MetsuOS

Construyendo la plena inclusión a través del videojuego

Lección 3 - Principios fundamentales de la computación con canicas

Aprender sobre Computar con Canicas

En la lección anterior, aprendimos sobre la representación de números en el sistema binario y cómo realizar operaciones básicas utilizando canicas como elementos de cómputo. En esta lección, nos centraremos en los principios fundamentales de la computación mecánica con canicas.

  1. Máquinas de Turing: Una máquina de Turing es un modelo teórico de computadora que puede ejecutar algoritmos. Se compone de una cinta infinita dividida en celdas, una cabeza de lectura/escritura y un conjunto de reglas que especifican cómo se debe comportar la máquina en función del estado actual y el símbolo leído. Las máquinas de Turing son equivalentes en poder de cómputo a cualquier computadora moderna y se consideran el fundamento teórico de la computación mecánica.

  2. Estados y transiciones: En la computación mecánica con canicas, cada configuración de canicas en un conjunto de ranuras representa un estado. Las transiciones se definen mediante reglas que indican cómo se deben mover las canicas en función del estado actual y el contenido de las ranuras. Estas transiciones modelan las operaciones computacionales que queremos realizar.

  3. Cómputo de Turing universal: Una máquina de Turing universal es capaz de simular cualquier otra máquina de Turing. Esto significa que puede realizar cualquier cálculo que pueda ser realizado por una computadora moderna. En el contexto de la computación mecánica con canicas, esto implica que si podemos diseñar una máquina de Turing universal utilizando canicas como elementos de cómputo, entonces podemos realizar cualquier cálculo usando canicas.

  4. Complejidad computacional: La complejidad computacional es un área de estudio que busca comprender cuánto tiempo o recursos requiere un algoritmo para realizar una tarea específica. En la computación mecánica con canicas, también nos interesamos por la complejidad computacional de los algoritmos que diseñamos. La cantidad de canicas necesarias y el número de movimientos requeridos para realizar una operación pueden ser medidas de la complejidad computacional en este contexto.

  5. Algoritmos eficientes: En la computación mecánica con canicas, al igual que en la computadora convencional, es importante diseñar algoritmos eficientes para minimizar la cantidad de canicas y movimientos necesarios para realizar una operación. El diseño de algoritmos eficientes es un aspecto importante para optimizar la computación mecánica con canicas y mejorar su rendimiento.

En resumen, los principios fundamentales de la computación mecánica con canicas incluyen la idea de máquinas de Turing, estados y transiciones, cómputo de Turing universal, complejidad computacional y diseño de algoritmos eficientes. Estos conceptos proporcionan las bases teóricas para trabajar con canicas como elementos de cómputo y realizar operaciones computacionales.

Sobre el sistema de validez de un contenido en MetsuOS

Empezando a incorporar los niveles de validación de un contenido (también llamada sabiduría o niveles de conocimiento) ⚫🔴 🟡 🟢 🔵⚪ ¿Qué són?

Sobre la categorización de los tipos de conocimiento

La Metsukeología (de Metsuke vision global y logos conocimiento) es la ciencia que estudia el conocimiento como un conjunto potencial de conocimiento del que podemos obtener, procesar o percibir partes concretas dentro de un marco contextual específico, y cuyo contexto general real está muy por encima de lo que somos capaces, como especie, de percibir, procesar e integrar de forma completa (definición en progreso).

La Metsucología (de Metsu aniquilación - en este contexto en forma de colapso - , logos conocimiento) es la ciencia que estudia como extraemos verdades percibidas - colapsadas - como conocimiento desde nuestra perspectiva real (tanto epistemológico como gnoseológico) al tomar una parte específica del conocimiento metsukeológico potencial enmarcado en un contexto concreto, obligando a colapsar el conocimiento potencial en conocimiento específico (definición en progreso).

Mas sobre el contexto

DISCLAIMER: Mi consideración de anticientífico respecto al consenso científico es una hipotesis de trabajo propia, que supone que toda asignación de validez, incluso aquella derivada de la conclusión por acumulación de evidencia NO debe ser supeditada a debate, ni acuerdo, debe ser algo probabilistico sin intervención del ego humano. Podría estar equivocado y, en este punto, es donde se aplicaría entonces ese mismo consenso que ahora considero no valido (incluso dañino)

Existen indicadores para algunas cuestiones adicoinales como los siguientes:

Cuando hablamos de un contenido que incluye un texto que hace referencia a otro.

También aplicaremos el Sistema de fiabilidad de fuentes y credibilidad de contenidos de la OTAN 🔴②, este sistema incluye una valoración de la fiabilidad de la fuente de A a F (siendo A la de mayor fiabilidad) y una varloración de credibilidad del contenido de 1 a 6 (siendo 1 la mayor credibilidad).

En MetsuOS la agregaremos al final uniendo amos valores como si fuera una coordenada. Por ejemplo: ⚫①-D4 o 🟡③-B2. Esto ayudarña a contextualizar la información sobre la solidez del conocimiento al que se hace referencia en cada momento.

Hay que tener en cuenta que, cuando hay elementos subjetivos o parcialmente subjetivos, el punto de referencia seré yo mismo. Quizá más adelante pueda objetivizar esto más (seria lo deseable), pero en tanto no tenga herramientas que me lo permitan, debo ceñirme al principio de honestidar intelectual, y esperar que mis sesgos dañen lo menos posible la información (en parte este es el nudo gordiano que pretendo resolver, y por ello es dificil resolverlo a priori).

Así de forma resumida, podríamos decir que esta definición es nivel 🔴② (Rojo2 xD) ¿Crees que me dejo algo? Si es así por favor ayudame a mejorarlo contactándome a través de X (Twitter) en mi cuenta, @metsuke 🌐

Consulta la versión completa de la descripcion en ⚫🔴🟡🟢🔵⚪ (🔴②) Un poco más de detalle