Madres, padres y familias

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

Madres, padres y familias — el hogar como parte interesada en la IA en la educación: quienes cuidan y tutorizan a sus hijos en casa, eligen y pagan herramientas, supervisan o no llegan a notar lo que esas herramientas hacen, y reciben lo que su escuela comunica sobre la IA. La página reúne la evidencia sobre la tutoría madre/padre-hijo mediada por IA y sobre los compañeros conversacionales usados en el hogar, sobre los traspasos entre el hogar y la escuela, sobre la propia alfabetización en IA de las familias y sobre las consecuencias de equidad de los dispositivos domésticos, la conectividad y el coste. Su alcance es la familia como actor: qué hacen las familias con la IA, qué les llega desde la escuela y qué establece y qué no establece la investigación sobre los resultados.

Preguntas para reflexionar

• Luo et al. (2026) encontraron que la asistencia genérica de un LLM reducía el papel tutorial de la madre o el padre, mientras que una interfaz con roles separados lo preservaba. Si usted diseñara una herramienta para que la usaran juntos una madre o un padre y su hijo, ¿de qué protegería a la persona adulta y qué le entregaría?
• En los datos de Strömberg, Lei y Wu (2026), las notas de deberes subieron un 18% mientras que las de los exámenes a libro cerrado cayeron un 20% en seis meses. ¿Qué ve realmente una madre o un padre en casa, y qué habría que decirle para que notara la diferencia?
• Xiao et al. (2026) encontraron que el profesorado señalaba a las familias como las principales responsables de la relación de los niños con los compañeros de IA, a la vez que describía a esas mismas familias como desinformadas o desbordadas. ¿Es una asignación razonable de responsabilidad, y qué haría falta para hacerla real?
• Oreopoulos, Dong y Low (2026) casi duplicaron la asistencia a la primera sesión al eliminar los trámites dirigidos a las familias. En su propia escuela o programa, ¿qué partes del proceso orientado al hogar existen en beneficio de la familia y cuáles en beneficio de la institución?
• Fan, Li y Zhang (2026) tratan la coordinación familia-escuela como una hipótesis no probada y no como una práctica establecida. Si nunca se ha probado, ¿en qué evidencia se basa el consejo que su escuela da actualmente a las familias?
• MacCallum, Parsons y Mohaghegh (2026) describen brechas digitales de segundo y tercer nivel que persisten después de haber suministrado los dispositivos. ¿Cómo sería cerrar las brechas de habilidades y de resultados en un hogar, a diferencia de en un aula?

Introducción

Una gran parte del tiempo que los niños pasan con la IA ocurre fuera del aula, en un entorno que la bibliografía de investigación trata en su mayor parte como telón de fondo. El trabajo sobre tutoría y resultados de aprendizaje suele ser escolar, mientras que el trabajo sobre orientación familiar suele ser de tipo recomendativo y no probado, de modo que las familias son a la vez destinatarias de muchísima orientación sobre el uso ético y responsable de la IA y objeto de muy poca evidencia sobre si esa orientación funciona.

Esta página trata el hogar como un actor por derecho propio. Abarca la tutoría madre/padre-hijo mediada por IA, las herramientas de compañía y de lectura que los niños encuentran en casa, lo que las escuelas cuentan y no cuentan a las familias sobre el uso de la IA, la propia alfabetización en IA de las familias y lo que se sabe sobre sus opiniones, y las condiciones de acceso y de coste en las que las familias usan estas herramientas. Donde la evidencia es escasa, la página lo dice en lugar de rellenar el hueco.

Las familias como coeducadoras en casa

La evidencia de diseño más clara sobre la tutoría en el hogar proviene de Luo et al. (2026), que construyeron ParaTutor para el contexto chino de tutoría doméstica tras un estudio formativo sobre cómo ayudan las familias con los problemas de matemáticas enunciados en palabras. Ese trabajo formativo identificó fallos recurrentes: a las familias les cuesta entender la estructura del problema, a menudo carecen de los conocimientos de contenido para apoyarlo y se topan con dificultades de comunicación que rompen la comprensión compartida. La respuesta de diseño fue la separación de roles: las madres y los padres recibían orientación tutorial mediante chatbots de múltiples agentes, mientras que los niños recibían un anclaje visual del propio problema, con apoyo por fases para evitar que la díada saltara directamente a las respuestas. En una evaluación con 23 díadas madre/padre-hijo (niños de 10 a 12 años) en cuatro condiciones, la asistencia genérica de un LLM tendía a desplazar el papel de la persona adulta, mientras que la interfaz con roles separados mantenía a las familias ofreciendo y adaptando el apoyo y a los niños dentro del razonamiento. La implicación de los autores es específica del contexto: en educación matemática, donde la precisión del modelo es limitada, los niños no deberían interactuar con el modelo de forma independiente.

Oreopoulos, Dong y Low (2026) tratan el hogar como un actor procedimental, y sus resultados tienen tanto que ver con el comportamiento de las familias como con la tutoría. Su ensayo aleatorizado con el Toronto District School Board asignó tutores humanos virtuales sobre la práctica de Khan Academy a estudiantes de 4.º a 8.º grado con dificultades. En el año 1, solo alrededor del 45% del estudiantado propuesto por el profesorado asistió siquiera a una sesión, con familias que se perdían en cada traspaso: la invitación, el interés, la creación de la cuenta en una plataforma de terceros, el emparejamiento y la asistencia. En el año 2, invitar a las familias directamente a través de su propio docente para un horario semanal fijo y encargarse de la matriculación y la programación en nombre de la familia elevó la participación en la primera sesión al 83%. La asistencia semanal seguía rondando los dos quintos, en su mayoría ausencias intermitentes más que abandono; la práctica aumentó unos 17 minutos por semana, y el efecto por intención de tratar en la prueba de la materia fue de 0,055 DE, con las notas del boletín subiendo alrededor de 0,08 DE. Eliminar la fricción cambió quién se presentaba, no cuánto tiempo se mantenía nadie.

Compañeros y herramientas de lectura en el hogar

Las familias se encuentran con la IA más a menudo como aplicación de compañía que como sistema de tutoría. Liao (2026) comparó un compañero fijo con «rol de par estudiantil» (Whisper con GPT-3.5) frente a docentes con experiencia en sesiones de conversación sobre libros con 19 estudiantes de primaria en Taoyuan, Taiwán —12 de 4.º grado y siete de 5.º, cuatro sesiones cada uno—. El estudiantado pasó significativamente más tiempo con la IA, pero aportó una proporción notablemente menor de palabras y oraciones; en 5.º grado la proporción fue menos de un tercio de lo que producían con la docente, un patrón que el artículo denomina dominancia conversacional. El compañero era eficaz para suscitar recuerdo factual y significativamente más débil que la docente al formular prompts para la reflexión emocional y orientada al futuro: un techo afectivo. La respuesta de Liao es un marco adaptativo al rol en el que un mismo compañero ocupa los papeles de par estudiantil, asistente docente y asesor familiar, este último extendiendo la conversación al hogar. El diagnóstico que lo sustenta es un vacío de apoyo: la mayoría de los diseños de compañeros siguen centrados en la díada estudiante-IA y no dan al profesorado ni a las familias un lugar definido.

Dos artículos sobre primera infancia inciden en lo que llega al hogar. Yang, Li y Lee (2025) sostienen que los agentes físicos y corporeizados son preferibles desde el punto de vista del desarrollo a las pantallas para los niños pequeños, pero advierten que los robots sociales generativos pueden fabricar contenido que los niños en etapa preoperacional aceptan como verdad, carecen de calibración evolutiva en su retroalimentación y conllevan barreras de coste y de acceso que amplían la brecha digital. Malallah et al. (2026) toman una ruta distinta con el mismo grupo de edad: su marco AI-Play, desconectado y basado en el juego, se implementó mediante un evento de Hora del Código centrado en la familia, con encuestas a las familias y hojas de reflexión de los niños para medir la implicación y la usabilidad de cara a replicarlo en casa. Informan de una alta implicación y de una comprensión incipiente de que la IA aprende de ejemplos.

Comunicación y transparencia entre el hogar y la escuela

Lo que las escuelas cuentan a las familias sobre la IA, y lo que las familias cuentan a las escuelas, está en gran medida sin estudiar; los hallazgos más claros se refieren a la ausencia de un canal. En entrevistas basadas en escenarios con 33 docentes estadounidenses de K-12, Xiao et al. (2026) encontraron que las decisiones de intervenir dependían de la jurisdicción y no del daño percibido. Su prueba de visibilidad trazaba la frontera en la puerta de la escuela: el uso en clase o en una herramienta asignada quedaba dentro del papel del profesorado, mientras que el uso en casa entraba en él solo a través de efectos observables como el retraimiento, la caída de las notas o el aislamiento; sin ellos, el profesorado describía observar y documentar de manera informal en lugar de actuar. El escenario de las familias fue señalado como el más preocupante por 10 de 33 docentes, 17 dijeron que el profesorado debería implicarse y 11 respondieron «depende». Las familias fueron nombradas en primer lugar como la parte principalmente responsable de las relaciones de los niños con los compañeros de IA, y después descritas como desinformadas o desbordadas. Los autores lo llaman una vacante jurisdiccional y advierten que, sin una reivindicación curricular establecida, los adultos con acceso más constante a los niños recurren por defecto a la vigilancia y la derivación. No se entrevistó a orientadores, familias ni estudiantado.

Fan, Li y Zhang (2026) explicitan el problema de coordinación. Al revisar la bibliografía de orientación, observan que esta traslada la gestión del riesgo a las familias y a las escuelas mientras trata su coordinación como algo ya establecido, y formalizan tres modelos en competencia —aditivo, sinérgico y compensatorio—, señalando que la versión sinérgica incorporada en la mayoría de las orientaciones no tiene evidencia que la respalde. Su prueba propuesta es un ensayo factorial que contraste la orientación solo familiar, solo escolar, coordinada y la práctica habitual. Del lado familiar, trasladan una distinción de la teoría de la autodeterminación entre descarga dependiente, en la que se delega el pensamiento central, y descarga autónoma, en la que la IA andamia mientras quien aprende conserva la agencia epistémica; el rendimiento inmediato es idéntico en ambos casos, y por eso a una madre o a un padre le resulta difícil ver el uso desadaptativo.

La misma invisibilidad aparece en los datos de rendimiento. Strömberg, Lei y Wu (2026) siguieron a 26.811 estudiantes chinos de secundaria de 7.º a 12.º grado durante 30 meses y encontraron que la adopción de la IA generativa elevó las notas de deberes un 18% y redujo el tiempo de realización un 30%, a la vez que bajó las notas de los exámenes a libro cerrado un 20% en seis meses, con caídas del 18% y del 24% en el examen de ingreso que solo aparecieron después de unos dos años. Alrededor del 81% de las personas usuarias mostró un patrón de externalización de los deberes, mientras que quienes usaban IA y dedicaban a los deberes tanto tiempo como quienes no la usaban obtenían puntuaciones similares en los exámenes. La recomendación de los autores se dirige a los adultos que rodean al niño: vigilar los insumos, como el tiempo y el esfuerzo dedicados a los deberes, y no los productos, como las notas de los deberes. Advierten que una supervisión parental más estrecha es en sí misma una de las variables no observadas que distinguen al grupo que no externaliza.

La propia alfabetización en IA de las familias y la defensa de sus intereses

La evidencia directa sobre lo que las familias saben, temen y piden es escasa, y las familias aparecen sobre todo en la bibliografía a través de lo que otras personas informan de ellas. Las familias del estudio de caso crítico de Liu et al. (2026) sobre un espacio de creación para chicas fueron entrevistadas junto a las chicas y a profesionales, e informaron de que las chicas a menudo «se asustaban» y hablaban menos en entornos mixtos. En Xiao et al. (2026), la alfabetización sobre compañeros que esbozaba el profesorado era un trabajo compartido entre orientadores, familias, plataformas y responsables de política, secuenciado como una espiral graduada por edad, con las familias nombradas en primer lugar y luego descritas como ya cargando más de lo que podían. Las familias aparecen en la evaluación de AI-Play a través de encuestas sobre la usabilidad de la actividad y no a través de relatos de su propia comprensión.

Lo que una madre o un padre necesitaría para participar en algo de esto lo definen, en la práctica, marcos de alfabetización en IA construidos para las escuelas. MacCallum, Parsons y Mohaghegh (2026) diseñaron SAIL para que fuera independiente de la edad, tratando sus competencias de nivel 1 —entender y explorar la IA— como esenciales para todas las edades, lo que sitúa a las personas adultas en la misma progresión que los niños y no como sus instructoras. Las familias también ocupan un papel formal en la propia investigación: Allison (2026) pide a quienes publican que informen del contexto y las características sociodemográficas de los participantes, la accesibilidad y la adecuación cultural, y la revisión ética, el consentimiento y la gobernanza de datos, que son las obligaciones mediante las cuales el consentimiento, los datos y el contexto de una familia se vuelven visibles.

Acceso y equidad entre familias

El coste y la conectividad condicionan lo que las familias pueden usar antes de que surja cualquier cuestión pedagógica. En el estudio del espacio de creación, Liu et al. (2026) documentan tanto una barrera de coste como una barrera de diseño: el generador de imágenes gratuito Playground retiró sus funciones gratuitas en favor de un nivel «pro» de pago que la organización sin ánimo de lucro con pocos recursos no podía asumir, y las herramientas solo aceptaban prompts en inglés, lo que perjudicaba a las chicas sin confianza en inglés. Yang, Li y Lee (2025) señalan el coste y el acceso como factores que amplían la brecha digital. El resultado de participación de Oreopoulos, Dong y Low (2026) es tanto un resultado de equidad como de diseño: las familias perdidas en el año 1 se perdieron por pasos administrativos, y la intervención que las recuperó se construyó en torno al propio docente de la familia y a un horario semanal fijo.

Fan, Li y Zhang (2026) nombran las condiciones de medición que hacen inseguro un consejo familiar general: los instrumentos de alfabetización en IA, dependencia y dependencia excesiva se desarrollaron en su mayoría con muestras de un solo país o de universidades especializadas, y la mayoría de los estudios son transversales y autoinformados. El argumento de equidad de SAIL se aplica también en el registro del hogar: suministrar un dispositivo solo aborda la primera de las tres brechas, y las brechas de habilidades y de resultados persisten independientemente de quién sea el propietario del hardware.

Lo que la evidencia muestra y lo que no

Los resultados orientados a las familias más sólidos de esta base de conocimiento se refieren al comportamiento y no al aprendizaje. Reducir la fricción orientada al hogar elevó la asistencia a la primera sesión de alrededor del 45% al 83% en un ensayo, y aun así la participación siguió siendo la restricción vinculante. Ese mismo ensayo produjo ganancias de resultados pequeñas e imprecisas, mientras que el mayor estudio de rendimiento académico informa de efectos negativos grandes concentrados en el estudiantado que externalizaba los deberes, un patrón que los autores atribuyen en parte a una supervisión parental que no pudieron medir directamente. Ninguno de los dos hallazgos aísla lo que hacen las familias de lo que hacen las escuelas o las herramientas.

Lo que falta es más llamativo. Los relatos de las propias familias son raros: el profesorado de Xiao et al. (2026) excluyó a las familias de su muestra por diseño, y las familias que sí aparecen son entrevistadas como una voz más entre chicas, profesionales o docentes. Aquí no hay evidencia directa sobre cómo se enteran las familias de la política sobre IA de una escuela, qué se les dice sobre la vigilancia o la declaración de uso, ni cómo responden a ello, y la coordinación familia-escuela se ha teorizado en lugar de probarse. Diseños de tutoría doméstica como ParaTutor se han evaluado con 23 díadas en un único contexto nacional, y las comparaciones de compañeros se apoyan en 19 estudiantes de una sola escuela. Una revisión de alcance de 2026 traza hasta dónde ha llegado el campo. Luo et al. (2026) analizaron 53 estudios de interacción persona-ordenador procedentes de 6.540 registros de 19 sedes de publicación mediante la teoría de la actividad, y encontraron una bibliografía centrada en la interacción niño-progenitor y en el lenguaje, la alfabetización en IA y el aprendizaje relacional, con 44 de los 53 estudios (83%) situados en configuraciones niño-progenitor. Los sistemas conversacionales, corporeizados y espaciales generan apoyo a partir del contexto de una interacción en curso, y los LLM redistribuyen el trabajo educativo mientras las familias y las instituciones siguen siendo responsables de interpretar los resultados y decidir cómo entran en la práctica. La personalización sostenida, el trabajo de reparación y cómo negocian las familias la autoridad y las normas son los huecos que nombra la revisión, que es la misma ausencia que documenta esta sección desde la dirección opuesta.

Relación con otras páginas. Partes interesadas es la visión general breve del conjunto completo de partes interesadas, con las familias enumeradas como una audiencia todavía no cubierta en profundidad; esta página es esa profundidad. IA en la primera infancia y la educación primaria cubre el dominio evolutivo y pedagógico de quienes aprenden a edades tempranas en la escuela y en el hogar; esta página sigue a la familia a través de las edades, desde las actividades de juego en preescolar hasta los deberes de secundaria. Declaraciones de uso y de divulgación de la IA cubre si quien aprende cuenta a otras personas que ha usado IA; esta página cubre la cuestión adyacente de si esa información llega a los adultos en el hogar, y qué se cuenta a las familias sobre el uso de la IA en la escuela.

Conceptos conectados

• Partes interesadas — la página paraguas de las audiencias y los actores de la IA en la educación
• Educación infantil y primaria — el dominio evolutivo donde más se estudia el uso en el hogar y la familia
• Declaraciones de uso y divulgación de la IA — las prácticas de divulgación y la cuestión de qué llega a las familias
• Alfabetización en IA — las competencias de las propias familias y los marcos escolares que las definen
• Equidad — cómo se distribuyen los beneficios y las cargas entre los hogares
• Brecha digital — las capas de acceso, habilidades y resultados aplicadas al hogar
• IA conversacional — la forma dominante que adopta la IA en los entornos familiares
• Teoría de la autodeterminación — el apoyo a la autonomía como marco de la orientación familiar
• Descarga cognitiva — descarga dependiente frente a autónoma, y por qué las familias no pueden ver la diferencia
• Tutoría inteligente — el modelo que hay detrás de la tutoría madre/padre-hijo mediada por IA

Artículos conectados

• ParaTutor: LLM Mediated Parent Child Tutoring through Role Separated Scaffolding Interface in Real Time — apoyo LLM con roles separados para 23 díadas madre/padre-hijo en tutoría matemática doméstica china
• Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — compañero con rol fijo de par frente a docente con 19 estudiantes de primaria en Taiwán
• Family-school autonomy support for children's responsible use of generative artificial intelligence — revisión que trata la coordinación familia-escuela como una hipótesis no probada
• RAISE the Standard: A Framework for Transparent Reporting of Artificial Intelligence Studies in Education — obligaciones de notificación que abarcan el consentimiento, el contexto de los participantes y la equidad de acceso
• Exploring K-12 Teachers' Perceptions of Students' Relationships with AI Companions: Boundaries, Intervention Strategies, and Design Implications — 33 docentes sobre la jurisdicción, las familias y la relación de los niños con los compañeros de IA
• AI-Play: A Framework for Teaching Artificial Intelligence Concepts through Unplugged Activities in Early Childhood Education — alfabetización en IA desconectada, probada mediante un evento de Hora del Código centrado en la familia
• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — familias entre las personas entrevistadas; coste de las herramientas y barreras lingüísticas en entornos informales
• Tailoring AI Agents for Early Learning: The Creative Project Approach — agentes físicos para niños pequeños, con advertencias sobre coste, acceso y privacidad
• Transforming clicks into critical thinking: An AI-based media literacy program for children — programa escolar sobre privacidad de datos, comunicación segura y ética de los medios con 36 estudiantes de cuarto grado
• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — la participación subió del 45% al 83% al eliminar los pasos dirigidos a las familias
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — externalización de los deberes, caídas en los exámenes y el argumento a favor de vigilar los insumos
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — niveles de alfabetización en IA independientes de la edad y la brecha digital de tres niveles
• Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature — Caracterizar la educación familiar basada en LLM a través de la lente de la teoría de la actividad: una revisión de alcance de la bibliografía de interacción persona-ordenador