Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Función ejecutiva

Creada 2026-11-12 · Actualizada 2026-11-13

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

Función ejecutiva — el conjunto de procesos de control de propósito general que permiten a quien aprende mantener información en la mente, resistir una respuesta más fácil, cambiar entre reglas y planificar una ruta hacia una meta. En la educación con IA decide si una herramienta sustituye la capacidad que una tarea debía ejercitar o si construye esa capacidad. También se sitúa donde se encuentran tres literaturas: la investigación sobre la dependencia, la investigación sobre necesidades educativas especiales en torno al apoyo y la adaptación, y el trabajo de medición sobre cómo se evalúa el constructo. Difiere de la metacognición. Saber que una salida debe verificarse es una capacidad; mantener el problema en la mente el tiempo suficiente para verificarlo es otra.

Preguntas para reflexionar

  • Quien aprende con conocimiento metacognitivo preciso sigue sin poder mantener en la mente un problema de cuatro pasos. ¿Qué capacidad falta, y la resolvería más retroalimentación?
  • La compensación, el andamiaje y el desarrollo pueden parecer idénticos en una prueba posterior que incluye la herramienta. ¿Qué mediría para distinguirlos?
  • La evidencia de entrenamiento se detiene en un mes de seguimiento. Si un chatbot mejora la memoria de trabajo durante cuatro semanas, ¿qué se ha demostrado y qué no?
  • Dos estudios informan de que un uso más intenso de IA va con una función ejecutiva más débil. ¿Qué diseño haría falta antes de poder llamarlo causa?
  • La clasificación de tarjetas, la prueba de Flanker y un inventario de autoinforme a menudo no coinciden sobre el mismo estudiante. ¿En cuál confiaría para una afirmación sobre un aula, y por qué?
  • Si un modelo asume la planificación y la comprobación que normalmente realiza la función ejecutiva, ¿está atrofiándose la capacidad o se está ejercitando en otro lugar?

Introducción

La función ejecutiva es un pequeño conjunto de procesos que organizan todo lo demás que hace quien aprende. La memoria de trabajo mantiene en su sitio las partes de un problema. La inhibición suprime la respuesta que sale con facilidad pero no encaja. La flexibilidad cognitiva permite abandonar una regla y tomar otra cuando la tarea cambia. La planificación y la monitorización se apoyan en todo ello, convirtiendo la intención en una secuencia de pasos y comprobando si los pasos funcionan.

La distinción que organiza esta literatura es la que hay entre capacidad y monitorización. La metacognición es lo que quien aprende sabe y advierte sobre su propio pensamiento: si comprende, si debería comprobar, si va por buen camino. La función ejecutiva es lo que puede hacer con ese conocimiento bajo carga. Un estudiante puede saber que una respuesta de IA necesita comprobación y carecer aun así de la memoria de trabajo necesaria para sostener el argumento mientras la comprueba. Los estudios que parecen discrepar sobre la IA y la función ejecutiva a menudo resultan haber medido una de las dos cosas y no la otra.

Qué abarca el constructo y qué no

La literatura psicológica nombra tres funciones centrales —inhibición, memoria de trabajo y flexibilidad cognitiva— y trata la planificación, la monitorización y la organización como añadidos en parte separables. La investigación sobre IA usa el término en dos sentidos. Un sentido estrecho aparece cuando un estudio administra una tarea de desempeño como la Clasificación de Tarjetas Dimensionales del NIH o la prueba de Flanker. Un sentido amplio aparece cuando una encuesta pregunta por el «funcionamiento ejecutivo global», que suele significar un inventario de autoinforme.

La diferencia cambia lo que significa un hallazgo. Una tarea de desempeño mide lo que quien aprende puede hacer en condiciones controladas. Un inventario de autoinforme mide lo que quien aprende cree sobre su funcionamiento cotidiano, y ambas cosas se disocian. El estudio de desarrollo de instrumentos de Ayasrah y colaboradores lo formula explícitamente. Su Escala de Dificultades de Aprendizaje Basadas en la Función Ejecutiva operacionaliza su constructo como la dependencia desadaptativa autoinformada y la reducción percibida en la monitorización esforzada, «en lugar de un diagnóstico de déficits estables de la función ejecutiva» (Ayasrah et al., 2026).

La distinción respecto a la metacognición va en la misma dirección. La metacognición es el conocimiento y la monitorización del propio pensamiento, incluida la calibración y los juicios de aprendizaje. La función ejecutiva es la capacidad que hace posible la monitorización cuando la tarea es exigente. Quien aprende puede tener un conocimiento metacognitivo preciso y aun así fracasar al mantener un problema de varios pasos en la memoria de trabajo. Esa combinación es frecuente en la literatura sobre educación especial, donde la brecha entre conocer una estrategia y poder ejecutarla es el problema cotidiano.

Compensación, andamiaje y desarrollo

Vasileiou y colaboradores aportan un marco que merece conservarse. Una herramienta de IA puede compensar, externalizando una demanda para que quien aprende pueda participar. Puede andamiar, apoyando el desempeño justo por encima de la capacidad independiente. Puede desarrollar, construyendo la capacidad misma. La misma herramienta puede hacer cualquiera de las tres cosas según cómo se diseñe la tarea, y solo del desarrollo cabe esperar que sobreviva a la retirada de la herramienta.

La compensación parece un éxito en todas las medidas que incluyen la herramienta. Un estudiante que escribe un mejor ensayo con un corrector gramatical, o que resuelve más problemas con un chatbot paso a paso, está rindiendo mejor. Si la capacidad creció es una pregunta distinta que requiere una medida tomada sin la herramienta. Los estudios de desempeño asistido sostienen el mismo argumento desde otra dirección: las ganancias registradas con la herramienta presente no se transfieren automáticamente al desempeño sin ayuda. Por eso una prueba previa y otra posterior con la herramienta en la mano no pueden separar las tres funciones, y por eso la distinción importa sobre todo para quienes no siempre tendrán la herramienta.

Lo que muestran los estudios de entrenamiento

Pergantis, Bamicha, Skianis y Drigas revisaron intervenciones con chatbots dirigidas a las funciones ejecutivas y a las dificultades relacionadas. Su búsqueda examinó 115 registros en Scopus, Web of Science, PubMed y fuentes complementarias, cubrió de 2021 a 2024 y retuvo 10 estudios con 1.606 participantes de entre 6 y más de 75 años.

La descripción que hace la revisión de su propia evidencia es la parte que conviene llevarse. Los diseños iban de ensayos aleatorizados a estudios de caso único. La muestra más grande era de 744 adolescentes y la más pequeña, de tres estudiantes de 11 a 13 años. No se aplicó ningún instrumento formal de riesgo de sesgo, y solo dos de los 10 estudios informaron de algún seguimiento, con un mes como máximo. Los autores describen los hallazgos como prometedores y no como establecidos. Los resúmenes que citan esta revisión como prueba de que los chatbots mejoran la función ejecutiva leen más allá de esos límites.

Qué desplaza la dependencia

El argumento contra tratar el apoyo de la IA como gratuito proviene de la literatura sobre la dependencia. Klarin, Hoff y Daukantaitė definen la dependencia de la IA generativa entre adolescentes como preferir la herramienta al propio esfuerzo o al apoyo del profesorado, junto con la dificultad para empezar las tareas escolares sin ella. Esa definición nombra la capacidad desplazada. El esfuerzo sostenido y el inicio del trabajo son demandas ejecutivas, y tratarlos como problemas de actitud malinterpreta lo que la herramienta está sustituyendo.

La encuesta de Sharma, Manani y Thakwani con estudiantes universitarios indios añade un mediador. El uso problemático de ChatGPT se asociaba con un funcionamiento ejecutivo global más pobre, pero la ruta directa cayó a β = 0,069, P = 0,328 una vez que el estrés académico entró en el modelo, mientras que la ruta del estrés a la disfunción corría a β = 0,706. En su explicación, el daño pasa por el estrés que produce la dependencia intensa y no por la herramienta actuando directamente sobre la capacidad. El diseño es transversal, así que el ciclo que describen sigue siendo una hipótesis.

Ayasrah y colaboradores dan al constructo un instrumento de medición construido a partir de entrevistas con 18 especialistas, docentes y estudiantes y validado con 616 estudiantes de secundaria. Sus seis dimensiones —dependencia excesiva de la IA para pensar, comprensión superficial, verificación reducida, memoria más débil del material aprendido, esfuerzo cognitivo disminuido y evaluación crítica reducida— describen cómo se ve la implicación ejecutiva desplazada desde el lado de quien aprende.

Cómo medirlo: tareas, mirada y autoinforme

El estudio de Wilder y Stratchan con 46 estudiantes universitarios con TDAH es el intento más claro de esta literatura por conectar una tarea de desempeño con la conducta. Los participantes completaron una simulación de entrevista estructurada mientras un rastreador Tobii registraba la mirada. La tarea de Clasificación de Tarjetas Dimensionales del NIH, una medida de la flexibilidad cognitiva, fue el único predictor cognitivo del nivel de la entrevista (β = -0,065, EE = 0,024, Wald = 7,487, p = 0,006). La inhibición medida con la prueba de Flanker no predijo el nivel (p = 0,710), y tampoco la subescala de autorregulación del MSLQ (p = 0,312).

El resultado advierte contra tratar la función ejecutiva como una sola cosa. El cambio de tarea predijo el desempeño en una situación social exigente. La inhibición y la regulación autoinformada no. La muestra era pequeña y el análisis de niveles agrupó tres niveles, así que es una señal y no un efecto asentado.

Apoyo, adaptación y marco ético

La revisión de Deep, Ghosh y Natoli de 28 estudios sobre IA para estudiantes universitarios con TDAH trata la tecnología como una brecha de apoyo y no como una brecha diagnóstica. Las herramientas van de clasificadores explicables a planificadores adaptativos y agentes conversacionales. La revisión informa tanto de promesas como de un límite: un modelo pupilométrico alcanzó un AUROC de 0,856, mientras que un clasificador SVM alcanzó una exactitud de 66,1 a 68,8 por ciento, por debajo de lo que exigiría un uso clínico.

Su discusión ética se generaliza más allá del TDAH. La adaptación, la privacidad, el consentimiento y la dependencia excesiva pertenecen a la misma pregunta. Una herramienta que compensa bien puede eliminar la práctica que habría construido la capacidad, y quien es menos capaz de juzgar ese intercambio suele ser precisamente quien más necesita la compensación. Eso es un argumento para emparejar el apoyo con trabajo sin ayuda periódico, no para negar el apoyo.

Hacia dónde va el constructo

El artículo de marco de Sidorkin empuja el constructo hacia fuera. Propone la «Cognición Ejecutiva Extendida» como un resultado de aprendizaje de la educación superior: asignar el esfuerzo cognitivo, descomponer una tarea para su ejecución humana o automática, mantener un modelo preciso de lo que la IA puede y no puede hacer, e integrar la salida en un producto defendible. El artículo no informa de datos. Su única afirmación cuantitativa, que las personas directivas dedican un 60% más de tiempo a la planificación de escenarios y la supervisión ética que antes de la IA, remite a una encuesta citada de segunda mano.

Leído junto a los estudios anteriores, el marco es una hipótesis sobre hacia dónde va el constructo. Si pensar significa cada vez más dirigir y comprobar la salida de una máquina, entonces la inhibición y la monitorización se ejercitan en un lugar nuevo. Si se ejercitan más o menos es una pregunta empírica que nadie ha respondido todavía.

Implicaciones para la práctica

El profesorado puede hacer del intento sin ayuda parte de la tarea y no una petición basada en la confianza. Un breve paso de planificación, un primer borrador o una estimación producidos antes de abrir el modelo dan a quien aprende algo con lo que comparar, y dejan un registro de la capacidad en uso. Cuando un curso se apoya en la IA para planificar u organizar, programar un trabajo por semestre sin ella muestra si la capacidad sigue ahí.

El personal de apoyo y los especialistas en aprendizaje pueden nombrar qué función aborda una herramienta. Un planificador que externaliza la secuenciación compensa. Una consigna que pide al estudiante explicar el paso siguiente antes de que el modelo continúe andamia. Solo una tarea que exige planificar sin ayuda, con retroalimentación sobre el plan, puede desarrollar plausiblemente la capacidad, y la literatura tiene pocos ejemplos de ese diseño.

Quienes diseñan evaluaciones pueden elegir la medida que corresponde a la afirmación. Una escala de autoinforme responde a preguntas sobre la experiencia del esfuerzo de quien aprende. Una tarea de desempeño responde a preguntas sobre la capacidad en condiciones controladas. Usar la primera para afirmar lo segundo es el error más común en este ámbito, y es evitable en la fase de diseño.

La administración puede leer las solicitudes de adaptación como preguntas sobre qué capacidad se está apoyando y qué ocurrirá cuando se retire el apoyo. Una herramienta que elimina la demanda por completo puede ser la adaptación correcta para un estudiante y la equivocada para otro, y la diferencia rara vez se ve en los datos de uso.

Dónde la evidencia es escasa

Cuatro límites se repiten en los estudios. La mayoría mide una sola vez, así que no pueden mostrar que una capacidad cambió, sino que un desempeño difirió. Predominan los instrumentos de autoinforme, y el autoinforme y las medidas de tarea discrepan. La literatura de entrenamiento casi no tiene seguimiento más allá de un mes. Casi nada separa experimentalmente la compensación del desarrollo, que es la distinción que el campo más necesita poner a prueba.

La única revisión que vincula la descarga con la función ejecutiva es Papasideri, Chatziioannou y Palaiologos (2026), una síntesis narrativa sin datos agrupados. Informa de que una descarga más intensa va con un pensamiento crítico autoinformado más bajo y un aprendizaje autorregulado más débil, y con una conectividad reducida bajo asistencia de LLM en el estudio de EEG que resume. Son asociaciones extraídas de estudios separados y no un modelo de mediación, y los autores lo dicen. Leída junto a la evidencia de entrenamiento, la revisión afina la distinción central: una herramienta puede elevar el desempeño en la tarea que tiene delante quien aprende mientras reduce el esfuerzo que construye la capacidad por detrás.

Concepciones erróneas

  • «La función ejecutiva es lo mismo que la metacognición.» La metacognición es el conocimiento sobre el propio pensamiento. La función ejecutiva es la capacidad de mantener, inhibir y cambiar. Cuando una escala de regulación autoinformada no predice nada y una medida de tarea predice el desempeño, se están midiendo por separado.
  • «Una herramienta que mejora el desempeño está desarrollando la capacidad.» La compensación, el andamiaje y el desarrollo son funciones distintas. Solo del desarrollo cabe esperar que persista sin la herramienta.
  • «Más uso de IA significa una función ejecutiva más débil.» Sharma y colaboradores encontraron que la asociación pasaba por el estrés académico, y un diseño transversal no puede establecer la dirección. La dependencia y la pérdida de capacidad están correlacionadas, no se ha probado que sean causales.
  • «La función ejecutiva es una sola cosa medible.» La clasificación de tarjetas, la prueba de Flanker y los inventarios de autoinforme miden procesos distintos y a menudo discrepan.
  • «Las escalas de autoinforme diagnostican déficits.» La EFB-LDS-AI mide la dependencia autoinformada y la reducción percibida del esfuerzo, que sus autores distinguen explícitamente de un déficit clínico.

Conceptos conectados

Artículos conectados

Metadatos

Diseño del estudioLiterature Review
Métodos de investigación y evaluaciónMétodos de investigación en AIED
FuenteHistorialEditarChat

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.