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.

La experiencia del estudiantado —cómo percibe, vive e interactúa quien aprende con las herramientas de IA en entornos educativos, y cómo le afectan. Con más de 85 estudios, la experiencia del estudiantado es una de las dimensiones más investigadas de la IA en la educación. La IA afecta al estudiantado tanto en dirección positiva como negativa, y la misma herramienta puede ayudar y perjudicar según cómo se diseñe y se use.

Preguntas para reflexionar

  • La IA afecta al estudiantado en direcciones positivas y negativas, a menudo de forma simultánea: la misma herramienta puede ayudar y perjudicar según el diseño y el uso. ¿Puede dar un ejemplo de su propia experiencia en el que la IA ayudara y perjudicara al mismo tiempo?
  • Describe una «brecha entre rendimiento y aprendizaje»: el estudiantado rinde mejor con la IA pero peor en tareas posteriores sin asistencia. ¿Cómo cree que surge esa brecha, y qué haría falta para cerrarla?
  • Si depender en exceso de la IA significa delegar el razonamiento que precisamente hay que practicar, ¿dónde trazaría la línea entre una ayuda legítima y una descarga que erosiona el aprendizaje?
  • La investigación se pregunta si el simple hecho de saber que la IA está disponible cambia el esfuerzo del estudiantado. ¿Cree que la conciencia de la IA hace que el estudiantado trabaje más, menos o de otra manera, y cómo pondría a prueba esa creencia?
  • Dado que el acceso a la IA y su eficacia varían entre poblaciones estudiantiles, ¿qué preocupaciones de equidad cree que importan más cuando un curso adopta una herramienta de IA, y quién es responsable de abordarlas?

Introducción

Cómo se estudia la experiencia del estudiantado

Cómo afecta la IA al estudiantado

La IA afecta al estudiantado en dimensiones cognitivas, motivacionales, afectivas, identitarias, sociales y de equidad. La investigación señala impactos positivos y negativos en cada dimensión, a menudo simultáneamente: la dirección depende del diseño y del uso.

Impactos cognitivos

Impactos motivacionales

  • Positivos: la IA puede elevar la motivación y la implicación al ofrecer apoyo personalizado, inmediato y de bajo riesgo, lo que ayuda al estudiantado a persistir y a sentirse competente (véanse las perspectivas de la autodeterminación sobre autonomía, competencia y vínculo).
  • El efecto motivacional pasa por la motivación y no por el acceso. Entre 297 estudiantes, el apoyo a la autonomía y la motivación autónoma para usar la IA no tuvieron efecto directo sobre la implicación (β = 0,070 cada uno), mientras que la motivación del estudiantado predijo la implicación con β = 0,74 (Ahmed y Sultan (2026)).
  • Negativos: saber que la IA está disponible puede reducir el esfuerzo del estudiantado y su motivación para esforzarse de forma productiva (disponibilidad de IA y motivación, la brecha de seguridad). La dependencia excesiva puede erosionar la agencia y la sensación de logro que produce hacer el trabajo uno mismo.

Impactos afectivos y en el bienestar

  • Positivos: la IA puede ofrecer ayuda sin presión y a demanda, y reducir la ansiedad ante la posibilidad de preguntar, apoyando el bienestar y la confianza.
  • Negativos: el uso de IA se asocia con ansiedad y estrés, incluidos los miedos a ser sustituido, a una evaluación incierta y a la presión por no quedarse atrás. Estudios como un análisis exhaustivo de la ansiedad ante la IA y AIvaluate documentan estos costes afectivos. La vergüenza y la culpa en torno al uso de la IA pueden impulsar el ocultamiento y la declaración selectiva, perjudicando la implicación honesta y el bienestar socioemocional. Estas presiones son locales y sociales más que escritas: véanse las normas sociales de uso de la IA. Las condiciones de evaluación añaden su propia presión: una revisión de alcance sobre la supervisión remota en la evaluación de enfermería encuentra estudiantado ansioso por la conectividad y por ser acusado injustamente de hacer trampas, con quienes usan por primera vez una aplicación de vigilancia describiéndola como generadora de ansiedad y reportando dificultades para concentrarse mientras son observados, y aproximadamente una quinta parte sufriendo fallos de extensiones del navegador o de conectividad pese a los recursos de preparación.

Impactos en la identidad

  • Positivos: la IA puede apoyar la formación de la identidad andamiando la pertenencia disciplinar, la confianza y las aspiraciones profesionales; por ejemplo, ayudando al estudiantado a verse como practicantes capaces.
  • Negativos: la IA puede amenazar la identidad de quien aprende mediante la pérdida de autoría y la duda sobre la propia competencia: cuando la IA produce el trabajo, el estudiantado puede dejar de sentir que es «suyo». La paradoja de la competencia en los campos creativos muestra cómo la facilidad de uso socava la identidad artesanal que el estudiantado deriva de la autoría.

Impactos en la integridad académica y la justicia

  • Negativos: la IA habilita nuevas formas de deshonestidad académica (ensayos generados por IA, realización no autorizada de tareas), lo que alimenta los debates sobre detección y reducción. Esto interactúa con la equidad: el acceso desigual a las herramientas de IA y a su comprensión puede ampliar las brechas entre estudiantes.
  • Que un uso cuente como trampa depende de la disciplina. Una revisión sistemática de 89 estudios encontró que el estudiantado de STEM mostraba un acuerdo neto del +42% en que la IA mejora el rendimiento, mientras que el de humanidades mostraba el mayor acuerdo neto en que el uso de IA constituye trampa (+44%) y plantea preocupaciones éticas (+58%) (Padhy (2026)). El problema de integridad de un curso es, por tanto, en parte un juicio disciplinar y no un estándar fijo, y por eso las reglas que encuentra el estudiantado varían tanto por departamento como por política.
  • Positivos o constructivos: la IA puede apoyar una evaluación auténtica y orientada al proceso y la práctica reflexiva (por ejemplo, la autoevaluación guiada), convirtiendo las preocupaciones sobre integridad en oportunidades de alfabetización en IA y responsabilidad.

Los relatos del estudiantado sobre la integridad están menos asentados de lo que sugiere el encuadre de la deshonestidad. Mulisa y Mezgebu (2026) entrevistaron a 27 estudiantes de grado de una universidad etíope y encontraron un cuerpo estudiantil dividido contra sí mismo: casi todos usaban IA generativa o veían a sus pares usarla y la mayoría le atribuía una mejora de su rendimiento. Una minoría calificaba su uso en el trabajo de curso como mala conducta sin más, y la queja más aguda y más ampliamente compartida era la justicia: quienes usaban IA obtenían mejores notas que quienes trabajaban con honestidad. Eso llevó a algunos a describirlo como la muerte de su sentido de la diligencia, y dejó a un participante sin saber «si nos beneficiamos o sufrimos con el uso de la IA». El lado del procedimiento también importa: Munoz et al. (2026) codificaron 1.162 casos de mala conducta con IA generativa y encontraron que la evidencia citada con más frecuencia —la salida del detector, los informes de similitud, los patrones de contenido típicos de la IA— tenía el valor probatorio más débil, y que, al no haber un umbral probatorio mínimo en el procedimiento, el estudiantado con casos endebles se veía empujado a recurrir. Las definiciones demasiado amplias amplían esa exposición: Wright (2026) muestra que las prohibiciones dirigidas a la «IA generativa» pueden alcanzar a herramientas que solo convierten el formato de un trabajo que el estudiante ya había redactado, una inclusión excesiva que recae con más fuerza sobre el estudiantado con discapacidad y el expuesto a la inequidad. Sharma (2026) señala la salida constructiva, al tratar la integridad como una práctica pedagógica que se pone en acto mediante el juicio —rastros de decisiones anotados, verificación, defensa oral, historial de versiones— y no como un cumplimiento asegurado mediante la vigilancia.

La verificación puede cambiar cómo el estudiantado vive la cuestión: una petición de explicar su trabajo se leyó primero como una acusación, pero una vez que el programa del curso la enmarcó de antemano como pedagogía y no como vigilancia, el estudiantado declaró el uso de IA con más apertura y trató las tareas como tareas de aprendizaje, en conversaciones de cinco a diez minutos (Mandernach, 2026).

Impactos sociales y relacionales

Impactos a largo plazo y en las capacidades

En conjunto: la misma herramienta de IA puede apoyar o socavar al estudiantado según el diseño y el uso. La barandilla que recorre todo esto es mantener a quien aprende haciendo el trabajo cognitivamente importante mientras usa la IA como apoyo (andamiar, no sustituir) y atender a toda la gama de impactos, no solo al rendimiento. Una configuración concreta desplaza el punto donde empieza la experiencia: cuando la IA genera las propias lecturas del curso en lugar de ayudar con los deberes, el estudiantado pasa a ser auditor de su propio diseño curricular. En el curso de posgrado de Sidorkin (2026), el estudiantado valoró la especificidad contextual y la ajustabilidad de los textos generados y el 75 por ciento coincidió en que aprendió más que en un curso comparable sin compañero de IA, pero tuvo que inferir la calidad de las fuentes a partir del contexto porque los enlaces de Wikipedia y las citas revisadas por pares aparecían en las mismas listas sin etiquetas, y cuatro de los 24 encuestados usaron lenguaje de dependencia, incluido uno que se describió como «algo codependiente de la IA para tener seguridad y estructura».

Los resultados de más largo plazo que vive el estudiantado —si vuelve el trimestre siguiente, acumula créditos y se gradúa— son institucionales y no instruccionales, y Apoyo y éxito estudiantil sigue cómo les afecta el apoyo con IA: la finalización de tareas se mueve con facilidad, la persistencia y la graduación mucho menos.

Conexiones

La experiencia del estudiantado conecta con la dependencia excesiva (la dependencia excesiva de la IA), la alfabetización en IA (las habilidades para un uso eficaz), la descarga cognitiva (cómo cambia la IA el trabajo cognitivo) y la implicación (cómo los sistemas de IA miden y responden a la conducta del estudiantado). Es el miembro orientado a quien aprende del paraguas de los grupos de interés, y el lugar donde se sintetizan todas las formas en que la IA afecta al estudiantado.

Implicaciones para la práctica

Para el profesorado

  • No trate el no uso como una laguna que cerrar. Alrededor de un tercio del estudiantado elige hacer el trabajo por sí mismo, y la presión para adoptar convierte una postura razonada en un problema de cumplimiento.
  • Recoja la percepción y el resultado por separado. Las encuestas de satisfacción describen la experiencia y no pueden sustituir al rendimiento sin asistencia.
  • Haga segura la declaración, porque el estudiantado que espera un juicio oculta su uso, y el uso oculto es donde se esconde la divergencia entre el rendimiento asistido y el no asistido.

Para quienes desarrollan

  • Informe de los resultados de aprendizaje junto con las métricas de experiencia en todo lo que publique para el estudiantado, porque los resultados sentidos y los medidos divergen con regularidad.
  • Permita rechazar el asistente sin perder el acceso al curso.

Para quienes investigan

  • Informe explícitamente del tamaño y las razones del grupo de no usuarios; el 32% de una muestra de 7.087 estudiantes es una población y no un residuo.

Concepciones erróneas

«El estudiantado que evita la IA se está quedando atrás.» El no uso es con frecuencia una postura razonada y no una carencia: una encuesta interinstitucional en el Reino Unido con 7.087 estudiantes encontró que el 32% no usaba IA generativa para estudiar en absoluto, y quienes no la usaban citaban que querían hacer el trabajo por sí mismos. Tratar eso como un déficit de adopción invierte el hallazgo y presiona al estudiantado para que abandone una elección defendible.

«Los autoinformes del estudiantado son una medida razonable del aprendizaje.» Son medidas de autoinforme: capturan bien las percepciones y las intenciones y la conducta solo de forma aproximada. La brecha entre rendimiento y aprendizaje de esta literatura —estudiantado que rinde mejor con IA y peor en tareas posteriores sin asistencia— es precisamente el caso en el que el autoinforme y el resultado divergen, así que un estudiantado satisfecho no es evidencia de un estudiantado que aprende.

«Si el estudiantado siente que la IA ayuda, ayuda.» Sentirse ayudado es un dato real sobre la experiencia y una inferencia poco fiable sobre el resultado. La brecha está documentada y el estudiantado del grupo perjudicado no la percibe de forma fiable, así que la percepción y el resultado deben recogerse como medidas separadas en lugar de que una sustituya a la otra.

«La experiencia del estudiantado es una preocupación blanda frente a los resultados.» Es un indicador adelantado de la adopción y la declaración: el estudiantado que siente que se juzga su uso lo ocultará, y el uso oculto es la condición en la que el mal uso y el daño resultan menos visibles para la institución.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

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.