Aprendizaje autorregulado

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

El aprendizaje autorregulado (AAR) describe a quien aprende como un participante activo capaz de dar forma y desarrollar de manera exitosa sus acciones cognitivas y conductuales. Las herramientas de IA pueden andamiar el desarrollo del AAR o, sin proponérselo, cortocircuitarlo al eliminar las exigencias regulatorias que construyen la pericia.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review)

Preguntas para reflexionar

• El AAR describe a quien aprende gestionando activamente su aprendizaje a través de tres fases: previsión (fijación de metas, planificación, autoeficacia), desempeño (estrategia, autoobservación) y autorreflexión (evaluación, adaptación). Antes de leer, ¿qué fase hace usted bien de verdad, y cuál se salta aunque sabe que le convendría hacerla?
• La tensión central de la página: la IA puede andamiar la autorregulación o cortocircuitarla al eliminar las exigencias regulatorias que construyen la pericia. ¿Cómo puede una herramienta que facilita una tarea volverlo a usted un regulador más débil de su propio aprendizaje, y puede notar la diferencia en su propio uso?
• El estudiantado muestra a menudo un «déficit de producción»: posee conocimiento sobre la autorregulación, pero no lo despliega de forma espontánea, por ejemplo pidiendo a un chatbot que «extraiga las ideas principales» y omitiendo por completo la planificación y la monitorización. ¿Se ha sorprendido haciendo el equivalente cognitivo de esto, aun sabiendo cuál es la estrategia mejor?
• La investigación encontró una «brecha de mala calibración»: el estudiantado puede percibir más aprendizaje con IA generativa mientras retiene menos, y prefiere la IA a tomar apuntes pese a una retención más débil. Si se siente productivo mientras usa una herramienta, ¿cómo llegaría a descubrir que en realidad no está aprendiendo más?
• Que la IA generativa funcione como andamiaje, atajo o socio depende más de la capacidad regulatoria de quien aprende que de la herramienta misma. Pero la página también muestra que la autorregulación amortigua, aunque no anula, el daño de la descarga cognitiva profunda. ¿Qué significa esa salvedad de «amortigua pero no anula» para diseñar mejores herramientas de IA?
• Fíjese una meta antes de leer: elija una tarea en la que use IA con regularidad y decida de antemano cuál de las tres fases del AAR (previsión, desempeño, reflexión) protegerá deliberadamente de ser automatizada. ¿Qué resultado le dirá que funcionó?

Introducción

El AAR es el proceso mediante el cual quien aprende gestiona activamente su propio aprendizaje a través de tres fases interrelacionadas:

1. Previsión: fijación de metas, planificación estratégica, creencias de autoeficacia
2. Desempeño: despliegue de estrategias, autoobservación, focalización de la atención
3. Autorreflexión: Self-Assessment, atribución causal, adaptación

Quien aprende autorregulándose con pericia emplea estrategias cognitivas para mejorar su éxito y utiliza la Metacognición para refinar continuamente sus procesos de aprendizaje.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Un punto decisivo es que el AAR en torno a la IA está moldeado por la percepción tanto como por la conducta: Yilmaz et al. demuestran que percibir la retroalimentación como procedente de una IA o de una persona humana afecta significativamente al aprendizaje autorregulado y a la conducta de revisión, un recordatorio de que el marco social de la IA, y no solo su contenido, cambia cómo regula quien aprende en torno a ella.

Apoyo digital al AAR

Diarios de aprendizaje

Los diarios de aprendizaje son una intervención prometedora para el AAR: al reflexionar sobre sus procesos de aprendizaje, el estudiantado aumenta la conciencia sobre su cognición y refuerza su capacidad regulatoria. Consideraciones clave de diseño:

• La estructura importa: los diarios abiertos producen a menudo entradas superficiales; las indicaciones guiadas y los modelos de ejemplo mejoran la profundidad
• Deterioro de la motivación: las aplicaciones móviles de diario suelen registrar un rápido descenso de la implicación tras unos pocos días
• Compensación del andamiaje: la asistencia de IA que escribe las reflexiones por el estudiantado socava la práctica del AAR; la asistencia que estructura las indicaciones sin redactar el contenido la preserva

Cuadros de mando que comunican perfiles de AAR al profesorado

Mejia-Domenzain et al. (2026) extienden el apoyo digital al AAR al lado docente: su cuadro de mando de Analítica del aprendizaje (DashED) comunica al profesorado perfiles de aprendizaje autorregulado derivados del aprendizaje automático en aulas semipresenciales, y el modo en que el profesorado actúa sobre esos perfiles depende del contexto. En uso, el profesorado de aula invertida (universidad) siguió una exploración secuencial y prefirió la adaptación a nivel de curso y mostrar los cuadros de mando en clase, mientras que el profesorado de formación profesional revisó páginas de resumen y usó la herramienta sobre todo para sesiones de tutoría individual. Las acciones que propusieron los docentes estuvieron moldeadas por el contenido representado y por su nivel de enseñanza más que por el tipo de gráfico: el profesorado universitario prefirió pruebas semanales y adaptación del curso, y el de formación profesional, tutoría directa e individualizada. Esto sitúa el cuadro de mando como un andamiaje para la regulación de la enseñanza por parte del profesorado, con necesidades de diseño que varían según el contexto y no una única interfaz óptima.

El experimento 2×2 de Scheu et al. (2026)

En un experimento de campo aleatorizado con 179 estudiantes a lo largo de 22 días, se compararon dos principios de diseño:

Principio	Mecanismo	Efecto en el AAR	Efecto en la motivación	Efecto en la implicación
Curso basado en ejemplos	Diario reflexivo de 7 días sobre el diseño curricular y el La docencia mediante respuestas modeladas	Aumentó la competencia y el disfrute percibidos	Positivo	Positivo constante
Asistente de diario con LLM	GPT-3.5 resume borradores, hace preguntas aclaratorias y sugiere reformulaciones	No se midió ningún efecto directo en las habilidades de AAR	Sin efecto	Creciente con el tiempo (bucle de retroalimentación)

Idea clave: el curso mejoró las habilidades de AAR y la motivación intrínseca mediante la transferencia de habilidades, mientras que el asistente mejoró la implicación sin afectar a la motivación.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Las herramientas de IA y el bucle recíproco entre AAR y motivación

Un principio fundacional de la teoría del AAR es que las habilidades de AI Regulation in Education y la motivación forman una relación recíproca:

• Un AAR mejor → un aprendizaje más exitoso → una autoeficacia mayor → una motivación más fuerte
• Una motivación mayor → una implicación con más esfuerzo → una mejor práctica de AAR

Las herramientas de IA pueden entrar en este bucle en distintos puntos:

• Diseño centrado primero en el AAR (por ejemplo, cursos estructurados, pistas graduadas, indicaciones de reflexión): refuerza el bucle al construir habilidades genuinas
• Diseño centrado primero en la implicación (por ejemplo, autocompletado, generación de contenido): puede impulsar la implicación conductual sin entrar en el bucle de la motivación, con el riesgo de generar dependencia de la herramienta

La regulación estratégica de la IA generativa como AAR

Kim (2026) reenmarca el uso eficaz de la IA generativa en la escritura académica como regulación estratégica: una práctica de AAR puesta en acto que consiste en verificar, revisar, adoptar selectivamente o rechazar la salida de la IA. En un estudio de métodos mixtos con 107 estudiantes, una mayor ansiedad ante la IA se asoció positivamente con la verificación y la revisión (β=.24), mientras que la capacidad evaluativa predijo la revisión activa y la integración selectiva (β=.46). El estudiantado se agrupó en cuatro tipos regulatorios, Dependencia acrítica (18.7%), Integración selectiva (34.6%), Transformación evaluativa (31.8%) y Rechazo estratégico (14.9%), lo que muestra que la alfabetización en IA en la educación superior funciona menos como aceptación que como competencia regulatoria anclada en el juicio evaluativo y en la responsabilidad ética. Esto sitúa el AAR como el mecanismo central que distingue el uso crítico del uso acrítico de la IA.

La interacción misma como objeto de regulación. Brunnström y Palmqvist (2026) documentan la misma exigencia de regulación desde la dirección opuesta: en una demostración de ocho rondas con un chatbot para preparar la respuesta a un examen para llevar a casa, la salida por defecto de la IA se mantuvo en el extremo cuantitativo y multiestructural de la taxonomía SOLO, pulida, lista para entregar y pedagógicamente delgada, y solo alcanzó un bucle de aprendizaje utilizable de tres pasos tras repetidas intervenciones de nivel meta («esto es abrumador, ¿puedes condensarlo?»). Su conclusión es que el uso productivo exigía «las mismas habilidades autorreguladoras que la herramienta debía sostener»: quien aprende debe fijar metas incrementales, solicitar ajustes de dificultad y reflexionar sobre lo que todavía no comprende, además del contenido disciplinar mismo. Dan a esta capacidad el nombre de alfabetización en la interacción con IA y tratan desvincularse de la herramienta como una decisión regulatoria legítima y no como un fallo de persistencia (Metacognición).

• La satisfacción no es autorregulación. Liang et al. (2026) encuestaron a 689 estudiantes de grado en programas de integración industria-educación y probaron un modelo de mediación serial en el que las posibilidades percibidas del contenido generado por IA elevan la autoeficacia frente al AIGC (beta = 0.583) y, a través de ella, la motivación para aprender (beta = 0.565) y el aprendizaje autorregulado (beta = 0.250), con la motivación como el predictor individual más fuerte del AAR (beta = 0.527). Los resultados negativos que sostienen el argumento conviven con esas rutas: la calidad de la retroalimentación de la evaluación con IA predijo fuertemente la satisfacción (beta = 0.712), pero no la autoeficacia (beta = 0.131), y la satisfacción no tuvo un efecto significativo en el aprendizaje autorregulado (beta = 0.032). Un asistente apreciado y que funciona bien no es, por tanto, evidencia de que la regulación haya mejorado: el mecanismo pasa por la confianza y la motivación, no por la experiencia que quien aprende tiene de la herramienta.

La reflexión consciente de la IA generativa como AAR

El modelo de reflexión 5P (Kadel et al. 2026) vuelve a poner la reflexión estructurada en el centro en la era de la IA generativa como una práctica de AAR puesta en acto. Como quien aprende coconstruye cada vez más significado con la IA, los modelos de reflexión tradicionales tienen dificultades para autenticar la reflexión del estudiantado, así que el modelo 5P (Purpose, Process, Product, Pitfalls, Plan) fusiona la fijación de metas impulsada por la previsión, la reflexión en la acción (documentar las indicaciones y las iteraciones), la reflexión sobre la acción (validar la salida probabilística contra fuentes externas), una etapa explícita de riesgos para la alucinación, el plagio y la dependencia excesiva, y un plan prospectivo, e integra la monitorización emocional en todo el proceso. Su filosofía de «el proceso por encima del producto» trata la documentación estructurada de la interacción entre personas y IA como la exigencia regulatoria que preserva la autenticidad, la agencia y la profundidad metacognitiva, y sitúa la reflexión consciente de la IA generativa como un andamiaje de la autorregulación y no como un sustituto de ella.

Relación con el diseño específico de tutoría

La IA específica de tutoría se alinea con un diseño centrado primero en el AAR: ofrece andamiajes graduados que preservan la agencia y exigen una autorregulación estratégica. La IA de propósito general elimina a menudo por completo las exigencias regulatorias.(The Evidence Base on AI in K-12: A 2026 Review)

Por ejemplo:

• El chatbot de tutoría específica de Bastani et al. preservó el razonamiento paso a paso (exigencia de AAR)
• La variante de GPT de propósito general simplemente dio las respuestas (omisión del AAR)

Evidencia en distintos contextos

• Evidencia mixta y la brecha de mala calibración. Una revisión rápida de la investigación sobre IA generativa en PreK-12 encuentra que las ganancias metacognitivas durante tareas asistidas a menudo no persisten cuando se retira el apoyo, y que la IA generativa puede aumentar el aprendizaje percibido incluso cuando el aprendizaje duradero está ausente (la brecha de mala calibración: el estudiantado prefirió la IA generativa a tomar apuntes pese a una retención más débil). El estudiantado necesita formación explícita y adecuada a su etapa para decidir qué delegar y cuándo importa el esfuerzo independiente.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• La tensión entre iniciativa agéntica y autorregulación. Woollaston et al. (2026) señalan que cuanto más automatiza un agente una tarea, menos trabajo cognitivo autorregulado realiza quien aprende, de modo que los diseños deberían dar a quien aprende control sobre la iniciación del agente (andamiaje dinámico y que se desvanece) para preservar su capacidad autorreguladora en lugar de externalizarla.
• La autorregulación da forma al uso de asistentes de IA para programar. Un estudio sobre asistentes de IA para programación encontró que el estudiantado con alto Computational Thinking mostró una coherencia autorreguladora más fuerte (planificación, ejecución y autorreflexión) y usó el AICA para comprender el código, mientras que el estudiantado con bajo pensamiento computacional lo usó para obtener respuestas inmediatas.
• El AAR se da junto con una menor distracción digital en el aprendizaje en línea. Shi et al. (2026), mediante minería de datos no supervisada en 530 estudiantes universitarios, encontraron que las estrategias de AAR (fijación de metas, estructuración del entorno y gestión del tiempo) se daban conjuntamente, y de la forma más consistente, con una menor distracción digital en el aprendizaje en línea, junto con la implicación estudiante-docente y estudiante-contenido. El hallazgo sitúa la formación concreta en AAR como una intervención de alto impacto para el estudio en línea con concentración.

El AAR mediado por LLM: ¿andamiaje, atajo o socio?

Un conjunto de estudios de Learning Letters (2026) converge en una tensión central: la IA generativa puede andamiar, cortocircuitar o acompañar la autorregulación según el diseño y según cómo quien aprende regule su uso. La evidencia apunta al propio AAR, y no a la herramienta, como la variable decisiva.

• Viberg et al. encuentran que los LLM se integran en un ecosistema de Help-Seeking por capas en lugar de sustituir el apoyo humano: el estudiantado intenta las tareas por su cuenta primero, luego consulta ChatGPT como primer paso de bajo coste, a sus pares para negociar conceptos y al profesorado para cuestiones de alta importancia. Prefieren la búsqueda de ayuda instrumental (pistas, orientación paso a paso) a la búsqueda de ayuda ejecutiva (soluciones directas), ejercen una confianza selectiva y verifican las salidas contra los materiales del curso, un proceso de cuatro etapas (decidir si se necesita ayuda, elegir a quién preguntar, determinar el tipo de ayuda y juzgar la ayuda recibida) que puede medirse y enseñarse.
• Atif y Dickson-Deane enmarcan el uso de la IA generativa como descarga cognitiva que puede ser andamiada (quien aprende critica y adapta las salidas de la IA, conservando la agencia y la construcción de sentido) o sustitutiva (quien aprende acepta las salidas con una verificación mínima, desplazando el control a la herramienta). En un estudio con 267 estudiantes de posgrado en tecnología de la información, la misma herramienta podía andamiar o cortocircuitar el AAR según la estrategia de quien aprende: el estudiantado con más confianza mostró agencia al fijar metas y monitorizar; el menos confiado vio en la IA generativa un atajo o una falta de integridad.
• Lim y Bannert muestran el riesgo de forma concreta: el estudiantado usó voluntariamente un chatbot de IA generativa (73%) y obtuvo puntuaciones más altas en sus ensayos, pero externalizó la comprensión y la síntesis (pidiendo al chatbot que «extraiga solo las ideas principales») y apenas realizó planificación ni monitorización, delegando decisiones regulatorias clave. Esto refleja un déficit de producción: el estudiantado posee conocimiento sobre el AAR, pero no lo despliega de forma espontánea, por lo que las herramientas de IA generativa deberían propiciar la reflexión (un andamiaje de monitorización) cuando las consultas indican una externalización.
• Song et al. demuestran que el AAR es a la vez una aptitud estable y un estado dinámico: las líneas base individuales son consistentes, pero el conocimiento metacognitivo y el bienestar disminuyen de forma sistémica a lo largo de un semestre, impulsados por las fechas límite de la evaluación. Muestran que la IA generativa puede actuar como un socio de aprendizaje sensible al contexto cuando recibe datos personales, temporales y contextuales, apoyando al estudiantado sin sustituir su esfuerzo. Esto argumenta en contra de una personalización «única para todos» basada solo en la aptitud de partida.
• de Barba amplía teóricamente el AAR y sostiene que el campo se ha estrechado hacia la regulación centrada en la tarea y hacia indicadores conductuales optimizables en la tecnología educativa. El artículo propone una explicación multiescala de la agencia de quien aprende: la regulación (dentro de las tareas), la integración (a lo largo del tiempo y de los contextos) y el posicionamiento (crítico en relación con las condiciones que enmarcan el aprendizaje), como orientación de diseño para entornos mediados por algoritmos.
• La autorregulación amortigua, pero no anula, el daño de la externalización. Chen (2026) muestra que la escritura autorregulada atenúa, aunque no elimina, la asociación negativa entre la descarga cognitiva profunda y los resultados independientes sin IA en la escritura asistida por IA generativa: la interacción entre la descarga y el AAR fue positiva (B = 0.22), lo que aplana el daño de una pendiente de −0.54 (AAR bajo) a −0.33 (AAR alto), pero no lo anula. Una condición de apoyo acotado que combinaba límites de delegación con reflexión obligatoria produjo el mejor rendimiento independiente, evidencia de que la regulación metacognitiva protege parcialmente a quien aprende, pero no puede compensar por completo la delegación del trabajo cognitivo en sí.

La lección colectiva: el AAR es el mecanismo central que distingue el uso crítico del uso acrítico de la IA. Que la IA generativa funcione como andamiaje, atajo o socio depende de la capacidad regulatoria de quien aprende y de si las herramientas están diseñadas para preservar (y no eliminar) las exigencias regulatorias que construyen la pericia.

Implicaciones

• Para las herramientas de diario y de chatbot: combine la instrucción sobre AAR (basada en un curso) con apoyo opcional a la escritura para obtener ganancias tanto de motivación como de implicación
• Para la política sobre IA: los criterios de adquisición deberían preguntar si una herramienta desarrolla o desplaza la autorregulación
• Para quienes investigan: son esenciales los estudios a largo plazo que midan resultados de AAR (y no solo el rendimiento inmediato)

Agentes conversacionales y AAR en juegos de simulación

• Agentes conversacionales que apoyan el aprendizaje autorregulado en juegos. Wenzel, Geiger y Liening (2026) muestran que un agente conversacional de IA (Lara) en un juego de simulación de empresa puede apoyar el aprendizaje autorregulado mediante retroalimentación formativa basada en métricas, orientación a demanda y reflexión estructurada, lo que aborda la limitación habitual de que los juegos de simulación ofrecen una retroalimentación formativa y unas indicaciones de reflexión limitadas. Las evaluaciones con profesorado en formación y participantes del BSG informaron de percepciones positivas de la presencia cognitiva y social del agente y de su apoyo a la autorregulación.

Conceptos conectados

• Learners — El estudiantado: el paraguas de los conceptos del lado de quien aprende
• Metacognición — la monitorización cognitiva en la que se apoya el AAR
• Self-Assessment
• Self-Efficacy — una creencia de la fase de previsión que impulsa el esfuerzo
• Andamiaje — apoyo graduado que preserva la exigencia regulatoria
• Retroalimentación — la información en torno a la cual regula quien aprende
• Feedback Literacy — la capacidad de actuar a partir de la retroalimentación
• Help-Seeking — una conducta estratégica del AAR
• Motivation — el socio recíproco de la autorregulación
• Descarga cognitiva — el riesgo cuando la IA elimina el trabajo regulatorio
• IA generativa — la tecnología que puede andamiar o cortocircuitar el AAR
• Alfabetización en IA — competencia regulatoria en el uso de la IA
• Self-Directed Learning — el constructo más amplio de autonomía
• Agencia de quien aprende — la capacidad de quien aprende para actuar con intención, central en la regulación, la integración y el posicionamiento
• Adaptive Learning — personalización que puede sostener la regulación
• Evaluación formativa — retroalimentación continua para la regulación
• Learning by Teaching — una estrategia que construye autorregulación
• Tutoría inteligente — sistemas que andamian el AAR
• Grandes modelos de lenguaje (LLM) — el modelo subyacente de las herramientas de IA
• Retrieval, Spacing and Interleaving — planificación, autoevaluación y elecciones de estrategia de estudio que hace quien aprende
• Cognitive Surrender

Artículos conectados

• Distinguishing performance gains from learning when using generative AI — externalizar la planificación, la monitorización y la evaluación cortocircuita el bucle del AAR (Yan et al. 2025)
• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC Affordance and Student Self-Regulation
• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Alfabetización en la interacción con IA: dirigir un chatbot exigía el AAR que debía sostener (Brunnström y Palmqvist 2026)
• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — El modelo de reflexión 5P para la era de la IA generativa (Kadel et al. 2026)
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — La descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education
• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — La agencia de quien aprende a través de escalas: regulación, integración y posicionamiento
• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — La IA generativa como socio de aprendizaje sensible al contexto a lo largo del tiempo
• How Do Students Regulate Their Learning With a GenAI Chatbot? — Cómo regula el estudiantado su aprendizaje con un chatbot de IA generativa
• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — ¿Andamiaje o atajo? El doble papel de la IA generativa en el AAR
• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — La búsqueda de ayuda mediada por LLM en STEM: por capas, instrumental y verificada
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning
• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Retroalimentación con IA generativa y AAR: importa la fuente percibida
• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — De la ansiedad ante la IA a la regulación estratégica
• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — El marco IDEA para el uso de la IA generativa regulado metacognitivamente
• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol — AAR con un acompañante de clase bilingüe basado en LLM
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — La rendición cognitiva como pérdida del aprendizaje autorregulado
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Evidencia mixta sobre metacognición y autorregulación con IA generativa
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — La IA agéntica y la tensión de la autorregulación
• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — La IA como socio cognitivo en el aprendizaje corregulado
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Hacer la IA molesta a propósito: la restricción en la escritura asistida por IA (Konradt, Boote y Taub 2026)
• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — La motivación del estudiantado y la satisfacción de necesidades en aulas con IA generativa (Schweder, Hagenauer y Raufelder 2026)
• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — El AAR y una menor distracción digital en el aprendizaje en línea (Shi et al. 2026)
• Designing Conversational Agents for Adaptive Instructional Support in Business Simulation Gaming — El marco CAIS-GBL para agentes conversacionales de IA en juegos de simulación de empresa (Wenzel et al. 2026)
• Making machine learning findings accessible to teachers in blended classrooms — Hacer accesibles al profesorado los hallazgos del aprendizaje automático en aulas semipresenciales
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: un bucle orientado a quien aprende para identificar la tarea, justificarla y reflexionar después
• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI
• 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