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.

La educación en ingeniería — el estudio de cómo aprende ingeniería el estudiantado y de cómo enseñarla eficazmente, que abarca cómo la IA transforma la pedagogía, la evaluación, el desarrollo del profesorado y la fuerza laboral de la ingeniería. La investigación sobre educación en ingeniería se agrupa en torno a varios temas: el lenguaje figurado que usa el profesorado para dar sentido a la IA, la gobernanza ética del uso de la IA, la evaluación corporeizada y multimodal de la comprensión conceptual y cómo la IA está reconfigurando la fuerza laboral de la ingeniería y la informática.

Preguntas para reflexionar

  • La ingeniería es una profesión en la que las decisiones de quienes se gradúan afectan a la seguridad pública y a las infraestructuras. Si el estudiantado se apoya en la IA para tareas de diseño y resolución de problemas, ¿qué está en juego que no importaría en una materia puramente académica?
  • El profesorado de ingeniería de un mismo departamento sostiene a menudo modelos mentales fundamentalmente distintos sobre la IA: algunos la ven como un «agente» social y otros como una «herramienta» técnica. ¿Cómo podrían esos marcos divergentes cambiar lo que el estudiantado aprende a hacer con la IA según quién le toque como docente?
  • El aprendizaje práctico de laboratorio y el aprendizaje corporeizado definen desde hace mucho la educación en ingeniería. Si la IA puede simular o incluso automatizar tareas de diseño, ¿sigue importando la experiencia práctica, o se pierde algo genuino cuando la práctica se vuelve simulada?
  • Una línea de investigación evalúa la comprensión en ingeniería registrando los gestos del estudiantado junto con su habla, y encuentra que un acoplamiento estrecho entre gesto y habla indica una comprensión conceptual coherente. ¿Qué podrían revelar las manos de un estudiante sobre su comprensión que sus palabras por sí solas podrían ocultar?
  • La investigación encuentra que las orientaciones éticas sobre la IA en ingeniería se dirigen mayoritariamente al estudiantado y están orientadas al cumplimiento, con una débil rendición de cuentas recíproca del profesorado y las instituciones. ¿De quién debería ser realmente la responsabilidad del uso seguro de la IA en ingeniería?

Introducción

La investigación sobre educación en ingeniería es peculiar porque se sitúa en la intersección de la formación profesional y un contenido STEM riguroso. Hace hincapié en el diseño, la resolución de problemas, el aprendizaje práctico y de laboratorio, el trabajo en equipo y la preparación de quienes se gradúan para la práctica profesional. El diseño es también el terreno que comparte con la educación en diseño, y ambas se lo reparten según lo que puede comprobarse: el objeto evaluado de la ingeniería admite artefactos calculables y conlleva responsabilidad sobre la seguridad pública, mientras que el de la educación en diseño es el proceso de taller que hay detrás del artefacto —el boceto, la iteración, la crítica—, justamente la evidencia que las herramientas generativas ya pueden producir sin el proceso que antes la generaba. La IA plantea aquí preguntas peculiares: si la experiencia práctica y corporeizada sigue importando cuando la IA puede simular o automatizar tareas de diseño; las implicaciones profesionales y éticas del uso de la IA (las decisiones de la ingeniería afectan a la seguridad pública, a las infraestructuras y a la sostenibilidad); y cómo la IA reconfigura las competencias que necesitan quienes se gradúan y la fuerza laboral a la que se incorporan.

Cómo aparece la IA en la investigación sobre educación en ingeniería

  • Comprensión del profesorado y lenguaje compartido: Gerhardt et al. analizan las metáforas que usa el profesorado de ingeniería para describir la IA, y encuentran que la mayoría la enmarca o bien como un «ser/agente social» humano o bien como una «herramienta técnica», y que el profesorado de un mismo departamento sostiene a menudo modelos mentales fundamentalmente distintos. Como las metáforas a la vez construyen y limitan la comprensión, sostienen que un lenguaje compartido y preciso es esencial para el desarrollo educativo y para las conversaciones departamentales sobre la IA.

  • Ética y uso responsable: Osunbunmi et al. revisan sistemáticamente los estudios empíricos sobre IA en la educación universitaria en ingeniería e identifican siete formas recurrentes de orientación ética (transparencia, rendición de cuentas, independencia y agencia del estudiantado, privacidad, integridad académica, justicia/equidad/sesgo y beneficencia). Encuentran que la orientación ética se dirige predominantemente al estudiantado y está orientada al cumplimiento, con una rendición de cuentas recíproca del profesorado y las instituciones poco desarrollada, una preocupación que se agrava por el interés directo de la ingeniería en la seguridad pública y el bienestar social.

  • Evaluación corporeizada y multimodal: Morphew et al. desarrollan un marco multimodal que integra el seguimiento de gestos por visión artificial con el análisis del habla mediante Grandes modelos de lenguaje (LLM) para evaluar la comprensión conceptual de la estadística en estudiantado de ingeniería, y muestran que el gesto añade evidencia diagnóstica más allá del habla y que un acoplamiento estrecho entre gesto y habla indica una comprensión coherente.

  • Transformación de la fuerza laboral: Fletcher et al. revisan la literatura gris estadounidense sobre la IA y la fuerza laboral de la ingeniería y la informática, enmarcan el «Dual Train Problem» (cambio rápido frente a política urgente) y recomiendan competencias duraderas en IA, ética y gobernanza, y credenciales basadas en destrezas para los roles emergentes.

  • Adopción y dependencia del estudiantado: Nguyen et al. amplían el modelo de aceptación tecnológica con el uso crítico para modelar cómo el estudiantado de ingeniería e informática forma sus intenciones de usar la IA generativa y cómo esa intención predice su dependencia en tareas de comprensión, evaluación, programación y proyectos de ingeniería: encuentran una dependencia moderada y adecuada y un uso intensivo en las tareas relacionadas con la comprensión, pero un uso limitado para redactar evaluaciones completas. Asag y Al Mamun integran el TAM con el UTAUT para modelar la adopción del estudiantado de ingeniería de Bangladesh, explican 64% de la varianza en el uso y destacan la relevancia para el empleo, la demostrabilidad de los resultados y las normas subjetivas como motores clave.

  • La estrategia de prompting predice el rendimiento, no el volumen de uso: entre 128 estudiantes de cuarto año de ingeniería, la eficiencia de las consultas a la IA y la resolución de problemas asistida por IA fueron los predictores más fuertes del éxito académico y siguieron siendo significativos tras controlar por el promedio acumulado (Isaza Dominguez et al. (2026)).

  • Las metáforas del propio estudiantado superan lo que ofrecen las herramientas: Kudina (2026) encontró que 100 estudiantes de ingeniería valoraban sobre todo los LLM para apoyo a la escritura, clarificación conceptual y programación, pero los enmarcaban como «oráculo» y «tutor» —una autoridad y una personalización que un generador de texto probabilístico no puede ofrecer—, un «optimismo cruel» que depende de habilidades de verificación que el estudiantado aún está construyendo.

  • Integrar la IA en la disciplina, no al lado de ella: un currículo de ingeniería térmica basado en proyectos incorporó el aprendizaje automático a los temas térmicos existentes en los niveles introductorio, de aplicación y avanzado, en lugar de añadir asignaturas de informática, y el estudiantado de grado que solo cumplía los requisitos de entrada mínimos produjo proyectos más débiles que sus pares de posgrado (Li et al. (2026)).

  • Tutoría con IA y retroalimentación para cursos de ingeniería cuantitativos: Yin et al. (2026) presentan a Arthur, un asistente docente de IA que ofrece retroalimentación personalizada y en tiempo real sobre preguntas de fórmula calculada en un curso universitario de economía de la ingeniería, un ámbito donde las soluciones manuscritas y no estructuradas habían bloqueado el apoyo previo con IA. Su cadena de procesamiento de ciclo completo (curar entregas manuscritas ya calificadas, aumento de datos con enmascaramiento aleatorio, motores de diagnóstico XGBoost por pregunta y una interfaz web de banco de preguntas basada en diálogo) ofrece una vía escalable para la retroalimentación con IA en cursos de ingeniería que carecen de datos digitales estructurados, y el marco está diseñado para generalizarse a preguntas de fórmula calculada de otras disciplinas de la ingeniería.

  • IA para la sostenibilidad, integrada y no modular. El marco AI-SEE de cuatro pilares (impulsado por la inteligencia, capacitado para lo verde, guiado por la responsabilidad e integrado en la práctica) distribuye la IA por los cursos de ingeniería; en un caso de ingeniería del transporte con 144 estudiantes, el estudiantado informó de implicación en los niveles personal, académico, profesional y social, con el razonamiento sobre sostenibilidad trasladado a las familias y a las redes de pares (Liu et al. (2026)).

  • Un taller con muchas herramientas puede deprimir la autoeficacia sin mejorar el producto. En un taller de diseño arquitectónico con 27 estudiantes, los equipos que usaron un flujo de IA generativa más XR mostraron mayores descensos antes y después en la autoeficacia de diseño (β = −1,675) y en la expectativa de resultado (β = −2,088) que los controles, mientras que un visor por estudiante no produjo ninguna colaboración coordinada (Xiao et al., 2026).

  • La elección del modelo, y no la formulación de instrucciones, fija la fiabilidad de la retroalimentación bajo réplica. Apostolakis et al. (2026) construyeron 200 problemas de armadura bidimensional verificados y sometieron a trece modelos a tres posturas: resolver, confirmar una solución correcta que el estudiante insiste en que es errónea, y localizar un error inyectado. La exactitud al resolver fue del 64,5% al 97,0% y todos los modelos detectaron al menos el 90,4% de los errores inyectados, de modo que ninguna de las dos cosas separó al conjunto; la resistencia a la réplica sí lo hizo, con un rango del 46,5% al 98,5%. Para un curso de estática el riesgo de la tutoría no es una respuesta final equivocada sino un modelo que da la razón cuando un estudiante duda erróneamente de un trabajo correcto, y los autores señalan que, si la fiabilidad sigue a los niveles de pago, la retroalimentación que recibe el estudiantado variará según lo que su institución pueda licenciar.

Preocupaciones características

Las preocupaciones características de la educación en ingeniería dan forma a cómo se adopta la IA: el aprendizaje práctico y de laboratorio (y lo que se pierde cuando la IA simula la práctica), la formación profesional (responsabilidad ética, seguridad e impacto social), el diseño y la resolución de problemas (cuánto trabajo cognitivo debería hacer la IA) y la preparación por competencias para la fuerza laboral. Esto convierte la educación en ingeniería en un terreno fértil para estudiar si la IA aumenta o desplaza el trabajo cognitivo esencial para la pericia profesional, en paralelo a los debates en didáctica de la física, didáctica de las matemáticas y didáctica de la informática.

Conexiones con conceptos relacionados

La educación en ingeniería se sitúa dentro de la educación STEM y se conecta con fuerza con la didáctica de la informática (informática e ingeniería del software), la didáctica de las matemáticas y la didáctica de la física (los fundamentos matemáticos y físicos de la ingeniería), la formación profesional y el desarrollo educativo (la preparación de la fuerza laboral y del profesorado), la evaluación y la ética (las implicaciones profesionales y evaluativas de la IA) y la educación superior (el contexto institucional). Es la disciplina de origen de los artículos procedentes de la ASEE.

Subáreas poco cubiertas

La cobertura de la educación en ingeniería sigue en desarrollo. Entre las subáreas que se beneficiarían de más artículos están las pedagogías de la ingeniería específicas de cada disciplina (educación en ingeniería mecánica, civil, química, eléctrica, del software y biomédica), la educación en diseño y de creadores, el trabajo final de grado y el aprendizaje basado en proyectos, y la educación en ética de la ingeniería, donde el papel de la IA probablemente sea especialmente determinante.

Ese vacío ya no está vacío en un área: un programa de tres años de ingeniería biomédica usó la IA generativa como andamiaje vigilado de resumen de conocimiento y de programación dentro de una secuencia de ABP de cuatro módulos —herramientas aprobadas, sin datos de pacientes, registros de divulgación— e informó de tasas de calificación A del 66,4% frente al 39,1% de las cohortes anteriores a la IA (Nnamdi et al. (2026)).

Implicaciones para el profesorado de ingeniería

  • Construya un lenguaje compartido y preciso sobre la IA. La investigación sobre las metáforas del profesorado encuentra que este sostiene modelos mentales fundamentalmente distintos (agente frente a herramienta); alinee la comprensión departamental antes de formular políticas.

  • Cierre la brecha entre la ética y la rendición de cuentas. Las revisiones sobre ética encuentran que la orientación se dirige mayoritariamente al estudiantado y está orientada al cumplimiento; refuerce la rendición de cuentas recíproca del profesorado y las instituciones, dado el interés de la ingeniería en la seguridad pública.

  • Use una evaluación multimodal y corporeizada. La evaluación de gesto + habla añade evidencia diagnóstica más allá del lenguaje por sí solo: considere las señales corporeizadas al evaluar la comprensión conceptual.

  • Prepare al estudiantado para la fuerza laboral, no solo para la asignatura. El Dual Train Problem urge a ofrecer competencias duraderas en IA, ética y gobernanza, y credenciales basadas en destrezas alineadas con los roles emergentes.

  • Modele el uso crítico y una dependencia adecuada. La investigación sobre el uso crítico con TAM muestra que el estudiantado se apoya intensamente en la IA para tareas de comprensión, pero menos para la evaluación: guíelo hacia una dependencia adecuada y verificable en todos los tipos de tarea.

  • Enseñar el uso de la IA como una destreza dentro del horario de clase. Geng et al. (2026) realizaron nueve demostraciones dirigidas por el profesorado, de 10 a 15 minutos cada una al final de una clase y secuenciadas desde la alfabetización en herramientas hasta la delegación estratégica y la evaluación de modelos, pero el estudiantado que no veía conexión con la evaluación las consideró redundantes, así que conviene vincularlas a trabajo calificado.

Concepciones erróneas comunes

  • «La adopción de la IA entre el estudiantado de ingeniería es un problema de aceptación tecnológica.» Asag y Al Mamun integran el TAM con el UTAUT para modelar la adopción del estudiantado de ingeniería de Bangladesh y explican el 64% de la varianza, de modo que una parte sustancial queda fuera de los constructos de aceptación, en factores sociales y cognitivos que el modelo no cubre.
  • «El estudiantado usa la IA para aquello en lo que es mejor.» Kudina (2026) encontró que 100 estudiantes de ingeniería valoraban sobre todo los LLM para el apoyo a la escritura, no para el razonamiento de ingeniería. Sus metáforas sobre la herramienta superaban lo que esta ofrecía, y su uso real seguía la conveniencia y no la capacidad.
  • «Un conjunto de herramientas más rico mejora los resultados de diseño.» En un taller de diseño arquitectónico con 27 estudiantes, los equipos que usaron un flujo de IA generativa más XR mostraron una autoeficacia deprimida sin un producto mejor. La riqueza de herramientas puede costar confianza sin cambiar el artefacto.

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.