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.

EDD-01. Educación digital: aprender con ayuda, decidir con criterio

 Por Lorenzo García Aretio

VER TODAS LAS ENTRADAS DE ESTA SERIE

Siete trabajos seleccionados: referencias al final.

Descargar esta entrada en PDF

Tras la presentación de este nuevo proyecto de Educación digital al día (EDD), arrancamos con esta primera entrada en la que me he fijado en siete investigaciones recientes que, leídas en conjunto, me llevan a una pregunta: ¿cómo organizar los apoyos digitales para ampliar las posibilidades de aprender y mantener al estudiante al frente de su trabajo? La IA generativa, los laboratorios en línea y la realidad virtual ofrecen oportunidades diferentes. Las reúno aquí porque permiten examinar una misma responsabilidad educativa: diseñar qué ayuda damos, qué decisiones conserva quien aprende y cómo reconoceremos su progreso.

Los artículos se publicaron por primera vez en línea entre el 15 de septiembre y el 6 de octubre de 2026. He cerrado esta selección el 14 de octubre, ampliando la mirada a los últimos treinta días. Hay estudios empíricos, una revisión sistemática y una aportación teórica. Cada uno ilumina una parte del problema; mi lectura conjunta busca convertir esas aportaciones en preguntas y decisiones útiles para la educación superior, especialmente para la EaD digital.

Encuentro una oportunidad estimulante en esta selección. Disponemos de nuevas formas de acompañar, practicar y revisar el trabajo del estudiante. Para aprovecharlas necesitamos precisar su función educativa. Mi propuesta es mirar la ayuda desde tres decisiones conectadas: qué dificultad queremos atender, qué actuación intelectual debe realizar el estudiante y qué evidencias nos permitirán valorar lo aprendido. Los trabajos emplean medidas y contextos diferentes; su aplicación a otras experiencias de EaD requiere atender a esas condiciones.

Ofrecer ayuda y formar el juicio

La investigación de Wu y Lu (2026) aporta una distinción especialmente valiosa. Siguieron, en tres momentos de un semestre, a 342 estudiantes universitarios organizados en 85 grupos que realizaban un proyecto de escritura académica colaborativa con un tutor de IA. Separaron las diferencias habituales entre personas de las variaciones de cada estudiante a lo largo del tiempo. Una dependencia declarada mayor de la habitual se asoció con menor capacidad percibida para dirigir el trabajo en la medición posterior. El análisis principal relaciona percepciones, complementadas con registros de actividad; no demuestra que la IA cause una pérdida de autonomía.

Me interesa el cambio de mirada que ofrece ese análisis. Contar consultas al asistente informa de actividad; para comprender su sentido educativo necesitamos saber qué hace el estudiante con la respuesta. Puede utilizarla para contrastar una hipótesis, pedir una explicación o discutir un argumento. También puede aceptarla antes de haber formulado su propia posición. Yo situaría la atención docente en esas decisiones, que una estadística de uso deja abiertas.

Ramos-Zaga (2026) proporciona un marco conceptual para examinar esa responsabilidad: el andamiaje inverso. Mediante una revisión narrativa crítica y un análisis teórico, plantea que el estudiante puede evaluar, corregir y reorientar un producto generado por IA. Su contribución es una propuesta interpretativa, todavía abierta a comprobación empírica. Encuentro ahí un objetivo docente fértil: enseñar a justificar qué se acepta de una respuesta, qué se modifica y con qué fundamento.

Al poner ambos trabajos en relación, veo una pregunta que convendría concretar en cada asignatura: ¿qué necesita saber el estudiante para evaluar la ayuda que recibe? Revisar una explicación de física requiere criterios distintos de los que permiten valorar un texto argumentativo. Pedir pensamiento crítico tendrá mayor sentido si enseñamos a identificar un error y a acudir a una fuente. Conviene, además, enseñar a explicar por qué una alternativa responde mejor al problema.

Una revisión reciente ayuda a situar esa cuestión. Malikova et al. (2026) reúnen once estudios empíricos sobre IA en física universitaria, recuperados mediante seis fuentes y valorados con el instrumento MMAT. Realizan una síntesis narrativa porque los diseños, los usos y los resultados son heterogéneos. Distinguen funciones pedagógicas y reúnen resultados mixtos: algunas aportaciones favorables se limitan a tareas o efectos a corto plazo, mientras que persisten dificultades de verificación científica y de transferencia al trabajo independiente. Valoro especialmente que relacionen los hallazgos con la calidad metodológica de los estudios.

Esta combinación de lecturas me anima a examinar el momento y la forma de intervenir. En una actividad, podríamos pedir una explicación inicial, permitir después la consulta y solicitar una revisión razonada. En otra, el punto de partida podría ser una respuesta generada que deba contrastarse con los materiales del curso. Esta segunda opción requiere que el estudiante disponga de conocimientos y criterios suficientes para comprobar la respuesta, junto con la orientación que necesite para hacerlo. Son posibilidades de diseño que propongo explorar; la elección dependerá del objetivo, de la preparación del estudiante y de la evidencia que recojamos.

La entrada C.EaD-75 del Compendio, dedicada a la IA generativa como nuevo mediador del diálogo educativo, permite prolongar este razonamiento (García Aretio, 2025b). Allí situé la intencionalidad pedagógica y la participación del estudiante en el centro de la mediación. Estos trabajos recientes dan nuevos elementos para estudiar cómo se conserva esa participación. La cuestión adquiere especial interés cuando la ayuda puede proponer contenidos y orientar decisiones. El fundamento sigue vivo; ahora podemos formular preguntas más precisas sobre su aplicación.

Hacer visible lo que el estudiante aprende

La responsabilidad intelectual necesita oportunidades para ejercerse y evidencias para reconocerla. Por eso, después de pensar qué ayuda ofrecería, me preguntaría qué pediría al estudiante que mostrase. Un resultado correcto, una experiencia satisfactoria y una explicación bien justificada proporcionan información diferente. El diseño de la evaluación puede reunir esas evidencias de forma proporcionada y comprensible.

Quince y Faulconer (2026) estudian una asignatura de física con 36 estudiantes y tres evaluaciones bajo condiciones de uso de IA distintas. Analizan las declaraciones de uso y las calificaciones. En las tareas posteriores, aparece más uso declarado para retroalimentación. Las diferencias de puntuación entre usuarios y no usuarios no fueron estadísticamente significativas, y los datos no permiten seguir individualmente a cada estudiante entre tareas. Su aportación es un caso situado para comprender cómo se relacionan las normas y el diseño de la evaluación. Al cambiar también el tipo de actividad, el caso no permite atribuir a la política, de forma aislada, las diferencias observadas en el uso declarado.

Destaco la utilidad de llevar una política institucional al terreno de la actividad. Un permiso general necesita convertirse en instrucciones que el estudiante pueda aplicar: para qué puede consultar, qué debe comprobar y qué razonamiento le corresponde explicar. En EaD, además, conviene que esas instrucciones sean visibles en el entorno de aprendizaje y mantengan coherencia con la tutoría y los criterios de calificación.

El estudio observacional de Shen et al. (2026) añade una perspectiva desde la educación artística. Analiza 133 casos que enlazan rendimiento previo, evaluación final y cuestionarios. Distingue la ayuda al proceso creativo del contenido generado incorporado al producto, a partir de las estimaciones del alumnado. Los modelos ajustados no muestran una asociación estable con una puntuación final más alta. En comparaciones complementarias y análisis de sensibilidad, el uso de IA se asocia con puntuaciones inferiores en autoría, entendida como la expresión visible de intención y decisiones creativas propias en la obra. Es una asociación situada, sin una demostración causal ni una valoración de plagio.

La conexión con el caso de física me lleva a proponer una evidencia breve de las decisiones realizadas. En un proyecto creativo, por ejemplo, el estudiante podría seleccionar una modificación importante. Explicaría la intención inicial, la propuesta recibida y el motivo de su decisión final. En una resolución de problemas, podría contrastar dos procedimientos y justificar su elección. La finalidad sería reconocer el razonamiento que sostiene el trabajo, con una exigencia viable para el alumnado y el profesorado.

También veo interés en observar qué capacidad puede emplearse en una situación nueva. Propondría añadir una tarea breve de transferencia, ajustada a los objetivos del curso y a las necesidades de accesibilidad. Así, podríamos examinar qué comprende el estudiante cuando cambia el problema, y qué apoyos sigue necesitando. La autonomía educativa incluye saber solicitar ayuda y utilizarla con criterio; las condiciones de evaluación deben permitir apreciar ambas capacidades.

El trabajo de Kautz et al. (2026) amplía la cuestión hacia una preocupación central de la EaD: la formación práctica. Comparan, en 135 estudiantes que habían elegido su modalidad, las modalidades asíncrona en línea y presencial de una asignatura de laboratorio de biología. No detectan diferencias estadísticamente significativas en las calificaciones del curso, los informes de laboratorio y las medidas conceptuales finales comparadas. Sí observan menor confianza declarada en técnicas de laboratorio entre quienes cursaban en línea. El estudio no evalúa directamente la ejecución manual de esas técnicas. Esta distinción ayuda a precisar qué aprendizajes pueden examinarse mediante cada tipo de evidencia.

Para mí, esta lectura tiene un valor curricular claro. Comprender una técnica, interpretar sus datos y ejecutarla con equipamiento son objetivos relacionados que podemos describir y evaluar por separado. La comparación ofrece razones para explorar posibilidades a distancia, conservando la precisión sobre las capacidades examinadas. Al tratarse de una elección de modalidad y de comparaciones sin diferencias significativas, mantendría el alcance situado que corresponde a sus datos. La ausencia de diferencias estadísticamente significativas no constituye, por sí sola, una demostración de equivalencia entre modalidades.

Cuando conecto los tres trabajos, la evaluación aparece como una decisión de diseño que atraviesa tecnologías y disciplinas. En física, arte o biología, yo comenzaría por identificar la capacidad que quiero desarrollar; después elegiría una actuación que permita reconocerla. Esa secuencia ayuda a dar sentido a los permisos de IA, a la documentación del proceso y a las prácticas en línea. También permite evitar una carga de registro que aporte poca información sobre el aprendizaje.

En RIED, Romeu Fontanillas et al. (2025) estudiaron la incorporación de un recurso formativo sobre IA generativa y una reflexión ética compartida en una universidad en línea. Recupero ese trabajo como antecedente de la alfabetización crítica necesaria para tomar decisiones. Los estudios recientes plantean preguntas complementarias sobre el apoyo, el juicio y la evaluación; cada uno conserva sus propios objetivos y medidas.

Organizar la experiencia para ampliar oportunidades

La atención a las decisiones del estudiante debe acompañarse de una pregunta institucional: ¿qué organización hará posible esta experiencia? Una universidad necesita preparar actividades, coordinar a quienes intervienen y sostener los recursos durante el curso. Esta dimensión tiene especial relevancia para la EaD, donde buena parte de la experiencia educativa se diseña y se ofrece mediante distintas mediaciones.

Bisswang et al. (2026) concretan esa cuestión para la realidad virtual. Combinan un corpus de 69 publicaciones con 16 entrevistas a expertos. A partir de ese análisis, construyen diez roles, vinculados al desarrollo y la integración universitaria de estas experiencias. Su aportación cualitativa describe actividades, conocimientos y responsabilidades. Los roles pueden agruparse en una misma persona o distribuirse según el proyecto; el marco ofrece una orientación adaptable para organizar equipos.

Encuentro especialmente útil que la propuesta permita hablar con precisión de las responsabilidades. Un equipo puede revisar quién define la actividad educativa, quién desarrolla la interacción, quién recoge la experiencia del estudiante y quién mantiene la infraestructura. Yo añadiría a esa conversación una pregunta de continuidad: cómo se incorporarán las observaciones de la primera aplicación a la siguiente. Esa planificación interesa a docentes y gestores, tanto como a especialistas tecnológicos.

La entrada C.EaD-39 del Compendio aborda la diversidad de agentes educativos y las sinergias entre sus funciones (García Aretio, 2025a). El artículo reciente concreta esa preocupación en un ámbito tecnológico específico. Veo ahí una forma productiva de mantener el Compendio en uso: recuperar un fundamento para examinar cómo puede desplegarse ante nuevas exigencias. A su vez, la investigación ofrece un vocabulario más detallado para pensar esa coordinación.

La organización también alcanza a los laboratorios en línea examinados por Kautz y sus colegas. La flexibilidad tiene sentido cuando se acompaña de actividades y apoyos preparados. Desde mi perspectiva, ampliar oportunidades exige atender a la secuencia de trabajo, los criterios de evaluación y las vías para resolver dificultades. Estas decisiones pueden convertir la disponibilidad digital en una oportunidad educativa, aprovechable para estudiantes con circunstancias diversas.

El marco sobre realidad virtual organiza responsabilidades; su alcance no consiste en demostrar una mejora del aprendizaje. Precisamente por eso abre una oportunidad de investigación: estudiar cómo distintas formas de coordinación se relacionan con la calidad de la experiencia, la participación y el progreso del estudiante. Me parece un paso valioso para acercar las decisiones de gestión a las preguntas pedagógicas.

Preguntas para investigar el siguiente paso

Al reunir estas lecturas, propongo pensar el apoyo digital desde la relación entre las decisiones del estudiante y las condiciones que prepara la institución. Ahí sitúo mi aportación a esta lectura conjunta. Esa relación permite conectar la ayuda de IA, la evaluación de una práctica y la organización de una experiencia inmersiva. Cada tecnología ofrece posibilidades distintas; podemos investigarlas con una pregunta educativa común y con medidas adecuadas a cada caso.

Para un equipo docente que quiera investigar, comenzaría con un problema acotado. Por ejemplo, comparar dos formas de ayuda en actividades equivalentes. Una, basada en pistas después de un intento inicial; otra, centrada en la revisión de una respuesta generada. Recogería las decisiones justificadas, el resultado de la tarea y una actuación posterior ante un problema nuevo. Sería interesante conocer para quién funciona cada secuencia y qué condiciones permiten sostener sus aportaciones.

En programas a distancia, añadiría el interés por la continuidad del aprendizaje. La flexibilidad puede abrir una oportunidad, pero necesitamos observar cómo se utiliza a lo largo del curso y qué apoyos requieren quienes encuentran dificultades. Las entrevistas, las revisiones del trabajo y los datos de participación pueden contribuir a comprender esa trayectoria, siempre vinculados con la pregunta que guía el estudio.

Para autores, revisores y editores, destaco el valor de presentar con claridad qué conocimiento añade el trabajo. Una descripción precisa de la actividad, del tipo de ayuda y de las evidencias recogidas facilita el contraste de la interpretación. También permite ensayar nuevas aplicaciones. Considero especialmente fecundas las investigaciones que explican las condiciones de sus resultados y las posibilidades de adaptación, porque hacen más útil el conocimiento para otras comunidades educativas.

Entre las lecturas completas, daría prioridad a Wu y Lu, para profundizar en la relación entre ayuda y agencia. A Malikova y sus colegas, para examinar el mapa de evidencias. Y a Bisswang y sus colegas, para planificar la integración de realidad virtual. Ramos-Zaga aporta el desarrollo conceptual del juicio del estudiante. Quienes trabajen en evaluación o formación práctica encontrarán especial interés en las actividades y medidas descritas por Quince y Faulconer, Shen y sus colegas, y Kautz y sus colegas.

La educación a distancia ha seguido ampliando sus mediaciones y sus posibilidades de llegar a más personas. Estas investigaciones me animan a pensar su próximo paso desde decisiones concretas que podemos diseñar, estudiar y mejorar. Me gustaría que esta primera lectura conjunta sirviera para imaginar apoyos más útiles, experiencias mejor organizadas y estudiantes con más oportunidades de aprender y decidir. Ahí encuentro el futuro educativo que merece seguir investigándose.

Referencias

Documentos seleccionados para esta entrada

Bisswang, N., Herzwurm, G., & Richter, S. (2026). Roles for virtual reality integration into university teaching. Computers and Education Open, 11, Article 100426. https://doi.org/10.1016/j.caeo.2026.100426

Kautz, S., Hendrickson, E. C., Hernandez, E., Grunwald, A. L., Tuor, L., & Reddy, R. (2026). Choosing online or in-person biology laboratories: Student motivations, perceived costs, and comparable learning outcomes. Journal of Microbiology & Biology Education. Advance online publication. https://doi.org/10.1128/jmbe.00135-26

Malikova, Z., Ualikhanova, B., Turmambekov, T., Rakhashev, B., & Berdaliyev, D. (2026). Artificial intelligence in university physics education: A systematic review of empirical studies. Frontiers in Education, 11, Article 1964629. https://doi.org/10.3389/feduc.2026.1964629

Quince, Z., & Faulconer, E. (2026). Student GenAI use under changing institutional policies: A mixed-methods case study in undergraduate physics. International Journal of STEM Education, 13, Article 61. https://doi.org/10.1186/s40594-026-00651-w

Ramos-Zaga, F. A. (2026). Autonomía epistémica frente a la inteligencia artificial generativa: Bases para un modelo de andamiaje inverso. Revista de Educación, (414), 29–49. https://doi.org/10.66757/RE-2026-414-119824

Shen, N., Lee, L. S., & He, A. (2026). Generative AI in creative education: Baseline-linked evidence on learning processes, artistic performance, and authorship. Frontiers in Psychology, 17, Article 1956939. https://doi.org/10.3389/fpsyg.2026.1956939

Wu, Y., & Lu, X. (2026). A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning. British Journal of Educational Technology. Advance online publication. https://doi.org/10.1111/bjet.70090

Conexiones con el Compendio y RIED

García Aretio, L. (2025a). Diversidad de agentes educativos en la EaD: funciones y sinergias (C.EaD-39). Compendio EaD. AIESAD. https://doi.org/10.58079/13xjd

García Aretio, L. (2025b). IA generativa y su impacto pedagógico: un nuevo mediador en el diálogo educativo (C.EaD-75). Compendio EaD. AIESAD. https://doi.org/10.58079/14uat

Romeu Fontanillas, T., Romero Carbonell, M., Guitert Catasús, M., & Baztán Quemada, P. (2025). Desafíos de la Inteligencia Artificial generativa en educación superior: fomentando su uso crítico en el estudiantado. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 209–231. https://doi.org/10.5944/ried.28.2.43535

Tomado de Contextos universitarios mediados

Más de la mitad de los adultos en Estados Unidos (59 %) afirman que se informan a través de las redes sociales

 Tomado de Universo Abierto.

Pew Research Center. (2026, 19 de octubre). Social Media and News Fact Sheet. Pew Research Center. https://www.pewresearch.org/journalism/fact-sheet/social-media-and-news-fact-sheet/

Las fuentes digitales se han convertido en una parte importante del consumo de noticias de los estadounidenses, y las redes sociales desempeñan un papel fundamental, especialmente entre los adultos más jóvenes. Para 2026, más de la mitad de los adultos en Estados Unidos (59 %) afirman que se informan a través de las redes sociales al menos en ocasiones, lo que supone un ligero aumento en comparación con los últimos años.

El informe Social Media and News Fact Sheet, publicado por el Pew Research Center de 2026, analiza el papel de las redes sociales como canales de acceso a la información periodística en Estados Unidos. El documento ofrece una panorámica actualizada de las plataformas utilizadas para consultar noticias, examina la evolución de estos hábitos y estudia las diferencias existentes entre grupos de población según la edad, el género, el nivel educativo y la identificación política. Sus resultados muestran que las redes sociales forman parte importante del ecosistema informativo contemporáneo: en 2026, el 59 % de los adultos estadounidenses afirma que obtiene noticias a través de estas plataformas al menos ocasionalmente. Esta cifra confirma la relevancia de los canales digitales en la distribución de información y la transformación de las formas tradicionales de acceder a la actualidad.

Los datos reflejan que Facebook y YouTube son las plataformas que alcanzan a una mayor proporción de adultos estadounidenses para el consumo habitual de noticias. El 40 % declara informarse regularmente a través de Facebook y el 34 % mediante YouTube. A continuación aparecen Instagram, con un 23 %, y TikTok, con un 20 %. Otras plataformas presentan porcentajes inferiores: X, anteriormente Twitter, alcanza el 10 %; Reddit, el 9 %; Nextdoor, el 8 %; LinkedIn, el 6 %; y WhatsApp, el 5 %. Rumble, Truth Social y Bluesky registran cifras todavía menores. Estos resultados muestran que las redes sociales no cumplen una función informativa equivalente: algunas combinan grandes audiencias generales con un uso frecuente para consultar noticias, mientras que otras tienen una presencia más reducida en los hábitos informativos de la población.

La evolución temporal permite observar cambios significativos en la importancia de cada plataforma. Facebook ha pasado del 36 % de adultos que obtenían noticias habitualmente a través de ella en 2020 al 40 % en 2026, aunque su trayectoria ha experimentado fluctuaciones intermedias. YouTube ha aumentado del 23 % al 34 % en el mismo periodo, consolidándose como una fuente destacada de información. Instagram también ha crecido, desde el 11 % hasta el 23 %, mientras que TikTok ha experimentado una expansión especialmente notable: del 3 % en 2020 al 20 % en 2026. En cambio, X ha descendido del 15 % al 10 %. Estas tendencias evidencian que los hábitos informativos se adaptan a los cambios en las plataformas, los formatos de contenido y las preferencias de los usuarios. El avance de TikTok e Instagram, en particular, pone de relieve la creciente relevancia de los entornos visuales y de los contenidos breves en la circulación de noticias.

El informe también distingue entre el porcentaje de toda la población adulta que utiliza una plataforma para informarse y la proporción de usuarios de esa misma plataforma que consulta noticias regularmente. Esta diferencia resulta fundamental para interpretar los datos. Por ejemplo, el 57 % de los usuarios de Facebook y el mismo porcentaje de los usuarios de X afirman obtener noticias habitualmente en esos servicios. En TikTok, la proporción alcanza el 53 %, mientras que en Instagram es del 46 %. YouTube registra un 41 % entre sus usuarios. Por tanto, aunque Facebook y YouTube destacan por su alcance general, otras plataformas tienen una función informativa especialmente importante dentro de sus propias comunidades. Nextdoor, orientada a las comunidades locales, también presenta una evolución relevante: el porcentaje de sus usuarios que consulta noticias regularmente ha pasado del 33 % en 2025 al 45 % en 2026.

Las diferencias demográficas constituyen otro de los aspectos destacados del estudio. Los adultos jóvenes presentan una mayor tendencia que las personas de más edad a consumir noticias en TikTok, Instagram y Reddit. Entre quienes tienen de 18 a 29 años, el 43 % obtiene noticias regularmente a través de Instagram, el 40 % mediante Facebook, el 39 % en YouTube y el 39 % en TikTok. En el grupo de 65 años o más, en cambio, Instagram alcanza el 8 % y TikTok apenas el 4 %. También existen diferencias relacionadas con el género: las mujeres recurren con mayor frecuencia a Facebook y TikTok para informarse, mientras que los hombres muestran una mayor presencia relativa en YouTube y X. Estos resultados ponen de manifiesto que las estrategias de comunicación periodística deben tener en cuenta tanto la plataforma utilizada como las características y los hábitos de las audiencias a las que se dirigen.

El análisis identifica asimismo diferencias relacionadas con el origen étnico, el nivel educativo y las preferencias políticas de la población estadounidense. Los adultos afroamericanos, hispanos y asiáticos presentan una mayor tendencia que los adultos blancos a consultar noticias en determinadas plataformas, entre ellas YouTube e Instagram, aunque los patrones varían según el servicio. Las personas sin titulación universitaria muestran una mayor inclinación que los graduados universitarios a obtener noticias mediante Facebook y TikTok. En el ámbito político, los demócratas y quienes se inclinan por ese partido recurren con mayor frecuencia a Instagram, TikTok y Reddit, mientras que los republicanos presentan una ligera ventaja en Facebook y X. YouTube registra porcentajes similares entre ambos grupos. Estas diferencias ayudan a comprender cómo se distribuye el consumo informativo en distintas comunidades, pero no demuestran por sí solas que el uso de una plataforma determine las opiniones políticas de sus usuarios.

Desde una perspectiva metodológica, el Pew Research Center basa este informe en una encuesta realizada a 5.166 adultos estadounidenses entre el 24 y el 30 de agosto de 2026, integrantes de su American Trends Panel. Los resultados pretenden representar a la población adulta de Estados Unidos. Es importante tener presente que el estudio mide comportamientos declarados por los participantes y que las cifras de consumo habitual corresponden a quienes utilizan cada plataforma, no necesariamente al conjunto de la población. Además, los datos describen específicamente el contexto estadounidense y no deben extrapolarse automáticamente a España o a otros países, donde pueden variar la penetración de las redes sociales, la confianza en los medios, las preferencias informativas y las condiciones de acceso a la tecnología.

En conjunto, el informe confirma que las redes sociales se han convertido en intermediarias fundamentales entre la información periodística y la ciudadanía. Las plataformas ya no son únicamente espacios de interacción personal y entretenimiento, sino también entornos donde se descubren noticias, se comparten contenidos y se construyen percepciones sobre la actualidad. Esta transformación plantea oportunidades para ampliar el alcance de la información, pero también exige prestar atención a la desinformación, la selección algorítmica de contenidos, la fragmentación de las audiencias y la dificultad de distinguir entre información contrastada, opiniones y publicaciones engañosas. El documento no mide directamente la calidad de las noticias ni el grado de desinformación que circula en cada plataforma, pero sus resultados ayudan a identificar los espacios en los que se desarrolla una parte importante del consumo informativo.

Tomado de Universo Abierto.