Normas sociales del uso de la IA

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

Las normas sociales del uso de la IA: las reglas informales, aplicadas localmente, que deciden cuándo pueden usar IA generativa quienes aprenden y quienes enseñan, con cuánta franqueza pueden reconocerlo y qué cuenta como trampa en la práctica y no en la política. El corpus es escaso en las normas como tema y abundante en los mecanismos que las producen. Quienes aprenden no pueden inferir de forma fiable el uso de IA de los demás: la correlación mediana entre las estimaciones de un observador y su propio perfil de uso autodeclarado fue r = 0,73 en ambas oleadas, y la precisión de rango para el tipo de uso de IA fue r = 0,34 en la segunda oleada. La vergüenza y la culpa regulan la visibilidad y no el uso, lo que produce ocultamiento y declaración selectiva en lugar de cambio de conducta. Las normas disciplinares divergen marcadamente: las tareas integradas con IA aparecían en el 27% de los programas de asignatura de empresariales y en el 5% de los de humanidades en 31.000 cursos. Y la literatura formal sobre ética hace llegar al usuario final las normas menos numerosas y menos accionables, lo que significa que las personas sujetas a las normas del aula están en gran medida ausentes de los documentos que hablan de ellas.

Preguntas para reflexionar

• Si el estudiantado no puede saber quién usa IA, ¿en qué se basan realmente las reglas informales?
• ¿De dónde salen las normas sobre IA cuando una institución no tiene política, o cuando la política contradice lo que dice el profesorado en clase?
• ¿Por qué un estudiante que nunca ha usado IA informaría de más culpa al respecto que uno que la usa semanalmente?
• ¿Qué consigue la vergüenza que no consigue una política, y a qué coste para la petición de ayuda?
• ¿Cambia la vigilancia la conducta, o solo la visibilidad de esa conducta?
• ¿Las normas de quién dominan en un trabajo en grupo, y quién absorbe el coste de los hábitos compartidos de IA del grupo?
• ¿Debería el estudiantado participar en redactar las normas a las que se le somete?

Introducción

La regulación formal de la IA en la educación llega como política: declaraciones de uso aceptable, cláusulas en los programas de asignatura, procedimientos de detección, sistemas de supervisión de exámenes, códigos de honor. Sin embargo, todo lo que el estudiantado vive realmente está por debajo de esa capa. Un compañero de clase que nunca menciona que usa ChatGPT, un docente que dice «me da igual cómo lo escribas» y luego lo prohíbe en el programa de asignatura, un grupo de estudio que ha acordado en silencio qué es justo, un departamento donde todo el mundo da por hecho que la curva de calificaciones ya ha cambiado. Estas son normas: expectativas compartidas sobre la conducta aceptable, aplicadas mediante la aprobación, la desaprobación y el riesgo de ser visto.

Esta página reúne lo que la base de evidencia dice sobre esa capa. Conviene separar con cuidado, porque «currículo oculto» se usa a menudo de forma laxa para referirse a cualquier cosa no oficial. Aquí el tema es más estrecho: las reglas operativas sobre el uso de la IA, cómo se forman, cómo se aplican y qué débil es la conexión entre ellas y las reglas escritas. El corpus casi no tiene estudios que midan las normas directamente, lo que es en sí mismo un hallazgo. Lo que tiene es evidencia repetida sobre los mecanismos: la inferencia, la declaración, la emoción y la variación disciplinar que determina en qué puede convertirse cualquier norma local.

Lo que el estudiantado cree unos de otros

Las normas requieren información sobre la conducta ajena, y esa información es peor de lo que suponen la mayoría de los docentes. Un estudio con parejas de estudiantes siguió con qué precisión juzgaba el estudiantado el uso de IA de su pareja a lo largo de sesiones de programación en parejas. Frente al perfil de uso autodeclarado de cada pareja, la correlación mediana fue r = 0,73 en ambas oleadas, lo bastante alta para parecer conocimiento y lo bastante baja para que muchas estimaciones individuales fueran erróneas. La precisión de rango para el tipo de uso de IA fue r = 0,34 en la segunda oleada, y el 25% de los equipos empeoró al juzgar a sus compañeros con el tiempo.

Dos detalles importan para las normas. Primero, el desajuste no se redujo con el trabajo repetido cara a cara. La familiaridad no produjo precisión, lo que socava el supuesto de que las normas se estabilizan a medida que los grupos se conocen. Segundo, la solución propuesta por los autores era estructural y no actitudinal: historiales de prompts compartidos, anotaciones de uso de IA o registros visibles para los pares del trabajo asistido por IA. Hacer visible el uso de la IA es un proyecto distinto de hacer que el estudiantado sea más honesto o más perceptivo al respecto, y solo el primero tiene evidencia que lo respalde.

Visibilidad, vergüenza y declaración selectiva

Si los pares no pueden ver con precisión el uso de IA, entonces las reglas que se desarrollan en torno a él se aplican en gran medida mediante el riesgo social. Un estudio de entrevistas con 19 estudiantes de informática examinó la vergüenza y la culpa como reguladores sociales y encontró que gobiernan la declaración y no el uso. El estudiantado describió conductas de ocultamiento y declaración selectiva, e informó de que se avergonzaba a sí mismo, a sus pares y a su profesorado. El resultado negativo importante es que estas emociones convivían con el uso continuado de la IA, generando ciclos de menor agencia y tensión moral en lugar de llevar a nadie a dejarlo.

Ese patrón reubica la norma de «usar o no usar» a «admitir o no admitir». Un aula puede tener una norma anti-IA fuerte sobre el papel, un uso generalizado en la práctica y un equilibrio de silencio en medio, sin que nadie se confunda sobre lo que dice la regla. También predice dónde recae el coste: en quienes aprenden y son menos capaces de gestionar el riesgo social, y en quienes aprenden cuyo uso visible conlleva consecuencias distintas.

El lado docente de la misma emoción es medible. Una encuesta al profesorado que usó un Índice de Culpa por IA de cuatro ítems (alfa de Cronbach = 0,88) encontró una culpa anticipatoria superior al remordimiento experimentado: la puntuación media del índice fue 2,39 (DE = 1,01), con el 22,9% de los participantes por encima del punto medio. Quienes no usaban IA informaron de más culpa (M = 3,25, DE = 1,04, n = 8) que quienes la usaban (n = 101, M = 2,32, DE = 0,97), t(8,39) = 2,00, p = 0,078, y el ítem de remordimiento separó a los grupos con más nitidez, t(7,79) = 2,44, p = 0,041. El análisis de conglomerados produjo cuatro perfiles: adoptantes cómodos (26,6%), no usuarios con culpa (29,4%), usuarios cautelosos (28,4%) y evitadores con malestar moral (15,6%), con diferencias confirmadas en culpa, F(3, 105) = 22,13, p < 0,001, eta cuadrado = 0,39.

Una norma que hace que se sientan culpables quienes no han actuado está funcionando por anticipación. Ese es un mecanismo regulador real, y es invisible para cualquier auditoría de políticas que solo mire lo que hacen el profesorado y el estudiantado.

El reglamento local: disciplinas y aulas

Las normas son locales, y la evidencia sobre hasta qué punto lo son resulta inusualmente concreta. Un análisis de 31.000 programas de asignatura encontró que las tareas integradas con IA iban del 27% en empresariales al 5% en humanidades. El rango no es una brecha en el cumplimiento de la política; refleja juicios disciplinares distintos sobre qué es el trabajo, qué práctica vale la pena y qué habilidades debe certificar una titulación. La recomendación de los autores se deriva de ello: dar autonomía al profesorado dentro de las normas disciplinares en lugar de emitir mandatos uniformes, porque el mandato tendría que escribirse para un promedio que no existe.

La capa del aula también puede contradecir la capa del documento en un mismo curso. Entrevistas con estudiantes de marketing encontraron que las normas de los pares y el «no quedarse atrás» impulsaban la adopción, con el boca a boca descrito como la mayor promoción que tiene la IA, sostenido por el miedo a quedarse atrás. El mismo estudio registró una contradicción que el profesorado reconocerá: algunas clases exigían IA mientras el programa de asignatura la prohibía, y el ánimo del docente en clase no siempre sobrevivía en la política escrita. Cuando ambas discrepan, el estudiantado trata la norma hablada como la operativa y el programa de asignatura como un riesgo que hay que gestionar.

El trabajo en grupo es donde las normas informales hacen más trabajo, porque la unidad que se califica es colectiva. Un estudio con 52 futuros docentes en 15 grupos focales identificó patrones distintos en lugar de una única línea de entusiasmo a evitación, con grupos negociando qué contaba como asistencia legítima en ausencia de una regla compartida. Cualquier estudiante que haya visto a un grupo acordar en silencio el uso de IA de uno de sus miembros ha visto escribirse una norma en tiempo real, sin proceso de política y normalmente sin registro.

Ética formal, normas vividas

La literatura profesional sobre ética de la IA y la norma de aula a la que se supone que debe llegar se están distanciando, y la brecha está documentada. Una revisión sistemática de valores y normas éticos extrajo normas de 15 artículos y las mapeó sobre cuatro conjuntos de partes interesadas de Smuha (2022). Quienes desarrollan recibieron la mayoría de las normas, seguidos de las instituciones educativas y los reguladores. Los usuarios finales recibieron las menos y las menos accionables, sin ninguna norma dirigida directamente al estudiantado sobre no discriminación, custodia de datos o idoneidad educativa, y con las voces del estudiantado esencialmente ausentes del material.

El resultado es una literatura que especifica obligaciones para quienes construyen y adquieren IA, y deja a quienes conviven con ella en el aula que elaboren sus propias reglas. Esa es una explicación plausible de por qué las normas que describe el estudiantado, como en el estudio sobre vergüenza y culpa, tratan tan a menudo de visibilidad y reputación y no de los valores que nombran los documentos éticos. Los dos sistemas regulan cosas distintas.

Por qué la vigilancia no zanja las normas

Cuando las instituciones intentan sustituir las normas informales por una monitorización formal, la evidencia es consistente y poco halagüeña. Un estudio de cuatro oleadas con 1.760 estudiantes de 105 cursos encontró que la supervisión en línea aumentaba significativamente la ansiedad ante los exámenes y no tenía ningún efecto sobre la tentación de hacer trampas. Tampoco cambió la dificultad percibida ni el rendimiento en el examen. El coste en ansiedad se concentró entre estudiantes ya vulnerables, incluidos quienes tenían entornos familiares más débiles y tecnología menos fiable.

Dos estudios más explican por qué la vigilancia es una mala herramienta para fijar normas. Una revisión de alcance sobre la supervisión remota encontró que la monitorización se percibía ampliamente como disuasoria de la mala conducta, pero el profesorado sudafricano informó de deshonestidad continuada pese a una monitorización activa, una situación que Khalil et al. (2022) llaman «ética subterránea», y las alertas menores frecuentes generaban falsos positivos y trabajo de revisión para el profesorado. La vigilancia compra el cumplimiento mediante el miedo a ser detectado y no mediante el compromiso con un estándar compartido. Un modelo de la evaluación bajo información imperfecta afina el mecanismo: la disuasión depende de la capacidad de un detector para discriminar entre uso oculto y trabajo legítimo, y no de su tasa de aciertos, y cuando los falsos positivos crecen más rápido que los verdaderos positivos, el estudiantado se desvincula del sistema en lugar de cumplirlo. Su resultado adicional es el que afecta directamente a las normas: la monitorización reduce el atractivo del uso oculto, pero no aumenta la declaración. El estudiantado se mueve hacia la franqueza solo cuando declarar es más seguro o más valioso que ocultar, y una prohibición puede hacer que ocultar resulte más atractivo que cumplir.

El argumento de la justicia procesal extrae la conclusión: como el uso de IA experto o ligeramente editado es indetectable en el caso general, un procedimiento de mala conducta construido sobre la detección produce injusticia sin eficacia, y la respuesta es una mejor evaluación, no una mejor vigilancia.

Qué significa esto para la práctica

• Hacer visible el uso en lugar de inferirlo. El estudiantado no puede juzgarse con precisión unos a otros, y la colaboración repetida no lo arregla. Registros compartidos y ligeros del trabajo asistido por IA, anotaciones o historiales de prompts dan al grupo algo factual sobre lo que razonar.
• Contar con que la norma hablada vencerá a la escrita. Si lo que se dice en clase contradice el programa de asignatura, el estudiantado seguirá el aula. La alineación entre ambas vale más que una cláusula más estricta.
• Tratar la declaración como un problema de diseño, no como un problema de virtud. La declaración se vuelve probable cuando informar es más seguro o más valioso que ocultar. Eso significa hacer legible el uso declarado en la propia evaluación, en lugar de pedir honestidad como rasgo de carácter.
• Respetar la variación disciplinar. Una horquilla del 27% al 5% entre departamentos no es una inconsistencia que haya que normalizar, son juicios distintos sobre qué certifica la titulación. Los mandatos de alcance institucional tienden a escribirse para una disciplina que no existe.
• No recurrir a la monitorización para fijar normas. La supervisión aumentó la ansiedad sin cambiar la tentación de hacer trampas en el estudio más sólido disponible, y concentra ese coste en el estudiantado menos favorecido.
• Preguntar quién falta en la norma. La literatura ética asigna al estudiantado casi ninguna obligación y tiene poco en cuenta su juicio, mientras que el aula le asigna muchas y las aplica socialmente. Cerrar esa brecha es una cuestión de currículo, no de cumplimiento.

Conceptos conectados

• Integridad académica — el reglamento formal junto al que crecen estas normas
• Declaraciones de uso y divulgación de la IA — la práctica que las normas regulan más directamente
• Enmarcar el uso de la IA para el estudiantado — cómo un aula declara sus expectativas
• Reducir el mal uso de la IA — la contraparte instruccional del establecimiento de normas
• Identidad de quien aprende — quién se considera que es quien aprende cuando el uso de IA se vuelve visible
• Detección de IA — la respuesta técnica que en su mayoría fracasa
• Supervisión remota de exámenes — la vigilancia como sustituto intentado de las normas
• Confianza — aquello de lo que dependen tanto las normas como la declaración
• Equidad — quién absorbe el coste social
• Búsqueda de ayuda — la conducta que la vergüenza suprime primero
• Trabajo en grupo — donde se negocian las normas de grupo
• Experiencia del estudiantado — el lado vivido de todo esto
• Ansiedad y estrés — el residuo afectivo
• Gobernanza de la IA — la capa formal bajo la que se sitúan estas normas
• Ética — la literatura que menos tiene que decir al estudiantado

Artículos conectados

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — La precisión con que el estudiantado percibe el uso de IA de sus parejas y su relación con el rendimiento colaborativo
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — La vergüenza y la culpa como reguladores sociales del uso de la IA en la enseñanza de la informática
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Cómo regula el profesorado la IA en la universidad: evidencia de 31.000 programas de asignatura
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — El complejo de culpa por IA: emociones morales y dilemas éticos en la adopción de tecnología académica
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Identificar los valores y las normas éticas de la inteligencia artificial en la educación
• The fear of Big Brother: The potential negative side-effects of proctored exams — El miedo al Gran Hermano: los posibles efectos secundarios negativos de los exámenes supervisados
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Bajo vigilancia: mapear las prácticas de supervisión remota en la evaluación de enfermería
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Diseño de la evaluación bajo información imperfecta: IA generativa, declaración y respuesta del estudiantado
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Detectar lo indetectable: los procedimientos de mala conducta después de la IA generativa
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — ¿Hacer trampas o competir? La IA en la educación en marketing
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — La agencia en la evaluación en grupo asistida por IA generativa