Conceptos
Educación en enfermería
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 la formación relacional está infradotada?
- 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?
- Un plan de estudios de IA para enfermería puede ordenarse por lo que discute la literatura o por lo que puede sostener el entorno clínico. Cuando la infraestructura no es fiable, ¿debería un programa enseñar ética y evaluación en profundidad y llegar a la destreza operativa mediante simulación de bajo coste, en lugar de esperar a las herramientas?
Introducción
La educación en enfermería es la línea clínica de la investigación sobre IA en la educación 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.
- Un mapa de 103 estudios sobre aplicaciones, actitudes y ética. Hardie et al. (2026) encontraron cuatro usos (creación de contenido, simulación, aprendizaje personalizado y tutoría, y evaluación) en 103 artículos de 31 países; 59 eran empíricos y 44, comentarios. Los hallazgos de rendimiento fueron mixtos, la adopción siguió a la utilidad percibida y a la alfabetización en IA, y todos los artículos de comentario menos tres plantearon preocupaciones éticas, con mayor frecuencia privacidad, sesgo e integridad.
- 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.
- Las experiencias del estudiantado con la simulación de IA generativa se agrupan en cuatro temas. Una metassíntesis de 14 estudios (GRADE-CERQual) encontró un ensayo accesible con ganancias percibidas de confianza, una interacción mediada por IA que apoya la comunicación y el razonamiento, un realismo socavado por límites relacionales y técnicos, y la verificación, la retroalimentación y la reflexión como salvaguardas percibidas (Zhang et al. (2026)). Esto sitúa la IA generativa como un socio de ensayo supervisado junto a las modalidades de simulación establecidas.
- 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 secreto a voces: la práctica va por delante de la política. Ghimire y Qiu (2025) entrevistaron a 17 estudiantes de último año de una escuela australiana, 10 nacionales y 7 internacionales, y encontraron un uso normalizado mientras las instituciones lo desalentaban: «La mayor ironía es que todo el mundo sabe que estamos usando IA» (SN9). El estudiantado la usó para el aprendizaje personalizado, para tender un puente entre la teoría y la práctica y para gestionar el tiempo, y el estudiantado internacional la usó además para la adaptación lingüística y cultural. Sus temas nombran la brecha digital y la demanda del estudiantado de un cambio en el plan de estudios, lo que replantea la adopción como una brecha entre lo que el estudiantado ya hace y lo que el programa admite.
- 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. Su resumen fue contundente: «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. Eso 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 < 0,001). 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.
Lo que el plan de estudios debería cubrir, y dónde el mapa es escaso
- Un mapa de competencias en doce partes, construido porque no existía ninguno para enfermería. Xiang et al. (2026) cribaron 1.750 registros de PubMed, Embase, Web of Science y CNKI hasta 23 estudios incluidos (2022 a 2026, 15 países, 15 de ellos revisiones). Mapearon esos estudios sobre el modelo de Conocimiento, Actitud y Habilidad, y produjeron tres dimensiones y 12 subdimensiones: conocimiento fundacional, técnico, ético y de aplicación; pensamiento crítico, responsabilidad, valores éticos y apertura y adaptabilidad; y habilidades operativas, de aplicación, colaborativas y de evaluación. Compararon los marcos de enfermería existentes y encontraron que no son traducibles a planes de estudio: N.U.R.S.E.S. cubre roles, AI-ABCs cubre objetivos, CARE cubre la estructura del prompt, y ninguno aporta una vía pedagógica ni métodos de evaluación.
- La atención se concentra donde escribir es fácil. El conocimiento ético (14 estudios), la responsabilidad (14), las habilidades de aplicación (16) y las habilidades de evaluación (18) cuentan con consenso; el conocimiento técnico (9), el conocimiento de aplicación (9), las habilidades operativas (9) y la colaboración (7) no. Es el mismo límite que documenta la evidencia de resultados, alcanzado desde el lado de las competencias: el campo sabe más sobre qué decir acerca de la ética de la IA y menos sobre la capa operativa de la que depende la seguridad clínica.
- El remedio que se ofrece es una regla de secuenciación para programas con pocos recursos. Enseñar conocimiento fundacional y ético antes que el conocimiento técnico; pensamiento crítico, responsabilidad y valores éticos antes que apertura y adaptabilidad; evaluación y colaboración antes que la destreza operativa compleja. Llegar a la capa técnica a través de la simulación y, cuando la simulación de alta fidelidad o de realidad virtual no es asequible, a través de casos en pantalla con material pregrabado, demostración de modelos de acceso abierto y trabajo guiado con conjuntos de datos públicos. Los sustitutos sin conexión se nombran explícitamente, incluidos el debate de casos y la demostración conceptual de flujos de trabajo de IA. El motivo declarado es la equidad: si el orden del plan de estudios sigue la distribución de la infraestructura, la concentración de la investigación en Estados Unidos (5 estudios) y China (3) pasa de ser un hecho bibliométrico a un problema de plan de estudios.
- Los anclajes cuantitativos son evidencia importada, no resultados de esta revisión. Se ha mostrado que el conocimiento ético predice la integración de la IA (coeficiente estandarizado 0,636, p por debajo de 0,001) y que una orientación futura perceptiva positiva eleva los valores éticos del estudiantado (0,308, p por debajo de 0,05). La evaluación aporta el ancla clínica más fuerte: un sistema de IA puntuó la comunicación terapéutica con una correlación intraclase por encima de 0,97, y una implementación aumentada por recuperación reservó la decisión final al juicio profesional del docente.
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.
- La preparación se divide dentro de un mismo claustro. Rony et al. (2025) reunieron 14 entrevistas semiestructuradas y tres grupos focales con 16 participantes, 30 formadores de enfermería en total, en tres facultades de enfermería de Bangladesh. Leídas a través del Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK), las transcripciones sitúan la brecha de preparación dentro de un mismo claustro y no entre instituciones: «Algunos de mis colegas son unos naturales con la tecnología, pero yo siento que necesito ayuda extra para seguir el ritmo» (P3), frente a una conectividad poco fiable y una formación que nadie había proporcionado. La ética emergió como una preocupación de gobernanza más que como un tema de plan de estudios, con la custodia de los datos como pregunta recurrente («¿Quién tiene acceso y cómo se está usando?»), y el sesgo algorítmico como la segunda. Un mandato para adoptar la IA sin formación ni infraestructura se lee, en este relato, como una expectativa sin financiación y no como un fracaso de preparación. Una carta publicada en respuesta al estudio plantea ese argumento en el nivel institucional y no en el individual (Shankar, 2026).
- Una base amplia de revisiones no es una base profunda. El Arab et al. (2025) leyeron 18 revisiones previas y encontraron que convergen en las mismas tres prioridades: implicaciones éticas y sociales, transformación de la educación en enfermería y estrategias de integración. Las revisiones que hay debajo siguen siendo en gran medida descriptivas, y von Gerich et al. informaron de que 34 de 93 estudios no abordaban consideración ética alguna, así que el acuerdo en la cima de la pirámide es un acuerdo entre resúmenes.
- La iniciativa es una variable de diseño, no un rasgo de quien aprende. Jin et al. (2026) aleatorizaron a 79 estudiantes y egresados de medicina y enfermería a un agente reactivo que espera indicaciones o a uno proactivo que conduce preguntas secuenciadas, trabajando sobre visuales generados a partir de una simulación de sala con cuatro personas. El análisis de redes epistémicas separó las condiciones con efectos grandes sobre cómo se conectaban las ideas (delta de Cliff de -0,56 y -0,78), pero las puntuaciones finales de escritura no difirieron. Su brecha de agencia nombra a la vez ambos modos de fallo: un agente que exige más iniciativa de la que tiene quien aprende y otro que dirige en exceso a quien ya no la necesita.
- Los modelos de riesgo calibrados en otra disciplina marcan esta casi en todas partes. Kovor et al. (2026) examinaron la predicción de riesgo que preserva la privacidad a través de particiones por disciplina de programa, y la propia ilustración de los autores es que un programa de enfermería podría tener 30-35% en riesgo mientras un programa de medicina simultáneo tiene 15-18%. La regresión logística federada conservó el 99,3-99,9% del rendimiento centralizado, así que la barrera para el modelado entre programas es organizativa y no estadística, pero esa misma dispersión implica que un umbral importado falla. Su hallazgo de que la actividad del foro quedó en último lugar en todas las disciplinas se atribuye a las prácticas clínicas, donde el aprendizaje entre pares ocurre en persona.
- Las encuestas sobre uso de IA por el estudiantado reportan una correlación y la llaman mecanismo. Li et al. (2026) encuestaron a 1.020 estudiantes de enfermería de una institución, el 98,8% de los cuales ya usaba IA generativa para el trabajo de curso, y encontraron la interacción con IA asociada a la interacción educativa (r = 0,378), con el aprendizaje autorregulado como predictor más fuerte (beta = 0,520). El modelo estructural está justo identificado, así que reproduce los datos por construcción y no puede ordenar las tres variables, y la escala de interacción cuenta frecuencia y una norma de pares, no lo que una persona hace con el modelo.
- 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.
Implicaciones para la práctica
Para el profesorado
- No adopte la simulación con IA para desarrollar destreza psicomotora compleja apoyándose en ganancias de conocimiento y autoeficacia. Reserve la práctica supervisada deliberada para los desenlaces psicomotores y use la IA donde su evidencia es más sólida.
- Aborde la ansiedad por el empleo directamente en lugar de canalizarla a través de módulos de alfabetización en IA; la correlación con la ansiedad por la búsqueda de empleo indica que la preocupación es por el futuro de la profesión y no por la soltura de quien aprende con las herramientas.
- Sitúe a los agentes como herramientas y fuentes de retroalimentación, lo que concuerda tanto con la preferencia de quien aprende como con el diseño que produjo las valoraciones más altas.
Para quienes forman al profesorado
- Trate la preparación como una distribución y apunte al extremo inferior de ella, ya que un mandato sin formación ni apoyo de conectividad reproduce la brecha que pretende cerrar.
- Codiseñe la analítica con las personas a las que describe: en un caso publicado, el profesorado y el estudiantado de enfermería construyeron juntos un panel de analítica del aprendizaje impulsado por IA mientras el personal docente conservaba la responsabilidad sobre los juicios que informaba (Ford et al., 2026).
Para quienes desarrollan
- Informe por separado los desenlaces psicomotores y de conocimiento, ya que divergen en esta literatura.
- Diseñe primero para los roles de herramienta y retroalimentación; el encuadre del agente como miembro del equipo no es lo que pidió quien aprende.
Para quienes investigan
- Informe por separado las muestras previas a la habilitación y las de enfermería en ejercicio, y estudie la transición a la práctica supervisada si la afirmación sobre la competencia ha de significar algo clínicamente.
Concepciones erróneas
«La simulación asistida por IA mejora la competencia en enfermería en todos los ámbitos.» El beneficio se detiene en un límite documentado. 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, y la competencia psicomotora no es un resultado periférico en una profesión definida por ella. Un programa que adopte la simulación por las ganancias de conocimiento tiene evidencia sobre un desenlace distinto del que evalúan las pruebas de habilitación.
«La ansiedad por la fuerza laboral en la enfermería es en realidad una brecha de competencias, así que la formación en alfabetización en IA es el remedio.» La ansiedad es sobre el empleo, no sobre la competencia. Una encuesta con 821 estudiantes de ciencias de la salud encontró 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 los controles. Enseñar alfabetización aborda el miedo a no saber usar una herramienta; no aborda el miedo a no tener empleo, y el encuadre de identidad profesional de la literatura —quién llega a ser enfermera y no qué puede hacer una persona en formación— es donde esa pregunta corresponde.
«A quien aprende le gustan los agentes de IA como colaboradores.» Los quieren como herramientas. De 165 personas que aprenden (158 completaron), el agente se valoró como más útil como herramienta (M = 3,49), después por la utilidad de la retroalimentación (M = 3,21) y menos como parte del equipo (M = 2,88), con todas las diferencias por pares significativas (F(2, 156) = 26,01, p < 0,001). Un diseño que sitúa a un agente como miembro del equipo va en contra de la preferencia de quien aprende, no por delante de ella.
«Cualquier estudio de simulación se generaliza a la práctica clínica.» La base de evidencia revisada aquí —19 estudios, N = 1,253, en su mayoría estudiantes previos a la habilitación— es en gran medida de aula y de laboratorio, y la traducción de la competencia simulada a la práctica supervisada es justamente el paso que una simulación asistida por IA no ensaya por sí misma.
«La competencia en IA para enfermería significa manejar las herramientas, así que la formación debería empezar por ellas.» La literatura sobre marcos va en la dirección contraria. Las dimensiones que los revisores encontraron abordadas de forma consistente son el conocimiento ético, la responsabilidad, y las habilidades de aplicación y de evaluación; el uso técnico y operativo es donde el campo tiene menos que decir. Un programa que compra primero licencias de herramientas está construyendo la parte del mapa con menos evidencia, y los marcos nombrados que podría adoptar en lugar de un plan de estudios, N.U.R.S.E.S., AI-ABCs y CARE, son precisamente los que carecen de métodos de evaluación.
Conceptos conectados
- Educación médica y en profesiones de la salud
- Simulación
- Computación afectiva
- Autoeficacia
- Educación superior
- Identidad de quien aprende
- Aprendizaje en el lugar de trabajo
- Equidad
- Descarga cognitiva
- Modelos de adopción tecnológica
- Ansiedad y estrés
- Alfabetización en IA
Artículos conectados
- Applications, attitudes and ethical considerations of Generative Artificial Intelligence (Gen AI) in nursing education: a scoping review — Aplicaciones, actitudes y ética en la educación en enfermería: una revisión de alcance de 103 estudios (Hardie et al. 2026)
- Learners' experiences of generative artificial intelligence-supported simulation and skills training in nursing education: a meta-synthesis — Las experiencias del estudiantado con la simulación y la formación en habilidades apoyadas por IA generativa en la educación en enfermería: una metassíntesis
- Transforming nursing education with artificial intelligence: A systematic review (2010–2025) — Revisión sistemática de la IA en la educación en enfermería (2010–2025)
- AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulación impulsada por IA en la educación en enfermería: revisión sistemática de métodos mixtos
- When the algorithm enters the classroom: A critical integrative review of large language models, nursing education structural gaps, and the reconstitution of professional identity — Los LLM, las brechas estructurales y la reconstitución de la identidad profesional
- Nursing Students' and Faculty Experiences with Artificial Intelligence in Education: A Qualitative Study Using the Technology Acceptance Model — Experiencias con la IA del estudiantado y el profesorado de enfermería a través del TAM
- Artificial intelligence perceptions and career anxiety among health sciences students — Percepciones de la IA y ansiedad profesional entre el estudiantado de ciencias de la salud
- Utilizing generative AI to counter learner groupthink by introducing controversy in collaborative problem based learning settings — IA generativa para contrarrestar el pensamiento de grupo en el ABP interprofesional
- 'Co-pilot won't teach you to be a nurse': Nursing academics' perspectives on GenAI use in undergraduate education — Académicas de enfermería sobre la IA generativa: ambigüedad de política, valores profesionales y la deriva hacia la evaluación vigilada
- Under surveillance: Mapping remote proctoring practices in the assessment of nursing students—a scoping review — La vigilancia remota en la evaluación de enfermería: vigilancia, equidad y un argumento de disuasión construido sobre la percepción
- An artificial intelligence application framework for nursing education: a scoping review based on the KAS model — Revisión de alcance que mapea los marcos de competencias en IA sobre 12 subdimensiones KAS para los planes de estudio de enfermería
- Nursing educators' perspectives on the integration of artificial intelligence into academic settings — Formadores de enfermería en Bangladesh sobre preparación, barreras y gobernanza de datos ante la IA, leídos a través del TPACK
- The role of AI in nursing education and practice: umbrella review — Revisión paraguas de 18 revisiones: ética, transformación del plan de estudios y barreras de integración
- Redefining pedagogy with artificial intelligence: How nursing students are shaping the future of learning — Estudiantado de enfermería sobre el secreto a voces del uso de IA: aprendizaje personalizado, tiempo y brecha digital
- The agency gap in AI-supported writing: How reactive and proactive agent designs shape multimodal reasoning — ECA con estudiantes de medicina y enfermería: diseño de agente reactivo frente a proactivo y la brecha de agencia
- Generative artificial intelligence use and interpersonal educational interaction among nursing students: self-regulated learning as a statistical mediator — 1.020 estudiantes de enfermería: interacción con IA generativa, interacción educativa y un modelo de mediación justo identificado
- Bridging implementation gaps: The critical role of institutional ecosystems in AI integration for nursing education — Una respuesta publicada a Rony et al.: ecosistemas institucionales, preparación y supervisión de la IA
- AI as Co-Designer and Feedback Partner: Enhancing Human Judgment — Profesorado y estudiantado codiseñan un panel de analítica de la educación en enfermería
- Federated learning for privacy-preserving at-risk student prediction in health professional education: A multi-scenario evaluation of FedAvg and FedProx — Predicción de riesgo que preserva la privacidad entre programas de profesiones de la salud, y por qué un umbral importado falla en enfermería