2.1. Rol de la atención y la emoción en el proceso de aprendizaje

En los procesos de aprendizaje existe una serie de rutinas que permite controlar los pensamientos y las acciones regulando la conducta de un individuo. En tareas complejas y cuando el estudiante no actúa de forma intuitiva, estas rutinas, llamadas también funciones ejecutivas, intervienen para proporcionar respuestas adaptativas a situaciones novedosas o a la complejidad. Algunos procesos de entre los citados suelen llamarse «fríos» porque son estrictamente cognitivos y otros «calientes», por implicar una regulación de afectos y emociones (^{Zelazo, Qu & Müller, 2005}).

Según ^{Anderson (2008)} los procesos claves que interactúan en el ámbito de las funciones ejecutivas son:

Fuente: elaboración propia a partir de ^{Anderson (2008)}.

Figura 1 Ámbitos rutinarios de las funciones ejecutivas.  

Existen numerosos modelos sobre las funciones ejecutivas (^{Baddeley, 1986}; ^{Anderson, 2002}, 2008; ^{Miyake et al., 2000}; ^{Marina, 2010}; ^{Anderson & Reidy, 2012}), pero ninguno ha logrado el consenso pleno y se ha aceptado universalmente. Lo cierto a la hora de evaluar es que los autores coinciden en que el uso de estas rutinas es un factor de predicción potente del rendimiento académico y el aprendizaje de las lenguas en concreto, de modo que quienes planifican y organizan mal los contenidos obtienen puntuaciones bajas (^{Sesma, Mahone, Levine, Eason, & Cutting, 2009}). Así, quienes no pueden sostener la atención no logran separar las ideas principales de las secundarias en un texto (^{Pimperton & Nation, 2010}) o retener una cantidad suficiente de vocabulario (^{Hsueh-Chao & Nation, 2000}).

En esta investigación reparamos mayormente en los procesos de atención y emoción, puesto que han sido señalados por los investigadores y docentes como centrales en la ejecución de cursos virtuales de lengua extranjera. Al respecto, ^{Mora-Teruel (2013)} afirma que «sin emoción no hay curiosidad, no hay atención, no hay aprendizaje, no hay memoria» (p. 6). Por eso, el mayor motor emocional es la curiosidad por lo novedoso, lo que crea una motivación interna capaz de alimentar los procesos racionales:

Tiene que comenzar la clase con algún elemento provocador, una frase o una imagen que resulten chocantes. Romper el esquema y salir de la monotonía. Sabemos que para que un alumno preste atención en clase, no basta con exigirle que lo haga. La atención hay que evocarla con mecanismos que la psicología y la neurociencia empiezan a desentrañar. Métodos asociados a la recompensa, y no al castigo. Desde que somos mamíferos, hace más de 200 millones de años, la emoción es lo que nos mueve. Los elementos desconocidos, que nos extrañan, son los que abren la ventana de la atención, imprescindible para aprender (^{Mora-Teruel, 2013}, p. 67).

En el aula, para despertar esta base emocional y que el estudiante la perciba, ^{Mora-Teruel (2013}, pp. 179-190) aconseja:

El punto es que algunas de estas sugerencias, además de estar pensadas más para los niños que para los adultos, parecen un poco difíciles de llevar al aula virtual, donde faltan algunos ingredientes de la corporeidad que permiten que el docente cree el clima emocional positivo. Por esta razón, centraremos la atención sobre el modelo de aceptación de la tecnología y sobre las tareas que pueden aumentar esta corriente emocional de curiosidad, motivación y cooperación a través de distintas modalidades de interactividad. A este factor que puede potenciar el aprendizaje le daremos el nombre de «crecimiento emocional y cognitivo» y está en la base de los protocolos de enseñanza basados en la interacción.

2.2. La interacción usuario-computadora como recurso y su aceptación en la educación superior

A finales de los años ochenta, Fred Davis presentó su Modelo de Aceptación de la Tecnología -Technology Acceptance Model, en adelante, tam- en el que se postula que, cuando a un usuario se le presenta una nueva tecnología, su decisión de utilizarla o no, esto es, su actitud, depende de la utilidad que esa persona cree que tendrá ese sistema en su trabajo y de la facilidad de uso que le atribuye -generalmente decimos que un programa o tecnología es más o menos amigable-.

Fuente: ^{Cataldo (2015)} a partir de ^{Davis (1989}, p. 3).

Figura 2 Modelo de aceptación de la tecnología. 

La antigüedad del modelo se revela en dos puntos: por un lado, tiende a colocar la actitud como una decisión personal, cuando todos hemos visto que las instituciones educativas han obligado a usar la tecnología para no «perder clases» -no queríamos instalar Zoom y lo hicimos- y, por otro, no tiene en cuenta que la mayor parte de las tecnologías aplicadas a la educación han dado pasos de gigante en la configuración amigable de sus interfaces con el usuario. Durante los años sucesivos a su creación ^{Venkatesh y Davis (2000)} extendieron el modelo teniendo en cuenta el acceso a los espacios sociales que se hicieron de uso habitual en la sociedad. Este otro modelo fue denominado como «modelo afectivo» o «modelo extendido». Como podemos ver en la figura siguiente, lo que se extiende es la caracterización de la variable «utilidad percibida», que se nutre de una división en microvariables, las cuales a su vez tienen en cuenta la consideración del output (experiencia) de uso. Por ejemplo, la plataforma universitaria desde sus albores presenta varias herramientas de seguimiento. El hecho de que el curso de 2020 introdujera un nuevo recurso, con el que los estudiantes pueden aceptar el informe final de evaluación con solo apretar un pulsante, -sin tener que mandar correos individuales-, ha facilitado la administración de las calificaciones. Dado que el sistema, además, construye una hoja de cálculo con la lista de control, este proporciona al docente una utilidad que logra percibir no como «teórica», sino alimentada por la experiencia y, en este sentido, también afectiva.

Fuente: Licencia Creative Commons - CC0 1.0.

Figura 3 Teoría unificada de aceptación y uso de la tecnología.  

A pesar de que las objeciones planteadas anteriormente no han sido superadas en el modelo extendido, este ha sido usado y validado en investigaciones de gran alcance en el ámbito educativo. Por citar dos estudios recientes, ^{Fearnley y Amora (2020)} realizan una encuesta por cuestionario a 127 docentes de un college de Manila, en el que usan como datos sociales el sexo, el grado de educación, el cargo en la universidad, el uso efectivo de tecnologías y la cantidad de años de experiencia docente. La juventud de los docentes, ligada a su escasa experiencia de trabajo y a su cargo menor en la universidad marca una mayor percepción de autoeficacia en la docencia que utiliza herramientas online. Los resultados de aplicación de la misma metodología a 92 docentes de universidades públicas y privadas mexicanas son similares. A partir de ello, agregamos como hipótesis de investigación que, cuando existe una experiencia previa en cursos virtuales, como resulta frecuente en las universidades privadas, el paso de toda la didáctica a la virtualidad es más simple y menos traumático para los docentes. Así parece haber sido en tiempos de pandemia del covid-19.

Hemos partido desde el concepto de aceptación de la tecnología porque se enlaza firmemente con la idea de emoción o afectividad. Sin embargo, este tipo de investigación parece un poco fuera de contexto, dada la obligatoriedad de uso de estas herramientas en la pandemia. Por eso, el modelo tam, en cualquiera de sus versiones, tiene menos en cuenta el factor más o menos interactivo de la tecnología de la que se indaga la aceptación.

En los últimos años, el e-learning ha evolucionado en paralelo con la tecnología y ha propuesto nuevos modelos, que paulatinamente incorporan sus innovaciones, como es el caso del paradigma del aprendizaje colaborativo y la inclusión de redes sociales en el aula. No obstante, los problemas aún no resueltos en la relación emocional y en la interacción con el profesor -y con los compañeros- representan una de las principales causas de abandono de los cursos en línea (^{Da Costa, Borges, Da Silva, 2020}; ^{Prenkaj, Velardi, Stilo, Distante, & Faralli, 2020}). Entre los posibles conflictos se señalan la costumbre a la formación en el aula tradicional -que se transforma en una forma de priming o imprimación social-, las experiencias negativas con los productos de primera generación o con la formación autogestionada mal organizada y, sobre todo, la falta de una relación afectiva y la interacción propia de una clase frontal. Esto es evidente en Europa entre los países que han mantenido las clases tradicionales en plena pandemia, donde las pruebas anuales de nivel muestran una baja consistente de los conocimientos de los estudiantes, además de haber una carrera por completar los esquemas de la vacunación de los menores para que puedan volver a las aulas de forma presencial en el próximo curso lectivo.

Existen, sin embargo, interfaces de usuario que se colocan en la llamada interacción persona-ordenador (hci), las cuales podrían haber sido integradas a las clases virtuales o a las actividades de laboratorio y que las universidades más vanguardistas han integrado a los sistemas de exámenes y no a las clases. Nos referimos, pues, a las interfaces de usuario, que pueden ser:

A partir de la aplicación de dichas interfaces en los sistemas de aprendizaje virtual, ^{Bangert-Drowns y Pike (2001)} muestran que estas permiten la obtención de mejores resultados que con las herramientas tradicionales, por lo cual se logra una mayor implicación de los alumnos en todo el proceso de aprendizaje electrónico. Por el contrario, si estas interfaces estuvieran asociadas a nuestras plataformas de videoconferencia, seríamos capaces de monitorear, a través de la percepción continua del sistema, el estado atencional y emocional del alumno. Además, podríamos recopilar información útil para mejorar la usabilidad y aprovechamiento del curso, realizar intervenciones directas, recuperar y mantener la atención del usuario y proporcionar apoyo psicológico y pedagógico al estudiante con dificultades durante el curso.

Las investigaciones empíricas basadas en datos fisiológicos o físicos utilizan algoritmos que miden emoción y atención a partir de la detección de la conductancia de la piel, la monitorización del ritmo cardíaco y la medición de la actividad cerebral. Estas investigaciones son invasivas, por lo que se realizan en grupos muy limitados de usuarios y en tareas únicas, fuera del ámbito de la clase (^{Cárdenas-Valencia & Castañerda-Patiño, 2020}; ^{Cervantes López, Llanes Castillo, Peña Maldonado & Cruz Casados, 2020}). Por eso, resulta más potente como herramienta de toma de datos el análisis de las expresiones faciales mediante el procesamiento de imágenes. En un caso de aplicación de estas técnicas, ^{Neji y Ammar (2007)} verifican la aparición de emociones como la alegría, la tristeza, la ira, el miedo, el asco y la sorpresa, durante un itinerario de clases de autoaprendizaje.

Otras investigaciones se basan en el análisis de la postura (^{Mota & Picard, 2003}; ^{D'Mello, Picard & Graesser, 2007}) en las cuales se utilizó un sensor de presión para medirla en diferentes puntos del asiento y el respaldo de una silla para determinar el estado atencional y afectivo de 32 usuarios que interactuaban con un sistema de aprendizaje electrónico. Los sensores generaron mapas de presión que permitieron reconocer hasta 5 emociones diferentes -aburrimiento, confusión, implicación, alegría y frustración- con una precisión del 70 %.

Con la intención de monitorear las emociones y el grado de atención de los estudiantes, es posible analizar los patrones de comportamiento de los estudiantes adquiridos a través de la observación de diferentes modos de interacción, tanto implícitos como explícitos, que el alumno realiza durante una sesión de e-learning. Si se introducen las interfaces de las que se hablaba antes, los datos deberían provenir (a) del análisis de una serie de características extraídas de las señales de vídeo, de las que es posible derivar información sobre la postura y las expresiones faciales del usuario. Y (b) del análisis de la interacción del usuario con el puesto de trabajo -seguimiento de las actividades del teclado, el ratón y el pc-. Actualmente, muchas universidades trabajan con este modelo en los laboratorios para poder adquirir datos que retroalimenten los sistemas de monitoreo. Así, por ejemplo, el grupo de la Universidad de Salerno propone este modelo de estudio

Figura 4 Estado atencional-emocional del estudiante según su percepción y perfil. 

Existen actualmente muchos programas informáticos que, basados en esta tecnología, se suman a la autentificación de la identidad a los programas de examen. Aun entendiendo la necesidad legal de que estos programas se hayan potenciado, seguimos esperando que se integren a plataformas de aprendizaje y alimenten el control del docente sobre el curso. Los docentes se quejan, en cambio, del hecho de que los estudiantes cuelgan una foto de perfil y no participan en las clases. Esto sucede menos en grupos de aprendizaje de lengua, en los que se implementan tareas comunicativas que requieren interacción. No hay dudas de que la integración de estas interfaces nos ayudaría mucho en nuestra tarea de enseñar, pero ¿cuántas instituciones pueden comprar los derechos de uso? En el entretiempo ¿podemos incentivar la interactividad del estudiante con el ordenador «dentro de la tarea» para recuperar y mantener la atención del usuario sin acudir a estas interfaces?

5.1. Índice de preferencia de los protocolos

Para recoger datos de preferencia preguntamos cuáles eran las cinco actividades del curso que les habían gustado más. La selección fue realizada durante una hora de conferencia en Zoom, en la que los estudiantes respondieron a un cuestionario en línea. Para responder podían consultar el manual como recordatorio y todas las presentaciones por diapositivas usadas virtualmente como «libro del alumno».

Los resultados muestran que, teniendo a disposición la opción de elegir actividades tradicionales del libro -50 % en el protocolo con amor-, los dos cursos que constituían el grupo tratado eligieron actividades transformadas. En muchos casos y en los comentarios realizados, los estudiantes evalúan muy positivamente la posibilidad de hacer actividades en ambientes «reales» y en programas pensados para hablantes nativos de español. Resulta curioso el caso de la descripción de la casa ideal y de la propia habitación utilizando la construcción que ofrece la cadena de muebles Ikea. Los estudiantes manifestaron mucho entusiasmo en esta actividad, pudiendo «entender» las indicaciones del portal, que eran, en realidad, muy intuitivas al ofrecer textos simplificados, como sucede en las plataformas multilingües.

Aunque los resultados de preferencia son evidentes en la Tabla 1, no se realizaron tests de tipo cuantitativo, ya que, aunque al final de cada clase había una prueba de preferencia, el tipo de transformación de actividades no está balanceado en el GT. Estaa consecuencia resulta lógica, pues actividades como las del «Concurso Kahoot» o los juegos de rol son más frecuentes -incluso, sirven para más de un tema-, mientras que la gamificación de la lectura se hizo una sola vez y ocupó casi media clase en su planificación. Este se constituye como un límite de investigación que se debe superar. Es por eso que, en estudios posteriores sobre la preferencia entre tareas con mediación informática se requerirían protocolos con un número de transformaciones idéntico por cada tipología.

5.2. Evaluación de clases

Después de cada clase de las 30 realizadas, solicitamos una evaluación global con puntuación sobre 10. El encabezado de la opción decía: «Teniendo en cuenta tu experiencia en la clase de hoy ¿cómo la evaluarías? ¿trabajaste a gusto con estas actividades? ¿la profesora te motivaba?». Las preguntas eran solo de inspiración y el dato obtenido solo uno. El valor medio de evaluación de las actividades de clases fue superior en el grupo que utilizaba el protocolo transformado (9.25 frente a 7.52) y la desviación estándar menor (0.61 frente a 1.59), lo que muestra que el comportamiento era homogéneo.

Las observaciones fueron independientes y, dado que se tomaron en 30 las clases del curso, constituyen dos series temporales. Para ello, utilizamos como técnica de modelado estadístico la regresión lineal, pues hay una variable predictora -la calidad- de carácter continuo. Antes de hacerlo, aplicamos la prueba de Kolmogorov-Smirnov -Statistical Package Science, spss, versión 28.0- para comprobar si la variable seguía el requisito de normalidad. Dicha prueba obtuvo un valor significativo de 0,410, mientras que el resultado obtenido es superior a 0,05. A partir de estos datos, determinamos que la distribución de los datos es normal. Estos indicadores se muestran en el siguiente gráfico.

Gráfico 1 Relación estadística de la preferencia por las actividades contenidas en los dos protocolos. 

Un análisis de regresión linear sobre el diagrama de dispersión mostró una función de poder significativa -f (1,100) = 566.64, p >.001- y, asimismo, que esta logra explicar el 52 % de la varianza. El resultado predice que la aplicación de un protocolo que ofrece una mayor interacción con el ordenador hace que sea mayor la preferencia otorgada por los estudiantes.

Dado que la docente fue la misma en los 4 grupos, es siempre posible que esto haya podido tener alguna influencia, pues era obvio que aplicaba dos protocolos diferentes y hacía parte de la observación participante. De todos modos, la elección de hacer actuar los protocolos a docentes diferentes también hubiera incluido una variable difícil de controlar. La decisión metodológica adoptada, aunque siempre discutible, parece la más prudente y agrega un punto a favor del protocolo de actividades con amor, pues la puntuación mayor obtenida no debería depender de la personalidad de la docente.

5.3. Tareas y nivel de atención o concentración percibidos

Frente a las preguntas sobre este aspecto, los estudiantes respondieron a través de cuestionarios. Claramente, al tratarse de la percepción del nivel de atención, los estudiantes podrían haberlas contestado de forma aleatoria. Para medir el nivel de atención en las actividades tomamos en cuenta dos parámetros: el número de veces que el estudiante dijo estar haciendo otras cosas -atender la puerta, ir al baño, ir a tomar agua, etc.- y el uso de otros dispositivos o ventanas emergentes pop-up (o multitasking). En ambos casos, contestaban de forma anónima. En un caso, el estudiante interrumpe la escucha y, en el otro, la clase queda como fondo. Los resultados los mostramos en la Tabla 2.

Los resultados muestran que los estudiantes del GC admiten levantarse más de sus puestos de trabajo y que los estudiantes del GT, aunque usan más dispositivos -lo que podría resultar más dispersivo para ellos-, en realidad, permanecen más tiempo al frente de la pantalla.

Para triangular estos resultados contamos cuántas veces los estudiantes desconectaban la cámara durante la clase y colocaban la foto estática. En el promedio revelado por la investigadora -grabación de la actividad en clases en videoconferencias-, los estudiantes del GC quitaban la cámara más veces (2,6) que los del GT (0,45). Este dato corrobora lo declarado por los estudiantes y parece que a los del segundo grupo les ha costado menos mantener la atención sobre el plan didáctico.

Ante esto, pensamos que se podría haber controlado si se llamaba al estudiante para realizar una actividad y no contestaba -ausencia controlada por el profesor-, pero no se tuvo en cuenta en forma aislada por dos razones: en primer lugar, los estudiantes que habían sido llamados y se habían ausentado lo declaraban en las notas del cuestionario -incluso aduciendo que se les había caído la línea-. En segundo lugar, la docente no llamó un número de veces controlado a los estudiantes a participar, por lo que los datos resultantes estarían sesgados. Lo que se hizo para subsanar esto fue sumarlos a los datos de «quite de cámara» o desconexión, obtenidos a través las registraciones en el sistema, para tener un panorama más completo. Los resultados obtenidos como evaluación de las 30 sesiones didácticas son los siguientes:

Los resultados muestran que la media y la desviación son más altas en el gc que en el gt. Además, reflejan que la falta de atención autopercibida es menor a la revelada por el sistema y la docente, especialmente cuando el estudiante no participa en las interacciones o en dar respuesta a una pregunta. La Tabla 4 muestra la aplicación de un test de U de Mann-Whitney como comparación estadística de las medias, para determinar si existe una diferencia en la variable dependiente «tipo de distracción», cuando no se verifica la condición de normalidad para los dos grupos independientes estudiados.

A pesar de que las diferencias son evidentemente significativas, no se ha planteado un detalle mayor en el análisis de los datos, pues hemos considerado que algunas formas de distracción señaladas por el docente son susceptibles de discusión -como poner la foto en vez de la telecámara o no contestar rápidamente a una pregunta-. En ese sentido, la atención puede perderse, con certeza, aunque el estudiante aparezca formalmente presente en la clase y fije con su mirada la pantalla. Incluso, el mismo sistema señalaba, además, como distracciones los cortes de conexión que, a todas luces, son ajenos a la voluntad del estudiante. Por eso, el hecho de que ambas mediciones sean significativas, tanto la de percepción del estudiante como la elaborada por el docente, permitiría aceptar cuantitativamente una hipótesis que, intuitivamente, tiene relevancia. Una muestra de ello es que si el estudiante tiene que estar pendiente del manejo del teclado, no puede distraerse demasiado de la dinámica de la clase. Por tanto, las situaciones en las que se distraían, según la justificación de los estudiantes, eran las siguientes:

En este caso, creemos que ha sido un error no definir la idea de distracción de otro modo. En la pregunta se cuestionaba operacionalizando la variable con las expresiones «perder el hilo de la clase» y «sacar los ojos de la pantalla o del cuaderno». En sentido general, la «distracción» de usar el celular tiene que considerarse de forma diferente en un protocolo en el que se necesitan pantallas accesorias -como para completar un cuestionario Kahoot- a otro para el GC, en el que sabemos que el uso del celular no tiene nada que ver con lo que se solicita en las clases. A pesar de esta limitación en la lectura de los datos, determinamos que los elementos que normalmente se consideran como distractores en la clase pueden quedar englobados dentro de la planificación didáctica. Los datos avalan, pues, la idea de que el nivel de atención se mantiene más alto cuando se interactúa con dispositivos electrónicos incluidos en la planificación de clases.

Este es el punto para el cual la aplicación de los monitoreos de atención automatizados hubiera sido más útil y objetivo. Las conclusiones, sin embargo, coinciden con las obtenidas por otros autores (^{Bembich & Paoletti, 2016}) que estudian el contexto de clases universitarias que no son de lengua. Por esto, creemos que, si esto es válido en pedagogías que pueden recurrir a clases magistrales, es coherente que lo sea mayormente en contextos en los que la interacción es significativa.

5.4. Interactividad y certificación del nivel de lengua

Los estudiantes realizaron la prueba dele en julio 2020 y recibieron los certificados en septiembre del mismo año. La prueba se califica sobre 100 puntos, con calificación equitativa de 25 puntos en cuatro destrezas: comprensión de lectura, expresión e interacción escrita, comprensión auditiva y expresión e interacción orales. Hubo un solo «no apto» entre los 50 estudiantes del GT y dos en el GC-teniendo en cuenta que no se entregan certificaciones a los estudiantes «no aptos»-. Dado que se trata de grupos independientes, la comparación entre medias la realizamos mediante el test u no paramétrico de Mann-Whytney:

El procesamiento de estos datos muestra que no existe una diferencia significativa entre el uso de un determinado protocolo y una determinada destreza calificada. En este resultado puede haber influido el hecho de que los estudiantes hayan tenido que realizar un curso previo común de 15 horas, posterior al tratamiento y necesario para la preparación del examen. En teoría, es un curso en el que no se «enseña lengua», sino donde se explica cómo se hacen formalmente los exámenes, pero la incidencia de una práctica común parece difícil de eliminar como variable interviniente. Esta objeción nos limita mucho en las posibilidades de interpretar el dato de significatividad de las actividades productivas, muy cercano al valor de significatividad.

En cierto sentido los resultados obtenidos contradicen lo que las investigaciones sobre funciones ejecutivas y de la memoria han estudiado, esto es, que la conservación de la memoria es fundamental para resolver actividades básicas del lenguaje, tanto en comprensión como en producción (^{Hsueh-Chao & Nation, 2000}; ^{Pimperton & Nation, 2010}). Ante esto, esperaríamos que quien se distrae más en clases sea quien obtiene notas más bajas. Esto es solo parcialmente cierto, pues la diferencia es matemática y no estadística. Es posible que la diferencia esté en el tipo de metodología aplicada. En la investigación reseñada hay una sola tarea y la obtención de datos es inmediata -memoria de trabajo-. En ciclos de estudio más largos, con más tiempo para introducir contenidos y afilar las estrategias de proceso, es la memoria a largo plazo y la de proceso donde se revelan más significativas.