Enmarcar el uso de la IA para el estudiantado

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

Enmarcar el uso de la IA para el estudiantado — el oficio persuasivo y comunicativo de moldear cómo el estudiantado entiende el valor, el propósito y los límites de las herramientas y las políticas de IA, de modo que adopte un uso productivo y ético en lugar de rechazarlo, evitarlo o burlarlo. Es la palanca de «compromiso» de la que dependen las intervenciones educativas de reducir el mal uso de la IA: las barandillas estructurales cambian el entorno, pero el andamiaje, la formación en alfabetización y las políticas de uso de IA solo arraigan cuando el estudiantado está de verdad convencido de su sentido.

Preguntas para reflexionar

• El simple hecho de poner la IA a disposición del estudiantado se asoció con un uso ineficaz o incluso poco ético, mientras que enmarcar e integrar explícitamente su uso apropiado mejoró los resultados. Si la presencia de la herramienta importa menos que cómo se la enmarca, ¿qué sugiere eso sobre el énfasis en simplemente «dar IA al estudiantado»?
• El conocimiento que tiene el estudiantado de las normas institucionales sobre IA muestra solo vínculos débiles con lo que hace en realidad: la mayoría usa IA generativa, muchos no están seguros de si su uso cumple las normas y se apoyan en herramientas de acceso privado. ¿Por qué las reglas no cambian la conducta, y qué podría persuadir en lugar de solo informar?
• Cuando las instituciones responden a la IA con miedo y condena, el estudiantado puede ocultar o racionalizar su uso en lugar de aprender a usarla bien. ¿Ha visto que una respuesta de «pánico moral» empuje al estudiantado hacia el secretismo? ¿Cómo sería un enfoque reencuadrado y centrado en las oportunidades?
• La ansiedad ante la IA no es solo una barrera: el estudiantado que se preocupaba por la exactitud y el plagio era más propenso a verificar y revisar la salida de la IA en lugar de aceptarla sin sentido crítico. ¿Cómo podría canalizarse la ansiedad productiva hacia una competencia evaluativa en lugar de suprimirla?
• El estudiantado construye su propia idea de lo aceptable a través de «sitios» —las intenciones del profesorado, los documentos del curso, las normas de los pares y los mensajes institucionales— que a menudo divergen. Cuando esos mensajes entran en conflicto, ¿cuál cree que gana en la práctica, y cómo cierra el encuadre esa brecha?

Introducción

El concepto se sitúa entre otros dos más familiares. Donde el modelo de aceptación de la tecnología predice la adopción a partir de la utilidad percibida y la facilidad de uso, el encuadre es la práctica activa de moldear esas percepciones. Y donde la experiencia del estudiantado describe cómo percibe la IA hoy, el encuadre trata de cambiar esa experiencia de forma deliberada. Es la pareja comunicativa de la política educativa sobre IA: una política es tan eficaz como la disposición del estudiantado a aceptarla.

Por qué importa el encuadre

El encuadre importa porque las políticas y las reglas no cambian la conducta por sí solas de forma fiable. La investigación con encuestas sobre la conciencia regulatoria encuentra que el conocimiento que tiene el estudiantado de las normas institucionales sobre IA generativa muestra solo asociaciones débiles o moderadas con lo que hace en realidad: la mayoría del estudiantado usa herramientas de IA generativa, más de la mitad no está seguro de si su uso cumple las regulaciones institucionales, y se apoya en herramientas de acceso privado en lugar de las que proporciona la institución.(Knowing the Rules Is Not Enough: Student Regulatory Awareness and Use of GenAI in Higher Education) Conocer las reglas es necesario pero no suficiente; el mensaje tiene que persuadir, no solo informar.

El encuadre también determina si el estudiantado vive la IA como una amenaza que hay que evitar o esquivar o como un recurso que hay que usar de forma deliberada. Cuando las instituciones responden a la IA con miedo y condena —lo que una línea de trabajo llama un «pánico moral» recurrente— empujan al estudiantado a ocultar o racionalizar su uso en lugar de aprender a usarla bien.(Navigating the moral panic: encouraging appropriate use of GenAI in the classroom rather than condemning innovation as disruption) Reencuadrar la ansiedad y la condena como una oportunidad estructurada cambia toda la dinámica de la implicación del estudiantado con la IA.

Estrategias y evidencia

Enmarcar la IA como una herramienta productiva, no como una amenaza que prohibir

La intervención de encuadre más directamente puesta a prueba en la base de conocimiento es un experimento natural de seis años que siguió un curso de visualización de datos en tres condiciones: antes de la IA generativa, con IA generativa disponible (presente pero no integrada) y con IA generativa integrada (instrucción explícita y estímulo para usar IA en el trabajo aplicado, prohibida solo en la parte de comprobación de conocimientos). El hallazgo: el simple hecho de poner la IA a disposición se asoció con que el estudiantado la usara de forma ineficaz o poco ética, mientras que enmarcar e integrar explícitamente su uso apropiado recuperó y mejoró los resultados en las preguntas aplicadas.(Navigating the moral panic: encouraging appropriate use of GenAI in the classroom rather than condemning innovation as disruption) La lección es que el encuadre (cómo se posiciona y se enseña la IA) importa tanto como la presencia de la herramienta: estimular el uso apropiado supera a condenarlo o ignorarlo.

Comunicar las expectativas con claridad y de forma reiterada, y diseñar pensando en el estudiantado

Como la mera conciencia de las reglas no cambia la conducta, un encuadre eficaz combina expectativas claras con refuerzo estructural. El estudiantado construye su propia idea de lo aceptable a través de lo que un estudio de entrevistas llama los «sitios» donde se interpreta la política sobre IA —las intenciones del profesorado, los documentos del curso, las normas de los pares y los mensajes institucionales a menudo divergen—, lo que produce racionalizaciones como «copiar texto de la IA no perjudica a nadie».(It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing) El encuadre debe por tanto cerrar la brecha entre lo que el profesorado pretende y lo que el estudiantado infiere, y reconocer el contexto social y emocional: la vergüenza y la culpa regulan cuándo y cómo el estudiantado hace visible el uso de IA, lo que impulsa conductas de ocultamiento y declaración selectiva en lugar de una implicación honesta.(Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education)

Decir por qué, no solo qué

La palanca de encuadre más directa de la base de conocimiento es dar la razón de cada límite tarea por tarea, redactada como si se hablara al estudiantado («usted…», «nosotros…»). El caso de diseño de McCorkle (2025) documenta el mecanismo: después de que las conversaciones de tutoría revelaran que el estudiantado que había leído una prohibición no creía que se le aplicara, reconstruyó la política de modo que cada uso permitido o no permitido de la IA generativa quedara justificado por la evaluación concreta que protege —por ejemplo, la ayuda de IA generativa con los objetivos de aprendizaje no se permite porque «estoy evaluando su capacidad de redactar objetivos de aprendizaje específicos, medibles y de un nivel apropiado»— y entregó ese razonamiento tanto en el programa de la asignatura como en recordatorios oportunos dentro de las instrucciones de las tareas. Enmarcar por razonamiento es una medida de equidad tanto como de persuasión: presupone menos conocimiento compartido sobre autoría, originalidad y atribución, y convierte la política en un diálogo y no en un veredicto (integridad académica).

Reencuadrar la ansiedad y la incertidumbre como competencia evaluativa

Un estudio de métodos mixtos sobre la escritura académica encontró que la ansiedad ante la IA no es simplemente una barrera: el estudiantado que se preocupaba por la exactitud y el plagio era más propenso a verificar, contrastar y revisar la salida de la IA en lugar de aceptarla sin sentido crítico. El estudio enmarca la alfabetización en IA menos como aceptación y más como competencia regulatoria, es decir, la capacidad de cuestionar las salidas, revisarlas de forma selectiva y mantener la responsabilidad de autoría.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource) Enmarcar el uso de la IA para el estudiantado significa canalizar la ansiedad productiva hacia la evaluación y no suprimirla.

Usar mensajes específicos para moldear conductas concretas

Los mensajes pequeños y bien diseñados pueden cambiar la conducta. Un mensaje de inoculación sobre la falibilidad de ChatGPT aumentó la intención del estudiantado de verificar la información que le da la IA y su conducta real de verificación.(Student engagement with ChatGPT for educational tasks: Effects of inoculation training on verification intentions and behavior) Del mismo modo, el simple hecho de advertir al estudiantado sobre la falibilidad de la IA aumentó la búsqueda de ayuda en un sistema de tutoría inteligente, un encuadre de cautela calibrada en lugar de desconfianza generalizada.(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System) Esto apunta a un principio general: enmarque honestamente los límites de la herramienta y el estudiantado calibrará su conducta en consecuencia en lugar de confiar en exceso o de rechazarla.

Asegurar el compromiso y la adopción, no solo el acceso

El encuadre está aguas arriba de la adopción. Los experimentos de campo sobre tutoría con IA encontraron que la restricción vinculante no era la capacidad sino la implicación: pese a disponer de tiempo de sesión dedicado, casi la mitad del estudiantado nunca usó la plataforma, y quienes la usaban promediaban solo de 2 a 5 minutos por semana, hasta que una intervención de apoyo humano de bajo coste (una breve sesión de incorporación presencial) mejoró la adopción.(Access is Not Enough: Human Support Improves Engagement with AI Tutoring) Conseguir que el estudiantado se comprometa con el valor y el propósito de una herramienta es una condición previa para cualquier beneficio de aprendizaje; el encuadre incluye vender ese valor, no solo eliminar barreras de acceso.

Encuadre y motivación

El encuadre conecta con la motivación a través de la teoría de la autodeterminación: cómo se presenta una herramienta o una política determina si el estudiantado vive el uso de IA como autónomo y con propósito o como controlado e impuesto. La implicación del estudiantado con la IA generativa depende de si la herramienta sostiene su sentido de competencia, autonomía y relación, una cuestión de encuadre tanto como de funcionalidad.(Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study) Cuando la disponibilidad de IA erosiona el sentido percibido del esfuerzo —«¿para qué esforzarme tanto?»—, el encuadre debe reconstruir un propósito para ese esfuerzo, vinculando el uso de la IA con el aprendizaje duradero y no con la mera finalización de la tarea.(Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming)

Medios y encuadre público

El estudiantado también queda enmarcado por los medios y el discurso público en torno a la IA en la educación, que moldean sus expectativas de base antes de cualquier mensaje del profesorado. Los análisis del discurso público y de cómo plataformas como YouTube enmarcan el uso de ChatGPT en educación muestran que los encuadres dominantes —el bombo, el catastrofismo o el pragmatismo— influyen en cómo el estudiantado y el profesorado se acercan a la tecnología.(How YouTube Frames ChatGPT Use in Education: An Epistemic Network Analysis with Supporting Multimodal Metadata)(A Longitudinal Analysis of Public Discourse on AI Ethics in Education Using Twitter Data) Un encuadre eficaz por parte del profesorado suele implicar contrarrestar o redirigir deliberadamente esas narrativas ambientales.

Orientaciones prácticas

• Posicionar la IA como un recurso productivo enseñando explícitamente cuándo y cómo usarla, en lugar de prohibirla o ignorarla: el encuadre integrado supera tanto a la condena como al laissez-faire.
• Comunicar las expectativas de forma reiterada y desde cada «sitio»: el programa, los enunciados de las tareas, la retroalimentación y las normas de los pares deberían contar una historia coherente para que el estudiantado no invente sus propias racionalizaciones.
• Canalizar la ansiedad hacia la evaluación. Enmarque la incertidumbre sobre la exactitud como una razón para verificar y revisar, no como una razón para evitarla o hacer trampas.
• Usar mensajes honestos y específicos (por ejemplo, inoculación y advertencias de falibilidad) que construyan una cautela calibrada en lugar de confianza o desconfianza generalizadas.
• Vender el propósito. Conecte el uso de la IA con el aprendizaje duradero y con la agencia de quien aprende, y acompañe los mensajes con el apoyo que convierte la intención en adopción.

Conceptos conectados

• Reducir el mal uso de la IA
• Alfabetización en IA
• Experiencia del estudiantado
• Modelos de adopción tecnológica
• Política educativa sobre IA
• Integridad académica
• Motivación
• Teoría de la autodeterminación
• Agencia de quien aprende
• Calibración de la confianza
• Implicación del estudiantado
• Ideas erróneas sobre la IA

Artículos conectados

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Razonamiento transparente para cada uso permitido y no permitido de IA generativa, tarea por tarea (McCorkle 2025)
• Navigating the moral panic: encouraging appropriate use of GenAI in the classroom rather than condemning innovation as disruption — Estimular el uso apropiado de la IA generativa en lugar de condenarla como disrupción
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Los «cinco sitios» donde el estudiantado racionaliza el uso de IA en la escritura académica
• Knowing the Rules Is Not Enough: Student Regulatory Awareness and Use of GenAI in Higher Education — Conocer las reglas no basta: conciencia regulatoria y uso real
• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — De la ansiedad ante la IA a la regulación estratégica
• Student engagement with ChatGPT for educational tasks: Effects of inoculation training on verification intentions and behavior — Mensajes de inoculación y conducta de verificación
• Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System — Advertir sobre la falibilidad de la IA aumenta la búsqueda de ayuda
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — La vergüenza y la culpa como reguladores sociales del uso de la IA
• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — El apoyo humano mejora la implicación con la tutoría de IA
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — Implicación con la IA generativa basada en la teoría de la autodeterminación
• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — Cómo la disponibilidad de IA moldea la motivación del estudiantado
• How YouTube Frames ChatGPT Use in Education: An Epistemic Network Analysis with Supporting Multimodal Metadata — Cómo enmarca YouTube el uso de ChatGPT en educación
• A Longitudinal Analysis of Public Discourse on AI Ethics in Education Using Twitter Data — El discurso público sobre la ética de la IA en educación
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — El profesorado enmarca la IA como uso crítico y responsable; las empresas la enmarcan como productividad
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Construir una cultura de integridad académica mediante expectativas claras
• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — Hábitos de participación centrados en lo humano en el aprendizaje mediado por IA
• Building AI Companions that Prioritize Learning over Performance — Diseñar compañeros que protejan el aprendizaje esforzado