Interacción entre el estudiantado y la IA

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

La interacción entre el estudiantado y la IA — los patrones, los procesos y el trabajo cognitivo que hay en cómo el estudiantado se relaciona con los sistemas de IA generativa durante el aprendizaje y la resolución de problemas. La investigación aquí caracteriza qué le pide el estudiantado a la IA, cómo evolucionan los prompts y los diálogos, y cómo se relaciona la calidad de la interacción con los resultados de aprendizaje, la descarga cognitiva y la agencia.

Preguntas para reflexionar

• Piense en los últimos prompts que usted (o un estudiante) escribió a una IA. ¿Describiría la mayoría como peticiones de la respuesta, o como peticiones de que la IA explique, indague o evalúe? ¿Qué sospecha que ese patrón le hace al aprendizaje?
• La investigación encuentra que un subconjunto pequeño de tipos de pregunta concentra la mayoría de las consultas del estudiantado, y que las preguntas cambian a medida que avanza una tarea. ¿Por qué cree que se estrecha el preguntar del estudiantado, y qué sugiere eso sobre cómo usa la herramienta?
• La página sostiene que los prompts superficiales orientados a obtener la respuesta se asocian con menos aprendizaje y más dependencia, mientras que una interacción reflexiva y orientada a la verificación apoya la comprensión. ¿Qué cree que separa un prompt «bueno» de uno «malo», y es responsabilidad del estudiantado o del diseño de la herramienta?
• Si la calidad de la interacción está modelada por el contexto de la tarea y el andamiaje, y no es un rasgo fijo del estudiantado, ¿cómo podría rediseñarse un curso o una herramienta para invitar a un rango de indagación más amplio y más productivo?
• ¿Cómo sabría si el diálogo fluido de un estudiante con la IA refleja aprendizaje genuino o solo una delegación hábil, y qué comprobaría para averiguarlo?

Introducción

La interacción entre el estudiantado y la IA es la superficie observable de la implicación del estudiantado con la IA generativa: las preguntas que plantea, los prompts que escribe, cómo negocia y verifica los resultados de la IA y cómo esos patrones cambian a lo largo de las etapas de una tarea y con el tiempo. Se sitúa en la intersección de la experiencia del estudiantado, la ingeniería de prompts y la analítica del aprendizaje, y es central en los debates sobre si el uso de la IA en la educación representa aprendizaje genuino o dependencia excesiva. Donde la colaboración entre las personas y la IA enmarca la división de alto nivel del trabajo cognitivo entre las personas y los modelos, la interacción entre el estudiantado y la IA es la puesta en práctica concreta y medible de esa relación: las consultas, los prompts y los movimientos de negociación específicos que quien aprende hace momento a momento.

Qué le pide el estudiantado a la IA

Una línea central de la investigación mide los tipos y la calidad de las consultas del estudiantado. Los estudios aplican taxonomías de tipos de pregunta —por ejemplo, la taxonomía de 18 tipos de Graesser et al.— para clasificar las interacciones entre estudiantado e IA, a menudo con clasificadores de pocos ejemplos para escalar el análisis a cientos o miles de interacciones. Los hallazgos indican que un subconjunto pequeño de tipos de pregunta concentra la mayoría de las consultas del estudiantado y que las preguntas que este plantea cambian sustancialmente a medida que avanza la tarea (p. ej., Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks). Esta dependencia de la tarea importa: la calidad de la interacción no es un rasgo fijo del estudiantado, sino que está modelada por el contexto del problema, el andamiaje y las posibilidades que ofrece la herramienta de IA. En las edades más tempranas, Vahedian Movahed y Martin (2025) encontraron que los niños (de 6 a 14 años) ponían a prueba activamente la credibilidad de un chatbot planteando preguntas cuya respuesta ya conocían (por ejemplo, «cuánto mide un t rex»), una expresión de autoagencia epistémica, mientras que el niño modal solo hacía de 1 a 3 preguntas y un destacado estudiante de primer grado hizo 21, lo que subraya cómo la variación evolutiva e individual modela las preguntas que plantea quien aprende.

Complementando estos estudios de taxonomía, Yan et al. (2026) caracterizan la forma del diálogo de las consultas del estudiantado. Entre 38 estudiantes de grado que completaron ensayos argumentativos sin supervisión, el 76,32% usó un patrón de un solo turno —preguntar, obtener la respuesta, parar—, normalmente pegando el título de la tarea sin especificar sus necesidades y reenviando prompts idénticos cuando no quedaban satisfechos, y el 78,94% tocó la IA generativa solo al principio (ideas, contexto) o al final (pulido, extensión) de una tarea, manteniéndola separada de la lectura y de la escritura independiente; solo el 23,68% mantuvo un diálogo iterativo con preguntas de seguimiento y razonamiento propio. Los autores sitúan estos patrones en un espectro que va de la externalización cognitiva a la reubicación cognitiva —el análogo en la era de la IA generativa de los enfoques superficiales frente a los enfoques profundos del aprendizaje—, y señalan que la mayoría del estudiantado concebía la herramienta como un buscador mejorado, lo que los limitaba al extremo de la externalización.

Calidad de la interacción y aprendizaje

Una línea complementaria vincula la forma de la interacción con el aprendizaje. Los prompts superficiales o habitualmente estrechos (pedir a la IA que produzca la respuesta en lugar de que explique, indague o evalúe) se asocian con menos aprendizaje y más dependencia, mientras que una interacción reflexiva y orientada a la verificación apoya la metacognición y una comprensión duradera. Esto conecta directamente la interacción entre el estudiantado y la IA con el diseño de la tutoría inteligente: se pueden construir sistemas que inviten a un rango de indagación más amplio y más productivo y que andamien el formular preguntas en lugar de limitarse a responder. La interacción no tiene por qué pasar en absoluto por prompts que buscan la respuesta: cuando la IA critica el trabajo del propio estudiantado, el intercambio se convierte en un diálogo reflexivo y orientado a la verificación. En Oppenheimer, Cash y Connell Pensky (2025), las respuestas de quien aprende a la retroalimentación de un LLM sobre sus ensayos mostraron reflexión en el 92,7% de los casos, aceptación en el 93,6% y refutación activa de las afirmaciones del LLM en el 87,8% (κs entre evaluadores = 0,81–0,89), y su respuesta a la calidad de la retroalimentación mejoró a lo largo de las iteraciones como una habilidad aprendible. El lado reflexivo de la interacción no tiene por qué pasar por el prompting directo: en CoBi, el estudiantado interactuó con visualizaciones de IA a nivel de aula de su propio habla colaborativa y deliberó sobre cuándo las clasificaciones de la IA parecían equivocadas, convirtiendo aparentes errores de clasificación en oportunidades para calibrar su comprensión de las capacidades y los límites de la IA (calibración de la confianza) en lugar de aceptar sin más su resultado.

Bernstein y Sibia (2026) documentan un patrón de filtrado iterativo en cómo el estudiantado de CS2 maneja las explicaciones de IA generativa (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): contrastan con los apuntes de clase, exigen procedencia («sería mucho más escéptico... sin una») e indagan con preguntas de seguimiento en busca de inconsistencias en lugar de emitir un único juicio de aceptar o rechazar. El estudiantado también lee las explicaciones por el conocimiento y el trasfondo que atribuyen a su destinatario: un conocimiento previo supuesto más allá del programa, referencias por defecto al deporte y a los videojuegos («el lado más masculinizado de la informática») y una repetición excesiva funcionaban como señales sobre el lector imaginado, y un andamiaje excesivo se leía como condescendiente y no solo como ineficiente.

Consultar la IA en el punto adecuado de una tarea importa tanto como la redacción del prompt individual: en el mismo estudio, Yan et al. (2026) encontraron que la minoría orientada a la reubicación alternaba el trabajo independiente con la consulta a la IA generativa y declaraba un esfuerzo total sin cambios pero un foco desplazado —moviendo recursos de la búsqueda a la comprobación de la calidad argumentativa y el equilibrio, y escribiendo notas de reflexión después de las sesiones para contrarrestar una retención superficial—, mientras que quien tenía metas de dominio pero una alfabetización en IA débil caía en una «paradoja de la eficiencia» y externalizaba «no por intención, sino por defecto».

De la interacción a la pedagogía

Caracterizar la interacción entre el estudiantado y la IA informa el diseño del aprendizaje: el profesorado puede advertir cuándo los patrones de pregunta del estudiantado son estrechos o superficiales y diseñar intervenciones que amplíen la indagación; el papel docente se desplaza hacia acompañar al estudiantado a interactuar de forma productiva con la IA. También fundamenta currículos de alfabetización en IA que tratan el prompting eficaz y la verificación como habilidades aprendibles y no como capacidades innatas.

La no utilización es en sí misma un patrón de interacción que la pedagogía debe prever. Zou et al. (2026), al estudiar a 85 futuros docentes en tres cursos donde el uso de IA generativa en la evaluación estaba explícitamente permitido, encontraron que el 62,4% (53 de 85) optó por no usarla en absoluto, muy por debajo del 79–83% de adopción observado en encuestas comparables del Reino Unido y Australia, y que el uso de quienes la adoptaron era superficial y correctivo más que generativo (corrección de pruebas 43,8%, comprobaciones de claridad 34,4%, generación de texto solo 18,8%). Sus decisiones seguían el diseño de la evaluación y la cultura institucional más que la dificultad técnica: el 41,5% de quienes no la adoptaron temía ser acusado injustamente de plagio, y nueve de los once entrevistados interpretaron la propia política permisiva como una posible «trampa». La brecha entre los 32 usuarios que declaró la encuesta y las 28 autodeclaraciones muestra que la interacción con la IA que el estudiantado reporta está modelada por las consecuencias de la calificación: una advertencia de medición para los relatos de la analítica del aprendizaje sobre la interacción entre el estudiantado y la IA.

Disciplina e implicación cognitiva en el chat entre el estudiantado y la IA

• Implicación cognitiva asociada a la disciplina en el chat entre el estudiantado y la IA. Chang y Li (2026) analizan los prompts del estudiantado a la IA en 116 cursos con un diseño intrapersonal y transdisciplinar, y muestran que las conversaciones entre el estudiantado y la IA reflejan una implicación cognitiva asociada a la disciplina y no estilos de interacción individuales fijos. En conjunto, alrededor del 62% de los prompts codificaba una demanda cognitiva de orden superior, pero los perfiles por nivel de Bloom diferían marcadamente según la disciplina: los cursos de STEM provocaban prompts predominantemente de Aplicar (20,8%), los de idiomas de Comprender (31,7%) y los de ciencias sociales de Crear (33,8%). Las comparaciones intrapersonales emparejadas confirmaron que los mismos estudiantes producían significativamente más prompts de orden superior en ciencias sociales que en cursos de STEM (n agrupada = 16, p < .001), y la variación a nivel de curso superó la variación a nivel de estudiante: un argumento sólido de que los asistentes docentes de IA deberían diseñarse y evaluarse teniendo en cuenta el contexto disciplinar.

Conceptos conectados

• Quienes aprenden — Estudiantado: el paraguas de los conceptos del lado de quien aprende
• Colaboración humano-IA
• Experiencia del estudiantado
• Ingeniería de prompts
• Analítica del aprendizaje
• Descarga cognitiva
• Tutoría inteligente
• Metacognición
• Agencia de quien aprende
• IA generativa
• Grandes modelos de lenguaje (LLM)
• Alfabetización en IA

Artículos conectados

• From Cognitive Outsourcing to Reallocation: A 3P Analysis of Student–Generative AI Engagement in Unsupervised Assessments — Externalización frente a reubicación cognitiva en evaluaciones sin supervisión con IA generativa (Yan et al. 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — “Is this a trap?”: student teachers’ non-adoption of GenAI in assessments (Zou et al. 2026)
• TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — Analysis of Types of Inquiries in Student-AI Interaction
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — Student-LLM Interaction Taxonomy Review
• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation — Teacher-Authored Prompts in Student-AI Dialogue
• Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming — Constructing Epistemic AI Literacy
• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — ICAP Cognitive Engagement with LLM Agents
• Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 — Demystify, Use, Reflect, Assess (DURA): LLM Integration in CS2
• LearnLM: Improving Gemini for Learning — LearnLM: scenario-guided learner-AI tutoring conversations
• The Impact of an LLM-Based Educational Agent on Learning Achievement, Cognitive Dynamics, and Student Perceptions in Computer Science Education — LLM-based educational agent (DBagent) in CS education
• Framing human-AI dynamics: An epistemological perspective on generative AI practices — Framing human-AI dynamics: seven GAI engagement paradigms (Strydom 2026)
• ChatGPT Solves All Tested Qiskit Homework Assignments — ChatGPT solves Qiskit homework; autogradable design
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — Explicaciones adaptativas de errores de programación con LLM
• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — Logged prompting and integration behaviors
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Discipline-associated Bloom-level cognitive engagement in student-AI conversations (Chang & Li 2026)
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
• Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning — Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning
• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback
• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — When AI Tutors Speak: Evidence from a Randomized Field Experiment
• Artificial Intelligence Driven Physics Assignments using Context Prompts — Artificial Intelligence Driven Physics Assignments using Context Prompts
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
• Instructional Governance by Design: A Framework for AI in Computing Education — Instructional Governance by Design: A Framework for AI in Computing Education