Tutoría inteligente

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

Tutoría con IA / tutoría inteligente: el uso de la IA para proporcionar apoyo instruccional personalizado, adaptativo y escalable, que abarca desde los Sistemas de Tutoría Inteligente (ITS) clásicos, que modelan el conocimiento del estudiante, adaptan la instrucción y andamian la resolución de problemas, hasta los tutores conversacionales y basados en agentes construidos sobre LLM. La eficacia depende del diseño pedagógico (andamiaje, calidad de la retroalimentación, equilibrio de autonomía) y no del modelo por sí solo; véase Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact y Método socrático.

Preguntas para considerar

• Se dice que la eficacia de un tutor de IA depende del diseño pedagógico (el andamiaje, la calidad de la retroalimentación, el equilibrio entre autonomía y guía) y no del modelo subyacente. Si tuviera que elegir, ¿qué decisión de diseño determina más que un estudiante aprenda realmente?
• A los ITS clásicos se les elogia por su precisión y transparencia, pero se les critica por su inflexibilidad, mientras que los tutores basados en LLM son flexibles pero pueden alucinar o saltarse el aprendizaje. ¿Dónde cree que está el equilibrio correcto, y por qué?
• La evidencia de campo a gran escala encontró que los estudiantes probaron un tutor de IA pero rara vez lo usaron de forma productiva: lo emplearon en solo una fracción de sus sesiones de error, a menudo con respuestas desnudas. ¿Por qué puede ocurrir que los estudiantes tengan acceso a un tutor potente y no lo usen de maneras que les ayuden a aprender?
• La página contrasta los ITS tradicionales, que modelan al estudiante y adaptan la instrucción, con los tutores conversacionales abiertos. ¿Qué se gana y qué se pierde cuando un tutor puede mantener una conversación natural pero no sabe exactamente por qué tomó una decisión?
• Un estudio encontró que la IA creaba una "ralentización productiva" (más tiempo por pregunta), pero solo mejoraba el aprendizaje cuando se insertaba en un flujo de trabajo de dominio que hacía consecuentes los errores. ¿Qué sugiere eso sobre cómo estructurar el esfuerzo para que rinda?
• Si el diseño de pistas puede permitir inadvertidamente que los estudiantes se salten el aprendizaje, ¿cómo sería un sistema de pistas bien diseñado que apoye el esfuerzo sin revelar la respuesta?

Introducción

La tutoría con IA abarca el uso de la inteligencia artificial, en particular los grandes modelos de lenguaje y los Sistemas de Tutoría Inteligente estructurados, para proporcionar apoyo instruccional personalizado, adaptativo y escalable a los estudiantes. Los tutores de IA adoptan muchas formas: tutores conversacionales que mantienen un diálogo socrático, sistemas de retroalimentación andamiados que guían la resolución de problemas, plataformas de aprendizaje adaptativo que personalizan la secuenciación de contenidos y tutores basados en agentes que mantienen modelos del estudiante a largo plazo. La eficacia de la tutoría con IA depende de forma crítica de las decisiones de diseño pedagógico (el andamiaje, la calidad de la retroalimentación y el equilibrio entre autonomía y guía) y no del modelo subyacente por sí solo.

Históricamente, Mishra et al. sitúan los ITS en el linaje de la AIED, desde los sistemas expertos de los años sesenta y setenta y los tutores cognitivos ACT/ACT-R de Anderson, cuyo control estructurado contrastaba con el construccionismo de Papert.

Ng'ambi y van der Merwe (2026) muestran que el papel tutorial lo fija el diseño de la tarea y no el sistema: el mismo modelo de lenguaje, configurado de forma idéntica, mantuvo un diálogo extenso en tareas de matemáticas de noveno grado basadas en problemas y se derrumbó en respuestas transaccionales bajo tareas procedurales estructuradas.

Los ITS en la familia del modelado del estudiante

La tutoría inteligente es el miembro clásico del lado de la aplicación en la familia del modelado del estudiante y la instrucción adaptativa. Su arquitectura canónica (modelo de dominio, modelo del estudiante y modelo pedagógico) es precisamente el flujo de "modelar al estudiante y después adaptar la instrucción" que describe la familia. Los ITS consumen las representaciones del estudiante que producen el rastreo del conocimiento y el diagnóstico cognitivo para seleccionar problemas y andamiar la guía, razón por la cual la tutoría está tan estrechamente acoplada a esos métodos de modelado. Dentro de la familia, los ITS se sitúan junto al aprendizaje adaptativo (el mecanismo de adaptación en tiempo real) y el aprendizaje personalizado (el objetivo más amplio) como las plataformas que convierten los modelos del estudiante en instrucción.

ITS frente a la tutoría basada en LLM

La aparición de los LLM ha creado una tensión productiva en el campo de la tutoría. Los Sistemas de Tutoría Inteligente (ITS) tradicionales ofrecen precisión y transparencia (se sabe exactamente por qué el sistema tomó una decisión concreta), pero carecen de flexibilidad. Los tutores basados en LLM ofrecen diálogo natural y conocimiento amplio, pero pueden alucinar, andamiar en exceso o saltarse el aprendizaje por completo. La investigación moderna explora cada vez más los enfoques híbridos que combinan componentes estructurados de ITS con la flexibilidad de los LLM. Reddig, Arora y MacLellan (2025) lo demuestran de forma concreta en el ITS Apprentice Tutor College Algebra: suministrar a GPT-4 la estructura de interfaz del tutor y las estimaciones bayesianas de habilidad del rastreo del conocimiento dentro del prompt elevó el diagnóstico de errores lógicos del 40% al 81% en factorización (y la identificación de errores en general al 87,8%) y produjo un ~66% de pistas dirigidas al error; evidencia directa de que incrustar un LLM en el marco estructurado de un ITS fundamenta la generación, frena los diagnósticos alucinados y produce retroalimentación correctiva consciente del contexto, aunque alrededor de un tercio de las pistas siguieron siendo demasiado generales, incorrectas o reveladoras de la respuesta.

Entrenar la pedagogía dentro del modelo es una ruta distinta de pedírsela mediante prompt: LearnLM mezcló datos pedagógicos en el entrenamiento posterior de Gemini, fue preferido por expertos educativos frente a GPT-4o (+31%), Claude 3.5 Sonnet (+11%) y Gemini 1.5 Pro base (+13%) y, al estar coentrenado en lugar de ajustado después, las ganancias sobreviven a futuras versiones del modelo base (LearnLM Team (2025)).

TeachLM sostiene que el ingrediente escaso es la interacción auténtica entre estudiante y tutor: ajustado sobre 100.000 horas de tutoría individual, duplicó aproximadamente el tiempo de habla del estudiante y aumentó los turnos de diálogo en un 50%, después de que un tutor anterior diseñado por prompt no lograra cerrar la brecha con los tutores humanos (Perczel, Chow y Demszky (2025)).

• Suministrar estrategias de referencia mejora a los tutores débiles, no a los fuertes. Dar a los modelos la estrategia documentada en la literatura de casos elevó el éxito de respuesta inmediata en 10 de 11 modelos, con un promedio de 9,9 puntos (Llama 4 Maverick del 41,0% al 64,8%), mientras que el modelo más fuerte no cambió y se mantuvo en 71,3% (Park et al. (2026)).
• Tener acceso a un tutor no es lo mismo que aprender con él. Aleatorizar 153 estudiantes de un curso de demostraciones hacia un acceso más temprano a un chatbot y a una interfaz de retroalimentación elevó las notas de tareas en 2,56 puntos y dejó sin cambios el examen sin apoyo, con cada 100 mensajes al chatbot asociados a 3,02 puntos menos (Chen et al. (2026)).
• Las alternativas válidas exponen una brecha de capacidad de respuesta. Al simular diálogos sobre 150 problemas de programación con más de una solución correcta, cuatro tutores de pesos abiertos abrieron con fuerza bruta entre el 22,2 y el 32,1 por ciento de las veces y con el enfoque óptimo solo entre el 13,0 y el 19,4 por ciento (Cen y Sonkar (2026)).

Los Sistemas de Tutoría Inteligente representan una de las áreas más antiguas y más investigadas de la IA en educación. A diferencia de los tutores de LLM de propósito general, los ITS usan tradicionalmente enfoques estructurados: modelos de dominio (qué enseñar), modelos del estudiante (qué sabe el estudiante) y modelos pedagógicos (cómo enseñar). Estos componentes permiten un rastreo fino del progreso del estudiante, el diagnóstico de concepciones erróneas y la secuenciación adaptativa.

Investigación clave sobre ITS

• Ensayos microrrandomizados de una plataforma de tutoría: Harrison et al. (2026) realizaron una evaluación de cuatro semanas, multisitio e individualmente aleatorizada de Medly en Biología, Química y Física de GCSE, con 644 de 929 estudiantes completando el postest; la asignación a la plataforma produjo una g de Hedges de 0,33 (IC del 95%: 0,18 a 0,48) frente a la revisión autodirigida habitual, con estimaciones positivas en las tres materias y sin evidencia de impacto diferencial por desventaja (Pupil Premium g = 0,28 frente a no Pupil Premium g = 0,35).

• Un metaanálisis estadounidense de K-12 sitúa el efecto medio en g = 0,271. En 18 experimentos, los ejemplos resueltos y las pistas solicitadas por el estudiantado sostenían el efecto, mientras que las pistas activadas automáticamente no, y las implementaciones de más de seis meses se diluyeron a un g = 0,110 no significativo (Leite et al., 2025).

• La investigación sobre el botón de pistas muestra que el diseño tradicional de pistas de los ITS puede permitir inadvertidamente estrategias de evasión, lo que exige enfoques de andamiaje más sofisticados.

• Deeptutor proporciona un marco de tutoría agéntica totalmente Código abierto, con tutoría fundamentada en citas y generación de preguntas calibrada por dificultad.

• El rastreo interpretable del conocimiento aborda el problema de la opacidad al producir cantidades cognitivas interpretables a partir de los logits del LLM.

• La implicación y la estructura, no la capacidad, son las restricciones vinculantes (evidencia de campo a gran escala): Khanmigo (Oreopoulos y Low 2026), un ensayo controlado aleatorizado por conglomerados de dos años en 18 escuelas medias, encontró que el 96% de los estudiantes probó el tutor de IA, pero la mediana lo empleó en solo un ~17% de las sesiones de error (sobre todo respuestas desnudas o clics en el prompt), de modo que las ganancias (~0,06-0,08 DE) igualaron la práctica sin IA. NUMI (Oreopoulos et al. 2026) encontró que la IA creaba una "ralentización productiva" (más tiempo por pregunta y mejor recuperación tras el error), pero solo mejoraba de forma fiable el aprendizaje diferido cuando se insertaba en un flujo de trabajo de dominio que hacía consecuentes los errores. La lección: el valor de la tutoría con IA depende de lograr que los estudiantes la usen de forma productiva y de estructurarla para que el esfuerzo rinda, más que de la capacidad bruta del modelo.(Virtual tutoring with computer-assisted learning: An experiment in take-up and learning)

• Un arnés de tutoría ayuda a las bases débiles y puede perjudicar a las fuertes. RegulaTutor (Li et al. 2026) envuelve un modelo en etapas vinculadas a la evidencia y fundamentadas en el aprendizaje autorregulado y elevó la exactitud de la evidencia histórica en una media de 25,7 puntos en cuatro puntos de control locales. La calidad juzgada de la enseñanza apenas se movió (+0,016), y las ganancias de evidencia se invirtieron en la base más fuerte probada (GPT-5.6-sol, −4,87 puntos).

• Rastreo del conocimiento basado en resultados para tutores OBE. Pradeesh et al. (2026) rastrean el dominio estudiantil de los resultados de cursos de Educación Basada en Resultados con un modelo recurrente que sustituye las relaciones de conceptos aprendidas por "asignaciones de afinidad" OBE validadas por el currículo entre resultados de curso y de programa, y añade una Red Neuronal con Memoria Aumentada para el impacto entre resultados. Alcanzó un AUC del 89,81% en datos vivos de programas de ingeniería, superando las líneas base DKT, DKVMN, EKT y SimpleKT: una señal de dominio alineada con los resultados propios de un programa que puede impulsar la selección adaptativa de problemas en la tutoría basada en resultados.

• Valide los modelos de dominio en sesiones futuras, no con el ajuste retrospectivo. Las estimaciones de dominio que un ITS usa para seleccionar problemas pueden no generalizarse a lo largo del tiempo: Schuetze, Yan y Carvalho (2025) encontraron que BKT, BKT-con-olvido y AFM reproducen las tendencias de aprendizaje solo cuando se ajustan retrospectivamente a todas las sesiones de un conjunto de datos de re-aprendizaje sucesivo, pero bajo validación cruzada temporal (entrenar con una sesión para predecir la siguiente, que es el contexto real de tutoría) sobreestiman el rendimiento en un 47-58%, no capturan el efecto de espaciamiento y pueden ordenar mal las condiciones de práctica. Los tutores que dependen de tales rastreadores deberían evaluarse de forma progresiva y considerar el intervalo de retención y el olvido entre sesiones en lugar de suponer que el dominio persiste.

• Diagnosticar errores en problemas no estructurados con solución manuscrita. Arthur (Yin et al. 2026) extiende la retroalimentación al estilo ITS a las Preguntas de Fórmula Calculada en un curso de Economía de la Ingeniería, un dominio donde las soluciones en papel no aportan los datos digitales estructurados en los que se apoyaba el trabajo previo de tutoría con IA. En lugar de un LLM de propósito general, cada pregunta recibe su propio "esqueleto de diagnóstico de solución" dedicado de XGBoost, entrenado con entregas calificadas y aumentadas con enmascaramiento aleatorio para predecir las etiquetas de error de la rúbrica del docente a partir solo de los números entregados por los estudiantes (precisión 0,81, exhaustividad 0,79), en pareja con una interacción basada en diálogo que solicita iterativamente respuestas intermedias solo cuando la confianza del diagnóstico cae por debajo de un umbral de 0,8. Es un caso concreto del principio de la base de conocimiento según el cual un clasificador fundamentado en conocimiento puede encargarse del diagnóstico de soluciones incluso cuando no se dispone de soluciones escritas completas.

• Tutoría adaptativa a nivel de turno con un evaluador de fondo. El agente tutor MeduAI-SP (Yang et al., 2026) ejemplifica la tutoría adaptativa a nivel de turno: un evaluador de fondo monitoreaba cada enunciado del estudiante contra una lista de verificación de historia clínica de 30 ítems vinculada a OLDCARTS más criterios de comunicación y activaba prompts solo cuando era necesario (24,1% de 4.815 mensajes). El análisis del corpus expuso dónde se necesita más ese apoyo: el habla del estudiante era 62,2% historia de la enfermedad actual pero solo 4,3% comunicación empática o de apoyo y 2,6% examen físico, lo que sugiere que los tutores clínicos al estilo ITS deberían apuntar a componentes de la consulta infrautilizados y a fases de razonamiento tardías en el encuentro y no solo a la recogida de síntomas, y que la fidelidad del paciente simulado es lo bastante alta para la investigación de resultados (solo ~0,68% de los enunciados de los pacientes mostraron problemas claros de fidelidad).

• Un tutor de IA construido a partir de la pedagogía de la propia clase superó a esa clase: un ECA contra el aprendizaje activo. En un ECA cruzado en el curso introductorio de física más grande de Harvard (194 estudiantes elegibles), un tutor a medida, diseñado a partir de las mismas siete prácticas basadas en investigación que las lecciones en clase, produjo una mediana de postest de 4,5 frente a 3,5 del aprendizaje activo en clase (mediana basal 2,75), un tamaño del efecto de 0,63 por regresión lineal, en una mediana de 49 minutos de tarea frente a 60 en clase, con mayor implicación declarada (4,1 frente a 3,6) y motivación (3,4 frente a 3,1) (Kestin et al., 2025). Los autores sitúan la ventaja en las dos prácticas que un aula no puede sostener: retroalimentación personalizada a demanda y ritmo propio, y advierten que el tutor debe aumentar la instrucción en clase, no suplantarla.

• La mediación docente duplica aproximadamente la fidelidad de la implementación (evidencia de campo de distrito completo): Goblins (Alam et al. 2026), una plataforma de matemáticas de IA multimodal mediada por docentes desplegada a todo el profesorado de matemáticas de los grados 6 a 8 en un gran distrito de Arizona, llegó a ~51% de 6.065 estudiantes con un umbral modesto de 2 problemas por semana, frente a los umbrales del 5% (Khan Academy) y el 12% (IXL) de evaluaciones anteriores.

• Y la dosis impulsa el efecto dentro de eso (mismo estudio): un diseño de propensión ponderada asoció el uso con 0,11 DE de crecimiento MAP dentro del distrito (0,24 DE en el Índice de Crecimiento Condicional nacional), con un gradiente de dosis limpio: 0,18 DE con 10-19 problemas por semana y 0,31 DE con 20 o más, con todas las dosis por encima de 3 por semana significativas (p < 0,01). Los subgrupos exploratorios mostraron asociaciones mayores para estudiantes con IEP (+0,122 DE), estudiantes de inglés (+0,191 DE) y estudiantes hispanos (+0,084 DE). El diseño es cuasi experimental (la autoselección en el uso es la vulnerabilidad que los autores nombran), pero la fidelidad y la respuesta a la dosis ejemplifican directamente la lección de la restricción vinculante.

• Transferencia cercana sin ganancias en pruebas estandarizadas a escala de aula. LearnLM Team, Google y Eedi (2026) aleatorizaron a 1.179 estudiantes de 10 escuelas públicas del Reino Unido en cuatro brazos durante 10 semanas. Tras el apoyo, el 56,5-56,9% respondió correctamente a una segunda pregunta diagnóstica frente al 43,4% con la remediación estándar; los efectos de Star Maths fueron de -0,01 a +0,02 DE. Los tutores aprobaron el 94,7% de 94.385 borradores sin cambios, y 6 errores en 114.935 borradores se detectaron antes de llegar al estudiantado.

• Equivalencia estadística con la tutoría humana experta. A lo largo de 2.469 sesiones de 2.383 adultos, la tutoría con IA agrupada igualó a la tutoría humana experta en vivo uno a uno en ganancias de aprendizaje del GRE (p=0,015 frente a límites de ±0,25 DE; diferencia ajustada de -0,58 puntos porcentuales) y ambas superaron a un control de vídeo en unos seis puntos; seis de doce tutores pasaron las pruebas individuales de equivalencia, con Gemma 4 31B igualando las ganancias humanas con un costo 918 veces menor por punto porcentual (Northcutt et al. (2026)).

• Micropersonalización de un tutor LLM mediante prompt (2026): Basu, Kakar y Goel (2026) personalizan el Grandes modelos de lenguaje (LLM)/RAG (Generación Aumentada por Recuperación) del asistente de enseñanza Jill Watson al nivel de preguntas individuales enteramente mediante ingeniería de prompts, condicionando las respuestas a seis dimensiones del estudiante (metacognitiva autoevaluación, abstracción, verbosidad, percepción, procesamiento, comprensión) y clasificando la demanda cognitiva de cada consulta con un clasificador de Taxonomía de Bloom, lo que produjo 96 perfiles de estudiante sin reentrenar el modelo. El análisis de PLN de 2.910 respuestas y un estudio con personas encontraron diferencias medibles y perceptibles en abstracción, verbosidad, complejidad y estilo de procesamiento de las respuestas, alineadas con los efectos previstos. Demuestra la adaptación de la forma de la respuesta (y no del contenido) como una ruta escalable y modular hacia el comportamiento adaptativo en un tutor desplegado.

Conceptos clave de los ITS

• Seguimiento del conocimiento: modelar lo que un estudiante sabe a lo largo del tiempo (bayesiano, aprendizaje profundo, basado en TRI)
• Diagnóstico cognitivo: evaluación fina de qué componentes de conocimiento y concepciones erróneas posee un estudiante; la contraparte del lado de la evaluación del rastreo del conocimiento que alimenta la decisión pedagógica del tutor
• Modelado del estudiantado e instrucción adaptativa: representación más amplia del estudiante, que incluye afecto, implicación y concepciones erróneas
• Aprendizaje adaptativo: sistemas que personalizan la secuenciación de contenidos según el estado del estudiante
• Andamiaje: proporcionar el apoyo justo para permitir el progreso sin revelar las respuestas
• esfuerzo productivo: dejar que los estudiantes lidien con la dificultad en lugar de ayudar en exceso
• bucles de retroalimentación: ciclos de retroalimentación de los ITS que diagnostican, guían y verifican

Contexto histórico

El campo de los ITS ha producido sistemas emblemáticos (Cognitive Tutors, Andes, AutoTutor) y sigue evolucionando. La revisión exhaustiva de ITS de Zerkouk et al. cataloga esta evolución. La tensión entre los ITS estructurados y la tutoría abierta con LLM se explora en la investigación de la trampa de la respuesta correcta y en el replanteamiento del andamiaje para tutores LLM.

Tutoría con IA y LLM: orientación práctica

Para los docentes que despliegan tutores de IA y los desarrolladores que los construyen, los hallazgos de la base de conocimiento se traducen en práctica concreta:

Evalúe a los tutores por si enseñan, no solo por si resuelven. Un modelo que encabeza una clasificación de resolución no es necesariamente un buen tutor: la capacidad de resolver tareas y la conducta que apoya el aprendizaje se correlacionan solo parcialmente (r ≈ 0,42), y varios modelos cambian de posición cuando se les puntúa por pedagogía. Informe y examine las puntuaciones de resolución y de pedagogía por separado, y priorice a los tutores que puntúan en preguntas guía, pistas calibradas y andamiaje no revelador frente a los que producen respuestas rápidas.(Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact)(Methodologies for improving the quality of AI tutoring in K-12 education)

• La calidad pedagógica es un piso, no una prueba de aprendizaje. Una auditoría estructurada de 88 estudios de tutoría con LLM, que codifica el campo como un bucle de cinco etapas (inferencia del estado del estudiante, acción pedagógica, entrenamiento del tutor, evaluación, simulación de estudiantes), encuentra que la evaluación pedagógica está muy extendida (77/88) pero las ganancias de aprendizaje humanas en solo 10 estudios y la transferencia o la retención diferida en uno (Adak et al. (2026)).

• Un gran ensayo aleatorizado multidisciplinar encontró efectos adversos de un tutor bien fundamentado. Liu et al. (2026) aleatorizaron a 2.379 estudiantes de grado y 30 docentes en 13 bloques y en 11 de las 12 facultades de una universidad pública estadounidense hacia el acceso a un tutor GPT-4o con recuperación sobre los materiales del propio curso de cada docente, incrustado en el LMS con citas a diapositivas y marcas de tiempo de vídeos de clase. En la muestra de coincidencia exacta (secciones del mismo curso), el acceso redujo las notas finales en 4,12 puntos (0,37 DE) y las calificaciones con letra en escala de GPA en 0,13 DE, mientras que la muestra completa no mostró efecto significativo en el rendimiento; la implicación cayó en ambas muestras (participaciones registradas −0,90 DE, días activos −0,51 a −0,61 DE). Solo alrededor del 15% de los estudiantes tratados usó la herramienta y los usuarios promediaron unas cuatro sesiones, y aun así las diferencias conductuales a nivel de clase fueron grandes, y el 73,8% de 3.460 solicitudes clasificadas fueron peticiones de respuesta directa y no práctica o retroalimentación sobre el propio intento del estudiante. Los autores lo leen como una brecha de integración técnico-instruccional: ningún docente del grupo de tratamiento informó de haber integrado la herramienta en las tareas y la mayoría la dejó en el modo predeterminado de instrucción directa, así que la fundamentación en el curso y el acceso cómodo no produjeron un uso productivo.

Diseñe para la estructura pedagógica, no para la frecuencia. El rendimiento educativo de la tutoría con IA depende de cómo se usa y se diseña la herramienta, no de con qué frecuencia se usa. Los tutores diseñados por el docente, acotados a los objetivos del curso, a la competencia del estudiante y a una base de conocimiento curada, superan el uso no estructurado de chatbots de propósito general.(Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory) Un experimento de campo aleatorizado y preregistrado puso a prueba esa afirmación frente a la alternativa realista y no frente a una línea base sin IA: 86 estudiantes de un módulo de finanzas corporativas de un MBA en línea fueron asignados a un tutor fundamentado en las clases, las lecturas y los conjuntos de problemas del propio módulo o a un grupo de retención que conservaba los recursos estándar con IA de consumo disponible libremente, y los estudiantes tutorizados ganaron 6,63 puntos más de 55 (IC del 95% [+1,95, +11,31], p = 0,007), mientras que la proporción de respuestas escritas breves de calidad relacional o superior subió del 8% al 49% frente al 8% al 27%. El canal fue el margen nulo: la voz casi duplicó la densidad de interacción y costó 2,8 veces más de ofrecer, y aun así el dominio semanal difirió en −0,01 puntos de 11 (p = 0,98), lo que convierte el formato de entrega en una palanca de adopción e implicación y no en una tecnología de aprendizaje. El grupo de retención tampoco cerró la brecha: los nueve estudiantes que informaron de uso externo de IA no ganaron más que los ocho que no informaron de ninguno (+10,3 frente a +12,8 de 55, p = 0,45).

Use evaluación iterativa en vivo para seguir mejorando. Dado que los LLM son opacos, trate la evaluación como el motor de la mejora: instrumente un pequeño conjunto de métricas de calidad y de implicación, ejecute experimentos en vivo sobre modelos, prompting, personalización y agentes, y deje que los datos impulsen los cambios, la misma disciplina que Khan Academy aplica a su tutor de K-12 (Khanmigo).(Methodologies for improving the quality of AI tutoring in K-12 education)

Apoye la autonomía, la competencia y la relación del estudiante. Los tutores de IA funcionan mejor cuando se sienten como un espacio de práctica seguro y estructurado y no como una máquina de respuestas. Proporcione retroalimentación inmediata y no enjuiciadora; acote el tutor al nivel del estudiante para que la competencia sea alcanzable; y preserve la agencia del estudiante manteniendo el tutor como complemento (y no sustituto) de otra instrucción.(Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory)

Protéjase contra la revelación de respuestas. El modo de fallo central de la tutoría con LLM es regalar la respuesta, lo que infla el rendimiento inmediato mientras socava el aprendizaje duradero. Use prompting socrático, pistas calibradas y andamiaje no revelador, y mida los resultados en tareas sin ayuda y de transferencia, no solo en el rendimiento dentro de la herramienta.(Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact)(Método socrático)

• Las referencias que solo dan un número derrotan la recuperación. En un tutor RAG bilingüe para un curso de ciencia de datos de 400 estudiantes, las publicaciones que citaban "P2 Q10" se recuperaban mal hasta que una etapa de extracción las reescribió como preguntas autónomas, tras lo cual se resolvió el 97,46% de las referencias de programación (Shen et al. (2026)).

• Un canal visual desplaza la tutoría hacia la comprobación del trabajo y la proactividad hacia la reparación. Con la cámara del teléfono sobre la página, la retroalimentación de corrección subió del 40% de los mensajes del tutor al 63-69% y la identificación de errores del 20-22% al 41%, mientras que un tutor proactivo que esperaba después del 96% de 5.047 análisis en papel fue valorado como comprensivo (5,53 de 7) y no como interruptor (2,45) (Kotalwar et al. (2026)).

Separe el diagnóstico de la retroalimentación. Los tutores LLM confirman de forma fiable los pasos correctos, pero rechazan en exceso el razonamiento válido aunque subóptimo y validan en exceso las soluciones incorrectas, y un diagnóstico exacto no produce de forma fiable retroalimentación accionable.(Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most) El acoplamiento también corta en la otra dirección: Reddig et al. (2025) encontraron que GPT-4 seguía elaborando retroalimentación pertinente, general pero correcta, en ~74% de los casos incluso después de diagnosticar mal un error (reformulando el concepto o el formato de respuesta esperado), pero casi toda la retroalimentación factualmente incorrecta seguía a un diagnóstico equivocado, así que la identificación de errores sigue siendo el nudo de una tutoría accionable. Una arquitectura híbrida funciona mejor: deje que un clasificador fundamentado en conocimiento se encargue del diagnóstico de la solución mientras el LLM se centra en el andamiaje abierto y el diálogo.

• La auditoría de equidad se está convirtiendo en parte de la evaluación de tutores. EduFair-Bench mantiene fijo al estudiante simulado y varía solo atributos demográficos, mostrando que la calidad de la tutoría no es uniforme entre estudiantes y que el ajuste pedagógico por recompensa no elimina automáticamente esas diferencias (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics).

• Más andamiaje y más contexto no son automáticamente mejores. Un ensayo aleatorizado 2×2 con 132 estudiantes de Python introductorio comparó cuatro asistentes docentes GPT-4o que diferían solo en el prompt del sistema y el contexto suministrado, y el asistente socrático con contexto completo del problema, la configuración más cercana a la intuición pedagógica, fue valorado como significativamente menos favorable a la finalización de la tarea (rango medio 48,63, μ = 3,53) que los otros tres (χ²(3) = 12,14, p = 0,007). Las condiciones socráticas enviaron más consultas (μ = 11,1 por problema sin contexto) mientras que los estudiantes sin contexto escribieron mensajes más largos, haciendo ellos mismos el trabajo contextual, y la menor proporción de explicaciones posteriores a la tarea de comprensión completa (48%) y el mayor uso de LLM externos (23%) también se dieron en la condición socrática con contexto completo (Eastwood et al. 2026).

La tutoría con IA como espectro de intensidad relacional

Una lente unificadora procedente de el informe de Stanford SCALE / NSSA (Turano et al. 2026) replantea la tutoría con IA como no un monolito sino un espectro definido por la intensidad relacional, es decir, la profundidad y la consistencia de la conexión humana entre estudiante y tutor. El informe traza un mapa de modelos que va desde la tutoría totalmente dirigida por humanos (presencial o remota), pasando por la dirigida por humanos con apoyo de IA (la IA asiste al tutor entre bastidores) y la dirigida por IA con apoyo humano (una persona supervisa e interviene), hasta la tutoría solo con IA (sin supervisión humana directa). El hallazgo central: a medida que disminuyen las relaciones humanas directas, la base de evidencia se adelgaza y se acumulan preguntas sin resolver sobre la seguridad del estudiante, el impacto en el desarrollo y la eficacia a largo plazo.

• La IA aumenta, no sustituye, la tutoría de alto impacto. El mensaje central del informe es que la IA se usa mejor para mejorar la eficacia del tutor y la capacidad del educador dentro de la tutoría de alto impacto (sesiones regulares en la jornada escolar, proporciones de grupo pequeño ≤ 1:4, tutores consistentes y bien formados, instrucción basada en datos, materiales validados, relaciones sólidas entre estudiante y tutor), y no para sustituir la relación humana que impulsa las ganancias de aprendizaje. Esto concuerda con el hallazgo más amplio de la base de conocimiento de que los tutores de IA diseñados pedagógicamente superan a los chatbots de propósito general (base de evidencia de Stanford, revisión paraguas).
• La dosis, y no la capacidad del modelo, es la restricción vinculante. El informe señala que la tutoría dirigida por IA hereda la base de evidencia sobre dosis (~90 minutos semanales) solo cuando se programa, se supervisa y se protege dentro de la jornada escolar; en un estudio de 181.000 estudiantes en una plataforma de matemáticas complementaria, solo el 5% alcanzó los minutos recomendados y el 41% nunca inició sesión, con factores de docente, escuela y distrito que explicaban el 57% de la varianza de uso. Esto converge con la evidencia de experimentos de campo citada antes (Khanmigo, NUMI) en que la implicación y la integración, y no la capacidad bruta, determinan si la tutoría con IA ayuda.
• La supervisión humana mejora la implicación y la alineación, pero no la dosis. Los ECA del informe encontraron que las visitas de seguimiento humanas elevaron la implicación de los estudiantes de primaria con una plataforma de IA, pero no alcanzaron la dosis asociada a las ganancias ni mejoraron el rendimiento en lectura. La implicación práctica: programe y supervise la tutoría con IA en los mismos términos que la tutoría dirigida por humanos, y diseñe para que se exija la implicación; el requisito de adhesión voluntaria que reintroduce un tutor de IA en el dispositivo es exactamente lo que la tutoría en vivo dentro de la jornada escolar elimina.
• La relación es el elemento irreductible. El informe subraya que la IA todavía no replica las relaciones humanas y que la construcción de relaciones (especialmente las parejas consistentes de tutor y estudiante) mejora la implicación, la asistencia, la motivación y los resultados. Los desarrolladores describen usar las fortalezas de la IA en lugar de sustituir relaciones, una postura de diseño que se repite en SafeTutors y en la investigación sobre tutoría afectiva.
• La seguridad y la privacidad son barreras de protección no negociables. Para la IA dirigida directamente al estudiante, el informe pide salvaguardas estrictas de privacidad de los datos del estudiante, barreras de protección para su seguridad y atención a la profundidad de la interacción no monitoreada; siguen abiertas las preguntas sobre los efectos de los compañeros de IA en mentes en desarrollo y en el desarrollo prosocial.

Este marco de intensidad relacional es la contraposición del "no es un monolito" al campo: evaluar cualquier tutor de IA debería empezar por preguntar qué condiciones de la tutoría eficaz reproduce, cambia o abandona, en lugar de preguntar si "la tutoría con IA funciona" en abstracto. La línea base dirigida por humanos del informe también puede estar ausente por completo: un estudio de seis semanas con pretest y postest en tres colegios de educación del estado de Kwara dio a 240 estudiantes de educación técnica un tutor localizado ajustado a los currículos técnicos nigerianos e informó de aproximadamente el doble de ganancia en habilidad práctica que 120 compañeros enseñados de forma convencional. Las prácticas allí se desarrollaban con proporciones de estudiante a profesor por encima de 100:1 y con retroalimentación retrasada días, así que la justificación de los autores no era el aumento sino la sustitución equitativa de personal docente escaso, lo que convierte al tutor en un subsidio de capacidad para colegios rurales y no en un complemento de una tutoría humana abundante. Dos decisiones de diseño aportan la lección práctica: el tutor explica un error en lugar de solo señalarlo, y una función "Aclarar" reformula los términos técnicos en yoruba o nupe, adaptándose al contexto lingüístico del estudiante y no solo a su estado de conocimiento; las pistas en lugar de respuestas y un espacio seguro para fallar se atribuyen al aumento de confianza declarado en la mayoría del grupo asistido por IA frente a menos de la mitad de los controles. La evidencia es solo indicativa (sin tamaños del efecto, con un modelo base sin nombrar y con confianza autoinformada), pero marca el límite que el informe deja abierto: el contexto en el que se pide a la IA que supla la capacidad instruccional ausente. Vincula la página de tutoría con la política de K-12 (Política educativa sobre IA), la privacidad, la seguridad pedagógica y las preocupaciones sobre el humano en el bucle presentes en todo el texto (Impact of real-time AI feedback on the technical skill acquisition of STEM students in Colleges of Education in Kwara State).

Un espectro unidimensional oculta qué funciones se reasignaron. Wu et al. (2026) conservan la pregunta de la intensidad relacional, pero añaden un relato a nivel de función de cuatro arquitecturas híbridas: IA que imparte con revisión humana (Eedi + LearnLM), IA que imparte con apoyo humano (un tutor de alfabetización en IA; PLUS), sesiones alternas entre persona y IA (Saga Technology) e impartición humana con aumento de IA (Tutor CoPilot). La distinción que importa es que dos programas pueden ocupar el mismo punto del espectro de implicación mientras asignan un trabajo completamente distinto a las personas: en su AI Literacy Tutor, las personas aportan solo implicación y rendición de cuentas, mientras que en PLUS los tutores virtuales también leen los datos de aprendizaje e intervienen con instrucción dirigida.

La pregunta de diseño es, por tanto, cuál de las cinco funciones de la tutoría —diagnóstico y adaptación, retroalimentación y andamiaje, práctica, relación y rendición de cuentas— desempeña quién, y cómo se coordinan los traspasos. Su revisión de la evidencia aporta el lado del coste del mismo argumento: la tutoría humana cuesta entre unos 1.022 y 3.100 dólares por estudiante al año, frente a 15 dólares por estudiante al año de Khanmigo, mientras que solo 20 de 800 artículos sobre tutoría con LLM en K-12 ofrecían evidencia causal sólida y ninguno lo hacía en entornos de K-12 de EE. UU.

Orientación práctica de diseño y desarrollo

Diseñe para el aprendizaje, no solo para el rendimiento. El hallazgo causal más sólido es que los tutores de IA sin barreras elevan el rendimiento en la práctica asistida pero reducen el aprendizaje sin ayuda: la brecha entre rendimiento y aprendizaje. Protéjase contra la copia de respuestas andamiando pistas en lugar de respuestas (exija un intento del estudiante antes de revelar la salida) y verifique las ganancias con medidas sin ayuda y a libro cerrado y no con el rendimiento dentro de la herramienta.(Generative AI without guardrails can harm learning: Evidence from high school mathematics)(Distinguishing performance gains from learning when using generative AI)

Haga que las pistas sean genuinamente productivas y no evitables. Los diseños clásicos de pistas pueden permitir estrategias de "pulsar el botón" que se saltan el aprendizaje. Prefiera pistas que revelen pasos de razonamiento de forma incremental (prompting socrático) frente a pistas que suministren directamente la siguiente respuesta, y preserve el esfuerzo productivo en lugar de ayudar en exceso.(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

Mantenga al humano en el bucle. Deje que los docentes autoricen o cursen los conjuntos de problemas y los prompts sobre concepciones erróneas de los que se nutre el tutor, y muestre el razonamiento del tutor para que sus decisiones sean auditables. El rastreo del conocimiento interpretable y las capas didácticas explícitas y externas hacen que la conducta del tutor LLM sea trazable y reproducible.(Interpretable Knowledge Tracing)(A didactical-driven teacher assistant for a dimensional modeling course)

Modele al estudiante, no solo el diálogo. Adjunte componentes estructurados de modelado del estudiante y rastreo del conocimiento al diálogo del LLM para que el sistema pueda adaptar la dificultad y diagnosticar concepciones erróneas a partir de evidencia en lugar de responder con fluidez pero a ciegas; la calidad depende tanto del modelo base como de cómo se adapta.(EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners)

Sin embargo, los modelos listos para usar pueden no suministrar esa evidencia: Worden et al. (2026) probaron cuatro sistemas de frontera en modo zero-shot contra la verdad de referencia del TRI en 2.548 ítems de matemáticas y encontraron que el rastreo del conocimiento apenas superaba una línea base de siempre correcto del 51,3 por ciento, alcanzando solo el 56,2 por ciento en el mejor de los casos.

Parta de herramientas abiertas cuando sea posible. Los marcos de tutoría agéntica de código abierto (por ejemplo Deeptutor) reducen la barrera para tener un tutor fundamentado en citas y calibrado por dificultad que usted puede inspeccionar y ampliar.(DeepTutor: Towards Agentic Personalized Tutoring)

Audite el modelo de componentes de conocimiento contra las curvas de aprendizaje y después rediseñe a partir de lo que muestran los datos. Un estudio de aula cruzado aplicó el proceso de rediseño basado en datos de Huang et al. a cuatro unidades de un ITS de matemáticas de secundaria elegidas por tema y no por idoneidad para el rediseño. El análisis de curvas de aprendizaje en DataShop reveló una habilidad de interpolación no modelada y casos de manejo de signos confundidos; dividir esos componentes de conocimiento y añadir práctica enfocada con omisión de pasos dominados produjo un tiempo en tarea más productivo (38,9 frente a 31,6 minutos activos, p < 0,001) y cinco habilidades adicionales dominadas en el mismo tiempo de clase, pero ninguna diferencia en la ganancia de aprendizaje. El resultado nulo se explica por la escasa dosis de práctica (por debajo del 70% de dominio AFM en ambas condiciones) y por un postest que carecía de ítems sobre la habilidad recién dividida. Dos lecciones para desarrolladores: los postests deben cubrir las habilidades recién descubiertas, y los beneficios adaptativos están acotados por la práctica que los estudiantes reciben realmente. (Evaluating a data-driven redesign process for intelligent tutoring systems)

La tutoría eficaz exige adaptación continua: Zhang et al. (2026) evalúan si los tutores LM se adaptan a la comprensión cambiante de los estudiantes en puntos de decisión anotados por docentes. Encuentran que los modelos de frontera tienden por defecto a la sobreayuda y rara vez exigen rigor, y que el prompting consciente de la evaluación mejora la adaptatividad pero no la resuelve del todo. Cada turno adicional de bloqueo redujo las probabilidades de recuperación en el turno siguiente en un 12,7%, y el interrogatorio perdió valor con la profundidad (pregunta guionizada × profundidad AOR = 0,78) mientras que abordar el error del estudiante se volvió más beneficioso (AOR = 1,14): la escalada de un tutor, y no solo su retención de respuestas, tiene que cambiar a medida que persiste un bloqueo (Ahtisham et al. (2026)). Una visión sistemática de la rama de esta adaptación impulsada por aprendizaje por refuerzo viene de Riedmann, Schaper y Lugrin (2025), cuya revisión de 89 estudios de aprendizaje por refuerzo en educación encuentra que las políticas clásicas de RL son más consistentemente eficaces que el RL profundo y que la adaptación por RL produce ganancias significativas con más frecuencia en tareas relacionadas con la guía (pistas, retroalimentación) que en la programación de contenidos, evidencia de que cómo adapta un ITS el andamiaje importa tanto como el algoritmo que usa.

• Adaptar el tipo de implicación cognitiva, no solo la intensidad. Tithi et al. (2026) mantuvieron constante la dificultad y variaron la forma del ejemplo resuelto (guiado o activo, o con errores o constructivo) mediante una regla BKT y una política de RL profundo, y ambas superaron la asignación aleatoria (postest 72,3 y 72,5 frente a 65,7).

• La sobregeneralización engañosa (An et al. 2026) muestra que las reglas de parada del dominio en los ITS (BKT, umbral del 95%) pueden terminar la práctica antes de que los estudiantes aprendan cuándo abstenerse de una habilidad: los estudiantes que sobregeneralizaron aplicaron mal las acciones en los primeros ítems de "no actuar" entre el 61,5% y el 100% de las veces, y la práctica dirigida de abstención con retroalimentación que nombra la restricción lo redujo casi a cero. La inferencia del dominio basada en la corrección es necesaria pero no suficiente para la adaptatividad de un ITS.

• ITS basados en grafos para dominios dinámicos. Un sistema de tutoría inteligente basado en grafos combina un Grafo de Espacio de Conocimiento Evolutivo con creación de contenidos mediante IA generativa y propagación bayesiana del conocimiento, que mostró las mayores ganancias de conocimiento, apoyando el aprendizaje adaptativo en currículos dinámicos.

• Tutoría con LLM integrada en reglas para dominios procedurales. Looi, Liu y Sun (2026) abordan la inconsistencia y la opacidad pedagógica de los tutores LLM en matemáticas de primaria mediante un estudio de ciencia del diseño de un sistema guiado por reglas organizado en torno a una arquitectura de tres capas: diagnóstico → selección de intención → generación de respuesta restringida. Formalizan la distinción entre andamiaje guiado por reglas (gobernado por reglas auditables y replicables) y andamiaje ad hoc (movimientos útiles difíciles de auditar o replicar). Evaluado mediante diálogos simulados basados en personas y un piloto de aula con 40 estudiantes de quinto grado, el andamiaje guiado por reglas mejoró la consistencia interaccional, redujo la entrega prematura de respuestas y el cierre temprano, y sostuvo la implicación cognitiva, mientras que el piloto de aula expuso complejidades interaccionales, entradas fragmentadas y fluctuaciones de atención que la simulación no captó. Es un plano concreto para poner barreras de protección a los tutores Grandes modelos de lenguaje (LLM) en dominios procedurales bien definidos.

• Tutoría multiagente y evaluación automatizada. Los sistemas de tutoría multiagente se están evaluando con evaluación sintética basada en trazas. ASTRA admite configuraciones de tutor solo, pareja de tutores y pareja multiagente con agentes socialmente diferenciados, lo que permite un análisis reproducible de la interacción y el equilibrio de participación en programación introductoria. En paralelo, el prompting consciente del contexto automatiza la codificación de habilidades de resolución colaborativa de problemas a partir de datos de proceso, apoyando la evaluación de la tutoría a gran escala.

• Diseñe con los valores del estudiante, no solo para su rendimiento. El trabajo de Diseño Sensible a los Valores con estudiantes y docentes de colegios comunitarios en matemáticas de nivelación muestra que las dimensiones éticas de los ITS no son complementos separables: implicar directamente a estudiantes y docentes produjo 16 características alineadas con valores que abarcan la explicabilidad (interpretación de las comprobaciones de comprensión, conexión con la ruta de aprendizaje, comunicación de la confianza del modelo), el control del estudiante (control sobre la reevaluación, la revisión, el ritmo y el nivel de asistencia de IA) y la privacidad (control de la reutilización de datos, avisos de permiso para compartir analíticas de aprendizaje y estados afectivos). El estudio enmarca una tensión de diseño persistente, la agencia del estudiante frente al andamiaje guiado por el sistema, y señala que la mayoría de las instituciones desactivan por completo la tutoría adaptativa, de modo que el diseño informado por valores también depende de cómo (y si) se despliegan realmente las capacidades de IA de los ITS.

• Agentes enseñables y la clasificación del diálogo desimplicado: Rho et al. (2026) ejecutaron un agente enseñable GPT-4-Turbo dentro de Math Nation (Álgebra y Geometría), donde los estudiantes identificaban cuál de dos soluciones resueltas contenía una concepción errónea, justificaban la corrección y enseñaban al agente, una estructura de aprendizaje enseñando con un agente mentor separado que puntuaba la calidad de la explicación. Sobre 6.933 problemas abiertos y 22.143 interacciones registradas, construyeron un clasificador de desimplicación conversacional de seis categorías (con humano en el bucle: 1.682 enunciados anotados, LLaMA 3 ajustado, F1 ponderada = 0,910, κ modelo-humano = 0,624) y lo usaron para estudiar a 246 estudiantes de secundaria. La contribución metodológica es tan importante como el hallazgo: cuando un clasificador etiqueta la mayor parte del corpus, los resultados de prevalencia deben someterse a prueba de estrés contra el subconjunto anotado por humanos, y aquí la asociación principal (la Respuesta Falsa y la Burla prediciendo un postest más alto) se evaporó exactamente bajo esa prueba.

• Un asistente socrático específico del curso produjo pequeñas ganancias de percepción. A lo largo de 4.587 encuestas de fin de curso, el estudiantado que usó Spark valoró el apoyo y la claridad algo más alto que quienes no lo usaron (delta de Cliff 0,041 y 0,079), sin diferencias en el sentimiento de los comentarios, lo que los autores leen como consistente con un papel de MKO y no como evidencia de aprendizaje (Exploring the Role of Generative AI in Enhancing Perceptions of Support and Clarity in Online Asynchronous Classes).

• La justificación del diseño como afirmación de confianza. Owston (2026) separa la práctica de recuperación, el diálogo guiado y la conversación por voz en tres modos, y sostiene que el anonimato, las respuestas restringidas a OpenStax y la verificación con Wolfram Alpha son lo que hace recomendable una herramienta de estudio gratuita; el artículo informa de ejemplos de adopción pero no de resultados de aprendizaje.

Dos estudios nuevos examinan quién controla el momento de la ayuda, y ninguno encuentra una victoria simple. En un experimento controlado con 90 estudiantes, la iniciación proactiva del tutor no produjo ninguna ganancia media frente al apoyo reactivo (crecimiento de la competencia en pseudocódigo de 0,14 frente a 0,13, p = 0,81) e interactuó negativamente con la competencia inicial (β = −0,48) (Rai et al., 2026). Una política de aprendizaje por refuerzo que decidía cuándo podían abrir un LLM los estudiantes obtuvo 5,11 en un postest sin ayuda frente a 4,03 con acceso sin restricciones (t(71) = 2,51, p = 0,014, d = 0,59) y no difirió significativamente de no tener acceso alguno (Rotter et al., 2026).

Concepciones erróneas comunes

"Un modelo más fuerte hace un tutor mejor." La eficacia depende del diseño pedagógico (el andamiaje, la calidad de la retroalimentación y el equilibrio entre autonomía y guía) y no del modelo subyacente. La demostración más clara es el ITS Apprentice Tutor College Algebra: suministrar a GPT-4 la estructura de interfaz del tutor y las estimaciones bayesianas de habilidad del rastreo del conocimiento produjo ganancias que el modelo desnudo no produjo, porque el conocimiento de cómo enseñar vivía en el sistema que rodea al modelo.

"Entrenar la pedagogía dentro de un modelo y pedírsela mediante prompt son la misma intervención." Son rutas distintas con evidencia distinta. LearnLM mezcló datos pedagógicos en el entrenamiento posterior de Gemini y fue preferido por expertos educativos frente a GPT-4o (+31%), Claude 3.5 Sonnet (+11%) y Gemini base. Las instrucciones en el prompt son una versión barata de eso; no reproducen un modelo cuya disposición se moldeó con datos pedagógicos.

"La tutoría inteligente era una tecnología anterior a los LLM que los LLM superaron." El linaje es continuo y la contribución de los ITS es justo lo que la era de los LLM sigue echando en falta. Los ITS aportaron el modelo del estudiante, las restricciones de interfaz y las estimaciones de dominio; los sistemas modernos que añaden un LLM a esos componentes superan al LLM solo, lo que convierte a la disciplina antigua en un ingrediente y no en un predecesor.

"Un tutor de IA es una sola clase de cosa." La tutoría abarca un espectro de intensidad relacional, desde la generación de pistas hasta el diálogo sostenido, y las conclusiones de diseño de un punto de ese espectro no se trasladan a otro. Por eso la pregunta de diseño pedagógico es siempre "qué clase de tutoría, haciendo qué tarea" y no "si la tutoría con IA funciona".

Conceptos conectados

• Andamiaje
• Aprendizaje adaptativo
• Diagnóstico cognitivo
• Grandes modelos de lenguaje (LLM)
• Modelado del estudiantado e instrucción adaptativa
• Seguimiento del conocimiento
• Retroalimentación
• Calidad de la retroalimentación de la IA
• Método socrático
• Aprendizaje personalizado
• Aprendizaje autorregulado
• IA generativa
• IA en la educación
• Metacognición
• Seguridad pedagógica
• Privacidad
• Política educativa sobre IA
• Salvaguardas
• K-12
• Tecnologías del habla y de la voz

Artículos conectados

• Calibrating LLM Tutor Initiation to Learner Expertise: Proactive and Reactive Support for Computational Thinking — 90 estudiantes: la iniciación proactiva no superó al apoyo reactivo (0,14 frente a 0,13) y perjudicó al estudiantado con más conocimiento previo (Rai et al., 2026)

• Access Timing as Scaffolding: A Reinforcement Learning Approach to GenAI in Education — 105 estudiantes: el acceso cronometrado al LLM obtuvo 5,11 frente a 4,03 con acceso sin restricciones en un postest sin ayuda (Rotter et al., 2026)

• Exploring the Role of Generative AI in Enhancing Perceptions of Support and Clarity in Online Asynchronous Classes — El estudiantado que usó Spark declaró un apoyo y una claridad ligeramente mayores en 4.587 encuestas, un efecto pequeño (West et al. 2026)

• AI Tutor Pro as a Higher Education Study Tool: Pedagogy, Privacy, and Trust — Los tres modos de estudio de AI Tutor Pro, su modelo de anonimato y sus respuestas restringidas a fuentes (Owston 2026)

• Do intelligent tutoring systems benefit K-12 students? A meta-analysis and evaluation of heterogeneity of treatment effects in the U.S. — Metaanálisis estadounidense de K-12: 18 experimentos, g = 0,271, y qué lo modera (Leite et al. 2025)

• MUSE: Revealing Responsiveness Gaps of LLM Tutors on Multiple-Solution Programming Problems — MUSE: revelar las brechas de capacidad de respuesta de los tutores LLM en problemas de programación con múltiples soluciones (Cen y Sonkar 2026)

• Measuring the impact of AI tutoring, from near transfer to standardised tests: An expanded RCT in UK mathematics classrooms — ECA ampliado en el Reino Unido: ganancias de transferencia cercana pero ninguna ventaja en pruebas estandarizadas a las 10 semanas (LearnLM Team, Google y Eedi 2026)

• Supporting or Replacing Students' Reasoning? Cognitive Offloading in AI-Assisted Proof Learning — ¿Apoyar o sustituir el razonamiento de los estudiantes? La descarga cognitiva en el aprendizaje de demostraciones asistido por IA (Chen et al. 2026)

• TutorCaseBench: A Case-Grounded Benchmark for Evaluating LLM Tutors in Supporting Students with Challenging Behaviors — TutorCaseBench: evaluar tutores LLM con estudiantes de conducta desafiante (Park et al. 2026)

• Exploring Visual Access and Proactive AI Tutoring for Handwritten Mathematics — Una cámara sobre el trabajo manuscrito: acceso visual y reparación proactiva (Kotalwar et al. 2026)

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Conductas conversacionales desimplicadas y aprendizaje en diálogos entre estudiante e IA (Rho et al. 2026)

• AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting — La tutoría con IA supera al aprendizaje activo en clase: un ECA que introduce un diseño novedoso basado en investigación en un contexto educativo auténtico (Kestin et al. 2025)

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluación de un sistema multiagente de grandes modelos de lenguaje orientado al andamiaje para el entrenamiento en entrevista clínica

• Value-sensitive design in action: Designing student-centered intelligent tutoring systems with community college students and instructors — Diseño sensible a los valores de un ITS centrado en el estudiante en matemáticas de nivelación de colegios comunitarios

• A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant — Micropersonalización mediante ingeniería de prompts de un asistente docente de IA (Basu, Kakar y Goel 2026)

• Deceptive overgeneralization: When adaptive learning enables systematic misapplication — Sobregeneralización engañosa: el dominio adaptativo puede terminar la práctica antes de que los estudiantes sepan cuándo abstenerse de una acción (An, McLaren y Stamper 2026)

• AI Tutoring is Not a Monolith: What We Actually Know — La tutoría con IA no es un monolito: lo que realmente sabemos (informe de Stanford SCALE/NSSA)

• Impact of real-time AI feedback on the technical skill acquisition of STEM students in Colleges of Education in Kwara State — Retroalimentación de IA en tiempo real para la adquisición de habilidades técnicas en colegios de educación del estado de Kwara: un tutor localizado planteado como subsidio de personal

• Control vs. Agency: Exploring the History of AI in Education — Traza el linaje de los ITS desde los sistemas expertos de los años sesenta y setenta hasta los tutores cognitivos

• Making AI tutoring productive: Evidence from a mastery-based math practice experiment — Hacer productiva la tutoría con IA: práctica de matemáticas basada en el dominio

• One click away: AI tutoring with Khanmigo in a two-year school experiment — A un clic: Khanmigo en un experimento escolar de dos años

• Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most — Evaluación comparativa de agentes de retroalimentación LLM con verdad de referencia de grafos de conocimiento (Yasir et al. 2026)

• Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory — Tutores de IA diseñados por el docente en la enseñanza universitaria de lenguas extranjeras (Teoría de la Autodeterminación)

• Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact — Medir si los tutores LLM enseñan o resuelven

• Methodologies for improving the quality of AI tutoring in K-12 education — Metodologías para mejorar la calidad de la tutoría con IA en la educación K-12

• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Cuando la ayuda no ayuda: evaluar tutores de IA para el esfuerzo productivo

• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms with intuitionistic fuzzy logic and forgetting — Tutoría inteligente basada en grafos para dominios dinámicos (2026)

• Adaptive scaffolding for cognitive engagement in an intelligent tutoring system — Andamiaje ICAP adaptativo en un ITS (BKT frente a DRL)

• The Evidence Base on AI in K-12: A November 2026 Review — IA específica para tutoría frente a IA de propósito general: evidencia sobre resultados de aprendizaje duraderos

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — SafeTutors y la seguridad pedagógica

• MathBuddy: Affective Math Tutoring — Tutoría matemática afectiva MathBuddy

• Virtual tutoring with computer-assisted learning: An experiment in take-up and learning — Tutoría virtual con aprendizaje asistido por ordenador: un experimento sobre adopción y aprendizaje

• LearnLM: Improving Gemini for learning — LearnLM: mejorar Gemini para el aprendizaje

• TeachLM: Post-training LLMs for education using authentic learning data — TeachLM: entrenamiento posterior de LLM con datos de aprendizaje auténticos

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — Rastreo del conocimiento basado en resultados con mapeo de afinidad

• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• Reinforcement Learning in Education: A Systematic Literature Review

• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class

• Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — Evaluar la tutoría con IA al ritmo de la innovación: ensayos microrrandomizados dirigidos por profesionales de una plataforma de tutoría con IA en ciencias de GCSE

• Misconception Acquisition Dynamics in Large Language Models — modelos tutores que adquieren muchas concepciones erróneas de estudiantes sin perder la resolución correcta

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: la tutoría con IA y la humana producen ganancias de aprendizaje equivalentes en el GRE

• Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming — ¿Barreras o bloqueos? Efectos del estilo pedagógico y la conciencia de contexto en asistentes docentes de IA para programación

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — Un ECA multidisciplinar de un tutor de IA fundamentado en el curso e incrustado en el LMS: notas finales 0,37 DE más bajas en la muestra de coincidencia exacta, participación en la plataforma 0,90 DE más baja, sin integración instruccional (Liu et al. 2026)

• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Variación en cómo los tutores de IA guiados resuelven los bloqueos de los estudiantes, y por qué la escalada debe cambiar con la profundidad

• Evaluating a data-driven redesign process for intelligent tutoring systems — Evaluar un proceso de rediseño basado en datos para sistemas de tutoría inteligente: más tiempo en tarea productivo y más habilidades practicadas, pero ninguna diferencia en la ganancia de aprendizaje cuando la dosis de práctica es escasa (Lyu et al. 2026)

• RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning — RegulaTutor: un marco informado por la teoría para el aprendizaje personalizado a largo plazo (Li et al. 2026)

• Teacher-mediated multimodal platform and math achievement: Evidence from Goblins' yearlong district implementation — Despliegue distrital completo de matemáticas con IA mediado por docentes: ~51% de fidelidad de implicación y un gradiente de dosis de 0,11 DE (2 problemas por semana) a 0,31 DE (20 o más por semana); asociaciones exploratorias mayores para estudiantes con IEP, EL e hispanos

• Do LLM Tutors Actually Teach? A Process-Centered Synthesis of the Tutoring Loop — ¿Enseñan realmente los tutores LLM? Una síntesis centrada en procesos del bucle de tutoría

• FoundationalASSIST: An Educational Dataset for Foundational Knowledge Tracing and Pedagogical Grounding of LLMs — Sin embargo, los modelos listos para usar pueden no suministrar esa evidencia: Worden et al

• Multi-sourced AI Tutor for Non-Native English Speaker Students — Tutor de IA de múltiples fuentes para estudiantes no nativos de inglés

• The New Kid on the Tutoring Block: Definitions, Developments, and Future Directions for Hybrid Human-AI Tutoring — Cuatro arquitecturas de tutoría híbrida, el «triángulo de hierro» de eficacia, coste y alcance, y una agenda de investigación micro/meso/macro (Wu et al. 2026)