Conocimiento previo

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

El conocimiento previo — los conocimientos, habilidades, creencias y modelos mentales que quien aprende ya posee y aporta a una nueva tarea de aprendizaje. Es el predictor individual más potente del aprendizaje posterior: la información nueva se interpreta a través de lo que ya se sabe y se integra con ello, así que una enseñanza que activa y se apoya en el conocimiento previo produce un aprendizaje más sólido y duradero que otra que trata a cada persona como una hoja en blanco. En la IA en la educación, el conocimiento previo es central para el modelado del estudiante (adaptar la enseñanza al estado actual de quien aprende), para el principio constructivista de que el conocimiento se construye activamente sobre modelos mentales existentes y para el riesgo de que las herramientas de IA que precargan y muestran contenido se salten la práctica de recuperación que activa el conocimiento previo.

Preguntas para reflexionar

• ¿Qué ha aprendido en profundidad y qué le costó aprender? ¿Cuánto de la diferencia se debió a lo que ya sabía cuando empezó?
• Tener conocimiento previo no basta: hay que recuperarlo y conectarlo activamente. ¿Cuándo ha cambiado recordar lo que ya sabía (o no conseguirlo) la calidad con que aprendió algo nuevo?
• La página dice que el conocimiento previo puede interferir cuando es erróneo (una idea errónea). ¿Se le ocurre alguna creencia que haya sostenido y que hiciera más difícil aprender información nueva y correcta?
• La IA generativa que precarga respuestas puede saltarse la práctica de recuperación que activa el conocimiento previo. ¿Cómo podría una herramienta diseñada para ayudarle a aprender impedirle en realidad recordar lo que sabe?
• Si una IA debe estimar su estado de conocimiento previo para personalizar, ¿qué ocurre cuando esa estimación es errónea? ¿Cuánta confianza tiene en que un sistema pueda saber con exactitud lo que usted ya sabe?
• ¿En qué se diferencia «activar el conocimiento previo» de limitarse a hacer una pregunta al estudiantado antes de enseñar? ¿Qué haría que esa activación profundizara de verdad el aprendizaje posterior?

Introducción

La activación del conocimiento previo es uno de los hallazgos más sólidos de las ciencias del aprendizaje: quien aprende no absorbe el material nuevo en el vacío, sino que lo proyecta sobre esquemas existentes, y la calidad de esa proyección determina la retención y la transferencia. El concepto sustenta los organizadores previos de Ausubel, la activación del conocimiento previo antes de una enseñanza nueva, la práctica de recuperación como forma de activar y reforzar lo que se sabe y la evaluación diagnóstica de lo que el estudiantado ya sabe. En la era de la IA, el conocimiento previo ha cobrado nueva urgencia porque la IA generativa puede apoyar la activación (incitar a quien aprende a recordar y conectar lo que sabe) o saltársela por completo (suministrando al instante una respuesta o un contenido precargado que la persona nunca tuvo que recuperar ni integrar).

El papel del conocimiento previo

• Es el predictor más potente del aprendizaje. Décadas de investigación muestran que lo que quien aprende ya sabe se correlaciona con los resultados de aprendizaje con más fuerza que casi cualquier otro factor, porque la información nueva se codifica en relación con los modelos mentales existentes. Los sistemas de IA que se adaptan al estado de conocimiento previo de cada persona encierran por tanto una promesa particular de eficiencia y de transferencia.
• Importa la activación, no solo la posesión. Tener conocimiento previo no es suficiente: hay que recuperarlo y conectarlo activamente con el material nuevo. Por eso «activar el conocimiento previo» es un movimiento didáctico estándar, y por eso la práctica de recuperación (recordar lo que se sabe antes de añadir algo) mejora el aprendizaje más allá de la simple reexposición.
• Configura la interpretación. Quien aprende interpreta la información nueva a través de lo que ya cree. Cuando esas creencias son erróneas (ideas erróneas), el conocimiento previo puede interferir con el aprendizaje, y por eso la enseñanza debe sacar a la luz y abordar las ideas erróneas en lugar de dar por supuesto un punto de partida neutro.
• Impulsa el modelado del estudiante. Para personalizar, un sistema de IA debe estimar el estado de conocimiento previo de quien aprende: la base del rastreo del conocimiento, del modelado del estudiante y del andamiaje adaptativo. La calidad de esas estimaciones determina si la adaptación es genuinamente útil o engañosa.
• El contenido del conocimiento determina qué proceso recluta la práctica. Que el aprendizaje dependa de la memoria o de la inducción lo fija la estructura de conocimiento previo del objetivo: Rachatasumrit, Koedinger y Carvalho (2025) siguen el marco KLI al distinguir los componentes de conocimiento con condiciones y respuestas constantes (hechos, adquiridos mediante la memoria y la práctica de recuperación) de los que tienen condiciones y respuestas variables (habilidades, adquiridas mediante la inducción y la generalización a entradas nuevas), y por eso la mezcla óptima de ejemplos resueltos y práctica difiere entre el contenido de hechos y el de habilidades.

El conocimiento previo en la era de la IA

La IA generativa ha convertido el conocimiento previo en una consideración de diseño central y no en una variable de fondo:

• El riesgo de saltarse el proceso. La IA agéntica proactiva que precarga y muestra contenido puede saltarse la práctica de recuperación que activa el conocimiento previo: quien aprende nunca tiene que recordar ni integrar lo que sabe antes de recibir una respuesta. Es uno de los seis riesgos pedagógicos identificados en el marco de buenas prácticas para la educación agéntica, y se conecta directamente con la dependencia excesiva y con el principio de dificultades deseables según el cual el procesamiento esforzado sostiene un aprendizaje duradero.
• El cebado y la activación como diseño. Los enfoques de la IA generativa como herramienta mental «ceban deliberadamente la tarea de aprendizaje» activando el conocimiento previo y la curiosidad mediante preguntas, elementos visuales generados por IA y analogías (por ejemplo, «¿qué sabes ya sobre los ecosistemas?») antes de introducir contenido nuevo, modelando así la ruta de recuperación e integración y no la de suministro de respuestas.
• Modelado del estudiante y memoria. Los sistemas de IA modelan cada vez más el estado de conocimiento previo y la memoria longitudinal de quien aprende (por ejemplo, incorporando el estado de conocimiento previo y las curvas de olvido a la memoria del tutor), lo que permite la repetición espaciada y la revisión adaptativa que se apoyan en lo que cada persona ya sabe.(PersonaVLM: Long-Term Personalized Multimodal LLMs)
• Una palanca de adaptación personalizada. Como el estudiantado difiere mucho en conocimiento previo, la adaptación debe ajustarse a cada persona: un argumento central a favor del aprendizaje personalizado y del andamiaje adaptativo que reciben a quienes aprenden en su estado actual real y no en un supuesto promedio de clase.

Implicaciones para diseñar IA en la educación

1. Active antes de suministrar. Diseñe las interacciones con IA para que inciten a quien aprende a recuperar y articular lo que ya sabe antes de ofrecer contenido nuevo o respuestas, preservando la práctica de recuperación en lugar de saltársela.
2. Modele el estado de conocimiento previo. Construya el modelado del estudiante y la adaptación sobre el conocimiento previo estimado (y sus ideas erróneas), y no sobre una uniformidad supuesta, para que la personalización responda de verdad.
3. Saque a la luz y aborde las ideas erróneas. Cuando el conocimiento previo es incorrecto, interferirá; la enseñanza debe elicitar y corregir las ideas erróneas en lugar de añadir contenido nuevo sobre cimientos defectuosos.
4. Sopesa el intercambio de fricción. Activar el conocimiento previo añade dificultad deseable (recuperación, integración) que los valores por defecto de la IA, orientados a eliminar la fricción, tienden a borrar: una tensión que hay que gestionar de forma deliberada y no dejar que la automatización resuelva por defecto.

Conceptos conectados

• Quienes aprenden — Quienes aprenden: el paraguas de los conceptos del lado del aprendiz
• Constructivismo
• Aprendizaje personalizado
• Modelado del estudiantado e instrucción adaptativa
• Ideas erróneas sobre la IA
• Marco ICAP
• Seguimiento del conocimiento
• Andamiaje
• Aprendizaje autorregulado
• Transferencia del aprendizaje
• Metacognición
• Descarga cognitiva
• Dificultades deseables
• Teorías del aprendizaje
• Fracaso productivo — El fracaso productivo
• Recuperación, espaciado e intercalado — cómo lo que quien aprende ya sabe determina lo que puede hacer la práctica de recuperación

Artículos conectados

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — La tensión entre automatización y aprendizaje (el riesgo para la activación del conocimiento previo)
• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — La IA generativa como herramienta mental: cebar y activar el conocimiento previo
• PersonaVLM: Long-Term Personalized Multimodal LLMs — Modelado del estudiante y memoria con LLM
• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — La paradoja del pensamiento crítico en el aprendizaje con IA generativa
• Artificial intelligence, cognitive offloading and implications for education — Lodge y Loble sobre el desplazamiento cognitivo
• Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — El desplazamiento cognitivo en la escritura de síntesis con LLM
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — Un marco de diseño instruccional para matemáticas
• AI-Powered Math Tutoring: Platform for Personalized and Adaptive Education — Plataforma de tutoría de matemáticas con IA
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Diseñar sistemas de IA que apoyen el aprendizaje basado en el fracaso productivo
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — El uso de LLM por parte del estudiantado y los límites de la dificultad de pregunta generada por IA en cursos de ciencia de datos