Neurociencia y Educación Matemática: Un Puente

Durante mucho tiempo, los campos de la neurociencia cognitiva y la educación matemática han operado en gran medida de forma independiente. Cada uno ha desarrollado sus propias teorías, metodologías y enfoques para comprender cómo aprendemos y procesamos las matemáticas. Sin embargo, existe un potencial inmenso en la integración de estas dos áreas de investigación, un potencial que puede enriquecer profundamente nuestra comprensión del aprendizaje matemático y, en última instancia, mejorar las prácticas educativas. Este artículo explora cómo tender un puente entre estos campos puede empoderar a ambos, utilizando hallazgos de investigaciones recientes para ilustrar las conexiones y las oportunidades futuras.

La Brecha y el Potencial de Colaboración

La investigación en Educación Matemática ha generado una gran cantidad de teorías sobre el aprendizaje, la enseñanza y la naturaleza del pensamiento matemático en diversos contextos sociales y culturales. Se ha centrado en aspectos como la resolución de problemas, las demostraciones, las dificultades de aprendizaje, las ideas erróneas, la creatividad y el talento. Las metodologías suelen ser cualitativas o cuantitativas, incluyendo experimentos de enseñanza, entrevistas clínicas, análisis de video, estudios de acción y modelado computacional. El objetivo principal es doble: comprender mejor el procesamiento matemático (pensamiento, enseñanza, aprendizaje) y utilizar esa comprensión para mejorar la instrucción.

Por otro lado, la Neurociencia Cognitiva del procesamiento matemático se enfoca en las estructuras cerebrales subyacentes y la actividad neuronal asociada con diferentes tipos de actividades mentales relacionadas con las matemáticas en diversas poblaciones. Utiliza herramientas como la neuroimagen (fMRI, EEG) para medir la activación cerebral y su topografía. Las aplicaciones de la neurociencia a la educación se han clasificado en:

• Neuro-comprensión: Profundizar el conocimiento de los procesos matemáticos a nivel biológico para informar las teorías educativas sobre el desarrollo típico y atípico de las competencias matemáticas.
• Neuro-predicción: Usar resultados de neuroimagen para predecir trayectorias de aprendizaje.
• Neuro-intervención: Analizar el impacto de la educación en los circuitos neuronales o usar intervenciones neurofisiológicas para mejorar el rendimiento matemático.

Aunque históricamente ha habido poca interacción directa, existe una clara complementariedad. La educación matemática proporciona marcos teóricos ricos y datos conductuales complejos recopilados a lo largo del tiempo en entornos naturales. La neurociencia aporta datos biológicos que revelan los mecanismos cerebrales subyacentes a estos comportamientos y procesos cognitivos. La integración permite una comprensión más completa y multifacética del aprendizaje matemático.

Objetivos y Métodos: Una Comparación

Aunque con enfoques distintos, ambos campos comparten el interés fundamental en comprender el procesamiento matemático. Podemos esbozar una comparación general de sus objetivos y metodologías principales basándonos en la descripción proporcionada:

Es evidente que los datos biológicos que proporciona la neurociencia no son accesibles mediante las metodologías tradicionales de la educación matemática. Sin embargo, los datos conductuales complejos y contextualizados de la educación matemática, recopilados a menudo a lo largo de períodos extensos, todavía no forman parte central de la investigación neurocientífica, salvo excepciones como el seguimiento ocular.

Desvelando las Etapas de la Resolución de Problemas

Uno de los ejemplos más claros de cómo la neurociencia puede validar y enriquecer las teorías de la educación matemática se encuentra en el estudio de la Resolución de Problemas. Figuras influyentes en educación matemática como George Pólya y Alan Schoenfeld propusieron modelos de etapas para abordar problemas matemáticos, especialmente aquellos no estándar. El modelo de cuatro pasos de Pólya incluía comprender el problema, idear un plan, ejecutar el plan y examinar la solución. Schoenfeld propuso etapas más detalladas como leer, analizar, explorar, planificar, implementar y verificar.

Sorprendentemente, un estudio de neuroimagen (fMRI) realizado por Anderson y colaboradores (2014), sin conexión explícita con los trabajos de Pólya o Schoenfeld, buscaba descubrir las etapas de la resolución de problemas matemáticos a nivel cerebral. Identificaron cinco fases principales:

1. Fase de Definición: Identificar el problema, caracterizada por actividad en regiones de atención visual y red por defecto.
2. Fase de Codificación: Codificar la información necesaria, con actividad en regiones visuales.
3. Fase de Cómputo: Realizar cálculos aritméticos, asociada con regiones activas en tareas matemáticas.
4. Fase de Transformación: Realizar transformaciones matemáticas, activando regiones matemáticas y de respuesta.
5. Fase de Respuesta: Introducir la respuesta, vinculada a regiones motoras.

Al comparar estos hallazgos con los modelos de educación matemática, encontramos una notable armonía. Las fases de definición y codificación de Anderson et al. se alinean con las etapas de lectura/análisis de Schoenfeld o la comprensión del problema de Pólya. Las fases de cómputo y transformación corresponden a la ejecución del plan de Pólya. La fase de respuesta se relaciona con la verificación o el examen de la solución.

Este estudio de Anderson et al. puede considerarse un ejemplo de Validación Neuronal. Proporcionó evidencia biológica que respalda las grandes ideas propuestas intuitivamente por los investigadores en educación matemática. Además, aporta información valiosa sobre las habilidades cognitivas básicas (atención visual, codificación visual, habilidades motoras) que subyacen a estas etapas, aspectos a menudo menos enfatizados en la literatura de educación matemática. Conectar estos procesos cognitivos básicos con las prácticas educativas puede ayudar a comprender mejor la efectividad de ciertas estrategias de enseñanza. Desde la perspectiva de un educador matemático, vincular este trabajo a la investigación sobre el aprendizaje de ecuaciones, por ejemplo, añade una capa de interpretación a los resultados conductuales obtenidos mediante entrevistas o análisis de aula.

Experiencia Matemática: Más Allá del Lenguaje y los Números Básicos

La noción de experiencia en matemáticas es compleja. Los expertos se distinguen por un rendimiento consistentemente superior y estrategias de resolución de problemas más sofisticadas que los novatos. La investigación neurocognitiva también ha abordado este tema, revelando conexiones interesantes. El estudio de Amalric y Dehaene (2016) investigó los orígenes neuronales de la experiencia matemática comparando matemáticos expertos con no matemáticos.

Utilizando fMRI, pidieron a los participantes que evaluaran la corrección de afirmaciones matemáticas (de áreas avanzadas como geometría, análisis, álgebra, topología) y no matemáticas. Los resultados mostraron que, en los matemáticos expertos, la reflexión sobre afirmaciones matemáticas activaba una red cortical que era consistente en las cuatro áreas matemáticas examinadas y que se mantenía activa independientemente de si la afirmación era significativa o no. Crucialmente, esta activación parietal y frontal en los expertos al reflexionar sobre matemáticas estaba localizada fuera de las áreas típicamente asociadas con el lenguaje.

Este hallazgo es significativo porque contradice estudios previos sobre cognición numérica básica que habían mostrado conexiones entre el procesamiento numérico y el lenguaje. Sugiere que, si bien el lenguaje puede ser importante en la adquisición inicial de competencias matemáticas, el procesamiento matemático avanzado en expertos parece disociarse del procesamiento lingüístico. El estudio también mostró que la activación cerebral durante el procesamiento numérico elemental y las matemáticas de alto nivel están conectadas, indicando que el procesamiento matemático avanzado está vinculado al procesamiento numérico simbólico.

Esta conexión entre el procesamiento matemático avanzado y el 'sentido numérico' (number sense) subraya la importancia de nutrir las mentes matemáticas desde etapas tempranas. Los hallazgos sugieren la hipótesis de que las competencias tempranas asociadas con el procesamiento numérico y las operaciones aritméticas podrían ser predictores de la experiencia matemática posterior y, potencialmente, del Talento Matemático. Aunque respaldada por algunas anécdotas de matemáticos, esta hipótesis requiere investigación longitudinal sistemática.

Teorías de la Educación Matemática como Fundamento para Estudios Neurocognitivos

Aunque no es la norma, algunos experimentos de neuroimagen han sido diseñados explícitamente basándose en teorías de la educación matemática. Esto permite explorar las bases neuronales de fenómenos identificados y conceptualizados dentro del campo educativo.

Por ejemplo, Babai et al. (2016) exploraron el efecto del modo (perímetros discretos/contables vs. continuos) y el orden de presentación en el rendimiento de niños de primaria en una tarea de 'comparación de perímetros', un tema relevante en la enseñanza de la geometría. Sus hallazgos conductuales mostraron que permitir a los estudiantes superar dificultades cambiando el modo o el orden mejoraba el rendimiento. Las imágenes cerebrales (fMRI) revelaron que dos factores estaban involucrados en la resolución correcta de la tarea: mecanismos de control inhibitorio y saliencia. Según los autores, los resultados de neuroimagen corroboraron, validaron y apoyaron los hallazgos conductuales, contribuyendo teórica y prácticamente a la comprensión del razonamiento geométrico y a la mejora de la enseñanza.

Otro estudio interesante es el de Tzur y Depue (2014), que examinó cómo el diseño de tareas, arraigado en una teoría constructivista del aprendizaje, impactaba el procesamiento cerebral de comparaciones numéricas en adultos. Investigaron variables como la comparación de números enteros vs. fracciones unitarias, la secuenciación de la tarea, la distancia entre los números comparados y el efecto de una intervención de enseñanza conceptual. Aunque la tasa de error se mantuvo constante, cada variable independiente tuvo un impacto significativo en el tiempo de reacción. Los autores sugieren implicaciones para la educación matemática y la neurociencia cognitiva, como repensar el efecto de la distancia y la noción limitante de las fracciones como meras partes de un todo. Tzur (2015) amplió esto, mostrando circuitos cerebrales diferenciados para comparar números enteros y fracciones unitarias, apoyando la idea de que una fracción no es simplemente una extensión simple de un número entero.

Estos estudios demuestran que partir de preguntas y marcos teóricos de la educación matemática puede guiar la investigación neurocognitiva hacia problemas ecológicamente más válidos y relevantes para el aula, enriqueciendo así la interpretación de los datos neuronales.

El Estudio del Talento Matemático: Un Ejemplo de Integración

Nuestro grupo de investigación en el Centro RANGE de la Universidad de Haifa llevó a cabo un estudio (Leikin et al., 2013) para comprender mejor el Talento Matemático, un concepto difícil de definir y evaluar. Nos motivó la falta de definiciones operativas sólidas y herramientas de evaluación adecuadas, sugiriendo que la investigación cerebral podría ser crucial para avanzar.

El diseño del estudio se basó en distinciones clave derivadas de teorías de la educación de superdotados y la educación matemática:

• Distinción entre niveles de inteligencia general (G) y niveles de experiencia en matemáticas (EM): Se definieron grupos de investigación combinando alta inteligencia general (IQ > 130) y alto rendimiento en matemáticas escolares.
• Distinción entre tipos de tareas: Se utilizaron tareas que requerían traducción entre diferentes representaciones de objetos matemáticos (por ejemplo, gráfico a algebraico para funciones) y tareas de diferentes áreas (álgebra vs. geometría).
• Distinción entre tareas basadas en el aprendizaje (learning-based) y tareas basadas en la intuición (insight-based): Esto se implementó en el diseño de las herramientas de investigación.

El diseño de las tareas también se inspiró en las etapas de resolución de problemas de Pólya, enfocándose en comprender las condiciones, comprender la pregunta y verificar los resultados.

Los descubrimientos de este estudio ilustran poderosamente el valor de la integración. La distinción entre G y EM demostró ser fundamental; aunque interrelacionadas, son características diferentes. Además, se hizo evidente que las medidas conductuales por sí solas podían ser insuficientes o incluso engañosas.

Por ejemplo, al analizar una tarea sobre funciones que requería traducción entre representaciones (Waisman et al., 2014), el rendimiento (precisión y tiempo de reacción) se vio afectado por el nivel de experiencia matemática (EM), pero no por la inteligencia general (G), excepto en estudiantes no superdotados. Curiosamente, los estudiantes con alta EM pero no alta G mostraron la mayor actividad eléctrica cerebral (medida con ERP) en tareas relativamente simples basadas en el aprendizaje. Esto sugiere que para problemas de aprendizaje, la experiencia matemática es el factor principal, pero la actividad cerebral puede reflejar un mayor esfuerzo cognitivo o una estrategia diferente en el grupo de alta EM/baja G.

Al comparar la actividad cerebral (ERP) al resolver tareas de funciones y tareas de inferencias geométricas (Leikin et al., 2014), encontramos diferencias tanto en la magnitud como en la topografía de la activación en la etapa de verificación. Esto sugiere que resolver problemas en álgebra y geometría, incluso cuando requieren traducciones similares entre representaciones, se asocia con patrones de actividad cerebral variantes, reflejando procesos cognitivos subyacentes distintos.

La distinción entre problemas basados en el aprendizaje y basados en la intuición también arrojó resultados sorprendentes (Leikin et al., 2016). Contrariamente a la hipótesis, la experiencia matemática (EM) afectó las medidas conductuales solo en el test basado en la intuición, mientras que la inteligencia general (G) afectó la precisión en ambos tests. Sin embargo, las medidas de ERP asociadas con la resolución de problemas basados en el aprendizaje se vieron afectadas por la EM y su interacción con la G, mientras que las medidas de ERP en problemas basados en la intuición parecieron verse afectadas principalmente por el factor G.

Nuestros hallazgos de una mayor activación en el sitio de electrodo PO4–PO8, conocido por estar asociado con momentos de '¡Ajá!' o insight (Jung-Beeman et al., 2004), se alinearon con la resolución de problemas basados en la intuición. Esto nos llevó a hipotetizar que el insight matemático es una característica específica única de los estudiantes con alta inteligencia general. Además, encontramos esta mayor activación PO4–PO8 en estudiantes con alta experiencia matemática (EM) cuando resolvían tareas basadas en el aprendizaje. Esto sugiere que los expertos pueden tener un componente de insight en etapas tempranas de la resolución de problemas basados en el aprendizaje, quizás al predecir la pregunta del problema a partir de los datos dados, una habilidad asociada con la experiencia según Schoenfeld (1992). Esta predicción podría ser un proceso tipo insight aplicado a tareas de aprendizaje.

Estos hallazgos neurocognitivos no solo validaron algunas hipótesis iniciales (incluso cuando los datos conductuales no lo hicieron) sino que también generaron nuevas ideas. Primero, la experiencia matemática y la inteligencia general no son lo mismo, aunque probablemente ambas sean necesarias para el Talento Matemático genuino. Segundo, problemas de álgebra y geometría aparentemente similares implican procesos cognitivos subyacentes distintos. Tercero, solo los datos de ERP permitieron comprender que el éxito en problemas basados en la intuición está fuertemente ligado a la inteligencia general, no solo a la experiencia escolar. Finalmente, el experimento neurocognitivo reveló un componente de insight en los expertos incluso en tareas de aprendizaje, particularmente en la etapa de comprensión del problema.

Todo esto fue posible gracias a un diseño de investigación cuidadoso, arraigado en teorías de la educación matemática y la superdotación. La integración de marcos educativos en el estudio neurocognitivo permitió enriquecer el conocimiento a través del neuro-descubrimiento y la neuro-explicación, mientras que las teorías educativas proporcionaron una interpretación más rica de los hallazgos cerebrales.

Preguntas Frecuentes

¿Qué es la neurociencia cognitiva y cómo se relaciona con las matemáticas?

La Neurociencia Cognitiva estudia los procesos mentales (como la percepción, la memoria, el lenguaje y el pensamiento matemático) y sus bases neuronales. Se relaciona con las matemáticas al investigar cómo el cerebro procesa números, realiza cálculos, resuelve problemas y desarrolla la comprensión de conceptos matemáticos, identificando las regiones cerebrales y la actividad neuronal involucrada.

¿Por qué es importante integrar la neurociencia y la educación matemática?

Integrar ambos campos es crucial porque permite una comprensión más profunda y completa del aprendizaje matemático. La neurociencia puede validar o refinar teorías educativas y revelar mecanismos cerebrales subyacentes, mientras que la educación matemática proporciona contextos realistas, tareas complejas y preguntas relevantes que guían la investigación neurocientífica. Esta colaboración puede llevar a prácticas educativas más efectivas y personalizadas.

¿Qué tipo de aportaciones puede hacer la neurociencia a la educación matemática?

La neurociencia puede contribuir de varias maneras: Neuro-comprensión (explicar cómo el cerebro aprende matemáticas), Neuro-predicción (identificar marcadores neuronales que predigan trayectorias de aprendizaje o dificultades) y Neuro-intervención (evaluar el impacto de métodos de enseñanza en el cerebro o diseñar intervenciones basadas en principios neuronales).

¿Cómo la neurociencia valida las ideas sobre la resolución de problemas?

Estudios de neuroimagen han identificado etapas de actividad cerebral durante la resolución de problemas que se alinean sorprendentemente con los modelos de etapas propuestos por teóricos de la educación matemática como Pólya y Schoenfeld. Esto proporciona una Validación Neuronal a estas conceptualizaciones conductuales.

¿Qué nos dice la neurociencia sobre la experiencia matemática y el talento?

La investigación neurocognitiva sugiere que la experiencia matemática avanzada activa redes cerebrales distintas a las del procesamiento numérico básico y, en expertos, parece disociarse del procesamiento lingüístico. Los estudios sobre Talento Matemático basados en la integración de datos conductuales y neuronales indican que el talento puede depender tanto de la inteligencia general como de la experiencia específica en matemáticas, y que estos factores pueden influir en diferentes tipos de procesamiento (basado en aprendizaje vs. basado en intuición).

Conclusiones

El puente entre la Neurociencia Cognitiva y la Educación Matemática aún está en construcción, pero los ejemplos de investigación presentados demuestran claramente el inmenso valor de esta colaboración. La neurociencia no solo puede validar teorías educativas existentes a un nivel biológico, sino que también puede revelar aspectos del procesamiento matemático (como los mecanismos de control inhibitorio, la saliencia, o la distinción neural entre álgebra y geometría) que son difíciles de discernir únicamente a través de la observación conductual. A su vez, las teorías y preguntas de la educación matemática proporcionan un marco esencial para diseñar experimentos neurocientíficos relevantes y para interpretar sus hallazgos en un contexto significativo para el aprendizaje y la enseñanza.

La investigación futura debe seguir explorando cómo integrar de manera más efectiva las metodologías y los hallazgos de ambos campos. Comprender la base neural de conceptos clave en educación matemática, como la comprensión conceptual profunda, la flexibilidad estratégica en la Resolución de Problemas, el desarrollo del Talento Matemático o las dificultades de aprendizaje específicas, requiere un esfuerzo conjunto. Esta sinergia promete transformar no solo nuestra comprensión fundamental de cómo aprendemos matemáticas, sino también la forma en que enseñamos, abriendo caminos hacia intervenciones educativas más informadas por la ciencia del cerebro.

En definitiva, la integración de la neurociencia cognitiva y la educación matemática no es solo deseable, sino necesaria para avanzar hacia una comprensión verdaderamente completa del fascinante proceso de aprender y hacer matemáticas.

Si quieres conocer otros artículos parecidos a Neurociencia y Educación Matemática: Un Puente puedes visitar la categoría Neurociencia.