Aprendizaje basado en la indagación

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

El aprendizaje basado en la indagación (ABI) — una pedagogía centrada en quien aprende en la que el estudiantado desarrolla comprensión planteando preguntas, explorando de forma independiente y construyendo conocimiento mediante un ciclo de indagación, reflexión y revisión, con el profesorado andamiando en lugar de dar clase magistral. En la era de la IA, la estructura del ABI, impulsada por preguntas y centrada en la exploración, se ha convertido en un punto focal: la IA generativa y las herramientas basadas en Grandes modelos de lenguaje (LLM) pueden actuar como «coinvestigadoras» interactivas que apoyan el cuestionamiento y la investigación, pero solo cuando están diseñadas para preservar, y no para saltarse, el trabajo cognitivo de la indagación.

Preguntas para reflexionar

• El aprendizaje basado en la indagación se centra en las preguntas que plantea el propio estudiantado y en el proceso de indagación mismo. ¿En qué se diferencia aprender impulsado por una pregunta propia de aprender impulsado por la pregunta de otra persona?
• La página plantea si la IA actúa como «coinvestigadora» que apoya su investigación o como un sustituto que se salta el trabajo cognitivo. Cuando usa la IA para explorar una pregunta, ¿quién está indagando?
• La evidencia sobre la indagación apoyada por IA es mixta: en un estudio mejoró el rendimiento creativo y las actitudes, pero no la resolución de problemas crítica, y en otro profundizó la comprensión conceptual sin impulsar la alfabetización en IA. ¿Qué sugiere eso sobre lo que la IA por sí sola puede y no puede desarrollar?
• Si tratar la salida de la IA como autoritativa arriesga la dependencia excesiva y conclusiones superficiales, ¿cómo enseñaría al estudiantado a evaluar las respuestas generadas por IA como parte del ciclo de indagación?
• La página conecta la indagación con el fracaso productivo: quienes aprenden exploran antes de la instrucción, de modo que el propio esfuerzo prepara el aprendizaje. ¿Cómo podría una IA que retiene respuestas y provoca múltiples intentos apoyar ese esfuerzo en lugar de eliminarlo?
• ¿Cuál es el papel de quien facilita cuando la IA reduce la fricción de hacer preguntas? Si el estudiantado puede obtener respuestas al instante, ¿qué necesita ahora andamiar el profesorado que antes no necesitaba?

Introducción

El aprendizaje basado en la indagación se centra en las preguntas que plantea el propio estudiantado y en el proceso de indagación mismo, y suele avanzar por fases (orientación → conceptualización → investigación → discusión → conclusión). Es la familia más amplia en la que a menudo se anidan el aprendizaje basado en problemas y el aprendizaje basado en proyectos: el ABI enfatiza el proceso de cuestionamiento y descubrimiento, el ABP el problema mal estructurado y el aprendizaje basado en proyectos el artefacto tangible.

Cómo aparece el aprendizaje basado en la indagación en la base de conocimiento

La IA como coinvestigadora. Una revisión sistemática de ChatGPT para el aprendizaje basado en la indagación en STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 estudios) encontró que ChatGPT se usaba principalmente en las fases de conceptualización, investigación y discusión —como herramienta de aprendizaje, tutora, par de aprendizaje, experta de dominio y asistente de enseñanza— mejorando el rendimiento, el pensamiento crítico, la implicación y la motivación, a la vez que planteaba riesgos de dependencia excesiva, alucinación y conclusiones superficiales cuando la salida se trata como autoritativa.

El planteamiento de problemas como punto de partida. Un cuasiexperimento con 97 estudiantes de tercero de primaria (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) mostró que los chatbots de IA generativa superaron significativamente a los motores de búsqueda en el planteamiento de problemas científicos, mejorando la calidad de las preguntas y produciendo redes epistémicas más integradas, además de reducir la carga cognitiva.

Patrones de nivel cognitivo en el ABI impulsado por LLM. Un estudio exploratorio de 117 transcripciones de entrevistas y registros de interacción (Luo et al.) identificó 14 patrones de interacción en los niveles cognitivos de Bloom, mostrando cómo el conocimiento previo del estudiantado da forma al uso del LLM y destacando la necesidad de un andamiaje dirigido a las etapas de pensamiento de orden superior que mitigue la dependencia excesiva.

La evidencia sobre resultados es mixta. Un experimento de ABI apoyado por IA en matemáticas (Mujib et al.) mejoró el rendimiento matemático creativo y las actitudes, pero no las habilidades de resolución crítica de problemas, lo que sugiere que el ABI con IA apoya sobre todo la creatividad y el desarrollo afectivo. Un metaanálisis de 29 experimentos (Zhao et al.) encontró que la IA generativa tiene un efecto positivo moderado sobre el pensamiento de orden superior, más fuerte en la resolución de problemas y con intervenciones de 8 a 16 semanas, y que quienes aprenden con mayor autorregulación se benefician más. Un cuasiexperimento con 48 futuros docentes de ciencias en Türkiye (Aydın) que usó un programa de indagación guiada con apoyo de IA de 8 semanas (integrando aprendizaje basado en problemas y en diseño) encontró ganancias significativas de grupo por tiempo en la comprensión conceptual de la fotosíntesis y la respiración celular, pero ningún efecto significativo sobre la alfabetización en IA ni sobre el pensamiento computacional autopercibido, evidencia de que el ABI con IA puede profundizar la comprensión de dominio mientras que el desarrollo de competencias de IA y de pensamiento computacional exige un diseño más explícito y dirigido.

Equidad y contexto. Un marco conceptual conecta el codiseño con IA generativa y las prácticas educativas abiertas para apoyar la enseñanza STEM guiada por la indagación en contextos con pocos recursos, usando simulaciones generadas por IA, multilingües y contextualmente relevantes.

Comparación de evidencia andamiada por IA. An y sus colegas (2026) muestran cómo un sistema de extracción de información impulsado por IA desplaza la revisión de literatura de grado desde el resumen hacia la organización y comparación de evidencia: el estudiantado pasa de la lectura aislada a la comparación entre estudios y a la justificación basada en evidencia en apoyo del aprendizaje basado en la investigación y de la finalización de la tesis. Esto concretiza cómo la IA puede andamiar procesos de indagación en la investigación de grado en STEM.

Por qué el aprendizaje basado en la indagación importa para la integración de la IA

La estructura del ABI, impulsada por preguntas y centrada en el proceso, es el hogar natural de un uso productivo de la IA: el estudiantado aprende con la IA como compañera y no de ella como sustituto. La evidencia de la base de conocimiento converge en una tensión central: la IA puede reducir la fricción de la recuperación de información y de la formulación de preguntas (disminuyendo la carga cognitiva y habilitando una reflexión más profunda), pero sin un andamiaje de diseño arriesga la dependencia excesiva y saltarse la cognición de orden superior. El papel de quien facilita, el diseño de los andamiajes y la enseñanza explícita de habilidades de evaluación son las palancas que determinan si la IA profundiza o desplaza la indagación.

Fracaso productivo e indagación

El fracaso productivo (FP) es el pariente más estructurado del aprendizaje basado en la indagación: quienes aprenden exploran problemas y generan soluciones antes de la instrucción directa, y después consolidan. Ambos comparten la premisa de que los intentos generados por quien aprende (incluso los fallidos) activan el conocimiento previo y lo preparan para aprender de la instrucción. La investigación sobre FP en la era de la IA afina cómo debería la IA andamiar la indagación sin cortocircuitarla: Kim et al. (2026) derivan principios de diseño de IA para preservar el esfuerzo a través de la exploración del problema y la generación de soluciones; Puech et al. (2025) muestran que los tutores basados en LLM pueden dirigirse para retener respuestas y provocar múltiples intentos; las tareas de pista antes de la corrección ejemplifican un andamiaje basado en pistas (frente al directo) que mantiene al estudiantado haciendo el razonamiento. Esto conecta la indagación y el FP con el imperativo más amplio de que la IA no debe eliminar el esfuerzo productivo mediante el cual se forma un aprendizaje duradero.

Conceptos conectados

• Aprendizaje basado en problemas
• Aprendizaje basado en proyectos
• Aprendizaje activo
• Pensamiento crítico
• Metacognición
• Aprendizaje autorregulado
• Andamiaje
• Descarga cognitiva
• IA generativa
• Grandes modelos de lenguaje (LLM)
• Educación STEM
• Aprendizaje colaborativo
• Educación superior
• K-12
• Fracaso productivo — Fracaso productivo

Artículos conectados

• The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT para el aprendizaje basado en la indagación en STEAM (revisión sistemática)
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbots de IA generativa y planteamiento de problemas en ciencias de primaria
• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — Patrones de ABI en entornos impulsados por LLM (perspectiva de Bloom)
• Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — ABI apoyado por IA y rendimiento matemático creativo
• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — Metaanálisis sobre IA generativa y pensamiento de orden superior
• STEAM Education for AI Literacy: A Systematic Literature Review — Educación STEAM para la alfabetización en IA
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Diseñar sistemas de IA para apoyar el aprendizaje basado en el fracaso productivo
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Dirección pedagógica de los LLM para el fracaso productivo
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Pista antes de la corrección: ChatGPT para el aprendizaje autónomo de idiomas
• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — Indagación guiada con apoyo de IA en fotosíntesis y respiración (formación del profesorado de ciencias)
• From Literature to Research-Based Learning: An AI-Powered Information Extraction System to Enhance Undergraduate Thesis Completion — Extracción de información impulsada por IA para apoyar la tesis de grado y el aprendizaje basado en la investigación (An et al. 2026)
• Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change — Indagación asistida por IA en cuestiones sociocientíficas sobre el cambio climático