EDD-02. Ayudar a aprender: del apoyo digital a la comprensión y la transferencia

 Por Lorenzo García Aretio

VER TODAS LAS ENTRADAS DE ESTA SERIE

Cinco trabajos seleccionados: referencias al final.

Descargar esta entrada en PDF

Tras la primera entrega de Educación digital al día (EDD-01), vuelvo a reunir varias investigaciones recientes que me han suscitado una pregunta: ¿qué sucede después de ofrecer una ayuda para aprender? Un mensaje puede animar a comenzar una tarea; un comentario puede orientar una revisión; una actividad puede ayudar a comprender y transferir lo aprendido. Para valorar cada paso necesitamos atender tanto al diseño pedagógico como a las evidencias que deja.

He seleccionado cinco trabajos publicados en cinco revistas científicas. Cuatro son investigaciones empíricas originales y uno es una revisión metodológica sistemática, con contextos y métodos muy diversos. No busco que todos demuestren una misma conclusión; propongo un hilo de lectura que permita acercarnos, desde preguntas complementarias, a la relación entre apoyo, actuación del estudiante y aprendizaje. Las conexiones que establezco sirven para orientar y enriquecer la lectura, respetando el alcance real de lo que cada estudio permite afirmar. Los cinco trabajos pertenecen a 2026; cierro esta selección el 2 de noviembre.

El hilo comienza con la activación del estudio y el uso del feedback, se detiene en la formación asíncrona y el diseño de la práctica, y termina preguntando qué evidencia permite hablar de aprendizaje. Los resultados no se suman como si procedieran de un mismo experimento, pero cada uno aporta elementos valiosos para orientar decisiones de docencia e investigación en educación superior —especialmente en la educación a distancia digital— y también en otros niveles educativos.

Empezar, continuar y transformar la ayuda

Russell et al. (2026) estudian una cuestión cotidiana en cursos universitarios numerosos: qué puede aportar una orientación personalizada basada en analíticas de aprendizaje frente a un consejo general. En una asignatura introductoria de Química, el grupo experimental recibió cuatro correos elaborados con plantillas estructuradas y reglas condicionales (del tipo «si ocurre X, entonces Y» o if/then) en Excel, revisadas por el docente; el grupo de comparación recibió dos mensajes generales. Durante la intervención, una proporción mayor del grupo experimental accedió a la práctica opcional (91 % frente a 82 %) y comenzó las tareas, en promedio, casi medio día antes (3,9 frente a 3,5 días antes del plazo de entrega). Sin embargo, no se detectaron diferencias estadísticamente significativas en los exámenes, las calificaciones finales ni la valoración sobre la utilidad o capacidad motivadora de los mensajes.

Me interesa que el artículo permita distinguir entre iniciar una actividad y demostrar un aprendizaje. El contraste experimental combina personalización y frecuencia de mensajes (cuatro frente a dos), de modo que no separa el efecto individual de cada elemento. Por otra parte, la muestra analizada se limitó a los 783 estudiantes que otorgaron su consentimiento al final del semestre, lo que deja fuera a quienes abandonaron antes o no consintieron. Estas condiciones invitan a interpretar con prudencia la conclusión: la intervención facilitó algunos comportamientos de estudio entre quienes aportaron datos, pero no demuestra una mejora del rendimiento académico. En un curso a distancia, cabría ensayar recordatorios ligados a una tarea concreta y observar qué dificultades ayudan a resolver, evaluando siempre su impacto en el propio contexto.

Zhan et al. (2026) llevan la mirada al paso siguiente: qué hace el estudiante con una sugerencia recibida de un compañero. Analizaron tres rondas de evaluación interactiva entre pares en línea, con 135 estudiantes de segundo curso del grado de Educación en Hong Kong y 29.545 conductas registradas. Distinguen cuatro respuestas ante el feedback: aplicar, copiar, rechazar e ignorar. Los resultados varían según el momento y el tipo de interacción: las peticiones iniciales de información concreta y algunas respuestas explicativas se asociaron con más aplicación; tanto el feedback general como el específico se asociaron con más aplicación, aunque el específico también se vinculó con más copia literal. A su vez, los desacuerdos, las peticiones de información concreta en la fase final de discusión (fase 4) y el feedback general se relacionaron con más rechazo, mientras que ver desatendidas las propias peticiones específicas al inicio llevó a ignorar más comentarios después. Su análisis estadístico multinivel tiene en cuenta que las conductas no son aisladas, sino que se agrupan por fases, estudiantes, parejas y tareas.

El diseño es observacional: no permite afirmar que una forma de comentario cause por sí sola una respuesta determinada, y el estudio no evalúa la calidad de la versión final de las tareas revisadas. Además, el artículo presenta una discrepancia en el desglose de participantes por modalidad: las cifras parciales suman 132 (71 en las clases síncronas y 61 en las asíncronas), mientras que el total declarado es 135. Conviene conservar la cifra total informada por los autores y dejar constancia de ese desajuste en el desglose. Para mí, el aporte pedagógico está en que aprovechar un comentario no significa aceptarlo sin más. Podríamos pedir al estudiante que explique qué sugerencia incorporó, cuál descartó y cómo cambió su trabajo. Un rechazo razonado también puede expresar criterio propio; habría que valorarlo junto con sus razones y con la mejora efectiva del trabajo revisado.

En diálogo, Russell y Zhan permiten seguir dos momentos diferentes: comenzar una tarea y decidir qué hacer con una orientación. La evaluación formativa que presenté en el Compendio EaD considera que la información solo contribuye al aprendizaje cuando quien estudia la interpreta y la utiliza para ajustar su actuación (García Aretio, 2025a). Ambos trabajos ofrecen situaciones concretas para prolongar esa reflexión desde procesos complementarios.

Formarse y practicar en entornos asíncronos

Connell Pensky et al. (2026) examinan una formación universitaria en IA generativa compuesta por cuatro módulos asíncronos, con lecturas, vídeos, ejemplos, ejercicios con feedback y reflexión. En 65 secciones de 53 asignaturas participaron 1.368 estudiantes y 46 docentes. El conjunto de módulos podía completarse en aproximadamente 90 minutos y abordaba el funcionamiento de los modelos, sus oportunidades y riesgos, cuestiones éticas y usos responsables. La recogida de datos del experimento se realizó a lo largo de seis días durante la primera semana del semestre de otoño de 2024.

Los resultados muestran mejoras adicionales frente al grupo de control en conocimiento sobre IA generativa, habilidades de elaboración de prompts (instrucciones a la IA), comprobación de hechos y fuentes, y autoeficacia. No se observó, en cambio, un efecto significativo de los módulos en la capacidad para evaluar críticamente los sesgos potenciales de las respuestas de IA. Las medidas se recogieron inmediatamente, al comienzo del curso; por ello, el artículo no permite afirmar que estos cambios se mantengan en el tiempo o se transfieran a tareas académicas posteriores.

La investigación conecta con una experiencia publicada en RIED por Romeu Fontanillas et al. (2025), quienes incorporaron un recurso de aprendizaje sobre IA y un debate ético en una universidad en línea (la UOC). El estudio, con más de 900 estudiantes, examinó el conocimiento autopercibido y las preocupaciones y principios éticos expresados por el alumnado. Lo considero un antecedente valioso sobre formación crítica en un entorno digital. Sus resultados y los de Connell Pensky no son intercambiables: difieren en actividades, instrumentos y objetivos, pero su lectura conjunta nos ayuda a preguntar qué formación inicial conviene ofrecer y qué actuaciones posteriores permitirían apreciar su alcance.

Cao y Carvalho (2026) estudian otra decisión de diseño instruccional: cuándo conviene presentar un ejemplo resuelto paso a paso y cuándo pedir al estudiante que evoque o recupere por sí mismo una respuesta (práctica de recuperación). En dos experimentos en línea, 78 y 74 adultos aprendieron reglas matemáticas y lingüísticas artificiales. Cuando recibían instrucción explícita inicial, la práctica de recuperación favorecía la generalización a problemas nuevos. Sin esa instrucción previa, los ejemplos resueltos superaban a la recuperación repetida; variar los problemas durante la práctica reducía esa desventaja. El efecto se midió inmediatamente con materiales controlados de laboratorio, no en asignaturas reales ni en una prueba de retención a largo plazo.

Antes de elegir entre ejemplo resuelto, ejercicio o cuestionario, conviene preguntarse qué sabe ya el estudiante y qué debe aprender a hacer. Así, combinar explicación inicial, ejemplos y práctica de recuperación constituye una pauta fundamentada para ensayar y ajustar según el nivel del grupo, más que una fórmula rígida válida para cualquier asignatura. El artículo me recuerda que la variación de ejercicios debe ayudar a reconocer relaciones estructurales importantes. Esta cuestión se vincula con la formación asíncrona de Connell Pensky: ambas lecturas nos animan a mirar cómo se organiza la oportunidad de aprender y qué resultado concreto se evalúa.

Medir aquello que decimos que se aprende

Fan et al. (2026) ofrecen una revisión metodológica para examinar la relación entre afirmaciones e instrumentos de evaluación en investigaciones sobre IA educativa. Preguntan si las medidas de un mismo constructo —es decir, la variable, habilidad o disposición que se pretende evaluar— producen conclusiones semejantes cuando proceden de autoinformes (cuestionarios de percepción) y de indicadores no basados en el autoinforme (pruebas de desempeño o registros de actividad). En una primera fase codificaron 2.099 registros de títulos y resúmenes; en la segunda analizaron intencionalmente —estratificando por tipo de constructo— 51 comparaciones procedentes de 47 estudios completos. Dentro de esa muestra encontraron 30 comparaciones concordantes, 11 discordantes y 10 mixtas. Esas cifras describen el corpus elegido y no estiman la frecuencia del problema en todo el campo. Su concepto de «observabilidad del constructo» funciona como marco para pensar qué faceta de un fenómeno hace visible cada medida, sin establecer una jerarquía universal entre instrumentos.

Esta lectura me ayuda a colocar los otros cuatro trabajos en perspectiva. Russell examina comportamientos de estudio registrados en la plataforma, percepciones y resultados de examen; Zhan observa decisiones sobre el feedback, sin evaluar la calidad de la versión final; Connell Pensky combina percepciones, pruebas de conocimiento y tareas de desempeño; Cao y Carvalho miden transferencia inmediata en reglas artificiales. Cada indicador responde a una pregunta distinta. En la entrada C.EaD-81 del Compendio insistí en que las inferencias de evaluación deben apoyarse en evidencias pertinentes y suficientes, y que han de corresponderse con el propósito declarado (García Aretio, 2025a). Fan ofrece un punto de apoyo metodológico actual para retomar esa preocupación, con el cuidado que exige su muestra intencional.

También recuerdo el artículo de García-Peñalvo et al. (2024) en RIED, que examinó las posibilidades, límites y retos de la IA generativa en educación, incluyendo la necesidad de contrastar posibles errores. Junto con la investigación de Fan, refuerza una pregunta útil para docentes y equipos de investigación: ¿qué afirmación estamos haciendo y qué evidencia la respalda? Un autoinforme puede ser adecuado para conocer una percepción o la confianza del estudiante; para afirmar desempeño o transferencia hacen falta medidas que recojan esas actuaciones. La clave está en nombrar con precisión lo que medimos y no pedir a un resultado que responda más de lo que puede responder.

La entrada C.EaD-75 del Compendio sitúa la IA generativa como mediadora del diálogo educativo y mantiene en primer plano la intencionalidad pedagógica y la participación activa del estudiante (García Aretio, 2025b). Las investigaciones de este conjunto permiten plantear preguntas más acotadas sobre esa mediación: qué ayuda se ofrece, qué decisión toma quien aprende y cómo sabemos si esa decisión contribuye al propósito formativo.

Preguntas para investigar el siguiente paso

Al reunir estas lecturas, propongo mirar el apoyo digital desde una secuencia sencilla: precisar la dificultad, diseñar una actuación del estudiante y elegir una evidencia adecuada para valorar lo que ocurre. Un mensaje oportuno, una revisión entre pares, un módulo asíncrono o una actividad de recuperación pueden cumplir funciones distintas. Su interés educativo depende de esa coherencia entre propósito, actividad y evidencia, además de las condiciones de participación y del esfuerzo que exige a docentes y estudiantes.

Para un equipo docente, comenzaría por acordar qué esperamos que haga el estudiante después de recibir ayuda. Por ejemplo, pedirle que intente primero una tarea, revise una sugerencia y explique qué cambios introduce y por qué. Después valoraría si esa secuencia es accesible y viable, y qué información permitiría mejorarla en la práctica del aula o del entorno virtual.

Para los equipos de investigación, resultaría pertinente comparar actividades equivalentes, describir con cuidado el conocimiento previo y observar tanto el proceso como un resultado que corresponda al objetivo. Cuando la pregunta sea sobre experiencia o confianza, el autoinforme tendrá su lugar; cuando sea sobre desempeño o transferencia, habrá que incorporar una tarea que permita comprobarla. También convendría examinar qué ocurre después de la práctica inmediata y qué apoyos necesitan estudiantes con circunstancias diferentes.

A autores, revisores y editores les propondría cuidar la correspondencia entre pregunta, método, instrumento y conclusión. Este es el hilo que da unidad a la entrada: no afirmar más de lo que la evidencia permite, sin perder de vista las preguntas pedagógicas que cada estudio ayuda a formular. En esta selección encuentro una invitación a diseñar apoyos digitales con intención y a estudiar con rigor lo que sucede después de ofrecerlos.

La educación a distancia ha construido sus posibilidades mediante distintas formas de diálogo y mediación. Estas investigaciones me animan a seguir preguntando cómo ofrecer ayudas que abran oportunidades de aprendizaje y cómo reconocer, sin simplificarlo, el trabajo intelectual que realiza cada estudiante. Me gustaría que esta segunda lectura conjunta nos ayudara a afinar esas preguntas y a diseñar mejores experiencias en educación digital.

Texto elaborado con asistencia de inteligencia artificial, bajo la dirección, revisión y responsabilidad del autor.

Referencias

Documentos seleccionados para esta entrada

Cao, M., & Carvalho, P. F. (2026). Striking the balance: How variability shapes retrieval practice and worked examples for transfer learning. Educational Psychology Review, 38, Article 71. https://doi.org/10.1007/s10648-026-10169-w

Connell Pensky, A. E., Eckstein, L. E., Melville, M. C., Pottmeyer, L. O., Mineroff, Z., Chawla, A., Brooks, J., Hershock, C., & Lovett, M. C. (2026). Can asynchronous learning modules about generative AI increase students’ knowledge, skills, and self-efficacy for genAI? Computers & Education, 250, Article 105640. https://doi.org/10.1016/j.compedu.2026.105640

Fan, Y., Ning, Y., Tchiang, V. I., & Jin, M. (2026). Same construct, same conclusion? A construct-observability perspective on self-report and non-self-report indicators in AI education research: A two-phase systematic review. International Journal of Educational Technology in Higher Education, 23, Article 53. https://doi.org/10.1186/s41239-026-00631-8

Russell, J.-E., Smith, A.-M., George, S., & Brummett, A. (2026). Impact of learning analytics-based personalized feedback: An experimental study on student behavior in a large introductory STEM course. Educational Technology Research and Development. Advance online publication. https://doi.org/10.1007/s11423-026-10728-6

Zhan, Y., Chiu, M. M., & Du, Z. (2026). Antecedents of student feedback uptake during online interactive peer assessment. Education and Information Technologies, 31(16), 8311–8335. https://doi.org/10.1007/s10639-026-14108-8

Conexiones con el Compendio y RIED

García Aretio, L. (2025a). Fundamentos y principios de la evaluación en EaD (C.EaD-81). Compendio EaD. AIESAD. https://doi.org/10.58079/15117

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

García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). The new reality of education in the face of advances in generative artificial intelligence [La nueva realidad de la educación ante los avances de la inteligencia artificial generativa]. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716

Romeu Fontanillas, T., Romero Carbonell, M., Guitert Catasús, M., & Baztán Quemada, P. (2025). Challenges of generative artificial intelligence in higher education: Promoting its critical use among students [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

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