A pesar del potencial prometido de los SAA, muchas preguntas permanecen sin respuesta. A\u00fan no hay suficiente investigaci\u00f3n o documentaci\u00f3n de pr\u00e1cticas en el aula que ayuden a abordar estos temas:<\/p>\r\n\r\n
Al desarrollar ALS, se utilizan algunos principios ya sea directa o indirectamente. Estos no siempre est\u00e1n exentos de consecuencias.<\/p>\r\n\r\n
\u00bfQu\u00e9 hacen los SAA cuando predicen o recomiendan algo? Usan las experiencias pasadas, preferencias y rendimiento del estudiante para elegir qu\u00e9 recomendarles; miran al pasado para predecir el futuro. As\u00ed, estos sistemas siempre est\u00e1n sesgados hacia el pasado4<\/sup>. El AA funciona mejor en un mundo est\u00e1tico y estable donde el pasado se parece al futuro5<\/sup><\/em>. ALS, basado en modelos de AA hace m\u00e1s o menos lo mismo, pero ahora con la adici\u00f3n de consideraciones pedag\u00f3gicas.<\/p>\r\n Como consecuencia, estos sistemas no son capaces de tener en cuenta fluctuaciones en la normalidad como la pandemia por la COVID19, entre otros. Pueden luchar para tener en cuenta la edad, el crecimiento, el dominio de nuevas competencias y la evoluci\u00f3n personal de los j\u00f3venes humanos.<\/p>\r\n \u00bfEs el comportamiento del estudiante incluso predecible? \u00bfCu\u00e1ntas veces podemos repetir una f\u00f3rmula que funcion\u00f3 bien en el pasado, antes de que se vuelva aburrida, repetitiva y obstaculice el progreso6<\/sup>? Incluso si tal predicci\u00f3n fuera posible, \u00bfes prudente exponer a los estudiantes solo a lo que les gusta y con lo que se sienten c\u00f3modos? \u00bfCu\u00e1nta novedad es abrumadora y contraproducente6<\/sup>?<\/p>\r\nEs dif\u00edcil decidir cu\u00e1n similares deben ser las actividades recomendadas, cu\u00e1ntos tipos nuevos de actividades deben introducirse en una sesi\u00f3n y cu\u00e1ndo ser\u00eda productivo empujar a un estudiante a enfrentar desaf\u00edos y explorar nuevos intereses. Las respuestas no se encuentran solo en el pasado de los estudiantes.\r\n Incluso donde el pasado se puede usar de manera confiable para predecir el futuro, el propio pasado podr\u00eda ser dif\u00edcil de capturar con precisi\u00f3n. \u00bfC\u00f3mo puede Youtube saber que a un usuario le gust\u00f3 un video? Es m\u00e1s f\u00e1cil saber donde hicieron clic en el bot\u00f3n Me gusta<\/em> o se suscribieron al canal padre despu\u00e9s de verlo. Pero tal comportamiento expl\u00edcito es a menudo raro. Los sistemas de recomendaci\u00f3n tienen que recurrir regularmente a se\u00f1ales impl\u00edcitas que pueden o no reflejar completamente la verdad4<\/sup>. Por ejemplo, Youtube usa el tiempo que un usuario pas\u00f3 viendo el video como una se\u00f1al impl\u00edcita de que les gust\u00f3 el video y les gustar\u00eda ver contenido similar. Pero, el hecho de que un video se reproduzca en la computadora de alguien hasta el final apenas significa que a la persona le gust\u00f3, o incluso que lo vio7<\/sup>.<\/p>\r\n \u00bfQu\u00e9 pasa con c\u00f3mo se registra la retroalimentaci\u00f3n en un SAA? Para evaluar, por ejemplo, si un estudiante estuvo atento durante una actividad, el sistema podr\u00eda registrar el n\u00famero de recursos digitales en los que hicieron clic, y cu\u00e1ndo y por cu\u00e1nto tiempo los accedieron. Pero estos no pueden reflejar con precisi\u00f3n su nivel de atenci\u00f3n1<\/sup>.<\/p>\r\n Por ejemplo, si el estudiante tiene claro qu\u00e9 hacer para una actividad, podr\u00eda consultar algunos recursos y centrarse r\u00e1pidamente en los puntos cr\u00edticos. Alguien que no est\u00e9 tan claro podr\u00eda abrir y pasar tiempo en todos los recursos listados sin aprender mucho1<\/sup>. Es posible que al primer estudiante se le marque incorrectamente por falta de motivaci\u00f3n y se le haga hacer trabajo adicional.<\/p>\r\n Adem\u00e1s, los modelos de AA solo pueden notar que dos cosas sucedieron: un estudiante haciendo clic en un recurso y un estudiante obteniendo una alta puntuaci\u00f3n en el ejercicio asociado. No pueden inferir que el estudiante obtuvo una alta puntuaci\u00f3n porque consult\u00f3 el recurso: pueden inferir correlaci\u00f3n pero no causalidad5<\/sup>.<\/p>\r\n La expectativa injusta de algunos ALS es que el profesor intervendr\u00e1 y corregir\u00e1 tales errores. En otros sistemas, al profesor ni siquiera se le da la opci\u00f3n de hacerlo.<\/p>\r\n\r\n Los sistemas de recomendaci\u00f3n no pueden manejar m\u00faltiples objetivos. El objetivo del ALS a menudo se presenta en forma de una \u00fanica pregunta: la pregunta sustituta<\/em>. \u00bfQu\u00e9 calificaci\u00f3n le dio un usuario a una pel\u00edcula, cu\u00e1nto tiempo vieron un video, cu\u00e1l es la puntuaci\u00f3n del estudiante en un cuestionario, qu\u00e9 tan bien satisficieron los criterios que la m\u00e1quina us\u00f3 para medir la atenci\u00f3n? Los sistemas luego se entrenan para alcanzar estos objetivos y se prueban en funci\u00f3n de si se lograron. Su rendimiento se ajusta constantemente para maximizar su puntuaci\u00f3n con respecto a estos objetivos.<\/p>\r\n Si la puntuaci\u00f3n en el cuestionario es el objetivo, cierto contenido se recomienda de cierta manera. As\u00ed, el rendimiento en el examen es el problema sustituto que se resuelve. Si el objetivo es simplemente hacer que hagan clic en muchos recursos, la recomendaci\u00f3n se adaptar\u00eda para empujarlos a hacer justamente esto. En este caso, hacer que los recursos sean lo suficientemente atractivos es el problema.<\/p>\r\n La elecci\u00f3n de la pregunta sustituta tiene una importancia desmesurada en c\u00f3mo funciona el ALS. Adem\u00e1s, contrario a la promoci\u00f3n de ALS como sistemas objetivos, hay m\u00e1s arte que ciencia en seleccionar el problema sustituto para las recomendaciones4<\/sup>.<\/p>\r\n\r\n Como hemos visto, muchas decisiones entran en la creaci\u00f3n de ALS: qu\u00e9 datos se miden, c\u00f3mo se utilizan estos datos para evaluar la retroalimentaci\u00f3n y otra informaci\u00f3n, qu\u00e9 objetivos se optimizan y qu\u00e9 algoritmos se utilizan para optimizar estos objetivos. A menudo son programadores, cient\u00edficos de datos, expertos en finanzas y marketing los que est\u00e1n involucrados en tomar estas decisiones. La entrada de profesores y expertos pedag\u00f3gicos en el proceso de desarrollo es escasa y a menudo viene despu\u00e9s del proceso de dise\u00f1o2<\/sup>. Los productos no se prueban en el campo antes de su adopci\u00f3n en las instituciones educativas, y a menudo su efectividad proclamada se basa en testimonios y an\u00e9cdotas, en lugar de en investigaci\u00f3n cient\u00edfica2<\/sup>.<\/p>\r\n Como resultado, lo que una instituci\u00f3n educativa requiere y con lo que est\u00e1 familiarizada tiene poco impacto en lo que las compa\u00f1\u00edas de software est\u00e1n construyendo. El costo, la disponibilidad y la infraestructura pueden tener una gran influencia en lo que las instituciones educativas pueden comprar. Es importante tener esto en cuenta al decidir si o c\u00f3mo usar un producto en particular. Quiz\u00e1s sea mejor no pensar en todos ellos como SAA o IA, sino como sistemas individuales con objetivos, dise\u00f1os y capacidades muy diferentes.<\/p>\r\n ALS en su conjunto se puede usar para personalizar la retroalimentaci\u00f3n, el andamiaje y la pr\u00e1ctica. Pueden encontrar brechas en el aprendizaje y remediarlo dentro de los l\u00edmites de la programaci\u00f3n y el dise\u00f1o. No pueden detectar 'momentos ense\u00f1ables' o cu\u00e1ndo es el momento adecuado para capitalizar el \u00e1nimo de la clase para introducir una nueva idea o ejemplo. Estas capacidades que hacen que el aprendizaje sea m\u00e1gico y que ayudan a que la lecci\u00f3n perdure en la mente del estudiante son exclusivamente fortaleza del profesor.<\/p>\r\n\r\n\r\n 1<\/sup> Bulger, M.<\/strong> (2016). Personalised learning: The conversations we\u2019re not having<\/em> [Working paper]. Data & Society. https:\/\/datasociety.net\/pubs\/ecl\/PersonalizedLearning_primer_2016.pdf<\/p>\r\n 2 Groff, J.<\/strong> (2017). Personalized learning: The state of the field & future directions<\/em>. Center for Curriculum Redesign. https:\/\/curriculumredesign.org\/wp-content\/uploads\/PersonalizedLearning_CCR_April2017.pdf<\/sup><\/p>\r\n 3 Holmes, W., Anastopoulou, S., Schaumburg, H., & Mavrikis, M.<\/strong> (2018). Technology-enhanced personalised learning: Untangling the evidence<\/em>. Stuttgart: Robert Bosch Stiftung. https:\/\/www.bosch-stiftung.de\/sites\/default\/files\/publications\/pdf\/2018-08\/Study_Technology-enhanced%20Personalised%20Learning.pdf<\/sup><\/p>\r\n 4 Covington, P., Adams, J., & Sargin, E.<\/strong> (2016). Deep neural networks for YouTube recommendations. Proceedings of the 10th ACM Conference on Recommender Systems<\/em> (pp. 191\u2013198). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/2959100.2959190<\/a><\/sup><\/p>\r\n 5 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\r\n 6 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human-centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>\r\n 7 Davidson, J., Liebald, B., Liu, J., Nandy, P., & Van Vleet, T.<\/strong> (2010). The YouTube video recommendation system. Proceedings of the 4th ACM Conference on Recommender Systems<\/em> (pp. 293\u2013296). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/1864708.1864770<\/a><\/sup><\/p>","rendered":" A pesar del potencial prometido de los SAA, muchas preguntas permanecen sin respuesta. A\u00fan no hay suficiente investigaci\u00f3n o documentaci\u00f3n de pr\u00e1cticas en el aula que ayuden a abordar estos temas:<\/p>\n Al desarrollar ALS, se utilizan algunos principios ya sea directa o indirectamente. Estos no siempre est\u00e1n exentos de consecuencias.<\/p>\n \u00bfQu\u00e9 hacen los SAA cuando predicen o recomiendan algo? Usan las experiencias pasadas, preferencias y rendimiento del estudiante para elegir qu\u00e9 recomendarles; miran al pasado para predecir el futuro. As\u00ed, estos sistemas siempre est\u00e1n sesgados hacia el pasado4<\/sup>. El AA funciona mejor en un mundo est\u00e1tico y estable donde el pasado se parece al futuro5<\/sup><\/em>. ALS, basado en modelos de AA hace m\u00e1s o menos lo mismo, pero ahora con la adici\u00f3n de consideraciones pedag\u00f3gicas.<\/p>\n Como consecuencia, estos sistemas no son capaces de tener en cuenta fluctuaciones en la normalidad como la pandemia por la COVID19, entre otros. Pueden luchar para tener en cuenta la edad, el crecimiento, el dominio de nuevas competencias y la evoluci\u00f3n personal de los j\u00f3venes humanos.<\/p>\n \u00bfEs el comportamiento del estudiante incluso predecible? \u00bfCu\u00e1ntas veces podemos repetir una f\u00f3rmula que funcion\u00f3 bien en el pasado, antes de que se vuelva aburrida, repetitiva y obstaculice el progreso6<\/sup>? Incluso si tal predicci\u00f3n fuera posible, \u00bfes prudente exponer a los estudiantes solo a lo que les gusta y con lo que se sienten c\u00f3modos? \u00bfCu\u00e1nta novedad es abrumadora y contraproducente6<\/sup>?<\/p>\n Es dif\u00edcil decidir cu\u00e1n similares deben ser las actividades recomendadas, cu\u00e1ntos tipos nuevos de actividades deben introducirse en una sesi\u00f3n y cu\u00e1ndo ser\u00eda productivo empujar a un estudiante a enfrentar desaf\u00edos y explorar nuevos intereses. Las respuestas no se encuentran solo en el pasado de los estudiantes.<\/p>\n Incluso donde el pasado se puede usar de manera confiable para predecir el futuro, el propio pasado podr\u00eda ser dif\u00edcil de capturar con precisi\u00f3n. \u00bfC\u00f3mo puede Youtube saber que a un usuario le gust\u00f3 un video? Es m\u00e1s f\u00e1cil saber donde hicieron clic en el bot\u00f3n Me gusta<\/em> o se suscribieron al canal padre despu\u00e9s de verlo. Pero tal comportamiento expl\u00edcito es a menudo raro. Los sistemas de recomendaci\u00f3n tienen que recurrir regularmente a se\u00f1ales impl\u00edcitas que pueden o no reflejar completamente la verdad4<\/sup>. Por ejemplo, Youtube usa el tiempo que un usuario pas\u00f3 viendo el video como una se\u00f1al impl\u00edcita de que les gust\u00f3 el video y les gustar\u00eda ver contenido similar. Pero, el hecho de que un video se reproduzca en la computadora de alguien hasta el final apenas significa que a la persona le gust\u00f3, o incluso que lo vio7<\/sup>.<\/p>\n \u00bfQu\u00e9 pasa con c\u00f3mo se registra la retroalimentaci\u00f3n en un SAA? Para evaluar, por ejemplo, si un estudiante estuvo atento durante una actividad, el sistema podr\u00eda registrar el n\u00famero de recursos digitales en los que hicieron clic, y cu\u00e1ndo y por cu\u00e1nto tiempo los accedieron. Pero estos no pueden reflejar con precisi\u00f3n su nivel de atenci\u00f3n1<\/sup>.<\/p>\n Por ejemplo, si el estudiante tiene claro qu\u00e9 hacer para una actividad, podr\u00eda consultar algunos recursos y centrarse r\u00e1pidamente en los puntos cr\u00edticos. Alguien que no est\u00e9 tan claro podr\u00eda abrir y pasar tiempo en todos los recursos listados sin aprender mucho1<\/sup>. Es posible que al primer estudiante se le marque incorrectamente por falta de motivaci\u00f3n y se le haga hacer trabajo adicional.<\/p>\n Adem\u00e1s, los modelos de AA solo pueden notar que dos cosas sucedieron: un estudiante haciendo clic en un recurso y un estudiante obteniendo una alta puntuaci\u00f3n en el ejercicio asociado. No pueden inferir que el estudiante obtuvo una alta puntuaci\u00f3n porque consult\u00f3 el recurso: pueden inferir correlaci\u00f3n pero no causalidad5<\/sup>.<\/p>\n La expectativa injusta de algunos ALS es que el profesor intervendr\u00e1 y corregir\u00e1 tales errores. En otros sistemas, al profesor ni siquiera se le da la opci\u00f3n de hacerlo.<\/p>\n Los sistemas de recomendaci\u00f3n no pueden manejar m\u00faltiples objetivos. El objetivo del ALS a menudo se presenta en forma de una \u00fanica pregunta: la pregunta sustituta<\/em>. \u00bfQu\u00e9 calificaci\u00f3n le dio un usuario a una pel\u00edcula, cu\u00e1nto tiempo vieron un video, cu\u00e1l es la puntuaci\u00f3n del estudiante en un cuestionario, qu\u00e9 tan bien satisficieron los criterios que la m\u00e1quina us\u00f3 para medir la atenci\u00f3n? Los sistemas luego se entrenan para alcanzar estos objetivos y se prueban en funci\u00f3n de si se lograron. Su rendimiento se ajusta constantemente para maximizar su puntuaci\u00f3n con respecto a estos objetivos.<\/p>\n Si la puntuaci\u00f3n en el cuestionario es el objetivo, cierto contenido se recomienda de cierta manera. As\u00ed, el rendimiento en el examen es el problema sustituto que se resuelve. Si el objetivo es simplemente hacer que hagan clic en muchos recursos, la recomendaci\u00f3n se adaptar\u00eda para empujarlos a hacer justamente esto. En este caso, hacer que los recursos sean lo suficientemente atractivos es el problema.<\/p>\n La elecci\u00f3n de la pregunta sustituta tiene una importancia desmesurada en c\u00f3mo funciona el ALS. Adem\u00e1s, contrario a la promoci\u00f3n de ALS como sistemas objetivos, hay m\u00e1s arte que ciencia en seleccionar el problema sustituto para las recomendaciones4<\/sup>.<\/p>\n Como hemos visto, muchas decisiones entran en la creaci\u00f3n de ALS: qu\u00e9 datos se miden, c\u00f3mo se utilizan estos datos para evaluar la retroalimentaci\u00f3n y otra informaci\u00f3n, qu\u00e9 objetivos se optimizan y qu\u00e9 algoritmos se utilizan para optimizar estos objetivos. A menudo son programadores, cient\u00edficos de datos, expertos en finanzas y marketing los que est\u00e1n involucrados en tomar estas decisiones. La entrada de profesores y expertos pedag\u00f3gicos en el proceso de desarrollo es escasa y a menudo viene despu\u00e9s del proceso de dise\u00f1o2<\/sup>. Los productos no se prueban en el campo antes de su adopci\u00f3n en las instituciones educativas, y a menudo su efectividad proclamada se basa en testimonios y an\u00e9cdotas, en lugar de en investigaci\u00f3n cient\u00edfica2<\/sup>.<\/p>\n Como resultado, lo que una instituci\u00f3n educativa requiere y con lo que est\u00e1 familiarizada tiene poco impacto en lo que las compa\u00f1\u00edas de software est\u00e1n construyendo. El costo, la disponibilidad y la infraestructura pueden tener una gran influencia en lo que las instituciones educativas pueden comprar. Es importante tener esto en cuenta al decidir si o c\u00f3mo usar un producto en particular. Quiz\u00e1s sea mejor no pensar en todos ellos como SAA o IA, sino como sistemas individuales con objetivos, dise\u00f1os y capacidades muy diferentes.<\/p>\n ALS en su conjunto se puede usar para personalizar la retroalimentaci\u00f3n, el andamiaje y la pr\u00e1ctica. Pueden encontrar brechas en el aprendizaje y remediarlo dentro de los l\u00edmites de la programaci\u00f3n y el dise\u00f1o. No pueden detectar ‘momentos ense\u00f1ables’ o cu\u00e1ndo es el momento adecuado para capitalizar el \u00e1nimo de la clase para introducir una nueva idea o ejemplo. Estas capacidades que hacen que el aprendizaje sea m\u00e1gico y que ayudan a que la lecci\u00f3n perdure en la mente del estudiante son exclusivamente fortaleza del profesor.<\/p>\n 1<\/sup> Bulger, M.<\/strong> (2016). Personalised learning: The conversations we\u2019re not having<\/em> [Working paper]. Data & Society. https:\/\/datasociety.net\/pubs\/ecl\/PersonalizedLearning_primer_2016.pdf<\/p>\n 2 Groff, J.<\/strong> (2017). Personalized learning: The state of the field & future directions<\/em>. Center for Curriculum Redesign. https:\/\/curriculumredesign.org\/wp-content\/uploads\/PersonalizedLearning_CCR_April2017.pdf<\/sup><\/p>\n 3 Holmes, W., Anastopoulou, S., Schaumburg, H., & Mavrikis, M.<\/strong> (2018). Technology-enhanced personalised learning: Untangling the evidence<\/em>. Stuttgart: Robert Bosch Stiftung. https:\/\/www.bosch-stiftung.de\/sites\/default\/files\/publications\/pdf\/2018-08\/Study_Technology-enhanced%20Personalised%20Learning.pdf<\/sup><\/p>\n 4 Covington, P., Adams, J., & Sargin, E.<\/strong> (2016). Deep neural networks for YouTube recommendations. Proceedings of the 10th ACM Conference on Recommender Systems<\/em> (pp. 191\u2013198). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/2959100.2959190<\/a><\/sup><\/p>\n 5 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\n 6 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human-centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>\n 7 Davidson, J., Liebald, B., Liu, J., Nandy, P., & Van Vleet, T.<\/strong> (2010). The YouTube video recommendation system. Proceedings of the 4th ACM Conference on Recommender Systems<\/em> (pp. 293\u2013296). Association for Computing Machinery. https:\/\/doi.org\/10.1145\/1864708.1864770<\/a><\/sup><\/p>\n","protected":false},"author":3,"menu_order":7,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":98,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/120"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/users\/3"}],"version-history":[{"count":7,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/120\/revisions"}],"predecessor-version":[{"id":718,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/120\/revisions\/718"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/parts\/98"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapters\/120\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/media?parent=120"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/pressbooks\/v2\/chapter-type?post=120"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/contributor?post=120"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/wp-json\/wp\/v2\/license?post=120"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Un paradigma de ALS: lo expl\u00edcito refleja lo impl\u00edcito<\/h3>\r\n
El paradigma de ALS: todo puede ser reemplazado por esta \u00fanica pregunta<\/h3>\r\n
No toda tecnolog\u00eda es de alta tecnolog\u00eda<\/h3>\r\n
\r\n\n
Un paradigma de ALS: lo antiguo es oro<\/h3>\n
Un paradigma de ALS: lo expl\u00edcito refleja lo impl\u00edcito<\/h3>\n
El paradigma de ALS: todo puede ser reemplazado por esta \u00fanica pregunta<\/h3>\n
No toda tecnolog\u00eda es de alta tecnolog\u00eda<\/h3>\n
\n