En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

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

El aprendizaje encarnado — el principio pedagógico de que el aprendizaje se fundamenta en la experiencia corporal, la interacción física y el contexto sensoriomotor de quien aprende. Los enfoques encarnados sostienen que la cognición no es puramente abstracta, sino que está modelada por el cuerpo y su interacción con el entorno. En la IA en la educación, la encarnación se materializa a través de los robots educativos y los robots sociales, cuya presencia física ancla conceptos abstractos (como la lógica de un programa o las habilidades sociales) en un comportamiento observable y manipulable.

Preguntas para reflexionar

  • Solemos pensar en el aprendizaje como algo que ocurre «en la cabeza», con el cuerpo limitándose a llevar el cerebro de un sitio a otro. ¿Y si el aprendizaje estuviera realmente fundamentado en la experiencia corporal y en la interacción con el entorno? ¿Qué materia aprendió que parecía exigir su cuerpo, y podría haberla aprendido de forma puramente abstracta?
  • Los enfoques encarnados sostienen que un agente físico y manipulable ayuda a quien aprende a conectar ideas abstractas con resultados concretos —ver, por ejemplo, cómo un programa hace moverse a un robot—. ¿Cuándo ha notado que hacer algo físico hizo que un concepto abstracto por fin «encajara»?
  • Algunos investigadores tratan el gesto como evidencia de comprensión: rastrean los movimientos de las manos del estudiantado junto con su habla para evaluar su dominio conceptual. Si las manos de un estudiante «conocen» el concepto antes que sus palabras, ¿qué implicaría eso sobre cómo deberíamos evaluar el aprendizaje?
  • Una crítica emergente cuestiona la IA «desencarnada» que opera con símbolos abstractos y sostiene que la IA debería diseñarse en torno a una inteligencia encarnada para sostener el pensamiento de quien aprende en lugar de externalizarlo. ¿Cree que una IA que nunca ha tenido cuerpo puede apoyar plenamente el aprendizaje encarnado?

Introducción

El aprendizaje encarnado está estrechamente relacionado con el aprendizaje activo, el aprendizaje experiencial y las teorías situadas y constructivistas. La afirmación clave es que un agente físico y manipulable ayuda a quien aprende a conectar ideas abstractas con resultados concretos —un programa que hace moverse a un robot, o un juego de rol con un robot físico— de formas que la interacción puramente en pantalla puede no lograr. La robótica es la encarnación más clara de la IA en la educación: da a quien aprende algo que ver, tocar y observar.

Cómo aparece el aprendizaje encarnado en la investigación

  • Programación anclada: RoboBlockly Studio ancla la programación por bloques en la ejecución robótica encarnada y crea un bucle estrecho de creación, ejecución, observación y revisión, de modo que quien aprende ve su código convertirse en comportamiento.
  • Interacción social robótica: los robots sociales usados para la narrativa (MotiBo, RoboBuddy), el juego de rol (REMind) y la lengua de signos (Pepper) ofrecen una interacción social encarnada que apoya el aprendizaje relacional y socioemocional.
  • Las características de encarnación no son lo que impulsa los resultados. Un metaanálisis de 11 estudios de RALL (N = 595, g = 0,83, I² = 84,4%) encontró que la morfología del robot, la modalidad, la autonomía y el rol social no moderaban el aprendizaje de L2; los formatos grupales superaron a los individuales, así que fue la posición del robot, y no su encarnación, lo que cargó con el efecto (Wang et al. (2026)).
  • Encarnación y escritura creativa: la investigación sobre la integración de robots y LLM en la escritura creativa examina cómo la encarnación afecta a la interacción y a los resultados de quien aprende.
  • Interacción persona-robot: la investigación sobre HRI (confianza, agencia) examina cómo la encarnación física modela la confianza, la implicación y la autonomía.
  • El gesto como evidencia de comprensión: Morphew et al. integran el seguimiento de gestos por visión artificial con el análisis de Grandes modelos de lenguaje (LLM) del habla para mostrar que la comprensión conceptual de la estadística en estudiantes de ingeniería se expresa tanto en el habla como en el gesto. Los gestos explicativos de alta confianza se agrupan en torno a conceptos concretos (especialmente la media), y un acoplamiento estrecho entre gesto y habla señala un discurso conceptual coherente, mientras que la divergencia marca ideas en desarrollo: esto sitúa la acción encarnada como evidencia en la evaluación a través de la analítica del aprendizaje multimodal, y no solo como mecanismo de aprendizaje.
  • Un facilitador solo lingüístico arrastra la indagación hacia lo que se puede decir. En un laboratorio de estática de fluidos de máster, el estudiantado construyó el modelo de flotación a mano antes de que se sumara un facilitador basado en Gemini para aplicarlo a un fenómeno nuevo. En las tres parejas, la IA mantuvo la secuencia ISLE, pero, apremiada a «decírnoslo sin más», produjo valores de masa que nadie había medido, y una persona participante remota completó un ciclo físicamente correcto que era limpio pero descorporeizado (Tufino y Damiani, 2026). La lección de diseño es la secuenciación y no la sustitución: construya primero el modelo en el cuerpo y deje después que el modelo de lenguaje trabaje en aplicarlo.

La inteligencia encarnada y la crítica de la IA desencarnada

Una segunda línea, más teórica, de la investigación sobre la encarnación se ocupa del papel del cuerpo en el aprendizaje mediado por la IA y las teorías socioculturales, no a través de robots físicos, sino a través de la pregunta de si los sistemas de IA son (o pueden ser) encarnados. Este trabajo cuestiona el predominio de los modelos de IA simbólicos y desencarnados construidos sobre el procesamiento abstracto de la información:

El aprendizaje encarnado se conecta con Robots en la educación, Robots en la educación, Robots en la educación, Aprendizaje activo, Aprendizaje experiencial, Aprendizaje situado, Cognición distribuida, Pensamiento computacional y Aprendizaje socioemocional.

  • El seguimiento corporal convierte la regulación en una señal medible. En una simulación de fotosíntesis en realidad mixta donde etiquetas de movimiento desplazaban a los agentes del estudiantado por un modelo proyectado, una canalización de LLM etiquetó 470 segmentos de conducta autorregulada en 40 minutos de vídeo, y la promulgación dominó con el 66,4% (Fonteles et al., 2026).

  • La IA sobre todo observa el cuerpo en lugar de unirse a él. En una revisión PRISMA de 23 estudios sobre IA para el aprendizaje encarnado, los 40 roles de IA codificados estuvieron dominados por la detección: análisis y evaluación 40,0% y reconocimiento y detección 22,5%, frente al 35,0% de roles que actúan dentro de la actividad (retroalimentación y acompañamiento 15,0%, interacción 12,5%, creación de contenidos 7,5%). Al descartar los tres artículos con calificación Baja y los cuatro no evaluables, la interacción cae al 6,7% y la creación de contenidos al 3,3%, de modo que la evidencia de que la IA se une al bucle encarnado descansa en los artículos más débiles (Kim y Han (2026)).

  • La literatura más corporal es la que menos mide el cuerpo. De 32 etiquetas de resultado, las cognitivas ocuparon el 43,8%, las afectivas el 34,4% y las psicomotoras el 21,9%, un orden que se mantuvo entre los 16 artículos mejor valorados (24,0% de 25 etiquetas). Los autores lo atribuyen a la dificultad de seleccionar medidas psicomotoras y a la costumbre de priorizar las ganancias cognitivas, no a un efecto débil sobre la habilidad corporal. Ninguno de los sistemas revisados se diseñó para que quienes aprenden actuaran juntos; la colaboración que aparece es la cooperación entre docente y IA (Kim y Han (2026)).

Concepciones erróneas

  • «El cuerpo es lo que hace funcionar el aprendizaje encarnado.» Un metaanálisis de 11 estudios de RALL (N = 595, g = 0,83, I² = 84,4%) encontró que la morfología del robot, la modalidad, la autonomía y el rol social no moderaban los resultados de aprendizaje de una segunda lengua. Las características de encarnación no eran el ingrediente activo, y la heterogeneidad era lo bastante alta (I² = 84,4%) como para que el efecto agrupado describa un conjunto muy heterogéneo de intervenciones.
  • «Un efecto grande resuelve el mecanismo.» g = 0,83 con 595 participantes en 11 estudios es una señal real y no identifica qué la produjo. Como las características del diseño no moderaron el efecto, el mecanismo plausible reside en la actividad pedagógica y no en el hardware, lo que cambia en qué invertir.
  • «La encarnación no se puede medir, así que queda en lo teórico.» El seguimiento corporal puede convertir la regulación en una señal medible: en una simulación de fotosíntesis en realidad mixta donde etiquetas de movimiento desplazaban a los agentes del estudiantado por un modelo proyectado, una canalización de LLM etiquetó 470 segmentos de conducta autorregulada. El constructo es operacionalizable incluso cuando es difícil de definir.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.