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

Sur global

Creada 2026-09-28 · Actualizada 2026-09-29

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

El Sur global designa a los países de África, Asia, América Latina y Oceanía que a menudo están marginados económica, política e históricamente respecto del Norte global. En la investigación sobre la IA en la educación, los contextos del Sur global se reconocen cada vez más como infrarrepresentados en la base de evidencia, y sin embargo plantean preguntas distintivas sobre la equidad, la relevancia cultural, las restricciones de recursos y la dominancia epistémica de los datos de entrenamiento occidentales y anglófonos.

Preguntas para reflexionar

  • Si un sistema de IA funciona bien en pruebas de referencia construidas con datos occidentales en inglés, ¿cuánta confianza deberías tener en que funcionará igual de bien para tu estudiantado? ¿Qué querrías comprobar antes de confiar en él en tu propio contexto?
  • Piensa en una herramienta de aprendizaje cuyos datos de entrenamiento y métricas de evaluación se desarrollaron todos en el Norte global. ¿Qué supuestos sobre la lengua, las tradiciones de conocimiento y las realidades educativas podría estar codificando en silencio, y a quién representa peor con más probabilidad?
  • Cuando se estudia la adopción de la IA, ¿qué aulas e instituciones tienden a dominar la base de evidencia? ¿Cómo podría eso sesgar lo que creemos saber sobre si la IA «funciona» en educación?
  • La página aboga por tratar las epistemologías vividas y comunitarias de quienes aprenden como algo con autoridad, y no solo como añadidos a los modelos occidentales. ¿Qué haría falta para que tu propia práctica o investigación relacionada con la IA centrara el conocimiento local en lugar de importarlo de otro lugar?
  • Las restricciones de recursos son un tema recurrente en los contextos del Sur global. ¿Cómo podría la promesa de un apoyo con IA de bajo coste y escalable tanto cerrar como ampliar las brechas de oportunidad existentes, según cómo se diseñe y se despliegue?
  • ¿Cómo podrías saber si una tecnología «adoptada» en un entorno concreto se adoptó realmente porque encajaba con las condiciones locales, o porque se dio por supuesto que se transferiría? ¿Qué evidencia distinguiría ambos casos?

Introducción

Por qué importa para el AIED

La investigación convencional sobre IA y tecnología educativa ha estado históricamente dominada por conjuntos de datos y contextos institucionales occidentales y en inglés. Esto crea dos problemas: (1) los sistemas de IA entrenados con esos datos pueden rendir por debajo o representar mal a quienes aprenden en entornos del Sur global, y (2) las pruebas de referencia de evaluación construidas en el Norte global pueden no reflejar las realidades educativas, las lenguas o las tradiciones de conocimiento de otras regiones. La investigación procedente de contextos del Sur global en esta base de conocimiento abarca conjuntos de datos culturalmente anclados, pruebas de referencia y estudios de adopción tecnológica, con implicaciones para la alfabetización en IA y para la educación superior y K-12.

Aplicaciones en la base de conocimiento

  • Datos y pruebas de referencia culturalmente anclados: IKS-Instruct aporta un conjunto de datos de instrucciones sobre sistemas de conocimiento indios multilingüe; NSMQ Riddles introduce una prueba de referencia de STEM con base en Ghana, una de las primeras pruebas de evaluación educativa del Sur global.
  • Conciencia ética sobre la IA en la educación superior ghanesa: Acquah et al. (2026) validaron una escala de conciencia ética sobre la IA de tres factores (autonomía, beneficencia y justicia) con 509 estudiantes universitarios de Ghana, encontrando cinco perfiles latentes que van desde una conciencia uniformemente muy alta hasta un pequeño grupo con casi ninguna — el más débil en beneficencia — y sin diferencias de género, lo que aporta un anclaje de medición del Sur global para la literatura sobre ética de la IA.
  • Razonamiento ético del profesorado en contextos de bajos recursos: Adelana et al. (2026) encontraron que el profesorado de secundaria STEAM en ejercicio de un contexto de bajos recursos razona sobre la ética de la IA a través de su identidad profesional, las realidades del aula y las normas culturales, y no mediante listas formales de principios, lo que contradice los supuestos de un Sur global «vacío de ética».
  • Adopción contextual: Asag y Al Mamun modelan la adopción de la IA generativa entre estudiantado de ingeniería de Bangladés, y ConnectED despliega un sistema de planificación de clases alineado con el currículo para la educación vietnamita.
  • Integración institucional y desigualdad estructural: El análisis de contenido comparativo de Adeniranye et al. (2026) sobre 45 universidades nigerianas (federales, estatales y privadas) encontró que la integración de la IA se predice por la antigüedad de la institución y su ubicación geográfica — y no por el tipo de gobernanza —, y que los vínculos con redes internacionales y de la industria se refuerzan mutuamente (r = 0,74), de modo que las instituciones bien conectadas acumulan ventaja mientras otras se quedan cada vez más atrás. Sitúa la desigualdad digital no solo en el plano de quien aprende, sino en la capacidad estructural de las propias instituciones de educación superior.
  • El desarrollo académico como mediación digital bajo restricciones estructurales: Sithole (2026) entrevista a doce desarrolladores académicos y diseñadores de aprendizaje de dos instituciones sudafricanas históricamente desfavorecidas y traza una línea analítica que la literatura sobre el Sur global a menudo difumina: la desigualdad digital es distributiva y en principio respondible mediante redistribución y acceso, mientras que la colonialidad algorítmica es epistémica y persiste incluso con acceso pleno, porque es inherente a lo que los sistemas codifican y a cuyo conocimiento ponen en el centro. Las dos están entrelazadas, pero exigen respuestas distintas, y la institución queda doblemente posicionada: excluida por la escasez de infraestructura y, cuando queda incluida, subordinada por sistemas importados que codifican otros conocimientos y normas. La retórica institucional sobre la IA («más rendimiento que práctica») llegó acoplada de forma laxa a las realidades materiales de la docencia, así que quienes diseñaban tradujeron el discurso global de transformación digital en una práctica contextualmente viable: probar y «romper» deliberadamente las herramientas en espacios entre pares, insistir en el juicio por encima de la habilidad y absorber el coste afectivo de proyectar una pericia que aún estaban adquiriendo.
  • Marginación epistémica: Tali-Otmani sostiene que los datos de entrenamiento centrados en Occidente marginan los conocimientos no occidentales y los centrados en la discapacidad, conectando las preocupaciones del Sur global con la equidad en la educación con IA y la pedagogía culturalmente relevante.
  • Discapacidad e inclusión en el Sur global: Khlaif et al. (2026) — un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual de tres universidades palestinas — encontró que la IA generativa tiende puentes sobre las brechas digitales, geográficas y socioeconómicas de quienes aprenden con discapacidad, extendiendo la investigación sobre el modelo de aceptación tecnológica a contextos de discapacidad donde la usabilidad, la asequibilidad y la accesibilidad se refuerzan mutuamente.
  • Diseñar para estresores locales bajo restricciones de recursos: Bashir y Afzal (2026) construyen Sukoon como una respuesta de diseño del Sur global ante un desajuste documentado: los chatbots de salud mental entrenados mayoritariamente con datos occidentales y abrumadoramente en inglés, mientras que el estudiantado pakistaní afronta a la vez estresores académicos, económicos, familiares y relacionales y a menudo no puede plantear sus dificultades emocionales a sus familias, a su profesorado o a sus pares por el estigma. Las restricciones prácticas de los autores son tan instructivas como su modelo: un LLM de código abierto de acceso gratuito a través de una API alojada por sus bajos requisitos de recursos, un despliegue ligero en Flask para universidades regionales, «las herramientas están disponibles pero suelen ser caras» enumerado como barrera, y el acceso desigual a los modelos de pago señalado como riesgo de dependencia general. También señalan que el clasificador se entrenó con un conjunto de datos público que no representa al estudiantado pakistaní, y se comprometen a recoger datos DASS-21 localmente antes de extraer conclusiones poblacionales.
  • Evidencia de evaluación escasa y específica de herramientas en la educación superior africana: Una revisión sistemática PRISMA 2020 de la investigación empírica publicada entre 2023 y 2025 localizó solo diez estudios, concentrados en Nigeria y Sudáfrica y realizados casi exclusivamente con ChatGPT, de modo que lo que se sabe sobre rediseñar la evaluación para la IA generativa en la educación superior africana se apoya en estudios de muestra pequeña, de una sola institución y autoinformados, y no en ganancias de aprendizaje medidas; los autores de la revisión enmarcan sus recomendaciones como orientaciones y no como efectos establecidos.

Implicaciones

Atender a los contextos del Sur global exige ir más allá de dar por supuesto que los modelos y las pruebas de referencia occidentales se transfieren directamente. Requiere conjuntos de datos anclados localmente, pedagogía culturalmente relevante, estándares de evaluación centrados en la comunidad e investigación que trate las epistemologías vividas y comunitarias de quienes aprenden como algo con autoridad, en línea con marcos como el aprendizaje comunitario de la IA y la investigación sobre el modelo de aceptación tecnológica adaptada a las condiciones locales.

El historial de escalado forma parte de ese cuadro, y es aleccionador. Los programas que funcionan a escala piloto dejan de funcionar con frecuencia cuando los ejecutan los gobiernos: el programa keniano que produjo ganancias sustanciales bajo implementación no gubernamental no mostró ninguna ganancia detectable a escala gubernamental (Bold et al.), los tamaños del efecto tienden a caer a medida que los programas crecen (Vivalt) y la calidad de la implementación se diluye a medida que se multiplican las sedes (Al-Ubaydli, List y Suskind). El propio precedente latinoamericano es el programa peruano Un portátil por niño — unos 800.000 portátiles distribuidos sin ningún efecto detectable en matemáticas ni en lectura —, del que se extrajo la lección de que el acceso a la tecnología no es instrucción. Restrepo Morales et al. (2026) añaden una lección de comunicación a la lección de escalado: en el episodio salvadoreño de 2026 se anunció un piloto de tutoría con IA en 171 escuelas como comparable a Alemania y Suecia, mientras que la muestra representativa del país en PISA 2025 no mostraba movimiento en dos de tres materias, y los datos del piloto eran demasiado escasos (7,0 estudiantes evaluados por escuela frente a 25,4 a escala nacional) para excluir la selección como explicación. Para los sistemas del Sur global que adoptan la IA a escala, la implicación es doble: la evidencia de que una reforma funciona suele referirse a los componentes que agrupa y no a la tecnología que figura en su titular, y un despliegue por fases diseñado antes de la puesta en marcha identifica efectos a un coste casi nulo, algo que importa sobre todo donde la conectividad dicta de todos modos el escalonamiento.

Conceptos conectados

Artículos conectados

Metadatos

NivelHigher Ed, K 12
Tecnologías y técnicasIA generativa
Equidad, ética y uso responsablePedagogía culturalmente relevante, Equidad, Sur global
Fundamentos de la IA en la educaciónAlfabetización en IA
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.