Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Aprendizaje basado en problemas

Creada 2026-09-28 · Actualizada 2026-09-28

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

Aprendizaje basado en problemas (ABP) — una pedagogía centrada en quien aprende en la que el estudiantado adquiere conocimientos y capacidades trabajando para comprender y resolver un problema realista, a menudo mal estructurado, con un facilitador que guía la indagación en lugar de impartir instrucción. En la era de la IA, los rasgos estructurales del ABP — indagación impulsada por el problema, construcción colaborativa del conocimiento, facilitación en lugar de instrucción y reflexión metacognitiva — han emergido como las mismas condiciones bajo las cuales la integración de la IA generativa resulta educativamente productiva en lugar de sustitutiva.

Preguntas para reflexionar

  • En el aprendizaje basado en problemas, el problema es el motor del currículo, no una ilustración de contenidos enseñados en otro lugar. ¿Recuerda alguna vez en que aprendió algo en profundidad porque estaba resolviendo primero un problema real?
  • La página sostiene que los rasgos del ABP (indagación impulsada por el problema, colaboración, facilitación, reflexión) son exactamente las condiciones bajo las cuales la IA se convierte en un socio productivo y no en un atajo. ¿Por qué podría ser así?
  • La IA rompe el vínculo entre un artefacto entregado y el esfuerzo que lo produjo: el problema del «artefacto como indicio indirecto». ¿Cómo ayuda evaluar el proceso y no solo el producto, y qué hace que evaluar el proceso sea difícil?
  • El ABP nació en la educación médica en parte porque la competencia profesional exige juicio adaptativo, no ejecución rutinaria. ¿Cuál es la diferencia entre ambos, y cómo cambia la IA aquello para lo que formamos?
  • Si una IA puede ahora poner «problemas perversos» y casos complejos del mundo real al alcance de más estudiantes, ¿qué podría perderse cuando el reto se vuelve más fácil de alcanzar?
  • ¿Dónde debería una IA en un entorno de ABP trazar la línea entre dar un problema, una pista o una respuesta? ¿Qué determina cuál es la decisión correcta en cada momento?

Introducción

El ABP nació en la educación médica (Universidad McMaster, década de 1960) y desde entonces se ha extendido por las profesiones de la salud, la ingeniería y la educación K-12. Quien aprende asume la responsabilidad de diagnosticar sus necesidades de aprendizaje, identificar recursos y construir soluciones, mientras que el facilitador andamia el proceso. La tesis distintiva del ABP es que el problema es el motor del currículo: no una ilustración de contenidos enseñados en otro lugar, sino el contexto en el que se aprende el contenido.

El ABP en la era de la IA

La investigación de esta base de conocimiento muestra que el ABP se ha convertido en un punto focal para pensar la integración productiva de la IA.

  • Las condiciones estructurales del ABP hacen productiva la integración de la IA. Rowe (2026) sostiene que los rasgos centrales del ABP — indagación impulsada por el problema, construcción colaborativa, facilitación, reflexión metacognitiva — son exactamente las condiciones bajo las cuales la IA funciona como socio en el desarrollo profesional en lugar de como un atajo para eludirlo. La alineación es estructural, no retrospectiva: el ABP se diseñó en torno a estas condiciones antes de que existiera la IA, arraigado en el reconocimiento de que la competencia profesional exige juicio adaptativo y no ejecución rutinaria.
  • La IA eleva el techo de complejidad de los problemas. El mismo argumento sostiene que la IA amplía qué categoría de problema puede abordar el ABP, poniendo los «problemas perversos» y los casos complejos del mundo real al alcance de estudiantes que antes no podían llegar a ellos.
  • El problema del artefacto como indicio indirecto. La IA rompe el vínculo entre un artefacto entregado y la implicación que lo produjo — un problema que el ABP está bien situado para abordar porque evalúa el proceso y la comprensión demostrada, no solo el producto. Esto conecta el ABP con la evaluación auténtica y la evaluación orientada al proceso, y con la literatura de la base de conocimiento sobre la dependencia excesiva. El metaanálisis de tres niveles que agrupa el ABP apoyado en IA generativa con el aprendizaje basado en proyectos mantiene el desempeño en producto y solución en un modelo separado precisamente porque mide la producción colaborativa humano-IA y no el aprendizaje interiorizado, y esa estimación es la mayor que reportan los revisores (g = 1,958) aunque se apoya en solo seis estudios y conlleva un intervalo de predicción aproximado del 95% de [−0,740; 4,656] que cruza el cero — la forma cuantitativa de la cautela sobre el artefacto como indicio indirecto expuesta arriba (Chen et al. 2026).
  • ChatGPT como andamiaje adaptativo. La Sunra et al. (2026) muestran ChatGPT integrado como andamiaje adaptativo dentro de un marco de ABP mejorado con IA para mejorar el pensamiento crítico y el aprendizaje personalizado en K-12 (120 estudiantes de octavo curso). Esto trata la IA como un apoyo dentro del ABP y no como una máquina de respuestas.
  • Evidencia cuasiexperimental desde la formación inicial del profesorado. Chen y Osman (2026) compararon un módulo CTD-PBL de ocho semanas apoyado en IA con la instrucción convencional en 130 futuros docentes de física de tercer año (65 por condición), con DeepSeek usado a través de plantillas de prompt específicas de tarea como andamiaje acotado — generación de ideas de clase, organización de recursos, comparación de explicaciones, indicaciones para la retroalimentación entre pares y planificación de revisiones — y con toda salida de IA obligada a superar una verificación de precisión de contenido, adecuación pedagógica, viabilidad y ética antes de entrar en un artefacto instruccional. El grupo del módulo reportó un TPACK posterior a la prueba más alto (M = 4,04 frente a 3,40; d = 1,02) y una resolución colaborativa de problemas percibida más alta (M = 3,62 frente a 3,05; d = 0,88), y los mayores efectos de interacción recayeron en la construcción compartida de conocimiento y la regulación social — precisamente las dimensiones del proceso colaborativo que el argumento estructural anterior predice que la IA debería reforzar y no eludir. Los autores son explícitos en que la IA no se aisló como variable independiente: el cambio diferencial se atribuye a toda la condición de tareas basadas en problemas, colaboración estructurada, andamiaje del docente, retroalimentación entre pares y revisión reflexiva, y ambos resultados fueron percepciones autoinformadas y no práctica observada.
  • Marcos de uso responsable. Uden y Hwang (2026) proponen el marco LEARN, informado por la neurociencia (aprendizaje a lo largo de la vida, implicación, procesamiento activo, reflexión, diseño basado en la neurociencia), para fundamentar éticamente el uso de la IA generativa dentro del ABP, contrarrestando la dependencia cognitiva y la erosión de la integridad.
  • Implementaciones de dominio. Los marcos de ABP para la ingeniería biomédica usan IA generativa para el resumen y el apoyo a la programación con paquetes de replicación (Nnamdi et al. 2026); el ABP apoyado en IA mejora el pensamiento computacional en robótica (ABP apoyado en IA para el pensamiento computacional); y los pacientes virtuales habilitados por IA generativa apoyan los tutoriales de anamnesis médica (Mool et al. 2026).
  • Síntesis de la evidencia. Amdan et al. (2026) revisan sistemáticamente 50 estudios (2015–2024) sobre la implicación del profesorado con la IA en el ABP dentro de un marco de interacción persona-computadora.
  • IA generativa en el ABP basado en escenarios. Neto y colegas (2026) incluyen el aprendizaje basado en problemas entre los enfoques basados en escenarios de su revisión sistemática sobre la IA generativa en la educación sanitaria, y encuentran que el diseño de prompts funciona como especificación instruccional y que la colaboración híbrida humano-IA supera a los enfoques totalmente automatizados. La revisión subraya la necesidad de una mayor alineación del contenido generado con los marcos instruccionales y de prácticas de prompting más reproducibles en contextos de ABP.

El ABP frente a pedagogías relacionadas

El ABP está estrechamente relacionado con el aprendizaje basado en proyectos — ambos están centrados en quien aprende y se guían por el problema o el contexto —, pero el ABP se centra en un problema mal estructurado cuya solución exige indagación y construcción de conocimiento, mientras que el aprendizaje basado en proyectos se centra en producir un artefacto o proyecto tangible. El ABP también es afín al aprendizaje basado en casos y al aprendizaje basado en la indagación, que comparten la estructura impulsada por el problema y liderada por la facilitación. En el mapa de la base de conocimiento, el argumento estructural a favor de una integración productiva de la IA se aplica a cualquier pedagogía que comparta estos rasgos, no solo al ABP.

Por qué el ABP importa para la integración de la IA

Como el ABP pone en primer plano el proceso, la colaboración y la comprensión demostrada por encima de la producción de artefactos, es un hogar natural para el uso responsable de la IA: el estudiantado aprende con la IA como socio y no de la IA como sustituto. El papel del facilitador y el diseño del problema se convierten en las palancas que determinan si la IA apoya el aprendizaje o lo desplaza — las mismas preocupaciones sobre la supervisión humana y el diseño de la evaluación que reaparecen en toda la base de conocimiento.

Fracaso productivo y ABP

El fracaso productivo (FP) comparte con el ABP su núcleo constructivista — los aprendices abordan los problemas antes de la instrucción —, pero difiere en la estructura: el FP retiene deliberadamente la instrucción y el andamiaje hasta después de que quienes aprenden se esfuercen por generar soluciones, mientras que el ABP incorpora la facilitación a lo largo de todo el proceso. La literatura sobre FP en la era de la IA informa directamente de cómo debería comportarse la IA dentro de entornos basados en problemas: Kim et al. (2026) muestran que la IA debe preservar el esfuerzo productivo con apoyo no directivo a lo largo de las fases del FP; Puech et al. (2025) demuestran que los tutores basados en LLM pueden orientarse para retener las respuestas y propiciar múltiples intentos de solución; y ProductiveMath usa la IA para ayudar a diseñar problemas de FP/ABP de alta calidad. La pregunta de diseño — cuándo debe la IA dar un problema, una pista o una respuesta — es compartida por ambas pedagogías.

Conceptos conectados

Artículos conectados

Metadatos

DisciplinaMedical Education, Engineering Education
NivelHigher Ed
Aprendizaje y enseñanzaAprendizaje activo, Aprendizaje colaborativo, Andamiaje
Tecnologías y técnicasIA generativa
Fundamentos de la IA en la educaciónPensamiento crítico
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.