Política educativa sobre IA

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

Política educativa sobre IA — las reglas formales e informales que gobiernan el uso de la IA en las instituciones educativas, desde la legislación nacional hasta las directrices de aula. La investigación sobre políticas en la base de conocimiento abarca la gobernanza institucional, los mandatos de curriculum y los requisitos de formación docente.

Preguntas para reflexionar

• Las políticas institucionales sobre IA suelen redactarse como si decirle a la gente cuáles son las reglas cambiara lo que hace. La investigación sugiere que estas políticas pueden quedar muy por detrás del uso real de la IA. ¿Por qué cree que una política «sobre el papel» tan a menudo no coincide con lo que ocurre en las aulas?
• Si externalizar los deberes causa pérdidas de aprendizaje que pasan en gran medida desapercibidas —porque ningún docente concreto relaciona el declive de un estudiante con el uso de IA—, ¿qué tipo de política sería siquiera posible? ¿Cómo sería el seguimiento?
• Las decisiones de política de evaluación como los exámenes orales, las pruebas con supervisión y los formatos sin material de consulta son en sí mismas respuestas al fraude habilitado por la IA. ¿Cree que vigilar el «producto» (detectar el uso de IA) es mejor estrategia que rediseñar la evaluación para que el propio trabajo sea más difícil de externalizar?
• La política educativa sobre IA abarca la legislación nacional, las orientaciones gubernamentales, las reglas institucionales y las decisiones a nivel de aula. ¿Cuál de estos niveles cree que da forma de verdad al comportamiento de estudiantes y docentes, y por qué?
• ¿Qué voces suelen dar forma a la política sobre IA y cuáles faltan? ¿Quién debería estar en la mesa cuando una institución decide qué uso de la IA se permite y cómo se gobierna?

Introducción

Niveles de política

• Política institucional: el análisis de políticas institucionales compara cómo las universidades desarrollan políticas de IA. Los marcos de cambio institucional aportan modelos para el desarrollo de políticas. Qian (2026) codificó las principales páginas sobre IA de las 50 universidades estadounidenses clasificadas como más innovadoras en 2025 y encontró que solo 6 las enmarcaban como una «política», mientras que 44 publicaban orientaciones, directrices, principios o centros de recursos, y que 33 de 50 situaban al profesorado como principal traductor de las expectativas institucionales a reglas de curso: la política institucional se escribe deliberadamente como orientación adaptable para su interpretación a nivel de curso, en lugar de como regla fija.
• Política gubernamental: y la política de aprendizaje a lo largo de la vida examinan enfoques regulatorios a nivel nacional y regional. Una visión crítica, de nivel infraestructural, de la IA en la elaboración de políticas gubernamentales es la de Perrotta (2026), cuyo análisis del prototipo de Grandes modelos de lenguaje (LLM) Redbox para el servicio civil del Reino Unido muestra cómo la IA de propósito general entra en el conjunto de herramientas profesionales de la política mediante la «gobernanza de disparo único» (zero-shot): modelos fundacionales agnósticos al dominio que intervienen en las decisiones, envueltos en delgados andamiajes específicos de dominio.
• Política de K-12: las revisiones de evidencia de Stanford de 818 artículos informan la política de IA en K-12.
• Política de evaluación: las políticas de reforma de la evaluación y los marcos de Evaluación auténtica representan respuestas a nivel de política al fraude habilitado por la IA. La elección del formato de evaluación sumativa —oral, con supervisión, sin material de consulta— es en sí misma una decisión de política de evaluación (véase Evaluación sumativa).

La brecha de madurez de las políticas

La base de conocimiento documenta que las políticas institucionales sobre IA van por detrás del uso real de la IA. Los programas de Desarrollo educativo, los marcos de Competencia en IA del profesorado y la Regulación de la IA en educación requieren todos bases de política coherentes. La evidencia de campo a gran escala (Strömberg, Lei y Wu, 2026) muestra que las pérdidas de aprendizaje por externalizar los deberes pasan en gran medida desapercibidas porque los docentes de cada asignatura y los propios estudiantes rara vez relacionan el declive con el uso de IA: una brecha que una política informada por la evidencia (por ejemplo, ponderar la evaluación sin material de consulta, informar al estudiantado de los costes a largo plazo, supervisar los insumos y no los productos) puede abordar.

Los documentos de orientación superan en número a las políticas vinculantes. Un censo de todos los programas acreditados de un campo profesional muestra que la brecha de madurez es tanto de forma como de momento. Eldredge et al. (2026) recogieron documentos de política y orientación sobre IA de los 48 programas de máster en informática de la salud y gestión de la información sanitaria acreditados por CAHIIM en Estados Unidos y encontraron que 40 (83%) tenían al menos un documento público relacionado con la IA mientras que 8 no tenían ninguno, pero que los documentos eran mayoritariamente orientaciones y no reglas exigibles: 21 directrices (53%) frente a 7 políticas formales (18%). Su contenido se centraba en la integridad académica y el uso aceptable, con los conceptos de privacidad, propiedad intelectual y regulación (HIPAA, FERPA, cumplimiento en investigación) apareciendo mucho menos, y el modelado de temas devolvió el mismo énfasis en la conducta del estudiantado. Ni el tipo de documento ni el público destinatario variaron según la modalidad de impartición (P exacta de Fisher = 0,85 y P = 0,71). Los autores lo leen como evidencia de que la política de los programas académicos es una actividad distinta del diseño curricular y del desarrollo de competencias de la fuerza laboral, y sostienen que los organismos acreditadores podrían reducir la variación resultante proporcionando marcos de política de IA que integren la integridad académica, la ética de datos y el acceso equitativo.

Un sector que hace política sin base de evidencia. La brecha de madurez también aparece como un problema de evidencia en los programas profesionales. Gutowski y Hurley (2025) puntuaron las políticas institucionales de las facultades de derecho estadounidenses aprobadas por la ABA en cinco dimensiones —prohibitividad, permisividad, integración educativa, transparencia y rendición de cuentas, y profundidad— y encontraron que la mayoría adoptaba posiciones generalmente prohibitivas a la vez que reservaba discrecionalidad al profesorado y se comprometía a revisar las reglas conforme avanza la tecnología. Atribuyen la cautela a la presión de tiempo más que a la evidencia: la encuesta de la ABA de 2024 recibió respuestas de solo alrededor del 15% de las facultades acreditadas, y los autores informan de que no hay consenso sobre si debe declararse el uso de IA ni sobre cómo debe citarse. Su conclusión es procesal: construir la política con el profesorado y no para él, formar de manera proactiva y tratar la generación de políticas como un acontecimiento recurrente en lugar de un acto único, lo que convierte la Educación jurídica en uno de los casos más claros de la distinción entre política y gobernanza que traza esta página.

El profesorado regula; las instituciones en su mayoría no. La brecha de madurez tiene una segunda cara, visible desde el lado de la enseñanza. Watson y Rainie (2026) encuestaron a 1.057 docentes de universidades y colleges estadounidenses y encontraron que las reglas se han escrito mucho más rápido por debajo de la institución que en ella: el 87% de los encuestados creó sus propias políticas a nivel de tarea para el uso de IA por parte del estudiantado, frente al 35% que dijo que su departamento ha redactado directrices y el 48% que dijo que lo ha hecho su institución. La respuesta estructural que hay detrás de esos documentos es escasa: el 55% informó de un grupo de trabajo u órgano de supervisión, el 37% de nuevas asignaturas centradas en IA, el 17% de un grado o minor en IA, el 16% de nuevas oficinas de liderazgo académico y solo el 13% de adopción de la alfabetización en IA como resultado de educación general, mientras que el 68% dijo que su institución no había preparado al profesorado para enseñar con estas herramientas. Debido a que el estudiantado se encuentra el mosaico resultante como un único régimen institucional, el hallazgo es evidencia directa de la distinción que traza esta página entre un documento de política y la gobernanza que lo hace consistente. (Los autores describen la muestra como no científica y no generalizable, por lo que conviene leerla como las preocupaciones expresadas del sector.) Esa brecha documentada tiene una consecuencia medida del lado del estudiante. El diseño de dos estudios de Chen —160 estudiantes de arte en un experimento de escenario y 425 encuestados (Chen, 2026)— encontró que la inconsistencia percibida entre la promoción de la IAG de una universidad y sus prácticas reales de enseñanza, evaluación y apoyo predecía positivamente tanto las valoraciones de obstáculo (β = 0,431) como las de desafío (β = 0,496), que conllevaban efectos indirectos opuestos sobre la implicación en el proceso creativo (β = −0,060 a través del obstáculo, p = 0,004; β = 0,217 a través del desafío, p < 0,001), de modo que una sola política desalineada puede suprimir y sostener a la vez el trabajo creativo del estudiantado.

La regulación a nivel de tarea es el patrón emergente. Un estudio longitudinal a gran escala de más de 31.000 programas de asignatura (2021–2025) en una gran universidad pública de investigación (Chirikov 2026) muestra cómo regula el profesorado la IA en la práctica: la regulación explícita de la IA pasó de casi cero al 55% de los cursos en el otoño de 2025, pero la dirección cambió de restrictiva a permisiva, y el profesorado diferenciaba cada vez más por tipo de tarea: restringía la IA para redactar o razonar (tareas con riesgo de desplazamiento) mientras la permitía para editar y corregir y para apoyo al estudio (tareas de aumento). El encuadre también pasó de la integridad académica (63%→49% de los programas) al impacto en el aprendizaje (1%→29%). Este patrón basado en tareas —construido sobre los mecanismos de economía laboral del desplazamiento, el aumento y la reinstauración de tareas— ofrece una alternativa más granular a las políticas de adopción o prohibición indiscriminadas y es un ancla empírica directa para la distinción entre política y gobernanza anterior.

El diseño de políticas a nivel de docente como ejercicio de alineación. La regulación a nivel de tarea tiene una contraparte de diseño por debajo del programa de asignatura. El caso de diseño de McCorkle (2025) deriva los usos de la IAG permitidos y no permitidos de un curso a partir de «¿qué estoy evaluando, en concreto?»: inventariar cada tarea de un proyecto, vincular cada tarea a un objetivo de aprendizaje, emparejar cada una con una competencia emergente de la fuerza laboral en IAG (Desarrollo y preparación profesional) y luego decidir qué preocupación tiene prioridad: la necesidad de evaluar el desempeño del estudiantado o el valor de desarrollar la competencia. La política resultante difiere tarea a tarea dentro de un mismo proyecto —se permite idear temas y seleccionar imágenes, no se permite redactar objetivos de aprendizaje ni diseñar diapositivas— con la justificación escrita directamente para el estudiantado. El caso documenta también por qué fracasan en la práctica las prohibiciones indiscriminadas: el estudiantado que no se ve a sí mismo como deshonesto interpreta una prohibición como algo que no le concierne, y la política se vuelve inequitativa (Equidad) cuando las expectativas quedan implícitas. Complementa los niveles de política descendentes anteriores al mostrar cómo el contenido de una política puede generarse a partir de la alineación de la Evaluación a nivel de curso y de tarea.

La brecha entre frontera y evidencia en la política de evaluación. Una auditoría de 30 universidades sobre orientaciones públicas de evaluación con IA generativa (Yao 2026) encuentra que las políticas institucionales son mejores clasificando el uso de IA que explicando qué evidencia de aprendizaje sigue siendo válida en cada clase: la puntuación media de la frontera de delegación (2,47/4) superó la puntuación media del estándar de evidencia (1,89/4), las salvaguardas eran escasas (2,75 de 8) y la orientación era más clara para la sustitución del producto final. El marco de la custodia cognitiva (cognitive stewardship) sostiene que las políticas deben hacer visible la lógica de certificación —qué pueden delegar quienes aprenden, qué deben demostrar aún y cómo protegen las instituciones una evidencia justa— en lugar de limitarse a vigilar el uso de IA.

Lenguaje prohibitivo demasiado amplio y reglas mal aplicadas. El alcance de una regla es una decisión de política con consecuencias más allá del cumplimiento. Wright (2026) sostiene que las prohibiciones indiscriminadas redactadas en toda la educación superior desde 2023 excluyen la «IA generativa» sin la precisión técnica necesaria para separar la generación de contenido de la conversión de formato asistida por IA: el reconocimiento óptico de caracteres, el reconocimiento de texto manuscrito y la conversión de voz a texto son tecnologías de reconocimiento que infieren lo que el estudiante ya escribió en lugar de producir contenido nuevo. En esta lectura, sancionar el uso exclusivamente de transcripción se caracteriza mejor como una aplicación indebida de la política que como una falta de conducta, y el coste de la imprecisión recae de forma desigual: el estudiantado con exposición a desigualdades y con discapacidad que depende de esas herramientas soporta un riesgo desproporcionado de falsos positivos, una exposición que las cuestiones y riesgos legales tratan como una cuestión de ajuste razonable y no de integridad.

Una frontera basada en la finalidad en lugar de una lista de herramientas. Li (2026) aporta el contenido de política que le falta al lenguaje prohibitivo demasiado amplio: una línea entre apoyo y sustitución definida por la función y el constructo evaluado, y no por nombrar herramientas, con el argumento de que las listas de herramientas quedan obsoletas y fomentan el cumplimiento según la interfaz. El apoyo permitido es una intervención superficial que no añade ideas, ni fuentes, ni una reordenación material del análisis; la sustitución es generar argumentos o contraargumentos, aplicar reglas disciplinares a los hechos, reestructurar una secuencia analítica o generar citas para incluirlas. El marco se entrega como tres instrumentos: definiciones operativas con pruebas rápidas compartidas para que dos evaluadores caractericen igual la misma conducta; plantillas calibradas de declaración del uso de IA que van desde nada para funciones de bajo riesgo integradas hasta una frase para la edición externa de lenguaje y unas 80–120 palabras cuando se autoriza expresamente una ideación limitada; y una rúbrica de decisión que nombra los indicios débiles (lenguaje pulido o fluidez repentina, formulaciones de no nativos, puntuaciones únicas de detección) junto a los tipos de evidencia que pueden tener peso. También enuncia las condiciones bajo las cuales siguen siendo viables los regímenes permisivos escalados como la Escala de Evaluación con IA: uso autorizado expresamente para la tarea concreta, constructo reespecificado para que estudiantes y evaluadores sepan qué se evalúa, y declaración que se mantiene factible.

Automatización por etapas con supervisión humana obligatoria. La prueba nacional de acreditación de secundaria inferior de Uruguay, Acredita EB, ofrece un modelo concreto de automatización que preserva la supervisión en la política de evaluación: las secciones de opción múltiple y los procedimientos existentes se mantienen sin cambios, la IA se usa solo para la sección de escritura dentro de una etapa de calibración obligatoria sobre 50–100 textos, y dos reglas de poda deciden qué resultados requieren revisión experta: los candidatos que no pueden aprobar en las otras dos secciones no necesitan revisión de la escritura, y los candidatos competentes en las tres secciones aprueban con solo un 0,2%/0,6% de riesgo residual observado. Los autores estiman que el diseño podría reducir al menos un 50% las respuestas escritas que requieren puntuación humana completa, manteniendo el principio rector de que ninguna decisión final sobre los resultados de la prueba se toma sin la supervisión humana adecuada. Esto complementa el trabajo sobre frontera y evidencia anterior al mostrar una política que especifica no solo dónde se permite la IA, sino qué evidencia humana y qué revisión siguen siendo obligatorias.

El lado adversarial de la calificación automatizada. Una política que encauza la calificación a través de una herramienta de IA hereda una superficie de ataque. Humble (2026) hizo un ejercicio de equipo rojo sobre un flujo institucional de calificación ocultando cinco inyecciones indirectas de prompt dentro de los archivos de una entrega sintética que Microsoft Copilot (GPT-5.2) había calificado como suspenso en las seis ejecuciones de referencia. Dos estrategias elevaron la nota sin ninguna advertencia visible para la persona usuaria —tasas de éxito notificadas del 100% (9 de 9 iteraciones) y del 94% (17 de 18)—, y la herramienta desactivó silenciosamente un chat tras bloquear el ataque más simple y, en una iteración, anunció que ignoraría las instrucciones incrustadas antes de elevar la nota en las seis ejecuciones siguientes. Una nota obtenida mediante una instrucción oculta no conlleva ninguna pretensión de validez, y la misma técnica podría degradar una entrega sin rastro duradero, por lo que las peticiones del artículo son de nivel político y no técnico: orientación sectorial, desarrollo profesional, uso restringido de la IA con revisión humana para trabajos de alto riesgo, y pruebas estandarizadas y agnósticas al dominio de la resistencia a la inyección de prompts, para que la superficie de ataque se mida en lugar de suponerse. Es la contraparte adversarial de los diseños de supervisión anteriores: donde aquellos especifican qué revisión humana es obligatoria, este especifica una clase de manipulación que la revisión existe para detectar pero para la que no tiene ninguna señal fiable.

Una matriz de valores y normas como base de política. Agarwal et al. (2026), una revisión sistemática de 25 artículos, consolidan la ética de la AIED en seis valores éticos principales (no discriminación, custodia de datos, supervisión humana, buena voluntad, explicabilidad e idoneidad educativa) y mapean las normas éticas extraídas de la literatura sobre una matriz de actores por valores. La revisión sitúa la matriz como base para construir marcos éticos detallados y regulación para la AIED, dando a las instituciones educativas, a los desarrolladores y a los reguladores normas concretas para implementar valores específicos. Encuentra que las normas de buena voluntad dirigidas a los reguladores son mucho más numerosas (nueve) que para cualquier otro conjunto de actores, lo que señala el papel de los reguladores a la hora de garantizar que la AIED beneficie a quienes aprenden mediante políticas y legislación: un punto de partida concreto y anclado en valores para la maquinaria de política y gobernanza que describe esta página.

Afirmaciones que viajan más lejos que sus matices. Un anuncio piloto es también un instrumento de política, y sus estándares de comunicación forman parte de la política. Restrepo Morales et al. (2026) analizan el episodio de El Salvador de septiembre de 2026, en el que un piloto de tutoría con IA en 171 escuelas públicas se presentó como con resultados comparables a los de Alemania y Suecia: frente al promedio alemán de matemáticas en PISA 2022, el 5,5% superior de la distribución nacional de rendimiento habría igualado la referencia sin ninguna ganancia de aprendizaje, y la evaluación del piloto cubrió 7,0 estudiantes por escuela frente a 25,4 en la encuesta nacional del mismo año, por lo que la evidencia publicada no puede excluir la selección como explicación. Su propuesta es un estándar de comunicación de seis puntos —la línea base de las escuelas participantes; el protocolo de muestreo (estudiantes elegibles, estudiantes evaluados, regla de identificación, tasa de participación); las puntuaciones desagregadas con errores estándar; la fecha operativa de cada componente de la reforma; la superposición con la muestra nacional representativa; y el matiz enunciado en el mismo documento, publicación o párrafo que la afirmación—, motivada por la aritmética de divulgación del propio anuncio: la publicación del Banco Mundial que llevaba la afirmación registró unas 441.000 visualizaciones frente a unas 11.000 de la publicación que llevaba el matiz cuatro posiciones más adelante en el mismo hilo. La lección de política es que, cuando un sistema usa resultados a nivel de escuela como evidencia sobre sí mismo, el formato de la divulgación decide qué afirmación se convierte en el hecho público.

Política frente a gobernanza

La política y la gobernanza están estrechamente relacionadas pero son distintas, y mantenerlas separadas importa para entender la investigación de la base de conocimiento.

• La política es el contenido: lo que se decide. Una política es una regla, un principio o una declaración formal: qué uso de IA se permite, se prohíbe o se exige; qué debe declararse; qué formatos de evaluación se permiten. Existe como artefacto documentado (legislación, directriz institucional, declaración en el programa de asignatura) y responde a «¿cuáles son las reglas?».
• La gobernanza es la maquinaria: cómo se decide, se implementa y se hace cumplir. La gobernanza abarca las estructuras institucionales, las normas y los mecanismos de rendición de cuentas que producen, llevan a cabo y supervisan la política: quién fija las reglas, cómo se comunican y se dotan de recursos, cómo se hace cumplir el cumplimiento y cómo se impugna, y cómo se revisan a medida que evoluciona la IA. Responde a «¿quién decide y cómo surten efecto realmente las reglas?».
• Son interdependientes. La política sin gobernanza no se aplica: una regla escrita de la que nadie se responsabiliza, nadie supervisa ni nadie actualiza. La gobernanza sin política carece de dirección: estructuras que no administran nada en particular. La investigación de la base de conocimiento muestra repetidamente que ambas deben construirse juntas: una política que solo clasifica el uso de IA sin gobernanza que especifique evidencia, salvaguardas y procesos de revisión sigue siendo débil en la práctica (la auditoría de custodia cognitiva), y una gobernanza que solo vigila sin una política clara corre el riesgo de vigilancia sin equidad (véase gobernanza de la IA).

La prueba práctica que las separa: una política puede leerse sobre el papel, pero la gobernanza se observa en si la regla se implementa, se aplica y se adapta. Por eso la Gobernanza de la IA extiende la Regulación de la IA en educación y la política hacia el interior de las instituciones, y por eso la base de conocimiento trata las elecciones de formato de evaluación (Evaluación sumativa) como decisiones de política que solo se vuelven efectivas mediante estructuras de gobernanza como los consejos de revisión, los marcos de declaración y las vías de apelación.

La política de aula como frontera interpretativa de la gobernanza. La maquinaria de la gobernanza no se detiene en el documento institucional; el profesorado que lo lee y lo adapta es el último eslabón de la cadena, y Nash y Burriss (2026) muestran cómo es ese eslabón en la práctica. Su profesorado en formación inicial esperaba trabajar en distritos con políticas de IA y aun así tuvo que redactar reglas específicas de aula para su propio estudiantado —una habilidad de adaptación esencial—, y los autores sostienen que el profesorado puede negarse a adoptar la IA en tareas concretas de lectura y escritura sin ignorarla, con una negativa fundamentada distinguible de un rechazo acrítico. Mantener viable esa distinción es en sí mismo una tarea de gobernanza: los distritos y los programas de formación necesitan las orientaciones, el desarrollo profesional y la infraestructura de política que permitan al profesorado negarse a usos concretos sin ser tildado de quedarse atrás.

Indicadores de gobernanza para el problema de la autenticación. Coates, Croucher y Calderon (2025) aportan la capa de medición que implica esta distinción entre política y gobernanza, tratando la Integridad académica en la era de la IAG como un problema de gobernanza antes que de detección y juzgando la gobernanza académica contemporánea resiliente pero «no bien posicionada ni preparada» para proteger la autenticación de la Evaluación del estudiantado. Su marco contiene 130 preguntas de gobernanza bajo ocho dimensiones —Diseñar, Desarrollar, Formar, Implementar, Analizar, Informar, Evaluar y Mejorar—, y los ítems son preguntas sobre la maquinaria institucional y no escalas psicométricas: si el máximo consejo o junta de la institución recibe actualizaciones sobre los procesos y resultados de evaluación, si los indicadores clave de rendimiento cubren la calidad de la evaluación, qué porcentaje del estudiantado es conocido individualmente por el profesorado que lo evalúa, si las calificaciones extremadamente bajas o altas se verifican de forma cruzada y si existe una vía simple para derivar casos de fraude por encargo. El programa de reforma que lo acompaña se dirige a las arquitecturas de gobernanza, a las personas que ocupan roles de gobernanza y a las tecnologías y recursos que sostienen la evaluación, y los autores sostienen que poco desarrollo institucional rinde frutos sin el apoyo externo de la regulación, el benchmarking y la competencia entre instituciones: la misma presión regulatoria que la página de Regulación de la IA en educación trata como la restricción vinculante de la reforma de la gobernanza.

El déficit de política en la investigación sobre IA × aprendizaje socioemocional

Una revisión sistemática de 65 artículos en la intersección entre la IA y el aprendizaje socioemocional (Tran, Liu y Nguyen, 2026) documenta un «déficit de política»: casi tres cuartas partes de los estudios no enuncian implicaciones de política, y los que lo hacen a menudo carecen de especificidad orientada a actores. La revisión encuentra que la implicación en política se correlaciona con el medio de publicación, lo que refleja incentivos académicos que premian la novedad técnica por encima de la Gobernanza de la IA y la Regulación de la IA en educación. Propone un marco de «preguntas WH» (quién, qué, por qué, cuándo/dónde, cómo) y un cambio de «la implicación como añadido» a «la implicación como metodología»: tratar la articulación de políticas como una restricción de diseño de la investigación y no como un añadido a posteriori.

Conceptos conectados

• Alianzas pedagógicas — Colaboraciones pedagógicas
• Regulación de la IA en educación
• Gobernanza de la IA
• Desarrollo educativo
• Equidad
• Educación superior
• K-12
• Integridad académica
• Ética
• Competencia en IA del profesorado
• Enmarcar el uso de la IA para el estudiantado
• Evaluación sumativa
• Educación química — Educación química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
• Educación en biología — Educación en biología e IA: asistentes de laboratorio docentes, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas
• Partes interesadas — Paraguas: personas y públicos de la educación con IA (estudiantes, docentes, diseñadores, administradores, responsables de políticas)

Artículos conectados

• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Cuando las universidades promueven la IAG pero la práctica se queda corta: valoraciones del estudiantado e implicación en el proceso creativo en la educación artística
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Políticas de aula sobre IA de futuros docentes de inglés: qué permitieron, limitaron y prohibieron (Nash y Burriss, 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Un marco con humano en el bucle para la puntuación asistida por IA en la evaluación de escritura a gran escala
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Derivar los usos permitidos y no permitidos de la IAG tarea a tarea a partir de lo que se evalúa (McCorkle, 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Cómo regula el profesorado la IA en 31.000 programas de asignatura (Chirikov, 2026)
• Artificial Intelligence and Grade Inflation — El desplazamiento de tareas por la IA como mecanismo de inflación de calificaciones (Chirikov, 2026)
• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — La brecha de adaptación a la IA en la educación superior
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global sobre la gobernanza de la IA generativa en la educación superior
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Orientación antes que política: reglas de programa fijadas por el profesorado y un ecosistema de apoyo de cuatro unidades en 50 universidades innovadoras de EE. UU. (Qian, 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Comparación de cinco factores de las políticas de IAG de facultades de derecho en un sector que hace política sin base de evidencia (Gutowski y Hurley, 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transcribir no es generar: reglas de IA demasiado amplias, conversión de formato y ajuste por discapacidad (Wright, 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Gobernanza anticipatoria para la IA en la educación superior (revisión de alcance)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Documentos de política de IA en los 48 programas acreditados de máster en informática de la salud: mayoritariamente orientaciones, centrados en la integridad académica (Eldredge et al., 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Custodia cognitiva para la evaluación mediada por IA (auditoría de políticas de 30 universidades)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• 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
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Llamada a políticas explícitas y codesarrolladas sobre el uso de IA
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Ir más allá de adoptar o prohibir: orientación por etapas y adaptada al desarrollo
• The Policy Deficit in AI × Social-Emotional Learning Research — El déficit de política en la investigación sobre IA × aprendizaje socioemocional
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valores y normas éticas para la IA en educación
• Zero-Shot Governance: General-Purpose AI in Policy — Gobernanza de disparo único: la IA de propósito general en la política (Perrotta, 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Acotar la afirmación de aprendizaje del piloto de tutoría con IA de El Salvador (Restrepo Morales et al., 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1.057 docentes de EE. UU.: el 87% redacta sus propias reglas de tarea frente a unas directrices institucionales y departamentales escasas (Watson y Rainie, 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Una frontera entre apoyo y sustitución basada en la finalidad, con declaración calibrada y rúbricas de decisión (Li, 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Inyección de prompts en la calificación mediada por IA: notas cambiadas sin ser detectadas y la respuesta a nivel de política (Humble, 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 indicadores de gobernanza para autenticar la evaluación, y la presión externa que necesita la reforma (Coates, Croucher y Calderon, 2025)
• 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 del profesorado de física
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — ¿Quién actúa, quién sabe, quién responde? Un análisis del discurso asistido por corpus sobre agencia, responsabilidad epistémica y rendición de cuentas en la investigación sobre IA generativa en la educación superior
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — «Lo arreglaremos más tarde»: educación, IA y el aplazamiento de la privacidad del estudiantado en la tecnología educativa