En esta página

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

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

La educación química — el estudio de cómo aprende química el estudiantado y de cómo enseñarla con más eficacia, abarcando la IA generativa en el diseño de laboratorio y experimental, la evaluación formativa mediada por IA, la enseñanza contextualizada y basada en la indagación, la precisión técnica de los LLM en tareas de química y la filosofía de la experimentación en la era de la IA. La investigación en educación química aborda las exigencias distintivas de la disciplina —conceptos abstractos submicroscópicos, notación simbólica y representacional (fórmulas, SMILES, espectros) y práctica de laboratorio presencial—, que la convierten en un contexto rico y distintivo para estudiar cómo la IA apoya y a la vez desafía el aprendizaje.

Preguntas para reflexionar

  • La química combina conceptos submicroscópicos abstractos, notación simbólica especializada y práctica de laboratorio presencial. Antes de leer, ¿cuál de estas tres exigencias distintivas cree que la IA maneja bien y con cuál podría tener dificultades, sobre todo dado lo que dice la evidencia sobre los LLM que fallan en tareas rigurosas de razonamiento cuantitativo y espacial?
  • Un estudio hizo que el estudiantado diseñara manuales de laboratorio con IA, los implementara de forma presencial y los hiciera validar por profesionales, lo que aumentó significativamente la confianza experimental y el pensamiento crítico a la vez que desplazaba el rol del personal de la demostración hacia la guía. ¿Qué hace que esta «IA para el diseño experimental» sea distinta de simplemente pedirle respuestas a la IA?
  • La evidencia sistemática muestra que los LLM pueden definir términos básicos de química pero rinden mal en tareas cuantitativas rigurosas, tienen dificultades con el razonamiento espacial (como la RMN) y muestran un exceso de confianza. Si una IA le da con seguridad una respuesta incorrecta en un problema difícil de química, ¿cómo lo detectaría y qué habilidad exige esa detección?
  • La investigación propone asignar a la IA roles distintos según el nivel de rendimiento: un tutor Paciente para quienes rinden menos, un Entrenador Personal para el nivel medio y un Compañero de Debate Intelectual para quienes rinden más. ¿Por qué cree que la misma herramienta de IA debería desempeñar roles distintos para estudiantes distintos, y qué exige eso del profesorado humano?
  • La «deriva epistémica» es el riesgo: la dependencia de algoritmos opacos que desvincula la indagación científica de la comprensión causal. Si la IA predice un resultado experimental, ¿cuándo ayuda esa predicción a entender la química y cuándo sustituye silenciosamente a la propia comprensión?

Introducción

La educación química se ha convertido en un ámbito fértil para la investigación sobre IA en educación porque la química combina contenido conceptual abstracto, representación simbólica especializada y práctica de laboratorio física. Las herramientas de IA (en particular ChatGPT y los agentes conversacionales) se usan para explicar temas complejos, apoyar el trabajo de laboratorio y el diseño experimental, proporcionar retroalimentación personalizada y evaluación formativa, y simular experimentos. Al mismo tiempo, la investigación documenta los límites técnicos de los LLM en tareas rigurosas de química y el riesgo de deriva epistémica y de dependencia excesiva.

Temas clave de la investigación

El diseño de laboratorio y experimental asistido por IA es una fortaleza distintiva de la investigación en educación química. Yim y Lui integraron chatbots de IA en un laboratorio de química analítica de grado superior: el estudiantado usó la IA para diseñar manuales de laboratorio, los implementó de forma presencial y los hizo validar por profesionales de la certificación, lo que mejoró significativamente la confianza experimental y las habilidades de pensamiento crítico y resolución de problemas a la vez que desplazaba el rol del personal de la demostración tipo «receta» hacia la guía. La línea de la filosofía de la experimentación examina cómo la IA reconfigura la epistemología, la ontología (predicciones de IA en un espacio «liminal») y la metodología de los experimentos de química, y advierte de un cambio de agencia y de la dependencia excesiva.

La enseñanza contextualizada y basada en la indagación usa la IA dentro de pedagogías estructuradas. Abdikayumova y Madybekova combinaron el modelo instruccional 7E con simulaciones PhET y tutoría con ChatGPT para química de 10.º grado, y encontraron un rendimiento y una implicación significativamente mayores que con la enseñanza solo indagatoria o convencional, lo que demuestra la sinergia entre contextualización, indagación estructurada e IA adaptativa. Esto conecta con los marcos constructivistas y de aprendizaje personalizado.

La evaluación formativa mediada por IA y la colaboración humano–IA. Ratniyom et al. encontraron que el profesorado de ciencias en formación percibe roles distintos basados en el rendimiento: el instructor humano como experto adaptativo (Simplificador/Elaborador) y ChatGPT como herramienta personalizada de aprendizaje autorregulado que pasa de tutor Paciente (quienes rinden menos) a Entrenador Personal (nivel medio) y a Compañero de Debate Intelectual (quienes rinden más), y proponen un Ecosistema de Aprendizaje Sinérgico Instructor–IA. Esto hace avanzar la investigación sobre colaboración humano-IA, evaluación formativa y aprendizaje autorregulado.

La precisión técnica y la alfabetización crítica en IA. La evidencia sistemática muestra que los LLM pueden definir términos básicos de química pero rinden mal en tareas cuantitativas rigurosas y tienen dificultades con el razonamiento espacial (p. ej., la RMN), el exceso de confianza y la sensibilidad a la notación (Erümit y Özdemir Sarıalioğlu; los hallazgos de ChemBench/QCBench en la perspectiva de la UNESCO). Esto convierte la implicación evaluativa con la salida de la IA —interrogar, verificar y contrastar con los principios químicos— en un objetivo de aprendizaje central, que conecta con la alfabetización en IA, el pensamiento crítico y la reducción del mal uso de la IA.

Ética, política y deriva epistémica. La perspectiva de las directrices de la UNESCO advierte de una deriva epistémica —el riesgo de que los algoritmos opacos alejen la indagación de la comprensión causal— y pide un cambio de la transmisión de contenidos a la creación de conocimiento, una alfabetización química crítica en IA, una evaluación que priorice el razonamiento humano y cerrar la brecha de acceso global.

La retroalimentación emocional puede aumentar la ansiedad que pretende reducir. Un semestre de retroalimentación emocional con IA en laboratorios de noveno grado coincidió con un aumento de la ansiedad de laboratorio (F = 4.60) y un sentido de logro estancado, mientras que la clase de indagación dirigida por el profesorado mejoró (F = 7.92) (Liu et al. (2026)).

Conexiones con conceptos relacionados

La educación química se sitúa dentro del dominio más amplio de la educación STEM y comparte mucho con la educación en física (práctica de laboratorio, conceptos abstractos, resolución de problemas), a la vez que tiene conexiones distintivas: con la evaluación y la evaluación formativa a través de la evaluación mediada por IA; con la simulación y el aprendizaje de laboratorio a través de los experimentos virtuales. Las conexiones restantes van a la formación del profesorado a través de la investigación con profesorado de ciencias en formación y el desarrollo profesional; a la política educativa sobre IA y la ética a través de la gobernanza de la IA en STEM; y a la filosofía de la IA en educación a través de la epistemología y la ontología de la experimentación. Los conceptos de alfabetización en IA y reducción del mal uso de la IA son esenciales para la dimensión del uso responsable, y educación superior y K-12 capturan los niveles en los que se produce la investigación sobre IA y química.

Implicaciones para el profesorado de química

  • Aproveche la IA para el diseño experimental, no solo para obtener respuestas. Yim y Lui muestran que el estudiantado que diseña manuales de laboratorio con IA y los valida de forma presencial desarrolla confianza y pensamiento crítico a la vez que desplaza al personal de la demostración hacia la guía: un modelo para los cursos de laboratorio.
  • Exija una implicación evaluativa con la salida de la IA. La evidencia sistemática encuentra que los LLM son débiles en química cuantitativa rigurosa y en razonamiento espacial (RMN), y que muestran un exceso de confianza; convierta el interrogar y contrastar la IA con los principios químicos en un objetivo de aprendizaje explícito.
  • Asigne roles de IA distintos y sensibles al rendimiento. La investigación sobre roles Instructor–IA encuentra al instructor humano como experto adaptativo y a ChatGPT como herramienta personalizada que pasa de tutor Paciente (quienes rinden menos) a Entrenador y a Compañero de Debate Intelectual (quienes rinden más); diferencie el apoyo según el nivel del estudiantado.
  • Combine la IA con una pedagogía estructurada y contextualizada. 7E + PhET + ChatGPT superó a la enseñanza solo indagatoria y a la convencional, lo que muestra que la IA funciona mejor dentro de un modelo instruccional establecido.
  • Esté atento a la deriva epistémica y a la dependencia excesiva. La investigación sobre la filosofía de la experimentación y la orientación de la UNESCO advierten de que una IA opaca puede desvincular la indagación de la comprensión causal; preserve una evaluación que priorice el razonamiento humano y la agencia del estudiantado.
  • Califique de forma selectiva el trabajo manuscrito abierto. En un examen final manuscrito de química general con 296 estudiantes, un LLM multimodal calificó de forma fiable las respuestas textuales y las ecuaciones de reacción química, pero el dibujo y las gráficas peor que el azar (las cuadrículas de fondo distraen visualmente a la visión de la IA); combinar un filtro de riesgo basado en la teoría de respuesta al ítem con delegar en personas los ítems gráficos hizo defendible la automatización para un uso sumativo (Assisting the grading of a handwritten general chemistry exam with artificial intelligence).

Concepciones erróneas

«Un modelo que puede explicar química puede, por tanto, hacer química.» Las capacidades se separan justo en los puntos que un curso de química evalúa. La evidencia sistemática muestra que los LLM pueden definir términos básicos mientras rinden mal en tareas cuantitativas rigurosas, tienen dificultades con el razonamiento espacial, como la interpretación de RMN, y muestran exceso de confianza en ambos casos. Un tutor construido sobre una explicación verbal fluida parecerá sólido justo donde la materia es más fácil y fallará donde es más difícil, mientras suena igual de seguro en todo momento.

«La fluidez de la explicación es un indicador razonable de fiabilidad.» Es un indicador de fluidez. El hallazgo del exceso de confianza es el operativo para la enseñanza: un sistema que afirma una respuesta espacial o cuantitativa incorrecta con el mismo registro que una correcta elimina la señal que lleva a quien aprende a comprobar, y por eso la verificación debe incorporarse a la tarea en lugar de inferirse del tono.

«Añadir IA a una lección de indagación existente no puede perjudicar.» Puede hacerlo, y la comparación que muestra un beneficio es más estrecha de lo que parece. Abdikayumova y Madybekova combinaron el modelo instruccional 7E con simulaciones PhET y tutoría con ChatGPT en química de décimo grado y encontraron un rendimiento y una implicación significativamente mayores que la enseñanza solo indagatoria o la convencional. El tratamiento es la combinación estructurada —un modelo instruccional más simulaciones más tutoría—, no el chatbot por sí solo, y un chatbot añadido a una indagación no estructurada no queda probado por ese resultado.

«La química es una materia donde la respuesta se puede comprobar, así que los errores de la IA son inofensivos.» Las respuestas comprobables son la vía por la que el razonamiento erróneo pasa inadvertido: quien recibe un valor correcto de un modelo que razonó mal no tiene forma de detectar la deficiencia, y la evaluación registra un éxito. En una disciplina cuantitativa, el punto final verificable es la evidencia de comprensión más débil de la que se dispone.

Conceptos conectados

Artículos conectados

Recursos relacionados

  • teacher.dev
    Un estudio sin ánimo de lucro que publica una aplicación de aula gratuita por cada día de una racha pública de desarrollo, desde generadores de figuras para imprimir hasta un safari de tiempo de calma y un pase de pasillo que funciona en local.

Incrustar esta página

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