Recientemente, se ha publicado mi articulo titulado "Modeling the physiological response of flow in groups: a mathematical approach" en la revista Smart Learning Environments (JCR-Q1).
Ha tenido un alto impacto, ya que se sitúa en el percentil 94 general y en el 84, respecto a la revista, siendo el primero de edad similar (Altmetric).
Se lo dedico a Paul Dirac, ya que los modelos matemáticos que obtuvimos son de una belleza y simetría que me hicieron abrazarlos de inmediato. También a Mihalyi Csikszentmihalyi, padre de la teoría de la motivación del flow, a la que dediqué mi tesis.
¿DE QUE TRATA ESTE PAPER?
Para entrar en materia, dentro de una investigación formal, imaginen dos grupos de alumnos que practican robótica educativa y diseño gráfico, en un aula real, con sesiones estándar de una hora. Añadan la posibilidad de predecir los niveles de bienestar de esos grupos, con un sistema invisible que escuche el "corazón del grupo" y ayude al profesor a que mejoren su aprendizaje. Se necesitarían modelos matemáticos y un sistema informático complejo. Supongan que, por casualidad, hacen un desconcertante descubrimiento sobre la motivación. De eso va este trabajo.
Como el paper es árido, aquí trato de explicarlo de manera pseudodivulgada y razonada. También uso un lenguaje coloquial cuando pueda, para hacer algo digerible esta entrada de blog. En The Conversation (al final del todo), hay una explicación divulgativa que me gusta mucho.
Esta es la cuarta obra impulsada por mi tesis doctoral sobre la Teoria Flow, hipervitaminada con análisis de datos que no pude incorporar para su defensa. Para los mas acérrimos que quieran profundizar, se titula "Mejora del Rendimiento Educativo mediante medición de Expectativa de Flow Grupal con Dispositivos Portátiles". Se refiere a parte de lo estudiado con los dos grupos de control de esa tesis. Lo que sucedió con los dos grupos experimentales, está en revisión ahora. Creo que traerá cola.
En mi lógica interna, se anticipa en su salida a una serie de papers que estaban en revisión y deberían haber visto la luz antes, pero así funciona este negocio. Nunca sabes siquiera si te van a dar un cajonazo, o no, así que, el orden en el que van saliendo, resulta un mal menor.
Al igual que este trabajo, esos papers tocan los pilares fundamentales de la Teoría Flow, sin que fuese mi objetivo en ningún caso, ya que me situaba en un paradigma pragmático de investigación. Quiero decir que desarrollaba una herramienta práctica y no me interesaban las teorías.
Los resultados, simplemente surgieron de analizar los datos de una manera imparcial y critica, enfrentando un estado psicológico no lineal y endiablado de parametrizar informáticamente. Anticipo que los modelos no son, precisamente, difíciles de entender.
Cuando presentaba mis anteproyectos de tesis, soñaba con aplicar modelos de IA de vanguardia, para lucir un poco lo mucho que había estudiado, mientras anticipaba el flow grupal de mis "alumnos", ayudado por medio de bandas deportivas cardiacas que me diesen datos en tiempo real.
Por ejemplo, sin ver los datos, me imaginaba combinando LSTM, fisiología y cuestionarios. Nada mas lejos de la realidad, puesto que modelos muy efectivos y sencillos de explicar, basados en regresiones lineales o clustering, surgieron en tareas rutinarias de estudio del comportamiento de las variables. Se podían interpretar a simple vista con claridad.
En segundo lugar, LSTM sirve para estudiar series temporales de datos. Tiene memoria del pasado, pero va olvidando y dando más peso a los últimos acontecimientos. Me hubiese llevado un descalabro, como argumenté a un miembro del tribunal de mi tesis, el único invitado de UNIR, ya que el modelo es el que tiene que ajustarse a la realidad y no al revés, como veremos pronto.
Una consideración con respecto a los parámetros cardiacos: antes de usarlos en los cálculos, había que limpiarlos, detendenciarlos y extraerlos cada 5 minutos (hasta 40), ya que si no, no se pueden comparar, según nos cuentan los cardiólogos.
Empecé por correlacionarlos con dimensiones de dos escalas de flow (FKS y EduFlow), tomando medias grupales cada 5 minutos, para intervalos de confianza de 99% (de locos, para los antecedentes históricos).
Los antecedentes no eran nada halagüeños y no terminaba de fiarme de una teoría que bebe de la psicología positiva, en las antípodas de los experimentos fisiológicos.
En cambio, los modelos fisiológicos previos tenían ajustes muy bajos, se referían a contextos individuales de laboratorio, mientras se realizaban actividades mecánicas de escasa duración.
Todo esto me motivó a buscar soluciones con aplicaciones educativas.
SALTÓ LA PRIMERA LIBRE
Pronto obtuve un grafico, tan sencillo como elocuente y contraintuitivo, que apodamos "la montaña invertida".
Figura 1. La "montaña invertida".
Los puntos azules representan correlaciones entre el ritmo cardiaco medio grupal (HR) con el absortamiento cognitivo de los grupos (D1), mientras que los rojos, monitorizan la evolución con los niveles de flow grupal (Flow).
¿Cómo era posible que en "La montaña invertida", se observe una correlación mayor al principio de las sesiones y disminuya al final de las clases, momento en el que mi alumnado contestaba los cuestionarios de flow?
Mejor, imposible, pero dejemos la respuesta a la gran pregunta, para el final.
Esto me permitió imaginar un modelo predictivo que el profesor podría aplicar tomando datos en tan solo 5 minutos de clase, ya que el impacto máximo de la decisión tomada por indicaciones del modelo, tendría lugar justo después (entre 5-10 minutos del comienzo de la clase). Así podría dedicarse a manejar la clase sin estar todo el tiempo pendiente de un sistema informático que podría terminar siendo invasivo.
LA BELLEZA DE LAS MATEMATICAS: "EL GRÁFICO DE PEZ"
En la teoría del flujo, el concepto de equilibrio es fundamental, muy intuitivo de entender, pero muy difícil de parametrizar, como demuestran 50 años de trabajos.
Por ello, inventé una forma de expresarlo, combinando datos disponibles. Usé la diferencia entre la dificultad percibida (Challenge en inglés) y las capacidades de la persona para enfrentar una tarea (Skills), dividido entre lo equilibradas que ambas cuestiones les pareciesen (Balance).
Barreras = (Retos - Habilidad) / Equilibrio
Como estaba inspirado esa tarde, lo llamé "barreras". El guarismo representa las asperezas que encontramos para hacer una tarea, es decir, el "antiflow".
Cualquiera con un humilde excel y los datos de mi tesis, puede replicar el scatterplot de la figura 1. Solo tiene que saber representar varios parámetros a la vez frente al ritmo cardiaco. Utilicé medias grupales normalizadas en cada sesión (durante los 5 primeros minutos de clase, ojo).
Los datos combinados fueron: el ritmo cardiaco (HR), el flow, el absortamiento cognitivo (D1) y la desviación estándar del ritmo cardiaco (SD). Como se refieren a medias globales normalizadas, se añade una z antes de cada variable y una g al final para nombrarlas. ¡Et voilà!
Figura 2. El "gráfico de pez".
De esta forma tan sencilla, es posible representar gráficos de varias dimensiones en un papel. Esto es genial, ya que nuestra mente no es capaz de imaginar en más de tres dimensiones.
La simetría perfecta de las
curvas de flow, que se toman de un cuestionario
EduFlow, con respecto a las
barreras, que salen del otro cuestionario de flow (
FKS), es bellísima, a la par que coherente. Recuerda a un pez de colores visto de perfil.
Cuanto más flow tengas, menos barreras experimentas y a la inversa. Cuando tu corazón se acelera, te estresas y sientes menos flow. Si va muy despacio y no hay cambios en ello, te estarás aburriendo, luego es poco probable que estés en flow. Además, refleja la no linealidad del flow.
Este modelo tiene un coste computacional muy bajo y es explicable, por lo que lo utilicé como base para mi sistema de ayuda al docente en relojes inteligentes de gama básica.
MODELOS ROBUSTOS DE ENORME BELLEZA Y MEJOR AJUSTE MUNDIAL
Como el "Modelo de pez" pudiese resultar insultantemente sencillo para los amantes del postureo, y podía dar la campanada, añadí una extensión a cuestiones bien defendidas en mi tesis.
También, quise dar respuesta a una sugerencia que me hizo un miembro de mi tribunal de tesis, de la excelente Universidad Francisco de Vitoria, para que mostrase medidas individuales del flow en grupo para trabajos futuros, no solo valores medios grupales. Con mi agradecimiento, aquí los tiene.
Estos modelos son robustos, pero computacionalmente más difíciles de implementar en smartwatches, si es que es posible que pudiese hacerlos correr en ellos. No hubiese logrado los objetivos de tesis y, por consiguiente, hoy estaría suspenso.
Estos modelos, para esos primeros 5 minutos de clase, evalúan de manera individual la actividad del Sistema Nervioso Simpático (activa el corazón) y del Parasimpático (relaja el corazón), con respecto a la piedra angular del flow: el absortamiento cognitivo medido en cuestionarios.
Los datos se normalizan, un poquito de Python de por medio, y estos son los modelos que se obtienen.
Figura 3. Modelos robustos fisiológicos de flow
En Colab, puede jugarse con ellos y lo que se quiera. Describen una superficie polinómica de segundo grado en el espacio casi perfecta. Recórcholis, como diría Dirac.
EL FLOW ES UNA TEORIA DE EXPECTATIVAS
Lo primero que tengo que aclarar, para dar contexto, es que la asistencia a las clases era totalmente voluntaria y que existían alternativas discrecionales, incluyendo ir al recreo.
Una vez que me cansé de frotarme los ojos con los modelos obtenidos, pasé a tratar de explicarme lo del gráfico de la montaña invertida.
En ese esquema, la correlación es menor entre el flow reportado por el alunado y lo que nos dice su corazón, conforme pasa el tiempo. Todo ello, con intervalos de confianza que dejan poco margen a la especulación (p. << 0.01)
Se admiten distintas hipótesis, pero, en mi opinión, se crea una expectativa relacionada con el flow fisiológico grupal al principio de las sesiones. El pico de flow, tiene lugar a los pocos minutos de comenzar y el alunado se va cansando y hartando de mí, conforme pasa el tiempo. Pero siguen sin marcharse tampoco al final y la teoría flow justifica la permanencia, el "engage", por la efectiva experimentación del flow, que queda sin evidenciarse, sobre todo al final.
Haciendo un poco de spoiler, juego con una gran ventaja para resolver este enigma.
Esta hipótesis de las expectativas de flow, la refuerza más el hecho de que ninguno de los participantes se fueran en un total de 36 sesiones lectivas de una hora (anticipo aquí cosas que pasaron con los grupos experimentales).
Si puedo medir el flow, como acreditan las abrumadoras correlaciones de la tesis con 40 parámetros cardiacos, y vi que hubo sesiones donde no medí ni observé flow, creo que la expectativa de experimentarlo, es lo que justifica la permanencia.
Evidentemente, el hecho de experimentarlo más regularmente (prevalencia, que es lo que miden EduFlow y FKS) incrementa esa expectativa, pero también debe estar haciéndolo el flow que se imaginan cuando les presenta el profesor lo que van a hacer ese día al comienzo de la clase, el que recuerdan de otras sesiones y el que se observa en los compañeros de clase. Porque, las personas que fluyen, son empáticas observando el flow de otras personas (esto es trabajo de otro paper), y todos los participantes dieron buenos valores en la escala SFPQ, que evalúa la predisposición a las experiencias óptimas.
Todo ello, me permite formular la hipótesis de que la Teoría del flow, es una teoría de la motivación basada en expectativas: la de experimentar flow.
