En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

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 motivación es, en cambio, procesos psicológicos que inician, dirigen y sostienen la conducta, y 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?
  • 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. Una IA que hace una tarea más fácil puede también hacerla menos motivadora, ya que el esfuerzo mismo forma parte de lo que sostiene el interés. La investigación explora 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. En cuanto a la persistencia en concreto, basta con una exposición breve: diez minutos con un asistente que respondía cuando se le pedía hicieron que los participantes omitieran 0,20 de los problemas sin ayuda, frente a 0,11 en los controles (Liu et al., 2026). 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.

Un metaanálisis de 42 estudios (56 tamaños de efecto, 6.059 estudiantes) encontró que el aprendizaje apoyado en IA generativa elevó la motivación en g = 0,764 de Hedges (IC del 95% [0,566, 0,962]), pero con I² = 93,7% y un intervalo de predicción del 95% de [−0,689, 2,217], el promedio oculta contextos en los que el efecto es casi nulo o negativo (Fang et al. (2026)).

  • El uso irreflexivo erosiona la motivación, y más en los hombres. El uso irreflexivo de la IAG (aceptar respuestas sin examinarlas) predijo una menor motivación (β = −0,54) y una menor autoeficacia (β = −0,37) entre 487 estudiantes universitarios, y el efecto sobre la motivación fue significativamente más fuerte en los estudiantes hombres mientras que el efecto sobre la autoeficacia lo fue en las mujeres (Zhao y Gu, 2026).
  • Reducir la frustración no es lo mismo que sostener la motivación. Un ECA de tres brazos encontró que un tutor andamiado y ChatGPT sin restricciones redujeron la frustración por igual (3,21 y 3,13 frente a 4,09), pero solo el tutor andamiado elevó la motivación intrínseca (2,82 frente a 2,42, p < 0,001); ChatGPT no lo hizo (2,64, p = 0,076) (Bassner et al. (2026)).
  • La misma calidad de retroalimentación no implica el mismo efecto motivacional. Un ECA de tres brazos con 312 escritores de primer año encontró que la retroalimentación generada por IA y la del profesorado mejoraron los ensayos revisados en la misma medida: d = 0,60 y 0,59, equivalentes dentro de una banda preespecificada de ±0,35 DE. La retroalimentación del profesorado, sin embargo, elevó la motivación intrínseca más que la de la IA (5,16 frente a 4,90, d = 0,31), y la relación percibida con la fuente medió esa brecha (indirecto 0,25, IC del 95% [0,12, 0,40]) sin que quedara casi ningún efecto directo (Liu et al. (2026)). El desempeño pasó por la implicación con la retroalimentación y no por la autoeficacia, cuya vía indirecta no fue significativa. Donde el ensayo de Bassner separaba la autonomía de la entrega de respuestas, este mantiene constante la calidad del producto y sitúa la diferencia motivacional en a quién responde quien aprende.

Por qué un lector recurre a la IA es en sí mismo una variable medible: la escala AIR resuelve cuatro motivos para la lectura asistida por IAG —orientado a tareas, sentirse bien, traducción y bajo esfuerzo—, y solo el de bajo esfuerzo, usar la IA cuando se está cansado o desconectado, se relacionó negativamente con la necesidad de cognición (r = −.18) (Brann, Etgar y Sidi (2026)).

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.

La orientación a metas también encauza cómo se usa la herramienta: las metas de dominio y de rendimiento normativo tienden a apoyar la elaboración y el refinamiento, mientras que las metas de rendimiento aparente hacen más probables la minimización del esfuerzo y la protección de la competencia percibida, de modo que un mismo asistente ofrece andamiaje o sustituye el pensamiento según el clima motivacional (Øby, 2026). La motivación de recompensa puede embotar el alcance de la retroalimentación de la IA: para Pérez-López et al. (2026), el vínculo entre credibilidad y aprendizaje percibido se debilitaba a medida que aumentaba la sensibilidad a la recompensa basada en notas —pendientes simples b = 0,733, 0,607 y 0,483 con sensibilidad baja, media y alta.

La política institucional de IA generativa es en sí misma un estresor que el estudiantado evalúa: Chen (2026) encontró que la brecha entre la defensa institucional de la IAG y su práctica en el aula elevaba tanto las valoraciones de desafío como las de obstáculo entre estudiantado chino de arte y diseño, con efectos indirectos opuestos sobre la implicación en el proceso creativo, mientras que el pensamiento de vías solo amplificaba la ruta del desafío.

Un formato de diálogo puede elevar la motivación sin mejorar la evaluación global: en 222 estudiantes de primer año de secundaria, el diálogo docente–docente elevó la motivación ARCS más que el formato docente–estudiante en quienes tenían alta experiencia concreta (b = 0,162, p < 0,001), pero obtuvo una puntuación significativamente menor en la evaluación global (b = -0,126, p = 0,005) (Watanabe et al. (2026)).

La motivación configura cómo enmarcan el estudiantado la herramienta, y el encuadre conlleva la ganancia metacognitiva: Cui et al. (2026) encontraron que el rol de colaborador —el 7,5% de los registros— era el único que producía una cadena metacognitiva completa, mientras que el estudiantado con motivación extrínseca usó la IAG como herramienta de reemplazo en el 64,6% de los registros y no produjo conexiones de orden superior.

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.

Una intervención de valor de utilidad no es uniformemente beneficiosa: una versión con andamiaje no produjo ninguna ganancia global en la integración de conocimientos del profesorado en formación y perjudicó a quienes partían con un alto valor de utilidad percibido, una interacción aptitud-tratamiento que aboga por ajustar el apoyo motivacional a los puntos de partida de quien aprende (Boos, Eder y Lachner (2026)). 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 autoeficacia es la raíz del disfrute del profesorado con la IAG. En un estudio PLS-SEM de 434 docentes en activo, la autoeficacia era la única variable exógena del modelo y su mayor efecto fue sobre el disfrute percibido (β = 0,805, f² = 1,839), alimentando a su vez la utilidad percibida y la facilidad de uso (Guillén-Gámez et al., 2026).

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).

La literatura mide la motivación sin una teoría de ella. Una revisión de alcance de 156 estudios de 2003 a 2025 encontró que 133 (85,3%) no se guiaban por ninguna teoría motivacional específica, la variable más común era una motivación académica generalizada (n = 89) y 88 estudios (56,4%) procedían de un único contexto nacional (Li et al., 2026).

La motivación también opera antes de la percepción de la tecnología, y no solo junto a ella. En una muestra de 340 estudiantes de física, el valor de utilidad predijo la utilidad percibida (β = 0,43) y el valor intrínseco predijo la actitud (β = 0,20), mientras que el coste percibido redujo la facilidad de uso (β = −0,16) y la actitud (β = −0,27) sin una ruta directa hacia la intención (Xue, Xu, Qi y Lu (2026)).

La regulación motivacional es el constructo más delgado de esta literatura. En 39 estudios, Pan, Abuhassna y Jiang (2026) encontraron la motivación autónoma medida en 2 estudios, con la regulación identificada y la motivación controlada en 1 cada uno, frente a 17 estudios que medían las necesidades psicológicas básicas y 10 que medían la implicación. Los autores llaman a esa brecha el problema central de la revisión, porque la regulación pregunta por qué está motivado un estudiante mientras que la satisfacción de necesidades solo pregunta si el entorno lo apoyó.

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).

Concepciones erróneas

  • «El efecto de la IA generativa sobre la motivación es una ganancia limpia y grande.» Un metaanálisis de 42 estudios (56 tamaños de efecto, 6.059 estudiantes) encontró un efecto sobre la motivación de g = 0,764 (IC del 95% [0,566; 0,962]) pero con I² = 93,7%. Una heterogeneidad tan alta significa que la cifra agrupada describe un conjunto de estudios que no coinciden entre sí, así que es un promedio sobre tratamientos inconsistentes y no un efecto reproducible.
  • «Reducir la frustración es lo mismo que sostener la motivación.» Un ECA de tres brazos encontró que un tutor con andamiaje y un ChatGPT sin restricciones redujeron la frustración por igual (3,21 y 3,13). Dos diseños muy distintos produjeron el mismo resultado afectivo, así que los datos de frustración no permiten distinguirlos.
  • «Un diseño motivador es un buen diseño.» En 222 estudiantes de primer curso de secundaria, un formato de diálogo entre docentes elevó más la motivación ARCS que la alternativa, sin mejorar la evaluación global. La motivación se movió y la calidad juzgada no.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.