En esta página

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

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

Búsqueda de ayuda — el proceso por el cual quien aprende reconoce que necesita asistencia y la solicita de forma estratégica, y cómo se desarrolla ese proceso en entornos de aprendizaje apoyados por IA. En la IA en la educación, la búsqueda de ayuda es central para determinar si las herramientas de IA apoyan o socavan el aprendizaje: la calidad de la búsqueda de ayuda (cuándo, cómo y qué pide quien aprende) moldea con fuerza los resultados, y los tutores de IA, las pistas y los agentes pedagógicos están diseñados precisamente para suscitar una búsqueda de ayuda productiva en lugar de una búsqueda de respuestas.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

Preguntas para reflexionar

  • Cuando se atasca, ¿tiende a pedir una respuesta directa o una orientación que le ayude a resolverlo por sí mismo? ¿Qué cree que hace cada elección con lo que de verdad retiene?
  • La investigación muestra que el estudiantado suele tener la intención de aprender con IA, pero acaba pidiendo la respuesta: una «brecha entre intención y conducta» vinculada a un peor rendimiento. ¿Por qué las buenas intenciones se derrumban tan fácilmente en una búsqueda de respuestas?
  • Un «botón de pistas» permanente puede convertir una tarea de aprendizaje en un ejercicio de copia al señalar que la ayuda siempre está ahí. ¿Recuerda alguna ocasión en que tener la ayuda demasiado a mano le hizo saltarse el razonamiento que necesitaba hacer?
  • Un estudio encontró que simplemente advertir al estudiantado de que una IA podía equivocarse aumentaba de hecho su búsqueda de ayuda. ¿Cómo podría un escepticismo saludable cambiar la forma en que el estudiantado se relaciona con un tutor frente a la confianza ciega?
  • El estudiantado con dificultades suele ser el menos propenso a buscar ayuda sin que se la pidan. Si quienes más necesitan apoyo no lo piden, ¿cómo deberían responder las herramientas de IA y el profesorado?
  • La propuesta de diseño es retrasar las pistas y trasladar la pregunta de «si» a «cómo» ofrecer la ayuda. ¿Cómo sería una experiencia de ayuda bien diseñada para sus estudiantes, y qué haría que la adoptaran de verdad?

Introducción

La búsqueda de ayuda es un constructo bien establecido en la investigación sobre el aprendizaje, estrechamente ligado al aprendizaje autorregulado y a la metacognición: exige que quienes aprenden supervisen su propia comprensión, reconozcan una laguna, decidan que necesitan ayuda y formulen una petición eficaz. Con el auge de los tutores de IA generativa, la búsqueda de ayuda ha cobrado nueva importancia, y también nuevos modos de fallo. Quienes aprenden a menudo pretenden usar la IA para aprender, pero acaban pidiendo respuestas directas, una brecha que la investigación documenta en distintos dominios y grupos de edad. El modelo clásico da por supuesto que una petición busca conocimiento que quien pregunta no tiene. La demanda real del estudiantado incluye algo más: Gupta et al. (2026) encontraron que un asistente limitado a la recuperación sirvió solo el 1,3% de las consultas sobre el estado de una entrega pendiente.(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

Búsqueda de ayuda productiva frente a improductiva

La distinción central en la literatura es entre la búsqueda de ayuda que apoya el aprendizaje y la que lo elude.

Comportamientos improductivos de búsqueda de ayuda

La investigación identifica patrones concretos y observables de búsqueda de ayuda improductiva, sobre todo en los sistemas de tutoría inteligente:

  • Peticiones prematuras de pistas — pedir ayuda antes de intentar resolver nada. Incluso el estudiantado inseguro aprende más si lo intenta primero.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  • Lectura superficial de las pistas — avanzar por las pistas con demasiada rapidez para leerlas (se marca a partir de una referencia de ~4 palabras por segundo), a menudo saltando directamente a la pista final que revela la respuesta.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  • Buscar respuestas en lugar de buscar aprendizaje — pedir a la IA que produzca la respuesta en vez de que explique u oriente. En un estudio con 98 estudiantes de 9.º grado que usaban un tutor de IA generativa, las interacciones estuvieron dominadas por peticiones instrumentales, con casi ninguna supervisión ni evaluación de su propio aprendizaje, pese a que el estudiantado había elegido previamente un apoyo con andamiaje. Esta brecha entre intención y conducta se asoció con un rendimiento menor en el postest y con una mayor carga cognitiva extrínseca.(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)
  • Consultar la IA antes de cualquier intento independiente o fuente humana. Manikonda et al. (2026) miden directamente este orden como dependencia temprana —consultar la IA generativa antes de pensar por cuenta propia, de una búsqueda tradicional o de acudir a una persona docente— y encuentran que se asocia con un mayor impacto negativo (β = 0,402, p = 0,004), así como con un beneficio académico (β = 0,301, p < 0,001), entre 118 estudiantes de asignaturas relacionadas con la IA. La asociación con el daño estaba ausente en niveles bajos de alfabetización evaluativa y era más fuerte en niveles altos (b = 0,688 con +1 DE, p < 0,001), de modo que el estudiantado más capaz de juzgar la salida de la IA fue el que declaró un mayor coste por consultarla primero: la elección de a quién preguntar primero conlleva un inconveniente que la destreza para evaluar la respuesta no compensa. También muestra que usar la IA para organizar, evaluar y descomponer problemas —lo cognitivo, y no la dependencia temprana— es el patrón asociado con un impacto positivo, así que el modo de fallo de la búsqueda de ayuda es de secuenciación y no de preguntar en absoluto.
  • Preguntar de forma sostenida sin recuperación — Preguntar es productivo al principio, pero no indefinidamente: las peticiones de ayuda son el tipo de bloqueo más recuperable al inicio (47,0%) pero caen más al fallar la asistencia (12,5% a partir de la sexta profundidad o más), así que lo que merece seguimiento es la persistencia y no la petición en sí Ahtisham et al. (2026).
  • El estudiantado con dificultades es el menos propenso a buscar ayuda sin que se la pidan — el lado de la implicación en la búsqueda de ayuda. En un ensayo controlado aleatorizado de dos años con Khanmigo (Oreopoulos y Low, 2026), incluso con acceso gratuito y tiempo de práctica obligatorio, el estudiante medio con dificultades escribió al tutor de IA en solo ~17% de las sesiones con errores, en su mayoría con respuestas escuetas o clics, lo que concuerda con el hallazgo de la economía de la educación de que las intervenciones que dependen de la iniciativa llegan a menos estudiantes de los que más se beneficiarían. TWiK (Oreopoulos et al., 2026) muestra que la adopción responde mucho a reducir la fricción (la adopción en la primera sesión pasó del 45% al 83% tras simplificar la inscripción), pero entrar no es lo mismo que participar de forma sostenida (la asistencia siguió siendo intermitente).

Por qué la búsqueda de ayuda improductiva perjudica el aprendizaje

La perspectiva de las affordances explica un mecanismo clave: cuando una interfaz hace que la ayuda esté disponible de forma constante y destacada (por ejemplo, un «botón de pistas» permanente), envía a quienes aprenden la señal de que la ayuda siempre está ahí, creando una affordance no prevista que puede convertir la tarea en un ejercicio de copia. Acceder rápidamente a las pistas finales elude la construcción activa de esquemas que exige el aprendizaje.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

La calidad de la búsqueda de ayuda es medible

Dos indicadores simples e interpretables —las peticiones prematuras de pistas y la lectura superficial de las pistas— pueden calcularse a partir de los registros estándar de tutoría y se asocian de forma consistente con resultados de aprendizaje reducidos a lo largo de los semestres, incluso tras controlar el conocimiento previo. Esto los hace prácticos para los paneles de analítica del aprendizaje y para la intervención en tiempo real, a diferencia de los complejos detectores de «juego del sistema» basados en aprendizaje automático.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

Diseñar sistemas de IA que promuevan una búsqueda de ayuda productiva

Andamiar cómo pide ayuda el estudiantado

El entrenamiento explícito en una búsqueda de ayuda centrada en el razonamiento —pedir pistas paso a paso y verificación en lugar de respuestas finales— produce mejores resultados que la dependencia acrítica. En un estudio cuasiexperimental de estadística de grado, el acceso guiado al LLM (con entrenamiento en búsqueda de ayuda orientada al razonamiento) condujo a un rendimiento independiente más sólido y a una mejor calibración de la autoevaluación que el acceso irrestricto al LLM. La lección es que el acceso al LLM por sí solo es una intervención incompleta; el reto de diseño es andamiar cómo usa el estudiantado la IA para que funcione como un compañero de razonamiento y no como una herramienta para obtener respuestas.(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

El coste de la interacción forma parte de la misma cuestión. Rhee et al. (2026) identifican una barrera referencial y una barrera expresiva que impiden por completo que quienes aprenden con lápiz óptico pregunten algo a un LLM: señalar una región de un diagrama o un término de una ecuación no puede expresarse en prosa escrita, y el esfuerzo de formulación recae justo cuando una pregunta es más frágil. Su sistema Penquiry resuelve la referencia ajustando las marcas de tinta a los elementos del documento y amplía las escasas palabras clave escritas a mano a consultas completas mediante autocompletado; dos estudios iterativos de 16 participantes cada uno encontraron que la carga cognitiva y física de la consulta se redujo significativamente. Queda abierto si un menor coste de preguntar produce una búsqueda de ayuda mejor o simplemente más frecuente, y los autores proponen un autocompletado temporalmente adaptativo —verificación básica al principio de la sesión y sugerencias de nivel superior después— como vía desde la reducción de la fricción hacia un andamiaje que se retira y no hacia una muleta permanente.

El andamiaje también puede ofrecerse dentro de la tarea y no antes de ella. Jin et al. (2026) construyeron HelpCoach, un complemento de las interfaces de chat que evalúa con qué especificidad pide ayuda un estudiante y propone una revisión cuando la pregunta es demasiado vaga, haciendo explícitos el componente de conocimiento y el tipo de andamiaje. En un estudio entre sujetos con 40 estudiantes universitarios que aprendían programación web, quienes usaron HelpCoach escribieron una proporción significativamente mayor de preguntas específicas en sus primeros borradores que una línea base con entrenamiento previo a la tarea (57,3% frente a 40,5%) y retuvieron significativamente más conocimiento una semana después (d = 1,100), mientras que la diferencia de especificidad en la tercera tarea dejó de ser significativa (43,7% frente a 32,1%). Los autores advierten de que la mejora en la retención todavía no puede atribuirse a respuestas más específicas del chatbot.

Una tercera palanca sobre el coste de preguntar es de dónde procede la ayuda. Gray y Hobbs (2026) construyeron Beacon, un asistente específico de asignatura basado en generación aumentada por recuperación y anclado en los materiales aprobados de un módulo de programación, y lo evaluaron con 15 estudiantes de informática y cuatro académicos. El 89% de los participantes valoró sus respuestas como muy alineadas con los materiales del curso y el 66,7% dijo que apoyaba su aprendizaje en lugar de sustituirlo, aunque solo alrededor del 50% al 60% informó de mejoras en la comprensión o la confianza. La motivación es una barrera documentada: el 62,5% de esos estudiantes dijo que a veces evitaba pedir ayuda cuando la necesitaba y el 75% informó de ansiedad cuando un tema no tenía sentido, así que se ofrece un canal privado y anclado en el módulo como primer peldaño antes de acudir al profesorado. Los académicos entrevistados mantuvieron vivo el contraargumento: valoraban que Beacon retuviera las soluciones completas y les preocupaba que las herramientas sin restricciones permitieran al estudiantado saltarse una etapa de desarrollo, que es la razón por la que el diseño se gana su lugar al negarse a completar el trabajo.

Calibrar la confianza mediante la transparencia

Un experimento de aula con 252 estudiantes encontró que advertir al estudiantado de la falibilidad de la IA aumentó la búsqueda de ayuda en un sistema de tutoría de matemáticas. La transparencia sobre posibles errores del sistema mejoró la implicación de quienes aprenden con el sistema, lo que vincula la búsqueda de ayuda con la calibración de la confianza y el riesgo de alucinación.(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

Repensar la entrega de pistas y andamiajes

Más que eliminar la ayuda, la investigación recomienda rediseñar cómo se ofrece:

  • Disponibilidad retrasada de las pistas — exigir un tiempo mínimo de implicación o intentos de solución antes de que las pistas (especialmente las finales) sean accesibles.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  • Una escalera que se retira se sube menos cuanto más alto llega. En CoMeT, un tutor que escalaba un peldaño por cada decisión sin respuesta y retrocedía cuando quien aprendía lo aprovechaba, solo 282 de 515 episodios de retirada codificados siguieron a una respuesta: la adopción fue del 37,0% tras la primera petición y del 21,8% tras la tercera (Hou et al. (2026)). Retrasar la ayuda depende por tanto de que quien aprende siga respondiendo a la indicación, y el deterioro medido implica que los peldaños posteriores de un andamiaje llegan a pocos de los estudiantes que siguen bloqueados.
  • Pasar de si a cómo — la pregunta clave de diseño es cómo estructurar la entrega de pistas conforme a los principios del esfuerzo productivo, y no si se deben ofrecer pistas.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  • Respaldo metaanalítico a la entrega controlada por el estudiantado. Al agrupar 18 experimentos estadounidenses de K-12, los ejemplos resueltos (g = 0,324) y las pistas a demanda (g = 0,316) fueron significativos, mientras que las pistas justo a tiempo activadas automáticamente no lo fueron, aunque los autores advierten de que quien regula peor su aprendizaje puede aprovecharse de las funciones a demanda (Leite et al., 2025).
  • La longitud del mensaje es la palanca que la investigación sobre la entrega de ayuda ha medido de verdad. En un curso de programación en vivo, las pistas de LLM más largas predijeron una peor corrección en el siguiente envío, más intentos restantes y un reenvío más lento, por cada desviación estándar de 204,9 caracteres en 14.809 pares estudiante-ejercicio (Mihaylova et al., 2026). La legibilidad apenas movió ningún resultado, así que pesó más el volumen que la dificultad.
  • Las pistas previas sobre la misma parte del curso se asociaron con menos éxito en el paso integrador. El estudiantado que recibió retroalimentación en pasos anteriores de un proyecto resolvió su paso final el 95,6% de las veces frente al 98,1% de quienes no la recibieron, un coeficiente de log-odds de −1,096 (Mihaylova et al., 2026). Los autores no lo leen como un daño, porque quien busca pistas es verosímilmente quien tendría dificultades allí de todos modos, que es la pregunta sobre monitorización.

El problema de la adopción en los tutores basados en LLM

En contextos reales, el estudiantado con frecuencia se salta el andamiaje de un chatbot, no necesariamente de forma perjudicial, sino a menudo porque hay un desajuste entre el encuadre pedagógico del chatbot y los propios objetivos de aprendizaje del estudiante. Por eso las canalizaciones de evaluación deben medir no solo si un tutor ofrece andamiaje, sino si el estudiantado adopta ese andamiaje, en lugar de dar por supuesto que lo hará.(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

  • Un botón de ayuda opcional no se pulsa. En tres aulas de quinto curso, el estudiantado rara vez invocaba a un agente de ayuda que el diseño había dejado deliberadamente opcional para proteger la agencia, y acudía a una persona con rol docente mientras la confusión para la que se había construido persistía (Humburg et al., 2025).
  • En un juego de rol de tres semanas con estudiantado de quinto curso, los 42 estudiantes de la condición de IA generativa preguntaron a la docente del juego, y el 61,9% mencionó la posibilidad de preguntar entre lo que más valoraba; varios dijeron que hicieron preguntas que temían plantear a la docente real (Zhou et al., 2026).

Búsqueda de ayuda y aprendizaje autorregulado

La búsqueda de ayuda es parte integral del aprendizaje autorregulado: una búsqueda de ayuda productiva exige que quienes aprenden supervisen su comprensión, juzguen cuándo se necesita ayuda y seleccionen fuentes adecuadas. En contextos de IA generativa, esto es aún más exigente, ya que el estudiantado también debe ejercer agencia sobre la IA y mantener una vigilancia epistémica en lugar de deferir a ella. La investigación respalda la necesidad de andamiajes que promuevan un uso de la IA más agéntico y epistémicamente proactivo, y señala el riesgo de la dependencia excesiva y de la descarga cognitiva cuando la búsqueda de ayuda degenera en una búsqueda incondicional de respuestas.(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

La evidencia a escala poblacional complica el relato de la sustitución: entre 12.191 estudiantes de PISA 2025 en cuatro regiones chinas, un uso más frecuente de IA generativa para las tareas escolares se asoció con más búsqueda de ayuda académica (β = 0,169) y no con menos (Wu et al. (2026)).

La búsqueda de ayuda mediada por LLM como proceso de cuatro etapas

Viberg et al. (2026) muestran que, en el estudio cotidiano de materias STEM, la búsqueda de ayuda con LLM no es un acto único, sino un proceso estratificado y dependiente del contexto con cuatro etapas: (1) decidir si se necesita ayuda —el estudiantado intenta primero las tareas por su cuenta para preservar el valor de aprendizaje—; (2) elegir a quién preguntar —ChatGPT como primer paso de bajo umbral, luego los compañeros para negociar conceptos y después el profesorado para cuestiones complejas o de alto riesgo—; (3) determinar el tipo de ayuda —desde pistas y explicaciones hasta andamiar la resolución de problemas, agilizar el trabajo rutinario y ampliar el aprendizaje—; y (4) juzgar la ayuda recibida —ejerciendo una confianza selectiva y verificando las salidas de la IA contra el material del curso o con personas—. De forma crucial, el estudiantado prefirió la búsqueda de ayuda instrumental (mejorar la comprensión) a la búsqueda de ayuda ejecutiva (obtener soluciones), una distinción que los autores proponen adaptar como nuevos ítems de medición del aprendizaje autorregulado para LLM.

En la composición totalmente en línea, la disponibilidad de la herramienta no es el cuello de botella. Reed (2026) observó que los estudiantes que tenían dificultades no eran los que carecían de apoyo, sino los que no reconocían cuándo se necesitaba ayuda, qué recurso encajaba con la tarea o cómo juzgar la retroalimentación una vez recibida; y una salida fluida de IA generativa se confunde fácilmente con un apoyo autorizado. Su respuesta fue hacer que la búsqueda de ayuda fuera estructurada y no solo disponible: puntos de contacto obligatorios que descifran las exigencias de la tarea, mapean los recursos con su justificación, comparan fuentes de retroalimentación y cierran el ciclo con la reflexión.

Hacer visible el contexto conductual: TutorTrace

Barron et al. (2026) abordan el precursor conductual de la búsqueda de ayuda en la educación en programación asistida por IA: los tutores humanos se adaptan a la conducta observable de quienes aprenden, y no solo a sus peticiones explícitas, pero los tutores de IA carecen de ese contexto. TutorTrace es un conjunto de datos y una canalización que hacen computable en tiempo real el contexto conductual de quienes aprenden a partir de la telemetría de bajo nivel del IDE (cuatro despliegues, N=480; ~180.000 eventos, 13.633 segmentos conductuales, 27 métricas), y derivan una taxonomía de la actividad del estudiantado antes de la primera consulta a la IA, entre consultas consecutivas y a lo largo de la sesión. Esto permite a los sistemas clasificar si una consulta refleja una búsqueda de ayuda guiada (precedida de trabajo independiente) o dependiente (sin trabajo independiente) —AUROC = 0,717 en predicción sobre datos reservados— y predecir consultas inminentes (AUROC = 0,726). Una evaluación preliminar en el aula encontró que las indicaciones conscientes de la conducta redujeron los intervalos entre consultas sin trabajo independiente del 50,0% al 20,7%. Esto conecta la telemetría de analítica del aprendizaje con la tutoría adaptativa y muestra que el contexto conductual puede operacionalizarse a escala para andamiar cómo busca ayuda el estudiantado, en lugar de limitarse a responder a sus preguntas explícitas.

La trayectoria de la búsqueda de ayuda predice la transferencia, no solo su nivel. Abdelghani et al. (2026) codificaron 880 turnos de 112 estudiantes de secundaria que modelaban problemas de matemáticas con un LLM y encontraron que la mezcla estática no informaba: el 81,5% de los turnos eran solicitudes, solo el 2,2% evaluación explícita, y el 54% de las solicitudes estaban orientadas a la comprensión frente al 46% orientadas a la respuesta. El rendimiento en una prueba posterior realizada sin IA se predijo por la pendiente intra-sesión y no por su nivel. La búsqueda de ayuda orientada a la comprensión disminuyó (M = −0,20) a lo largo del chat, y esa trayectoria añadió ΔR2 = 0,110 a un modelo que ya contenía la puntuación del pretest (β = 0,34, p < 0,001). Los rasgos estáticos de la interacción añadieron solo ΔR2 = 0,023 (p = 0,684). La calidad de la búsqueda de ayuda debe leerse por tanto como una curva: una sesión que se abre con preguntas conceptuales y se asienta en solicitudes de respuesta marca un rendimiento posterior más débil sin ayuda, y un aumento modesto de la autorregulación explícita (M = +0,103) no lo compensó.

Una segunda canalización plantea la misma pregunta desde el lado de la infraestructura. Taufer et al. (2026) sostienen que un intercambio humano-IA es una clase de datos propia: su representación registra el estado computacional que motivó la solicitud, la solicitud, la respuesta, la valoración que hace la persona usuaria y la ejecución que siguió, como un solo objeto. Las consultas se clasifican después como recuperación de error, paso siguiente bloqueado, ayuda conceptual o validación a partir de ese contexto. En un despliegue de JupyterLab con 35 estudiantes que abarcó 140 pares estudiante-tarea, los recuentos simples de interacción se correlacionaron con las celdas ejecutadas con éxito solo en r = 0,12, mientras que 37 pares tenían acceso y nunca lo usaron y 26 lo usaron fuera de la condición asignada.

  • Cuando un registro de tutoría puede calificarse, retener una petición es racional, de modo que la ausencia de búsqueda de ayuda no puede leerse como ausencia de necesidad: el mismo indicador de registro significa algo distinto bajo evaluación (Nakamura, 2026).

Implicaciones para el diseño y la investigación

  1. Diseñar deliberadamente las affordances de la búsqueda de ayuda. Los botones de ayuda permanentes y destacados pueden habilitar estrategias de elusión; retrase el acceso y estructure la entrega para apoyar el esfuerzo productivo.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  2. Andamiar la propia búsqueda de ayuda. Entrene al estudiantado en peticiones centradas en el razonamiento (pistas paso a paso, verificación) en lugar de dar por supuesto que el acceso equivale a un buen uso.(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)
  3. Usar la transparencia para calibrar la confianza. Advertir de la falibilidad de la IA puede aumentar la búsqueda de ayuda adecuada y la implicación.(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)
  4. Medir la adopción, y no solo el andamiaje. Evalúe si el estudiantado se implica de verdad con el encuadre pedagógico, y no solo si el tutor lo ofrece.(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)
  5. Apoyar la supervisión y la agencia. Los andamiajes de la búsqueda de ayuda deben reforzar la metacognición y el aprendizaje autorregulado, y proteger frente a la dependencia excesiva.
  6. Llegar a quien no pide ayuda. El contacto proactivo puede aumentar la búsqueda de ayuda sin tocar los materiales de aprendizaje: un experimento preregistrado en asignaturas de grado con matrícula numerosa envió mensajes al estudiantado a través de un chatbot académico, lo que aumentó la adopción de la tutoría y de la instrucción complementaria, y la mediación atribuyó el 17,8% del efecto sobre la calificación al aumento de la búsqueda de ayuda (p = 0,041) (Meyer et al., 2026).

Concepciones erróneas

  • «El estudiantado que necesita ayuda no la pide.» Un experimento preregistrado en asignaturas de grado con matrícula numerosa envió mensajes al estudiantado a través de un chatbot académico y encontró una mayor adopción de la tutoría y el apoyo complementario. El empujón movió la conducta, así que la barrera era el diseño de la indicación y no la disposición.
  • «Las peticiones de ayuda tienen que ver con el aprendizaje.» La demanda de apoyo operativo complica ese supuesto: en 4.093 consultas, al menos el 20,4% preguntaba por el estado de una entrega pendiente y no por conocimiento. Un quinto de la demanda de ayuda era administrativa.
  • «Usar un tutor de IA significa supervisar el propio aprendizaje.» En un estudio con 98 estudiantes de 9.º grado que usaban un tutor de IA generativa, las interacciones estuvieron dominadas por peticiones instrumentales, con casi ninguna supervisión ni evaluación de su propio aprendizaje. Pedir respuestas no es búsqueda de ayuda en el sentido del constructo.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

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.