Motivación

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

La motivación — los procesos psicológicos que inician, dirigen y sostienen la conducta orientada a metas. En la IA en la educación, la investigación sobre la motivación examina cómo las herramientas de IA afectan la motivación de quienes aprenden y de quienes enseñan —si la IA ofrece andamiaje o socava la persistencia, la curiosidad y la implicación intrínseca— y cómo los estados motivacionales configuran la eficacia del aprendizaje mediado por IA.

Preguntas para reflexionar

• La motivación se trata a menudo como un rasgo que algunos estudiantes «tienen» y otros no. La página la describe, en cambio, como procesos psicológicos que inician, dirigen y sostienen la conducta, y como algo evolutivo y socialmente andamiado. ¿Cómo replantea eso a quién corresponde la responsabilidad de la motivación del estudiantado?
• Las herramientas de IA pueden eliminar fricciones y hacer el aprendizaje más accesible, pero también pueden reducir el esfuerzo cognitivo y la dificultad que sostienen la motivación intrínseca. ¿Cuándo ha hecho que algo sea «más fácil» que resultara en realidad menos motivador o menos satisfactorio para usted?
• La teoría de la autodeterminación sostiene que la motivación intrínseca crece con la autonomía, la competencia y la relación con los demás. Si un tutor de IA hace la mayor parte del trabajo, ¿cuál de esas tres podría verse amenazada y cuál potenciada?
• La investigación encuentra perfiles motivacionales distintos entre estudiantes de un currículo con IA, y que alcanzar un perfil autodeterminado predecía las mayores ganancias de alfabetización en IA. ¿Qué haría falta para que quien aprende pase de estar pasivamente desimplicado a ser genuinamente autodeterminado en el uso de la IA?
• La página informa de que el apoyo docente impulsa la implicación asistida por IA en gran medida a través de metas de aproximación al dominio y de aproximación al rendimiento, es decir, orientaciones de «aproximación» y no de «evitación». ¿Cómo configura el modo en que un docente enmarca el uso de la IA («para acertar» frente a «para no parecer equivocado») la profundidad de la implicación del estudiantado?
• Si diseña para la motivación, ¿el objetivo es hacer el aprendizaje más fácil, más atractivo o más significativamente esforzado? ¿Dónde tiran en direcciones opuestas la accesibilidad y la motivación intrínseca?

Introducción

La motivación es un constructo fundacional en la investigación educativa, y el auge de la IA en la educación lo ha vuelto más decisivo: las herramientas de IA pueden eliminar fricciones y hacer el aprendizaje más accesible, pero también pueden reducir el esfuerzo cognitivo y la dificultad que sostienen la motivación intrínseca y el aprendizaje profundo. Los artículos de esta base de conocimiento exploran la motivación en herramientas de IA dirigidas a quien aprende, en sistemas de IA dirigidos al profesorado y en los mecanismos psicológicos —autodeterminación, autoeficacia, emociones— a través de los cuales la IA configura la conducta motivada.

• Lee y Wu muestran que el género y la motivación impulsan una implicación diferencial con la IA generativa, con trayectorias distintas de rendimiento.

Temas clave de investigación

Los efectos de la IA en la motivación del estudiantado constituyen la línea de investigación más directa. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming examina cómo la disponibilidad de la asistencia de IA afecta la motivación y la persistencia del estudiantado, en conexión con la investigación sobre la dependencia excesiva y la erosión de la motivación cuando la IA hace el trabajo. Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement explora el diario con chatbot móvil como intervención motivacional. Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes examina qué motiva al estudiantado a adoptar herramientas de aprendizaje con IA en la educación en ingeniería.

La motivación en la implicación mediada por IA examina cómo cambia la calidad motivacional (no solo la cantidad) con la IA. Isaeva et al. combinaron la teoría de la autodeterminación con el análisis de redes epistémico para estudiar la implicación con la IA generativa. Liang et al. (2026) siguieron el desarrollo de la motivación mediante un análisis de transición latente de 2.086 estudiantes de secundaria en un currículo de IA de un año, encontrando tres perfiles estables (Desimplicado, En desarrollo, Autodeterminado) y que alcanzar el perfil Autodeterminado predecía las mayores ganancias de alfabetización en IA. Wang y Wang (2026) usaron la teoría del establecimiento de metas con 758 estudiantes universitarios de inglés, mostrando que el apoyo docente impulsa la implicación asistida por IA principalmente a través de metas de aproximación al dominio y de aproximación al rendimiento (las orientaciones de aproximación, no de evitación). En conjunto, estos estudios muestran que la motivación en contextos de IA es a la vez evolutiva y socialmente andamiada: cambia con el tiempo y responde al apoyo docente y al enmarcado de las metas, no solo al diseño de la herramienta.

Las ganancias de motivación son específicas de cada constructo, no generales. Lu et al. (2026) encontraron que un programa de escritura de nueve semanas apoyado en IA generativa para 301 estudiantes de 5.º y 6.º grado elevó su yo ideal como escritores en L2 y su capacidad de recuperación académica —los componentes aspiracional y de resiliencia de la motivación— mientras dejaba intacta la mentalidad de crecimiento; la única ganancia en mentalidad de crecimiento apareció en el grupo de control y no sobrevivió a la corrección por comparaciones múltiples. El estudiantado atribuyó el cambio a ver texto fluido construido con vocabulario que ya conocían, lo que hizo que escribir bien se sintiera alcanzable. Así pues, la motivación no es un único dial que la IA sube: lo que mejoró fue la creencia de que uno puede escribir bien, no la creencia de que la capacidad crece con el esfuerzo. La misma especificidad de constructo aparece cuando la IA generativa es en sí misma la intervención de relevancia. Guo, Fryer y Shum (2026) hicieron que 218 estudiantes de secundaria pasaran una hora en diálogo semiestructurado con un chatbot orientado a la relevancia personal de las matemáticas; la versión colectiva, a nivel de clase, elevó la relevancia como identificación (F = 4,35, p = 0,014, η² = 0,04; frente al control, F = 11,11, p = 0,001, η² = 0,073, un efecto medio) y, en el SEM, predijo la relevancia para una lección concreta una semana después (β = 0,18, p < 0,01), mientras que el interés por la clase de matemáticas no se movió (F = 0,29, p = 0,75, η² = 0,003). Los autores atribuyen el desacoplamiento a la dosis: una única sesión de una hora es demasiado breve para que las ganancias de relevancia se consoliden en interés por la clase. Un mensaje de retroalimentación mueve el interés a través de su utilidad percibida, no de las disposiciones de quien aprende. Jansen et al. (2026) dieron a 1.507 estudiantes de secundaria un mensaje estandarizado de retroalimentación automatizada tras un primer borrador de un texto argumentativo: la receptividad global fue la única dimensión de receptividad relacionada con el cambio de interés situacional (unos 0,11 puntos en la escala observada, aproximadamente el percentil 54 frente al 46), y ese efecto estaba totalmente mediado por la utilidad percibida (β indirecto = 0,09, IC del 95% [0,06, 0,13]) sin que quedara ninguna ruta directa significativa (β = 0,06, IC del 95% [−0,07, 0,16]), de modo que lo que movió el interés fue el valor sentido del mensaje y no la postura general de quien aprende hacia la retroalimentación.

La motivación y la persistencia del profesorado examina la motivación entre los educadores. Framing the 5 Percent Problem estudia la persistencia docente con herramientas de IA, y Chiu et al. encontraron que un desarrollo profesional que apoya las necesidades fomenta una implicación conductual sostenida en las comunidades profesionales de aprendizaje.

• La motivación transcultural del futuro profesorado: Martínez-Moreno et al. (2026) validaron la escala (D)FIT-Choice con 416 estudiantes de magisterio de Suiza y China, encontrando que el profesorado suizo declara una mayor utilidad social y motivación intrínseca, mientras que el chino muestra una mayor competencia digital percibida y entusiasmo por integrar la IA, lo que pone de relieve cómo los factores culturales y sistémicos configuran la motivación para dar forma al futuro de la educación con IA.

La paradoja del esfuerzo y el círculo vicioso de la asistencia. Zohar, Bloom e Inzlicht (2026) sostienen que la IA no simplemente ayuda o estorba a la motivación, sino que la redistribuye: los humanos suelen tomar el camino de menor resistencia, pero también buscan el esfuerzo —la paradoja del esfuerzo— porque el esfuerzo señala que las acciones importan y porque la recompensa ligada al proceso más que al producto aumenta la tendencia a esforzarse y perseverar. De ahí se siguen dos afirmaciones. Primera: la relación entre esfuerzo y significado es una U invertida, de modo que el objetivo motivacional es una fricción moderada, y el riesgo de una IA sin fricción es pasarse hacia demasiado poco. Segunda: un círculo vicioso, pues a medida que la IA sustituye el esfuerzo en un ámbito, se erosionan los beneficios motivacionales del esfuerzo en ese ámbito, lo que hace a los usuarios más dependientes de la IA, lo que erosiona aún más la motivación. También separan el suplemento del sustituto según la etapa de desarrollo: quienes aprenden en etapas tempranas corren el riesgo de saltarse las experiencias que construyen la perseverancia, mientras que quienes ya tienen habilidades establecidas pueden usar la IA para ahorrar tiempo (Dificultades deseables, Autoeficacia).

Conexiones con conceptos relacionados

La motivación es el constructo padre de la teoría de la autodeterminación, que especifica las necesidades psicológicas (autonomía, competencia, relación con los demás) que sostienen la motivación intrínseca. Se conecta con la experiencia del estudiante como capa vivencial de la implicación motivada, con la implicación del estudiante como su dimensión medible y con la computación afectiva por los mecanismos emocionales que configuran la motivación. La motivación también se conecta con la dependencia excesiva (la IA que reduce el esfuerzo productivo), con el aprendizaje autorregulado (quienes están motivados se autorregulan) y con el papel docente (la motivación se aplica a los educadores tanto como al estudiantado).

Conceptos conectados

• Quienes aprenden — Estudiantes: el concepto paraguas para las nociones del lado de quien aprende
• Aprendizaje autodirigido
• Teoría de la autodeterminación
• Experiencia del estudiantado
• Implicación del estudiantado
• Computación afectiva
• Tutoría afectiva
• Descarga cognitiva
• Aprendizaje autorregulado
• La docencia
• IA en la educación
• Enmarcar el uso de la IA para el estudiantado
• Aprendizaje socioemocional — Aprendizaje socioemocional

Artículos conectados

• Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception — Retroalimentación automatizada en la escritura argumentativa: el papel de la receptividad y la percepción de la retroalimentación en estudiantes de secundaria
• Against frictionless AI — La paradoja del esfuerzo y el círculo vicioso de la asistencia sin fricción
• How motivation and roles influence metacognitive engagement in student-GenAI interaction — Motivación y roles en la implicación metacognitiva con IA generativa
• Differential engagement with generative artificial intelligence in higher education: Gender, motivation, and achievement trajectories — Género, motivación y trayectorias de rendimiento con IA generativa
• Beyond Task Completion: A Theoretical Integration and Framework for Guiding Students' ChatGPT Use for Learning
• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences
• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review
• Artificial Intelligence in Online Education: A Systematic Review of Its Impact on Learner Engagement and Satisfaction
• How Does Students' Perception of ChatGPT Shape Online Learning Engagement and Performance?
• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Marco de juego de coordinación para el uso ético de la IA en la educación superior (Ogbo et al. 2026)
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison
• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study
• Teacher education for artificial intelligence literacy through a self-determination theory perspective
• Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement
• Framing the 5% Problem: Teachers'' Perspectives on Persistence in Educational Technology
• Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice
• Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory — Tutores de IA diseñados por el profesorado en la enseñanza universitaria de lenguas extranjeras: un estudio de métodos mixtos sobre la motivación de quien aprende y la experiencia de aprendizaje reflexivo basado en la teoría de la autodeterminación
• Using Context-Based and AI-Enhanced Approaches to Improve Student Engagement and Achievement in Secondary Chemistry Education — Enseñanza 7E contextualizada con IA en química de secundaria
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Evaluación de la competencia digital docente para el diseño curricular con IA generativa (Guillén-Gámez 2026)
• Motivation to shape the future of education with Artificial Intelligence: An international comparison between Switzerland and China — Motivación para dar forma al futuro de la educación con IA
• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Experiencias del estudiantado con ChatGPT en el aprendizaje del inglés
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Características de quien aprende × interacciones con el formato de diálogo TTS
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Percepciones del estudiantado sobre las herramientas de inteligencia artificial para la productividad de estudio y el aprendizaje: un estudio exploratorio por encuesta
• From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — Análisis de transición latente basado en la SDT de la motivación de aprendizaje con IA (2.086 estudiantes de secundaria)
• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Teoría del establecimiento de metas: apoyo docente, metas de logro e implicación en el aprendizaje del inglés asistido por IA (758 estudiantes chinos)
• Perceived Utility Moderates Motivational Intervention Effects in Learning to Teach Responsibly with GenAI — Efectos de una intervención de valor de utilidad en el aprendizaje para enseñar responsablemente con IA generativa (Boos, Eder y Lachner 2026)
• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — Motivación del estudiantado y satisfacción de necesidades en aulas con IA generativa (Schweder, Hagenauer y Raufelder 2026)
• Enhancing AI Literacy Course Satisfaction Through Empowerment in AI Problem-Solving and Ethical Awareness: Development and Validation of an AI Project-Based Learning Scale — Escala AI-PBLS; el empoderamiento y la conciencia ética median entre el ABP y la satisfacción en cursos de alfabetización en IA (Zhu y Kong 2026)
• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — Predicción del abandono estudiantil en la programación competitiva
• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Ganancias de motivación específicas de constructo en un programa de escritura en L2 con IA generativa en primaria (Lu et al. 2026)
• The AIR Scale: Development and Validation of a Measure of Motivations for Using AI During Reading — La escala AIR: cuatro familias de motivos para recurrir a la IA durante la lectura
• Utilizing generative AI to promote high school students' personal relevance to math and interest in the math class: An intervention — El diálogo de relevancia con IA generativa elevó la relevancia como identificación pero dejó plano el interés por la clase
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — La IA puede hacer tus deberes. ¿Y ahora qué? Informe de un taller en línea sobre la evaluación en informática en la era de la IA generativa