Si cualquier modelo de IA explica cualquier tema a la perfección y bajo demanda, ¿cuál es el papel irreemplazable del maestro? La síntesis: diseñar el problema, leer la confusión en tiempo real, dar retroalimentación en el momento exacto del atasco. Emparejado con el cierre del primer ciclo.
Puedo pedirle a cualquier modelo de inteligencia artificial que me explique la desviación estándar y lo va a hacer mejor que la mayoría de los profesores que he conocido. Lo va a hacer con paciencia infinita, sin cansarse, sin juzgarme por preguntar lo mismo tres veces, con ejemplos adaptados a mi nivel, a la hora que yo quiera, en el idioma que yo prefiera. Si lo que el profesor hace es explicar cosas, el profesor ya perdió.
Lo escribo sin ironía. Explicar contenido — que es lo que la mayoría de las clases hacen la mayor parte del tiempo — es exactamente la tarea donde la inteligencia artificial tiene ventaja estructural sobre cualquier ser humano. Más paciencia, más disponibilidad, más personalización, sin ego. Si la función del profesor fuera transferir información de su cabeza a la del estudiante, esa función ya es automatizable.
Entonces, ¿para qué sirve un maestro?
He pasado catorce artículos en este blog describiendo procesos que no se pueden automatizar, sin nombrarlos como tales. Ahora los nombro.
En el artículo nueve, escribí que un buen reto educativo no se improvisa: se diseña con la misma precisión que un problema de ingeniería, verificando que el contenido, el contexto y la conexión apunten exactamente adonde el estudiante necesita llegar. ¿Quién diseña ese reto? No el estudiante, que no sabe todavía qué necesita aprender. No la IA, que no conoce a ese grupo particular de estudiantes, en esa escuela particular, con esas lagunas particulares. El maestro.
En el artículo diez, describí el fracaso productivo: el estudiante enfrenta un problema, falla, y luego recibe la instrucción que aterriza sobre terreno preparado. ¿Quién decide en qué momento preciso el fracaso dejó de ser productivo y está a punto de volverse destructivo? ¿Quién lee en la cara de un estudiante la diferencia entre confusión productiva y frustración paralizante? No hay algoritmo para eso. Hay un ser humano que lleva semanas con ese grupo y sabe que ese estudiante específico necesita una pregunta, no una respuesta.
En los artículos once y doce, hablé de retroalimentación formativa y de rúbricas que hacen visible lo invisible. Hattie y Timperley lo formularon con precisión: la retroalimentación efectiva responde tres preguntas — ¿hacia dónde voy?, ¿cómo me está yendo?, ¿qué sigue? Un modelo de IA puede responder la primera y parte de la segunda. La tercera — qué sigue para este estudiante, en este momento, dado lo que acaba de hacer — requiere juicio situado. Requiere haber visto el proceso, no solo el producto.
En el artículo quince, el más honesto del ciclo, admití que la transferencia del conocimiento de un contexto a otro es el problema más difícil de la educación y que nadie lo ha resuelto por completo. Pero también señalé las condiciones que la favorecen: práctica en contextos variados, abstracción explícita, conexión anticipada con usos futuros. Las tres requieren a alguien que conozca tanto el contenido como al estudiante, que sepa qué ejemplo poner, qué pregunta hacer, y cuándo hacer la pregunta que obliga al estudiante a ver que dos problemas que se veían completamente diferentes eran el mismo.
Lee Shulman le puso nombre a esto en 1986 y lo precisó en 1987. Lo llamó conocimiento pedagógico del contenido: esa amalgama especial de contenido y pedagogía que es exclusivamente territorio de los maestros, su propia forma especial de comprensión profesional. No es saber la materia. No es saber dar clase. Es saber cómo se enseña esta materia a estos estudiantes. Incluye conocer las representaciones más útiles de cada idea, las analogías más poderosas, los ejemplos y las demostraciones que hacen comprensible un tema, y también entender qué hace que ciertos conceptos sean fáciles o difíciles de aprender, las concepciones previas que los estudiantes traen consigo.
Un modelo de IA puede explicar la desviación estándar. Lo que no puede hacer es saber que este grupo de estudiantes confunde variabilidad con error, que la analogía que mejor funciona con ellos es la de las temperaturas en dos ciudades, y que si no abordas esa confusión antes de la fórmula van a memorizar el procedimiento sin entender qué mide. Ese conocimiento no está en internet. Está en la cabeza del profesor que lleva tres semanas con ese grupo.
Shulman escribió algo que me parece la frase más importante para entender la profesión docente en la era de la inteligencia artificial: lo que distingue al maestro del especialista en contenido no es cuánto sabe, sino cómo transforma lo que sabe en algo que otra persona pueda aprender. La IA sabe el contenido. No sabe transformarlo para ese estudiante, en ese momento, con esa confusión específica.
Vuelvo a la lista de lo que el maestro hace y la IA no.
Diseñar el problema que va a producir el aprendizaje. Leer la confusión del estudiante en tiempo real y decidir qué hacer con ella. Dar retroalimentación en el momento exacto del atasco, no cuando el estudiante pregunta, sino cuando el maestro ve que lo necesita. Hacer la pregunta que obliga a transferir un concepto de un contexto a otro. Decidir cuándo la IA debe estar apagada porque el proceso cognitivo tiene que ocurrir sin asistencia, y cuándo debe estar encendida porque el estudiante ya necesita trabajar como trabajará toda su vida.
Todo eso es trabajo humano. No porque la tecnología todavía no sea suficientemente buena, sino porque requiere algo que la tecnología no tiene: juicio situado sobre una persona específica en un momento específico.
Noto que nada en esa lista incluye explicar contenido. El profesor que solo explica ya está compitiendo contra una máquina que explica mejor. El profesor que diseña, lee, retroalimenta, pregunta y decide no compite con ninguna máquina, porque ninguna máquina hace eso.
Esto tiene una consecuencia incómoda para la formación de profesores: si el valor irreemplazable del maestro está en el diseño de problemas, la lectura del estudiante y la retroalimentación en contexto, entonces la formación docente debería entrenar exactamente eso. No más cursos sobre cómo dar buenas presentaciones. Más práctica en diseñar retos, más ejercicio en leer confusión, más entrenamiento en decidir qué decir y qué callar en el momento preciso.
También tiene una consecuencia para los que diseñamos instituciones educativas. Si el valor del profesor está en el juicio situado, todo lo que le quite tiempo de juicio situado le quita valor. Las horas que un profesor pasa calificando exámenes de opción múltiple, llenando formatos administrativos, preparando presentaciones de PowerPoint o repitiendo la misma explicación que un video haría mejor, son horas robadas a lo único que justifica que haya un ser humano en el salón. Si vamos a tener un profesor, dejémoslo hacer lo que solo un profesor puede hacer.
Con este ensayo cierro el segundo ciclo. Dieciséis artículos, dos arcos, un hilo. El primero fue la tesis: por qué Aldea existe. El segundo fue la evidencia: la ciencia cognitiva detrás del modelo. Lo que sigue ya no es argumento: es lo que pase cuando lo pongamos en práctica.
Prometí en el octavo ensayo que publicaría también lo que no funcione. Esa promesa sigue en pie. Cuando abramos, cuando tengamos estudiantes reales equivocándose en retos reales y maestros reales leyendo confusiones reales, voy a tener algo más interesante que escribir que una tesis o una revisión de literatura. Voy a tener datos. Y si los datos dicen que algo no funcionó, eso también va a estar aquí.
Hasta entonces, gracias por leer.
Referencias
- Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching. Educational Researcher, 15(2), 4–14.
- Shulman, L. S. (1987). Knowledge and teaching: Foundations of the new reform. Harvard Educational Review, 57(1), 1–22.
- Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.
- Kapur, M. (2012). Designing for productive failure. Journal of the Learning Sciences, 21(1), 45–83.