Equidad

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

Equidad: el principio de que la IA debe servir con justicia a todo el estudiantado, y el estudio de las disparidades sistémicas en el acceso a las herramientas de IA en la educación, en la representación dentro de ellas y en los beneficios que reportan. La investigación sobre equidad en la base de conocimiento examina las brechas de acceso y la brecha digital, el sesgo y la justicia en los sistemas de IA, el diseño culturalmente sensible y lingüísticamente inclusivo, la accesibilidad para el estudiantado con discapacidad y la distribución de los beneficios y los daños de la IA entre grupos. Conecta lo técnico (mitigación de sesgos, algoritmos justos) con lo estructural (infraestructura, política) y lo pedagógico (enseñanza culturalmente relevante).

Preguntas para reflexionar

• Proporcionar herramientas de IA a un centro o a un aula no cierra automáticamente las brechas de rendimiento; de hecho, el acceso por sí solo puede ampliarlas. Si «el acceso no basta», ¿qué más tiene que estar en su sitio para que la IA sirva de verdad con justicia a todo el estudiantado?
• Incluso los datos que se usan para simular al estudiantado arrastran sesgos: cuando los LLM generaron viñetas de estudiantes, distintos modelos produjeron más perfiles del Norte global o del Sur global y pronombres de género. ¿Cuánto deberíamos fiarnos de las representaciones del estudiantado generadas por IA cuando los propios modelos codifican prioris desiguales?
• La equidad en la educación con IA se enmarca a menudo en torno a tres preocupaciones: quién recibe las herramientas (acceso), quién está representado en ellas (representación) y quién se beneficia (resultados). ¿Se le ocurre una situación en la que un grupo obtenga acceso pero siga sin beneficiarse? ¿Qué explica esa brecha?
• La investigación sobre el «silencio estructural» sostiene que quienes hablan lenguas infrarrepresentadas están en desventaja por la infraestructura de la IA (corpus de entrenamiento, tokenización, puntos de referencia) antes incluso de que se entrene ningún modelo. Si la desventaja está incrustada en la infraestructura, ¿dónde empieza a corregirse?

Introducción

La equidad en la educación con IA aborda tres preocupaciones que se solapan: quién recibe las herramientas de IA (acceso), quién y qué está representado en los sistemas de IA (representación) y quién se beneficia (resultados). La IA puede tanto ampliar como reducir las disparidades existentes según el diseño, la infraestructura y la política. La equidad es, por tanto, una lente transversal que se aplica a la justicia algorítmica, la brecha digital, la inclusión lingüística, la accesibilidad y la enseñanza culturalmente relevante.

Equidad de acceso y de infraestructura

• La brecha digital: el acceso desigual a las herramientas de aprendizaje impulsadas por IA entre líneas socioeconómicas, regiones y naciones es una barrera fundacional. documenta cómo los beneficios de la IA generativa se distribuyen de forma desigual entre países e instituciones.
• El acceso no basta: proporcionar herramientas de IA sin abordar las barreras estructurales no cierra las brechas; el acceso debe ir acompañado de competencias, apoyo y condiciones que permitan un uso genuino.
• El profesorado prevé que la brecha se amplíe. Watson y Rainie (2026) encuestaron a 1.057 docentes de universidades y colleges de EE. UU. y encontraron que el 81% esperaba que la IA generativa ampliara las desigualdades digitales (58% decía que mucho), la expectativa de equidad más fuerte del informe y que convive con el 68% que dijo que sus instituciones no habían preparado al profesorado para usar las herramientas en la enseñanza y la mentoría. La misma encuesta muestra lo desigual de la adopción: el 26% de las personas encuestadas no usa IA generativa en absoluto, cifra que sube al 40% del profesorado de artes y humanidades y al 28% de quienes trabajan en ciencias sociales, de modo que el no uso y la falta de preparación se concentran en determinadas disciplinas. El informe es una muestra no probabilística que sus autores declaran no generalizable, así que estas son las preocupaciones expresadas del sector y no efectos medidos.
• Desventaja de infraestructura: Structural Silence muestra que la infraestructura de la IA (corpus de entrenamiento, tokenización, puntos de referencia, arquitecturas de despliegue) sitúa sistemáticamente en desventaja a quienes hablan lenguas infrarrepresentadas antes de que se entrene un modelo, y replantea la escasez de datos como un problema estructural y no incidental.
• Prioris demográficos específicos de cada modelo en datos sintéticos: López-Pernas et al. (2026) encontraron que, cuando los LLM generaban viñetas de estudiantes, cada modelo imponía tendencias demográficas distintas: GPT producía más perfiles del Norte global y usaba pronombres they/them, Qwen producía más perfiles del Sur global y Mistral se inclinaba por she/her. Incluso la construcción de datos sobre el estudiantado por parte de un LLM arrastra así prioris regionales y de género que pueden propagarse a las recomendaciones posteriores, un riesgo de equidad poco examinado.
• Gradientes socioeconómicos: la política de IA y aprendizaje a lo largo de la vida y los experimentos sobre brechas de productividad examinan cómo la IA puede reducir o ampliar las brechas entre distintos grupos de estudiantes.
• Tender puentes para el estudiantado con discapacidad: Khlaif et al. (2026) encontraron que la IA generativa iguala el terreno de juego para estudiantes universitarios con discapacidad visual a través de divisiones digitales, geográficas y socioeconómicas, y enmarcan la inclusión como una cuestión tanto infraestructural como cultural, lo que extiende el discurso de la equidad digital más allá del acceso hacia la pertenencia, la voz y la representación.

La preparación importa más que la preferencia, y el derecho a rechazar se distribuye de forma desigual. El estudiantado con una sólida confianza académica puede rechazar la IA sin penalización, mientras que quienes necesitan apoyo lingüístico, apoyo de accesibilidad o retroalimentación rápida viven ese rechazo como una pérdida de oportunidad, y el personal ocasional puede sentir presión para adoptar herramientas que recortan el tiempo de preparación sin recortar la responsabilidad. Cuando se impone un deber de comprender sin formación, sin infraestructura segura y sin una política clara, se convierte en carga de trabajo oculta, y el rechazo pasa a ser una respuesta predecible a la falta de preparación institucional más que una resistencia a la tecnología (Zagami 2026).

Equidad representacional

• Sesgo en los datos de entrenamiento y en las salidas: los datos de entrenamiento de la IA reflejan en gran medida perspectivas culturales dominantes. La investigación sobre la transferencia del sesgo de género muestra que la escritura asistida por LLM puede contaminar el trabajo del estudiantado con sesgo de género; los filtros en la enseñanza de la historia y la corrección con IA pueden codificar supuestos occidentalocéntricos y lingüísticamente sesgados.
• Conocimientos marginados: la investigación sobre conocimientos minorizados examina cómo la IA generativa margina los sistemas de conocimiento no dominantes y las perspectivas de la discapacidad en la educación superior.
• Diversificación del currículo: el profesorado usa cada vez más los LLM para diversificar los materiales curriculares (Wang et al., 2025, encontraron que el 78% lo hacía), pero las listas de lectura seleccionadas con IA siguen infrarrepresentando a autores BIPOC, y los tutores de IA de STEM recurren por defecto a contextos de problemas occidentalocéntricos.

Equidad de resultados

• Impacto diferenciado: las herramientas de IA pueden ampliar las brechas si se diseñan sin una lente de equidad; las revisiones sistemáticas y los estudios sobre sesgo en la corrección muestran beneficios y daños desiguales entre grupos de estudiantes.

• Amplificación del sesgo: las sugerencias de la IA y la retroalimentación automatizada pueden reforzar (y no cuestionar) los sesgos existentes del profesorado y del sistema. Marked Pedagogies muestra que las herramientas de retroalimentación de escritura con LLM se desplazan sistemáticamente hacia el elogio alineado con estereotipos y la crítica retenida cuando la retroalimentación se personaliza con la raza, la lengua, la discapacidad, el rendimiento o la motivación del estudiante, incluso con ensayos idénticos, lo que convierte la «personalización» en un vector de sesgo concreto en la retroalimentación automatizada.

• Sistemas conscientes de la justicia: la mitigación de sesgos y la investigación sobre fiabilidad de la verdad de referencia desarrollan métodos para detectar y corregir el sesgo en tutores, correctores y sistemas de recomendación con IA.

• Los regularizadores de justicia pueden no generalizar a estudiantes nuevos: Fragkiadakis et al. (2026) añadieron una regularización de la brecha de error dirigida al género y la edad a un transformador Multimodal AI que predice la atención del estudiantado en tiempo real, y encontraron que reducía las disparidades demográficas en los datos de validación, pero esas ganancias no se trasladaban de forma consistente a sujetos reservados ni a divisiones repetidas por sujeto (el modelo regularizado redujo la brecha en solo 4 de 10 ejecuciones de entrenamiento). Una justicia certificada en una sola división puede por tanto desvanecerse con estudiantes genuinamente nuevos; la IA educativa necesita evaluaciones con sujetos excluidos y semillas repetidas, y no solo métricas agregadas.

• Agencia del estudiantado: garantizar que la IA empodere en lugar de sustituir la voz del estudiantado y su agencia, especialmente en el caso de quienes han sido históricamente marginados.

• Equidad psicológica frente a equidad cognitiva: Liang et al. (2026) encontraron que un año de enseñanza de IA en centros de secundaria de Hong Kong redujo las brechas psicológicas de preparación para la IA (confianza, motivación, conciencia ética) pero no las cognitivas: las brechas objetivas de alfabetización en IA entre quienes aprenden por iniciativa propia (de «alta agencia») y sus compañeros persistieron, un patrón de efecto Mateo en el que los currículos «subieron el suelo pero no igualaron el terreno de juego». El acceso a un currículo por sí solo, sin una implicación sostenida y autoiniciada, puede fomentar la paridad psicológica pero no la paridad cognitiva plena.

• Corrección automatizada, rendimiento y lengua. La comparación de OpRaise de tres modelos de frontera con 761 ensayos auténticos encontró que el desacuerdo entre la IA y las personas variaba con el nivel de rendimiento del estudiantado y con características superficiales de la lengua (amplitud de vocabulario, conectores, complejidad de las oraciones) de formas en que la corrección humana no lo hacía, y que la precisión difería entre tres instituciones británicas cuyas cohortes son distintas; los autores conectan esto directamente con los deberes de las instituciones conforme a la Ley de Igualdad del Reino Unido, con el razonamiento de que algunos grupos de estudiantes pueden verse más afectados que otros, y señalan un derecho a la explicación conforme al artículo 22 del RGPD cuando las decisiones de corrección automatizada afectan al estudiantado. Como las notas de la IA se comprimen hacia el centro de la distribución, quienes están más expuestos son los que se sitúan en los extremos del rango de rendimiento.

• Las reglas de evaluación pueden convertir la desventaja lingüística en riesgo de integridad. Li (2026) sostiene que las reglas de integridad que tratan la IA generativa como una única categoría de ayuda no autorizada imponen cargas de cumplimiento mayores al estudiantado que usa el inglés como lengua adicional, cuyo uso legítimo del apoyo lingüístico es más frecuente e iterativo, y concentran la sospecha en quienes escriben cuya fluidez superficial ha cambiado más: un problema de diseño de reglas y no de comportamiento, y que además eleva el riesgo de una aplicación selectiva con pruebas débiles. La frontera propuesta se basa en el propósito y el constructo en lugar de en la herramienta: las ediciones de gramática, puntuación y claridad a nivel de oración, la traducción para la comprensión y un primer borrador que el estudiante reescribe sustancialmente cuentan como apoyo permitido porque no añaden ideas nuevas, ni fuentes nuevas, ni una reordenación material del análisis, mientras que generar argumentos o contraargumentos, aplicar reglas disciplinares a los hechos, reestructurar la secuencia analítica o generar citas cuentan como sustitución. Como los enunciados de constructo a menudo recompensan la fluidez y el uso idiomático como indicadores indirectos del razonamiento, el estudiantado que usa el inglés como lengua adicional se topa con una varianza irrelevante para el constructo en sus calificaciones; los remedios son una especificidad ex ante sobre las funciones permitidas y prohibidas, la declaración calibrada de modo que el apoyo rutinario cueste menos declarar que una entrada bibliográfica, entregas por etapas y rastros de fuentes en lugar de una inferencia basada en la detección, y un seguimiento a nivel de cohorte de las derivaciones y las sanciones. El marco es normativo y no se ha probado: Li no afirma nada sobre las tasas de uso de IA generativa por parte del estudiantado que usa el inglés como lengua adicional.

• El propio estudiantado juzga con precisión la línea entre apoyo y sustitución, aunque con dudas. Reed et al. (2026) presentaron seis viñetas éticas a 531 estudiantes de grado y encontraron que el 57,6% clasificó correctamente las seis (media del 88,54%): los usos respaldados por la verificación fueron ampliamente aceptados (resumir apuntes con verificación del profesorado, 91,7%; mejorar la gramática de un trabajo escrito por uno mismo, 84,9%; términos de búsqueda generados por IA seguidos de una revisión independiente de la literatura, 91,1%), mientras que los usos sustitutorios fueron rechazados de forma abrumadora. La incertidumbre se concentró en los casos que una regla debe resolver de verdad: las referencias generadas por IA que no se pueden verificar (9,9% de «no lo sé») y el texto generado por IA con una edición mínima (9,6%), lo que los autores leen como evidencia de que la frontera entre la ayuda y la autoría significativa no está clara para el estudiantado. La alfabetización en IA objetiva predijo la precisión de la clasificación solo débilmente (ρ de Spearman = 0,234), la muestra era predominantemente blanca, femenina y de primer año en una universidad pública del Medio Oeste, y los autores insisten en que un juicio correcto no es una conducta ética.

• Privilegio de prompt: Jin et al. documentan el «privilegio de prompt»: las personas que formulan sus peticiones con habilidad obtienen sistemáticamente mejores salidas del LLM que quienes expresan la misma intención con menos destreza, lo que convierte la habilidad de ingeniería de prompts en un recurso silenciosamente desigual. Su Prompt Equity Transformer traslada la optimización de prompts al interior del sistema y trata la equidad de las salidas como una propiedad de accesibilidad en lugar de exigir una formulación experta a las personas novatas.

• La brecha de gestión de la interacción. Brunnström y Palmqvist (2026) llegan a una conclusión ambivalente sobre la IA generativa como igualador: como el uso productivo exige reconocer una respuesta demasiado abstracta, pedir una simplificación y estructurar una sesión en torno a metas pequeñas, la IA generativa sin guía «puede ser más beneficiosa para el estudiantado que ya parte con ventaja», es decir, quienes tienen hábitos de estudio sólidos y confianza para dirigir a una IA, mientras que quienes tienen hábitos de estudio más débiles o una menor autoeficacia académica se topan con una complejidad y una frustración añadidas. En lugar de sustituir a los interlocutores académicos que faltan, la herramienta introduce una nueva competencia cuya adquisición genera su propia brecha; los autores concluyen que la responsabilidad de enseñarla no puede recaer solo en el estudiante (alfabetización en IA, aprendizaje autorregulado).

• Los mecanismos de brecha de competencias y de brecha de recursos no son el mismo problema. Kumar, Wongsirichot y Nanthaamornphong (2026) separan dos mecanismos que su revisión sistemática de 72 estudios de educación en informática encontró que la literatura tiende a confundir. La brecha de competencias opera dentro de un mismo aula: el estudiantado con conocimientos previos más sólidos convierte la ayuda de la IA en una competencia duradera, mientras que quienes tienen dificultades la usan como una muleta que elimina el esfuerzo productivo, lo que amplía la distribución de la competencia al final del semestre; se aborda con un acceso gradual vinculado a la competencia demostrada. La brecha de recursos opera entre instituciones y contextos nacionales: una conexión fiable a internet y suscripciones de pago a API sostienen un uso de las herramientas más capaz que el de quienes no las tienen; se aborda con inversión institucional en acceso compartido a las herramientas y con políticas que no den por supuesta una disponibilidad universal. La equidad es el más débil de los tres requisitos del marco de la revisión (seis estudios), y los autores leen esa debilidad como el hallazgo: la ausencia de investigación sobre intervenciones centradas en la equidad es en sí misma el problema de equidad (validez de la evaluación, andamiaje).

• La calidad de la tutoría cambia con la demografía del estudiantado. EduFair-Bench empareja un estudiante LLM fijo con cada tutor a lo largo de nueve niveles demográficos que abarcan género, antecedentes migratorios, primera lengua y estatus socioeconómico, y puntúa cinco métricas pedagógicas por turno. En la tutoría con LLM las mayores desviaciones aparecen en condiciones demográficas explícitas: el andamiaje por pasos correlaciona hasta |r| = 0,144 en matemáticas, y el tono correctivo supera 0,10 en todos los modelos en química (0,102-0,168) y física (0,129-0,294); además, en 11 de las 15 celdas de modelo por dominio la condición de respuesta incorrecta puntuó más alto que la correcta, lo que indica que el tono seguía la etiqueta demográfica del estudiante y no la calidad de su razonamiento. El aprendizaje por refuerzo específico de la pedagogía redistribuyó estas brechas en lugar de eliminarlas. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

• Las señales demográficas implícitas son un canal de sesgo menos controlable que los atributos declarados. Rooein, Benedetto y Hovy (2026) mantuvieron fija la entrada de cada tarea y variaron solo el contexto demográfico en seis LLM ajustados por instrucciones y tres tareas educativas, lo que produjo 192.480 llamadas de inferencia, y separaron las señales explícitas (atributos declarados del estudiante) de las implícitas, transportadas por un historial de conversación de diez prompts. En la corrección automática de ensayos la mayoría de los modelos resultó comparativamente estable bajo el condicionamiento explícito, mientras que el implícito infló las puntuaciones: Llama-70B puntuó 1,57 puntos por encima de su propio valor por defecto (p < 0,001). En la respuesta a preguntas metalingüísticas, la condición implícita derivó en la dirección opuesta: las respuestas correspondientes a niveles educativos más bajos recibieron un sentimiento menos positivo, con una brecha media de 0,3 entre el nivel educativo más bajo y los más altos en una escala de 0 a 4 frente a una desviación estándar intraelemento de 0,07. La dificultad para la equidad es estructural: la señal no es un atributo declarado que una política pueda prohibir ni un campo de prompt que una auditoría pueda inspeccionar, sino una propiedad de la propia interacción.

Inclusión lingüística, cultural y de la discapacidad

• Lengua: la mayoría de las herramientas de IA priorizan el inglés y marginan al estudiantado multilingüe. La diversidad lingüística en la escritura académica, las lenguas infrarrepresentadas y la investigación sobre aprendizaje de idiomas abordan esta cuestión.
• Cultura: la pedagogía culturalmente relevante y la AIED centrada en la comunidad reclaman una IA que refleje los contextos culturales del estudiantado en lugar de imponer normas dominantes.
• Discapacidad y neurodiversidad: la investigación sobre aprendizaje accesible, diseño universal, neurodiversidad y educación especial examina cómo la IA puede apoyar o excluir al estudiantado con discapacidad: el estudiantado de informática neurodivergente, el estudiantado con dislexia y los materiales educativos accesibles son ejemplos ilustrativos.
• Lengua, cultura y costo a la vez: Bashir y Afzal (2026) enmarcan el diseño equitativo en la IA para el bienestar como una única cuestión de lengua, cultura y costo: las herramientas solo en inglés fallan al estudiantado que expresa su malestar en urdu o roman urdu, los conjuntos de datos occidentales no captan los estresores localmente relevantes, y los sistemas comerciales caros fallan a las universidades peor equipadas (Sukoon). Su respuesta combinó un LLM multilingüe de código abierto al que se accede mediante una API alojada para reducir los requisitos de recursos, una interfaz de evaluación bilingüe y un clasificador entrenado con un instrumento validado de 20 características, y a la vez reconocieron que los datos de entrenamiento no son representativos de la población objetivo, que «algunas áreas... hay herramientas disponibles pero a menudo son caras» y que la adaptación es a nivel de prompt y no se validó con estudiantes: un relato sincero de la distancia entre una intención equitativa y una equidad demostrada.

Poblaciones específicas y equidad global

• Poblaciones específicas: la educación especial, el estudiantado neurodivergente, el estudiantado con dislexia y el estudiantado con discapacidad representan grupos cuyas necesidades a menudo se pasan por alto en el diseño de sistemas de IA.
• Perspectivas del Sur global: las motivaciones del estudiantado africano, la planificación de clases con IA en Vietnam y la aceptación por parte del profesorado de Ghana aportan perspectivas del Sur global a menudo ausentes de la investigación occidentalocéntrica en AIED. En el plano institucional, Adeniranye et al. (2026) muestran que la integración de la IA en 45 universidades nigerianas está impulsada por la antigüedad y la geografía de la institución y no por el tipo de gobernanza, y que los vínculos de red que se refuerzan mutuamente permiten a las instituciones bien conectadas acumular ventaja: evidencia de que las brechas de equidad se reproducen estructuralmente y no solo a través del acceso individual.
• Capacidad global: documenta cómo los beneficios de la IA generativa se distribuyen de forma desigual entre países e instituciones, y la política de IA y aprendizaje a lo largo de la vida aborda los gradientes socioeconómicos estructurales.
• Intersección de discapacidad y Sur global: Khlaif et al. (2026), un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual de tres universidades palestinas, muestra a la IA generativa tendiendo puentes entre divisiones digitales, geográficas y socioeconómicas, y a la vez extiende los modelos de aceptación tecnológica a contextos de discapacidad, donde la usabilidad, la asequibilidad y la accesibilidad se refuerzan mutuamente.
• Equidad de género en informática: los usos de la IA generativa orientados a la equidad siguen estando poco explorados. Una iniciativa de espacio maker de IA generativa solo para chicas en Europa combinó dos herramientas de IA generativa con pedagogía feminista para abordar las desigualdades de género persistentes en la representación de las chicas en la informática, con profesionales que pusieron en práctica pasos concretos para apoyar su participación y su implicación: un ejemplo de diseño de IA generativa centrado en la equidad. Una IA deliberadamente generizada también puede funcionar como la propia intervención: Rücker y Becker-Genschow (2026) mostraron que un chatbot de matemáticas con código femenino y específico de dominio, modelado a partir de la persona de Ada Lovelace (y desplegado tanto como modelo de referencia como de asistente de aprendizaje), redujo significativamente las creencias estereotipadas de género sobre la capacidad matemática y sobre las matemáticas como dominio masculino entre estudiantes de noveno grado, en ambos géneros, con una aceptación tecnológica alta y neutra en cuanto al género. Esto replantea la representación como una palanca de diseño, y no solo como un sesgo que auditar: las personas de IA diseñadas sistemáticamente pueden contrarrestar el sesgo de género en lugar de limitarse a evitar reproducirlo.

Implicaciones para la IA en la educación

• La justicia es diseño, no un añadido posterior: la mitigación de sesgos y los algoritmos conscientes de la justicia deben incorporarse al diseño de los tutores, los correctores y los sistemas de recomendación con IA, y evaluarse en cuanto a equidad junto con la precisión.
• La infraestructura es equidad: abordar la brecha digital y la infraestructura de las lenguas infrarrepresentadas es una condición previa para una IA equitativa, no una preocupación secundaria.
• La representación importa en el contenido y en la evaluación: los materiales seleccionados con IA y la evaluación automatizada deben reflejar y no penalizar a estudiantes, culturas, lenguas y sistemas de conocimiento diversos.
• Acompañar el acceso con apoyo: proporcionar herramientas es insuficiente; el estudiantado necesita competencias, condiciones y un andamiaje culturalmente relevante para beneficiarse.
• Llegar a los públicos que la educación formal no alcanza: el marco de alfabetizaciones en IA para los medios de servicio público sostiene que la provisión seguirá llegando a quienes ya están en ventaja a menos que se diseñe de otro modo, señala a las personas jóvenes digitalmente marginadas o marginadas por otros motivos como las que tienen menos oportunidades a través de la educación formal, y propone alianzas específicas y una provisión de alcance nacional, y no una publicación universal, como remedio.
• Política y gobernanza: la política institucional sobre IA (política educativa sobre IA, gobernanza) debe incorporar la equidad como principio rector.

Conceptos conectados

• Differential Effects Across Learner Groups
• Learners — El estudiantado: el paraguas de los conceptos del lado del estudiantado
• Digital Divide — Acceso desigual a las herramientas y la infraestructura de IA según líneas socioeconómicas, regiones y naciones
• Bias Mitigation — Métodos para detectar y corregir el sesgo en tutores, correctores y sistemas de recomendación con IA
• Accessibility — Diseño que hace utilizables las herramientas de aprendizaje con IA para el estudiantado con discapacidad
• Assistive Technology — Herramientas que apoyan al estudiantado con discapacidad en entornos mediados por IA
• Culturally Relevant Pedagogy — Enseñanza que refleja los contextos culturales del estudiantado en lugar de imponer normas dominantes
• Language Learning — Inclusión lingüística del estudiantado multilingüe y de lenguas infrarrepresentadas
• Inclusive Learning — Aprendizaje accesible y equitativo para todo el estudiantado
• Universal Design for Learning — Diseñar para la variabilidad del estudiantado desde el principio
• Neurodiversity — Apoyar al estudiantado neurodivergente en la educación con IA
• Special Education — Atender las necesidades del estudiantado con discapacidad en el diseño de sistemas de IA
• Alfabetización en IA — Las competencias que el estudiantado necesita para beneficiarse de la IA de forma equitativa
• Educational AI Policy — Política institucional que incorpora la equidad como principio rector
• Gobernanza de la IA — Supervisión y rendición de cuentas para una IA equitativa
• Agencia de quien aprende — Garantizar que la IA empodere en lugar de sustituir la voz del estudiantado
• Stakeholders — Paraguas: personas y públicos de la educación con IA (estudiantado, profesorado, diseñadores, administración, responsables de políticas)
• Parents and Families

Artículos conectados

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — La equidad como problema de distribución: llegar a las personas jóvenes que la educación formal no alcanza

• Typology of Generative AI Tools for Education — La disponibilidad gratuita como puerta de entrada que determina qué herramientas llegan al profesorado

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — Informe OpRaise: corrección con IA de 761 ensayos universitarios en tres universidades británicas

• Generative AI in computing education: A systematic review and a framework for responsible integration — Brecha de competencias frente a brecha de recursos: dos mecanismos de equidad que requieren remedios distintos

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — La IA generativa sin guía puede ampliar las brechas: la competencia de gestión de la interacción (Brunnström y Palmqvist 2026)

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — Estructuras institucionales, desigualdad digital e integración de la IA en la educación superior nigeriana

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Modelado con transformador multimodal consciente de la justicia para la estimación de la atención del estudiantado en tiempo real

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — La enseñanza de IA en la escuela reduce las brechas psicológicas de preparación, pero no las cognitivas

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Privilegio de prompt: medir y mitigar las disparidades de accesibilidad en el acceso a los LLM

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — Sesgo lingüístico en la corrección basada en IA

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — Transferencia del sesgo de género en la escritura asistida por LLM

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — La IA generativa y la marginación de los conocimientos minorizados

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Silencio estructural: las lenguas infrarrepresentadas en la infraestructura de IA

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — IA generativa en la educación superior: revisión sistemática

• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — La IA y la política de aprendizaje a lo largo de la vida

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — ¿Reduce la IA generativa las brechas de productividad educativa?

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — Diversidad lingüística en la escritura académica mediada por IA

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — El acceso no basta

• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — Un chatbot con código femenino como modelo de referencia que reduce los estereotipos de género en matemáticas

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Filtrado paternalista en la enseñanza de la historia basada en LLM

• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens: apoyo con IA para el estudiantado con dislexia

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — Fiabilidad de la verdad de referencia en AIED

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: sesgo de retroalimentación alineado con estereotipos según los atributos del estudiantado

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — ¿Puede la IA ofrecer un apoyo adecuado a perfiles de estudiantado diversos? Una evaluación a gran escala

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Talleres de espacio maker de IA generativa solo para chicas y equidad de género en la informática

• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — IA generativa de asistencia para el estudiantado con discapacidad visual

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — Un chatbot con IA culturalmente consciente para la detección del estrés y el apoyo al bienestar entre estudiantes universitarios paquistaníes mediante PLN y aprendizaje automático

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Las señales demográficas implícitas (historial de conversación) desplazan la puntuación, la retroalimentación y las respuestas de los LLM (Rooein, Benedetto y Hovy 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1.057 docentes estadounidenses sobre el presente y el futuro de la IA: el 81% espera desigualdades digitales mayores, el 26% no usa las herramientas

• GenAI assessment and language equity: Drawing the line between support and substitution — Trazar la línea entre apoyo y sustitución: las reglas de evaluación con IA generativa y la carga de cumplimiento del estudiantado que usa el inglés como lengua adicional

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — El derecho a rechazar se distribuye de forma desigual: el rechazo como evidencia de falta de preparación institucional (Zagami 2026)

• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — Juicio ético basado en escenarios y alfabetización en IA entre 531 estudiantes de grado

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: la tutoría con IA y la humana producen ganancias de aprendizaje equivalentes en el GRE

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — La IA puede hacer tus deberes. ¿Y ahora qué? Informe de un taller en línea sobre la evaluación en informática en la era de la IA generativa