Simulación

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

Simulación: el uso de entornos, agentes o escenarios modelados para apoyar el aprendizaje mediante la práctica y la retroalimentación en contextos que son seguros, repetibles y a menudo inaccesibles por otras vías. Las simulaciones permiten a quien aprende actuar, cometer errores y ver las consecuencias sin coste en el mundo real, y cada vez están más impulsadas por la IA y el modelado basado en agentes.

Preguntas para reflexionar

• Recuerde una ocasión en que aprendió algo haciéndolo en un entorno seguro y de bajo riesgo: un laboratorio, un ejercicio simulado, un simulador de vuelo o de juego. ¿Qué hizo eficaz esa práctica, y qué podría perderse si la simulación fuera demasiado realista o no lo bastante realista?
• La página sostiene que las simulaciones permiten a quien aprende cometer errores y ver las consecuencias «sin coste en el mundo real». ¿Qué cree que se gana y qué podría perderse cuando el coste de un error baja hasta casi cero?
• Si una IA puede simular pacientes, estudiantes o interlocutores para practicar, ¿dónde trazaría la línea entre un ensayo valioso y una práctica que no se transfiere a la interacción humana real?
• ¿Por qué la conciencia de quien aprende sobre los límites de una simulación —su fiabilidad— podría importar tanto como la fidelidad con que modela la realidad?
• ¿Cómo podría la misma tecnología de simulación que ayuda a alguien a aprender también inducirle a error, y qué necesitaría saber para distinguir esos dos desenlaces?

Introducción

La simulación ocupa el núcleo de las pedagogías experienciales y de aprendizaje activo. Aporta la práctica deliberada, el fallo productivo y los bucles de retroalimentación que construyen habilidad y criterio. La IA ha transformado la simulación de dos maneras: impulsa entornos simulados más realistas y adaptativos, y genera estudiantado simulado, pacientes o interlocutores que hacen escalable la práctica. La evidencia conductual muestra que cómo se implica quien aprende con una simulación varía de forma sistemática y no uniforme: al trazar el trabajo de estudiantes en línea que construían modelos ecológicos en VERA, An, Hammock y Goel (2025) clasificaron la implicación en Observación (ejecuciones frecuentes y ajuste de parámetros con poca construcción de modelos), Construcción (construcción práctica con poca simulación) y Exploración (ciclos completos de construir–parametrizar–simular), con quienes exploran produciendo los modelos más complejos y diversos y quienes se centran en observar copiando en gran medida los existentes, un argumento para diseñar entornos de simulación que empujen a quien aprende hacia la actividad de ciclo completo.

La IA y la simulación

• Entornos impulsados por IA: las simulaciones adaptativas ajustan la dificultad y los escenarios al estado de quien aprende, lo que enlaza con el aprendizaje adaptativo y con el entrenamiento basado en el aprendizaje por refuerzo.

• Agentes simulados: la IA puede simular pacientes (para la formación médica), estudiantes (para la práctica de docencia) o interlocutores, lo que hace accesible y repetible la práctica interpersonal de alto riesgo. En la formación del profesorado, Zhuang y Zhang (2025) construyeron Student GPT, un chatbot personalizado de ChatGPT que interpretaba el papel de un estudiante de secundaria con concepciones erróneas habituales sobre el razonamiento de proporciones, y que daba al profesorado de matemática en formación una práctica asequible y específica del contenido para diagnosticar el pensamiento del estudiantado; además usaron un marco de codificación Afectivo, Comunicativo y Técnico (ACT) de computación afectiva para evaluar sistemáticamente los puntos fuertes de la interpretación del estudiante simulado (claridad, relevancia, coherencia de los errores) y sus debilidades de autenticidad (tono propio de docente, confusión de rol).

• La interpretación de roles pone a quien aprende en el papel. Donde los agentes simulados aportan la contraparte, la interpretación de roles da ese papel a quien aprende. Sanoubari y sus colegas (2026) hicieron que 18 niños de 9 a 10 años observaran una escena de acoso representada por robots sociales, razonaran sobre la posición de cada personaje y luego ensayaran la defensa manejando un avatar robótico, y comunicaron ganancias en la autoeficacia percibida para defender y creencias mejor calibradas sobre si enfrentarse a quien acosa realmente lo detiene. Su enfoque, el drama aplicado mediado por robots, mantiene a una persona facilitadora en el papel del Teatro Foro y limita la automatización al control narrativo, un recordatorio útil de que la parte exigente de la interpretación de roles es la reflexión y no la maquinaria. Lock, Arteaga y Johnson (2025) sitúan la interpretación de roles junto a la simulación entre las estrategias de las que se sirve el aprendizaje en línea apoyado por IA.

• Estudiantado simulado: los modelos de comportamiento del estudiantado permiten a investigadores y diseñadores probar sistemas de tutoría y currículo antes del despliegue real, y fundamentan el modelado del estudiantado y el seguimiento del conocimiento.

• Confianza y fidelidad: el valor de una simulación depende de la fidelidad con que modela el contexto real, y de la conciencia de quien aprende sobre sus límites, lo que conecta con la calibración de la confianza.

• La IA generativa en el aprendizaje basado en simulación. Neto y sus colegas (2026) revisan sistemáticamente la IA generativa en el aprendizaje basado en escenarios, casos, problemas y simulación en la educación sanitaria, y encuentran resultados positivos en habilidades cognitivas de orden superior pero resultados inconsistentes en lo demás, con la colaboración híbrida entre personas y IA superando a los enfoques totalmente automatizados. Wenzel, Geiger y Liening (2026) desarrollan agentes conversacionales de IA para el apoyo adaptativo en juegos de simulación empresarial, y abordan la carencia habitual de retroalimentación formativa y de reflexión estructurada en el aprendizaje basado en simulación.

• La «brecha de autenticidad» acota lo que la simulación con IA puede sustituir. En la simulación clínica, la revisión sistemática de métodos mixtos de Jiang et al. (2026) sobre simulación de enfermería impulsada por IA (19 estudios, N = 1.253) encuentra que la IA es eficaz para el conocimiento cognitivo y los resultados afectivos, pero inconsistente para las habilidades psicomotoras complejas. Su concepto de brecha de autenticidad —una carencia percibida por quien aprende en resonancia emocional, reconocimiento de señales no verbales y dimensiones táctiles o de exploración física— explica por qué la simulación con IA es mejor para objetivos muy estructurados (comunicación básica, anamnesis) y por qué debería situarse en un continuo escalonado de simulación que entregue los escenarios psicomotores avanzados y emocionalmente complejos a pacientes estandarizados humanos y a la práctica clínica. La inestabilidad técnica (por ejemplo, los retrasos del reconocimiento de voz) también puede añadir carga cognitiva superflua y ansiedad, así que la fidelidad y la estabilidad son en sí mismas palancas de diseño. Esto es paralelo al hallazgo de Neto et al. de que los enfoques híbridos entre personas y IA superan a los totalmente automatizados.

• Simulaciones codiseñadas por profesorado e IA. Las simulaciones interactivas que apoyan a la vez el aprendizaje conceptual y el desarrollo de competencias son escasas en los ámbitos prácticos, y la producción de la IA generativa a menudo carece de validez pedagógica. En la educación STEM con drones, se evaluaron simulaciones codiseñadas por profesorado e IA, integradas en un currículo práctico por lo demás idéntico, con un diseño cuasiexperimental de pretest y postest en 30 estudiantes de secundaria, para examinar si la instrucción apoyada por simulación produce mejores resultados de aprendizaje (From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies). Por separado, las referencias de tutoría multiagente como ASTRA usan agentes simulados socialmente inteligentes para estudiar la colaboración con participación equilibrada en la programación introductoria (ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring).

• El control de quien aprende en la simulación se ejerce, no se concede. Un experimento 2 × 2 en una simulación de bandadas (Su, Nair y Nagashima 2026) dio a algunos estudiantes controles deslizantes de parámetros, a otros un agente conversacional opcional y a otros ambos; todas las condiciones mejoraron, pero ninguna de las dos prestaciones produjo una diferencia fiable una vez controlado el conocimiento previo (p = 0,849 y p = 0,108). Lo que predijo las ganancias fue dónde y durante cuánto tiempo manipulaba el estudiantado los parámetros: el uso sostenido de los controles en la lección conceptualmente más compleja se asoció positivamente con las ganancias, y el mismo comportamiento en la lección más fácil, negativamente. Para quienes construyen simulaciones, la implicación es que ofrecer controles no es la intervención: lo es ayudar a quien aprende a decidir qué cambiar y a registrar qué cambió.

Conexiones

La simulación se conecta con el aprendizaje activo, el aprendizaje adaptativo y el agente pedagógico. Es un mecanismo para el aprendizaje experiencial y constructivista y se amplifica por la capacidad de la IA de generar entornos de práctica adaptativos y realistas.

Conceptos conectados

• Aprendizaje activo
• Aprendizaje adaptativo
• Agente pedagógico
• Aprendizaje por refuerzo
• Modelado del estudiantado e instrucción adaptativa
• Constructivismo
• Calibración de la confianza
• Aprendizaje en el lugar de trabajo
• Educación química — Educación en química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
• Educación en biología — Educación en biología e IA: asistentes de laboratorio, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas
• Tecnologías — Marco general: tecnologías y técnicas de IA (modelos, entrenamiento de LLM, robótica, RAG, IA agéntica)
• Realidad virtual y aumentada — el modelo, no la modalidad: los entornos inmersivos normalmente representan una simulación

Artículos conectados

• Exploring learner agency in an AI-supported simulation environment for complex systems education — Control de parámetros y un agente de IA opcional en una simulación de sistemas complejos: las ganancias siguieron a la ejecución, no al acceso
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab
• Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study
• Transforming Nursing Education with Artificial Intelligence: A Systematic Review (2010–2025) — IA en la educación en enfermería: revisión sistemática (simulación, evaluación)
• The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist — Pacientes virtuales adaptativos para la formación en psicoterapia
• AI-Enabled Serious Games: Integrating Intelligence and Adaptivity in Training Systems — Juegos serios habilitados por IA
• ANVIL: Analogies and Videos for Lecturers — ANVIL: analogías y vídeos para el profesorado
• ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots — ASTRA: simulador de formación para controladores de tránsito aéreo
• SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: aprendizaje exploratorio visual
• MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEASY: pacientes estandarizados con IA
• Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game — Juego de interpretación de roles mediado por robots para la intervención de testigos (drama aplicado)
• Agentic AI-driven Immersive Simulation: A Knowledge-Aware Virtual Training Platform for High Dose Rate (HDR) Brachytherapy
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments
• Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives
• Artificial Intelligence in Science and Chemistry Education: A Systematic Review — Revisión sistemática de la IA en la educación científica y química
• Using Context-Based and AI-Enhanced Approaches to Improve Student Engagement and Achievement in Secondary Chemistry Education — Instrucción 7E contextualizada con IA en química de secundaria
• ChatGPT as a Virtual Laboratory Teaching Assistant in Undergraduate Biology — ChatGPT como asistente virtual de laboratorio en biología
• EducaSim: Interactive Simulacra for CS1 Instructional Practice — EducaSim: sección simulada de grupo pequeño para la práctica docente
• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — Revisión sistemática de la IA generativa en la educación sanitaria basada en escenarios (Neto et al. 2026)
• Designing Conversational Agents for Adaptive Instructional Support in Business Simulation Gaming — Marco CAIS-GBL para agentes conversacionales de IA en juegos de simulación empresarial (Wenzel et al. 2026)
• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — Agentes LLM ajustados y específicos de cada participante que reproducen diálogos de resolución colaborativa de problemas (Fang 2026)
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Referencia sintética ASTRA para tutoría multiagente y colaboración con participación equilibrada
• From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies — Aprendizaje con drones apoyado por simulación y andamiajes codiseñados por profesorado e IA
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulación impulsada por IA en enfermería: revisión sistemática de métodos mixtos (brecha de autenticidad, continuo escalonado)
• Scalable AI-based clinical communication training and automated assessment — Formación escalable en comunicación clínica con IA y evaluación automatizada
• From Memorization to Experiential Learning: Reconfiguring Classroom Pedagogy in Management Education through Generative AI — una simulación empresarial dinámica en la que el modelo genera eventos disruptivos en medio de la decisión