Conceptos
Resolución de problemas
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
La resolución de problemas —el proceso de formular, analizar y resolver retos nuevos o complejos— es una competencia central del siglo 21 que las herramientas de IA a la vez amplifican y amenazan. En los estudios revisados aquí, la IA generativa funciona como andamiaje, como interlocutor dialógico y como motor de respuestas, y su valor educativo depende de que quienes aprenden sigan siendo los principales responsables de las decisiones o deleguen su razonamiento en la máquina. Esta tensión entre eficiencia y una implicación cognitiva y reguladora más profunda define la investigación actual sobre IA y resolución de problemas.
Preguntas para reflexionar
- Piense en un problema realmente difícil que resolvió bien. ¿Qué hizo productivo el esfuerzo, y qué se habría perdido si alguien le hubiera dado la respuesta sin más?
- La «deuda cognitiva» nombra el problema: delegar el razonamiento en la IA produce el producto correcto a costa de la comprensión. ¿Alguna vez ha llegado a la respuesta correcta sin entenderla de verdad? ¿Cuál fue el coste después?
- Las herramientas de IA ayudan al estudiantado a explorar múltiples perspectivas y a generar sus propios problemas, pero también pueden fomentar una «pereza metacognitiva». ¿Cómo distingue entre la IA como compañera de pensamiento y la IA como sustituto del pensamiento?
- Un experimento encontró que la retroalimentación reflexiva e híbrida superó a la retroalimentación directa de la IA en la transferencia diferida y sin IA. ¿Por qué una retroalimentación que le obliga a trabajar más puede producir un aprendizaje más duradero?
- ¿Cómo ayuda a la transferencia y al estudio autónomo el hecho de enseñar al estudiantado a plantear sus propios problemas (y no solo a resolver los dados)? ¿Cuándo le ha enseñado más generar una pregunta que responderla?
- Si los errores de la IA se tratan como provocaciones para cuestionar y verificar, una limitación se convierte en una oportunidad de aprendizaje. ¿Ha aprendido alguna vez más de un error de la IA que de su respuesta correcta?
Introducción
La IA generativa ofrece un apoyo claro a la resolución de problemas. Las herramientas de LLM ayudan al estudiantado a explorar soluciones alternativas, incorporar perspectivas interdisciplinares y simular escenarios auténticos del mundo real —como dilemas clínicos y éticos o pruebas de prototipos en STEM—, a la vez que ofrecen retroalimentación escalable y oportuna y desplazan la evaluación hacia una evaluación basada en escenarios y en competencias. En la investigación basada en el diseño, la IA posicionada como «compañera de aprendizaje inteligente» dentro de tareas colaborativas estructuradas produjo ganancias sustanciales en el rendimiento en resolución de problemas, con un estudiantado que usaba cada vez más la IA para generar múltiples perspectivas en lugar de buscar respuestas únicas.
Sin embargo, las mismas herramientas pueden erosionar la habilidad que dicen apoyar. La investigación sobre la resolución colaborativa de problemas entre humanos e IA muestra un intercambio llamativo: el perfil de interacción que logra el mejor rendimiento en la tarea también muestra la menor autorregulación, ya que el estudiantado delega el razonamiento en la IA y cosecha lo que los autores llaman una «deuda cognitiva»: obtener el producto correcto a costa del proceso autoconstructivo de la comprensión. Los estudios sobre los efectos del aprendizaje colaborativo advierten de forma similar de una «pereza metacognitiva», en la que externalizar el esfuerzo cognitivo socava el análisis independiente y el aprendizaje autorregulado.
La resolución de problemas en la investigación sobre IA y educación
La literatura aborda la resolución de problemas desde lentes distintas pero convergentes. Una revisión sistemática PRISMA encuentra que los LLM producen a menudo respuestas incompletas o incorrectas, lo que lleva al estudiantado a cuestionar, verificar y mejorar la información, convirtiendo las imperfecciones del modelo en ciclos de validación y corrección que fortalecen el pensamiento crítico y la independencia mental. En lugar de dar los problemas por sentados, otros trabajos ponen en primer plano el planteamiento de problemas: entrenar al estudiantado para generar sus propios problemas de física apoya la transferencia y el estudio autónomo, y los chatbots de IA generativa mejoraron la calidad del planteamiento de problemas en primaria y redujeron la carga cognitiva en el aprendizaje por indagación.
El andamiaje y la evaluación también son centrales. Los andamiajes adaptativos de IA derivados de la minería de secuencias de los patrones de proceso de cada estudiante mejoran el rendimiento en la tarea en la resolución colaborativa de problemas de matemáticas, aunque el andamiaje máximo también aumentó la conducta de seguir un guion. La estructura dentro del andamiaje, y no solo su presencia, es lo que impide que colapse en dar respuestas. Un tutor LLM guiado por reglas, construido como diagnóstico, selección de intención y generación de respuestas restringida, mantuvo al tutor y al estudiantado dentro del guion de turnos previsto en 36 de 40 sesiones reales (90%) de quinto grado, y sus compuertas contra el adelanto de respuestas y de solo finalización redujeron el suministro prematuro de respuestas (Looi, Liu y Sun, 2026). La afirmación de diseño más fuerte de los autores es sustractiva: la aritmética quedó fuera del papel del tutor y volvió al estudiantado, después de que el tutor produjera aritmética incorrecta en 4 de 40 sesiones.
En el lado de la medición, los LLM pueden reflejar a las personas evaluadoras humanas al detectar el crecimiento del pensamiento computacional en cursos de física con muchos estudiantes, mientras que el pensamiento computacional se propone como el pegamento conceptual explícito que hace que la robótica educativa fomente una resolución de problemas genuina y no ejercicios técnicos aislados.
Cómo ayuda y cómo obstaculiza la IA
El doble carácter de la IA para la resolución de problemas es consistente entre los estudios. Del lado de la ayuda, los chatbots superan a los motores de búsqueda en el planteamiento de problemas al mejorar la calidad de las preguntas e integrar redes cognitivas; los andamiajes adaptativos mejoran el rendimiento; y los diseños colaborativos con IA elevan tanto las puntuaciones de pensamiento crítico como las de resolución de problemas mientras el estudiantado sigue siendo el principal responsable de las decisiones. Del lado del obstáculo, la delegación excesiva reduce la implicación reguladora, la retroalimentación directa sin reflexión fomenta una adopción pasiva, y la dependencia intensa de la IA para construir consenso amenaza el desarrollo de habilidades interpersonales y la motivación intrínseca. Cabe destacar que un experimento aleatorizado multisitio encontró que los diseños de retroalimentación reflexiva e híbrida superaron a la retroalimentación directa de la IA en la transferencia diferida y sin IA, evidencia de que el valor educativo de la IA depende menos del acceso que de preservar la agencia del estudiantado, el juicio evaluativo y la propiedad del trabajo durante la revisión. Entre los principios de diseño que emergen de la literatura están priorizar la tensión dialógica sobre la eficiencia sin fricción, habilitar la corregulación proactiva y mantener el andamiaje metacognitivo y la supervisión con la «mente en el bucle».
Implicaciones
Para el profesorado, el equilibrio de la evidencia apunta a una integración estructurada y orientada al proceso: la formación en ingeniería de prompts desplaza al estudiantado de una interacción con la IA dispersa a otra productiva, integrar la IA en tareas de indagación colaborativa produce ganancias duraderas, y usar deliberadamente los errores de la IA como provocaciones convierte una limitación en una oportunidad de aprendizaje. Para quienes diseñan, el hallazgo consistente de que eficiencia no equivale a aprendizaje profundo aboga por una IA que pregunte, cuestione y andamie en lugar de responder. Para las instituciones, la integración responsable exige acompañar la IA generativa con formación explícita en alfabetización en IA y con rúbricas de evaluación que premien el razonamiento y la justificación por encima de los productos correctos. El tema recurrente en los trabajos anclados en la psicología cognitiva es que la resolución de problemas se aprende mediante un esfuerzo sostenido, y que el papel de la IA debería ser preservar ese esfuerzo, no borrarlo.
Conexiones con otros conceptos
La resolución de problemas es el resultado aplicado del pensamiento crítico y del pensamiento computacional, y se cultiva mediante marcos de aprendizaje basado en problemas y de aprendizaje por indagación. Depende de un andamiaje que mantenga la exigencia cognitiva, de la autorregulación y la supervisión metacognitiva para evitar la descarga cognitiva, y de estructuras colaborativas en las que personas e IA trabajen juntas. La psicología cognitiva y la literatura sobre la transferencia del aprendizaje aportan el fundamento teórico de por qué los problemas generados por quien aprende y la retroalimentación reflexiva producen ganancias más duraderas en la resolución de problemas. El equilibrio entre ejemplos resueltos y práctica para adquirir estas habilidades depende del contenido: Rachatasumrit, Koedinger y Carvalho (2025) muestran que las habilidades de resolución de problemas generalizables se aprenden mejor mediante una práctica integrada con ejemplos (alternando ejemplos resueltos con problemas), porque los ejemplos resueltos aportan la información inductiva necesaria para adquirir y generalizar una regla correcta, mientras que la práctica pura corre el riesgo de reforzar rasgos correlacionados de forma espuria en lugar del procedimiento general.
Simular la resolución colaborativa de problemas con agentes LLM
- Simular la resolución colaborativa de problemas con agentes LLM específicos de cada participante. Fang (2026) entrena agentes LLM individuales con el diálogo de participantes reales para reproducir la resolución colaborativa de problemas, y valida las simulaciones con el análisis de redes epistémicas, mostrando que los diálogos simulados y los reales son estadísticamente indistinguibles (distancia ENA 0,17; p de permutación = 0,65). Esto ofrece una forma escalable de estudiar y generar discurso auténtico de resolución colaborativa de problemas, con implicaciones tanto para la investigación como para el diseño de entornos de práctica de esta habilidad del siglo 21.
Codificación automatizada de habilidades de RCP
- Medir la competencia en resolución colaborativa de problemas (RCP) requiere normalmente codificar la conducta a partir de los datos de proceso de tareas simuladas en habilidades de RCP específicas. El prompting contextual de modelos de lenguaje preentrenados puede automatizar esta codificación, modelando dependencias contextuales y fusionando capacidades cognitivas y sociales para lograr un rendimiento superior a bases de referencia sólidas en conjuntos de datos de tareas de RCP, lo que aborda la intensidad de trabajo de la codificación manual y permite una evaluación a gran escala y en tiempo real.
Implicaciones para la práctica
Para el profesorado
- Pida al estudiantado que plantee el problema antes de resolver uno. Plantear exige construir la estructura, que es donde se construye la transferencia, y es el paso que la IA ejecuta más fácilmente en su nombre.
- Distinga a un compañero de pensamiento de un sustituto en la propia tarea: exija el encuadre, el enfoque y la justificación del estudiante por escrito, para que el registro muestre quién hizo el trabajo generativo.
- Vigile al estudiante que explora muchas perspectivas con fluidez y no produce una posición propia; eso es pereza metacognitiva con apariencia de implicación.
Para quienes desarrollan
- Diseñe para problemas y estructuras generados por el estudiantado y no solo para mejores pistas sobre problemas dados.
- Instrumente el paso de encuadre, no solo los pasos de solución; un sistema que registra respuestas y no la formulación del problema no puede ver el resultado que importa.
Para quienes investigan
- Las simulaciones con agentes específicos de cada participante son un instrumento sólido para estudiar la regulación colaborativa. Infórmelas como tal y no como evidencia sobre la colaboración no supervisada del estudiantado.
Concepciones erróneas
«La IA que ayuda al estudiantado a explorar perspectivas le está ayudando a pensar.» La misma conducta sostiene dos resultados muy distintos: las herramientas de IA ayudan al estudiantado a explorar múltiples perspectivas y a generar sus propios problemas, y también pueden fomentar la pereza metacognitiva. La pregunta que distingue es si el estudiantado está haciendo el encuadre o recibiéndolo: un sistema que suministra perspectivas candidatas ha ejecutado el paso generativo que el ejercicio existía para exigir.
«La resolución es el objetivo, así que el planteamiento es un extra.» El planteamiento de problemas es donde se construye la transferencia, porque exige que quien aprende construya la estructura en lugar de operar dentro de una que le dio el sistema. Un currículo que solo suministra problemas bien formulados entrena el desempeño en problemas bien formulados, que no es la condición que el estudiantado encuentra después.
«La simulación de la resolución colaborativa de problemas sustituye a la colaboración.» Una simulación reproduce el patrón de interacción, y la habilidad que se desarrolla es la regulación de un problema conjunto por participantes que están realmente presentes. Los agentes específicos de cada participante que modelan colaboradores reales son un instrumento de investigación para estudiar esa regulación: útil por lo que revela del proceso, no una forma de dar al estudiantado la práctica sin los pares.
Conceptos conectados
- Pensamiento crítico
- Pensamiento computacional
- Aprendizaje colaborativo
- Aprendizaje basado en problemas
- Aprendizaje basado en la indagación
- Creatividad
- Andamiaje
- Aprendizaje autorregulado
- Psicología cognitiva
Artículos conectados
- Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — Perfiles de interacción (razonamiento delegado frente a interpretación concertada) y el intercambio entre eficiencia y regulación
- Design-based research for developing an AI-assisted collaborative learning model to enhance critical thinking and problem-solving skills in higher education — Modelo de investigación basada en el diseño que posiciona la IA generativa como compañera de aprendizaje inteligente
- Can large language models foster critical thinking, teamwork, and problem-solving skills in higher education? A literature review — Revisión PRISMA de los LLM que fomentan el pensamiento crítico, el trabajo en equipo y la resolución de problemas
- Towards an adaptive AI scaffold for developing student collaborative problem solving — Andamiajes adaptativos derivados de la minería de secuencias para la resolución colaborativa de problemas
- Exploring students' perceptions of using generative AI-assisted problem posing — El planteamiento de problemas como estrategia de aprendizaje autorregulado con IA generativa
- Human-centered GenAI feedback design in higher education: A multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — La retroalimentación reflexiva o híbrida supera a la IA directa en la transferencia diferida
- Inquiry-based learning in STEM education: the impact of generative AI-based chatbots on primary school students' problem posing ability in science — Los chatbots mejoran el planteamiento de problemas del estudiantado de primaria en el aprendizaje por indagación
- Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — Los LLM como evaluadores escalables de la resolución computacional de problemas en física
- Taming the black box: Design principles for rule-integrated LLM tutoring systems in primary school mathematical problem solving — Andamiaje guiado por reglas frente a andamiaje ad hoc en un sistema de tutoría con LLM para matemáticas de primaria (Looi et al. 2026)
- Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content