Constructivismo

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

El constructivismo — la teoría del aprendizaje según la cual el conocimiento lo construye activamente quien aprende mediante la experiencia, la reflexión y la interacción, en lugar de recibirlo pasivamente de un instructor o de un sistema. En la IA en la educación, el constructivismo sustenta el compromiso de diseño de que las herramientas de IA deben apoyar la construcción de conocimiento por parte de quien aprende —el prompting, el cuestionamiento y el andamiaje— en lugar de realizar el trabajo cognitivo por él.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

Preguntas para reflexionar

• ¿Alguna vez ha «aprendido» algo en clase para después darse cuenta de que no podía explicarlo ni usarlo? ¿Qué faltaba, y qué le dice eso sobre cómo se forma la comprensión real?
• El constructivismo sostiene que el conocimiento se construye, no se transmite. Si eso es cierto, ¿qué ocurre cuando un tutor de IA se limita a dar la respuesta correcta?
• La expresión «constructivismo de nombre, conductismo de hecho» describe herramientas de IA que afirman apoyar el aprendizaje activo pero en realidad aplican práctica repetitiva. ¿Ha visto esta brecha? ¿Cómo la detectaría en una herramienta que esté evaluando?
• El construccionismo de Papert sostiene que aprendemos con más potencia cuando construimos artefactos compartibles. En la era de la IA, un marco lo formula así: «la IA escribe el código, pero el estudiante escribe el modelo». ¿Qué construye en realidad un estudiante cuando la IA se encarga de la mecánica?
• Algunas herramientas de IA practican la «negativa generativa»: retener las respuestas y plantear preguntas en su lugar. ¿Cuándo sería pedagógicamente más valioso retener la ayuda a propósito que proporcionarla?
• Si el conocimiento se construye, entonces la alfabetización en IA no se aprende escuchando clases magistrales sobre IA, sino usándola, criticándola y construyendo con ella. ¿Qué implica eso sobre cómo debería enseñarse la alfabetización en IA a usted o a su estudiantado?

Introducción

El constructivismo es una familia de teorías más que una doctrina única, pero su afirmación central es compartida: quien aprende no absorbe el significado, lo construye. La comprensión, desde esta perspectiva, no es la acumulación de hechos transmitidos, sino la organización activa de la experiencia en modelos mentales. Esto tiene implicaciones directas para cómo debe diseñarse, evaluarse y enseñarse la IA en la educación, y ayuda a explicar tanto la promesa como el riesgo de la IA generativa en el aula.

Mishra et al. contrastan el construccionismo de Papert (Logo, micromundos, la depuración como aprendizaje) con los tutores cognitivos de Anderson como visiones enfrentadas de la agencia creativa frente al control sistemático en la historia de la AIED.

Ideas centrales

• El conocimiento se construye, no se transmite. Quien aprende construye la comprensión actuando sobre el mundo, reconciliando la información nueva con los conocimientos previos y reflexionando sobre los resultados. Un tutor de IA que se limita a dar respuestas correctas se salta la actividad constructiva que produce una comprensión duradera.(Stop Writing for Me: Generative Refusal in AI Tools for Thought)
• Los conocimientos previos moldean el aprendizaje nuevo. Las ideas nuevas se interpretan a través de los modelos mentales que ya tiene quien aprende, así que la instrucción debe sacar a la luz y aprovechar lo que ya sabe: un principio directamente relevante para las ideas erróneas y para los tutores de IA que se adaptan a quien aprende.
• La interacción social sostiene la construcción. Una corriente importante —el constructivismo social— sostiene que el significado se coconstruye mediante el diálogo, la colaboración y la actividad culturalmente situada. Esto conecta el constructivismo con el aprendizaje colaborativo y con enfoques de método socrático en los que la IA pregunta en lugar de dictar.(Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers)
• La construcción es visible en la actividad. Quien aprende revela (y consolida) su comprensión generando, explicando y produciendo, y por eso el marco ICAP sitúa la implicación «constructiva» e «interactiva» por encima de los modos «activo» y «pasivo».(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

El construccionismo

El construccionismo es la rama del constructivismo asociada a Seymour Papert que añade una afirmación específica: el aprendizaje ocurre con más potencia cuando quien aprende construye artefactos externos y compartibles, objetos físicos o digitales que diseña, construye y depura. Mientras que el constructivismo piagetiano se centra en la construcción mental interna del conocimiento, el construccionismo sostiene que esa construcción se apoya y se hace visible mejor cuando se fabrica algo tangible (Harel y Papert, 1991). En la historia de la AIED, el construccionismo representa el polo de la «agencia» en la tensión central del campo entre control y agencia, frente a los tutores cognitivos estructurados de Anderson.

• Logo y los micromundos. Papert codesarrolló Logo (1967) con su icónica «tortuga»: un micromundo de programación donde la infancia explora la geometría y otras ideas potentes dando órdenes a un agente visible y depurándolo. La depuración se replantea como una parte natural y valiosa del aprendizaje, y no como un fracaso.(Control vs. Agency: Exploring the History of AI in Education)

• Construcción frente a instrucción. El construccionismo critica el «instruccionismo» —el supuesto de que la enseñanza es la transferencia eficiente de conocimiento— y sitúa en su lugar a quien aprende como agente autónomo que construye la comprensión mediante proyectos y experimentación (Papert, 1980, Mindstorms).

• Linaje hacia la tecnología educativa moderna. El énfasis de Logo en la construcción creativa y práctica sustenta el aprendizaje basado en juegos, el aprendizaje basado en proyectos, la robótica (LEGO Mindstorms, Scratch, bloques programables) y el movimiento maker en general.

• El legado construccionista en la IA. El construccionismo implica que las herramientas de IA deben servir como materiales con los que construir —herramientas de pensamiento y coconstructoras creativas que quien aprende dirige— y no como instructores que dan respuestas. Es el ancestro directo del encuadre de la IA generativa como herramienta de pensamiento en esta base de conocimiento y de los compromisos de diseño que preservan la agencia de quien aprende sobre el proceso de aprendizaje.(Pathways to Learning: Exploring High School Students' Learning of AI-Powered Educational Robotics)

• El construccionismo en la era de la IA generativa: aprender escribiendo el modelo, no el código. La llegada de la IA que genera código ha renovado el construccionismo como respuesta de diseño en lugar de debilitarlo. El marco Code-to-Learn with Generative AI (CtL-GenAI) de Gousopoulos sintetiza el construccionismo, la teoría de la carga cognitiva, el aprendizaje autorregulado, el modelo de implicación ICAP, el fallo productivo y el andamiaje sociocultural para estudiantes de secundaria superior que construyen software con IA. Su afirmación organizadora —«la IA escribe el código, pero el estudiante escribe el modelo»— replantea el objeto de la construcción: cuando la IA generativa se encarga del trabajo sintáctico de escribir código, la construcción de quien aprende se desplaza a construir y depurar el modelo conceptual que el código expresa. CtL-GenAI define la autoría de modelos como un constructo con cuatro facetas y niveles ordenados que conllevan indicadores observables, y formaliza un modelo de medición falsable con puntuación parcial para comprobar si ese aprendizaje ocurre de verdad.(Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education)(The AI Writes the Code, the Student Writes the Model: A Theory and Measurement Programme for Learning by Construction with Generative AI) Es el clásico «hacer algo compartible y depurarlo» del construccionismo, actualizado de modo que el artefacto que el estudiante hace y sobre el que reflexiona es un modelo mental hecho visible, y no solo código fuente, y además acopla la teoría a un programa de medición explícito para que la afirmación sea comprobable empíricamente.

El construccionismo es, por tanto, a la vez una teoría del aprendizaje y una crítica: insiste en que el propósito de la educación no es reproducir las estructuras de conocimiento existentes, sino capacitar a quien aprende para construirlas y transformarlas, una postura con implicaciones claras sobre si la IA en la educación refuerza o cuestiona las jerarquías establecidas.

El constructivismo y la IA en la educación

La IA para el aprendizaje constructivista

Una IA bien diseñada puede hacer posible la construcción a escala. Los sistemas de tutoría inteligente y de tutoría con IA pueden plantear problemas y guiar la búsqueda de ayuda en lugar de regalar las respuestas; los entornos de simulación y de aprendizaje basado en juegos permiten a quien aprende construir y poner a prueba modelos mentales; y las actividades de aprendizaje basado en proyectos y de aprendizaje experiencial apoyadas por IA dan a quien aprende tareas de construcción auténticas. El patrón de diseño central es el andamiaje —un apoyo calibrado que se desvanece a medida que crece la competencia— y no la resolución por parte de la IA.(The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents)(Embodied Inquiry with AI as Facilitator: An Exploratory Case Study)

Clasificar las preguntas que hace quien aprende es una forma de ver la construcción en acción y de actuar sobre ella. Lee, Atif y Kang (2026) clasifican 434 preguntas auténticas de 11 estudiantes de informática de 12 asignaturas en tres roles didácticos constructivistas —transmisor de conocimiento, facilitador y coprendiz— y entrenan cuatro transformers para reconocerlos. DeBERTa clasificó las preguntas factuales de transmisor de conocimiento con una precisión del 96,67%, pero las de facilitador solo con un 78,79%, y todos los modelos confundieron con más frecuencia los dos roles de orden superior: detectar la indagación dialógica y exploratoria es mucho más difícil que detectar la búsqueda de información. Como la tipología trata las preguntas como evidencia diagnóstica de implicación epistémica y no como meros insumos, respalda un movimiento de diseño marcadamente constructivista: cuando quien aprende solo hace preguntas factuales de forma repetida, el sistema puede incitar a un cuestionamiento reflexivo y exploratorio que desarrolle la metacognición y la indagación crítica, en lugar de responder con la profundidad que implique la pregunta.

El riesgo del «constructivismo de nombre, conductismo de hecho»

El trabajo empírico encuentra una y otra vez una brecha entre los objetivos constructivistas declarados y las implementaciones reales de IA. Una revisión sistemática de la IA en la formación profesional, por ejemplo, encontró que en el discurso de la EFP se defienden teorías constructivistas mientras que los diseños conductistas de práctica repetitiva dominan en la práctica, y advirtió de una «trampa de Turing» educativa: usar la IA para replicar en lugar de aumentar la instrucción humana.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

Este patrón se generaliza en todo el campo:

• Cuando la IA generativa completa la escritura, el razonamiento o el código por el estudiantado, quien aprende pierde el proceso de pensamiento constructivo que la tarea pretendía construir: la preocupación central de la descarga cognitiva y la dependencia excesiva.(Stop Writing for Me: Generative Refusal in AI Tools for Thought)
• Las implementaciones de IA que hacen hincapié en la retroalimentación adaptativa y la eficiencia con frecuencia atienden mal los objetivos de agencia de quien aprende, reflexión crítica y decisión autónoma que implica el constructivismo.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

La trampa de los nombres: la salida de la IA generativa no es aprendizaje generativo

Una confusión recurrente en el campo gira en torno a una colisión de nombres. La IA generativa designa una clase de tecnología: modelos que generan texto, imágenes o código. El aprendizaje generativo (la teoría del aprendizaje generativo de Wittrock) designa una actividad de quien aprende: quien aprende construye significado de forma activa estableciendo conexiones entre la información nueva y los conocimientos previos, mediante estrategias como resumir, hacer mapas, dibujar, autoevaluarse y autoexplicarse. No son lo mismo, y confundirlos tiene consecuencias pedagógicas reales: que una IA produzca un resumen o un mapa para el estudiantado es lo contrario de que el estudiantado realice el acto de aprendizaje generativo. Dabbagh y Fake (2026) parten directamente de esta distinción y sostienen que una herramienta de pensamiento basada en IA generativa solo apoya el aprendizaje generativo cuando es quien aprende quien impulsa la actividad constructiva: generar un mapa mental con ayuda de la IA es aprendizaje generativo; que la IA genere el mapa entero no lo es, por muy fluida o correcta que sea la salida.

La pregunta decisiva es quién realiza la construcción de significado:

• ¿El estudiante construye una explicación o se limita a recibirla?
• ¿La IA incita a quien aprende a conectar ideas o le proporciona las conexiones ya hechas?
• ¿El artefacto (resumen, mapa, código, modelo) es el producto de la construcción de quien aprende o un sustituto de ella?

Esto refleja la jerarquía del ICAP —la implicación constructiva e interactiva por encima de la activa y la pasiva— pero la afina: una herramienta puede producir una salida visiblemente «constructiva» mientras quien aprende permanece en un modo pasivo o activo. Evaluar una herramienta de IA generativa en términos de aprendizaje generativo significa, por tanto, examinar dónde ocurre realmente el esfuerzo constructivo, y no si hay salida generativa. Es la misma trampa del constructivismo de nombre y el conductismo de hecho, aplicada al caso concreto de la generación: la autoría de modelos (la IA escribe el código, el estudiante escribe el modelo) es una resolución concreta: quien aprende construye el modelo conceptual aunque la IA proporcione el artefacto superficial.

Respuestas de diseño fundamentadas en el constructivismo

• La negativa generativa — herramientas de IA que retienen estratégicamente el texto generado y plantean preguntas en su lugar, devolviendo al usuario la fricción cognitiva para que el propio trabajo de articulación construya comprensión.(Stop Writing for Me: Generative Refusal in AI Tools for Thought)
• Herramientas de pensamiento en lugar de máquinas de respuestas — usar la IA generativa como una herramienta de pensamiento que dirige quien aprende, en lugar de una herramienta que lo sustituye.(Generative AI (GenAI) as a mindtool that supports generative learning (GL))
• Conflicto constructivo — agentes de IA adversarios que cuestionan el diseño o el razonamiento de quien aprende e incitan a reconsiderarlos y a construir alternativas más profundas, en la tradición de la tutoría socrática.(Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers)
• Retroalimentación interna mediante la comparación — hacer que quien aprende compare su propio trabajo con ejemplos generados por IA, de modo que el propio acto de comparar genere aprendizaje.(Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback)
• Prompting consciente del tipo de pregunta — clasificar las preguntas de quien aprende en roles constructivistas para que el sistema pueda escalar deliberadamente al estudiante desde la búsqueda de información hacia una indagación exploratoria y dialógica, en lugar de reflejar la profundidad cognitiva que implique la pregunta. Como la intención de facilitador y de coprendiz sigue siendo confundible para los clasificadores automáticos, este diseño mantiene a una persona validando la categorización antes de que esta impulse la retroalimentación o el andamiaje.(Analysing AI utilisation in education through learner question types: A constructivist approach)

El constructivismo y la «educación sobre la IA»

El constructivismo también moldea cómo se enseña la propia alfabetización en IA. Si el conocimiento se construye, entonces la alfabetización en IA no se adquiere dando clases magistrales sobre modelos, sino usando la IA, criticándola y construyendo con ella de forma activa: generar artefactos, interrogar las salidas y reflexionar sobre la interacción.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy) Esto sitúa la alfabetización en IA como una competencia activa y participativa, y no como un cuerpo de conocimiento pasivo, y conecta el constructivismo con el pensamiento crítico y con la agencia en los encuentros de quien aprende con la IA.

Implicaciones para el diseño y la investigación

1. Preservar la actividad constructiva. La IA debe andamiar el pensamiento de quien aprende —incitarlo, cuestionarlo, apoyarlo— en lugar de realizarlo. Quien diseña debería preguntarse si la herramienta aumenta o reemplaza el esfuerzo constructivo de quien aprende.(Stop Writing for Me: Generative Refusal in AI Tools for Thought)
2. Usar la lente del ICAP. El ICAP clasifica la implicación en modos constructivo, interactivo, activo y pasivo: úsela para evaluar si las interacciones con IA suscitan de verdad modos constructivos e interactivos, y no consumo pasivo. Quien diseña debería favorecer los modos más profundos (constructivo e interactivo) cuando el objetivo de aprendizaje lo justifique.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
3. Alinear teoría e implementación. Quien investiga debería mirar más allá de si la IA «funciona» y atender a cómo encarna una teoría del aprendizaje, comprobando si existe la brecha del constructivismo de nombre y el conductismo de hecho.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
4. Estudiar la agencia de quien aprende y la transferencia. Los compromisos constructivistas implican evaluar no solo las ganancias inmediatas en las pruebas, sino también si quien aprende puede transferir y aplicar de forma independiente la comprensión que ha construido.(Métodos de investigación en AIED)

Conceptos conectados

• Comunidad de indagación — Comunidad de indagación (fundamentada en el pragmatismo constructivista y deweyano)
• Psicología cognitiva — El cognitivismo, el tercer polo clásico de la teoría del aprendizaje
• Aprendizaje activo
• Aprender enseñando
• Andamiaje
• Aprendizaje autorregulado
• Aprendizaje colaborativo
• Aprendizaje experiencial
• Aprendizaje basado en proyectos
• Aprendizaje encarnado
• Diseño de aprendizaje
• IA generativa
• Tutoría inteligente
• Descarga cognitiva
• Agencia de quien aprende
• Pensamiento crítico
• Alfabetización en IA
• Ideas erróneas sobre la IA
• Teorías del aprendizaje
• Conductismo
• Educación química — Educación química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
• Desarrollo teórico en la IA en la educación — Desarrollo de teoría en la IA en la educación
• Fracaso productivo

Artículos conectados

• Analysing AI utilisation in education through learner question types: A constructivist approach — Preguntas de quien aprende clasificadas en tres roles constructivistas: transmisor, facilitador, coprendiz (Lee, Atif y Kang 2026)
• Control vs. Agency: Exploring the History of AI in Education — Sitúa el construccionismo (Papert) frente a los tutores cognitivos en la historia de la AIED
• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — Code-to-Learn con IA generativa: marco construccionista para la construcción de artefactos
• The AI Writes the Code, the Student Writes the Model: A Theory and Measurement Programme for Learning by Construction with Generative AI — Autoría de modelos: teoría y programa de medición para aprender construyendo con IA generativa
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — Reescribir el currículo: cambio pedagógico impulsado por la IA generativa
• Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era — Fomentar el aprendizaje sostenible mediante la inteligencia corporeizada (E3-HOT)
• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Constructivismo declarado pero IA conductista dominante en la EFP; la «trampa de Turing»
• Stop Writing for Me: Generative Refusal in AI Tools for Thought — Herramientas de IA que retienen la generación para proteger el pensamiento constructivo
• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — La IA generativa como herramienta de pensamiento que apoya la construcción de quien aprende
• Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers — Agentes de IA adversarios que incitan a una reconsideración constructiva
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Alfabetización colaborativa en IA y el marco de implicación ICAP
• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — La comparación apoyada por IA genera juicios evaluativos
• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — ICAP y la implicación cognitiva con agentes LLM
• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents — Andamiar el diálogo en los tutores de IA
• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study — Indagación corporeizada con un facilitador de IA
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Evaluación auténtica y construcción de conocimiento
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Niveles de colaboración entre profesorado e IA en el diseño
• Artificial intelligence assisted design of a novel cooperative learning technique for higher education — Aprendizaje cooperativo enmarcado en teorías constructivistas
• Learning with machines: Toward a theory of epistemic co-agency — Coagencia epistémica entre quien aprende y la máquina
• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments
• Reshaping education in the era of artificial intelligence: insights from Situated Learning related literature
• Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives
• Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education
• Connecting Education with Reality: AI as a Catalyst for Situated Learning
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI
• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning
• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — La IA generativa como agente mediacional
• Using Context-Based and AI-Enhanced Approaches to Improve Student Engagement and Achievement in Secondary Chemistry Education — Instrucción 7E contextualizada con IA en química de secundaria
• Pathways to Learning: Exploring High School Students' Learning of AI-Powered Educational Robotics — Caminos hacia el aprendizaje de la robótica educativa impulsada por IA (2026)
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — CogEvolution: agente generativo que simula la evolución cognitiva del estudiantado
• Generative Artificial Intelligence Integration in Higher Education: A Constructivist Learning Theory Approach — Integración de la IA generativa en la educación superior de Bangladés desde el constructivismo (Alam et al. 2026)