K-12

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

K-12: el uso de la inteligencia artificial en la educación primaria y secundaria, que abarca los currículos de alfabetización en IA, la tutoría con IA, el apoyo al profesorado y consideraciones de seguridad propias de quienes aprenden a edades más tempranas. Una revisión sistemática guiada por PRISMA de 2026 sobre 197 estudios (2016-2024) organiza el campo en torno a cuatro ámbitos de oportunidad, la personalización, la motivación, la evaluación y las prácticas de enseñanza innovadoras, y a la vez señala lagunas persistentes en la formación del profesorado, en las directrices éticas ministeriales y en el equilibrio entre disciplinas.

Preguntas para reflexionar

• El uso de la IA en K-12 exige protecciones de seguridad más sólidas que la educación superior porque quienes aprenden a edades más tempranas son quienes menos capacidad tienen de detectar una IA insegura o manipuladora. ¿Cómo cambia eso lo que debe significar «seguro» en el caso de las herramientas que usan los niños y las niñas?
• Las revisiones sistemáticas encuentran que la base de evidencia sobre K-12 se concentra de forma abrumadora en STEM, y deja las artes y las humanidades en gran medida sin estudiar. ¿Qué podría revelar una base de evidencia sobre la IA en K-12 equilibrada entre disciplinas que los estudios centrados solo en STEM pasan por alto?
• La investigación encuentra que el profesorado sobreestima sistemáticamente su competencia en IA, una brecha de alrededor del 40% entre el autoinforme y el desempeño, y aun así una formación breve produce una integración sustancialmente mayor. ¿Qué podría significar esa brecha para la forma en que los centros preparan al profesorado?
• La mayoría de las herramientas de IA se centran en las perspectivas dominantes, y sin embargo el 78% del profesorado de un estudio encontró útil la IA para la pedagogía culturalmente relevante. ¿Cómo se puede orientar una herramienta que adopta por defecto puntos de vista dominantes hacia ampliar la representación en lugar de estrecharla?
• La evidencia sugiere que externalizar el trabajo a la IA puede perjudicar el aprendizaje, sobre todo en el estudiantado de más edad, mientras que el estudiantado más joven podría verse menos afectado. ¿Por qué podría diferir por edad el coste en aprendizaje del uso de la IA, y qué implica eso para el diseño?
• La revisión sobre K-12 identifica ocho lagunas de investigación poco exploradas, desde la falta de ejemplos concretos de unidades didácticas hasta el escaso uso de la robótica, los dispositivos vestibles y la comunicación móvil. ¿Cuál de estas lagunas limita más lo que los centros pueden hacer hoy de verdad?
• Las políticas institucionales sobre IA carecen a menudo de orientaciones para la implementación. ¿Qué haría falta para convertir un documento de política sobre IA en K-12 en prácticas de aula concretas y en formación del profesorado, y por qué fracasa tan a menudo esa traducción?

Introducción

El panorama de la evidencia

Una revisión sistemática guiada por PRISMA de 2026 (Marzano, 197 estudios, 2016-2024) ancla ahora la base de evidencia sobre K-12 y complementa síntesis amplias anteriores como la revisión rápida sobre la IA generativa y quienes aprenden en PreK-12 y la base de evidencia agregada sobre IA en K-12. Su estructura de cuatro preguntas organiza el campo en cuatro ámbitos de oportunidad: personalizar el aprendizaje, motivar al estudiantado, mejorar la evaluación y habilitar una enseñanza innovadora e inmersiva, con ChatGPT como caso emblemático estudiado en una gran parte de los artículos incluidos.

El hallazgo central de la revisión es una asimetría marcada: la promesa de la IA generativa en los centros es amplia y está bien documentada, pero la evidencia de la práctica diaria de aula es escasa, se concentra en STEM y está sesgada por la falta de ejemplos concretos de unidades didácticas y de formación práctica del profesorado. Esta brecha entre la aspiración y la implementación es el rasgo que define la investigación sobre IA generativa en K-12.

Una síntesis desde el lado del profesorado añade la capa que las revisiones centradas en las herramientas dejan fuera. Una revisión PRISMA de 29 estudios sobre la intervención del profesorado en la enseñanza con IA en K-12 encuentra que la salida de la IA (alertas, cuadros de mando, puntuaciones automatizadas, retroalimentación de chatbots) se convierte en enseñanza solo a través de un ciclo de monitorización, juicio, intervención y orquestación, y que los beneficios reportados para el rendimiento, la participación y la confianza del estudiantado dependen de la interpretabilidad de la información, del momento de la intervención, del nivel al que se dirige, de la viabilidad de implementación para el profesorado y de la autonomía del estudiantado. Su corpus se concentra en los mismos lugares que la base de evidencia más amplia sobre K-12: la matemáticas y las asignaturas de ciencias y STEM, los cursos de secundaria y bachillerato, y los contextos de Estados Unidos.

Consideraciones propias de K-12

• Seguridad y barreras de protección: el uso de la IA en K-12 exige protecciones de Seguridad pedagógica más sólidas. EduZone, EduGuard y la investigación sobre los daños de los tutores abordan específicamente la interacción con la IA segura para la infancia.
• Currículos de alfabetización en IA: los módulos de alfabetización en IA para K-12 desarrollan una comprensión de la IA adecuada a la edad, mientras que el marco de vibe coding capacita al profesorado para crear sus propias herramientas de IA. Un estudio cuasiexperimental de un programa de alfabetización mediática crítica de 18 horas y modelo 5E para estudiantes turcos de cuarto grado (Demir y Akar 2026) integró la IA generativa (ChatGPT, Grammarly, Canva AI, Padlet) fase por fase como un agente pedagógico alineado con los currículos turcos de Lengua y Ciencias Sociales, y produjo grandes mejoras en lectura de medios (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17, todas con p < 0,01), con tamaños del efecto entre grupos de d de Cohen = 1,12 a 1,31, y un crecimiento cualitativo en seis dominios de la alfabetización mediática crítica (autoprotección digital y privacidad de los datos, uso de los medios con propósito y responsable, comunicación segura y conciencia de los límites, evaluación crítica y conciencia de la desinformación, conciencia de los riesgos en línea y ética de los medios y ciudadanía digital), evidencia de que los currículos de alfabetización en IA adecuados a la edad e integrados en una disciplina pueden producir mejoras medibles en la lectura crítica de medios en los grados de primaria.
• Tutoría al nivel del curso: los acompañantes personalizados para K-12 y la investigación sobre la trampa de la respuesta correcta examinan la eficacia de la tutoría para el estudiantado más joven.
• La restricción de la tutoría con IA es la implicación, no la capacidad. En 18 escuelas secundarias de Tennessee, la asignación a Khanmigo elevó el rendimiento en matemáticas ~0,06–0,08 SD por curso escolar —ganancias parecidas a la práctica con Khan Academy sin IA— porque el estudiante mediano envió un mensaje al tutor en solo el 17% de las sesiones de error (Oreopoulos y Low, 2026).
• Adecuación evolutiva: la investigación sobre seguridad infantil y las consideraciones sobre Educación especial abordan las necesidades de poblaciones diversas de K-12.
• IA conversacional adaptada a la edad: Vahedian Movahed y Martin (2025) desplegaron AMA, un chatbot acotado por tema con prompts adaptados según la edad, con 63 estudiantes (grados 1 y 6-8). Los niños y las niñas mostraron una apertura amplia y una confianza alta en el chatbot como fuente de información y pusieron a prueba activamente su credibilidad con preguntas de respuesta conocida, mientras que las lagunas en la conciencia de seguridad digital (algunos estaban dispuestos a confiar secretos) apuntan a un Andamiaje sensible a la edad y a una instrucción explícita sobre la Privacidad.

Los efectos del conocimiento del profesorado

• Efectos del conocimiento del profesorado. Un estudio de niveles cruzados (46 docentes, 2.832 estudiantes de secundaria) encontró que el conocimiento pedagógico de la IA, y no el conocimiento técnico, impulsaba las percepciones del estudiantado sobre la IA para el bien social y su intención de aprender IA, lo que refuerza un enfoque de «pedagogía primero, tecnología después» en la preparación del profesorado de K-12.
• La formación continua como restricción vinculante. La revisión de Marzano identifica la formación del profesorado continua y específica en TIC como el desafío de integración más persistente, y debe cubrir las dimensiones técnica, pedagógica y ética mientras se adapta a herramientas que evolucionan con rapidez. La formación inicial y la continua deberían ser continuas, colaborativas, basadas en juegos, centradas en la transparencia y fundamentadas en el desarrollo profesional para herramientas avanzadas como ChatGPT. Esto se extiende a la IA de apoyo a la colaboración en el aula: el estudio de viabilidad de Community Builder (CoBi) en aulas de secundaria encontró que un uso docente de alta integridad dependía de un aprendizaje profesional sustancial, y que el profesorado menos preparado tendía a tratar la herramienta como un monitor de desempeño o a derivar hacia una discusión general sobre IA en lugar de centrarse en la colaboración prevista.
• Alfabetización en aprendizaje automático sin ordenador y con contenido familiar. En un programa de desarrollo profesional en línea, Sung y Gunpinar (2026) hicieron que diez docentes de K-12 construyeran con lápiz y papel una matriz visible de características sí/no para clasificar formas bidimensionales, de modo que el algoritmo pudiera inspeccionarse en lugar de aceptarse como una caja negra, y la autoeficacia hacia el uso de la IA subió de 3,13 a 3,71.
• La brecha de competencia. La investigación muestra que el profesorado sobreestima sistemáticamente su competencia en IA, una brecha de alrededor del 40% entre el autoinforme y el desempeño, y aun así intervenciones de formación breves (por ejemplo, talleres de prompts de 4 horas) pueden producir una integración de la IA en el aula sustancialmente mayor. Esto hace de la preparación docente y de la Formación docente un elemento central para una integración exitosa de la IA en K-12.

Cuatro ámbitos de oportunidad

La revisión sistemática consolida lo que la IA generativa puede hacer en los centros en cuatro ámbitos recurrentes:

• Aprendizaje personalizado. La IA generativa adapta las experiencias de aprendizaje a las necesidades, el ritmo y la preparación de cada persona, el beneficio emblemático documentado en sistemas de acompañamiento y plataformas adaptativas.
• Legibilidad y alineación curricular. Bird (2026) combina la clasificación de texto con transformers y características de lingüística computacional para clasificar literatura inglesa por Key Stage del Reino Unido (F1 0,996), empaquetado en una aplicación web sin código para que el profesorado pueda alinear los materiales de lectura con los niveles de quienes aprenden, un complemento concreto y disciplinar (inglés y literatura) a una base de evidencia sobre K-12 muy cargada de STEM.
• Motivación e implicación. Herramientas como ChatGPT hacen el aprendizaje más atractivo para el estudiantado más joven, lo que apoya la implicación y la motivación, aunque la revisión también advierte de que esto puede derivar en una dependencia excesiva y tecnológica.

Un metaanálisis de 42 estudios matiza eso: el efecto motivacional fue menor en contextos escolares (secundaria g = 0,360, primaria g = 0,311) frente a g = 0,886 en la universidad, aunque esos subgrupos se apoyan en solo 9 y 4 estudios (Fang et al. (2026)).

• Evaluación. La IA generativa mejora los métodos de evaluación, desde la retroalimentación formativa con Retroalimentación hasta la puntuación automatizada, aunque el sesgo en la retroalimentación automatizada sigue siendo una preocupación viva. Razavi y Powers (2026) lo extienden a la calibración de ítems en K-5: en 5.170 ítems de matemáticas y lectura, las valoraciones de dificultad de GPT-4o en zero-shot correlacionaron de moderada a fuertemente con las dificultades calibradas con Rasch (r = 0,83 en matemáticas, r = 0,81 en lectura), pero fueron desiguales entre grados y no mejores que un regresor ficticio con la media del grado para los grados K y 1, una limitación de restricción del rango que importa para la evaluación en los primeros grados. Un enfoque basado en características (características extraídas por Grandes modelos de lenguaje (LLM) e introducidas en modelos basados en árboles) alcanzó correlaciones de hasta r = 0,87, con las ganancias más pronunciadas en los ítems de los primeros grados.
• Una cuestión relacionada es qué modelo ejecuta un centro siquiera: en conjuntos alineados con NGSS de secundaria (1.078 ítems) y de bachillerato (1.150 ítems), nueve modelos de pesos abiertos de seis laboratorios puntuaron en su mayoría por encima del 90% y el tamaño del modelo no predijo la precisión —OSS-20b y Nemotron 3 Nano 30b a3 igualaron a modelos varias veces mayores—, mientras que la dificultad de los ítems era alta y la discriminación baja, lo que deja a los autores preguntándose si el Punto de referencia es demasiado fácil (Schroeder et al. 2026).
• Prácticas de enseñanza innovadoras. Los enfoques inmersivos, basados en juegos y colaborativos hacen el aprendizaje más atractivo, y los modelos construccionistas y basados en proyectos muestran una promesa particular. Un ejemplo concreto a escala de aula es Community Builder (CoBi), un sistema de apoyo a la colaboración con IA desplegado en seis aulas de secundaria que usó el reconocimiento de voz para visualizar el discurso «edificante» de los grupos pequeños, evidencia de que la IA de voz en tiempo real puede funcionar de forma viable en entornos ruidosos de K-12 para apoyar la dimensión relacional del aprendizaje.

El imperativo de la relevancia cultural

El diseño curricular apoyado por LLM se muestra prometedor para diversificar los materiales: en un estudio, el 78% del profesorado encontró útiles las sugerencias de la IA para la pedagogía culturalmente relevante. Sin embargo, la mayoría de las herramientas de IA se centran en perspectivas dominantes, lo que exige un diseño centrado en la equidad deliberado para evitar ampliar las brechas de oportunidad.

El matiz es que la representación no es transformación: en un espacio de creación con IA generativa solo para chicas, el agrupamiento exclusivamente femenino, las facilitadoras y el marketing feminizado actuaron solo en el plano simbólico, mientras persistían las barreras de coste y las indicaciones solo en inglés, y solo dos de las 44 imágenes generadas reflejaban el tema de cambio climático del propio taller (Liu et al. (2026)).

La traducción de la política a la práctica

Las políticas institucionales de IA generativa carecen en gran medida de orientaciones para la implementación. La revisión sistemática subraya que las directrices ministeriales sobre ética y privacidad siguen poco desarrolladas, lo que se hace eco del problema de traducción de la política a la práctica: los modelos exitosos transforman los documentos de política en módulos de formación docente accionables, tendiendo un puente entre el «qué» (la política) y el «cómo» (la instrucción sobre prompts).

Escala y equidad

El despliegue de la IA en K-12 opera a escala social: millones de estudiantes, educación obligatoria e implicaciones significativas de equidad. La investigación sobre equidad examina si la IA amplía o reduce las brechas de oportunidad, incluido el acceso y el apoyo inclusivo al estudiantado con discapacidad, una de las ocho áreas poco estudiadas de la revisión.

Elevar el suelo no es igualar el terreno de juego: a lo largo de un año de instrucción escolar en IA, 752 estudiantes de secundaria baja de Hong Kong ganaron confianza, motivación y conciencia ética, con quienes aprendían más tarde y con baja agencia acercándose a la paridad, mientras las brechas objetivas de alfabetización en IA persistían y el aprendizaje autoiniciado predecía las mayores ganancias cognitivas (Liang et al. (2026)).

Ocho lagunas de investigación

Una contribución innovadora de la revisión de Marzano es su enumeración explícita de ocho lagunas de investigación poco exploradas que configuran una agenda de investigación sobre IA generativa en K-12: (1) la falta de ejemplos concretos del uso de la IA en la enseñanza para construir unidades didácticas; (2) la necesidad de una formación docente práctica y diaria basada en una aplicación constante de la IA; (3) las habilidades en aprendizaje automático y un equilibrio entre disciplinas, con STEM sobrerrepresentado; (4) la falta de estudios y experimentos en Europa; (5) la necesidad de definir el papel docente y de crear marcos pedagógicos específicos como Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK) o AI4K12; (6) la inclusividad y el apoyo al estudiantado con discapacidad; (7) una conexión con las teorías pedagógicas y las metodologías innovadoras; y (8) las aplicaciones de tecnologías emergentes como los dispositivos vestibles y el control de robots y la comunicación móvil.

Conexiones

K-12 se conecta con Seguridad pedagógica (protección de la infancia), Alfabetización en IA (competencia del estudiantado), La docencia (transformación del profesorado de K-12), Equidad (brechas de acceso) y Educación especial (necesidades diversas de quienes aprenden). Su base de evidencia de revisiones sistemáticas se vincula con Metaanálisis y revisión sistemática como método, y su hallazgo sobre el desequilibrio entre disciplinas conecta con Educación STEM, Educación en humanidades y ciencias sociales y Educación infantil y primaria.

Implicaciones para el profesorado de K-12

• Priorice las barreras de protección seguras para la infancia. El uso de la IA en K-12 exige protecciones de seguridad más sólidas: use herramientas creadas y verificadas específicamente para la infancia (EduZone, EduGuard) y esté atento a los daños de los tutores sin protección (investigación sobre los daños de los tutores).

• Construya la alfabetización en IA de forma adecuada a la edad. Use currículos y marcos diseñados para quienes aprenden a edades más tempranas (módulos de alfabetización en IA para K-12) y no dé por sentado que el estudiantado llega con conocimientos sobre el uso responsable.

• Cierre la brecha de competencia del profesorado. El profesorado sobreestima sistemáticamente su competencia en IA (una brecha de alrededor del 40% entre el autoinforme y el desempeño), pero una formación breve (por ejemplo, talleres de prompts de 4 horas) produce una integración de la IA en el aula sustancialmente mayor: invierta en su propia preparación (Competencia en IA del profesorado, Formación docente).

• Mantenga la formación continua y anclada en la práctica. La recomendación central de la revisión sistemática es que la formación del profesorado no puede ser puntual: debe ser continua, colaborativa y basada en una aplicación diaria y constante de la IA, no en teoría abstracta.

• Diversifique los materiales de forma deliberada. La IA es fuerte generando materiales culturalmente relevantes (el 78% del profesorado encuentra útiles las sugerencias), pero las herramientas adoptan por defecto perspectivas dominantes: use la IA activamente para ampliar, y no estrechar, la representación, y protéjase contra las brechas de oportunidad.

• Vigile el riesgo de coste en aprendizaje. La evidencia muestra que externalizar el trabajo a la IA puede perjudicar el aprendizaje, sobre todo en el estudiantado de más edad (rendición cognitiva, coste de externalizar los deberes): diseñe tareas que mantengan el trabajo cognitivo en el bucle y evalúe una comprensión duradera, no solo la finalización.

• Distinga una ralentización productiva de una racha. Un experimento de campo aleatorizado con más de 6.000 estudiantes de secundaria encontró que el apoyo de IA ralentizaba el progreso pero aumentaba la corrección en el siguiente intento tras los errores, mientras que una regla de tres aciertos seguidos elevó el dominio de la plataforma en unos 28,7 puntos porcentuales sin mejorar una prueba pospuesta una semana después (Oreopoulos et al. (2026)).

• Un turno desconectado no es un estado estable. Rho et al. (2026) codificaron 5.522 enunciados de matemáticas de secundaria y hallaron que el grupo de mayor rendimiento se recuperaba de la burla o de las respuestas incorrectas, mientras que la retención era la única conducta de desimplicación que persistía en lugar de resolverse.

• Las indicaciones modeladas pueden convertirse en plantillas que el estudiantado copia. A lo largo de dos módulos STEAM de 120 minutos, los registros de IA generativa de doce estudiantes de octavo grado estuvieron dominados por solicitudes de información (303 de 310) y la copia exacta de la instrucción del docente fue su postura más frecuente (47,1%), con la evaluación y la reflexión en el 0,5% del contenido codificado y la verificación de resultados nunca codificada (Zhao y Li (2026)).

• Diseñe herramientas docentes para el juicio, no para el volumen. Más información de la IA no es mejor: las alertas en tiempo real ampliaron la conciencia del profesorado, pero en algunos estudios sobrecargaron su atención o desviaron el foco de su propia observación, y un solo docente no puede actuar sobre más objetivos de intervención de los que puede alcanzar físicamente (Lee 2026). Las herramientas que priorizan y explican qué merece la pena atender, y que dejan al profesorado aceptar, revisar, aplazar o rechazar las recomendaciones, encajan mejor con el trabajo que los cuadros de mando que muestran todo, y las condiciones estructurales (tiempo de revisión, tamaño de la clase, personal de apoyo) son parte de la intervención, no logística de fondo.

• Amplíe más allá de STEM. La base de evidencia se inclina fuertemente hacia STEM; el profesorado y el personal investigador de las artes y las humanidades tienen una oportunidad enorme de generar la evidencia equilibrada entre disciplinas que le falta al campo.

• Traduzca la política a la práctica. Las políticas institucionales de IA generativa carecen a menudo de orientaciones para la implementación; convierta la política en prácticas de aula y formación concretas y accionables (de la política a la práctica).

Adopción y escepticismo ante la IA en K-12

• A medida que la IA entra en los centros, al personal afectado se le insta cada vez más a consultar la IA conversacional sobre su adopción. Una auditoría algorítmica de diez LLM de frontera sondeó a una persona escéptica ante la IA en un contexto rural de K-12 y encontró que ocho de los diez modelos reconocían las preocupaciones antes de reorientar hacia marcos de implicación con la IA, un resultado de diseño dependiente del modelo y no una propiedad inevitable de los LLM. La confianza, el escepticismo y la supervisión humana son, por tanto, centrales en cómo el personal rural y de otros contextos de K-12 se encuentra con la IA.

La progresión por tramos de grado se afirma en estos marcos y no se pone a prueba en ninguno de ellos. Kharbach et al. (2026) buscaron en 339 registros e incluyeron 50 marcos de alfabetización en IA para K-12, y no encontraron ningún estudio que siguiera al mismo estudiantado a lo largo de más de un tramo de grado. La invarianza de medición de Sun y Chan entre los cursos 10 y 12 respalda una puntuación consistente y no un crecimiento evolutivo. Un plan de K-12 puede secuenciar contenidos entre cursos, pero esa secuencia es una propuesta de diseño y no una afirmación respaldada por evidencia.

Concepciones erróneas

• «El profesorado conoce su propia competencia en IA.» El profesorado sobreestima sistemáticamente su competencia en IA: una distancia de alrededor del 40% entre lo que afirma el autoinforme y lo que muestra la medición. La autoevaluación no es un instrumento utilizable de análisis de necesidades con este nivel de divergencia.
• «Las herramientas de IA son culturalmente neutras en la práctica.» La mayoría de las herramientas de IA centran perspectivas dominantes y, aun así, el 78% del profesorado de un estudio las encontró útiles para la pedagogía culturalmente relevante. El profesorado usa estas herramientas para un propósito para el que no se construyeron bien.
• «La base de evidencia sobre K-12 es una sola literatura.» Una revisión sistemática guiada por PRISMA de 197 estudios (2016-2024) organiza el campo en torno a cuatro dominios de oportunidad, lo que significa que los hallazgos de un dominio no son evidencia en otro.
• El estudiantado de la enseñanza obligatoria adquiere práctica con la IA antes que currículo sobre IA. Bergdahl (2026) estudió un centro sueco que llevaba a cabo un piloto de «IA en el horario» para estudiantado de séptimo grado, en un país cuyos currículos nacionales incluyen formación en IA solo desde la educación secundaria superior. La instrucción abarcó ética, prompting, entrena tu propio modelo, sistemas de recomendación y recogida de datos a lo largo de tres fases, y aun así dejó la privacidad de los datos (Mdn = 1) y la manipulación algorítmica (Mdn = 2) como los registros más débiles, frente a la gobernanza con Mdn = 4. Donde el currículo calla, un piloto puede aportar instrucción; no aporta por ello el resultado.

Conceptos conectados

• Patrones pedagógicos — El nivel de los estudios de fallo productivo, cambio conceptual y evaluación oral
• Educación infantil y primaria — Educación infantil y primaria con IA
• Seguridad pedagógica — Barreras de protección seguras para la infancia en las interacciones con IA
• Alfabetización en IA — Comprensión de la IA adecuada a la edad y uso responsable
• La docencia — Transformación docente e integración de la IA en las aulas de K-12
• Equidad — Si la IA amplía o reduce las brechas de oportunidad en K-12
• Educación especial — Necesidades diversas de quienes aprenden en el uso de la IA en K-12
• Andamiaje — Estructuras de apoyo para el aprendizaje con IA en K-12
• Aprendizaje personalizado — Instrucción adaptada que habilita la IA a escala de centro
• Educación STEM — Alfabetización en IA y herramientas en ciencias, tecnología, ingeniería y matemáticas de K-12
• IA generativa — La tecnología central detrás de las herramientas y los currículos de IA en K-12
• Formación docente — Formación y capacitación del profesorado para la IA en el aula
• Aprendizaje sociocultural — Dimensiones sociales y culturales del aprendizaje con IA en K-12
• Metacognición — Pensar sobre el pensamiento; clave para un aprendizaje duradero en la era de la IA
• Desarrollo educativo — Desarrollo profesional continuo del profesorado
• Diseño de aprendizaje — Diseñar clases y materiales con apoyo de IA
• Aprendizaje activo — Mantener el trabajo cognitivo en el bucle al usar IA
• Pensamiento computacional — Habilidad fundacional en K-12 y objetivo de los currículos de IA
• Tutoría inteligente — Sistemas de tutoría con IA para el estudiantado más joven
• Metaanálisis y revisión sistemática — El método de revisión sistemática detrás de la base de evidencia sobre K-12
• Educación en humanidades y ciencias sociales — La contraparte disciplinar de una evidencia sobre IA en K-12 cargada de STEM
• Madres, padres y familias
• Rendición cognitiva

Artículos conectados

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Revisión sistemática de la IA generativa en la enseñanza y el aprendizaje de K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student learning in artificial intelligence (AI) education — Efectos de niveles cruzados del conocimiento del profesorado sobre IA (TAIK, TPAIK) en el aprendizaje del estudiantado en la educación secundaria con IA (Shen et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — La educación escolar en IA reduce las brechas de preparación psicológica, pero no las cognitivas

• AI-supported problem-based learning for enhancing computational thinking — Aprendizaje basado en proyectos asistido por IA y pensamiento computacional

• 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 de distancia: Khanmigo en un experimento escolar de dos años

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: plataforma de interacción con LLM segura para la infancia en K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: barreras de protección para un tutor LLM seguro basado en RAG

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Investigación sobre los daños de los tutores de IA sin protección para la infancia

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Módulos de alfabetización en IA para K-12 sobre prompts

• The Evidence Base on AI in K-12: A November 2026 Review — La base de evidencia sobre IA en K-12 agregada a escala

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — Acompañantes personalizados de IA para K-12

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Marco de vibe coding que capacita al profesorado para construir herramientas de IA

• Young people, learning, and generative AI: A rapid literature review and implications for PreK-12 education — Revisión rápida: la IA generativa y quienes aprenden en PreK-12 (271 artículos)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — La rendición cognitiva es más fuerte en bachillerato y ausente en quinto grado

• The generative AI learning penalty: Evidence from Chinese secondary education — El coste en aprendizaje de la IA generativa: externalizar los deberes perjudica el aprendizaje

• Marked pedagogies: Examining linguistic biases in personalized automated writing feedback — Pedagogías marcadas: el sesgo en la retroalimentación automatizada de la escritura en secundaria

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: marco construccionista para la construcción de artefactos

• Beyond "painting in pink": A critical case study of all-girls generative AI workshops in a European makerspace and implications for gender equity in computing — Talleres de IA generativa en espacios maker de solo chicas y equidad de género en informática

• Transforming clicks into critical thinking: An AI-based media literacy program for children — Programa de alfabetización mediática crítica basado en IA para la infancia

• Estimating item difficulty using large language models and tree-based machine learning algorithms — Estimar la dificultad de los ítems con LLM y aprendizaje automático basado en árboles

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — La intervención del profesorado en la enseñanza con IA en K-12: una revisión sistemática

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — Un punto de referencia para la comprensión de los LLM de temas de ciencias de secundaria y bachillerato

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Metaanálisis del efecto de la IA generativa en la motivación, menor en contextos escolares (secundaria g = 0,360, primaria g = 0,311)

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Turnos conversacionales desconectados en matemáticas de secundaria: la retención persiste donde la burla se recupera

• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — Las indicaciones modeladas pueden convertirse en plantillas que el estudiantado copia

• Bringing Artificial Intelligence Literacy Into Online Education: Machine-Learning Integration Through Geometry in K–12 Teacher Professional Development — Alfabetización en aprendizaje automático sin ordenador y con contenido familiar

• K-12 AI literacy frameworks after generative AI: A scoping review — Ningún marco de K-12 sigue al mismo estudiantado entre tramos de grado; la progresión se propone, no se prueba