En la publicación anterior, Toma de decisiones 101, proporcioné evidencia de que la atención selectiva a los artículos que se recuperaron en la memoria de trabajo fue un factor importante para tomar buenas decisiones. Esto tiene una importancia educativa generalmente no reconocida. Rara vez se incluye material de instrucción con conocimiento previo de cómo se puede optimizar en términos de reducción de la carga cognitiva de la memoria de trabajo. Una nueva investigación de un grupo de neurociencia cognitiva en el Reino Unido está demostrando la importancia particular que tiene para aprender a categorizar correctamente el nuevo material de aprendizaje. Muestran que el aprendizaje es más efectivo cuando la instrucción se optimiza ("idealizada" en su terminología).
Las decisiones a menudo requieren categorizar estímulos novedosos, como normal / anormal, amigo / enemigo, útil / dañino, correcto / incorrecto o incluso asignación a una de las múltiples opciones de categoría. Enseñarles a los estudiantes cómo hacer asignaciones correctas de categorías generalmente se basa en mostrarles ejemplos para cada categoría. Los problemas de categorización surgen rutinariamente cuando se prueba el aprendizaje. Por ejemplo, la prueba común de opción múltiple en las escuelas requiere que se tome una decisión sobre cada posible respuesta como correcta o incorrecta.
Al revisar la literatura sobre la optimización de la capacitación, estos investigadores encontraron informes de que un enfoque que funciona es presentar la capacitación en un orden específico. Por ejemplo, al enseñar a los alumnos cómo clasificar por categoría, las personas se desempeñan mejor cuando se presentan varios ejemplos de una categoría juntos, seguidos de una serie de ejemplos contrastantes de la otra categoría. Otras manipulaciones de ordenamiento se aprenden mejor si se presentan casos simples, no ambiguos en una u otra categoría al principio del entrenamiento, mientras que los casos más difíciles y confusos se presentan más adelante. Tal entrenamiento fortalece el contraste entre las dos categorías.
El grupo británico se ha centrado en el papel de la memoria de trabajo en el aprendizaje. Su idea es que la ambigüedad durante el aprendizaje es un problema. En situaciones del mundo real que requieren una identificación correcta de categorías, las ambigüedades naturales hacen que las decisiones correctas sean difíciles. Piense en estas ambigüedades como "ruido" cognitivo que interfiere con el entrenamiento que se recuerda en la memoria de trabajo. Este ruido satura la codificación durante el aprendizaje y desordena el proceso de pensamiento y afecta los procesos de pensamiento rigurosos que pueden ser necesarios para hacer una distinción correcta. En el mundo real de los jóvenes en la escuela, otras fuentes importantes de ruido cognitivo son los estímulos irrelevantes de tareas que provienen de los hábitos de tareas múltiples tan comunes en los estudiantes de hoy.
La teoría es que cuando se realiza una tarea aprendida, el alumno recuerda lo que se ha enseñado en la memoria de trabajo. La memoria de trabajo tiene una capacidad muy limitada, por lo que cualquier "ruido" asociado con el aprendizaje inicial puede estar codificado de manera incompleta y el ruido recordado también puede complicar el pensamiento requerido para funcionar correctamente. Por lo tanto, la simplificación del material de aprendizaje debería reducir las ambigüedades recordadas, disminuir la carga de la memoria de trabajo y permitir un mejor razonamiento y rendimiento de la prueba.
Un ejemplo de optimización del aprendizaje es el estudio de Hornsby y Love (2014) que aplicó el concepto al entrenamiento de personas sin capacitación médica previa para decidir si una mamografía determinada era normal o cancerosa. Plantearon la hipótesis de que el aprendizaje sería más eficiente si los estudiantes recibieran capacitación sobre mamografías que se identificaban fácilmente como normales o cancerosas, y no incluían ejemplos donde la distinción no era tan obvia. La premisa subyacente es que la toma de decisiones implica recordar los ejemplos recordados del pasado en la memoria de trabajo y acumular la evidencia para la categoría apropiada. Si los elementos recordados son ruidosos (es decir, ambiguos), el ruido también se acumula y hace que la decisión sea más difícil. Por lo tanto, los estudiantes tendrán más dificultades si se les entrena en ejemplos en todo el rango de posibilidades, desde claramente evidentes hasta oscuras, que si se les enseñara por separado ejemplos que fueran claramente evidentes porque pertenecen a una categoría u otra.
Inicialmente, se capacitó a un grupo de alumnos en una mezcla de mamogramas de rango completo para que las imágenes pudieran clasificarse por dificultad diagnóstica como fácil o difícil o en el medio. En cada ensayo, se mostraron tres mamografías: la imagen de la izquierda era normal, la derecha era cancerosa y el centro era el elemento de prueba que requería un diagnóstico de si era normal o canceroso.
En el experimento real, un grupo de estudiantes fue entrenado para clasificar un conjunto representativo de imágenes fáciles, medianas y duras, mientras que el otro grupo se entrenó solo en muestras fáciles. Durante los ensayos de capacitación, los estudiantes observaron las tres mamografías, establecieron su diagnóstico para la imagen del medio y luego recibieron comentarios sobre si tenían razón o no. Después de completar los 324 ensayos de entrenamiento, los participantes completaron 18 pruebas de prueba, que consistieron en tres elementos fáciles, medianos y duros nunca vistos previamente de cada categoría mostrados en orden aleatorio. Los ensayos de prueba siguieron el mismo procedimiento que los ensayos de entrenamiento.
Cuando ambos grupos se analizaron en muestras de todo el rango en ambas condiciones, el grupo optimizado pudo distinguir mejor las mamografías normales de las cancerosas tanto en las imágenes simples como en las medianas. Tenga en cuenta que el grupo optimizado no recibió capacitación sobre imágenes medianas. Sin embargo, no se encontraron ventajas en el caso de los elementos de prueba difíciles; ambos grupos cometieron muchos errores en los casos difíciles, y el entrenamiento optimizado arrojó resultados peores que el entrenamiento regular.
Necesitamos explicar por qué esta estrategia no parece funcionar en casos difíciles. Sospecho que en casos fáciles y medianos, no se requiere mucha comprensión. Es solo una cuestión de reconocimiento de patrones, más fácil porque el entrenamiento fue más directo y menos ambiguo. El alumno solo está haciendo asociaciones visuales ocasionales. Para casos difíciles, un alumno debe conocer y comprender los criterios necesarios para hacer distinciones. Las sutiles diferencias no se cumplen si los criterios de diagnóstico no se hacen explícitos en el entrenamiento. En la práctica médica actual, muchas mamografías en realidad no se pueden distinguir por inspección visual; realmente son difíciles. Se necesitan otras pruebas de diagnóstico.
La premisa básica de tal investigación es que los objetos de aprendizaje o la tarea deben reducirse a lo básico, eliminando información extraña y ambigua, que constituye "ruido" que confunde la capacidad de realizar categorizaciones correctas.
En situaciones de aprendizaje comunes, una fuente importante de ruido es información extraña, como detalles marginalmente relevantes. La reducción de este ruido se logra centrándose en el principio subyacente. En realidad, me tropecé con esta premisa básica de la simplificación hace más de 50 años cuando era un estudiante tratando de optimizar mi propio aprendizaje. Lo que me di cuenta fue la importancia de ubicarme en el principio básico de lo que estaba tratando de aprender del material didáctico. Si entendiera un principio, podría usar esa comprensión para pensar en muchas de las implicaciones y aplicaciones.
En otras palabras, el principio es: "no memorices más de lo necesario". Usa los principios como una forma de descubrir lo que no se memorizó. Una vez que se entienden los principios básicos, gran parte de la información básica puede deducirse o aprenderse fácilmente. Esto es similar a la práctica estándar de pasar de lo general a lo específico. Aun así, las ideas generales deberían enfatizar los principios.
Los libros de texto a veces son bastante pobres en este sentido. Demasiados textos tienen tanta información auxiliar en ellos que deberían considerarse libros de referencia. Es por eso que he encontrado un buen mercado para mi libro de texto electrónico de neurociencia de nivel universitario, "Core Ideas in Neuroscience", en el que cada capítulo de 2-3 páginas se basa completamente en cada uno de los 75 principios básicos que cubren el amplio espacio de la membrana bioquímica para la cognición humana. Un libro de texto de neurociencia típico de otros autores puede tener hasta 1.500 páginas.
Fuente:
Hornsby, Adam y Love, BC (2014). Mejora de la clasificación de las mamografías después de la formación idealizada. J. Appl. Res. Memoria y cognición 3 (2): 72-76.
El Dr. Klemm es profesor titular de Neurociencia en Texas A & M. Sus últimos libros son Memory Power 101, (Skyhorse) y Mental Biology (Prometheus). También escribe blogs de aprendizaje y memoria. Sus publicaciones tienen casi 1,5 millones de visitas de lectores.
