Investigación basada en el diseño

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

La investigación basada en el diseño (IBD) — un enfoque metodológico que diseña, implementa y refina de forma iterativa una intervención educativa en contextos auténticos, alternando entre la teoría, el diseño y la práctica real para producir a la vez un artefacto utilizable y principios de diseño validados. En la IA en la educación, la IBD es el método de elección para desarrollar entornos de aprendizaje con IA, modelos pedagógicos y programas de formación docente que deben funcionar en la realidad desordenada de las aulas: cambia el control causal de los experimentos por autenticidad ecológica y refinamiento iterativo.

Preguntas para reflexionar

• La investigación basada en el diseño diseña, implementa y refina de forma iterativa una intervención en aulas reales, alternando entre la teoría y la práctica. ¿En qué se diferencia eso fundamentalmente de un experimento controlado, y por qué podría preferirlo quien investiga en el aula?
• La IBD cambia deliberadamente el control causal por la autenticidad ecológica. Si no puede decir con seguridad QUÉ causó una mejora del aprendizaje, ¿para qué sigue valiendo ese conocimiento?
• La IBD produce dos cosas a la vez: un artefacto utilizable y principios de diseño validados. ¿Cuál de esos dos productos le importa más: una herramienta que funciona o un principio que pueda aplicar en otro lugar?
• Una fortaleza de la IBD es su alta relevancia práctica; una limitación es que sus hallazgos están ligados al contexto y son difíciles de generalizar. ¿Cuándo confiaría lo suficiente en un hallazgo de IBD como para aplicarlo en un entorno muy distinto?
• Sin una medida de resultados controlada y sin asistencia, las mejoras de aprendizaje de la IBD pueden reflejar el mismo problema de «rendimiento inflado por la IA» que estudia. ¿Cómo diseñaría un estudio de IBD para que las mejoras que reporta signifiquen de verdad aprendizaje y no rendimiento asistido?

Introducción

La IBD es una tradición de diseño, no de datos: no encaja limpiamente en el contraste cuantitativo/cualitativo/experimental. Combina deliberadamente elementos de los tres —recogiendo datos de resultados y de proceso a lo largo de ciclos iterativos— para responder a «¿cómo diseñamos este entorno de aprendizaje con IA para que funcione en la práctica?» y no a «¿causa X a Y?». Está estrechamente relacionada con el diseño del aprendizaje (que especifica el proceso de diseño) y con la evaluación de usabilidad (que alimenta el refinamiento), pero se distingue por su carácter sostenido, guiado por la teoría y de múltiples ciclos, y por su doble objetivo de mejorar la práctica y generar teoría.

El ciclo de la IBD

La IBD no es un diseño único, sino un bucle iterativo que normalmente comprende:

1. Análisis de necesidades — comprender el problema, el contexto y quienes aprenden en entornos auténticos.
2. Diseño — articular una intervención y su fundamento teórico subyacente.
3. Implementación — desplegar la intervención en un aula o un programa reales.
4. Refinamiento — analizar los datos, revisar el diseño e iterar (a menudo a lo largo de varios ciclos).
5. Producción de teoría y artefacto — producir tanto una intervención utilizable como principios de diseño generalizables o un modelo validado.

El ejemplo canónico en la investigación sobre IA educativa es el estudio del modelo de aprendizaje colaborativo asistido por IA (AACL), que desarrolló un ciclo de IBD de cuatro fases —análisis de necesidades, diseño del modelo, una implementación de ocho semanas en el aula con estudiantes de grado indonesios y refinamiento del modelo— iterando sobre un ciclo de aprendizaje de cuatro etapas (identificación del problema → indagación colaborativa asistida por IA → resolución de problemas colaborativa → reflexión y presentación).

Cómo aparece la IBD en la base de conocimiento

• Desarrollo de modelos de aprendizaje. El estudio del modelo AACL usa la IBD para desarrollar y evaluar un modelo de aprendizaje colaborativo asistido por IA centrado en el pensamiento crítico y la resolución de problemas en la educación superior.
• Construcción de formación docente en alfabetización en IA. Le et al. desarrollan y evalúan una intervención de IBD de formación en alfabetización en IA generativa para estudiantes de formación docente; Baran et al. usan la IBD entre 2023 y 2025 para diseñar aprendizaje profesional sobre alfabetización en IA crítica fundamentado en principios de IA centrada en las personas.
• Diseño de estándares institucionales. Crompton et al. usan la IBD a lo largo de dos macrociclos iterativos y con 114 participantes para desarrollar seis estándares de integración tecnológica del profesorado.
• Implementación iterativa de sistemas. Rienties et al. describen seis estudios de IBD iterativos (18 meses, 498 participantes) que implementan el asistente de IA AIDA de la Open University con un enfoque de sistemas embebidos.
• Andamiaje y diseño de intervenciones. El andamiaje de pensamiento crítico con IA generativa y otros estudios de desarrollo de intervenciones usan la IBD para diseñar y refinar andamiajes basados en IA.
• Diseño curricular guiado por jóvenes y por especialistas. Moore et al. (2026) usan un proceso de IBD de dos años con un consejo asesor de jóvenes y especialistas en IA para diseñar un currículo de alfabetización en IA y aprendizaje automático integrado en ciencias para secundaria, refinando el diseño entre cohortes y midiendo las mejoras en conocimiento de aprendizaje automático: un ejemplo de IBD como codiseño participativo que integra la voz de los jóvenes en el ciclo de diseño.
• Correfinamiento iterativo de rúbricas como IBD. Yaşar et al. (2026) ejemplifican el carácter de refinamiento iterativo de la IBD aplicado al propio instrumento de evaluación: trataron la rúbrica como un artefacto de diseño revisable y alternaron el correfinamiento con un LLM —clarificando los descriptores de desempeño y aceptando explícitamente indicadores implícitos de aprendizaje—, lo que elevó la concordancia entre LLM y personas en 80 pósteres de diseño del estudiantado del 54,75% al 81,25% (alfa de Cronbach 0,393 → 0,798). El estudio sitúa la rúbrica como interfaz mediadora entre la intención pedagógica humana y la inferencia automática, y su ingeniería de prompts sensible al rol (docente, revisor entre pares, evaluador de subvenciones) muestra cómo las decisiones de diseño moldean la salida evaluativa: una demostración al estilo de la IBD de que el instrumento de evaluación, y no solo la intervención, es un objeto de diseño.
• Codiseño de alfabetización en IA en la primera infancia. Lee (2026) usa la IBD para codiseñar, pilotar y refinar el currículo Play With AI (PL-AI) a lo largo de ciclos iterativos con dos docentes de preescolar y dos de jardín de infancia, apoyándose en encuestas al profesorado, 32 horas de vídeo de aula, notas de campo y transcripciones de reuniones de diseño. El estudio documenta cómo la IBD apoya el refinamiento iterativo de actividades de alfabetización en IA apropiadas para el desarrollo y produce principios de diseño transferibles (juego corporeizado, programación tangible, diálogo guiado, codiseño docente).

Fortalezas y limitaciones

• Fortalezas: alta validez ecológica y relevancia práctica; produce tanto artefactos utilizables como teoría; responde a la complejidad de las aulas reales y de herramientas de IA en evolución; es muy adecuada para desarrollar un modelo y refinarlo a partir de evidencia de implementación auténtica; captura cómo funciona (o falla) una intervención en la práctica.
• Limitaciones: validez interna débil (pocos o ningún grupo de control); los hallazgos están ligados al contexto y son difíciles de generalizar; plazos largos; dificultad para aislar qué elemento del diseño causó un resultado: la IBD demuestra viabilidad y mejora, pero no puede atribuir las mejoras de aprendizaje a un mecanismo concreto.

La IBD cambia el control causal de los experimentos por autenticidad ecológica y refinamiento iterativo: su evidencia es más sólida como prueba de concepto y orientación de diseño que como eficacia causal. Leer las mejoras de aprendizaje de la IBD exige la misma precaución que otros diseños: sin una medida de resultados controlada y sin asistencia, las mejoras pueden reflejar el mismo factor de confusión de rendimiento inflado por la IA documentado en mejoras de aprendizaje.

Relación con otros métodos

La IBD es el método característico de las ciencias del aprendizaje, el campo interdisciplinar que estudia el aprendizaje y el diseño de entornos de aprendizaje, y que trata construir una intervención y estudiarla como una sola actividad y no como dos. Es complementaria, y no rival, de otros métodos de investigación (véase métodos de investigación en IA educativa para el panorama completo). Donde los experimentos establecen causalidad y las encuestas establecen amplitud, la IBD establece viabilidad y conocimiento de diseño: si una intervención puede construirse para funcionar en la práctica auténtica y qué principios de diseño la sostienen. Se combina con frecuencia con la evaluación de usabilidad (para refinar la interfaz) y con los métodos cualitativos (para comprender cómo experimenta el estudiantado la intervención). Un programa de IBD maduro suele culminar en un ensayo de eficacia o en un estudio de medición educativa que pone a prueba los efectos causales de la intervención desarrollada a escala.

Conceptos conectados

• Métodos de investigación en AIED
• ECA
• Investigación cuantitativa
• Investigación cualitativa
• Investigación con métodos mixtos
• Investigación sobre usabilidad
• Diseño de aprendizaje
• Medición educativa
• Mejoras en el aprendizaje
• Limitaciones de la investigación en AIEd
• Desarrollo teórico en la IA en la educación
• Ciencias del aprendizaje

Artículos conectados

• Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — IBD para un modelo de aprendizaje colaborativo asistido por IA
• Development and evaluation of artificial intelligence literacy training for teacher education students — IBD para la formación en alfabetización en IA en la formación docente
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — IBD para estándares de integración tecnológica del profesorado
• Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — IA centrada en las personas para formadores de docentes (IBD)
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Seis estudios de IBD que implementan AIDA en la Open University
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — IBD para el andamiaje de pensamiento crítico con IA generativa
• Design of a Science-Integrated Secondary School AI Literacy Curriculum: A Youth & AI Expert Guided Design-Based Research Approach — IBD para un currículo de alfabetización en IA integrado en ciencias (Moore et al. 2026)
• Play With AI (PL-AI): A Play-Centered, Design-Based Curriculum for AI Literacy in Pre-K and Kindergarten — Play With AI (PL-AI): currículo de alfabetización en IA centrado en el juego para preescolar y jardín de infancia (Lee 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — Los LLM como agentes del diseño pedagógico iterativo