Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Análisis de redes

Creada 2026-09-28 · Actualizada 2026-09-28

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

El análisis de redes — la familia de métodos de investigación que modelan entidades (personas, conceptos, acciones o códigos) como nodos conectados por aristas que representan relaciones o transiciones, y después analizan la estructura y la dinámica de la red resultante para revelar patrones invisibles a los recuentos de frecuencia o a las comparaciones por pares. En la investigación sobre IA en educación, el análisis de redes se usa para mapear los patrones de interacción entre quien aprende y las herramientas de IA, modelar cómo coocurren el conocimiento o los elementos del discurso, y trazar secuencias temporales de comportamiento. Incluye variantes distintas —el Análisis de Redes Epistémicas (ENA, que modela la coocurrencia de códigos o constructos), el Análisis de Redes Sociales (SNA, que modela las relaciones entre personas) y el Análisis de Redes de Transición (TNA, que modela secuencias temporales de estados)—, y cada una operacionaliza «el aprendizaje como conexión» de una manera diferente. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing) (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)

Preguntas para reflexionar

  • Cuando oye «análisis de redes» en educación, ¿qué imágenes le vienen a la mente: mapas de amistad del estudiantado, vínculos entre ideas o algo distinto? ¿En qué se diferencian de simplemente contar con qué frecuencia ocurren las cosas?
  • Suponga que quiere saber si el estudiantado interactúa de verdad con la retroalimentación de una herramienta de escritura con IA o si solo obtiene respuestas. ¿Por qué una métrica de «cuántas veces hicieron clic» podría dejar escapar la historia que revelaría una secuencia de acciones (por ejemplo, un bucle de revisión frente a un bucle de chat)?
  • La página distingue el análisis de redes epistémicas, sociales y de transición. Sin conocer los detalles, ¿puede adivinar qué variante usaría para estudiar (a) cómo colaboran las personas, (b) qué ideas coocurren en el razonamiento del estudiantado y (c) cómo pasa quien aprende de un estado a otro a lo largo del tiempo?
  • Una persona investigadora encuentra que el estudiantado con alfabetización alta y baja usa la misma herramienta de IA pero produce estructuras de red de razonamiento muy distintas. ¿Qué le dice eso sobre evaluar herramientas de IA con una única puntuación promedio?
  • Métricas de red como la «densidad» y la «centralidad» describen si la interacción es aleatoria u organizada en torno a nodos centrales. ¿Cuándo sería una red organizada en torno a un solo estudiante una señal de buena colaboración, y cuándo una señal de problema?

Introducción

Los métodos de análisis de redes comparten una premisa central: que la estructura de las conexiones —y no solo su presencia o su frecuencia— tiene significado. En lugar de preguntar «cuánto de X ocurrió», preguntan «cómo están conectados los elementos, y qué revela esa conectividad sobre la cognición, la colaboración o los procesos de aprendizaje?». Esto los hace especialmente valiosos en la IA en educación, donde la investigación quiere cada vez más entender el proceso de la interacción entre quien aprende y la IA (cómo navega el estudiantado la Retroalimentación, el diálogo y la revisión) y no solo el producto (puntuaciones finales, tasas de error).

Variantes usadas en el corpus de la base de conocimiento

Estas se diferencian de un Grafo de conocimiento, que es una estructura de datos para representar y razonar sobre hechos (una ontología o almacén de tripletas), y no un método analítico para estudiar procesos o estructuras de relación.

El análisis de redes en la investigación sobre IA en educación

Los métodos de redes se usan en toda la base de evidencia de la base de conocimiento para responder preguntas que las métricas agregadas no pueden responder:

Consideraciones metodológicas

  • La codificación es la base. Todas las variantes de redes dependen de codificar de forma fiable los datos brutos (enunciados, eventos, relaciones) en nodos o códigos discretos; la codificación automatizada basada en LLM se usa cada vez más, pero requiere validación humana (por ejemplo, κ de Fleiss de 0,70–0,71 en los estudios de TNA). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • Las métricas de nivel de red resumen la estructura. La densidad, la reciprocidad, la centralización y la fuerza de entrada y de salida describen si la interacción es aleatoria u organizada en torno a nodos «gravitatorios», y cuán recíproco es el intercambio.
  • Se necesita comparación estadística para las diferencias entre grupos. Se usan pruebas de chi cuadrado o pruebas de permutación para establecer que las diferencias de red observadas (por ejemplo, por competencia) no se deben al azar.
  • Interpretar con cuidado. La granularidad de los nodos (por ejemplo, un nodo «chat» demasiado grueso) puede ocultar la intención; la clasificación automatizada conlleva cierta ambigüedad; y una estructura de red transversal no establece causalidad.

Implicaciones para la investigación sobre IA en educación

  1. Preferir métodos de proceso frente a métricas solo de producto. Para evaluar si las herramientas de IA apoyan el aprendizaje, modelar cómo interactúa realmente el estudiantado (aprovechamiento, diálogo, revisión) con métodos de secuencia y de redes, en lugar de depender solo de las puntuaciones finales.
  2. Usar el ENA para comparar la estructuración cognitiva. Cuando se pregunta cómo estructuran su razonamiento distintos estudiantes o modos (humano frente a IA), el ENA ofrece una comparación visual y directa de redes de coocurrencia: una técnica muy adecuada para el modelado del estudiantado de cómo quien aprende conecta ideas.
  3. Validar la codificación automatizada. Con grandes conjuntos de registros, la clasificación basada en LLM es potente, pero debe contrastarse con la codificación humana (informar del acuerdo entre evaluadores) antes de interpretar la estructura de la red.
  4. Diseñar para la diferenciación. El análisis de redes revela a menudo que la misma herramienta de IA produce patrones de interacción distintos entre subgrupos de estudiantes, lo que informa un diseño adaptativo en lugar de una evaluación uniforme.

Validación con ENA del diálogo colaborativo simulado

  • El ENA como validación del diálogo simulado. Fang (2026) aplica el Análisis de Redes Epistémicas para evaluar si agentes LLM ajustados reproducen la estructura del diálogo real de Resolución de problemas colaborativa. Al comparar los vectores de adyacencia simulados con la red empírica, reporta una distancia ENA de 0,17 —dentro del umbral del percentil 95 de la distribución nula, con un valor p de permutación de 0,65—, lo que demuestra el poder del ENA como comprobación cuantitativa de la fidelidad de las simulaciones generativas del discurso, junto a otras aplicaciones del ENA, el SNA y el TNA en la investigación educativa.

Conceptos conectados

Artículos conectados

Metadatos

Tecnologías y técnicasGrafo de conocimiento, Analítica del aprendizaje
Métodos de investigación y evaluaciónAnálisis de redes, Métodos de investigación en AIED
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.