Una experiencia de formación en logopedia. 

 

José Francisco Cervera-Mérida, doctor, es logopeda y profesor en la Universidad Católica de Valencia San Vicente Mártir (UCV), donde imparte clases a los estudiantes del Grado en logopedia.

 

La experiencia descrita en este artículo tuvo lugar en el marco del módulo «Patología del Lenguaje I» del programa de grado de logopedia.

 

El objetivo principal era introducir a los estudiantes en el razonamiento clínico desde el primer año mediante el análisis sistemático de vídeos clínicos, utilizando Codimg Hub y sistemas de feedback automatizados basados en inteligencia artificial.

 

Agradecemos a José Francisco que haya dedicado tiempo de su apretada agenda a elaborar este estudio de caso.

 

Introducción

En la formación clínica de los estudiantes de profesiones sanitarias existe una dificultad constante: aprender a pensar clínicamente.

 

Con frecuencia, el alumnado estudia definiciones, clasificaciones y descripciones de trastornos, pero encuentra muchas más dificultades cuando debe enfrentarse a casos reales. Reconocer signos clínicos en un paciente, distinguir qué es relevante y qué no lo es, justificar una observación o tomar decisiones semiológicas constituye un proceso mucho más complejo que simplemente memorizar contenidos teóricos.

 

En logopedia, esta dificultad es especialmente evidente. Los estudiantes noveles suelen experimentar problemas para transformar el conocimiento teórico en observación clínica organizada. Pueden conocer las definiciones de un trastorno afásico, una alteración pragmática o un problema de inteligibilidad, pero eso no garantiza que sepan identificar esos signos en un vídeo clínico real.

 

Partiendo de esta necesidad, desarrollamos una experiencia docente basada en el análisis sistemático de vídeos clínicos utilizando Codimg Hub e inteligencia artificial como herramientas de apoyo al aprendizaje. 

 

El objetivo no era únicamente que el alumnado “viera vídeos”, sino entrenar de manera progresiva el razonamiento clínico mediante observación estructurada, categorización semiológica y feedback correctivo individualizado.

 

 

Del aprendizaje pasivo al análisis clínico activo

Tradicionalmente, las prácticas basadas en vídeos clínicos suelen tener un alcance limitado. En muchos casos, el alumnado observa algunos vídeos durante las clases y posteriormente comenta de forma general aquello que considera relevante.

 

Nuestro planteamiento fue diferente.

 

Diseñamos una experiencia donde cada estudiante debía analizar de manera individualizada los vídeos clínicos utilizando una rúbrica estructurada de observación. El alumnado no podía limitarse a “tener una impresión” sobre el caso, sino que debía justificar sus decisiones utilizando categorías clínicas concretas.

 

Para ello, los estudiantes disponían previamente de un material teórico específico elaborado para la asignatura. Este material describía las definiciones semiológicas, las categorías de análisis y los criterios clínicos que debían utilizar durante las prácticas. Se trataba de un material diseñado deliberadamente para estudiantes noveles: suficientemente claro para facilitar el aprendizaje inicial, pero al mismo tiempo clínicamente preciso y conceptualmente exigente. El objetivo era reducir la ambigüedad interpretativa sin simplificar en exceso la complejidad de la observación clínica.

 

La intención era muy clara: entrenar una forma de observación clínica más sistemática y menos intuitiva.

 

 

 

 

 

Aprender a observar también requiere entrenamiento

Uno de los aspectos más interesantes de la experiencia fue comprobar que observar clínicamente no es una habilidad automática.

 

Frente a un mismo vídeo, distintos estudiantes identifican signos diferentes. Algunos sobre interpretaban conductas irrelevantes. Otros pasaban por alto los signos centrales del caso. Otros utilizaban categorías clínicas correctas, pero sin justificar adecuadamente por qué las seleccionaban.

 

Esto permitió trabajar algo fundamental en la formación clínica: enseñar que el razonamiento profesional no consiste únicamente en “acertar”, sino en construir decisiones coherentes y justificadas.

 

La plataforma Codimg Hub facilitó enormemente este proceso. Cada estudiante podía revisar repetidamente los fragmentos clínicos, detener la secuencia, volver atrás y analizar los comportamientos observados con mayor precisión.

 

El vídeo dejaba de ser un recurso pasivo para convertirse en una herramienta de análisis.

 

 

 

Un cambio importante: de cinco prácticas a veinte

En cursos anteriores, las limitaciones organizativas hacían que el alumnado realizara aproximadamente cinco prácticas de análisis clínico durante el semestre.

 

La incorporación de Codimg permitió ampliar considerablemente el número de prácticas, alcanzando veinte casos clínicos distintos.

 

Este aumento tuvo consecuencias muy importantes.

 

El alumnado estuvo expuesto a una mayor variedad de perfiles clínicos, pudo comparar diferentes trastornos y desarrollar progresivamente una observación más afinada. La repetición sistemática empezó a generar algo muy relevante: automatización parcial del razonamiento observacional.

 

A medida que avanzaban las prácticas, los estudiantes comenzaban a detectar con mayor rapidez determinados signos clínicos y a justificar mejor sus decisiones.

 

En cierto modo, empezaban a aprender a mirar clínicamente.

 

 

 

El valor del feedback individualizado

Otro elemento central de la experiencia, fue el sistema de corrección.

 

Cada alumno recibía de cada práctica un feedback individualizado que analizaba no solo la valoración final, sino también la calidad del razonamiento clínico realizado por el estudiante.

 

Las correcciones incluían:

 

• Categorías correctamente identificadas
• Categorías ausentes
• Errores de interpretación
• Pertinencia de las decisiones
• Coherencia semiológica
• Comentarios específicos dirigidos al alumnado

 

Por ejemplo, una corrección podría indicar que un estudiante había identificado adecuadamente signos fonológicos e inteligibilidad reducida, pero había omitido alteraciones gramaticales relevantes del lenguaje expresivo.

 

Este tipo de feedback permitía transformar el error en una oportunidad concreta de aprendizaje.

 

El objetivo no era únicamente corregir, sino ayudar al estudiante a comprender cómo estaba razonando.

 

 

 

Inteligencia artificial como herramienta docente de corrección y feedback

La inteligencia artificial no fue utilizada directamente por el alumnado durante las prácticas. Su uso se situó en el lado docente del proceso.

 

Para cada una de las veinte prácticas, el profesor elaboró previamente una matriz de datos de referencia - un auténtico gold standard - que definía cuáles eran las categorías clínicas correctas esperables en cada vídeo. Estas matrices servían como modelo de comparación para evaluar el trabajo realizado por los estudiantes.

 

A partir de esa matriz experta, se diseñó y entrenó un GPT específico para cada práctica clínica. El objetivo no era generar respuestas genéricas, sino automatizar un sistema de corrección altamente preciso y coherente con los criterios clínicos utilizados en la asignatura.

 

El entrenamiento de estos GPTs se realizó utilizando respuestas reales de distintos estudiantes. De forma progresiva, el sistema fue ajustándose hasta alcanzar niveles de corrección prácticamente equivalentes a los del profesor.

 

Esto era posible porque el sistema de categorías utilizado en Codimg permitía comparar de manera muy estructurada:

 

• Las acciones seleccionadas por el profesor
• Las acciones elegidas por el estudiante
• Las omisiones
• Los errores de comisión
• Las interpretaciones inadecuadas

 

Cuando el alumnado cometía un error, el GPT no generaba una respuesta improvisada. El sistema acudía directamente al material teórico elaborado por el profesor para la asignatura, utilizando las definiciones y explicaciones clínicas contenidas en esos apuntes para justificar la corrección.

 

De este modo, el feedback no solo indicaba qué estaba mal, sino también por qué lo estaba y qué concepto clínico debía revisarse.

 

Cada GPT generaba automáticamente un informe individualizado para el estudiante. Estos informes señalaban:

 

• Acciones correctamente identificadas
• Acciones ausentes
• Errores de interpretación
• Fortalezas del análisis
• Debilidades observacionales
• Recomendaciones específicas de mejora

 

Uno de los aspectos más interesantes fue la reacción del alumnado. Los estudiantes recibían el feedback con un nivel muy alto de aceptación porque percibían que la corrección era detallada, razonada y útil para comprender sus propios errores.

 

Además, el sistema generaba un efecto pedagógico muy valioso: los estudiantes volvían a consultar el material teórico proporcionado por el profesor para entender exactamente por qué habían cometido un error concreto. La corrección dejaba de ser únicamente una evaluación y se convertía en una prolongación activa del proceso de aprendizaje.

 

 

La percepción del alumnado

La experiencia fue acompañada además de una encuesta de satisfacción dirigida al alumnado con el objetivo de analizar cómo habían vivido el proceso de aprendizaje utilizando Codimg y el sistema de feedback automatizado.

 

Los resultados fueron especialmente interesantes porque mostraron una valoración muy alta tanto de la metodología como del impacto percibido sobre el aprendizaje clínico.

 

El alumnado puntuó especialmente bien:

 

• La contribución del análisis de vídeo en el aprendizaje
• La utilidad del feedback automatizado
• La mejora en la comprensión clínica de los casos
• La percepción global de mejora del aprendizaje en la asignatura

 

De manera especialmente relevante, muchos estudiantes describieron que la experiencia les ayudó a desarrollar lo que ellos mismos denominaban “ojo clínico”. Las respuestas abiertas mostraban una idea repetida de forma constante: observar y clasificar sistemáticamente los signos clínicos les ayudaba a comprender mejor qué le ocurría al paciente y por qué.

 

Algunos comentarios ilustraban muy bien este proceso:

 

“Me ha ayudado mucho a desarrollar mi ojo clínico.”

“La plataforma Codimg me ha servido para ver lo que estamos aprendiendo de una manera más real.”

“Ayuda un montón porque te ves en la situación del vídeo con el paciente y ayuda a darte cuenta de las pequeñas cosas que ocurren en consulta.”

 

Otros estudiantes destacaban la posibilidad de clasificar signos y síntomas directamente sobre los vídeos les ayudaba a entender mejor conceptos teóricos que inicialmente les resultaban abstractos o difíciles de comprender.

 

También aparecieron observaciones útiles para mejorar el sistema. Algunos alumnos señalaron dificultades iniciales para comprender completamente la lógica de la codificación o ciertas limitaciones técnicas de edición y navegación. Sin embargo, incluso en esos casos, la percepción global continuaba siendo claramente positiva una vez entendido el funcionamiento general de la herramienta.

 

Uno de los aspectos más interesantes fue comprobar que el alumnado no percibía Codimg simplemente como una plataforma tecnológica, sino como una forma distinta de aprender clínicamente. Muchos comentarios insistían precisamente en esa sensación de aproximación a situaciones reales de consulta y en el valor de poder analizar casos de manera estructurada y recibir posteriormente una corrección detallada y razonada.

 

En conjunto, los resultados sugieren que la combinación de:

 

• Vídeo clínico
• Observación estructurada
• Categorización semiológica
• Práctica repetida
• Feedback automatizado

 

No solo fue aceptada por el alumnado, sino que además generó una percepción clara de mejora del razonamiento clínico y de la capacidad para interpretar casos reales.

 

 

 

 

 

Más allá de la tecnología

Aunque la experiencia utilizó vídeos, plataformas digitales e inteligencia artificial, el objetivo principal nunca fue tecnológico.

 

La finalidad era pedagógica y clínica.

 

Lo importante no era “usar innovación”, sino crear un entorno donde el alumnado pudiera practicar de manera intensiva la observación clínica, el análisis semiológico y la toma de decisiones razonadas.

 

Las imágenes del aula reflejaban precisamente ese cambio. Los estudiantes trabajaban simultáneamente con portátiles, tablets, móviles, auriculares y notas manuscritas mientras analizaban vídeos clínicos reales. El profesor dejaba de ocupar el centro de la actividad y el aprendizaje se distribuía entre múltiples procesos individuales de observación y análisis.

 

El aula comenzaba a parecer más a un entorno de trabajo clínico que a una clase expositiva tradicional.

 

 

 

 

 

Conclusiones

El análisis sistemático de vídeos clínicos puede convertirse en una herramienta muy potente para entrenar razonamiento clínico en estudiantes noveles de logopedia y otras profesiones sanitarias.

 

La experiencia mostró la combinación de:

 

• Observación estructurada
• Rúbricas clínicas
• Práctica intensiva
• Feedback individualizado
• Herramientas de inteligencia artificial

 

permite transformar una actividad pasiva de visualización en un proceso activo de aprendizaje clínico.

 

Porque aprender clínicamente no consiste únicamente en conocer definiciones. Consiste, sobre todo, en aprender a mirar, interpretar y decidir.

 

 

Nos gustaría dar las gracias a José Francisco Cervera-Mérida por haber dedicado parte de su valioso tiempo a ofrecernos esta fascinante visión del proyecto.

 

Si deseas obtener más información sobre Codimg y cómo puede ayudar en el proceso de aprendizaje, no dudes en ponerte en contacto con nosotros. Uno de nuestros expertos en observación de vídeo evaluará tus necesidades y te ofrecerá una prueba gratuita y sin compromiso para que puedas comprobar por tí mismo sus ventajas.

 

Hasta entonces…

 

Gracias por leernos.