El aprendizaje basado en decisiones (DBL) es un método de enseñanza que organiza la instrucción en torno al conocimiento condicional que guía los procesos de toma de decisiones de los expertos. En resumen, el conocimiento condicional es saber "cuándo o en qué condiciones" aplicar procedimientos y conceptos (Bransford, Brown, Cocking y Center, 2000). En resumen, el DBL se organiza en torno a una secuencia funcional más que a una secuencia lógica.

Para los expertos (que incluye a la mayoría de los instructores), su reconocimiento de las condiciones se ha vuelto tan automático que parece intuitivo. Este fenómeno se conoce como el "punto ciego experto" (Cárdenas, West, Swan y Plummer, 2020). En consecuencia, este conocimiento esencial permanece invisible para los estudiantes en la mayoría de las formas de enseñanza. Sin embargo, el conocimiento condicional es esencial para analizar con éxito las situaciones y seleccionar un curso de acción apropiado. El conocimiento condicional también es una base necesaria para una comprensión conceptual bien desarrollada (Swan, Plummer y West, 2020).

DBL busca revelar este conocimiento condicional. Mediante una forma de análisis de tareas cognitivas, un experto desglosa las decisiones que toma en función de las condiciones de un problema/artefacto o escenario del mundo real. Este proceso sirve para clasificar el problema y, por lo tanto, señalar una acción correcta/apropiada/óptima para la situación dada.

El proceso de toma de decisiones se puede estructurar como una serie de preguntas (decisiones) con posibles respuestas. Las decisiones conducen a una acción o resolución culminante. El resultado es un modelo de decisión experto (EDM), que se puede representar visualmente (Plummer, Swan y Lush, 2017). Una electroerosión puede ser lineal, ramificada o en bucle o puede presentar una combinación de estos patrones (por ejemplo, véase la figura 1).

Figura 1

Parte de un modelo de decisión experto (EDM) utilizado en un curso de estadística básica

Un EDM debe centrarse en un único resultado de aprendizaje (es decir, la acción culminante) y en el objeto de análisis para ese resultado de aprendizaje (por ejemplo, un problema). Por ejemplo, Plummer, Kebritchi, Leary y Halverson (2022) describen varias acciones culminantes de la siguiente manera:

Al final de cada camino de decisión hay una acción o decisión culminante. Por ejemplo, en un curso de química, la acción culminante al final de su modelo de decisión fue determinar si se había localizado la técnica correcta para resolver un problema de calor y entalpía (Sansom, Suh y Plummer, 2019). En un curso de investigación cualitativa, la acción culminante fue determinar la credibilidad de un estudio cualitativo publicado (Owens & Mills, 2021). Finalmente, en un curso de ingeniería mecánica, la acción culminante fue determinar el diseño y el rendimiento de un elemento de máquina (Nelson, 2021). (pág. 5)

Cabe señalar que un resultado de aprendizaje determinado y, por lo tanto, un EDM, incluye una variedad de tipos de problemas. Estos tipos de problemas comparten muchas características, pero también tienen características definitorias que los diferencian. Por ejemplo, el calor y la entalpía son dos tipos de problemas de alto nivel que también contienen tipos de problemas en sí mismos. Cuanto más estrechamente relacionados estén, más características comparten hasta que solo haya una característica que distinga un tipo de problema y sus hermanos más cercanos.

Ante un problema o escenario del mundo real, los estudiantes exploran una serie de puntos de decisión escalonados y aprenden a razonar a través de un escenario que conduce a una acción culminante adecuada. La instrucción se lleva a cabo en cada punto de decisión y se centra en cómo identificar las condiciones que definen el problema dado para la decisión actual. La instrucción debe limitarse a lo que es esencial para tomar esa decisión específica. Nos referimos a esto como instrucción "justo a tiempo" y "justo". La naturaleza concisa de esta instrucción ayuda a los estudiantes a centrarse y separar la condición que define esa decisión de otras afecciones relacionadas con los hermanos o estéticas del escenario.

Inicialmente, los estudiantes pueden tener dificultades para distinguir las condiciones cosméticas de las condiciones definitorias. Con una repetición suficiente, los alumnos desarrollan la capacidad de distinguir las condiciones definitorias que conducen a la resolución del problema. Para lograr una repetición suficiente, lo ideal es disponer de un banco sólido de problemas múltiples para cada tipo de problema. Una forma de crear problemas rápidamente es mantener las mismas condiciones estéticas y modificar las condiciones definitorias para tener en cuenta cada tipo de problema.

Por último, la DBL incluye una evaluación frecuente e intercalada sin la ayuda de la electroerosión. Inicialmente, la instrucción está muy respaldada por la electroerosión y la instrucción asociada. Sin embargo, los estudiantes tienden a confiar demasiado en el modelo, a menos que se les exija que actúen sin andamios. Las evaluaciones frecuentes y de bajo riesgo que requieren un desempeño igual sin el modelo son esenciales para incitar a los estudiantes a internalizar su aprendizaje. De esta forma, los estudiantes comienzan a desarrollar un esquema funcional del dominio.

Con la práctica, el DBL ayuda a los estudiantes a comenzar a conceptualizar situaciones individuales del mundo real como instancias de un tipo de problema. En otras palabras, comienzan a generar un esquema funcional que les permite aplicar de forma independiente su aprendizaje en situaciones del mundo real. Además, con el conocimiento condicional como principio organizador, los estudiantes tienen la oportunidad de ver cómo las condiciones tienen patrones que invocan conceptos y procedimientos relevantes. A medida que profundizan, este marco también ayuda a los estudiantes a comprender los límites y la aplicación de las teorías, principios y conceptos subyacentes del dominio.

Referencias

Bransford, J., Brown, A., Cocking, R., & Center, E. R. I. (2000). How People Learn: Brain, Mind, Experience, and School. (2nd ed.). Washington, D.C.: National Academy Press.

Cardenas, C., West, R. E., Swan, R. H., & Plummer, K. J. (2020). Modeling Expertise through Decision-based Learning: Theory, Practice, and Technology Applications. Revista de Educación a Distancia (RED), 20(64). doi:10.6018/red.408651

Nelson, T. G. (2021). Exploring Decision-Based Learning in an Engineering Context. In N. Wentworth, K. J. Plummer, & R. H. Swan (Eds.), Decision-Based Learning: An Innovative Pedagogy that Unpacks Expert Knowledge for the Novice Learner (pp. 55-65): Emerald Publishing Limited.

Owens, M. A., & Mills, E. R. (2021). Using Decision-Based Learning to Teach Qualitative Research Evaluation. In N. Wentworth, K. J. Plummer, & R. H. Swan (Eds.), Decision-Based Learning: An Innovative Pedagogy that Unpacks Expert Knowledge for the Novice Learner (pp. 93-102): Emerald Publishing Limited.

Plummer, K. J., Kebritchi, M., Leary, H. M., & Halverson, D. M. (2022). Enhancing Critical Thinking Skills through Decision-Based Learning. Innovative Higher Education, 47(4), 711-734. doi:10.1007/s10755-022-09595-9

Plummer, K. J., Swan, R. H., & Lush, N. (2017). Introduction to Decision-Based Learning. Paper presented at the 11th International Technology, Education and Development Conference, Valencia, Spain.

Sansom, R. L., Suh, E., & Plummer, K. J. (2019). Decision-Based Learning: ″If I Just Knew Which Equation To Use, I Know I Could Solve This Problem!″. Journal of Chemical Education, 96(3), 445-454. doi:10.1021/acs.jchemed.8b00754

Swan, R. H., Plummer, K. J., & West, R. E. (2020). Toward functional expertise through formal education: Identifying an opportunity for higher education. Educational Technology Research & Development, 68(5), 2551-2568. doi:10.1007/s11423-020-09778-1