, debía de ser difícil. Lo frustrante es que gran parte de su tiempo limitado y de su energía cognitiva se consumieron en esfuerzos improductivos: obstáculos que no aportaban ningún valor al aprendizaje del razonamiento estadístico. Si esas barreras se hubieran eliminado, no habría aprendido menos. Habría tenido mayor capacidad para profundizar en las preguntas que realmente importaban. Habría dispuesto de más espacio para el esfuerzo productivo que conduce a un aprendizaje significativo.
Más allá de la comodidad cognitiva
Cuando se trata del uso de la IA en las escuelas, algunos docentes temen que el aprendizaje se vuelva demasiado fácil. A esto se le denomina “pereza cognitiva”. La suposición es que delegaremos nuestro pensamiento en la IA y que, con el tiempo, perderemos nuestra capacidad de pensar críticamente.
Algunos estudios iniciales sugieren que esto podría estar ocurriendo cuando los estudiantes utilizan IA generativa de manera poco estructurada; sin embargo, otras investigaciones indican que no necesariamente sucede así cuando la IA se emplea para apoyar estrategias pedagógicas específicas.
En cualquier caso, esta tensión es un riesgo asociado a cualquier tecnología que vuelve más eficiente nuestro trabajo mental, y la IA es especialmente hábil para asumir tareas cognitivamente exigentes.
No obstante, ceder nuestra capacidad de razonamiento a la IA no es un desenlace inevitable. Y dejar de usarla en contextos de aprendizaje no tiene por qué ser la única alternativa para resguardar nuestras capacidades mentales.
El riesgo fundamental para nuestro intelecto no es que la tecnología reduzca la dificultad. El verdadero peligro es no distinguir entre el esfuerzo productivo, que fortalece la comprensión, y el esfuerzo improductivo, que simplemente la agota. Así como mejores herramientas informáticas habrían liberado a mi padre de perforar tarjetas sin disminuir el rigor intelectual de su trabajo, las herramientas actuales, incluida la IA, tienen el potencial de aliviar el esfuerzo improductivo, preservando e incluso potenciando el esfuerzo productivo que es central para el aprendizaje. De este modo, tecnologías como la IA pueden, en realidad, abrir más tiempo y espacio para un esfuerzo cognitivo verdaderamente formativo.
Veamos un ejemplo, cuando la comprensión lectora no es el objetivo principal de una clase, sino un requisito previo, como cuando un estudiante tiene que leer un artículo para comprender las causas de la Revolución Francesa, las herramientas de IA pueden ajustar el nivel de lectura para apoyar a quienes están por debajo del nivel esperado o para quienes el español no es su lengua materna al instante. Esto les permite concentrarse en entender la causalidad histórica y elaborar su propia interpretación, en lugar de dedicar su energía a descifrar el texto.
Ajustar la exigencia
Entonces, ¿qué significa todo esto para quienes, como docentes, están buscando cómo ayudar a sus estudiantes a usar la IA de manera efectiva?
En primer lugar, necesitamos recordarnos, y ayudar a nuestros estudiantes a comprender, que el objetivo del aprendizaje nunca ha sido hacerlo fácil, sino hacerlo significativo.Debemos asegurarnos de que los estudiantes estén dedicando su tiempo a debatir grandes ideas, no a resolver cuestiones logísticas ni a quedarse atrapados en tareas mecánicas y repetitivas.
En segundo lugar, es necesario reconocer una verdad incómoda: la mayoría de las tareas que asignamos a nuestros estudiantes combinan esfuerzo productivo e improductivo, y no siempre distinguimos de manera consciente entre uno y otro. De hecho, bajo la presión del tiempo y de los recursos limitados, es fácil dejar de reflexionar sobre esa diferencia.
Heredamos tareas, reutilizamos conjuntos de ejercicios y valoramos la exigencia sin preguntarnos siempre dónde reside realmente.
Si la IA nos obliga a enfrentar esa pregunta, podría convertirse en una de las disrupciones más productivas que la educación ha experimentado en décadas.
Distinguir entre esfuerzo productivo e improductivo no es sencillo. Exige que los docentes desaceleren, examinen las tareas con una mirada renovada y sean honestos respecto de dónde ocurre realmente el esfuerzo formativo y qué partes del trabajo son simplemente complejas desde el punto de vista logístico.
Por ejemplo, exigir que los estudiantes den formato manual a las referencias puede parecer riguroso, pero el esfuerzo cognitivo que implica aplicar ese formato tiene poco que ver con el trabajo intelectual de evaluar fuentes e integrar evidencia en un argumento.
Este cambio nos exige rediseñar tareas, repensar las evaluaciones y, a veces, dejar atrás prácticas que parecen rigurosas pero que no profundizan de manera significativa la comprensión. En otras palabras, nos exige asumir un trabajo cognitivamente exigente. Y, al mismo tiempo, es un trabajo profundamente significativo.
Si lo hacemos bien, la IA no vaciará el aprendizaje de sentido; lo hará más preciso y enfocado. Les dará a los estudiantes más espacio para profundizar en las ideas en lugar de quedar atrapados en lo mecánico, más tiempo para interpretar en vez de transcribir y más oportunidades para construir activamente su comprensión del mundo. También nos permitirá ser mucho más deliberados respecto del tipo de dificultad que les pedimos asumir.
Al final, la IA no determinará si nuestros estudiantes experimentan pereza cognitiva o crecimiento cognitivo. Esa decisión dependerá de cómo diseñemos las tareas y evaluaciones, y de las decisiones que tomemos sobre qué herramientas de IA adoptar y cómo utilizarlas. Esta es nuestra oportunidad de eliminar las “tarjetas perforadas” de nuestra práctica docente y liberar más tiempo para que los estudiantes dediquen su esfuerzo a aquello que realmente importa.
*Artículo traducido en alianza con Verba Volant (verbavolantlsp.com)
