De dibujar funciones a construir significado
Argumento que la IA en educación matemática no debería ser un generador de imágenes, sino una interfaz para modificar modelos coherentes. La diferencia es enorme.
Hay un momento que se repite en cualquier clase de matemática, y casi nadie lo nombra.
Estás trabajando con dos funciones en una herramienta digital. Has graficado y en el plano cartesiano, has marcado los puntos de intersección, has sombreado la región donde . La pantalla se ve bien. La explicación fluye.
Y entonces quieres mostrar otro caso, para que la idea quede clara. Cambias .
Y, de pronto, todo lo que habías construido deja de tener sentido. Las intersecciones quedan donde estaban, marcando puntos que ya no son intersecciones. La región sombreada permanece, cubriendo un área que ya no corresponde a la desigualdad. Las anotaciones quedan desfasadas.
No es que la herramienta falle. Hace exactamente lo que debe hacer, por diseño.
El problema es otro. Y es invisible porque lo hemos normalizado.
La herramienta sabe dibujar las funciones, pero no sabe que la región dependía de cuál era mayor en cada punto. No sabe que las intersecciones eran consecuencia de la igualdad entre ambas. No sabe que las coordenadas etiquetadas estaban atadas a esos puntos. Para la herramienta, todo eso son trazos independientes que coincidían en el momento en que los dibujaste.
Cuando algo cambia, la coherencia se pierde. Y la única forma de recuperarla es volver a construir.
Esta fricción es cotidiana, y la asumimos como parte del trabajo. Pero no tiene que ser así. En este post intento dar razones del porqué.
El problema no es de gráficos. Es de modelado.
Cuando dibujas dos funciones y sombreas una región entre ellas, lo que ves en pantalla son tres cosas: dos curvas y un área. Pero lo que realmente está pasando ahí es más rico. Hay relaciones:
- La región sombreada depende de cuál función es mayor en cada punto.
- Las intersecciones dependen de las dos funciones.
- Los puntos donde la región empieza y termina dependen de las intersecciones.
Esa red de dependencias existe en nuestra cabeza cuando enseñamos. Existe en la matemática. Pero usualmente no existe en el dibujo.
El dibujo es una fotografía de un instante donde todas esas relaciones se cumplen por casualidad visual. Cambia una función, y la fotografía deja de ser cierta. No hay forma de "actualizar" la fotografía: solo de tirarla y tomar otra.
Mi reflexión personal es que esta es la asunción tácita sobre la que se construyó casi todo el software de matemáticas que usamos hoy: una representación es un dibujo. Un dibujo es estático. Para cambiarlo, lo redibujas.
La asunción es tan profunda que no la vemos. Pero limita cómo enseñamos.
Lo que se rompe cuando intentas cambiar algo
Probablemente has vivido esto:
Estás mostrando cómo varía el área bajo una curva al cambiar los límites de integración. Mueves el límite derecho. El área sombreada se queda quieta porque era una imagen. Tienes que rehacer el sombreado a mano. Mientras tanto, los estudiantes ya perdieron el hilo.
O esto:
Construyes un triángulo con sus tres alturas. Quieres mostrar que cuando el triángulo se vuelve obtuso, el ortocentro queda fuera. Mueves un vértice. Las alturas no se actualizan. Las recalculas, las redibujas, vuelves al punto. La idea pedagógica, que el ortocentro se mueve mientras el triángulo cambia, queda diluida porque el cambio no fue continuo.
O esto:
Dibujas , , sombreas la región donde una es mayor que la otra. Cambias . Todo se rompe. La región sigue donde estaba, las intersecciones siguen donde estaban, aunque ya no signifiquen nada.
En todos estos casos, lo que se rompe no es el software. Es algo más profundo: se rompe la coherencia entre lo que el dibujo muestra y lo que la matemática dice.
Y eso, pedagógicamente, es crítico. Porque el estudiante no aprende viendo dibujos correctos. Aprende viendo cómo los dibujos siguen siendo correctos cuando algo cambia. La invariancia bajo transformación es donde vive el concepto.
Dos paradigmas: representar y modelar
Quiero proponer una distinción que creo que vale la pena tener nombrada.
El paradigma de la representación: una escena es una imagen. Sus elementos son trazos: líneas, puntos, curvas, áreas rellenas. Las relaciones matemáticas entre ellos viven en la cabeza de quien dibuja, no en la representación. Modificar significa borrar trazos y dibujar otros.
El paradigma del modelado: una escena es una red de objetos con identidad y relaciones explícitas. Sus elementos no son trazos; son entidades: esta función, esta intersección, esta región, que conocen su naturaleza y sus dependencias. Modificar significa cambiar un objeto y dejar que la red se reorganice. La coherencia matemática vive en la estructura misma, no en quien la mira.
La diferencia parece sutil. No lo es.
En el primer paradigma, la representación es muerta. Una vez producida, modificarla implica reproducirla. En el segundo, la representación es viva. Tiene estado interno, dependencias resueltas en tiempo real, y reacciona a transformaciones manteniendo invariantes.
Para el lector con perfil técnico: lo que estoy describiendo es la diferencia entre tratar una escena como un render output y tratarla como una graph-based scene with declarative relations. La primera es un artefacto final; la segunda es un grafo donde los nodos saben qué los define y se recomputan cuando sus dependencias cambian. La diferencia no es de UI: es de arquitectura.
Y esto cambia algo importante sobre el papel de la IA en educación.
La IA no es el motor. Es la interfaz.
En el paradigma de la representación, la IA solo puede generar imágenes nuevas cuando algo cambia, porque eso es lo único que sabe hacer un sistema de dibujo. Le pides que ajuste la escena y, por dentro, la reproduce desde cero. El resultado puede verse correcto, pero la coherencia es accidental: si vuelves a pedir un cambio, puede romperse.
En el paradigma del modelado, la IA no dibuja, sino que modifica un modelo existente, y la imagen es solo una proyección de ese modelo.
La diferencia se ve cuando lo intentas en serio. Déjame mostrar exactamente lo que pasa cuando un profesor le habla a una herramienta diseñada bajo el segundo paradigma.
Primer prompt:
"Sombrea la región donde es mayor que "
Con y ya en el plano, la herramienta no genera una imagen. Construye un objeto: una región definida por la desigualdad , que sabe de qué dos funciones depende.
Segundo prompt:
"Muestra los puntos de intersección entre y con sus coordenadas."
La herramienta no añade dos marcas sobre la escena. Construye dos puntos de intersección derivados de la ecuación , y dos etiquetas de coordenadas atadas a esos puntos. La región del paso anterior no se toca: los nuevos objetos se suman al modelo.
Cada uno de estos elementos sabe de qué depende.
Tercer prompt:
"Cambia la función por ."
Y aquí es donde la diferencia entre paradigmas se vuelve visible.
El profesor solo mencionó . No dijo nada sobre las intersecciones. No dijo nada sobre la región. No dijo nada sobre las coordenadas.
No tuvo que decirlo, porque esos elementos ya existen como objetos del modelo y saben cómo reaccionar cuando cambia.
Esto es lo que quiero que se entienda: la IA no rehizo la escena. La IA tradujo lenguaje natural en una operación sobre el modelo, un cambio en una entidad. La coherencia visual no es un acto de generación; es una consecuencia de cómo está estructurado el modelo por debajo.
Esto suena técnico, pero la implicación pedagógica puede ser enorme:
En el aula, el profesor puede iterar. Puede preguntarle a la herramienta cosas que se construyen sobre lo anterior. Puede decir "ahora muestra solo la parte de la región donde " sin que la herramienta pierda lo que ya construyó. Cada intervención es una transformación, no una regeneración.
La explicación se vuelve continua. La matemática se vuelve manipulable. Y la IA deja de ser un generador de imágenes bonitas para convertirse en lo que realmente debería ser en educación: una interfaz para modificar el significado.
La intuición pedagógica detrás
Llevo varios años pensando sobre cómo los estudiantes construyen significado matemático, y hay una observación que se repite: los estudiantes que solo ven gráficos terminados los procesan como imágenes, no como relaciones.
Si les muestro la gráfica de una parábola, ven una forma curva. Si después les pregunto qué pasa con esa parábola cuando cambio un coeficiente, muchos no pueden anticiparlo, no porque no entiendan parábolas, sino porque para ellos esa parábola es esa imagen, no una relación entre e con un parámetro variable.
El paradigma de la representación refuerza ese error sin querer. Cada gráfico es una imagen aislada. Cada cambio es una imagen nueva. La continuidad, que es donde vive el concepto, queda implícita en la cabeza del profesor pero invisible para el estudiante.
El paradigma del modelado lo invierte: la continuidad es lo explícito, lo visible, lo manipulable. El estudiante puede ver la curva moverse mientras el profesor cambia un parámetro, y ve cómo todo lo que depende de ella, vértice, raíces, área bajo la curva, intersecciones con otra función, se reorganiza coherentemente.
Eso no es una herramienta nueva. Es otra manera de enseñar lo mismo.
Lo que esto implica
Si esta distinción es real, y creo que lo es, entonces hay consecuencias incómodas.
Implica que muchos de los recursos visuales que producimos para enseñar matemáticas, por más bonitos y precisos que sean, están pedagógicamente incompletos. Son fotos donde debería haber procesos.
Implica que la pregunta de fondo en herramientas educativas no es "¿cómo dibujamos mejor?", sino "¿cómo modelamos lo que la matemática dice, de manera que el dibujo sea solo una proyección de un modelo coherente?".
Implica que la IA, cuando llega a la educación, debería estar conectada a un modelo, no generando imágenes desde cero. Generar dibujos nuevos cada vez es elegante en demos, pero pedagógicamente vacío. Modificar un modelo coherente es menos espectacular pero infinitamente más útil.
Y, sobre todo, implica que construir herramientas de matemática evolutivas es difícil. Hay que diseñar objetos con identidad estable, dependencias declarativas, transformaciones que preserven invariantes, y un sistema de actualización que mantenga la consistencia cuando una sola entidad cambia. No es trabajo de gráficos: es trabajo de modelado de dominio. Mucho más cercano a un sistema de tipos o a un grafo de cómputo que a una librería de visualización.
Pero es el trabajo que toca.
Una pregunta para cerrar
Si esto te resuena, te dejo una pregunta para reflexionar:
¿Cuántas de las representaciones que usamos para enseñar matemáticas son, en realidad, fotografías de un instante donde el concepto se cumplía por casualidad? ¿Y cuántas confusiones de nuestros estudiantes vienen de no haber visto nunca el instante anterior, ni el siguiente?
Pruébalo tú mismo
Construye la escena de este post en QuickFigen y experimenta cómo se reorganiza cuando cambias una función. Es la mejor forma de entender la diferencia entre representar y modelar.
