El judici no es delega · 5 de 12

És fàcil creure que una bona classe és la que se segueix sense esforç, que un bon material és el que s’entén a la primera i que un alumne que avança amb fluïdesa va aprenent bé. És el que sentim en explicar i és el que ells senten en estudiar, i per això resulta tan difícil desconfiar d’aquesta sensació. El 1992, dos psicòlegs de la Universitat de Califòrnia a Los Angeles, Robert i Elizabeth Bjork, van formular el contrari dins d’un marc que van anomenar Nova Teoria del Desús, i des de llavors van reunint evidència a favor: les condicions que fan l’aprenentatge més fàcil i més fluid a curt termini solen produir pitjor retenció i pitjor transferència a llarg termini (1).

No és que l’esforç sigui bo per ser-ho. És una cosa força més incòmoda, i és que certes dificultats no acompanyen l’aprenentatge, el constitueixen. Qui les retira no estalvia feina. Cancel·la l’efecte d’aprendre.

El que la fluïdesa amaga

L’aportació dels Bjork consisteix a distingir dues forces dins d’un mateix record. La força d’emmagatzematge indica com de ben après està alguna cosa, és a dir, fins a quin punt està connectat amb la resta del que sabem; la força de recuperació indica com de fàcil resulta accedir-hi ara mateix, amb les pistes de què disposem ara. El que és veritablement nou de la seva teoria no és la distinció, que ells mateixos atribueixen a autors anteriors, sinó com interactuen les dues forces: com més gran és la facilitat d’accés actual, menor és el guany d’aprenentatge que produeix tornar a estudiar o tornar a recuperar. Oblidar una mica, per tant, pot afavorir l’aprenentatge. Per això funcionen l’espaiat i la variació, que empitjoren el rendiment visible mentre milloren el que realment s’aprèn (1).

D’aquí se segueix la troballa que més interpel·la un claustre, i que els Bjork situen en el terreny de la metamemòria. Si interpretem el rendiment d’avui com a mesura de l’aprenentatge, no només ens equivoquem en jutjar si hi ha hagut aprenentatge: acabem, a més, «preferint pitjors condicions d’aprenentatge enfront de millors». La preferència és dels estudiants i també és nostra. Douglas Rohrer, que va investigar l’espaiat en classes reals de matemàtiques, va trobar suport sòlid per intercalar els problemes en lloc d’agrupar-los per tipus, i va observar alhora que la majoria dels quaderns d’exercicis i de les tasques d’aula fan just el contrari. Al costat de Marissa Hartwig apunta la raó probable, que és la mateixa que la sèrie va anomenar en el segon post amb un altre protagonista: la pràctica agrupada produeix una il·lusió de domini difícil de vèncer (1).

Tot això és anterior a la intel·ligència artificial generativa. I és que el problema no l’ha creat la màquina, l’ha tornat impossible d’ignorar. Alejandro Espeso-García, de la Universitat Catòlica de Múrcia, descriu el mecanisme amb precisió en la seva revisió sobre potenciació i externalització cognitiva: en lliurar el resultat sense el cost previ de l’esforç, la IA generativa produeix un estat d’eficiència il·lusòria, i a força d’aplanar la corba d’aprenentatge pot privar l’estudiant del «gimnàs cognitiu» on es desenvolupa el pensament crític. Ell ho anomena paradoxa de l’eficiència (2).

No tota dificultat ensenya

Arribats aquí convé frenar, perquè aquest argument es degrada amb molta facilitat. Els mateixos Bjork insisteixen que la paraula important de l’expressió «dificultat desitjable» és desitjable, i que existeix un repertori ampli de dificultats que són indesitjables durant la instrucció i per sempre. El criteri que separa unes de les altres és concret i no té res de moral: una dificultat és desitjable quan dispara processos de codificació i recuperació que sostenen l’aprenentatge, i deixa de ser-ho tan bon punt l’alumne no té el coneixement previ o la destresa necessaris per respondre-la amb èxit. El nivell òptim de dificultat, per tant, no és una propietat de la tasca, sinó una relació entre la tasca i qui la fa (1).

Nicola Hodges i Keith Lohse, en el mateix monogràfic, proposen tres criteris per reconèixer-les per endavant, i són els tres que pot aplicar un departament en una reunió: que la dificultat sigui rellevant per a la tasca; que sigui nova, és a dir, que no sigui una cosa que l’alumne ja està fent; i que li resulti superable (1).

L’avís val doble quan hi entra la IA, i hi ha una dada petita que ho il·lustra bé. En un institut alemany, segons recullen José Antonio Bowen i C. Edward Watson a Teaching with AI, un professor va ensenyar als seus alumnes les fallades de les eines d’IA i els va permetre utilitzar-les als exàmens. Cap no es va recolzar únicament en la màquina, i diversos van ampliar pel seu compte amb cerques addicionals. Els qui van rendir pitjor van ser els qui arribaven amb menys seguretat en el contingut o en el raonament, perquè van adoptar el text generat sense criticar-lo (3). És la mateixa idea que formulen des de l’avaluació Amaia Arroyo Sagasta, doctora en Comunicació i Educació i professora a Mondragon Unibertsitatea, i Carlos Magro Mazo, coordinador del programa educatiu de la Institución Libre de Enseñanza, a l’Informe ODITE 2026: l’aprenentatge depèn d’una base sòlida de coneixements previs i «requereix sempre superar una fricció» (4). Treure la fricció a qui ja domina el contingut li fa guanyar temps. Treure-la-hi a qui no el domina li impedeix adquirir-lo.

Melissa Knabe i Haley Vlach assenyalen, en aquest mateix monogràfic, que l’espaiat és un dels fenòmens més estudiats de l’aprenentatge i, tot i així, amb prou feines s’ha investigat en l’aprenentatge escolar dels nens. Prediuen, a més, que les diferències individuals en atenció, memòria, coneixement previ i metamemòria, totes elles en desenvolupament ràpid i a ritmes diferents, determinaran quin nen se’n beneficia i quin no (1). La conclusió honesta és que tenim un principi molt robust i un mapa incomplet de la seva aplicació per edats. El que ja es va apuntar a l’article anterior sobre la maduració de les funcions executives en l’adolescència reforça aquesta cautela, no la substitueix.

Quina dificultat protegeix cada tasca

Bowen i Watson recullen una distinció del biòleg matemàtic David Krakauer que ordena tot l’anterior. Hi ha artefactes cognitius complementaris i artefactes cognitius competitius. Els nombres aràbics o l’àbac són complementaris perquè amplifiquen les nostres capacitats i les deixen amplificades fins i tot quan l’artefacte ja no és al davant; el GPS i la calculadora són competitius, perquè quan desapareixen no som millors en la tasca original i sovint som pitjors. I els autors hi afegeixen l’única cosa honesta que es pot dir avui, que no està gens clar quin dels dos tipus serà la intel·ligència artificial (3).

Res no garanteix que sigui una cosa o l’altra, perquè no ho decideix l’eina. Ho decideix el disseny de la tasca. A l’article anterior va quedar fixat el criteri de seqüència, que la IA s’utilitzi després del primer esforç i mai en el seu lloc. La pregunta que queda és la difícil, i és quin és exactament l’esforç que cal protegir en cada tasca concreta.

Luis Miguel Iglesias Albarrán, professor de Matemàtiques i director de l’IES San Antonio de Bollullos Par del Condado, proposa a l’Informe ODITE 2026 una resposta que cap en un full i funciona en qualsevol matèria. L’anomena petjada de pensament i consta de quatre moments: un intent inicial propi, que busca autenticitat i no correcció; un contrast amb recursos o amb la mateixa IA, per demanar alternatives o detectar incoherències, que és contrastar i no copiar; una verificació del que s’ha afirmat, que ell situa com el nucli de l’aprenentatge; i una millora final amb una nota breu sobre què es va canviar i què es va aprendre en verificar. La seva formulació del perquè és la millor del capítol: la drecera no deixa petjada (5).

El disseny de la interacció també compta. Les plantilles que ofereixen Bowen i Watson per convertir un model en tutor inclouen una instrucció explícita, que la IA no faci la feina, que pregunti en lloc de reescriure i que doni explicacions i exemples només després que l’alumne ho hagi intentat. David Malan, responsable del curs d’introducció a la informàtica de Harvard, resumeix en una frase per què cal aquesta instrucció: les eines actuals són «massa servicials» (3). I en el mateix llibre hi ha l’avís que tanca l’argument: reconèixer la feina ben feta s’aprèn normalment fent feina mediocre i millorant-la a poc a poc, així que la pregunta pendent és com aprendrà el que és bàsic un alumnat a qui la màquina li resol totes les tasques d’entrada (3).

Què fer amb això

A l’aula. Redissenyar una tasca habitual, una de sola, amb els quatre moments de la petjada de pensament. Iglesias la concreta per matèries: a Matemàtiques, plantejament inicial, estratègia alternativa, comprovació i explicació breu; a Ciències, hipòtesi, contrast, verificació i redacció final; a Socials, contrast de fonts i verificació d’afirmacions; a Llengua, esborrany propi, revisió assistida justificant els canvis, comprovació de coherència i versió final argumentada (5).

A l’aula. El Marc de competències sobre IA de l’OCDE i la Unió Europea, publicat el 2026, descriu un àmbit sencer dedicat a això i ho enuncia així: «repartir la feina de manera deliberada entre les persones i la IA». Entre les seves activitats n’hi ha una que serveix des de primària: els alumnes es col·loquen en quatre racons de l’aula retolats «Només IA», «Amb ajuda d’IA», «Només humans» i «No ho sé», segons com creguin que s’ha de resoldre una tasca quotidiana, i després defensen la seva elecció davant dels qui van triar diferent, amb permís per canviar-se de racó si els convencen. La versió avançada és exactament l’exercici d’aquest article: descompondre els passos d’un treball escrit, triar el tema, buscar evidències, ordenar els arguments, redactar, revisar, i decidir en quins pot ajudar la IA i en quins cal el raonament propi (6).

Per a l’equip directiu. Un acord de departament amb dues preguntes per tasca: quin és el procés cognitiu que aquesta tasca ensenya, i si queda petjada d’aquest procés. Si la primera no es pot respondre en una frase, el problema no és la IA. Iglesias proposa començar per un decàleg de centre i una sola unitat pilot, sense plans grandiloqüents (5). I convé tenir present l’advertència d’Arroyo i Magro: això no depèn de la bona voluntat de cada docent, sinó de decisions culturals, curriculars i sistèmiques, i mentre la qualificació continuï ocupant el centre, l’avaluació del procés continuarà vivint als marges (4).

Bowen i Watson ho resumeixen en una frase que ja no admet discussió: «totes les tasques són ja tasques amb IA» (3). L’única decisió que queda és quina d’elles protegeix alguna cosa.

Per continuar pensant

De les tasques del proper trimestre, sabria dir en una frase quina és la dificultat que cadascuna ensenya? I si en alguna no es pot dir, per què se segueix demanant aquesta tasca?

Glossari

• Dificultat desitjable. Obstacle introduït a propòsit en l’aprenentatge que empitjora el rendiment immediat i millora la retenció i la transferència a llarg termini. Espaiar l’estudi, intercalar tipus de problema o recuperar de memòria en són exemples.
• Dificultat indesitjable. Obstacle que només entrebanca, perquè l’alumne no disposa del coneixement previ o la destresa necessaris per superar-lo. La mateixa tasca pot ser una cosa o l’altra segons qui la faci.
• Força d’emmagatzematge i força de recuperació. Les dues propietats d’un record segons la teoria dels Bjork. La primera és com de ben après està alguna cosa; la segona, com de fàcil resulta accedir-hi en aquest moment. Només la segona es veu.
• Transferència. Capacitat d’aplicar el que s’ha après a una situació diferent d’aquella en què es va aprendre. Juntament amb la retenció a llarg termini, és el que les dificultats desitjables milloren.
• Artefacte cognitiu complementari i competitiu. Distinció de David Krakauer. El complementari augmenta les nostres capacitats i les deixa augmentades quan ja no hi és, com els nombres aràbics; el competitiu fa la tasca per nosaltres i ens deixa pitjors en aquesta tasca, com el GPS.
• Petjada de pensament. Requisit afegit a una tasca perquè quedi evidència de les decisions i revisions de l’alumne: intent propi, contrast, verificació i millora explicada. El focus passa de si es va utilitzar la IA a com es va treballar.

Referències

1. Bjork, R. A., i Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475-479.
2. Espeso-García, A. (2025). Inteligencia artificial generativa: entre la potenciación y la externalización cognitiva. Cultura, Ciencia y Deporte, 20(66).
3. Bowen, J. A., i Watson, C. E. (2024). Teaching with AI: A Practical Guide to a New Era of Human Learning. Johns Hopkins University Press.
4. Arroyo Sagasta, A., i Magro Mazo, C. (2026). Cuando evaluar es aprender. Evaluación auténtica para una educación centrada en el alumnado. A J. M. Muñoz, N. Lorenzo, X. Suñé, M. À. Prats i C. López (coords.), Informe ODITE 2026: Claves para una nueva educación. ODITE, Asociación Espiral, Educación y Tecnología.
5. Iglesias Albarrán, L. M. (2026). IA y aprendizaje. Del producto final al proceso. A Informe ODITE 2026: Claves para una nueva educación. ODITE, Asociación Espiral, Educación y Tecnología. OCDE i Unió Europea (2026). Cómo preparar a los alumnos para la era de la IA: Marco de competencias sobre IA para la educación primaria y secundaria. OECD Publishing. Àmbit «Gestionar la IA».
6. Schwartz, H. L., i Diliberti, M. K. (2026). More Students Use AI for Homework, and More Believe It Harms Critical Thinking: Selected Findings from the American Youth Panel. RAND Corporation, RR-A4742-1.