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.

Síntesis: La IA en la educación primaria se usa principalmente para diferenciar la práctica en la alfabetización temprana y la aritmética, para redactar materiales para el profesorado y para dar a los niños algo a lo que hacer preguntas. Los estudios mejor controlados muestran ganancias pequeñas que dependen de la orquestación del docente más que del modelo, y un ensayo diseñado para aislar la adaptatividad no encontró ninguna ventaja en ella. Esta página abarca lo que la evidencia respalda en tutoría, lectura, escritura y alfabetización en IA, y por qué el despliegue a nivel de clase cambia lo que significa una buena práctica entre los cinco y los once años.

Preguntas para reflexionar

  • Un sistema de tutoría eleva las puntuaciones de las palabras enseñadas pero no el vocabulario estandarizado. ¿Por qué resultado debería pagar una escuela?
  • En un ensayo de segundo grado, el tutor adaptativo no rindió mejor que la secuencia fija. Si la adaptatividad no es el ingrediente activo, ¿cuál lo es y cómo lo comprobaría?
  • En un estudio, los niños confiaron en un chatbot casi tanto como en un docente o en un amigo. ¿Qué cambiaría en su aula si diera por sentado ese nivel de confianza?
  • La mayoría de los despliegues en primaria son a nivel de clase: una pantalla compartida, un docente escribiendo instrucciones y niños observando. ¿Qué hace posible eso que los dispositivos para todos no permiten?

Introducción

La educación primaria abarca aproximadamente de los cinco a los once años, cuando los niños aprenden a decodificar texto, a razonar con números y a trabajar en un aula con un adulto. La IA llega a esta franja mediante software de práctica que se ajusta a las respuestas del niño, herramientas para el docente que redactan planes y retroalimentación, y agentes conversacionales a los que los niños se dirigen directamente. El tercero tiene la evidencia más débil y la exposición más directa.

Los niños tienen habilidades limitadas con el teclado, una metacognición en desarrollo y una fuerte tendencia a tratar un sistema fluido como una persona con conocimientos. Las aulas tienen menos dispositivos que niños, así que la unidad realista es una estación, una pantalla compartida o un flujo de trabajo mediado por el docente, más que un tutor por alumno. Los adultos también cargan con una responsabilidad legal y de desarrollo que ningún contrato con un proveedor transfiere.

Qué puede sostener la base de evidencia

  • La literatura es amplia pero superficial. Una revisión de 31 estudios sobre IA en la enseñanza de lenguas en primaria entre 2013 y 2025 encontró que el trabajo se concentraba en la expresión oral, la alfabetización y el vocabulario, mientras que la gramática, la comprensión auditiva y la lengua de signos apenas se estudiaban. La mayoría eran cualitativos o de métodos mixtos, con muestras medianas y sin franja de grado.

  • El ensayo de lengua primaria más sólido es modesto. Una revisión de alcance de 119 informes sobre herramientas mediadas por IA en inglés de primaria incluyó un ensayo aleatorizado por conglomerados con 217 estudiantes de segundo grado aprendices de inglés. Encontró un tamaño del efecto de .38 en las palabras enseñadas y efectos no significativos en el vocabulario estandarizado y la comprensión lectora (Li y Zhou, 2026).

  • Una plataforma personalizada de fracciones no superó la enseñanza ordinaria. A lo largo de cinco días, el grupo de práctica habitual obtuvo ganancias significativamente mayores en comprensión de fracciones que el grupo de Mathbot. La muestra final fue de 22 estudiantes tras la atrición y la eliminación de valores atípicos, y el grupo de comparación estaba un grado por debajo del grupo de tratamiento (Holman, 2024).

  • Los efectos agrupados de la tutoría son pequeños y frágiles. Un metaanálisis de 18 experimentos y 11 sistemas de tutoría inteligente en escuelas estadounidenses de K-12 encontró g = 0.271. Los efectos se mantuvieron en g = 0.266 en primaria, cayeron a g = 0.146 en estudios que incluían escuelas rurales y bajaron a un g = 0.110 no significativo más allá de los seis meses (Leite et al., 2025).

El efecto promedio es positivo, pequeño y sensible al contexto, la duración y el resultado elegido.

Tutoría y práctica adaptativa

  • La adaptatividad por sí sola no aportó nada. Un experimento de campo dio a 132 estudiantes de segundo grado 30 minutos con una de dos versiones del mismo tutor de matemáticas, idénticas en contenido, interfaz, retroalimentación y pistas. Solo difería la selección de tareas. Las puntuaciones del postest no difirieron, F(1, 124) = 0.32, p = .574, y tampoco lo hicieron el esfuerzo o el disfrute declarados (Sibley, Berner y Schmalfeldt, 2026).

  • La formación, no el sistema, produjo la ganancia. En 19 clases de escuelas públicas brasileñas, el alumnado enseñado por docentes formados superó a los controles tanto en la condición de formación (15.15 puntos) como en la de formación más sistema (12.31). Añadir el sistema no produjo ninguna ganancia adicional, −4.33, IC del 95 % [−17.29, 7.23], y el profesorado dijo que fotografiar el trabajo y corregir los errores de reconocimiento añadía tiempo (Rodrigues et al., 2026).

  • La dosis siguió el crecimiento lector, y la dosis era una decisión del docente. En una escuela concertada, los estudiantes de primero y segundo grado se clasificaron por minutos registrados en grupos de dosis alta, baja y nula. La dosis alta superó a la baja en g = 0.56; la alta frente a la nula alcanzó g = 0.65 pero p = .026, fuera del umbral corregido de .025. El alumnado por debajo del percentil 25 mostró g = 0.89 (Burns y Morton, 2026).

El sistema nunca es todo el tratamiento. Un docente decide quién lo usa, durante cuánto tiempo y qué ocurre cuando falla.

Lectura, escritura y retroalimentación

  • La retroalimentación mejoró la escritura cuando el profesorado la comentó. eRevise dio al alumnado de quinto y sexto grado retroalimentación automatizada sobre el uso de evidencia en la escritura argumentativa. En 34 docentes y 609 estudiantes de ocho parroquias de Luisiana, las puntuaciones de las características mejoraron con la retroalimentación sola, y las aulas en las que el profesorado respondió de forma sustantiva mejoraron más. Las explicaciones conceptuales del uso de evidencia pasaron del 18.1 % al 41.9 % (Correnti et al., 2026).

  • La retroalimentación adaptativa superó una guía genérica bien elaborada. En un experimento intra-sujeto prerregistrado, 155 estudiantes alemanes de quinto y sexto grado revisaron seis planes breves, tres con retroalimentación de un LLM sobre su propio texto y tres con guía escrita por expertos equiparada en estructura, tono y longitud. La calidad mediana de los planes pasó de 2 a 3 con la guía genérica y de 2 a 5 con la retroalimentación adaptativa (Sukjaitham et al., 2026).

  • Un programa de escritura con IA generativa de nueve semanas movió lo afectivo, no la profundidad. Con 301 estudiantes de quinto y sexto grado del este de China asignados por clase, el programa elevó el yo ideal de escritura en segunda lengua y la flotabilidad académica y mejoró el uso de la lengua. No movió la mentalidad de crecimiento, el compromiso cognitivo o metacognitivo ni la organización, y los efectos fueron pequeños: η² parcial de .030 para la motivación y de .014 para el uso de la lengua (Lu et al., 2026).

La retroalimentación contingente sobre el propio intento del niño logra lo que una guía genérica no puede, y la ganancia crece cuando un adulto retoma lo que la retroalimentación planteó.

Alfabetización en IA y el uso propio de chatbots por parte de los niños

  • Los niños confían rápidamente en un chatbot bien comportado. Sesenta y tres niños de 6 a 14 años usaron un chatbot acotado por tema en una escuela pública estadounidense. El 52 % confiaba en general en sus respuestas, el 35 % confiaba en él como en un docente o un amigo y alrededor de un tercio le haría confidencias. Los niños comprobaban la credibilidad con preguntas cuyas respuestas ya conocían (Vahedian Movahed y Martin, 2025).

  • El conocimiento sobre la IA crece con la edad; el juicio de seguridad no. Entre 71 niños de 10 a 16 años, el conocimiento fundacional de la IA aumentó con la edad, β = 0.17. Las valoraciones de cuán importante es la seguridad de la IA (M = 2.51) y de cuán segura es ahora (M = 2.77) se agruparon cerca del punto medio de una escala de cuatro puntos, sin efecto de la edad. Un niño de 12 años razonó que «si son buenos amigos, no espía tanto» (Leisten et al., 2026).

  • Enseñar sobre la IA produce grandes ganancias autodeclaradas. Un metaanálisis de 16 estudios que enseñaban la IA en sí misma agrupó 57 tamaños del efecto de 3,837 estudiantes de K-12 en g = 0.892, con una heterogeneidad de I² = 94.68 %.

  • Existe una escala de autoevaluación validada para los últimos años de primaria. El Cuestionario de autoevaluación de Alfabetización en IA, de 15 ítems, abarca aprender sobre la IA, cómo funciona la IA y la vida con la IA para los grados 4 a 6, con CFI = .994 y alfa = .934. Sus autores afirman que mide la competencia percibida, no la demostrada (Thianwan y Srikoon, 2025).

La alfabetización en IA aquí no es un currículo hecho más simple. Un marco para un niño de nueve años y otro para uno de diecisiete difieren en especie: el aprendiz más joven necesita historias, analogías y hacer cosas, mientras que el mayor puede criticar un sistema y dar cuenta de una decisión.

Qué contiene la alfabetización en IA y qué miden los estudios

Una revisión de 2025 de 25 estudios empíricos de primaria completa el contenido de esa afirmación: el constructo que traza tiene cuatro hilos, y se enseñan en proporciones muy desiguales. Yim y Su (2025) encontraron alfabetización digital para interactuar con la IA en 19 de los 25 estudios, pensamiento computacional en 10, ética de la IA en 10 y alfabetización crítica de datos solo en 5.

Una unidad de programación, por tanto, alcanza uno de cada cuatro hilos. El hilo que permitiría a un niño de nueve años ver cómo los datos de entrenamiento moldean lo que dice un clasificador es el que la literatura mayormente omite. Yim y Su leen el patrón como un encuadre técnico que empuja las implicaciones sociales a un papel secundario.

La enseñanza sigue la lógica construccionista, pero con agentes en lugar de papel. Los agentes aparecieron en 15 de 25 estudios, los dispositivos centrados en software en 8 y las actividades sin conexión en 3; Teachable Machine, Jibo, Cozmo y Alexa permitieron a los niños entrenar un modelo sin escribir código. De los 16 estudios que nombran un marco, 8 usaron el construccionismo o el constructivismo y 6 el modelo ARCS. Los revisores cuestionan la secuencia habitual que enseña programación basada en reglas antes del aprendizaje basado en datos, ya que el aprendizaje automático pide al niño curar ejemplos en lugar de escribir reglas.

Lo que cuenta como evidencia es más delgado que lo que se enseña. Las encuestas aparecieron en 19 de 25 estudios, a menudo como ítems únicos sobre disposición o intención, y solo 15 de 25 informaron algún resultado de aprendizaje. Las entrevistas (11) y las rúbricas de artefactos (8) fueron donde apareció la comprensión conceptual. Esta es la base bajo la escala de autoevaluación validada más arriba: un instrumento sólido para la competencia percibida, en una literatura que rara vez pone a prueba la competencia demostrada.

Un mapa sistemático de la investigación en ciencias de primaria llega al mismo problema desde otro corpus. En 103 publicaciones indexadas en Scopus de 2023 a principios de 2026, Barokah, Hermita y Putra (2026) encontraron que los resultados se ampliaban hacia territorio afectivo y regulatorio mientras los resultados epistémicos seguían siendo escasos. Pocos estudios preguntaron si los niños podían separar la observación de la inferencia o juzgar los límites de una afirmación generada por IA. Su advertencia sobre la evaluación es específica de esta franja: las tareas de desempeño de la primaria superior producen explicaciones parciales, dibujos y gestos, y un evaluador que marca como incorrecta una respuesta productiva para el desarrollo elimina el valor formativo. Los autores de ambas literaturas se concentran en China, Estados Unidos y Hong Kong, y la revisión de primaria añade una brecha de género, con los niños informando más confianza y disposición (Dai et al., 2020, según se informa en Yim y Su).

Decisiones de diseño que importan en este nivel

  • Despliegue a nivel de clase, no de dispositivo. Una pantalla compartida con un docente escribiendo instrucciones mantiene la salida dentro de la revisión adulta, y un flujo mediado por el docente puede llegar a estudiantes que nunca tocan la herramienta. El diseño brasileño sin conexión es el caso más claro: papel y lápiz para los niños, una cámara y un servidor para el docente.

  • Cuente el trabajo de verificación. El profesorado del ensayo de aritmética valoraba las listas de ejercicios ya preparadas, pero señaló la fotografía, la espera y la corrección de errores de reconocimiento como el costo. La carga de trabajo se asoció negativamente con las ganancias, de forma más clara para la demanda mental, −2.569.

  • Forme antes de escalar. Solo el 19.2 % de 302 docentes de primaria turcos encuestados tenía alguna formación en IA, y la formación y la frecuencia de uso fueron las variables asociadas de forma más consistente con percepciones favorables. La disposición (M = 3.98) iba muy por delante de la experiencia (M = 3.00) (Ciğerci y Uygun, 2026).

  • Proteja la frontera entre el conocimiento personal y el compartido. Los planes de clase generados pueden parecer práctica validada colectivamente sin llevar ninguna garantía comunitaria. El riesgo recae con más fuerza sobre los novatos, cuyo conocimiento pedagógico del contenido aún se está formando (Webb et al., 2026).

  • Decida dónde viven los datos antes de elegir el modelo. Un modelo de lenguaje pequeño alojado en la escuela, de 1B a 13B parámetros, accesible solo en la red escolar con el tráfico saliente prohibido, cambia profundidad de razonamiento por privacidad arquitectónica. La prueba es si los líderes pueden explicar y controlar qué ocurre con los datos de los niños (Zulfiqar e Iqbal, 2026).

  • Trate las habilidades, no el acceso, como la palanca de equidad. Entre 4,497 estudiantes de sexto grado en los Países Bajos, la alfabetización digital, y no la intensidad del uso de IA, medió el vínculo entre el origen y el rendimiento (Wang et al., 2026).

Conexiones

La educación primaria se sitúa dentro de K-12 y hereda sus problemas de política y de capacidad docente, pero las restricciones del desarrollo son propias. La literatura adyacente de primera infancia abarca el preescolar y los primeros años escolares, donde dominan el juego y el andamiaje adulto. La educación secundaria comienza hacia los once años, cuando los departamentos de asignaturas y los exámenes sustituyen al aula de un solo docente.

Implicaciones para la práctica

Para el profesorado

  • Fije primero el objetivo de lengua o de matemáticas y luego elija la función de la herramienta. El apoyo de IA funcionó cuando entró en una tarea en lugar de sustituirla.
  • Ejecute la práctica adaptativa como una estación breve y registrada, y revise los minutos por niño, no la adopción por clase.
  • Pregunte a los niños qué es un chatbot y quién puede ver lo que escriben antes de dejar que usen uno.

Para los líderes escolares

  • Presupueste el segundo y tercer año de cualquier decisión de alojamiento local: parches, copias de seguridad y el técnico responsable.
  • Asigne un revisor con nombre a cada plan o conjunto de comentarios redactado por IA que circule, y programe el tiempo de revisión.
  • Juzgue una herramienta de lectura o matemáticas con medidas estandarizadas y proximales a la vez.

Para la investigación

  • Informe la dosis, la franja de grado y el apoyo a la implementación junto con los tamaños del efecto; la mayoría de los estudios de primaria omiten uno de los tres.
  • Separe la herramienta del flujo de trabajo adulto en el diseño; los efectos de la formación y del sistema fueron indistinguibles en el ensayo que probó ambos.
  • Mida el proceso, no solo las puntuaciones del postest. Los registros de preguntas, los registros de revisión y las rúbricas de diálogo capturan lo que las escalas autodeclaradas no pueden.

Concepciones erróneas

  • «Adaptativo significa mejor». La adaptatividad nombra un mecanismo, no un resultado: el tutor de segundo grado que ajustaba la dificultad de las tareas dejó puntuaciones del postest estadísticamente indistinguibles de la secuencia fija, F(1, 124) = 0.32, p = .574.

  • «Una ganancia en los ítems que el programa enseñó prueba aprendizaje». En el ensayo de inglés de primaria, la ventaja apareció en las palabras cubiertas por la intervención y desapareció en el vocabulario estandarizado y la comprensión lectora.

  • «Los niños reciben a los chatbots con un escepticismo saludable». La confianza se formó rápido en el estudio anterior: una mayoría aceptó las respuestas del sistema y más de un tercio lo trató como un docente o un amigo.

  • «Los niños pequeños reciben una versión más fácil del mismo programa de alfabetización en IA». Lo que cambia entre franjas es el tipo de tarea, no su dificultad: historias y hacer cosas al principio, crítica y rendición de cuentas después.

Conceptos conectados

  • Psicología del desarrollo — por qué la edad cambia lo que una tarea puede pedir, no solo lo difícil que es
  • Educación matemática — la disciplina con más ensayos de IA en primaria y más resultados nulos
  • Enseñanza de la lectura — fluidez, decodificación y efectos de dosis en los primeros grados
  • Escritura — retroalimentación automatizada, revisión y los límites de la puntuación con rúbricas
  • Brecha digital — brechas de dispositivos, conectividad y habilidades que deciden quién se beneficia
  • Equidad — efectos diferenciales por ingresos, estatus lingüístico y ruralidad
  • La docencia — orquestación, mediación y el trabajo que la IA añade al día de un docente
  • Diseño curricular — secuenciar la alfabetización en IA a lo largo de los cursos en lugar de añadir un módulo
  • Privacidad — datos de la infancia, retención y protección arquitectónica más que contractual
  • Evaluación — qué cuenta como evidencia de que un aprendiz de primaria ganó algo

Artículos conectados

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.