Enseñanza y aprendizaje en línea

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

Enseñanza y aprendizaje en línea — la pedagogía y la práctica de enseñar y aprender que ocurren a través de entornos digitales mediados por redes y no en un aula física compartida. Abarca cursos totalmente en línea, cursos en línea masivos y abiertos (MOOC), formatos mixtos e híbridos y la educación a distancia. Para la base de conocimiento, la pregunta central es cómo la IA generativa reconfigura las oportunidades, los desafíos y las prácticas recomendadas de la enseñanza a distancia, desde la personalización escalable hasta nuevos riesgos para la integridad académica y de descarga cognitiva.

Preguntas para reflexionar

• Es probable que hayas tomado o impartido un curso en línea. ¿Qué perdiste y qué ganaste cuando se eliminó el aula física, y cómo reconfiguró eso aquello en lo que el profesorado podía apoyarse?
• La página sostiene que la enseñanza en línea es una pedagogía distinta y no solo un mecanismo de distribución. ¿En qué sentidos concretos cambia el medio en línea qué estrategias didácticas son siquiera posibles o eficaces?
• Un ensayo controlado aleatorizado encontró que la asistencia de IA sin salvaguardas elevó el rendimiento en la práctica pero redujo las calificaciones en exámenes sin asistencia, mientras que un tutor que da «pistas y no respuestas» eliminó el daño. Antes de seguir leyendo, ¿puedes explicar por qué dar la respuesta al estudiantado podría inflar el rendimiento inmediato y a la vez erosionar el aprendizaje duradero?
• La evaluación en línea no siempre puede distinguir el trabajo asistido del independiente. Si las herramientas de detección son una «respuesta parcial y contestada», ¿qué diseños de evaluación alternativos podrían revelar una comprensión genuina?
• ¿Cómo reconfigura la motivación del estudiantado, en un curso a ritmo propio y basado en pantallas, la disponibilidad percibida de un atajo de IA sin esfuerzo? ¿Qué diseñarías para contrarrestarla?
• Un agente autónomo ya puede iniciar sesión en un sistema de gestión del aprendizaje, leer el material, responder el cuestionario y publicar en el foro. Si producir el artefacto ya no demuestra aprendizaje, ¿qué necesitarías ver en su lugar?
• La IA ya puede generar un curso equivalente a un MOOC en minutos y por una fracción del costo. ¿Cuáles son las ventajas y desventajas pedagógicas de «N agentes para un estudiante» frente a «un vídeo para N estudiantes»?

Introducción

La enseñanza y el aprendizaje en línea son un contexto pedagógico distinto y no un mero mecanismo de distribución. Elimina la copresencia física que sostiene la atención, la motivación y la interacción informal, y sustituye el contacto cara a cara por interacción digital estructurada: foros de discusión, materiales asíncronos, vídeo y agentes tutores. Esto cambia aquello en lo que el profesorado puede apoyarse, aquello a lo que el estudiantado puede acceder y el modo en que se diseña y se evalúa el aprendizaje. Como concepto paraguas dentro del panorama de la pedagogía, se sitúa junto al aprendizaje activo, el aprendizaje colaborativo y el aprendizaje autorregulado, pero se distingue por el medio: las restricciones y las posibilidades del entorno en línea determinan qué estrategias son viables.

El auge de la IA generativa incide directamente en este contexto. El estudiantado en línea ya trabaja a través de pantallas y programas, así que las herramientas de IA son vecinas naturales; al mismo tiempo, la evaluación en línea es más difícil de vigilar, lo que facilita el mal uso y eleva las apuestas. La evidencia de esta base de conocimiento muestra que la IA puede ser una aliada poderosa para la enseñanza y el aprendizaje en línea y, mal configurada, una fuente importante de daño al aprendizaje.

La revisión crítica de la literatura de Lock, Arteaga y Johnson (2025) (63 citas de 32 países) organiza este panorama en cuatro temas interconectados que reaparecen a lo largo de la página: los tipos y propósitos de la integración de la IA, los enfoques pedagógicos (alfabetización en IA, aprendizaje autorregulado), los beneficios y los desafíos. Su advertencia central —que estos temas se solapan y que la integración de la IA en línea es una empresa sociotécnica anclada en la pedagogía y las relaciones humanas y no solo en la adopción de tecnología— concuerda con el enfoque de esta página, que presenta la enseñanza en línea como una pedagogía distinta. En particular, informan de que el estudiantado que usaba ChatGPT junto con la tutoría docente percibía mayores ganancias de aprendizaje que quien lo usaba solo, lo que refuerza el énfasis en la colaboración híbrida entre personas y IA que recorre esta página.

El desarrollo que convirtió esto de una pregunta de diseño en una pregunta urgente es que la IA generativa ya no solo escribe texto que un estudiante podría haber escrito. Los agentes autónomos ahora inician sesión en un sistema de gestión del aprendizaje, leen los materiales del curso, responden los cuestionarios, leen las publicaciones de sus compañeros y entregan el trabajo. Tres demostraciones en un curso universitario de psicología en vivo muestran qué significa esto en la práctica: dos cuestionarios completados, uno en unos 12 minutos y otro en menos de 5 minutos, ambos con 10/10, y una publicación en el foro en la que el agente extrajo las publicaciones de sus pares y luego fabricó una historia de vida en primera persona creíble para responderles, frente a un registro público de al menos 15 ejecuciones de agentes documentadas en Canvas, Moodle y Brightspace con siete herramientas de agente. Hadjisolomou y El-Haddad (2026) sostienen que esto es un problema de validez de la evaluación antes que de integridad: lo que la finalización por un agente elimina es el supuesto de que el trabajo entregado fue producido por la persona cuyo aprendizaje se evalúa. La pregunta de diseño para la enseñanza en línea se desplaza, por tanto, de cómo detectar el mal uso a qué evidencia de aprendizaje puede seguir produciendo un curso en línea, que es el hilo que recorre las secciones siguientes.

Formatos y contextos

La enseñanza y el aprendizaje en línea adoptan varias formas relacionadas que comparten el medio pero difieren en alcance y estructura:

• Aprendizaje mixto e híbrido. Modelos que combinan componentes presenciales y en línea, integrando de forma intencionada actividades, materiales e interacciones digitales con la enseñanza presencial. Los formatos mixtos piden al profesorado decidir qué conviene hacer de forma sincrónica frente a asíncrona y en línea frente a presencial: decisiones que los principios del diseño del aprendizaje organizan y que la IA a la vez apoya y complica. En el contexto mixto, las herramientas de IA ofrecen oportunidades de personalización y de apoyo permanente, a la vez que plantean riesgos de integridad y de descarga cognitiva que atraviesan tanto la parte en línea como la presencial. Mejia-Domenzain et al. (2026) lo ilustran en dos entornos mixtos —aulas universitarias invertidas y escritura reflexiva en formación profesional— donde un panel de analítica del aprendizaje (DashED) comunicaba al profesorado perfiles de aprendizaje autorregulado derivados de aprendizaje automático. Las preocupaciones sobre la adopción divergieron según el contexto: el profesorado del aula invertida (universidad) se preocupaba sobre todo por el anonimato de los datos y la posibilidad de que el estudiantado se excluyera, mientras que el de escritura reflexiva (formación profesional) temía el mal uso de la herramienta por parte de colegas docentes e insistía en la necesidad de contextualizar los datos. En el uso, el profesorado del aula invertida seguía una exploración secuencial y prefería la adaptación a nivel de curso y mostrar los paneles en clase, mientras que el de formación profesional revisaba las páginas de resumen y usaba la herramienta principalmente para sesiones de acompañamiento individual: evidencia de que el diseño de analíticas en entornos mixtos debe ser sensible al contexto.
• Diseño sincrónico frente a asíncrono. La distinción importa más que el medio de distribución, porque los dos formatos exigen cosas opuestas a quien aprende. Las sesiones sincrónicas llevan la atención, el ritmo y la responsabilidad dentro de la propia sesión; los cursos asíncronos tienen que diseñarlas, porque quien aprende decide por sí solo cuándo trabajar y no recibe ninguna responsabilidad ambiental de un aula. La investigación a menudo difumina esta distinción: la revisión de la base de conocimiento sobre IA e implicación en el aprendizaje en línea (24 estudios) trata la implicación de forma aislada y confunde explícitamente contextos sincrónicos y asíncronos, por lo que sus conclusiones no deben leerse como específicas del aprendizaje asíncrono. Lo que sí es específico del asíncrono es la evidencia sobre cómo quienes aprenden a su propio ritmo pierden concentración y ritmo: los comportamientos autorregulados como fijar metas, estructurar el entorno y gestionar el tiempo coinciden sobre todo con una baja distracción digital (Shi et al. 2026, 530 estudiantes), mientras que el conocimiento metacognitivo y el bienestar disminuyen a lo largo de un trimestre al compás de plazos de evaluación agrupados (Song et al. 2026, 75 estudiantes). La contraparte práctica es la pregunta frecuente sobre diseñar y facilitar cursos asíncronos cuando la IA puede hacer el trabajo.
• Educación a distancia. Programas diseñados para estudiantes que estudian de forma remota, a menudo a gran escala y en distintas regiones (por ejemplo, los más de 200K estudiantes de la Open University). La educación a distancia es donde resultan más evidentes el apoyo de IA disponible 24/7 e integrado en el contexto y la imposibilidad de vigilar presencialmente. La evidencia comparativa de la formación docente sudafricana muestra que el medio en sí se asocia con la preparación: Mnguni et al. (2026) encontraron que el TPACK autoinformado para la enseñanza de las ciencias integrada con IA era mayor entre el estudiantado de último año de una universidad presencial (64,0%) que en una universidad de educación a distancia (47,4%), y que el dominio más débil en ambos entornos era el conocimiento pedagógico. El patrón advierte de que los programas a distancia no pueden dar por supuesto que la misma formación en IA produce la misma preparación, y que lo que difiere es el diseño de la formación, no su presencia.

Oportunidades y beneficios de la IA para la enseñanza y el aprendizaje en línea

• Personalización escalable. Los MOOC tradicionales destacan en alcance pero tienen dificultades para adaptarse: «un vídeo para N estudiantes». Los sistemas de agentes impulsados por LLM (MAIC) invierten esto en «N agentes para 1 estudiante», usando agentes especializados de docente, asistente, compañero y analizador para ofrecer instrucción adaptativa, retroalimentación personalizada y rutas de aprendizaje dinámicas a escala de MOOC. Sistemas como LearnMate² abordan la «brecha de personalización» del aprendizaje abierto en línea con planes de estudio personalizados, asistencia contextual en tiempo real y actividades adaptativas. El vídeo personalizado es una vía concreta hacia este objetivo: Tomlinson et al. (2026) encontraron que el estudiantado de un curso en línea grande prefería vídeos personalizados generados por IA a otros grabados por personas y no personalizados, una preferencia cuyo efecto de personalización superaba el valor que se daba a un presentador humano, lo que sugiere que los medios personalizados escalables producidos con IA generativa pueden cerrar la brecha del «un vídeo para N estudiantes» en la enseñanza en línea.
• Apoyo permanente e integrado en el contexto. En contextos de educación a distancia y de aprendizaje adulto, donde el estudiantado estudia en el trabajo o en casa, el apoyo 24/7 integrado en el curso es un beneficio importante. El asistente AIDA de la Open University encontró que el apoyo de IA generativa diseñado a medida y dentro del entorno aumentaba la implicación (duplicó el tiempo de uso en un ensayo exploratorio), y el 96% del estudiantado lo quería en sus estudios formales.
• Tutoría conversacional y dialógica a escala. Los tutores de IA conversacional construidos sobre tecnología probada de tutoría inteligente (marco keep/change/center/study) prometen una tutoría dialógica de alta calidad —que implica los pensamientos, las preguntas y las ideas erróneas del estudiantado— mucho más escalable que la tutoría humana.
• Facilitación y analítica. La IA puede apoyar las discusiones en línea y la analítica del aprendizaje, pronosticar la implicación y ayudar al profesorado a distribuir su atención. Hao y Cukurova (2026) añaden que los resúmenes de discusiones generados por LLM pueden actuar como andamios de navegación en foros asíncronos grandes, ampliando la exposición del estudiantado a sus pares y las condiciones de red para el capital social puente sin cargar al estudiantado ni al profesorado con la tarea de resumir.
• Analítica de alerta temprana para estudiantes en riesgo. Zhang, Jeffries y Koprinska (2025) muestran que el aprendizaje automático interpretable sobre registros de interacción con el contenido predice el progreso a nivel de módulo y señala resultados de abandono («sin entrega») en cursos de programación en línea a gran escala hasta 7–8 días antes de los plazos del módulo, lo que da al profesorado en línea una ventana concreta para intervenir con el estudiantado desconectado en lugar de descubrir el fracaso solo después de que ocurra.
• Asequibilidad y rapidez. La IA puede generar materiales de curso por una fracción del costo tradicional: MAIC redujo la producción de un curso MOOC de ~$25K/60 horas a menos de $2/30 minutos.

Desafíos de la enseñanza en línea en la era de la IA

El medio en línea y la IA generativa se combinan para intensificar un grupo específico de desafíos que el profesorado debe afrontar de frente. Donde la enseñanza presencial puede apoyarse en la presencia, la responsabilidad inmediata y la vigilancia, la enseñanza en línea debe diseñarlas de forma explícita.

Integridad académica y trampas

Los cursos en línea ya presentan desafíos de vigilancia: la supervisión presencial suele ser inviable para estudiantes distribuidos y asíncronos. La IA generativa agrava esto al hacer indistinguible el trabajo generado por IA del trabajo del estudiantado y al posibilitar atajos del tipo «trabajo por encargo» a escala. La evidencia de la base de conocimiento sobre integridad académica y mal uso de la IA y daño al aprendizaje muestra que el mal uso se debe menos a errores de la IA que a que el estudiantado copia respuestas en lugar de aprender. Como la evaluación en línea con frecuencia no puede distinguir el trabajo asistido del independiente, el mal uso puede inflar las calificaciones inmediatas y a la vez erosionar el conocimiento duradero: una brecha entre lo percibido y lo real que es especialmente peligrosa a distancia, donde el profesorado tiene menos visibilidad del proceso del estudiantado. Las herramientas de detección son una respuesta parcial y contestada (detección de plagio con IA, supervisión remota), y la postura de la base de conocimiento favorece la evaluación auténtica y que revela el proceso por encima de las carreras armamentísticas de detección.

Mal uso de la IA y descarga cognitiva

El riesgo más grave es que el estudiantado en línea externalice precisamente el trabajo cognitivo que construye la comprensión. La brecha entre rendimiento y aprendizaje muestra que la IA generativa eleva fácilmente el rendimiento inmediato y a la vez evita el procesamiento profundo que exige el aprendizaje duradero. La evidencia de campo es directa:

• Un ensayo controlado aleatorizado causal (~1.000 estudiantes de matemáticas de secundaria) encontró que la asistencia de IA sin salvaguardas elevó el rendimiento en la práctica un +48% pero redujo las calificaciones en exámenes sin asistencia y a libro cerrado un −17%: el estudiantado que nunca tuvo acceso a la IA superó a quien sí lo tuvo. Un tutor con salvaguardas que da pistas y no respuestas eliminó el daño.
• Datos de comportamiento a escala poblacional (3,2M de interacciones en ALEKS) encontraron que el tiempo de estudio en problemas susceptibles a la IA cayó un −26,9% tras el lanzamiento de ChatGPT, con una caída de −25% en la probabilidad de responder correctamente ítems de retención supervisados, un efecto que desaparecía bajo supervisión, lo que lo atribuye al uso de IA fuera de la plataforma.

El aprendizaje en línea es especialmente vulnerable: el medio ya distancia al estudiantado de la responsabilidad inmediata, y el trabajo a ritmo propio y basado en pantallas invita al atajo de «pedir la respuesta» que la investigación sobre descarga cognitiva identifica como el mecanismo central del daño. La respuesta no es prohibir la IA, sino aplicar salvaguardas —andamiaje de pistas y no respuestas, anclaje en el conocimiento y supervisión humana— para que la IA aumente el trabajo cognitivo de quien aprende en lugar de sustituirlo.

Otros desafíos

• Facilitación demasiado entusiasta de la IA. Los facilitadores basados en LLM son excesivamente propensos a intervenir en las discusiones en línea, lo que puede irritar a los participantes y descarrilar una buena conversación; la prudencia humana es el mejor modelo (Tsirmpas et al.).
• Erosión de la motivación. La disponibilidad percibida de un atajo de IA sin esfuerzo reduce la motivación autónoma y la persistencia, lo que agrava el daño al aprendizaje.
• Equidad y brecha digital. El acceso a dispositivos fiables, conectividad y una IA de alta calidad varía; el aprendizaje en línea con IA puede ampliar en lugar de reducir las brechas de equidad en la educación con IA (brecha digital).
• Privacidad de los datos y confianza. Las plataformas en línea recogen abundantes datos del estudiantado; los sistemas de IA plantean problemas de transparencia y privacidad (privacidad), sobre todo para personas adultas que compaginan trabajo y estudio.
• Preparación organizativa. El fin de KhanMigo —con el estudiantado sin implicarse realmente con el chatbot y con evidencia limitada de mejoras— advierte de que la capacidad técnica debe ir acompañada de gobernanza y preparación organizativa.

La validez de la evaluación cuando una entrega puede producirse sin quien aprende

Si la vigilancia es inviable y un agente puede completar el trabajo, la respuesta que favorece la base de conocimiento es cambiar qué cuenta como evidencia en lugar de vigilar con más dureza. Cuatro respuestas de diseño se repiten en la literatura reciente.

Emparejar la tarea vulnerable con una gemela. Roe, Perkins y Giray (2026) conservan la evaluación pedagógicamente valiosa pero vulnerable a la IA —el ensayo para llevar a casa o el análisis de caso— y añaden una segunda tarea menos vulnerable que evalúa los mismos resultados de aprendizaje, programada lo bastante cerca para la verificación cruzada y calificada de forma interdependiente. Su mapeo recorre las seis vertientes de evidencia de validez de Messick, y el proceso de diseño tiene tres pasos: identificar las vulnerabilidades, alinear los resultados y elegir la tarea gemela, y después desarrollar una calificación que conecte ambas. Una variación breve de un caso, la explicación de una decisión clave o una defensa oral corta pueden servir como gemela.

Apuntar a la propiedad y no a la autoría. Ebrahimzadeh, Shibani y Buckingham Shum sostienen que la autoría mixta entre personas y IA socava varias formas de evidencia de validez, y proponen la integridad de coautoría como evidencia de validez en sí misma: se vulnera cuando un estudiante entrega contenido generado por IA que no comprende. Para comprobar la comprensión a escala, informan de una AI Viva, un agente conversacional que realiza un viva voce híbrido con preguntas de comprensión de tipo y complejidad controlables, validado por educadores expertos y especialistas en evaluación. Para los cursos en línea, esta es una forma de verificación genuinamente escalable, y produce evidencia sobre la comprensión y no sobre quién estaba en la sala.

Trasladar el examen oral al entorno en línea. Pentland, Lowenthal y Krier (2026) entregan los enunciados justo a tiempo y piden al estudiantado que grabe respuestas breves y con límite de tiempo ante la cámara web que no pueden revisar, calificadas con rúbricas integradas y con transcripciones generadas automáticamente. En dos estudios —un piloto de contabilidad intermedia y un curso de analítica de datos— el estudiantado obtuvo puntuaciones más altas en estas evaluaciones que en exámenes presenciales de opción múltiple (significativo en el segundo estudio y una tendencia positiva en el primero), con correlaciones moderadas entre formatos que respaldan la validez convergente; el estudiantado informó de que se preparaba de forma distinta y usaba estrategias de estudio más activas. El formato aborda directamente el problema del asíncrono: el pensamiento se realiza en vivo en un momento elegido por el estudiante, con un costo administrativo que no escala con el tamaño de la cohorte.

Secuenciar el trabajo para que el razonamiento se comprometa primero. Brcic y Frljic (2026) enmarcan la pregunta de diseño como una cuestión de ubicación y no de permiso, y la evidencia causal que reúnen muestra que el resultado cambia solo por la ubicación: el mismo ayudante sin salvaguardas que dejó al estudiantado de secundaria alrededor de un 17% peor en un examen sin ayuda no causó daño una vez reconstruido para retener las respuestas, mientras que un tutor bien diseñado duplicó aproximadamente el aprendizaje. Su diagnóstico es el que conviene retener: si dejar entrar a la IA hace que la tarea se sienta sin esfuerzo, está en el lugar equivocado. En la práctica, eso produce una secuencia que un curso en línea puede incorporar a la tarea: pensar, comprometerse, usar la IA, criticar, revisar, explicar, donde el paso de compromiso es lo que hace evaluable el resto, porque un artefacto producido desde cero no tiene historial de revisiones que interrogar. Por debajo subyace un estado que esta base de conocimiento denomina finalización metacognitivamente discordante: trabajo correcto y completo entregado por un estudiante que sabe que la comprensión nunca llegó, lo que en un curso asíncrono es indistinguible del éxito a menos que el diseño pida algo más.

Cualquiera que sea la combinación que elija el profesorado, una restricción debería darle forma. El estudio en línea es con frecuencia la única opción accesible —el estudiantado lo elige por motivos laborales, responsabilidades de cuidado, discapacidad o geografía—, así que la verificación debe ser pequeña y proporcionada: una explicación breve grabada, una aplicación personalizada, una respuesta a una pregunta elegida por el profesorado, un rastro de decisiones anotado, una comprobación individual de bajo riesgo. La detección conlleva aquí sus propios costos de equidad, ya que las herramientas que señalan a quienes escriben en una lengua no nativa generan desproporcionadamente falsos positivos (detección de IA, brecha digital).

Estrategias pedagógicas recomendadas para la enseñanza y el aprendizaje en línea

• Aprendizaje activo e interactivo. Preferir estrategias que mantengan al estudiantado haciendo y pensando en lugar de recibiendo pasivamente: aprendizaje activo, ejercicios interactivos y diálogo socrático. La IA que incita al razonamiento (en lugar de suministrar respuestas) preserva la lucha productiva y las dificultades deseables que construyen un aprendizaje duradero.
• Apoyo andamiado y guiado. Usar andamiaje que se desvanece a medida que el estudiantado avanza, y diseñar apoyos para el aprendizaje autorregulado de modo que quien aprende dirija su propio aprendizaje en lugar de depender de la herramienta.
• Aprendizaje colaborativo y basado en la discusión. Estructurar deliberadamente las discusiones en línea y el trabajo en grupo; usar actividades de aprendizaje colaborativo y, cuando la IA participe, calibrar su facilitación y su rol como par.
• Evaluación auténtica que revela el proceso. Desplazarse hacia la evaluación auténtica y hacia evaluaciones que capturen el proceso —borradores, defensas orales, autoexplicación, portafolios reflexivos—, que son más resistentes a la IA y revelan una comprensión genuina.
• Rutas personalizadas y adaptativas. Usar la personalización y las actividades adaptativas habilitadas por IA para ajustar el ritmo y la dificultad, manteniendo la personalización profunda (secuenciación de tareas, calibración de la dificultad) y no meramente superficial (ejemplos a medida).
• Presencia social y construcción de comunidad. Cultivar deliberadamente la presencia social y la comunidad —el núcleo del marco de la comunidad de indagación— mediante acompañantes de IA, encuentros sincrónicos y interacción entre pares, ya que el aislamiento en línea es una barrera clave para la implicación y el sentido de pertenencia. En la era de la IA, esto significa curar las tres presencias (cognitiva, social y docente) aun cuando el discurso generado por máquinas complica quién está «presente» (véase comunidad de indagación).
• Pensamiento de diseño mixto. Para formatos híbridos, aplicar los principios del diseño del aprendizaje para decidir qué conviene hacer de forma sincrónica frente a asíncrona y en línea frente a presencial, y cómo la IA apoya cada caso.
• Nombrar el rol de la IA y comprobar que el estudiantado conserva el suyo. «El estudiantado puede usar IA» es demasiado amplio para diseñar contra ello. Los roles conllevan consecuencias pedagógicas distintas: un estudio sobre IA generativa en la educación en marketing distingue tutor, compañero de equipo y herramienta y muestra que cada uno configura de forma diferente la presencia docente, social y cognitiva (IA generativa en la educación en marketing), así que una actividad en línea debería poder declarar su división del trabajo: el trabajo de la IA aquí es X, el del estudiantado es Y. Si Y contiene poco pensamiento, la actividad necesita un rediseño y no una política más estricta.
• Secuenciar la discusión como postura, objeción y reconsideración. La fórmula asíncrona convencional de publicar una vez y responder dos veces es superficial y además completable por un agente. Una estructura más sólida pide al estudiantado comprometerse con una interpretación, enfrentar un contraejemplo o una crítica y luego explicar cómo se movió su razonamiento; lo que se califica es el movimiento entre ideas y no el número de publicaciones. Esto también reubica la presencia docente: responder mecánicamente a docenas de publicaciones es su forma menos valiosa, mientras que sintetizar patrones a lo largo de la discusión —los supuestos que se repiten, los desacuerdos que merecen nombrarse, el contraejemplo que desestabiliza un consenso— es la parte que ningún agente de esta literatura realiza.
• Gobernanza con intervención humana. Mantener a educadores y docentes en el circuito de las herramientas de IA, con base en el conocimiento pedagógico del contenido, para que la intención pedagógica, y no el valor por defecto de la herramienta, impulse el diseño.

Implicaciones para el profesorado en línea y el diseño instruccional

• Poner salvaguardas a la IA, no solo ofrecerla. Usar andamiaje de pistas y no respuestas que mantenga el trabajo cognitivo de quien aprende en el circuito; el ensayo controlado aleatorizado con tutor con salvaguardas muestra que esto elimina la penalización en el examen que causa el acceso sin salvaguardas. Véase el concepto de salvaguardas para la capa completa de diseño (ingeniería de prompts, anclaje con RAG, entrenamiento, control de calidad).
• Diseñar evaluaciones resistentes a la IA y supervisadas o sin asistencia. Como la calificación en línea a menudo no puede distinguir el trabajo asistido del independiente, incluir evaluaciones a libro cerrado, supervisadas o que revelen el proceso para sacar a la luz y desalentar el mal uso (mal uso de la IA y daño al aprendizaje).
• Enseñar alfabetización en IA de forma explícita. Ayudar al estudiantado a reconocer patrones de dependencia y a calibrar la confianza (alfabetización en IA); construir la autorregulación y la metacognición para contrarrestar la descarga.
• Integrar la IA en el entorno de aprendizaje, no como un añadido externo. Los asistentes diseñados a medida y ajustados al contexto e integrados en el curso (como AIDA) superan a los chatbots externos genéricos y aumentan la aceptación.
• Calibrar la facilitación de la IA hacia la prudencia humana. Al usar IA para moderar discusiones, preferir configuraciones que intervengan con moderación (Tsirmpas et al.).
• Diseñar para las restricciones de la vida adulta. Para el estudiantado adulto y a distancia, priorizar el acceso móvil, la capacidad sin conexión y la disponibilidad asíncrona (directrices de AI-ALOE).
• Codiseñar con el estudiantado y el personal, y construir gobernanza. El desarrollo participativo, el patrocinio de la dirección, la colaboración entre unidades y una gobernanza sólida son factores habilitantes para una adopción responsable de la IA generativa.
• Dar por supuesto que un agente intentará toda actividad sin supervisión, y diseñar desde ese supuesto. La prueba de tres preguntas es rápida y expone las actividades débiles: ¿podría un sistema de IA completar esto sin que el estudiantado comprenda el material; qué actividad cognitiva se supone que produce el aprendizaje; qué evidencia mostrará que el estudiantado la realizó? Cuando la primera respuesta es sí y las otras dos son difíciles de responder, el problema es el diseño del aprendizaje y no la política sobre IA.
• Mantener la verificación proporcionada al riesgo. Donde deba certificarse una competencia, preferir una tarea gemela, una defensa oral asíncrona o una breve comprobación de comprensión antes que una vigilancia generalizada; mantener el resto del curso flexible para el estudiantado que depende de esa flexibilidad.
• Usar la analítica para apoyar la enseñanza, no para sustituirla. Aprovechar la analítica del aprendizaje para pronosticar la implicación y dirigir el apoyo, pero mantener la supervisión humana en el centro.

Conceptos conectados

• Validez de la evaluación — validez de la inferencia del trabajo entregado al aprendizaje
• IA agéntica — sistemas autónomos que operan herramientas y plataformas, incluido un LMS
• Comunidad de indagación — comunidad de indagación
• Pedagogías y estrategias de enseñanza
• Diseño de aprendizaje
• Aprendizaje activo
• Aprendizaje colaborativo
• Andamiaje
• Aprendizaje autorregulado
• Descarga cognitiva
• Integridad académica
• Mal uso de la IA y daño al aprendizaje
• Alfabetización en IA
• Tutoría inteligente
• Aprendizaje personalizado
• Aprendizaje adaptativo
• Implicación del estudiantado
• Brecha digital
• Gobernanza de la IA
• La docencia
• IA con intervención humana (HITL)
• Evaluación auténtica
• Salvaguardas
• Detección de IA

Artículos conectados

• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — Agentes autónomos completaron de principio a fin evaluaciones de un LMS sin supervisión: un problema de validez de la evaluación (Hadjisolomou y El-Haddad 2026)
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Evaluaciones gemelas: emparejar una tarea vulnerable a la IA generativa con otra menos vulnerable y muy próxima en el tiempo sobre los mismos resultados
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — La integridad de coautoría como evidencia de validez, y la AI Viva como verificación escalable
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Evaluaciones orales asíncronas: grabaciones breves y sin revisión calificadas con rúbricas integradas
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — La trampa sin esfuerzo: la ubicación de la IA más que el permiso o la prohibición
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Finalización metacognitivamente discordante: trabajo correcto entregado sin comprensión
• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — Qué estrategias autorreguladas coinciden con una baja distracción digital (530 estudiantes)
• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — La autorregulación como aptitud estable y estado fluctuante; la metacognición y el bienestar disminuyen a lo largo de un trimestre
• When AI Wears Many Hats: The Role of Generative Artificial Intelligence in Marketing Education — La IA como tutor, compañero de equipo y herramienta: roles y sus efectos sobre la presencia
• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Más allá de la detección: diseño de la evaluación para entornos en línea
• Reconceptualizing Community of Inquiry in the Age of Generative Artificial Intelligence — Reconceptualizar la comunidad de indagación en la era de la IA generativa
• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review
• Integrating AI in Online Learning in Higher Education: A Literature Review — Integrar la IA en el aprendizaje en línea en la educación superior: una revisión crítica de la literatura en cuatro temas
• Artificial Intelligence in Online Education: A Systematic Review of Its Impact on Learner Engagement and Satisfaction
• Artificial Intelligence in Distance Education: A Systematic Review of Emerging Pedagogical, Cognitive and Institutional Dynamics
• Architecting an AI-Driven Decision Support System for Enhanced Online Learning and Assessment
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Del MOOC al MAIC: reconfigurar la enseñanza y el aprendizaje en línea mediante agentes impulsados por LLM
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LearnMate²: sistema de apoyo personalizado y adaptativo para el aprendizaje en línea
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — Tendencias de los facilitadores humanos y de LLM en las discusiones en línea
• ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education — ELEVATE: tutores virtuales de IA generativa centrados en las personas
• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents — El camino hacia los tutores de IA conversacional
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Implementar AIDA en la Open University
• Guidelines for Designing AI Technologies to Support Adult Learning — Directrices para diseñar tecnologías de IA que apoyen el aprendizaje adulto
• DeepTutor: Towards Agentic Personalized Tutoring — DeepTutor: hacia una tutoría personalizada agéntica
• EducaSim: Interactive Simulacra for CS1 Instructional Practice — EducaSim: juego de roles escalable para cursos en línea masivos
• Making machine learning findings accessible to teachers in blended classrooms — Hacer accesibles al profesorado los hallazgos de aprendizaje automático en aulas mixtas
• A Machine Learning Approach for Predicting Student Progress in Online Programming Education
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — El estudiantado prefiere vídeos personalizados generados por IA a otros grabados por personas y no personalizados (Tomlinson et al. 2026)
• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — Diseño del aprendizaje basado en resúmenes generados por IA en foros de discusión en línea
• AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — El estudiantado de magisterio de universidades presenciales informó de un TPACK más alto para la enseñanza de las ciencias integrada con IA que sus pares de educación a distancia (64,0% frente a 47,4%)