METAC: Recursos metodológicos para el aula

 Por Juan José de Haro

Un repertorio abierto para encontrar, relacionar y aplicar recursos didácticos en la práctica docente. 
¿Por qué nace METAC?

METAC tiene su origen en 2022, antes de la aparición pública de la IA generativa, como un intento de ordenar y sistematizar las numerosas metodologías activas existentes. Muchas de ellas suelen presentarse de forma aislada, con descripciones incompletas o sin una relación clara con otros recursos de aula.

El proyecto inicial se llamó METEC, aunque el acrónimo previsto era METAC, formado a partir de METodologías ACtivas. METEC surgió por una errata tipográfica y finalmente conservó ese nombre. Todavía puede consultarse en https://metec.tiddlyhost.com.

Con el desarrollo actual de la inteligencia artificial, ha sido posible ampliarlo, añadir nuevos ejemplos, mejorar los ya existentes y traducir el contenido a varios idiomas, siempre con revisión y criterio pedagógico.

Mi formación como zoólogo, y mi tendencia taxonómica a ordenar, comparar y jerarquizar, me han llevado a ampliar y reorganizar el proyecto inicial. De ahí surge METAC.

El nombre, sin embargo, ha quedado corto. METAC ya no incluye solo metodologías activas, sino también técnicas, rutinas, estrategias, marcos educativos, recursos de evaluación, propuestas metacognitivas y programas de apoyo. Por eso, más que un catálogo de metodologías activas, METAC es un compendio de recursos metodológicos para el aula.

Qué es METAC

Como acabamos de decir, es un repertorio web de recursos metodológicos para el aula, pensado para ayudar al profesorado a localizar, comprender, relacionar y aplicar propuestas didácticas de forma rápida y ordenada.

La información se agrupa en tres grandes bloques:

• Marcos educativos: enfoques generales que orientan la práctica docente y ayudan a diseñar propuestas coherentes de enseñanza y aprendizaje. Por ejemplo, DUA, Modelo SAMR o Diseño inverso.
• Organización del aprendizaje cooperativo: recursos para estructurar el trabajo en equipo, favorecer la participación y mejorar la cooperación entre el alumnado. Por ejemplo, 1-2-4, Lápices al centro o Folio giratorio.
• Metodologías activas: técnicas, rutinas, estrategias y métodos que implican al alumnado en procesos de análisis, creación, resolución de problemas, reflexión y toma de decisiones. Por ejemplo, Aprendizaje basado en proyectos, Aprendizaje basado en problemas o Clase invertida.

Además de estos tres bloques, METAC utiliza una segunda forma de organización: los ámbitos. Mientras que los bloques indican el tipo general de recurso, los ámbitos indican para qué puede ser útil en el aula.

Un mismo recurso puede pertenecer a más de un ámbito, porque muchas técnicas no sirven para una sola cosa. Por ejemplo, una rutina puede favorecer el pensamiento crítico y, al mismo tiempo, mejorar la comunicación; una dinámica cooperativa puede servir para organizar el trabajo en equipo, pero también para activar ideas previas o facilitar la evaluación formativa.

Podemos usar los selectores de la parte superior de forma conjunta o independiente, también podemos utilizar el buscador para encontrar cualquier texto que esté en los recursos.

Fichas de recursos

En cada ficha mostrada en METAC se indica el bloque, el ámbito y un resumen del recurso. Además, si hay un recurso asociado, normalmente un programa, aparecerá el icono de una cadena. Una estrella nos permite añadirlo o eliminarlo de favoritos.

Al pulsar sobre la ficha obtendremos el recurso completo.

En la parte superior disponemos de una serie de botones:

1. Añadir a favoritos.
2. Copiar el recurso para pegar en algún programa.
3. Imprimir en PDF.
4. Copiar el enlace a ese recurso en particular (podremos copiar un enlace a varios recursos con el botón Seleccionar en la parte superior y a través de los favoritos).
5. Cerrar

El apartado Recursos, si existe, abre el programa o programas asociados al recurso actual y la sección Relacionada, nos ofrece recursos similares; si pulsamos sobre uno de ellos, aparecerá un botón para retroceder, de forma que podremos navegar por los recursos encadenados.

Compartir recursos y favoritos

Podemos compartir varios recursos directamente con el botón Seleccionar, pulsando el botón Compartir selección después de seleccionar los que nos interesen.

También podemos añadir recursos a los favoritos, organizarlos en categorías y compartir la categoría completa.

Asistente de IA de NotebookLM

METAC incorpora un enlace a un cuaderno de NotebookLM que reúne la base de datos del programa junto con artículos y documentos adicionales sobre didáctica. Este asistente permite consultar la información en lenguaje natural, pedir aclaraciones, solicitar ejemplos, comparar recursos o buscar propuestas adecuadas para una necesidad concreta del aula.

Además, el cuaderno puede utilizarse directamente desde NotebookLM o incorporarse como fuente en una conversación de Gemini o en un Gem personalizado. Esto permite combinar la información organizada de METAC con materiales propios del docente, como actividades ya planificadas, para revisarlas, adaptarlas o enriquecerlas con nuevos recursos metodológicos.

Conclusión

METAC nació como una forma de ordenar metodologías activas, pero ha ido creciendo hasta convertirse en un repertorio más amplio de recursos metodológicos para el aula. Su sentido está en reunir propuestas diversas, organizarlas y relacionarlas para que resulte más fácil encontrarlas cuando aparece una necesidad concreta en la práctica docente.

Tomado de BILATERIA

El estilo de comunicación con la IA influye en el aprendizaje

 Por  Maribel Labrado Antolín de EDUBITS

Imagina que los estudiantes de tu clase usan una Inteligencia Artificial (IA) para resolver un problema empresarial complejo. Algunos hacen preguntas a la IA de forma directa y mecánica, otros van un paso más allá: conversan con ella y generan un diálogo. ¿Esta diferencia debería importarnos? La respuesta es sí, y mucho. La forma en que las y los estudiantes interactúan con la IA afecta su aprendizaje profundo. En este artículo, comparto los hallazgos de una investigación realizada por la Universidad Complutense de Madrid en la que los estudiantes de la clase de Dirección estratégica internacional utilizan un chatbot personalizado para analizar la estrategia de una empresa real. Los resultados del estudio son reveladores: no todos los estudiantes obtienen el mismo beneficio de la IA. La diferencia radica en el tono emocional y en el estilo de la relación que establecen con la máquina. En este artículo comparto los resultados de esta investigación, los beneficios del aprendizaje y una propuesta que puedes implementar en tu clase.

La alfabetización en IA no se trata únicamente de saber usar las herramientas, también implica comprender cómo la forma en que interactuamos y nos comunicamos con ellas moldea nuestro aprendizaje. Entender los patrones de uso de estas herramientas por parte de los estudiantes ayuda a los docentes a diseñar experiencias que maximicen el propósito pedagógico de cada lección. El objetivo de mi estudio se centró en explorar cómo la relación emocional que los estudiantes establecen con los tutores inteligentes afecta directamente la profundidad de su pensamiento, así como también las estrategias pedagógicas que potencian esta relación.

La IA como un socio de pensamiento y no como dispensador de respuestas

Según datos de la UNESCO (2024), el 78 % de las instituciones de educación superior en América Latina y Europa están incorporando herramientas de IA en sus procesos formativos. Como sabemos, la mera adopción de la tecnología no garantiza la mejora del aprendizaje, por ello, es necesario investigar cómo los estudiantes están interactuando con las herramientas disponibles. Nguyen et al. (2024) revelaron que muchos estudiantes utilizan chatbots de forma pasiva; es decir, consumen respuestas sin procesarlas de manera crítica. Adicionalmente, Kosmyna et al. (2025) advierten que la interacción con la IA puede reducir la carga cognitiva, pero también fomentar lo que denominan «pereza metacognitiva» cuando los estudiantes dejan que la máquina “piense por ellos” sin reflexionar sobre el contenido.

Estamos ante una paradoja: las mismas herramientas que se diseñan para potenciar el aprendizaje, pueden, si se utilizan de manera pasiva, debilitar el pensamiento crítico. Mi investigación nace de una tesis central que surge de esta paradoja: una comunicación máquina-humano cercana y bidireccional se asocia con una utilización activa del chatbot (tutor inteligente) así como con un mayor desarrollo del pensamiento estratégico.

Investigaciones recientes en pedagogía con IA convergen en una idea: la IA es más efectiva cuando la tratamos como un socio de pensamiento, no como un dispensador de respuestas. En este sentido, Kirk et al. (2025) hablan de la necesidad de una «alineación socioafectiva» entre humanos e IA. Esto significa que la educación debe trascender lo meramente funcional para cultivar interacciones significativas con la tecnología. Un caso de éxito inspirador viene de la mano de Rodríguez-Maya y Aylas-Flórez (2025). Estos investigadores reportaron que los estudiantes que mantenían una conversación iterativa y reflexiva con tutores inteligentes mostraban mayor compromiso académico, así como un mayor dominio conceptual, especialmente cuando recibían retroalimentación personalizada.

En conclusión, estamos llamados a desarrollar una nueva alfabetización: la capacidad de comunicarnos con las máquinas de manera reflexiva, colaborativa, estratégica y, sí, por qué no, emocionalmente conectada.

Experiencia pedagógica de estudio

Durante el semestre de primavera 2024-2025, implementé una experiencia pedagógica en mi asignatura de Dirección estratégica internacional. El objetivo era claro: investigar si la forma en que los estudiantes se comunican con un tutor inteligente impacta la profundidad de su pensamiento estratégico. Para ello, diseñé un chatbot personalizado que guiaba a los estudiantes a aplicar marcos teóricos vistos en la asignatura. En este caso, se trataba del modelo CAGE de Ghemawat (2001), para analizar la estrategia internacional de una empresa real. Esto no era una tarea de ensayo tradicional, sino una tarea de investigación donde las averiguaciones y la reflexión crítica eran la actividad principal para evaluar por el docente.

Las tecnologías incorporadas fueron modestas pero efectivas: un chatbot con instrucciones personalizadas diseñadas por un educador a partir del contenido teórico del curso. Quince estudiantes participaron en la actividad. Durante 45 minutos, cada uno interactuaba individualmente con el chatbot. La mayoría optó por utilizar ChatGPT. Cada conversación fue registrada para posterior análisis.

Metodología y tecnologías incorporadas

Para analizar las conversaciones entre el chatbot y cada estudiante, utilicé un enfoque cualitativo: codificación temática y análisis de coocurrencia de códigos extraídos. El análisis de los datos se realizó con ATLAS.ti, una herramienta especializada en investigación cualitativa. Se elaboró un libro de códigos, sobre los que se establecieron tres familias de códigos clave:

1. Tipo de asistencia solicitada al chatbot. Los códigos de esta familia recogen evidencias sobre el tipo de preguntas que los estudiantes solicitan al chatbot, por ejemplo, si se trata de preguntas de análisis simple, solicitud de búsqueda de datos básicos de la empresa o, por el contrario, el estudiante aplica un pensamiento crítico para elaborar la consulta al chatbot.
2. Estilo y tono comunicativo. Se distinguen entre el uso de tono colaborativo (a través de un estilo de comunicación que emula el estilo humano-humano), tono neutral (sin evidencias de relación con el chatbot) o pasivo (donde la conversación humano-IA sucede sin lógica secuencial).
3. Orientación estratégica. En esta última familia de códigos se recogen indicios sobre cómo los estudiantes reflejan el uso aplicado de las teorías de la materia en su formulación de preguntas. Adicionalmente, se recogen indicios sobre una orientación de las consecuencias a futuro de las decisiones empresariales.

Segmenté las conversaciones en dos grupos de estudiantes: estudiantes cuyas conversaciones mostraban un estilo de comunicación socioafectiva con el chatbot (RELATES) versus aquellos sin estos elementos (NOT-RELATES).

El hallazgo principal fue que los estudiantes que adoptaban un tono relacional y generaban preguntas de seguimiento demostraban significativamente más pensamiento crítico y reflexión estratégica. El análisis de coocurrencia arrojaba luz a esta conclusión, por ejemplo: El código «Follow-up question» aparecía 23 veces en conversaciones relacionales versus solo cuatro veces en no-relacionales; código «estilo de comunicación colaborativa» (donde el estudiante invitaba al chatbot a pensar conjuntamente) era casi inexistente en el grupo no-relacional; por último, las preguntas sobre «Future thinking» (implicaciones futuras de decisiones estratégicas) eran cinco veces más frecuentes en conversaciones relacionales.

Un estudiante del grupo relacional preguntó al chatbot: «¿Cuáles crees que son los futuros riesgos u oportunidades para (la empresa) conforme evolucionan las leyes de la Unión Europea (UE)?» Esta pregunta refleja colaboración, pensamiento futuro y confianza en el proceso. Contrasta con respuestas más mecánicas del grupo no-relacional, donde los estudiantes simplemente copiaban literalmente las instrucciones. El análisis de coocurrencia reveló que el uso del tono neutral (el más prevalente) no era necesariamente negativo, pero tendía a acompañarse con análisis simples.

Beneficios para el aprendizaje y retroalimentación de estudiantes

A nivel cognitivo, los estudiantes con interacciones relacionales demostraban un pensamiento más profundo y estratégico, una mayor aplicación de marcos teóricos a problemas reales, una reflexión sobre futuros escenarios, así como la integración de múltiples perspectivas (perspectiva interna de la empresa, perspectiva externa del mercado).

Aunque el estudio se enfocara en el análisis de contenido, a nivel emocional, los estudiantes reportaron en conversaciones posteriores que percibían al chatbot como un «compañero de pensamiento» al iniciar conversaciones más reflexivas. Un estudiante comentó: «Fue diferente a otras veces que he usado IA. Sentía que estábamos descubriendo juntos, no solo buscando respuestas». Los estudiantes aprendieron, sin que se lo dijéramos explícitamente, que la calidad del diálogo determina la calidad del aprendizaje.

Áreas de mejora y próximos pasos

Una vez finalizado el análisis temático de las respuestas de los estudiantes, identifiqué las siguientes áreas de mejora en este proyecto:

1. Preparación del estudiante. Algunos llegaron sin una idea clara de cómo comunicarse con una IA. Una sesión preparatoria sobre «cómo hacer preguntas estratégicas» podría profundizar más en los resultados.
2. Este estudio se limitó al análisis estratégico empresarial. Sería valioso explorar si la codificación y las coocurrencias obtenidas se sostienen en otros ámbitos o disciplinas educativas.
3. Falta de seguimiento longitudinal. Este fue un ejercicio de 45 minutos, habría que determinar si estos patrones persisten en interacciones sostenidas a lo largo del semestre o si el patrón relacional evoluciona con el tiempo.
4. Falta de evaluación de competencias. Aunque se observan cambios cualitativos en el pensamiento, correlacionar estos con evaluaciones formales de competencias de nivel superior sería el siguiente paso.

Una propuesta para tu docencia

Te invito a hacer una pregunta fundamental en tu próxima clase con IA: ¿cuál es el valor que mis estudiantes perciben de esta herramienta? No asumas. Pregunta. Genera un debate. Que tus estudiantes reflexionen sobre qué significa pensar con una máquina versus buscar respuestas en una máquina.

A partir de ahí, sugiero tres acciones concretas:

1. Enseña a tus estudiantes a «relacionarse» con la IA. Dedica tiempo a explicar qué es una pregunta estratégica versus una solicitud funcional. Aprende a modelar buenos prompts y observa si el diálogo iterativo de tus estudiantes con la tecnología genera pensamiento profundo. Esta es la nueva alfabetización digital.
2. Crea espacios para que los estudiantes reflexionen sobre su propia interacción con IA. Pídeles que documenten cómo evoluciona su pensamiento a través de la conversación. ¿Dónde surge la curiosidad? ¿Cuándo pasa de consumo pasivo a cocreación? Esta metacognición es valiosa en sí misma.
3. Experimenta con tus propias formas de integrar IA. No todas las disciplinas funcionan igual. Pero el principio de «relación vs. transacción» es transferible. ¿Cómo podrías diseñar tu instrucción para que los estudiantes se sientan cómodos siendo reflexivos, colaborativos y estratégicos con herramientas de IA?

Reflexión

Mi aprendizaje en este proyecto de investigación trasciende el diseño del chatbot. No se trata de si la IA es buena o mala para la educación. Se trata de cómo se relacionan mis estudiantes con las herramientas que les facilito. La IA, como cualquier tecnología educativa, es un espejo de nuestras intenciones. Si la usamos de forma transaccional, obtenemos respuestas transaccionales. Si la usamos como un socio para el pensamiento profundo, ocurre algo verdaderamente transformador.

La experiencia que describo en este artículo me confirmó algo que muchos educadores intuimos, pero raramente documentamos: el compromiso emocional acelera el aprendizaje cognitivo. No es sentimentalismo. Es neuroquímica. Cuando nos sentimos parte de un proceso colaborativo, nuestro cerebro se activa de formas distintas. Generamos preguntas más sofisticadas, exploramos conexiones más profundas, reflexionamos sobre implicaciones futuras.

Quizás la mayor lección es que la era de la IA no requiere que abandonemos lo humano en la educación. Al contrario: requiere que cultivemos lo más humano que tenemos—nuestra capacidad de relacionarnos, de ser curiosos, de cuestionar críticamente—y que la IA sea la herramienta que amplifica esa humanidad.

¿Deseas conectar?

Creo firmemente que la innovación en educación es colectiva. Estoy abierta a dialogar con educadores que quieran profundizar en estas ideas, adaptar esta experiencia a sus contextos o colaborar en futuras investigaciones. Si tienes dudas, ideas, sugerencias o deseas explorar colaboraciones, te animo a contactarme. El futuro de la educación se construye cuando compartimos lo que aprendemos.

Acerca de la autora

Maribel Labrado-Antolín (mlabra02@ucm.es) es profesora en el Departamento de Organización de Empresas de la Universidad Complutense de Madrid, donde desarrolla su labor docente. Su investigación se centra en el impacto del teletrabajo en bienestar y productividad, con publicaciones en revistas JCR, y actualmente integra la investigación con docencia y mentoría académica para formar profesionales preparados para los retos del trabajo en la era digital.

Referencias

Ghemawat, P. (2001). Distance still matters: The hard reality of global expansion. Harvard Business Review, 79(8), 137-147.

Kirk, J. R., Stevenson, J., & Cann, C. (2025). Socioaffective alignment in human-AI learning partnerships: A framework for educational equity. Learning, Culture and Social Interaction, 45, 100789.

Kosmyna, N., Thiebaux, M., & Aubert, O. (2025). Cognitive load and metacognitive monitoring in AI-assisted learning: Preliminary findings. Frontiers in Education, 10, 1234567.

Labrado, M. (2026). Talking to machines: How communication style shapes student engagement with AI tutors. American Journal of STEM Education, 19, 37-58. https://doi.org/10.32674/t2qnzc90

Nguyen, B., Aamodt, T., Frommert, J., Gaskins, B., & Haider, R. (2024). Collaborative engagement with ChatGPT: Impact on academic writing quality. Computers & Education Quarterly, 52(1), 12-34.

Rodríguez-Maya, E., & Aylas-Flórez, J. (2025). Case study: AI tutoring impact on student engagement in Mexican higher education. Journal of Educational Innovation, 31(4), 267-289.

UNESCO. (2024). Artificial intelligence in education: A global perspective on opportunities and challenges. UNESCO Publishing.

Usher, M., & Amzalag, M. (2025). Graduate students’ communication styles with AI tutors: A qualitative analysis of academic writing support. Higher Education Research & Development, 44(2), 189-207.

Tomado de EDUBITS del Tec de Monterrey

Crea diálogos y audios con un asistente de Gemini

 Por Ramón Besonías

El uso de Text-to-Speech (Texto a Voz) es una tecnología que permite que una inteligencia artificial lea un texto escrito y lo convierta en sonido, imitando la voz humana. Imagina que es un actor de doblaje digital: tú le das el guion y él lo interpreta en voz alta.

He probado si esta tecnología se puede usar desde un Gem (asistente) de Gemini, sin necesidad de usar Google AI Studio. Y sí, se puede. 

He creado un asistente llamado Arquitecto Sonoro para que use modelos de IA de última generación TTS que permitan:

• Elegir si la voz es de hombre o de mujer, joven o mayor.

• Gracias a las "Notas de dirección", pedirle que lo haga con un acento específico (como el español de España) o con una emoción concreta (como alegría, tristeza o sarcasmo).

• Gestionar varias voces a la vez, asignando a cada "actor digital" su parte del diálogo, creando así una escena sonora completa.

El modelo que usa este Gem genera el audio de forma nativa dentro del mismo proceso que genera el texto. A diferencia de las versiones antiguas, donde cada voz era un archivo o modelo separado, este sistema integra un catálogo de voces (Kore, Zephyr, etc.) que comparten un mismo motor inteligente, permitiendo diálogos fluidos entre géneros y tonos sin cortes.

Requiere de ti que le des contexto sobre lo que quieres conseguir y seguir los pasos que propone el asistente. A veces, no respeta el género o tono de las voces, por lo que debes recordárselo para que corrija este u otros errores.

Enlace al asistente

¿Para qué sirve?

El Arquitecto Sonoro permite que el profesor diseñe experiencias de aprendizaje basadas en la oralidad y el análisis narrativo. Su función principal es generar el código de una aplicación interactiva que permite:

1. Crear diálogos polifónicos: Configurar conversaciones entre múltiples personajes (figuras históricas, autores filosóficos, estudiantes extranjeros, etc.).

2. Modelar la interpretación: Ajustar no solo qué dicen los personajes, sino cómo lo dicen. Gracias a un panel de "Notas de dirección", el docente puede forzar acentos (como el castellano peninsular), tonos emocionales (ironía, melancolía, entusiasmo) y rasgos culturales específicos.

3. Producir audios descargables: La aplicación resultante genera archivos de audio de alta fidelidad (.wav), listos para ser utilizados en clase, en podcasts educativos o en actividades de comprensión auditiva.

¿Cómo funciona el proceso de creación?

El asistente no entrega un código frío de inmediato; trabaja mediante un proceso de iteración guiada en cuatro fases:

• Fase 1: El asistente te interroga sobre el objetivo de tu aula, los personajes y las emociones que buscas. Importante: te recuerda que debes activar el modelo Pro de Gemini para que funcione bien.

• Fase 2: Se define qué controles necesita tu app (selectores de voz, campos de texto, controles de velocidad para idiomas, etc.). Es un diseño a la carta según tus necesidades.

• Fase 3: Una vez definido el plano, el asistente te recuerda que debes activar el modo Canvas de Gemini. Aquí, la aplicación se materializa visualmente. Puedes probarla en tiempo real, generar audios, verificar que las voces masculinas y femeninas son correctas y ajustar el código mediante el diálogo hasta que sea perfecto.

• Fase 4: Con la app terminada, el asistente te ofrece sugerencias sobre cómo explotar esos audios en el aula.

Ejemplo de interacción

• Accedes al Gem desde tu navegador. Recomiendo Chrome. 

• Conviene antes de nada saber qué quieres crear. Pero si no lo sabes, el Gem te da ideas.

• Imagina que eres docente de ELE. Puedes empezar así: "Hola. Quiero crear una app para mi clase de ELE con alumnos de nivel A2". Si tienes claro el contexto y los detalles, dáselos.

• El Gem se va a presentar y decirte para qué sirve. Debajo te recordará que actives el modelo Pro de Gemini. Esencial si quieres que funcione. Debajo de este texto, te hará varias preguntas y aportará una sugerencia, por si quieres incorporarla a tu app. Al final, te dirá algo así: "¿Qué te parece esta idea? ¿Deseas añadir o modificar algo de los puntos anteriores antes de pasar al diseño de la interfaz?"

• El asistente confirma tus preferencias. Si tienes alguna más, la añades. Si no, avanzas. Importante: Te pedirá que actives el modo Canvas. Debes hacerlo sí o sí. Si no, no se abrirá el código para ver tu app en vivo y poder modificar elementos. Te dirá algo así: "Para poder pasar a la Fase 3 y escribir el código de tu aplicación, tenemos una regla estricta: Para que pueda generar la app interactiva, por favor activa el modo Canvas y confírmamelo. En cuanto me respondas confirmando que lo tienes activado, generaré el código completo. ¡Espero tu confirmación!" Dile: Activado y sigue adelante. Verás una interfaz similar a ésta.

• Este es el modo Canvas de Gemini. Desde la columna de la izquierda podrás darle instrucciones de mejora de tu app. A la derecha irás viendo reflejadas las mejoras de tu app. Puedes cambiar detalles de estilo, estética, textos, colores... O cambios estructurales y corrección de errores.
• Verás siempre por defecto los siguientes elementos en la app:

Los nombres de los personajes del diálogo y las voces disponibles.

Puedes cambiar lo que viene por defecto.

Los detalles de acento, tono, emociones de cada personaje.

Puedes modificarlo.

El guion preliminar, que debes revisar y modificar a tu gusto.

El nombre del audio (que puedes cambiar) y el botón para crear el audio.

• Revisa todo y si te gusta, dale a "Generar Audio". Aquí puedes escuchar una muestra del ejemplo. Te aparecerá debajo el audio. Escúchalo, y si hay detalles que no respeta, díselo en la columna de la izquierda del modo Canvas y hará las revisiones. A veces puede dar error. Dile que los corrija.

Una vez procesado, el audio está listo para escuchar y descargar.

Ten en cuenta que Google está en una fase de integración progresiva de sus herramientas multimodales en su ecosistema. Es cuestión de tiempo, que estos recursos sean más eficaces y den menos errores. En este caso, estamos pidiendo a Google que abra su API Key para crear audios desde una app. 

Tomado de IA educativa

Altas capacidades: ¿por qué muchos alumnos no son identificados? Repasando lo básico

 Por Javier Tourón

Durante años hemos asumido —casi sin cuestionarlo— que los alumnos con altas capacidades “se ven”, y si yo no los veo es que no están. Rara vez se admite que quizá no sé qué mirar. Así, lo básico es buscar a los que destacan, sobresalen, que inevitablemente llaman la atención o molestan en la clase. Sin embargo, la realidad en las aulas desmiente esta idea con contundencia: miles de alumnos con alto potencial pasan desapercibidos cada año. La pregunta no es si existen, sino por qué no los vemos. La respuesta también es obvia: falta formación y estudio de fuentes relevantes y sobran prejuicios, opiniones sin fundamento y clichés con tintes de erudición.

Un problema estructural, no anecdótico

Cuando analizamos los datos de identificación en distintos sistemas educativos, encontramos una constante: el porcentaje de alumnos identificados está muy por debajo de lo esperable. En España esto roza el escándalo, poco más de sesenta y siete mil ochocientos alumnos identificados, según los últimos datos disponibles, de una población de poco más de ocho millones lo dice todo. Si quieres ver algunos análisis en el blog puedes seguir este enlace. No se trata de casos aislados ni de errores concretos. Es un problema estructural. Y esto tiene consecuencias. Porque lo que no se identifica, no se atiende. Y lo que no se atiende, difícilmente se desarrolla. ¿Recordamos aquello de que «el talento que no se cultiva se pierde»? Veamos algunos errores.

El primer error: buscar solo alto rendimiento

Uno de los principales obstáculos es la asociación simplista entre altas capacidades y alto rendimiento académico que, indudablemente se da; en particular cuando hay alto rendimiento, pero no siempre, pues puede haber bajo rendimiento y alta capacidad. Durante décadas hemos buscado a los “mejores alumnos” para identificar a los más capaces. Pero no siempre coinciden. Hay alumnos con alto potencial que:

• se aburren y desconectan
• no encuentran sentido a las tareas
• no encajan en el ritmo del aula
• o simplemente no han tenido oportunidad de desarrollar su talento

Estos alumnos no destacan necesariamente en calificaciones, pero sí en preguntas, en formas de pensar, en intereses profundos o en maneras diferentes de abordar los problemas. Basta que eches un vistazo a los catálogos de características típicas tantas veces señaladas en post anteriores.

El segundo error: esperar perfiles “perfectos”

Otra idea extendida es que el alumno con altas capacidades presenta un desarrollo equilibrado en todas las áreas. Un perfil armónico, sin fisuras. Pero la evidencia muestra lo contrario. Muchos alumnos presentan perfiles desiguales, en ocasiones muy desiguales:

• alto razonamiento, pero baja escritura
• gran creatividad, pero escasa motivación escolar
• pensamiento avanzado, pero dificultades emocionales

Esperar un perfil “perfecto” es, en la práctica, excluir a quienes más necesitan ser comprendidos y atendidos en su peculiares necesidades educativas.

El tercer error: confiar solo en una medida

Durante mucho tiempo, la identificación se ha apoyado casi exclusivamente en pruebas de inteligencia y muchas veces de CI. Aunque estas aportan información valiosa, no pueden ser el único criterio, ya vimos esto en una entrada anterior.

Las altas capacidades son un fenómeno complejo, poliédrico, multidimensional, que incluye:

• capacidades cognitivas
• creatividad
• motivación
• contexto
• oportunidades de desarrollo

Reducir todo esto a un número es, sencillamente, insuficiente. O mejor: imposible.

Supone anclarse en las concepciones teóricas de hace más de un siglo. Habría que preguntarse: ¿por qué no permean en el sistema educativo las concepciones actuales? ¿no llegan? ¿O simplemente se ignoran por no complicarse en exceso? Pero sigamos.

El cuarto error: identificar tarde

Con frecuencia, la identificación llega cuando los problemas ya han aparecido, y muchos dicen que esto de las altas capacidades es un problema, cuando el problema realmente es no atenderlas. Identificar tarde puede suponer entre otras muchas cosas:

• desmotivación
• bajo rendimiento
• problemas de conducta
• desconexión escolar

Por ello siempre he señalado que la identificación debería ser un proceso proactivo, temprano, preventivo y continuo, no una respuesta tardía a una dificultad.

Entonces, ¿qué podemos hacer?

Si queremos mejorar la identificación, necesitamos cambiar el enfoque. No basta con mejorar instrumentos, aunque también haya que hacerlo, lógicamente; hay que revisar cómo entendemos el talento. ¿Qué tal si nos fijamos en estos puntos?

1. Ampliar la mirada

Observar cómo piensa el alumno, qué preguntas hace, qué intereses muestra y cómo aprende. Su originalidad y divergencia, en ocasiones, hace casi innecesario el uso de tests.

2. Incorporar múltiples fuentes

Combinar pruebas, observación docente, familia y desempeño real.

3. Entender la identificación como un proceso

No es un momento concreto en el tiempo o algo que se hace ciertos años o en ciertos cursos, sino algo evolutivo, en cierto modo permanente.

4. Vincular identificación y respuesta

Identificar para poder actuar: ajustar la enseñanza y ofrecer oportunidades de aprender que tengan pocos o ningún límite. Si echas un vistazo a las entradas sobre IA verás que esto es más que posible. Es obvio, pero lo diré una vez más: solo tiene sentido identificar para intervenir, no para cubrir una estadística.

Una cuestión de equidad

Identificar más y mejor no es un lujo ni una cuestión opcional. Es una cuestión de equidad educativa, como ya he señalado en numerosas ocasiones.

Para terminar

Quizá el problema no es que los alumnos con altas capacidades no estén en las aulas. El problema es que seguimos mirándolos con un marco que no nos permite verlos. Cambiar ese marco no es sencillo, pero es imprescindible. Y urgente, desde luego.

Tomado de Javier Tourón