Competencia en IA del profesorado

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

La competencia en IA del profesorado — los conocimientos, las habilidades y las disposiciones que el profesorado necesita para integrar la IA en la enseñanza y el aprendizaje de forma eficaz, ética y equitativa. Va más allá del uso técnico de herramientas e incluye la integración pedagógica, la alfabetización evaluativa, el juicio ético y la confianza para usar bien la IA. La competencia en IA del profesorado es la contraparte docente de la alfabetización en IA y se desarrolla mediante el desarrollo profesional. Es central para cómo se transforma el rol docente en las aulas aumentadas por IA.

Preguntas para reflexionar

• La página sostiene que el profesorado es «el factor decisivo» de que la IA mejore el aprendizaje, es decir, que las herramientas solo ayudan cuando el profesorado puede planificar su uso, andamiarlo y evaluar los resultados. ¿Coincide eso con su experiencia o cree que la herramienta importa más que el profesorado?
• La competencia en IA del profesorado abarca el dominio técnico, la integración pedagógica, la alfabetización evaluativa y el juicio ético. ¿Cuál de estas dimensiones cree que falta más y cuál es la más difícil de formar?
• La investigación documenta una brecha entre la habilidad en IA que el profesorado se atribuye y la que realmente tiene. ¿Por qué cree que las personas sobreestiman su preparación y qué haría falta para cerrar esa brecha con honestidad?
• Un programa intensivo de desarrollo profesional produjo grandes ganancias en habilidad pedagógica con IA en la investigación citada, lo que sugiere que la habilidad técnico-pedagógica es formable. Si eso es cierto, ¿por qué sigue habiendo tanto profesorado que parece no estar preparado? ¿Qué se lo impide?
• Si alguien puede «usar bien la IA», ¿qué significa «bien» para usted y cómo sabría que lo ha logrado en lugar de haberse limitado a adoptar la herramienta?

Introducción

La competencia en IA del profesorado importa porque el profesorado es el factor decisivo de que la IA mejore el aprendizaje. La investigación muestra de forma consistente que las herramientas de IA solo se traducen en mejores resultados cuando el profesorado puede planificar su uso, andamiar el uso que hace el estudiantado, evaluar los resultados e integrarlos en una enseñanza coherente. La literatura de la base de conocimiento examina las dimensiones de esta competencia, las brechas entre la autopercepción y la habilidad real, y el desarrollo profesional que la construye.

Dimensiones centrales de la competencia

La investigación de la base de conocimiento converge en varias dimensiones interconectadas:

• Dominio técnico: elaborar prompts eficaces para objetivos educativos, evaluar herramientas de IA por su idoneidad pedagógica y su seguridad, y resolver fallos en tiempo real. Un programa intensivo de desarrollo profesional en IA generativa documentó ganancias significativas en los cinco componentes del AI-PCK (en conjunto, d = 2,36), lo que muestra que la habilidad técnico-pedagógica es formable.
• El conocimiento pedagógico es la capa decisiva. Un estudio transnivel de educación en IA en secundaria (46 docentes, 2.832 estudiantes) encontró que el conocimiento técnico de la IA por sí solo era insuficiente —e incluso podía reducir ligeramente la percepción del estudiantado sobre la IA para el bien social—, mientras que el conocimiento pedagógico de la IA impulsaba las percepciones del estudiantado y su intención de aprender IA. Los marcos de competencia deberían, por tanto, ponderar el conocimiento pedagógico de la IA como la dimensión pivotal y no como un añadido blando.
• Integración pedagógica: vincular el uso de la IA a los objetivos de aprendizaje, diseñar andamiaje que apoye la metacognición y la auto-regulación del estudiantado, e integrar la IA en el diseño instruccional. La investigación sobre AI-TPACK modela cómo el profesorado combina conocimiento tecnológico, pedagógico y de contenido mediante flujos de trabajo multi-agente, mientras que un marco de colaboración docente-IA de cinco niveles (transaccional → sinérgico) captura cómo la IA generativa puede reemplazar, complementar o aumentar la competencia docente.
• Alfabetización evaluativa: evaluar el contenido generado por IA y las producciones del estudiantado con IA, y comprender cómo cambia la validez cuando el estudiantado usa IA. Esto conecta con la evaluación automatizada, la detección de IA y la agenda más amplia de rediseño de la evaluación. En el caso de los sistemas de recomendación, se extiende a juzgar si las explicaciones de una IA son genuinamente comprensibles y pedagógicamente significativas: Feldman-Maggor et al. (2025) encontraron que el profesorado confiaba más en las recomendaciones de agrupamiento de la IA cuando las explicaciones se formulaban en el lenguaje de la disciplina (curricular) que cuando exponían características crudas del modelo, una habilidad para exigir y valorar la calidad de las explicaciones en lugar de aceptar resultados opacos.
• La selección de modelo y el diseño de prompts como habilidades demostrables: la alfabetización en IA instrumental incluye saber qué modelo usar y cómo formular la tarea. Jacobsen et al. (2026) hicieron que ChatGPT-4, Claude 3 y Gemini Advanced criticaran los objetivos de planificación de clases de 153 docentes en formación bajo cuatro prompts variados sistemáticamente (N = 240 retroalimentaciones en el estudio 1 y 345 en el estudio 2), con la retroalimentación valorada en nueve categorías de calidad. La elección de modelo por sí sola explicó el 26,9% de la varianza en la calidad valorada (18,4% en el estudio 2) y el diseño del prompt añadió un 15,9% adicional significativo (5,7%); la única característica decisiva del prompt fue el lenguaje técnico específico de la disciplina, cuya eliminación redujo significativamente la calidad (β = −0,412), mientras que añadir ejemplos y suprimir la instrucción de cadena de pensamiento no supuso ninguna diferencia significativa en el estudio 1. Su lectura —que la terminología de la materia tanto desbloquea contenido relevante de los datos de entrenamiento como enmarca la petición de forma profesional, como hace el role prompting— junto con una regla práctica de usar el modelo de frontera actual más capaz, convierte la elección de modelo en una decisión didáctica y no técnica.
• Uso ético y crítico: reconocer el sesgo en los resultados de la IA, proteger los datos del estudiantado (privacidad) y garantizar resultados equitativos (equidad en la educación con IA). El uso culturalmente relevante de la IA examina cómo el profesorado puede usar los LLM para diversificar los materiales en lugar de reforzar las normas dominantes.
• Confianza y actitudes: la confianza del profesorado condiciona la adopción. La investigación sobre adopción encuentra que la confianza, el apoyo y la utilidad percibida determinan si el profesorado usa realmente la IA, y que las orientaciones del personal docente condicionan la adopción en la investigación y en la enseñanza.

La preparación emocional y moral es una dimensión distinta. Vassallo (2026) encuestó al personal académico de una universidad maltesa (109 respuestas) y construyó un Índice de Culpa por IA (α = 0,88) a partir de cuatro ítems de emoción moral, y encontró que la culpa anticipatoria pesaba más que el remordimiento experimentado después del uso: la afirmación más respaldada era la preocupación de que usar IA menoscabe la propia credibilidad (34,9% de acuerdo), seguida de sentirse como si se hiciera trampa al usarla (25,7%), mientras que el remordimiento posterior al uso solo alcanzó el 9,2%. Los hallazgos que importan para los marcos de competencia son que quienes no la usaban declararon más culpa que quienes la usaban (M = 3,25 frente a M = 2,32) y que la culpa descendía a medida que aumentaba la seguridad profesional: el personal académico al inicio de su carrera declaró la más alta (M = 2,71) y el personal sénior la más baja (M = 2,03). La preparación emocional no queda, por tanto, recogida por las medidas de habilidad o de confianza, y el artículo sostiene que los marcos de competencia deberían tratar la culpa y la preocupación identitaria como respuestas transitorias normales y no como defectos que corregir.

La brecha de competencia

Un hallazgo clave es la brecha entre la competencia autoinformada y la basada en el desempeño. La investigación sobre la evaluación de la alfabetización en IA documenta una discrepancia sustancial (de hasta ~40%) entre lo que el profesorado cree que puede hacer y lo que puede demostrar realmente: el profesorado que se siente seguro con las habilidades de IA a menudo carece de capacidades fundacionales de prompting y evaluación. Esto motiva una evaluación basada en el desempeño de la competencia docente en lugar de confiar en el autoinforme, y conecta con la autoevaluación calibrada.

La brecha se ve tanto en el artefacto como en el autoinforme. Un colaboratorio interinstitucional de profesorado en la formación docente, en el que formadores de docentes integraron la IA en sus propios cursos de didáctica, informó de que los futuros docentes podían producir planificaciones de clase asistidas por IA muy pulidas sin ser capaces de explicar por qué una planificación encajaba con el estudiantado y con los estándares, ya que la planificación en sí no dice nada sobre el razonamiento que hay detrás. Calificar la justificación en lugar del producto es una respuesta posible. El marco de pedagogías de la práctica sugiere otra, al tratar el ensayo como una aproximación de la práctica: el ensayo mediado por IA con retroalimentación estructurada posterior al ensayo aumentó el uso de preguntas de sondeo y exploración por parte de los futuros docentes, aunque sus propios juicios sobre su desempeño seguían divergiendo de lo que registraban las personas observadoras.

La brecha también se manifiesta como no participación. Watson y Rainie (2026) encuestaron a 1.057 docentes universitarios estadounidenses a finales de 2025 y encontraron que el 26% no usa en absoluto herramientas de IA generativa, con un tercio que decide no usarlas para enseñar y una no utilización concentrada en las artes y las humanidades (40%). El lado institucional de la brecha era mayor que el individual: el 68% dijo que su institución no había preparado al profesorado para usar la IA generativa en la docencia y la tutoría, y el profesorado señaló la resistencia de sus colegas (82%) y su falta de familiaridad (83%) como los principales obstáculos a la adopción departamental, un panorama en el que la creación de capacidades, las normas entre pares y la política tienen que moverse a la vez.

La formación inicial elude en gran medida la dimensión ética de la competencia. Una revisión sistemática sobre la IA en la formación inicial del profesorado de matemáticas de primaria (Pinto et al. 2026, 11 estudios seleccionados de 341 registros) encontró que las intervenciones se concentraban en ganancias técnicas y pedagógicas a corto plazo, con nueve de los once estudios consistiendo en intervenciones breves de una a seis sesiones, e informó de que la ética se abordaba solo en tres de los once estudios. Los marcos de competencia nombran el juicio ético como dimensión; la literatura de formación inicial destinada a construirlo rara vez lo enseña o lo mide.

Desarrollo profesional que funciona

La literatura sobre desarrollo profesional de la base de conocimiento identifica enfoques eficaces:

• Programas intensivos y fundamentados en la teoría: un programa intensivo de desarrollo profesional en IA generativa con 163 docentes y futuros docentes produjo ganancias significativas en todos los componentes del AI-PCK, y los futuros docentes fueron quienes más se beneficiaron. El desarrollo profesional basado en la teoría de la autodeterminación muestra que una formación que apoya las necesidades mejora la alfabetización en IA, las actitudes y la implicación del profesorado, a la vez que reduce la ansiedad.
• Enfoques basados en el diseño e integrados: la formación en alfabetización en IA generativa basada en investigación de diseño aborda el énfasis excesivo en el conocimiento técnico y en las herramientas anteriores a la IA generativa; los marcos integradores y de desarrollo y la integración de competencias socioemocionales amplían la alfabetización más allá de la técnica pura.
• Indagación y práctica auténtica: los modelos de indagación apoyados por IA construyen alfabetización en IA y desempeño auténtico en los futuros docentes.
• Preparación específica del contexto: el marco de preparación EPIQ-AI subraya que la preparación del personal docente es una cuestión sociotécnica que exige alinear la capacidad del profesorado, la gobernanza y el aseguramiento de la calidad.
• El apoyo debe diferenciarse según la experiencia y la competencia en IA. Choi et al. (2026) encontraron que la forma en que el profesorado interactúa realmente con la IA al diseñar clases depende de la interacción entre la experiencia docente y la competencia en IA, y no de cada una por separado. El profesorado con experiencia y alta competencia en IA adapta críticamente los resultados de la IA al contexto (reprompting, ampliación), mientras que las personas noveles —incluso las técnicamente fluidas— tienden a aceptar directamente las respuestas de la IA y rara vez consideran al estudiantado y el contexto. Esto aboga por un desarrollo profesional basado en perfiles: listas de comprobación para evaluar respuestas y plantillas de prompts para las personas noveles, y desarrollo práctico de habilidades para el profesorado con experiencia y menor competencia en IA.
• El codiseño y la alfabetización pedagógica en prompts son competencias, no añadidos. Una revisión sistemática del codiseño docente-IA de tareas de aprendizaje (Wang, Liu e Islam 2026, 28 estudios) encuentra que el modo de colaboración dominante es la IA como asistente y generadora de contenido, y sitúa una brecha en las capacidades de codiseño más pleno y de asociación dialógica del profesorado. Talebzadeh (2026) muestra que el desarrollo profesional que empareja la formación técnica en IA con el razonamiento pedagógico —construyendo una «alfabetización pedagógica en prompts» (codificar el PCK en los prompts)— es lo que permite al profesorado convertir los resultados de la IA en actividades grupales diferenciadas eficaces.
• Estructuras que construyen competencia, en lugar de listas de competencia. Perl-Nussbaum y Finkelstein (2026) dirigieron una comunidad de aprendizaje docente de seis sesiones quincenales en un gran departamento de física R1 público —diecinueve docentes a lo largo de la serie, unos diez en cada reunión— en la que cada sesión abría con datos locales, pasaba a una prueba en grupos pequeños de la IA frente a deberes reales y anonimizados del estudiantado y cerraba con una discusión colectiva, y produjo un repositorio compartido de cinco entradas en lugar de un paquete de formación. La alfabetización evaluativa puede construirse del mismo modo mediante una herramienta de diseño: en el piloto de Paula et al. (2026), ocho coordinadores de cursos experimentados de STEM y Salud desarrollaron su alfabetización evaluativa criticando los borradores de evaluación de un GPT personalizado contra los estándares disciplinares, aunque los resultados fallaban repetidamente el contexto disciplinar, ignoraban la secuenciación de temas y en un caso arrastraban referencias fabricadas a lo largo de prompts repetidos. Los ocho mantuvieron el juicio académico en sus manos y rechazaron la automatización de extremo a extremo, lo que convierte la crítica estructurada de borradores generados en el mecanismo de desarrollo, y no la formación en la herramienta.
• Las sesiones breves pueden mover la aceptación sin mover la adopción. Mesenhöller y Böhme (2026) evaluaron una sesión INSIGHT de tres horas con 100 docentes alemanes de primaria y secundaria y encontraron que la utilidad percibida y la facilidad de uso percibida aumentaron significativamente (utilidad t(99) = -3,24, p = 0,002, d = 0,32; facilidad de uso d = 0,25), mientras que la intención conductual de usar tecnologías basadas en IA para la diferenciación no cambió. Los autores señalan que sus líneas base ya eran favorables, por lo que es plausible un efecto techo. La lectura para el diseño de desarrollo profesional es limitada pero útil: una sesión breve puede cambiar cómo el profesorado juzga las herramientas de IA sin cambiar si planea usarlas, que es el tipo de cambio que necesita continuidad y no un evento puntual.
• Apoyo institucional: el desarrollo profesional debe ir acompañado de infraestructura institucional (política, cambio institucional) para una adopción sostenible.
• Las herramientas de autoría no garantizan la fidelidad pedagógica. Riahi et al. (2026) estudiaron a 27 docentes de secundaria que configuraban chatbots educativos en talleres de desarrollo profesional, y analizaron grupos focales junto con registros de configuración e interacción. El profesorado trataba el chatbot como un andamiaje instruccional acotado por reglas definidas por él mismo, pero la alineación basada en registros entre intención y conducta era más fuerte para la capacidad de respuesta (88,9%) y la persona (81,5%) que para las reglas (70,4%) y el propósito (59,3%). Los controles configurables por sí solos no trasladan la intención pedagógica a la conducta, así que expresar, probar y refinar la pedagogía de un chatbot es en sí mismo una competencia que las herramientas de autoría tienen que apoyar.

Un contraejemplo basado en el diseño trata la competencia como situacional y no como un peldaño de una escalera. El estudio basado en el diseño de Eyal (2025) con 22 formadores de docentes de educación superior hizo que las personas participantes examinaran cinco marcos de evaluación publicados y codiseñaran una alternativa organizada en torno a tres ejes interrelacionados: la adecuación al contexto (infraestructura, factores socioculturales, necesidades locales, etapa de desarrollo), las necesidades profesionales (disciplina, pedagogía, liderazgo, apoyo) y el desarrollo dinámico. El modelo rechaza los niveles de competencia fijos y permite una progresión no lineal, y se acompaña de un cuestionario de autoevaluación reflexiva de 20 ítems valorado de 1 a 5. Su validación es solo cualitativa, sin pruebas cuantitativas de fiabilidad, por lo que se sostiene como contribución de diseño y no como instrumento validado.

La competencia en IA del profesorado y la transformación del rol docente

A medida que la IA asume tareas rutinarias de instrucción y evaluación, la contribución distintiva del profesorado se desplaza hacia la orquestación, el juicio y la relación: decidir cuándo y cómo se usa la IA, andamiar la agencia del estudiantado y su uso crítico, garantizar la equidad y ofrecer el apoyo social y emocional que la IA no puede dar. Esto reencuadra la competencia docente en torno a la supervisión con intervención humana, el juicio ético y el apoyo al aprendizaje autorregulado, y conecta con el rol docente y con la protección frente a la dependencia excesiva.

Implicaciones para la IA en la educación

• Evalúe el desempeño, no solo el autoinforme: la competencia docente debería evaluarse mediante la demostración, dada la brecha documentada del autoinforme.

• Forme la competencia completa, no solo las herramientas: el desarrollo profesional debe construir juntas las dimensiones técnica, pedagógica, evaluativa y ética, fundamentadas en la teoría del aprendizaje.

• Construya confianza junto con la habilidad: las actitudes y la autoeficacia condicionan la adopción, así que el desarrollo profesional debe reducir la ansiedad y construir confianza mediante una práctica auténtica y apoyada.

• Apoye la capa institucional: una competencia docente sostenible requiere política, gobernanza y capacidad alineadas, y no formación aislada.

• Competencia digital docente para el diseño curricular con IA generativa. Guillén-Gámez (2026) valida un instrumento diagnóstico basado en el modelo TAM con 434 docentes en activo; la intención conductual fue el principal predictor de la competencia digital para usar IA generativa en la planificación curricular, con la autoeficacia como motor de raíz.

Un instrumento psicométrico para la competencia en IA del profesorado

• Un estudio psicométrico desarrolló la Escala de Alfabetización en IA del Profesorado (TAILS) para medir la alfabetización en IA específicamente en la formación de profesorado de idiomas, operacionalizando las seis dimensiones del marco ED-AI. El desarrollo del instrumento cubre una carencia de evaluaciones dirigidas a estudiantes o usuarios generales, y apoya la medición de la competencia en IA del profesorado.

El panorama de instrumentos se ha revisado desde entonces. La revisión sistemática de Zainal, Mohd Matore y Maat (2026) sobre instrumentos de medición de la alfabetización en IA del profesorado evaluó 33 instrumentos publicados entre 2019 y 2025 y encontró que el campo es metodológicamente monótono: 31 (93,9%) son escalas de autoinforme sobre la confianza percibida, solo dos (6,1%) evalúan el conocimiento de forma objetiva y ninguno usa tareas basadas en el desempeño. La consistencia interna fue el dominio de calidad más fuerte (28 de 33 en grado A) y la equidad el más débil, con cinco instrumentos (15,2%) que informan de invariancia de medición o de evidencia de funcionamiento diferencial de los ítems. El contenido también va por detrás de la tecnología, ya que 29 instrumentos (87,9%) se centran en conceptos generales de IA y solo cuatro (12,1%), todos de 2025, abordan la IA generativa.

Conceptos conectados

• Alfabetización en IA
• Desarrollo educativo
• La docencia
• Ingeniería de prompts
• Diseño de aprendizaje
• Andamiaje
• Metacognición
• Validez de la evaluación
• Equidad
• Ética
• Autoeficacia
• IA con intervención humana (HITL)
• Agencia de quien aprende
• Descarga cognitiva
• Política educativa sobre IA
• IA en la educación
• Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK)
• Desarrollo profesional
• Pedagogías y estrategias de enseñanza — Marco: pedagogías y estrategias de enseñanza en la educación con IA

Artículos conectados

• Typology of Generative AI Tools for Education — La selección de herramientas como ejercicio de agencia del personal docente
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Revisión sistemática de la IA generativa en la enseñanza y el aprendizaje en K-12 (Marzano 2026)
• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Conocimiento profesional docente en la educación en IA en K-12: TAIK frente a TPAIK y el aprendizaje del estudiantado (Shen et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Patrones de interacción docente-IA en el diseño de clases según la experiencia y la competencia en IA (Choi et al. 2026)
• From Proficiency to Pedagogy: A Mixed-Methods Study of In-Service Teachers' TPACK-GenAI and the Mediating Role of Pedagogical Knowledge — El TPACK-IA generativa del profesorado en activo y el papel mediador del conocimiento pedagógico (Mohebi y ElSayary 2026)
• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Uso responsable de la IA generativa por parte de futuros docentes: implicaciones curriculares (Kohnke et al. 2026)
• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Gobernar lo que no se ve: alfabetización en IA del profesorado de idiomas
• Benchmarking the Pedagogical Knowledge of Large Language Models — Evaluación comparativa del conocimiento pedagógico de los LLM (CDPK + SEND)
• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — Observación de aula con LLM para el desarrollo profesional docente (Melo et al. 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — La IA generativa entre representaciones, descomposiciones y aproximaciones: ensayo, retroalimentación estructurada y las cautelas de precisión
• Integrating Generative Artificial Intelligence into Student Learning: A Systematic Review from a TPACK Perspective — Revisión sistemática de la IA generativa en el aprendizaje del estudiantado desde una perspectiva TPACK
• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Eficacia de un programa intensivo de desarrollo profesional en IA generativa
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modelar el AI-TPACK mediante flujos de trabajo multiagente del profesorado
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Hacia interacciones docente-IA sinérgicas
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Formación docente para la alfabetización en IA desde la teoría de la autodeterminación
• Development and evaluation of artificial intelligence literacy training for teacher education students — Formación en alfabetización en IA generativa mediante investigación basada en el diseño
• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Repensar la alfabetización en IA generativa en la formación docente
• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrar competencias socioemocionales con la alfabetización en IA
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Adopción de la IA entre el profesorado: confianza y apoyo
• Faculty Orientations Shape Adoption of AI in Research and Teaching — Las orientaciones del personal docente condicionan la adopción de la IA
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Desalineación entre la competencia en IA autoinformada y la basada en el desempeño
• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Indagación apoyada por IA para futuros docentes
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Marco de preparación del personal docente EPIQ-AI
• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM para una pedagogía culturalmente relevante en K-12
• A Framework for Institutional Change in the Age of AI — Marco de cambio institucional para la IA
• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — El chatbot TeachingCoach para la orientación docente
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — La IA generativa como crisis identitaria y no como brecha de habilidades
• Situated AI ethics: a cultural-historical and ecological framework for education
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Evaluar la competencia digital docente para el diseño curricular con IA generativa (Guillén-Gámez 2026)
• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Modelo del Triángulo Reflexivo: la IA como mediadora cognitiva
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — Estudio fenomenográfico de las concepciones del profesorado universitario sobre la IA
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — La agencia de los futuros docentes durante las interacciones con IA generativa en el diseño para el aprendizaje (Krushinskaia, Elen y Raes 2026)
• Design and Validation of a Questionnaire on Teachers' Uses of Generative Artificial Intelligence — Cuestionario sobre los usos de la IA generativa por parte del profesorado (Pérez-Montesdeoca et al. 2026)
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Marco de alfabetización en IA de cinco niveles y desarrollo profesional para docentes de secundaria ucranianos (Marienko et al. 2026)
• Language teachers’ AI literacy: A psychometric study based on the ED-AI framework — Estudio psicométrico de la Escala de Alfabetización en IA del Profesorado (TAILS) (marco ED-AI)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Codiseño docente-IA de tareas de aprendizaje: tendencias y perspectivas (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arquitectura de roles en actividades grupales diferenciadas diseñadas con IA (Talebzadeh 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — La ingeniería de prompts y la selección de modelo como predictores de la calidad de la retroalimentación con IA (Jacobsen et al. 2026)
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — El complejo de culpa por IA: culpa anticipatoria y cuatro perfiles de respuesta moral entre el personal académico (Vassallo 2026)
• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Una sesión de desarrollo profesional docente de tres horas elevó la utilidad y la facilidad de uso percibidas, pero no la intención declarada de adoptar (Mesenhöller y Böhme 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Revisión sistemática de la IA en la formación inicial del profesorado de matemáticas de primaria: la ética se aborda solo en tres de once estudios (Pinto et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Encuesta AAC&U/Elon a 1.057 docentes estadounidenses: preparación, no utilización y la brecha entre política individual e institucional (Watson y Rainie 2026)
• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Instituto docente de seis semanas: del miedo a la integración ética, la pedagogía simbiótica y el AIPACK (Chick, Morello y Staffey 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Colaboratorio interinstitucional de profesorado: la integración de la IA como diseño instruccional en la formación docente
• Assessing teachers' AI literacy: a systematic review of measurement tools — Revisión sistemática de 33 instrumentos para medir la alfabetización en IA del profesorado: 31 de autoinforme, dos pruebas objetivas de conocimiento y ninguna tarea de desempeño (Zainal, Mohd Matore y Maat 2026)
• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Un modelo adaptativo de alfabetización en IA basado en el diseño y un cuestionario reflexivo de 20 ítems codiseñado con 22 formadores de docentes (Eyal 2025)
• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Una serie de talleres para el uso eficaz de la IA en tiempos inciertos: construir una comunidad de aprendizaje docente de física
• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Diseñar evaluaciones auténticas con IA generativa: estudio piloto de Assessment Authentifire en educación superior
• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — ¿Enseñará como estaba previsto? Cómo configura el profesorado los chatbots educativos de IA