En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Accesibilidad — el diseño de la tecnología educativa, los contenidos y las interfaces para que puedan ser percibidos, operados y comprendidos por personas con discapacidad y necesidades diversas. En la IA en la educación, la accesibilidad abarca barreras concretas y operativas del medio de aprendizaje: subtítulos de vídeo, texto alternativo, transcripciones, compatibilidad con lectores de pantalla y con el teclado, contraste de color, simplificación de texto, salida táctil, apoyo en lengua de signos y compatibilidad con tecnologías de asistencia.

Preguntas para reflexionar

  • Cuando diseñó o eligió por última vez una herramienta digital de aprendizaje, ¿comprobó si sus subtítulos, su texto alternativo, su navegación por teclado y su contraste de color funcionaban antes de considerar su pedagogía? ¿Por qué podría importar ese orden?
  • Un vídeo con subtítulos precisos es «accesible», mientras que un curso que estructura la discusión en torno a las necesidades comunicativas de un estudiante sordo «apoya a ese estudiante». ¿Dónde trazaría la línea entre eliminar una barrera técnica y atender de forma significativa a un estudiante?
  • La investigación muestra que los vídeos instructivos segmentados con IA y con pausas fijas eliminaron la brecha de rendimiento entre el estudiantado con TDAH y el estudiantado sin TDAH. ¿Recuerda algún «arreglo diseñado para un solo estudiante» que acabara beneficiando a todo el mundo en una clase en la que participó?
  • Algunos sostienen que la accesibilidad es necesaria pero no suficiente: una herramienta accesible no es automáticamente inclusiva ni justa con la discapacidad. ¿Cuál es la diferencia entre poder usar una herramienta y recibir de ella una atención significativa?
  • Muchas herramientas de IA se entrenan en gran medida con datos en inglés y centrados en Occidente. ¿Cómo podría eso limitar lo bien que sirven a quienes tienen la lengua de signos como primera lengua, o cuyas formas de conocer difieren de las mayoritarias?
  • La IA puede automatizar la accesibilidad a escala: generar subtítulos, simplificar texto, producir salida táctil. ¿Qué querría verificar a mano antes de confiar en esa accesibilidad automatizada, y por qué?

Introducción

La accesibilidad es distinta de, aunque está estrechamente relacionada con, tres conceptos vecinos. El aprendizaje inclusivo es el paraguas más amplio para diseñar una educación para toda la variabilidad del estudiantado (física, cognitiva, sensorial, situacional). La educación especial es el ámbito instruccional para quienes tienen discapacidades diagnosticadas, incluidas las adaptaciones individualizadas. El diseño universal para el aprendizaje es el marco de diseño proactivo (múltiples medios de implicación, representación y acción/expresión). La accesibilidad se sitúa dentro de esta constelación como la capa técnica y procedimental: eliminar barreras para percibir y operar el formato, en lugar de rediseñar la pedagogía. Ambas cosas pueden separarse en un espectro: la accesibilidad pregunta «¿puede todo el mundo acceder a este contenido y a esta herramienta?», mientras que apoyar al estudiantado con discapacidad pregunta «¿sirve la instrucción de forma significativa a cada estudiante, incluidas las adaptaciones y el apoyo específico para la discapacidad?». Ambas importan, y la IA se cruza con las dos.

Por qué importa la distinción

Un vídeo con subtítulos precisos y una transcripción correctamente etiquetada es accesible; un curso que estructura la discusión para incluir las preferencias comunicativas de un estudiante sordo apoya a ese estudiante. Se solapan —los medios accesibles son un requisito previo para la instrucción inclusiva—, pero exigen movimientos de diseño distintos y se apoyan en evidencia distinta. La accesibilidad se ancla en estándares y en la ley (WCAG, la Ley de Tecnología de Asistencia de EE. UU. y la IDEA), mientras que el aprendizaje accesible y la educación especial se anclan en la pedagogía y en la experiencia de quien aprende.

Grandes temas de investigación

Accesibilidad del formato: subtítulos, transcripciones y texto. Los vídeos instructivos segmentados con IA con pausas fijas eliminaron la brecha de rendimiento entre quienes tienen TDAH y quienes no: la accesibilidad como catalizador que beneficia a todos. MuTSE evalúa la simplificación de texto basada en LLM para ajustar la complejidad del contenido al nivel de lectura de cada estudiante, una capa de accesibilidad con la persona en el bucle. Chen et al. construyen generación de preguntas con LLM para estudiantes sordos y con hipoacusia, afrontando el desajuste entre los prompts basados en texto y las lenguas de signos como primeras lenguas.

Acceso sensorial: salida no visual y táctil. Kutti AI convierte la conversación hablada en la modalidad principal para niños y niñas con discapacidad visual, eliminando la dependencia de lo visual. Los gráficos táctiles impresos en 3D convierten datos estadísticos visuales en salida tangible para estudiantes ciegos y con baja visión. Los robots de lengua de signos extienden la robótica educativa a la accesibilidad comunicativa para estudiantes sordos.

Acceso que prioriza la negativa: pedir la figura en lugar de adivinar. Croteau y Heffernan (2025) encontraron que, cuando se oculta una figura esencial para la tarea, seis modelos multimodales se negaron a responder en lugar de adivinar en entre el 95,4% y el 98,9% de las ejecuciones, una abstención que los sistemas de acceso deberían tratar como una solicitud de la figura o de una descripción estructurada y no como una adivinanza. Los subconjuntos de consenso publicados, gold (76 ítems) y ultra-gold (61 ítems), ofrecen a los experimentos de sustitución de descripciones un banco de pruebas para comparar figuras originales con descripciones textuales verificadas en ítems matemáticos que dependen de la figura.

La descripción de audio escrita para el cine no se traslada a las grabaciones de clases magistrales. Las clases magistrales basadas en diapositivas hacen referencia a diagramas, ecuaciones y gestos de señalamiento, y sus pausas duran una mediana de solo 0,5 s, así que Psychias y Gao (2026) construyeron un punto de referencia específico para clases magistrales y una métrica diagnosticable por reglas; el entrenamiento posterior sobre pares ordenados por un juez automático no mejoró el cumplimiento de forma uniforme.

IA generativa para estudiantes con discapacidad visual. Khlaif et al. (2026) —un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual de tres universidades palestinas— encontraron que la IA generativa adapta el ritmo, el contenido y la presentación a perfiles de aprendizaje individuales y simplifica textos académicos complejos, además de convertir contenido entre modalidades (texto, audio, visual), haciendo utilizables materiales que antes eran inaccesibles. El estudiantado enmarcó la inmediatez como un requisito fundacional de accesibilidad y no como una comodidad, y seis atributos tecnológicos interdependientes —interactividad, facilidad de uso, asequibilidad, multimodalidad, integración y escalabilidad— determinaron si la IA generativa era genuinamente accesible en un contexto de bajos recursos, con la usabilidad, la asequibilidad y la accesibilidad reforzándose mutuamente en lugar de ser consideraciones de diseño separadas.

Política y adaptaciones para estudiantes con discapacidad. Shin et al. analizan documentos de política de IA de EE. UU. y revelan un vacío en la orientación para estudiantes con dificultades específicas de aprendizaje, y proponen adaptaciones y recomendaciones de política fundamentadas en la Ley de Tecnología de Asistencia y la IDEA. Zhang et al. hacen un metaanálisis de 29 estudios sobre intervenciones basadas en IA para estudiantes con discapacidad y encuentran un efecto positivo medio en los resultados de aprendizaje (g = 0,588), y sostienen que la IA debe hacer más que garantizar la accesibilidad: debe permitir una participación agencial.

Prohibiciones de IA demasiado amplias y transcripción de asistencia. Wright (2026) sostiene que las prohibiciones generales del «uso de IA» son demasiado amplias porque no distinguen la transcripción de voz a texto y el OCR de la redacción generativa: las tecnologías de reconocimiento convierten el formato de un contenido que el estudiante ya había creado, en lugar de producir contenido nuevo, pero una política redactada en torno a la identidad de la plataforma captura ambas por igual. El estudiantado con afecciones que afectan al control motor fino, a la legibilidad de la escritura a mano o a la precisión al teclear —incluidas las condiciones del espectro autista, la dispraxia, la parálisis cerebral y las lesiones por esfuerzo repetitivo— ha dependido de la voz a texto y el OCR independientes, y los informes sugieren que varios productos autónomos de voz a texto se han retirado o degradado, dejando a la transcripción impulsada por IA cubrir ese hueco funcional. Tratar esa sustitución como mala conducta plantea dudas de equidad a la luz del deber de ajuste razonable de la Ley de Igualdad de 2010 del Reino Unido, del deber anticipatorio del sector público en materia de igualdad, de la Ley de Estadounidenses con Discapacidades de EE. UU. y de la Ley de Discriminación por Discapacidad de 1992 de Australia, aunque el artículo no afirma que esa caracterización se haya probado ante un tribunal. Señala que la intersección entre discapacidad, tecnología de asistencia y política de mala conducta con IA está poco explorada, que la escala de este desplazamiento no se ha medido y que la misma imprecisión produce un riesgo diferencial de falsos positivos, ya que los detectores leen el texto de baja perplejidad de quienes escriben en inglés como lengua no nativa como autoría de máquina. La exposición legal que crea esta inclusión excesiva se mapea en cuestiones y riesgos legales.

La resistencia a la máquina tiene un coste de legibilidad. La superposición de franjas degradó la extracción más que cualquier otra técnica (+35,9% de error de caracteres, +38,3% de error de palabras), pero cuatro personas expertas en tipografía y diseño consideraron legibles las franjas verticales, mientras que las franjas diagonales rompían las formas de las letras y se consideraron ilegibles, y la variación extrema de opacidad solo ayudaba a intensidades que también perjudicaban la legibilidad humana (Salaun et al. (2026)).

IA para la dislexia: detección, apoyo y aprendizaje personalizado. Una revisión sistemática interdisciplinar de 2026 (Dabaghi, D'Urso y Sciarrone, guiada por PRISMA, 2018-2024, n=72) encuentra que la IA apoya a estudiantes con dislexia en la detección, el apoyo asistencial y el aprendizaje personalizado, pero con estas líneas evolucionando en paralelo en lugar de de forma integrada, impulsadas más por la oportunidad tecnológica que por una teoría educativa consolidada. Las herramientas de ayuda educativa basadas en aprendizaje automático abarcan cinco áreas (aplicaciones específicas, implicación, personalización, recomendación y apoyo genérico), pero enfatizan el rendimiento técnico y la precisión de clasificación y descuidan la validez ecológica y el despliegue práctico en el aula. La investigación sobre detección (EEG, seguimiento ocular, modelos de aprendizaje automático) muestra promesas diagnósticas para la intervención temprana, pero a menudo requiere equipos especializados y entornos controlados, lo que limita su escalabilidad y su accesibilidad en contextos escolares típicos. Entre los retos abiertos están la validación experimental limitada, la escalabilidad, las preocupaciones de ética y privacidad con datos sensibles del estudiantado, el apoyo y la formación limitados para el profesorado y las barreras lingüísticas y culturales (la mayoría de la investigación se dirige a poblaciones anglófonas), lo que refuerza que la accesibilidad debe estar validada, ser escalable y estar fundamentada éticamente, y no solo demostrada técnicamente.

Los límites de la accesibilidad por sí sola. El trabajo crítico advierte de que la IA entrenada con datos anglófonos y centrados en Occidente puede marginar formas de conocer centradas en la discapacidad. Los formatos accesibles no garantizan una instrucción inclusiva o justa, lo que refuerza que la accesibilidad es necesaria pero no suficiente y debe conectarse con la equidad en la educación con IA.

Dominan las herramientas centradas en las adaptaciones y condicionadas por el diagnóstico. Una revisión de alcance de 40 estudios sobre tecnologías digitales de asistencia para estudiantes neurodivergentes encontró que 28 exigían un diagnóstico formal como condición de participación y que solo tres trabajaban con pares neurotípicos en lugar de con el estudiante, a la vez que informaba de efectos de inversión —sobrecarga cognitiva, fatiga, distracción y dependencia excesiva de la IA generativa—.(Rempel et al. (2026))

Implicaciones para la práctica

  • Priorice primero la barrera del formato. Los subtítulos, las transcripciones, el texto alternativo, el contraste y la operabilidad con teclado son la capa que controla el acceso: sin ellos, nada más importa para quienes los necesitan.

  • Use la IA para automatizar la accesibilidad a escala. La IA puede generar subtítulos, simplificar texto, producir alternativas táctiles o de audio y adaptar la presentación, pero evalúe la calidad de la salida con comprobaciones humanas dentro del proceso.

  • Trate la accesibilidad como necesaria pero no suficiente. Una herramienta accesible no es automáticamente inclusiva ni justa con la discapacidad; combine la accesibilidad con el diseño de aprendizaje inclusivo y el apoyo de educación especial.

  • Fundamente las adaptaciones en la ley y la política. Consulte estándares (WCAG) y normas legales (Ley de Tecnología de Asistencia, IDEA) al diseñar o adquirir herramientas de IA.

  • El despliegue de la IA está superando a la política de accesibilidad de la IA a nivel institucional. Chan (2026) codificó las 100 universidades del ranking de Times Higher Education 2026 y encontró que el 0% publica una política de accesibilidad de la IA independiente, mientras que el 93% despliega servicios de campus impulsados por IA (chatbots para matrícula, alojamiento y TI). La lectura más benévola del autor es que las obligaciones de accesibilidad residen dentro de las políticas generales de servicios para personas con discapacidad, pero tal como se ha medido, los requisitos para las herramientas de IA no aparecen en ninguna parte del registro institucional público. Una breve declaración institucional de que las herramientas de IA en la enseñanza y la administración deben ser accesibles para el estudiantado con discapacidad estaría por delante de todo el campo medido.

  • Transcripción matemáticamente accesible de vídeos de física (2026): un flujo de trabajo con IA que usa Gemini (audio + muestreo de vídeo a 1 fps) y LuaLaTeX compila vídeos instructivos de física en PDF accesibles en matemáticas según PDF/UA-2 e ISO 32005 que superan habitualmente la validación de accesibilidad: una vía práctica y gratuita para que el contenido de vídeo con muchas ecuaciones sea legible por lector de pantalla para estudiantes ciegos y con baja visión (Looney et al., 2026).

Concepciones erróneas

  • «Una función de accesibilidad que se ve peor es peor.» La superposición de franjas degradó la extracción más que ninguna otra técnica (+35,9% de error de caracteres, +38,3% de error de palabras), y aun así cuatro personas expertas en tipografía y diseño consideraron legibles las franjas verticales, mientras que los patrones diagonales fallaron. La legibilidad automática y la legibilidad humana son mediciones distintas, y optimizar una puede perjudicar la otra. Las afirmaciones sobre accesibilidad deben indicar para qué lector son.
  • «Accesibilidad significa adaptación.» Una revisión de alcance de 40 estudios sobre tecnologías digitales de asistencia para estudiantes neurodivergentes encontró que 28 exigían un diagnóstico formal como condición de participación. Es un modelo condicionado por el diagnóstico, y excluye a todo aprendiz que tiene necesidades pero no una etiqueta: lo contrario del diseño universal.
  • «Los efectos medios zanjan la cuestión.» Zhang et al. metaanalizan 29 estudios y encuentran un efecto positivo medio, que es real y a la vez no dice nada sobre qué herramienta para qué necesidad. La media de intervenciones heterogéneas no es una recomendación.
  • «La velocidad y la inmediatez son comodidades.» En un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual de tres universidades palestinas, quienes aprenden enmarcaron la inmediatez como un requisito de accesibilidad fundacional y no como una comodidad. Lo que desde fuera parece un lujo es una condición previa para participar.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Recursos relacionados

  • DrawSplat
    Una plataforma gratuita de navegador con pequeñas herramientas didácticas: pizarra, hojas de cálculo, diapositivas, documentos, listas, mapas conceptuales, cuestionarios, gráficos, imágenes y vídeo.
  • FPDS Apps and Resources
    La página pública de recursos de Faculty Professional Development Services en Hillsborough College, que reúne en un solo lugar sus coaches de diseño con IA, cursos de Canvas y guías de accesibilidad.
  • The ID Toolbox
    Más de cincuenta utilidades de navegador gratuitas y de propósito único para diseñadores instruccionales: alcance, estimación, herramientas de subtítulos y traducción, y comprobaciones de legibilidad y coherencia.
  • idstack
    Un conjunto de código abierto de once habilidades para Claude Code que auditan un curso contra la base de evidencias del diseño instruccional y etiquetan cada recomendación con su nivel de evidencia.
  • teacher.dev
    Un estudio sin ánimo de lucro que publica una aplicación de aula gratuita por cada día de una racha pública de desarrollo, desde generadores de figuras para imprimir hasta un safari de tiempo de calma y un pase de pasillo que funciona en local.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.