Casi todos aprendimos matemática igual: una lección sobre un tema y, a continuación, una página de ejercicios del mismo tipo. Veinte de fracciones, después veinte de porcentajes. Se llama práctica en bloques, y tiene una virtud evidente: cuando llegás al quinto ejercicio, ya sabés cómo resolver el sexto. La alternativa es la práctica intercalada, que mezcla los problemas de modo que dos seguidos no se resuelvan con la misma estrategia. Cuesta más, avanza más lento y se siente peor.
Hace unos años escribí sobre esta técnica, y la Universidad ORT Uruguay enlaza ese texto desde una nota sobre técnicas de estudio validadas por la ciencia. Hoy lo reescribo desde otra pregunta: qué pasa con una técnica que funciona porque exige esfuerzo cuando cada estudiante tiene a mano una herramienta pensada para ahorrárselo.
En la Universidad de California en Los Ángeles, Nate Kornell y Robert Bjork pidieron a un grupo de estudiantes que aprendiera el estilo de doce pintores poco conocidos a partir de seis cuadros de cada uno: algunos pintores aparecían en bloque, un cuadro tras otro, y otros intercalados con los demás. Después había que reconocer al autor de cuadros nuevos. Mezclar funcionó mejor, al revés de lo que esperaban los propios investigadores. Lo revelador vino al final: el 78 % de los participantes rindió mejor con los cuadros intercalados, pero el 78 % dijo que los bloques le habían servido igual o más. Lo sostenían después de haber rendido la prueba.
Lo que se siente fluido mientras practicás es, muchas veces, lo que no queda.
Elizabeth y Robert Bjork explican esa trampa con una distinción clásica: el rendimiento es lo que se observa durante la práctica; el aprendizaje es el cambio duradero que hay que inferir, y el rendimiento del momento lo mide muy mal. Las condiciones que lo hacen subir rápido suelen no sostener la retención ni la transferencia, y las que lo frenan suelen favorecerlas. A estas últimas las llaman dificultades deseables: intercalar temas, espaciar las sesiones, variar las condiciones, ponerse a prueba en lugar de releer. Con una advertencia: si quien aprende no tiene la base para enfrentarlas, dejan de ser deseables.
La evidencia no se queda en el laboratorio. Un equipo de la Universidad del Sur de Florida trabajó con 54 cursos de séptimo grado, 787 estudiantes, durante cuatro meses: unos recibieron tareas de matemática intercaladas y otros, en bloques. Un mes después, en una prueba sin aviso, el grupo intercalado obtuvo un 61 % frente a un 38 %. La mayoría de los docentes contó que sus alumnos encontraban esa práctica algo más difícil y más lenta.
Tampoco es una regla universal. Un metaanálisis de 59 estudios encontró un efecto moderado a favor de intercalar: mayor con pinturas y otros materiales visuales, pequeño en matemática y a favor de los bloques cuando lo que se aprende son palabras. Mezclar rinde más cuando las categorías se parecen entre sí y la dificultad está en distinguirlas. Es lo que pasa fuera del aula: nadie avisa qué tipo de problema tenés delante.
Ahora, la inteligencia artificial. Las herramientas están pensadas para quitar fricción: ordenan por tema, resumen y responden antes de que termines de formular la duda. Es la lógica de la práctica en bloques llevada al extremo. Los Bjork lo advierten sin rodeos: cada vez que buscás una respuesta que podrías haber generado vos, te privás de una oportunidad de aprender. Un experimento con 117 universitarios lo midió con ChatGPT: en una tarea de escritura, el grupo que lo usó mejoró su texto más que los otros, pero no aprendió más ni transfirió mejor lo aprendido. Los autores lo asocian con lo que llaman «pereza metacognitiva».
La misma herramienta, sin embargo, puede hacer lo contrario. Armar práctica intercalada exige trabajo: producir muchos problemas distintos, mezclarlos con criterio y preparar la corrección. Una IA puede generar en segundos una serie mezclada con lo que ya estudiaste, sin anunciar qué estrategia pide cada ejercicio, y corregirte después de que lo intentaste. Los investigadores de Florida agregan dos cuidados: es probable que haga falta algo de práctica en bloques al principio y que la corrección sea un ingrediente necesario.
Trabajo con datos hace más de veinte años y aprendí a desconfiar de los indicadores que suben rápido: suelen medir lo que es cómodo medir. La sensación de fluidez es exactamente eso, una métrica de actividad que se confunde con un resultado. Frente a un equipo que dice haber aprendido a usar la IA porque la usa todos los días, la pregunta útil es qué puede hacer sin ella.
La inteligencia artificial puede quitarte la dificultad que hacía falta o diseñarla a tu medida. Hace lo que le pidas, y lo más natural es pedirle comodidad.
Si estudiar con IA se siente demasiado cómodo, conviene preguntarse quién está haciendo el trabajo.
Fuentes
- Kornell, N. y Bjork, R. A. (2008). Learning concepts and categories: Is spacing the “enemy of induction”? Psychological Science, 19(6), 585–592. doi.org/10.1111/j.1467-9280.2008.02127.x
- Bjork, E. L. y Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. En M. A. Gernsbacher, R. W. Pew, L. M. Hough y J. R. Pomerantz (Eds.), Psychology and the real world: Essays illustrating fundamental contributions to society (pp. 56–64). Worth Publishers. bjorklab.psych.ucla.edu
- Rohrer, D., Dedrick, R. F., Hartwig, M. K. y Cheung, C.-N. (2020). A randomized controlled trial of interleaved mathematics practice. Journal of Educational Psychology, 112(1), 40–52. doi.org/10.1037/edu0000367
- Brunmair, M. y Richter, T. (2019). Similarity matters: A meta-analysis of interleaved learning and its moderators. Psychological Bulletin, 145(11), 1029–1052. doi.org/10.1037/bul0000209
- Fan, Y., Tang, L., Le, H. et al. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. doi.org/10.1111/bjet.13544