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