Conceptos
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?
- ¿Los prompts superficiales orientados a obtener la respuesta reducen el aprendizaje y fomentan la dependencia excesiva, mientras que una interacción reflexiva y orientada a la verificación construye 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.
La interacción no siempre es instrumental. El modelo de adaptación relacional integrado en la máquina de Boyd y Markowitz separa la IA como socio relacional, donde quien aprende se relaciona directamente con el sistema, de la IA como mediador relacional, donde el sistema reconfigura la comunicación entre personas (Boyd y Markowitz, 2026). El segundo es el caso menos visible, como cuando una IA redacta una retroalimentación que el estudiantado lee después como la voz de su docente. El modelo es un marco y no un hallazgo, y no se probó en un aula. Aun así nombra una distinción que la investigación sobre interacción tiende a fundir, porque un tutor con forma de compañero y un mediador que filtra la comunicación entre pares o con el docente plantean preguntas distintas sobre la confianza y la dependencia.
Qué le pide el estudiantado a la IA
- La negativa es una configuración de interacción, no una ausencia de uso. Silverdal, Hermansson y Lindgren (2026) grabaron a tres estudiantes de secundaria superior escribiendo el mismo relato inspirado en Kafka con IA generativa y mapearon tres ensamblajes distintos a partir de las grabaciones: autoría delegada al modelo, escritura conjunta crítica recíproca y una configuración explícita de «IA y yo, no gracias» en la que el estudiante reorganizaba su práctica de escritura lejos de la herramienta. El hallazgo que importa es que la misma tarea, el mismo espacio y la misma herramienta produjeron los tres, y que gran parte de lo que los separaba estaba en los momentos entre prompts —pausas, reformulaciones, vacilación antes de aceptar una sugerencia—, algo que un registro de chat por sí solo no captura. 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.
Las taxonomías mismas aún no coinciden: entre 46 categorizaciones de 33 estudios, etiquetas similares nombran fenómenos distintos, por lo que la revisión propone el episodio de interacción —un intercambio dirigido a metas y acotado en el tiempo— como unidad que abarca la adquisición de conocimiento, la retroalimentación evaluativa, la orientación estratégica, la indagación dialógica, el refinamiento de artefactos y la corregulación (Borchers, Jansen y Weidlich (2026)).
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 descarga 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.
Reenmarcando estos patrones como trabajo epistémico, un análisis de 200 sesiones de chat de coprogramación encontró que el 78,8% de las interacciones estudiantado–IAG se guiaba por fines y estrategias no de dominio, como externalizar o buscar verificación, y solo el 11,1% combinaba fines orientados al dominio con justificación epistémica (Wu (2026)).
Codificar 50 intercambios muestreados da una tipología triple del mismo comportamiento: Zahra (2026) clasificó el 46% como Revisión pasiva, en la que el modelo actúa como oráculo y la salida se acepta con poco escrutinio, el 18% como Pregunta directa y el 36% como Diálogo estratégico, emparejando la distribución con un argumento de diseño que prioriza las restricciones (kappa = 0,48 entre codificadores). Una encuesta de siete tareas a 211 estudiantes de informática llega a la misma conclusión desde el otro lado: Nizamani et al. (2026) midieron la adopción de LLM desde el 89,6% en algoritmos hasta el 15,2% en ingeniería de software y atribuyeron la dispersión a la complejidad de las tareas, su verificabilidad y el andamiaje, y no a la subdisciplina.
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. El vínculo entre la forma de la interacción y el aprendizaje tiene, no obstante, un límite: Page (2026) separa la iteración conversacional de la iteración cognitiva sobre la base de que quien aprende puede refinar una salida a lo largo de muchos turnos mientras el modelo mental que hay detrás permanece inalterado, de modo que la evidencia del aprendizaje es un cambio en la posición cognitiva de quien aprende y no la longitud o la fluidez del intercambio: el número de turnos no es un indicador indirecto de la profundidad de la implicación.
La interacción, y no la herramienta, fija la trayectoria: en un experimento de campo con casi 1.000 estudiantes de secundaria de matemáticas, GPT-4 sin restricciones elevó las puntuaciones de práctica un 48% pero recortó las de examen sin asistencia un 17%, mientras que el mismo modelo restringido a pistas diseñadas por el docente elevó la práctica un 127% y borró en gran medida el déficit (Lee, 2026).
Una tarea de programación controlada pone cifras de resultado a esos tipos de interacción. Shen y Tamkin (2026) aleatorizaron a 52 desarrolladores en activo para aprender una biblioteca de Python desconocida con o sin un asistente GPT-4o y codificaron cada consulta contra grabaciones de pantalla. Surgieron seis patrones, y los tres que mantenían a quien aprende haciendo el trabajo cognitivo puntuaron muy por encima de los tres que lo transferían: consulta conceptual únicamente (65%), explicación de código híbrida (68%) y generación seguida de comprensión (86%), frente a delegación en la IA (39%), dependencia progresiva (35%) y depuración iterativa con la IA (24%). La delegación fue el patrón más rápido, con 19,5 minutos; la depuración a través del asistente fue a la vez más lenta (31 minutos) y la peor. El orden indica que el movimiento decisivo es si el intercambio desarrolla el modelo de quien aprende o lo sustituye.
Que el estudiantado formulara prompts eficaces, y no cuántos, fue lo que se relacionó con el éxito: la Eficiencia de consulta a la IA y la Resolución de problemas asistida por IA fueron los predictores más fuertes del rendimiento académico en 128 estudiantes de ingeniería, y siguieron siendo significativos tras controlar por el promedio de calificaciones (Isaza Dominguez et al. (2026)).
El contexto conductual es una señal distinta de la propia pregunta: en los cuatro despliegues de TutorTrace (480 estudiantes, ~180.000 eventos del IDE), condicionar la ayuda al estado conductual reciente de quien aprende redujo los intervalos entre consultas sin trabajo independiente del 50,0% al 20,7%, y las consultas inminentes eran predecibles solo a partir de la conducta (AUROC = 0,726) (Barron et al. (2026)).
La densidad no es el mecanismo: alternar al estudiantado entre voz y texto casi duplicó los turnos de diálogo por minuto (1,34 frente a 0,75) sin cambiar el dominio semanal, y los autores leen la deliberación mediana de 26 segundos del canal escrito antes de la primera pulsación como el propio acto de codificación (Yang, Van Alstyne y Dellarocas (2026)).
Un bucle de verificación puede seguir siendo superficial: el análisis secuencial de retardos de un despliegue de agente LLM de cuatro semanas en un curso universitario de bases de datos encontró un ciclo significativo de Consulta–Evaluación–Consulta, pero fuertes bucles de autotransición dentro de estados de orden inferior y solo el 3,92% de las interacciones alcanzando cognición de orden superior (Li et al. (2026)).
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.
Las palancas de diseño pueden desplazar ese valor por defecto: en un curso de física asíncrono de unos 70 estudiantes el artefacto calificado era la transcripción del diálogo y no una respuesta, pero aun así muchos estudiantes planteaban largas listas de preguntas sin responder a las réplicas socráticas del modelo: el modo de fallo que los criterios pretendían detectar (Rodriguez y Wulff (2026)).
Los prompts escritos por el docente son una de esas palancas, pero el rigor efectivo va por detrás del objetivo: en 1.479 conversaciones, el 38% no alcanzó el nivel de profundidad de conocimiento (DOK) pretendido por el docente, acercándose al 50% en DOK 3, mientras que metas explícitas de finalización redujeron esa brecha en 0,22 niveles y una barrera de «sin respuestas directas» recortó las tasas de respuesta final de la IA en 8,5 puntos porcentuales (Liu et al. (2026)).
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.
Wang y Guo (2026) documentan qué aporta el diálogo abierto con IA generativa en la revisión entre pares: el estudiantado que interrogó al modelo en lugar de aceptar su primera sugerencia produjo retroalimentación que sus pares valoraron mejor, y declaró más disfrute de la tarea y menos ansiedad.
La ansiedad que el diálogo alivia puede ser social y no técnica: entre 596 estudiantes egipcios de inglés como lengua extranjera y ocho entrevistas, el estudiantado describió que preguntaba repetidamente a la herramienta porque «no hay presión y nadie juzga» (Alshammari y Abdelaty (2026)).
La desconexión conversacional tiene su propia taxonomía —burlarse, desaparecer, reflejar, retener, responder en falso—, y en 246 diálogos de matemáticas de educación media solo la retención persistió en lugar de resolverse, así que el patrón dañino es la incapacidad de recuperarse (Rho et al. (2026)). La imagen que el estudiantado tiene del modelo acompaña a cómo lo usa. Donekal Chandrashekar et al. (2026) encontraron que el 68% de 283 estudiantes después de CS1 describía un LLM como una persona («amigo inteligente», «tutor»), y el encuadre de máquina acompañaba a un conocimiento algo mayor del mecanismo y a prompts más ricos en contexto.
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 < 0,001), 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.
- Cuánto usó el estudiantado la IA no predijo cómo se sintió al respecto. Entre 819 estudiantes, el género, la pericia en IA autoevaluada y la frecuencia de uso no alcanzaron la significación en un MANOVA (lambda de Wilks 0,997, p = 0,551; 0,990, p = 0,295). Quienes la usaban mucho y quienes la usaban poco en esa muestra mantenían las mismas opiniones (Al-Zahrani (2025)).
- «Un estudiante no puede mover la nota de un calificador.» Sí puede, y es el fallo más persistente de la batería: 17 de 22 modelos subieron su nota más tras una objeción escueta que tras pedir una segunda revisión, incluidos seis de los ocho que habían superado todas las comprobaciones de manipulación y de respuesta en blanco. El mayor fue Llama 3.2 3B, con +33,2% de la escala, y la propia petición de una segunda revisión bajó las notas de diez de los 17, así que el contraste no es el efecto bruto de la objeción. Las notas que un estudiante puede discutir necesitan un registro del intercambio.
Concepciones erróneas
- «Las taxonomías de interacción están resueltas.» En 46 categorizaciones de 33 estudios, etiquetas similares nombran fenómenos distintos, y por eso la revisión propone el episodio de interacción como unidad. Un esquema de codificación tomado de una taxonomía puede estar midiendo un constructo diferente.
- «El estudiantado usa la IA como tutor.» Entre 38 estudiantes de grado que escribieron ensayos argumentativos sin supervisión, el 76,32% usó un patrón de un solo turno de preguntar, obtener la respuesta y parar, generalmente pegando el título de la tarea. El patrón dominante es la recuperación en un solo turno, que no es tutoría.
- «Un mayor uso de IA indica mayor implicación con el material.» Un análisis de 200 sesiones de chat de coprogramación encontró que el 78,8% de las interacciones entre estudiantado e IA se regía por objetivos y estrategias no orientados al dominio. El volumen de interacción medía algo distinto de la orientación al aprendizaje, así que contar sesiones es un indicador de implicación engañoso.
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
- Exploring the Impact of Artificial Intelligence Chatbots on Human Connection and Emotional Support Among Higher Education Students — La frecuencia de uso y la pericia autoevaluada no predijeron nada en 819 estudiantes
- 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 — «¿Es esto una trampa?»: la no adopción de la IA generativa por futuros docentes en las evaluaciones (Zou et al. 2026)
- TutorTrace: A dataset and taxonomy for classifying learner behavioral states during AI-assisted programming 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
- Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 — Demystify, Use, Reflect, Assess (DURA): LLM Integration in CS2
- 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
- An empirical study of ChatGPT use in engineering education: Prompting and performance — Conductas de prompting y de integración registradas
- 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 — Eludir, descargar o andamiar: un modelo conceptual de cómo los grandes modelos de lenguaje dan forma al aprendizaje
- When AI Tutors Speak: Evidence from a Randomized Field Experiment — Cuando hablan los tutores de IA: evidencia de un experimento de campo aleatorizado
- Artificial Intelligence Driven Physics Assignments using Context Prompts — Tareas de física impulsadas por inteligencia artificial mediante prompts de contexto
- Three Pathways of Student-AI Interaction: Constraint-First Design for Higher-Order Thinking — Tipología de las tres vías de la interacción entre el estudiantado y la IA: 46% Revisión pasiva, 18% Pregunta directa, 36% Diálogo estratégico
- Beyond agreement: a benchmark of how language models grade student work, and how they fail — Más allá del acuerdo: 22 calificadores mediante prompts se enfrentan a sondas cuya respuesta correcta se conoce, y a la mayoría se les puede subir el nivel (Porcaro 2026)
- How AI Impacts Skill Formation — Seis patrones de interacción con la IA, del 86% al 24% en una prueba sin ayuda (Shen y Tamkin 2026)
- Who (or what) are they prompting? How CS students conceptualize and use LLMs — ¿A quién (o a qué) le escriben prompts? Cómo el estudiantado de informática conceptualiza y usa los LLM