Conceptos
Educación infantil
Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.
Educación infantil — el uso de la inteligencia artificial en la educación de los niños pequeños, desde preescolar hasta los primeros cursos de primaria (aproximadamente de 3 a 8 años). Esto cubre la alfabetización en IA y el pensamiento computacional para los estudiantes más jóvenes, los juguetes y el juego con IA, los robots de aula, el aprendizaje personalizado temprano, y las consideraciones de desarrollo, seguridad y equidad que se aplican a los niños y no a los adolescentes o los adultos. Los cursos superiores de primaria se tratan en educación primaria.
Preguntas para reflexionar
- Los niños pequeños se encuentran ahora con la IA a través de juguetes, chatbots y robots de aula. ¿Qué hace fundamentalmente distinta la relación de un niño de 5 años con la IA respecto a la de un adulto? ¿Y qué debería cambiar en la forma de pensar sobre los riesgos?
- Parte de la alfabetización en IA en la primera infancia se enseña mediante el juego «desconectado», sin ordenadores en absoluto. ¿Cómo pueden aprenderse conceptos abstractos de IA mediante actividades corporizadas y tangibles en lugar de pantallas?
- Una preocupación llamada «isomorfismo tecnológico» describe a estudiantes jóvenes que imitan la producción de la IA sin comprenderla. ¿Cómo distinguiría a un niño que ha aprendido de verdad de uno que simplemente repite una respuesta pulida?
- Como los estudiantes jóvenes son más vulnerables y menos capaces de autorregularse, el andamiaje adulto pasa a ser central. ¿Qué implica eso para un padre, una madre o un docente que decide cuándo y cómo debería un niño usar la IA?
- Si el acceso a un aprendizaje temprano rico en IA —o a una orientación adulta protectora— es desigual, ¿cómo se manifiesta la equidad de forma distinta en la primera infancia que en estudiantes de más edad?
- La base de evidencia aquí es en gran medida exploratoria y orientada al diseño, más que causal. ¿Qué querría saber antes de confiar en una afirmación sobre que un juguete o una aplicación con IA mejora el aprendizaje de los niños?
Introducción
Esta página abarca los años de preescolar y de primaria temprana, donde el juego es el modo de aprendizaje dominante y un adulto media la mayoría de los encuentros con una herramienta. Los cursos superiores de primaria, donde toman el relevo la enseñanza por asignaturas y el despliegue a toda la clase, se tratan en educación primaria. Los niños pequeños interactúan con la IA cada vez más temprano —a través de juguetes con IA, chatbots, plataformas de aprendizaje adaptativo y robots de aula—, aunque difieren en su desarrollo de los estudiantes de K-12 y de educación superior que dominan la mayor parte de la investigación sobre IA en la educación. Esa franja más joven tiene su propia base de evidencia. Se sitúa dentro del paraguas más amplio de K-12, pero es distinto porque las preocupaciones son específicas del desarrollo: el juego como modo principal de aprendizaje, el andamiaje adulto (padres/madres y docentes), la alfabetización en IA apropiada para la edad, y una atención acentuada al bienestar y a la seguridad. La explicación evolutiva que sustenta estas afirmaciones —cómo cambian las capacidades con la edad y por qué «apropiado para la edad» es una relación y no una etiqueta— está en psicología del desarrollo.
Cómo se agrupa la investigación
-
Alfabetización en IA mediante el juego desconectado. El marco AI-Play enseña conceptos de IA para la primera infancia mediante actividades desconectadas (sin ordenador), mostrando que las ideas abstractas de IA pueden introducirse en los niños pequeños mediante actividades corporizadas, lúdicas y tangibles (véase Aprendizaje basado en juegos), una vía de desarrollo apropiada hacia la Alfabetización en IA y el Pensamiento computacional.
-
Juguetes con IA y desarrollo infantil. La investigación sobre la IA en los juguetes examina cómo los juguetes comerciales con capacidad de IA moldean el desarrollo y el juego infantiles. Esto plantea cuestiones abiertas sobre los agentes en el juego, la calibración de la confianza, la agencia y el Bienestar de los estudiantes más jóvenes, un ámbito donde la orientación de diseño es más escasa que para los currículos de edad escolar, y donde los padres y las madres/tutores se convierten en partes interesadas centrales.
-
Actitudes de los niños hacia chatbots adaptados a su edad. Vahedian Movahed y Martin (2025) desplegaron «Ask Me Anything» (AMA), un chatbot acotado temáticamente (astronomía, zapatillas y zapatos, dinosaurios) adaptado por edad mediante ingeniería de prompts, con 63 niños (de 6 a 14 años), revelando tres patrones en la interacción niño–IA: asombro y curiosidad, puesta a prueba de la confianza y desarrollo de la seguridad en uno mismo, y construcción de relaciones mediante la antropomorfización, junto a una apertura amplia y una alta confianza en la IA como fuente de información. Su llamada a un diseño sensible a la edad y a la enseñanza explícita de la enseñanza de la seguridad digital y los conceptos de uso de datos refuerza las preocupaciones de desarrollo y de seguridad centrales en este concepto.
-
Aprendizaje de asignaturas en los primeros cursos de primaria. El aprendizaje personalizado con IA en fracciones de primaria y la IA en matemáticas de primaria (incluidas las preocupaciones sobre el «isomorfismo tecnológico»: estudiantes que imitan la producción de la IA sin comprenderla) muestran tanto la promesa como las trampas de la IA en la instrucción temprana de asignaturas. Una revisión sistemática sobre escritura en primaria e IA generativa mapea cómo la IA generativa está transformando la enseñanza de la escritura en los primeros cursos.
-
El aprendizaje del inglés en primaria tiene su propio mapa. Una revisión PRISMA-ScR de 119 informes clasificó en cinco funciones pedagógicas las herramientas mediadas por IA en la enseñanza del inglés en primaria, y su diseño más sólido, un ensayo aleatorizado por conglomerados con 217 estudiantes de segundo grado, ganó en las palabras enseñadas (tamaño del efecto = 0,38) mientras que el vocabulario estandarizado y la comprensión lectora no fueron significativos (Li y Zhou (2026)).
-
Robots y niños pequeños. La robótica en educación infantil apoya el pensamiento computacional mediante robots educativos, y la narración con humanoides impulsada por LLM explora si los padres aceptarán robots como compañeros de juego narrativo para sus hijos, poniendo en primer plano la confianza y las actitudes adultas.
-
Agentes conversacionales como facilitadores de la ASE, no sustitutos. Raave et al. (2026) hicieron que 18 educadores y 18 simulaciones de agentes dirigieran cada uno tres actividades de aprendizaje socioemocional basadas en relatos con un niño de IA estático, lo que dio 108 observaciones codificadas a ciegas: el agente fue más constante en el tono respetuoso y el andamiaje procedimental, mientras que los educadores destacaron en guiar la reflexión y el conocimiento socioemocional.
-
Un conjunto de competencias y no un currículo de alfabetización en IA. Una revisión de 86 recursos sostiene que la alfabetización en IA «no puede ser autónoma» para los niños de 0 a 8 años y la anida entre las funciones ejecutivas, el bienestar, las disposiciones de aprendizaje y las habilidades fundamentales, aunque solo 26 de los 86 recursos eran empíricos (Pei (2026)).
-
Un «Enfoque por Proyectos Creativos» que empareja agentes de IA con robots de aula. Yang, Li y Lee (2025) proponen un marco pedagógico de cinco pasos que integra agentes de IA generativa y robots en el Enfoque por Proyectos para fomentar el aprendizaje creativo de los niños pequeños. Sostienen que los agentes físicos son más apropiados que las pantallas para los niños pequeños. Emparejan dos paradigmas complementarios con sus teorías del aprendizaje: los robots de programación (el construccionismo de Papert; el pensamiento computacional mediante programación tangible con herramientas como Matatalab y KIBO) y los robots sociales generativos (el andamiaje vygotskiano dentro de la Zona de Desarrollo Próximo del niño, actuando como compañeros o tutores conversacionales). Los cinco pasos —identificar las necesidades de aprendizaje, facilitar la interacción niño–robot guiada por el docente, situar la IA en contextos, calibrar el equilibrio entre automatización y creatividad, y evaluar los resultados— ofrecen a diseñadores y profesionales de la educación infantil una ruta concreta para integrar agentes de IA y robots en aulas basadas en el juego y en el aprendizaje por proyectos, preservando la facilitación docente y la agencia infantil.
-
Currículos de alfabetización en IA centrados en el juego. Lee (2026) presenta la investigación basada en el diseño de Play With AI (PL-AI), un currículo apropiado para el desarrollo en el que dos docentes de preescolar y dos de educación infantil codiseñaron siete actividades secuenciadas que combinan juego desconectado (componer y probar algoritmos del tipo «cómo hacer»), programación tangible (Bee-Bot, Ozobot) y diálogo guiado con un robot social de IA. La evidencia formativa mostró un crecimiento sustancial en la confianza docente y en la agencia pedagógica, y emergieron cuatro principios de diseño —juego corporizado, programación tangible, diálogo guiado y codiseño con el profesorado— alineados con la Iniciativa AI4K12 y los marcos de NAEYC. Es un modelo de cómo los robots y las herramientas tangibles pueden integrarse en una alfabetización en IA basada en el juego y dirigida por el docente para los estudiantes más jóvenes.
-
Planificación de clases asistida por IA para docentes de artes STEAM de niños. Un estudio experimental con docentes de arte infantil (Luo y Tahir 2025) encontró que los planes de clase asistidos por ChatGPT fueron valorados significativamente más altos en calidad que los generados por el profesorado por seis catedráticos expertos (mediana 20,5 frente a 17,6; p = ,002; efecto grande), al tiempo que mapeaba cómo delegaban los docentes —con mayor frecuencia (60%) para cubrir carencias de contenido en una clase esquematizada por ellos mismos en lugar de generar planes completos—. Los docentes valoraron la IA sobre todo como herramienta de inspiración y de detección de carencias para la integración STEAM interdisciplinar y la selección más rápida de temas, pero señalaron resultados poco prácticos para aulas reales, que pasaban por alto las restricciones de seguridad infantil (p. ej., cuchillos de trinchar para niños pequeños) y que arrastraban un sesgo cultural occidentalo-céntrico: una cautela concreta y fundamentada en el desarrollo para el uso de IA generativa con estudiantes jóvenes que el marco de prompt Rol–Instrucciones–Objetivo Final se construyó para atemperar.
-
Alfabetización mediática crítica apoyada por la IA en los años de primaria. Demir y Akar (2026) evalúan un programa de alfabetización mediática crítica de 18 horas, con el modelo 5E, para estudiantes de cuarto curso en una escuela primaria pública turca, integrando IA generativa (ChatGPT, Grammarly, Canva AI, Padlet) fase por fase como agente pedagógico en lugar de como un añadido aislado, con actividades alineadas con los currículos turcos de Lengua y Estudios Sociales. El grupo con apoyo de IA mostró grandes ganancias en lectura mediática (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17; todas con p < ,01) con tamaños del efecto entre grupos de la d de Cohen de 1,12 a 1,31, mientras que el grupo de control avanzó solo modestamente. El análisis cualitativo de entrevistas, artefactos de los estudiantes (carteles, dibujos, eslóganes) y observación de aula sacó a la luz seis dominios de crecimiento en alfabetización mediática crítica —autoprotección digital y privacidad de datos, uso mediático con propósito y responsable, comunicación segura y conciencia de límites, evaluación crítica y conciencia de la desinformación, conciencia de los riesgos en línea, y ética mediática/ciudadanía digital—, ofreciendo un raro modelo cuasiexperimental y alineado con el currículo de cómo la IA puede apoyar la alfabetización en IA crítica y el pensamiento crítico en los cursos de primaria.
-
Observación de la calidad de la interacción docente–niño puntuada por IA. Fong et al. (2026) evalúan un LLM frente a evaluadores humanos entrenados sobre el marco CLASS Pre-K completo en guarderías de Hong Kong —87 observaciones grabadas en vídeo de 38 aulas en 30 guarderías, puntuadas a partir de transcripciones por GPT-5.0 y comparadas con ocho evaluadores entrenados—. El acuerdo fue moderado en general (κ ponderada = 0,681), pero condicionado al constructo: la convergencia se mantuvo en el dominio de Apoyo Emocional y en Calidad de la Retroalimentación —la dimensión que vehicula el apoyo verbal explícito y basado en el intercambio—, mientras que la Organización del Aula divergió por completo y los evaluadores puntuaron las dimensiones emocionales más alto que el modelo, con una brecha muy grande en la dimensión de Clima Negativo, de puntuación inversa (d = 2,732; los evaluadores dieron el máximo de 7 en 63 de 71 observaciones, mientras que la IA se agrupó en 6). La lección propia de la primera infancia es específica del desarrollo: la calidad que reside en el comportamiento no verbal, espacial y de rutina —gestión, movimiento, calidez, tono— es invisible para un flujo de trabajo basado solo en transcripciones, la dirección del error del modelo depende del constructo en lugar de ser uniformemente conservadora, y por ello los autores sitúan la puntuación con IA como una herramienta de cribado y reflexión para el profesorado en lugar de un sustituto de los observadores entrenados.
-
Docentes en formación diseñando actividades de ciencias. Efthimiou y Plakitsi (2026) pidieron a 131 docentes de educación infantil en formación que diseñaran actividades de magnetismo con LLM: puntuaron la estructura y la eficiencia de los modelos como lo más alto (M = 3,95), pero la fiabilidad epistémica de sus contenidos como lo más bajo (M = 3,08), tratándolos como artefactos de lluvia de ideas y manteniendo la transformación didáctica como una responsabilidad humana.
-
Qué predice si el profesorado de preescolar adopta la IA. Una encuesta a 270 docentes de preescolar de Shanghái, Zhejiang y Guangdong, modelada con un TAM ampliado, encontró que la utilidad percibida y la facilidad de uso percibida predecían la intención de usar la IA, con la autoeficacia en IA elevándola y la ansiedad ante la IA reduciéndola (Duan, Shan y Gong 2026). El estudio excluyó por diseño las herramientas dirigidas a los niños, así que sus palancas —fomentar la confianza y la formación de bajo riesgo— conciernen al trabajo profesional del propio profesorado.
-
La IA aproximando juicios de desarrollo sobre cuentos infantiles. Yin et al. (2026) con CLARA anotan las demandas cognitivas, lingüísticas y socioemocionales de un cuento y coinciden con las referencias de edad de las editoriales el 0,904 de las veces, por delante de las fórmulas de legibilidad (0,603) y del prompting directo (0,730), y se ofrecen como una señal de apoyo, no como un sustituto del juicio humano.
-
La alfabetización en IA como trabajo interpretativo de aula, no como conocimiento individual. Konca y Yigit-Gencten (2026) codificaron 17 sesiones de narración en un preescolar turco en las que la docente escribía todos los prompts de Midjourney y la clase veía los resultados en una pantalla compartida. Los niños explicaban los desajustes atribuyendo pensamiento, audición e intención al sistema («no pudo pensarlo lo suficientemente bien»), debatían la relación entre los prompts y los resultados, y votaban qué imágenes conservar. Como las preguntas de la docente decidían qué explicaciones se retomaban, y a veces cerraban la indagación por completo, la alfabetización temprana en IA queda aquí distribuida a lo largo de la actividad y no en poder de un niño.
-
La literatura sobre la formación inicial no se ha organizado en torno a la IA. Un mapa bibliométrico de 86 publicaciones sobre la alfabetización digital y mediática del profesorado de educación infantil en formación encontró la IA presente pero demasiado dispersa para formar un grupo temático, con la competencia digital en el centro y la alfabetización mediática solo débilmente vinculada (Janegizova et al., 2026).
Rutas desconectadas y construccionistas, y qué demuestra la implicación
Los marcos anteriores presentan el juego desconectado como la entrada apropiada al desarrollo de los conceptos de IA. La literatura más amplia sobre primaria lo trata como un diseño minoritario. En los 25 estudios que revisaron Yim y Su (2025), los agentes aparecieron en 15 y los dispositivos centrados en software en 8, mientras que las actividades desconectadas aparecieron en 3. El trabajo desconectado es aquí más un argumento pedagógico defendible que una práctica medida: su base es más débil que la de los diseños basados en agentes y dispositivos.
Cuando la tradición construccionista sí se traslada, la secuencia está en disputa. Las rutas de programación usan Scratch, MIT App Inventor y Cognimates para enseñar codificación basada en reglas antes del aprendizaje basado en datos, y Yim y Su cuestionan ese orden, ya que el aprendizaje automático pide al estudiante curar ejemplos en lugar de escribir reglas. Para un niño de cinco años cuyo único modelo de ordenador es una lista de comandos, esa es la distancia entre programar un robot y enseñarle. La revisión también enumera la IA generativa como dirección futura y no como hallazgo, por lo que la mayor parte del trabajo sobre narrativa y agentes descrito en esta página es posterior a la base de evidencia de la que podría nutrirse.
La implicación es el resultado que estos diseños reportan con más frecuencia, y no es comprensión. Barokah, Hermita y Putra (2026) clasifican 103 publicaciones de 2023 a principios de 2026 en cinco grupos de aplicación, entre ellos la robótica, y advierten que un niño absorto en un desafío de construcción puede no aprender nada sobre el fenómeno que modela. Su hallazgo más amplio es que el valor depende de cómo el docente enmarca y media la tarea, un argumento que apoyan en trabajos citados y no en su propia codificación.
La brecha epistémica es más aguda donde la ciencia temprana más la necesita. El mismo mapa encuentra resultados que se reparten en categorías cognitivas, afectivas, regulatorias y participativas, mientras que los estudios rara vez preguntan si los niños separan la observación de la inferencia, construyen un modelo o reconocen los límites de una afirmación generada por IA. También advierte que las tareas de desempeño de los últimos cursos de primaria producen explicaciones parciales, dibujos y gestos, de modo que una puntuación que trata una respuesta evolutivamente productiva como errónea despoja a la evaluación de su uso formativo. Para un docente de niños de seis y siete años, esa es una razón para mantener a un adulto leyendo el artefacto en lugar de un modelo puntuándolo.
Consideraciones de desarrollo y equidad
Como los estudiantes jóvenes son más vulnerables y menos capaces de autorregular su uso de la IA, este grupo de investigaciones enfatiza el andamiaje por parte de adultos (padres, madres, tutores y docentes), el diseño apropiado para la edad, y el riesgo de dependencia excesiva y de daño si la IA sustituye, en lugar de apoyar, el trabajo de desarrollo que supone el juego, el descubrimiento y el aprendizaje con esfuerzo. La equidad es una preocupación vigente: el acceso a un aprendizaje temprano rico en IA (o a una orientación adulta protectora) es desigual, lo que conecta con la brecha digital y la equidad en la IA educativa. Gran parte de la base de evidencia sigue siendo exploratoria u orientada al diseño, más que causal.
Una comparación de cuatro países agudiza la brecha curricular: las directrices nacionales de educación infantil de Japón, Corea del Sur y China no contienen ninguna referencia explícita a la alfabetización en IA (el plan de acción de la ciudad de Shanghái es la única excepción, y no especifica progresiones de aprendizaje), mientras que Australia muestra solo una alineación limitada y desigual —más fuerte en la interacción con agentes de IA, ausente en la comprensión de las relaciones entre personas e IA—, lo que deja la alfabetización en IA al hogar (Cohrssen et al. (2026)).
Una primera ventana de neuroimagen sobre esta cuestión llega con una cautela: niños de 6 a 7 años que mantuvieron una conversación hablada de cinco minutos con ChatGPT en un escáner de resonancia magnética mostraron una conectividad dentro de la red más débil que los adultos en las redes de control frontoparietal, de relevancia y de atención dorsal, con puntuaciones de creatividad equiparadas, y carecían del acoplamiento creatividad–conectividad que mostraban los adultos. Como esas funciones ejecutivas aún son inmaduras en el primer curso, los autores leen el resultado como relevante para el debate sobre la edad mínima, a la vez que señalan como límites de lo que zanja un posible sesgo de encuadre y la ausencia de un control sin ChatGPT (Horowitz-Kraus et al. (2026)).
Concepciones erróneas
- «El profesorado usará la IA para generar clases completas.» El profesorado delegó con mayor frecuencia (60%) para cubrir carencias de contenido en una clase esquematizada por ellos mismos en lugar de generar planes completos. La unidad de delegación es la carencia, no la clase.
- «Los niños pequeños obtienen menos de la alfabetización mediática apoyada por la IA.» El grupo con apoyo de IA mostró grandes ganancias en lectura mediática (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17; todas con p < ,01), con tamaños del efecto entre grupos de d = 1,12 o superiores. Las ganancias fueron grandes en esta franja de edad, no marginales.
- «La observación automatizada coincide con los evaluadores humanos en todos los ámbitos.» El acuerdo fue moderado en general (κ ponderada = 0,681) pero condicionado al constructo: la convergencia se mantuvo en el dominio de Apoyo Emocional y en Calidad de la Retroalimentación, y no en los demás. Promediar los dominios oculta dónde falla el instrumento.
Conceptos conectados
- Psicología del desarrollo
- K-12
- Alfabetización en IA
- Pensamiento computacional
- Robots en la educación
- Agente pedagógico
- Aprendizaje basado en juegos
- Aprendizaje experiencial
- IA en la educación
- Educación matemática
- Escritura
- Bienestar
- Agencia de quien aprende
- Seguridad pedagógica
- Calibración de la confianza
- Equidad
- Brecha digital
- Madres, padres y familias
Artículos conectados
-
AI-mediated tools in primary English language education: a scoping review of pedagogical functions and teacher orchestration — Herramientas mediadas por IA en la enseñanza del inglés en primaria: una revisión de alcance de funciones pedagógicas y orquestación docente
-
Shaping early childhood in the age of AI: holistic competencies, pedagogical practices, and ecological support — Dar forma a la primera infancia en la era de la IA: competencias, pedagogía y apoyo ecológico (Pei 2026)
-
Preservice Early Childhood Educators' Engagement with Generative AI in Science Activity Design: The Case of Magnetism — El compromiso del futuro profesorado de educación infantil con la IA generativa en el diseño de actividades científicas: el caso del magnetismo
-
CLARA: Can AI Assess Developmental Appropriateness in Children's Stories? — CLARA: ¿puede la IA evaluar la adecuación evolutiva de los cuentos infantiles?
-
Exploring factors influencing preschool teachers' behavioral intention to use AI technologies in early childhood settings — Preschool teachers' behavioral intention to use AI in early childhood settings (Duan et al. 2026)
-
AI-Play: A Framework for Teaching Artificial Intelligence Concepts through Unplugged Activities in Early Childhood Education — AI-Play: conceptos de IA desconectados en la primera infancia
-
Artificial Intelligence in Toys: Implications for Child Development and Play — Juguetes con IA y desarrollo infantil
-
Fostering computational thinking through robotics in kindergarten: A systematic review of learning strategies, frameworks, and assessment — Pensamiento computacional mediante robótica en educación infantil
-
Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning — Aprendizaje personalizado con IA en fracciones de primaria
-
Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — La enseñanza de la escritura en primaria en la era de la IA generativa
-
Awareness of Technological Isomorphism: Integrating AI into Elementary Mathematics Teaching on Data and Prediction — A Case Study of the Compound Line Graph — Isomorfismo tecnológico en matemáticas de primaria
-
Would you let a humanoid play storytelling with your child? A usability study on LLM-powered narrative human-robot interaction — Narración con humanoides y LLM con niños
-
An experimental study exploring human–AI complementarity in early social-emotional learning — Complementariedad humano–IA en el aprendizaje socioemocional temprano (Raave 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 educación infantil (Lee 2026)
-
Transforming clicks into critical thinking: An AI-based media literacy program for children — Programa de alfabetización mediática crítica basado en IA para niños
-
Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot
-
Tailoring AI agents for early learning: The Creative Project Approach — El Enfoque por Proyectos Creativos: un marco para adaptar agentes de IA y robótica al aprendizaje temprano (Yang, Li y Lee 2025)
-
Lower engagement of cognitive control in children on ChatGPT — Primera comparación por neuroimagen de niños y adultos conversando con ChatGPT: redes de control, atención y memoria menos integradas en niños de 6 a 7 años
-
I code or AI code: A comparative evaluation of AI-rated scores in classroom observations — I code or AI code: puntuaciones CLASS Pre-K valoradas por IA frente a evaluadores humanos entrenados en guarderías de Hong Kong (Fong et al. 2026)
-
AI literacy for AI natives? A four-country comparison — AI literacy for AI natives? A four-country comparison
-
Digital and media literacy of pre-service early childhood teachers in the context of digital education: a bibliometric analysis of research trends — Alfabetización digital y mediática del profesorado de educación infantil en formación en el contexto de la educación digital: un análisis bibliométrico de las tendencias de investigación
-
Artificial intelligence literacy education in primary schools: a review — La educación en alfabetización en IA en las escuelas primarias: cuatro ejes, enseñanza construccionista y una base de evidencia basada en gran medida en autoinformes (Yim y Su 2025)
-
Artificial Intelligence in Elementary Science Education: Mapping Research Trends, Educational Applications, and Emerging Challenges — Mapear la investigación en ciencias de primaria: cinco grupos de aplicación, mediación docente y resultados epistémicos escasos (Barokah et al. 2026)
Preguntas frecuentes relacionadas
Recursos relacionados
- Orientación sobre IA por edadUna guía interactiva de Compass Collaborative, de la Harvard Graduate School of Education, que combina nueve franjas de edad, de 0–2 a 26–40, con diez dominios del desarrollo y, en cada intersección, pregunta qué se está desarrollando, qué investigación sobre IA existe y cómo la IA podría ayudar u obstaculizar, explícitamente como hipótesis y no como hallazgos.