Conceptos
Pedagogía culturalmente relevante
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Pedagogía culturalmente relevante — introducida por Gloria Ladson-Billings (1995), centra las referencias culturales del estudiantado marginado en el diseño curricular. Se apoya en tres pilares: el éxito académico (estándares rigurosos que honran la identidad cultural), la competencia cultural (conciencia crítica sobre la cultura y el poder) y la conciencia sociopolítica (empoderar al estudiantado para cuestionar sistemas inequitativos). A medida que las herramientas de IA entran en las aulas, la PCR se ha convertido en una lente central para evaluar si la IA amplifica o borra los conocimientos culturales no dominantes.
Preguntas para reflexionar
- La pedagogía culturalmente relevante se apoya en el éxito académico, la competencia cultural y la conciencia sociopolítica. ¿Cuál de estos pilares es más difícil de lograr con herramientas de IA, y por qué?
- Un estudio encontró que el 94% de los planes de clase generados por IA no contenían contenido multicultural discernible, y que casi ninguno alcanzaba el nivel de transformación o de acción social. Si la IA produce por defecto resultados monoculturales, ¿de quién es la responsabilidad de introducir las perspectivas que faltan?
- Los datos de entrenamiento de la IA son predominantemente occidentales y anglófonos. ¿Qué significa que un sistema «margina activamente» formas de conocer, y en qué se diferencia eso de simplemente carecer de acceso?
- El aprendizaje con IA basado en la comunidad propone que las epistemologías vividas del propio estudiantado sean el estándar para evaluar la salida de la IA, y que el rechazo y el no uso se traten como respuestas válidas. ¿Cómo centrarías el conocimiento de la comunidad como juez de la relevancia y el daño de una IA?
- Los datos culturalmente fundamentados pueden mejorar drásticamente la relevancia de una IA: un conjunto de datos de conocimiento indio llevó a un modelo pequeño de estar cerca de cero a rivalizar con uno de propósito general mucho mayor. Si la solución son mejores datos, ¿quién debería construirlos y poseerlos?
- Un estudio transcultural encontró que comportamientos idénticos de uso de la IA se juzgaban éticos en un país y no éticos en otro, independientemente de la política escrita. ¿Qué te dice eso sobre intentar gobernar el uso de la IA con reglas uniformes?
Introducción
El doble filo de la IA en la PCR
La IA puede ayudar al profesorado a hacer la enseñanza culturalmente sensible, pero sus resultados por defecto también corren el riesgo de reforzar las narrativas dominantes cuando no se le da ninguna indicación.
- Apoyo al profesorado: Wang et al. (2025) construyeron CulturAIEd, un sistema impulsado por LLM que ayuda al profesorado de K-12 a diseñar actividades de alfabetización en IA culturalmente sensibles combinando información demográfica del estudiantado con orientaciones basadas en rúbricas (una lista de verificación de la pedagogía culturalmente relevante integrada en la generación). En un piloto con cuatro docentes mejoró la confianza del profesorado para detectar oportunidades de sensibilidad cultural y para modificar actividades existentes, y el 78% consideró útiles las sugerencias de la IA para diversificar los materiales. La herramienta ataca directamente las barreras de tiempo, formación y recursos que bloquean la implementación de la PCR.
- Riesgo de resultados monoculturales: Trust et al. (2025) analizaron 310 planes de clase de educación cívica generados por IA (2.230 actividades): el 94% no contenía contenido multicultural discernible, y de los 144 que sí lo contenían, 137 se situaban en el nivel más bajo, «Aditivo»: solo uno alcanzó la «Transformación» y ninguno llegó a la «Acción social». Los tres chatbots produjeron plantillas de clase estructuralmente idénticas y monoculturales. Es evidencia concreta de que la IA produce currículos homogeneizados por defecto a menos que el profesorado intervenga activamente.
La marginación epistémica en los sistemas de IA
Más allá de la generación de clases, la PCR conecta con una crítica más profunda: los datos de entrenamiento y los procesos de diseño de la IA codifican marcos epistémicos occidentales y anglófonos que marginan otras formas de conocer.
- Colonialidad epistémica: Tali-Otmani (2026) sostiene que los sistemas de IA generativa no son epistémicamente neutros: unos datos de entrenamiento predominantemente occidentales marginan activamente los conocimientos minorizados, lo que produce una «doble marginación» para el estudiantado con discapacidad, cuyas epistemologías están a la vez infrarrepresentadas en los datos de entrenamiento y excluidas del diseño. Esto extiende la conversación sobre equidad del acceso a qué conocimiento se valida.
- Redistribuir la autoridad epistémica: Ojeda-Ramirez, Gyles y Peppler (2026) proponen el aprendizaje con IA basado en la comunidad, un marco que reposiciona las epistemologías vividas y comunitarias de quien aprende como estándar evaluativo frente a las salidas de la IA. Sus tres compromisos —el ajuste fino epistémico, la redistribución de la autoridad y el discernimiento situado— calibran la confianza frente a las historias locales y la pericia de la comunidad, y tratan el rechazo y el no uso estratégico como respuestas válidas de la PCR ante la IA.
Datos y evaluación culturalmente fundamentados
Un conjunto de trabajos aborda las brechas de contenido y de evaluación que hay detrás de la PCR.
- Datos de entrenamiento no occidentales: IKS-Instruct ofrece un conjunto de datos de instrucciones multilingüe de 24.795 ejemplos para enseñar a los LLM los sistemas de conocimiento indios a través de siete idiomas y 41 técnicas pedagógicas. Un modelo compacto de 7B ajustado al dominio alcanzó una puntuación mediana de juez de 6,39 (frente a 6,54 de un modelo de propósito general mucho mayor), mientras que el modelo base puntuó cerca de cero en las dimensiones específicas de los sistemas de conocimiento indios, lo que muestra cuánto mejora la relevancia con datos culturalmente fundamentados.
- Referencias de evaluación del Sur global: la referencia NSMQ Riddles extrae 1,8K acertijos científicos y matemáticos de 11 años del National Science and Maths Quiz de Ghana —una de las primeras referencias educativas del Sur global— y encontró que los LLM de última generación rinden por debajo de los mejores estudiantes concursantes, lo que expone el sesgo geográfico en cómo se evalúan los modelos.
- La cultura por encima de la política: una encuesta transcultural con estudiantes canadienses y surcoreanos de informática encontró que la cultura, y no el texto de las políticas, determinaba las percepciones sobre la ética del uso de la IA: comportamientos idénticos se juzgaban de forma distinta entre cohortes, lo que refuerza la necesidad de una comunicación culturalmente consciente en lugar de reglas abstractas.
- La navegación cultural es donde el apoyo de la IA es más débil. El estudiantado internacional valoró la IA conversacional como más útil para la gramática, la estructura y el resumen (media 4,27) y menos para la navegación cultural (media 3,49) (Nourian et al. (2026)).
- La adaptación cultural como decisiones de diseño: Bashir y Afzal (2026) operacionalizan la relevancia cultural en un sistema de apoyo con IA al bienestar (Sukoon) mediante tres movimientos: una evaluación bilingüe de 20 preguntas con etiquetas paralelas en inglés y urdu; un prompt de sistema que indica al modelo que responda de forma coherente con las normas sociales y culturales pakistaníes y que use expresiones en urdu y roman urdu cuando proceda; y una sensibilidad explícita a los factores de estrés localmente relevantes (expectativas familiares, presión económica, relaciones jerárquicas entre docente y estudiantado). Su justificación es tanto empírica como ética —la importancia de las características situó la relación docente-estudiantado en segundo lugar entre los predictores de estrés—, pero admiten que la adaptación vive en el prompt y no en la canalización de PLN, y que la idoneidad cultural se evaluó solo mediante pruebas informales, no con el estudiantado al que se dirige el sistema.
Orientaciones prácticas
A partir de la investigación, el profesorado y los diseñadores pueden aplicar la PCR a la IA:
- Tratar la IA como generadora de borradores, no como autoridad. Los hallazgos de Trust et al. sobre educación cívica muestran que el profesorado debe introducir el pensamiento de orden superior y las perspectivas multiculturales que la IA omite; el juicio humano sigue siendo esencial para la autenticidad cultural y la sintonía con la comunidad.
- Incorporar el contexto demográfico y cultural en los prompts y las herramientas. CulturAIEd y ConnectED (un sistema vietnamita de planificación de clases alineado con el currículo) muestran que las plantillas de prompt estructuradas y localmente fundamentadas, junto con controles de validación docente, mejoran el encaje cultural frente a la generación genérica.
- Centrar el conocimiento de la comunidad como estándar evaluativo. Siguiendo el aprendizaje con IA basado en la comunidad, haz que el estudiantado juzgue las salidas de la IA con criterios de relevancia, daño y utilidad fundamentados localmente, y respeta los contextos en los que rechazar o no usar la IA es la decisión correcta.
- Adoptar y evaluar conjuntos de datos culturalmente fundamentados. IKS-Instruct y NSMQ Riddles ilustran que los datos específicos de dominio y no occidentales mejoran de forma significativa tanto la relevancia como una evaluación honesta.
- Haga que la IA entreviste al docente antes de redactar. Zhai et al. (2026) describen un planificador de clases culturalmente receptivo cuya arquitectura de prompts interactiva y semiautomatizada pregunta primero por el contexto y la cultura, y después redacta a partir de las propias respuestas del docente en lugar de producir un plan genérico.
Implicaciones para la práctica
Para el profesorado
- No entregar nunca un plan de clase de IA sin prompt como si fuera culturalmente receptivo. La cifra del 94% es el comportamiento por defecto, así que el contenido cultural debe especificarse explícitamente y revisarse elemento por elemento.
- Ordenar las adiciones propias con la escalera Aditivo/Transformación/Acción social y apuntar al menos un peldaño más arriba de lo que parezca natural. La mayor parte de la diversidad generada se queda en la base.
- No suponer que la política de la institución viaja con el estudiantado. El contexto cultural moldea sus juicios éticos más que el reglamento.
Para quienes desarrollan
- Tratar la idoneidad cultural como un asunto de la canalización y no del prompt. La limitación que el propio piloto reconoce es que la adaptación estaba en el prompt, lo que significa que desaparece cuando el prompt cambia.
- Evaluar el contenido generado con la escalera completa, informando cuántos elementos alcanzan la Transformación o la Acción social: un recuento de diversidad que se detiene en lo Aditivo parecerá satisfactorio y significará muy poco.
- Hacer visible la relación docente-estudiantado en cualquier instrumento que se construya; la importancia de las características la situó en segundo lugar entre los predictores de estrés en el trabajo citado, y es el activo que la generación genérica no puede aportar.
Para quienes investigan
- Informar el contenido cultural por nivel en lugar de como presencia o ausencia, ya que una presencia del 94% frente al 6% no dice nada sobre cuál es ese 6%.
- Distinguir explícitamente los resultados de percepción del profesorado de los resultados del estudiantado al informar sobre pilotos.
Concepciones erróneas
«Las salidas de la IA son culturalmente neutras a menos que se le pida cultura en el prompt.» El valor por defecto no es neutro: es dominante. Un análisis de 310 planes de clase de educación cívica generados por IA (2.230 actividades) encontró que el 94% no contenía contenido multicultural discernible —y de las 144 actividades que sí lo contenían, 137 se situaban en el nivel más bajo, «Aditivo», solo una alcanzó la «Transformación» y ninguna llegó a la «Acción social». Sin indicaciones, los modelos reprodujeron un valor por defecto no diverso, así que pedir cultura en el prompt no es una mitigación del sesgo: es la única razón por la que algo de eso aparece.
«Añadir ejemplos multiculturales constituye pedagogía culturalmente relevante.» La propia jerarquía del marco dice lo contrario, y la salida generada muestra por qué la distinción es operativamente importante. El contenido aditivo deja intactas la estructura y los supuestos de la unidad; la Transformación cambia cómo se enmarca el contenido; la Acción social pide al estudiantado que actúe sobre él. Confundir representación con transformación es cómo un corpus puede tener un 6% de contenido no vacío en diversidad y seguir estando muy lejos de ser culturalmente receptivo.
«La política institucional de uso de la IA determina lo que el estudiantado considera ético.» La cultura hace más trabajo que el texto de las políticas. Una encuesta transcultural con estudiantes canadienses y surcoreanos de informática encontró que la cultura, y no la política, determinaba las percepciones sobre la ética del uso de la IA: comportamientos idénticos se juzgaban de forma distinta entre cohortes. Una única política para toda la institución no produce, por tanto, una ética compartida, y tratarla como si lo hiciera llevará a malinterpretar a tu estudiantado.
«Un piloto con cuatro docentes en el que el profesorado se siente más seguro es evidencia de que el enfoque funciona.» Es evidencia sobre la percepción del profesorado, que vale la pena tener y no es lo mismo. En ese piloto mejoró la confianza del profesorado para detectar oportunidades de sensibilidad cultural y el 78% consideró útiles las sugerencias de la IA para diversificar los materiales —mientras los autores admiten que la adaptación cultural vive en el prompt y no en la canalización de PLN, y que la idoneidad cultural se evaluó en lugar de diseñarse. Confianza y utilidad no equivalen a una relevancia cultural demostrada para el estudiantado.
Conceptos conectados
- Equidad
- Diseño curricular
- Alfabetización en IA
- K-12
- Competencia en IA del profesorado
- La docencia
- Mitigación de sesgos
- Pedagogía crítica
- IA con intervención humana (HITL)
- Experiencia del estudiantado
- Educación superior
- Aprendizaje de lenguas
- Enseñanza de la informática
- Pedagogías y estrategias de enseñanza — Marco general: pedagogías y estrategias de enseñanza en la educación con IA
Artículos conectados
- Science Literacy: Generative AI as Enabler of Coherence in the Teaching, Learning, and Assessment of Scientific Knowledge and Reasoning — Planificador de clases que entrevista al profesorado sobre el contexto cultural antes de redactar (Zhai et al. 2026)
- LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM para una pedagogía culturalmente relevante en K-12
- Civic education in the age of AI: Should we trust AI-generated lesson plans — Planes de clase generados por IA en la educación cívica
- Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education — Aprendizaje con IA basado en la comunidad
- Generative artificial intelligence and the marginalization of minoritized knowledges in higher education: The case of disability — La IA generativa y la marginación de los conocimientos minorizados
- NSMQ Riddles: A Benchmark of Scientific and Mathematical Riddles for Quizzing Large Language Models — NSMQ Riddles: referencia de evaluación STEM de Ghana
- Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Percepciones transculturales del uso de la IA generativa
- Understanding how international students in the U.S. are using conversational AI to support cross-cultural adaptation — El estudiantado internacional y la IA conversacional
- ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning — ConnectED: planificación de clases en Vietnam
- An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — Un chatbot culturalmente consciente impulsado por IA para la detección del estrés y el apoyo al bienestar entre estudiantes universitarios pakistaníes mediante PLN y aprendizaje automático