Pensamiento crítico

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

El pensamiento crítico (la capacidad de analizar, evaluar y sintetizar información) es a la vez una habilidad que las herramientas de IA pueden ayudar a desarrollar y una competencia que el estudiantado debe aplicar cuando usa la IA. En la IA en la educación, la investigación presenta el pensamiento crítico de dos formas interrelacionadas: como objetivo de aprendizaje (enseñar al estudiantado a pensar críticamente) y como salvaguarda frente a una dependencia acrítica de la IA.

Preguntas para reflexionar

• ¿Cuánta confianza tiene en su capacidad de detectar una respuesta generada por IA falsa o engañosa? La investigación sugiere que la competencia en IA autoinformada supera con creces la capacidad real de evaluación: ¿cómo se pondría a prueba?
• Aquí el pensamiento crítico aparece de dos formas: una habilidad que enseñar y una salvaguarda frente a una dependencia acrítica de la IA. ¿Se le ocurre una situación en la que una herramienta que «enseña» pensamiento crítico esté en realidad entrenando lo contrario?
• Un estudio encontró que hacer que el estudiantado interrogue errores generados por IA produjo grandes mejoras en el pensamiento de orden superior. ¿Cómo podría exponer los errores deliberadamente (en lugar de ocultarlos) ser un movimiento didáctico más potente de lo que suponía?
• El acceso fácil a las respuestas de la IA puede desplazar la implicación crítica antes de que el estudiantado se dé cuenta. ¿Qué característica de diseño, y no una política ni una prohibición, podría mantener vivo el esfuerzo cognitivo?
• Se ha demostrado que los consejos de la IA suprimen la disposición a decir «no lo sé», incluso cuando el consejo es erróneo. ¿Cómo cambia eso lo que significa crear una cultura de aula en la que preguntar sea seguro?

Introducción

El pensamiento crítico es central para la alfabetización en IA: el estudiantado que no puede evaluar críticamente las salidas de la IA es vulnerable a la dependencia excesiva, a la información alucinada y a las recomendaciones sesgadas. La investigación sobre la descarga cognitiva muestra que el acceso fácil a las respuestas de la IA puede desplazar la implicación crítica, mientras que los enfoques socráticos que retienen las respuestas directas preservan el esfuerzo cognitivo necesario para un pensamiento más profundo.

El pensamiento crítico en la investigación sobre la IA en la educación

Los artículos de la base de conocimiento exploran el pensamiento crítico desde lentes de investigación basada en el diseño y empíricas. Los agentes de IA adversarios provocan un conflicto constructivo para incitar la reconsideración en diseñadores noveles: una variante socrática que fuerza una reevaluación crítica. La investigación con ensayos controlados aleatorizados sobre la IA generativa en la enseñanza plantea si las herramientas de IA que optimizan resultados superficiales pueden suprimir sin proponérselo el pensamiento crítico que conduce a un aprendizaje más profundo.

Las revisiones del impacto de ChatGPT en el pensamiento documentan hallazgos mixtos: la IA puede andamiar el análisis crítico cuando se usa de forma deliberada (por ejemplo, pidiendo al estudiantado que critique argumentos generados por IA), pero también puede cortocircuitar el pensamiento cuando se usa como máquina de respuestas. Esta tensión conecta con la investigación sobre el desajuste en la evaluación de la alfabetización en IA, que muestra que la competencia en IA autoinformada supera con creces la capacidad real de evaluación crítica.

• Implicación cognitiva de orden superior en el chat entre estudiantado e IA. Chang y Li (2026) encuentran que ~62% de las indicaciones del estudiantado a la IA codifican una demanda cognitiva de orden superior, con perfiles por nivel de Bloom que varían según la disciplina (STEM, con predominio de Aplicar, 20,8%; idiomas, con predominio de Comprender, 31,7%; ciencias sociales, con predominio de Crear, 33,8%). Su diseño intrapersonal muestra que los mismos estudiantes producen significativamente más indicaciones de orden superior en ciencias sociales que en cursos de STEM (p < .001), lo que indica que el contexto disciplinar da forma a la implicación crítica y de orden superior con la IA.

• La IA como catalizador de la alfabetización mediática crítica en la infancia. Demir y Akar (2026) evalúan un programa de alfabetización mediática crítica de 18 horas y modelo 5E para estudiantes turcos de cuarto grado en el que la IA generativa (ChatGPT, Grammarly) actuó como agente pedagógico integrado fase por fase y no como un añadido. Las comparaciones de muestras emparejadas mostraron grandes mejoras en lectura de medios (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17, todas con p < .01), con tamaños del efecto entre grupos en el postest de d de Cohen = 1,12 (lectura), 1,18 (escritura) y 1,31 (alfabetización total) a favor del grupo apoyado por IA. El análisis cualitativo (entrevistas, pósteres, dibujos y eslóganes del estudiantado, observación de aula) reveló seis dominios de crecimiento en alfabetización mediática crítica: autoprotección digital y privacidad de los datos, uso de los medios con propósito y responsable, comunicación segura y conciencia de los límites, evaluación crítica y conciencia de la desinformación, conciencia de los riesgos en línea y ética de los medios y ciudadanía digital, lo que indica que interrogar deliberadamente contenidos mediados por IA puede cultivar el análisis crítico y la reflexión en quienes aprenden a edades tempranas.

• Mejoras en el pensamiento crítico específicas por dimensión en la escritura multimodal de primaria. Lu et al. (2027) siguieron a 60 estudiantes de quinto grado durante una práctica de escritura multimodal apoyada por IA conversacional de ocho semanas en la que convirtieron narraciones en imágenes y vídeos cortos generados por IA. El análisis de medidas repetidas en seis dimensiones del pensamiento crítico encontró mejoras sostenidas (T1→T2 y T1→T3) en interpretación, análisis, evaluación y explicación, una mejora pasajera de la autorregulación y ningún cambio en la inferencia, un patrón desigual a nivel de dimensión que una puntuación agregada de pensamiento crítico habría ocultado. Los autores sostienen que los elementos visuales generados por IA externalizaron el significado y rebajaron así la exigencia inferencial que la escritura impone normalmente, mientras que la colaboración entre pares (preguntas de los pares que obligaban a inferir las interpretaciones de los demás) aportó las ocasiones de inferencia que la interacción individual con la IA no proporcionó. La lección de diseño: la composición con IA multimodal sostiene varias facetas del pensamiento crítico, pero debería combinarse con un andamiaje continuado y un intercambio estructurado entre pares para preservar la inferencia y el aprendizaje autorregulado.

• El andamiaje y la descarga de la IA tiran del pensamiento crítico en direcciones opuestas. Davor, Larbi y Boateng (2026) encuestaron a 533 estudiantes universitarios en Ghana y encontraron que el andamiaje de tareas con IA predecía un mayor pensamiento crítico (β = .185), mientras que la tendencia a la descarga cognitiva predecía un menor pensamiento crítico (-.240); la alfabetización en verificación de la IA no tuvo un efecto directo sobre el pensamiento crítico y actuó solo a través de la autorregulación metacognitiva, un patrón de mediación completa que los autores leen como evidencia de que enseñar al estudiantado a comprobar los hechos de la IA no basta por sí solo. (Davor et al. 2026)

• Es la dependencia, y no el uso, donde la asociación con el pensamiento crítico cambia de signo. Shojaei y colegas (2026) encuestaron a 412 estudiantes de empresa en Omán y encontraron una correlación bivariada casi nula entre el uso de IA generativa y la disposición al pensamiento crítico autoinformada (r = 0.050), con la dependencia prediciendo una menor disposición (β = -0.389) y debilitando el vínculo del uso con la disposición (β = -0.239), de modo que la pendiente simple cayó de 0.424 con dependencia baja a -0.054 con dependencia alta. (Shojaei et al. 2026)

• Una indicación de reflexión breve hace más discriminativo el apoyo en los consejos de la IA. En un experimento de tres condiciones con 342 estudiantes de grado, Ren (2026) encontró que el apoyo abierto de ChatGPT produjo la aceptación de recomendaciones incorrectas de la IA en el 62,4% de los ensayos, que cayó al 39,7% con una indicación breve de reflexión metacognitiva (OR = 0.40, IC del 95% [0.28, 0.56]); la reflexión también mejoró la calibración de la conciencia (0,59 frente a 0,41) y redujo el índice de sesgo de atribución específico de la IA de 0,42 a 0,21 sin reducir la precisión de las recomendaciones ni provocar un rechazo generalizado de los consejos útiles. (Ren 2026)

Conexiones con otros conceptos

El pensamiento crítico se cruza con el andamiaje (diseñar apoyo con IA que mantenga la exigencia cognitiva), la ingeniería de prompts (formular preguntas que susciten análisis crítico) y la dependencia excesiva (saber cuándo confiar en la IA y cuándo cuestionarla). Es fundacional para la integridad académica y constituye una dimensión clave de los marcos de alfabetización en IA tanto en contextos de K-12 como de educación superior.

• Los errores de la IA como provocaciones para el pensamiento de orden superior: Hosseini (2026) operacionaliza los niveles de orden superior de Bloom (Analizar, Evaluar, Crear) haciendo que el estudiantado interrogue errores generados por IA en un curso de bases de datos, con mejoras significativas antes/después (d de Cohen = 1,49) en la competencia en la materia.

• Auditoría bilateral de las explicaciones de la IA. Bernstein y Sibia (2026) usaron los estándares de Paul-Elder (precisión, claridad, supuestos, punto de vista) como sondas de entrevista con diez estudiantes que habían completado CS2, y encontraron un escrutinio a nivel de mecanismo de las explicaciones de IA generativa: el estudiantado localizaba dónde se rompía el mapeo de una analogía (una analogía de ruta insular para una lista enlazada que implicaba un círculo, un peloteo de bádminton ofrecido para la recursión que no tenía una entrada que se encogiera de forma garantizada), exigía una formulación precisa frente a las evasivas y trataba las explicaciones como argumentos que conllevan un punto de vista. De manera crucial, ese escrutinio seguía la pericia en el dominio de origen o de destino y no el interés personal, lo que reencuadra la evaluación crítica de la salida de la IA como un problema de conocimiento (la «auditoría bilateral de analogías») y no como uno de disposición, y sugiere que asignar analogías defectuosas de la IA como objetos que inspeccionar y reparar es una comprobación más exigente de la comprensión conceptual que leer una explicación terminada.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• El pensamiento crítico como implicación no externalizable. Xie (2026) añade una contraparte filosófica desde la autoperfección taoísta: dado que la IA es una «caja negra» opaca, un marco orientado a armonizar la incertidumbre y no a dirimir la verdad en términos absolutos se ajusta mejor al panorama epistémico actual, y el pensamiento crítico se convierte en una implicación sostenida, en primera persona y no externalizable con la realidad, en lugar de un procedimiento racional demostrable. En la práctica del Neidan (內丹) «no hay atajos cognitivos», así que la IA se sitúa como «no un sustituto cognitivo sino un adjunto instrumental» del florecimiento humano.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• La rotación de roles como estructura para una interacción crítica entre personas y IA. Kenzhebayeva y colegas (2026) informan de un estudio basado en el diseño en el que 62 psicólogos educativos en formación rotaron por cuatro roles profesionales (constructor de casos, analista de investigación, practicante-interventor, investigador reflexivo) que convertían las recomendaciones generadas en objeto de discusión: los participantes comparaban la salida de la IA con la teoría psicológica y modificaban o rechazaban las recomendaciones que no encajaban con el caso, y los ciclos posteriores mostraron más peticiones de justificación teórica, mientras persistía la dependencia excesiva de respuestas aparentemente autorizadas. (Kenzhebayeva et al. 2026)

• Integración centrada en la verificación en una disciplina. Una revisión crítica de la IA generativa en la enseñanza universitaria de la química (Vega-Baudrit y Rivera Álvarez, 2026) sostiene que, como el razonamiento químico debe coordinarse entre representaciones macroscópicas, submicroscópicas y simbólicas, el estudiantado no puede verificar lo que no comprende, de modo que los conocimientos previos y el andamiaje van primero y la verificación debería diseñarse dentro de la evaluación como una actividad evaluada: identificar un supuesto falso, corregir un error de unidades o de mecanismo o justificar el rechazo de una respuesta generada, conservando registros de prompts e historiales de revisión como rastros de razonamiento. (Vega-Baudrit y Rivera Álvarez 2026)

Conceptos conectados

• Metacognición
• Descarga cognitiva
• Alfabetización en IA
• IA generativa
• Educación superior
• Problem-Based Learning
• Tutoría inteligente
• Educational Development
• La docencia
• Student Experience
• Chemistry Education — Química y educación: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
• Biology Education — Biología y educación: asistentes de laboratorio con IA, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas
• Cognitive Surrender

Artículos conectados

• Powerful Learning with Emerging Technology — El pensamiento crítico como comprensión y evaluación de la IA
• Explaining ChatGPT Adoption in Higher Education: Insights for AI Literacy, Educational Practice, and Responsible AI — UTAUT2 aumentado con XAI: el hábito como predictor más fuerte, cuatro perfiles de adopción (Jácome-Vásconez et al. 2026)
• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — El marco PEARLS para la agencia epistémica y la verificación de la salida de la IA (Wang 2026)
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — La descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)
• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — La paradoja del pensamiento crítico en el aprendizaje integrado con IA generativa
• AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking — El uso de la IA se correlaciona negativamente con el pensamiento crítico a través de la descarga (Gerlich 2025)
• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — La pedagogía de los errores de la IA: fomentar el pensamiento de orden superior (Hosseini 2026)
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — La teoría de los tres sistemas y la rendición cognitiva: cómo la IA reconfigura el razonamiento humano (Shaw y Nave 2026)
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragedia de los bienes cognitivos comunes: la IA y la regeneración de la pericia
• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — La IA generativa y el pensamiento de orden superior: metaanálisis
• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized — Los consejos de IA suprimen el juicio de «no lo sé» incluso cuando el consejo es erróneo
• AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education — El aprendizaje mediado por IA y la reestructuración de la cognición interpretativa en las ciencias sociales y humanidades
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — De la sustitución al andamiaje: romper el ciclo de daño autorreforzado
• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — La IA generativa como agente mediacional
• Can we disrupt the momentum of the AI colonization of science education? — Interrumpir la colonización de la IA en la didáctica de las ciencias
• "If You Can't Dance Your Program, You Can't Write It": Challenges and Implications for AI in Education — La cognición corporeizada y la IA en la educación
• Technology, Education and Critical Media Literacy: Potential, Challenges, and Opportunities — Tecnología, educación y alfabetización mediática crítica
• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Reorientar la alfabetización crítica en IA
• Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning — La alfabetización en IA a través de episodios de aprendizaje situado
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI — Operacionalizar principios de aprendizaje centenarios con IA
• Reconceptualizing Community of Inquiry in the Age of Generative Artificial Intelligence — Reconceptualizar la comunidad de indagación para la IA generativa
• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences — El uso irreflexivo de la IA generativa y el aprendizaje autodirigido del estudiantado universitario
• Utilizing Generative AI to Counter Learner Groupthink by Introducing Controversy in Collaborative Problem Based Learning Settings — Contrarrestar el pensamiento de grupo del estudiantado con controversia introducida por IA generativa en el ABP
• AI-Enhanced Problem-Based Learning Framework: Integrating ChatGPT as Adaptive Scaffolding to Improve Critical Thinking and Personalized Learning — El ABP mejorado con IA con andamiaje adaptativo de ChatGPT para el pensamiento crítico
• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — Patrones del aprendizaje basado en la indagación en entornos impulsados por LLM (perspectiva de Bloom)
• The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT para el aprendizaje basado en la indagación en STEAM
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact — Percepciones del estudiantado sobre las herramientas de IA, la ética y el impacto en el pensamiento crítico
• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them — Preparar al estudiantado para criticar soluciones de física generadas por IA
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Defectuosas pero memorables: recepción crítica del estudiantado de las analogías de IA generativa personalizadas por interés en la educación en informática
• Alternative AI Philosophy: Daoism as Method for AI in Education — Una filosofía alternativa de la IA: el taoísmo como método para la IA en la educación
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsiderar los exámenes orales como evaluación auténtica y resistente a la IA
• Navigating the challenges of Gen-AI in Chinese higher education: Balancing technological innovation with academic integrity and intellectual engagement — La IA generativa en la educación superior china: integridad e implicación
• Promoting Critical Thinking in Biological Sciences in the Era of Artificial Intelligence: The Role of Higher Education — El pensamiento crítico en las ciencias biológicas y la IA
• 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)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — El diseño experimental apoyado por IA en la química práctica
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Características del estudiantado × interacciones con el formato de diálogo con TTS
• Modeling AI Overreliance as a Complex Adaptive System — La dependencia excesiva de la IA modelada como sistema adaptativo complejo
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — Explicaciones adaptativas de errores de programación con LLM
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — La implicación cognitiva asociada a la disciplina en los niveles de Bloom en las conversaciones entre estudiantado e IA (Chang y Li 2026)
• Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change — La indagación asistida por IA en cuestiones sociocientíficas sobre el cambio climático
• Transforming clicks into critical thinking: An AI-based media literacy program for children — Programa de alfabetización mediática crítica basado en IA para la infancia
• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational — Mejoras en el pensamiento crítico específicas por dimensión en la escritura multimodal apoyada por IA (Lu et al. 2027)
• CRITICS - Critical Science Without Borders: Language Models to Promote Critical Thinking in Science Education — CRITICS - Ciencia crítica sin fronteras: modelos de lenguaje para promover el pensamiento crítico en la didáctica de las ciencias
• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — enseñar el reconocimiento de falacias mediante un diálogo estructurado de varios turnos
• Building AI Companions that Prioritize Learning over Performance — el aprendizaje por encima del rendimiento: para qué deberían optimizarse y medirse los acompañantes
• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Dependencia acotada: una perspectiva de credibilidad de la fuente sobre la implicación del estudiantado de inglés como lengua extranjera con la retroalimentación de escritura generada por IA
• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Andamiaje de IA, descarga y alfabetización en verificación a través de la autorregulación metacognitiva (Davor et al. 2026)
• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — La dependencia de la IA generativa acota el vínculo entre uso y pensamiento crítico en estudiantes de empresa (Shojaei et al. 2026)
• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Una indicación de reflexión reduce la aceptación de consejos de IA incorrectos y el sesgo de atribución (Ren 2026)
• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — La rotación de roles como estructura para la interacción crítica entre personas y IA (Kenzhebayeva et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — La integración de la IA generativa centrada en la verificación en la enseñanza universitaria de la química (Vega-Baudrit y Rivera Álvarez 2026)
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Preguntas abiertas hacia una dependencia que sostenga las habilidades en la implicación reflexiva con la IA