En esta página

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

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

El aprendizaje autodirigido (SDL) — el proceso por el cual quien aprende toma la iniciativa y la responsabilidad de diagnosticar sus propias necesidades de aprendizaje, fijar objetivos, identificar recursos, elegir y poner en práctica estrategias y evaluar los resultados, a menudo con una estructura externa limitada. En la era de la IA, el SDL es a la vez un resultado clave (¿el uso de la IA apoya o erosiona la capacidad de quien aprende para dirigir su propio aprendizaje?) y una vulnerabilidad (la comodidad de la IA generativa puede socavar la autonomía y la autoeficacia que el SDL requiere).

Preguntas para reflexionar

  • El aprendizaje autodirigido significa diagnosticar sus propias necesidades, fijar objetivos y evaluar resultados con una estructura externa limitada. Antes de leer, ¿qué tan cómodo se siente usted dirigiendo su propio aprendizaje, y alguna vez una herramienta de IA le ha hecho menos capaz de hacerlo sin que usted lo notara?
  • El SDL es a la vez un resultado deseado y una vulnerabilidad: la comodidad de la IA generativa puede socavar la autonomía y la autoeficacia que el SDL requiere. ¿Por qué una herramienta que le da respuestas instantáneas haría más difícil dirigir su propio aprendizaje después?
  • Se encontró que el uso irreflexivo de la IA generativa —adoptar salidas sin evaluación crítica— perjudica el SDL tanto directamente como erosionando la autoeficacia y la motivación. ¿Recuerda alguna vez en que aceptó una respuesta de la IA sin evaluarla? ¿Qué le costó, si es que le costó algo?
  • El SDL y el aprendizaje autorregulado (SRL) están estrechamente relacionados pero son distintos: el SRL se ocupa de la regulación del aprendizaje en el momento, mientras que el SDL se ocupa de la responsabilidad general a lo largo del tiempo. ¿Dónde ve usted la frontera entre «gestionar esta tarea» y «dirigir mi propio aprendizaje» en su propia práctica?
  • El daño del uso irreflexivo de la IA golpeó más la motivación de unos estudiantes y más la autoeficacia de otros. Si la erosión de estos recursos psicológicos es desigual entre quienes aprenden, ¿qué preocupación de equidad plantea eso sobre quién pierde más con la comodidad de la IA?
  • Fíjese un objetivo antes de leer: nombre un objetivo de aprendizaje que esté persiguiendo ahora sobre todo por su cuenta, y una forma en que una herramienta de IA le ayuda a alcanzarlo y otra en que podría estarle quitando discretamente la dirección.

Introducción

El aprendizaje autodirigido es un vecino cercano del aprendizaje autorregulado (SRL), y no un sinónimo. Mientras que el SRL pone el énfasis en la regulación cognitiva, motivacional y conductual del aprendizaje en el momento (planificar, monitorizar, controlar, reflexionar), el SDL pone el énfasis en la responsabilidad general de quien aprende sobre la dirección y la gestión de su propio aprendizaje a lo largo del tiempo, a menudo en contextos informales o elegidos por la propia persona. El SDL es fundamental para el aprendizaje de personas adultas y el aprendizaje a lo largo de la vida, y es una teoría destacada en la educación a distancia y en línea, donde quien aprende debe sostener su autonomía sin un horario de clase fijo. El SDL es también cada vez más tratable para el estudio empírico: al analizar los registros de clics de 315 personas que aprendían en línea y construyeron 822 modelos en VERA, An, Hammock y Goel (2025) identificaron tres firmas conductuales de la autodirección —Observación, Construcción y Exploración—. También encontraron que quienes aprendían pasaban de la construcción práctica a una Exploración más plena y guiada por hipótesis mientras la Observación persistía en todas las fases, lo que muestra que el grado y el tipo de autonomía que quien aprende ejerce en una tarea en línea no estructurada pueden distinguirse solo a partir de sus datos de traza.

Cómo la IA generativa remodela el aprendizaje autodirigido

La investigación documenta ambos lados de la relación entre IA generativa y SDL.

  • La IA puede apoyar el SDL. La IA y las políticas de aprendizaje a lo largo de la vida y el crecimiento autodirigido con IA generativa y analítica del aprendizaje muestran que las herramientas de IA pueden andamiar la indagación independiente, ofrecer recursos a demanda y personalizar itinerarios de aprendizaje de formas que refuerzan la autonomía de quien aprende. La evidencia metaanalítica sobre los resultados educativos de la IA generativa y la IA conversacional en el aprendizaje informal sugieren un potencial positivo cuando la IA se usa como un recurso que quien aprende dirige.

  • Quienes aprenden quieren un compañero de pensamiento, no un oráculo. El estudiantado adulto entrevistado quería que la IA estimulara la reflexión y verificara en lugar de dar respuestas, y que lo dejara a cargo del itinerario de aprendizaje en lugar de prescribirlo (Kim et al. (2026)).

  • Delegar la elección del objetivo no es lo mismo que apoyarla. Fijar el objetivo es el acto central de quien aprende, y la evidencia de referencia dice que los modelos lo hacen de otro modo. Frente a 175 personas, GPT-5, Claude Sonnet 4.5 y Qwen3 32B volvieron a seleccionar el objetivo anterior en 0,93, 0,93 y 0,94 de los ensayos, frente a 0,54 ± 0,18 en las personas. La entropía de objetivos fue de 0,12 a 0,20 frente a 1,67 ± 0,14, y las instrucciones de cadena de pensamiento y de persona no cerraron la brecha. Un sistema que propone qué aprender a continuación reproduce una búsqueda más estrecha que la de quien aprende al que sustituye (Molinaro et al., 2026).

  • El uso irreflexivo socava el SDL. Zhao y Gu (2026) muestran que usar la IA generativa sin evaluar lo que devuelve causó daño en dos direcciones: redujo directamente el SDL del estudiantado universitario y también erosionó la autoeficacia y la motivación (el modelo explicó el 75,3% de la varianza del SDL; TUGA β = −0,42). El efecto negativo sobre la motivación fue mayor en los estudiantes varones y sobre la autoeficacia en las estudiantes mujeres. Esto conecta con el riesgo más amplio de dependencia excesiva.

  • Uso no guiado a escala poblacional. En 4.062 estudiantes de 136 escuelas secundarias alemanas, el uso de IA generativa orientado a completar tareas y el orientado al aprendizaje aumentaron ambos a lo largo de un curso escolar (d = 0,35 y 0,33), y solo el 5% del estudiantado no usó nunca las herramientas; un rendimiento previo más bajo predijo más uso posterior en las seis materias, pero ninguna de las dos formas de uso predijo el rendimiento posterior (Scherer et al. (2026)).

  • Descarga cognitiva y delegación. La andragogía y la delegación cognitiva y el aprendizaje conversando con IA generativa examinan cómo quien aprende puede delegar el trabajo cognitivo en la IA de formas que se saltan el procesamiento esforzado que el SDL requiere, un modo de fallo de herramientas por lo demás favorables a la autonomía. El andamiaje del pensamiento crítico con IA generativa y el aprendizaje asistido por IA guiado por pruebas modelan diseños más productivos.

La distinción entre SDL y SRL en la práctica

Como el SDL pone el énfasis en la dirección iniciada por quien aprende, las intervenciones para protegerlo se centran en preservar la agencia y la autoeficacia y no solo en regular la conducta momento a momento. La evidencia de que el uso irreflexivo de la IA erosiona la motivación y la autoeficacia —los recursos psicológicos de los que depende el SDL— sugiere que promover un uso responsable de la IA no es solo una cuestión de integridad, sino de desarrollo: proteger la capacidad del estudiantado de dirigir su propio aprendizaje.

La IA como andamiaje para el aprendizaje basado en la investigación

  • La extracción con IA como andamiaje para el aprendizaje basado en la investigación. An y sus colegas (2026) diseñan un sistema de extracción de información impulsado por IA que convierte publicaciones de investigación en conjuntos de datos estructurados y trazables para apoyar la finalización de tesis de grado en STEM, planteado como un andamiaje epistémico que permite inspeccionar las relaciones entre evidencia y afirmación a la vez que reduce las demandas de manejo de datos de bajo nivel. En un piloto de métodos mixtos con 20 estudiantes y 80 documentos, el estudiantado extrajo más del 90% de los parámetros objetivo, el tiempo de revisión de literatura autoinformado cayó en torno a un 65% y su capacidad de identificar variables influyentes aumentó un 50%, lo que respalda la idea de que la IA puede reequilibrar la carga cognitiva hacia un razonamiento de investigación más autodirigido y de orden superior en lugar de hacia el resumen rutinario.

Implicaciones para la práctica

Para el profesorado

  • Distinga qué está desarrollando: la regulación en la sesión o la apropiación a lo largo del tiempo. Necesitan diseños distintos, y mejorar una no produce la otra.
  • Proteja las decisiones que constituyen la autodirección —qué aprender, cómo juzgar el progreso, cuándo cambiar de rumbo— incluso cuando la IA pudiera tomarlas. Delegarlas suprime la práctica.
  • Enseñe la evaluación junto con el uso, ya que la adopción irreflexiva de las salidas es el mecanismo documentado por el que la IA generativa socava el SDL.

Para quienes desarrollan

  • Haga visibles y revisables las decisiones de quien aprende en lugar de fijarlas por defecto. Un sistema que siempre aporta dirección la aporta en lugar de la competencia que se está desarrollando.
  • Introduzca puntos de reflexión en los que quien aprende declare su objetivo y su evidencia, para que la dirección siga siendo suya.

Para quienes investigan

  • Informe de qué constructo abordaba la intervención; los resultados de SDL y de SRL no deberían usarse de forma intercambiable.

Concepciones erróneas

«El aprendizaje autodirigido y el aprendizaje autorregulado son el mismo constructo.» Operan en escalas temporales distintas: el SRL se refiere a la regulación del aprendizaje en el momento, mientras que el SDL se refiere a la responsabilidad global a lo largo del tiempo —elegir qué aprender, fijar el objetivo y sostener la dirección durante meses—. Una intervención que mejora la regulación momento a momento no tiene por qué producir a una persona que aprenda de forma autodirigida, y un estudiante puede ser autodirigido a lo largo de un programa mientras regula mal dentro de una sesión.

«La IA facilita el aprendizaje autodirigido porque aporta estructura.» Puede eliminar el ejercicio de la habilidad. Zhao y Gu (2026) muestran que el uso irreflexivo de la IA generativa —adoptar las salidas sin evaluación crítica— socava significativamente el SDL. Dirigir el propio aprendizaje se practica tomando las decisiones que la IA generativa puede tomar ahora por ti, así que un asistente que siempre aporta dirección la aporta en lugar de la competencia.

«No usar la IA indica falta de acceso.» Entre quienes no la usan, el motivo declarado suele ser una elección educativa positiva —querer hacer el trabajo por sí mismos— y no una barrera. Leer el no uso como un déficit describe mal una posición que, en la evidencia sobre la experiencia del estudiantado, está razonada.

«La autodirección significa trabajar solo.» Significa ser dueño de la dirección, lo que puede ejercerse en un entorno muy apoyado. El rasgo distintivo es quién fija y ajusta el objetivo, no si hay ayuda disponible.

Conceptos conectados

Artículos conectados

Recursos relacionados

  • Skills for Real Engineers
    La colección de código abierto de Matt Pocock de habilidades de agente pequeñas y componibles, que incluye una habilidad de enseñanza de varias sesiones, una habilidad de cuestionamiento implacable y orientación sobre cómo escribir documentos que un agente pueda seguir.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.