Conceptos
IA conversacional
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Los agentes de IA conversacional (CAI) — agentes impulsados por IA, de voz o de texto, que simulan y automatizan conversaciones, desde chatbots basados en reglas hasta asistentes basados en NLP/ML y en LLM multimodales — están entre las interfaces de IA más usadas en la educación, valoradas por el apoyo docente, psicológico y metacognitivo que ofrecen, aun cuando persisten preocupaciones técnicas, cognitivas y éticas.
Preguntas para reflexionar
- Cuando ha usado un chatbot o un asistente de IA, ¿lo pensó como un profesor, un buscador o algo distinto? ¿Cómo moldeó ese encuadre cuánto aprendió realmente de él?
- La IA conversacional describe CÓMO habla un agente, no para qué está construido. ¿Podría un chatbot ser conversacional y a la vez por completo antipedagógico? ¿Y qué le indicaría la diferencia?
- Un estudio encontró que la alfabetización en IA —y no la destreza tecnológica general— predecía si el estudiantado estaba dispuesto y era capaz de usar un chatbot. ¿Por qué podría importar más saber cómo funciona la IA que «ser bueno con los ordenadores»?
- Un chatbot general sin más puede cortocircuitar el razonamiento respondiendo de inmediato, mientras que un tutor estructurado preserva el esfuerzo productivo reteniendo las respuestas. ¿Qué decisiones de diseño determinan con qué tipo de agente se encuentra el estudiantado?
- El estudiantado que usó un chatbot en un curso de derecho realizó un tercio de sus interacciones fuera del horario lectivo, evidencia de que la disponibilidad 24/7 es un beneficio real. ¿Pero conlleva también el acceso permanente riesgos contra los que querría diseñar?
- La mayor barrera para la adopción de chatbots en un estudio fue una ventana emergente mal diseñada, no la desconfianza ni el miedo a la integridad académica. ¿Qué sugiere eso sobre dónde fracasan de verdad las inversiones en IA educativa?
Introducción
La IA conversacional (CAI) es el término paraguas para los agentes impulsados por IA que mantienen un diálogo hablado o escrito, realizados con más frecuencia como chatbots y, más recientemente, como asistentes generativos basados en LLM como ChatGPT, Claude y avatares educativos multimodales. Los agentes de CAI modernos se reparten en categorías basadas en aprendizaje automático, basadas en NLP e híbridas, y los agentes de texto son los más frecuentes en educación. Como herramientas de aprendizaje funcionan como tutores inteligentes, proveedores de retroalimentación, compañeros de interacción y asistentes administrativos, solapándose con los agentes pedagógicos a la vez que abarcan un conjunto más amplio de aplicaciones.
Cómo aparece la IA conversacional en la investigación
Una síntesis de revisión paraguas. La revisión paraguas de los agentes de CAI (34 artículos de revisión) muestra que la utilización de la CAI se concentra en el apoyo a la enseñanza y el aprendizaje (97,1% de las revisiones), el apoyo psicológico y motivacional (91,2%) y el desarrollo metacognitivo y personal (88,2%), mientras que el apoyo administrativo, la gestión de la investigación y la educación sanitaria se quedan atrás. La revisión documenta que las preocupaciones sobre la relación entre humanos e IA persisten en todas las generaciones de CAI, con la integridad académica y la privacidad de los datos emergiendo como problemas éticos más recientes, y pide un diseño fundamentado en la interacción persona-ordenador (HCI) y basado en evidencia, así como un apoyo más sólido a la alfabetización en IA.
De los chatbots a los agentes tutores. La CAI ha evolucionado desde los chatbots de preguntas frecuentes basados en reglas hacia agentes centrados en la tutoría. El marco de tutores de IA conversacional sostiene que las tecnologías probadas de los ITS (trazado de conocimiento, detección del afecto, modelado del estudiante) deberían anclar a los tutores generativos, mientras que la IA generativa aporta un diálogo flexible. La investigación sobre si los tutores LLM enseñan o resuelven y sobre la tutoría específica frente a la IA general muestra que las barreras de seguridad diseñadas pedagógicamente importan: los chatbots generales sin más pueden cortocircuitar el razonamiento, mientras que los tutores estructurados preservan el esfuerzo productivo.
En los estudios de aprendizaje basado en problemas y en proyectos, los chatbots generales produjeron un efecto agrupado mayor que los sistemas personalizados como plataformas de curso o pacientes virtuales (g = 0,970 frente a 0,455), por lo que el modo de entrega puede importar más que el diseño a medida (Chen et al. (2026)).
Los puntos de referencia pueden exagerar cuánto andamiaje se aprovecha: en 9.490 conversaciones de nueve conjuntos de datos, el estudiantado en despliegues reales sorteó el encuadre pedagógico del chatbot con poco coste interpersonal para llevar la interacción hacia sus propios objetivos, un movimiento instrumental de búsqueda de ayuda más que de desvinculación (Neagu et al. (2026)).
La adopción se dividió por rendimiento: los grupos de alto rendimiento solicitaron retroalimentación del chatbot en el 60,7% de sus anotaciones frente al 34,0% de los grupos de bajo rendimiento, que permanecieron en un bucle autorreferencial (Pan et al. (2026)).
Interacción y colaboración. Los agentes conversacionales se enmarcan cada vez más como compañeros de interacción y no como dadores de respuestas. Interacción estudiante-IA recoge cómo el estudiantado formula prompts, pregunta y verifica con la CAI en la práctica. En el aprendizaje colaborativo, los agentes median la participación y la regulación compartida, y en el aprendizaje de idiomas ofrecen práctica conversacional en tiempo real. La línea de colaboración entre humanos e IA examina cuándo esta asociación preserva el trabajo cognitivo de quien aprende y cuándo lo sustituye. Los LLM como compañeros de crítica ilustran concretamente el lado de la preservación: Oppenheimer, Cash y Connell Pensky (2025) hicieron que ChatGPT, Gemini o Claude criticaran los ensayos argumentativos del estudiantado a lo largo de un semestre, y quienes aprendían mejoraron en escritura, ingeniería de prompts y respuesta a la retroalimentación, además de valorar los intercambios como útiles, atractivos y agradables, con una refutación activa de las afirmaciones del modelo (87,8%) que muestra que trataban al compañero conversacional de forma crítica y no pasiva.
Los agentes conversacionales se usan para calificar, y su conducta evaluativa diverge de la humana: ChatGPT fue el más indulgente de tres evaluadores de los mismos 52 proyectos de grado (M = 91,46 frente a 83,13 del profesorado) y no compartió lógica de calificación con los pares (r = 0,05), aunque el estudiantado valoró su interactividad dialógica (Usher y Faraon (2026)). Quien usa el agente lee su credibilidad en clave social. La competencia percibida de ChatGPT predijo directamente la credibilidad de su retroalimentación, mientras que la calidez percibida solo operó a través de la empatía de tipo humano (SEM, 230 estudiantes), según Pérez-López et al. (2026): un agente conversacional gana credibilidad como interlocutor social, no solo como fuente de respuestas.
Andamiar el lado del estudiantado en la conversación. Jin et al. (2026) añaden un monitor de especificidad de las preguntas y una plantilla de revisión a una interfaz de chat e intervienen solo ante preguntas vagas: en un estudio intergrupal con 40 estudiantes universitarios que aprendían programación web, quienes usaron HelpCoach formularon primeras preguntas significativamente más específicas (57,3% frente a 40,5%) y retuvieron más conocimiento una semana después (ganancia media 1,9 frente a 0,3 de 6, d = 1,100). El beneficio de retención no pasó por respuestas del chatbot más dirigidas, que no difirieron según la condición, lo que deja el mecanismo como una hipótesis abierta y no como una vía demostrada.
El papel que desempeña el agente moldea la interacción. El diseño de la CAI no es neutral respecto a su personaje: Liao (2026) encontró que un compañero fijo con el rol de «par estudiante» en una conversación literaria de primaria sostenía interacciones más largas pero dominaba la conversación (menor cuota de palabras y frases del estudiantado) y topaba con un «techo afectivo»: igualaba a un docente humano en recuerdo factual, pero se quedaba corto en la reflexión emocional y orientada al futuro, por lo que sostiene que la CAI debería adaptar su papel (par, asistente del docente, asesor para familias) en lugar de mantenerse monolítica. Xu et al. lo extienden a los grupos pequeños y muestran que la IA generativa actúa a la vez como agente y como espacio colaborativo en dinámicas colaborativas sincrónicas y asincrónicas, donde el diseño de la interacción decide si andamia o suplanta la cognición del grupo. El tono también puede fijarlo un clasificador externo y no solo la conversación: Sukoon (Bashir y Afzal, 2026) entrena un bosque aleatorio con 20 características de encuesta para asignar un nivel de estrés bajo, moderado o alto, y esa salida selecciona uno de tres niveles de respuesta inspirados en el modelo de atención escalonada —cálido y alentador con estrés bajo, y con base y sin juicios con estrés alto— antes de que un LLM de código abierto (GLM-4,5-Air vía OpenRouter) se haga cargo del diálogo con todo el historial de la conversación y un prompt de sistema adaptado culturalmente que se reenvía en cada turno. Los autores eligieron deliberadamente un modelo multilingüe de acceso gratuito para mantener viable el despliegue en universidades regionales, y señalan que el urdu aparece mediante ingeniería de prompts y no con una canalización genuinamente bilingüe, una limitación que importa siempre que la adecuación cultural se presenta como una propiedad del sistema y no como un resultado evaluado.
La conducta conversacional sigue al proveedor, no al ajuste. En 1.971 transcripciones de IA y 135 humanas puntuadas según seis reglas fijas extraídas de las ciencias del aprendizaje, los modelos de un mismo proveedor se agruparon juntos sin solapamiento entre los rangos de las familias, lo que los autores leen como una conducta docente que sigue prácticas de entrenamiento propias del proveedor y no el ajuste individual del modelo (Northcutt et al. (2026)).
La modalidad de la interfaz cambió la conversación sin cambiar el resultado. Fang et al. (2025) asignaron aleatoriamente a 981 personas adultas a texto, voz neutra o voz emocionalmente atractiva durante cuatro semanas de uso diario de GPT-4o, cruzado con temas abiertos, no personales o personales. Ninguna condición movió significativamente la soledad, la socialización en el mundo real, la dependencia emocional ni el uso problemático; la voz atractiva se valoró como la más antropomórfica pero produjo más soledad y menos dependencia, y el texto produjo el mayor contenido emocional y la mayor autorrevelación en ambas direcciones. El tiempo voluntario, y no el diseño asignado, se asoció con el daño, lo que argumenta que las elecciones de voz y persona moldean el intercambio mientras la duración moldea la consecuencia.
La consistencia de las respuestas es un problema de infraestructura y no de prompting: la similitud de réplicas dentro de un mismo modelo osciló entre 0,715 y 0,795 frente a 0,443-0,604 entre modelos, y añadir el historial de chat cambió el contenido de las respuestas incluso para el mismo mensaje focal (Hao (2026)). Perspectivas del estudiantado. El uso real muestra que la adopción depende de la alfabetización en IA y la experiencia de usuario más que de la capacidad técnica. Un estudio de métodos mixtos y centrado en las personas sobre el «Jordan Chatbot», un agente pedagógico basado en GPT-4o en un curso de derecho australiano, encontró que el estudiantado mantiene actitudes positivas y percibe mejoras en su conocimiento, a la vez que apoya firmemente los requisitos de integridad académica; más de un tercio de las interacciones ocurrieron fuera del horario lectivo, lo que confirma el valor de la disponibilidad 24/7 (Colbran, Jha y Schiavone 2026). En particular, la alfabetización en IA —y no la competencia tecnológica general— predecía la disposición y la confianza para usar el chatbot, y la usabilidad (un diseño intrusivo de ventana emergente) fue la mayor barrera entre quienes no lo usaban, por delante de la confianza, la preferencia por el personal y los miedos sobre la integridad académica.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) El estudio recomienda un diseño centrado en las personas, políticas de IA explícitas y etiquetas de evaluación, formación para el personal y el estudiantado, y una monitorización continua de errores: evidencia de que un despliegue eficaz de CAI es tanto un problema de diseño y de alfabetización como uno técnico. En el otro extremo del espectro de edad, Vahedian Movahed y Martin (2025) estudiaron a niños de 6 a 14 años interactuando con AMA, un chatbot acotado por tema y adaptado a la edad (astronomía, zapatillas y calzado, dinosaurios), y encontraron una amplia apertura y una alta confianza en la IA como fuente de información —los niños incluso ponían a prueba su credibilidad con preguntas de respuesta conocida— junto con lagunas en la implicación crítica y en la conciencia de seguridad digital que abogan por un diseño conversacional sensible a la edad y consciente de la confianza, y por una instrucción explícita en privacidad.
Quién usa el agente también varía: entre 97 estudiantes de posgrado de estadística, más de una cuarta parte nunca usó el chatbot StatBot, y las estudiantes mujeres lo usaron con una frecuencia significativamente mayor (W = 679,5, p = 0,015), lo que los autores leen como una IA conversacional que rebaja el riesgo social percibido de hacer preguntas (Lee y Wu (2026)).
La adopción no es homogénea: agrupar 192 respuestas de estudiantado y profesorado produce cuatro personas — Cautious Achievers, Skeptical Utilitarians, Disengaged Doubters y Engaged Enthusiasts — que los modelos de aceptación basados en efectos promedio ocultan, con el estudiantado priorizando la retroalimentación inmediata y el profesorado la exactitud del contenido y la integridad académica (Saihi y Ahmed (2026)). Se ha observado durabilidad en un despliegue institucional. Una evaluación aleatorizada de cuatro años de un chatbot no generativo basado en una base de conocimiento en la California State University, Northridge (N = 8.708) encontró que el estudiantado siguió siendo receptivo a lo largo de ocho semestres —las tasas anuales de baja nunca superaron el 4%— mientras que los impactos se concentraron en tareas administrativas sensibles al tiempo, como la matrícula temprana en asignaturas (34 puntos porcentuales más de probabilidad de inscribirse antes del plazo), y no aparecieron efectos estadísticamente significativos en la nota media, los créditos ni la permanencia (Mata, Russell y Page 2026, un documento de trabajo). Su lección de medición afecta a cómo se cuenta la implicación con la CAI: con una tasa de baja cercana a cero junto a una implicación activa de en torno al 5% en campañas interactivas, las conclusiones sobre la implicación sostenida dependen de si un estudio cuenta solo las respuestas directas o también la implicación pasiva, en la que el estudiantado actúa según la información sin responder por mensaje.
Riesgos y ética. Los agentes de CAI conllevan riesgos persistentes de dependencia excesiva y descarga cognitiva (la principal preocupación ética de la revisión paraguas), además de limitaciones técnicas, alucinación, sesgo, plagio y barreras de equidad. Estas preocupaciones animan la alfabetización en IA y la reducción del mal uso de la IA y exigen respuestas de política y de gobernanza ética. Surge además una preocupación de confianza en torno al consejo de adopción que el personal recibe cada vez más: se insta al personal a consultar a la IA conversacional sobre si adoptar IA, pero esos sistemas los construyen organizaciones con un interés comercial en la adopción. Una auditoría de diez LLM de frontera encontró que la mayoría reconoce las preocupaciones de las personas usuarias escépticas antes de reorientarlas hacia encuadres de implicación, lo que plantea dudas sobre la neutralidad del consejo sobre adopción de IA.
Agentes conversacionales basados en juegos. Más allá de la tutoría, los agentes conversacionales se están integrando en el aprendizaje basado en juegos digitales. Wenzel, Geiger y Liening (2026) usan la investigación de diseño en acción para derivar el marco CAIS-GBL —cuatro principios de diseño y quince características de diseño para agentes conversacionales de IA en el aprendizaje basado en juegos digitales— fundamentado en metarrequisitos teóricos que abarcan la implicación cognitiva, motivacional, afectiva y sociocultural y una postura de equidad por diseño. Su agente instanciado (Lara) en un juego de simulación empresarial fue bien recibido por su presencia social y cognitiva y por su apoyo al aprendizaje autorregulado, y se evaluó con futuros docentes y en un estudio de campo: un plano práctico para el apoyo instruccional adaptativo mediante agentes conversacionales en juegos serios.
Relación con los agentes pedagógicos y la tutoría inteligente
La IA conversacional se entiende mejor como una modalidad de interacción que se solapa —pero no coincide— con dos constructos más asentados: los agentes pedagógicos y los sistemas de tutoría inteligente (ITS).
La IA conversacional como medio, no como pedagogía. La CAI nombra cómo se comunica el agente (diálogo en lenguaje natural, hablado o escrito). Por sí sola dice poco sobre para qué está construido el agente. Los agentes pedagógicos, en cambio, se definen por su rol instruccional: un componente de IA que implica a quienes aprenden mediante el diálogo, las preguntas o los prompts para apoyar los procesos metacognitivos, la retroalimentación y el andamiaje. Los sistemas de tutoría inteligente se definen por su arquitectura y su modelado: una columna vertebral diagnóstica de trazado de conocimiento, modelado del estudiante y lógica de decisión pedagógica que sigue lo que sabe quien aprende y adapta la instrucción. Un solo agente puede ser las tres cosas a la vez: por ejemplo, un tutor de IA conversacional es un agente de CAI (interfaz de diálogo) que funciona como agente pedagógico (estrategias de tutoría) construido sobre una base de ITS (modelado del estudiante). La distinción importa porque un agente de CAI no tiene por qué estar fundamentado pedagógicamente en absoluto: un chatbot de preguntas frecuentes sin más es IA conversacional sin ser agente pedagógico ni tutor.
La lente del agente pedagógico. Los agentes pedagógicos usan el medio conversacional para poner en acto estrategias de enseñanza: provocar autoevaluaciones, preguntas socráticas y facilitación con roles especializados en diseños multiagente (docente, asistente, compañero de clase, analizador). No todo agente de CAI es un agente pedagógico, pero ambos se solapan mucho: la revisión paraguas de los agentes de CAI encontró que el apoyo a la enseñanza y el aprendizaje (97,1%) y el desarrollo metacognitivo (88,2%) dominan las aplicaciones de CAI, lo que significa que la mayoría de los agentes de CAI orientados a la educación funcionan pedagógicamente. La revisión de alcance sobre programadores noveles lo precisa: solo 4 de 23 agentes conversacionales fundamentaban explícitamente su diseño en la teoría del aprendizaje; la mayoría eran pedagógicos en la intención, pero no en el fundamento.
La lente de los ITS. La tutoría inteligente aporta la maquinaria de diagnóstico cognitivo que los modelos conversacionales sin más no tienen: el trazado de conocimiento, la detección del afecto y el modelado del estudiante aportan la estructura, mientras que la IA generativa y los LLM aportan un diálogo flexible. Esta es la tensión clave de diseño: la IA conversacional ofrece una interacción natural y escalable, pero sin la estructura al estilo de los ITS corre el riesgo de andamiar en exceso, alucinar o saltarse el esfuerzo productivo de quien aprende. Investigaciones como medir si los tutores LLM enseñan o resuelven y la tutoría específica frente a la IA general muestran que los criterios orientados a la pedagogía (preguntas guía, pistas calibradas) deben diseñarse explícitamente.
En resumen: la IA conversacional es la interfaz o el medio, los agentes pedagógicos son el rol y la tutoría inteligente es el modelado y la lógica instruccional subyacentes. Los agentes de CAI valiosos educativamente se sitúan en la intersección de los tres: conversacionales en la interfaz, pedagógicos en la intención y tutoriles en su modelado de quien aprende.
Orientaciones prácticas
Elija agentes conversacionales para apoyar la enseñanza, la motivación y la metacognición y no solo para responder preguntas, y diseñe interacciones fundamentadas en la HCI, participativas y centradas en las personas. Protéjase contra la dependencia excesiva combinando la CAI con instrucción en alfabetización en IA y con retroalimentación que mantenga a quien aprende cognitivamente productivo. Atienda explícitamente la alfabetización en IA y la usabilidad, ya que son estas —y no la destreza digital general— las que impulsan la adopción y el no uso (Colbran, Jha y Schiavone 2026), y acompañe el despliegue con políticas claras de uso de IA, etiquetas de evaluación y formación. Evalúe la CAI por sus resultados pedagógicos —y no solo por la finalización de tareas— y planifique la equidad y la accesibilidad desde el principio y no como un añadido tardío.
- Cómo habla realmente el estudiantado con los agentes conversacionales —un esquema de desimplicación de seis categorías: Rho et al. (2026) integraron un enseñante GPT-4-Turbo (presentado como un estudiante de secundaria con dificultades, fundamentado con RAG sobre un grafo de conocimiento y emparejado con un agente mentor que criticaba las explicaciones del estudiantado) en las lecciones de Álgebra y Geometría de Math Nation, y codificaron 5.522 enunciados de 246 estudiantes. Más allá de la implicación (el 75,7% de los enunciados), identificaron respuesta falsa (12,8%), retención (8,9%), aleatorio/ruidoso (2,1%), espejado (0,6%), burla (0,3%) y fantasma (0,2%), y el espejado (copiar el texto del agente) emergió de forma inductiva a partir de los datos. La clasificación se hizo con una persona en el bucle: 1.682 enunciados anotados por dos evaluadores (κ = 0,704–0,905 por categoría) entrenaron un clasificador LLaMA 3 ajustado (F1 ponderado = 0,910 sobre conversaciones retenidas) que etiquetó los 3.840 enunciados restantes. Un análisis de riesgos contrapuestos a nivel de proceso mostró entonces que la mayoría de la desimplicación se resuelve en unos pocos turnos, salvo la retención, que persiste: una señal sobre la que merece la pena diseñar las respuestas del agente.
La literatura sobre el entrenamiento de la función ejecutiva es pequeña y joven. La revisión PRISMA de Pergantis y sus colegas examinó 115 registros y retuvo 10 estudios con 1.606 participantes de entre 6 y más de 75 años, con una ventana de búsqueda de 2021 a 2024 y sin una evaluación formal del riesgo de sesgo. Solo dos estudios informaron de seguimiento, el más largo de un mes. La propia conclusión de la revisión es que el entrenamiento con chatbots para la función ejecutiva es prometedor y no está establecido.
Concepciones erróneas
- «La credibilidad de un agente conversacional va en función de su exactitud.» Quien usa el agente lee su credibilidad en clave social. La competencia percibida de ChatGPT predijo directamente la credibilidad de su retroalimentación, mientras que la calidez percibida solo operó a través de esa vía. Un agente que suena cálido y competente gana confianza por su presentación, lo que es un eje distinto del de la corrección.
- «Los compañeros de crítica basados en LLM sustituyen el juicio de quien aprende.» Oppenheimer, Cash y Connell Pensky (2025) muestran concretamente el lado de la preservación: el valor está en mantener intacto el pensamiento de quien aprende, y no en producir la crítica por él.
- «La evidencia paraguas sobre los agentes conversacionales es concluyente.» La revisión paraguas sintetiza revisiones de agentes de CAI, y la solidez de una revisión paraguas está acotada por la calidad de las revisiones que reúne.
Conceptos conectados
- Tutoría inteligente
- Agente pedagógico
- IA generativa
- Grandes modelos de lenguaje (LLM)
- Interacción entre el estudiantado y la IA
- Alfabetización en IA
- Colaboración humano-IA
- Descarga cognitiva
- Retroalimentación
- Metacognición
- Aprendizaje autorregulado
- Aprendizaje de lenguas
- Integridad académica
- Riesgo de alucinación
- Equidad
- Reducir el mal uso de la IA
- Tecnologías del habla y de la voz
- Madres, padres y familias
- Función ejecutiva
Artículos conectados
-
Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Conductas conversacionales de desimplicación en diálogos entre el estudiantado y la IA (Rho et al. 2026)
-
Sustaining AI-enabled student support: A four-year implementation and impact study — Sostener el apoyo estudiantil habilitado por IA: estudio de implementación e impacto a cuatro años de un chatbot institucional (Mata, Russell y Page 2026)
-
Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Comparación de la calificación de ChatGPT, de pares y del profesorado en distintos niveles de calidad de proyecto (Usher y Faraon 2026)
-
Designing large language model-based agents with 5E framework for ESL learners' grammar acquisition — Agentes LLM con el marco 5E para la adquisición de gramática en inglés como segunda lengua (Yang et al. 2026)
-
Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education — Perspectivas del estudiantado sobre los chatbots de IA generativa (métodos mixtos)
-
Uncovering adoption personas for generative AI in higher education: a clustering-based segmentation approach — Personas de adopción para los chatbots de IA
-
Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use — Revisión paraguas de los agentes de IA conversacional en la educación
-
The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents — Marco de tutores de IA conversacional
-
Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact — Medir si los tutores LLM enseñan o resuelven
-
The Evidence Base on AI in K-12: A November 2026 Review — La tutoría específica frente a la IA general
-
Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Repensar el andamiaje en los tutores LLM
-
Exploring conversational agents for novice programmers: a scoping review — Revisión de alcance de los agentes conversacionales para programadores noveles
-
Artificial intelligence agents in computer-supported collaborative learning: a systematic literature review — Revisión de los agentes de IA en el aprendizaje colaborativo apoyado por ordenador
-
Differential engagement with generative artificial intelligence in higher education: Gender, motivation, and achievement trajectories — Género y motivación en el rendimiento con IA generativa
-
Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — Compañero de IA con roles adaptativos para la conversación literaria en primaria; el techo afectivo de los agentes con rol fijo (Liao 2026)
-
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 como espacio colaborativo en dinámicas de grupos pequeños (Xu et al. 2026)
-
You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
-
Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot
-
An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — Un chatbot de IA culturalmente consciente para la detección del estrés y el apoyo al bienestar entre estudiantes universitarios paquistaníes mediante NLP y aprendizaje automático
-
StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: la tutoría con IA y la humana producen ganancias de aprendizaje equivalentes para el GRE
-
AI Chatbots and Cognitive Control: Enhancing Executive Functions Through Chatbot Interactions: A Systematic Review — Diez estudios de chatbots dirigidos a las funciones ejecutivas
-
HelpCoach: Scaffolding Targeted AI Help-Seeking During Problem-Solving — HelpCoach: andamiar la búsqueda de ayuda específica con IA durante la resolución de problemas
-
How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use: A Longitudinal Randomized Controlled Study — Texto, voz neutra y voz atractiva durante cuatro semanas: la modalidad cambió el intercambio, no el resultado psicosocial (Fang et al. 2025)
Cita
Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Conversational AI agents in education: an umbrella review. AI and Ethics, 6, 72.