Educación STEM

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 en esta base de conocimiento. 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 página cita investigación que muestra que 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.
• 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.
• 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), mientras que 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.

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:

• La gobernanza específica de cada asignatura moldea el uso de la IA por parte del estudiantado. Un estudio transversal con 416 estudiantes checos de secundaria (Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools) encontró que la adopción de la IA está estratificada por disciplina en lugar de unificada: la informática y la economía normalizan la IA generativa como recurso colaborativo, mientras que las matemáticas (65,9% la prohíben) y las ciencias naturales (55,3%) muestran una alta prohibición percibida que coexiste con una escasa claridad de las normas y un uso clandestino persistente. El estudiantado usa la IA sobre todo como andamiaje instrumental (explicación, comprobación de soluciones) y no como sustituto, pero emerge una laguna de evaluación crítica: la modificación intensiva de prompts eclipsa la verificación factual externa, desplazando la conducta hacia la dependencia excesiva. Esto aboga por orientaciones sensibles a la asignatura en lugar de prohibiciones generales.

• La IA como coinvestigadora en STEM basado en la indagación. Un cuasiexperimento con 97 estudiantes de tercero de primaria (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) mostró que los chatbots de IA generativa superaron significativamente a los motores de búsqueda en la formulación de problemas de ciencias en el aprendizaje basado en la indagación, mejorando la calidad de las preguntas, produciendo una estructura de red epistémica más integrada (ENA) y reduciendo la carga cognitiva. Una revisión sistemática sobre ChatGPT para el aprendizaje basado en la indagación en STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 estudios) confirma que ChatGPT apoya la formulación de preguntas, el diseño de indagaciones, la resolución de problemas y la reflexión, pero conlleva riesgos de dependencia excesiva, alucinación y conclusiones superficiales cuando las salidas se tratan como autorizadas.

• STEAM es una vía desigual hacia la alfabetización en IA. Una revisión sistemática PRISMA de 39 estudios (STEAM Education for AI Literacy: A Systematic Literature Review) encontró que las implementaciones STEAM desarrollan principalmente alfabetizaciones técnicas (conceptos fundamentales de IA, pensamiento computacional, alfabetización de datos), mientras que dejan poco desarrolladas la conciencia ética, la imaginación creativa y la creación, gestión y diseño con IA. Las disciplinas tecnológicas van por delante; las artes, la ingeniería y el STEAM integrado se quedan atrás, lo que indica que la alfabetización en IA en STEM está actualmente desequilibrada hacia la habilidad técnica y no hacia la configuración responsable de la IA.

• Los programas STEM adaptativos basados en IA pueden apoyar el aprendizaje profundo. Un piloto aleatorizado por conglomerados en ciencias de sexto de primaria (Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms, N = 30) encontró que un programa STEM adaptativo basado en IA (contenido personalizado, dominio basado en reglas, retroalimentación en tiempo real) produjo tamaños de efecto grandes a favor del grupo experimental en explicación, interpretación, aplicación y generación de ideas, aunque el diseño de dos aulas exige una interpretación cautelosa.

• La aceptación docente es heterogénea y está moldeada por la disciplina. Un análisis de perfiles latentes con 128 docentes en formación (Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines) encontró cuatro perfiles de aceptación de ChatGPT (evaluadores pragmáticos, pioneros tecnológicos, escépticos resistentes, observadores del entorno), con el profesorado de STEM concentrado en los pioneros tecnológicos y el de otras áreas en los perfiles resistentes, y los escépticos resistentes mostrando una alta facilidad de uso pero una baja intención, lo que exige formación diferenciada en alfabetización en IA.

• Evaluación y procesos cognitivos en STEM integrado con IA. El CTAT (34 ítems, validado con TRI) proporciona un instrumento válido para evaluar el pensamiento computacional en contextos de formación con IA, y revela que el estudiantado tiene más dificultades con la representación de datos, la secuenciación de operadores lógicos y las estructuras de bucle. Un estudio de teoría fundamentada sobre programación asistida por IA (Tool, Tutor, or Crutch?: A Grounded Theory of Cognitive Scaffolding and Offloading in AI-Assisted Programming Education) muestra que quienes aprenden oscilan entre el «dominio del ámbito» y el «dominio de la herramienta» a través de bucles de andamiaje y de descarga cognitiva, con una calibración metacognitiva atenuada bajo la descarga rutinaria: un relato a nivel de proceso de la tensión entre rendimiento y aprendizaje.

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.

Conceptos conectados

• Identidad de quien aprende — identidades de quien aprende en evolución: disciplinares, profesionales, creativas y académicas
• Educación empresarial
• Enseñanza de la informática
• Educación matemática
• Educación en física
• Pensamiento computacional
• K-12
• Educación superior
• Tutoría inteligente
• Evaluación automatizada
• Evaluación formativa
• Aprendizaje personalizado
• Grandes modelos de lenguaje (LLM)
• La IA en las disciplinas
• Desarrollo profesional
• 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 docentes de laboratorio, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas

Artículos conectados

• OmniPhys: A Unified Multimodal Benchmark for Physics Understanding and Generation from Chinese Educational Corpora
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Currículo de educación en IA basado en proyectos para ingeniería térmica
• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — Acompañamiento pedagógico habilitado por IA que apoya la identidad STEM
• Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools — Qué hacen de verdad los estudiantes de secundaria con las herramientas de IA generativa en STEM
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbots de IA generativa y formulación de problemas en ciencias de primaria
• The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT para el aprendizaje basado en la indagación en STEAM
• STEAM Education for AI Literacy: A Systematic Literature Review — Educación STEAM para la alfabetización en IA: revisión sistemática
• Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms — Programa STEM adaptativo basado en IA para el aprendizaje profundo
• Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines — Perfiles de aceptación de ChatGPT en docentes en formación
• Integrating AI Into Computational Thinking: Development and Validation of an Assessment Tool for Higher Education Students — Test de pensamiento computacional en la formación con IA (CTAT)
• Tool, Tutor, or Crutch?: A Grounded Theory of Cognitive Scaffolding and Offloading in AI-Assisted Programming Education — Herramienta, tutor o muleta: teoría fundamentada de la programación asistida por IA
• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — Marco de nivel de preparación laboral para la fabricación inteligente en la era de la IA
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education
• Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric-Systematic Review
• Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives
• Can we disrupt the momentum of the AI colonization of science education?
• Artificial Intelligence in Science and Chemistry Education: A Systematic Review — Revisión sistemática de la IA en la educación científica y química
• Computational Thinking: A Meta-Review of Systematic Reviews and Meta-Analyses — El pensamiento computacional como competencia del siglo 21 en STEM
• From Literature to Research-Based Learning: An AI-Powered Information Extraction System to Enhance Undergraduate Thesis Completion — Extracción de información con IA que apoya el trabajo de fin de grado y el aprendizaje basado en la investigación (An et al. 2026)
• From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies — Aprendizaje con drones asistido por simulación con andamiajes codiseñados por docentes e IA
• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework
• The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — Efecto agrupado de la instrucción STEM apoyada por IA en 35 estudios, con las mayores ganancias en secundaria superior (Doğan et al. 2026)