Por Lorenzo García Aretio
VER TODAS LAS ENTRADAS DE ESTA SERIE
Siete trabajos seleccionados: referencias al final.
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
No hay comentarios:
Publicar un comentario