Desarrollo educativo

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

El desarrollo educativo (conocido también como desarrollo del profesorado) — los procesos, los programas y los apoyos institucionales que ayudan al personal docente a desarrollar las capacidades, la confianza y la identidad profesional necesarias para enseñar eficazmente con IA. El desarrollo educativo abarca la formación individual, el rediseño del currículo, el cambio de política institucional y el trabajo cultural de dar sentido a lo que la IA generativa significa para la profesión académica.

Preguntas para reflexionar

• Si el profesorado de un mismo departamento describe la IA, por un lado, como un «asistente» humano y, por otro, como una mera «herramienta» o un «buscador», ¿puede un programa de formación tener éxito de verdad antes de sacar a la luz esos modelos mentales subyacentes? ¿Qué podría pasar si el desarrollo se saltara ese paso?
• El desarrollo educativo suele plantearse como cerrar una brecha de capacidades: enseñe al profesorado las herramientas y las adoptará. Pero alguna investigación enmarca la integración de la IA generativa como un cambio a nivel de identidad («¿qué sentido tiene enseñar en un mundo con IA generativa?»). ¿Qué marco cree que es más exacto y qué acciones distintas implica cada uno?
• Los marcos de preparación como EPIQ-AI dividen la preparación del profesorado en dominios epistémico, pedagógico, institucional y de calidad y cumplimiento. Si la preparación es un problema de alineación sociotécnica y no una brecha individual de capacidades, ¿qué dice eso sobre dónde es probable que se quede corto un «taller de IA» aislado?
• ¿Cuándo ha sentido que sus propias suposiciones sobre una tecnología nueva salían a la luz y cambiaban, mediante la conversación, la metáfora o un lenguaje compartido, y no mediante la instrucción? ¿Qué papel cree que desempeñan el lenguaje compartido y el análisis de metáforas para ayudar al personal docente a dar sentido a la IA?
• Piense en un «taller de metáforas» de baja tecnología en el que profesorado, personal y estudiantado articulen si la IA se parece a una navaja suiza, a un ayudante, a una caja negra o a un competidor. ¿Podría sacar a la luz los miedos (incluido el miedo a que la IA sustituya los roles docentes) hacer más por la adopción que una formación más técnica?

Introducción

El desarrollo educativo es el trabajo profesional e institucional mediante el cual el profesorado construye la capacidad de diseñar, enseñar y evaluar bien; en la era de la IA se ha convertido en una condición previa para que cualquier cambio pedagógico surta efecto. El concepto abarca lo individual (la alfabetización en IA, la confianza, la competencia, las actitudes) y lo institucional (los estándares, la política, el aseguramiento de la calidad y la alineación entre las expectativas declaradas sobre la IA y el diseño real de la evaluación). Un hallazgo recurrente en esta base de conocimiento es que la evidencia sobre la práctica eficaz va muy por delante de lo que la mayoría de las instituciones ha implementado, lo que convierte el trabajo de desarrollo —y no más investigación primaria— en la restricción vinculante. Las ciencias del aprendizaje producen los hallazgos que este trabajo traslada: allí donde ese campo establece empíricamente cómo aprende la gente y qué diseños cambian los resultados, el desarrollo educativo es la práctica institucional que lleva esa evidencia a cómo el profesorado enseña y evalúa de verdad. Su labor, no obstante, está acotada por un límite institucional: el desarrollo construye capacidad en el personal de dentro de una institución, mientras que las herramientas que después se le pide adoptar suelen construirse fuera de ella, por los desarrolladores de tecnología educativa, cuyas decisiones de diseño y de compra —los valores por defecto, la configurabilidad, lo que sobrevive a la financiación— llegan como restricciones del programa y no como productos suyos.

El desarrollo educativo en la era de la IA

• Marcos de preparación: el marco EPIQ-AI identifica cuatro dominios de preparación: epistémico, pedagógico, institucional y de calidad y cumplimiento. La preparación del profesorado es un problema de alineación sociotécnica, no solo una brecha individual de capacidades.
• Estándares para la integración tecnológica: Crompton et al. usan la investigación basada en el diseño para desarrollar estándares del profesorado para la integración de la tecnología (incluida la IA) en instituciones de educación superior.
• Adopción y confianza: la investigación sobre la adopción de la IA por el profesorado identifica las preocupaciones, el apoyo, la confianza y las actitudes como predictores clave. Los programas de desarrollo del profesorado deben abordar los cuatro.
• Integración curricular: los marcos de cambio institucional y la reforma de la evaluación exigen que el profesorado rediseñe los cursos, y no solo que añada herramientas de IA.
• Programas de formación: los marcos de capacitación en IA y la formación inicial basada en TPACK ofrecen modelos para una educación en IA estructurada del profesorado.
• Gobernanza y política: el análisis de las políticas institucionales sobre IA documenta la brecha entre las ambiciones institucionales y la capacidad de apoyo al profesorado.

Metáforas y lenguaje compartido en el desarrollo educativo

El profesorado sostiene modelos mentales heterogéneos y a menudo profundamente ambivalentes sobre la IA, y un desarrollo eficaz debe sacarlos a la luz y trabajar con ellos. Gerhardt et al. muestran que el personal docente de ingeniería enmarca la IA mediante metáforas que a la vez construyen y limitan la comprensión (la IA como «asistente» humano frente a «herramienta» o «buscador»); como el profesorado de un mismo departamento sostiene a menudo conceptualizaciones fundamentalmente distintas, un lenguaje compartido y preciso sobre la IA generativa es un requisito previo para un desarrollo eficaz del profesorado y para conversaciones departamentales productivas sobre la adopción.

Un método práctico para sacar a la luz estos modelos mentales es el taller de análisis de metáforas. Vallis, Wilson y Casey (2025) diseñaron y validaron un taller colaborativo de baja tecnología para que profesorado, personal y estudiantado articularan sus metáforas sobre la IA generativa. Las metáforas de los participantes se agruparon en cuatro categorías —Funciones (propias de una herramienta: «navaja suiza»), Roles (propios de una persona: «ayudante», «amienemigo»), Cualidades (incognoscibles: «caja negra», «pendiente resbaladiza») y Agencia (amenazantes: «competidor», «robot siniestro»)—, sacando a la luz tensiones persistentes entre la agencia humana y la de la máquina, y entre lo conocido y lo incognoscible. El taller ayudó a los participantes a sacar a la luz sus suposiciones, a conectar entre roles, a sentir que «no están solos» y a pensar en la ética de la IA generativa, sin exigir conocimientos técnicos. Como herramienta de desarrollo, ofrece a quienes diseñan programas una vía de bajo umbral para sacar a la luz las suposiciones de un equipo antes de rediseñar la evaluación o de desplegar una política, y para abordar los miedos de frente, incluido el miedo a que la IA sustituya los roles docentes.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

La IA generativa como trabajo de identidad, no solo capacitación

Una mirada informada por los conceptos umbral reformula la integración de la IA generativa como una transformación ontológica para el profesorado, y no como una brecha de capacidades. Aplicando la teoría de los conceptos umbral (Meyer & Land), Laidlaw sostiene que la IA generativa reúne las cinco características de un umbral: es transformadora (reconstruye las suposiciones sobre la evaluación, la pedagogía y el rol profesional), problemática (vulnera las creencias sobre la originalidad, la agencia humana y la relación entre esfuerzo y logro), irreversible, integradora (conecta tecnología, pedagogía, epistemología e identidad) y delimitada (la fluidez con la IA generativa se convierte en un nuevo marcador de vigencia profesional).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Desde esta perspectiva, el profesorado que pregunta «¿qué sentido tiene enseñar en un mundo con IA generativa?» no carece de competencia; se encuentra en una fase liminal de cruce del umbral en la que la ansiedad, la resistencia y la confusión son partes necesarias de la transformación y no obstáculos que eliminar. La formación basada en capacidades que responde a una pregunta de competencia que el profesorado no se está haciendo puede volverse periférica respecto a la transformación real, y una gobernanza bien intencionada puede degenerar en una «ilusión de aplicación»: comunicar reglas en lugar de apoyar el cambio.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Implicación de diseño: complemente (no sustituya) la construcción de capacidades con prácticas que sostienen la identidad: sesiones abiertas con preguntas de identidad en lugar de demostraciones técnicas, cohortes continuas específicas de cada disciplina en las que el profesorado explore qué significa la IA generativa para el propósito de su campo, estructuras de mentoría entre pares que respeten ritmos de transformación distintos, y distinción entre la vacilación basada en el miedo (que se beneficia del apoyo) y la no adopción por principios, anclada en valores disciplinares legítimos (que merece respeto).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) El modelo de taller de metáforas descrito arriba es una concreción de esto: en lugar de partir de la capacitación técnica, se abre con la pregunta interpretativa y cargada de identidad sobre qué significa la IA generativa para los participantes.

Apoyo empírico al marco del trabajo de identidad. Farazouli et al. (2026) aportan evidencia cualitativa directa de este relato: 24 docentes universitarios suecos describieron la irrupción de la IA generativa como alarmante y abrumadora, informando de un «estado de vulnerabilidad» (poca confianza, inseguridad, miedo a «no ir por delante del estudiantado») y de sentirse «atascados» entre los discursos utópicos y distópicos. Su conocimiento y su experiencia limitados, junto con los sentimientos de vulnerabilidad, subrayan la falta de preparación del profesorado para navegar, valorar y adoptar la IA generativa, y los autores sostienen que las instituciones deben ofrecer espacios y tiempos designados para que el profesorado experimente con la IA generativa, intercambie ideas y desarrolle colaborativamente prácticas y directrices a nivel institucional, departamental y de curso. Esto ancla el enfoque del trabajo de identidad y orientado al apoyo en la experiencia que el propio profesorado declara, y no solo en la teoría.

Un programa que trabajó la pregunta de identidad de forma directa. Chick, Morello y Staffey (2026) informan de un instituto de verano de seis semanas que llevó a diez miembros del profesorado de Educación, Ciencias de la Salud, Empresa y otros programas desde una baja fluidez en IA (autovaloración media de 1,89 en una escala de seis puntos) hasta un 60% que declaraba alta confianza para guiar el uso de la IA por parte del estudiantado y un 90% con percepciones positivas, y atribuyen el cambio menos a la formación en herramientas que a una experimentación estructurada y segura que se abrió con la pregunta existencial sobre el valor profesional en lugar de con demostraciones. El cambio de vocabulario es el marcador en el que se apoyan: los marcos iniciales de la IA como «máquina de copiar» o «fuerza deshumanizadora» dieron paso a «asistente curioso», y sus cuatro temas —del miedo a la curiosidad, el deseo de claridad ética que el vacío de política no satisfacía, el diseño inclusivo como amplificador de equidad y el paso del profesorado de guardianes a guías— describen una reorientación parcial y deliberada de la identidad docente. Los diez rediseños de trabajo final son la evidencia más sólida: ocho de diez sitúan la IA como un andamiaje que apoya el pensamiento en lugar de sustituirlo, y la pedagogía simbiótica de los autores formaliza lo que construyeron los participantes: diseño complementario, proceso transparente, integración crítica, razonamiento ético incorporado y refinamiento iterativo. La advertencia es estructural y no individual: los mismos participantes señalaron señales políticas contradictorias, suscripciones personales a herramientas y ninguna reducción de carga para hacer los rediseños, por lo que los autores concluyen que la resistencia nunca fue el problema y que las respuestas fragmentarias que dejan intactas la política y la infraestructura fracasarán incluso con una cohorte entusiasta.

El desarrollo como mediación, y la primera pregunta que se hace quien desarrolla. Sithole (2026) estudia el desarrollo académico —el nombre más antiguo del campo, y el término que usa el International Journal for Academic Development, que publicó el artículo— en dos instituciones sudafricanas históricamente desfavorecidas, y reformula a quienes desarrollan no como implementadores técnicos sino como mediadores digitales que trabajan en tres registros: el pedagógico (traducir el discurso de la IA a una práctica viable de enseñanza, aprendizaje y evaluación), el ético (contener la automatización frente a la integridad académica, la innovación frente al cuidado) y el institucional (trabajar en el espacio liminal entre los imperativos de la dirección y las preocupaciones académicas). Dos hallazgos importan para el diseño de programas. Primero, la pregunta que filtra es contextual antes que técnica —«¿qué significa esto para la enseñanza aquí, para nuestro estudiantado de escuelas pobres?»—, y frenar la adopción cuenta como parte del trabajo y no como resistencia a él. Segundo, el coste afectivo es estructural y no personal: se esperaba que quienes desarrollan proyectaran dominio de unas herramientas cuyas implicaciones aún estaban dilucidando («me siento un impostor. Aprendo IA sobre la marcha, pero la institución espera pericia»), y su respuesta fue el aprendizaje profesional entre pares orientado al juicio y no a la destreza, incluido el intento deliberado de romper las herramientas. La aportación analítica del artículo es separar la desigualdad digital, un problema distributivo, de la colonialidad algorítmica, un problema epistémico que sobrevive al acceso pleno, y situar ambos dentro de la educación superior del Sur global, donde se espera que el trabajo de desarrollo sea transformador y no un servicio de apoyo neutro.

La culpa y el malestar moral como señal de desarrollo. Vassallo (2026) aporta la contraparte afectiva del relato identitario. En una encuesta al personal académico de una universidad maltesa (109 respuestas, una tasa de 3,5% que el artículo lee como informativa en sí misma sobre el estado del debate ético), la culpa se asociaba a la ocultación y no a la divulgación: limitar el uso de IA por malestar correlacionaba con el Índice de Culpa por IA en r = 0,62 y evitar divulgarlo a los colegas en r = 0,50, mientras que la divulgación formal en las publicaciones académicas no mostraba relación alguna (r = 0,08). Solo 31,2% veía directrices institucionales claras, y la correlación entre esa claridad y una menor culpa era débil (r = −0,25, p = 0,010), lo que el artículo lee como evidencia de que los mandatos de arriba abajo no pueden resolver un problema en parte emocional y basado en la identidad. Sus recomendaciones son directamente de desarrollo: tratar la culpa y la preocupación por la identidad como respuestas transitorias normales y no como faltas que corregir, usar una experimentación estructurada y de bajo riesgo para que el personal atraviese la ansiedad anticipatoria, y apoyarse en la mentoría de académicos sénior, ya que la culpa era más alta entre el personal en inicio de carrera (M = 2,71) y más baja entre el sénior (M = 2,03).

Orientaciones prácticas para quienes diseñan programas

Para quienes desarrollan al profesorado, para los líderes académicos y para los diseñadores instruccionales que planifican el desarrollo profesional en IA, la evidencia de la base de conocimiento sugiere lo siguiente:

Aborde los cuatro motores de la adopción, no solo el conocimiento. La confianza, las actitudes, el apoyo y las preocupaciones predicen si el profesorado adopta realmente la IA: un taller que solo aporte conocimiento y los ignore difícilmente cambiará la práctica. Diseñe el desarrollo para construir confianza mediante el uso práctico, ofrezca apoyo continuo (no formación puntual) y saque a la luz y responda activamente a las preocupaciones del profesorado.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Trate la preparación como un problema de alineación sociotécnica. El marco EPIQ-AI muestra que la preparación del profesorado abarca los dominios epistémico, pedagógico, institucional y de calidad y cumplimiento. Los programas que solo forman a la persona pasan por alto las palancas institucionales (política, carga de trabajo, incentivos, estándares de calidad) que habilitan o bloquean el cambio: alinéelas junto con la formación.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Avance hacia el rediseño curricular, no hacia la adopción de herramientas. El objetivo es que el profesorado rediseñe cursos y evaluaciones, no solo que añada herramientas de IA. Ancle el desarrollo profesional en el trabajo de rediseño a nivel de curso y en la reforma de la evaluación, y dé al profesorado marcos estructurados para hacerlo (p. ej., escalas de evaluación, marcos de cambio institucional).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Construya la serie sobre los datos de la propia sala, no sobre buenas prácticas importadas. Perl-Nussbaum y Finkelstein (2026) documentan un modelo ya probado en un gran departamento de física de una universidad pública R1: seis sesiones quincenales de 60 a 75 minutos, con diecinueve miembros del profesorado participando a lo largo de la serie y unos diez en cada reunión, en las que cada sesión se abría con datos locales o materiales procedentes del departamento, pasaba a poner a prueba la IA en grupos pequeños frente a deberes reales y anonimizados del estudiantado, y cerraba con una discusión colectiva. Lo que el profesorado descubrió al probar fue más útil que cualquier paquete que los facilitadores pudieran haber importado: la IA resolvía todos los problemas que probaron, pero su retroalimentación sobre el trabajo real del estudiantado era desigual, dependiente de la consigna y centrada en lo superficial salvo que se le dieran objetivos y rúbricas explícitos, y el estudiantado daba consignas superficiales y modificaba la salida de forma superficial salvo que se modelara un uso productivo. El primer producto concreto fue un repositorio vivo de cinco entradas —declaraciones de política en el programa, materiales para la discusión en clase, la encuesta al estudiantado, tareas de deberes integradas con IA y estructuras de evaluación—, y por eso los autores tratan la estructura de las sesiones como el argumento en sí mismo y no como cualquier contenido que entregara.

Ancle el trabajo en un marco de competencias. El desarrollo también debería construir alfabetización en prompts pedagógica —la capacidad de codificar intenciones pedagógicas en las consignas—, ya que Talebzadeh (2026) encuentra que es la pericia pedagógica, y no la fluidez en IA, lo que determina la calidad del trabajo de diseño asistido por IA del profesorado.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Secuencie la comprensión antes de la automatización. Un análisis crítico del discurso de 14 piezas de literatura gris publicadas entre noviembre de 2022 y abril de 2025 que asesoran a profesionales sobre la IA generativa para la alineación constructiva encuentra que la capacidad debe preceder al acceso a las herramientas: como la calidad de la implicación precede a la calidad de la comprensión en un marco constructivista, el riesgo escala de forma inversa a la familiaridad, y quienes son novatos son los más expuestos a aceptar, por su apariencia plausible, salidas verosímiles pero pedagógicamente vacías. McInnes et al. (2026) sostienen además que las unidades de desarrollo deberían resistirse a un encargo tecnocrático —ayudar al profesorado a «adquirir fluidez» en herramientas que hacen «el trabajo pesado» del diseño de cursos—, porque ese marco deja a quienes desarrollan fuera de un bucle cerrado entre docentes e IA generativa y reconfigura un desarrollo relacional y guiado por valores como un mecanismo mediador para adoptar software. La alternativa defendible mantiene a quienes desarrollan el ámbito educativo como curadores y responsables de las reglas de cualquier asistente de alineación aumentado por recuperación y acotado institucionalmente que plantee preguntas incisivas, señale la evaluación insuficiente y excesiva y genere alternativas, pero nunca artefactos terminados, con la escalada al juicio humano en asuntos de acreditación y entre programas tratada como una característica y no como una excepción.

Saque a la luz y aborde los miedos y los modelos mentales. Antes de rediseñar la enseñanza, use un taller de análisis de metáforas (Vallis, Wilson y Casey 2025) para sacar a la luz las suposiciones y ansiedades de un equipo sobre la IA generativa —incluido el miedo a que sustituya los roles docentes— y construya un desarrollo que responda a ellas en lugar de ignorarlas.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modele la alfabetización en IA y mida ganancias reales. El desarrollo del profesorado debería encarnar él mismo las prácticas que enseña —usar la IA pedagógicamente, evaluar críticamente sus salidas— y debería evaluar la competencia demostrada en lugar de la confianza autoinformada, ya que la autopercepción sobreestima de forma sistemática la destreza en IA.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

No dé por supuesto que la pericia disciplinar se traslada a la IA generativa. Sutedjo, Chowdhury y Liu (2026) encuestaron a 127 miembros del profesorado de universidades estadounidenses orientadas a la investigación con el instrumento TPACK-21 y encontraron que el conocimiento del contenido (CK) no mostraba ninguna correlación significativa con el conocimiento tecnológico ni con ningún dominio integrado con la tecnología (r = 0,11–0,15, ns): la pericia disciplinar no predecía el conocimiento de integración de la IA generativa. Los dominios integrados con la tecnología (TPK, TCK, TPACK) se intercorrelacionaron con tal fuerza (r = 0,81–0,91) que pueden funcionar como un único factor de integración de la IA generativa. En la práctica: construya la integración de la IA generativa mediante actividades específicas de cada disciplina que conecten las posibilidades de la IA generativa con la materia de cada miembro del profesorado, y trate los dominios integrados con la tecnología como una única base compartida de alfabetización en IA generativa en lugar de formarlos como destrezas separadas.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Modelos de aula inteligente específicos de cada disciplina. Zhu, Liang, Mao y Wang (2026) muestran cómo un curso de máster en matemáticas puede mejorarse con tecnologías educativas inteligentes (calificación automatizada, recomendaciones personalizadas, retroalimentación múltiple con IA) integradas en las etapas previa, durante y posterior a la clase dentro de un marco tridimensional de aula inteligente. Su cuasiexperimento encontró ganancias estadísticamente significativas en la competencia de diseño de objetivos instruccionales, y ofrece un Modelo D-T-E transferible (Disciplinary Demand–Technological Empowerment–Evaluation Loop) para formadores del profesorado y desarrolladores educativos que quieran llevar los marcos de educación inteligente de los conceptos macro a la práctica específica de cada disciplina.

Compare con lo que el propio profesorado informa. La encuesta de Watson y Rainie (2026) a 1.057 miembros del profesorado estadounidense encuentra una capa institucional débil en aspectos que quienes diseñan programas pueden medir directamente: 59% juzgaba que su institución no estaba preparada para usar la IA generativa eficazmente de cara a preparar al estudiantado para el futuro y 68% decía que no había preparado al profesorado para usarla en la enseñanza y la mentoría, mientras que la respuesta estructural consistía en un grupo de trabajo en 55% de las instituciones, pero en un resultado de formación general en alfabetización en IA solo en 13%. El profesorado no había esperado a la política: 87% escribió sus propias reglas a nivel de tarea frente a 48% que podía señalar una institucional, y nombraron la resistencia de los colegas (82%) y su falta de familiaridad (83%), y no un mandato, como los obstáculos a la adopción departamental. Para los programas de desarrollo, esto aboga por tratar las normas entre pares, un lenguaje compartido de política a nivel de tarea y medidas explícitas de preparación institucional como parte de la intervención, en lugar de dejarlas al documento de política.

Conceptos conectados

• Competencia en IA del profesorado
• La docencia
• Alfabetización en IA
• Política educativa sobre IA
• Educación superior
• K-12
• Diseño de aprendizaje
• Diseño curricular
• Aprendizaje en el lugar de trabajo
• Desarrollo profesional
• Ciencias del aprendizaje
• Desarrolladores de tecnología educativa
• Partes interesadas — paraguas: las personas y los públicos de la educación con IA (quienes aprenden, el profesorado, quienes diseñan, la administración y quienes elaboran políticas)

Artículos conectados

• Powerful Learning with Emerging Technology — Orientaciones tanto para equipos de producto como para el personal docente
• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Análisis crítico del discurso de las orientaciones sobre alineación con IA generativa: quienes desarrollan, reconfigurados como formadores en tecnología
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — Estándares del profesorado para la integración tecnológica (DBR)
• Understanding ethical dimensions of AI in higher education: insights from faculty members and students — Dimensiones éticas de la IA: visiones del profesorado y del estudiantado
• Ethical Generative AI Integration in English for Academic Purposes within Higher Education: A Mixed-Methods Study
• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI)
• Mapping the Integration of AI into Business Education: Insights from a Decade of Research
• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Cómo las metáforas del profesorado de ingeniería construyen (y limitan) la comprensión de la IA
• Fear and Awe: Making Sense of Generative AI Through Metaphor — Miedo y asombro: dar sentido a la IA generativa mediante metáforas (taller de metáforas para profesorado, personal y estudiantado)
• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Gobernar lo invisible: alfabetización en IA entre el profesorado de idiomas
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes
• A Framework for Institutional Change in the Age of AI
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study
• AI-accelerated End-to-End Framework for Rapid Professional Upskilling
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025)
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — La IA generativa como crisis de identidad, no como brecha de capacidades
• Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines — Perfiles de aceptación de ChatGPT entre futuros docentes
• “Will AI steal my glory?”: Power relations perceived by college instructors when grappling with Generative AI — Relaciones de poder percibidas por el profesorado universitario que lidia con la IA generativa en la escritura (Zuo, Xu y Dunning 2026)
• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Modelo del triángulo reflexivo: la IA como mediadora cognitiva
• Beyond the Hype: How Higher Education Stakeholders View the Benefits and Concerns of Generative AI for Teaching, Research, and Administration — Percepciones de los actores sobre la IA generativa en la educación superior (Humble y Mozelius 2026)
• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Conocimiento TPACK-21 autopercibido del profesorado para la IA generativa (Sutedjo, Chowdhury y Liu 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Modelo de aula inteligente y bucle D-T-E que mejora la competencia de diseño instruccional en un máster de matemáticas (Zhu et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arquitectura de roles en actividades grupales diferenciadas diseñadas con IA (Talebzadeh 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Experiencias y percepciones del profesorado universitario sobre la IA generativa: vulnerabilidad, repensar la evaluación y el aprendizaje del estudiantado en riesgo (Farazouli et al. 2026)
• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Del miedo a la innovación: un instituto de seis semanas para el profesorado, la pedagogía simbiótica y las condiciones institucionales que no pudo aportar
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — El complejo de culpa por la IA: culpa anticipatoria, ocultación y diferencias por etapa de carrera entre el personal académico (Vassallo 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Encuesta de AAC&U/Elon a 1.057 miembros del profesorado estadounidense: falta de preparación institucional, gobernanza débil y la brecha de política del 87%/48% (Watson y Rainie 2026)
• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Quienes desarrollan el ámbito académico como mediadores digitales en la educación superior del Sur global: el desarrollo como praxis sociotécnica
• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Una serie de talleres para el uso eficaz de la IA en tiempos inciertos: construir una comunidad de aprendizaje de profesorado de física