Neurodiversidad

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

Neurodiversidad — el encuadre que sostiene que las diferencias neurológicas como el autismo, el TDAH, la dislexia y la dispraxia son variaciones naturales de la cognición humana y no déficits que haya que corregir. En educación, un enfoque afirmativo de la neurodiversidad diseña entornos de aprendizaje que acomodan y aprovechan estas diferencias en lugar de forzar la conformidad con una única norma cognitiva.

Preguntas para reflexionar

• La página enmarca la neurodiversidad como diferencias neurológicas que son variaciones naturales y no déficits que arreglar. ¿Cómo cambia ese giro de encuadre lo que debería significar «ayudar» a un estudiante con autismo, TDAH o dislexia en su propio contexto?
• Piense en una herramienta de IA generativa que produce respuestas largas y cargadas de texto. ¿A qué estudiantes neurodivergentes podría ayudar y a cuáles podría perjudicar, y se le ocurren decisiones de diseño que inclinarían la balanza en uno u otro sentido?
• La IA que reduce la carga cognitiva puede apoyar a quienes tienen dificultades con la función ejecutiva o con las expectativas sociales, pero la IA que fomenta la dependencia puede socavarlos. ¿Dónde traza la línea entre apoyo y dependencia excesiva para un estudiante concreto?
• La página advierte de que las herramientas de IA que dan por supuesto un estilo de comunicación dominante pueden recapitular brechas de equidad. ¿Recuerda alguna ocasión en que una herramienta o un aula «de talla única» diera por supuesto que todo el mundo aprende igual, y qué pasó por alto?
• ¿Cómo podría el neurotipo de un estudiante cambiar la forma en que se interpretan sus señales conductuales en la analítica del aprendizaje? ¿Qué riesgo surge cuando la IA lee la implicación o la dificultad sin saber cómo funciona un cerebro concreto?
• La evidencia más sólida de esta página respalda un cambio de diseño general que ayudó a todos y cerró una brecha, no una herramienta creada para un diagnóstico. ¿Por qué los cambios universales podrían superar a los condicionados por diagnóstico, y qué implica eso sobre cómo gastaría un presupuesto limitado de accesibilidad?

Introducción

El paradigma de la neurodiversidad desplaza el objetivo del trabajo de educación especial y accesibilidad de «arreglar a quien aprende» a «adaptar el entorno». Se solapa con el diseño universal para el aprendizaje y el aprendizaje inclusivo, pero hace hincapié en afirmar la identidad y en un diseño basado en fortalezas más que en la acomodación como compensación.

En la era de la IA este encuadre se convierte en una prueba de diseño y no en un eslogan. La IA generativa ofrece una promesa real para quienes aprenden de forma neurodivergente —medios alternativos de implicación, representación y expresión, apoyo a la función ejecutiva y menor carga extrínseca— y también un riesgo real, ya que las herramientas que dan por supuesto un estilo de comunicación dominante, condicionan el apoyo a un diagnóstico formal o fomentan la dependencia pueden perjudicar precisamente a quienes dicen servir. Esta página mapea lo que la evidencia muestra de verdad, categoría por categoría, y dónde se agota.

Qué cubre la investigación

Dos revisiones definen la forma del campo, y ambas describen fragmentación y no consolidación.

Una revisión de alcance PRISMA-ScR (Rempel et al., 2026) buscó en cinco bases de datos y en una década de publicaciones (2015–2025), filtrando 766 registros hasta 40 estudios empíricos sobre tecnologías digitales de asistencia para estudiantes neurodivergentes en la educación superior. El campo se ha reorganizado en torno a la IA generativa —15 de los 40 estudios—, con los formatos inmersivos en segundo lugar, con 11. Su crítica central es una crítica de diseño: la acomodación individual y las herramientas específicas por neurotipo organizadas en torno a un diagnóstico formal no pueden abordar diferencias funcionales que atraviesan los neurotipos, por lo que recomienda el diseño universal y el desarrollo participativo. También señala que las herramientas más inmersivas son las menos escalables.

La revisión interdisciplinar de la IA para la dislexia (Dabaghi, D'Urso y Sciarrone, 2026) cubre 2018–2024 con 72 estudios y encuentra que la IA se usa para la detección, el apoyo asistencial y la personalización, con esas líneas evolucionando en paralelo en lugar de integrarse, y el campo impulsado más por la oportunidad tecnológica que por una teoría educativa consolidada. Su investigación sobre detección (EEG, seguimiento ocular, modelos de aprendizaje automático) muestra potencial diagnóstico para la intervención temprana, pero a menudo necesita equipo especializado y condiciones controladas, lo que limita su uso en aulas ordinarias. Esa es la prueba práctica que esta línea entera no deja de suspender: el apoyo tiene que estar integrado en el curso que el estudiante está cursando de verdad.

Autismo y TDAH en el aula

Una encuesta con 24 estudiantes de informática neurodivergentes (autistas o con TDAH) y 20 pares neurotípicos, con cuatro entrevistas en profundidad, encontró una incomodidad significativa con tareas que carecen de estructura clara o conllevan expectativas ambiguas, y que las mismas estructuras que favorecen a quienes aprenden de forma neurotípica en el aprendizaje activo colaborativo pueden excluir a sus pares neurodivergentes. Los autores lo presentan como preliminar y entre los primeros estudios que sitúan en el centro las voces neurodivergentes en la enseñanza de la informática, lo que también es una medida de qué poca evidencia existe.

El estudio de segmentación de vídeo (Pimenova, Begel y colegas, 2026) es el resultado único más sólido de esta página. Tratar los vídeos instruccionales como un problema de procesamiento a posteriori —segmentándolos en fragmentos de una sola instrucción con pausas fijas para reducir la carga extrínseca— mejoró el rendimiento de todo el mundo en un diseño intrasujeto (17 con TDAH, 10 sin TDAH), y los errores y las dudas de los participantes con TDAH bajaron hasta la paridad con sus pares sin TDAH. Un cambio igualador que no necesita diagnóstico, ni declaración, ni herramienta aparte es la demostración disponible más limpia del diseño universal para el aprendizaje mediante la transformación automatizada del contenido.

Dificultades específicas de aprendizaje, dislexia y descarga cognitiva

Zhang et al. (2024) agruparon 29 estudios (cuasi)experimentales sobre intervenciones basadas en IA para el estudiantado con discapacidad y encontraron un efecto global positivo medio (g de Hedges = 0,588; IC del 95% [0,349, 0,826]) en 239 tamaños del efecto de 41 muestras independientes. Dos detalles importan más que el titular. El primero es que el efecto varía según la categoría de discapacidad: el estudiantado con dificultades específicas de aprendizaje, con discapacidad intelectual y del desarrollo o sordo mostró un efecto mayor (g = 0,952) que el estudiantado con trastorno del espectro autista (g = 0,368), aunque los autores informan de que la diferencia no es estadísticamente significativa. El segundo es el sesgo de publicación: la prueba de Egger fue significativa (β = 2,837; p < 0,001) y el método de recorte y relleno redujo la estimación agrupada a g = 0,2694, todavía positiva. «Estudiantado neurodivergente» no es una única población, y un efecto agrupado entre categorías no es una promesa para ninguna de ellas.

El lado del riesgo tiene su propia literatura. Seung y Basham (2026) sostienen que la IA generativa ha convertido la descarga cognitiva de una ayuda de estudio periférica en una delegación de procesos cognitivos de orden superior, con implicaciones especialmente importantes para el estudiantado con dificultades de aprendizaje: quienes tienen más probabilidades de que se les ofrezca el atajo y menos de beneficiarse de él si el proceso delegado era el objetivo de la tarea.

Función ejecutiva y dependencia

Klarin, Hoff y Daukantaitė (2026) definen la dependencia de forma estricta —preferir la IA generativa al propio esfuerzo o al apoyo del profesorado, más la dificultad para iniciar el trabajo escolar sin ella— y la ponen a prueba en dos muestras comunitarias suecas de adolescentes (849 estudiantes de secundaria baja, n analítico = 735, y 898 de secundaria alta, n analítico = 839). Las dificultades de función ejecutiva atravesaban la utilidad percibida y el uso habitual hasta llegar a la dependencia en ambas muestras, con efectos indirectos pequeños (β = 0,10; IC del 95% [0,06, 0,14] en la muestra de secundaria baja; β = 0,08; IC del 95% [0,04, 0,12] en la de secundaria alta). La lectura práctica: el estudiantado que más necesita apoyo para iniciar es aquel para quien una herramienta cómoda se convierte más fácilmente en la ruta por defecto en lugar de una opción, y los tamaños del efecto aquí son lo bastante pequeños como para que esto sea una preocupación de diseño y no un diagnóstico.

Advertencias de diseño

• El apoyo condicionado por diagnóstico excluye a quienes no nombra. La crítica de la revisión de alcance se aplica directamente a cómo se despliegan las funciones de IA: si una función se desbloquea con una carta de adaptación, quienes tienen diferencias funcionales pero ningún diagnóstico nunca la ven.
• Las herramientas pueden excluir epistémicamente, no solo funcionar mal. Tali-Otmani (2026) sostiene que los datos de entrenamiento anglófonos y centrados en Occidente marginan formas de conocer no hegemónicas, y sitúa la situación de quienes aprenden con discapacidad en el centro de esa crítica: una advertencia de que la IA «inclusiva» puede seguir codificando qué conocimiento cuenta.
• Las señales conductuales las leen sistemas que no conocen a quien aprende. La interpretación de la implicación, la dificultad o la atención en la analítica del aprendizaje y el modelado del estudiante da por supuesto un patrón normativo de respuesta; véase Efectos diferenciales entre grupos de aprendices para la evidencia sobre la equidad de ese supuesto.
• La dependencia es un resultado del diseño, no un fallo de quien aprende. Dada la ruta hacia la dependencia descrita arriba, la pregunta que hay que hacer a cualquier función de IA es si sustituye el proceso de orden superior que la tarea existe para construir: el punto que Seung y Basham plantean para las dificultades de aprendizaje.

Dónde la evidencia es escasa

• Casi todo aquí es de un solo grupo. El metaanálisis sobre discapacidad no tiene comparador neurotípico, así que establece que las intervenciones ayudaron, no que ayudaran de forma distinta a este grupo.
• Las muestras son pequeñas. Veinticuatro estudiantes y cuatro entrevistas en el estudio sobre informática; 17 y 10 en el estudio de vídeo sobre TDAH; 72 estudios en la revisión sobre dislexia con las líneas todavía sin acoplar.
• Los límites entre categorías difieren entre estudios, por lo que la comparación entre estudios del «mismo» neurotipo es limitada, y las diferencias entre categorías del metaanálisis se informan como no significativas.
• Los propios revisores del campo lo describen como impulsado por la tecnología, lo que significa que la evidencia sobre intervenciones es escasa justo donde la orientación de diseño es más sólida.

Conexiones

La neurodiversidad conecta con la educación especial, el aprendizaje inclusivo, el diseño universal para el aprendizaje y la equidad en la educación con IA. Informa tanto de cómo se despliega la IA para la experiencia del estudiantado como de cómo se diseñan las evaluaciones y los programas de alfabetización para ser justos ante la variabilidad cognitiva. Para ver cómo estos hallazgos se sitúan junto a otros grupos de aprendices —lengua, género, nivel socioeconómico, geografía—, véase Efectos diferenciales entre grupos de aprendices.

Conceptos conectados

• Educación especial
• Aprendizaje inclusivo
• Diseño universal para el aprendizaje
• Equidad
• Efectos diferenciales entre grupos de estudiantes
• Experiencia del estudiantado
• Aprendizaje personalizado
• Analítica del aprendizaje
• IA generativa
• Descarga cognitiva
• Modelado del estudiantado e instrucción adaptativa

Artículos conectados

• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — IA generativa, realidad virtual y más allá: revisión de alcance de las tecnologías digitales de asistencia para estudiantes neurodivergentes en la educación superior
• Let's CHAT About Artificial Intelligence for Students With Disabilities: A Systematic Literature Review — 29 estudios sobre IA para el estudiantado con discapacidad, y un efecto que difiere según la categoría
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education — Segmentación temporal de vídeo que llevó a los participantes con TDAH a la paridad
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning — 24 estudiantes de informática neurodivergentes sobre estructura, ambigüedad y colaboración
• Individual Differences in Reliance on Generative AI in Schoolwork: The Role of Executive Functioning Difficulties, Perceived Usefulness, and Habitual Use — Dificultades de función ejecutiva, utilidad percibida y la ruta hacia la dependencia de la IA
• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — Descarga cognitiva con IA generativa en el estudiantado con dificultades de aprendizaje
• Artificial intelligence to help people with dyslexia in education: An interdisciplinary literature review — La IA para ayudar a las personas con dislexia en la educación
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — La IA generativa y la marginación de los conocimientos minorizados
• Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education — Gráficos estadísticos táctiles para la accesibilidad
• Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes — Diseñar herramientas de aprendizaje con IA conscientes de las necesidades y la atención
• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — Intervención con historias sociales asistida por IA para la educación especial: el diseño de AdaptED Stories