Alfabetización en IA

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La alfabetización en IA: los conocimientos, las capacidades y las disposiciones críticas necesarias para comprender, evaluar y usar eficazmente la IA Tecnologías en contextos educativos. La alfabetización en IA abarca la comprensión fundacional de cómo funciona la IA, la competencia práctica en el uso de herramientas de IA, la evaluación crítica de la IA de sus resultados y la conciencia ética de las implicaciones sociales de la IA.

Preguntas para reflexionar

• ¿Qué significa ser «alfabetizado en IA»? ¿Es saber usar las herramientas, entender cómo funcionan o ser capaz de evaluar críticamente lo que producen, y qué importa más para sus propios objetivos?
• La alfabetización en IA autoinformada diverge de forma marcada del desempeño medido: el profesorado sobreestima sus capacidades en torno a un 40%. ¿Cuánta confianza tiene usted en sus propias capacidades con la IA y qué evidencia aceptaría para poner realmente a prueba esa confianza?
• La alfabetización en IA se describe como una práctica social metacognitiva, y no como una lista de capacidades. Como los LLM son probabilísticos y opacos, ¿qué significa «evaluar críticamente» un resultado cuando no se puede ver el interior del modelo?
• Existe una tensión entre la alfabetización para el uso crítico en contextos académicos y la alfabetización para la integración en flujos de trabajo en el empleo: el profesorado y las empresas valoran capacidades distintas. ¿Qué clase de alfabetización en IA enseña de verdad su contexto?
• La formación técnica en alfabetización en IA por sí sola, sin apoyo a la autoeficacia y a la autorregulación, puede aumentar de hecho la dependencia de la IA. ¿Cómo podría aprender a usar la IA volverlo a usted más dependiente de ella en lugar de más capaz?
• La alfabetización en IA es también una capacidad de reconocimiento: detectar cuándo una IA le da la razón porque es aduladora y cuándo porque usted tiene razón. ¿Ha sorprendido alguna vez a una IA diciéndole justo lo que quería oír?

Introducción

La alfabetización en inteligencia artificial (IA) ha emergido rápidamente como una competencia central para quien aprende, para el profesorado y para las instituciones, a medida que la IA generativa se incrusta en la educación. A diferencia de la alfabetización digital general, la alfabetización en IA exige comprender sistemas probabilísticos que pueden alucinar, mostrar sesgos y trasladar la agencia de la persona a la máquina, lo que sitúa el pensamiento crítico y la dependencia excesiva en el centro del constructo.

Dimensiones de la alfabetización en IA

La alfabetización dirigida a la salida y la dirigida al sistema son dimensiones separadas, y hay evidencia de la escisión. Bergdahl (2026) encontró que 47 estudiantes suecos de séptimo grado eran sólidos en evaluación de fuentes (Mdn = 3) y gobernanza (Mdn = 4, 57% en la opción más alta) pero débiles en privacidad de datos (Mdn = 1, 66% en la más baja) y en manipulación algorítmica (Mdn = 2, 47% en la más baja). Agrupados por dominio, la mediana de la puntuación dirigida a la salida fue 3 frente a 2 de la dirigida al sistema. El hallazgo no es que este estudiantado careciera de alfabetización, sino que la alfabetización para leer la salida de la IA no se extendía a cuestionar cómo se había producido esa salida: una distinción con consecuencias directas para cómo se delimita y se mide un programa, ya que una única puntuación promediaría ambos registros e informaría de un punto medio que no describe a ninguno.

Las personas expertas coinciden en las competencias y no en dónde se sitúan. Once personas expertas valoraron favorablemente el contenido de un marco de nueve competencias y tres dominios, pero discreparon sobre la ubicación de las competencias (M = 3,73, DE = 1,19, IQR = 1,50) mientras respaldaban relaciones no exclusivas entre dominios (M = 4,45, DE = 0,52), leyendo los dominios como roles funcionales y no como compartimentos fijos (Lee, Son y Hong (2026)).

La investigación sobre la alfabetización en IA en esta base de conocimiento abarca cuatro dimensiones interconectadas:

Los marcos rastrean cada vez más cómo se plasman estas dimensiones en la práctica: Dai y Chan (2026) muestran cómo quienes investigan en el posgrado despliegan las cuatro dimensiones al usar la IA generativa a lo largo del flujo de trabajo de investigación y construyen a partir de ellas directrices de uso responsable específicas de la investigación, mientras que Şan y Orhan Karsak (2026) usan el mapeo de asociación de palabras para mostrar que la cognición sobre la IA de estudiantes universitarios turcos está dominada instrumentalmente por la «caja negra», con los conceptos de gobernanza ética estructuralmente aislados (τ=−0,819), evidencia de que el diseño de microcredenciales debe tender deliberadamente un puente entre el uso experimental de herramientas y los marcos éticos.

La exigencia depende de lo que el estudiantado y el sistema hacen conjuntamente. Los marcos de alfabetización suelen describir un único conjunto genérico de competencias, pero lo que exige realmente una actividad apoyada en IA generativa varía según cómo se distribuya dentro de ella el trabajo epistémico. Sun, Dohn y Rehm (2026) clasificaron 102 estudios empíricos de educación superior según la taxonomía de aplicaciones de IA generativa de Strobel et al. y encontraron que los entrelazamientos de Asistente y Habilitador dominan con un 42,16% del corpus cada uno, mientras que Generador, Reimaginador y Sintetizador juntos representaban menos de una quinta parte: un sesgo que atribuyen a la legitimidad institucional y no a la capacidad de los modelos, ya que los mismos modelos sostienen las cinco categorías. Leer cada tipo a través de los tres niveles de contexto de Dohn (interno al dominio, interno a la actividad y de enmarcado de la actividad) muestra que las exigencias son coherentes para el trabajo de Asistente y se fragmentan para los tipos marginales, donde lo que la actividad pide al estudiantado diverge de lo que la institución reconoce como competencia legítima. Su conclusión aleja la alfabetización de la fluidez con la herramienta: la alfabetización en IA generativa es la capacidad de reconocer cómo se distribuyen el trabajo epistémico y la responsabilidad en un entrelazamiento dado, y de actuar de forma adecuada dentro de él.

Distintas dimensiones predicen cosas distintas. Promediar la alfabetización en IA en una sola puntuación oculta qué competencia hace qué. En un estudio basado en tareas con 162 estudiantes universitarios que redactaban un resumen de investigación con un asistente construido sobre DeepSeek V3, solo la dimensión de Uso y aplicación predijo de forma independiente la calidad del resumen (β = 0,206, p = 0,042), y solo Saber y comprender predijo de forma independiente una menor carga mental percibida (β = −0,344, p = 0,001). La puntuación total predijo ambas cosas, pero ni ella ni ninguna dimensión predijeron la motivación ni la autoeficacia (Chen et al. (2026)). Se puede ser lo bastante competente para producir un texto mejor y seguir encontrando la tarea igual de exigente, lo que aboga por evaluar y enseñar las dimensiones por separado en lugar de informar una única cifra de alfabetización.

Conocimiento fundacional: entender qué son los LLM, en qué se diferencian de los sistemas basados en reglas y cuáles son sus limitaciones fundamentales. Esto incluye la conciencia de las capacidades de un modelo, de los sesgos de sus datos de entrenamiento y de la distinción entre una IA específica para una tarea y los modelos de propósito general. La investigación en Ingeniería de prompts examina cómo la comprensión de los mecanismos de los prompts afecta al uso eficaz de la IA.

Competencia práctica: la capacidad de usar eficazmente herramientas de IA, desde la Ingeniería de prompts hasta la interpretación de los resultados. Los estudios sobre los patrones de uso de la IA generativa por parte del estudiantado revelan que el acceso a las herramientas por sí solo no produce competencia: la práctica estructurada y el Andamiaje son esenciales. El marco de vibe coding muestra cómo el profesorado de K-12 puede desarrollar alfabetización práctica en IA mediante la creación guiada de herramientas. Miles, Haber-Curran y Arar (2026) sostienen que esta dimensión tiene una parte que la formación en optimización pasa por alto: la alfabetización en prompts, distinta de la ingeniería de prompts, trata el prompt como un acto retórico y ético, de modo que una instrucción que solo ajusta los resultados para obtener un mejor rendimiento deja intactas las dimensiones éticas y epistemológicas del uso de los LLM.

Evaluación crítica: la capacidad de valorar los resultados de la IA en cuanto a precisión, sesgo e idoneidad. La investigación sobre la evaluación de la alfabetización muestra una brecha del 40% entre la alfabetización en IA autoinformada y la basada en el desempeño: las personas sobreestiman sistemáticamente sus capacidades de evaluación. Esa divergencia es el caso más claro en la base de conocimiento de una medida de autoinforme que no logra seguir la competencia que nombra. Esto se conecta con la investigación sobre la dependencia excesiva que muestra que el estudiantado que confía en la IA sin sentido crítico aprende menos. El trabajo conceptual reciente empuja la evaluación hacia la verificación: el marco PEARLS (Wang) trata el resultado de la IA como una afirmación de conocimiento provisional cuyo aval debe reunirse y examinarse en seis dimensiones (Proceso, Evidencia, Acceso, Reproducibilidad, Legitimidad, Fuente), y propone el aprendizaje impulsado por la verificación como el mecanismo por el cual quien aprende construye experiencia mientras comprueba las afirmaciones de la IA. Como complemento, el marco de uso responsable centrado en el estudiantado (Alsammani) ofrece diez directrices dirigidas al estudiantado en torno a los pilares de Aprendizaje y crecimiento, Ética e integridad y Conciencia y seguridad, que exteriorizan indicaciones metacognitivas en el momento de la decisión. Para quienes aprenden en secundaria, el marco de Competencia en Investigación Asistida por IA (AARC) (Beau, Flaquière y Lazar 2026) lo fundamenta en la epistemología de la virtud y en la intuición sobre la IA, y define la alfabetización investigadora como llevar a cabo una indagación con IA sin ceder la autoría, el juicio, la verificación ni la responsabilidad, operacionalizada como una rúbrica analítica y una rutina de compromiso de verificar, citar y reflexionar. En el extremo de la evaluación, Saleh (2026) propone una prueba de capacidad humana que convierte la evaluación en un principio de diseño: preguntar qué debe demostrar el estudiantado de forma independiente, qué puede reforzarse mediante la aumentación con IA y qué debe verificar, defender y asumir como responsabilidad propia.

Disciplinar la verificación eleva aún más el listón. Vega-Baudrit y Rivera Alvarez (2026) sostienen que en la química universitaria la exigencia central de alfabetización en IA es la traducción representacional entre los dominios macroscópico, submicroscópico y simbólico de Johnstone, porque un resultado puede ser localmente persuasivo en un dominio y contradecir el balance de cargas, un mecanismo o un límite de seguridad en otro. Su remedio es una integración centrada en la verificación: convertir la verificación en una actividad evaluada, conservar los registros de prompts y los historiales de revisión como rastros de razonamiento, y tratar el prompt como un acto epistémico que especifica restricciones, supuestos y criterios de idoneidad, con el estudiantado identificando un supuesto falso o justificando el rechazo de una respuesta generada.

Conciencia ética e institucional: entender las implicaciones más amplias de la IA, desde la Integridad académica hasta la Equidad y la Privacidad. La alfabetización en IA en el plano institucional implica el desarrollo de políticas, el Desarrollo educativo y los marcos de gobernanza: la alfabetización institucional en IA es una cuestión de política tanto como de pedagogía. El marco EPIQ-AI enmarca la alfabetización institucional en IA como un desafío de alineación sociotécnica, y no solo como formación individual.

La seguridad es un dominio de alfabetización propio. Yocam, Vaidyan y Kalathas (2026) sostienen que ni los marcos de alfabetización en IA ni los de ciberseguridad tratan el funcionamiento seguro en un centro mediado por IA como una competencia por derecho propio, y que solo el 34,5% del profesorado estadounidense declara que su centro tiene una política sobre IA (AI Security Literacy: Ecosystem-based Competency Framework and K-12 Learning Platform).

• La alfabetización en IA como capacidad de gobernanza para el desarrollo sostenible. Islam, Morshed e Islam (2026) reconceptualizan la alfabetización en IA como una capacidad orientada a la gobernanza y no como una habilidad puramente educativa o técnica, y la vinculan a los diecisiete Objetivos de Desarrollo Sostenible de la ONU. Su taxonomía AIRE de seis niveles (Reconocer → Comprender → Aplicar → Analizar → Integrar → Gobernar) amplía la jerarquía de Bloom añadiendo la síntesis ética y la previsión estratégica, y sitúa las competencias avanzadas (Analizar-Gobernar) como la vía desde la alfabetización fundacional hasta la gobernanza institucional y de políticas: una heurística del «18.º ODS» que trata la alfabetización como un puente cognitivo y ético transversal. Una encuesta a 300 profesionales en un contexto nacional encontró una fuerte conciencia técnica pero una preparación ética y de gobernanza limitada, con el razonamiento ético y el pensamiento reflexivo como los predictores más fuertes de un uso sostenible y fiable de la IA y la alfabetización en gobernanza como el predictor más fuerte de la conciencia del nexo IA-ODS (β = 0,64). Esto fundamenta empíricamente el énfasis de la base de conocimiento en la alfabetización para el uso crítico y vincula directamente la alfabetización en IA con la Sostenibilidad y con la integración de políticas.

La oferta de marcos es ahora un problema en sí mismo. Fitsilis (2026) comparó 16 marcos de competencia en IA respaldados institucionalmente para la educación y el desarrollo de la fuerza laboral y encontró un núcleo compartido de diez áreas de competencia, pero una amplia variación en la estructura, la progresión y la orientación para la implementación: la dificultad práctica es elegir entre ellos, no la escasez.

Las facetas no predicen el mismo resultado. En una encuesta PLS-SEM de 475 estudiantes de diseño de Europa, Asia y Australia, la conciencia ética predijo el bienestar académico (β = 0,324) pero no el desempeño de aprendizaje percibido, mientras que la adaptabilidad emocional fue el predictor directo más fuerte del desempeño (β = 0,322) (Liang et al., 2026).

Cómo se desarrolla la alfabetización en IA

La investigación señala los enfoques colaborativos y activos como los más eficaces. Rismanchian y Doroudi sitúan la alfabetización en IA más allá de la habilidad aplicada: en su marco AI×Ed, quien aprende es un usuario final distinto de la IA (al que se accede a través de la alfabetización en IA y de la educación sobre IA), y abogan por renovar el trabajo sobre alfabetización en IA que fomente la reflexión sobre el propio aprendizaje, tratando la alfabetización como una vía de regreso a la investigación sobre «la IA como analogía de la inteligencia humana» y sobre cómo aprenden las personas, una línea que el campo abandonó en gran medida. El Marco ICAP (Interactivo → Constructivo → Activo → Pasivo) ofrece una taxonomía útil del compromiso cognitivo: el estudiantado aprende mejor la alfabetización en IA cuando coconstruye conocimiento en lugar de recibir pasivamente información. Quienes diseñan deberían seleccionar el modo que encaje con el objetivo de aprendizaje y favorecer los modos más profundos (constructivo e interactivo) siempre que sea posible. Las actividades prácticas (diseñar prompts, evaluar resultados en grupo, debatir sobre la ética de la IA) superan a las clases expositivas.

La composición parte de la experiencia vivida, pero la profundidad conceptual necesita andamiaje. Burriss et al. (2026) encontraron que los jóvenes anclaban principios abstractos de ética de la IA en sistemas con los que se encuentran a diario (los «pases» electrónicos para salir del aula, los portátiles regulados por el centro, los detectores de plagio), y uno de los grupos explicó que la IA en los centros «era algo personal para todos los miembros del grupo», mientras que 15 de las 18 respuestas de la encuesta de final de unidad indicaron que hacer el vídeo había cambiado su comprensión de la ética de la IA. Los autores son explícitos sobre el límite: componer no garantizaba por sí solo una base conceptual; «consentimiento informado» se tradujo como «hay que aprobarlo», y algunos términos (por ejemplo, «a prueba de fallos») nunca se explicaron, lo que los llevó a planificar un trabajo conceptual más profundo en iteraciones posteriores. La producción creativa desarrolla mejor la alfabetización en IA cuando un andamiaje conceptual explícito acompaña a la creación, en lugar de dar por supuesto que esta emergerá de ella.

La intuición sobre la IA como complemento experiencial de la alfabetización. Una carencia recurrente es que los marcos para K-12 suponen que quien aprende se aproxima a la IA desde un conocimiento declarativo y basado en reglas, cuando en la práctica lo primero que desarrolla es una «sensación» práctica de cómo responde la IA (experimentar con prompts, observar su comportamiento, adaptar estrategias) antes de poder articular principios formales. Beau y Lazar (2026) formalizan esto como intuición sobre la IA: una comprensión experiencial, inductiva y a menudo tácita que se desarrolla mediante la interacción iterativa con sistemas de IA y que sostiene el juicio sensible al contexto bajo incertidumbre. Su doble marco sitúa la alfabetización en IA (competencias estructuradas y en gran medida estáticas) junto a la intuición sobre la IA (un proceso de aprendizaje dinámico) y mapea ambas a través de las dimensiones habituales (comprender conceptos, usar herramientas, evaluar críticamente, aplicar éticamente, reflexionar), de modo que quien aprende combina la claridad conceptual y las barreras de seguridad (la alfabetización) con la sabiduría práctica de confiar pero verificar y decidir cuándo desconectar (la intuición). Como la intuición cultiva la «observación experta» de la IA (por ejemplo, someter los prompts a prueba de estrés para encontrar dónde falla un modelo), los autores sostienen que es una salvaguarda frente a la dependencia excesiva y la erosión del pensamiento crítico; se distingue de la Ingeniería de prompts (que optimiza los resultados) porque pone en primer plano el juicio epistémico. Esto conecta la alfabetización con el Aprendizaje experiencial, el constructivismo y una práctica de aula fundamentada en el desarrollo, y orienta la formación del profesorado hacia facilitar la exploración inductiva y no solo hacia transmitir conceptos. Para la infancia temprana, la alfabetización está anidada y no es fundacional. Una revisión de 86 recursos sitúa la alfabetización en IA dentro de un conjunto de cinco dominios de competencia en el que las funciones ejecutivas y las disposiciones de aprendizaje ejercen la coordinación, y sostiene que «no puede ser autónoma» para niños y niñas de 0 a 8 años (Pei (2026)).

La motivación es una precondición, no solo un resultado. Liang et al. (2026) encontraron, en 2.086 estudiantes de secundaria que siguieron un currículo de IA de un año, que quienes pasaron a un perfil motivacional autodeterminado o permanecieron en él (con alta satisfacción de las necesidades de autonomía, competencia y relación) mostraron las mayores ganancias en alfabetización en IA. La alfabetización en IA se desarrolla mediante una implicación sostenida, y esa implicación está a su vez modelada por la motivación y el apoyo a las necesidades psicológicas, por lo que una instrucción eficaz en alfabetización en IA debe atender a la motivación de quien aprende y no solo a sus capacidades.

El énfasis instruccional y la apertura de la tarea llegan al desempeño a través de necesidades distintas. Yu, Lin y Chen (2026) asignaron al azar a 320 estudiantes universitarios a cuatro grupos en un experimento 2 x 2 sobre una tarea de generación de imágenes con IA generativa puntuada con una rúbrica objetiva (ICC = 0,89) y encontraron que la instrucción basada en el pensamiento, que cubría las limitaciones del modelo, la evaluación crítica y la ética, superó a la instrucción basada en habilidades de prompting (M = 9,21 frente a 7,69, F(1, 316) = 50,79, p < 0,001, eta cuadrado parcial = 0,138), con un margen mayor en las tareas abiertas (10,10 frente a 8,00). El modelo estructural muestra que las dos decisiones de diseño viajan por rutas diferentes: la instrucción operó de forma indirecta a través de la autonomía (beta = 0,035) y la competencia (beta = 0,079), mientras que la apertura de la tarea operó principalmente a través de la autonomía (beta = 0,029); la competencia fue el predictor más fuerte del desempeño (beta = 0,358) y la relación no tuvo efecto independiente. Por lo tanto, importa más lo que contiene la instrucción que el hecho de que quien aprende practique con prompts, y importa sobre todo cuando la tarea es abierta.

Las variables que rodean la alfabetización en IA se han mapeado después con más amplitud. Una revisión sistemática de 2025 sobre los correlatos de la alfabetización en IA sintetizó 31 estudios de 14 países (N = 12.071) y encontró las asociaciones más consistentes en la banda afectiva y conductual: la autoeficacia con la IA, las actitudes positivas hacia la IA, la motivación y la competencia digital se movían todas en la misma dirección que la alfabetización en IA, mientras que la ansiedad ante la IA y las actitudes negativas se movían en dirección contraria. Las variables demográficas apenas se hicieron notar, con una correlación débil o nula de la edad y el nivel socioeconómico. La cautela de la revisión es sobre los instrumentos: los mismos estudios que produjeron correlaciones fuertes a partir de la autoevaluación mostraron otras mucho más débiles cuando la alfabetización en IA se midió en lugar de autoevaluarse.

Un estudio de ecuaciones estructurales con 502 docentes encuestados en una universidad de investigación china encontró que la alfabetización en IA era el predictor más fuerte del bienestar con la IA (β = 0,713), frente a una pequeña ruta de autoeficacia tecnológica (β = 0,082), y que el apoyo social y organizativo llegaba al bienestar solo de forma indirecta (Liu et al. (2026)).

Una asociación negativa aparente se invierte bajo control: entre 303 estudiantes universitarios de Hong Kong, la ansiedad tecnológica correlacionó negativamente con la alfabetización en IA (r = −0,14) pero predijo β = 0,15 en un modelo conjunto, un efecto limitado a la evaluación crítica y a la competencia ética (Chow et al. (2026)).

El uso llega antes que la cautela. En una muestra de edad exacta de 1.598 estudiantes, las probabilidades de un mayor uso académico de IA generativa aumentaban cada año de los 12 a los 17 mientras la fiabilidad percibida no se movía, y las trayectorias divergieron primero a los 14-15 años y con más fuerza a los 16-17 (Cuenca-Rodríguez et al., 2026). Los autores leen ese momento como un argumento para enseñar la verificación antes de la divergencia, y no después.

Hu (2026) añade un relato ordenado de qué predice la alfabetización en IA, en lugar de qué la predice a ella. Al encuestar a 450 estudiantes universitarios de China continental que ya usaban ChatGPT, el estudio encontró que la alfabetización en IA se relacionaba directamente con la continuidad del uso (beta = 0,16, p = 0,002) y de forma indirecta a lo largo de una ruta serial a través de la confianza y la autoeficacia académica (efecto indirecto = 0,07, IC del 95% [0,04, 0,10]), con el vínculo entre alfabetización y confianza como la asociación más grande del modelo (beta = 0,50). La ansiedad ante la IA moderó ese primer vínculo (beta de interacción = -0,25, con pendientes simples que caen de 0,76 a 0,25 a lo largo del rango de ansiedad), de modo que la cadena se adelgaza para el estudiantado más ansioso y no debería darse por supuesto que solo la instrucción en alfabetización llegue a él. El diseño es transversal y la muestra se limita a usuarios existentes, así que el orden es un supuesto de modelado y no una secuencia observada.

Un objetivo aplicado central de la alfabetización en IA es reducir el mal uso de la IA: enseñar al estudiantado a usar la IA de forma ética y productiva en lugar de sustituirla por su propio trabajo cognitivo. Mientras que la alfabetización en IA construye la capacidad de evaluar y usar críticamente la IA, reducir el mal uso es el rédito conductual y estructural, que combina el diseño de herramientas con barreras de seguridad, el rediseño de la evaluación y palancas educativas como las secuencias andamiadas de pensar primero y usar la IA después y la práctica de prompts con retroalimentación deliberada. Los dos conceptos se refuerzan mutuamente: la alfabetización en IA aporta las disposiciones críticas que hacen duraderas las intervenciones de reducción del mal uso, mientras que la evidencia sobre el mal uso (por ejemplo, la brecha entre desempeño y aprendizaje) justifica por qué la alfabetización debe ir más allá de la habilidad operativa hacia el juicio crítico.

La alfabetización en IA también necesita formas adecuadas al desarrollo para quienes aprenden más jóvenes. AI-Play traduce las competencias de alfabetización en IA a actividades lúdicas y desconectadas para estudiantes de Pre-K-K2, organizadas en torno a AI Body (la IA como sistema construido con partes), AI Food (la IA aprende de ejemplos), AI Brain (la IA mejora mediante patrones y retroalimentación) y una lente ética Pre/Post-AI, con lo que aborda la falta persistente de orientaciones sobre alfabetización en IA fundamentadas en el desarrollo para la educación infantil y primaria y hace la alfabetización en IA accesible a educadores no técnicos y a las familias. Como complemento, Vahedian Movahed y Martin (2025) encontraron que niños y niñas de 6 a 14 años confiaban en general en un chatbot adaptado a su edad como fuente de información y que la mayoría lo modelaba como «un programa informático inteligente que aprende» (una comprensión incipiente del aprendizaje automático), aunque mostraban carencias en el compromiso crítico y en la conciencia de seguridad digital: evidencia de que la confianza de quienes aprenden jóvenes puede superar a sus capacidades de evaluación crítica, lo que convierte la calibración de la confianza explícita y la instrucción en seguridad en una parte necesaria de la alfabetización en IA para la infancia.

Un caso de aula muestra dónde vive esa alfabetización antes de poder medirse. Entre niños y niñas de 5 y 6 años que nunca escribieron un prompt, Konca y Yigit-Gencten (2026) encontraron razonamiento sobre la IA que afloraba en explicaciones de imágenes desajustadas y en auditorías de características dirigidas por la docente. Eso convierte las preguntas de la docente en parte de la infraestructura de alfabetización, y no en un canal para impartirla.

La medición acompaña ese giro hacia el desarrollo en el extremo más joven. La validación de 2025 por parte de Thianwan y Srikoon de un cuestionario de autoevaluación de la alfabetización en IA para estudiantes de primaria superior desarrolló un instrumento de 15 ítems para los cursos 4 a 6, organizado en torno a Aprender sobre la IA, Aprender cómo funciona la IA y Aprender para la vida con la IA, y confirmó una estructura de tres factores en dos muestras (n = 335 y n = 579) con un alfa de Cronbach global de .934. Los autores lo presentan como un diagnóstico formativo de una alfabetización percibida y no demostrada, y señalan que la precisión de la autoevaluación infantil está limitada por una capacidad metacognitiva que aún está en desarrollo.

El aprendizaje basado en proyectos como mecanismo de implementación. Zhu y Kong (2026) desarrollaron y validaron una escala de aprendizaje basado en proyectos con IA (AI-PBLS) y, en una muestra de Hong Kong de 1.027 estudiantes de secundaria y universidad (446 con datos completos), usaron modelos de ecuaciones estructurales para mostrar que el empoderamiento en el uso de la IA para resolver problemas y la conciencia ética sobre la IA median conjuntamente la relación entre el aprendizaje basado en proyectos percibido y la satisfacción con un curso de alfabetización en IA. Esto sitúa el ABP no solo como un formato de impartición, sino como un mecanismo que construye la confianza de quien aprende y el razonamiento ético junto con la competencia, y refuerza el vínculo entre el ABP y un desarrollo significativo de la alfabetización en IA. También aporta un instrumento de medición validado para la futura medición de las experiencias de los cursos de alfabetización en IA.

Elevar la dimensión ética de la alfabetización tiene un problema de signo. Entre 584 estudiantes de grado que se enseñaron IA a sí mismos, la competencia elevó la conciencia ética (β = 0,644, p < ,001), y la conciencia ética elevó a su vez la ansiedad ante la IA (β = 0,439, p < ,001) en lugar de reducirla, lo contrario de la dirección predicha (Mu et al. (2026)). La lección que extraen los autores es que enseñar cómo se gobiernan las preocupaciones éticas tiene que acompañar a la propia dimensión ética, o el trabajo de alfabetización puede dejar a quienes aprenden más ansiosos de lo que los encontró.

La alfabetización en IA como carencia central en los marcos de IA conversacional. La revisión paraguas de los agentes de IA conversacional (Ganguly et al. 2025, 34 revisiones) identifica el apoyo limitado a la alfabetización en IA como una carencia importante en los marcos de la IA conversacional, y su hoja de ruta para el uso ético sitúa la evaluación fundacional (incluido el refuerzo de la alfabetización en IA) como el primer pilar, junto al diseño participativo, las directrices de uso ético y la evaluación continua del impacto cognitivo. Además, encuentra que la alfabetización en IA, la formación y la conciencia figuran entre las direcciones éticas más destacadas en la literatura sobre IA conversacional.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

Eficacia de las intervenciones de alfabetización en IA. Un metaanálisis de tres niveles de 59 estudios (172 tamaños del efecto, 7.211 participantes) estima un efecto global grande de las intervenciones de alfabetización en IA (g = 0,837, p < 0,001), pero con un intervalo de predicción amplio [−0,292, 1,966], de modo que la eficacia varía considerablemente según el contexto. Las intervenciones de Asia Oriental y Europa superaron a las de Norteamérica, y las centradas en el conocimiento superaron a las dirigidas a habilidades, actitudes o ética. Los autores sostienen por ello que la educación en alfabetización en IA debería ir más allá del conocimiento hacia las habilidades, las prácticas, la ética y las actitudes, con el apoyo de pedagogías integradas y reflexivas (basadas en proyectos y problemas, en la indagación y en la experiencia) y de herramientas apoyadas en la IA generativa, un giro que se alinea con las formas participativas y orientadas a la producción del pensamiento computacional descritas en otros lugares de esta base de conocimiento.

Una segunda síntesis alcanza una magnitud similar sobre una base más estrecha y afina el problema de la medición. Yu, Kim, Chang y Huang (2026) agruparon 57 tamaños del efecto de 16 estudios que abarcaban a 3.837 estudiantes de K-12 a quienes se enseñó la propia IA y no con IA, y estimaron una g de Hedges = 0,892 (IC del 95% [0,548, 1,236], p < 0,001), robusta frente a correlaciones pre-post supuestas de 0 a 1 y estable tras el recorte y relleno en g = 0,952. Los 57 efectos apuntaron todos en positivo (rango de 0,16 a 4,93) y ningún moderador (fuente de publicación, año, nivel escolar) explicó la heterogeneidad sustancial (I² = 94,68%). La explicación preferida de los autores es la medición: los estudios incluidos llamaban «alfabetización en IA» a todo, desde el conocimiento sobre la IA y la ética hasta las actitudes, la motivación, la autoeficacia y el interés profesional, de modo que la cifra agrupada describe una distribución de hallazgos positivos bajo una etiqueta laxa y no una intervención uniforme. Leídas junto a Liu et al., las dos estimaciones coinciden en que la enseñanza de la alfabetización en IA funciona y coinciden en poco más, lo que es en sí mismo la señal de medición del campo.

La evidencia de aula sobre diseños deliberadamente breves es más escasa, pero apunta en la misma dirección y añade un resultado de nivel conductual que las encuestas no pueden aportar. Clerc et al. (2026) impartieron a 116 estudiantes franceses de los cursos 8 a 9 un taller de dos horas sobre cómo funcionan los LLM y cómo fallan, acompañado de práctica para predecir si un prompt produciría una respuesta utilizable, evaluar la respuesta y revisarla o volver a preguntar. Dos días después, durante seis problemas científicos apoyados en LLM y con un grupo de control, el estudiantado formado aceptó menos veces prompts poco especificados (51,5% frente a 66,7%, OR = 0,47), hizo preguntas de seguimiento tras una respuesta débil con mucha más frecuencia (59,2% frente a 27,9%, d = 0,80) y juzgó la corrección de la respuesta con más sensibilidad a la calidad del prompt (OR de interacción = 2,52), con una diferencia de puntuación modesta (11,38 frente a 10,29 sobre 20, p = 0,040). El taller nunca ensayó las tareas del test, así que lo que se transfirió fue una postura de regulación y no la familiaridad con la tarea, y los autores son explícitos en que dos días no equivalen a durabilidad.

Alfabetización mediática crítica apoyada en la IA en la escuela primaria. Demir y Akar (2026) ofrecen una demostración concreta en primaria de una instrucción en alfabetización apoyada en IA generativa: un programa de 18 horas con el modelo 5E para estudiantes turcos de cuarto curso, en el que ChatGPT y Grammarly se integraron fase por fase como agentes pedagógicos (ChatGPT para preguntas reflexivas y de preguntas y respuestas; Grammarly y Canva AI para el refinamiento del contenido; Padlet para la retroalimentación entre pares), alineado con los currículos turcos de Lengua y Ciencias Sociales. El grupo con apoyo de IA mostró grandes ganancias en lectura de medios (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17, todas p < 0,01) con tamaños del efecto entre grupos de d de Cohen = 1,12 a 1,31, mientras que el grupo de control avanzó solo moderadamente. El análisis cualitativo reveló seis ámbitos de crecimiento en alfabetización mediática crítica (autoprotección digital y privacidad de datos, uso intencionado y responsable de los medios, comunicación segura y conciencia de límites, evaluación crítica y conciencia de la desinformación, conciencia de los riesgos en línea y ética de los medios y ciudadanía digital), evidencia de que un uso de la IA generativa adecuado al desarrollo e integrado en la disciplina puede construir las dimensiones de evaluación crítica y ética de la alfabetización en IA, y no solo la habilidad operativa.

Marcos para estructurar la alfabetización en IA. Varias contribuciones recientes ofrecen progresiones estructuradas para construir la alfabetización en IA. Marienko, Markova y Semerikov (2026) proponen un marco de cinco niveles (Conciencia, Aplicación, Evaluación, Creación, Ética) integrado con tres paradigmas de la IA en la educación (dirigida por la IA, apoyada por la IA y empoderada por la IA), desarrollado mediante un estudio de métodos mixtos con docentes de secundaria ucranianos (encuesta nacional n = 2018; evaluación del desarrollo profesional n = 1130). Encontraron que el 84% del profesorado usa la IA pero solo el 11% puede identificar servicios especializados más allá de ChatGPT, y que una intervención de desarrollo profesional produjo una mejora del 24% en competencia en IA, evidencia de que un desarrollo profesional bien dirigido hace avanzar la alfabetización más allá de la familiaridad superficial con las herramientas. La fundamentación del marco en el constructivismo, el conectivismo y el TPACK conecta con el Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK) y con la competencia del profesorado en IA. Como complemento, Moore et al. (2026) usaron un proceso de dos años de investigación basada en el diseño con un consejo asesor de jóvenes y expertos en IA para diseñar un currículo de aprendizaje automático integrado en ciencias para jóvenes de secundaria, y encontraron ganancias de conocimiento sobre el aprendizaje automático en ambas cohortes (cohorte 2 M2−M1 = 0,175 frente a cohorte 1 0,076) y mayores ganancias entre las participantes mujeres y las personas no blancas, evidencia de que un diseño participativo e integrado en la disciplina puede hacer avanzar tanto la alfabetización en IA como la equidad.

Una revisión PRISMA de 39 estudios STEAM (2016-2025) encontró que esas implementaciones desarrollan sobre todo alfabetizaciones técnicas (conceptos fundamentales de IA, pensamiento computacional, alfabetización de datos), mientras desarrollan menos la conciencia ética, la imaginación creativa y el crear, gestionar y diseñar con IA, de modo que las unidades integradas en la disciplina pueden seguir dejando de lado los elementos de orden superior (Niri et al., 2026).

El constructo es objeto de disputa precisamente donde le preocupa al profesorado. Una revisión de 34 estudios sobre alfabetización en IA en la formación del profesorado encontró que el campo carece de consenso sobre qué significa la alfabetización en IA para los profesionales de la educación, a diferencia de la alfabetización digital general, y que el Marco de Competencias en IA para Docentes de la UNESCO especifica 15 competencias en cinco dimensiones, aunque funciona como referencia de política global y no como orientación para la implementación. El profesorado del colaboratorio interinstitucional de preparación docente trataba la alfabetización en IA como una dimensión integrada de la preparación profesional y no como una habilidad tecnológica aparte, de modo que se esperaba que los futuros docentes auditaran, compararan y justificaran los resultados de la IA dentro de los cursos de su disciplina, en lugar de demostrar familiaridad con las herramientas.

La formación inicial del profesorado es donde la estructura es más débil. Pinto et al. (2026) revisaron 11 estudios sobre la IA en la formación inicial del profesorado de matemáticas de primaria y encontraron que nueve eran una sola sesión o un puñado de sesiones incrustadas en cursos existentes, que los prompts eran contenido explícito de formación solo en algunos de ellos y que la ética aparecía únicamente en tres, ninguno de los cuales abordaba la transparencia, el sesgo algorítmico o la rendición de cuentas. Los riesgos que señalan son fallos de nivel de alfabetización: los futuros docentes no detectaban errores conceptuales producidos por ChatGPT, aceptaban sin sentido crítico el contenido generado y delegaban más resolución de problemas en la herramienta a medida que las tareas se hacían más difíciles. Su recomendación es construir la competencia en IA a lo largo de toda la secuencia de formación, desde una fase preparatoria hasta las prácticas, y no en un módulo aislado.

Los relatos del profesorado sobre por qué se enseña educación en IA añaden una capa de propósitos que los marcos de competencias dejan implícita. Fagerlund et al. (2026) entrevistaron a 13 docentes finlandeses desde preescolar hasta el noveno curso, en gran medida novatos en educación en IA, y leyeron sus declaraciones de propósitos a través de los tres dominios de Biesta. La cualificación, es decir, la adquisición de competencias, fue el propósito más claro y concreto, y funcionó como vía hacia los otros dos: el estudiantado debía comprender la IA como fenómeno sociotécnico y usar sus herramientas, con la IA sirviendo a la vez como objeto y como ayuda al aprendizaje. La socialización apareció como el cultivo del entusiasmo, la presentación de la IA como algo «guay» y el encuadre del estudiantado como futuros trabajadores expertos en IA que deben responder a las exigencias de competencia. La subjetivación, ese compromiso autodeterminado y personalmente significativo que Biesta considera central, se nombró como importante pero no tenía un repertorio didáctico concreto más allá de conversar y contemplar, y el profesorado no ofreció ejemplos prácticos para impugnar la autoridad de la IA. Los autores proponen la agencia informada en IA, una heurística que sitúa la subjetivación en el centro y trata las competencias como marcos explicativos de las decisiones autodeterminadas. La implicación de diseño es que el «por qué» de la educación en IA necesita tanta atención de diseño como el «cómo»: cuando la subjetivación se apoya en una conversación genérica, la enseñanza de la alfabetización en IA vuelve a la cualificación junto a la que debía situarse.

La propia preparación es un objetivo en disputa. Charles (2026) sostiene que la preparación del profesorado para un aprendizaje rico en IA debe leerse en la calidad de los diseños que produce el profesorado, y no en la adopción, la confianza o la competencia digital, y construye un marco en torno a la mediación del diseño: decisiones observables como la selección de herramientas, el diseño de tareas y prompts, el andamiaje, la verificación, la transparencia, el rediseño de la evaluación, la planificación de la accesibilidad y la supervisión humana. Dos de sus afirmaciones tienen consecuencias directas para el desarrollo profesional. Primera, la autoeficacia es un recurso de movilización y no un indicador de calidad, porque la confianza sin conocimiento pedagógico específico de la IA ni orientación ética puede acelerar un mal diseño en lugar de evitarlo, lo que matiza la lectura habitual de la confianza docente como señal de preparación. Segunda, la claridad de las políticas y el apoyo institucional son moderadores distintos, de modo que el apoyo material puede ser alto mientras las expectativas siguen siendo ambiguas y la preparación se traduce igualmente mal. El marco también se niega a equiparar la no utilización con la falta de preparación, ya que una decisión razonada de prescindir de la IA puede demostrar por sí misma juicio de diseño. Es conceptual y no validado, así que aporta proposiciones y fuentes de evidencia y no efectos establecidos.

Alfabetización en la interacción con la IA: la dimensión interactiva. Brunnström y Palmqvist (2026) proponen una competencia más acotada, la interactiva: la capacidad de dirigir, evaluar y aprender de la interacción iterativa con la IA generativa, como una plasmación específica de las dimensiones aplicativa, evaluativa y de integración de marcos más amplios como el Heptágono de la Alfabetización en IA. Su demostración reflexiva muestra en qué consiste en la práctica: reconocer que una respuesta fluida está por encima del esquema propio, pedir que se simplifique, acotar el alcance y reorientar el sistema hacia una práctica más focalizada. De ahí se siguen dos consecuencias de diseño: la habilidad se distribuye de forma desigual, por lo que el uso no guiado puede favorecer al estudiantado que ya tiene confianza y ampliar las brechas (Equidad), y debe enseñarse de forma explícita y no darse por supuesta, cubriendo el profesorado cómo formular prompts productivos y cuándo dejar de usar la herramienta (Aprendizaje autorregulado).

Alfabetización crítica en IA: más allá de las habilidades, hacia el poder y la resistencia

Una línea distinta de la base de conocimiento trata la alfabetización en IA no solo como habilidades o evaluación crítica, sino como una práctica crítica y política que interroga el poder, la autoridad y el conocimiento de quién cuenta. Esto conecta la alfabetización en IA con la pedagogía crítica y la equidad:

• «Resistir a la IA» como postura de alfabetización. La alfabetización crítica en IA (CAIL) puede abarcar el hecho de resistir a la IA: rechazar la inevitabilidad y el solucionismo tecnológico del discurso dominante, y cultivar la agencia colectiva mediante pedagogías dialógicas y colaborativas.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI") Esto sitúa la educación como un espacio donde las comunidades imaginan y construyen futuros alternativos, en lugar de limitarse a adaptarse a un orden tecnológico dado.
• Epistemologías comunitarias. El aprendizaje comunitario sobre IA fundamenta el compromiso con la IA en las formas de conocer vividas y comunitarias de quien aprende, y redistribuye la autoridad epistémica de la IA mediante el ajuste epistémico, la redistribución de la autoridad y el discernimiento situado.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Los marcos de competencias pueden ser estructuralmente incapaces de registrar lo que revelan los LLM. Schlauch (2026) sostiene que los LLM hacen patente el carácter sociomaterial de la alfabetización, pues los textos se constituyen en ensamblajes de personas, tecnologías, prácticas e infraestructuras, y que los marcos de competencias, al centrarse en quien aprende individualmente, se quedan sin lugar donde poner las dimensiones distribuidas, infraestructurales y no humanas. La consecuencia de diseño es un giro desde transmitir competencias hacia crear condiciones. Se siguen tres orientaciones: hacer visibles los ensamblajes rastreando los actores que hay detrás de un texto, con un estudiante al que se asigna el papel de «susurrador de la IA» para que el modelo se convierta en una presencia de aula atribuida; sostener espacios de alfabetización fluidos mediante tareas modulares y prompts de sistema escritos por el profesorado en lugar de un único flujo de trabajo aprobado; y preservar la reflexividad crítica en lugar de allanar la dificultad.
• Marcos críticos y feministas. La erudición crítica y feminista sostiene que la alfabetización en IA debería enmarcarse en pedagogías de la justicia, la resistencia y la sostenibilidad cultural, y pregunta qué conocimiento produce la IA, quién se beneficia y quién responde cuando los sistemas fallan.(Can we disrupt the momentum of the AI colonization of science education?)
• El mandato de alfabetización puede ser en sí mismo disciplinante. Wang y Jin (2026) sostienen que la exigencia de «aprender sobre la IA» trata un tipo de aprendizaje como natural y hace responsables de su propia marginación a quienes se niegan o a quienes sacarían la alfabetización en IA de los currículos de la primera infancia.
• Dispositivos curriculares situados. La alfabetización en IA puede construirse mediante instrumentos de enseñanza situados y activos (por ejemplo, los Episodios de Aprendizaje Situado) que desarrollan competencias en IA a distintos niveles, en lugar de mediante instrucción abstracta.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• La composición creativa como pedagogía de alfabetización crítica en IA. En lugar de tratar la alfabetización en IA como conocimiento técnico o competencias individuales, se diseñan oportunidades para que quien aprende componga mensajes sobre la IA para audiencias reales: un producto IA multimodal como un anuncio de servicio público demuestra y comunica a la vez una competencia crítica. En el estudio de aula de Burriss et al. (2026), 22 estudiantes de undécimo curso eligieron sus propios temas de ética de la IA y realizaron anuncios de servicio público en vídeo sobre la vigilancia escolar, el consentimiento informado y la acusación algorítmica; en las siete películas el daño surgió del entrelazamiento entre personas y máquinas y no de una herramienta malvada, las tramas seguían cerrándose en la esperanza y la agencia, y los autores sitúan la narrativa y la defensa (resistentes a la evaluación tradicional) en el centro de una pedagogía de alfabetización crítica en IA que pone en primer plano la identidad del estudiantado, su elección y su voz.("Young Scholar[s] on the Beat": Multimodal composition as a form of critical AI literacy pedagogy)
• Competencia regulatoria, no aceptación. Kim (2026) reformula la alfabetización en IA en la educación superior como competencia regulatoria: una práctica efectiva de verificar, revisar, adoptar selectivamente o rechazar los resultados de la IA durante el trabajo académico, que muestra que la capacidad evaluativa y la conciencia ética (y no la mera disposición a usar la IA) predicen un compromiso crítico activo.(From AI anxiety to strategic regulation: How university students transform generative AI into a strategic learning resource)
• Reconocer la adulación como habilidad de alfabetización. Una competencia evaluativa central es reconocer cuándo una IA está dando la razón a quien aprende en lugar de ser correcta. La adulación contextual muestra que la alfabetización en IA y la formación en prompts reducen, aunque no eliminan, el reflejo adulador de los errores de la persona usuaria, y la IA aduladora es preferida por los usuarios precisamente porque les hace sentirse comprendidos. La alfabetización en IA debe enseñar por tanto a detectar el acuerdo por el acuerdo mismo y a valorar la fricción correctiva, lo que conecta con la calibración de la confianza y con reducir el mal uso de la IA.
• Valoración, no solo verificación. O'Byrne (2026) encontró que el estudiantado que solo comprobaba los resultados en cuanto a precisión, credibilidad y pertinencia seguía aceptando trabajos conceptualmente aplanados, mientras que quienes además juzgaban los matices, la voz y la postura epistémica los reescribían, lo que convierte «cuándo no delegar el juicio» en la pregunta de alfabetización.
• La metáfora como método de alfabetización crítica. Las metáforas y analogías hacen que la opacidad, el sesgo y la representación de la IA puedan discutirse; Roe, Perkins y Furze (2025) emparejan cuatro metáforas de aula con criterios para elegirlas y criticarlas.

Estas líneas críticas complementan las dimensiones operativa y cognitiva de la alfabetización en IA: mientras que estas últimas preguntan «¿puede quien aprende usar y evaluar la IA?», la alfabetización crítica en IA pregunta «¿entiende y cuestiona quien aprende las estructuras de poder que encarna la IA?». La alfabetización para la vida pública es un objetivo distinto de la alfabetización para el trabajo de curso. La educación cívica y política aborda el problema de la manipulación y la verificación en ese objetivo: quien aprende debe juzgar una afirmación pública, rastrearla hasta una institución y responder a las objeciones que se le presenten.

La alfabetización en IA en la educación STEM

La base de evidencia disciplinar más desarrollada para la alfabetización en IA proviene de la educación STEM, y Hallström, Chiu, Ding, Koretsky y Li (2026) sintetizan sus diez estudios más citados (2022–2026) para mostrar tanto la línea de base como sus límites. En todo el corpus, la alfabetización en IA se define mediante seis constructos que se solapan: conocimientos/destrezas/actitudes (Su & Yang 2024), conocimiento conceptual-procedimental-contextual (Stolpe & Hallström 2024), saber-comprender/usar-aplicar/evaluar-crear/ética (Ng et al. 2022), y el enfoque uso–comunicación–evaluación de Long y Magerko (Hornberger et al. 2023) — de modo que la "ambigüedad conceptual" del campo es un problema de medición: dos estudios pueden ambos evaluar la "alfabetización en IA" sin evaluar el mismo constructo. Solo dos de los diez ofrecen marcos completos. El hallazgo más agudo de la revisión es una asimetría: el corpus mide casi por completo la alfabetización de quienes estudian, mientras que casi nada desarrolla la del profesorado, una carencia que deja las intervenciones de alfabetización en IA dirigidas al profesorado apoyadas en la suposición más que en la evidencia, y que los autores vinculan con el requisito práctico de que el profesorado sea en sí mismo alfabetizado en IA para llevar a cabo tales intervenciones.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

La evidencia sobre chatbots de ese corpus va en contra de la formación basada en la fluidez. Ding et al. (2023) encontraron que la tutoría con ChatGPT en física universitaria elevó la confianza y los conocimientos, pero reforzó una idea errónea de la IA como "sobrehumana e infalible", y concluyeron que la educación en alfabetización en IA es "ante todo mejorar las habilidades de pensamiento crítico del estudiantado al valorar información". Xu et al. (2026) encontraron que la programación STEM apoyada por ChatGPT mejoró la confianza y los conocimientos, pero dejó inalterados el pensamiento computacional y el pensamiento independiente: ganancias en fluidez que coexisten con ninguna ganancia en pensamiento. Ambos hallazgos replican las preocupaciones sobre Calibración de la confianza y dependencia excesiva presentes en otras partes de esta página: un tutor que nunca contradice a quien aprende puede producir aprendices confiados que no saben evaluar. La actitud, y no la preparación ni la autoeficacia, resultó ser el determinante más fuerte del uso real de herramientas de IA entre estudiantes de grado STEM (Falebita & Kok 2025), y la revisión señala que la cobertura disciplinar STEM está sesgada hacia la biología y la física, con la tecnología como asignatura prácticamente ausente. Para el diseño específico de cada disciplina, la advertencia práctica de la revisión es que los marcos integrales de competencias (UNESCO, UE/OCDE) "a menudo carecen de conexión con la investigación empírica o de un fundamento teórico suficiente", y pocos son aplicables en el aula.

¿Las capacidades en IA de quién cuentan? La división de enfoques entre profesorado y empresas

Una cuestión abierta central en la alfabetización en IA es qué capacidades importan y para quién. Un estudio de Ithaka S+R que comparó cómo priorizan el profesorado estadounidense y las empresas las 26 capacidades del Marco de Capacidades en IA de HiBob encontró que solo coinciden en la importancia de una (fijar expectativas realistas para el trabajo aumentado con IA). El profesorado pondera una orientación crítica al uso responsable (reconocer los límites de la IA, la transparencia y la atribución, la responsabilidad humana y la revisión proactiva de los resultados) que se alinea con los valores académicos de atribución, revisión y alfabetización informacional. Las empresas ponderan capacidades orientadas a la productividad (evaluación y rediseño de flujos de trabajo, automatización y colaboración entre personas y IA) que reflejan la eficiencia en equipos de trabajo. Como solo tres de las 26 capacidades son enseñadas por la mitad o más del profesorado, y las enseñadas se inclinan hacia las categorías de uso crítico, el informe identifica una brecha concreta de capacidades en IA: hay categorías enteras que las empresas valoran y que no se priorizan ni se enseñan en los currículos universitarios.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Esta división enmarca la alfabetización en IA como un constructo en disputa (alfabetización para el uso crítico en contextos académicos frente a alfabetización para la integración en flujos de trabajo en el empleo), una tensión relevante para cómo se enmarca el uso de la IA ante el estudiantado, el diseño curricular y la formación profesional.

Las valoraciones del propio estudiantado cuentan una historia relacionada pero ordenada de otro modo. ElSayary y Ragab (2026) encuestaron a 380 estudiantes universitarios, en su mayoría usuarios frecuentes de IA matriculados en áreas STEM, y encontraron que la alfabetización en IA autoinformada explicaba la mayor parte de la preparación para la empleabilidad percibida: cuatro dimensiones de la alfabetización añadieron ΔR² = 0,554 (p < 0,001) sobre controles de antecedentes que solo valían 0,054, y el modelo completo alcanzó el 60,8% de la varianza. Dentro del conjunto de la alfabetización, la dimensión evaluativa fue la más fuerte (Analizar y evaluar, β = 0,286), seguida de la afectiva (Actitudes y mentalidades, β = 0,266), con el uso práctico (β = 0,217) y el conocimiento fundacional (β = 0,187) por detrás; para la preparación profesional percibida en concreto, solo Analizar y evaluar (β = 0,216, p < 0,001) y Actitudes y mentalidades (β = 0,192, p = 0,004) se asociaron significativamente. Leída frente a la división de Ithaka, la sensación del propio estudiantado sobre su preparación laboral se inclina hacia la orientación de evaluación crítica que prefiere el profesorado y no hacia las capacidades de integración en flujos de trabajo que ponderan las empresas. El diseño es un autoinforme de una sola sesión con medias uniformemente altas (de 4,17 a 4,57 sobre 5) y sin ninguna medida de empleadores ni de empleo, así que lo que muestra es que la alfabetización en IA autoevaluada y la empleabilidad autoevaluada se mueven juntas, con las partes evaluativa y disposicional haciendo la mayor parte del trabajo, y no que este estudiantado esté demostrablemente listo para el mundo laboral.

Diseñar intervenciones de alfabetización en IA

Los marcos y los estudios empíricos de la base de conocimiento convergen en un conjunto de directrices prácticas para el profesorado y para quienes diseñan la instrucción y construyen intervenciones de alfabetización en IA:

1. Usar un marco de competencias estructurado como andamiaje, no como lista de comprobación. Los marcos maduros dan a quienes diseñan un vocabulario compartido y una meta secuenciada según el desarrollo. El marco SAIL organiza la alfabetización en IA en tres dominios (Conceptos de IA; Habilidades aplicadas y técnicas; Ciudadanía digital con IA) a lo largo de cuatro niveles andamiados: Comprender y explorar → Aplicar e integrar → Evaluar y crear → IA++. El Heptágono de la Alfabetización en IA cruza siete dimensiones (conocimiento técnico, aplicación, pensamiento crítico, ética, impacto social, integración, legal y regulatorio) con cuatro niveles de competencia alineados con Bloom, e insiste en que el énfasis debe adaptarse al contexto disciplinar: los programas técnicos ponderan la aplicación, y los programas de humanidades ponderan el razonamiento ético y de impacto social.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI literacy heptagon: A structured approach to AI literacy in higher education)

2. Implicar a quien aprende en todos los modos del ICAP. Aplicando el Marco ICAP, una instrucción eficaz da a quien aprende oportunidades de implicarse en varios niveles cognitivos (exposición pasiva con clases sobre conceptos de IA, manipulación activa con uso práctico de herramientas, generación constructiva con la creación de artefactos de IA y la autoexplicación, y diálogo interactivo con resolución de problemas colaborativa entre pares y con la IA), seleccionando el modo que encaje con el objetivo de aprendizaje. Una revisión sistemática encontró que las intervenciones colaborativas de alfabetización en IA que tenían éxito abarcaban los cuatro modos del ICAP.(Systematic review of collaborative learning activities for promoting AI literacy)

3. Evaluar la competencia demostrada, no la autopercepción. La alfabetización en IA autoinformada diverge marcadamente del desempeño medido: el profesorado sobreestima sus capacidades en IA en torno a un 40%, y las medidas basadas en el desempeño correlacionan con la integración de la IA en el aula mucho mejor que los autoinformes (r≈0,72 frente a 0,31). Diseñe las intervenciones en torno a la evaluación del desempeño y la calibración, y no a encuestas de confianza, y use perfiles diagnósticos (quienes sobreestiman frente a quienes son novatos reales) para dirigir el apoyo.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Construir disposiciones metacognitivas y críticas, no solo habilidad operativa. La alfabetización en IA se entiende mejor como una práctica social metacognitiva que como una lista de capacidades: como los LLM son probabilísticos y opacos, quien aprende debe monitorizar y ajustar sus estrategias, cultivar el escepticismo científico e interrogar cómo los algoritmos modelan la producción de conocimiento, y no limitarse a aprender a manejar herramientas. El codiseño participativo y los espacios experimentales y basados en proyectos (no la formación puntual en herramientas) son donde crece esta conciencia.(Metacognitive AI literacy: Going beyond the AI skills gap agenda)

5. Integrar la alfabetización en la disciplina y hacerla sostenida. El avance hacia etapas superiores de alfabetización en IA (del uso sin sentido crítico → al uso informado → a la evaluación crítica → a la mejora) es más visible cuando las experiencias son sostenidas e integradas en la disciplina y no se imparten como talleres independientes. Diseñe para una práctica repetida y contextualizada dentro de trabajos de curso auténticos.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Un modelo concreto de alfabetización crítica integrada en la disciplina es la taxonomía de tareas de Dierickx et al. (2026) para el periodismo: mapea las tareas apoyadas en LLM a lo largo de las cuatro etapas del flujo de trabajo informativo (recogida de información, interpretación, edición y publicación o distribución), cada una vinculada a un prompt de referencia y a una estrategia de riesgo y mitigación. Al tratar la definición de tareas y los prompts como una forma situada de juicio profesional y no como una habilidad técnica neutra, convierte el propio prompting en un vehículo de alfabetización crítica en IA (sesgo, riesgo de alucinación, dependencia excesiva y el valor perdurable de la supervisión editorial humana), y su lógica subyacente se traslada a otras profesiones intensivas en conocimiento (el derecho, la medicina y las políticas públicas). Como complemento a esas taxonomías específicas de cada disciplina, la taxonomía de Dohn et al. (2026) clasifica las actividades de aprendizaje con IA generativa en seis dimensiones, de las cuales el Compromiso epistémico (comprender, usar, criticar y construir con IA generativa) operacionaliza directamente la alfabetización en IA como la profundidad de la relación cognitiva de quien aprende con la tecnología, desde la exposición pasiva hasta la crítica y la construcción activas.

6. Tratar la equidad y la brecha digital como restricciones de diseño. La alfabetización en IA es un mecanismo para abordar la brecha digital de tres niveles (acceso, habilidades y resultados): cerrar la brecha de dispositivos es insuficiente si no se construyen las habilidades y el uso crítico para que los beneficios se distribuyan con justicia. Las intervenciones deben planificar explícitamente para quienes llegan con menos acceso previo a la IA e incorporar perspectivas culturales y de gobernanza, en lugar de tratar la alfabetización como culturalmente neutra.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Brecha digital)

7. Combinar la alfabetización con palancas de reducción del mal uso. Como el mal uso de la IA daña activamente el aprendizaje duradero, la instrucción en alfabetización debe ir acompañada de las palancas estructurales y educativas documentadas en reducir el mal uso de la IA: diseño de herramientas con barreras de seguridad de «pista y no respuesta», rediseño de la evaluación y secuencias andamiadas de pensar primero y usar la IA después con práctica deliberada de prompts.

8. Partir del punto de entrada real de quien aprende. Quien aprende llega con orientaciones distintas: la evitación impulsada por el miedo, la desconfianza o la falta de acceso, frente a la dependencia acrítica que oculta una comprensión errónea. Un enfoque diagnóstico y por etapas (en lugar de un currículo uniforme) permite a quienes diseñan encontrarse con el estudiantado donde está y llevarlo hacia un compromiso crítico y responsable.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Extender la oferta más allá de los públicos que la educación formal ya alcanza. El marco de Alfabetizaciones en IA para los medios de servicio público argumenta, a partir de una revisión del panorama de más de 40 marcos y 35 entrevistas a expertos, que la oferta se ha inclinado hacia las habilidades técnicas y funcionales, y que las alfabetizaciones en IA se solapan y deberían conectarse con la alfabetización digital, mediática e informacional en lugar de enseñarse como materia independiente. Su estructura (seis áreas de competencia, cinco valores y tres niveles de progresión: Comprender y aplicar, Analizar y evaluar y Sintetizar y especializar, con una guía de evaluación) es una plantilla utilizable para proveedores fuera de la escolarización formal, y su argumento de equidad es una instrucción de diseño: llegar a las personas jóvenes que están digitalmente marginadas o marginadas por otras razones exige alianzas deliberadas, no solo una publicación universal.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Medir la alfabetización en IA

Una línea de investigación distinta trata la alfabetización en IA no solo como un objetivo de la instrucción, sino como un constructo que debe medirse. La línea de evaluación de la base de conocimiento distingue la alfabetización autoinformada de la basada en el desempeño: los autoinformes divergen marcadamente de la competencia demostrada (el profesorado la sobreestima en torno a un 40%), y las medidas basadas en el desempeño predicen la integración de la IA en el aula mucho mejor que las encuestas de confianza (r≈0,72 frente a 0,31). El trabajo de intervención reproduce esa divergencia al nivel del comportamiento: en Clerc et al. (2026), ni las actitudes hacia la IA generativa ni una escala general de conciencia metacognitiva predijeron la regulación de la interacción con los LLM por parte del estudiantado ni sus puntuaciones finales en la tarea (r = 0,01 y r = 0,04, ambas no significativas), mientras que las conductas que el taller sí cambió (rechazar prompts poco especificados, juzgar la corrección de la respuesta y formular una pregunta de seguimiento) sí rastrearon la calidad de la respuesta. Están surgiendo instrumentos validados para cerrar esta brecha: el GLAT ofrece una evaluación de la alfabetización en IA generativa validada psicométricamente, y los perfiles diagnósticos (quienes sobreestiman frente a quienes son novatos reales) permiten a quienes diseñan dirigir el apoyo allí donde se necesita. Guo et al. (2026) cartografían directamente ese panorama de instrumentos: revisan 80 marcos validados —69 de alfabetización digital y 11 de alfabetización en IA— publicados entre enero de 2014 y febrero de 2025. La IA ha atraído la alfabetización digital hacia la ética y ha reformulado la comunicación para incluir la interacción entre personas y la IA, mientras que la regulación metacognitiva y la colaboración entre el profesorado y la IA siguen siendo los aspectos menos especificados. Para el diseño y la investigación, esto vincula la alfabetización en IA con la medición educativa y con la evaluación en general: un marco de alfabetización es tan útil como los instrumentos con los que se rastrea el crecimiento, y los continuos por etapas requieren una medición fiable para situar en ellos a quien aprende.

Una revisión sistemática de 17 medidas de alfabetización en IA encontró que la colaboración rara vez se evalúa como constructo: 3 estudios operacionalizaron explícitamente la colaboración entre personas y IA, 3 la incluyeron en la redacción de los ítems y 11 no mostraron ninguna representación; solo un instrumento midió juntos la alfabetización en IA y la colaboración. Los subfactores propuestos de coordinación, comunicación y metacognición siguen sin validarse (Yang et al., 2026).

Puppart, Laak y Aru (2026) aportan la contraparte objetiva más amplia hasta ahora: una prueba de 18 ítems validada con 7.432 estudiantes estonios de secundaria (fiabilidad marginal = ,72), con puntuaciones no relacionadas con la facilidad de uso percibida (ρ = ,01) y relacionadas negativamente con la frecuencia de uso (ρ = −,16 a −,19).

Un instrumento de 32 ítems y seis facetas amplía el modelo de cuatro dimensiones con dos facetas más (el uso responsable y el autodesarrollo) y mantiene la invariancia escalar entre adolescentes (12-17), adultos jóvenes (18-40) y adultos de mediana edad (41-60), aunque los autores advierten que el ΔCFI se acercó al umbral convencional (Liu et al. (2026)).

Zhi, Yang y Huang (2026) construyen un modelo específico para el posgrado a partir de la taxonomía de Marzano: el análisis de teoría fundamentada de entrevistas con 14 docentes condensó 329 etiquetas brutas en 96 conceptos, 15 categorías y cinco dimensiones (base cognitiva, habilidades operativas, pensamiento de orden superior, reflexión metacognitiva y responsabilidad ética), y después las operacionalizaron como una escala Likert de 15 ítems cuyos cinco factores emergieron en el análisis factorial exploratorio (83,14% de la varianza acumulada) y se mantuvieron en el análisis factorial confirmatorio sobre una segunda submuestra (CFI = 0,934, RMSEA = 0,083), con una fiabilidad de 0,796 a 0,842 en 308 cuestionarios válidos.

La Escala de Alfabetización Crítica 3wAI (Bozkurt, Ertan & Cömert, 2026) valida la misma estructura de tres partes para personas adultas como instrumento de autoinforme (n = 546 y n = 647; χ²/df = 4,93, CFI = 0,931, α = 0,913). Sus factores Know-How y Know-Why resultaron ser los más estrechamente acoplados (HTMT = 0,544), mientras que el conocimiento teórico por sí solo no se tradujo en eficacia práctica. Como medida de autoinforme comparte el problema de divergencia documentado más arriba, por lo que es un diagnóstico validado más que una medida del desempeño — y sus autores piden que se revalide entre grupos de edad y contextos culturales.

Una cuestión relacionada es qué pueden medir en absoluto los instrumentos. Burriss et al. (2026) señalan que las escalas y marcos de competencias de alfabetización en IA existentes dan por supuesto un desempeño medible individualmente y, por tanto, excluyen estructuralmente la expresión colaborativa y creativa: la evidencia de su unidad fueron artefactos cinematográficos multimodales, reflexiones y discurso cívico, y no una puntuación sumativa, y los autores sostienen que esa evidencia puede complementar las medidas convencionales en lugar de sustituirlas. Ampliar el constructo puede exigir, por tanto, ampliar la evidencia admisible, y no solo añadir ítems ricos en modalidad a las escalas existentes.

Una línea complementaria mide cómo reciben quien aprende y el profesorado los materiales de alfabetización en IA, y no su alfabetización en sí. Wang, Chuang y Wu (2026) pidieron a 794 estudiantes y 37 docentes que valoraran dos ediciones de una guía construidas según el umbral de edad de la UNESCO (9 a 12 años y 13 a 18 años) tras unos 30 minutos de exposición guiada en el aula. La aceptación mantuvo una estructura de cuatro factores (expectativa de rendimiento, expectativa de esfuerzo, diversión percibida e intención conductual), con invariancia de medición respaldada entre las dos ediciones para el estudiantado; quienes aprenden más jóvenes puntuaron más alto en los cuatro constructos, y la diversión percibida tuvo la mayor asociación con la intención en ambas cohortes. Los autores son explícitos sobre lo que esto no es: la aceptación percibida de un recurso adaptado a la edad no es logro de alfabetización en IA, razonamiento ético, adopción ni uso sostenido, y la aceptación a nivel de material no debe leerse como evidencia de que la alfabetización mejoró.

La medición se extiende también a los educadores que median el compromiso del estudiantado con la IA. La mayoría de las evaluaciones de alfabetización en IA se dirigen al estudiantado o a usuarios generales, lo que deja una carencia en la formación del profesorado, carencia que aborda la Escala de Alfabetización en IA del Profesorado (TAILS): fundamentada en el marco ED-AI con seis dimensiones (conocimiento, evaluación, colaboración, contextualización, autonomía y ética), se validó mediante análisis factorial exploratorio y confirmatorio con futuros docentes de idiomas. Estos instrumentos ayudan a medir y desarrollar la alfabetización en IA de los educadores que median el compromiso del estudiantado con la IA. Del lado del estudiantado, Nie et al. (2026) desarrollan y validan una Escala de Alfabetización en Evaluación con IA Generativa (GAA-LS) para estudiantes de educación superior: un instrumento de 18 ítems y cinco factores cuyas puntuaciones rastrean el compromiso con la retroalimentación, la integridad académica y el uso responsable de la IA, con una ruta indirecta hacia la integridad que pasa por la retroalimentación, evidencia de que la alfabetización en IA específica de la evaluación es medible y se vincula con la conducta de integridad. Lo que contiene realmente ese corpus de instrumentos dirigidos al profesorado se ha auditado después: la revisión de 2026 de Zainal, Mohd Matore y Maat sobre los instrumentos de medición de la alfabetización en IA del profesorado evaluó 33 instrumentos publicados entre 2019 y 2025 y encontró que 31 (93,9%) eran escalas de autoinforme sobre la confianza percibida, que solo dos medían el conocimiento de forma objetiva y que ninguno usaba tareas basadas en el desempeño, mientras que la evidencia de equidad era el dominio de calidad más débil, con solo cinco instrumentos que informaban de invariancia de medición o de funcionamiento diferencial del ítem.

La actualización de 2026 de esa literatura de medición la reorganiza en cuatro dominios (conocimiento y uso, supervisión epistémica, calibración de la dependencia y control operativo de agentes que usan herramientas) e informa de que ningún instrumento validado a nivel individual del corpus cubre la combinación completa de alcance, permisos, recuperación, aislamiento de estado, revisión independiente y cierre basado en evidencia que exige el uso de herramientas agénticas. Su correlación subjetiva-objetiva agrupada en tres efectos de la misma muestra fue r = 0,055, coherente con la divergencia descrita antes y no con el uso de las autoevaluaciones como indicador aproximado utilizable (Verí (2026)).

El panorama de la medición está en sí mismo desordenado, y ahora es en parte cartografiable. He, Zhang, Wang y Ji (2026) analizaron el corpus de instrumentos de alfabetización en IA con una canalización de codificación basada en LLM y encontraron un campo que mide muchos constructos bajo una misma etiqueta: un problema de «jangle», con un constructo que lleva varios nombres (el compromiso conductual aparece en ocho pares candidatos y la motivación intrínseca en cinco), junto a posibles casos de «jingle» en los que los instrumentos comparten etiqueta pero no el contenido de sus ítems. Su recuperación por similitud semántica de la estructura de ítems y constructos solo correlacionó moderadamente con las fiabilidades que los propios instrumentos informan (r = 0,49 en el nivel de ítem frente a 0,45 y 0,35 en el nivel de constructo), y ofrecen el método como cribado y no como adjudicación. La consecuencia para quien elige una medida es que no es seguro dar por supuestas las afirmaciones convergentes entre estudios: dos instrumentos con el mismo nombre pueden no operacionalizar el mismo constructo.

Lo que esos instrumentos pueden respaldar ya se ha auditado, y la auditoría es sobria. Jin, Gašević, Martinez-Maldonado y Yan (2026) cribaron 8.056 registros hasta quedarse con 58 estudios que cubren 47 instrumentos únicos, evaluados con COSMIN frente a un constructo cuya ventana de desarrollo de instrumentos se comprimió en tres años (dos instrumentos antes de 2023 y 28 solo en 2025). El corpus sigue siendo de 37 de 47 instrumentos de autoinforme, y la evidencia se agrupa estrechamente en torno a la estructura interna: la validez estructural fue suficiente en 32 de 58 estudios y la consistencia interna en 32, sin ninguno calificado de insuficiente, pero la validez de constructo solo la informaron 15 estudios (12 suficientes), la validez de criterio uno, la invariancia de medición cinco (todos suficientes) y solo 2 de 58 obtuvieron una calificación global suficiente de validez de contenido, con la exhaustividad insuficiente en 53 pese a que 43 estudios informaban de entrevistas cognitivas. El patrón es que la práctica de la medición parece robusta justo donde es más barato demostrarlo y es escasa donde la evidencia debe venir de fuera del instrumento, de modo que una estructura factorial limpia y un coeficiente alto (que pueden reflejar redundancia de ítems tanto como representación del constructo) no deben leerse como capacidad demostrada. La prescripción de los autores es consolidar en lugar de proliferar: refinar las escalas existentes, comprobar la invariancia siempre que una cruce un idioma o una etapa educativa y añadir evidencia de criterio relacionando las puntuaciones con tareas de desempeño.

Una de las excepciones está construida para comparar grupos. Zhang et al. (2026) desarrollaron la Escala de Alfabetización en IA Generativa (GAILS), con 43 ítems reducidos a 34 mediante una revisión Delphi de cinco expertos y un piloto de siete personas, validada después en 341 personas adultas de Norteamérica, y probaron la invariancia escalar, y encontraron que se mantenía entre encuestados mujeres y hombres y entre grupos de estudiantes y de personas trabajadoras. Eso es lo que autoriza a leer las comparaciones de medias que informa el instrumento (los hombres puntúan algo más alto en Habilidades operativas adaptativas y el estudiantado más alto en Habilidades operativas adaptativas y en Alfabetización responsable en IA generativa) como diferencias de competencia y no como funcionamiento diferencial del ítem, y es lo que hace que la escala pueda usarse tanto en educación superior como en entornos laborales, y no solo con estudiantado. Su propia evidencia no está exenta de tacha: el ajuste fue mixto (CFI = 0,967 y SRMR = 0,058 dentro de los cortes convencionales, y RMSEA = 0,087 por encima de ellos), el α de la escala total = 0,973 convive con una comparación discriminante de Fornell-Larcker fallida (Factor 1 √AVE = 0,828 frente a r = 0,873 con el Factor 3) y, como casi todo en el corpus, mide la competencia percibida sin ningún criterio conductual. Una escala validada en este campo es un punto de partida para el trabajo de invariancia y de criterio que pide la revisión, y no un punto de referencia acabado.

Las medidas de autoinforme también halagan a quienes enseñan la materia. En una encuesta a 412 bibliotecarios académicos de 38 instituciones nigerianas, la competencia autoevaluada era alta para la instrucción en bases de datos (M = 4,07) y para la impartición convencional de alfabetización informacional (M = 4,02). Su puntuación compuesta de competencia en IA fue 2,86, por debajo del punto medio, y los ítems más débiles fueron redactar objetivos de alfabetización en IA (M = 2,70) y evaluar los resultados (M = 2,62) (Dada, 2026). El patrón no es una baja confianza en el uso de herramientas, sino una baja confianza en diseñar y evaluar la instrucción sobre ellas, una distinción que importa para las bibliotecas y para cualquiera que planifique el desarrollo del personal en torno a la alfabetización en IA.

Conexiones en la base de conocimiento

La alfabetización en IA se cruza con la tutoría con IA (entender cuándo y cómo son eficaces los tutores de IA), con la competencia del profesorado en IA (preparación docente), con la integridad académica (saber qué constituye un uso apropiado de la IA) y con la IA en la educación en sentido amplio. Es a la vez un requisito previo para un uso eficaz de la IA y un resultado de una integración bien diseñada: el estudiantado aprende alfabetización en IA AL usar la IA de forma crítica, no solo al aprender SOBRE la IA.

La alfabetización en IA es de doble filo en relación con la dependencia excesiva: Maizel et al. (2026) encontraron que las dimensiones de alfabetización en IA basadas en habilidades (usar y comprender, y detectar) se asociaban positivamente con la dependencia de la IA declarada, mientras que la autoeficacia con la IA y la confianza académica se asociaban negativamente: por tanto, la formación técnica en alfabetización en IA, sin apoyo a la autoeficacia ni al aprendizaje autorregulado, puede aumentar la dependencia. La alfabetización en IA se convierte aquí en una capacidad habilitadora cuya dirección depende de recursos motivacionales complementarios.

• Los hábitos de verificación solo rinden a través de la regulación. En la encuesta de Davor, Larbi y Boateng (2026) a 533 estudiantes universitarios de Ghana, la alfabetización en verificación de la IA no tuvo un efecto directo significativo sobre el pensamiento crítico (beta = 0,076, p = 0,090) ni sobre la resolución de problemas técnicos (beta = 0,043, p = 0,385), y solo importó a través de la autorregulación metacognitiva (beta = 0,167, p < 0,001), una mediación completa que los autores llaman activación metacognitiva. El andamiaje de la tarea con IA predijo ambos resultados (beta = 0,185 y 0,170), mientras que la tendencia a la descarga cognitiva los predijo negativamente (beta = -.240 y -.312) y también deprimió la regulación (beta = -.294). Enseñar al estudiantado a comprobar los resultados de la IA no basta, por tanto, por sí solo: los hábitos evaluativos necesitan planificación, monitorización y reflexión integradas en la tarea.

• En tareas de ingeniería, la frecuencia de verificación se asocia directamente con el desempeño. Liu, Zhang y Pan (2026) encontraron que la comprobación declarada se asociaba con el desempeño en la tarea (beta = 0,400) en 1.206 estudiantes de ingeniería mecánica. Su autoevaluación de la misma alfabetización compartía alrededor del 7% de su varianza con una prueba de escenarios (r = 0,265), y quienes se valoraban como más alfabetizados eran los que menos obtenían de la comprobación.

• La alfabetización llega a la resolución de problemas mediante movimientos cognitivos, no mediante el acceso a herramientas. Una encuesta de tres oleadas separadas en el tiempo con 784 estudiantes de seis colegios superiores vocacionales de Guangdong situó la asociación total de la alfabetización en IA con la resolución de problemas complejos autoevaluada en 0,480: 0,248 directa y 0,232 indirecta, repartida en 0,151 a través del pensamiento sistemático y 0,081 a través de la carga cognitiva (Huang et al. (2026)). El apoyo escolar percibido en TIC moderó ambas rutas (interacciones 0,128 y −0,352), lo que llevó los efectos indirectos condicionales de 0,117 a 0,176 y de 0,038 a 0,127 en una encuesta de autoinforme, no en un ensayo.

• La crítica de los resultados de la IA como práctica de alfabetización: Hosseini (2026) trata la evaluación de los errores generados por la IA como una habilidad central de la alfabetización en IA, usando el análisis de modos de fallo y el refinamiento iterativo de prompts en un curso de diseño de bases de datos. El estudio encontró que el estudiantado sobreestimaba sus capacidades con la IA (la alfabetización autoinformada correlacionaba de forma débil y negativa con la competencia objetiva) y que el aprendizaje basado en la crítica reforzaba la calibración.

• Alfabetización en IA socialista y humanista (2026): una revisión de la literatura critica la alfabetización en IA orientada al cumplimiento normativo y propone un encuadre socialista-humanista de la alfabetización asíncrona en IA y el uso legítimo en la educación superior, vinculando la brecha digital histórica con la alfabetización en IA moderna y reclamando enfoques que sirvan al florecimiento humano y a la equidad, y no al cumplimiento mecánico de las políticas (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

• Las advertencias breves y baratas atenúan la persuasión de la IA sin costar la confianza general. Orchinik y Rand (2026) prerregistraron dos experimentos (N total = 3.208 personas adultas de EE. UU.) en los que los participantes conversaban con un Grandes modelos de lenguaje (LLM) al que se le indicó que intentara cambiar sus opiniones sobre temas políticos. Una única advertencia breve (que los modelos pueden ser dirigidos para persuadir y pueden presentar la información de forma selectiva) redujo el cambio de creencias aproximadamente a la mitad (-48,1%, IC del 95% [-59,5%, -36,8]) respecto al control, y añadir advertencias específicas sobre técnicas de persuasión no produjo ningún beneficio adicional. La propiedad que importa para la enseñanza está al otro lado del efecto: la confianza general en la IA generativa no cayó, de modo que la intervención construye una confianza calibrada y no un escepticismo generalizado. Es una intervención de un párrafo y sin facilitación, un perfil de coste poco frecuente en el diseño de alfabetización en IA.

• La gobernanza que ejerce quien aprende sobre la IA importa más que el diseño de la herramienta. Azimi (2026) asignó al azar a 33 estudiantes de un máster en analítica de datos entre un Entrenador de Estudio con IA andamiado e integrado en los cuadernos (n = 16) y el uso sin restricciones de cualquier herramienta de IA generativa que eligieran (n = 17) durante siete semanas. El desempeño en las tareas y las ganancias en el inventario de conceptos fueron indistinguibles; la condición con entrenador informó en cambio de mayor confianza. Lo que separó al estudiantado fue la alfabetización en IA en la práctica: quienes habían formulado sus propias reglas sobre cuándo usar la IA puntuaron más alto en ambas condiciones, y el estudiantado con la comprensión más profunda del modelo, todo él autodidacta, formulaba los prompts de la forma más deliberada. La implicación de diseño va contra el reflejo de control: enseñar los componentes de autorregulación y de comprensión del modelo de la alfabetización en IA, en lugar de restringir las herramientas.

Para la alfabetización crítica en IA en concreto, Solyst et al. (2026) muestran que se puede enseñar a los jóvenes a evaluar la IA generativa de forma sistemática, con un andamiaje que nombre qué buscar y una estructura para registrar lo que encuentran.

Suartama, Sukmana y Triwahyuni (2026) proponen CAFE-AI, un diseño que empareja la instrucción en alfabetización en IA con un encuadre de mentalidad de crecimiento, e informan de que la combinación mejoró tanto la alfabetización en IA medida como la mentalidad a lo largo de un semestre en un curso universitario indonesio.

Cincuenta marcos en dos años, y casi ninguno mide la IA generativa. Kharbach, Woodworth y Sawchuk (2026) cartografiaron 50 marcos de alfabetización en IA para K-12 publicados en 2024 y 2025, 35 de ellos en 2025, procedentes de quince países. El GAIAS de 27 ítems fue el único instrumento específico de IA generativa del corpus, y las herramientas dominantes, AILQ, SAICS y el diagnóstico de Chung et al., no evalúan la alfabetización en IA generativa «en absoluto». Las etiquetas de competencia convergieron en las mismas cinco dimensiones mientras que los constructos subyacentes no se alinearon.

Una puntuación de alfabetización puede no correlacionar con el resultado que debería proteger. Entre 300 estudiantes universitarios, Kim, Kim y Zhang (2026) encontraron que la alfabetización en IA no correlacionaba con la confianza excesiva en la IA en el nivel bivariado (r = 0,051) aunque mantenía una asociación indirecta negativa dentro de un modelo de mediación serial. Una vez que la expectativa de rendimiento entró en el modelo, una mayor alfabetización en IA predijo una menor confianza excesiva. Saber más sobre la IA no cambió por sí solo cuánto confiaban en ella los estudiantes.

La alfabetización como remedio cívico, argumentada y no probada. Muñiz y Castro Samayoa (2026) tratan las alfabetizaciones críticas en IA y mediática como el contrapeso a la externalización cognitiva, porque quien está alfabetizado puede interrogar el mecanismo y no el resultado. Su prescripción concreta es que el estudiantado sondee los modelos como investigadores en lugar de usarlos como clientes, y que se mantenga al estudiante como autoridad epistémica principal. El ensayo no informa de datos, así que aporta una justificación para la agenda de alfabetización y no evidencia de que la agenda funcione.

Un currículo de alfabetización que termina en la reflexión sobre dos fuentes de retroalimentación. Stillman et al. (2026) implementan la secuencia en lugar de describirla: lecturas sobre cómo funcionan los modelos de lenguaje, retroalimentación entre pares sobre un borrador, retroalimentación del chatbot guiada por rúbrica sobre el mismo borrador, y después un plan de revisión y una reflexión sobre ambas. En 654 estudiantes de 13 secciones, los autores tratan las propias etiquetas del estudiantado para el chatbot como la evidencia de alfabetización, y elevan la metáfora de una estudiante, «máquina expendedora de retroalimentación», por encima del vocabulario de tutor y colaborador.

La verificación es el contrapeso enseñable, y el sesgo de automatización nombra aquello contra lo que se enseña. La posedición, el recálculo y la comprobación de fuentes son habilidades evaluadas precisamente porque un resultado fluido invita a aceptar en lugar de inspeccionar.

Los juicios de credibilidad responden al flujo de trabajo, no solo a la instrucción. Entre 42 estudiantes de grado, quienes debían responder antes de consultar a la IA la valoraron como menos creíble (5,65) que quienes tenían acceso sin restricciones (6,60), mientras que una condición con verificación obligatoria se situó entre ambas en 6,22 y sostuvo la confianza sin inflarla (Islam et al., 2026). Juzgar la fiabilidad de un modelo es en parte una decisión de diseño sobre cuándo se encuentra el estudiantado con él.

Concepciones erróneas

• «La alfabetización en IA autoinformada se corresponde con la alfabetización en IA real.» Diverge marcadamente del desempeño medido: el profesorado sobreestima sus habilidades en torno a un 40%, y la investigación sobre la evaluación de la alfabetización muestra la misma brecha del 40% entre el autoinforme y la medición basada en el desempeño. Una encuesta sobre alfabetización en IA mide confianza, no competencia.
• «La alfabetización en IA es un único constructo.» Sun, Dohn y Rehm (2026) clasificaron 102 estudios empíricos de educación superior y encontraron que el constructo no es unitario. Un programa que desarrolla una dimensión deja las otras sin abordar.
• «Una sobreestimación del 40% es un problema menor de calibración.» Significa que el estudiantado y el profesorado más seguros de su alfabetización en IA pueden ser los que menos capacidad tienen de evaluar la salida, que es exactamente la población a la que una intervención tiene que llegar primero.

Conceptos conectados

• Patrones pedagógicos — Desarrollado por los pasos de valoración crítica de estas secuencias
• Metáforas y analogías — La metáfora y la analogía como técnicas de construcción de sentido y de enseñanza
• Quienes aprenden — El estudiantado: el paraguas de los conceptos del lado de quien aprende
• Sesgo de automatización — El fallo que la instrucción en verificación y posedición pretende evitar
• IA generativa — la tecnología a la que apunta la alfabetización en IA
• Grandes modelos de lenguaje (LLM) — los sistemas en el centro de la alfabetización en IA
• Pensamiento crítico — disposición evaluativa central
• Ingeniería de prompts — competencia práctica central
• Metacognición — la alfabetización como práctica social metacognitiva
• Descarga cognitiva — el riesgo de dependencia excesiva al que responde la alfabetización
• Reducir el mal uso de la IA — el rédito conductual de la alfabetización
• Integridad académica — saber qué constituye un uso apropiado de la IA
• Autoevaluación — juzgar el propio trabajo y la propia habilidad, como técnica y como medida
• Calibración de la confianza — calibrar una confianza adecuada
• Sicofancia de la IA — habilidad de alfabetización para detectar el acuerdo
• Equidad — distribución justa de la alfabetización
• Brecha digital — la brecha de acceso, habilidades y resultados
• Ética — la dimensión de la conciencia ética
• Competencia en IA del profesorado — preparación docente
• Desarrollo educativo — construir la alfabetización del profesorado
• Investigación educativa asistida por IA — Investigación educativa asistida por IA
• K-12 — alfabetización en el ámbito escolar
• Educación superior — alfabetización en el ámbito universitario
• Desarrollo y preparación profesional — el rédito de empleabilidad que se sostiene que construye la alfabetización en IA
• IA en la educación — el campo más amplio
• Educación cívica y política

Artículos conectados

• Shaping Credibility Judgments in Human–GenAI Partnership via Weaker LLMs: A Transactive Memory Perspective on AI Literacy — 42 estudiantes de grado: responder primero bajó la credibilidad de la IA a 5,65 frente a 6,60 con acceso sin restricciones, con la verificación en 6,22 (Islam et al., 2026)

• Refining Collaborative AI Literacy: A Systematic Review of Human–AI Collaboration Competency and AI Literacy Measures — 17 medidas de alfabetización en IA: la colaboración rara vez se evalúa como constructo, y los factores propuestos de coordinación, comunicación y metacognición siguen sin validarse (Yang et al. 2026)

• Shaping early childhood in the age of AI: holistic competencies, pedagogical practices, and ecological support — Configurar la primera infancia en la era de la IA: competencias, pedagogía y apoyo ecológico (Pei 2026)

• AI Security Literacy: Ecosystem-based Competency Framework and K-12 Learning Platform — Alfabetización en seguridad de la IA: marco de competencias basado en el ecosistema y plataforma de aprendizaje para K-12

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis — Elevar la dimensión ética de la alfabetización sin un marco de afrontamiento puede dejar al estudiantado más ansioso

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 marcos validados muestran que la IA amplía la alfabetización digital hacia la ética mientras la colaboración entre el profesorado y la IA sigue poco especificada (Guo et al. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Seis áreas de competencia, cinco valores y tres niveles de progresión para los medios de servicio público

• The AI literacy heptagon: A structured approach to AI literacy in higher education — El heptágono de la alfabetización en IA

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Un continuo práctico de cinco etapas para la alfabetización en IA

• Clarifying the conceptual landscape in AI literacy measurement: A large language model based approach — Cartografiar el corpus de instrumentos de alfabetización en IA: 55 constructos, pares de jangle y jingle, codificación basada en LLM

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — Evaluación COSMIN de 58 estudios y 47 instrumentos de alfabetización en IA: la evidencia de validez se agrupa en torno a la estructura interna mientras la evidencia de criterio, contenido e invariancia sigue faltando en gran medida (Jin et al. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: escala de alfabetización en IA generativa de 34 ítems validada en 341 personas adultas e invariante a escala entre sexos y entre grupos de estudiantes y personas trabajadoras (Zhang et al. 2026)

• GLAT: The generative AI literacy assessment test — GLAT: una prueba validada de evaluación de la alfabetización en IA generativa

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Evaluación de la alfabetización en IA: desalineación entre el autoinforme y el desempeño

• Development and Validation of the Generative AI Assessment Literacy Scale for Higher Education Students: Psychometric Evidence and Associations with Feedback Engagement and Academic Integrity — GAA-LS: escala validada de alfabetización en evaluación con IA generativa para estudiantado de educación superior (Nie et al. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Más allá de la alfabetización en IA: revisión estructurada y metaanálisis exploratorio de las medidas del uso competente de la IA generativa

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — revisión sistemática de con qué correlaciona la alfabetización en IA

• Assessing teachers' AI literacy: a systematic review of measurement tools — revisión sistemática de los instrumentos que miden la alfabetización en IA del profesorado

• Development of an AI literacy self-assessment questionnaire in upper primary school students — cuestionario de autoevaluación para estudiantado de primaria superior

• Metacognitive AI literacy: Going beyond the AI skills gap agenda — la alfabetización en IA como práctica social metacognitiva

• AI literacy interventions in education: A meta-analysis of effects and moderators — metaanálisis de los efectos de las intervenciones de alfabetización en IA

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — El marco de alfabetización en IA con andamiaje (SAIL)

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Guías de alfabetización en IA adaptadas por edades, evaluadas con 794 estudiantes y 37 docentes: estructura de aceptación de cuatro factores invariante entre las ediciones de 9-12 y 13-18 años, con quienes aprenden más jóvenes por encima en todos los constructos

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Alfabetización crítica en IA: poder, resistencia, agencia

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — La alfabetización en prompts como alfabetización fundacional distinta de la ingeniería de prompts: el modelo de implicación con IA generativa centrado en las personas en cinco fases (Miles, Haber-Curran y Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — La adulación contextual como intervención de alfabetización en IA

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — Alfabetización en IA, autoeficacia y dependencia

• Teaching students to question the machine: An AI literacy intervention improves students' regulation of LLM use in a science task — un taller de dos horas cambió la regulación de la interacción con los LLM en estudiantes de secundaria, mientras que los autoinformes no predijeron nada (Clerc et al. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — La alfabetización en IA como capacidad de gobernanza para el desarrollo sostenible: la taxonomía AIRE y el nexo IA-ODS (Islam, Morshed e Islam 2026)

• AI literacy in secondary education: Framework, assessment, and professional development in the Ukrainian context — Marco de alfabetización en IA de cinco niveles para docentes de secundaria ucranianos (Marienko et al. 2026)

• STEAM education for AI literacy: a systematic literature review — Educación STEAM para la alfabetización en IA: revisión sistemática

• Systematic review of collaborative learning activities for promoting AI literacy — Collaborative AI Literacy Framework

• Co-constructing AI boundaries: Agency, judgment, and ethical literacy in AI-mediated meaning-making — reformula la alfabetización en IA como juzgar qué trabajo interpretativo no debería delegarse

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — La alfabetización en verificación de la IA solo importó a través de la autorregulación metacognitiva, mientras que la descarga cognitiva predijo un menor pensamiento crítico y una menor resolución de problemas (Davor et al. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — La instrucción basada en el pensamiento superó a la basada en habilidades en una tarea evaluada objetivamente, con la autonomía y la competencia sosteniendo el efecto (Yu, Lin y Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — El vínculo entre alfabetización en IA y continuidad del uso de ChatGPT pasa por la confianza y la autoeficacia académica, y la ansiedad ante la IA adelgaza el primer eslabón (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Modelo de cinco dimensiones fundamentado en Marzano y escala de autoinforme de 15 ítems para la alfabetización en IA generativa en el posgrado (Zhi et al. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Once estudios sobre la IA en la formación inicial del profesorado de matemáticas, en su mayoría de corta duración y con la ética abordada solo en tres (Pinto et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Integración de la IA generativa centrada en la verificación en la química universitaria, con la traducción representacional como exigencia central de alfabetización en IA (Vega-Baudrit y Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — ¿Quién actúa, quién sabe, quién responde? Un análisis del discurso asistido por corpus de la agencia, la responsabilidad epistémica y la rendición de cuentas en la investigación sobre IA generativa en educación superior

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — La alfabetización en IA autoinformada explicó el 60,8% de la preparación para la empleabilidad percibida, con las dimensiones evaluativa y afectiva como las más fuertes (ElSayary y Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Los propósitos del profesorado para la educación en IA leídos a través de la cualificación, la socialización y la subjetivación de Biesta, y la heurística de la agencia informada en IA (Fagerlund et al. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — La preparación docente como calidad del diseño y no como adopción o confianza, con la autoeficacia como recurso y la no utilización como algo que no implica falta de preparación (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — La educación en IA en K-12 elevó la alfabetización en IA con una g agrupada = 0,892 en 57 efectos positivos, y el desacuerdo en la medición explica la heterogeneidad (Yu et al. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Las exigencias de alfabetización difieren según el tipo de entrelazamiento entre el estudiantado y la IA generativa; las formas de Asistente y Habilitador dominan mientras las demás siguen marginales por razones institucionales (Sun, Dohn y Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Análisis comparativo de 16 marcos de competencia en IA para la educación y el desarrollo de la fuerza laboral

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Recursos externos, competencia digital y perfil psicológico como determinantes conjuntos, con una inversión de signo de la ansiedad tecnológica

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Instrumento de seis facetas que añade el uso responsable y el autodesarrollo, invariante a escala entre adolescentes, adultos jóvenes y adultos de mediana edad

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Modelo de ecuaciones estructurales del bienestar docente con la IA, los apoyos sociales y la alfabetización en IA

• What does it mean to be AI literate? Psychometric validation of the Critical 3wAI Literacy Scale — Escala de autoinforme validada de 17 ítems con tres factores distintos de alfabetización en IA (Know What/How/Why); Know-How y Know-Why son los más acoplados (HTMT = 0,544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Síntesis de los diez estudios más citados sobre alfabetización en IA en la educación STEM (Hallström et al. 2026)

• Anthropocentrism and learnification: resisting the dominant discourse of human-centred Artificial Intelligence in Education — La exigencia de aprender sobre la IA leída como discurso disciplinante (Wang y Jin, 2026)

• GenAIT: An Objective Generative AI Literacy Test for High School Students and Its Associations with LLM Use and Perceptions — GenAIT: una prueba objetiva de alfabetización en IA generativa para estudiantes de secundaria y sus asociaciones con el uso y las percepciones de los LLM (Puppart, Laak y Aru 2026)

• K-12 AI literacy frameworks after generative AI: A scoping review — 50 marcos de alfabetización en IA para K-12; solo un instrumento evalúa específicamente la IA generativa

• Trusting AI too much? Psychological correlates of overtrust and the role of AI literacy — La alfabetización en IA no correlaciona con la confianza excesiva en el nivel bivariado, pero sí de forma indirecta negativa una vez modelada la expectativa de rendimiento

• AI literacy facets in creative higher education: associations with learning performance and academic well-being — Las facetas de la alfabetización en IA en la educación superior creativa: asociaciones con el desempeño de aprendizaje y el bienestar académico

• Beyond access: How GenAI literacy relates to task performance, motivation, cognitive load and interaction patterns in AI-assisted learning environment — Las dimensiones de la alfabetización en IA generativa se separan: Uso y aplicación predice la calidad de la escritura, Saber y comprender predice una menor carga mental, ninguna mueve la motivación (Chen et al. 2026)

• AI literacy and vocational students’ complex problem-solving skills: a moderated mediation model of systematic thinking, cognitive load, and perceived school ICT support — La alfabetización llega a la resolución de problemas mediante movimientos cognitivos, no mediante el acceso a herramientas

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — Las alfabetizaciones críticas en IA y mediática como contrapeso cívico a la externalización cognitiva

• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — PAIRR implementado en 13 secciones: lecturas, retroalimentación entre pares, retroalimentación de la IA guiada por rúbrica y reflexión

• Reflecting Reality, Amplifying Bias? Using Metaphors to Teach Critical AI Literacy — Cuatro criterios y cuatro metáforas para enseñar alfabetización crítica en IA

• Students Learn to Use Generative AI Before Learning to Question It: Ordinal Trajectories of Academic Use and Caution from Adolescence to University — El estudiantado aprende a usar la IA generativa antes de aprender a cuestionarla: trayectorias ordinales de uso académico y cautela desde la adolescencia hasta la universidad