De la tortuga de Logo a la inteligencia artificial
Un niño escribe una instrucción en la pantalla:
avanza 50
gira 90
avanza 50
En la pantalla, una pequeña tortuga obedece.
Si la instrucción está bien, la tortuga dibuja lo que el niño esperaba. Si está mal, no protesta, no interpreta y no adivina. Hace exactamente lo que le han dicho.
Y entonces ocurre algo interesante: el niño puede mirar el resultado, compararlo con lo que quería que pasara, cambiar una instrucción y volver a probar.
Ahí hay mucho más que programación.
Hay una forma de pensar.
Antes de que la palabra se pusiera de moda
Hoy hablamos de pensamiento computacional como si fuera una idea reciente. Pero muchas de sus piezas vienen de mucho antes: ordenar pasos, dividir problemas, buscar patrones, crear reglas, probar soluciones y corregir errores.
Eso no empezó con los ordenadores.
Lo que cambió fue que las máquinas nos dieron una forma nueva de practicar ese pensamiento. Un ordenador, un robot o una inteligencia artificial obligan a ser más claros. Si una instrucción está incompleta, el sistema falla. Si una regla está mal pensada, el resultado se rompe. Si una solución parece buena pero no se prueba, no sabemos si funciona.
Por eso la tecnología puede ser tan potente para aprender: hace visible una parte del pensamiento que normalmente queda escondida.
La tortuga de Papert
En 1980, Seymour Papert publicó Mindstorms, un libro muy influyente sobre niños, ordenadores y aprendizaje.
Papert trabajó con Logo, un lenguaje de programación pensado para que los niños pudieran explorar ideas dando instrucciones a una tortuga que se movía y dibujaba.
La idea importante no era que todos los niños aprendieran Logo.
La idea era que el ordenador podía convertirse en un espacio para pensar con las manos: probar una idea, verla funcionar o fallar, corregirla y volver a intentarlo.
Un niño no aprendía solo a mover una tortuga.
Aprendía que podía construir algo, observarlo, encontrar el error y mejorarlo.
Esa idea sigue siendo muy valiosa.
De programar a pensar
Años después, Jeannette Wing ayudó a popularizar el término pensamiento computacional al defender que esta forma de pensar no era útil solo para informáticos.
No se trataba de que todo el mundo tuviera que convertirse en programador.
Se trataba de reconocer que muchas habilidades propias de la informática servían también para resolver problemas en otros contextos: dividir, abstraer, ordenar, probar, automatizar y analizar.
Dicho de forma más sencilla: aprender a pensar de una manera que permite enfrentarse mejor a problemas grandes, confusos o cambiantes.
Ese punto nos importa mucho.
Porque si el pensamiento computacional fuera solo aprender a programar, podríamos dejarlo en manos de cursos de Scratch, Python o JavaScript.
Pero no es solo eso.
Es aprender a formular un problema de una manera que se pueda trabajar. Es distinguir lo importante de lo accesorio. Es crear una secuencia de pasos. Es probar si una solución funciona. Es entender qué puede hacer una máquina y qué seguimos teniendo que hacer nosotros.
La historia no va de nombres
Podríamos llenar este artículo de autores, fechas y definiciones.
Pero para una madre, un padre o un docente, la pregunta útil es otra:
¿Qué cambia esto mañana en casa o en clase?
Cambia la forma de mirar algunas situaciones cotidianas.
Cuando un niño explica cómo preparar una mochila, está ordenando pasos.
Cuando juega a dar instrucciones a un robot humano, está descubriendo la importancia de la precisión.
Cuando intenta resolver un puzzle y cambia de estrategia, está probando y corrigiendo.
Cuando usa Scratch y algo no funciona, está aprendiendo a buscar el error.
Cuando una inteligencia artificial le da una respuesta y pregunta "¿cómo sé si esto está bien?", está desarrollando criterio.
No hace falta nombrar todo eso para que esté ocurriendo.
Pero reconocerlo ayuda a acompañarlo mejor.
La inteligencia artificial cambia la pregunta
Durante mucho tiempo, aprender a programar significaba aprender a escribir instrucciones que una máquina pudiera ejecutar.
Hoy una inteligencia artificial puede escribir mucho código por nosotros. También puede resolver ejercicios, explicar conceptos y generar respuestas en segundos.
Eso puede hacer pensar que el pensamiento computacional importa menos.
Nosotros creemos lo contrario.
Si la máquina puede producir respuestas tan rápido, lo importante ya no es solo saber escribir la respuesta. Lo importante es saber pedirla bien, entenderla, probarla, detectar cuándo falla y decidir qué hacer después.
La inteligencia artificial no elimina la necesidad de pensar.
Hace más importante saber cuándo estamos pensando y cuándo solo estamos aceptando una respuesta.
Qué queda para los niños
De esta historia no necesitamos quedarnos con una lista de nombres.
Necesitamos quedarnos con una práctica.
Ayudar a los niños a:
- empezar aunque no tengan la respuesta completa;
- dividir un problema grande en partes pequeñas;
- crear instrucciones claras;
- probar una solución;
- mirar qué ha pasado;
- corregir sin vivir el error como fracaso;
- desconfiar de una respuesta que no han comprobado;
- entender un poco mejor qué hace la máquina y qué no.
Eso es mucho más importante que aprender una definición perfecta de pensamiento computacional.
Preguntas para acompañar
La próxima vez que un niño esté jugando, programando, usando una inteligencia artificial o intentando resolver un problema, podemos acompañar con preguntas sencillas:
- ¿Qué quieres que pase?
- ¿Cuál sería el primer paso?
- ¿Qué parte podemos hacer más pequeña?
- ¿Qué ha pasado en realidad?
- ¿Era lo que esperabas?
- ¿Dónde crees que se ha roto?
- ¿Cómo podríamos comprobarlo?
- ¿Qué crees que ha hecho la máquina?
- ¿Qué parte entiendes y qué parte estás aceptando sin mirar?
- ¿Qué probarías ahora?
Estas preguntas conectan mucho más con el pensamiento computacional que memorizar una cronología.
Una idea vieja para máquinas nuevas
El pensamiento computacional no nació para llenar el colegio de pantallas.
Nació de una intuición más profunda: cuando un niño puede construir, probar, equivocarse y corregir, aprende algo sobre las máquinas, pero también sobre su propia forma de pensar.
Desde la tortuga de Logo hasta la inteligencia artificial, las herramientas han cambiado muchísimo.
El músculo que queremos entrenar sigue siendo el mismo: empezar, entender, dudar y volver a probar.