Por Lorenzo García Aretio
VER TODAS LAS ENTRADAS DE ESTA SERIE
Ocho trabajos seleccionados: referencias al final.
En esta tercera entrega de Educación digital al día (EDD) reúno ocho trabajos del volumen 30(1) de RIED, número previsto para enero de 2027 y ya completo en OnlineFirst. La decisión de dedicar dos entradas consecutivas a los dieciséis artículos de un mismo número constituye una excepción. La hago explícita porque concurre una circunstancia que no se da en las demás selecciones de la serie: soy autor de EDD y, a la vez, director/editor de RIED. La revista mantiene la condición Q1 en los indicadores de Scopus y Web of Science anunciados en 2026 (AIESAD, 2026), y sus objetivos y convocatorias suelen estar en línea con los objetivos de esta serie. Conviene que quien lea estas páginas conozca esa doble relación; la selección y el comentario, sin embargo, siguen sujetos al mismo propósito de la serie: leer críticamente los trabajos, distinguir con cuidado sus aportaciones y sus límites y tratar de orientar a posibles destinatarios o lectores.
He organizado esta primera mitad en torno a una pregunta: cuando incorporamos la inteligencia artificial generativa a las actividades universitarias, ¿qué aporta y qué sabemos, a partir de la evidencia disponible, sobre lo que aprenden los estudiantes? Las conexiones que propongo son una guía de lectura. No pretenden hacer que los ocho artículos sostengan una sola tesis: sus poblaciones, diseños, tareas y medidas son diferentes. Me interesa seguir un recorrido desde el uso y las expectativas, pasando por el diseño de la actividad y la evaluación, hasta llegar a la autonomía y el juicio crítico.
De la ayuda percibida a la evidencia de aprendizaje
Marciniak (2027) pregunta si los beneficios de la IA generativa que perciben estudiantes de másteres en línea se reflejan en mejores calificaciones. Su estudio exploratorio combina una encuesta a 206 estudiantes —112 de ellos dejaron comentarios abiertos— con el análisis de 1.185 calificaciones institucionales de once asignaturas entre 2021 y 2024. El alumnado atribuye utilidad a estas herramientas —sobre todo para redactar y organizar textos—, pero también expresa preocupación por la dependencia, el pensamiento crítico y el plagio. Las 1.185 calificaciones institucionales se analizan de forma agregada y no se vinculan con la encuesta. Por separado, ni el mayor uso de IA ni su impacto positivo percibido se asociaron con notas medias autodeclaradas más altas. Aunque las medias anuales varían, el estudio no encuentra una tendencia temporal sistemática que permita atribuir una mejora a la expansión de la IA. El artículo ayuda a separar tres planos que a menudo se confunden: uso, beneficio percibido y rendimiento académico.
En una muestra mucho mayor, Trejo-Trejo y Gordillo-Espinoza (2027) analizan respuestas de 1.746 estudiantes de instituciones de educación superior de México. La autoeficacia percibida, la creación y edición de contenidos, el uso ético y la dependencia aparecen asociados estadísticamente con el uso académico declarado de IA generativa; el modelo final explica una proporción considerable de la variación de esa medida (R² = 0,671, un 67,1 % de la varianza). El diseño transversal, correlacional y no probabilístico no permite establecer qué factores producen más uso ni inferir efectos en el aprendizaje o en la calidad educativa. Junto con Marciniak, este trabajo desplaza la pregunta desde «¿quién usa IA?» hacia «¿qué significa el uso que se declara y qué otras evidencias necesitamos?».
Evaluar el producto y comprender el proceso
Muñoz-Martínez et al. (2027) estudian una tarea de evaluación asíncrona en cuatro aulas virtuales de dos asignaturas y dos cursos académicos, con 162 estudiantes. Comparan la condición ordinaria —sin mediación pedagógica específica sobre IA, aunque su uso eventual quedó a iniciativa del alumnado y no se registró ni verificó— con otra que incorpora indicaciones progresivas para formular y revisar prompts, contrastar fuentes y documentar el proceso. En la condición con mediación estructurada, la calificación media del ensayo fue mayor (8,51 frente a 7,52); sin embargo, el alumnado atribuyó a la tarea una contribución menor para su aprendizaje (6,49 frente a 7,45). No aparecieron diferencias significativas en las restantes dimensiones postarea. La mejora del producto evaluado, por tanto, no coincidió con una mayor contribución de la tarea al aprendizaje percibido.
La interpretación debe considerar el diseño cuasiexperimental con implementación grupal no aleatorizada en cuatro aulas virtuales, el posible uso espontáneo de IA en la condición ordinaria y que un solo docente calificó los ensayos sin enmascaramiento ni segundo evaluador. El análisis textual encontró repertorios léxicos y organizaciones temáticas más técnicas en algunos temas con mediación estructurada, pero esos patrones agregados no demuestran por sí mismos mayor coherencia semántica global ni aprendizaje individual.
Aslan et al. (2027) comparan durante diez semanas la retroalimentación generada por IA con la de un experto lingüístico en escritura L2, en una intervención con docentes de inglés en formación inicial. Participaron inicialmente 40 estudiantes; uno del grupo que recibió retroalimentación de IA abandonó durante la intervención. Ambos grupos mejoraron entre la medición inicial y la final, pero no se detectó una diferencia estadísticamente significativa entre sus mejoras. Este resultado no demuestra que las dos modalidades sean equivalentes: la muestra final fue pequeña y el estudio no se diseñó para establecer equivalencia. La lectura prudente es más acotada: la IA puede formar parte de una experiencia de revisión escrita, pero este diseño no permite afirmar que sustituya al experto ni que produzca más aprendizaje.
Los dos estudios convergen en una distinción práctica para la evaluación: la calidad del texto entregado, la valoración que hace el estudiante de la tarea y el aprendizaje que puede transferir son resultados diferentes. Diseñar la evaluación exige decidir cuál de ellos importa en cada actividad y qué evidencia resulta adecuada para documentarlo.
Practicar con simulaciones: un potencial que depende de qué se mida
Gómez-León (2027) presenta un ensayo aleatorizado por conglomerados, con asignación al azar por salas virtuales, para entrenar el razonamiento diagnóstico en altas capacidades mediante entrevistas simuladas con IA. Participaron 360 estudiantes de posgrado de tres universidades; la muestra analítica final fue de 349, en 22 conglomerados (11 por condición). Frente al análisis de casos escritos, la simulación conversacional se asoció con mejores resultados inmediatos en la coherencia del diagnóstico y en la formulación de preguntas situacionales e identificación de indicadores conductuales. Es una evidencia experimental de interés para una tarea profesional delimitada. No demuestra, por sí sola, transferencia duradera a la práctica con alumnado real: los resultados se refieren al desempeño inmediato en casos simulados y a indicadores específicos del ejercicio.
Carrera et al. (2027) estudian simuladores virtuales basados en casos dentro de dos asignaturas prácticas de un grado en Psicología en línea. Las 93 personas participantes valoraron favorablemente la experiencia. El aprendizaje percibido con el simulador fue el único predictor positivo significativo del aprendizaje percibido de competencias profesionales; ni la calidad técnica ni la implicación mostraron esa asociación, y ninguna variable del simulador predijo la satisfacción general con la asignatura. Al tratarse de un estudio correlacional basado en autoinformes, no constituye una medición directa de la competencia profesional adquirida. Leído junto al ensayo de Gómez-León, invita a distinguir entre la oportunidad de practicar en un entorno seguro, la percepción de haber aprendido y la demostración de una habilidad transferible.
Autonomía, delegación y reflexión crítica
Juárez-Vázquez et al. (2027) comparan cómo interactúan con la IA estudiantes de semestres iniciales y finales de programas STEM. En su estudio transversal de métodos mixtos participaron 188 estudiantes (116 de semestres iniciales y 72 de finales). Un perfil de prompts delegativos —orientados a que la herramienta resuelva directamente la tarea— fue más frecuente entre quienes cursaban los primeros semestres (75,9 %) que entre quienes estaban en los últimos (19,4 %); estos últimos también obtuvieron un índice superior de interacción y autonomía cognitiva. La comparación es sugerente para diseñar apoyos distintos según la experiencia académica, pero su carácter transversal no prueba que avanzar en la carrera cause por sí mismo un cambio en la forma de usar la IA: podrían intervenir diferencias previas entre cohortes u otras variables.
del Moral Pérez et al. (2027) analizan las reacciones de 425 futuros educadores ante tres narrativas fílmicas distópicas vinculadas con IA: una sobre delegación y pérdida de autonomía, otra sobre vigilancia y control de la percepción, y una tercera sobre acompañamiento y cuidado robotizados. El trabajo registra emociones, actitudes y cambios de percepción declarados después del visionado; la narrativa sobre vigilancia orwelliana produjo la mayor inquietud. Los resultados apuntan a una posibilidad didáctica: usar relatos audiovisuales para conversar sobre privacidad, responsabilidad y sustitución de decisiones humanas. No acreditan, sin embargo, que una sesión transforme de forma estable las actitudes o el juicio crítico del alumnado.
En el conjunto, encuentro una cuestión transversal que puede orientar el diseño: la ayuda es formativa cuando la actividad deja espacio para que el estudiante piense, contraste, decida y explique. Esta idea enlaza con un principio que he recogido en la entrada C.EaD-13 del Compendio EaD: la digitalización amplía recursos, pero no inventa por sí sola los principios pedagógicos permanentes; la actividad —que convierte al estudiante en protagonista— y la autonomía requieren participación reflexiva y un diseño que acompañe al aprendizaje (García Aretio, 2025). En la educación a distancia, una simulación, una conversación con IA o una tarea asíncrona pueden abrir oportunidades valiosas si hacen visible el trabajo intelectual y permiten valorar algo más que el producto final.
De la evidencia a la práctica: orientaciones y preguntas abiertas
La lectura conjunta de estos trabajos nos permite formular algunas orientaciones para la docencia y la investigación. No son recetas demostradas para cualquier contexto: son propuestas que convendría adaptar y evaluar atendiendo al propósito de cada actividad, a las características del alumnado y a las condiciones en que se aplica.
Para los equipos docentes, comenzaría por precisar qué dificultad se quiere atender y qué esperamos que haga el estudiante después de recibir una ayuda. Un mensaje personalizado, una actividad de recuperación, un módulo asíncrono o el comentario de un compañero cumplen funciones distintas. Puede ser útil pedir al estudiante que explique qué orientación le ha servido, qué ha decidido cambiar y por qué. Así, la ayuda no queda reducida a la recepción de una respuesta: se vincula con una actuación que el estudiante puede revisar y justificar.
Para quienes diseñan la evaluación, los estudios invitan a hacer corresponder cada afirmación con la evidencia adecuada. Si queremos conocer la percepción o la confianza del estudiante, el autoinforme puede aportar información. Si queremos valorar desempeño, comprensión o transferencia, necesitamos tareas y medidas que permitan observarlos. También convendría examinar qué ocurre una vez terminada la práctica inmediata y si los apoyos producen resultados distintos según el conocimiento previo o las circunstancias de los estudiantes.
Para los equipos de investigación, queda abierta la posibilidad de comparar apoyos y actividades equivalentes, describiendo con precisión el contexto, la participación y las medidas utilizadas. Sería valioso combinar los datos de uso y las percepciones con evidencias de la actuación del estudiante, y seguir su evolución cuando la pregunta se refiera a la permanencia de lo aprendido. En los estudios sobre revisión entre pares, otra línea sería analizar cuándo una sugerencia se acepta, se modifica o se rechaza razonadamente, y cómo se relacionan esas decisiones con la calidad de la versión final.
Para autores, revisores y editores, recomendaría describir las intervenciones y los instrumentos con suficiente detalle para que el lector pueda entender qué se hizo y qué se midió. Conviene distinguir entre participación, satisfacción, confianza, desempeño y transferencia, y evitar que una mejora en una de esas dimensiones se presente como prueba de otra. También es importante informar de los resultados no significativos y de las limitaciones del diseño, porque ayudan a delimitar el alcance real de las conclusiones.
Para responsables académicos, los estudios plantean una cuestión de viabilidad: cómo sostener apoyos personalizados, formación y retroalimentación sin trasladar una carga desproporcionada a docentes o estudiantes. Antes de extender una iniciativa, sería razonable valorar su ajuste pedagógico, accesibilidad y esfuerzo de implementación, y comprobar qué resultados aporta en ese contexto.
De aquí surgen preguntas para nuevas investigaciones: ¿qué características de un mensaje personalizado explican que algunos estudiantes comiencen antes una tarea, aunque eso no se traduzca en mejores resultados finales? ¿Qué tipo de práctica favorece que la recuperación y la variabilidad ayuden a recordar y transferir? ¿Cuándo el feedback entre pares conduce a una revisión de mayor calidad? ¿Qué aprendizajes de una formación asíncrona se mantienen después de su finalización? Y, en todos estos casos, ¿qué estudiantes se benefician más, cuáles necesitan otros apoyos y con qué medidas podemos comprobarlo?
Estas preguntas no invalidan lo que los trabajos ya aportan. Ayudan a convertir sus resultados en decisiones docentes más informadas y en investigaciones que distingan mejor entre la ayuda ofrecida, la actividad realizada y lo que finalmente aprende cada estudiante.
La educación a distancia ha ampliado sus mediaciones y sus posibilidades, pero sigue planteándonos una cuestión central: cómo ofrecer ayudas que favorezcan el aprendizaje sin hacer invisible la actividad intelectual del estudiante. Me gustaría que esta lectura conjunta contribuyera a formular mejor esa pregunta y a buscar evidencias más ajustadas para responderla. La próxima entrada, EDD-04, completará la mirada sobre el volumen 30(1) de RIED con los otros ocho trabajos, centrados en la preparación docente, la evaluación, los instrumentos, la síntesis de evidencias y la gobernanza. Así podremos considerar, junto con las experiencias de aprendizaje aquí examinadas, algunas de las condiciones necesarias para orientarlas y estudiarlas.
Referencias
Documentos seleccionados para esta entrada
Aslan, M., Tat, O., & Demir, A. (2027). The feedback frontier: A comparison of AI-generated and expert feedback in L2 writing instruction [La frontera de la retroalimentación: comparación entre IA y expertos en retroalimentación para la escritura L2]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49193
Carrera, P., Hoyo, A., Merino-Cejudo, B. R., & González-Vázquez, A. (2027). Virtual simulators in an online Psychology degree: Assessment and perceived learning of competencies [Simuladores virtuales en un grado en Psicología en línea: valoración y aprendizaje percibido de competencias]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.48961
del Moral Pérez, M. E., Castañeda Fernández, J., López-Bouzas, N., & Bellver Moreno, M. C. (2027). Dystopias about artificial intelligence: Reflection and emotional impact elicited in university students [Distopías fílmicas sobre inteligencia artificial: reflexión e impacto emocional suscitado en universitarios]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.48914
Gómez-León, M. I. (2027). AI-based conversational simulation for training diagnostic reasoning in giftedness: A cluster randomized trial [Simulación conversacional con IA para entrenar el razonamiento diagnóstico en altas capacidades: ensayo aleatorizado por conglomerados]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.48916
Juárez-Vázquez, S., Sol Sampedro, F. J., Rivadeneyra-Romero, G., Carrillo Valdés, J. L., & Castillo Villegas, T. (2027). Generative AI interaction patterns, cognitive autonomy, and delegation: Initial versus final semesters in STEM higher education [IA generativa, patrones de interacción, autonomía cognitiva y delegación: semestres iniciales versus finales en educación superior STEM]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49292
Marciniak, R. (2027). Do students’ perceived benefits of generative AI correspond to higher grades in online master’s programs? [¿Se corresponden los beneficios de IA generativa percibidos por estudiantes con mejores calificaciones en másteres online?] RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49023
Muñoz-Martínez, C., Castelló-Sirvent, F., & Roger-Monzó, V. (2027). Paradoxes of generative AI in asynchronous assessment: Assessed quality and lexical-thematic organization of essays [Paradojas de la IA generativa en evaluación asíncrona: calidad evaluada y organización léxico-temática de los ensayos]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49280
Trejo-Trejo, G. A., & Gordillo-Espinoza, E. (2027). Factors associated with the academic use of generative artificial intelligence among university students [Factores asociados al uso académico de la inteligencia artificial generativa en estudiantes universitarios]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49079
Conexiones con el Compendio y RIED
AIESAD. (2026, 9 de julio). RIED consolida su excelencia internacional y se mantiene en Q1 en los principales indicadores de impacto. https://aiesad.org/ried-consolida-su-excelencia-internacional-y-se-mantiene-en-q1-en-los-principales-indicadores-de-impacto/
García Aretio, L. (2025). Principios pedagógicos permanentes, válidos y potenciados en entornos virtuales (C.EaD-13). Compendio EaD. AIESAD. https://doi.org/10.58079/13cfd
Tomado de Contextos universitarios mediados


