Tecnologías

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

Tecnologías — los modelos, las arquitecturas y los métodos que impulsan los sistemas de IA educativa, y el concepto paraguas que cubre el tratamiento de la capa técnica en esta base de conocimiento. Donde pedagogía y teorías del aprendizaje se ocupan de cómo ocurren la enseñanza y el aprendizaje, y la evaluación de la IA educativa se ocupa de si la IA funciona, esta página ancla la vertiente técnica: los sistemas de IA (grandes modelos de lenguaje, IA generativa, modelos multimodales, robots) y las técnicas empleadas para construirlos, controlarlos y desplegarlos (ingeniería de prompts, generación aumentada por recuperación, aprendizaje por refuerzo, PLN educativa, grafos de conocimiento, orquestación agéntica).

Preguntas para reflexionar

• Puede ser una docente excelente sin saber construir un LLM, pero esta página sostiene que sus decisiones técnicas siguen moldeando lo que la IA puede y no puede hacer en su aula. ¿De qué manera la tecnología subyacente de una herramienta de IA podría cambiar en silencio cómo aprende su estudiantado, aunque nunca vea el código?
• Un supuesto habitual es que el modelo lo es todo, pero técnicas como la generación aumentada por recuperación (RAG) y la ingeniería de prompts existen precisamente para controlar y fundamentar la salida de un LLM. Antes de seguir leyendo: cuando le pide a una IA que «sea más precisa» o que «use esta fuente», ¿qué cree que ocurre en realidad por debajo?
• La RAG se describe como una técnica central para reducir las alucinaciones y mejorar la seguridad. ¿Por qué cree que recuperar conocimiento relevante para «fundamentar» la respuesta de una IA importaría más en educación que, por ejemplo, en un chat informal, y qué podría salir mal si esa fundamentación falla?
• La página afirma que las decisiones técnicas encarnan supuestos pedagógicos: un tutor construido con prompts socráticos razona con quien aprende, mientras que un modelo que genera respuestas puede limitarse a entregar soluciones. ¿Recuerda alguna herramienta de IA que pareciera «asumir» una filosofía de enseñanza concreta? ¿Coincidía con cómo quería enseñar o aprender?
• Más allá de la precisión bruta, esta página sugiere que los sistemas de IA deberían evaluarse por su fiabilidad, su pedagogía y su equidad. ¿Qué métrica de titular sospecha que la mayoría de la gente (incluido mucho profesorado) usa por defecto para juzgar si una herramienta de IA «funciona», y por qué esa métrica podría ocultar más de lo que revela?
• Se describe la IA agéntica como un desplazamiento de la IA «de herramienta que responde a prompts a colaboradora proactiva». ¿Cómo podría un sistema que inicia y orquesta flujos de trabajo de varios pasos por su cuenta cambiar aquello de lo que usted, como docente o como persona que aprende, es responsable? ¿Y quién le rinde cuentas?

Introducción

La IA en la educación funciona sobre una pila técnica concreta, y entenderla importa al profesorado y al personal investigador incluso cuando no construyen sistemas por sí mismos, porque las decisiones técnicas moldean lo que la IA puede y no puede hacer en el aula, los riesgos que conlleva y cómo evaluarla. Esta página organiza la cobertura de conceptos técnicos de la base de conocimiento: los sistemas de IA, las técnicas que los adaptan y controlan, y cómo se conecta la capa técnica con la pedagogía, la evaluación y la medición.

Sistemas de IA en la educación

• Grandes modelos de lenguaje (LLM). La columna vertebral computacional de la mayor parte de la IAED moderna: los LLM generan texto similar al humano para tutoría, evaluación y generación de contenido, y son la tecnología más citada de la base de conocimiento. El entrenamiento pedagógico adapta los LLM generales al uso educativo.
• IA generativa. La categoría más amplia de sistemas que producen texto, código, imágenes y otros contenidos: la IA generativa (impulsada principalmente por LLM) es la tecnología detrás de la ola actual de investigación en IAED. Véanse también los modelos multimodales (texto, imagen, audio) y la simulación.
• Robots y sistemas corporeizados. La robótica educativa añade una presencia corporeizada y a menudo social: kits programables para el pensamiento computacional y robots humanoides o sociales para tutoría, narración y juego de roles. La robótica es una vertiente técnica distinta que se solapa con la IA agéntica y el diseño con human-in-the-loop.
• Sistemas basados en conocimiento. Los grafos de conocimiento y la PLN educativa representan y procesan conocimiento de dominio, cada vez más combinados con LLM para una tutoría fundamentada y explicable.

Técnicas y métodos

• Ingeniería de prompts. La ingeniería de prompts es la forma en que el profesorado y el personal desarrollador dan forma a la salida de los LLM: el mecanismo principal mediante el cual se ponen en acto la delegación cognitiva y el control en las interacciones con LLM.
• Generación aumentada por recuperación (RAG). La RAG fundamenta la salida del LLM en conocimiento recuperado, lo que reduce las alucinaciones y mejora la precisión: una técnica central para un despliegue educativo seguro.
• Aprendizaje por refuerzo. El aprendizaje por refuerzo entrena agentes para optimizar su comportamiento a lo largo del tiempo; se usa en sistemas adaptativos y en el aprendizaje basado en juegos.
• Orquestación agéntica. Los sistemas de IA agéntica planifican y ejecutan flujos de trabajo de varios pasos, a menudo orquestando varios agentes especializados (véanse los sistemas multiagente), y están reconfigurando la IA de herramienta que responde a prompts en colaboradora proactiva.
• Entrenamiento y adaptación de modelos. El entrenamiento y ajuste fino de LLM para la pedagogía, la alineación educativa y la adaptación de modelos de lenguaje pequeños hacen que los modelos generales sean específicos para la educación.

Cómo se conecta la capa técnica con el campo

La vertiente técnica es inseparable de los demás temas de la base de conocimiento:

• Pedagogía: las decisiones técnicas encarnan supuestos pedagógicos: un tutor construido con prompts socráticos razona con quien aprende, mientras que un modelo que genera respuestas puede limitarse a ofrecerlas directamente (véanse las pedagogías y estrategias de enseñanza).
• Evaluación y medición: la evaluación de la IA educativa y los puntos de referencia determinan si los sistemas de IA funcionan de verdad; la evaluación y la evaluación automatizada usan la pila técnica para calificar y generar.
• Uso responsable: las técnicas son centrales para reducir el mal uso de la IA: la fundamentación mediante RAG, las barreras de seguridad, el andamiaje de la ingeniería de prompts y la supervisión humana determinan si la IA apoya o socava el aprendizaje (delegación cognitiva, riesgo de alucinación).

Implicaciones para la IA en la educación

• La alfabetización técnica sostiene el uso crítico: entender los modelos y las técnicas subyacentes ayuda al profesorado y a quienes aprenden a usar bien la IA y a evaluarla críticamente (véase alfabetización en IA).
• Elija la tecnología por su intención pedagógica: el sistema de IA y la técnica deben seguir a la estrategia de enseñanza, y no al revés.
• Evalúe la capa técnica: la evaluación de la IA educativa y la investigación con puntos de referencia valoran los sistemas de IA por su fiabilidad, su pedagogía y su equidad, no solo por su precisión de titular.
• Los robots y los agentes forman parte de la pila: los sistemas corporeizados y agénticos amplían el repertorio técnico más allá del texto, y traen consigo sus propias consideraciones de diseño y seguridad.

Conceptos conectados

• Grandes modelos de lenguaje (LLM)
• IA generativa
• IA multimodal
• Aprendizaje por refuerzo
• PLN educativo
• Grafo de conocimiento
• Simulación
• Robots en la educación
• IA agéntica
• Ingeniería de prompts
• Vibe coding
• RAG (Generación Aumentada por Recuperación)
• Entrenamiento y ajuste fino de LLM
• Evaluación de la IA en educación
• Punto de referencia
• Pedagogías y estrategias de enseñanza
• Teorías del aprendizaje
• Alfabetización en IA
• Aprendizaje adaptativo
• Aprendizaje personalizado

Artículos conectados

• Typology of Generative AI Tools for Education — Tipología de herramientas de IA generativa para la educación
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities — Revisión de alcance de la IA agéntica en la educación
• A meta-analysis of the effect of generative AI on productivity and learning in programming — Metaanálisis del efecto de la IA generativa en la productividad y el aprendizaje de la programación
• CSTutorBench: Benchmarking Small Language Models as Tutors for Block-Based Programming — Puntos de referencia de tutoría con modelos de lenguaje pequeños
• Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact — Alinear los LLM para la educación
• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — Poner barreras de seguridad a los tutores LLM basados en RAG
• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Seguridad y daños de los tutores de IA
• ELBench: A Multi-Dimensional Benchmark for Education-Facing Large Language Models — Punto de referencia de LLM educativos
• Knowledge-Based Design Requirements for Generative Social Robots in Higher Education — Diseño basado en conocimiento para robots sociales generativos
• Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — El robot social generativo Teachy Mini
• Robotics and Artificial Intelligence in Education: Transformations, Challenges, and Future Directions — Robótica e IA en la educación
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab — Simulaciones de física generadas por LLM para el aula
• Factors Associated with Students' Adoption of Artificial Intelligence Technology in Tertiary Education: A Meta-Analytic Review — Factores en la adopción de herramientas de IA