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. La evidencia documenta cómo los beneficios de la IA generativa se distribuyen de forma desigual entre países e instituciones.
• La calidad de la herramienta forma parte de la brecha, y no solo el acceso a ella: Canonigo (2026) envió 50 prompts de matemáticas tres veces cada uno a los niveles gratuito y premium del mismo modelo y encontró que el nivel gratuito era inexacto en 49 de sus 150 respuestas (32,7%) frente a 18 de 150 (12%) del nivel premium (χ2(1) = 17,5, p < 0,001); el profesorado del centro con menos recursos de los dos estudiados calificó el modelo gratuito de «rayano en lo inútil para las matemáticas». Los autores leen esto como una brecha algorítmica que extiende la brecha digital más allá del acceso a los dispositivos hasta la calidad de la propia herramienta, de modo que un centro con «acceso a la IA» puede seguir entregando a su estudiantado un tutor materialmente menos fiable, con su propia salvedad de que la comparación fue exploratoria y los prompts no se aleatorizaron, lo que hace que el tamaño de la brecha sea indicativo y no concluyente. El mismo estudio muestra que la dirección que toma la brecha no está fijada por la herramienta: donde el profesorado exigía al estudiantado comparar la salida de la IA con su propio trabajo y daba al modelo un prompt previo para que retuviera las soluciones, la salida se convertía en un artefacto para la crítica, mientras que en las clases sin mediación el estudiantado consultaba primero el algoritmo y el profesorado pasaba a ser un validador («ya no soy el oráculo; soy el editor»).
• 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 apoyo diferenciado no es evidencia de un beneficio equitativo: una revisión de la tutoría con IA en matemáticas encuentra que las afirmaciones de inclusividad no están respaldadas porque los estudios rara vez comprueban si las ganancias se distribuyen de forma consistente entre grupos de aptitud, género, nivel socioeconómico, lengua, discapacidad y geografía, lo que deja sin establecer que estos sistemas reduzcan las brechas de rendimiento (Ogunsakin et al. (2026)).

• La tutoría humano-IA diferenciada es una prueba de que los modelos híbridos pueden reducir las brechas, cuando la asignación sigue la necesidad. Un estudio de diferencias en discontinuidades (635 estudiantes, de 5.º a 8.º; quienes rendían por debajo de la mediana recibieron tutoría humana proactiva y quienes estaban por encima recibieron apoyo reactivo a demanda, frente a una línea base de solo IA del otoño) encontró que la tutoría híbrida elevó el tiempo en tarea un 25%, la competencia en habilidades un 36% y el crecimiento académico un 61% en general, y que los dos brazos lograron ganancias de implicación y competencia comparables mediante mecanismos distintos. El detalle relevante para la equidad: la tutoría proactiva mostró un crecimiento medio marginalmente mayor (75%, p = 0,065) concentrado entre el estudiantado más alejado del punto de corte, es decir, el patrón de compresión de la brecha en lugar de una elevación uniforme, con un tutor por sesión que atendió a ambos grupos. Los autores son adecuadamente cautelosos: el diseño DiDC es cuasiexperimental, el corte dicotómico en la mediana pasa por alto la variación de necesidad dentro de cada grupo, y el efecto del 75% es marginal. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

• 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).

La renta se paga en tres monedas, y la competencia propia se va con quien se gradúa. de Barba (2026) sostiene que la capacidad que reside en una herramienta comercial solo está disponible en los términos del proveedor, de modo que las licencias institucionales trasladan al arrendador en lugar de eliminarlo: el acceso suele terminar con la matrícula, y la capacidad alquilada persiste después únicamente para quienes se gradúan y pueden seguir pagando. Añade otras dos distribuciones que los debates sobre el acceso suelen pasar por alto: los costes para el yo se concentran en la aclimatación, donde el estudiantado con menos conocimientos previos del dominio es el que más tiempo pasa, y las normas alquiladas llevan consigo los puntos de referencia del modelo, de los que se prevé que desplacen una parte mayor de las normas del estudiantado cuyos puntos de referencia culturales y lingüísticos difieren de los del modelo. La misma herramienta amplía el acceso y desplaza normas a la vez, y por eso ella considera que nombrar las capacidades que un curso debe construir por sí mismo es una medida de equidad además de una medida pedagógica.

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 en STEM los tutores de IA recurren por defecto a contextos de problemas occidentalocéntricos.

• Las imágenes generadas repiten las normas visuales dominantes, lo que convierte el uso crítico en una competencia y no en un añadido. Jiang et al. (2026) observan que la generación de imágenes con IA generativa reproduce normas multimodales dominantes como el sesgo visual, y advierten de que una evaluación multimodal que lo ignore corre el riesgo de automatizar y reproducir desigualdades; su marco para el profesorado de segundas lenguas exige por ello la competencia de ayudar al estudiantado a detectar, evaluar y contraargumentar las salidas sesgadas del modelo (Jiang et al., 2026).

• La representación se aplica a la evidencia, y no solo a quien aprende. Bulut (2026) sostiene que la equidad en la evaluación apoyada por tecnología abarca la transferibilidad contextual del conocimiento que sustenta un diseño, de modo que un sistema validado en entornos bien dotados arrastra supuestos no comprobados en otros lugares.

Equidad de resultados

En una revisión de alcance de 394 estudios sobre IA generativa en la educación superior, la equidad y el acceso estuvieron entre los resultados menos abordados, junto con la metacognición, la ética y la creatividad (Lin et al. (2026)).

Una auditoría de equidad a gran escala del seguimiento bayesiano del conocimiento de MATHia, sobre dos años escolares de registros de 8.549 estudiantes, encontró una paridad estadística agregada de −0,077 en 2021-2022 aun cuando 36 de las 50 habilidades estaban sesgadas contra los lectores emergentes, con un sesgo a nivel de habilidad de hasta −0,262 («aplicar exponente», una brecha del 26% en el dominio previsto). La imagen agregada casi justa ocultaba un sesgo concentrado en los componentes de conocimiento con mucha lectura, y los autores sostienen que las auditorías a nivel de sistema por sí solas son insuficientes.

• 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. La evidencia agrupada del beneficio arrastra el mismo límite: Jing et al. (2026) estiman una ganancia global de moderada a grande para estudiantes de grado en 35 estudios (g=0,53, IC del 95% [0,48, 0,64]) y a la vez afirman que el acceso desigual a herramientas costosas es uno de los riesgos que esos tamaños del efecto no pueden captar, y las pruebas de Egger significativas para el rendimiento académico y las competencias profesionales dejan sin resolver la asimetría del gráfico en embudo y los efectos de estudios pequeños.

• Aprendizaje equivalente entre dos órdenes de magnitud de coste. StudentBench encontró la tutoría con IA agrupada estadísticamente equivalente a la tutoría humana experta, mientras que la horquilla entre tutores iba de $0,005 a $1,40 por punto porcentual de ganancia de aprendizaje y un modelo abierto igualó las ganancias humanas con un coste por punto 918× menor ($0,0052 frente a $4,81), lo que convierte el coste por unidad de aprendizaje en una variable de acceso y no solo de calidad (Northcutt et al. (2026)).

• 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 IA multimodal 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.

• Decisiones de próxima oportunidad distribuidas de forma diferencial. Un sesgo que parece defendible caso por caso puede aun así ordenar al estudiantado de forma sistemática: Entezami et al. (2026) hicieron que tres LLM asignaran 11.200 equipos en clases de ingeniería de software, donde los hombres tenían al menos un 80% menos de probabilidad que las mujeres de llegar a Interface Design en lugar de Core Development (GPT-5.2 OR < 0,01) y la nacionalidad movía las asignaciones con independencia del mérito. Las competencias no lo resolvieron —el 99,2% de las asignaciones basadas en competencias coincidió con uno de los dos equipos válidos—, pero el género seguía eligiendo entre opciones igualmente válidas, de modo que solo las estadísticas agregadas revelan el patrón; las imágenes de cursos con una sola persona se inclinaban hacia hombres y piel clara (más del 95% de piel clara para los prompts de Database, Debugging e Individual Programming), mientras que las imágenes con varias personas eran comparativamente diversas.

• 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 competencia, y no el acceso, es donde se reabre la brecha. Entre 380 estudiantes de grado, el capital digital familiar se relacionó con las ganancias académicas percibidas en gran medida a través de la competencia en ingeniería de prompts, que correlacionó 0,793 con esas ganancias (Li et al. (2026)).

• 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).

• Los métodos con mejor evidencia son los menos escalables. En un taller con 73 docentes de informática, la evaluación oral e interactiva se señaló como la evidencia más sólida disponible de comprensión individual y como el remedio menos escalable propuesto —planteado en una sala con más de 400 estudiantes y un puñado de ayudantes—, de modo que las estrategias con un vínculo más claro con el aprendizaje verificado se sitúan en las instituciones que enseñan a menos estudiantes, una brecha de equidad entre instituciones y no dentro de una cohorte (Akbar et al., 2026).

• 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.

• La verificación puede redirigir una ganancia hacia el estudiantado más débil. Dang y Nguyen (2026) encontraron que unos materiales de estudio con IA verificados por personas expertas, en un curso de economía de primer año, se asociaban a una ganancia de 2,34 puntos, pero aproximadamente tres cuartas partes se concentraron en el quintil inferior, y la proporción de notas por debajo del límite del 60% cayó 24,7 puntos: se traslada la carga de la comprobación del estudiantado a una tutoría responsable.

Una segunda revisión de 2026 separa la asistencia de la reducción de disparidades. De 61 estudios de educación superior, 35 abordaron la equidad: la accesibilidad relacionada con la discapacidad en 11, el apoyo lingüístico en 10 y el apoyo específico para grupos nombrados o para estudiantes con menor rendimiento previo en nueve. Esos hallazgos documentan ayuda que llega al estudiantado, no brechas que se cierran. Una encuesta centrada en la dislexia nunca registró los diagnósticos de las personas participantes, y los materiales diferenciados preparados por futuros docentes nunca se probaron con el alumnado para el que fueron diseñados (Aybar-Bellido et al., 2026).

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.
• La detección se ceba con quienes escriben en varias lenguas. Como los detectores clasifican por predictibilidad textual y no por procedencia, la baja perplejidad y la densidad formulaica que marcan también son rasgos de la escritura en una lengua adicional; los estudios documentados encontraron que los detectores de GPT clasificaban erróneamente una gran parte de ensayos TOEFL auténticos de hablantes no nativos de inglés, un riesgo de efectos diferenciales antes que técnico (Angelier (2026)).
• El mecanismo es el pulido lingüístico, no la autoría. Editar un único manuscrito de autoría no nativa movió los veredictos de los detectores en ambas direcciones —MAGE 10,7 puntos porcentuales menos probable de marcar el texto como IA, LastDE+ 5,8 puntos más probable—, y el desplazamiento crecía con la intensidad de la revisión (Park, Jeong y Kim (2026)). Como la autoría no cambia, lo que esas herramientas leen es el refinamiento y no la intervención de una máquina.
• Reconocimiento, y no solo acceso: la planitud cultural de la IA como hallazgo de equidad: en una indagación narrativa de 9 meses con cinco aprendices de secundaria de color, Gyekye (2026) encontró que el estudiantado equiparaba la equidad con la ausencia de sesgo visible, una «planitud cultural» en la que las experiencias identitarias y los marcadores culturales propios no se ven representados en las respuestas de la IA, y que construía agencia mediante el rechazo (no uso como alineación institucional) y la negociación (hacer que las salidas de la IA resultaran legibles institucionalmente). El concepto de Ancho de Banda de Reconocimiento del estudio nombra el margen que tiene el estudiantado para verse a sí mismo en las salidas de la IA, y la Alfabetización en IA Institucional nombra la capacidad de desenvolverse con la IA dentro de las expectativas institucionales. Se trata de un estudio cualitativo de cinco estudiantes en un solo programa; su contribución a la equidad es mostrar que la neutralidad entendida como equidad puede ser en sí misma el mecanismo de exclusión.
• Quién se beneficia de un tutor de IA: evidencia de campo exploratoria: en un despliegue de una plataforma de matemáticas con IA mediada por el profesorado en todo un distrito, Goblins (Alam et al. 2026) encontró asociaciones de rendimiento mayores para el estudiantado con IEP (+0,122 DE), para quienes aprenden inglés (+0,191 DE) y para el estudiantado hispano (+0,084 DE) que para los grupos de comparación, algo coherente con que su entrada multimodal y su apoyo de voz en siete idiomas reduzcan las barreras de participación. Los autores son explícitos al afirmar que los subgrupos exploratorios y con potencia insuficiente no pueden establecer que las características de accesibilidad causaran esa diferencia: es una señal temprana que genera hipótesis, y no un hallazgo de equidad.
• 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: La evidencia 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.
• Una revisión PRISMA de 72 estudios de evaluación en educación superior encontró que la base de evidencia está geográficamente concentrada: Australia y el Reino Unido aportaron 31 de los 72 estudios entre ambos, y no se identificó ningún estudio de Sudamérica (Crompton y Burke (2026)).
• 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 específico del dominio, de código femenino y conversacional, 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 entrega mediada por el profesorado llega a estudiantes que la IA nunca toca. Donde la brecha digital descarta un dispositivo por estudiante, Rodrigues et al. (2026) mantuvieron al estudiantado trabajando con papel y lápiz mientras el profesorado fotografiaba sus soluciones y la IA devolvía listas de ejercicios personalizadas y retroalimentación específica de cada error, en un cuasiexperimento por conglomerados en 19 clases de escuelas públicas brasileñas.
• 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.

La equidad tiene también una dimensión ambiental y computacional: el acceso desigual a modelos computacionalmente intensivos puede ampliar las disparidades entre estudiantes y entre instituciones bien y mal dotadas, y el consumo energético sustancial y la huella de carbono del despliegue de modelos grandes chocan con los objetivos de sostenibilidad de la educación superior (Li et al. (2026)).

Concepciones erróneas

• «El problema de equidad es el acceso a las herramientas.» La calidad de la herramienta forma parte de la brecha, y no solo el acceso a ella: Canonigo (2026) envió 50 tareas de matemáticas y encontró diferencias de calidad que siguen a la herramienta y no a quien la usa.
• «La tutoría híbrida humano-IA no puede reducir las brechas.» La tutoría humano-IA diferenciada es prueba de que los modelos híbridos pueden reducir las brechas, cuando la asignación sigue la necesidad. Un estudio de diferencias en discontinuidades (635 participantes) encontró que la tutoría proactiva mostró un crecimiento medio marginalmente mayor (75%, p = 0,065) concentrado entre el estudiantado más alejado del punto de corte. La ganancia se concentró donde la necesidad era mayor.
• «Un efecto medio indica si la equidad mejoró.» La idea es que la regla de asignación determinó el resultado de equidad: una intervención que ayuda a todos por igual deja las brechas intactas, y una que ayuda en proporción a la necesidad las reduce.

Conceptos conectados

• Efectos diferenciales entre grupos de estudiantes
• Quienes aprenden — El estudiantado: el paraguas de los conceptos del lado del estudiantado
• Brecha digital — Acceso desigual a las herramientas y la infraestructura de IA según líneas socioeconómicas, regiones y naciones
• Mitigación de sesgos — Métodos para detectar y corregir el sesgo en tutores, correctores y sistemas de recomendación con IA
• Accesibilidad — Diseño que hace utilizables las herramientas de aprendizaje con IA para el estudiantado con discapacidad
• Tecnología de asistencia — Herramientas que apoyan al estudiantado con discapacidad en entornos mediados por IA
• Pedagogía culturalmente relevante — Enseñanza que refleja los contextos culturales del estudiantado en lugar de imponer normas dominantes
• Aprendizaje de lenguas — Inclusión lingüística del estudiantado multilingüe y de lenguas infrarrepresentadas
• Aprendizaje inclusivo — Aprendizaje accesible y equitativo para todo el estudiantado
• Diseño universal para el aprendizaje — Diseñar para la variabilidad del estudiantado desde el principio
• Neurodiversidad — Apoyar al estudiantado neurodivergente en la educación con IA
• Educación especial — 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
• Política educativa sobre IA — 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
• Partes interesadas — Paraguas: personas y públicos de la educación con IA (estudiantado, profesorado, diseñadores, administración, responsables de políticas)
• Madres, padres y familias
• Apoyo y éxito estudiantil — a quién llegan los sistemas de apoyo, y los riesgos de actuar sobre una puntuación de riesgo

Artículos conectados

• Generative AI for Learning Individualization and Student Support in Sustainable Higher Education: A Systematic Review of Creative Agency, Equitable Learning, and Implications for SDG 4 and SDG 10 — 35 de 61 estudios abordaron la equidad, pero se documentó la asistencia y no la reducción de las disparidades (Aybar-Bellido et al., 2026)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Cómo entra el sesgo visual de la IA generativa en la evaluación multimodal, y por qué contraargumentarlo es una competencia del profesorado

• The rented self: How AI-enabled tools decouple performance from becoming — El yo alquilado: la renta que se paga en dinero, yo y normas, y las licencias que terminan al graduarse

• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — Verificado, no generado: materiales de estudio con IA verificados por personas expertas y la distribución de las ganancias de aprendizaje en un curso universitario

• 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

• 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: The case of disability — 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 and implications for gender equity in computing — 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

• Generative AI May Reinforce Social Biases in Software Engineering Education — La IA generativa puede reforzar los sesgos sociales en la educación en ingeniería de software

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Brecha de precisión entre el nivel gratuito y el modelo premium en matemáticas: 32,7% frente a 12% (Canonigo 2026)

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Ganancias de aprendizaje agrupadas con IA generativa (g=0,53) y el acceso desigual a herramientas costosas que no pueden captar

• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — Revisión de la tutoría con IA en matemáticas que concluye que las afirmaciones de inclusividad y de reducción de brechas no están respaldadas

• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — Mejorar la tutoría híbrida humano-IA diferenciando los roles del tutor humano según las necesidades del estudiantado (Gurung et al. 2026)

• Teacher-mediated multimodal platform and math achievement: Evidence from Goblins' yearlong district implementation — Despliegue de matemáticas con IA en un distrito con asociaciones exploratorias mayores para el estudiantado con IEP, quienes aprenden inglés y el estudiantado hispano (apoyos multimodales y multilingües; causalidad no comprobada)

• Constructing selves in AI-mediated apprenticeship learning: Students of colour's narratives of agency, recognition and negotiation — Aprendices de color equipararon la equidad con la planitud cultural; agencia construida mediante el rechazo y la negociación; Ancho de Banda de Reconocimiento y Alfabetización en IA Institucional

• AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study — La entrega mediada por el profesorado llega a estudiantes que la IA nunca toca

• The pitfalls of AI detection in academic writing: bias, false positives, and the need for inclusive assessment — La detección se ceba con quienes escriben en varias lenguas

• Who benefits from LLMs? Prompt engineering competence and equity in higher education — La competencia media en el beneficio que el estudiantado obtiene del acceso a los LLM (Li et al. 2026)