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

Educación en enfermería

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.

La educación en enfermería — la preparación del personal de enfermería para el ejercicio profesional regulado y el subcampo de la educación en profesiones de la salud donde más se estudia hoy la IA. La IA entra en los planes de estudio de enfermería a través de la simulación con pacientes virtuales y maniquíes, el apoyo al estudio y al razonamiento clínico basado en LLM, la evaluación automatizada y plataformas adaptativas para quienes aprenden en riesgo. Su objeto es distintivo: la competencia en enfermería fusiona la destreza psicomotora, la práctica relacional y la formación de la identidad profesional, así que una tecnología que eleva el rendimiento medido puede erosionar a la vez el trabajo de desarrollo que forma a una enfermera.

Preguntas para reflexionar

  • La simulación asistida por IA mejora de forma fiable el conocimiento y la autoeficacia, pero muestra efectos inconsistentes y a veces negativos sobre la destreza psicomotora compleja. ¿Dónde es la IA el docente adecuado y dónde debe seguir siendo no negociable un cuerpo humano en la sala?
  • El estudiantado de enfermería describe la IA como un consuelo emocional durante el estrés clínico. ¿Es un apoyo que hay que diseñar o una señal de que el aprendizaje relacional está infradotado?
  • La ansiedad ante la IA entre el estudiantado de ciencias de la salud sigue a la ansiedad por la búsqueda de empleo. ¿Es enseñar alfabetización en IA el remedio, o aumenta la prominencia de una amenaza que la política institucional debería abordar en su lugar?

Introducción

La educación en enfermería es la línea clínica de la base de conocimiento con el registro empírico más denso: revisiones sistémicas de aplicaciones de IA, una síntesis de métodos mixtos de simulación impulsada por IA, un estudio cualitativo de la experiencia del estudiantado y del profesorado, y una revisión integradora crítica de la investigación sobre LLM conviven unos junto a otros. Eso hace de la enfermería un caso de prueba útil para las afirmaciones que el campo más amplio de la IA en la educación hace sobre la formación clínica.

Hay que mantenerla distinta de la educación médica y en profesiones de la salud, que trata la enfermería como un programa más entre medicina, farmacia, odontología y salud aliada y organiza su relato en torno al problema compartido de la competencia clínica escalable. La literatura de enfermería añade tres cosas que esa página no puede recoger: un límite de competencia en el que se detienen los beneficios documentados de la IA; un encuadre explícitamente de identidad profesional, en el que la pregunta es quién llega a ser enfermera en lugar de qué puede hacer una persona en formación; y una capa de fuerza laboral: la ansiedad del estudiantado por que la IA desplace los roles de enfermería, y la visión del profesorado sobre las enfermeras como moldeadoras y no receptoras de la transformación digital de la sanidad.

El campo también refina tres conceptos adyacentes. De la simulación hereda el debate sobre la fidelidad, pero rebautiza el déficit como «brecha de autenticidad». De la computación afectiva toma la medición del afecto, aunque su afirmación más fuerte es que los resultados afectivos mejoran mientras que la profundidad emocional de la interacción no. De la autoeficacia toma la variable mediadora central, y a la vez advierte de que la confianza construida en un entorno de bajo riesgo puede no transferirse al clínico. Bajo todo ello está el problema ordinario de la educación superior de carga de trabajo, acceso e integridad de la evaluación, agudizado por la habilitación profesional y las consecuencias para los pacientes.

Cómo aparece la IA en la educación en enfermería

  • Cuatro áreas de aplicación, riesgos recurrentes. Alrazeeni et al. (2026) revisaron 28 estudios empíricos (2010–abril de 2025) y agrupan las aplicaciones de IA en aprendizaje personalizado, formación basada en simulación, evaluación automatizada y gestión institucional del currículo con analítica predictiva. La inequidad tecnológica, las brechas de preparación del profesorado y las preocupaciones por privacidad y sesgo se repiten. Sus recomendaciones son concretas: integrar la simulación con IA en la formación de atención de urgencias, desplegar plataformas adaptativas para quienes aprenden en riesgo, usar herramientas automatizadas para retroalimentación formativa en tiempo real y adoptar la precisión diagnóstica como medida de impacto, dentro de pilotos multisitio de 6–12 meses que registren los resultados de aprendizaje y la confianza.
  • Simulación: sólida en conocimiento y confianza, condicional en destreza. La revisión de métodos mixtos guiada por PRISMA de Jiang et al. (2026) sobre 19 estudios (N = 1.253, en su mayoría estudiantes antes de la habilitación) abarca la IA generativa y los LLM, los pacientes virtuales y maniquíes impulsados por IA, la VR/realidad mixta mejorada con IA y los chatbots. Los diseños más sólidos —tres ECA más cuasiexperimentos controlados— muestran ganancias significativas en conocimiento cognitivo y resultados afectivos, incluidos la autoeficacia y la confianza comunicativa, pero los efectos sobre las destrezas psicomotoras complejas son inconsistentes, y un ECA encontró la simulación asistida por IA inferior a la simulación con pacientes estandarizados. La metaagregación cualitativa explica tanto el atractivo como el límite: quienes aprenden valoran una práctica segura, repetible y sin juicios que tiende un puente sobre la brecha teoría–práctica, pero reportan una brecha de autenticidad —diálogo robótico, ausencia de señales no verbales, ninguna exploración táctil— además de una inestabilidad técnica que eleva la carga cognitiva extrínseca y la ansiedad situacional. Los autores recomiendan un continuo escalonado: IA para el preaprendizaje, la anamnesis y el razonamiento básico; simuladores humanos y pacientes estandarizados para el trabajo psicomotor complejo y emocionalmente cargado; y sesiones de reflexión facilitadas por personas junto a la retroalimentación de IA.
  • La aceptación es real y relacional. Akbaba y Calik Kus (2026) entrevistaron a 28 participantes (16 estudiantes, 12 docentes) y analizaron las transcripciones de forma deductiva a través del Modelo de Aceptación Tecnológica. El TAM se cumplió: la facilidad de uso, la utilidad, la intención y el uso moldearon la adopción. El reparto de roles es práctico: el estudiantado usó la IA para presentaciones, contenido visual, análisis de casos clínicos y planificación de cuidados; el profesorado, para materiales de curso, revisión de la literatura, escritura académica y administración, lo que implica una formación adaptada y no uniforme. Dos hallazgos amplían el marco cognitivo del TAM. Los participantes describieron la IA como apoyo psicosocial, un «compañero» que ofrece consuelo y un espacio confidencial para reflexionar durante el estrés clínico. Y cuando la IA puntuó más alto que las enfermeras en empatía en un contexto de alto volumen, Sun et al. (2026) lo leyeron como una supresión estructural de la empatía: la sobrecarga hace insostenible la expresión empática auténtica, la consistencia algorítmica llena el hueco y la significación constitutiva de la identidad se traslada al algoritmo, lo que replantea la pregunta de política de «¿qué eficacia tiene esta herramienta?» a «¿qué condiciones la hicieron parecer necesaria?».
  • El profesorado lee el riesgo como profesional, no procedimental. Dabkowski et al. (2026) entrevistaron a 22 académicas de enfermería de Australia y Nueva Zelanda y encontraron que navegaban una política ausente, tardía o escrita sin ellas, actitudes colegiadas muy divergentes y una línea trazada en el reemplazo y no en el uso. La objeción era evolutiva antes que procedimental: generar respuestas para un escenario de paciente que se deteriora significa que el razonamiento nunca se practica, y los participantes advirtieron de una futura cohorte no apta para la práctica: «Copilot no te va a enseñar a ser enfermera». La práctica de evaluación ya se movía hacia exámenes vigilados, defensas orales y evidencia de proceso, y la mala conducta se leía como un ensayo de atajos clínicos inseguros, lo que replantea la integridad académica como una pregunta sobre quién es seguro para ejercer y no como un proceso de cumplimiento. El profesorado pidió orientación específica de enfermería ligada a los códigos éticos de la profesión, alfabetización en IA generativa integrada en todo el currículo y desarrollo del personal con codiseño de asignaturas, y no una prohibición general.
  • La ansiedad como señal de fuerza laboral. Dağ et al. (2026) encuestaron a 821 estudiantes de ciencias de la salud (entre ellos enfermería) y encontraron una correlación positiva moderada entre la ansiedad ante la IA y la ansiedad por la búsqueda de empleo (r = 0,233, p < 0,001), con la ansiedad ante la IA como predictor significativo tras controlar por variables sociodemográficas (β = 0,234, p < 0,001). La ansiedad ante la IA, sostienen, no es una actitud tecnológica sino un factor psicológico que moldea cómo el estudiantado ve su futuro profesional, lo que apunta a la alfabetización en IA y la orientación profesional, y no a las herramientas, como la intervención.
  • Pensamiento de grupo y equipos interprofesionales. Wiss et al. (2025) introdujeron un agente de IA generativo (CALIE) en doce equipos interprofesionales recién formados de siete programas de profesiones de la salud, incluida enfermería, durante una sesión virtual de aprendizaje basado en problemas de 180 minutos, con el prompt de inyectar puntos de vista controvertidos. De 165 personas que aprendían, 158 completaron la encuesta; el agente fue valorado como más útil como herramienta (M = 3,49), después por la utilidad de su retroalimentación (M = 3,21) y en último lugar como parte del equipo (M = 2,88), con todas las diferencias por pares significativas (F(2, 156) = 26,01, p < .001). La postura de quien facilita importó, y quienes rechazaban las respuestas del agente aun así las usaban como una forma socialmente admisible de hablar claro: discrepar de la IA hizo trabajo de equipo.

Competencia, identidad y la brecha de evidencia

  • El desplazamiento es la variable de diseño. La revisión integradora crítica de Sun et al. (2026) sobre 489 estudios de 47 países replantea la investigación sobre LLM en enfermería en torno a un criterio: si el trabajo cognitivo y participativo que un LLM desplaza es extrínseco a la competencia que se desarrolla o constitutivo de ella. Desplazar la documentación y la recuperación rutinaria libera memoria de trabajo; desplazar una cadena de razonamiento completa, una justificación ética o un plan de cuidados individualizado elimina el objeto de aprendizaje. La evidencia no es hipotética: el estudiantado que usó ChatGPT como único recurso puntuó significativamente por debajo de los controles con libro de texto en estándares éticos y razonamiento clínico, y un currículo integrado con IA produjo puntuaciones más altas junto a planes de cuidados menos individualizados y con una lógica más débil, una disociación entre rendimiento y aprendizaje. Su Modelo de Tensión de la Identidad Profesional formaliza esto en las capas de tarea, competencia e identidad: los resultados medidos con una herramienta disponible pueden indexar un rendimiento fluido y no una capacidad duradera, así que los programas deberían usar postests diferidos y sin herramienta, y tareas de transferencia.
  • La evidencia está invertida. El mapa de lagunas de esa misma revisión no encuentra ningún estudio aleatorizado o cuasiexperimental sobre identidad profesional o desarrollo profesional, solo tres sobre competencia relacional y ética, y ningún seguimiento más allá de 12 meses, mientras que la evidencia controlada se concentra en resultados cognitivos y técnicos.
  • La vigilancia está documentada como percepción, no como mejor conducta. Harerimana et al. (2026) mapearon la vigilancia remota en la evaluación de enfermería en seis estudios (1.567 estudiantes) y encontraron que la disuasión se reportaba casi universalmente por el estudiantado vigilado (98–100% de acuerdo en un programa de posgrado), mientras que el único estudio comparativo de rendimiento encontró que una cohorte vigilada en persona puntuaba significativamente más alto en un examen de preparación que una vigilada de forma remota. La ansiedad iba en ambas direcciones —algunas personas más tranquilas en casa y liberadas de los desplazamientos, otras incapaces de concentrarse mientras las observaban y con miedo a una acusación injusta— y cuatro de los seis estudios reportaron fallos de conectividad y uno cortes de suministro, lo que convierte el acceso equitativo en la restricción operativa y no la seguridad del examen. La postura de los autores es que la vigilancia remota debería ser un instrumento entre varios, regido por estándares de protección de datos y combinado con integridad por diseño y evaluación auténtica, en lugar de tratarse como la salvaguarda por defecto.
  • Condiciones límite. Las distintas líneas convergen en la misma contención. La IA tiene la mejor evidencia para objetivos estructurados y repetibles —comunicación básica, anamnesis, educación para la salud, adquisición de conocimiento— y la peor para la destreza psicomotora compleja, la interacción emocionalmente cargada y la formación profesional a largo plazo. La aceptación es consistentemente de moderada a alta, pero la aceptación de la retroalimentación de la IA está condicionada por la confianza: quienes aprenden prefieren fuentes humanas percibidas como benevolentes a una IA percibida como meramente competente. Las revisiones también son geográficamente estrechas, están dominadas por diseños no controlados y autoinformes y, en la revisión de simulación, muestran un patrón positivo casi uniforme que suscita preocupaciones de sesgo de publicación.

Conceptos conectados

Artículos conectados

Metadatos

DisciplinaNursing Education, Medical Education
NivelHigher Ed
Público destinatarioMedical Educators, Curriculum Designers, Instructors, Researchers
Aprendizaje y enseñanzaAprendizaje en el lugar de trabajo, Autoeficacia
Tecnologías y técnicasIA generativa, Simulación
Equidad, ética y uso responsableEquidad
Fundamentos de la IA en la educaciónIdentidad de quien aprende
Tipo de páginaSynthesis
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.