El talento en la enseñanza superior

La premisa base de la relevancia de la gestión del talento se encuentra en la consideración de que el capital humano de una organización es su recurso más valioso, de modo que una ventaja competitiva sostenible se logra a través de un enfoque estratégico para atraer, desarrollar y mantener a los mejores talentos.

El capital humano se refiere a las habilidades, destrezas, conocimientos y experiencia que poseen los empleados de una empresa y, las personas en general. Constituye una parte crucial de los recursos de la empresa. En ocasiones, se piensa que el capital humano adquiere importancia en determinados sectores o en algunas empresas de unas actividades. Sin embargo, la dependencia de las empresas y las organizaciones del  conocimiento y las habilidades de su personal es mucho más importante de lo que a primera vista podría pensarse. Es, en muchos sentidos, la clave de la transformación de las organizaciones y  se espera que tenga un impacto significativo en la estrategia y el rendimiento empresarial.

La gestión del talento es un conjunto integral de procesos de recursos humanos diseñados para atraer, desarrollar, motivar y retener empleados altamente eficaces y comprometidos en una organización. En consecuencia, es susceptible de involucrar una amplia gama de dimensiones y aspectos.

No obstante, la gestión del talento no concierne únicamente a las empresas y organizaciones que incorporan personal. También forma parte de las misiones de los centros de formación y aprendizaje. En este sentido, los centros de formación superior deben de ser conscientes que también contribuyen al desarrollo del talento a través de prácticas y metodologías pedagógicas pertinentes. 

La formación universitaria y, en general, la superior desempeñan un papel fundamental en el desarrollo y la potenciación del talento estudiantil. Para favorecer este talento, las instituciones de educación superior pueden implementar una variedad de actividades y metodologías orientadas tanto a la excelencia académica como al desarrollo integral de los estudiantes. Estas actividades y metodologías deben enfocarse en habilidades técnicas y competencias transversales que se alineen con las demandas del mercado laboral actual y futuro.

A continuación, se detallan algunas estrategias y actividades que las universidades y centros de enseñanza superior pueden emplear para potenciar el talento:

  1. Aprendizaje Basado en Problemas (ABP): Esta metodología sitúa a los estudiantes en situaciones problemáticas cercanas a la realidad profesional, estimulando su capacidad para el análisis crítico, la solución de problemas y el aprendizaje autónomo. Se trata de implementar y fortalecer la necesidad de indagar en la problemáticas que cada situación presenta. 
  2. Aprendizaje Basado en Proyectos (ABPj): Similar al ABP, el ABPj requiere que los estudiantes desarrollen proyectos que a menudo resultan en un producto o solución tangible, fomentando la innovación, el trabajo en equipo y las habilidades de gestión de proyectos. Comporta la necesidad de establecer las diferentes tareas, la secuencia de su ejecución y los necesidades de recursos. 
  3. Estudios de Caso: Analizar casos reales o simulados ayuda a los estudiantes a comprender la aplicación práctica de los conceptos teóricos y a desarrollar habilidades de toma de decisiones basadas en la evidencia. Con el estudio de casos, se permite la articulación de los conocimientos nuevos con los ya adquiridos, potenciar la autonomía en el desempeño de las tareas analíticas y la capacidad comunicativa de contextos pseudo-reales. 
  4. Simulaciones y Juegos de Roles: Estas actividades pueden mejorar la capacidad de los estudiantes para adaptarse a diferentes escenarios y roles profesionales, promoviendo habilidades como la negociación, la empatía y el liderazgo. Se trata de aprender sobre la base de experiencias reales o ficticias.
  5. Prácticas Profesionales y Pasantías: La experiencia en el mundo real es invaluables. Las pasantías pueden brindar a los estudiantes una vista previa de su campo de interés y desarrollar conexiones profesionales. Permite cambiar el entorno en que se desempeñan los estudiantes y pasar del entorno del aula al del puesto de trabajo. Pueden tener ventajas importantes tanto a la hora de asegurar el transito desde el centro educativo al mundo del trabajo, como también una oportunidad para comprobar como se materializan los conocimientos en la toma de decisiones y la resolución de cuestiones propias al mundo del trabajo.  
  6. Investigación y Trabajo de Campo: Fomentar la participación de los estudiantes en proyectos de investigación y trabajo de campo les proporciona una experiencia práctica valiosa y refuerza el aprendizaje mediante la aplicación directa de conocimientos. Estas actividades llevan la exigencia también de buscar y recoger información, organizarla y analizarla en aras a resolver las problemáticas de investigación planteados.  
  7. Educación Interdisciplinaria: Exponer a los estudiantes a una variedad de disciplinas les ayuda a desarrollar una visión más integral y a aprender cómo los diferentes campos del conocimiento se interconectan.
  8. Metodologías Activas de Aprendizaje: Promover la participación activa de los estudiantes en su proceso de aprendizaje, como el aprendizaje invertido (flipped learning), donde los estudiantes estudian el material por adelantado y utilizan el tiempo de clase para discusiones enriquecedoras y actividades prácticas.
  9. Desarrollo de Habilidades Blandas: Taller y cursos sobre liderazgo, pensamiento crítico, comunicación efectiva, gestión del tiempo, y trabajo en equipo para complementar la formación técnica o especializada.
  10. Tecnología y Aprendizaje Digital: Utilizar herramientas digitales y plataformas de aprendizaje en línea para complementar la enseñanza y ofrecer flexibilidad en el aprendizaje. Fortalecer una cultura digital efectiva. 
  11. Redes de Networking y Mentores: Crear oportunidades para que los estudiantes se conecten con profesionales y ex-estudiantes, promoviendo así la formación de redes de contactos que pueden ser fundamentales para su desarrollo profesional. Fomentar la idea de la necesidad de crear redes sociales personales. 
  12. Emprendimiento y Creación de Empresas: Ofrecer recursos y apoyo para los estudiantes interesados en iniciar sus propios negocios o proyectos sociales, incluyendo competiciones de planes de negocio, incubadoras de empresas y fondos semilla.
  13. Evaluaciones Formativas: Implementar formas de evaluación que proporcionen retroalimentación constructiva, permitiendo a los estudiantes reflexionar sobre sus progresos y áreas de mejora.
  14. Educación Global e Intercambio: Programas de intercambio y la posibilidad de estudiar en el extranjero para exponer a los estudiantes a diferentes culturas y sistemas de pensamiento, preparándolos para una economía globalizada.

Estas actividades y metodologías deberían acompañarse de un enfoque reflexivo y crítico que permita a los estudiantes no sólo adquirir conocimiento, sino también cuestionar, adaptar y aplicar dicho conocimiento en una variedad de contextos. Es necesario fortalecer la idea de que el conocimiento tiene vocación de acción tanto en el terrenos de la ciencias, en las ciencias de la salud, de la sociedad o de las artes. El talento y el conocimiento deben estar al servicio de la resolución de los problemas que las personas y las sociedades encuentran en su progreso y, en este sentido, el conocimiento y el talento deben estar al servicio de la acción. 

___

(c) Imagen generada con DALL·E

Publicado en Aprendizaje, Economía, Formation | Etiquetado , , , | Comentarios desactivados en El talento en la enseñanza superior

La performance des universités et la gestion des connaissances

Selon Dominique Foray et Fred Gault (1), la gestion des connaissances englobe toutes les pratiques intentionnelles et systématiques visant à acquérir, saisir, partager et exploiter des savoirs productifs, où qu’ils se trouvent, dans le but d’améliorer l’apprentissage et les performances au sein des organisations. Cette gestion demande un investissement dans la création des capacités organisationnelles visant à faciliter l’identification, la documentation, la mémorisation et la diffusion des ressources cognitives, des capacités d’apprentissage et des compétences que les individus et les communautés génèrent ou peuvent générer et utiliser dans leur contexte professionnel.

Des exemples de pratiques de gestion des connaissances comprennent le partage de connaissances et l’affectation des ressources à la recherche et à l’acquisition de connaissances externes. Ces pratiques sont toujours difficiles à observer et à appliquer. Néanmoins, il est de plus en plus évident que ces pratiques ont des effets importants sur l’innovation et les performances des entreprises et des organisations. L’adoption et la mise en œuvre de pratiques de gestion des connaissances peuvent être considérées comme une phase déterminante de l’intégration progressive des institutions dans une économie et des pratiques sociales de plus en plus fondées sur le savoir.

La gestion des connaissances n’est qu’un des investissements possibles d’une économie fondée sur le savoir. D’autres investissements, tels que l’éducation et la formation, les logiciels ou la recherche et le développement, sont plus connus et leur réussite implique implicitement une gestion des connaissances. Toutefois, aujourd’hui, il y a plusieurs raisons de placer la gestion des connaissances au centre des autres stratégies, qu’il s’agisse de la formation ou de la recherche. Ces raisons revêtent une importance particulière pour les universités.

Premièrement, certaines des pratiques les plus anciennes liées aux politiques en matière de ressources humaines et d’emploi, qui contribuaient à la gestion des connaissances, ne sont plus adaptées à la réalité. La transmission des savoirs tacites était traditionnellement assurée par des institutions internes et des organisations externes (réseaux professionnels). Cependant, la mémorisation et la transmission des savoirs présentent des défaillances significatives, au point de ne garantir qu’un transfert partiel des savoirs. L’ancien système doit être remplacé par un nouveau système fondé sur d’autres méthodes de codification qui assurent à tous les membres l’accès et l’assimilation des savoirs, notamment à l’information.

Le déroulement de la carrière des individus suggère que leurs connaissances font partie intégrante du patrimoine intellectuel de l’entreprise. Cependant, les évolutions récentes en termes de mobilité des effectifs et, en ce qui concerne les universités, la participation en réseau hors-établissement rendent nécessaire d’imaginer et de mettre en place de nouvelles formes capables d’assurer la conservation interne du savoir et de pérenniser les compétences et les acquis.

Le manque de mécanismes capables d’assurer une véritable gestion des connaissances peut facilement conduire à laisser passer une ou plusieurs innovations majeures. Il est donc essentiel de mettre en place des processus visant à stimuler la créativité. L’inventivité demande à la fois une liberté d’action et une ouverture à la possibilité de réaliser des activités non conformes aux normes et aux coutumes, de faciliter les initiatives et les propositions qui naissent en dehors de la hiérarchie.

Troisièmement, le développement des marchés du savoir, la diffusion des technologies de l’information et les nouvelles méthodes d’évaluation des actifs immatériels sont trois caractéristiques de la nouvelle économie qui appellent à l’introduction de modes explicites de gestion des connaissances. Il est essentiel d’évaluer le capital intellectuel de l’université ainsi que son mode de fonctionnement.

Toutes ces raisons soulignent l’importance et l’urgence de mettre en place des systèmes de gestion des connaissances dans nos universités.

Référence :

  1. « Mesure des pratiques de gestion des connaissances », Mesurer la gestion des connaissances dans le secteur commercial, OCDE, Paris, 2004.
Publicado en Aprendizaje, Economía, Formation | Etiquetado , , , , , | Comentarios desactivados en La performance des universités et la gestion des connaissances

Contraste de hipótesis: la prueba estadística paramétrica de Wald

Elies Furió Blasco Matilde Alonso Pérez
elies.furio-blasco@univ-lyon3.fr matilde.alonso@univ-lyon2.fr
Universidad de Lyon Universidad de Lyon

Resumen: La prueba de Wald es un contraste de hipótesis donde se trata de ver la coherencia de afirmar un valor concreto de un parámetro de un modelo. Se presentan las principales características y limitaciones de la prueba de Wald.

Résumé : Le test de Wald est un test d’hypothèse qui permet de vérifier la cohérence de l’affirmation d’une valeur particulière d’un paramètre d’un modèle. Cette note présente les principales caractéristiques et limites du test de Wald.

Abstract: The Wald test is a hypothesis test where the consistency of asserting a particular value of a parameter of a model is tested. This note presents the main features and limitations of the Wald test.

Índice

1 Abraham Wald

2 La prueba de Wald

2.1 Utilización de la prueba de Wald

2.2 Limitaciones de la prueba de Wald

2.3 Aplicación del test de Wald

3 Referencias

Abraham Wald

Abraham Wald fue un matemático húngaro nacido en 1902. Se graduó y realizó la tesis doctoral en Viena bajo la dirección de Karl Menger. Fue investigador de la Universidad de Columbia y formó parte de la Comisión Cowles de Investigación en Economía de dicha universidad.

En un principio, se interesó en la teoría de conjunto y la geometría. Posteriormente, desarrollo contribuciones interesantes en el ámbito de la teoría de la decisión, la econometría y el análisis secuencial. Durante el periodo 1933-39, publicó diferentes contribuciones en dichos ámbitos[1]. Posteriormente, publicó artículos y libros relativos al análisis secuencial e inspección de muestreo[2] [3] [4]. En el ámbito de la Economía, publico una propuesta de índice del costo de la vida[5]. Una relación de sus trabajos fue recogida por The Annals of Mathematical Statistics[6].

La prueba de Wald

La prueba de Wald es una prueba estadística paramétrica nombrada así en honor del estadístico Abraham Wald. Cada vez que hay una relación dentro o entre los datos se puede expresar un modelo estadístico con los parámetros a ser estimados a partir de una muestra. La prueba de Wald se utiliza para poner a prueba el verdadero valor del parámetro basado en la estimación de la muestra.

El Test de Wald es un contraste de hipótesis donde se trata de ver la coherencia de afirmar un valor concreto de un parámetro de un modelo probabilístico una vez tenemos ya un modelo previamente seleccionado y ajustado.

Se aplica siempre tras elegir un modelo (una distribución cualquiera, una regresión simple, una regresión logística, etc) y a continuación se hace algún contraste de hipótesis sobre uno o varios parámetros: Por ejemplo, la media de la normal es 5, la pendiente de la recta es 0, el coeficiente principal de una regresión logística es 0, etc.

En la prueba estadística Wald, la estima de máxima verosimilitud  ô del parámetro(s) de interés θ se compara con el valor propuesto θ0, bajo la suposición de que la diferencia tipificada entre ambos seguirá aproximadamente una distribución normal. Típicamente, el cuadrado de la diferencia se compara con una distribución de chi-cuadrado. En el caso univariante, el Wald estadística es

Donde

  • : estimaciones de los parámetros
  • son los valores de los parámetros propuestos, el bajo del parámetro bajo la hipótesis nula.
  • El numerador es la diferencia entre el estimador y el valor bajo la hipótesis nula.
  • El denominador es el error estándar del estimador.

En buena medida, se corresponde a una valoración de la distancia entre Observado y Esperado y se pretende valorar, en un contraste de hipótesis, si lo que obtenemos es o no muy distante de lo que esperamos, en el caso de ser cierta la hipótesis nula.

Para realizar una prueba de Wald, se siguen estos pasos generales:

  • Formular la hipótesis nula (H0) y la hipótesis alternativa (H1).
  • Calcular el estimador del parámetro () y su error estándar
  • Calcular la estadística de prueba de Wald usando la Expresión 1.
  • Comparar la estadística de prueba con los valores críticos de la distribución chi-cuadrado para determinar la significancia estadística.

Este estadístico sigue una distribución chi-cuadrado bajo la hipótesis nula. Se compara el valor calculado de T con los valores críticos de la distribución chi-cuadrado para determinar la significancia estadística.

Utilización de la prueba de Wald

La prueba de Wald se utiliza comúnmente en el contexto de modelos de regresión, pero la idea subyacente puede aplicarse en otras situaciones dónde se estime un parámetro y se desee probar su significancia.

Para realizar una prueba de Wald, sigue estos pasos generales:

  • Formula la hipótesis nula (H0) y la hipótesis alternativa (H1).
  • Calcula el estimador del parámetro () y su error estándar
  • Calcula la estadística de prueba de Wald usando la Expresión 1.
  • Compara la estadística de prueba con los valores críticos de la distribución chi-cuadrado para determinar la significancia estadística.

Se utiliza para contrastar si es cero o no un determinado coeficiente que multiplica a una variable independiente en una regresión.

  • Si el p-valor es menor que 0.05 (o menor que 0.001), se rechaza esa hipótesis nula que afirma que ese coeficiente es cero, y se entiende entonces que ese coeficiente no es cero y que, por lo tanto, el modelo es útil para representar una determinada relación.
  • Si, por el contrario, el p-valor es mayor que 0.05 (o mayor que 0.001) eso significa que el valor del coeficiente podría ser perfectamente cero y estar viendo lo que vemos, por lo tanto, esa variable no influye a la hora de determinar la variable dependiente (o también denominada, a veces, variable respuesta) del modelo de regresión.

Limitaciones de la prueba de Wald

A la hora de interpretar los resultados de la prueba de Wald, conviene tener presente una serie de consideraciones relativas a las posibles limitaciones de dicha prueba:

  1. Linealidad del modelo: la prueba de Wald se deriva asumiendo linealidad en el modelo. Si el modelo es no lineal, la prueba de Wald puede no ser la más apropiada, y podría ser preferible utilizar pruebas basadas en métodos de simulación o Bootstrap. Una aplicación del test de Wald en un modelo no lineal por medio de la simulación puede encontrarse en [7] y una corrección al test de Wald para la prueba de restricciones no lineales en [8].
  2. Dependencia de la muestra: La prueba de Wald puede ser sensible al tamaño de la muestra. En muestras pequeñas, la distribución de la estadística de prueba puede no seguir exactamente una distribución chi-cuadrado, lo que podría mermar la validez de las inferencias.

En muestras pequeñas, la prueba de Wald tiende a ser sesgada, y esto puede afectar la validez de las inferencias. En tales casos, pruebas basadas en métodos de remuestreo (como el bootstrap) pueden proporcionar resultados más robustos.

  1. Inestabilidad numérica: En algunos casos, especialmente cuando los estimadores son cercanos a los límites del espacio de parámetros, la prueba de Wald puede ser propensa a problemas de inestabilidad numérica.

Puede suceder que, al realizar largas cadenas de cómputos, los errores de redondeo pueden acumularse y que ocasionen una pérdida de validez de los resultados, dando lugar al fenómeno de inestabilidad numérica. Se dice que un proceso es inestable cuando los pequeños errores que se producen en una de sus etapas se agrandan en las etapas posteriores y se degrada seriamente la exactitud del cálculo en su conjunto.

En el análisis numérico, la estabilidad numérica es una propiedad de los algoritmos numéricos que describe cómo los errores en los datos de entrada se propagan a través del algoritmo. En un método estable, los errores debidos a las aproximaciones se atenúan a medida que la computación procede. La estabilidad numérica de un método junto con el número de condición define cuán buen resultado podemos obtener usando métodos aproximados para calcular cierto problema matemático. En un método inestable, cualquier error en el procesamiento se magnifica conforme el cálculo procede. Métodos inestables generan rápidamente anomalías y son inútiles para el procesamiento numérico.

  1. Asunciones de normalidad: La prueba de Wald se basa en la suposición de que los estimadores son asintóticamente normales bajo la hipótesis nula. Esta asunción puede no ser válida en todos los casos, especialmente en situaciones con sesgo o no normalidad.
  2. No robusta a violaciones de suposiciones: La prueba de Wald no es robusta frente a violaciones de algunas suposiciones clave, como la homocedasticidad de los errores y la independencia de los errores.

Una aplicación a la presencia de errores con una corrección de la prueba de Wald puede encontrarse en [9].

  1. Problemas con modelos ajustados mal: Si el modelo subyacente no se ajusta bien a los datos, la interpretación de la prueba de Wald puede ser cuestionable.
  2. Sensibilidad a valores atípicos: La presencia de valores atípicos puede afectar la validez de la prueba de Wald, especialmente en muestras pequeñas.

Estas limitaciones no han impedido un uso amplio de la prueba de Wald, especialmente porque su simplicidad y facilidad de cálculo, particularmente, en los casos de muestras grandes. No obstante, antes del uso de la prueba es sumamente conveniente revisar todas las circunstancias, así como valorar la oportunidad de llevar a cabo otras pruebas o métodos que, para el caso en cuestión, puedan mostrarse más apropiados.

Aplicación del test de Wald

Sigue leyendo

Publicado en Economía, Economía de la salud, Epidemiologia | Etiquetado | Comentarios desactivados en Contraste de hipótesis: la prueba estadística paramétrica de Wald

Données, modèles et apprentissage

L’apprentissage est associé à l’acquisition et à la modification de connaissances et à la transformation de compétences et d’aptitudes, de comportements et de valeurs. Cette notion peut s’étendre à des domaines aussi variés que l’apprentissage humain, animal, ou encore celui relevant des systèmes artificiels, comme l’intelligence artificielle (IA) et l’apprentissage automatique. Dans ce dernier domaine, l’apprentissage comme processus d’acquisition de connaissances est indissociable de trois aspects majeurs : l’extraction de connaissances, l’exploration de données et le mécanisme propre à l’apprentissage automatique.

Traitement des données et extraction de connaissances d’information

Les sources de la connaissance sont principalement le résultat d’informations acquises soit par l’expérience, soit par la formation. L’extraction de connaissances se conçoit comme un processus systématique d’identification de modèles qui sont à la fois valides, nouveaux, utiles et compréhensibles, à partir de bases de données. La valeur des données informatives n’est pertinente qu’a posteriori, à la lumière des connaissances qu’elles fournissent.

Le traitement des données informatives s’appuie sur une méthodologie procédurale dont l’application permet d’obtenir des connaissances à partir des caractéristiques informatives contenues dans les données. Cette extraction s’effectue en suivant une méthodologie spécifique qui peut être décomposée en trois étapes essentielles :

  • Le prétraitement de l’information : qui consiste en la préparation et le nettoyage des données.
  • L’extraction de modèles : identification et sélection des structures pertinentes dans les données.
  • Le post-traitement ou l’évaluation des connaissances : évaluation et validation des modèles extraits pour en vérifier la pertinence et l’utilité.

Il convient de souligner que ce schéma méthodologique n’est pas strictement linéaire. En effet, il est souvent nécessaire de revenir à des étapes antérieures pour affiner les modèles, une caractéristique qui augmente le temps nécessaire pour arriver à des conclusions mais qui améliore la qualité des résultats obtenus.

Le résultat d’une étape ne doit pas nécessairement conduire à l’étape suivante, puisqu’il existe une possibilité de rétroaction avec une étape antérieure, avec la possibilité de modifier l’une ou l’autre, ou les deux. Cette caractéristique peut permettre d’améliorer les résultats et la qualité des modèles ou des schémas identifiés, bien qu’elle soit coûteuse en termes de temps ou d’indétermination des résultats. La représentation proposée n’épuise pas l’interactivité possible. Le risque maximal est un blocage et la paralysie de la procédure.

L’interactivité du processus d’extraction des connaissances

L’interactivité du processus d’extraction des connaissances découle de la possibilité pour l’utilisateur de déterminer les modes d’action dans chacune des étapes. La validité des modèles obtenus, l’étude de leur utilité et les orientations futures dépendent de l’interactivité du processus avec l’utilisateur.

L’établissement de différentes interactions et d’itinéraires de va-et-vient peut constituer des sources importantes de nouvelles connaissances. Les nouvelles connaissances peuvent provenir de nouvelles sources de données d’information, mais aussi d’une approche ou d’une modélisation différente de données d’information déjà disponibles. Le prétraitement est donc une étape extrêmement importante. Le traitement des données avant d’essayer d’en extraire des modèles n’est pas une étape sans conséquences pour la génération de connaissances. Au contraire, la manière dont les données informatives sont organisées peut être cruciale pour la génération de connaissances.

Exploration de Données et Défis de la Modélisation

L’exploration de données repose sur l’établissement de modèles. Or, il est crucial de comprendre que l’établissement de ces modèles est une étape fondamentale, mais peut également introduire des biais dans l’organisation des données. Ces biais peuvent à la fois faciliter et entraver l’acquisition de nouvelles connaissances. le modèle lui-même peut apparaître comme un obstacle à l’acquisition de nouvelles connaissances et, partant, comme une impossibilité de comprendre correctement les informations. Le modèle peut induire des biais dans l’organisation des données et rendre difficile l’élargissement des connaissances. La question de la modélisation est donc délicate.

Cependant, nous avons toujours besoin de modéliser les données, en particulier lorsqu’elles sont nombreuses. La modélisation peut être aprioristique ou nous pouvons essayer de la faire émerger des données elles-mêmes (bien que cela soit difficile). Dans ce contexte, l’automatisation du processus de modélisation devient particulièrement pertinente L’augmentation de la quantité de données donne une grande importance au data mining, dont l’objectif est d’extraire des informations de l’ensemble des données afin de les transformer en une structure compréhensible en vue d’une utilisation ultérieure. Cependant, comme nous l’avons dit, la structuration n’apparaît pas seulement a posteriori, mais aussi avant (consciemment ou inconsciemment).

L’Impact de l’Apprentissage Automatique

L’apprentissage automatique joue un rôle capital dans la reformulation des données en modèles conceptuels, ce qui facilite non seulement l’acquisition mais aussi la compréhension des connaissances. Dans ce domaine, la possibilité de détecter des éléments nouveaux ou inattendus revêt une importance particulière, étendant ainsi notre base de connaissances existante.

Apprentissage Progressif et Évaluation des Modèles

L’apprentissage progressif se caractérise par sa capacité à intégrer les informations fournies par de nouvelles expériences dans un modèle ou un schéma existant. Il contribue également à l’évolution de ce modèle inductif. Les nouvelles informations peuvent facilement s’articuler avec le modèle préexistant en manifestant une séquentialité. Mais elle peut aussi entraîner des changements significatifs dans le modèle et le modifier radicalement. Deux situations se présentent : l’apprentissage séquentiel et l’apprentissage temporel par lots. Ce dernier se caractérise par la destruction du modèle induit à chaque fois que de nouvelles expériences arrivent, dont l’incorporation nécessite des changements significatifs dans le modèle. En ce sens, il n’y a pas d’évolution incrémentale du modèle dans lequel les informations provenant de nouvelles expériences sont intégrées. Les besoins en mémoire ne dépendent pas du nombre d’expériences dans l’ensemble de données, mais de la structure induite.

  • L’apprentissage progressif est défini par sa faculté à intégrer continuellement de nouvelles données ou expériences dans un modèle préexistant. Deux situations peuvent alors se présenter :
  • L’apprentissage séquentiel : où les nouvelles données sont intégrées graduellement sans remettre en cause la structure du modèle.
  • L’apprentissage par lots : qui implique une révision complète du modèle existant chaque fois que de nouvelles données significatives sont ajoutées.

 

Publicado en Aprendizaje, Formation | Etiquetado , , | Comentarios desactivados en Données, modèles et apprentissage

L’Importance Stratégique de la Gestion des Connaissances dans les Universités

E. Furió        

Selon les travaux de Dominique Foray et Fred Gault (1), la gestion des connaissances comprend l’ensemble des démarches intentionnelles et systématiques visant à acquérir, créer, partager et appliquer des connaissances productives. Ces démarches ont pour finalité d’optimiser l’apprentissage et les performances organisationnelles. Cet investissement requiert le développement de capacités organisationnelles permettant de faciliter l’identification, la documentation, l’archivage et la diffusion des ressources cognitives, des aptitudes à l’apprentissage, et des compétences que les individus et les communautés créent ou peuvent créer en contexte professional.

Pratiques en Gestion des Connaissances

Des exemples typiques de ces pratiques incluent le partage de connaissances et l’allocation de ressources à la recherche et à l’acquisition de connaissances externes. Bien qu’elles soient difficilement mesurables, il est devenu manifeste dans la littérature que ces pratiques exercent une influence significative sur l’innovation et la performance des organisations. Ainsi, l’adoption et la mise en œuvre de ces pratiques sont cruciales pour l’intégration effective des institutions dans une économie du savoir.

Investissements Stratégiques

Outre la gestion des connaissances, d’autres investissements comme l’éducation, la formation, les logiciels, ou encore la recherche et le développement, sont bien connus. Leur succès implique une gestion des connaissances bien menée. Cependant, plusieurs facteurs placent désormais la gestion des connaissances au cœur des stratégies organisationnelles, que ce soit dans le domaine de la formation ou de la recherche.

Défis et Évolutions

Les modèles traditionnels de gestion des ressources humaines, jadis efficaces pour la gestion des connaissances, se trouvent désormais obsolètes. Le transfert de savoirs tacites était assuré par des institutions internes et des organisations externes. Néanmoins, des lacunes ont été identifiées, notamment en ce qui concerne la codification et l’archivage des savoirs. Ces défis rendent nécessaire le développement de nouvelles méthodes plus efficaces et accessibles à tous les membres de l’organisation.

La Mobilité et la Gestion des Connaissances

La mobilité croissante des effectifs et la participation en réseau hors-établissement appellent à des formes innovantes de gestion des connaissances afin de préserver le patrimoine intellectuel de l’organisation et de pérenniser les compétences acquises.

Stimuler la Créativité

L’absence de mécanismes efficaces pour une gestion rigoureuse des connaissances pourrait entraîner le manque d’innovations cruciales. Des initiatives doivent donc être prises pour stimuler la créativité, qui exige à la fois une liberté d’action et une ouverture aux démarches non conventionnelles.

Évaluation du Capital Intellectuel

Le développement des marchés du savoir, la prolifération des technologies de l’information et les nouvelles méthodes d’évaluation des actifs immatériels sont des caractéristiques qui appellent à des modes explicites et évaluables de gestion des connaissances.

Conclusion

Pour toutes ces raisons, l’importance et l’urgence de mettre en œuvre des systèmes efficaces de gestion des connaissances au sein des universités ne peuvent être sous-estimées. Des mesures proactives doivent être prises pour adresser ce besoin crucial.

Référence

  1. « Mesure des pratiques de gestion des connaissances », Mesurer la gestion des connaissances dans le secteur commercial, OCDE, Paris, 2004.

 

Publicado en Aprendizaje, Formation | Etiquetado , , , | Comentarios desactivados en L’Importance Stratégique de la Gestion des Connaissances dans les Universités

Industria farmacéutica: macroperspectivas

Elies Furió (mail@valitrenta.com)

En su informe anual de 2022, la industria farmacéutica española establecía un escenario a medio plazo más favorable del que posiblemente pueda llegar a producirse. Cierto es que diferentes acontecimientos han surgido en el último año, como la inflación y la guerra en Ucrania, y también otros ya conocidos pero con consecuencias todavía inciertas en algunos aspectos, como las consecuencias de la pandemia Sars-Cov-2 sobre la población con enfermedades crónicas.

Perspectivas para la industria farmacéutica

Las proyecciones de crecimiento del mercado farmacéutico previas a la pandemia, orientaban a un crecimiento del mercado mundial de entre el + 3% y + 6%, para el período 2022-2026. El principal mercado farmacéutico mundial, los Estados Unidos, crecerá previsiblemente entre el +2,5% y el 5,5% de crecimiento anual; el crecimiento promedio estimado sería menor que el conocido en el quinquenio anterior (Tabla 1).

En el contexto europea, se prevé que los principales mercados crezcan, entre 2022 y 2026, entre un +3% y un +6%, con un valor central igualmente inferior al del quinquenio anterior. Entre los países del grupo, Alemania presentará el mayor crecimiento (+4,5% / +7,5%), junto con el Reino Unido (+4,0% / +7,0%); más moderadas son las estimaciones para Francia e Italia, con un crecimiento que se mueve entre el +2,0% y el +5,0% para ambos países; y, España cuenta con las previsiones más bajas de crecimiento de la actividad farmacéutica: entre +1,5% y +4,5% (Tabla 1).

Perspectivas económicas y la industria farmacéutica

Para todo este conjunto de países, las previsiones de evolución de la industria farmacéutica contrastan con las previsiones de crecimiento del conjunto de sus respectivas economías elaborado por el Fondo Monetario Internacional (Tabla 1). Como puede observarse, para todos los casos el crecimiento de la economía es mucho más modesto, con la excepción del caso español, donde existe un buen ajuste entre crecimiento de la economía nacional y de la industria farmacéutica.

Tabla 1

Previsión de crecimiento (%)
De la economía Industria farmacéutica
mínimo máximo mínimo máximo
Francia 0,7 2,5 2 5
Alemania -0,3 2,2 4,5 7,5
Italia -0,2 2,2 2 5
España 1,2 4,3 1,5 4,5
Reino Unido 0,3 3,6 4 7
Estados Unidos 1 2,1 2,5 5,5
Fuente [1] [2]

El crecimiento global de la economía es, en muchas ocasiones, un importante determinante del comportamiento de los mercados y de las industrias individualmente consideradas. Es evidente que siempre existen actividades que se comportan mejor y otras peor en relación al ciclo económico.  ¿Cuál será el posicionamiento de la industria farmacéutica en este sentido?. Sin duda, vendrá condicionado por una serie de factores que afectan de manera más específica a esta actividad.

Algunos determinantes de la evolución

Por una parte, debe tenerse presente que la evolución de la industria farmacéutica de muchos países está bajo la influencia de los presupuestos públicos y de la regulación normativa impuesta por las administraciones y las agencias regulatorias en diferentes componentes de la cadena de valor de la industria.

En el contexto actual de (marzo, 2023), existen diferentes factores que pueden condiciconar el crecimiento del mercado y de la actividad de la industria farmacéutica, como puede ser los elevados niveles de deuda pública y aumento en los tipos de interés fruto de las políticas monetarias antiinflacionistas.

Otros factores actúan en favor de una expansión del mercado farmacéutico. En este caso se encuentra el propio el envejecimiento de la población dada la mayor propensión al consumo de fármacos y de atención sanitaria con la edad, la cronificación de determinadas patologías, la mejora en el diagnóstico temprano de algunas de las patologías crónicas o la innovación de productos con el desarrollo de nuevos tratamientos.

Por último, existen dos elementos que deberían tenerse en cuenta. Por un lado, las tensiones inflacionistas que pueden afectar directamente a la industria farmacéutica al implicar un encarecimiento de costes de producción en un contexto de preciso establecidos administrativamente. Este encarecimiento podría condicionar el margen de beneficios empresarial y su ritmo de crecimiento futuro. Y, de manera indirecta, el encarecimiento de los tipos de interés y el consiguiente encarecimiento de la financiación ajena. El mayor coste financiero es importante para las actividades que deben movilizar un importante volumen financiero para sus inversiones y éstas cuentan con procesos de maduración a medio y largo plazo. Las actividades vinculadas al desarrollo de nuevos fármacos y al mejoramiento terapéutico tienen ciclos largos que pueden ser sensibles a las disponibilidades de fuentes propios y ajenos.

Por otro lado, todavía es pronto para poder evaluar el impacto de la pandemia del Sars-Co-2 en la población en general y especialmente en aquella afectada por patologías crónicas. Es muy problable que la pandemia altere la prevalencia de estas patologías. Una hipótesis factible es anticipar un agravamiento y una mayor afectación de las enfermedades crónicas en las sociedades con poblaciones envejecidas.

Referencias

[1] International Monetary Fund, “Datasets,” Datasets. Real GDP growth. https://www.imf.org/external/datamapper/NGDP_RPCH@WEO/ADVEC (accessed Mar. 07, 2023).

[2] Farmaindustria, “Farmaindustria. Memoria anual 2022,” 2020. [Online]. Available: https://www.farmaindustria.es/web/.

Publicado en Economía de la salud | Comentarios desactivados en Industria farmacéutica: macroperspectivas

Afecciones y deficiencias oculares: magnitud y alcance

Las afecciones y las deficiencias oculares son un problema importante y prevalente a nivel mundial que afecta a millones de personas. Tienen un impacto significativo en la calidad de vida. La proporción de personas con deficiencia visual evitable o no tratada es muy superior al de personas con deficiencias que podrían haberse evitado o tratado. Se detectan dificultades en varios ámbitos: acceso a las intervenciones por parte de la población, sobre todo en países con bajos ingresos, y creciente envejecimiento de la población que condicionará el número de personas que las padezcan.

Origen: Afecciones y deficiencias oculares: magnitud y alcance – Archive ouverte HAL

Publicado en Epidemiologia, Salud pública | Etiquetado , | Comentarios desactivados en Afecciones y deficiencias oculares: magnitud y alcance

La importancia de los estudios postobligatorios

De acuerdo con el Panorama de la educación, 2021, de la OCDE, el segundo ciclo de estudios secundarios se presenta como determinante o cuanto menos muy importante en el papel social de la juventud y de los adultos. Una situación que daría a pensar que la educación postobligatoria es fundamental en muchos aspectos, tanto a nivel individual como colectivo. Una quinta parte de los adultos de los países de la OCDE no cuenta con este nivel académico.

A esta situación, cabe añadir que, en 2019 y en una cuarta parte de los países de la OCDE, un 10 % de los jóvenes en edad escolar no cursaban ningún nivel académico y, consiguientemente, su futuro profesional es sumamente incierto. Si bien el número de jóvenes sin estudios postobligatorios ha disminuido pasando, en promedio en la OCDE, del 27 % al 20 %., la reducción ha sido más importante en el caso de las mujeres que en los hombres.

Las personas sin un título de segundo ciclo de la enseñanza secundaria están penalizadas en el mercado de trabajo. En este colectivo, las tasas de paro promedio son casi dos veces más elevadas que aquellas personas que sí que disponen de ese nivel de estudio o de uno superior (Gráfica 1).

Gráfica 1 Tasas de desempleo de los jóvenes (25-34 años) sin estudios postobligatorios

Fuente: OECD (2021), Table A3.3. See Source section for more information and Annex 3 for notes (https://www.oecd.org/education/education-at-a-glance/EAG2021_Annex3_ChapterA.pdf).

Disponer de estudios y el nivel de formación alcanzado permite a los individuos adquirir competencias y habilidades útiles en la vida profesional, social y privada, pero también actúan como un filtro en las decisiones que tomamos para con nosotros y los demás en cada uno de estos ámbitos.

Un nivel de formación más elevado contribuye a mejorar las condiciones materiales de vida y de trabajo, pero también promueve la adopción de modos de vida más saludables y facilita el acceso a recursos sanitarios más apropiados. Por ejemplo, el consumo de frutas y legumbres es superior en las personas con estudios terciarios y ello para todos los países de la OCDE. La contribución de la formación y la educación a la mejora de las condiciones de salud de la población se puede observar en los propios países de la OCDE con su relación con la esperanza de vida (Gráfica 2). En los países de bajos ingresos, también se ha observado históricamente la contribución de la educación al estar asociada a una reducción de la mortalidad, especialmente de la mortalidad infantil.

Gráfica 2 Diferencias en la esperanza de vida a 30 años entre las personas con formación terciaria y las personas sin estudios postobligatorios (2017)

Fuente: OECD (2021), Table A6.1. See Source section for more information and Annex 3 for notes (https://www.oecd.org/education/education-at-a-glance/EAG2021_Annex3_ChapterA.pdf).

El medio social influye sobre la elección del tipo de estudios. Para sus estudios de segundo ciclo en la educación secundaria, los hijos de padres sin estudios terciarios eligen en mayor medida la formación profesional.

La escolarización y, sobre todo, los resultados escolares dependen especialmente del medio socioeconómico en el que se vive. Por ejemplo, éste impacta en mayor medida que el sexo o el país de origen sobre la capacidad de comprensión escrita a los 15 años.

Fuente: OCDE, 2021.

Ser hijo de la inmigración influye en las probabilidades de escolarización y Een sus resultados. La tasa de éxito en el segundo grado de la educación secundaria es menos elevada en la primera y segunda generación respecto a los jóvenes no inmigrantes. Sin embargo, en la mitad de los países de la OCDE, y en relación con los no titulados en el segundo ciclo de la enseñanza secundaria, los activos nacidos en el extranjero ganan proporcionalmente más que los nacidos en el país. Sin embargo, los trabajadores inmigrantes con estudios superiores, encuentran dificultes para convalidar sus titulaciones y que su experiencia sea reconocida en el país de acogida y, consiguientemente, no tienden a percibir salarios inferiores en relación a los nacidos en el país.

Por su parte, el sexo parece influir en los resultados y el aprovechamiento de los estudios. Las mujeres jóvenes muestran una tasa de escolaridad en el enseñanza postobligatoria que los varones. Estos son más numerosos en la formación profesional y conforman aproximadamente el 60 % de los repetidores en la enseñanza secundaria en su segundo ciclo. Además, las mujeres conforman más del 55 % de los estudiantes terciarios y presentan más posibilidades de éxito que los varones. No obstante, el peso de las mujeres disminuye a medida que se progresa en el nivel de los estudios terciarios. Las mujeres representan el 45 % de los efectivos con un doctorado en los países de la OCDE y son especialmente menos numerosas en el ámbito de los estudios científicos, tecnológicos, ingenierías y matemáticas. Su salario promedio es entre un 76 y 78 % del salario masculino. La brecha salarial se ha reducido en dos puntos entre 2013 y 2019 y una velocidad sumamente lenta para las apuestas sociales en juego.

Publicado en Aprendizaje, Economía, Formation | Comentarios desactivados en La importancia de los estudios postobligatorios

Datos informativos, patrones y aprendizaje

El aprendizaje se asocia con la adquisición y modificación de habilidades, destrezas, conocimientos, conductas y valores. En ciertas ocasiones, el análisis del aprendizaje puede circunscribirse a un ámbito natural, por ejemplo, el aprendizaje humano o de los animales, o bien a un ámbito artificial, por ejemplo, el área de la inteligencia artificial y el aprendizaje automático. Especialmente, en ese último ámbito, el aprendizaje como proceso de adquisición de conocimiento guarda relación con tres aspectos: la extracción de conocimiento, la minería de datos y el aprendizaje automático.

Procesamiento de datos informativos

El conocimiento remite a información adquirida por la experiencia o la formación de cualquier aspecto referente a la realidad. La extracción de conocimiento es el proceso de identificación de patrones válidos, novedosos y potencialmente útiles y comprensibles que se encuentran en los datos informativos. El valor de los datos informativos sólo es relevante a posteriori, a la luz del conocimiento que proporcionan.

El procesamiento de los datos informativos se sustenta en una metodología procedimental cuyo cumplimiento hace posible logar un conocimiento a partir de las características informativas que contienen los datos.

En una presentación simple, el procedimiento aludido podría estar constituido por tres etapas:

  • el preprocesamiento de la información
  • la extracción de modelos; y,
  • el postprocesamiento, la evaluación del conocimiento (Ilustración 1).

El esquema representado en la Ilustración 1 quiere ir más de la simplificación recién expuesta de tres etapas sucesivas. La linealidad puede eliminarse si rechaza el carácter iterativo del procedimiento y se considera la posibilidad de retroalimentaciones.la salida de una etapa no tiene por qué conducir a la siguiente, puesto que cabe la retroalimentación con alguna etapa anterior, con la posibilidad de modificar una u otra, o ambas. Este rasgo puede conducir a mejoras en los resultados y de la calidad de los modelos o patrones identificados; aunque no carece de costes en términos de consumo de tiempo o de indeterminación en los resultados. La representación propuesta no agota la iteratividad posible. El máximo riesgo es un bloqueo con la consiguiente paralización del procedimiento.

La interactividad del proceso de extracción de conocimiento deriva de la posibilidad por parte del usuario de determinar los modos de actuación en cada una de las etapas. La validez de los modelos obtenidos, el estudio de su utilidad y las orientaciones futuras depende de la interactividad del proceso con el usuario.

El establecimiento de diferentes interacciones y rutas de ida y vuelta pueden conformarse como fuentes importantes de conocimiento novedoso. El nuevo conocimiento puede surgir de nuevas fuentes de datos informativos, pero también de enfocar o modelizar de una forma diferentes los datos informativos previamente disponibles. Por ello, el preprocesamiento es una etapa sumamente importante. El tratamiento de los datos antes de efectuar un intento de extraer de modelos de los datos no es una etapa carente de consecuencias para la generación de conocimiento. Por el contrario, la forma de disposición de los datos informativo puede ser crucial para la obtención de conocimiento.

Minería de datos

La minería de datos se relaciona con el establecimiento de patrones. Y, es importante tener presente que el establecimiento de patrones es un elemento necesario para el análisis de los datos, sino que es, de hecho, puesto que es imposible analizarlos sin un patrón organizador de los datos recolectados. El coste de tener un patrón es que, en determinadas ocasiones, el patrón mismo puede aparecer como un impedimento hacia nuevo conocimiento y, con ello, una imposibilidad para una correcta compresión de la información. El patrón pueden inducir sesgos en la organización de los datos, esto contribuye a obtener conocimiento pero también puede ser un gran impedimento para descubrir otro conocimiento.

No obstante, siempre, necesitamos modelizar los datos, especialmente cuando estos son numerosos. La modelización puede ser apriorística o podemos intentar que surjan a partir de los propios datos (aunque resulta complicado). Es más, la automatización en el establecimiento de patrones es deseable cuando el volumen de datos informativos es muy elevado. El aumento del número de datos otorga una gran importancia a la minería de datos, cuyo propósito es extraer información del conjunto de datos para transformarla en una estructura comprensible que favorezca su uso posterior. Aunque, como venimos diciendo, la estructuración no aparece únicamente a posteriori, sino que también es previa (consciente o inconscientemente)

El aprendizaje automático permite expresar en forma de patrones los datos obteniendo de este modo un conocimiento y también una mejor compresión del conocimiento bajo la forma de conceptos (ya establecidos).

El aspecto crucial parece ser la contribución a la detección de la novedad. El objetivo de la minería de datos es inferir conocimiento bajo la forma de patrones o modelos que sea útil en la mejora de algún aspecto. La novedad debe ser incorporada a nuestro conocimiento, ampliándolo e incrementándolo.

Aprendizaje incremental y revisión de patrones

El aprendizaje incremental se caracteriza por su capacidad para incorporar información aportada por las nuevas experiencias a un modelo o patrón previamente existente. También contribuye a la evolución de este modelo inductivo. La nueva información puede articularse con facilidad al modelo preexistente manifestando una secuencialidad. Aunque también puede comportar cambios significativos en el modelo y alterarlo radicalmente. Se manifestarían dos situaciones: un aprendizaje secuencial y un aprendizaje temporal por lotes. Este último se caracteriza por la destrucción del modelo inducido cada vez que llegan experiencias nuevas, cuya incorporación requiere cambios significativos en el modelo. En este sentido, no hay evolución incremental del modelo en el que se acomoda la información de las nuevas experiencias. Los requisitos de memoria no dependen del número de experiencias en el conjunto de datos, sino de la estructura que se induce.

Publicado en Aprendizaje | Etiquetado | Comentarios desactivados en Datos informativos, patrones y aprendizaje

La curva de aprendizaje y el aprendizaje por la práctica

Mail@valitrenta.com

La curva de aprendizaje

La curva de aprendizaje muestra el éxito resultante del aprendizaje a lo largo de un periodo de tiempo. Consiste en una representación gráfica, cuyo eje de abscisas es una representación del tiempo y, el eje de ordenadas, otra del éxito alcanzado en los diferentes momentos del tiempo. El punto de partida es la consideración de un aprendizaje a base de ensayos y errores, con múltiples repeticiones. Al inicio de realizar una nueva tarea, los errores son numerosos y, consiguientemente, los éxitos escasos; a medida que se identifican y corrigen los errores, se va aprendiendo en el desempeño de la tarea y se incrementan los éxitos en el desempeño de modo que la curva muestra una pendiente ascendente acentuada. Con el transcurso del tiempo, las posibilidades de mejora se van agotando y cada vez es más difícil introducir mejorar o, incluso, no se incorpora nuevo aprendizaje; una situación en la que gráficamente se muestra como una llanura. En esta fase de estabilización, solamente un cambio tecnológico profundo o una ruptura procedimental en la realización de la tarea podrían aumentar el número de éxitos y hacernos volver a una situación ascendente. Si en lugar de utilizar el número de éxitos, utilizamos la variación de los mismos, la representación gráfica nos mostraría una fase ascendente, con tasas de variación de los éxitos elevadas, y otra descendente, donde los nuevos éxitos son escasos y su tasa de variación prácticamente nula.

El aprendizaje por ejercitación y repetición

El transcurso del tiempo permite una mayor práctica y ésta implicaría mejoras en los resultados. Es un aprendizaje por ejercitación y repetición o basado en la práctica. Este aprender haciendo se refiere a la capacidad que se adquiere para mejorar la productividad y la calidad del desempeño a través de la práctica y la experiencia. Se mejoran las habilidades y destrezas profesionales a través de la continua repetición de gestos productivos y la realización de las mismas tareas.

Estas mejoras pueden surgir porque, gracias a la repetición, (i) se mejoran los gestos productivos o (ii) también porque la repetición nos permite introducir pequeñas modificaciones que vamos ensayando y finalmente seleccionamos cuál es la mejor. Pero también, (iii) las mejoras pueden surgir de cambios organizativos de las tareas necesarias para la ejecución del producto o servicio que son percibidos como oportunidades gracias a la repetición.

El aprendizaje a través de la práctica se constituye en un ejemplo de producción conjunta: producción de un producto y producción de conocimiento y oportunidades de mejora. Los procesos de mejora continua y de gestión de la calidad se basan en está consideración de la producción conjunta y el aprendizaje por la práctica. Para Arrow[1], el progreso técnico presenta un comportamiento endógeno fruto de los efectos que sobre él genera un mejor conocimiento de los hechos y el aprendizaje. La mejora del capital humano permite rendimientos crecientes[2] que manifiesta la curva azul ascendente de la anterior gráfica.

Aprendizaje y aprendices

Desde la perspectiva de la propia transmisión del conocimiento, el aprendizaje por la práctica está condicionado por una serie de rasgos del aprendiz: su propia experiencia, su interés y sus motivaciones. En estas circunstancias, el éxito del aprendizaje es el éxito en la aplicación de los contenidos y la obtención de determinados resultados cuantitativos o cualitativos. Durante el proceso de aprendizaje, pueden existir errores y equívocos que solamente deberían tomarse en cuenta para corregir y mejorar el desempeño de las acciones y tareas.

La curva de aprendizaje en las intervenciones quirúrgicas

Barrier, Mercelli y Villers[3] presentan un trabajo cuyo objetivo es establecer cuál es el número mínimo de intervenciones quirúrgicas que son necesarias para dominar una técnica de implante quirúrgico. Para ellos, la respuesta a esta pregunta conduce a establecer la curva de aprendizaje que estaría constituida por la realización de 20 intervenciones quirúrgicas por cirujano. Asimismo, consideran que parte de este número de intervenciones para alcanzar un aprendizaje por la práctica podría ser reducido gracias a formaciones complementarias. Los autores describen una curva de aprendizaje que surgiere un aumento de las complicaciones hasta la realización de veinte operaciones por cirujano, a partir de esta cifra se produce un descenso de la tasa de complicaciones. Una limitación importante de este estudio es que se focaliza en el cirujano y no toma en consideración la experiencia individual y/o colectiva de los restantes miembros de los equipos.

El aprendizaje implica la adquisición y modificación de habilidades, destrezas, conocimientos, conductas y valores. ​El aprendizaje puede producirse sobre la base de la experiencia y la práctica, puede ser incremental. Sin embargo, existen otros procedimientos para ampliar el aprendizaje de individuos y organizaciones.

Referencias

[1]    K. J. Arrow, “The Economic Implications of Learning by Doing,” Rev. Econ. Stud., vol. XXIX, pp. 155–73, 1962.

[2]    R. E. Lucas, “On the mechanics of economic development,” J. Monet. Econ., vol. 22, no. 1, pp. 3–42, 1988.

[3]    A. Barrier, F. Marcelli, and A. Villers, “Courbe d’apprentissage d’implatation de prothèse pénienne,” Progrès en Urol., vol. 29, pp. 947–54, 2019.

Publicado en Aprendizaje | Etiquetado | Comentarios desactivados en La curva de aprendizaje y el aprendizaje por la práctica