Conceptos
Teorías del aprendizaje
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Teorías del aprendizaje — la familia de marcos que explican cómo ocurre el aprendizaje, y el concepto general de las ideas relacionadas con la teoría. En la IA en la educación, las teorías del aprendizaje determinan tanto cómo se diseñan los sistemas de IA (la pedagogía que encarnan) como la forma en que el campo interpreta si la IA «funciona»: una misma herramienta puede ser un andamiaje bajo supuestos constructivistas, un motor de refuerzo bajo el conductismo o un riesgo de carga cognitiva bajo la Teoría de la Carga Cognitiva.
Preguntas para reflexionar
- Piense en un tutor de IA o un sistema adaptativo que haya usado o visto. ¿Qué supuestos hacía sobre cómo aprende la gente? ¿Premiaba las respuestas correctas (conductismo), construía comprensión (constructivismo) o gestionaba el esfuerzo mental (carga cognitiva)? ¿Declararon alguna vez sus creadores esos supuestos?
- Una brecha recurrente atraviesa el campo: el discurso defiende el constructivismo mientras que las implementaciones de IA recurren por defecto a mecánicas de ejercicios y retroalimentación. ¿Dónde ha visto una herramienta que afirme apoyar el aprendizaje profundo pero que en realidad solo refuerce respuestas superficiales?
- La misma herramienta de IA puede parecer un éxito bajo una teoría y un fracaso bajo otra: unas notas de deberes infladas se leen como aprendizaje bajo el conductismo, pero como un fracaso a la hora de construir una comprensión duradera bajo el constructivismo. ¿Qué lente es más justa para juzgar si el estudiantado aprendió de verdad?
- Como todo tutor de IA incorpora una teoría, lo digan o no sus diseñadores, «¿funciona?» puede ser la pregunta equivocada. ¿Cuál es la pregunta mejor que hacer sobre una IA educativa, dadas las teorías que podría encarnar?
- La IA generativa está llevando al profesorado a considerar teorías nuevas, como el aprendizaje entendido como coconstrucción iterativa entre personas y IA, o la IA como pareja cognitiva a lo largo de la vida. ¿Exige el auge de la IA teorías del aprendizaje genuinamente nuevas o bastan las existentes?
- La medición de las ganancias de aprendizaje está ella misma «cargada de teoría»: un instrumento construido sobre una teoría puede no capturar las ganancias que predice otra. ¿Cómo podrían dos investigadores con compromisos teóricos distintos mirar los mismos datos y llegar a conclusiones opuestas sobre si una herramienta de IA funcionó?
Introducción
Las teorías del aprendizaje son el concepto general de los supuestos pedagógicos que hay detrás de la IA en la educación. Las teorías del aprendizaje están en el centro de la IA en la educación porque todo tutor de IA, sistema adaptativo y herramienta de retroalimentación incorpora supuestos sobre cómo aprende la gente, los declaren o no sus diseñadores. Estas teorías se documentan por separado y las trata como la lente conceptual con la que se evalúan el diseño y los efectos de la IA. El campo de investigación que pone a prueba esos marcos tiene su propia página: las ciencias del aprendizaje estudian el aprendizaje de forma empírica (experimentos, ensayos en el aula e investigación basada en el diseño) y tratan una teoría como algo que se confirma o se refuta, mientras que aquí se reúnen los marcos en sí; las dos expresiones se mantienen distintas aquí, y el singular «ciencia del aprendizaje» nombra esta línea teórica.
El panorama de las teorías del aprendizaje
Varias familias de teorías del aprendizaje reaparecen en la investigación, cada una con sus propios conceptos:
- Teorías clásicas del aprendizaje. El conductismo (el aprendizaje como cambio conductual observable mediante refuerzo y práctica de ejercicios) y el constructivismo (el aprendizaje como construcción activa de conocimiento) son los dos polos que más se repiten en la investigación sobre IA. El campo muestra con frecuencia una brecha de «constructivismo de nombre, conductismo de práctica», en la que el discurso defiende la construcción pero las implementaciones de IA recurren por defecto a mecánicas de ejercicios y retroalimentación.(Deutscher et al., 2026) La psicología cognitiva / cognitivismo es el tercer polo clásico —el aprendizaje como cambio en las representaciones mentales internas— y la teoría más responsable de las aportaciones características de la AIED (seguimiento del conocimiento, diagnóstico cognitivo, modelado del estudiante, tutoría inteligente).
- Teorías socioculturales y del desarrollo. El aprendizaje sociocultural sostiene que el aprendizaje y el desarrollo surgen de la participación social y están mediados por herramientas culturales y por otras personas con más conocimiento, y abarca la Zona de Desarrollo Próximo, el andamiaje, el aprendizaje y las comunidades de práctica y la cognición distribuida. En la era de la IA, la IA generativa se enmarca cada vez más como un agente mediacional que media la actividad y a la vez genera contribuciones contingentes a la interacción.(Warschauer et al., 2026)
- Cognición y arquitectura cognitiva. La psicología cognitiva / cognitivismo es el paraguas de esta familia: la Teoría de la Carga Cognitiva (cómo los límites de la memoria de trabajo condicionan la enseñanza), la Teoría del Proceso Dual (el procesamiento intuitivo rápido frente al deliberativo lento) y la metacognición (supervisar y regular el propio aprendizaje) explican los mecanismos internos que las herramientas de IA activan o eluden.
- Motivación y autodirección. La teoría de la autodeterminación (autonomía, competencia, relación), la autoeficacia (la confianza en la propia capacidad), el aprendizaje autorregulado (fijar metas, supervisar y ajustar) y la motivación explican por qué quien aprende se implica con la IA como lo hace.
- Contexto y actividad de aprendizaje. El aprendizaje experiencial, el aprendizaje activo, el aprendizaje basado en proyectos, el aprendizaje colaborativo, la transferencia del aprendizaje, las dificultades deseables y el aprendizaje corporeizado describen los tipos de actividad y de contexto que producen un aprendizaje duradero.
Una revisión sistemática de 2026 sobre 163 estudios de IA generativa sitúa la literatura en cinco tradiciones teóricas y encuentra dominantes los diseños constructivistas y conectivistas, con los diseños conductistas de refuerzo confinados en gran medida a plataformas adaptativas de nivel primario (Saranya y Saravanan, 2026). Quienes hicieron la revisión infirieron la teoría de cada estudio a partir de la práctica descrita, porque los estudios primarios rara vez nombraban una, lo que es en sí mismo un hallazgo sobre cómo informa la teoría el campo.
Las teorías del aprendizaje y las ganancias de aprendizaje
Las teorías del aprendizaje se evalúan en última instancia por sus resultados, y ganancias de aprendizaje es donde la teoría se encuentra con la evidencia. Cada teoría hace una predicción distinta sobre qué cuenta como aprendizaje y cómo medirlo: el conductismo predice ganancias observables de rendimiento en tareas de ejercicios y retroalimentación; el constructivismo predice una comprensión más profunda que se transfiere a problemas nuevos; la teoría sociocultural predice ganancias en la participación y en la resolución de problemas mediada; y la teoría de la carga cognitiva solo predice ganancias cuando la enseñanza respeta los límites de la memoria de trabajo. Las decisiones de medición, por tanto, determinan qué predicción teórica puede confirmar una evaluación. En la era de la IA, la fuerte divergencia entre el rendimiento asistido por IA y las ganancias de aprendizaje sin ayuda (véanse IA generativa y reducción del tiempo de estudio en matemáticas y penalización del aprendizaje con IA generativa en secundaria) puede leerse con esta lente: una lectura conductista ve las notas de deberes infladas como un éxito, mientras que una lectura constructivista, centrada en la comprensión duradera, ve la misma evidencia como un fracaso del aprendizaje.
La evidencia agrupada es positiva, y mide un constructo más estrecho que las teorías. Un metaanálisis PRISMA de 53 estudios sitúa la asistencia de la IA generativa en g = 0,40 en rendimiento académico, 0,72 en pensamiento de orden superior, 0,76 en escritura y 0,81 en motivación, con la retroalimentación de la IA como el mecanismo de mayor tamaño, g = 1,27 (Dong (2026)). Son ganancias en los instrumentos que eligieron los estudios incluidos, así que zanjan una lectura conductista o cognitivista del «funciona» y dejan sin probar la predicción constructivista sobre una comprensión duradera y transferible. Los subgrupos por país también divergieron, del g = 0,71 de China al g = 0,01 no significativo de Turquía, por lo que la estimación agrupada es un promedio que hay que probar localmente y no una propiedad de la herramienta.
Por qué las teorías del aprendizaje importan para la IA en la educación
Las teorías del aprendizaje importan por tres razones:
- Predicen los efectos de la IA. Que una herramienta de IA mejore o perjudique el aprendizaje depende del mecanismo que active. Un tutor que regala las respuestas perjudica bajo una lente constructivista (se salta la construcción), es neutro bajo el conductismo (refuerza) y suscita preocupaciones de carga cognitiva (descarga en lugar de construir). El concepto de dependencia excesiva y el de Over-Reliance recogen el lado de riesgo de esto.
- Exponen la brecha entre teoría y práctica. El trabajo empírico encuentra una y otra vez que las implementaciones de IA encarnan teorías distintas de las que afirma el discurso, y muy en particular un lenguaje constructivista emparejado con mecánicas conductistas de ejercicios y práctica.(Deutscher et al., 2026) Evaluar la IA exige, por tanto, preguntar qué teoría encarna realmente un sistema, y no solo si «funciona».
- Se están repensando activamente. La IA generativa está empujando al profesorado a revisar si las teorías clásicas bastan. El generativismo propone que el aprendizaje en la era de la IA ocurre cada vez más mediante una coconstrucción iterativa entre quienes aprenden y los sistemas de IA, lo que amplía las cuatro teorías clásicas (conductismo, cognitivismo, constructivismo, conectivismo) en lugar de sustituirlas.(generativismo)
Nuevas direcciones teóricas a partir del trabajo reciente en AIED
El trabajo teórico reciente amplía la línea clásica en varias direcciones, y cada una recentra la relación humano-IA en lugar de tratar la IA como una herramienta neutra:
-
Corregulación humano-IA. Un marco evolutivo sitúa la IA no como un instrumento externo, sino como una pareja cognitiva que corregula el pensamiento, el aprendizaje y el autocontrol a lo largo de la vida.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) A partir de la función ejecutiva, la metacognición, la cognición distribuida y el desarrollo sociocultural, asigna a la IA cuatro roles (andamiaje, apoyo metacognitivo, sistema de memoria externa o de dependencia excesiva y pareja en la toma de decisiones), y el marco resulta más pertinente a partir de la infancia media.
-
Cognición en conjunto. Un marco filosófico reconceptualiza el pensamiento como algo que emerge de interacciones dinámicas entre agentes humanos y artificiales en lugar de residir únicamente en mentes individuales.(Jho et al., 2026) Cuestiona el «paradigma de la conciencia» (los supuestos de autonomía, conciencia y estabilidad) y articula cinco rasgos —agencia distribuida, centralidad dinámica, orquestación cognitiva, integración multirrepresentacional y conmutación sensible al contexto—, a la vez que distingue la agencia funcional de la IA de la responsabilidad moral.
-
Crecimiento autodirigido / A2PL. Una extensión del aprendizaje autodirigido integra la IA generativa con la analítica del aprendizaje para cultivar el Crecimiento Autodirigido, operacionalizado mediante el modelo Aspire to Potentials for Learners (A2PL).(Mao, 2025) Reconfigura las aspiraciones de quien aprende (humanistas), el pensamiento complejo (constructivista) y la autoevaluación (pragmática) en una única competencia, y sitúa la IA generativa como un andamiaje colaborativo no prescriptivo y no como un proveedor de contenidos.
-
Sobre-generalización engañosa. An, McLaren y Stamper (2026) amplían la tradición ACT-R / Knowledge-Learning-Instruction al teorizar cuándo la corrección observada enmascara una comprensión condicional incompleta: quien aprende compila una producción sobre-generalizada que omite una restricción de aplicación y aun así se desempeña correctamente, un modo de fallo que los sistemas adaptativos de dominio, e incluso la enseñanza tradicional, pueden pasar por alto salvo que pongan a prueba cuándo abstenerse de actuar.
-
Teoría KLI ejecutable. Rachatasumrit, Koedinger y Carvalho (2025) fundamentan el marco Knowledge-Learning-Instruction en un modelo computacional ejecutable (el marco Apprentice Learner con un mecanismo de memoria al estilo ACT-R) que reproduce una interacción cruzada en datos humanos: la práctica pura ayuda a la memoria literal de hechos (al retrasar el olvido), mientras que la práctica integrada con ejemplos ayuda a la inducción de habilidades generalizables. Como la KLI vincula el conocimiento constante (de hechos) con los procesos de memoria y el conocimiento variable (de habilidades) con la inducción, el resultado es una interacción contenido-tratamiento predicha y no una contradicción entre las recomendaciones de evaluación y las de ejemplos resueltos, y el éxito del modelo solo cuando hay un mecanismo de memoria demuestra que la práctica y los ejemplos desempeñan papeles distintos y complementarios.
-
La corporeidad como desafío ontológico al paradigma de la IA. Videla, Penny y Ross (2026) sostienen que una división ontológica separa la cognición corporeizada y enactiva del lenguaje representacional que encarna la IA, de modo que la IA debería descentrarse como centro epistémico en lugar de tratarse como una herramienta neutra.
Cómo se conectan las teorías
En lugar de tratar las teorías del aprendizaje como filosofía abstracta, cada una se fundamenta en la investigación sobre IA en la educación que la utiliza. Las páginas sobre el constructivismo y el conductismo documentan cómo los diseños de IA encarnan (o traicionan) cada teoría; la Teoría de la Carga Cognitiva, el aprendizaje autorregulado, la metacognición y la transferencia del aprendizaje conectan la teoría con mecanismos y resultados concretos de la IA. Esto refleja cómo se tratan otros dominios generales como la retroalimentación y la evaluación: un sistema coherente de conceptos que interactúan y no páginas aisladas.
Las teorías del aprendizaje y la «educación sobre la IA»
Las teorías del aprendizaje también aparecen como contenido en los currículos de alfabetización en IA: el estudiantado estudia el conductismo, el cognitivismo, el constructivismo y el conectivismo para entender los supuestos pedagógicos que hay detrás de las herramientas que usa.(generativismo) Enseñar esta línea da al estudiantado (y al profesorado) el vocabulario para criticar por qué un producto de IA está construido como está y si sus mecánicas sirven al objetivo de aprendizaje en cuestión.
- El agente mediacional. Warschauer, Tate y Ritchie (2026) sostienen que la IA generativa rompe la distinción sociocultural entre medios mediacionales e interacción social, y proponen el agente mediacional: un sistema que media la acción y a la vez genera contribuciones contingentes y no atribuibles, y que ocupa un espacio híbrido entre la herramienta y la pareja social. De ahí se derivan cinco hábitos de participación centrados en lo humano (primacía de la cognición humana, implicación intencionada, agencia supervisora, vigilancia epistémica y autorregulación reflexiva).(Warschauer et al., 2026)
Teorías propuestas para la era de la IA
Junto a las familias clásicas, hay un cuerpo de teoría escrito específicamente para el aprendizaje con sistemas de IA, y estas aportan las implicaciones de diseño que las teorías más antiguas dejan abiertas. El agentivismo (Yan y Gašević 2026) es un ejemplo de alcance medio: define el aprendizaje como un crecimiento duradero de la capacidad humana y no como la mera finalización exitosa de una tarea, nombra cuatro mecanismos (agencia delegada, supervisión y verificación epistémicas, internalización reconstructiva y transferencia con apoyo reducido) y enuncia seis proposiciones contrastables, entre ellas que el apoyo de IA que preserva la responsabilidad de quien aprende sobre el planteamiento del problema, el establecimiento de criterios y la justificación produce un aprendizaje más sólido que el apoyo que entrega respuestas.
Elsayed (2026) propone una Simbiosis Pedagógica con una afirmación ontológica más fuerte: quien aprende es una entidad posthumana cuya cognición es híbrida en lugar de asistida por herramientas, organizada según cuatro principios: delegación cognitiva y aumento, coconstrucción epistémica, simbiosis metacognitiva y formación dinámica de la identidad; se operacionaliza mediante una rúbrica de Portafolio Simbiótico y un rol docente de «Coreógrafo Cognitivo»; es explícitamente no probada.
Implicaciones para la práctica
Para el profesorado
- Elija la teoría por lo que necesita que haga: explicar cómo ocurre el aprendizaje, describir el estado de quien aprende o explicar por qué se difunde una práctica. Aplicar la capa equivocada mide la variable correcta contra la predicción equivocada.
- Declare explícitamente el compromiso teórico de su medida de resultado, ya que unas notas de deberes infladas se leen como éxito bajo el conductismo y como fracaso bajo el constructivismo a partir de datos idénticos.
- Cuando un marco no puede predecir una diferencia entre configuraciones, no puede ponerse a prueba en su contexto y no le ayudará a decidir.
Para quienes desarrollan
- Publique la teoría que encarna su sistema y la predicción que lo falsificaría; «fundamentado en el constructivismo» sin una diferencia falsable es una afirmación sin contenido.
Para quienes investigan
- Diseñe para la adjudicación entre teorías y no para la acumulación de marcos. La madurez se muestra como predicciones rivales resueltas, no como crecimiento de vocabulario.
Concepciones erróneas
«Una de las teorías del aprendizaje es la correcta, así que elegir teoría es cuestión de gusto.» Las teorías hacen afirmaciones distintas sobre qué cuenta como evidencia, así que los mismos datos pueden sostener conclusiones opuestas. El caso más claro: unas notas de deberes infladas se leen como aprendizaje bajo el conductismo y como un fallo en construir comprensión duradera bajo el constructivismo. La elección de teoría determina por tanto si una intervención tuvo éxito, lo que la convierte en una decisión de medición y no en una preferencia estilística.
«Una herramienta que apoya el aprendizaje profundo se verá como aprendizaje profundo bajo cualquier marco.» Se verá como éxito bajo uno y como fracaso bajo otro, como en el caso anterior. Por eso las medidas de resultado del campo necesitan justificarse frente a una teoría declarada en lugar de tomarse prestadas como si fueran neutras.
«Más teorías significan un campo mejor comprendido.» La acumulación sin adjudicación es lo contrario del progreso. Las teorías propuestas para la era de la IA se multiplican más rápido de lo que se ponen a prueba, y la señal de madurez es que se resuelvan predicciones rivales, lo que exige diseños capaces de distinguirlas y no catálogos que las acomoden.
«La educación sobre la IA es lo mismo que la IA en la educación, en términos teóricos.» Se apoyan en líneas distintas: una pregunta cómo llega quien aprende a entender la IA como materia, la otra cómo la IA cambia la forma en que ocurre el aprendizaje. Confundirlas produce revisiones de literatura que mezclan dos bases de evidencia distintas y no reportan un cuadro coherente de ninguna de las dos.
Conceptos conectados
- Conductismo
- Psicología cognitiva
- Constructivismo
- Metacognición
- Cognición distribuida
- Aprendizaje autorregulado
- Teoría de la autodeterminación
- Autoeficacia
- Motivación
- Aprendizaje sociocultural
- Andamiaje
- Transferencia del aprendizaje
- Mejoras en el aprendizaje
- Dificultades deseables
- Aprendizaje activo
- Aprendizaje experiencial
- Aprendizaje colaborativo
- Aprendizaje encarnado
- Descarga cognitiva
- Diseño de aprendizaje
- Ciencias del aprendizaje
- Filosofía de la IA en la educación
- IA en la educación
- Pedagogías y estrategias de enseñanza — General: pedagogías y estrategias didácticas en la educación con IA
Artículos conectados
-
Agentivism: a learning theory for the age of artificial intelligence — Una teoría del aprendizaje de alcance medio para la interacción humano-IA, con cuatro mecanismos y seis proposiciones contrastables (Yan y Gašević 2026)
-
Deceptive overgeneralization: When adaptive learning enables systematic misapplication — Sobre-generalización engañosa: el dominio adaptativo puede detener la práctica antes de que quien aprende sepa cuándo abstenerse de actuar (An, McLaren y Stamper 2026)
-
AI-Augmented Inquiry and Regulation in Hybrid Systems: A Control Allocation Architecture for Preserving Epistemic Agency — Indagación y regulación aumentadas por IA en sistemas híbridos (AIRIS)
-
Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — Sitúa la IA como pareja cognitiva en la corregulación humano-IA; marco evolutivo a lo largo de la vida
-
Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — Cognición en conjunto: un marco filosófico que reconceptualiza el pensamiento como interacción humano-IA
-
Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — El Crecimiento Autodirigido y el modelo A2PL, que extiende el aprendizaje autodirigido con IA generativa
-
Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — Propone una nueva teoría del aprendizaje para la era de la IA generativa, revisando las cuatro clásicas
-
Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Documentó la brecha teoría-práctica entre constructivismo y conductismo en la IA para la formación profesional
-
Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Metanálisis PRISMA de 53 estudios: ganancias agrupadas en rendimiento, pensamiento, escritura y motivación, con la retroalimentación como mecanismo principal (Dong 2026)
-
Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI
-
Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — La IA generativa como agente mediacional
-
Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications and AI system design principles — Diseñar sistemas de IA para apoyar el aprendizaje basado en el fracaso productivo
-
Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Dirección pedagógica de los LLM para el fracaso productivo
-
Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Pista antes de la corrección: ChatGPT para el aprendizaje autónomo de idiomas
-
Pedagogical practices and generative AI integration across the spectrum of learning theories: a systematic review — Prácticas pedagógicas e integración de la IA generativa en el espectro de las teorías del aprendizaje: una revisión sistemática