Metacognición

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

La metacognición (pensar sobre el propio pensamiento) es a la vez un objetivo de la educación con IA investigación (¿pueden las herramientas de IA desarrollar las habilidades metacognitivas del estudiantado?) y un factor de riesgo (que la IA complete las tareas puede suprimir la práctica metacognitiva).(The Evidence Base on AI in K-12: A November 2026 Review)(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Preguntas para reflexionar

• La «metacognición» es pensar sobre el propio pensamiento: saber qué se sabe, monitorizarse y ajustar las propias estrategias. Cuando estudia o resuelve un problema, ¿qué conciencia tiene en el momento de si de verdad comprende o solo reconoce el material?
• Un hallazgo llamativo: el estudiantado que usó asistencia de IA para redactar ensayos a menudo no podía recordar citas de sus propios ensayos, porque no se había implicado con el contenido durante la producción. Cuando una herramienta produce la salida, ¿qué práctica pierde quien aprende, y es importante esa práctica?
• La página enmarca la metacognición a la vez como objetivo (¿puede la IA construirla?) y como riesgo (¿puede la IA suprimirla?). ¿Podría la misma herramienta de IA fortalecer o debilitar la metacognición de quien aprende según cómo se diseñe o se use? ¿Qué determina hacia dónde se inclina la balanza?
• Las indicaciones estructuradas que piden al estudiantado autoexplicarse, evaluar estrategias o identificar lagunas preservan la exigencia metacognitiva, mientras que la IA que simplemente completa tareas la desplaza. Si usted diseñara una herramienta de estudio con IA, ¿qué construiría para que invite a la reflexión en lugar de sustituirla?
• La página concluye que el uso de la IA sea metacognitivamente rico depende de la motivación y la postura de quien aprende tanto como de la tecnología. ¿Ha usado alguna vez una herramienta de forma superficial y luego se ha dado cuenta de que no aprendió nada, y en qué se diferenciaban las veces en que la usó en profundidad?

Introducción

La metacognición en la educación se refiere a la conciencia, la monitorización y la Regulación de la IA en educación que quien aprende hace de sus propios procesos cognitivos:

• Conocimiento metacognitivo: comprender qué sabe uno, qué estrategias tiene disponibles y cuándo desplegarlas
• Regulación metacognitiva: planificar, monitorizar y evaluar el propio aprendizaje en tiempo real

Dentro de los marcos del aprendizaje autorregulado, la metacognición es el mecanismo central que permite a quien aprende adaptar estrategias, reconocer la confusión y buscar ayuda de forma adecuada.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

La metacognición no es el mismo constructo que la reflexión, y a menudo se confunden ambos. La monitorización es un juicio que quien aprende emite sobre su propio estado, y puede ocurrir sin ningún registro. La reflexión es el examen deliberado y documentado de un intento ya completado, y lo que produce es un texto que puede revisarse o evaluarse. Mantenerlos separados importa sobre todo cuando hay IA de por medio: un juicio de monitorización es difícil de delegar, mientras que un artefacto de reflexión puede producirlo un modelo.

Cómo despliega realmente quien aprende la metacognición en torno a la IA está moldeado por algo más que la herramienta misma: Cui et al. encuentran que la motivación del estudiantado y el papel de interacción que adopta moldean su implicación metacognitiva con la IA generativa, lo que significa que el uso de la IA sea metacognitivamente rico depende de la postura de quien aprende tanto como de la tecnología. Miles, Haber-Curran y Arar (2026) añaden la propia interacción con la IA como objeto de esa reflexión: el paso final de su ciclo de alfabetización en prompts pide a quien aprende examinar qué reveló el proceso sobre cómo funcionan los prompts y qué supuestos dieron forma a la respuesta, y convierten la reflexión y la revisión en la fase en la que se desarrollan la autoría y el juicio crítico.

Un papel más fundamental de la metacognición aparece cuando el lugar de la coordinación se desplaza del docente a quien aprende. Dang, Hong, Doyle y Nguyen (2026) sostienen en su marco de Competencia de Colaboración Persona-IA (HACC) que el trabajo integrador que el TPACK asigna a la pedagogía pasa, una vez que el actor es quien aprende, a la propia metacognición de este —la competencia que permite al estudiantado dirigir la colaboración, calibrar su confianza en la IA y seguir siendo los autores de su aprendizaje. Tratan la competencia metacognitiva como el mecanismo a través del cual se ejerce la agencia de quien aprende, excluyendo deliberadamente la agencia como componente separado y leyéndola en cambio como la cualidad emergente de coordinar la competencia de dominio, de IA y metacognitiva. Su Análisis de Redes Epistémicas de entrevistas con 24 educadores de educación superior encontró que el discurso metacognitivo aumentaba con el nivel del rol —los educadores sénior lo conectaban con el dominio, la IA y el aprendizaje con IA—, lo que los autores leen como que los educadores con una responsabilidad curricular más amplia ven las dificultades persistentes del estudiantado como regulatorias y no técnicas.

Cómo afectan las herramientas de IA a la metacognición

El riesgo de supresión (Stanford SCALE, 2026)

Cuando la IA completa tareas de razonamiento por el estudiantado (resolver problemas de matemáticas, escribir ensayos, generar código), este pierde práctica en monitorizar su propia comprensión y en seleccionar estrategias.(The Evidence Base on AI in K-12: A November 2026 Review)

La dependencia no es un fracaso: Du y Yuan (2026) juzgan el aprendizaje mediado por IA según seis criterios diagnósticos —contestabilidad, recuperabilidad, transferencia, trazabilidad, responsabilidad distribuida y pluralidad epistémica— y distinguen la asistencia instrumental, que ayuda a producir una salida, de la asistencia que conlleva juicio, que aporta los estándares con los que se juzga la salida. Nombrar la cuestión de la gobernanza. Lin y Chang (2026) proponen la propiedad metacognitiva —la gobernanza que quien aprende ejerce sobre los estándares, los juicios evaluativos y las acciones en los que contribuye una IA—, separando la apropiación de estándares, la gobernanza de los juicios de monitorización y la autorización del control, y exigiendo una oportunidad realista de actuar de otro modo.

Hallazgos clave:

• Kosmyna et al. (2025): el estudiantado que usó asistencia de IA para redactar ensayos fue un 83% incapaz de recordar citas de sus propios ensayos, frente al 11% de quienes no usaron IA, lo que indica que no se implicó con el contenido durante la producción.
• Stadler et al. (2024): la IA de propósito general redujo la carga cognitiva pero produjo un razonamiento de menor calidad que la búsqueda tradicional, lo que sugiere que la implicación metacognitiva quedó desplazada.
• Lehmann et al. (2025): la IA de propósito general para la programación perjudicó la comprensión del estudiantado con pocos conocimientos previos; el que más necesitaba andamiaje metacognitivo recibió respuestas en su lugar.
• Pereza metacognitiva. El campo nombra un modo de fallo distinto en el que quien aprende abdica sus responsabilidades metacognitivas en la herramienta —adoptando el término pereza metacognitiva para la ilusión de competencia resultante y advirtiendo de que sus riesgos cognitivos recaen con más fuerza sobre las personas novatas y quienes se autorregulan peor (Lodge y Loble (2026)).

La fluidez es la razón de que la pérdida pase inadvertida. Quien aprende juzga su aprendizaje en parte por la facilidad con que procesa el material, y Bjork et al. (2013) muestran que las señales de fluidez llevan a las personas a sobreestimar su comprensión cuando el contenido se siente fácil; el texto fluido generado por IA produce esa sensación tanto si hubo comprensión como si no, lo que crea las condiciones para una ilusión de competencia fabricada. El generativismo lo trata como la razón por la que no puede darse por supuesta una metacognición adaptativa: quien aprende tiene que preguntarse si la facilidad de lectura refleja comprensión, en lugar de leer esa facilidad como la respuesta.

La conciencia no garantiza que la finalización se detenga. Jia (2026) nombra la finalización metacognitivamente discordante: quien aprende invirtió esfuerzo real, sostiene un veredicto en primera persona ya formado de que la comprensión no ha llegado, y aun así entrega el trabajo —el caso que tanto el relato de la ilusión de fluidez como el del esfuerzo retirado dan por supuesto.

Quien aprende también está mal calibrado respecto a los costes de la IA: los participantes predijeron con precisión sus tiempos en solitario pero subestimaron el tiempo asistido por IA, e informaron de un menor esfuerzo (0,61 puntos en el NASA-TLX) mientras que la IA solo aceleró tres de 24 tareas —un sesgo ausente cuando el ayudante imaginado era otra persona (Yu et al. (2026)).

El coste parece acotado y no global: la descarga degrada la habilidad específica que se practica, no las capacidades generales de dominio subyacentes, y aflora al retirarla: un estudio de endoscopia encontró que la detección de adenomas cayó del 28,4% al 22,4% cuando la IA no estaba disponible, lo que deja la monitorización de la fuente (distinguir el razonamiento de una IA del propio) como un riesgo metacognitivo abierto (Cash et al. (2026)).

La oportunidad de aumento (Scheu et al., 2026)

Cuando la IA se diseña para apoyar la reflexión en lugar de sustituirla, la metacognición puede fortalecerse:

• Los diarios de aprendizaje son una práctica metacognitiva clásica: al reflexionar sobre los procesos de aprendizaje, el estudiantado aumenta la conciencia sobre su cognición
• Las indicaciones estructuradas que piden al estudiantado autoexplicarse, evaluar estrategias o identificar lagunas de conocimiento preservan la exigencia metacognitiva. CoMeT (Hou et al. 2026) da a esa expresión una definición y un aval empírico: trata la exigencia metacognitiva como una cantidad distinta de la carga cognitiva, es decir, lo que quien aprende debe decidir, afirmar o juzgar antes de que llegue la ayuda, y no simplemente lo que queda cuando se retiene la ayuda, y la mantuvo estadísticamente equivalente a la de un tutor que retenía las respuestas por diseño (p_TOST = 0,004) mientras su propio apoyo escalaba y se desvanecía peldaño a peldaño. El desvanecimiento se mantuvo cuando el turno de quien aprende apuntaba a la decisión bajo apoyo: los turnos dirigidos a otra cosa recibieron una concesión posterior el 40,3% de las veces frente al 28,8% de los turnos dirigidos, una diferencia de 11,5 puntos, de modo que lo que un tutor debe leer es dónde está la atención de quien aprende y no cuánto esfuerzo muestra el turno.
• Asignar un nivel de uso de IA por tarea. HAIML empareja sus tres capas con Cuatro Niveles de Uso de IA —desde ningún uso de IA, pasando por la lluvia de ideas, hasta la colaboración con IA y la creación integrada con IA con evaluación de la salida—, de modo que quien enseña fija el nivel de una tarea y mantiene la reflexión metacognitiva central en todos los niveles (Reardon, 2026).
• El curso basado en ejemplos del chatbot de Scheu et al. aumentó la competencia percibida (una autoevaluación metacognitiva) incluso cuando el asistente de LLM por sí solo no lo hizo
• Un encuadre emergente pone el sistema, y no solo al individuo, en el bucle. Una revisión sistemática bibliométrica de 135 estudios de aulas STEM (24 estudios centrales) encuentra que emerge un encuadre poshumanista que sitúa la IA como correguladora del aprendizaje, desplazando la unidad de análisis de la reflexión individual a la regulación a nivel de sistema y a la cognición distribuida (Tsakeni et al. (2025)).

Marrone et al. (2026) ajustaron finamente GPT-4o-mini para identificar cuatro subelementos metacognitivos (establecimiento de objetivos, elección de estrategias, reflexión sobre el aprendizaje y regulación del esfuerzo) a nivel de oración en 14.100 reflexiones de aula. La fiabilidad humana marcó el techo: la doble codificación inicial coincidió en κ = 0,32 a 0,51, la calibración elevó la concordancia a κ = 0,52 a 1,00, y la exactitud del modelo siguió el mismo orden: establecimiento de objetivos con 91,28%, reflexión sobre el aprendizaje con 67,44% y regulación del esfuerzo con 60,74%, en 18.883 muestras etiquetadas.

A escala de síntesis el patrón se mantiene, y se adelgaza a medida que la medición se afina. Un metaanálisis de tres niveles de 54 estudios (cuasi)experimentales (121 tamaños de efecto, 7.431 estudiantes) situó el efecto de la IA sobre la metacognición en g = 0,624 (IC del 95% [0,431, 0,817]), con 107 de 121 efectos positivos y ganancias que aumentaban con la exposición, de g = 0,381 con menos de una semana a g = 1,638 a las 15-20 semanas (Li et al. (2026)). La fuente de medición fue el moderador decisivo: autoinforme g = 0,776, observación conductual g = 0,514, y las calificaciones de precisión, la brecha entre el desempeño juzgado y el real, g = 0,035 y no significativas. La ganancia es mayor donde es más fácil de declarar y casi nula donde la monitorización se puntúa contra el desempeño, que es el problema del autoinforme con el que tropiezan los estudios anteriores.

La metacognición es uno de los resultados menos estudiados. En una revisión de alcance de 394 estudios sobre IA generativa en educación superior, la metacognición y el aprendizaje autorregulado estuvieron entre los resultados abordados con menos frecuencia, junto con la ética y la creatividad (Lin et al. (2026)).

• Sacar a la luz patrones de interacción que quien aprende no puede ver. Kuang, Li y Weng (2026) siguieron los movimientos oculares, la toma de apuntes y el habla de 22 estudiantes de interpretación mientras trabajaban con un sistema de reconocimiento de voz y traducción automática, y encontraron que el modo en que el estudiantado repartía la atención entre la salida de la IA y sus propias notas era invisible para ellos: el 58,3% cambió de perfil entre etapas de la tarea, y quienes más leían la salida de la IA obtuvieron las puntuaciones más bajas en fluidez de la entrega y en calidad de la lengua meta. La consecuencia pedagógica es que la reflexión tiene que estar andamiada por evidencia externa, porque la estrategia de quien aprende no es introspectable; los autores abogan por guiar al estudiantado a describir y evaluar por qué trabajó de una manera dada en cada etapa.
• La evidencia de proceso depende del canal. En 79 estudiantes de grado que trabajaban con IA generativa, la monitorización y la planificación de mayor profundidad aparecieron más a menudo en las unidades de pensamiento en voz alta, mientras que la regulación de mayor profundidad apareció más a menudo en los registros de interacción, así que un solo registro por sí solo subestima algunos procesos (Li y Liu (2026)).
• Las prácticas reflexivas pueden surgir del uso ordinario de la materia. En ocho centros daneses de secundaria superior, el estudiantado que trabajaba con IA generativa como socio cognitivo desarrolló cuatro prácticas —explicación, creación, inspiración y mejora, que se despliegan en once procesos— en las que la reflexión apareció tanto en registros disciplinares como de proceso, aunque cada práctica podía servir igualmente para la sustitución (Dalsgaard y Prilop, 2026).
• Un andamiaje reflexivo puede habituarse y sustituir la automonitorización que protege. de Jong (2026) advierte de que las indicaciones repetidas de reflexionar pueden desgastarse por habituación —igual que las advertencias repetidas se descartan de forma automática—, así que un profesional que solo reflexiona cuando el sistema se lo pide puede acabar sin la herramienta ni el hábito de automonitorización; el artículo sostiene que las indicaciones reflexivas deberían tratarse como una intervención de creación de habilidades que se desvanece y ponerse a prueba para ver si quienes las usan reflexionan sin ellas.
• Una ganancia selectiva: conocimiento metacognitivo sin planificación ni monitorización. Wang et al. (2026) dividieron a 68 futuros docentes en un grupo que explicaba el aula invertida a un estudiante novato de IA generativa (n = 33) y un grupo que preguntaba a un docente de IA generativa (n = 35). El grupo del estudiante novato obtuvo puntuaciones más altas en conocimiento metacognitivo y estrategias de aprendizaje (p < 0,001, d de Cohen = 0,41), pero no en planificación y monitorización (M = 4,01 frente a 3,78, p = 0,062), aunque las puntuaciones de explicación y aplicación del mismo grupo subieron (r = 0,474 y r = 0,642) mientras que el recuerdo factual no separó a los grupos (p = 0,416). La división sigue los dos componentes de la Introducción: explicar a alguien que pregunta de vuelta construyó conciencia declarativa de lo que uno sabe, pero nada en el diseño hizo que quien aprende fijara una ruta o comprobara su progreso, lo que los autores atribuyen al diseño de la tarea y a la carga cognitiva, y no al papel en sí. El aprender enseñando con IA es, por tanto, una palanca sobre el conocimiento metacognitivo y no automáticamente sobre la regulación, y los autores recomiendan añadir prompts explícitos de planificación y retroalimentación sobre el progreso.
• El Pensar en Voz Alta apoya la conciencia temprana, pero no la evaluación profunda. Karaki y Baroudi (2026) llevaron a cabo un estudio de investigación-acción con métodos mixtos con 44 estudiantes de primer curso de emprendimiento que usaron el método Pensar en Voz Alta durante trabajos apoyados en IA. El Pensar en Voz Alta hizo más visibles la construcción de prompts, las prácticas de verificación y la toma de decisiones éticas del estudiantado, pero la evaluación crítica de las salidas de la IA «a menudo se mantuvo en un nivel superficial, particularmente entre el estudiantado que necesitaba apoyo adicional»: detectaban respuestas genéricas o desalineadas y aun así seguían apoyándose mucho en ellas. La conciencia metacognitiva autoinformada fue la más alta de los tres constructos encuestados (M = 3,79), pero la encuesta única posterior a la intervención no permite separar la percepción del cambio. La conclusión de los autores —el Pensar en Voz Alta no es una solución por sí sola y debe combinarse con instrucción explícita en alfabetización en IA, construcción de prompts y estrategias de verificación— extiende la línea de evidencia de proceso anterior desde lo que los registros capturan hasta lo que la vocalización por sí sola cambia.
• La formación metacognitiva previa condiciona el beneficio de un compañero de IA para la reflexión. En un experimento 2 × 2 con 60 docentes en formación, Zhang et al. (2026) encontraron una interacción significativa entre metacognición y herramienta: un compañero socrático de IA superó a las herramientas digitales tradicionales en 0,56 puntos solo después de la formación, sin ventaja alguna sin ella (ΔM = −0,03).

Braun (2026) somete el relato de la supresión a una prueba causal prerregistrada (N = 317) frente a hojas de trabajo. La desorganización aumentó 0,84 (intervalo creíble del 95%: 0,47 a 1,21) y fue el efecto más claro del modelo, mientras que el procesamiento profundo cayó a través de una cadena que va de la descarga cognitiva al pensamiento crítico y no de forma directa. El autor denomina a ese estado dormancia cognitiva, en el que la monitorización y la selección de estrategias se apagan mientras el procesamiento continúa, y sitúa su causa en las affordances del entorno y no en quien aprende.

La monitorización cambia la ruta más que bloquea el camino. Guo y Dong (2026) dividieron a 600 estudiantes de grado según un ítem de monitorización y estimaron cada grupo por separado: la carga predijo la descarga cognitiva con β = 0,844 en quienes monitorizan poco y β = 0,840 en quienes monitorizan mucho, prácticamente lo mismo. La descarga predijo la sobredependencia en 0,396 y 0,506, y la ruta directa de la carga fue de 0,560 y 0,419. La dependencia entre quienes monitorizan mejor viajaba, por tanto, más a través de la descarga y menos de forma directa. Son modelos separados, no una prueba multigrupo formal.

Cuando se omite la monitorización

Xiao et al. (2026) convirtieron el riesgo de supresión en una cantidad medida a lo largo de cuatro experimentos con 728 adultos. Una mayor asistencia de IA elevó la desimplicación a nivel de tarea de 3,96 a 4,82 (d = 0,67), y la descarga cognitiva transportó el 58,0% del efecto (indirecto 0,51, IC del 95% [0,32, 0,72]). Evaluadores expertos puntuaron después más bajo las propuestas delegadas: la calidad cayó de 4,78 a 3,95 (d = 0,75), con el 57,8% de esa caída pasando por la desimplicación (indirecto -0,48, IC del 95% [-0,68, -0,30]).

El coste es condicional. La complejidad de la tarea reforzó esa ruta (índice -0,39, IC del 95% [-0,62, -0,16]) mientras que la alfabetización en IA la debilitó (índice 0,30, IC del 95% [0,09, 0,52]). Así que la monitorización no es solo una capacidad que predice un mejor uso; omitirla es un paso cuya ausencia se ve en la calidad de la salida a través de una ruta de descarga. Dos límites acotan la afirmación. La IA era un banco de respuestas guionizado por los investigadores, no un modelo en vivo, y no se informó de la ocupación ni de la condición de estudiante, así que no es ni un estudio de aula ni uno de lugar de trabajo.

La distinción entre implicación y motivación

Scheu et al. (2026) encontraron una división crítica:

Esto sugiere que el apoyo metacognitivo y la motivación no son idénticos. El andamiaje de las entradas de diario que ofrecía el asistente de LLM aumentó cuánto escribía el estudiantado (implicación conductual), pero no hizo que quisiera escribir más (motivación intrínseca).(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

La distinción entre creencias y experiencias

Guo y Ye (2026) ofrecen una explicación teóricamente más precisa de cómo la metacognición gobierna la selección de estrategias, distinguiendo dos componentes que operan en fases distintas:

• Creencias metacognitivas: autoconcepciones estables y autorreferenciales almacenadas en la memoria a largo plazo (por ejemplo, creencias sobre la propia capacidad de memoria o sobre la fiabilidad de una herramienta). Anclan las elecciones de estrategia antes de iniciar la tarea.
• Experiencias metacognitivas: sentimientos dinámicos y específicos de la tarea (dificultad percibida, confianza, carga mental) que impulsan la actualización de las creencias durante la ejecución de la tarea.

Esta distinción da lugar al principio del emparejamiento entre momento y componente: la retroalimentación que apunta a las creencias (por ejemplo, clasificaciones comparativas) es más eficaz en la fase de preparación previa a la tarea, mientras que la retroalimentación que apunta a las experiencias (por ejemplo, indicadores inmediatos de corrección) es más eficaz durante la ejecución de la tarea. La retroalimentación de clasificación abstracta puede quedar separada de las experiencias específicas de la tarea que dominan la toma de decisiones inmediata, o ser anulada por ellas, lo que explica por qué algunas intervenciones de retroalimentación no consiguen cambiar la conducta. Esto da al profesorado una justificación contingente a la fase para diseñar andamiajes metacognitivos en torno a las herramientas de IA: calibrar las creencias antes del uso y ofrecer retroalimentación inmediata y específica de la tarea durante el uso.

El apoyo externo también puede situarse por delante del propio juicio. Iqbal et al. (2026) hicieron que 87 estudiantes de inglés como lengua extranjera revisaran un ensayo con ChatGPT 4.0, con un docente experimentado de escritura académica o sin ningún apoyo, y reconstruyeron las estrategias que usó el estudiantado a partir de rastros de clics, pulsaciones de teclado y movimientos del ratón. Lo que eligieron estaba fuertemente asociado con el apoyo disponible (V de Cramér = 0,668), pero no con la precisión del juicio metacognitivo (H(3) = 4,995, p = 0,172), que solo mostró un vínculo marginal en la condición sin apoyo (p = 0,0460). Ninguna estrategia de revisión se asoció con el cambio en la puntuación del ensayo (p = 0,273), y sin embargo el grupo de IA generativa mejoró significativamente más que los otros dos (H(2) = 16,591, p = 0,00025, η² = 0,174), de modo que los ensayos más sólidos no provinieron de una mejor autorregulación. Cuando un socio capaz puede aportar el siguiente movimiento, el juicio metacognitivo deja de ser lo que lo selecciona, y la explicación de la elección de estrategias anterior describe mejor a quien aprende sin apoyo que a quien lo recibe. La lectura práctica de los autores es orientar la asistencia de IA a promover la reflexión sobre las estrategias de escritura, en lugar de a suministrar ayuda directa.

La calibración se puede entrenar: predicción y retroalimentación

Ngai y Gilbert (2026) aportan evidencia causal directa de que la calibración metacognitiva es una habilidad entrenable. En dos experimentos prerregistrados (N=164, N=416), solo cinco ensayos de práctica que emparejaban una predicción de rendimiento con retroalimentación verídica mejoraron la calibración y redujeron el sesgo. Un diseño aditivo de cuatro grupos aisló el componente causal: hacer predicciones por sí solo fue ineficaz; añadir retroalimentación de rendimiento impulsó la mejora; etiquetar explícitamente el exceso o el defecto de confianza no añadió nada más. En lo esencial, la mejora actuó sobre la calibración absoluta (elevando la confianza de quienes tenían poca y bajándola en quienes tenían demasiada), de modo que corrigió la mala calibración en ambas direcciones en lugar de desplazar a todos en un mismo sentido (por eso los efectos con signo o direccionales fueron nulos). Esto refuerza la explicación de «experiencias y no creencias» anterior y muestra el entrenamiento metacognitivo mínimo viable: predicción más retroalimentación inmediata y específica de la tarea.

• Una indicación de reflexión breve afina la monitorización durante las decisiones apoyadas por IA. Ren (2026) añadió tres indicaciones de reflexión antes de finalizar las respuestas en un experimento de tres condiciones con 342 estudiantes de grado: la aceptación de consejos incorrectos de ChatGPT cayó del 62,4% al 39,7% (OR = 0,40) y la calibración de la conciencia subió (0,59 frente a 0,41), mientras que la precisión de las recomendaciones y la alineación con los consejos correctos se mantuvieron altas. La reflexión hizo la confianza más discriminativa en lugar de uniformemente defensiva, lo que respalda tratar la confianza como un problema de monitorización y no como una cuestión de cuánta IA se usa.

• Anidar el prompting dentro de un ciclo metacognitivo. El marco IDEA secuencia el uso de IA generativa como Intención, Deconstrucción, Expresión y Adaptación, lo que convierte el prompting en un paso de la planificación y la monitorización y no en una habilidad aislada; el estudiantado que lo aprendió produjo prompts de mayor calidad que sus pares formados en el prompting Rol–Tarea–Contexto–Formato en las cinco categorías de tarea (Wang et al., 2026).

Los relatos docentes sobre la metacognición necesitan el mismo escrutinio que los autoinformes del estudiantado. En 25 docentes universitarios chinos, un límite compartido sobre lo que la IA no puede hacer —emoción, corporeidad, metacognición, conocimiento tácito, juicio— apareció en todos los casos, y la verificación tuvo evidencia clara en 24 de 25. Pero ambos códigos aparecieron después de una pregunta directa sobre qué no puede reemplazar la IA, así que el acuerdo describe cómo respondió el profesorado a esa pregunta y no una preocupación que planteara sin que se le preguntara. Sobre la proposición de degeneración intelectual que ofrecía el protocolo, nueve la respaldaron y once la hicieron condicional. El hallazgo es una cautela de medición: una creencia que parece universal bajo una pregunta directa puede ser un artefacto de la pregunta (Qiang y Wang, 2026).

Implicaciones para el diseño de herramientas

1. Preservar la «fricción» del pensamiento: si la IA escribe la reflexión, el estudiantado no construye habilidad metacognitiva. Los asistentes de diario deberían andamiar, no redactar.
2. Modelar el lenguaje metacognitivo: el curso basado en ejemplos funcionó en parte porque expuso al estudiantado al diálogo interno metacognitivo de modelos expertos.
3. Separar el apoyo a la motivación del apoyo a la habilidad: el desarrollo de habilidades metacognitivas (estructurado por el curso) y la mejora de la productividad (asistida por IA) pueden requerir estrategias de diseño distintas.
4. Nombrar el objetivo como oncarga metacognitiva y racionar la ayuda. A metacognitive approach to learning and performance in human-AI interaction separa la descarga cognitiva, que permanece bajo control metacognitivo, de la descarga metacognitiva, en la que se entregan la planificación, la monitorización, la evaluación y la calibración del juicio. Su objetivo de diseño es la oncarga metacognitiva: andamiajes que hacen que sea quien aprende, y no la IA, quien fije metas, anticipe la dificultad y juzgue las estrategias, situados dentro de un prompt, a lo largo de una tarea y desvaneciéndose con el tiempo. La regla de ayuda es la mínima necesaria: primero una pista o una pregunta diagnóstica, con una asistencia más profunda desbloqueada solo después de que quien aprende pregunte, monitorice o elija una dirección. El artículo es conceptual y sus autores señalan que aún no existe una medida validada de ninguno de los dos constructos.

La IA puede alterar el umbral metacognitivo para decidir que uno sabe lo suficiente para responder: Marcoccia et al. (2026) encontraron que el mero acceso a consejos de IA suprimía la disposición de las personas a suspender el juicio ante la incertidumbre, incluso con consejos incorrectos y con incentivos de precisión, un efecto que sobrevivió a la salida de IA no solicitada y a incentivos monetarios.

La IA agéntica proactiva puede desplazar el propio bucle metacognitivo de quien aprende: Woollaston et al. (2026) sostienen que, cuando los agentes precargan, inician y se autocorrigen, la planificación, la monitorización y la evaluación del agente sustituyen las de quien aprende, eliminando la práctica de recuperación y la automonitorización de las que dependen las dificultades deseables y el entrenamiento metacognitivo.

• La pedagogía basada en errores como entrenamiento metacognitivo: Hosseini (2026) muestra que exponer deliberadamente al estudiantado a errores generados por IA en un curso de diseño de bases de datos activa la monitorización metacognitiva: el estudiantado inspeccionó las salidas, identificó errores y revisó diseños en lugar de aceptar la salida de la IA sin más. La autoinformada alfabetización en IA correlacionó débil y negativamente con la competencia objetiva (r=−0,39), una brecha de calibración que el ciclo de crítica y refinamiento está diseñado para reducir.

• El fallo productivo activa la monitorización metacognitiva. Kim et al. (2026) muestran que el aprendizaje basado en el fallo productivo activa la reflexión sobre los propios intentos; las tareas de pista antes de la corrección exigen a quien aprende diagnosticar y corregir sus propios errores, una actividad metacognitiva en la que la IA da pistas en lugar de respuestas.

• La autorregulación amortigua el daño de la externalización, pero no puede anularlo. Chen (2026) muestra que la regulación metacognitiva (la escritura autorregulada) atenúa la asociación negativa entre la descarga cognitiva profunda y los resultados independientes sin IA en la escritura asistida por IA generativa (interacción B = 0,22), pero no la elimina; una condición de apoyo acotado que combinaba límites de delegación con reflexión obligatoria sobre cómo se aceptaron o rechazaron las sugerencias de la IA produjo el mejor rendimiento independiente.

• La profundidad de la búsqueda de explicaciones predice la calidad de la tarea, no el recuerdo. Tsiligkiris (2026) muestra que las indicaciones que buscan explicaciones (profundidad) en la interacción con LLM predicen la calidad de la tarea pero no el recuerdo inmediato, e interpreta la disociación mediante la elaboración (comprensión) frente a la práctica de recuperación (consolidación), y sugiere que la búsqueda de explicaciones correlaciona con la monitorización metacognitiva, aunque hay que añadir exigencias de recuperación para una retención duradera.

• La metacognición autoinformada es un proxy débil de la regulación con un LLM. Clerc et al. (2026) dieron a 116 estudiantes de secundaria un taller de alfabetización en IA de dos horas y luego midieron su interacción con el LLM durante problemas de ciencias: el estudiantado formado aceptó con menos frecuencia indicaciones poco especificadas (51,5% frente a 66,7%), hizo preguntas de seguimiento tras una respuesta débil mucho más a menudo (59,2% frente a 27,9%, d = 0,80) y juzgó la corrección de las respuestas con más sensibilidad a la calidad del prompt (OR de interacción = 2,52). Ni una escala general de conciencia metacognitiva (Jr. MAI) ni los autoinformes sobre IA generativa predijeron esas conductas ni el rendimiento final (r = 0,04 y r = 0,01); la monitorización y el control durante el uso de la IA generativa son específicos de la tarea, y la conducta observable aporta más información que los instrumentos de autoinforme construidos para capturarla.

• La puntuación automatizada llegó a la fase de desempeño, no a la planificación que la precede. Chen y Liu (2026) dieron a 46 estudiantes de interpretación 14 semanas de puntuación automatizada semanal con una puntuación devuelta, los errores marcados y una versión de referencia: el grupo automatizado ganó más en conjunto (d = 1,03), pero solo la monitorización durante la práctica correlacionó con las ganancias de puntuación (r = 0,42), mientras que la planificación previa al aprendizaje quedó cerca del punto medio de la escala (M = 3,01). La evaluación y la reflexión obtuvieron la segunda media más alta (3,87 de 5) pero mostraron un vínculo casi nulo con las ganancias (r = 0,10), así que una puntuación de reflexión alta no debería leerse como reflexión productiva.

• La alfabetización en verificación solo rinde a través de la autorregulación metacognitiva. Davor, Larbi y Boateng (2026) encuestaron a 533 estudiantes universitarios y encontraron que la alfabetización en verificación de la IA no tenía asociación directa con el pensamiento crítico ni con la resolución de problemas técnicos; solo importaba de forma indirecta, a través de la autorregulación metacognitiva (un patrón de mediación completa). La tendencia a la descarga cognitiva iba en la dirección opuesta, y predecía una menor autorregulación (-.294) junto con un menor pensamiento crítico (-.240) y una menor resolución de problemas (-.312).

• La reflexión aumentó con el acceso a la IA y alimentó el razonamiento, no las puntuaciones de las pruebas. Melanou, Beege y Kimmig (2026) siguieron a tres clases (N = 87) a lo largo de un curso de nueve semanas, con mediciones en tres momentos. El conocimiento mejoró en todas las condiciones, sin ventaja para ninguna de las condiciones con IA y sin efecto Mateo (BF01 = 8,70), pero el uso reflexivo (comprobar las fuentes y verificar la salida de la IA antes de adoptarla) fue muy superior en la condición con IA que en el grupo de control (M = 3,72 frente a 2,82, F(1, 40) = 20,21, p < 0,001) y predijo el pensamiento crítico (β = 0,43, p < 0,001, R² = 0,183) sin predecir ninguna ganancia de conocimiento. La reflexión apareció solo por el acceso a la herramienta y no por el andamiaje, y como su rédito se sitúa en el razonamiento, una prueba de conocimiento no registrará el beneficio metacognitivo de un curso apoyado por IA.

• Dentro de un instrumento de autoinforme metacognitivo, la conciencia predice más que el resto. Alatoai y Alshahri (2026) validaron una medida de 45 ítems del aprendizaje STEM apoyado por IA con 649 estudiantes de secundaria saudíes (CFI = 0,983, RMSEA = 0,019; ω de las subescalas = 0,888–0,905) y la usaron para ordenar sus componentes. Las cuatro dimensiones explicaron el 68% de la varianza de las puntuaciones de aprendizaje autorregulado, con la conciencia metacognitiva basada en IA como la más fuerte (β = 0,38, p < 0,001), seguidas de la transferencia cognitiva y la adaptabilidad (β = 0,29, p = 0,008), mientras que el razonamiento creativo y crítico con IA-STEM no resultó significativo (β = 0,14, p = 0,135). La conciencia es el componente que sostiene el rendimiento adaptativo, los autores aconsejan informar las subescalas por separado en lugar de una puntuación global, y reservan el razonamiento de orden superior para tareas de calidad del razonamiento; la medida es, no obstante, autoinformada, así que, como el estudio del taller anterior, captura la capacidad percibida y no el uso observado de estrategias.

• La propia monitorización de quien evalúa también es trabajo metacognitivo. Hoppe, Loibl y Leuders (2026) sostienen que una inferencia diagnóstica generada por IA no es evidencia en bruto sino una interpretación ya hecha, así que el profesorado debe integrarla con sus propias observaciones en un proceso que llaman metadiagnóstico, decidiendo deliberadamente si aceptarla, rechazarla o modificarla. Eso sitúa un segundo bucle metacognitivo junto al de quien aprende: no solo cómo regula el estudiantado su pensamiento con la IA, sino cómo evalúa el profesorado lo que el sistema afirma sobre ese pensamiento.

Concepciones erróneas

• «La asistencia de IA deja intacta la capacidad subyacente.» El estudiantado que usó asistencia de IA para redactar ensayos fue un 83% incapaz de recordar citas de sus propios ensayos, frente al 11% de quienes no usaron IA, lo que indica que no se implicó con el contenido durante la producción. El proceso de producción es donde ocurre la implicación, y saltárselo se nota después.
• «La descarga cognitiva lo degrada todo.» El coste parece acotado y no global: la descarga degrada la habilidad específica que se practica, no las capacidades generales de dominio subyacentes, y aflora en las pruebas de transferencia con algo. La localización importa, porque dice qué proteger en lugar de advertir de un declive general.
• «Poder producir implica poder retener.» La brecha de recuerdo del 83% frente al 11% es el contraejemplo directo: en ambas condiciones se produjo un resultado y la huella en la memoria difirió enormemente.

Conceptos conectados

• Patrones pedagógicos — Los pasos de reflexión que estas secuencias construyen
• Quienes aprenden — El estudiantado: el paraguas de los conceptos del lado de quien aprende
• Aprendizaje autorregulado
• Autoevaluación
• Descarga cognitiva
• Andamiaje
• IA agéntica
• Evaluación formativa
• Alfabetización en IA
• Recuperación, espaciado e intercalado — los juicios de aprendizaje y la ilusión de fluidez que corrige la práctica de recuperación
• Rendición cognitiva
• Reflexión

Artículos conectados

• Teaching students to question the machine: An AI literacy intervention improves students' regulation of LLM use in a science task — un taller de alfabetización en IA de dos horas cambió la regulación de la interacción con el LLM de estudiantes de secundaria, a diferencia de su metacognición autoinformada (Clerc et al. 2026)

• Student-AI interaction in computer-assisted consecutive interpreting: patterns and performance — Student-AI Interaction in Computer-Assisted Consecutive Interpreting

• Epistemic dependence in AI-mediated learning — La dependencia epistémica en el aprendizaje mediado por IA (Du y Yuan 2026)

• What students ask matters: LLM interaction depth, task quality, and immediate recall in higher education — Lo que pregunta el estudiantado importa: profundidad de la interacción con el LLM, calidad de la tarea y recuerdo inmediato (Tsiligkiris 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — La descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — La búsqueda de ayuda mediada por LLM en STEM: por capas, instrumental y verificada

• How motivation and roles influence metacognitive engagement in student-GenAI interaction — La motivación y los papeles en la implicación metacognitiva con IA generativa

• Metacognitive training facilitates optimal cognitive offloading — El entrenamiento metacognitivo facilita una descarga cognitiva óptima (Ngai y Gilbert 2026)

• Meta-cognitive insights into cognitive offloading: Mechanisms, interventions, and educational implications — Perspectivas metacognitivas sobre la descarga cognitiva: mecanismos, intervenciones e implicaciones educativas (Guo y Ye 2026)

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — El marco IDEA para el uso de la IA generativa regulado metacognitivamente

• Introducing HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning — HAIML: un modelo metacognitivo de aprendizaje con IA centrado en las personas (agencia y aprendizaje reflexivo)

• Metacognitively discordant completion and the aware pass-through of non-understanding in generative AI learning — La finalización metacognitivamente discordante y el paso consciente por la no comprensión

• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric–Systematic Review Approach (2005–2025) — Las herramientas de IA que andamian la metacognición en STEM

• Is AI making us stupid — ¿Nos está volviendo estúpidos la IA? Una crítica de la descarga cognitiva

• The Evidence Base on AI in K-12: A November 2026 Review — La IA de propósito general suprime la metacognición al completar el razonamiento

• AI advice suppresses people's willingness to say "I don't know", even when the advice is wrong and accuracy is incentivized — Los consejos de IA suprimen la disposición a decir «no lo sé», incluso con consejos incorrectos e incentivos de precisión

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — La IA agéntica y las buenas prácticas pedagógicas: la tensión entre automatización y aprendizaje

• Cognitive offloading and the speedup illusion in human-AI interaction — La descarga cognitiva y la ilusión de aceleración en la interacción entre personas y IA

• Artificial intelligence, cognitive offloading and implications for education — La IA, la descarga cognitiva y sus implicaciones para la educación (Lodge y Loble 2026)

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — La pedagogía de los errores de la IA: fomentar el pensamiento de orden superior (Hosseini 2026)

• 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 fallo 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

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — La reflexión sobre el proceso de prompting y el desarrollo de la autoría en el ciclo de alfabetización en prompts (Miles, Haber-Curran y Arar 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Una indicación de reflexión redujo la aceptación de consejos de IA incorrectos y mejoró la calibración de la conciencia (Ren 2026)

• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — La puntuación automatizada reforzó la monitorización pero no la planificación, y la reflexión autoinformada siguió siendo improductiva (Chen y Liu 2026)

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — La alfabetización en verificación que actúa solo a través de la autorregulación metacognitiva (Davor, Larbi y Boateng 2026)

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — El apoyo externo, y no la precisión del juicio metacognitivo, determinó la elección de estrategia de revisión (Iqbal et al. 2026)

• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — Una ganancia selectiva: el conocimiento metacognitivo subió mientras la planificación y la monitorización no lo hicieron (Wang et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — El uso reflexivo aumentó con el acceso a la IA y predijo el pensamiento crítico, no la ganancia de conocimiento (Melanou, Beege y Kimmig 2026)

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — La conciencia metacognitiva como el predictor más fuerte del aprendizaje STEM adaptativo (Alatoai y Alshahri 2026)

• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — Del diagnóstico al metadiagnóstico: el profesorado juzga las inferencias generadas por IA (Hoppe, Loibl y Leuders 2026)

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Preguntas abiertas hacia una dependencia que sostiene las habilidades en la implicación reflexiva con IA

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency through a metacognitive perspective — La metacognición, y no la pedagogía, como mecanismo de la agencia de quien aprende en la colaboración persona-IA (Dang, Hong, Doyle y Nguyen 2026)

• Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — La propiedad metacognitiva: un constructo para la gobernanza que ejerce quien aprende sobre estándares, juicios y acciones

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Los registros y el pensamiento en voz alta capturan procesos metacognitivos distintos en el aprendizaje asistido por IA generativa

• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — cuatro prácticas y once procesos de pensamiento reflexivo cuando el estudiantado trata la IA como socio cognitivo

• Ethical generative AI use in higher education: An action research study using the Think Aloud method — El Pensar en Voz Alta hizo visibles la construcción de prompts, la verificación y el razonamiento ético, pero la evaluación crítica se mantuvo superficial; no es una solución por sí sola

• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — La formación metacognitiva y el andamiaje socrático basado en IA en la práctica reflexiva de docentes en formación: un diseño experimental de doble estudio

• Cognitive dormancy: Supplanting structured learning with AI affordances — Dormancia cognitiva: una explicación experimental de la implicación metacognitiva suspendida y la creciente desorganización (Braun 2026)

• Can artificial intelligence promote metacognition? Evidence from a three-level meta-analysis — Metaanálisis de tres niveles: g agrupada = 0,624, que cae a la no significación en la monitorización calificada por precisión (Li et al. 2026)

• A metacognitive approach to learning and performance in human-AI interaction — Modelo SYNC: descarga frente a oncarga metacognitiva, y desempeño en la tarea desacoplado del aprendizaje duradero (Fan et al. 2026)

• University students’ overreliance on generative AI feedback in the learning process: the effects of perceived cognitive load, cognitive offloading, and metacognitive monitoring — La monitorización no bloquea tanto la ruta de la descarga como la redirige

• Metacognitive disengagement and knowledge innovation quality in human–AI collaboration: the mediating role of cognitive offloading and the moderating roles of task complexity and AI literacy — Cuando se omite la monitorización, y lo que cuesta