Introducción: de la torre de marfil al diálogo abierto.
A menudo imaginamos la ciencia como un proceso aislado: un grupo de expertos en una torre de marfil que, una vez finalizado su trabajo, «transfiere» su conocimiento empaquetado a una sociedad que lo recibe pasivamente. Esta imagen de un flujo unidireccional en el que el conocimiento fluye desde el laboratorio hasta la calle ha dominado nuestra percepción durante décadas. Sin embargo, esta visión está profundamente obsoleta. La relación entre la ciencia y la sociedad es, en realidad, un ecosistema vibrante, un diálogo complejo y multidireccional que enriquece a ambas partes de formas que apenas empezamos a comprender.
Este artículo se sumerge en el corazón de esta nueva perspectiva basándose en un profundo análisis del documento de trabajo de la Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA). A continuación, revelaremos las claves más impactantes y sorprendentes sobre cómo el conocimiento científico crea realmente valor social, desmontando viejos mitos y abriendo la puerta a una nueva forma de entender la ciencia.
1. No es «transferencia», sino «intercambio». Y el cambio es enorme.
El primer gran cambio es conceptual, pero tiene implicaciones transformadoras. La anterior Ley Orgánica de Universidades de 2001 entendía la «transferencia» como un flujo que siempre partía de la universidad hacia la sociedad, con un enfoque casi exclusivo en el valor económico o tecnológico. Era un monólogo en el que la ciencia hablaba y la sociedad escuchaba.
El nuevo paradigma, impulsado por las recientes leyes del Sistema Universitario y de la Ciencia, habla de «transferencia e intercambio de conocimiento». Este término enriquece radicalmente la perspectiva. Reconoce que los flujos de conocimiento son multidireccionales, ya que la sociedad también aporta saberes, necesidades y contextos cruciales para la investigación. Se valora la interacción con actores no académicos y los procesos de cocreación, en los que el valor ya no es solo económico, sino también social, artístico y cultural. Este cambio es significativo, puesto que transforma la relación de un monólogo a un diálogo y reconoce que el conocimiento y las necesidades de la sociedad son fundamentales para enriquecer la propia ciencia.
La valorización del conocimiento consiste en crear valor social y económico a partir de él, vinculando diferentes ámbitos y sectores, y transformando datos, conocimientos técnicos y resultados de la investigación en productos, servicios, soluciones y políticas basadas en el conocimiento, sostenibles y que beneficien a la sociedad.
2. Las patentes son solo la punta del iceberg (y muy pequeña, además).
Cuando pensamos en la ciencia aplicada a la sociedad, suele venirnos a la mente la imagen de una patente que se convierte en un producto comercial o la creación de una empresa spin-off a partir de una investigación universitaria. Estas se han considerado durante mucho tiempo como el máximo exponente de la transferencia de tecnología.
Sin embargo, la realidad es muy diferente. El informe de la ANECA pone de manifiesto que solo una minoría de investigadores e instituciones participa activamente en estas actividades. Los datos del estudio EXTRA son reveladores: la comercialización de resultados (que incluye patentes y empresas derivadas) es una práctica mucho menos frecuente (12 %) que la colaboración formal mediante contrato (63 %) o la colaboración informal (80 %). Esto significa que, durante décadas, los sistemas de evaluación han premiado y medido la actividad de una minoría (el 12 %), mientras que el vasto ecosistema de colaboración real (el 80 %) que genera valor social ha permanecido en la sombra, sin ser reconocido ni incentivado.
Esta obsesión por lo comercial no es solo teórica. En una evaluación piloto de la «transferencia» realizada en 2018, los resultados favorecieron abrumadoramente un modelo económico y tecnológico que premiaba perfiles muy específicos (hombres de mayor edad con trayectorias consolidadas) y actividades como las spin-offs y las patentes, mientras que la divulgación y la transferencia con valor social obtuvieron resultados muy inferiores. Este sesgo sistémico demostró que el antiguo modelo no solo era incompleto, sino también excluyente.
La mayor parte del intercambio real se produce a través de un «espectro oculto» de mecanismos menos visibles, pero muy valiosos, como la investigación conjunta con empresas u ONG, la consultoría especializada, la formación a medida o la participación directa en la elaboración de políticas públicas.
«Intercambio de conocimientos» es el nombre que damos a la amplia gama de actividades que las instituciones de educación superior emprenden con socios (…) para explorar datos y explicaciones sobre las diferentes maneras en que trabajan con sus socios externos, desde empresas hasta grupos comunitarios, en beneficio de la economía y la sociedad.
3. El valor de la ciencia no es intrínseco, sino que lo crean quienes la utilizan.
Medir el «impacto social» de la investigación es un gran desafío. De hecho, la literatura citada en el documento de ANECA señala que ni siquiera existe una definición consensuada de qué es exactamente. Esto ha llevado a un cambio de enfoque radical: la «valorización y el uso social».
La idea es sencilla, pero potente: el valor no reside inherentemente en los resultados científicos, como un artículo o un descubrimiento. El valor se crea y materializa cuando los agentes sociales —empresas, administraciones públicas, ONG, asociaciones de pacientes o ciudadanos— utilizan ese conocimiento para resolver problemas, mejorar procesos o enriquecer contextos. La investigación, por sí sola, no tiene valor social; lo adquiere cuando alguien la pone en práctica.
En la práctica, son los actores sociales que usan o apoyan el uso de la investigación quienes le confieren valor, ya que este no es intrínseco a los resultados científicos, sino que depende de su materialización efectiva por parte de los usuarios en sus respectivos entornos.
Esta perspectiva empodera a la sociedad y transforma por completo el enfoque de la evaluación. La pregunta clave ya no es «¿qué ha producido el científico?», sino «¿cómo y quién ha utilizado el conocimiento generado para crear valor real en el mundo?».
4. La ciencia del futuro debe ser inclusiva, abierta y responsable.
La idea de una ciencia completamente neutral y objetiva, inmune a los problemas sociales, es otro mito que se desmorona. El documento de ANECA deja claro que la ciencia, al igual que cualquier actividad humana, no está exenta de sesgos sistémicos como el sexismo, el racismo o la discriminación por clase social. Reconocer esto es el primer paso para construir una ciencia mejor, guiada por tres pilares fundamentales:
Ciencia inclusiva: supera el «modelo del déficit», que asume que el público es un receptor vacío de conocimiento. En su lugar, incorpora activamente las voces, experiencias y preocupaciones de comunidades diversas e históricamente excluidas en el propio proceso científico. En esencia, es la puesta en práctica del verdadero «intercambio» del que hablamos al principio y garantiza que el diálogo sea real y representativo.
Ciencia abierta: promueve el acceso libre y gratuito a los datos, las metodologías y los resultados de la investigación. El objetivo es maximizar su reutilización, transparencia y beneficio para toda la sociedad, no solo para quienes pueden pagarlo.
Ciencia responsable: implica considerar proactivamente las implicaciones éticas, sociales y medioambientales de la investigación. Se trata de anticipar consecuencias para garantizar que el «valor» creado por la sociedad, como vimos antes, se oriente siempre hacia el bien común.
Integrar estos principios no es solo una cuestión de justicia social. Se trata de una estrategia indispensable para mejorar la calidad y la relevancia de la propia investigación, fortalecer la confianza pública en la ciencia y garantizar que sus beneficios lleguen a todos.
Conclusión: una conversación, no un monólogo.
El viaje ha sido revelador. Hemos pasado de la idea de una «transferencia» unidireccional y centrada en las patentes a un ecosistema de «intercambio», en el que el verdadero valor no radica en el descubrimiento científico en sí, sino en cómo la sociedad lo utiliza y lo transforma. Este cambio nos obliga a replantearnos qué es lo que realmente importa. La ciencia del futuro no puede medirse por sus productos aislados, sino por la riqueza y la calidad de sus relaciones con la sociedad. Su éxito no radica en un monólogo desde la autoridad, sino en su capacidad para crear, conjuntamente, un valor tangible y equitativo mediante un diálogo inclusivo, abierto y responsable.
Ahora que entendemos la ciencia no como un monólogo desde una torre de marfil, sino como una conversación continua, ¿qué pregunta urgente le harías tú a la comunidad científica?
En esta conversación se descubre gran parte de las ideas anteriores.
En la actualidad, la inteligencia artificial (IA) está cada vez más presente en nuestra vida diaria, transformando industrias y planteando nuevas preguntas sobre la sociedad, la economía y, por supuesto, la educación. Entre las herramientas de IA emergentes, los «chatbots» generativos como ChatGPT han llamado especialmente la atención, ya que prometen revolucionar la enseñanza y el aprendizaje. Estas potentes plataformas pueden simular conversaciones humanas, ofrecer explicaciones e incluso generar textos complejos como poemas o ensayos. Sin embargo, a medida que educadores y legisladores consideran la implementación de estas tecnologías innovadoras en el ámbito educativo, es crucial reflexionar sobre las implicaciones éticas que conllevan. Aunque los beneficios potenciales son innegables, desde una mayor accesibilidad hasta experiencias de aprendizaje personalizadas, también existen desafíos significativos.
En este artículo, exploramos las consideraciones éticas clave relacionadas con el uso de chatbots generativos en la educación superior. La información que se presenta a continuación se basa en el artículo «The ethical implications of using generative chatbots in higher education» de Ryan Thomas Williams, publicado en Frontiers in Education.
A continuación, se examinan las implicaciones éticas de integrar chatbots generativos, como ChatGPT, en la educación superior. Se abordan preocupaciones clave como la privacidad de los datos de los estudiantes y los desafíos para cumplir con las regulaciones de protección de datos cuando la información es procesada y almacenada por la IA. El artículo también explora el sesgo algorítmico y señala cómo los prejuicios inherentes a los datos de entrenamiento pueden perpetuar estereotipos, además de abordar el impacto en la autoeficacia de los estudiantes al depender excesivamente de la IA, lo que podría disminuir el pensamiento crítico. Por último, se aborda el creciente problema del plagio y las «alucinaciones» de la IA, donde los chatbots generan información incorrecta, y se sugiere la necesidad de políticas claras, detección avanzada y métodos de evaluación innovadores.
1. ¿Cuáles son las principales implicaciones éticas de integrar los chatbots generativos en la educación superior?
La integración de chatbots generativos en la educación superior, como ChatGPT, aborda varias cuestiones éticas fundamentales. En primer lugar, la gestión de los datos sensibles de los estudiantes plantea importantes desafíos de privacidad, por lo que es necesario cumplir estrictamente con las normativas de protección de datos, como el RGPD, lo cual puede ser complejo debido a la naturaleza de los algoritmos de aprendizaje automático que aprenden de los datos y complican su «verdadera» eliminación. En segundo lugar, existe un riesgo significativo de sesgo algorítmico, ya que los chatbots aprenden de vastas fuentes de datos de internet que pueden perpetuar sesgos sociales (por ejemplo, de género o raciales), lo que podría afectar negativamente a la experiencia de aprendizaje del estudiante y a su visión del mundo. En tercer lugar, si bien los chatbots pueden fomentar la autonomía en el aprendizaje al ofrecer acceso bajo demanda a recursos y explicaciones personalizadas, existe la preocupación de que una dependencia excesiva pueda reducir la autoeficacia académica de los estudiantes, desincentivando el pensamiento crítico y la participación en actividades de aprendizaje más profundas. Finalmente, el plagio emerge como una preocupación primordial, ya que la capacidad de los chatbots para generar contenido sofisticado podría alentar a los estudiantes a presentar el trabajo generado por la IA como propio, lo que comprometería la integridad académica.
2. ¿Cómo afectan los chatbots generativos a la privacidad de los datos de los estudiantes en entornos educativos?
La implementación de chatbots en entornos educativos implica la recopilación, el análisis y el almacenamiento de grandes volúmenes de datos de los estudiantes, que pueden incluir desde su rendimiento académico hasta información personal sensible. Esta «gran cantidad de datos» permite experiencias de aprendizaje personalizadas y la identificación temprana de estudiantes en situación de riesgo. Sin embargo, esto genera importantes preocupaciones relacionadas con la privacidad. Existe el riesgo de uso indebido o acceso no autorizado a estos datos. Además, las regulaciones actuales de privacidad de datos, como el RGPD, permiten a los individuos solicitar la eliminación de sus datos, pero la naturaleza del aprendizaje automático significa que los algoritmos subyacentes ya han aprendido de los datos de entrada, por lo que es difícil aplicar un verdadero «derecho al olvido» o «eliminación». También hay una falta de transparencia algorítmica por parte de las empresas sobre la implementación de los algoritmos de los chatbots y sus bases de conocimiento, lo que dificulta el cumplimiento total de la ley de protección de datos, que exige que las personas estén informadas sobre el procesamiento de sus datos. Para mitigar estas preocupaciones, las instituciones educativas deben establecer directrices claras para la recopilación, almacenamiento y uso de datos, alineándose estrictamente con la normativa de protección de datos y garantizando la transparencia con todas las partes interesadas.
3. ¿Qué es el sesgo algorítmico en los chatbots educativos y cómo se puede abordar?
El sesgo algorítmico ocurre cuando los sistemas de IA, incluidos los chatbots, asimilan y reproducen los sesgos sociales presentes en los grandes conjuntos de datos con los que son entrenados. Esto puede manifestarse en forma de sesgos de género, raciales o de otro tipo que, si se reflejan en el contenido generado por la IA (como casos de estudio o escenarios), pueden perpetuar estereotipos y afectar a la experiencia de aprendizaje de los estudiantes. Para abordar esta situación, es fundamental que los conjuntos de datos utilizados para entrenar los sistemas de IA sean diversos y representativos, evitando fuentes de datos únicas o limitadas que no representen adecuadamente a grupos minoritarios. Se proponen asociaciones entre institutos educativos para compartir datos y garantizar su representatividad. Además, se deben realizar auditorías regulares de las respuestas del sistema de IA para identificar y corregir los sesgos. Es fundamental que se sea transparente sobre la existencia de estos sesgos y que se eduque a los estudiantes para que evalúen críticamente el contenido generado por la IA en lugar de aceptarlo como una verdad objetiva. El objetivo no es que la IA sea inherentemente sesgada, sino que los datos generados por humanos que la entrenan pueden contener sesgos, por lo que se requiere un enfoque deliberado y crítico para el desarrollo e implementación de la IA en la educación.
4. ¿Cómo impacta la dependencia de los estudiantes de los chatbots en su autoeficacia académica y su pensamiento crítico?
Si bien los chatbots pueden ofrecer una autonomía significativa en el aprendizaje al proporcionar acceso inmediato a recursos y respuestas personalizadas, existe la preocupación de que una dependencia excesiva pueda reducir la autoeficacia académica de los estudiantes. Esta dependencia puede llevar a los estudiantes a no comprometerse con el aprendizaje auténtico, lo que les disuade de participar en seminarios, lecturas recomendadas o discusiones colaborativas. A diferencia de las tecnologías informáticas tradicionales, la IA intenta reproducir habilidades cognitivas, lo que plantea nuevas implicaciones para la autoeficacia de los estudiantes con la IA. Además, la naturaleza en tiempo real de las interacciones con el chatbot puede fomentar respuestas rápidas y reactivas en lugar de una consideración reflexiva y profunda, lo que limita el desarrollo del pensamiento crítico. Las tecnologías de chatbot suelen promover formas de comunicación breves y condensadas, lo que puede restringir la profundidad de la discusión y las habilidades de pensamiento crítico que se cultivan mejor a través de una instrucción más guiada e interactiva, como las discusiones entre compañeros y los proyectos colaborativos. Por lo tanto, es crucial equilibrar la autonomía que ofrecen los chatbots con la orientación y supervisión de educadores humanos para fomentar un aprendizaje holístico.
5. ¿Cuál es la preocupación principal con respecto al plagio en la era de los chatbots generativos y qué soluciones se proponen?
El plagio se ha convertido en una preocupación ética crítica debido a la integración de herramientas de IA como ChatGPT en la educación. La capacidad de los chatbots para generar respuestas textuales sofisticadas, resolver problemas complejos y redactar ensayos completos crea un entorno propicio para la deshonestidad académica, ya que los estudiantes pueden presentar la producción de la IA como propia. Esto es especialmente problemático en sistemas educativos que priorizan los resultados (calificaciones, cualificaciones) sobre el proceso de aprendizaje. Los estudiantes pueden incurrir incluso en plagio no intencional si utilizan chatbots para tareas administrativas o para mejorar su escritura en inglés sin comprender completamente las implicaciones. Para abordar esta situación, es necesario un enfoque integral que incluya educar a los estudiantes sobre la importancia de la honestidad académica y las consecuencias del plagio. También se propone desplegar software avanzado de detección de plagio capaz de identificar texto generado por IA, aunque se reconoce que estas metodologías deben evolucionar continuamente para mantenerse al día con los avances de la IA. Más allá de la detección, es esencial reevaluar las estrategias de evaluación y diseñar tareas que evalúen la comprensión de los estudiantes y fomenten el pensamiento original, la creatividad y las habilidades que actualmente están más allá del alcance de la IA, como las presentaciones orales y los proyectos en grupo. También es crucial fomentar la transparencia sobre el uso de la IA en el aprendizaje, algo similar a lo que se hace con los correctores ortográficos.
6. ¿Qué se entiende por «alucinaciones» de la IA en los chatbots educativos y por qué son problemáticas?
Las «alucinaciones» de la IA se refieren a las respuestas generadas por modelos de lenguaje de IA que contienen información falsa o engañosa presentada como si fuera real. Este fenómeno ganó atención generalizada con la llegada de los grandes modelos de lenguaje (LLM), como ChatGPT, donde los usuarios notaron que los chatbots insertaban frecuentemente falsedades aleatorias en sus respuestas. Si bien el término «alucinación» ha sido criticado por su naturaleza antropomórfica, el problema subyacente es la falta de precisión y fidelidad a fuentes de conocimiento externas. Las alucinaciones pueden surgir de discrepancias en grandes conjuntos de datos, errores de entrenamiento o secuencias sesgadas. Para los estudiantes, esto puede llevar al desarrollo de conceptos erróneos, lo que afecta a su comprensión de conceptos clave y a su confianza en la IA como herramienta educativa fiable. Para los educadores, el uso de contenido generado por IA como recurso en el aula plantea un desafío ético significativo, ya que son los responsables de garantizar la precisión de la información presentada. Los estudios han descubierto que un porcentaje considerable de referencias generadas por chatbots son falsas o inexactas. Si bien la IA puede reducir la carga de trabajo de los docentes, la supervisión humana sigue siendo esencial para evitar imprecisiones, lo que puede crear una carga administrativa adicional.
7. ¿Cómo pueden las instituciones educativas equilibrar los beneficios de los chatbots con sus riesgos éticos?
Para conseguirlo, las instituciones educativas deben adoptar un enfoque reflexivo y multifacético. Esto implica establecer límites éticos firmes para proteger los intereses de los estudiantes, los educadores y la comunidad educativa en general. Se recomienda implementar políticas claras y sólidas de recopilación, almacenamiento y uso de datos, alineándose estrictamente con regulaciones de protección de datos como el RGPD, a pesar de los desafíos relacionados con la eliminación de datos y la transparencia algorítmica. Para mitigar el sesgo algorítmico, las instituciones deben garantizar que los conjuntos de datos de entrenamiento sean diversos y representativos, y realizar auditorías regulares. Para evitar una dependencia excesiva y mantener la autoeficacia académica de los estudiantes, los educadores deben fomentar la autonomía en el aprendizaje sin comprometer el pensamiento crítico ni el compromiso auténtico. Con respecto al plagio, es fundamental educar a los estudiantes sobre la integridad académica, utilizar software avanzado de detección de plagio y reevaluar los métodos de evaluación para fomentar el pensamiento original y las habilidades que la IA no puede replicar. Por último, es crucial que se conciencie a la sociedad sobre las «alucinaciones» de la IA, para lo cual los educadores deben verificar la exactitud de la información generada por la IA y reconocer su naturaleza evolutiva, comparándola con los primeros días de Wikipedia. Es una responsabilidad colectiva de todas las partes interesadas garantizar que la IA se utilice de una manera que respete la privacidad, minimice el sesgo, apoye la autonomía equilibrada del aprendizaje y mantenga el papel vital de los maestros humanos.
8. ¿Qué papel juega la transparencia en el uso ético de los chatbots de IA en la educación?
La transparencia es un pilar fundamental para el uso ético de los chatbots de IA en la educación, ya que aborda varias de las preocupaciones éticas clave. En el ámbito de la privacidad de los datos, es esencial que los usuarios estén informados sobre las prácticas de gestión de datos para aliviar sus preocupaciones y generar confianza en los chatbots adoptados. Esto incluye informar a los usuarios sobre cómo se recopilan, almacenan y utilizan sus datos. Con respecto al sesgo algorítmico, la transparencia significa reconocer que los chatbots pueden mostrar sesgos ocasionalmente debido a los datos de entrenamiento subyacentes. Se debe alentar a los estudiantes a evaluar críticamente la producción de los chatbots, en lugar de aceptarla como una verdad objetiva, teniendo en cuenta que el sesgo no es inherente a la IA, sino a los datos generados por humanos con los que se entrena. En la prevención del plagio, la transparencia en la educación es vital para el uso responsable de las herramientas de IA; los estudiantes deben ser conscientes de que deben reconocer la ayuda recibida de la IA, de la misma manera en que se acepta la ayuda de herramientas como los correctores ortográficos. Además, para las «alucinaciones» de la IA, es importante que los educadores y los estudiantes sean conscientes de la posibilidad de que los chatbots generen información falsa o engañosa, lo que requiere un escrutinio humano continuo para su verificación. En general, la transparencia fomenta la alfabetización digital y la conciencia crítica, y empodera a los usuarios para navegar por el panorama de la IA de manera más efectiva.
Referencia:
WILLIAMS, R. T. (2024). The ethical implications of using generative chatbots in higher education. In Frontiers in Education (Vol. 8, p. 1331607). Frontiers Media SA.
Glosario de términos clave
Inteligencia artificial (IA): La capacidad de un sistema informático para imitar funciones cognitivas humanas como el aprendizaje y la resolución de problemas (Microsoft, 2023). En el contexto del estudio, se refiere a sistemas que pueden realizar tareas que normalmente requieren inteligencia humana.
Chatbots generativos: Programas de IA capaces de simular conversaciones humanas y generar respuestas creativas y nuevas, como poemas, historias o ensayos, utilizando Procesamiento del Lenguaje Natural (PLN) y vastos conjuntos de datos.
Procesamiento del lenguaje natural (PLN): Un subcampo de la IA que permite a las máquinas entender, responder y generar lenguaje humano. Es fundamental para la funcionalidad de los chatbots avanzados.
Aprendizaje automático (ML): Un subconjunto de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. Los chatbots modernos utilizan ML para mejorar sus respuestas a lo largo del tiempo.
Privacidad de datos: La protección de la información personal de los individuos, asegurando que se recopile, almacene y utilice de forma ética y legal. En el contexto educativo, se refiere a la información sensible de los estudiantes.
Reglamento general de protección de datos (GDPR): Una ley de la Unión Europea sobre protección de datos y privacidad en el Área Económica Europea y el Reino Unido. Es relevante para la gestión de datos sensibles de estudiantes.
Ley de protección de la privacidad en línea de los niños (COPPA): Una ley de Estados Unidos que impone ciertos requisitos a los operadores de sitios web o servicios en línea dirigidos a niños menores de 13 años.
Derecho al olvido: El derecho de un individuo a que su información personal sea eliminada de los registros de una organización, un concepto que se complica con la naturaleza del aprendizaje de los algoritmos de IA.
Transparencia algorítmica: La capacidad de entender cómo funcionan los algoritmos de IA y cómo toman decisiones, incluyendo el acceso a los detalles de su implementación y bases de conocimiento.
Big Data: Conjuntos de datos tan grandes y complejos que los métodos tradicionales de procesamiento de datos no son adecuados. En los chatbots, se utilizan para personalizar experiencias.
Sesgo algorítmico: Ocurre cuando los sistemas de IA asimilan y reproducen sesgos sociales presentes en los datos con los que fueron entrenados, lo que puede llevar a resultados injustos o estereotipados.
Autoeficacia académica: La creencia de un estudiante en su capacidad para tener éxito en sus tareas académicas. El estudio explora cómo una dependencia excesiva de la IA podría impactarla negativamente.
Autoeficacia en IA: La confianza de un individuo en su capacidad para usar y adaptarse a las tecnologías de inteligencia artificial. Distinto de la autoeficacia informática tradicional debido a las capacidades cognitivas de la IA.
Plagio: La práctica de tomar el trabajo o las ideas de otra persona y presentarlas como propias, sin la debida atribución. Se convierte en una preocupación crítica con la capacidad de los chatbots para generar texto.
Software de detección de plagio: Herramientas diseñadas para identificar instancias de plagio comparando un texto con una base de datos de otros textos. La evolución de la IA plantea desafíos para su eficacia.
Alucinación de IA: Una respuesta generada por un modelo de lenguaje de IA que contiene información falsa, inexacta o engañosa, presentada como si fuera un hecho.
Modelos de lenguaje grandes (LLMs): Modelos de IA muy grandes que han sido entrenados con inmensas cantidades de texto para comprender, generar y responder al lenguaje humano de manera sofisticada. ChatGPT es un ejemplo de LLM.
Integridad académica: El compromiso con la honestidad, la confianza, la justicia, el respeto y la responsabilidad en el aprendizaje, la enseñanza y la investigación. Es fundamental para el entorno educativo y está amenazada por el plagio asistido por IA.
Os dejo este artículo, pues está en acceso abierto:
En España, las Escuelas de Ingeniería y Arquitectura ofrecen títulos universitarios habilitantes para ejercer profesiones reguladas en sectores fundamentales como la arquitectura, la medicina y la ingeniería. Este modelo formativo no solo tiene como objetivo proporcionar una sólida base teórica, sino también formar profesionales competentes para afrontar los retos del mundo laboral. Las Escuelas de Ingenieros de Caminos, Canales y Puertos ejemplifican la estrecha vinculación entre la docencia y la práctica profesional, siendo históricamente referentes gracias a sus catedráticos, quienes han combinado la labor académica con la ejecución de importantes proyectos de infraestructura.
Historia y vínculo con la práctica profesional
Desde sus inicios —como la Escuela de Ingenieros de Caminos de Madrid, fundada en 1802— estas instituciones han contado con profesores de reconocido prestigio internacional que han liderado y gestionado obras de gran envergadura (puentes, presas y puertos, entre otras). La experiencia directa acumulada en el campo aporta un valor añadido incalculable, ya que permite a los egresados no solo dominar la teoría, sino también comprender y aplicar soluciones reales a los desafíos técnicos y constructivos. La integración de la práctica profesional en la enseñanza resalta la inseparabilidad entre ciencia y técnica, base imprescindible para la formación completa del ingeniero.
Limitaciones del modelo universitario actual
El sistema universitario vigente ha privilegiado el desarrollo de la carrera investigadora y académica, orientando a estudiantes brillantes hacia el doctorado, contratos predoctorales, estancias de investigación y la promoción en el escalafón universitario. Si bien este enfoque es fundamental para el avance científico, en el ámbito de la ingeniería ha llevado a descuidar la incorporación de conocimientos derivados de la experiencia práctica de alto nivel. En las últimas décadas, se ha reducido drásticamente la presencia de profesores con una sólida trayectoria profesional en la dirección de grandes obras, lo que genera una desconexión entre el conocimiento teórico y las habilidades prácticas necesarias en el ejercicio profesional.
La figura del profesor asociado
Se ha sugerido que la figura del profesor asociado podría compensar la carencia de profesionales con experiencia práctica en el claustro universitario. No obstante, este modelo presenta áreas de mejora, ya que dichos profesionales, aunque compaginan la actividad práctica con la docencia, tienen contratos que impiden desarrollar, a largo plazo, una carrera académica estable y sólida. Esta situación limita su participación en procesos de investigación y en la toma de decisiones estratégicas a largo plazo, mermando la transferencia directa de conocimientos prácticos a las nuevas generaciones.
La necesidad de integrar la experiencia profesional en la academia
La ausencia de expertos con amplia experiencia en grandes proyectos de ingeniería repercute directamente en la formación de los estudiantes, quienes terminan sus estudios con un conocimiento teórico destacado, pero con habilidades y experiencia práctica mejorables para su incorporación en el mercado laboral. Esta limitación dificulta la transición profesional, pues las empresas y organismos demandan ingenieros capaces de aplicar sus conocimientos en la ejecución y gestión de obras complejas. Ante esta situación, resulta imperativo revisar los criterios de evaluación del profesorado universitario, de manera que la Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA) reconozca y valore especialmente la experiencia profesional de calidad al evaluar a este tipo de docentes.
Propuesta para la integración de profesionales en el ámbito universitario
Para solventar la brecha entre la formación teórica y la práctica profesional, se plantea la necesidad de crear nuevas vías de incorporación de profesionales con amplia experiencia en el ejercicio de la ingeniería al ámbito académico. Estas nuevas estructuras permitirían a dichos profesionales desarrollar una carrera académica paralela, estable y digna, sin renunciar a su actividad práctica. Resulta fundamental que esta reforma venga acompañada de una modificación en los criterios de evaluación de las instituciones, integrando los méritos derivados de la experiencia profesional junto a la excelencia investigadora. Modelos internacionales —como los desarrollados en Alemania, Canadá y Suiza— demuestran que es factible conciliar la actividad profesional y académica de manera efectiva, facilitando una mayor transferencia de conocimientos prácticos a los estudiantes y mejorando la conexión entre la formación y las necesidades del mercado laboral.
Conclusión y propuesta de acción
España no puede seguir anclada en un modelo educativo que excluya a aquellos profesionales que cuentan con la experiencia práctica necesaria para enriquecer la formación de los ingenieros. Es urgente la realización de una reforma que integre la experiencia profesional en la valoración del profesorado universitario, garantizando así una educación completa que responda a las exigencias del siglo XXI. En este sentido, se debería revisar en profundidad los criterios de evaluación del profesorado en la docencia de las profesiones reguladas y alcanzar un acuerdo que permita la incorporación efectiva de profesionales con trayectoria en la docencia y la investigación.
Como ya he anunciado por redes sociales, me presento como candidato a Consejero en el Sector 4 Docencia e Investigación a las próximas elecciones del Colegio de Ingenieros de Caminos, Canales y Puertos. Se trata de un compromiso personal con la candidatura de Miguel Ángel Carrillo para una nueva legislatura que, en esta ocasión, tendrá una duración de 2 años.
Sin embargo, estas propuestas no son aisladas, sino que son el fruto de debates con compañeros que, desde las distintas Escuelas Técnicas Superiores de Ingeniería de Caminos, Canales y Puertos, y desde la profesión, he tenido ocasión de fraguar en estos últimos 4 años. Especialmente satisfactorio es saber que, por ejemplo, Fermín Navarrina, amigo, pero contrincante en las anteriores elecciones, está apoyándome de forma incondicional. Pero no es el único. Os paso una lista muy reducida de algunos de esos apoyos, que no solo son para mi persona, sino también para la candidatura de Miguel Ángel Carrillo. Sin embargo, de lo que me siento en este momento más orgulloso es del apoyo incondicionado de algunos de vosotros a mi candidatura.
Dejo en mi blog el apoyo explícito de algunos de vosotros, otros me han dado muchos ánimos y, mi mayor reto, va a ser no defraudaros. No son todos los que son, pero sí todos los que están (he puesto el orden de forma aleatoria). Muchísimas gracias a todos, de corazón. Nunca sabréis la deuda que tengo con todos vosotros. Si alguien quiere estar en la lista, que me lo diga y lo incluyo.
Íñigo J. Losada Rodríguez. Catedrático de Ingeniería Hidráulica. Universidad de Cantabria.
Antonio Martínez Cutillas. Profesor Titular de Universidad. Universidad Politécnica de Madrid.
Enrique Mirambell Arrizabalaga. Catedrático en ingeniería de la construcción. Universitat Politècnica de Catalunya.
Eugenio Pellicer Armiñana. Catedrático de Proyectos de Ingeniería – E.T.S. Ingeniería de Caminos, Canales y Puertos de Valencia
Fermín Luis Navarrina Martínez. Catedrático en el Grupo de Métodos Numéricos en Ingeniería. Universidad de A Coruña
Vicente Negro Valdecantos. Catedrático de Tecnologías del Medio Ambiente e Ingeniería Marítima. Universidad Politécnica de Madrid.
Andrés Monzón de Cáceres. Catedrático en Ingeniería del Transporte. Universidad Politécnica de Madrid.
Esther Real Saladrigas. Catedrática de Universidad. Universitat Politècnica de Catalunya.
Carlos Nárdiz Ortiz. Profesor Titular de Universidad en Urbanística y Ordenación del Territorio. Universidad de A Coruña.
Alfredo García García. Catedrático de Ingeniería de Carreteras, Director del Instituto del Transporte y Territorio, Universitat Politècnica de València.
Jorge Bernabeu Larena. Profesor Titular de Universidad. Universidad Politécnica de Madrid.
Cristina Vázquez Herrero. Profesora Titular de Universidad de Ingeniería de la Construcción. Universidad de A Coruña.
Alejandro Castillo Linares. Profesor Asociado. Universidad de Granada.
Antonio Tomás Espín. Profesor Titular de Universidad. Universidad Politécnica de Cartagena.
Julián Alcalá González. Profesor Titular de Universidad. Universitat Politécnica de València.
También os paso un vídeo donde explico algunas de las razones por las que me presento en esta candidatura.
Y, por último, os paso tanto un documento con algunas de mis intenciones. Estoy abierto al debate y a recibir cuantas indicaciones me deis. Tanto antes como después de las elecciones, independientemente del resultado. Es lo menos que puedo hacer por una profesión que amo profundamente.
Resolver problemas en el ámbito universitario o profesional, en áreas tecnológicas, de ingeniería y ciencias, puede plantear una serie de desafíos que pueden conducir a errores. Estos fallos pueden surgir por diversas razones que van desde no comprender el concepto subyacente hasta confiar demasiado en la tecnología.
En un artículo anterior mencioné algunos ejemplos de problemas teóricamente sencillos, pero que marean a nuestros estudiantes. Ahora vamos a analizar detalladamente algunas de estas razones y cómo se relacionan entre sí. También he incluido enlaces a otros artículos del blog donde reflexiono sobre este tipo de cuestiones.
La falta de comprensión del concepto subyacente a un problema es una preocupación fundamental. Esto puede manifestarse de diversas formas, ya sea a través de errores conceptuales, una aplicación incorrecta del concepto o una interpretación errónea del mismo. Esta falta de entendimiento puede empeorar si se carece de experiencia o conocimientos específicos en el campo correspondiente. Cuando un estudiante o profesional se enfrenta a un problema para el que no tiene experiencia previa, puede tener dificultades para aplicar correctamente los principios necesarios para resolverlo.
Los datos son fundamentales para encontrar soluciones, sin embargo, su calidad y disponibilidad pueden ser problemáticos. La falta de datos adecuados, la presencia de información contradictoria o sesgada pueden conducir a conclusiones incorrectas. Asimismo, centrarse excesivamente en utilizar todos los datos disponibles puede distraer de la información realmente importante, al tiempo que validar datos sesgados o inventados puede conducir a conclusiones incorrectas.
El manejo inadecuado de las bases matemáticas también puede ser una fuente de errores (geometría, trigonometría, cálculo o álgebra). Esto puede incluir errores en el cálculo, así como el uso inapropiado de fórmulas o modelos matemáticos. Los problemas reales rara vez tienen una sola solución, lo que requiere habilidades para evaluar y decidir entre múltiples enfoques posibles. Además, el uso excesivo de la memoria en lugar de la comprensión de los principios subyacentes puede conducir a errores conceptuales y de selección de modelos de cálculo.
Los aspectos psicológicos también son importantes. El estrés, la falta de confianza en uno mismo, la presión por terminar a tiempo y la falta de concentración pueden afectar a la capacidad de resolver problemas de manera efectiva. La falta de atención a los detalles, la fatiga y el agotamiento también pueden provocar errores en la resolución de problemas.
Es crucial comprender que los problemas reales pueden ser complejos y no tener necesariamente una solución única. Esto implica la necesidad de tomar decisiones informadas y comprender las limitaciones de los modelos o fórmulas utilizados. Además, la propagación de errores en las operaciones y el uso incorrecto de datos, fórmulas o software pueden dar lugar a resultados erróneos.
La falta de retroalimentación o revisión de los errores cometidos puede perpetuar la repetición de los mismos una y otra vez. La falta de comunicación o colaboración entre profesionales en entornos de trabajo también puede provocar errores en la resolución de problemas. Confiar ciegamente en la tecnología o en herramientas automatizadas sin comprender en profundidad los principios subyacentes puede ser un problema.
En resumen, resolver problemas en el ámbito universitario o profesional de la ingeniería y las ciencias puede ser un proceso complejo y propenso a errores debido a una variedad de factores interrelacionados. Desde la comprensión del concepto hasta la calidad y disponibilidad de los datos, así como los aspectos psicológicos y técnicos relacionados con la resolución de problemas, es crucial abordar estos desafíos con atención y comprensión para lograr soluciones precisas y efectivas. Desde las universidades debe hacerse todo lo posible para superar este tipo de dificultades y conseguir que nuestros estudiantes adquieran las competencias necesarias para su posterior desarrollo profesional.
Sin querer ser exhaustivo, y sin que estén ordenadas por importancia, aquí os dejo una lista de 30 posibles causas por las cuales nuestros estudiantes en los exámenes o los técnicos en su ámbito profesional, suelen cometer errores al resolver los problemas. Estoy convencido de que hay más causas, pero esto puede ser un buen punto de partida para el debate y la reflexión. En el vídeo que he grabado, me extiendo y explico algo más lo que aquí recojo como una simple lista.
La falta de comprensión del concepto subyacente en un problema puede conducir a errores conceptuales al aplicarlo incorrectamente o interpretarlo de manera errónea.
La inexperiencia o la falta de conocimientos específicos pueden surgir cuando una persona afronta por primera vez un tipo de problema, ya sea durante un examen o en la práctica profesional.
Los problemas relacionados con la disponibilidad de datos pueden presentarse de varias formas, como datos insuficientes, necesarios, innecesarios o contradictorios. A menudo, existe una obsesión por utilizar todos los datos disponibles en el enunciado del problema.
La calidad de los datos también es un factor importante, con la posibilidad de incertidumbre o error en los datos disponibles. Además, dar por válidos datos sesgados, interesados o inventados puede llevar a conclusiones incorrectas. Es necesario un control de calidad de los datos.
Intentar resolver un problema utilizando el enfoque típico visto en clase puede marear a nuestros estudiantes. Los alumnos prefieren resolver un problema típico explicado en clase, a ser posible, con datos parecidos.
El manejo inadecuado de las bases matemáticas, que incluye errores en el cálculo, el uso incorrecto de fórmulas o modelos matemáticos, y la falta de comprensión de los principios subyacentes, puede ser una fuente común de errores. La falta de conocimientos básicos de geometría, trigonometría, álgebra o cálculo básicos son, en ocasiones, escollos. A veces hay dificultades en saber dibujar un esquema para resolver el problema.
Los problemas reales generalmente no tienen una sola solución, lo que requiere habilidades para evaluar y decidir entre múltiples enfoques posibles. Esta distinción, que se da claramente entre los estudios de grado y los de máster, es importante tenerla en cuenta.
Los aspectos psicológicos, como el estrés, la falta de confianza en uno mismo, la presión por terminar a tiempo y la falta de concentración, pueden afectar negativamente la capacidad para resolver problemas de manera efectiva.
La falta de atención o interés, así como la fatiga o el agotamiento, pueden contribuir a errores en la resolución de problemas, al igual que la prisa por resolver el problema.
La complejidad de los problemas puede aumentar cuando se trata de situaciones poco comunes o rebuscadas, lo que requiere un enfoque cuidadoso y creativo para su resolución.
Es crucial comprender la diferencia entre una ley general y una fórmula particular al aplicar normas técnicas que pueden estar basadas en hipótesis o casos específicos.
Utilizar modelos de cálculo inadecuados, ya sean demasiado refinados o demasiado simples para los datos disponibles, puede conducir a soluciones incorrectas.
Carecer de números estimativos para prever el resultado final puede resultar en una falta de comprensión del orden de magnitud del resultado. En este sentido, el uso de nomogramas en la docencia facilita la adquisición de este tipo de habilidad en los estudiantes. Los estudiantes y los profesionales deberían tener un conocimiento del «número gordo» y saber predimensionar.
Es importante ser consciente de la propagación de errores en las operaciones, ya que incluso pequeños errores pueden magnificarse y llevar a resultados incorrectos.
Utilizar fórmulas, datos o tablas en un contexto diferente al que dieron origen puede llevar a interpretaciones incorrectas o a soluciones erróneas.
La extrapolación de resultados a límites no contemplados puede conducir a conclusiones incorrectas o poco realistas.
Utilizar fórmulas empíricas con datos expresados en unidades diferentes a las que funcionan puede generar resultados inconsistentes o incorrectos.
La dependencia excesiva de la memoria en lugar de comprender los principios subyacentes puede conducir a errores en la selección de modelos o fórmulas de cálculo.
Errores conceptuales pueden llevar a la selección incorrecta de modelos o fórmulas de cálculo, lo que resulta en soluciones erróneas.
El uso de software defectuoso o poco contrastado, así como la falta de habilidades para calcular manualmente un problema, pueden resultar en resultados incorrectos. A esto se une un uso inapropiado de la inteligencia artificial.
El mal uso de ecuaciones o fórmulas, como cambiar el nombre de una variable sin entender el concepto subyacente, puede conducir a errores en la resolución de problemas.
La falta de competencia o experiencia en una materia determinada puede resultar en una resolución incorrecta del problema.
Repetir la resolución de problemas de un contexto a otro sin pensar en su validez puede conducir a soluciones inapropiadas.
La falta de comprensión del problema, la pregunta o el tipo de resultado esperado puede resultar en soluciones incorrectas debido a la falta de comprensión lectora, capacidad analítica o de síntesis.
La utilización de unidades defectuosas, notaciones o convenciones específicas puede llevar a interpretaciones erróneas o a soluciones incorrectas.
La falta de retroalimentación o revisión de los errores cometidos puede perpetuar la repetición de los mismos errores una y otra vez.
La falta de comunicación o colaboración en entornos de trabajo entre profesionales puede contribuir a errores en la resolución de problemas.
La confianza excesiva en la tecnología o herramientas automatizadas puede llevar a la falta de comprensión de los principios subyacentes y a la comisión de errores.
La falta de revisión o verificación de los cálculos realizados por parte de un tercero independiente puede resultar en soluciones incorrectas.
La falta de conocimiento del contexto del problema, incluyendo las restricciones, puede conducir a soluciones subóptimas o incorrectas.
Os paso un vídeo donde he desarrollado las ideas anteriores, con ejemplos, y he dejado algunas de mis reflexiones al respecto. Espero que os guste.
Os dejo un podcast sobre este tema (en inglés), generado por una IA sobre el vídeo.
Aquí tenéis un mapa conceptual que también os puede ayudar.
En el día de hoy, 20 de marzo de 2024, ANECA ha publicado los nuevos criterios para la acreditación de profesores titulares y catedráticos de universidad.
Es un tema que me afecta directamente, pues en este momento soy el Secretario de la Comisión 15 Ingeniería Civil. Aunque es difícil acertar con este tipo de criterios, parece ser que son las nuevas reglas de juego. Espero que se mantengan cierto tiempo para no desviar los esfuerzos de la comunidad docente universitaria. Os paso el preámbulo del documento publicado:
La evaluación de méritos y competencias para la acreditación estatal a los cuerpos docentes universitarios se realizará de acuerdo con el Procedimiento desarrollado por ANECA en aplicación del Real Decreto 678/2023, de 18 de julio. Deberá presentarse un currículo abreviado, en el que se reflejarán las aportaciones más relevantes de la actividad investigadora, incluyendo la de transferencia e intercambio del conocimiento, de la actividad docente, y de la actividad profesional, en su caso. Para la acreditación a Catedrática o Catedrático de Universidad (CU) deben reflejarse en el CV, además, los méritos y competencias de liderazgo.
La evaluación se basará en la selección de contribuciones y en la narrativa sobre su calidad, relevancia e impacto aportadas por la persona solicitante. Con la finalidad de ayudar a realizar una autoevaluación a las personas solicitantes, se concretan algunas valoraciones cuantitativas orientativas de los distintos apartados y se explicitan los indicios cualitativos que tomarán en consideración las comisiones para emitir su juicio técnico.
El resultado de la evaluación será favorable o desfavorable. Será favorable cuando el solicitante obtenga la suficiencia, entendida como un mínimo de 50 puntos sobre los 100 posibles, en cada uno de los bloques establecidos: actividad investigadora, de transferencia e intercambio del conocimiento, actividad docente y, para la acreditación a CU, liderazgo. Los mínimos expresados en cada tabla son imprescindibles para poder conseguir la acreditación correspondiente. La suficiencia en actividad profesional referida en el Bloque 4 solo será necesaria para la acreditación en las áreas clínicas de Ciencias de la Salud.
En la acreditación a Profesora o Profesor Titular de Universidad (PTU), para obtener una evaluación favorable será necesario alcanzar la suficiencia investigadora, incluyendo la actividad de transferencia e intercambio del conocimiento, la suficiencia docente y, en el caso de las áreas clínicas de Ciencias de la Salud, la suficiencia en la actividad profesional. En la acreditación a CU, para obtener una evaluación favorable será necesario alcanzar la suficiencia investigadora, incluyendo la actividad de transferencia e intercambio del conocimiento, la suficiencia docente, la suficiencia en liderazgo y, en el caso de las áreas clínicas de Ciencias de la Salud, la suficiencia en la actividad profesional.
Para ambos cuerpos, las personas solicitantes que hayan desarrollado su carrera principalmente en una institución no universitaria dedicada a la investigación, o en una universidad extranjera en la que el cómputo y los instrumentos de medición de la calidad de la actividad docente resulten difíciles de trasladar al sistema español, podrán obtener la acreditación sin necesidad de cumplir con el conjunto de los méritos y competencias de actividad docente siempre que acrediten resultados de investigación excepcionales, esto es, cuando hayan obtenido financiación del Consejo Europeo de Investigación (ERC) en sus programas de excelencia investigadora Starting Grant, Consolidator Grant, Advanced Grant o Synergy Grant, o en otras convocatorias competitivas individuales internacionales de prestigio y tasa de concesión comparables a las de estos programas.
En el caso de Profesoras y Profesores Titulares de Escuela Universitaria, la acreditación a PTU se hará conforme a la disposición adicional tercera del Real Decreto 678/2023, de 18 de julio, entendiéndose que justifican una trayectoria excelente en actividad docente quienes obtengan, en el Bloque 2, 90 puntos o más. Las mismas reglas se aplicarán en el supuesto previsto por la disposición adicional quinta del real decreto para las Profesoras y los Profesores estables o permanentes de los centros de titularidad pública de enseñanza superior (INEF).
Las Comisiones, en la aplicación de estos criterios y como se explicita en los apartados siguientes, se ajustarán en todo caso a lo establecido por la Resolución de la Directora de ANECA, de 28 de febrero de 2024, por la que se hacen públicos los criterios para garantizar que la igualdad, la conciliación y la inclusión sean efectivas en las evaluaciones del profesorado universitario y del personal investigador. Con carácter general, las comisiones tendrán en cuenta y valorarán —cuando se justifiquen adecuadamente— las situaciones especiales que afecten a criterios de evaluación de difícil cumplimiento para personas con discapacidad.
Para aquellos de vosotros que os interese, os dejo el documento para su descarga.
He de agradecer a Alfonso González Hermoso de Mendoza la oportunidad que me bridó de ofrecer mi visión sobre los títulos universitarios y la nueva burocracia generada para acreditar dichos títulos. Esta invitación fue fruto del seminario que impartí en la Universidad de Alicante sobre los resultados de aprendizaje.
“Estuve a principios de julio en la Universidad de Alicante impartiendo una charla sobre los resultados de aprendizaje en el ámbito universitario. Fue una experiencia enriquecedora, pues me permitió conocer de primera mano algunas opiniones sobre el nuevo enfoque que se está realizando en torno a la enseñanza de grados y másteres. Nos encontramos ante un cambio de paradigma impulsado por Bolonia que trata de enfocar el proceso de aprendizaje en el estudiante y propugna garantizar la calidad de los títulos universitarios.
En efecto, el aseguramiento de la calidad de la enseñanza pasa por el establecimiento de un sistema de gestión que impulse una mejora continua. Se basa en procesos y en evidencias que permiten una auditoría externa que avale la calidad. Aspectos como el contrato-programa, la definición de resultados de aprendizaje, el sistema común de créditos (ECTS), entre otros, permiten establecer un sistema de aseguramiento de la calidad que, por desgracia, supone un incremento desmesurado en la burocracia necesaria que aleja al profesorado de los objetivos últimos del proceso de aprendizaje.
Una pequeña encuesta realizada en dicha charla apuntaba a que los profesores opinaban que la universidad debe focalizarse en el estudiante y que es necesario asegurar la calidad de los títulos universitarios mediante su acreditación. Sin embargo, su opinión era contraria a la necesidad de tanta burocracia que supone dicha acreditación. Este problema no es exclusivo del ámbito universitario, sino que es habitual en cualquier tipo de organización. Así, muchas empresas tienen certificado su sistema de gestión de calidad mediante la norma ISO 9001, pero supone para ellas una carga administrativa costosa. En demasiadas ocasiones, en el mes anterior a la auditoría, encontramos a todo el mundo rellenando papeles y evidencias para superar el examen periódico al que se ven sometidos. Es decir, hay un alejamiento real entre la calidad del sistema de gestión y la realidad de la organización. Lo más sangrante es que aquellas organizaciones que cuenten con un buen equipo que se dedique al papeleo puede enfrentarse a la auditoría de una certificación mejor que otras, independientemente de la excelencia de la organización. Lo mismo puede pasar en la acreditación de los títulos universitarios.
Un paso más allá del aseguramiento de la gestión está la gestión estratégica de la calidad, llamada en algunos foros como “Calidad Total”. En este escalón de madurez, la calidad se encuentra integrada en la gestión cotidiana de la organización. La preocupación no solo es la satisfacción del cliente, sino la de todos los grupos de interés. Esta filosofía podría aplicarse a la universidad, donde los interesados son los estudiantes, los profesores, el personal de administración y servicios, y cómo no, la propia sociedad, entre otros muchos.
En este escalón de madurez, lo importante es incorporar valor añadido a nuestros procesos, no solo hacia los clientes, sino a todos los grupos de interés. Bolonia incide en situar al estudiante en el foco del proceso, pero no habría que olvidar al resto de agentes que participan o se benefician de las actividades desarrolladas en los campus.
La filosofía “Lean”, muy presente en empresas como Toyota, trata de eliminar todo tipo de desperdicios, es decir, procesos o actividades que no aportan valor añadido al cliente. Aplicada al ámbito universitario, Lean debería definir el valor deseado para cada grupo de interés, identificar las actividades que añaden utilidad a lo largo de la cadena de valor, hacer que las actividades fluyan sin interrupciones y acelerar el ciclo de mejora buscando la perfección. A este nuevo paradigma se le ha denominado Lean Higher Education (LHE), y es la adaptación del pensamiento Lean a la educación superior. Por tanto, se trata de identificar aquellos desperdicios que no aportan valor añadido, en especial, si son innecesarias. Entre ellas sería el exceso de burocracia que se ha generado hoy en día para acreditar los títulos universitarios.
Sin embargo, esta reducción del papeleo no se podría acometer sin cambiar los procesos y sin incorporar realmente la calidad en la gestión. Es decir, no se puede eliminar sin más la etapa del aseguramiento de la calidad, sino que hay que superarla. Organizaciones de todo tipo ya aplican la teoría del “cero defectos” a sus productos y servicios. Ello evita desperdicios y errores, mejorando los costes de producción. En este estadio, donde la gestión permite que los fallos sean esporádicos, el esfuerzo por el control de la calidad disminuye y, por tanto, la burocracia. La eliminación de esta barrera supondría y mayor acercamiento del profesorado hacia la mejora continua que nos exige la excelencia necesaria en la educación superior.
En consecuencia, ante la barrera que supone el incremento de la burocracia en la acreditación de los títulos universitarios, se plantea un cambio cultural en la propia universidad. Se trata de comprender quien es el cliente de esta organización y respetar las necesidades del resto de grupos de interés. Se debe añadir valor a los procesos, reducir los plazos de entrega, aumentar el rendimiento de nuestros estudiantes y su satisfacción, entre otras muchas cosas. En definitiva, se precisa un giro que permita la excelencia en la educación superior adecuada a los nuevos retos, que plantea un futuro cada vez más cambiante y acelerado”.
En ocasiones nos hemos preguntado el significado de la indumentaria universitaria, especialmente cuando los miembros de la comunidad universitaria (estudiantes, licendiados, doctores y rectores) la usan en determinados actos académicos. Esta indumentaria tiene su origen en la tradición grecolatina y en los hábitos clericales. Os paso una infografía de la Universitat Politècnica de València donde se explica cada uno de los elementos de la vestimenta.
Como editor, autor y revisor en varias revistas científicas indexadas, constato una avalancha imparable de envíos de artículos científicos que se ha desbordado en estos últimos meses. No se puede afirmar categóricamente que esto se deba al confinamiento obligatorio de muchos colegas a causa de la pandemia. Es posible que muchos hayan encontrado un hueco para escribir y enviar ahora los artículos.
Me temo que la explicación es mucho más profunda y se debe a la presión existente por publicar como sea, lo cual nos lleva a una cierta inflación que, sin duda, no es buena para el desarrollo y la transmisión del conocimiento científico. Sea la explicación esta o cualquier otra, lo cierto es que se constata un aumento exponencial en el número de artículos remitidos a las revistas.
La consecuencia es inmediata. Aumenta el trabajo de los editores y se necesita un número creciente de revisores cualificados que permitan filtrar los trabajos mínimamente. Como la solución no es sencilla, lo que ocurre es que se rechazan muchos manuscritos a los autores sin siquiera pasar el filtro de la revisión. Como editor, me he visto obligado a devolver una gran cantidad de trabajos que, en numerosas ocasiones, no presentan novedades relevantes, son segundas partes de artículos anteriores publicados, la metodología no es transparente, los datos manejados son confusos o inexistentes, y es muy difícil que un investigador independiente reproduzca los resultados. No son infrecuentes las ocasiones en que ni siquiera se formula la pregunta de investigación ni se discuten los resultados con los obtenidos por otros investigadores. En no pocas ocasiones, las referencias citadas están en un idioma de difícil comprensión internacional (chino, ruso, árabe, etc.) o se basan en páginas web que aparecen y desaparecen por arte de magia (he visto varias veces citar la Wikipedia). También es habitual que haya un alto porcentaje de autoplagio cuando se pasa el documento por un detector de plagios. Por último, suele ocurrir que la redacción en inglés es muy mala, sin una revisión previa por parte de un nativo especialista en publicaciones científicas. Esta falta de estilo es injusta para aquellos trabajos serios que mejorarían, sin duda, tras un debate enriquecedor con revisores de calidad.
Si la investigación es buena, un defecto en el estilo del artículo científico se puede subsanar con una revisión profunda y proactiva a cargo de un revisor experimentado. Si esto ocurre, todos salimos beneficiados. El trabajo es claro y se despejan las dudas del lector. Muchos autores, yo entre ellos, agradecemos enormemente una revisión en profundidad de nuestros trabajos científicos.
Como revisor, he visto en los últimos meses una avalancha de peticiones por parte de las revistas científicas para revisar muchos artículos. Normalmente, recibo entre una y dos peticiones casi todos los días. Al principio intentaba atender el mayor número posible, pero un trabajo riguroso requiere muchas horas dedicadas a esta tarea. Horas que, salvo alguna excepción, no se remuneran. Desgraciadamente, solo un porcentaje pequeño de artículos son realmente buenos y permiten aprender y disfrutar del trabajo bien hecho. Todo lo anterior lleva a tener que renunciar a un alto porcentaje de las invitaciones recibidas.
Entonces, ¿qué ocurre con la revisión? Si en un campo determinado faltan revisores altamente cualificados, hay que buscarlos donde los haya. Por ello, algunos artículos, incluso de revistas de gran impacto, cuentan con la participación de científicos jóvenes o con experiencia en otros campos. El resultado puede ser de lo más variopinto. Puede haber críticas poco argumentadas que no aporten beneficios a la mejora del artículo o revisiones donde no haya críticas, que se limiten a señalar cuestiones menores y poco significativas. Este tipo de revisiones suelen verse en editoriales que ofrecen descuentos económicos si se revisan muchos artículos para publicarlos de forma abierta.
Por tanto, si se quiere hacer una revisión de artículos científicos con profundidad, se deben aceptar pocas invitaciones y seleccionar mucho los temas y las revistas. Es un trabajo al que se dedican muchas horas y que, por lo general, no recibe el reconocimiento que merece. Bueno, salvo en alguna ocasión. A continuación, dejo un reconocimiento que recibí hace unos días y que fue una auténtica sorpresa.
La construcción es uno de los responsables de los niveles actuales de estrés ambiental, pero también se reconoce como un sector esencial para promover el bienestar humano, el acceso a la educación o la la erradicación de la pobreza mediante el desarrollo de infraestructuras y servicios. Por ello, desde el reciente establecimiento de los Objetivos de Desarrollo Sostenible en 2015, los arquitectos e ingenieros civiles se han erigido como actores clave para el futuro sostenible al que aspiramos. Sin embargo, la complejidad de la sostenibilidad reclama cambios fundamentales en los actuales planes de estudio universitarios para formar profesionales que puedan afrontar dicho reto. Los cursos universitarios convencionales de ingeniería y arquitectura suelen quedarse cortos a la hora de proporcionar una educación holística en la que los estudiantes perciban adecuadamente la relevancia de considerar no sólo los requisitos funcionales de sus diseños, sino también sus consecuencias sociales y medioambientales. La presente comunicación pretende ofrecer una herramienta de evaluación para detectar las principales lagunas en la formación de estos profesionales a partir de las percepciones de los estudiantes de posgrado sobre el diseño sostenible. Se realiza una encuesta a los alumnos de los posgrados «Modelos predictivos y optimización de estructuras de hormigón» del Máster Universitario en Ingeniería del Hormigón, y «Gestión de la innovación en el sector de la construcción» del Máster en Planificación y Gestión en Ingeniería Civil, ambos impartidos en la Universidad Politécnica de Valencia. La consistencia de las respuestas se evalúa de forma objetiva a partir del método del Proceso Analítico Jerárquico, sacando a la luz los campos educativos en los que se debe poner especial empeño a la hora de adaptar los planes de estudio universitarios hacia la educación en sostenibilidad.
Figura. Matriz AHP completa
Referencia:
NAVARRO, I.J.; SÁNCHEZ-GARRIDO, A.J.; YEPES, V. (2021). Engineering and architecture postgraduate student’s perceptions on sustainable design. 15th annual International Technology, Education and Development Conference (INTED 2021), 8th-9th March, 2021, pp. 2554-2563, Valencia, Spain. ISBN: 978-84-09-27666-0
Introducción: de la torre de marfil al diálogo abierto.
