Conceptos
Teoría de la autodeterminación
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
La teoría de la autodeterminación (SDT) — una teoría psicológica de la motivación humana que postula que la motivación intrínseca y el bienestar dependen de la satisfacción de tres necesidades psicológicas básicas: autonomía, competencia y relación con los demás. En la IA en la educación, la SDT ofrece un marco para diseñar herramientas de IA y desarrollo profesional que apoyen, en lugar de socavar, la motivación de quienes aprenden y de quienes enseñan.
Preguntas para reflexionar
- La teoría sostiene que la motivación no es solo cuánta se tiene, sino una cualidad configurada por el entorno y construida sobre tres necesidades: autonomía, competencia y relación con los demás. Piense en una experiencia de aprendizaje que lo agotó. ¿Cuál de esas tres necesidades se vulneró y qué la habría restaurado?
- Un estudio de un año encontró tres perfiles motivacionales —Desimplicado, En desarrollo, Autodeterminado— que se mantuvieron estables en el tiempo, y que quienes alcanzaban el perfil Autodeterminado mostraban las mayores ganancias de alfabetización en IA. Antes de leer, ¿la motivación es algo que el estudiantado trae consigo o algo que un entorno bien diseñado puede cultivar? ¿Qué implica «evolutiva, no fija»?
- Si una herramienta de IA hace que toda tarea sea sin esfuerzo y «fácil de usar», ¿qué necesidad psicológica podría estar satisfaciendo y cuál podría estar socavando en silencio? ¿Cómo podría una herramienta que impulsa la implicación a corto plazo erosionar aun así la motivación a largo plazo?
- El desarrollo profesional que apoya las necesidades del profesorado mejoró su alfabetización en IA y sostuvo su implicación. ¿Sugiere esto que cómo formamos a los educadores en IA importa tanto como lo que la propia IA hace? ¿Cómo sería para usted una formación en IA «que apoye la autonomía»?
- Un estudio encontró que ChatGPT podía apoyar la autonomía, la relación con los demás y la competencia en el aprendizaje de idiomas. Pero, ¿podría la misma herramienta socavar esas necesidades en otro estudiante? ¿Qué tendría que cumplirse sobre cómo se usa para que la teoría se sostenga?
- Antes de seguir leyendo, nombre una forma en que haya sentido que su propia competencia, autonomía o sensación de conexión se veían afectadas al usar una herramienta de IA, y reflexione sobre si habría notado ese cambio sin que le pidieran buscarlo.
Introducción
La SDT se usa cada vez más en la investigación sobre IA en la educación como lente teórica para sistemas de IA tanto dirigidos a quien aprende como dirigidos al profesorado. La afirmación central de la teoría —que la motivación no es simplemente una cantidad que quien aprende posee, sino una cualidad configurada por el entorno social y tecnológico— la hace directamente pertinente a las preguntas sobre cómo las herramientas de IA afectan la implicación, la persistencia y los resultados de aprendizaje. La investigación aplica la SDT en tres contextos principales: el desarrollo profesional docente, la implicación en el aprendizaje mediado por IA y la computación afectiva.
Temas clave de investigación
El desarrollo profesional docente basado en la SDT aplica los principios de apoyo a las necesidades de la teoría para preparar a los educadores para la IA. Chiu et al. estudiaron a 382 docentes de secundaria y encontraron que un desarrollo profesional que apoya las necesidades y se fundamenta en la SDT mejora la alfabetización en IA del profesorado y fomenta una implicación conductual sostenida en las comunidades profesionales de aprendizaje en línea. El análisis cualitativo identificó nueve estrategias de diseño que apoyan la autonomía, la competencia y la relación con los demás, tendiendo un puente entre el desarrollo profesional aislado y las comunidades profesionales de aprendizaje.
La SDT en la implicación en el aprendizaje mediado por IA examina cómo las herramientas de IA generativa configuran la motivación del estudiantado. Isaeva et al. combinaron la SDT con el análisis de redes epistémico para estudiar la implicación del estudiantado con la IA generativa en el aprendizaje académico. "Why Put in This Much Effort?": How AI Availability Shapes Students' Motivation in Introductory Programming explora cómo la disponibilidad de la IA afecta la motivación y la persistencia del estudiantado, en conexión con las preocupaciones sobre la dependencia excesiva y la erosión de la motivación. Liang et al. (2026) extienden la SDT al aprendizaje con IA con un análisis de transición latente de 2.086 estudiantes de secundaria en un currículo de IA de un año, identificando tres perfiles motivacionales (Desimplicado, En desarrollo, Autodeterminado) que se mantuvieron estables en el tiempo y mostrando que la mayoría del estudiantado mantuvo o avanzó hacia perfiles superiores. De forma crucial, quienes alcanzaban o se mantenían en el perfil Autodeterminado mostraban las mayores ganancias de alfabetización en IA: evidencia longitudinal directa de que satisfacer la autonomía, la competencia y la relación con los demás predice mejores resultados de aprendizaje con IA, y de que la motivación es una propiedad evolutiva (no fija) de quien aprende.
Un resultado de aula que contrasta muestra que las necesidades no se mueven juntas: entre 2.464 estudiantes de secundaria inferior, el aprendizaje competencial apoyado por ChatGPT elevó el apoyo a la autonomía y la satisfacción de la competencia, pero produjo una mayor proporción de perfiles motivacionales de baja calidad, y la satisfacción de la relación con los demás fue más débil que en el aprendizaje competencial sin IA (Schweder, Hagenauer y Raufelder (2026)).
- La disponibilidad no es uso. Con 406 estudiantes de 5.º a 8.º grado que escribieron dos veces, una sin herramientas digitales y otra con IA generativa opcional, la satisfacción de la autonomía cayó (Δ = −0,28) mientras que la regulación media se mantuvo estable y el grado de uso de IA no predijo la pertenencia a ningún perfil (Schweder y Grahl (2026)).
Aquí la ganancia motivacional la aportó la autonomía, no la facilidad. Un ECA de tres brazos encontró que un tutor que retenía las pistas y mantenía al estudiantado construyendo su propia solución fue el único brazo que elevó la motivación intrínseca (2,82 frente a 2,42), mientras que un ChatGPT sin restricciones, que entrega la respuesta, no lo logró (2,64, p = 0,076) (Bassner et al. (2026)).
Una prueba configuracional afina el argumento: entre 498 estudiantes universitarios de medicina, el uso de IA generativa solo se asoció débilmente con la satisfacción de las necesidades (β = 0,155) y resultó innecesario para una implicación alta, mientras que la satisfacción de la necesidad de competencia fue la condición central en la configuración más fuerte (He et al. (2026)).
Dos trayectorias desde el clima de aprendizaje hasta el uso de la IA. Shen y Arunrugstichai (2026) integran la SDT con el modelo Hook de implicación conductual para explicar por qué el uso de IA generativa va del apoyo constructivo a la dependencia compulsiva. En datos de encuesta transversal de 508 estudiantes universitarios con distintos antecedentes de secundaria y contextos actuales (China y Tailandia), los informes retrospectivos de presión frente a apoyo a la autonomía en la secundaria predijeron de forma diferencial cuál de las dos trayectorias seguían los estudiantes al llegar a la universidad —una hacia un uso constructivo y autónomo de la IA generativa y otra hacia la dependencia compulsiva—, con resultados consistentes en los análisis multigrupo entre contextos. El modelo vincula los procesos motivacionales de la SDT con la calidad percibida del aprendizaje apoyado por IA, y enmarca el apoyo a la autonomía como una palanca que orienta al estudiantado hacia un uso productivo y no dependiente de la IA.
- ChatGPT y las necesidades de la SDT en el aprendizaje de idiomas: Annamalai et al. (2026) usaron una lente basada en la SDT con 25 estudiantes universitarios malasios y encontraron que ChatGPT apoya la autonomía, la relación con los demás y la competencia en el aprendizaje del inglés, mejorando tareas de gramática, escritura y conversación y permitiendo que los educadores se centren en la formación de orden superior.
La SDT aplicada a la propia práctica de los formadores mediada por IA. Claassen et al. (2026) usaron la SDT como lente interpretativa sobre cómo los formadores integran la analítica del aprendizaje y la IA generativa en el diseño del aprendizaje, encontrando que apoyar las necesidades básicas de los formadores (autonomía, competencia, relación con los demás) fomenta la resolución de problemas creativa que exige su trabajo de diseño. En su análisis ENA, el uso de IA generativa se asoció con diseñar para la autodeterminación del estudiantado (por ejemplo, cocrear con los estudiantes las rúbricas de evaluación), lo que extiende la SDT de quienes aprenden a los educadores que construyen entornos mediados por IA que apoyan las necesidades.
Para el propio profesorado, la colaboración con la IA corta en ambos sentidos: un estudio de tres oleadas con 468 docentes universitarios encontró que elevaba la implicación laboral a través de la disponibilidad psicológica y a la vez la reducía a través de la alienación laboral, y que la competencia digital reforzaba la primera vía y debilitaba la segunda (Sun et al. (2026)).
Un marco de coagencia acota el alcance de la SDT en la educación mediada por IA: cambia las circunstancias en las que surgen la autonomía, la competencia y la relación con los demás, pero deja sin abordar la equidad de poder, la propiedad de los datos y la rendición de cuentas; por eso sus autores fijan la responsabilidad epistémica humana como una condición no negociable ajena a la teoría (Poudyal (2026)).
El apoyo a la autonomía como marco para el uso de la IA generativa por parte de menores. Fan, Li y Zhang (2026) trasladan la cuestión del uso responsable de la restricción al apoyo a las necesidades, argumentando que la distinción que importa es si los adultos que rodean a un menor apoyan su autonomía en lugar de controlarla, y distinguiendo la descarga cognitiva dependiente de la autónoma en términos de la SDT: la descarga dependiente transfiere la agencia y reduce la motivación intrínseca, mientras que la autónoma andamia sin que quien aprende pierda el control epistémico. Dos rasgos de la revisión son directamente pertinentes para la aplicación de la SDT: insiste en que el apoyo a la autonomía no es permisividad, y trata la coordinación familia-escuela que dan por supuesta las orientaciones actuales como una hipótesis no comprobada, formalizando versiones aditiva, sinérgica y compensatoria que solo podría discriminar un ensayo factorial que contrastara la orientación dirigida solo a la familia, solo a la escuela, coordinada y la práctica habitual.
Conexiones con conceptos relacionados
La SDT se conecta directamente con la motivación como su constructo padre, con la computación afectiva y la tutoría afectiva por el diseño de IA sensible a las emociones, y con la experiencia del estudiante por cómo vive el estudiantado los entornos mediados por IA. El énfasis de la teoría en la autonomía conecta con el aprendizaje autorregulado, mientras que su dimensión de competencia conecta con la autoeficacia y la competencia docente en IA. La SDT es especialmente pertinente para la formación profesional y el desarrollo educativo, porque el diseño que apoya las necesidades es un principio transferible para preparar a los educadores en el uso de la IA.
Las tres necesidades no se ejercitan por igual en la investigación sobre IA generativa. Pan, Abuhassna y Jiang (2026) codificaron 39 estudios frente a una clasificación de 20 actividades y encontraron 14 actividades presentes, con siete tipos relacionados con la competencia frente a cinco de autonomía y dos de relación con los demás. Seis actividades estaban ausentes de todos los estudios, y la mayoría piden al estudiantado juzgar o desafiar la herramienta: crear problemas desafiantes, anticipar las salidas de la herramienta, calificar esas salidas y debatir con ella. La relación con los demás es la necesidad que menos se pone a prueba en la literatura.
Concepciones erróneas
- «El tipo de motivación importa menos que su cantidad.» Un estudio de un año encontró tres perfiles motivacionales —desvinculado, en desarrollo y autodeterminado— estables en el tiempo, y el estudiantado que llegaba al perfil autodeterminado mostraba las mayores ganancias de alfabetización en IA. La calidad de la motivación predecía el aprendizaje, y los perfiles no se desplazaban simplemente hacia arriba.
- «Apoyar la autonomía significa eliminar la estructura.» El mecanismo de la SDT es la autonomía, la competencia y la relación con los demás en conjunto, y la evidencia longitudinal muestra que satisfacerlas predecía las ganancias en lugar de solo acompañarlas. La autonomía sin apoyo a la competencia es permisividad, y no cumple las condiciones de la teoría.
- «Un chatbot puede suministrar las tres necesidades de forma automática.» Un estudio encontró que ChatGPT podía apoyar la autonomía, la relación con los demás y la competencia en el aprendizaje de lenguas: una posibilidad, no una propiedad. Que una interacción concreta las apoye es una pregunta empírica sobre cómo se usa.
Conceptos conectados
- Motivación
- Experiencia del estudiantado
- Computación afectiva
- Tutoría afectiva
- Aprendizaje autorregulado
- Competencia en IA del profesorado
- Desarrollo educativo
- Aprendizaje en el lugar de trabajo
- Descarga cognitiva
- Implicación del estudiantado
- IA en la educación
- Teorías del aprendizaje
Artículos conectados
- Family-school autonomy support for children's responsible use of generative artificial intelligence: a self-determination theory synthesis and developmental research agenda — Apoyo a la autonomía desde la familia y la escuela para el uso responsable de la IA generativa por parte de menores
- How high-school pressure and autonomy support are linked to dual AI learning pathways: A cross-contextual SEM analysis — Presión y apoyo a la autonomía en la secundaria y las dos trayectorias de aprendizaje con IA (Shen y Arunrugstichai 2026)
- Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education — Recuperar la agencia epistémica mediante la coagencia
- Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — Analítica del aprendizaje e IA generativa en la toma de decisiones de diseño del aprendizaje
- Teacher education for artificial intelligence literacy through a self-determination theory perspective — Alfabetización en IA y SDT en la formación docente
- Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study
- "Why Put in This Much Effort?": How AI Availability Shapes Students' Motivation in Introductory Programming
- Students' experiences of using ChatGPT for English language learning: A qualitative study in a Malaysian higher education institution — Experiencias del estudiantado con ChatGPT en el aprendizaje del inglés
- Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Características de quien aprende × interacciones con el formato de diálogo TTS
- From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — Análisis de transición latente basado en la SDT de la motivación de aprendizaje con IA (2.086 estudiantes de secundaria)
- Student motivation and need satisfaction in GenAI-supported classrooms: A self-determination theory perspective — Motivación del estudiantado y satisfacción de necesidades en aulas con IA generativa (Schweder, Hagenauer y Raufelder 2026)
- Generative Artificial Intelligence Use and Learning Engagement Among Medical Undergraduates: Statistical Indirect and Configurational Associations Involving Basic Psychological Need Satisfaction — El uso de IA generativa está débilmente ligado a la satisfacción de necesidades y es innecesario para una implicación alta (He et al. 2026)
- The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Vías duales de la colaboración docente–IA hacia la implicación laboral, moderadas por la competencia digital
- Less stress, better scores, same learning: The dissociation of performance and learning in AI-supported programming education — Retener las pistas preservó la autonomía donde darla respuesta no lo hizo
- Motivational organization in AI-supported writing: A self-determination perspective — Disponibilidad de IA, descenso de la autonomía y perfiles motivacionales en los grados 5 a 8 (Schweder y Grahl 2026)
- Generative AI and student motivation: an SDT-guided systematic review of learning activities, motivational regulation, and measurement - 39 estudios codificados frente a una clasificación de 20 actividades; la competencia es la más ejercitada y la relación con los demás la menos