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.

Educación STEM — la educación en ciencia, tecnología, ingeniería y matemáticas es el dominio más común de la investigación sobre la IA en la educación. El conocimiento estructurado de STEM, sus respuestas claras de correcto/incorrecto y su naturaleza computacional lo convierten en un banco de pruebas ideal para la tutoría con IA y la evaluación.

Preguntas para reflexionar

  • STEM es el dominio más común de la investigación sobre IA en educación porque su conocimiento está estructurado y tiene respuestas claras de correcto/incorrecto. ¿Cree que eso hace de STEM el lugar más fácil para enseñar con IA, o quizá el lugar donde los límites de la IA se enmascaran con más facilidad?
  • La adopción de la IA en las escuelas está «estratificada por disciplina»: normalizada en informática, muy prohibida en matemáticas. ¿Por qué cree que la cultura de la asignatura moldea tan intensamente la aceptación de la IA, y cuáles son las consecuencias para el estudiantado?
  • Si un estudiante de matemáticas usa la IA sobre todo para comprobar soluciones y obtener explicaciones, ¿es un andamiaje o una muleta? ¿Qué determina la diferencia y dónde pondría la línea?
  • Dado que los problemas de STEM suelen tener respuestas verificables, ¿qué tipos de uso de la IA en STEM cree que construyen de verdad comprensión y cuáles solo producen resultados que parecen correctos?
  • ¿Cómo podrían precisamente las cualidades que hacen de STEM un dominio ideal para la tutoría con IA —respuestas claras, corrección computable— infravalorar las partes de la ciencia y la ingeniería que son desordenadas, abiertas y basadas en el juicio?

Introducción

STEM como dominio principal de la AIED

  • Matemáticas: la investigación sobre educación matemática abarca el impacto de la IA generativa en el aprendizaje de las matemáticas, la tutoría de fracciones en primaria y la agrupación por competencia.
  • La evidencia de los ITS en matemáticas es acotada y condicional. Una revisión narrativa estructurada de 20 publicaciones (2020–abril de 2026) encontró la ventaja medida más clara en la Retroalimentación diagnóstica en tiempo real superpuesta al mismo sistema adaptativo, pero concluyó que la tutoría inteligente apoya el aprendizaje de las matemáticas solo cuando se combinan un modelado de quien aprende válido, un andamiaje calibrado y la mediación del profesorado, y que la escalabilidad es técnica y no educativa (Ogunsakin et al. (2026)).
  • Física: la educación en física incluye estudios de tipología de ChatGPT, chatbots socráticos de física y análisis del sesgo de puntuación.
  • Informática: la educación en informática es el subcampo de STEM más investigado: revisión de código, herramientas de depuración y estudios sobre prompts.
  • Ingeniería: los andamiajes de ingeniería, las demostraciones de mecánica y el equilibrio curricular llevan la IA a la educación en ingeniería.
  • Andamiar la investigación de grado: An y sus colegas (2026) pilotan un sistema de IA que convierte publicaciones de investigación en conjuntos de datos estructurados y comparables para la realización de trabajos de fin de grado en cuatro facultades de STEM. Los resultados (20 estudiantes, 80 documentos) mostraron una extracción de parámetros experimentales superior al 90%, una reducción de ~65% del tiempo de revisión de literatura y un aumento del 50% en la capacidad del estudiantado para identificar variables experimentales influyentes, evidencia de cómo la investigación de grado andamiada con IA puede reforzar la alfabetización investigadora y la cognición epistémica en la educación STEM.
  • Instrucción apoyada en simulación: en la educación STEM basada en drones, se evaluaron andamiajes de simulación codiseñados por docentes e IA frente a un currículo práctico idéntico con 30 estudiantes de secundaria, para comprobar si la instrucción apoyada en simulación produce mejores resultados de aprendizaje. El papel de la IA generativa era acelerar la creación de contenidos, mientras que la participación docente preservaba la validez pedagógica y la relevancia contextual.
  • Los resultados favorecieron al grupo con andamiaje. El grupo de simulación superó al grupo práctico en conocimiento STEM alineado con el currículo (M = 3,00 frente a 2,06; t(28) = 2,23, p = 0,034, d = 0,82) y en competencias del siglo XXI (d = 1,52) (Yeung et al. (2026)).
  • Los gemelos digitales en STEM: los prototipos van por delante del aprendizaje medido. Una revisión PRISMA de 11 estudios de educación superior encontró que todos demostraban un prototipo funcional sincronizado con hardware, pero solo tres (27,3%) informaron mejoras de aprendizaje estadísticamente significativas, con la complejidad del desarrollo y la menor interacción social como barreras recurrentes (Pelayo-González et al., 2026).
  • Planificación asistida por IA en la educación artística STEAM: un estudio experimental con docentes de artes STEAM de educación infantil (Luo y Tahir, 2025) encontró que los planes de clase asistidos por ChatGPT superaron a los generados por el profesorado en calidad valorada por expertos (mediana 20,5 frente a 17,6, p = 0,002, efecto grande, seis profesores evaluadores), y el profesorado informó de mejoras en eficiencia e integración interdisciplinar (el 61% las valoró con 4 o más). El resultado se produjo a través del método de delegación del profesorado —lo más útil fue pedir a ChatGPT que rellenara lagunas de contenido en una clase esbozada por el propio docente—, lo que refuerza el punto recurrente de que la IA mejora el trabajo STEM/STEAM cuando el profesorado estructura la tarea y evalúa críticamente la salida, en lugar de entregar todo el plan al modelo.

Qué eficaz es la instrucción apoyada por IA en STEM, en conjunto

La mayor síntesis cuantitativa de este dominio hasta la fecha —35 estudios experimentales y cuasiexperimentales publicados entre 2005 y 2025 (Doğan, Kılıç, Kalınkara y Talan, 2026)— sitúa la instrucción apoyada por IA en STEM en g de Hedges = 0,670 (IC del 95% [0,491, 0,848]), con la varianza entre estudios tratada mediante un modelo de efectos aleatorios. El desglose por nivel educativo es la parte informativa: los efectos fueron mayores en secundaria superior (g = 1,099) y progresivamente menores en la universidad (0,578), primaria (0,465) y secundaria inferior (0,392). Por el contrario, las diferencias por área de conocimiento que cabría predecir según la autoimagen de STEM —ciencias (0,676) y matemáticas (0,650) por delante de tecnología e ingeniería (0,501)— no fueron estadísticamente significativas (Q = 4,85, df = 2, p = 0,088). La duración no se comportó como una dosis: la banda más fuerte fue de uno a dos meses (g = 0,833), las intervenciones más cortas de cinco horas o menos aún alcanzaron 0,621, y la banda más débil (g = 0,256) no fue significativa. Leído junto al escepticismo documentado en Resultados de aprendizaje, la lectura razonable es que la instrucción STEM apoyada por IA produce un efecto moderado, real pero dependiente del nivel educativo, y no un efecto uniforme.

Una revisión por área temática de 18 estudios (2014–2024) afina sobre qué se miden esos efectos: los resultados de la IA en la educación científica y química se concentraron en medidas del proceso de aprendizaje (n = 9) en lugar del rendimiento, y la base de evidencia se inclina hacia el profesorado en formación (44,4%), con solo un estudio de secundaria inferior y dos de secundaria superior (Erümit y Özdemir Sarıalioğlu (2025)).

Por qué domina STEM

La representación estructurada del conocimiento en STEM, sus respuestas verificables y su alineación con el pensamiento computacional lo convierten en el encaje más natural para la tutoría con IA. La investigación sobre pensamiento computacional explora explícitamente esta alineación.

Nueva evidencia de la investigación de 2025-26 en el IJ STEM Education

Un conjunto concentrado de estudios de 2026 del International Journal of STEM Education afina cómo funciona la IA en los subcampos y niveles de STEM:

Implicaciones para el profesorado de STEM

  • Elija IA adecuada a la disciplina. STEM abarca matemáticas (tutoría), física (diálogo socrático, simulación), informática (generación y revisión de código) e ingeniería (diseño, mundo laboral); seleccione herramientas ajustadas a la pedagogía característica de cada subcampo en lugar de dar por supuesto que un chatbot general sirve para todo.
  • Aproveche la ventaja del ajuste estructurado de STEM, pero proteja el razonamiento. Las respuestas verificables de STEM lo convierten en el dominio más tratable con IA; proteja frente a la dependencia excesiva y la sustitución de respuestas integrando la IA en flujos de trabajo estructurados y orientados al dominio.
  • Incorpore la alfabetización en IA en todas las asignaturas STEM. Los estudios (biología, formación de docentes de matemáticas) muestran que el contexto STEM apoya el aprendizaje sobre IA; integre los conceptos de IA allí donde surgen de forma natural en lugar de aislarlos.
  • Vigile la equidad y el acceso en la adopción de la IA. Las herramientas de IA para STEM no son neutras; supervise el sesgo de puntuación, el acceso y la brecha digital, y el diseño culturalmente relevante al desplegarlas.

Concepciones erróneas

  • «La tutoría inteligente funciona de forma uniforme en todas las áreas STEM.» Una revisión narrativa estructurada de 20 publicaciones (2020-abril de 2026) encontró la ventaja medida más clara en la tutoría de diagnóstico en tiempo real específicamente. La evidencia es acotada y condicional, y generalizarla a toda la tutoría inteligente en matemáticas exagera lo que se revisó.
  • «La simulación es un sustituto pobre del trabajo práctico.» El grupo de simulación superó al grupo práctico en conocimiento STEM alineado con el currículo (M = 3,00 frente a 2,06; t(28) = 2,23, p = 0,034, d = 0,82). La simulación no era un recurso de reserva con un rendimiento inferior al de la actividad real.
  • «Un flujo de trabajo de revisión de literatura con IA sobre todo ahorra tiempo.» Los resultados de 20 estudiantes con 80 documentos mostraron más del 90% de extracción de parámetros experimentales, una reducción de alrededor del 65% en el tiempo de revisión de literatura y un aumento del 50% en la capacidad del estudiantado para identificar trabajo influyente. La ganancia de capacidad fue el resultado mayor y el ahorro de tiempo el menor.

Conceptos conectados

Artículos conectados

Recursos relacionados

  • teacher.dev
    Un estudio sin ánimo de lucro que publica una aplicación de aula gratuita por cada día de una racha pública de desarrollo, desde generadores de figuras para imprimir hasta un safari de tiempo de calma y un pase de pasillo que funciona en local.

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.