Aprendizaje colaborativo

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

El aprendizaje colaborativo — enfoques instruccionales en los que el estudiantado trabaja junto para resolver problemas, completar tareas o construir conocimiento, con el apoyo o la mediación de herramientas de IA. En la IA en la educación, la investigación sobre aprendizaje colaborativo abarca la IA como compañera de colaboración, la IA como mediadora de la colaboración humana y el diseño de sistemas colaborativos de tutoría con IA.

Preguntas para reflexionar

• Piense en una ocasión en la que aprendió algo en profundidad en grupo. ¿Qué hizo que funcionara? Ahora imagine que un chatbot de IA se suma a ese grupo: ¿cómo podría reforzar o socavar en silencio lo que usted vivió?
• La investigación encuentra una disyuntiva: delegar el razonamiento en la IA produce el mejor rendimiento en la tarea pero el menor compromiso autorregulador, mientras que el modo que construye la autorregulación rinde peor en la tarea. Si tuviera que elegir, ¿qué protegería: el resultado o el esfuerzo?
• El marco ICAP sitúa la colaboración «interactiva» como la forma más profunda de implicación. ¿Podría una IA que responde por el grupo degradar en realidad la colaboración de interactiva a meramente pasiva, incluso si el estudiantado se siente más satisfecho?
• Un estudio encontró que se confía en los mediadores de IA solo mientras se mantienen neutrales; cuando la IA pasa a aconsejar o a cuestionar, esa confianza se erosiona. ¿Qué grado de neutralidad debería tener realmente el mediador de IA de un grupo?
• Cuando quienes aprenden usan la IA para producir un artefacto pulido, pueden saltarse el esfuerzo epistémico que construye la comprensión. ¿Cómo diseñaría una compañera de IA que saque a la luz el desacuerdo y el conflicto en lugar de suavizarlos?
• El estudiantado neurodivergente informa de que necesita tareas estructuradas, equipos pequeños y estables y roles explícitos. Si las herramientas de colaboración con IA se construyen para quien aprende «medio», ¿a quién podrían dejar fuera, y cómo diseñaría de otro modo?

Introducción

El aprendizaje colaborativo se fundamenta en las teorías socioculturales del aprendizaje, que sitúan la construcción del conocimiento como algo fundamentalmente social. La IA introduce dinámicas nuevas: la IA puede actuar como par, como facilitadora o como participante en procesos colaborativos. Los artículos de esta base de conocimiento exploran cómo la colaboración mediada por IA afecta a los resultados de aprendizaje, al compromiso epistémico y a la equidad, y cómo deben diseñarse las estructuras colaborativas para dar cabida a perfiles diversos de quienes aprenden.

La colaboración como constructo frente al trabajo en grupo como estructura. El aprendizaje colaborativo es la teoría más amplia: el conocimiento se coconstruye mediante la actividad y el diálogo conjuntos. El trabajo en grupo es su implementación formal más concreta: un equipo que produce un resultado compartido y, a menudo, una calificación compartida. Ambos están estrechamente relacionados pero no son idénticos: un grupo puede funcionar sin colaboración genuina (tarea dividida en partes independientes, trabajo simplemente fusionado), y la colaboración puede darse sin grupos formales (parejas, diálogo con toda la clase o interacción humano–IA). La IA presiona con más fuerza precisamente en esta brecha: Chen y Zou (2026) encontraron grupos cuyo uso individual de la IA generativa nunca se convirtió en capacidad colectiva porque la tarea nunca exigió trabajo conjunto, junto a grupos en los que la calificación compartida convirtió el uso de IA generativa en un problema de coordinación. La página sobre el trabajo en grupo examina estas dinámicas en profundidad; esta página mantiene una mirada más amplia sobre el aprendizaje colaborativo en su conjunto.

La IA como compañera de colaboración explora el papel de la IA en el aprendizaje en grupo. Kimmerle conceptualiza el riesgo de reducción del esfuerzo epistémico cuando quienes aprenden usan la IA para producir artefactos de conocimiento pulidos, y aboga por una IA estructurada como compañera argumentativa que preserve el conflicto cognitivo. Al probar esto a escala de aula, Oppenheimer, Cash y Connell Pensky (2025) hicieron que estudiantes de introducción a las ciencias sociales (n = 154) escribieran ensayos argumentativos, recibieran críticas de LLM como ChatGPT, Gemini o Claude y después las incorporaran o las rebatieran; codificadores ciegos encontraron reflexión en el 92,7% y réplica activa a las afirmaciones del LLM en el 87,8% de las respuestas (κ interevaluador = 0,81–0,89), evidencia de que quienes aprenden se comportaron como consumidores críticos que conservaron en lugar de rendir el conflicto cognitivo de la crítica. Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving examina cómo las emociones moldean la resolución de problemas colaborativa con IA. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy explora enfoques colaborativos para el desarrollo de la alfabetización en IA.

La colaboración entre pares mediada por IA examina cómo la IA andamia la colaboración entre personas. ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming y Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning exploran cómo las características de los agentes de IA afectan a la dinámica de grupo. When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community documenta cómo los agentes de IA que se enseñan entre sí producen patrones de discurso que se asemejan al aprendizaje entre pares humano. Los sistemas que abarcan toda el aula extienden esto a la dimensión relacional de la colaboración: CoBi usa reconocimiento de voz y comprensión del lenguaje para detectar discurso «elevador» en grupos pequeños (ser respetuoso, equitativo, comprometido con la comunidad, hacer avanzar el pensamiento) y devuelve visualizaciones no evaluativas de nivel de aula para apoyar la construcción de comunidad y las habilidades de colaboración, reteniendo deliberadamente la retroalimentación de nivel individual o de grupo para proteger la privacidad y la confianza.

Perspectivas neurodivergentes sobre la colaboración revelan requisitos de diseño críticos. Zastudil et al. encontraron que el estudiantado neurodivergente necesita tareas estructuradas, equipos pequeños y estables con roles definidos explícitamente y patrones de interacción predecibles, requisitos que las herramientas de colaboración con IA deben asumir. Esto conecta el aprendizaje colaborativo con el aprendizaje inclusivo y la neurodiversidad.

La colaboración entre docentes e IA examina cómo trabajan juntos el profesorado y la IA. Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing y Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence exploran marcos para la enseñanza colaborativa entre personas y IA, y conectan con el rol docente y el humano en el bucle.

La IA como mediadora pedagógica reconceptualiza el papel de la IA en la colaboración más allá de la herramienta o el par. Partiendo de la teoría sociocultural y de la cognición distribuida, Niari sitúa la IA como participante activa en la orquestación de la interacción, la construcción de sentido epistémica y los procesos reguladores, redistribuyendo agencia, autoridad y responsabilidad entre actores humanos y no humanos sin desplazar la agencia de quienes aprenden ni del profesorado. Esto fundamenta el aprendizaje colaborativo en una visión socialmente mediada y corregulada de la IA, y no individualista.

Modos de colaboración y la disyuntiva eficiencia–regulación. La investigación empírica sobre estudiantes universitarios que colaboran con IA en la resolución de problemas complejos identifica tres modos distintos: razonamiento delegado, interpretación concertada y elaboración delegada. El modo más eficiente (razonamiento delegado) produce el mayor rendimiento en la tarea pero el menor compromiso autorregulador de quienes aprenden, mientras que el modo con mayor autorregulación (interpretación concertada) rinde peor en los resultados de la tarea.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Esto revela una tensión de diseño central: los entornos de aprendizaje colaborativo deben equilibrar la eficiencia del sistema distribuido de personas e IA con la profundidad del compromiso regulador de quienes aprenden. El único contraste metaanalítico disponible para el trabajo colaborativo apoyado por IA se sitúa dentro de las intervenciones de ABP/ABPr apoyadas por IA generativa, donde la colaboración entre pares se agrupó en g = 0,885 frente a g = 0,416 para el trabajo individual, pero la diferencia solo alcanzó una tendencia marginal (QM = 3,675, p = 0,055) y el lado del trabajo individual se apoya en dos estudios, así que la evidencia agrupada de que la colaboración supera al trabajo en solitario con IA generativa es sugerente y no concluyente (Chen et al. 2026).

La IA generativa como agente y como espacio en grupos pequeños: el modo importa. Xu et al. (2026) observan que cómo accede un equipo a la IA generativa da forma a la colaboración: con una única interfaz compartida en trabajo síncrono, los equipos coconstruyen «prompts colectivos», ejecutan un ciclo de superficiar–evaluar–incorporar y tratan el chat como memoria compartida; en trabajo asíncrono, la formulación privada de prompts y el «desetiquetado» de la salida fragmentan la transparencia y elevan el coste de sostener un modelo cognitivo compartido. Su lente de trabajo cooperativo apoyado por IA generativa (GSCW) enmarca la IA generativa como un agente configurable (de asistente individual a miembro del equipo) y como un espacio colaborativo interactivo, lo que conecta directamente la configuración del acceso con la calidad de la implicación interactiva relevante para el marco ICAP.

La IA generativa como infraestructura de coordinación del grupo, y el riesgo de cooperación aplanada. Chen y Zou (2026) muestran cómo quince grupos de futuros docentes manejaron la IA generativa en una presentación grupal calificada, y la división va en contra del supuesto habitual de que la presión del grupo aumenta la dependencia de la IA. Cinco grupos intensificaron su uso para resolver un problema de colaboración conocido —no saber qué contenían las secciones de sus compañeros— alimentando ese trabajo a un chatbot para hacerlo inteligible y alinear su propia parte, y un grupo reconstruyó su ciclo como discusión → externalización a la IA generativa → revisión colectiva → nueva discusión. Los autores leen esto como algo más que carga cognitiva delegada, ya que el estudiantado conservó el juicio mientras la herramienta absorbía la coordinación, pero advierten que el flujo de trabajo más fluido puede saltarse el desacuerdo mediante el cual se construye convencionalmente la cohesión, lo que convierte el trabajo relacional en la cuestión abierta. Siete grupos redujeron su uso de la IA generativa, protegiendo el conocimiento situado construido en aulas compartidas («la IA solo sabe ese momento en que escribes»), la justicia hacia los compañeros de grupo, la originalidad entre grupos y la diversidad de perspectivas que el grupo ya tenía. Tres grupos no experimentaron ningún cambio: con la tarea dividida en secciones independientes, una práctica individual sofisticada con IA generativa nunca se convirtió en capacidad colectiva, aunque la coherencia era un criterio explícito. El patrón sugiere que son las normas del grupo, y no la herramienta, las que deciden qué hace un grupo con la IA, y que la adopción colectiva puede reducir el riesgo percibido de mal uso en lugar de aumentar el compromiso.

La colaboración como objeto de la enseñanza. ProPACT es un tutor adaptativo impulsado por IA para la programación por parejas que trata la díada —y no al individuo— como unidad de análisis, modelando en tiempo real la atención visual conjunta, el esfuerzo mental conjunto y las señales pupilares para predecir rupturas de la colaboración con hasta 30 segundos de antelación e intervenir antes de que ocurran. Las díadas que recibieron retroalimentación proactiva lograron un éxito de depuración sustancialmente mayor y completaron las tareas con más eficiencia, y mostraron ganancias sostenidas en la regulación colaborativa después, evidencia de que la IA puede enseñar la colaboración misma y no solo apoyar una tarea. Medir la competencia colaborativa plantea el reto complementario de evaluar a escala la habilidad de resolución colaborativa de problemas (CPS), que tradicionalmente exige codificar manualmente los datos de proceso de tareas simuladas en conductas de CPS, algo que consume mucho tiempo y resulta poco práctico a escala; el prompting sensible al contexto de modelos de lenguaje preentrenados automatiza esta codificación modelando dependencias contextuales y fusionando habilidades cognitivas y sociales, con un rendimiento superior a bases de referencia sólidas.

La IA como mediadora neutral, y la tensión cuando deja de serlo. Spritz es una sonda Grandes modelos de lenguaje (LLM) basada en Discord que media en los límites disciplinares de equipos estudiantiles interdisciplinarios sacando a la luz supuestos implícitos y devolviendo síntesis anonimizadas a la discusión compartida. El estudiantado la valoró tanto como apoyo cognitivo como por su función de amortiguador relacional, pero surgió una tensión central: la neutralidad percibida de la IA era portante, y se erosionó una vez que la IA pasó de mediadora neutral a asesora o a cuestionadora, una restricción de diseño clave para los agentes que median la colaboración preservando la colaboración persona–IA y la calibración de la confianza.

Un protocolo estructurado de facilitación, y su riesgo de sicofancia. Seo et al. (2026) amplían el diseño del aprendizaje colaborativo con un protocolo estructurado de divergencia–deliberación–convergencia: un facilitador basado en LLM encadena turnos de palabra, cronometra las fases y resume de forma incremental, un formato que 45 estudiantes consideraron sencillo y similar a una discusión y que redujo la necesidad de facilitación externa. El diseño gira en torno a una tensión que el estudio midió directamente: los agentes apoyaron la amplitud de la toma de perspectiva (los grupos produjeron conjuntos de partes interesadas y de soluciones más amplios y divergentes, y los agentes dieron voz de forma sistemática a puntos de vista minoritarios), pero el acuerdo sicofántico y sin razonamiento aplanó el conflicto cognitivo que hace que la colaboración profundice el pensamiento. Quienes participaron pidieron una salida de los agentes que expusiera los pasos intermedios de deliberación y no solo las conclusiones, y contraargumentos que preservaran el desacuerdo genuino.

Estructuras colaborativas para la educación en IA. La Liga Académica de IA organiza la educación en IA mediante gobernanza estudiantil democrática y equipos de proyecto, incorporando el aprendizaje activo y el aprendizaje basado en proyectos en una estructura colaborativa y conectada con la comunidad.

El marco ICAP: la colaboración como el modo de implicación más profundo

El aprendizaje colaborativo ocupa la cima del marco ICAP (interactivo–constructivo–activo–pasivo): el modo interactivo —coconstruir significado mediante el diálogo, defender una posición o resolver de forma conjunta— produce el cambio de conocimiento más profundo en la taxonomía de Chi. Esto convierte el ICAP tanto en una justificación de las pedagogías colaborativas como en una restricción de diseño para la IA. Una IA que media la discusión (como hacen Spritz o ProPACT) es valiosa precisamente cuando sostiene la implicación interactiva; una IA que responde por el grupo o suaviza el conflicto cognitivo puede degradar la colaboración a un modo meramente activo o pasivo. La anotación basada en ICAP (véase la medición extendida del ICAP del diálogo colaborativo) y la investigación sobre el momento de la facilitación tratan ambas la calidad del discurso interactivo como el resultado de interés, lo que fundamenta el aprendizaje colaborativo en la implicación del estudiantado y en la jerarquía del ICAP.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

Orientaciones prácticas

• Modelar la colaboración, no solo al individuo. Las herramientas que siguen el estado diádico o grupal (como hace ProPACT) pueden andamiar la colaboración misma, prediciendo y previniendo rupturas en lugar de reaccionar ante ellas.
• Preservar el conflicto cognitivo. Estructure la IA como compañera argumentativa que saque a la luz el desacuerdo y los supuestos implícitos, evitando el problema de los artefactos pulidos en el que la IA suaviza un compromiso epistémico frágil.
• Equilibrar la eficiencia con la autorregulación. Una IA colaborativa que maximiza la eficiencia en la tarea (razonamiento delegado) puede socavar el compromiso regulador de quienes aprenden; el diseño debería proteger deliberadamente un espacio para la interpretación concertada.
• Respetar la restricción de neutralidad. Se confía en los mediadores de IA mientras son neutrales; pasar a roles de asesoramiento o de cuestionamiento desestabiliza esa confianza, así que los cambios de rol deberían ser explícitos y configurables.
• Dar cabida al estudiantado neurodivergente. Las tareas estructuradas, los equipos pequeños y estables y las definiciones explícitas de roles son requisitos que las herramientas de colaboración con IA deben sostener.
• Preferir retroalimentación no evaluativa y de nivel de aula. Al apoyar la dimensión relacional de la colaboración, la retroalimentación agregada de nivel de clase protege la privacidad y la agencia del estudiantado allí donde la puntuación individual se sentiría como vigilancia; el estudiantado de CoBi prefirió visualizaciones cualitativas (un árbol orgánico) a las cuantitativas (un gráfico de radar), y el profesorado valoró más usar las observaciones del sistema para suscitar reflexión que la visualización en directo.
• Diseñar para la lectura y la atención que preceden a la contribución. El aprendizaje colaborativo en los foros de enseñanza y aprendizaje en línea depende no solo de publicar, sino de la lectura que lo precede. Hao y Cukurova (2026) muestran que los resúmenes de discusión y las publicaciones de ejemplo generados por LLM pueden actuar como andamiajes de navegación que amplían la exposición del estudiantado a las contribuciones de sus pares y las condiciones de red para el capital social de puente (vínculos débiles), un apoyo que debería complementar, y no sustituir, las estrategias sociopedagógicas para sostener el compromiso bajo la carga de trabajo académica.

Conceptos conectados

• Alianzas pedagógicas — Alianzas pedagógicas
• Trabajo en grupo — Trabajo en grupo
• Aprendizaje basado en problemas
• Enseñanza y aprendizaje en línea — Enseñanza y aprendizaje en línea
• Aprendizaje activo
• Marco ICAP
• Andamiaje
• La docencia
• IA con intervención humana (HITL)
• Equidad
• Alfabetización en IA
• K-12
• Educación superior
• Aprendizaje inclusivo
• Neurodiversidad
• Cognición distribuida
• Aprendizaje autorregulado
• Aprendizaje basado en proyectos
• Colaboración humano-IA
• Calibración de la confianza
• Agente pedagógico
• Modelado del estudiantado e instrucción adaptativa
• Implicación del estudiantado
• Pedagogías y estrategias de enseñanza — Marco general: pedagogías y estrategias de enseñanza en la educación con IA

Artículos conectados

• Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis — El aprendizaje basado en problemas y en proyectos como marcos prometedores para la educación apoyada por IA generativa: evidencia emergente de una revisión sistemática y un metaanálisis de tres niveles
• Powerful Learning with Emerging Technology — Proteger la conexión humana en la colaboración mediada por IA
• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — La agencia emergente de quien aprende en la colaboración implícita persona–IA: personajes de apoyo frente a personajes contrarios
• Towards an adaptive AI scaffold for developing student collaborative problem solving
• Utilizing Generative AI to Counter Learner Groupthink by Introducing Controversy in Collaborative Problem Based Learning Settings
• Artificial Intelligence and Communities of Inquiry: Reimagining Educational Experiences
• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction"
• Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing
• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning
• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — ProPACT: tutor adaptativo colaborativo proactivo con IA para la programación por parejas
• Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication — Spritz: mediación disciplinar con IA en equipos de proyecto estudiantiles
• Academic League of Artificial Intelligence: An Integrative Perspective of Teaching, Research, and Extension — La Liga Académica de IA: educación en IA colaborativa y basada en proyectos
• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Marco ICAP extendido para medir la implicación en el diálogo colaborativo
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — El momento de la facilitación con LLM en discusiones colaborativas en línea
• Artificial Intelligence Agents in Computer-Supported Collaborative Learning: A Systematic Literature Review — Revisión sobre agentes de IA en el aprendizaje colaborativo apoyado por ordenador
• Generative AI and Student Collaboration: A Scoping Review of Group Work Processes, Outcomes, and Risks — La IA generativa y el trabajo en grupo del estudiantado: una revisión de alcance (Wei y Perkins 2026)
• Context-aware prompting for collaborative problem solving skill identification — Prompting sensible al contexto para la codificación automatizada de habilidades de resolución colaborativa de problemas
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Punto de referencia sintético ASTRA para la tutoría multiagente y una colaboración con participación equilibrada
• AI as an Agent and Collaborative Space: Exploring the role of generative AI in small group synchronous and asynchronous collaborative dynamics — La IA generativa como agente y espacio colaborativo en la dinámica de grupos pequeños (Xu et al. 2026)
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — Diseño del aprendizaje impulsado por resúmenes generados por IA en foros de discusión en línea
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — La IA generativa como infraestructura de coordinación en grupos estudiantiles: uso intensificado, contenido y no puesto en práctica
• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Agentes de formación ética: facilitar la educación ética grupal con juego de roles y discusión para la reflexión y la exploración éticas
• Towards Scalable Measurement of Durable Skills — Hacia una medición escalable de las habilidades duraderas
• Comparative analysis of peer group and AI-generated feedback in peer assessment: Insights into feedback quality and student perceptions in higher education — Análisis comparativo de la retroalimentación entre pares y la generada por IA en la evaluación entre pares: calidad de la retroalimentación y percepciones del estudiantado en la educación superior