Andamiaje

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

Andamiaje: apoyo estructurado que ayuda a quien aprende a realizar tareas que todavía no puede completar por sí solo, con un apoyo que se retira de forma gradual a medida que crece la competencia. En la IA en la educación, el andamiaje es el principio de diseño principal para garantizar que las herramientas de IA apoyen el aprendizaje en lugar de sustituirlo.

Preguntas para reflexionar

• Piense en una ocasión en que alguien le «ayudó» con algo que estaba aprendiendo, y la ayuda hizo tan bien el trabajo que usted aprendió menos. ¿Dónde está la línea entre el apoyo que le deja crecer y el apoyo que le sustituye? La página sostiene que esta es la cuestión de diseño central para los tutores de IA.
• El andamiaje hunde sus raíces en la zona de desarrollo próximo: apoyo suficiente para permitir el progreso, pero no tanto como para saltarse el aprendizaje. ¿Cómo se ve el «exceso de apoyo» en un tutor de IA, y puede detectarlo solo a partir del comportamiento del estudiantado?
• Un hallazgo clave: el estudiantado a menudo prefiere los roles más directivos del tutor de IA aunque rinda mejor con roles colaborativos de par y de asistente del papel docente. ¿La preferencia de quien aprende refleja de forma fiable lo que es mejor para el aprendizaje, y qué implica esa divergencia a la hora de dejar que el estudiantado elija su propio andamiaje?
• Un andamiaje que nunca se retira crea dependencia. La página señala que los andamiajes automatizados corren el riesgo de quedarse estáticos en lugar de retirarse a medida que crece la competencia. ¿Por qué es esencial la «retirada», y por qué podría un sistema de IA no hacerla si no se ha diseñado deliberadamente para ello?
• El principio de diseño es «andamiar, no sustituir». El propio estudiantado pidió una IA que «does not provide any solutions for you, you still learn as you have to find the correct answer yourself». ¿Coincide eso con cómo ha vivido usted una ayuda eficaz, o ha preferido el atajo aun sabiendo lo que le costaba?
• Fíjese una meta antes de leer: elija una tarea que enseñe y esboce cómo sería una pista que preserve el esfuerzo de quien aprende frente a una respuesta que lo elimine. ¿Cómo sabrá que sus pistas están en la zona del esfuerzo productivo?

Introducción

Cómo aparece el andamiaje en la AIED

• Andamiaje basado en indicaciones: el andamiaje guiado con LLM enseña la ingeniería de prompts estructurada como intervención de aprendizaje. El andamiaje para el compromiso crítico recurre a enfoques culturalmente relevantes.

• Andamiaje socrático: el diálogo socrático con IA retiene las respuestas directas y usa preguntas para guiar el descubrimiento, una forma de andamiaje de Desirable Difficulties.

• Retirada adaptativa: los sistemas de tutoría inteligente ajustan el andamiaje a partir de las estimaciones de seguimiento del conocimiento, ofreciendo más apoyo en los conceptos no dominados y menos en los ya conocidos.

• Andamiaje adaptativo activado por la necesidad en la formación clínica para entrevistas: el ensayo aleatorizado MeduAI-SP (Yang et al., 2026; N = 100 estudiantes de medicina de tercer año) operacionalizó el andamiaje como un apoyo adaptativo activado por la necesidad: un agente evaluador a nivel de turno señalaba cuándo quien aprendía se quedaba bloqueado, omitía antecedentes clave, corría el riesgo de un cierre prematuro o deterioraba la relación con el paciente, y solo entonces un agente tutor lanzaba una indicación socrática. La anotación experta de 207 consultas mostró que la necesidad de andamiaje dependía mucho de la fase: pasaba de alrededor del 16,1 % de las intervenciones del estudiantado al inicio del encuentro al 34,8 % al final (24,1 % señalado en conjunto), una evidencia empírica de que el apoyo a la consulta novel se necesita sobre todo durante la integración y el razonamiento diagnóstico, y no en la recogida inicial de información. La condición con andamiaje superó a un control estructurado de divulgación progresiva en el examen final alineado con la ECOE (71,8 % frente a 55,6 %; β = 16,4 puntos porcentuales; P = 3,30e-4), con la mayor ganancia en comunicación (g de Hedges = −0,79).

• Sistemas de pistas: la investigación sobre pistas en tutores de IA examina cuándo las pistas ayudan y cuándo fomentan la dependencia excesiva.

• Andamiajes conceptuales: Concept Catalyst y el replanteamiento de los tutores LLM exploran patrones de diseño para el apoyo cognitivo.

• «Andamiar, no sustituir» como principio de diseño: Favero et al. (2026) sostienen que el riesgo central de la IA en la educación es la desalineación: la IA que sustituye el esfuerzo humano erosiona las capacidades que la educación debe construir, y de ahí derivan un único principio de diseño, andamiar, no sustituir. El andamiaje debe ser una capacidad de primer orden de los sistemas de IA: saber cuándo retener una respuesta, formular una pregunta, sacar a la luz una incertidumbre o presentar perspectivas alternativas. Su análisis de ensayos del estudiantado muestra que quienes aprenden convergen por sí mismos en esto y piden una IA que «does not provide any solutions for you, you still learn as you have to find the correct answer yourself». El principio sitúa el andamiaje como alternativa a un ciclo de daño autorreforzado de sustitución en la cognición, la Agencia de quien aprende, la emoción y la Ética.

• Andamiaje integrado en el medio, no añadido a posteriori: Wang, Du y Jin (2026) operacionalizan cuatro principios de andamiaje dentro de un reproductor de vídeo: el ajuste de la profundidad de los comentarios basado en la ZDP, el andamiaje con retirada (el apoyo de conocimiento se adelgaza a lo largo de la línea temporal), el andamiaje distribuido (cada comentario es de conocimiento o de apoyo emocional) y el momento derivado de la carga cognitiva, todo ello calculando la entropía del vídeo a nivel de fotograma e insertando comentarios solo en intervalos de baja información. Su ablación de cuatro condiciones con 20 estudiantes encontró que el módulo de entropía y momento producía el efecto más fuerte y más robusto sobre la calidad percibida al eliminarlo (Z = −2,85, r = 0,45, p = .004), lo que convierte la programación temporal del andamiaje en una variable de diseño medible y no en un detalle de presentación. El estudio también incluye una advertencia para el andamiaje automatizado: los comentarios generados por ChatGPT eran sistemáticamente más difíciles de leer, menos diversos en léxico y menos alineados temáticamente que los comentarios del profesorado, con la mayor brecha de relevancia en el apoyo emocional (calidad de la retroalimentación).

• El andamiaje preferido no siempre es el más eficaz: Zhu, Yang y Yang (2026) encontraron en un experimento intrasujeto que el estudiantado rendía mejor con los roles de IA de Par y de Asistente Docente (que fomentan el razonamiento colaborativo) pero prefería los roles más directivos de Tutor y Estudiante Excelente, una divergencia entre preferencia y rendimiento que advierte contra equiparar la preferencia de quien aprende con un andamiaje eficaz en el modelado matemático apoyado por IA.

• La puntuación automatizada como andamiaje deliberado: Chen y Liu (2026) trataron un sistema automatizado de puntuación de interpretación como andamiaje formativo y no como instrumento de medición, en una comparación de 14 semanas con 46 estudiantes de segundo año de Traducción e Interpretación de inglés. El andamiaje se convirtió en ganancia solo allí donde el déficit al que apuntaba era descomponible, puntuable de forma fiable y escalable con sensibilidad: la precisión lingüística y la coherencia lógica aumentaron, mientras que la fidelidad de la información y la fluidez de la expresión se mantuvieron planas, y fue la fidelidad la dimensión en la que las valoraciones automáticas y humanas discreparon más (r = 0,12). El ciclo que reforzó también fue parcial. Solo la ejecución y el monitoreo de la fase de práctica se correlacionaron con las ganancias de puntuación (r = 0,42), mientras que la planificación previa al aprendizaje se situó cerca del punto medio de la escala (M = 3,01) y el estudiantado fijó metas a partir de la puntuación anterior y no de la tarea que tenía delante. Un andamiaje puede estar bien situado dentro de la fase de desempeño y dejar intacta la planificación que lo haría innecesario.

• Andamiaje en bucle cerrado sobre el límite actual de quien aprende: Zhu, Luo y Li (2026) construyeron un bucle de educación musical en el que la detección multimodal de errores sobre el audio y la partitura de la interpretación se convierte en la recompensa que guía las pistas de práctica generadas por aprendizaje por refuerzo, de modo que la dificultad sigue el límite actual de quien aprende y no un temario fijo: las trayectorias de práctica generadas coincidieron con los perfiles de competencia del estudiantado con una similitud del coseno máxima de 0,962, y la interacción Grupo x Tiempo favoreció al grupo con andamiaje en un cuasiexperimento de 12 semanas con 120 estudiantes de grado (beta = 0,52, IC del 95 % [0,31, 0,73]). De ahí se siguen dos límites para el andamiaje automatizado. La detección es un triaje y no un juicio, ya que una precisión del 89,7 % en errores de ritmo significa que aproximadamente uno de cada diez errores señalados es una falsa alarma, y la revisión ciega por expertos calificó el apoyo a la expresión musical como el área más débil del sistema, dejando la interpretación en manos del profesorado.

La conexión con la ZDP

La zona de desarrollo próximo de Vygotsky proporciona el fundamento teórico: el andamiaje apunta al espacio entre lo que quien aprende puede hacer por sí solo y lo que puede lograr con apoyo. Las herramientas de IA deberían operar en esa zona: apoyo suficiente para permitir el progreso, pero no tanto como para saltarse el aprendizaje. Una configuración que invierte la dirección habitual de la adaptación aparece en el curso de posgrado de Sidorkin (2026), donde fue quien aprendía, y no el sistema, quien fijó el nivel de apoyo: las lecturas semanales se generaban a demanda y el estudiantado ajustaba el nivel de comprensión mediante indicaciones iterativas (ritmo, definiciones, densidad de vocabulario, profundidad). El análisis de tres registros de lectura encontró marcadores definicionales entre 3,4 y 8,7 veces más frecuentes en las respuestas de la IA que seguían a indicaciones orientadas a la comprensión que en el texto explicativo de referencia, y los casos más claros construían una capa definicional y después una capa procedimental numerada, lo que convierte la densidad del andamiaje en una propiedad medible de la petición de quien aprende y no solo de la estimación de dominio de un sistema. Exigir al menos tres preguntas de seguimiento por lectura hizo rutinario ese ajuste, transformando el texto en una interacción que sacaba a la luz lagunas de comprensión que el profesorado no habría visto de otro modo.

La forma del andamiaje tiene que ajustarse a lo que quien aprende ya puede sostener, y no solo a lo que exige la tarea. En una revisión sistemática de alcance de 24 fuentes de evidencia sobre el pensamiento creativo en niños de 6 a 15 años, Niu et al. (2026) informan de que los niños más pequeños carecían del control lingüístico y metacognitivo preciso que exigen las indicaciones basadas en texto y necesitaban interfaces multimodales facilitadas por personas adultas, mientras que los LLM basados en texto mostraban resultados declarados más sólidos con niños mayores y adolescentes jóvenes. La dependencia de las indicaciones era más fuerte en los cursos inferiores, y ningún estudio incluido examinó umbrales de preparación evolutiva, así que los autores tratan las decisiones de modalidad y de andamiaje como una cuestión de diseño abierta que debe resolver la capacidad de quien aprende y no la comodidad.

Conexiones

El andamiaje se conecta con la dependencia excesiva (el andamiaje que no se retira crea dependencia), con la Teoría de la Carga Cognitiva (el andamiaje gestiona la carga cognitiva), con el bucle de retroalimentación (el andamiaje proporciona retroalimentación formativa) y con la Alfabetización en IA (quien aprende debe reconocer cuándo el andamiaje es beneficioso y cuándo desplaza el aprendizaje).

Los agentes deben andamiar de forma dinámica y no estática: Woollaston et al. (2026) señalan que los andamiajes automatizados corren el riesgo de quedarse estáticos en lugar de retirarse a medida que crece la competencia, y recomiendan andamiajes dinámicos que se adapten y se retiren, una barrera de seguridad clave para la Agentic AI. CoMeT (Hou et al. 2026) aporta tanto la separación como la justificación de cuándo retirar: su apoyo sube un peldaño cada vez que quien aprende no lo usa y baja al peldaño más ligero cuando lo aprovecha, manteniendo la exigencia metacognitiva estadísticamente equivalente a la de un tutor que retiene (p_TOST = .004) y entregando un artefacto en el 48,1 % de las sesiones frente al 23,7 %, es decir, más trabajo del sistema y no menos. El desencadenante que validó es la intención y no la profundidad: tras una demostración completa el tutor concedió después el 30,3 % de lo que seguía abierto, tras un artefacto pegado el 25,9 %, tras una afirmación escueta el 20,4 % y tras una petición de construcción el 33,7 %, mientras que los turnos que no apuntaban a la decisión objeto de apoyo recibieron una concesión posterior el 40,3 % de las veces frente al 28,8 % de los turnos que sí apuntaban a ella (diferencia de 11,5 puntos, intervalo bootstrap del 95 % [2,1, 22,4]). El aprovechamiento fue escaso: el 37,0 % tras la primera petición y el 21,8 % tras la tercera, así que una regla de retirada basada en el esfuerzo de quien aprende leería una no respuesta como disposición.

El andamiaje debe ser adecuado a la situación y no máximo: Zhang et al. (2026) presentan TutorMoments, que evalúa si los tutores de LM andamian solo cuando se necesita apoyo, exigen rigor cuando el estudiantado está preparado y evitan el exceso de andamiaje (reducir la exigencia cognitiva más de lo que la situación requiere). Los modelos de frontera con indicaciones mínimas tienden por defecto al exceso de andamiaje a costa del esfuerzo productivo.

• IA que andamia el esfuerzo productivo. Kim et al. (2026) derivan principios de diseño de IA (apoyo no directivo, diseño reflexivo, IA con intervención humana) que mantienen el andamiaje en la zona del esfuerzo productivo en lugar de colapsar en el suministro de respuestas; Puech et al. (2025) muestran que los tutores LLM pueden dirigirse para dar ayuda solo cuando es estrictamente necesario, un andamiaje que preserva el esfuerzo propio de quien aprende.

La retirada del andamiaje como mecanismo de aplicación de la verificación. Kumar, Wongsirichot y Nanthaamornphong (2026) sintetizan 72 estudios de educación en informática y sitúan la retirada del andamiaje, junto con las herramientas de barrera y los diseños de aprendizaje autorregulado, como una de las tres formas en que los cursos hacen cumplir el compromiso crítico con la producción de la IA: estructuralmente (limitando lo que devuelve la herramienta), procedimentalmente (diarios de reflexión, autoevaluación) y temporalmente (restaurando de forma progresiva las condiciones en las que se exige razonamiento independiente). Su evidencia es que las ganancias de eficiencia con ayuda de la IA no se transferen al desempeño sin ayuda, y que el modo de fallo, el patrón de pseudoaprendizaje, en el que el estudiantado observa cómo la IA genera código sin realizar la tarea, es exactamente modelado sin práctica de la tarea completa. El acceso gradual funciona, por tanto, como un calendario de retirada para una nueva y potente forma de apoyo, y la revisión lo fundamenta en el 4C/ID: la ayuda solo sirve cuando quien aprende ya dispone de suficiente esquema para comprometerse críticamente con ella (la zona de desarrollo próximo, descarga cognitiva).

Andamiaje guiado por reglas frente a andamiaje ad hoc

• Andamiaje guiado por reglas frente a andamiaje ad hoc. Looi, Liu y Sun (2026) formalizan una distinción central para el diseño del andamiaje: el andamiaje guiado por reglas, en el que la tutoría se rige por una arquitectura auditable de tres capas (diagnóstico, selección de intención y generación restringida de respuestas), frente al andamiaje ad hoc, en el que los movimientos útiles son difíciles de auditar y de replicar. Su estudio de matemáticas en primaria mostró que el andamiaje guiado por reglas mejora la consistencia interactiva, reduce el suministro prematuro de respuestas y el cierre temprano, y sostiene la implicación cognitiva, evidencia de que la explicitación y la auditabilidad de los movimientos de andamiaje importan tanto para la consistencia como para el aprendizaje en dominios procedimentales.

• El andamiaje como vía restringida entre el atajo y la descarga. El Modelo de Neuroplasticidad e Interacción con la IA nombra el andamiaje como la tercera de las tres vías de ayuda del LLM, junto con el atajo directo y la descarga cognitiva, y lo define por si el modelo preserva el procesamiento esforzado que la tarea debe entrenar (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). La evidencia de calibración del modelo es un experimento natural sobre la restricción del andamiaje: el acceso sin restricciones a GPT-4 en un estudio con casi 1.000 estudiantes de matemáticas de secundaria produjo una ganancia del 48 % en la práctica pero un déficit del 17 % en el examen sin ayuda, mientras que el GPT Tutor restringido a pistas produjo una ganancia del 127 % en la práctica con el déficit del examen prácticamente eliminado. La lección de diseño coincide, a grano más grueso, con la distinción entre guiado por reglas y ad hoc anterior: lo que determina que el andamiaje se retire con éxito es la restricción sobre lo que se permite suministrar al tutor, y no la presencia del tutor. La distinción entre guiado por reglas y ad hoc va más allá del tutor y llega al propio enunciado de la tarea. Un colectivo docente interinstitucional descubrió que la crítica de la producción de la IA no ocurría por sí sola, así que los requisitos de auditar, comparar, revisar y justificar el contenido generado tuvieron que escribirse en la tarea, y quienes protegieron el análisis disciplinar independiente antes de que entrara la IA encontraron que el estudiantado podía evaluar la producción de la IA de forma más crítica. La evidencia sobre los ensayos de práctica coincide: el profesorado en formación que practicaba con compañeros de IA usaba más preguntas de sondeo y exploración cuando se ofrecía retroalimentación estructurada después del ensayo. En ambos casos el apoyo se especifica de antemano en lugar de improvisarse, lo que separa la orientación diseñada de la ayuda ad hoc, difícil de auditar y de replicar.

• Un andamiaje correctamente restringido sigue fracasando si la restricción no se administra. Azimi (2026) construyó lo que prescribe la distinción anterior, un presupuesto de 25 pistas por sesión, un límite de 15 minutos de uso de la IA, una reflexión obligatoria al final de la sesión y nada de código generado, y aleatorizó a 33 estudiantes de máster entre esa condición y el uso sin restricciones de IA generativa durante siete semanas. El rendimiento en las tareas y las ganancias en el inventario de conceptos no difirieron entre condiciones. El presupuesto de pistas no actuó como mecanismo de racionamiento: algunos estudiantes gastaron la mayor parte en los primeros problemas y no les quedó ninguna para los exigentes, otros terminaron con casi todo sin usar, y dentro de la condición de Coach fueron los estudiantes que ya tenían una estrategia deliberada para gastar una pista quienes puntuaron más alto. La restricción elevó la confianza declarada y siguió al estudiantado fuera del aula como hábito de autopregunta (si merecía la pena plantear una pregunta a la herramienta), pero recompensó la autorregulación ya existente en lugar de desarrollarla. La auditabilidad de un andamiaje y la capacidad de quien aprende para usarlo son condiciones separadas.

• Un andamiaje que quien aprende no puede verificar es un sustituto fluido. Como la química razona a través de fenómenos observables, modelos particulados y notación simbólica, una respuesta generada puede ser localmente persuasiva y globalmente errónea. Vega-Baudrit y Rivera Álvarez (2026) sitúan el andamiaje en el lado productivo de su análisis Presagio-Proceso-Producto y la copia acrítica en el lado del fracaso, y exigen que los andamiajes demanden traducción representacional en ambas direcciones, ya que una respuesta que describe correctamente la neutralización puede aun así afirmar que todo punto de equivalencia tiene un pH de 7. La verificación se diseña dentro de la tarea y no se anuncia como una regla: el estudiantado identifica un supuesto falso, corrige un error de unidad o de mecanismo, compara una estructura simbólica con un modelo submicroscópico o justifica por qué rechaza una respuesta generada. Como el estudiantado no puede verificar lo que todavía no entiende, los conocimientos previos y el andamiaje van primero, y la indicación se trata como un acto epistémico en el que quien aprende especifica las restricciones que la respuesta debe satisfacer.

Conceptos conectados

• Problem-Based Learning — El ABP integra andamiajes que se retiran en torno a problemas mal estructurados
• Learning by Teaching — Andamiaje de la construcción de conocimiento mediante la explicación
• Sociocultural Learning — Fundamento vygotskiano: la ZDP y el aprendizaje mediado socialmente
• Descarga cognitiva — El andamiaje que nunca se retira crea dependencia excesiva
• Retroalimentación — El andamiaje entrega retroalimentación formativa a medida que se retira el apoyo
• Alfabetización en IA — Reconocer cuándo el andamiaje apoya el aprendizaje y cuándo lo desplaza
• Tutoría inteligente — Los STI adaptan la intensidad del andamiaje a las estimaciones de dominio
• Socratic Method — Interrogación que retiene las respuestas directas
• Metacognición — Andamiajes que construyen el automonitoreo y la autorregulación
• Adaptive Learning — Los sistemas adaptativos modulan el apoyo dentro de la ZDP de quien aprende
• Learning Design — El andamiaje es una estrategia central del diseño instruccional
• Help-Seeking — El andamiaje da forma a cuándo y cómo pide ayuda quien aprende
• La docencia — El profesorado andamia y después se retira a medida que crece la competencia
• Pedagogías y estrategias de enseñanza — Marco general: pedagogías y estrategias de enseñanza en la educación con IA
• Agentic AI
• Productive Failure — Fallo productivo

Artículos conectados

• Generative AI in computing education: A systematic review and a framework for responsible integration — La retirada del andamiaje como mecanismo que hace cumplir la verificación (marco VIE)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Comentarios de IA cronometrados por entropía como andamiaje de conocimiento y emocional en vídeo (Wang, Du y Jin 2026)
• Towards an adaptive AI scaffold for developing student collaborative problem solving
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — La indicación guiada con LLM como intervención de aprendizaje estructurada
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Andamiaje culturalmente relevante para el compromiso crítico con IA generativa
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Patrones de diseño para el andamiaje en tutores LLM
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Andamiajes de Concept Catalyst para el cambio conceptual
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — Cuándo ayudan las pistas y cuándo fomentan la dependencia excesiva
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Andamiar el pensamiento crítico con IA generativa
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Redacción narrativa con andamiaje mediante Veriforge
• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — Un compañero cognitivo de IA que apoya la corregulación del aprendizaje
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — Preferred Scaffolding in AI-Supported Mathematical Modeling
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Andamiajes dinámicos (que se retiran) como barrera de seguridad para la IA agéntica
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — When Help is Unhelpful: evaluating AI tutors for productive struggle
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Andamiaje ICAP adaptativo en un STI (BKT frente a DRL)
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Making AI tutoring productive: mastery-based math practice
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — Guarded vs. unguarded AI: the placement rule (Brcic & Frljic 2026)
• The Evidence Base on AI in K-12: A 2026 Review — La IA específica para la tutoría preserva el esfuerzo productivo frente a la finalización de tareas de propósito general
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Herramientas de IA generativa con barreras como andamiajes frente a fuentes de respuestas
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — Diseño experimental apoyado por IA en química práctica
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — When Saying No Makes Better Videos: Dual Gatekeeping for Pedagogically Grounded AI Content Creation
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Scaffolding Systematic Reviews with Mentoring and AI (Wang 2026)
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — The Safety Gap: Restoring Productive Struggle
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI to Support PF Problem Design
• Exploring the effect of computational thinking levels on students' learning performance, cognition, and behavior when — Computational Thinking Levels and AI Coding Assistants (2026)
• The AI Writes the Code, the Student Writes the Model: A Theory and Measurement Programme for Learning by Construction with Generative AI — Model authorship: theory & measurement for learning-by-construction with GenAI
• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: constructionism framework for artifact construction
• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking (Hosseini 2026)
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — LLM adaptive explanations of programming errors
• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — Generative AI as a mediational agent
• Fostering Computational Thinking Through Robotics in Kindergarten: A Systematic Review of Learning Strategies, Frameworks, and Assessment — El andamiaje es una estrategia dominante de aprendizaje del pensamiento computacional
• CogEvol: Towards Efficient and Reliable Learning Environment Generation — CogEvol: Learning Environment Generation
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Pre-service teacher agency during GenAI interactions in design for learning (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — AI across the pedagogies of practice in mathematics teacher education: structured rehearsal feedback raised probing questions (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — AI integration as instructional design: critique of AI output must be assigned, and disciplinary analysis comes first
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
• Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — Rule-guided vs ad-hoc scaffolding in an LLM tutoring system for primary mathematics (Looi et al. 2026)
• From One-Size Texts to Tailored Readings: Student Experiences with AI-Generated Course Materials — Comprehension prompts as a scaffold dial in AI-generated course readings (Sidorkin 2026)
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — Un Coach de Estudio con IA y presupuesto de pistas: uso de IA generativa con andamiaje frente a uso sin restricciones, y por qué la restricción por sí sola no produjo aprendizaje (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: scaffolding reframed as deciding which sub-zone a task belongs to
• Adaptive Scaffolding Needs Contingency: An AI Tutor That Escalates and Fades on What the Learner Does — Adaptive Scaffolding Needs Contingency: An AI Tutor That Escalates and Fades on What the Learner Does
• From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — La puntuación automatizada como andamiaje formativo: solo se convierte en ganancia cuando el déficit objetivo es descomponible, fiable y escalado con sensibilidad (Chen y Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Andamiaje adaptativo en bucle cerrado que sigue el límite actual de quien aprende en la práctica musical, con la detección de errores como triaje (Zhu et al. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — La forma del andamiaje debe ajustarse a la capacidad evolutiva de la infancia, y no solo a la tarea (Niu et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Los andamiajes deben exigir traducción representacional y verificación, ya que el estudiantado no puede verificar lo que no entiende (Vega-Baudrit y Rivera Álvarez 2026)
• Instructional Governance by Design: A Framework for AI in Computing Education — Instructional Governance by Design: A Framework for AI in Computing Education
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement