Revista de Ciencias Sociales (RCS)
Vol. XXX, No. 2, Abril - Junio 2024. pp. 387-402
FCES - LUZ ● ISSN:
1315-9518 ● ISSN-E: 2477-9431
Como
citar: Orbegoso-Dávila, L., Vásquez, I. L., Ledesma-Pérez, F., y Chunga, W. H.
(2024). Carga cognitiva en el aprendizaje colaborativo: Una revisión
sistemática. Revista De Ciencias Sociales, XXX(2), 387-402.
Carga
cognitiva en el aprendizaje colaborativo: Una revisión sistemática
Orbegoso-Dávila, Luis*
Vásquez Alburqueque, Iris Liliana**
Ledesma-Pérez, Fernando***
Chunga Amaya, Wilson Hugo****
Resumen
El
aprendizaje colaborativo se ha convertido en una estrategia educativa
ampliamente utilizada, pero persisten inconsistencias sobre cómo impacta en la
carga cognitiva de los estudiantes. El objetivo de la investigación fue
analizar la carga cognitiva en el aprendizaje colaborativo, haciendo una
revisión sistemática de 24 estudios experimentales y cuasiexperimentales
publicados en los últimos 5 años que analizan mediciones de carga cognitiva en
distintas formas de aprendizaje colaborativo, con el fin de clarificar esta
relación. Los resultados sugieren que el aprendizaje colaborativo reduce la
carga cognitiva al distribuirla entre los miembros del grupo, pero también
incrementa la carga cognitiva pertinente, conduciendo a un mejor aprendizaje.
La adecuada estructuración y regulación pedagógica de las actividades
colaborativas por parte del docente reduce la carga cognitiva de los
estudiantes. El uso de estrategias metacognitivas compartidas y de herramientas
visuales en el trabajo grupal también ayuda a gestionar la carga cognitiva. En
conclusión, una gestión adecuada de la carga cognitiva mediante distintas
estrategias optimiza los beneficios del aprendizaje colaborativo, aunque se
requiere más investigación al respecto.
Palabras clave: Aprendizaje colaborativo; carga cognitiva; estrategias metacognitivas; herramientas
visuales; entornos virtuales.
Cognitive load in collaborative learning: A systematic review
Abstract
Collaborative learning has
become a widely used educational strategy, but inconsistencies persist in how
it impacts students' cognitive load. The objective of the research was to
analyze the cognitive load in collaborative learning, making a systematic
review of 24 experimental and quasi-experimental studies published in the last
5 years that analyze measurements of cognitive load in different forms of
collaborative learning, in order to clarify this relationship. The results
suggest that collaborative learning reduces cognitive load by distributing it
among group members, but also increases the relevant cognitive load, leading to
better learning. The adequate structuring and pedagogical regulation of
collaborative activities by the teacher reduces the cognitive load of the students.
The use of shared metacognitive strategies and visual tools in group work also
helps manage cognitive load. In conclusion, adequate management of cognitive
load through different strategies optimizes the benefits of collaborative
learning, although more research is required in this regard.
Keywords:
Collaborative learning; cognitive load; metacognitive strategies; visual tools;
virtual environments.
Introducción
El
aprendizaje colaborativo se ha convertido en una estrategia educativa
ampliamente utilizada en las últimas tres décadas, dado que numerosos estudios
han demostrado que trabajar en pequeños grupos para alcanzar objetivos
compartidos mejora significativamente el aprendizaje y la motivación comparado
con metodologías tradicionales basadas en el trabajo individual (Johnson y
Johnson, 2009; Compte y Sánchez, 2019;
Olivares et al., 2024). Si bien existen
evidencias sobre los beneficios de esta metodología, aún hay inconsistencias
sobre cómo impacta la colaboración en la carga cognitiva de los estudiantes
(Janssen y Kirschner, 2020).
Dilucidar
la relación entre aprendizaje colaborativo y carga cognitiva es crucial para
optimizar la práctica educativa, pero las revisiones teóricas existentes
adolecen de síntesis de evidencia empírica suficiente al respecto. Por ejemplo,
mientras algunos estudios sugieren que el trabajo grupal reduce la carga
cognitiva al distribuir el procesamiento entre los participantes (Kirschner, Paas y Kirschner, 2009; Janssen et al., 2010); otros indican que la interacción inherente
a la colaboración podría incrementar la carga cognitiva irrelevante (Kirschner
et al., 2018).
Ante
estas inconsistencias, la presente revisión sistemática analiza la evidencia
empírica reciente sobre mediciones de carga cognitiva en distintas formas de
aprendizaje colaborativo. El propósito es esclarecer cómo impacta esta
metodología en la carga mental de los estudiantes, considerando factores como
la estructuración de actividades, el uso de estrategias metacognitivas y los
entornos virtuales. Esta síntesis permitirá orientar recomendaciones
pedagógicas fundamentadas para gestionar adecuadamente la carga cognitiva en
contextos de aprendizaje colaborativo.
Por
tanto, la pregunta que guía esta investigación es: ¿De qué manera impacta la
metodología de aprendizaje colaborativo en la carga cognitiva de los
estudiantes? Para responder esto, se lleva a cabo una revisión sistemática de
estudios experimentales y cuasiexperimentales publicados en los últimos 5 años
que analizan mediciones de carga cognitiva en distintas modalidades de
aprendizaje colaborativo.
1. La carga cognitiva en entornos colaborativos
La carga
cognitiva alude al esfuerzo mental necesario para realizar una tarea de
aprendizaje (Sweller, 1988), cuyo procesamiento en la memoria de trabajo está
limitado por la arquitectura cognitiva humana (Sweller, Ayres y Kalyuga, 2011); ante información novedosa interactúan tres tipos de carga: La
intrínseca, referida a la complejidad de procesar elementos interactivos,
siendo mayor cuando aumenta la interacción entre ellos; la extrínseca,
determinada por el diseño instruccional, que se reduce al mejorar la enseñanza
(Sweller, Van Merrienboer y Paas,
1998); y la pertinente, sobre recursos
dedicados a procesar la carga intrínseca, la cual redistribuye esfuerzos desde
la extrínseca, de modo que menos carga innecesaria implica mayores recursos
disponibles para la pertinente y el aprendizaje (Sweller, 2010; Kalyuga, 2011).
En el
aprendizaje individual, la información debe procesarse en una sola memoria de
trabajo. En el aprendizaje colaborativo, la información se distribuye entre
múltiples memorias de trabajo y reduce la carga cognitiva individual. Esto se
conoce como el efecto de memoria de trabajo colectiva (Kirschner et al., 2018).
Sin embargo, la comunicación y coordinación entre miembros conllevan costos
transactivos que anulan el beneficio de compartir la carga cognitiva si son
demasiado altos. Estos costos dependen de factores como el tamaño del grupo, la
composición y la experiencia colaborativa previa (Kirschner, Kirschner y Janssen, 2014).
Un nivel
adecuado de carga cognitiva es importante para lograr un aprendizaje
significativo y efectivo. Algunos estudios sugieren que el trabajo en grupo
reduce la carga cognitiva de los participantes al permitir distribuir el
esfuerzo entre los miembros, lo que facilita así un procesamiento más efectivo
de la información (Kirschner et al., 2009; Janssen et al., 2010). No obstante,
otros indican que la interacción inherente a la colaboración podría incrementar
la carga cognitiva, especialmente aquella irrelevante para la tarea (Kirschner
et al., 2018).
El
aprendizaje colaborativo permite la construcción conjunta de conocimiento a
través de la interacción social mediada. En particular, el intercambio entre
pares con distintos niveles de competencia facilita la interiorización de
procesos cognitivos superiores mediante el lenguaje (Vygotski y Cole, 1978;
Arellano et al., 2021). Además, la colaboración propicia un andamiaje social
que posibilita la comprensión de conceptos que exceden las capacidades
individuales (Wood, Bruner y
Ross, 1976). En este proceso, el
docente cumple un rol esencial al modelar estrategias metacognitivas y proveer
andamiajes que orienten la construcción intersubjetiva de conocimientos
(Collazos et al., 2002; Vygotski, 2012; Rogoff y Mejía-Arauz, 2022).
Por otra
parte, el uso de la autorregulación y estrategias metacognitivas permite
monitorear y ajustar la comprensión personal y colectiva cuando sea necesario (Bandura,
1991; Iiskala et al., 2011; Järvelä et al., 2016). Incluso, según perspectivas
situadas, la cognición depende en gran medida del contexto sociocultural (Brown, Collins y Duguid, 1989).
Otros
factores que optimizan el aprendizaje colaborativo están relacionados con el
procesamiento compartido de información. Por ejemplo, desde el conectivismo (Siemens,
2005), las interacciones entre pares generan redes que facilitan el flujo de
datos. A su vez, la teoría de la cognición distribuida (Hutchins, 2001),
plantea que el conocimiento se distribuye entre personas y recursos
disponibles. Bajo esta visión, alternar roles en el registro de ideas en
representaciones externas evita la sobrecarga cognitiva al enfocarse solo en
comprender y dialogar sin transcribir simultáneamente toda la información (Kiewra,
1987; Novak y Cañas, 2006).
Asimismo,
una participación activa de todos permite crear andamiajes más efectivos entre
pares (Onrubia y Engel, 2009), puesto que confiar demasiado en otros o
priorizar lo individual por sobre objetivos compartidos, limita las
posibilidades de aprendizaje grupal (Järvelä et al., 2016).
2. Metodología
Este
estudio utilizó el enfoque PRISMA (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses) para garantizar
una revisión sistemática de alta calidad. Las pautas PRISMA, descritas
originalmente en un artículo de Liberati et al. (2009), proporcionan una lista
de verificación estructurada para informar revisiones sistemáticas y
metaanálisis. Dado que PRISMA se considera un estándar para revisiones
sistemáticas en una variedad de campos, incluida la educación (Cavus et al.,
2021), se adoptó para la presente investigación.
Con la finalidad de identificar información relevante se realizó una exhaustiva búsqueda
bibliográfica durante la primera semana de mayo de 2023 en plataformas líderes
como Scopus, Web of Science, ProQuest,
Mendeley y Semantic Scholar; se establecieron criterios de inclusión para
garantizar artículos actuales, de acceso abierto y publicados en revistas
académicas; se probaron múltiples algoritmos de búsqueda en inglés combinando
términos como “Collaborative Learning”
y “Cognitive Load Theory”, siendo los
más efectivos “Collaborative Learning”
AND “Cognitive Load Theory” y “Collaborative Learning” AND “Cognitive Load”; mientras que otros no
arrojaron resultados útiles; como se muestra en la Tabla 1, se identificaron 57
artículos potencialmente relevantes con la estrategia planteada.
Tabla 1
Número de artículos encontrados con la
estrategia de búsqueda
Base
datos |
Algoritmo
1 |
Algoritmo
2 |
Algoritmo
3 |
Algoritmo
4 |
Total |
Scopus |
7 |
16 |
- |
- |
23 |
Web of
Science |
5 |
5 |
- |
- |
10 |
ProQuest |
12 |
- |
- |
- |
12 |
Mendeley |
2 |
4 |
- |
- |
06 |
Semantic
Scholar |
5 |
1 |
- |
- |
06 |
Total |
|
|
|
|
57 |
Fuente: Elaboración propia,
2023.
2.1. Selección y
evaluación de la calidad
Tras
descartar estudios duplicados y aquellos que no cumplían los criterios de
inclusión o no aportaban significativamente al tema, como se detalla en la
Figura I, la selección final mediante el protocolo PRISMA quedó conformada por
24 artículos empíricos relevantes para el análisis.
Fuente:
Elaboración propia, 2023.
Figura I: Proceso de selección según el
protocolo PRISMA
Para
garantizar una selección confiable y objetiva, se realizó una triangulación
donde dos evaluadores independientes analizaron la elegibilidad de los estudios
mediante los criterios establecidos, se discutieron las discrepancias en
profundidad hasta lograr consenso o recurrir a un tercer investigador,
reduciendo así potenciales sesgos individuales. Este proceso intersubjetivo con
juicios evaluativos independientes y consenso entre investigadores, fortaleció
la rigurosidad en la selección final de los artículos para la revisión.
Para
evaluar la calidad metodológica, dos revisores aplicaron de forma independiente
herramientas estandarizadas según el diseño declarado: La escala de Kennelly
(2011), para estudios experimentales y cuasiexperimentales; la de Moola et al.
(2020), para correlacionales; y, MMAT (Hong et al., 2018), en mixtos. Los
estudios obtuvieron puntajes y porcentajes satisfactorios (promedios de 1.7
puntos de 2,85% y 90% de criterios cumplidos), con rangos entre 1.3-2, 75%-92%
y 80%-100%, respectivamente. Estos resultados indican un adecuado rigor
metodológico de los artículos empíricos incluidos.
2.2. Análisis temático
Para un
análisis detallado, se revisaron resúmenes y lecturas completas de los
artículos, utilizando la técnica de análisis de contenido aplicable a textos (Schreier,
2012) y revisiones (Lindgren,
Lundman y Graneheim, 2020); los datos relevantes
se seleccionaron en una hoja de cálculo Excel
por criterios como base de datos, título, autor, diseño, país, muestra, DOI y
aportes temáticos, para mejor visualización; luego mediante un proceso de
condensación y abstracción (Graneheim y Lundman, 2004), se identificaron
contribuciones para categorizarlas en seis temas emergentes (ver Tabla 2): Aprendizaje
colaborativo y carga cognitiva, estructuración, metacognición, recursos
cognitivos y mediadores, y colaboración online,
facilitando así la clasificación de documentos según sus aportes al área
investigada.
Tabla 2
Número de artículos según categoría emergente
y bases de datos
Categorías emergentes |
Mendeley |
ProQuest |
Scopus |
Semantic Scholar |
WOS |
Total general |
Aprendizaje colaborativo y carga cognitiva |
- |
2 |
2 |
- |
- |
4 |
Colaboración online y carga
cognitiva |
- |
- |
2 |
1 |
1 |
4 |
Estructuración del aprendizaje colaborativo |
- |
3 |
- |
1 |
4 |
|
Metacognición y aprendizaje colaborativo |
1 |
1 |
- |
1 |
- |
3 |
Recursos cognitivos y aprendizaje colaborativo |
- |
- |
3 |
- |
1 |
4 |
Recursos mediadores y aprendizaje colaborativo |
1 |
2 |
2 |
5 |
||
Total general |
2 |
8 |
7 |
4 |
3 |
24 |
Fuente: Elaboración propia,
2023.
3. Impactos del aprendizaje
colaborativo en la carga cognitiva: Síntesis de resultados
Esta
sección sintetiza 24 estudios empíricos publicados en cinco años. Se analiza el
impacto de la colaboración en la carga cognitiva, organizados en seis
categorías surgidas del análisis temático: Efectos generales en la carga
cognitiva, influencia de la estructuración pedagógica, rol de la metacognición
grupal, impacto de factores como participación y conocimientos previos, aporte
de recursos mediadores visuales, y gestión de la carga en entornos virtuales
colaborativos.
3.1. Aprendizaje colaborativo y carga cognitiva
Según un estudio correlacional en estudiantes universitarios, el
aprendizaje colaborativo reduce la carga cognitiva general al permitir
distribuir el esfuerzo entre los miembros del grupo, al tiempo que cada
integrante puede enfocarse en aspectos particulares de la tarea, lo cual
optimiza el procesamiento de información y mejora el aprendizaje (Costley, 2019);
en la misma línea, una investigación con diseño mixto en educación superior
halló que el aprendizaje colaborativo basado en la enseñanza entre pares
también distribuye la carga cognitiva, facilitando la realización de tareas
complejas de modo más efectivo (Zhou,
Chen y Chen, 2019).
Asimismo,
estudios experimentales y cuasiexperimentales en secundaria y universidad,
sugieren que la colaboración incrementa la carga cognitiva relevante mediante
la resolución conjunta de problemas y explicaciones recíprocas, lo cual se
traduce en una mejora del aprendizaje y transferencia de conocimiento,
beneficiando especialmente a estudiantes con menos recursos cognitivos (Sugiman
et al., 2019; Rabie-Ahmed y Mohamed, 2022).
La
colaboración distribuye el procesamiento complejo reduciendo la sobrecarga
individual según la teoría de la carga cognitiva (Sweller, 1994; Janssen et
al., 2010); la interacción entre pares con distintos niveles promueve la
internalización de habilidades por el lenguaje e incrementa la carga pertinente
(Vygotski y Cole, 1978; Janssen y Kirschner, 2020); además, permite un
andamiaje social que facilita a estudiantes con menos recursos comprender
conceptos complejos (Wood et al., 1976), de modo que el esfuerzo conjunto
reduce la carga irrelevante y aumenta la pertinente mediante explicaciones
mutuas, distribuyendo recursos y beneficiando a quienes tienen dificultades.
3.2. Estructuración del aprendizaje colaborativo
La regulación pedagógica y didáctica de las actividades colaborativas
por parte del docente ayuda a optimizar la carga cognitiva de los estudiantes,
favoreciendo un aprendizaje más efectivo, tal como evidencian un estudio
cuasiexperimental donde la guía del profesor durante el trabajo grupal en el
aula reduce dicha carga (Bolatli y Korucu, 2020), así como un experimento que
muestra que la colaboración estructurada didácticamente tiene efectos positivos
en el aprendizaje conceptual al tiempo que disminuye la carga cognitiva (Kolić-Vehovec, Pahljina-Reinić y Rončević, 2022).
En la misma
línea, proporcionar orientación sobre los procesos de interacción en entornos
virtuales, ya sea mediante un mecanismo optimizado (Zhang et al., 2022), o un
enfoque basado en análisis inmediato de comentarios (Zheng, Zhong y Fan, 2023), ayuda a mejorar la colaboración online y el rendimiento grupal sin aumentar la carga de los
estudiantes.
La teoría
histórico-cultural plantea que el aprendizaje es producto de la mediación en
situaciones socialmente organizadas (Vygotski, 2012; Rogoff y Mejía-Arauz, 2022),
de modo que el docente guía los procesos intersubjetivos de construcción de
conocimiento al modelar estrategias metacognitivas y proveer andamiajes (Collazos
et al., 2002), incluyendo la planificación didáctica de actividades
colaborativas que, al estar bien estructuradas, reducen la carga cognitiva
extraña (Fischer et al., 2007; Kirschner et al., 2018).
Asimismo,
proporcionar orientaciones explícitas sobre cómo interactuar en entornos
virtuales ayuda a que los estudiantes se centren en contenidos sin distraerse
gestionando la dinámica grupal, reservando así más recursos para procesar
información relevante, por lo que una adecuada regulación pedagógica de las
actividades colaborativas disminuye la carga innecesaria y optimiza el
aprendizaje colaborativo.
3.3. Metacognición y aprendizaje
colaborativo
La regulación grupal mediante recursos metacognitivos compartidos mejora
el trabajo colaborativo y la carga cognitiva, tal como evidencia un experimento
donde guiones metacognitivos libera carga destinada a gestión social
permitiendo dedicar más recursos a construir conocimiento (Lu et al., 2022),
así como otro estudio que muestra que el andamiaje metacognitivo en entornos
virtuales optimiza comportamientos grupales y rendimiento sin aumentar la carga
(Zheng et al., 2019).
Del mismo
modo, un experimento reveló que herramientas para proporcionar información
sobre conciencia grupal, cognitiva y metacognitiva, impactan positivamente
resultados y procesos colaborativos reduciendo la carga de los estudiantes
(Schnaubert y Bodemer, 2019), por lo que la regulación metacognitiva compartida
gestiona la carga cognitiva y mejora el aprendizaje colaborativo.
La
autorregulación mediante estrategias metacognitivas permite a los estudiantes
monitorear su comprensión y desempeño para hacer ajustes (Bandura, 1991),
siendo clave en el aprendizaje colaborativo efectivo, que depende de una
adecuada coordinación de esfuerzos, interdependencia positiva y responsabilidad
grupal (Kirschner et al., 2011); así, al utilizar mecanismos como pensar en voz
alta y retroalimentación constructiva, se identifican lagunas en la comprensión
y se pide ayuda a pares, permitiendo que quienes dominan un tema lo expliquen a
otros, distribuyendo la carga cognitiva (Iiskala et al., 2011).
No
obstante, la regulación metacognitiva grupal podría tener efectos negativos si
los estudiantes confían demasiado en sus compañeros o priorizan tareas
individuales sobre objetivos colectivos (Järvelä et al., 2016), por lo que es
clave establecer pautas de colaboración efectivas para aprovechar los
beneficios de esta estrategia en la gestión de la carga mental compartida.
3.4. Recursos cognitivos y aprendizaje colaborativo
El nivel de compromiso y participación en las actividades colaborativas
impacta en la carga cognitiva pertinente y el aprovechamiento académico, como
evidencian estudios correlacionales donde los estudiantes de baja contribución
aprovechan mejor el trabajo grupal al enfocarse sólo en tareas individuales,
sin la demanda cognitiva adicional de coordinar ni explicar conceptos a otros,
por lo que este formato beneficia más a alumnos menos motivados (Costley y
Lange, 2018; Costley, 2021).
Asimismo,
los conocimientos previos del estudiante reducen la carga intrínseca y mejoran
la eficiencia del aprendizaje colaborativo, como muestra un experimento donde
una preparación individual previa facilita la asimilación de conocimientos
durante la colaboración grupal posterior (Tan, De Weerd y Stoyanov, 2021); así como otro estudio que revela que la experiencia en tareas relevantes
optimiza la coordinación grupal por la menor carga extrínseca (Zambrano et al.,
2019), de modo que el nivel de participación, motivación y saberes existentes
impactan en la distribución de la carga cognitiva pertinente en actividades
colaborativas.
Según la
teoría de la carga cognitiva, una mayor participación activa en las actividades
colaborativas incrementa la carga relevante al procesar nueva información y
reduce la irrelevante por menos tiempo ocioso (Sweller, 1988; Kalyuga, 2011);
la perspectiva vygotskiana también destaca que la interacción social construye
conocimiento (Vygotski y Cole, 1978), de modo que una participación efectiva
genera andamiajes entre pares de distinta competencia (Onrubia y Engel, 2009).
A su vez,
los conocimientos previos permiten mayor involucramiento activo y ayuda a
pares, distribuyendo la carga mental (Kirschner, Paas y Kirschner, 2011), en línea con el aprendizaje significativo de Ausubel sobre anclar
nueva información a saberes existentes; sin embargo, el exceso de carga
cognitiva es contraproducente, por lo que es clave dosificar la colaboración y
considerar apoyos instruccionales según nivel inicial, de modo que un
equilibrio entre participación, experiencia previa y manejo de la demanda
mental, maximiza los beneficios del aprendizaje grupal (Kalyuga y Singh, 2016).
3.5. Recursos mediadores y aprendizaje colaborativo
El uso de
organizadores visuales como diagramas durante el aprendizaje colaborativo
optimiza la carga cognitiva y el aprendizaje al emplear representaciones
gráficas que reducen la carga extrínseca y facilitan el procesamiento grupal,
como muestran experimentos donde herramientas de pensamiento visual (Cai y Gu,
2019) y de visualización cognitiva (Shin y Jung, 2020), gestionan la demanda
colaborativa; esta evidencia también proviene de un estudio cuasiexperimental
con universitarios donde colaborar mediante diagramas mejora el rendimiento
reduciendo la carga irrelevante (Sithole et al., 2021).
Por otra
parte, andamios como herramientas para la toma conjunta de notas incrementan la
carga pertinente y la comprensión (Costley y Fanguy, 2021); mientras que
distintos materiales influyen diferencialmente en patrones colaborativos y
carga cognitiva, impactando el desempeño (Wang, Fang y Gu, 2020), por lo que los apoyos instruccionales para la colaboración deben
permitir interacciones efectivas.
El uso de
representaciones visuales como mapas conceptuales y diagramas en el aprendizaje
colaborativo optimiza la carga cognitiva y la comprensión al emplear el canal visual
para procesar parte de los contenidos, reduciendo la carga del canal auditivo,
según la teoría cognitiva multimedia (Mayer, 2014); durante la construcción
conjunta de organizadores gráficos, los estudiantes discuten y negocian
significados, promoviendo una organización esquemática inicial que guía el
aprendizaje posterior (Novak y Cañas, 2006) y, al explicar sus conocimientos
para representarlos visualmente, mejora la retención del material (Chi, 2009),
actuando dichas herramientas como andamiaje externo progresivamente interiorizado.
Asimismo,
alternarse en la toma colaborativa de notas evita registrar todo el contenido
mientras se procesa la información (Kiewra, 1987), por lo que los organizadores
visuales y la transcripción compartida de ideas principales proveen apoyos
adecuados que, al aprovechar mejor recursos individuales y colectivos,
optimizan la carga cognitiva y la asimilación de contenidos.
3.6. Colaboración online y carga cognitiva
La colaboración sincrónica online
optimiza la carga cognitiva y mejora el aprendizaje, ya sea aumentando la
pertinente o reduciendo la extraña, como muestra un estudio preexperimental
donde el trabajo grupal exitoso en escritura sincrónica elevó la carga
relevante y el puntaje final de los alumnos (Lange, Costley y Fanguy, 2021), así como otro de similar diseño que revela que la colaboración
virtual disminuye la carga extrínseca, optimizando el aprendizaje (De Leng y
Pawelka, 2021); también se ha comprobado que el uso de plataformas
colaborativas online reduce de forma
general la carga cognitiva, contribuyendo a un mejor aprendizaje (Oluwajana, Adeshola y Clement, 2023).
Del mismo
modo, una investigación evidencia que la simulación 3D colaborativa mejora la
comprensión conceptual sin impactar mayormente la carga mental (Webb et al.,
2022), por lo que trabajar sincrónicamente de forma virtual gestiona la demanda
cognitiva, ya sea incrementando la pertinente o disminuyendo la irrelevante, lo
cual redunda en un aprendizaje más efectivo.
La
colaboración sincrónica virtual aprovecha simultáneamente canales auditivos y
visuales distribuyendo la carga cognitiva total según la teoría multimedia (Mayer,
2014); además, desde la perspectiva situada, la cognición depende del contexto
sociocultural (Brown et al., 1989), de modo que los entornos colaborativos online proveen recursos externos que
comparten la demanda mental; el conectivismo, también destaca que las
interacciones generan redes facilitando el flujo informacional y el
procesamiento compartido (Siemens, 2005).
Asimismo,
la cognición distribuida plantea que el conocimiento se distribuye entre
personas y recursos disponibles, por lo que representaciones digitales externas
actúan como andamiajes cognitivos (Hutchins, 2001) reduciendo la carga
individual; en síntesis, la colaboración sincrónica virtual, sumada a
representaciones externas, distribuye la carga entre recursos individuales y
del entorno, disminuyéndola y optimizando la comprensión.
Los
resultados de la revisión sistemática, sintetizados en la Tabla 3, revelan que
la relación entre aprendizaje colaborativo y carga cognitiva es compleja, con
impactos variados según el aspecto analizado.
Tabla 3
Síntesis de hallazgos sobre carga cognitiva
en aprendizaje colaborativo
Categoría |
Autores |
Hallazgos
principales |
Aprendizaje
colaborativo y carga cognitiva |
Costley
(2019); Zhou et al. (2019); Sugiman et al. (2019); Rabie-Ahmed y Mohamed
(2022). |
El
aprendizaje colaborativo reduce la carga cognitiva al distribuir entre
miembros del grupo así como incrementa la carga cognitiva relevante, lo que
mejora el aprendizaje. |
Estructuración
del aprendizaje colaborativo |
Bolatli
y Korucu (2020); Kolić-Vehovec et al. (2022); Zhang et al. (2022);
Zheng et al. (2023). |
La
regulación pedagógica, didáctica e información sobre procesos de interacción
reducen la carga cognitiva en el aprendizaje colaborativo. |
Metacognición
y aprendizaje colaborativo |
Zheng et
al. (2019);
Schnaubert y Bodemer (2019); Lu et al. (2022). |
Los
recursos metacognitivos mejoran el trabajo grupal al distribuir la carga
cognitiva. |
Recursos
cognitivos y aprendizaje colaborativo |
Costley
y Lange (2018); Zambrano et al. (2019); Costley (2021); Tan et al. (2021). |
El
nivel de compromiso, participación y conocimientos previos impactan la
distribución de la carga cognitiva pertinente en el aprendizaje colaborativo. |
Recursos
mediadores y aprendizaje colaborativo |
Cai y
Gu (2019); Shin y Jung (2020); Wang et al. (2020);
Sithole
et al. (2021); Costley y Fanguy (2021). |
Los
organizadores visuales reducen la carga cognitiva irrelevante, mientras que
la toma de notas en grupo aumenta la carga cognitiva pertinente. |
Colaboración
online y carga cognitiva |
Lange
et al. (2021); De Leng y Pawelka (2021); Webb et al. (2022); Oluwajana et al.
(2023). |
La
colaboración sincrónica online mejora el aprendizaje mediante la optimización
de la carga cognitiva pertinente y la reducción de la carga extrínseca. |
Fuente: Elaboración propia,
2023.
La Tabla
4, sintetiza de forma visual cómo cada categoría analizada impacta en los
diferentes tipos de carga cognitiva durante el aprendizaje colaborativo. Como
se observa, la mayoría de los factores estudiados reducen la carga cognitiva
irrelevante o incrementan la carga pertinente, en función del modo de
implementación.
Tabla 4
Impactos en carga cognitiva según categoría
Categoría |
Reduce carga cognitiva general |
Aumenta carga cognitiva pertinente |
Aprendizaje colaborativo |
X |
X |
Estructuración |
X |
|
Metacognición |
X |
|
Recursos cognitivos |
X |
|
Recursos mediadores |
X |
X |
Colaboración online |
X |
X |
Fuente: Elaboración propia,
2023.
Conclusiones
Los
resultados de la revisión sistemática revelan que la relación entre aprendizaje
colaborativo y carga cognitiva es compleja y presenta impactos variados. En
términos generales, la colaboración reduce la carga cognitiva al distribuir el
procesamiento entre los miembros del grupo, pero también puede incrementar la
carga relevante mediante las explicaciones mutuas, lo que optimiza la
comprensión y el aprendizaje. Asimismo, factores como la adecuada
estructuración pedagógica de las actividades grupales, el uso de estrategias
metacognitivas compartidas y los recursos mediadores visuales contribuyen a
gestionar eficientemente la carga mental de las tareas colaborativas. En los
entornos virtuales, la modalidad sincrónica facilita distribuir la demanda
cognitiva entre recursos individuales y del ambiente colaborativo.
El aporte
principal de este estudio es proveer una síntesis actualizada de evidencia
empírica sobre cómo distintos aspectos del aprendizaje colaborativo impactan en
los diferentes tipos de carga cognitiva. Esto permite orientar recomendaciones
pedagógicas fundamentadas para una adecuada gestión de la carga mental en
actividades de trabajo en grupo, considerando factores didácticos, sociales y
tecnológicos.
No
obstante, se requiere más investigación sobre cómo la colaboración afecta la
carga de tareas específicas, la carga óptima según nivel educativo y contenido,
así como el efecto comparado de estrategias instruccionales para regular la
demanda cognitiva en diversos escenarios de aprendizaje colaborativo.
Referencias bibliográficas
Arellano, F.
J., Moreno, G. F., Culqui, C. O., y Tamayo, V. R. (2021). Procesamiento
cerebral del lenguaje desde la perspectiva de la neurociencia y la
psicolingüística. Revista de Ciencias
Sociales (Ve), XXVII(4), 292-308. https://doi.org/10.31876/rcs.v27i4.37256
Bandura, A. (1991).
Social cognitive theory of self-regulation. Organizational
Behavior and Human Decision Processes, 50(2),
248-287. https://doi.org/10.1016/0749-5978(91)90022-L
Bolatli, Z., y Korucu, A. T. (2020).
Determining the academic
achievement of students who use flipped classroom method supported by a mobile
application and their views on collaborative learning. Bartin Üniversitesi Egitim Fakültesi Dergisi, 9(2), 229-251. https://doi.org/10.14686/buefad.631835
Brown, J. S.,
Collins, A., y Duguid, P. (1989). Situated cognition and the culture of learning. Educational Researcher, 18(1),
32-42. https://doi.org/10.3102/0013189X018001032
Cai, H., y Gu, X.
(2019). Supporting collaborative learning using a diagram‐based visible thinking tool
based on cognitive load theory. British
Journal of Educational Technology, 50(5),
2329-2345. https://doi.org/10.1111/bjet.12818
Cavus, N., Sani, A. S., Haruna, Y., y Lawan, A. A.
(2021). Efficacy of social
networking sites for sustainable education in the era of COVID-19: A systematic
review. Sustainability, 13(2), 808. https://doi.org/10.3390/su13020808
Chi, M. T. H. (2009). Active-constructive-interactive:
A conceptual framework for differentiating learning activities. Topics in Cognitive Science, 1(1),
73-105. https://doi.org/10.1111/j.1756-8765.2008.01005.x
Collazos, C. A., Guerrero, L. A., Pino, J. A., y
Ochoa, S. F. (2002). Evaluating collaborative
learning processes. In J. M. Haake y J. A. Pino (Eds.), Groupware: Design, implementation, and use. CRIWG, 2002. Lecture Notes in
Computer Science (Vol. 2440, pp. 203-221).
Springer. https://doi.org/10.1007/3-540-46124-8_14
Compte, M., y Sánchez, M. (2019). Aprendizaje colaborativo en el sistema de
educación superior ecuatoriano. Revista
de Ciencias Sociales (Ve), XXV(2), 131-140. https://produccioncientificaluz.org/index.php/rcs/article/view/27342
Costley, J. (2019). The relationship between
social presence and cognitive load. Interactive
Technology and Smart Education, 16(2),
172-182. https://doi.org/10.1108/ITSE-12-2018-0107
Costley, J. (2021). How
role-taking in a group-work setting affects the relationship between the amount
of collaboration and germane cognitive load. International
Journal of Educational Technology in Higher Education, 18(1), 24. https://doi.org/10.1186/s41239-021-00259-w
Costley, J., y Fanguy, M. (2021). Collaborative note-taking
affects cognitive load: The interplay of completeness and interaction. Educational Technology Research and Development, 69(2), 655-671. https://doi.org/10.1007/s11423-021-09979-2
Costley, J., y Lange, C. (2018). The moderating effects of
group work on the relationship between motivation and cognitive load. International Review of Research in Open and Distance Learning, 19(1), 68-90. https://doi.org/10.19173/irrodl.v19i1.3325
De Leng, B., y Pawelka, F. (2021). The cognitive load of the
in-class phase of a flipped classroom course on radiology: Could computer
support be of help? Medical Teacher, 43(2),
216-222. https://doi.org/10.1080/0142159X.2020.1841890
Fischer, F., Kollar, I.,
Mandl, H., y Haake, J. M. (Eds.) (2007). Scripting computer-supported
collaborative learning: Cognitive, computational and educational perspectives.
Springer.
Graneheim, U. H., y Lundman, B. (2004). Qualitative content
analysis in nursing research: Concepts, procedures and measures to achieve
trustworthiness. Nurse Education Today, 24(2), 105-112. https://doi.org/10.1016/j.nedt.2003.10.001
Hong, Q. N., Fàbregues, S., Bartlett, G., Boardman,
F., Cargo, M., Dagenais, P., Gagnon, M.‑P., Griffiths, F., Nicolau,
B., O’Cathain, A., Rousseau, M.‑C., Vedel, I., y
Pluye, P. (2018). The Mixed Methods Appraisal Tool (MMAT) version 2018 for
information professionals and researchers. Education
for Information, 34(4), 285-291. https://doi.org/10.3233/EFI-180221
Hutchins, E. (2001).
Cognition, distributed. In N. J. Smelser y P. B. Baltes (Eds.), International Encyclopedia of the Social & Behavioral Sciences (pp. 2068-2072).
Elsevier.
https://doi.org/10.1016/B0-08-043076-7/01636-3
Iiskala, T., Vauras, M.,
Lehtinen, E., y Salonen, P. (2011). Socially shared
metacognition of dyads of pupils in collaborative mathematical problem-solving
processes. Learning and Instruction, 21(3), 379-393. https://doi.org/10.1016/j.learninstruc.2010.05.002
Janssen, J., Kirschner, F.,
Erkens, G., Kirschner, P. A., y Paas, F. (2010). Making the black box
of collaborative learning transparent: Combining process-oriented and cognitive
load approaches. Educational Psychology Review, 22(2),
139-154. https://doi.org/10.1007/s10648-010-9131-x
Janssen, J., y Kirschner,
P. A. (2020). Applying collaborative cognitive load theory to
computer-supported collaborative learning: Towards a research agenda. Educational Technology Research and Development, 68(2), 783-805. https://doi.org/10.1007/s11423-019-09729-5
Järvelä, S.,
Järvenoja, H., Malmberg, J., Isohätälä, J., y
Sobocinski, M. (2016). How do types of interaction and phases of
self-regulated learning set a stage for collaborative engagement? Learning and Instruction, 43,
39-51. https://doi.org/10.1016/j.learninstruc.2016.01.005
Johnson, D. W., y Johnson,
R. T. (2009). An educational psychology success story: Social interdependence
theory and cooperative learning. Educational
Researcher, 38(5), 365-379. https://doi.org/10.3102/0013189X09339057
Kalyuga, S. (2011).
Cognitive load theory: How many types of load does it really need? Educational Psychology Review, 23(1),
1-19. https://doi.org/10.1007/s10648-010-9150-7
Kalyuga, S., y
Singh, A.‑M. (2016). Rethinking the boundaries
of cognitive load theory in complex learning. Educational Psychology Review, 28(4),
831-852. https://doi.org/10.1007/s10648-015-9352-0
Kennelly, J. (2011).
Methodological approach to assessing the evidence. In A. Handler, J. Kennelly y
N. Peacock (Eds.), Reducing racial/ethnic
disparities in reproductive and perinatal outcomes (pp. 7-19).
Springer. https://doi.org/10.1007/978-1-4419-1499-6_2
Kiewra, K. A. (1987).
Notetaking and review: The research and its implications. Instructional Science, 16(3),
233-249. https://doi.org/10.1007/BF00120252
Kirschner, F., Paas, F., y Kirschner, P. (2009). A cognitive load approach
to collaborative learning: United brains for complex tasks. Educational Psychology Review, 21(1),
31-42. https://doi.org/10.1007/s10648-008-9095-2
Kirschner, F., Paas, F., y Kirschner, P. A. (2011).
Task complexity as a driver
for collaborative learning efficiency: The collective working-memory effect. Applied Cognitive Psychology, 25(4),
615-624. https://doi.org/10.1002/acp.1730
Kirschner, P. A.,
Kirschner, F., y Janssen, J. (2014). The collaboration principle in multimedia
learning. In R. E. Mayer (Ed.), The
Cambridge Handbook of Multimedia Learning (pp. 547-575). Cambridge
University Press. https://doi.org/10.1017/CBO9781139547369.027
Kirschner, P. A., Sweller,
J., Kirschner, F., y Zambrano, J. (2018). From cognitive load theory to
collaborative cognitive load theory. International
Journal of Computer-Supported Collaborative Learning, 13(2), 213-233. https://doi.org/10.1007/s11412-018-9277-y
Kolić-Vehovec, S.,
Pahljina-Reinić, R., y Rončević, B. (2022). Effects of collaboration and
informing students about overconfidence on metacognitive judgment in conceptual
learning. Metacognition and Learning, 17(1), 87-116. https://doi.org/10.1007/s11409-021-09275-7
Lange, C. H., Costley, J.,
y Fanguy, M. (2021). Collaborative group work and the different types of
cognitive load. Innovations in Education and
Teaching International, 58, 377-386.
https://doi.org/10.1080/14703297.2020.1788970
Liberati, A., Altman, D. G.,
Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke,
M., Devereaux, P. J., Kleijnen, J., y Moher, D. (2009). The PRISMA statement
for reporting systematic reviews and meta-analyses of studies that evaluate
health care interventions: Explanation and elaboration. Journal of Clinical Epidemiology, 62(10), e1-e34. https://doi.org/10.1016/j.jclinepi.2009.06.006
Lindgren, B.‑M., Lundman, B., y Graneheim, U. H. (2020). Abstraction and
interpretation during the qualitative content analysis process. International Journal of Nursing Studies, 108, 103632. https://doi.org/10.1016/j.ijnurstu.2020.103632
Lu, J., Chen, X.,
Wang, X., Zhong, R., y Wang, H. (2022). Research on the influence of
socially regulated learning on online collaborative knowledge building in the
post COVID-19 period. Sustainability, 14(22), 15345. https://doi.org/10.3390/su142215345
Mayer, R. E. (2014).
Cognitive theory of multimedia learning. In R. E. Mayer (Ed.), The Cambridge Handbook of Multimedia Learning (pp. 43-71).
Cambridge University Press. https://doi.org/10.1017/CBO9781139547369.005
Moola, S., Munn, Z.,
Tufanaru, C., Aromataris, E., Sears, K., Sfetcu, R., Currie, M., Lisy, K.,
Qureshi, R., Mattis, P., y Mu, P. (2020). Systematic reviews of etiology and
risk. In E. Aromataris, C. Lockwood, K. Porritt,
B. Pilla y Z. Jordan (Eds.), JBI Manual for Evidence
Synthesis. JBI. https://doi.org/10.46658/JBIMES-24-06
Novak, J. D., y Cañas, A. J. (2006). The theory underlying
concept maps and how to construct them: Technical Report IHMC CmapTools 2006-01 Rev 01-2008. Institute for Human and
Machine Cognition. https://cmap.ihmc.us/publications/researchpapers/theoryunderlyingconceptmaps.pdf
Olivares, G. F., Marquina, R. J., Delgado, L. A., y Haro, M.
D. R. (2024). Aprendizaje cooperativo y rendimiento académico en la Escuela de
Oficiales de la Policía Nacional del Perú. Revista de Ciencias Sociales
(Ve), XXX(1), 398-409. https://doi.org/10.31876/rcs.v30i1.41663
Oluwajana, D., Adeshola, I., y Clement, S. (2023). Does the use of a web-based
collaborative platform reduce cognitive load and influence project-based
student engagement? Current Psychology, 42, 8265-8278. https://doi.org/10.1007/s12144-021-02145-0
Onrubia, J., y Engel, A. (2009). Strategies for
collaborative writing and phases of knowledge construction in CSCL
environments. Computers and Education, 53(4), 1256-1265. https://doi.org/10.1016/j.compedu.2009.06.008
Rabie-Ahmed, A., y Mohamed, A. (2022). Collaborative and
individual vocabulary learning in the Arabic classroom: The role of engagement
and task demands. Foreign Language Annals, 55(4), 1006-1024. https://doi.org/10.1111/flan.12636
Rogoff, B., y Mejía-Arauz, R. (2022). The key role of community
in Learning by observing and pitching in to family and community endeavours. Journal for the Study of Education and Development, 45(3), 494-548. https://doi.org/10.1080/02103702.2022.2086770
Schnaubert, L., y Bodemer, D.
(2019). Providing different types of group awareness information to guide
collaborative learning. International Journal of
Computer-Supported Collaborative Learning, 14(1), 7-51. https://doi.org/10.1007/s11412-018-9293-y
Schreier, M. (2012). Qualitative content analysis in practice. Sage.
Shin, Y., y Jung, J.
(2020). The effects of a visible-annotation tool for sequential knowledge
construction on discourse patterns and collaborative outcomes. Australasian Journal of Educational Technology, 36(4), 57-71. https://doi.org/10.14742/ajet.4875
Siemens, G. (2005).
Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning,
2(1). http://www.itdl.org/Journal/Jan_05/article01.htm
Sithole, S., Datt, R., De Lange, P., y
Tharapos, M. (2021). Learning accounting through
visual representations. Accounting Research Journal, 34(4), 365-384. https://doi.org/10.1108/ARJ-06-2018-0100
Sugiman, Retnowati, E., Ayres, P., y Murdanu
(2019). Learning goal-free
problems: Collaboratively or individually? Cakrawala
Pendidikan, 38(3), 590-600. https://doi.org/10.21831/cp.v38i3.26914
Sweller, J. (1988).
Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2),
257-285. https://doi.org/10.1016/0364-0213(88)90023-7
Sweller, J. (1994). Cognitive
load theory, learning difficulty, and instructional design. Learning and Instruction, 4(4),
295-312. https://doi.org/10.1016/0959-4752(94)90003-5
Sweller, J. (2010). Element
interactivity and intrinsic, extraneous, and germane cognitive load. Educational Psychology Review, 22(2),
123-138. https://doi.org/10.1007/s10648-010-9128-5
Sweller, J., Ayres, P., y Kalyuga, S. (2011). Cognitive load theory. Springer. https://doi.org/10.1007/978-1-4419-8126-4
Sweller, J., Van Merrienboer, J. J. G., y
Paas, F. G. W. C. (1998). Cognitive Architecture and Instructional Design. Educational Psychology Review, 10(3),
251-296. https://doi.org/10.1023/A:1022193728205
Tan, E., De Weerd, J. G., y Stoyanov, S. (2021). Supporting
interdisciplinary collaborative concept mapping with individual preparation
phase. Educational Technology Research and
Development, 69(2), 607-626. https://doi.org/10.1007/s11423-021-09963-w
Vygotski, L. S. (2012). El desarrollo de los
procesos psicológicos superiores. Austral.
Vygotski, L. S., y Cole, M. (1978). Mind in society. Harvard University Press.
Wang, C., Fang, T., y
Gu, Y. (2020). Learning performance and behavioral patterns of online
collaborative learning: Impact of cognitive load and affordances of different
multimedia. Computers & Education, 143, 103683. https://doi.org/10.1016/j.compedu.2019.103683
Webb, M., Tracey, M.,
Harwin, W., Tokatli, O., Hwang, F., Johnson, R., Barrett, N., y
Jones, C. (2022). Haptic-enabled collaborative learning in virtual reality
for schools. Education and Information Technologies,
27(2), 937-960. https://doi.org/10.1007/s10639-021-10639-4
Wood, D., Bruner, J. S., y
Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, and Allied Disciplines,
17(2), 89-100. https://doi.org/10.1111/j.1469-7610.1976.tb00381.x
Zambrano, J., Kirschner, F., Sweller, J., y
Kirschner, P. A. (2019). Effects of group experience
and information distribution on collaborative learning. Instructional Science, 47(5),
531-550. https://doi.org/10.1007/s11251-019-09495-0
Zhang, L., Wang, X., He, T., y Han, Z. (2022). A data-driven
optimized mechanism for improving online collaborative learning: Taking cognitive
load into account. International Journal of Environmental
Research and Public Health, 19(12),
6984. https://doi.org/10.3390/ijerph19126984
Zheng, L., Li, X., Zhang, X., y Sun, W. (2019). The
effects of group metacognitive scaffolding on group metacognitive behaviors,
group performance, and cognitive load in computer-supported collaborative
learning. The Internet and Higher Education, 42, 13-24.
https://doi.org/10.1016/j.iheduc.2019.03.002
Zheng, L., Zhong, L., y Fan, Y. (2023). An
immediate analysis of the interaction topic approach to promoting group
performance, knowledge convergence, cognitive engagement, and coregulation in
online collaborative learning. Education
and Information Technologies, 28,
9913-9934. https://doi.org/10.1007/s10639-023-11588-w
Zhou, X., Chen, L.‑H., y Chen, C.‑L. (2019). Collaborative learning
by teaching: A pedagogy between learner-centered and learner-driven. Sustainability, 11(4),
1174. https://doi.org/10.3390/su11041174
* Doctor en Educación con
mención en Ciencias de la Educación. Docente en la Universidad
Nacional de Trujillo, Trujillo, Perú. E-mail: lorbegosod@unitru.edu.pe ORCID: https://orcid.org/0000-0002-4089-6513
** Doctora en Educación
con mención en Ciencias de la Educación. Docente categoría Auxiliar en la Universidad
Nacional de Trujillo, Trujillo, Perú. E-mail: ialburqueque@unitru.edu.pe
ORCID: https://orcid.org/0000-0001-9831-3213
*** Doctor en Educación. Docente
en la Universidad César Vallejo, Lima, Perú. E-mail: fledesma@ucv.edu.pe ORCID: https://orcid.org/0000-0003-4572-1381
**** Maestro en Derecho con
mención en Derecho Civil y Comercial. Docente en la Universidad
Antenor Orrego, sede Piura, Piura, Perú. E-mail: wchungaa1@upao.edu.pe ORCID: https://orcid.org/0000-0003-4600-4886
Recibido: 2023-12-01 · Aceptado: 2024-02-18