Conceptos
Desarrolladores de tecnología educativa
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Desarrolladores de tecnología educativa — las personas y las organizaciones que construyen tecnología educativa: diseñadores de producto, desarrolladores de software, ingenieros de aprendizaje, diseñadores de analítica del aprendizaje y las empresas de tecnología educativa, los laboratorios universitarios y los proyectos de código abierto en los que trabajan. En la IA en la educación, este es el rol que convierte la capacidad de un modelo en algo que un docente o una persona que aprende puede usar de verdad. Conlleva decisiones que ninguna etapa posterior puede deshacer: en qué evidencia se apoya una afirmación de diseño, hasta qué punto una canalización de analítica o un sistema de tutoría se fundamenta en el material con licencia de la propia institución, si se incluye a docentes y estudiantes en el diseño. También fija qué supuestos de diseño instruccional quedan incrustados en los valores por defecto, y qué ocurre con el producto cuando se acaba la financiación. A lo largo de los informes de sistemas y los estudios de despliegue, la lección recurrente es que el contexto de despliegue, y no el modelo, suele ser la restricción vinculante.
Preguntas para reflexionar
- Si los metaanálisis que afirman que «la IA mejora el aprendizaje» se apoyan en una metodología inválida, como encontró la auditoría de Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis, ¿sobre qué evidencia puede construir realmente una hoja de ruta de producto?
- ¿Deberían escribirse las explicaciones de un algoritmo en el lenguaje curricular del profesorado aunque eso cueste más esfuerzo de diseño que exponer la importancia de las variables? ¿Y quién paga ese esfuerzo?
- Cuando una herramienta se codiseña con el estudiantado, ¿qué veredicto decide: las ganancias de aprendizaje medidas o el 96% que dijo que quería conservarla?
- ¿Es el despliegue local y con licencia abierta una decisión técnica o una decisión de gobernanza? ¿Y deberían los requisitos de transparencia convertirse en condición de compra?
- ¿Qué debe un desarrollador a una institución cuando termina la subvención: un producto mantenido, un repositorio que se pueda bifurcar o una declaración sincera de que el sistema nunca fue una intervención validada?
Introducción
El desarrollador se sitúa un nivel por debajo de la plataforma. La plataforma de tecnología educativa describe el sistema desplegado y el grupo de interés en que se convierte una vez que está en un centro o una universidad; los desarrolladores deciden qué hace ese sistema. La distinción importa porque los hallazgos a nivel de plataforma —baja adopción, sesgo de equidad, fricción en las compras— son normalmente consecuencias de decisiones de diseño tomadas antes, por alguien que nunca conoció a quienes aprenden.
El rol también es distinto del de sus vecinos. El diseño del aprendizaje y el diseño curricular diseñan un curso para una cohorte conocida; un desarrollador de tecnología diseña un producto que usarán muchos cursos, impartidos por personas a las que nunca ha conocido, y por eso los valores por defecto, la configurabilidad y la documentación tienen peso pedagógico. El desarrollo educativo apoya al personal docente de una institución desde dentro de ella; los desarrolladores están fuera o al lado, y proveen las herramientas que luego se pide a ese personal que adopte. Y la investigación basada en el diseño es el estándar de evidencia que cada vez más se pide a estos desarrolladores que cumplan: iterativo, contextual y reportado con sus propias limitaciones.
Quién construye la IA educativa
Laboratorios de investigación que construyen infraestructura pública. OATutor se construyó en UC Berkeley como el primer sistema de tutoría adaptativa totalmente de código abierto basado en los principios de los ITS: una base de código con licencia MIT y una biblioteca de álgebra de Creative Commons, estimación del dominio mediante seguimiento bayesiano del conocimiento, infraestructura de pruebas A/B y soporte LTI. Su razón de existir es una decisión de diseño —las plataformas propietarias habían confinado la investigación en aprendizaje adaptativo a sistemas cerrados— y su vía de autoría es otra: 16 creadores produjeron un curso de álgebra universitaria en seis meses tras 2,27 horas de formación.
Constructores de modelos. LearnLM reformula la mejora de un modelo para el aprendizaje como seguimiento de instrucciones pedagógicas: el comportamiento se fija por aplicación mediante instrucciones de sistema, y no con una única definición fija de pedagogía, y las personas revisoras expertas lo prefirieron en un +31% frente a GPT-4o y un +13% frente a Gemini base. El punto práctico es que la pedagogía depende demasiado del contexto para definirse globalmente; la capacidad útil es la adherencia a las instrucciones que escribe un desarrollador, medida con escenarios a nivel de conversación y no con puntos de referencia de un solo turno.
Arquitectos de modelos de conocimiento. Un modelo de conocimiento híbrido por capas sostiene que el aprendizaje personalizado necesita más que una ontología estática, y propone sistemas de ontologías mapeadas junto con reglas y analítica en lugar de la clásica arquitectura de cuatro modelos de los ITS, además de un marco de reutilización de ocho clases de metadatos que pretende reducir el coste de cada nueva construcción.
Ingenieros de infraestructura y medición. El trabajo sobre la canalización de analítica propone una canalización modular y agnóstica al dominio para datos de interacción de quienes aprenden, validada en tres asistentes de IA educativa, donde métodos construidos para un dominio se extendieron a otro: infraestructura de analítica del aprendizaje reutilizable en lugar de un panel de un solo curso. StanBKT muestra el caso complementario: una reimplementación bayesiana produjo una predicción idéntica a la de la herramienta de estimación puntual establecida (AUC 0,711), y solo difería en coste y en intervalos creíbles que hacen interpretable la comparación de condiciones.
Constructores dentro de las instituciones. La tutoría con IA en Moodle incorpora tutoría con Grandes modelos de lenguaje (LLM) en un LMS existente en lugar de distribuir una herramienta independiente, lo que rebaja el umbral de adopción que la literatura sobre ITS señala como motivo de fracaso de los sistemas en la práctica. SAVVY convierte señales multimodales de atención en una interfaz que el profesorado puede leer antes de publicar un vídeo. Los agentes instruccionales automatizan las tres primeras fases de ADDIE con agentes especializados por rol, y su ablación es una lección de diseño. La línea base de un solo agente obtuvo la peor puntuación, el copiloto completo superó al autónomo en 0,5–0,9 puntos, y la ausencia de diferencias de calidad entre backends hizo que el más barato fuera el valor por defecto.
En qué puede apoyarse una afirmación de diseño
La base de evidencia es más débil de lo que parece. Una auditoría de 14 metaanálisis que afirmaban que la IA mejora la educación encontró que ninguno justificaba sus afirmaciones: todos menos dos definían el tratamiento como una herramienta y no como una intervención pedagógica, el 61% de 59 estudios primarios examinados tenía problemas de validez, la heterogeneidad era alta dondequiera que se informara, los análisis de moderadores carecían de potencia y el sesgo de publicación nunca se evaluó de forma válida. Un metaanálisis retractado seguía citándose como autoridad por el 60% de los artículos posteriores muestreados. Para un desarrollador, «la IA mejora el aprendizaje» es una afirmación de categoría de producto, no un insumo de diseño.
Informe de la incertidumbre y del coste completo, no solo de la precisión. Para StanBKT, la inferencia bayesiana no aporta nada en predicción y todo en poder decir qué efectos eran creíbles. El informe de Shen et al. aporta ablaciones de recuperación, ajuste fino consciente de la cuantización, VRAM, energía por consulta y alucinaciones medidas contra recursos abiertos recuperados, con la propia advertencia de los autores de que el sistema no es un tutor validado. Esa es la disciplina de evaluación que hace comprobable una afirmación de despliegue.
Codiseño con docentes y estudiantes
Las explicaciones deben hablar el lenguaje del profesorado. Un experimento intrasujeto con 41 docentes de química sobre una herramienta de recomendación de aprendizaje automático mostró que la comprensibilidad, la confianza y la aceptación correlacionaban positivamente, y que las explicaciones basadas en el dominio y formuladas en lenguaje curricular produjeron una comprensibilidad, una calibración de la confianza y una aceptación significativamente mayores que las explicaciones basadas en la importancia de las variables. La confianza también era dinámica —varios docentes dijeron que solo la experiencia en el aula la resolvería— y la aceptación dependía de la alineación pedagógica y de la reducción de la carga de trabajo.
Las señales de credibilidad no son evidencia de corrección. Añadir citas y señales de autoridad a un debate de múltiples agentes elevó el abandono de un juicio correcto en favor de la posición de la IA del 15,0% al 31,8%, así que la procedencia tiene que ser comprobable en el punto de uso (Tuo et al., 2026).
Codiseño a escala institucional. AIDA en la Open University se construyó mediante seis estudios basados en el diseño a lo largo de 18 meses con 498 estudiantes y 20 miembros del personal. Alrededor del 20% era escéptico al principio; tras el uso práctico, el 96% quería conservarlo, y un ECA exploratorio encontró el doble de tiempo de uso pero ninguna diferencia significativa en los datos del proceso de aprendizaje. Los factores facilitadores fueron organizativos —patrocinio de la dirección, colaboración entre unidades, iteración informada por datos—, con carencias en la capacidad de pensamiento sistémico.
Compra, apertura y después de que se acabe la financiación
El informe de Shen et al. aporta los insumos que necesita una decisión de compra: un mínimo de hardware de 12 GB de VRAM, un techo de precisión para un modelo de la clase de 7B, energía por consulta y un orden de decisiones —primero la recuperación (sin ella el modelo puntuó un 52,3%, por debajo de una línea base TF-IDF), después el ajuste fino y después la compresión consciente de la cuantización—. La licencia abierta es la precondición para servir un corpus localmente. La reivindicación de la agencia epistémica enmarca la misma decisión como gobernanza: los requisitos de transparencia convierten la compra en gobernanza epistemológica, la contestabilidad y la procedencia se vuelven condiciones, y los distritos con menos capacidad se enfrentan al listón más alto. La custodia cognitiva añade que la gobernanza de proveedores apareció solo en el 29% de 30 paquetes de política auditados, que especificaban lo que la IA puede hacer mucho más fácilmente que qué evidencia de aprendizaje quedaba. GenAI MindTool plantea la pregunta de diseño —¿fomenta el producto el aprendizaje con la herramienta o delega el trabajo cognitivo?— y la predicción de la dificultad del vocabulario muestra el intercambio en miniatura: el modelo de caja negra con mejor puntuación (r > 0,91) era menos explicable que el interpretable (r > 0,77).
Implicaciones para la práctica
Para quienes desarrollan y diseñan
- Fundamente una afirmación de diseño en un estudio que haya leído, no en un tamaño del efecto que haya citado. Con 14 metaanálisis auditados que fallan en el método y uno retirado que sigue propagándose, el número de citas no es una señal de validez.
- Pruebe la autonomía como variable en lugar de lanzarla como una mejora. Ejecute la ablación: un solo agente, copiloto, autónomo. El resultado de los agentes instruccionales mostró que ganaba la configuración de copiloto, así que el valor por defecto debería ser el que mejor se midió, no el que suena más capaz.
- Separe la aceptabilidad de la eficacia en su propio plan de evaluación. Una cifra alta de disposición a conservar la herramienta es un hallazgo real y no es evidencia de aprendizaje, y confundirlas en un informe es así como un producto débil parece fuerte.
- Trate las señales de credibilidad como una manipulación con un efecto medido. Añadir citas movió el abandono de una respuesta correcta del 15,0% al 31,8%, de modo que mostrar la procedencia cambia el juicio de quien la usa: diseñe para eso en lugar de suponer que informa.
Para el profesorado que evalúa una herramienta
- Pregunte cómo se evaluó la herramienta en la tarea para la que piensa usarla, y si la evaluación fue de copiloto o autónoma. Las dos no son intercambiables.
- Pregunte cuándo ocurrió la evaluación. Las afirmaciones de capacidad ligadas a una versión de modelo no declarada envejecen rápido y describen un sistema que usted no estará ejecutando.
Concepciones erróneas
- «Los metaanálisis respaldan la afirmación comercial.» No lo hacen, y la razón es específica y no cuestión de grado. Una auditoría de 14 metaanálisis que afirmaban que la IA mejora la educación encontró que ninguno justificaba sus afirmaciones —todos menos dos fallaban en la metodología— y un metaanálisis retractado seguía citándose como autoridad por el 60% de los artículos posteriores muestreados. La retractación se propagó más rápido que la corrección, lo que significa que la literatura que una hoja de ruta probablemente citará contiene afirmaciones que el campo ya ha retirado.
- «Añadir citas y procedencia hace que un sistema sea más fiable.» En un entorno de debate de múltiples agentes, añadir citas y señales de autoridad a la posición de la IA elevó el abandono de un juicio correcto del 15,0% al 31,8%. La procedencia no era información neutral: hizo más persuasiva la respuesta equivocada. Las señales de credibilidad tienen que ser evidencia de corrección, no decoración alrededor de una afirmación.
- «El codiseño con las personas usuarias valida el diseño.» El codiseño responde a una pregunta distinta de la que responde la eficacia. Cuando una herramienta se codiseña con el estudiantado y el 96% dice que quiere conservarla, eso es un hallazgo sobre aceptabilidad. Si mejoró el aprendizaje es una medición aparte, y las dos pueden apuntar en direcciones opuestas sin que ninguna esté equivocada.
- «Los agentes son el siguiente nivel de capacidad.» La ablación de los agentes instruccionales es el contraejemplo útil: la línea base de un solo agente obtuvo la peor puntuación y la configuración de copiloto completo superó a la autónoma. Más autonomía no era el mejor diseño; lo era la disposición de copiloto. Las decisiones de arquitectura tienen que evaluarse y no darse por buenas a medida que crece la capacidad.
Conceptos conectados
- Plataforma edtech
- Diseño de aprendizaje
- Diseño curricular
- Investigación basada en el diseño
- Desarrollo educativo
- Código abierto
- Analítica del aprendizaje
- Tutoría inteligente
- IA con intervención humana (HITL)
- Colaboración humano-IA
- Competencia en IA del profesorado
- Modelos de adopción tecnológica
- Diseño universal para el aprendizaje
- Validez de la evaluación
- Evaluación de la IA en educación
- Gobernanza de la IA
- Política educativa sobre IA
- Sostenibilidad
- Privacidad
Artículos conectados
- OATutor: An open-source adaptive tutoring system and curated content library for learning sciences research
- From Surface Learning to Deep Understanding: A Grounded AI Tutoring System for Moodle
- LearnLM: Improving Gemini for learning
- SAVVY: Student attention visualization for video-based learning analysis
- The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
- Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis
- Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains
- StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing
- Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
- Ontology-based layered hybrid AI-driven knowledge model for personalized e-learning
- What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education
- Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education
- Generative AI (GenAI) as a mindtool that supports generative learning (GL)
- New systems of learning for distance learning institutions? A six-study review of implementing AIDA
- What Makes Words Hard? Sakura at BEA 2026 Shared Task on Vocabulary Difficulty Prediction
- Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources
- Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — Las señales de credibilidad aumentaron la deferencia hacia un consejo incorrecto de la IA; verificar la procedencia en el punto de uso
Recursos relacionados
- PlaylabUna plataforma de creación sin ánimo de lucro en la que el profesorado crea, comparte y evalúa sus propias aplicaciones de IA, fundamentadas en su currículo, ejecutadas con el modelo que elija y con visibilidad para el profesorado integrada.