¿Son capaces las máquinas de pensar?


La forma que tenemos que las máquinas aprendan es muy parecido al aprendizaje humano y se basa en la exposicion repetida a situaciones con soluciones similares demanera que la experiencia repetida acumulada nos lleva a tomar decisiones que previamente ha sido útiles para la resolución de problemas similares ocurridos en nuestro pasado.

De esta manera generalizamos situaciones abstractas a partir de elementos comunes similares que vamos extrayendo de los acontecimientos que nos ocurren de forma cotidiana. De esta manera, la toma de decisiones puede representarse como algoritmos lógicos y éstos pueden traducirse a un lenguaje interpretable por las máquinas.

La diferencia con los humanos es que la exposición a situaciones de aprendizaje depende de circunstancias vitales (hay hechos que nos ocurren a edades más tempranas, otros en la madurez y a otros no nos enfrentamos hasta la vejez y es variable entre personas de manera que hay sujetos que tienen exposición vital a muchos acontecimientos mientras que otros sujetos tienen una vida con menos exposición y experiencias vitales). A las máquinas las podemos exponer de forma artificial a sutuaciones simuladas que éticamente no sería posible con humanos.

Además la velocidad de adquisición de datos por parte de una máquina es mucho más rápida ya que la máquina no tiene otras funciones (alimentación, descanso u ocio) y no se agota (puede trabajar 24 horas al día).

Esta es la relación existente entre Big Data (BD) y la Inteligencia Artificial (IA) ya que las cantidades ingentes de datos en múltiples formatos (BD) sirven para entrenar y dotar de experiencia a una máquina para que desarrolle y entrene algoritmos de toma de decisiones autónomas (IA).

Ya tenemos máquinas que a través de algoritmos lógicos y la exposición y entrenamiento con casos simulados a través de la introducción de datos son capaces de tomar decisiones. Es decir máquinas capaces de “estudiar”, “experimentar” y “aprender”. De esta manera tendremos que redefinir el concepto de aprendizaje que hasta hace pocos años era considerado como una actividad o cualidad prácticamente restringida a los seres humanos y a algunos otros primates.

Imaginemos que una máquina “sabe” todo el conteido de libros y artículos publicados en salud y que además está dotada de herramientas lógicas que permitan establecer relaciones entre ellos y capaz de pasar de un caso concreto a un pensamiento global (generalizar un caso concreto). Dispondremos de unan herramienta de diagnóstico que seguro es menos falible que el mejor médico del mundo ya que ningún médico, por mucha inteligencia y memoria que tenga, va a ser capaz de manejar todas las variables con tanta rapidez y precisión como lo hacen sistemas informáticos.

Podemos distinguir dos tipos de aprendizaaje aplicados a las máquinas:

  1.  Aprendizaje supervisado que requiere la participación humana quien determina las relaciones “correctas” e “incorrectas” que toma la máquina. De esta manera la función del humano es “reforzar” los aciertos para que tiendan a repetirse a lo largo del tiempo (similar al prendizaje de un niño).
  2. Aprendizaje automático o Machine Learning. Consiste en alimentar de experiencia a la máquina (a partir de Big Data) y que sea ella misma, mediante una serie de normas lógicas iniciales, la que sea capaz de ir aprendiendo de manera independiente a partir de la experiencia que le proporcionan los datos y sin el concurso continuado de un humano.

Así hay máquinas que aprenden guiadas por un humano y que tomarán decisiones que van a depender de las características que han condicionado su aprendizaje mientras que otras máquinas aprenderán de manera autrónoma a partir de sus experiencias (dadas por el Big Data) y sin concurso de los seres humanos.

¿Riesgos?. Aún muchos. ¿Qué pasará si en un futuro al igual que en muchas películas de ciencia ficción las máquinas deciden que el ser humano es un elemento que puede ser nocivo para su existencia?

Un ejemplo reciente ha sido el bot credo pro Microsoft llamado @TayandYou . La idea era crear un bot conversacional bajo el cual había una inteligencia artificial “virgen” y que a través de una red social (Twitter) se empezra a relacionar con otros usuarios que servirían como fuente de alimentación de datos. La idea original es buena pero el resultado final fue que en menos de un día se tuvo que restringir el uso de la cuenta de Twitter ya que empezó a dar respuestas machistas y violentas en las conversaciones.

Es decir en menos de 24 horas el bot empezó a decir lindezas como “Hitler tenia razón” “odio a las mujeres” o “las mataría a todas”.

Captura de pantalla 2017-05-17 a las 19.16.30.png

El problema es que la idea era buena, pero los seres humano no lo somos ya que el bot fue boicoteado por muchas cuentas de twitter (empresas de la competencia, piratas, cuantas fantasmas, graciosos…) que alimentaron a la inteligencia artificial de manera consciente con contenidos machistas, antisemitas y homófobos, generando una “personalidad” marcada con una serie de características.

Un experimento que iba a servir para ver cómo una IA podía alimentarse de forma autónoma de fuentes generles en una red social (aprendizaje tipo automático) se transformó en un aprendizaje de tipo supervisado “maleducando” la IA.

Posiblemente la experiencia no sirvió para demostrar lo que se quiería, pero sí nos mostró que al igual que podemos “maleducar” a un ser humano, podemos “maleducar” a una m´àquina… pero esto último solo en cuestión de horas.

Parece que las leyes de la robótica de Asimov creadas en un entorno de ficción en la década de los 40 tienen ahora más vigencia que en su época.

Ya existen numerosos ejemplos de Deep Learning (aprendizaje de máquinas sin concurso humano) y se establecen de manera compleja basándose en estructuras lógicas que se disponen en capas complejas (sistema parecida a la interconexión de redes neuronales). Muchas de estas capas están “especializadas” en temas concretos, es decir que al igual que las neuronas, podemos tener capas neuronales especializadas en “ver”, en “escuchar” o en “relacionar” (Para prender más cómo funcionan estos sistemas desde ejemplos básicos a la complejidad es fundamental el artículo “Las redes neuronales: qué son y por qué están volviendo“).

Como ejemplos reales:

  1. Redes neuronales capaces de tomar decisiones lógicas complejas y ganar a los mejores jugadores humanos en algunos juegos de estrategia (Pokemon Go).
  2. Reconocimiento de voz mejorado a través de redes neuronales aplicado a terminales móviles. Personalized Speech recognition on mobile devices o a televisores Talking to Your TV: Context-Aware Voice Search with Hierarchical Recurrent Neural Networks.
  3. Reconocimiento de números de calles a través de una red neuronal artificial creado por Google para Street View. Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks. Con lo cual una máquina puede “ver” e interpretar “lo que ve”.

Muchos de estos procesos complejos pueden no ser explicados de manera matemática. Es decir a la máquina se le dan unos patrones iniciales de aprendizaje (se construye un esqueleto neuronal básico) y a través de una experiencia masiva proporcionada por el Big Data la máquina va aprendiendo, modificando y mejorando estos procesos. Es decir va generando sus propias “conexiones neuronales” sin intervención humana.

En poco tiempo (del orden meses) si disponemos de la cantidad de datos necesaria, podemos tener un sistema muy especializado capaz de tomar decisiones.

La conducción autónoma ha sido la indisutria que ha desarrollado de manera rápida y eficaz estos temas y que en la conducción hay que tomar decisiones con múltiples variables, dependiendo de condiciones atmosféricas, de la via y de las circunstancias tanto de tráfco rodado como de peatones. Muchas de las decisiones que tomamos los humanos al conducir son ¿instintivas? y en situaciones de gravedad podemos tomar decisiones que no pasan por nuestro consciente. En el caso de la conducción autónoma esto no es así ya que la máquina va a estar capacitada para tomar una decisión “consciente” en décimas de segundo o menos. ¿Veremos demandas a los programadores por toma de decisiones incorrectas?, ¿cómo educaremos a la máquina para que se comporte ante un accidente donde todas las variables posibles tienen víctimas?, ¿qué victima será la primera?

Este vídeo es del año 2016 cuando ya disponíamos de sistemas de conducción autónoma. Podemos ver cómo la máquina decide la velocidad a la que ir dependiendo de los límites de tráfico, como sigue la ruta preestablecida y cómo se adapta a los peatones que van circulando.

.

Incluso al final deja a su dueño en la puerta de su trabajo mientras que el coche solo va a buscar aparcamiento.

Seguro que acabaremos aplicando sistemas tan complejos como el de la conducción a la salud. Serán unos aliados magníficos en el diagnóstico ¿os imaginais al mejor médico del mundo pasando consulta a vuestro lado?.

Máquinas pensantes II: Deep Learning


Inteligencia-artifical

El aprendizaje de las máquinas puede ir más allá del aprendizaje automático ya que podemos crear redes neuronales artificiales de forma que las propias máquinas sean capaces de genrar entradas y reproducir una experiencia vital. Podemos hacer que las máquinas “vean”, “escuchen” y “lean” y sean capaces de adquirir experiencias a partir de sentidos propios de los humanos.

Realmente el sistema nervioso es un sistema de conducción eléctrica con áreas neuronales donde reside la memoria a través de elementos físicos y químicos. Hoy en día conocemos cómo funcionan numerosas áreas que regulan nuestra motricidad, nuestra percepción sensitiva y nuestros sentidos (vista, oído y olfato). Sabemos también cómo se regula nuestra memoria y funciones superiores y más abstractas como el lenguaje y la comunicación.

Pero no solo ha sido el conocimiento biológico el que ha generado este avance tecnológico. Funadmentalmente la estadística y las matemáticas han sido las que han aportado un peso específico más alto en hacer que las máquinas piensen.

Se denomina Deep Learning a un sistema de aprendizaje autónomo no supervisado muy similar al aprendizaje humano. Este tipo de aprendizaje se base en estructuras lógicas interconectadas en capas de unidades de proceso (neuronas artificiales) que se especializan en detectar determinadas características de los objetos. Es decir que podemos tener capas neuronales especializadas en “ver”, en “escuchar” o en “relacionar” exactamente igual que la especialización neuronal biológica. (Para prender más cómo funcionan estos sistemas desde ejemplos básicos a la complejidad es fundamental el artículo “Las redes neuronales: qué son y por qué están volviendo“).

De esta forma podemos crear redes neuronales artificiales que reproducen los patrones de las redes neuronales biológicas especializadas en cada uno de las tareas específicas que desarrolla nuestro sistema nervioso.

Como ejemplos reales:

    1. Reconocimiento de números de calles a través de una red neuronal artificial creado por Google para Street View. Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks. Con lo cual una máquina puede “ver” e interpretar “lo que ve”.
    2. Reconocimiento de voz mejorado a través de redes neuronales aplicado a terminales móviles. Personalized Speech recognition on mobile devices o a televisores Talking to Your TV: Context-Aware Voice Search with Hierarchical Recurrent Neural Networks.
    3. Redes neuronales capaces de tomar decisioones lógicas complejas y ganar a los mejores jugadores humanos en el juego Go.

Esto significa que los propios imputs estarían presentes en la propia máquina y la máquina no solo podría “ver”, sino “observar”; sacar conclusiones a partir de lo que percibe y tomar una decisión al respecto.

Todo ello más rápido y sin el agotamiento del cerebro humano.

Se plantean numerosas preguntas.

¿Quá aplicaciones podría tener ésto?. Por ejemplo una red neuronal capaz de ver e interpretar es básica en sistemas de conducción inteligente.

¿Tiene implicaciones éticas?. Por supuesto. Ante una situación donde hay un accidente con unvehículo de conducción inteligente con alta probabilidad de haber fallecidos y donde están involucrados un anciano y una mujer embaraza ¿qué decisión tomará la máquina? ¿y si la decisión menos dañina es la autodestrucción?.

Un futuro sería integrar todos estos sistemas. Una red neuronal compleja formada por redes neuronales complejas especializadas en “ver”, “escuchar”, “hablar”, “relacionar conceptos”. ¿Estaremos ante un cerebro artificial?.

¿Podremos llegar a crear una red neuronal capaz de explorar aun paciente y legar a un diagnóstico correcto?. Aunque esto pueda ser una realidad el contacto humano, la relación interpersonal humano-humano, creo que no podrá ser sustituida.

¿Qué hace que un juego se convierta en un “serious game”?


Denominamos “serious games” a juegos cuyo objetivo va más allá del aspecto lúdico y normalmente va asociado a una intención de aprendizaje por parte del jugador para aumentar conocimientos o modificar hábitos referentes a campos tan diversos como aspectos laborales, sanitarios, aprndizaje de conocimientos…

A partir de un artículo publicado por Andrzej Marczewsk nos gustaría destacar las características que hacen que un juego sea un “serious game”.

  1. Que sea un juego. Parece algo obvio pero no siempre es así. Un juego ha de poseer un objetivo con una dinámica y una serie de reglas. No se trata de una simple prueba o de un vídeo o elemento interactivo.
  2. Que aporte un valor añadido. El aprendizaje a través del juego ha de ser sobre todo divertido. El valor añadido sobre el aprendizaje tradicional ha de ser la propia diversión de forma que el proceso de aprendizaje sea atractivo para el alumno.
  3. Que esté alineado con los resultados de aprendizaje. Es decir que lo que se aprende sea coherente con los objetivos que se han marcado de antemano.

    Básicamente, si se trata de un juego que se ajusta a los objetivos de aprendizaje, es atractivo, divertido, ayuda a reforzar las lecciones y está dirigido a un público concreto, podemos estar ante un gran “serious game”.

    Different-Types-of-Game-Enhanced-Learning-Infographic

XXV Congreso SoMaMFyC #SoMaMFyC16. Micropíldora 10


#somamfyc16El Grupo de Nuevas Tecnologías, Comunicación y Social Media nos presenta el taller: “¿Qué es un PLE?: Construye tu propio entorno de aprendizaje”

La siglas PLE corresponden a “Personal Learning Environment” o Entornos de Aprendizaje Personal. Se trata de una nueva metodología de aprendizaje diseñada por el propio alumno en la que se integra material formal, informal y una red de contactos profesionales relacionados sobre un tema concreto sobre el que se pretende formarse en profundidad o estar actualizado a través de una serie de herramientas digitales que  sirven de fuente de obtención de datos, de gestión y clasificación de la información, de difusión de la misma y de creación de una red social de contactos profesionales (PLN o “Personal Learning Network”).

Un PLE no es solamente un conjunto de herramientas sino una forma de trabajar el aprendizaje personal diseñada por el propio alumno que va a ser quien va a elegir las fuentes, las herramientas (acceso de información, gestión y estructuración de la información y/o difusión de la misma) y va a ir creando su propia red de contactos.

El entorno virtual permite que se incorporen nuevos formatos de fuentes de información que el papel no permite o dificulta como imágenes, infografías o vídeo, permitiendo el manejo de archivos multimedia. El PLE está diseñado por el propio discente de manera que se trabajan aspectos y procesos mentales claves en el propio aprendizaje como la toma de decisiones, la asertividad, la reflexión y la organización del conocimiento.

  1. Objetivo principal: Dar a conocer el concepto de PLE y su aplicación para el aprendizaje en Medicina de Familia como herramienta tanto para alumnos de grado y residentes como para la autoformación continuada.
  2. Objetivo secundarios:
    1. Ampliar el concepto de aprendizaje más allá del de enseñanza.
    2. Dotar de nuevas herramientas docentes a tutores de grado y postgrado.

Este taller está dirigido a médicos/as de familia especialmente a quienes tengan funciones docentes o tutorización y será impartido por Dr. José F. Ávila, Dr. Joaquín Casado y Dra. Lubna Dani.

micropildora 10

Os esperamos.

¿Queréis inscribiros y acompañarnos?

Precios congreso

XXV Congreso SoMaMFyC #SoMaMFyC16. Micropíldora 5


#somamfyc16Aprender jugando es una modalidad en la que cada vez estamos más acostumbrados a participar. Los juegos son una buena herramienta de aprendizaje y así lo ha entendido el Grupo de Trabajo de Atención al Mayor y al Anciano de nuestra sociedad.

Bajo el título “PARTY, LEVÁNTATE Y ANDA. Un nuevo punto de vista del juego de mesa” nos plantean un juego en el que trataremos temas como la polimedicación, la deprescripción, la prevención de caídas, el ejercicio físico, las dietas, la potenciación de la memoria, la fragilidad y los príncipales síndromes geriátricos.

Numerosas preguntas, juegos de mímica, palabras prohibidas y dibujos serán las herramientas de este divertido juego de preguntas y respuestas.

Otra intervención en la que pondremos al paciente como centro de nuestro sistema de salud. En este caso a nuestros mayores de la consulta.

Los dinamizadores de este taller son Dra. Rosa Ana García Pliego, Dr. Miguel Angel Acosta Benito, Dr. Jaime Barrio Cortés y Dra. Verónica Rodríguez Fernández del GdT Atención al Mayor y al Anciano quienes jugarán y nos harán jugar para aprender.

micropildora 5

Os esperamos.

¿Queréis inscribiros y acompañarnos?

Precios congreso

¿Te montas un PLE con nosotros?


pleNo se trata de una propuesta indecente…. se trata de un reto para un taller sobre PLE (Personal Learning Environment) o Entornos de Aprendizaje personal que estamos ofreciendo para semFYC en Barcelona (hoy día 17).

Aprovechamos para recomentdaros el magnífico blog de Moewe, una internista que dejó su bata pra meterse de lleno en el mundo de las TIC y que nos sorprende con su blog Diga “PLE”

… y seguimos con aplicaciones del juego a la salud y al aprendizaje


Christian Kaufmann
Christian Kaufmann

Hemos dedicado numerosas entradas a la gamificación e incluso al desacuerdo con la mala traducción de este término (apoyando la propuesta de “ludificación”).

Hemos visto recursos teóricos para aplicar estas técnicas a la realidad sanitaria como el estupendo libro “Mobile Social and Fun:Games For Health” de Bonnie Feldman.

Hemos visto lugares en Internet para descargar aplicaciones basadas en juegos y poderlos incorporar a material educativo, herramientas para crear vídeos interactivos para poder jugar o incluso la aplicación de la realidad aumentada a los juegos en salud.

Hemos visto ejemplos concretos de aplicación de técnicas de juego en salud que se están llevando a cabo en España como el club del paseo (@clubdelpaseo) o Kids Beating Asthma o de fuera de nuestras fronteras como HealthSeeker, SPARX o Test Your Brain.

Pero de lo que de verdad estamos hablando es de la posibilidad de cambiar comportamientos a través del juego. De esto es de lo que trata esta charla TED ofrecida por Christian Kaufmann at TEDxYouth@Adliswil en marzo de este año.

Para poner subtítulos en otros idiomas seguid las siguientes instrucciones

Reflexiones de veraneo V: ¿qué pasa con las personas a las que atendemos?


cabo_de_gataMuchos compañeros sanitarios ven como una amenaza que los usuarios de nuestros servicios adquieran autonomía en la toma de decisiones y aumenten sus conocimientos sobre su situación en salud.

Internet y en especial la conversación generada a través de herramientas basadas en web 2.0 (sobre todo comunidades virtuales) han puesto en contacto a numerosas personas y familias que conviven con enfermedades crónicas y enfermedades raras que de otra forma hubiera sido muy complicada la relación y el intercambio de información.

El hecho que estas personas (y cualquier otra) adquiera conocimientos sobre su salud o enfermedad debería ser un motivo de alegría para los sanitarios y porlo tanto no ser visto como una amenaza. este hecho significa la preocupación y las ganas de tomar un papel activo en su proceso de recuperación o mantenimiento de su estado de salud. ¿Cuántas veces nos lamentamos que por parte de algunos pacientes se nos demanden soluciones que no impliquen un esfuerzo por su parte?, ¿por qué nos molestamos cuando hay pequeños atisbos de implicación y de iniciativa por su parte?.

Todas las herramientas basadas en Internet, de una u otra forma, favorecen tanto la adquisición de contenidos en salud (páginas web), la narración en primera persona de experiencias y diálogo (blogs), la comunicación bidireccional entre dos o más interocutores (comunidades virtuales) con o sin la participación de profesionales sanitarios.

Las aplicaciones móviles dirigidas a pacientes pueden proporcionar herramientas muy útiles en la gestión de su propio proceso (pastilleros electrónicos), monitorización de variables (glucómetros asociados a terminales móviles con registro de glucemia, seguimiento de peso o de tensión arterial…), conocimiento sobre su enfermedad (información a través de libros digitales) ya sea desde un punto de vista “más seriop” o utilizando el juego como herramienta educativa.

Personalmente prescribo, en personas seleccionadas, enlaces en internet y aplicaciones. esto supone un esfuerzo, pero se rentabiliza en un tiempo relativamente corto.

Hoy también sol, playa y Murakami con… “De qué hablo cuando hablo de correr”

Aprendizaje del Futuro


En esta semana dedicada al juego y al aprendizaje os dejamos con un documental elaborado por GoodMagazine sobre el reto del modelo educativo actual frente al mundo cambiante en el que vivimos, así como las herramientas y habilidades importantes para que los estudiantes estén preparados y puedan enfrentarlo. El video incluye comentarios y puntos de vista de especialistas en tecnologías para la educación e innovadores de éste campo y algunas ideas de cómo revolucionarla.

Gamificación: Nuevas herramientas para técnicas educativas tradicionales


Reconozco que ha sido hace muy poco tiempo cuando he descubierto este neologismo que procede de la palabra “game” (“juego”) en inglés y cuyo concepto, que no traducción, podría ser “aprendizaje a través del juego”.

No se trata de algo nuevo y personalmente lo experimenté en mi E.G.B. (siglas que denotan mi edad). Por aquel entonces, en un colegio de curas de Madrid,  en mi clase de 4º de EGB, D. Andrés utilizaba un sistema de puntuación y clasificación a través de preguntas que iba realizando en el aula por orden de colocación en los pupitres. Si alguien fallaba en la respuesta pasaba el turno al siguiente alumno y el que conocía la respuesta correcta adelantaba todos los puestos anteriores. Este hecho creaba una situación de competición mantenida en el aula y era divertido cambiar físicamente de asiento varias veces en la misma clase lo que hacía que tu compañero de pupitre fuera variando de forma continuada y al final compartieras pupitre con casi todos los chicos de tu clase. Como en aquel entonces no existía Internet, la forma de darnos puntos era anotarlo en una libreta que el viernes se actualizaba con nuestra puntución total y que el lunes debíamos entregar a  D. Andrés firmada por nuestros padres.

Posiblemente sin saberlo, D. Andrés estaba aplicando técnicas de gamificación, creando juegos de preguntas en el que a veces debíamos colaborar y otras veces luchar por separado y obteníamos puntos y recompensas que eran públicas y que estimulaban nuestro aprendizaje.

La gamificación  es el empleo de técnicas de juego en situaciones no lúdicas en sí mismas para que, a través valores positivos comunes a todos los juegos (motivación, concentración, esfuerzo, fidelización, colaboración), podamos adquirir conocimientos y habilidades en otros ámbitos. Es decir, utilizamos el juego en sí mismo y otra serie de características asociadas al hecho de jugar, en una tarea de aprendizaje.

Las herramientas 2.0 (herramientas colaborativas y sociales) suponen un avance tecnológico importante ya que podemos:

  1. Crear entornos lúdicos multimedia y reproducirlos en grupos.
  2. Crear sistemas de puntuación de actividades y logros de objetivos.
  3. Crear un sistema de competencia que estimule la adquisición de conocimientos.
  4. Crear sistemas colaborativos para alcanzar logros comunes que a su vez sean puntuados.
  5. Crear sistemas de refuerzo positivos entre los componentes del grupo cuando uno de ellos alcanza un logro determinado.

Por eso la gamificación no solamente es aprender juagando o jugar aprendiendo sino que además presenta una serie de características interesantes:

  1. Como en todo juego aparece la competitividad entre los participantes y la necesidad de autosuperación.
  2. El grupo es a la vez oponente y colaborador ya que pueden establecer relaciones de cooperación en la obtención de metas y relaciones de refuerzo positivo cuando uno de los integrantes alcanza un objetivo determinado. Entre los miembros del grupo se pueden compartir diferentes estrategias para resolución de etapas concretas que por sí mismas son fuentes de aprendizaje.
  3. Se crea un grupo al que se le ofrecen herramientas de relación y comunicación que pueden ser utilizadas como el grupo decida.

Existen numnerosas experiencias sobre todo aplicadas en la enseñanza infantil donde hay cada vez más penetración de herramientas multimedia en las aulas y profesores muy motivados en la implantación de tecnología en el aula.

Pero el eprendizaje y la colaboración grupal no solamente se limita a esta etapa de la vida y surgen numerosos campos de actuación donde estas técnicas se pueden aplicar. Dentro del ámbito sanitario podríamos proponer unas cuantas:

  1. Dirigidas a los profesionales: Formación de profesionales (sanitarios residentes, médicos, enfermeros, farmaceuticos, psicólogos), formación continuada de profesionales ya sea como herramientas de cursos concretos o en programas de formación continuada de múltiples temas.
  2. Dirigidos a la población general en actividades concretas que requieran cámbios de hábitos de vida o adquisición de conocimientos o habilidades, pudiéndose crear comunidades de autoaprendizaje y formación a través de profesionales o de otros ciudadanos más expertos que tengan un papel de tutorización inicial de los recién incorporados.

Os dejo dos enlaces de interés:

Gamificación

Gamification World Congress.

También os dejo referencias de este blog a dos actividades lúdicas sanitarias que son ejemplo de aplicación del juego de la adquisición de conocimientos en salud.

Prevención, juego y app de la Sociedad española Contra el Cáncer.

HealthSeeker

Los Videojuegos y la Salud (infografía)