En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

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

Educación en física: el estudio de cómo el estudiantado aprende física y de cómo enseñarla con más eficacia, abarcando la tutoría con IA socrática, la evaluación del pensamiento computacional, la confianza del estudiantado y los patrones de adopción de la IA, la validez de la calificación automatizada y la formación del profesorado. La investigación sobre educación en física destaca por su especificidad disciplinar: explora cómo interactúan las herramientas de IA con las exigencias cognitivas propias del razonamiento físico —el pensamiento visual-espacial, el modelado matemático, el pensamiento sistémico abstracto y la resolución de problemas de varios pasos.

Preguntas para reflexionar

  • Los problemas de física a menudo exigen pensamiento visual-espacial, modelado matemático y razonamiento de varios pasos. ¿Por qué podrían ser precisamente estas las exigencias cognitivas con las que luchan los tutores de IA actuales?
  • El estudiantado declara una gran brecha entre confianza y utilidad: el 91% usa la IA para el trabajo de curso, pero solo el 41% confía en ella. ¿Ha usado alguna vez una herramienta en la que no confiaba del todo? ¿Qué originaba esa brecha?
  • La calificación con IA subestimó de forma sistemática las explicaciones de física del estudiantado con menor competencia lingüística. ¿Qué sugiere eso sobre cómo califica una IA una explicación frente a una respuesta numérica correcta?
  • Un estudio encontró que un chatbot socrático con IA mejoró drásticamente la especificidad de las preguntas en un curso de física en vivo, pero el estudiantado también «cedía el control estratégico» al tutor con frecuencia. ¿Cuándo ayuda al aprendizaje entregar el control estratégico y cuándo lo perjudica?
  • ¿Por qué puede ser la física un «banco de pruebas» para la IA en la educación? ¿Qué hace que sus problemas sean ideales para estudiar cómo afecta la IA al razonamiento y a la evaluación?
  • ¿Confiaría en una IA para calificar su conjunto de problemas de física o para razonar con usted sobre un diagrama de fuerzas? ¿Qué tendría que cumplir la IA —y su curso— para que dijera que sí?

Introducción

La investigación sobre educación en física se ha convertido en un banco de pruebas para la IA en la educación porque los problemas de física están bien estructurados y a la vez son cognitivamente exigentes, lo que los hace ideales para estudiar cómo afectan las herramientas de IA al aprendizaje, al razonamiento y a la evaluación. Los 26 artículos dibujan en conjunto el panorama de un campo que lidia tanto con la promesa como con los límites de la IA: desde chatbots socráticos que mejoran la calidad de las preguntas del estudiantado hasta sesgos sistemáticos de calificación que penalizan a quienes aprenden con diversidad lingüística.

Temas clave de investigación

La tutoría socrática con IA en física es el tema más desarrollado, con tres artículos que despliegan diálogo socrático impulsado por LLM en cursos reales de física. Hashmi et al. demostraron que la interacción socrática sostenida con un chatbot de IA mejora drásticamente la especificidad de las preguntas en mecánica introductoria, con 150 estudiantes de carreras STEM en un curso en vivo. Hashmi y Rebello construyeron una taxonomía ascendente de 357 categorías de discurso estudiantil a partir del mismo despliegue, revelando que los turnos metaprocedimentales —en los que el estudiantado cede el control estratégico al tutor— dominan las interacciones. Ambos contribuyen a la investigación más amplia sobre el método socrático y conectan con los marcos de tutoría con IA y tutoría inteligente.

La adopción y la confianza del estudiantado en la IA explora cómo usa realmente el estudiantado de física las herramientas de IA. Fouad y Bentley encontraron una brecha de 50 puntos entre confianza y utilidad: el 91% usa la IA para el trabajo de curso, pero solo el 41% confía en ella, y el estudiantado identificó espontáneamente modos de fallo de la IA en el razonamiento visual-espacial y en los circuitos. Becker et al. desarrollaron una tipología de dos perfiles —70% «usuarios pragmáticos» y 30% «no usuarios escépticos»— a partir de 1.189 respuestas de encuesta, mostrando que ambos grupos hacen concesiones calculadas entre riesgo y utilidad. Estos estudios hacen avanzar la investigación sobre alfabetización en IA y calibración de la confianza, y cuestionan las políticas de IA uniformes para todos. El uso es selectivo, y la aprobación va por delante de él. En una encuesta a 209 estudiantes de ingeniería de seis universidades kazajas, el 36,1% declaró un uso general regular de la IA, pero solo el 20,2% la usaba con mucha frecuencia en física y disciplinas especializadas (Nauryzbayeva et al. (2026)). El uso se concentró en tareas de búsqueda de explicaciones —el 55,1% para aclarar temas difíciles y el 51,4% para los deberes—, por delante de los trabajos escritos, con un 43,5%. El pensamiento de ingeniería recibió la mayor contribución percibida, con un 61,1%, pero el instrumento solo midió patrones de uso y apoyo percibido, no aprendizaje. Nada de esto muestra que la IA mejorara el aprendizaje de la física, y los autores lo dicen así.

Uso estructurado, no solo adopción. Los estudios de adopción anteriores describen quién usa la IA y cuánta confianza le tiene. Una línea aparte pregunta qué debería hacer el diseño instruccional con ese uso, y la evidencia multiinstitucional al respecto ha sido escasa. Paul et al. (2026) aplicaron el protocolo de cuatro pasos Physics AI-Replication en 11 secciones de álgebra y de cálculo en cuatro instituciones: identificar un problema difícil, obtener una explicación y una solución de la IA, solicitar problemas de práctica similares y resolverlos después de forma independiente antes de comprobar.

Las percepciones fueron consistentes entre campus. De 358 estudiantes matriculados, se encuestó a 235 (65.6%); el 90.9% atribuyó una mejor comprensión conceptual y el 97.7% consideró útil la práctica replicada; la confianza posterior a la implicación promedió 7.18 en una escala de 1–10, con medias institucionales de 6.86 a 7.52; y el tema cualitativo dominante se mantuvo entre el 60.6% y el 67.6% en todos los centros. La confianza siguió a esos dos beneficios del protocolo (r_s = 0.37 y 0.35) pero no a la frecuencia de uso de la IA (r_s = 0.02), la variable que suele medir la literatura sobre adopción.

Las creencias epistemológicas se corresponden con la preferencia de comportamiento del chatbot. En un curso grande basado en cálculo, el 52% del estudiantado prefirió un chatbot que comenzara con indagación guiada y respondiera solo cuando se le preguntara, y obtuvo puntuaciones más altas en el total de EBAPS (p = 0,029) —diferencias que no sobrevivieron a una corrección de Bonferroni, lo que hace que la asociación sea sugerente y no concluyente— (Sirnoorkar y Mamidpalliwar (2026)).

La aceptación se ha modelado ya, y no solo descrito: un estudio de ecuaciones estructurales con 340 estudiantes de clases de física de décimo curso en Hangzhou explica el 58% de la varianza en la intención de usar DeepSeek. Su resultado destacable es que las creencias sobre la física (el valor de utilidad, la expectativa, el coste) predicen cuán útil y cuán fácil parece la herramienta, y no solo si el estudiantado tiene intención de usarla (Xue, Xu, Qi y Lu (2026)).

Cambio de percepción sin cambio de conducta es lo que O'Brien et al. (2026) añaden a este panorama. Una lección reflexiva sobre cómo funcionan los LLM, impartida en un curso obligatorio de primer año para estudiantes de física, elevó notablemente el escepticismo —el acuerdo con que los LLM pueden dejar al estudiantado con una falsa sensación de confianza subió del 58% al 88%, y la creencia de que un LLM supera al estudiante medio de física bajó del 54% al 32%—, mientras que la comodidad (71% de acuerdo) y la presión de los plazos (65%) siguieron siendo los motivos dominantes de uso. Los límites de la lección son tan informativos como su efecto: la enseñanza de alfabetización en IA cambió lo que el estudiantado decía sobre estas herramientas y no las presiones que le llevan a recurrir a una, y por eso una intervención de este tipo acompaña al diseño de problemas y políticas en lugar de sustituirlo.

El planteamiento de problemas convierte a quien aprende en autor del problema: el 76% de 49 estudiantes de física percibió un cambio positivo en sus interacciones con IA generativa tras un entrenamiento en ingeniería de prompts, beneficiándose más los novatos, y alrededor del 68% valoró positivamente la técnica como autoaprendizaje (Dawson y Rebello (2026)).

La evaluación y el pensamiento computacional examina cómo puede la IA evaluar el aprendizaje de la física. Savage et al. utilizaron LLM para evaluar el crecimiento del pensamiento computacional en física introductoria y encontraron que los LLM pueden escalar la evaluación del PC pero tienen dificultades con constructos complejos como el pensamiento sistémico. Feser y Tschisgale demostraron que la calificación con IA subestima de forma sistemática las explicaciones de física del estudiantado con menor competencia lingüística, un hallazgo que conecta con la validez de la evaluación, la mitigación de sesgos y la equidad en la educación con IA.

El desacuerdo de un calificador de IA puede ser un fallo de recuperación y no una laguna de razonamiento. En informes de laboratorio de física experimental, un signo omitido o un eje mal leído pueden no llegar nunca al modelo, de modo que las condiciones del documento —PDF de alta resolución, ecuaciones escritas en el editor— acotan cualquier puntuación, y el procesamiento debe quedar detrás de la verificación docente (Abreu et al. (2026)).

Infraestructura psicométrica para la evaluación diagnóstica. Le et al. (2026) invierten la pregunta habitual sobre la IA en física: en lugar de preguntar si un modelo puede resolver o calificar física, preguntan si las propias evaluaciones basadas en la investigación del campo pueden diseñarse para diagnosticarla. Mapearon los ítems del FCI, el FMCE y el EMCS sobre 14 objetivos de aprendizaje finamente definidos y ajustaron un modelo de diagnóstico cognitivo DINA a 24.394 respuestas de postest de 807 cursos en 79 instituciones a través de la plataforma LASSO, construyendo el Diagnóstico Cognitivo de Mecánica, presentado como el primer test adaptativo informatizado de diagnóstico cognitivo en física. El FCI y el EMCS ajustaron bien (RMSEA² = 0,033 y 0,022), mientras que el FMCE ajustó solo de forma marginal (0,065), y los autores atribuyen ese desajuste al diseño del instrumento y no al modelado: 42 de los 43 ítems puntuados del FMCE comparten enunciados de escenario en conjuntos encadenados, lo que crea la dependencia local entre ítems que prohíbe el supuesto de independencia condicional del DINA (el FCI agrupa 13 de 30 ítems; el EMCS ninguno). La precisión de clasificación alcanzó el umbral formativo de bajo impacto en 19 de 22 combinaciones de objetivo y evaluación; los tres fallos fueron objetivos de energía del EMCS cuyos ítems se solapan en torno al 70 por ciento, de modo que no puede separarse el dominio de uno del de los otros. La importancia para la enseñanza de la física es que los instrumentos que los cursos ya administran pueden reutilizarse para ofrecer retroalimentación procesable a nivel de objetivo durante la instrucción en lugar de una puntuación retrospectiva de postest, siempre que las afirmaciones diagnósticas se planteen con la resolución que el banco de ítems puede sostener realmente.

Evaluación comparativa de la IA multimodal en problemas auténticos de física. Chen et al. (2026) presentan OmniPhys, un punto de referencia IA multimodal a gran escala (15.246 preguntas, 19.850 imágenes) que abarca desde la secundaria hasta el nivel universitario en física, a partir de conjuntos de datos educativos chinos. De forma inusual, evalúa no solo la comprensión de la entrada multimodal sino también la generación de salida multimodal: si los modelos pueden sintetizar diagramas de física estructurados, un componente central de la resolución auténtica de problemas. Las extensas evaluaciones revelan lagunas críticas en los LLM multimodales actuales, especialmente en razonamiento complejo y generación visual.

Marcos de diseño instruccional para la enseñanza aumentada con IA. Kuhn et al. proponen el marco AIRIS (Activar–Indagar–Reflexionar con Apoyo Inteligente), una estructura de tres fases para un uso cognitivamente activado de la IA en física: el estudiantado predice y esboza los resultados esperados antes de la IA (Activar), delega en la IA los pasos computacionales y de representación mientras compara críticamente la salida con sus propias predicciones (Indagar) e interpreta, comprueba la coherencia entre representaciones y reflexiona después sobre lo que aportó la IA (Reflexionar). Fundamentado en el aprendizaje autorregulado, la teoría de la carga cognitiva, las representaciones externas múltiples y la colaboración humano-IA, enmarca el reto central como un problema de diseño instruccional y no de trampas o de elección de herramienta, y reclama experimentos de «condición de retirada» que comprueben si el aprendizaje sobrevive a la retirada del apoyo de la IA.

  • Enseñar a criticar las soluciones de IA con una rúbrica. Veinticuatro grupos de laboratorio de física introductoria que criticaron una solución de IA con reflexión guiada por MAPS identificaron integración numérica omitida, notación indefinida y representación gráfica cualitativa en lugar de cuantitativa, mientras que los grupos que solo resolvieron un problema relacionado aceptaron la salida pulida o la rechazaron desde sus propias ideas erróneas (Borse et al. (2026)).

  • Las preconcepciones sobre la energía deciden si la IA se convierte en conversación conceptual o en una consulta. Wang et al. (2026) llevaron a catorce grupos de docentes en formación por las formas y la conservación de la energía en Go-Lab con un chatbot metacognitivo disponible a demanda. Los grupos cuyos miembros respondieron de forma distinta a un pretest sobre energía hicieron los mismos tipos de preguntas que los grupos emparejados, pero situaron la negociación de consultas a la IA en el centro de su red de interacción y mantuvieron una evaluación positiva o neutra de sus respuestas, mientras que los grupos emparejados siguieron una ruta lineal de consulta y luego lectura. La confusión conceptual fue de f = 87 frente a 36, con una cobertura de casos del 88.9% frente al 57.1%.

Vídeo generativo como datos experimentales sintéticos. Alvarado-Cruz et al. (2026) generan escenarios de vídeo con PixVerse, Grok Imagine y Pippit para tres regímenes de fuerza resistiva —fricción constante, arrastre lineal y arrastre cuadrático—, extraen la cinemática con la herramienta de código abierto Tracker y ajustan los modelos analíticos por mínimos cuadrados no lineales. Los datos sintéticos coincidieron con las ecuaciones clásicas del movimiento y recuperaron parámetros físicamente significativos, y el hallazgo práctico recurrente es que la especificidad del prompt determina la coherencia física: descripciones más detalladas produjeron dinámicas más coherentes. El flujo de trabajo refleja la práctica experimental desde la construcción del modelo hasta la validación cuantitativa, y reencuadra la formulación de prompts como una etapa del diseño experimental y no como una comodidad. Lo que todavía no demuestra es aprendizaje: aquí la validación es la coincidencia entre el movimiento generado y los modelos de los autores, no el juicio de medición del estudiantado, así que el enfoque hereda la pregunta de validez que debe responder cualquier dato generado que se use como evidencia.

Simulaciones a medida para los temas que PhET no cubre. Los modelos HTML/JavaScript generados por LLM permiten al profesorado producir la simulación que el curso necesita en lugar de la publicada más cercana, sujetos a validación técnica y física; en un piloto, 53 estudiantes en 26 parejas construyeron y refinaron sus modelos de caída libre sin necesidad de conocimientos de programación (Ben-Zion et al., 2025).

Un prompt reutilizable de cuatro elementos —herramientas, visualización, controles manuales, optimización— permite a un docente sin código generar una simulación de RA basada en el navegador cuyos gestos de pellizco y expansión impulsan la física; en un piloto de 29 estudiantes el gesto ayudó a los 29 a «sentir» la longitud de onda (media 4,52) y el 86% declaró una mayor implicación (Levy et al. (2026)).

Instrumentación generada por IA a partir de un prompt. Un laboratorio de rotación generado mediante prompting en lenguaje natural a un asistente de IA, sin programación manual, midió el movimiento circular uniforme y acelerado con una precisión del 1% respecto al análisis de vídeo independiente con Tracker, lo que permite al profesorado construir la interfaz en torno a sus variables pedagógicas en lugar de adaptarse a una aplicación de sensores precompilada (Suñer et al. (2026)).

Desempeño asistido frente a conocimiento no asistido en un curso rediseñado. Un rediseño de 2026 del curso introductorio de física nuclear y de partículas de la Universidad del Ruhr en Bochum (Mikhasenko et al.) permitió la IA generativa en diez hojas de deberes deliberadamente resistentes a la IA y con forma de investigación, diseñadas para que un prompting ingenuo no bastara. La implicación y la ambición fueron altas —24 de 42 estudiantes obtuvieron crédito en las diez hojas, y una deducción llenó más de dos metros de pizarra—, pero un examen escrito de 90 minutos sin ayuda fue una «advertencia seria»: una media de 20,6/80, con solo dos de 27 examinandos alcanzando 40. Los autores concluyen que el desempeño asistido y el conocimiento recuperable de forma independiente son logros distintos que no puede suponerse que se entrenen o demuestren mutuamente, y que los cursos de física deben reservar parte de la práctica para el trabajo sin ayuda, lo que refuerza la evidencia más amplia sobre la transferencia.

El diseño del rol del agente como variable instruccional. Wang et al. (2026) mantienen constantes el modelo (DeepSeek R1), la plataforma y la temperatura, y varían solo el rol especificado en el prompt: un agente centrado en el docente que responde de forma autoritativa desde una fuente de conocimiento acotada a un manual, frente a un agente centrado en el estudiante configurado como docente empático con conocimiento de la comprensión del estudiantado, programado para diagnosticar la causa de las ideas erróneas, nombrar el concepto relevante y transferir a un fenómeno análogo. En 59 egresados de secundaria que resolvieron dos ítems conceptuales, el agente centrado en el estudiante produjo puntuaciones de postest más altas (9,67 frente a 7,93; r = 0,38), menor carga cognitiva extrínseca y mayor carga germánica, una experiencia de flujo más intensa (d = 0,92) y una percepción de empatía más alta (r = 0,53): evidencia de que el encuadre del rol, y no solo la exactitud de la respuesta, es lo que hace que un agente de física sea instruccionalmente eficaz (agente pedagógico, ingeniería de prompts).

  • Las puntuaciones de los puntos de referencia subestiman lo que los modelos ya pueden hacer en física. La recalificación de seis puntos de referencia de física muy usados con especialistas del dominio encontró que la mayor parte del déficit notificado era un artefacto de ítems defectuosos y calificadores automáticos restrictivos: de 250 rechazos auditados, 143 (57,20%) eran defectos del punto de referencia y 95 (38,00%) errores del calificador, con solo 12 (4,80%) errores genuinos del modelo. Corregidos, la media@4 de HLE-Physics subió del 47,28% al 78,66% y la de CritPt del 32,29% al 87,50%. Para la enseñanza de la física esto corta en ambos sentidos: significa que el estudiantado ya puede obtener soluciones textuales de nivel experto para muchos problemas canónicos, así que la evaluación del razonamiento físico debe avanzar hacia ítems que resistan la contaminación de los puntos de referencia y hacia evidencia del proceso en lugar de respuestas finales. (Ansari et al., 2026)

  • La calificación con IA puede reproducir un resultado de física de alto riesgo sin coincidir en cada parte. Al calificar 10.364 páginas manuscritas de olimpiada y de universidad, un LLM multimodal recuperó el mismo equipo olímpico de cinco estudiantes que los examinadores y se correlacionó con los totales en r = 0,93–0,96, pero la coincidencia exacta por parte de pregunta alcanzó el 70%: una segunda lectura controlada por examinadores, no una sustitución (Pathak et al. (2026)).

  • Los puntos de referencia de física pueden estar anclados al currículo y no ser en inglés. Jahin et al. (2026) construyeron 1.834 preguntas en bengalí a partir del manual nacional de física de los grados 9-10 y un grafo de conocimiento de 1.760 nodos; una única receta fija de ajuste fino ganó 5,5, 15,0 y 23,3 puntos con 0.6B, 1.7B y 4B parámetros.

Una revisión PRISMA de 2026 de 11 estudios empíricos en seis países llega a la misma conclusión a nivel de campo: las ganancias a corto plazo de la retroalimentación con IA y la simulación no persistieron no persistieron en exámenes posteriores ni se transfirieron al rendimiento independiente (revisión de la IA en la educación universitaria de física).

Conexiones con conceptos relacionados

La educación en física se sitúa dentro del dominio más amplio de la educación STEM, pero tiene conexiones distintivas: con el método socrático, por la fuerte tradición del diálogo socrático en la resolución de problemas de física; con el pensamiento computacional, por el papel creciente de la computación en la física; con la validez de la evaluación, por los retos de calificar explicaciones de física; y con la formación profesional, por la preparación basada en la simulación. Los conceptos de experiencia del estudiantado y alfabetización en IA son esenciales para entender cómo navega el estudiantado de física las herramientas de IA, mientras que la medición educativa y la calificación automatizada conectan con la dimensión de la evaluación.

Implicaciones para el profesorado de física

  • Diseñar para la confianza del estudiantado, no solo para la adopción. Fouad y Bentley documentan una brecha de 50 puntos entre confianza y utilidad (91% de uso, 41% de confianza), con el estudiantado identificando fallos de la IA en el razonamiento visual-espacial y en los circuitos: cree oportunidades para exponer y discutir estos límites en lugar de dar por supuesta la aceptación.

  • Usar la IA socrática para profundizar la calidad de las preguntas, pero vigilar la cesión estratégica. Los chatbots socráticos mejoran la especificidad de las preguntas, pero la investigación taxonómica encuentra que dominan los turnos metaprocedimentales: el estudiantado entrega el control estratégico al tutor. Intervenga para que siga siendo quien decide.

  • Un tutor bien diseñado superó el aprendizaje activo en el aula. Kestin et al. (2025) encontraron que 194 estudiantes de ciencias de la vida de Harvard aprendieron más con el tutor de IA del propio curso que con las lecciones de aprendizaje activo basadas en la investigación que cubrían el mismo contenido (mediana del postest 4,5 frente a 3,5), con mayor implicación y motivación declaradas, y lo atribuyen a los prompts elaborados por personas expertas y a los problemas secuenciados por la plataforma más que a la tecnología por sí sola.

  • Estructurar el uso de la IA cognitivamente, no solo permitirlo. AIRIS (Activar–Indagar–Reflexionar) muestra el valor de que el estudiantado prediga o esboce antes de la IA, delegue los pasos computacionales mientras compara críticamente la salida y reflexione después: trate la integración de la IA como un problema de diseño instruccional y compruebe si el aprendizaje sobrevive a su retirada. En un ensayo aleatorizado con 95 estudiantes de grado, 45 minutos de formación alineada con el AAR sobre problemas de mecánica elevaron la exactitud cuando el estudiantado revisó después ítems de electromagnetismo con un modelo: el 69,3% de sus respuestas incorrectas pasaron a correctas frente al 41,3% de los controles sin formación (d = 0,81) (Huang et al. (2026)).

  • Protegerse frente al sesgo de calificación. La calificación con IA subestima de forma sistemática las explicaciones del estudiantado con menor competencia lingüística; use una calificación sensible al lenguaje o moderada por personas en la evaluación conceptual.

  • Usar aulas simuladas para la formación del profesorado. Las aulas simuladas multiagente ofrecen a quienes se forman como docentes una práctica poco frecuente de responder al razonamiento auténtico del estudiantado: un complemento de bajo coste a la microenseñanza en vivo.

  • Reservar práctica y evaluación sin ayuda. El rediseño de Bochum (Mikhasenko et al. 2026) muestra que unos deberes con forma de investigación y con IA permitida, completados con una alta implicación, pueden dejar al estudiantado muy atrás en un examen sin ayuda (media 20,6/80): trate el desempeño asistido y el conocimiento recuperable de forma independiente como cosas distintas, e incorpore al curso una práctica deliberada sin ayuda y un examen escrito.

  • Verificar la fidelidad del facilitador; mantener la fase de construcción del modelo sin IA. Ante la insistencia de «dinos simplemente» qué lata pesaba más, un Gem configurado a propósito inventó valores de masa que nadie había medido, así que la fidelidad de un facilitador basado en lenguaje debe comprobarse en lugar de darse por supuesta, y la fase de construcción sin IA preserva el trabajo manual que este no puede alcanzar (Tufino y Damiani (2026)).

Concepciones erróneas

  • «El estudiantado confía en la IA lo suficiente como para usarla sin crítica.» Fouad y Bentley encontraron una brecha de 50 puntos entre confianza y utilidad: el 91% usa la IA para el trabajo de curso, pero solo el 41% confía en ella. Un uso extendido convive con una confianza baja, así que una intervención dirigida a generar entusiasmo aborda la variable equivocada.
  • «El estudiantado de física es una sola población.» Becker et al. desarrollaron una tipología de dos perfiles a partir de 1.189 respuestas de encuesta: 70% «usuarios pragmáticos» y 30% «no usuarios escépticos». Una política única de aula tiene que servir a dos grupos con posturas opuestas.
  • «La brecha entre uso y confianza es irracional.» Las dos cifras miden cosas distintas: si la herramienta le ayuda a terminar el trabajo y si cree que lo hace correctamente. El estudiantado distingue utilidad de fiabilidad, que es la distinción analíticamente correcta y no una contradicción.

Conceptos conectados

Artículos conectados

Recursos relacionados

  • teacher.dev
    Un estudio sin ánimo de lucro que publica una aplicación de aula gratuita por cada día de una racha pública de desarrollo, desde generadores de figuras para imprimir hasta un safari de tiempo de calma y un pase de pasillo que funciona en local.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.