Editar, publicar y financiar ciencia en América Latina: perspectivas, experiencias y distopías en las dinámicas de la comunicación científica en la región

 Tomado de Universo Abierto

Del Rio Riande, Gimena, y Patricio Iván Pantaleo (eds.). (2025). Editar, publicar y financiar ciencia en América Latina: perspectivas, experiencias y distopías en las dinámicas de la comunicación científica en la región. Paideia Editorial. Publicado el 22 de julio de 2025.

PDF

ePub

Esta obra colectiva aborda los principales desafíos que afronta la comunicación científica en América Latina, prestando especial atención a los procesos de edición, publicación y financiación de la investigación académica. El libro propone una mirada crítica sobre las estructuras que condicionan la circulación del conocimiento científico en la región y analiza las posibilidades de construir modelos editoriales más sostenibles, abiertos, inclusivos y adaptados a las particularidades de los sistemas científicos latinoamericanos.

El punto de partida es que publicar ciencia no consiste únicamente en difundir resultados de investigación. Implica también disponer de infraestructuras editoriales, políticas públicas, recursos económicos, sistemas de evaluación y mecanismos de preservación que garanticen que el conocimiento pueda producirse, difundirse y consultarse en condiciones de equidad. Desde esta perspectiva, la obra examina las tensiones entre los modelos comerciales de publicación científica y las iniciativas de acceso abierto, así como las dificultades que encuentran las revistas y las instituciones académicas para mantener su independencia y sostenibilidad.

Uno de los ejes fundamentales es la relación entre acceso abierto, financiación y sostenibilidad editorial. La obra plantea que el acceso libre a las publicaciones no puede depender exclusivamente de la voluntad de los investigadores o de la capacidad económica de las instituciones. Es necesario desarrollar políticas de financiación estables que permitan mantener revistas científicas, plataformas de publicación, repositorios y servicios editoriales sin trasladar los costes a los autores mediante tasas de publicación que puedan convertirse en nuevas barreras de acceso. El reto consiste en garantizar que la ciencia sea abierta sin que su publicación genere nuevas desigualdades.

Otro aspecto destacado es la preservación digital. El capítulo de Miguel Ángel Márdero Arellano y Julio Santillán Aldana analiza cómo garantizar que los resultados científicos permanezcan accesibles, íntegros y auténticos a largo plazo. Se examinan los problemas derivados de la obsolescencia tecnológica, la fragilidad de los soportes, la falta de recursos y la necesidad de establecer políticas institucionales. También se presentan modelos como OAIS, LOCKSS y la preservación digital distribuida, junto con experiencias de cooperación regional como la Red Cariniana de Brasil. La conclusión es que preservar la ciencia digital exige infraestructuras, planificación y colaboración entre bibliotecas, archivos, universidades y organismos de investigación.
Paideia Editorial

La obra incorpora asimismo una reflexión sobre los sistemas de evaluación científica y el papel de los índices internacionales en la organización de la investigación latinoamericana. Se cuestiona hasta qué punto los criterios globales de medición representan adecuadamente las particularidades de los sistemas científicos nacionales y regionales. La visibilidad internacional, la indexación y los indicadores bibliométricos pueden favorecer la difusión de la producción académica, pero también generar dependencias y distorsiones cuando se convierten en los principales criterios para valorar la calidad de la investigación.

Otro bloque temático aborda las prácticas de ciencia abierta en México, la producción editorial en las bibliotecas universitarias brasileñas y las experiencias de las redes de editores científicos. Se pone de manifiesto el papel que pueden desempeñar las instituciones académicas y las bibliotecas en la construcción de infraestructuras de publicación abiertas, en la profesionalización de las revistas y en la creación de espacios de cooperación editorial.

La visibilidad de las publicaciones periódicas también ocupa un lugar relevante. La obra invita a superar los mitos asociados al impacto científico y a interpretar los indicadores bibliométricos con sentido crítico, atendiendo a las características de cada disciplina, institución y contexto de producción. En esta misma línea, incorpora un análisis de la integridad de los datos utilizados para medir la producción científica en Colombia, una cuestión especialmente importante en un escenario donde las decisiones sobre financiación, promoción y reconocimiento académico dependen cada vez más de los sistemas de información y evaluación.

Tomado de Universo Abierto.

Desmotivación y abandono en el aula: conocer las causas para mejorar el aprendizaje

 Por Ángel Fidalgo

Un alumno motivado afronta el aprendizaje de una asignatura en mejores condiciones que uno desmotivado. Y esta idea también podemos trasladarla al conjunto de la clase: cuando predomina la desmotivación, aprender se hace más difícil, tanto por la situación de cada estudiante como por el posible efecto contagio entre compañeros. Pero ese efecto también puede jugar a nuestro favor: conseguir que una parte importante del alumnado se implique y tenga interés por aprender contribuye a crear un ambiente favorable para el resto.

Hay muchas recomendaciones sobre cómo motivar al alumnado. Sin embargo, antes de elegir una propuesta necesitamos dar un paso previo: averiguar por qué está desmotivado. Parte del profesorado señala que, en algunas asignaturas, el alumnado no encuentra relación entre los contenidos y la titulación que estudia. ¿Para qué necesito aprender esto? Si no percibe su utilidad, resulta más difícil que se interese por aprenderlo. Pero también puede perder interés porque no comprende las explicaciones, porque carece de los conocimientos previos necesarios, porque está cursando un grado que no deseaba o por la propia actuación del profesorado. Incluso dentro de una misma aula, la desmotivación puede tener un origen distinto para cada estudiante.

Otro problema rama es el abandono de una asignatura, sin que eso implique abandonar la titulación. Ese abandono puede ser físico: el alumnado deja de asistir a clase. Pero también puede ser, por decirlo de alguna forma, «espiritual»: viene, se sienta y dedica ese tiempo a otras cosas, como trabajar en otra asignatura. Está presente físicamente, pero se ha desvinculado de lo que está ocurriendo en el aula. La desmotivación puede estar relacionada con ambas situaciones, aunque también pueden intervenir otras circunstancias. Por eso, contar los asientos ocupados no basta para saber si el alumnado sigue implicado en el aprendizaje.

La denominación de «problemas rama» implica reconocer que una misma problemática puede tener distintas causas, incluida la actuación del propio profesorado, y una acción necesaria antes de intervenir: averiguar cuáles son esas causas.

Así pues, el siguiente paso es investigar su origen apoyándonos en herramientas validadas. Por ejemplo, para explorar la motivación disponemos del cuestionario MUSIC, que recoge las percepciones del alumnado en cinco dimensiones: autonomía para tomar decisiones, utilidad de lo aprendido, confianza en poder superar las tareas, interés y percepción de apoyo y preocupación por parte del profesorado. Nos permite conocer qué aspectos se perciben de forma más o menos favorable y orientar las preguntas que necesitamos hacer. Es un punto de partida para investigar el problema y decidir qué mejorar.

A partir de esa información podemos plantear acciones de innovación educativa. Si sospechamos que faltan conocimientos previos, una actividad diagnóstica nos ayudará a comprobarlo y a organizar apoyos para adquirirlos. Si el alumnado no encuentra utilidad en la asignatura, tendremos que mostrar para qué sirve lo que aprende. Esa utilidad puede estar relacionada con su futuro profesional, pero también con su desarrollo personal, humanístico o científico.

La intervención debe responder a las causas que hemos identificado, aunque eso suponga combinar distintas acciones dentro de una misma clase. Después de aplicar la mejora podemos volver a utilizar MUSIC, o la herramienta que hayamos empleado inicialmente, para observar cómo han cambiado esas percepciones.

¿Queremos motivar al alumnado y conseguir que no abandone, ni física ni «espiritualmente»? Pues empecemos por averiguar qué le está pasando. Porque podemos compartir aula y asignatura, pero no necesariamente los motivos por los que dejamos de implicarnos.

Tomado de Investigación e Innovación educativa

Cuando el trabajo es excelente, pero el aprendizaje sigue siendo una pregunta

Por Carlos Bravo Reyes y Mercedes Leticia Sánchez Ambriz

El pasado semestre, en una de mis materias, orienté la creación de un ensayo, donde no se prohibía el empleo de la IA. Durante la defensa oral le pregunté a un estudiante por una frase de su trabajo. Su respuesta fue: “De tanto que escribí, no recuerdo esa parte”. Era obvio que la IA había creado el ensayo.

La pregunta que debemos plantearnos es: ¿qué comprende el estudiante de aquello que acaba de presentar? Esta situación real y que se repite todos los días expresa una dificultad que merece nuestra atención, porque la calidad de un producto elaborado con inteligencia artificial no basta para determinar el aprendizaje de quien lo entrega.

La discusión suele concentrarse en cuánto utilizó el estudiante la IA, qué herramienta empleó o si declaró su intervención. Estas preguntas tienen sentido, pero resultan insuficientes cuando el objetivo es valorar conocimientos, capacidades de análisis y decisiones fundamentadas. Conocer la herramienta utilizada no permite establecer, por sí solo, qué operaciones intelectuales realizó el estudiante y cuáles delegó.

La revisión sistemática de Crompton y Burke (Crompton & Burke, 2026) , publicada el 16 de octubre en International Journal of Educational Technology in Higher Education, ofrece un punto de partida para examinar este problema. Las autoras analizaron 72 estudios empíricos correspondientes a 24 países y 20 disciplinas, e identificaron tres enfoques de rediseño evaluativo: orientación al proceso, autenticidad y evaluación oral y dialógica. Predominaron las metodologías cualitativas, por lo que conviene leer estos resultados como una descripción de prácticas emergentes, sin atribuirles una superioridad universal demostrada.

A partir de esta lectura, el análisis pasa más a lo pedagógico: necesitamos diseñar evaluaciones que permitan relacionar lo entregado con lo que el estudiante puede explicar, revisar y utilizar en una situación diferente.

La calidad del producto necesita evidencias que la expliquen

Estoy trabajando con estudiantes de la mención en Tecnología Educativa en un portafolio que denomino: “La alcancía digital”. Cada lunes, estos estudiantes deben “depositar” una idea del empleo de la IA en clases. Esta idea es creada por ChatGPT, pero ellos deben revisarla y verificar si la misma es posible de ser realizada y comprobar varios elementos de dicha idea. El resultado no es solo la contribución, sino la valoración de su empleo.

En el caso de cualquier producto creado por IA si cambiamos un ensayo por una infografía o sustituimos una exposición por un podcast, solo logramos modificar el lenguaje del producto, pero queda pendiente la pregunta que responde al razonamiento que lo sostiene. Por ello, antes de elegir el formato, es necesario precisar qué objetivo se pretende evaluar y qué actuación permitiría reconocerlo.

Si el objetivo consiste en analizar la coherencia de una propuesta educativa, la evaluación tendría que permitir que el estudiante detecte desajustes, explique sus consecuencias y fundamente una corrección. Una secuencia impecable ofrece información sobre el resultado; la explicación de por qué una actividad no permite alcanzar el objetivo aporta otra evidencia, relacionada directamente con la capacidad de análisis.

Desde una lectura pedagógica vinculada con el enfoque histórico cultural, también interesa examinar cómo el estudiante utiliza las ayudas disponibles y qué puede hacer después de trabajar con ellas. En este artículo se asume esa perspectiva como criterio de interpretación, sin atribuirla a las autoras de la revisión. La pregunta que orienta esta mirada es cómo la interacción con una herramienta contribuye a que el estudiante se apropie de una forma de razonar y pueda emplearla con creciente autonomía.

Una explicación generada por IA puede servir para contrastar interpretaciones, mientras que aceptar esa explicación sin comprenderla deja sin resolver el propósito formativo. Para valorar esa diferencia necesitamos observar decisiones concretas: qué se verificó, qué se modificó, con qué fundamento y qué límites se reconocieron. Esto exige mayor esfuerzo por el profesor y mayor tiempo dedicado a la evaluación, además de una mayor preparación del docente en el empleo de la IA.

La documentación del proceso que sigue el estudiante debe responder a ese objetivo. Solicitar todas las conversaciones con la IA puede producir un archivo extenso cuyo valor evaluativo sea reducido si el docente no sabe qué buscar en él y además disponga de mucho tiempo. Un registro seleccionado y comentado puede resultar más pertinente cuando muestra una decisión relevante, la evidencia utilizada para revisarla y el cambio introducido.

Incluso ese registro necesita contrastarse con otras actuaciones, porque también puede elaborarse con asistencia de IA. Su utilidad dependerá de la relación que conserve con los avances del trabajo y con las explicaciones que el estudiante pueda ofrecer durante el curso.

Una evaluación que permita reconstruir las decisiones

Pongamos como ejemplo una actividad evaluativa cuyo objetivo es diseñar y justificar una metodología didáctica para un contexto educativo específico. Al comenzar, el estudiante elaboraría en clase una planificación breve donde identifique a los destinatarios, el problema educativo, el objetivo, los recursos, así como la posible evaluación. Este primer momento permitiría conocer su comprensión inicial y ofrecer retroalimentación antes de desarrollar el recurso. Para esto no se pide, ni es necesaria la presencia de la IA.

Después podría utilizar IA para explorar alternativas, revisar instrucciones o someter su propuesta a preguntas críticas. El profesor explicaría previamente qué usos están permitidos, y qué decisiones requieren una justificación propia. Las condiciones de acceso también formarían parte del diseño, procurando que la evaluación no dependa de disponer de una suscripción de pago.

Durante el desarrollo, el estudiante debe mostrar cómo la IA influyó en su trabajo. Por ejemplo, podría comentar una actividad sugerida por la IA que decidió rechazar porque exigía conocimientos que los destinatarios todavía no habían desarrollado. El interés evaluativo estaría en la relación entre la propuesta recibida, el criterio aplicado y la modificación realizada. Nos interesa conocer porqué la rechazó, pero con sus palabras.

La entrega final reuniría el recurso educativo, que en mi caso puede ser un recurso en HTML5 y además un comentario escrito sobre las principales decisiones adoptadas. Para evitar un informe largo, creado por IA, bastaría con seleccionar aquellas decisiones que permitan valorar el objetivo de la actividad, como la correspondencia entre contenidos y tareas, la pertinencia de los recursos o la claridad de los criterios de evaluación.

Una conversación breve en el aula permitiría ampliar esas evidencias. El profesor podría solicitar que el estudiante explique una modificación, identifique una debilidad todavía presente o adapte una actividad ante un cambio de contexto. Si la propuesta fue diseñada para una clase con conexión permanente, por ejemplo, podría preguntarle cómo conservaría el objetivo cuando parte del grupo solo dispone de acceso ocasional a internet.

Esta conversación tendría que centrarse en criterios conocidos y ofrecer condiciones accesibles. La rapidez para responder, la seguridad al hablar o la soltura frente al profesor no deberían sustituir la valoración del razonamiento pedagógico, salvo que la comunicación oral constituya expresamente un objetivo de aprendizaje.

La evaluación consideraría entonces la coherencia del producto, la fundamentación de las decisiones, la verificación de las aportaciones de la IA y la capacidad para adaptar lo elaborado a otras situaciones. La retroalimentación señalaría tanto los logros como las dificultades que requieren atención, sin imponer modificaciones cuando el trabajo ya cumple los criterios. Pero en todos estos casos, es necesario que el profesor tenga el conocimiento necesario sobre el tema.

En grupos numerosos, sería razonable organizar momentos de revisión dentro de las actividades habituales y seleccionar decisiones representativas para el diálogo. La viabilidad del procedimiento debe estudiarse junto con su valor formativo, pues una propuesta difícil de sostener durante el semestre necesita ajustes antes de convertirse en una exigencia general.

Esta forma de evaluar también abre preguntas para nuestras investigaciones universitarias. En el contexto latinoamericano podríamos estudiar qué evidencias ayudan a reconocer la comprensión del estudiante, qué carga de trabajo generan y qué barreras encuentran quienes tienen diferentes condiciones de acceso. Sería necesario contrastar los resultados antes de recomendar un modelo para toda una institución.

La misma cautela corresponde al estudio de la dependencia cognitiva o la aitoxicación. Una dificultad para explicar un trabajo puede justificar una indagación pedagógica, pero no demuestra por sí sola dependencia de la IA, ya que también podrían intervenir ansiedad, comprensión parcial o instrucciones poco claras. Cualquier interpretación de ese tipo requiere una definición precisa del fenómeno e instrumentos validados.

Evaluar en tiempos de IA nos exige justificar mejor las conclusiones que obtenemos a partir de las evaluaciones a los trabajos estudiantiles.

Referencia

Crompton, H., & Burke, D. (2026). Higher education assessments in the age of GenAI: A systematic review. International Journal of Educational Technology in Higher Education, 23, Article 56. https://doi.org/10.1186/s41239-026-00627-4

Tomado de 366-días

Habitar la tecnologia: en presencia de un desacople humano/máquina

 Por Paola Dellepiane

“Con la revolución de Internet, aprendimos que la tecnología no se compone de objetos ajenos a lo social y a la cultura, que no existe tecnología que nazca inmaculada en el campo técnico. La tecnología realmente existente nace cuando la sociedad la acepta y la adopta en su contexto cultural. Y a la vez, la sociedad necesita del cambio tecnológico permanente para su sustento” (Artopoulos, 2026, pp 20).

En tiempos de Inteligencia Artificial, destaco #2 palabras de la cita: Aceptación - Adopción.

En este sentido, experimenté una situación de “desacople” en un contexto cultural tecnológico entre humano/IA-Agéntica.

Hace unos días gestioné el pedido de turnos para realizar 3 estudios distintos con un asistente conversacional. Con muy pocas instrucciones, con órdenes incluídas, concatenó con precisión los 3 turnos con horarios- médicos- localización dentro del Centro médico. 

Técnicamente, los profesionales asignados a cada estudio contaban con la información necesaria para realizar los respectivos estudios. 

El primer desacople máquina/ humano apareció cuando,10 minutos antes del primer turno, llegué a la Recepción: 

• 2 veces tuve que sacar número para ser atendida en la recepción,

• 3 recepciones tuve para sortear 

• 1 planilla en papel para validar uno de los turnos, gestionada por personal de seguridad. 

• demora de todas las atenciones porque el sistema estaba “lento”.

Conclusión: ninguno de los 3 estudios los realicé en los horarios asignados originalmente, y  en los 3 casos, los médicos habían llamado mi apellido (segundo desacople máquina/ humano), cuando yo estaba en el intento de completar el ingreso en “las recepciones”. 

Imagen generada con Gemini

¿Una adopción humana tardía?  ¿Una no aceptación de una tecnología emergente? 

Una Inteligencia Artificial Agéntica que aún no parece estar integrada a un sistema que, tal vez, necesite ser no adaptado, sino redefinido desde su estructura de gestión. 

No estamos en presencia de una herramienta tecnológica más, sino de un entramado sociotécnico mucho más complejo, de una metatecnología, como define Flavia Costa, que tenemos que comprender críticamente.

Abordar la IA como un entramado sociotécnico complejo implica comprender que no se trata de algoritmos, plataformas o modelos de lenguaje, sino de un conjunto de relaciones que articulan diversas dimensiones de las tecnologías como ser prácticas culturales, intereses económicos, marcos regulatorios, decisiones humanas.

Como argumenta Langdon Winner, la tecnología no es neutral, sino que está inherentemente ligada a valores e intereses particulares. Winner sostiene que “los artefactos técnicos tienen cualidades políticas” (Winner, 1985, p. 1). Más allá de constituirse como herramientas, los sistemas tecnológicos incorporan en su diseño decisiones humanas que organizan, regulan y jerarquizan la vida social.

Finalmente, ser críticos, no es estar en contra de la tecnología. 

Tomado de Aplicaciones educativas en entornos virtuales

De la gimnasia física a la gimnasia cognitiva enseñar a pensar en tiempos de IA

 Por Mercedes Leticia Sánchez Ambriz y Carlos Bravo Reyes

 

Hubo un tiempo en que muchas personas no necesitaban inscribirse a un gimnasio. El trabajo en el campo, los trayectos a pie, las labores cotidianas y una vida menos sedentaria mantenían el cuerpo en movimiento. Con los cambios sociales y tecnológicos, buena parte de esa actividad desapareció: pasamos más horas sentados, nos desplazamos menos y automatizamos tareas físicas. Entonces surgió una necesidad consciente: hacer ejercicio de manera deliberada. Por ello se multiplicaron los gimnasios, los espacios deportivos y las rutinas de entrenamiento.

Algo semejante comienza a ocurrir con nuestro pensamiento.

La inteligencia artificial puede resumir, redactar, organizar ideas, traducir, proponer imágenes, resolver ejercicios y sugerir respuestas en segundos. Estas posibilidades son valiosas: liberan tiempo, amplían opciones y pueden apoyar procesos de aprendizaje. Sin embargo, su incorporación a la educación plantea desafíos relacionados con la autonomía intelectual, la fiabilidad de la información y la responsabilidad sobre los contenidos producidos (Gallent-Torres et al., 2023).

El problema no es utilizar la IA; el riesgo aparece cuando delegamos en ella, de forma constante y sin reflexión, operaciones que nos permiten comprender, relacionar, argumentar, recordar, crear y tomar decisiones. En este sentido, la integración educativa de estas herramientas requiere estrategias que mantengan la participación activa del estudiante y su capacidad de juicio (Miao & Holmes, 2023).

No se trata de afirmar que el cerebro deja de producir neuronas por usar IA. La relación entre aprendizaje, plasticidad cerebral y funcionamiento cognitivo es mucho más compleja. Lo que sí resulta relevante para la educación es que determinadas prácticas de aprendizaje, como recuperar información de la memoria y distribuir el estudio en el tiempo, favorecen la adquisición y conservación de conocimientos (Dunlosky et al., 2013).

La comparación con los músculos, por tanto, debe entenderse como una metáfora pedagógica y no como una equivalencia neurológica. Si siempre recibimos una respuesta terminada, corremos el riesgo de reservar menos espacio para formular preguntas, tolerar la duda, contrastar fuentes y construir una postura propia.

Por eso, la escuela y la universidad necesitan integrar una gimnasia cognitiva, entendida como una manera de mantener activa la participación intelectual del estudiante mediante ejercicios de recuperación, interpretación, cuestionamiento, argumentación y autorregulación del aprendizaje. No se trata de una actividad aislada ni de una ficha de ejercicios rápidos, sino de una manera de diseñar sesiones donde el alumnado mantenga activa su capacidad de pensar antes, durante y después de dialogar con un algoritmo.

Una primera práctica puede ser solicitar que cada estudiante formule una respuesta inicial antes de consultar la IA. No importa si esa respuesta es incompleta; funciona como una fotografía del pensamiento propio. Después, puede comparar su idea con la propuesta de la herramienta y responder: ¿qué mantengo?, ¿qué modifico?, ¿qué descarto?, ¿por qué?

Esta estrategia permite que el estudiante examine su comprensión inicial, identifique diferencias y justifique los cambios realizados. Su fundamento pedagógico se relaciona con las prácticas de recuperación y autorregulación del aprendizaje, aunque su aplicación específica con IA requiere evaluación en diferentes contextos educativos (Dunlosky et al., 2013). Así, la IA no sustituye necesariamente el proceso: puede convertirse en un interlocutor que provoca nuevas preguntas.

Otra estrategia es trabajar con respuestas imperfectas. El docente puede presentar un texto elaborado por IA —con errores, generalizaciones o datos sin evidencia— y pedir al grupo que identifique qué debe verificarse. Esta actividad desarrolla una disposición crítica fundamental: no aceptar una respuesta únicamente porque está bien redactada o se presenta con aparente seguridad. La necesidad de comprobar la información, reconocer sus límites y mantener la responsabilidad humana forma parte de los desafíos de integridad académica asociados a la IA generativa (Caldevilla-Domínguez, 2024; Gallent-Torres et al., 2023).

En tiempos de abundancia de contenidos generados automáticamente, verificar también es una forma de cuidar el pensamiento.

La gimnasia cognitiva puede incluir retos breves dentro de cada sesión:

·         Predecir una respuesta antes de pedirla a la IA.

·         Explicar una idea sin apoyo de pantalla durante un minuto.

·         Comparar dos respuestas y defender cuál tiene mejor evidencia.

·         Transformar una propuesta genérica en una solución situada en su comunidad.

·         Elaborar tres preguntas que una herramienta no podría responder adecuadamente sin conocer el contexto.

·         Registrar en una bitácora qué aportó la IA y qué decisiones siguieron siendo humanas.

Estas acciones parecen sencillas, pero pueden devolver protagonismo al estudiante cuando se acompañan de criterios claros de evaluación, retroalimentación y oportunidades para revisar sus propias ideas. La meta no es competir con la velocidad de una máquina, sino ejercer aquello que le da sentido al aprendizaje: interpretar, dudar, relacionar, imaginar, decidir y asumir la responsabilidad de lo que se afirma.

El docente tiene aquí una tarea decisiva. Ya no basta con enseñar a utilizar herramientas; es necesario diseñar pausas de pensamiento. Antes de generar, preguntar. Antes de aceptar, contrastar. Antes de entregar, explicar el proceso.

Como plantean Flor-Terán y Sandoval-Reyes (2024), la incorporación educativa de la IA también exige atender desafíos éticos relacionados con su utilización responsable. Desde esta perspectiva, el acompañamiento docente debe promover no solo habilidades tecnológicas, sino también criterios para evaluar la información y reconocer las responsabilidades de quien aprende.

Cada actividad debería dejar una huella visible de la comprensión y no únicamente un producto terminado. Un primer borrador, una explicación oral, una decisión argumentada, una corrección justificada o una bitácora de interacción pueden ofrecer evidencias del proceso intelectual.

Tal vez hoy necesitemos una nueva rutina educativa. Así como destinamos tiempo a mover el cuerpo porque ciertas condiciones de la vida contemporánea favorecen el sedentarismo, debemos reservar momentos para mover las ideas porque la automatización, cuando sustituye sistemáticamente la participación intelectual, puede favorecer una actitud pasiva ante el conocimiento.

Esto no significa rechazar las tecnologías ni idealizar formas anteriores de aprendizaje. Significa reconocer que la innovación educativa debe acompañarse de decisiones pedagógicas conscientes. La orientación de la UNESCO sobre inteligencia artificial generativa insiste precisamente en la importancia de una integración centrada en el ser humano y en sus capacidades (Miao & Holmes, 2023).

La IA puede acompañar, ampliar y provocar. Pero no debe convertirse en un reemplazo automático de nuestro juicio. El verdadero desafío de la educación no es prohibir la tecnología, sino aprender a dialogar con los algoritmos sin delegar el pensamiento.

Referencias

Caldevilla-Domínguez, D. (2024). Usos éticos de la IA en la universidad moderna: Más allá del plagio. EDU Review. International Education and Learning Review, 12(1), 57–65. https://doi.org/10.37467/revedu.v12.5184

Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266

Flor-Terán, G. A., & Sandoval-Reyes, P. A. (2024). La ética en el uso de la inteligencia artificial (IA) en la educación: Desafíos y oportunidades. Polo del Conocimiento, 9(11), 255–282. https://doi.org/10.23857/pc.v9i11.8276

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: Una mirada desde la ética y la integridad académica. RELIEVE, 29(2), Artículo M5. https://doi.org/10.30827/relieve.v29i2.29134

Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535

Tomado de 366 días.