Valitrenta's Blog

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.

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.