Conceptos
Formación docente
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Desarrollo profesional: la preparación y el desarrollo profesional continuo del profesorado, que abarca tanto la formación inicial docente (los programas de certificación) como el desarrollo profesional en servicio. En la investigación sobre IA en educación, la formación docente se ha convertido en una preocupación central porque la alfabetización en IA del profesorado, el conocimiento tecnológico-pedagógico, la fluidez ética y la disposición a integrar la IA en la enseñanza determinan si la adopción de la IA en las aulas tiene éxito. Este concepto organiza la amplia cobertura de cómo la IA reconfigura la preparación, el conocimiento, las creencias y la práctica tanto del profesorado en formación como del que ya ejerce.
Preguntas para reflexionar
- La formación docente abarca aquí la formación inicial (futuros docentes en programas de certificación) y el desarrollo profesional en servicio (docentes en ejercicio). ¿Cuál de los dos cree que enfrenta el reto mayor al prepararse para aulas con IA, y por qué?
- La formación docente debe preparar al profesorado no solo para usar herramientas de IA, sino para comprenderlas, evaluarlas e integrarlas éticamente, un giro que "redefine lo que significa ser docente". ¿Cómo cree que esa redefinición debería cambiar lo que enseña un programa de certificación?
- Marcos como el AI-TPACK amplían el modelo clásico TPACK añadiendo una dimensión de IA y ética. ¿Qué debería contener realmente una "dimensión de IA" del conocimiento tecnológico-pedagógico-disciplinar más allá de saber operar un chatbot?
- Una revisión de alcance de 55 estudios concluye que la IA mejora el diseño instruccional, la reflexión y el pensamiento crítico del profesorado en formación. Pero si la IA puede hacer parte de eso por ellos, ¿cuándo su uso en la formación docente desarrolla la competencia y cuándo sustituye justamente el juicio que van a necesitar?
- Si usted rediseñara un programa de formación docente para la era de la IA, ¿qué exigiría que experimentara todo futuro docente, y qué mantendría deliberadamente fuera de lo que puede delegarse en la IA?
Introducción
La formación docente se sitúa en la intersección de varias líneas de investigación: es una disciplina o dominio (como la educación médica y la educación en humanidades), pero también se nutre de los conceptos generales de rol docente, TPACK, competencia docente en IA y alfabetización en IA. En la era de la IA, la formación docente debe preparar al profesorado no solo para usar herramientas de IA, sino para comprenderlas, evaluarlas e integrarlas éticamente, un giro que redefine lo que significa ser docente. Las ciencias del aprendizaje aportan el conocimiento que esta formación tiene que sostener: si ese campo estudia cómo aprenden las personas y cómo deben diseñarse los entornos de aprendizaje, la formación docente es la formación profesional en la que esa evidencia tiene que cuajar como capacidad propia del docente para diseñar, enseñar y evaluar.
La evidencia entre niveles afina la prioridad de diseño: un estudio multinivel con 46 docentes y 2.832 estudiantes de secundaria encontró que el conocimiento pedagógico de la IA (TPAIK), y no el conocimiento técnico de la IA, determinaba las percepciones del alumnado sobre la IA para el bien social y su intención de aprender IA. La formación docente debería, por tanto, poner en primer plano cómo enseñar con IA y sobre la IA por encima del dominio de la herramienta, en coherencia con la directriz de "primero la pedagogía, después la tecnología".
Una línea heutagógica acompaña esta prioridad de diseño: Hochberg y Waitzman (2026) siguieron a 93 docentes israelíes a lo largo de un programa de desarrollo profesional en IA de ocho semanas y propusieron una relación de dos capas en la que la propia regulación reflexiva del profesorado y su alfabetización crítica en IA median los diseños orientados a la agencia y a la capacidad que crean para el alumnado.
Formación inicial docente
La formación inicial prepara a los futuros docentes durante sus programas de certificación. La investigación sobre IA en esta línea incluye:
-
Preparación en AI-TPACK e intelligent-TPACK. Los instrumentos y marcos miden y desarrollan la disposición del profesorado en formación a integrar la IA, ampliando el marco Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK) con una dimensión de IA y ética.(Reyes-Rojas et al. (2026))(Xie et al., 2026)
-
Perfiles de aceptación y una paradoja entre facilidad de uso e intención. Chen et al. (2026) clasificaron a 128 docentes en formación en cuatro grupos de aceptación de ChatGPT: los escépticos resistentes (14,06%) declararon una facilidad de uso percibida alta pero una intención conductual muy baja, de modo que la formación en habilidades operativas por sí sola no los convierte.
-
El contexto local como insumo de diseño. Los futuros docentes suizos valoraron más los motivos de utilidad social y los intrínsecos que sus pares chinos, quienes declararon mayor competencia digital docente y más entusiasmo por la IA (Martínez-Moreno et al. (2026)). La preparación debería ajustar su punto de entrada al perfil motivacional de cada contexto.
-
Aplicaciones y beneficios. Una revisión de alcance de 55 estudios muestra que la IA mejora el diseño instruccional, la enseñanza de la asignatura, las habilidades prácticas de enseñanza, la evaluación, la práctica reflexiva, el pensamiento crítico, la integración tecnológica y la innovación pedagógica del profesorado en formación.(Ziying et al., 2026)
-
El acceso a IA generativa sin andamiaje puntuó por debajo de no usar IA generativa. En un cuasi-experimento de 11 semanas con 52 docentes en formación, la clase con IA generativa sin andamiaje produjo planes de clase peor valorados con rúbrica que la clase sin IA generativa (86,54 frente a 81,87 ajustados; F = 8,348; p = 0,006; η² = 0,146), sin diferencias entre grupos en aprendizaje autorregulado ni en pensamiento crítico (Zhang et al. (2026)).
-
Los ciclos estructurados con GPT personalizados produjeron cuatro roles de socio cognitivo. En un estudio de diseño de un semestre, 14 docentes en formación de Tecnologías Digitales usaron agentes GPT personalizados e integrados en el LMS mediante ciclos de indicar, reflexionar y refinar, y asumieron los roles de tutor conceptual, codiseñador, espejo reflexivo y desafiador cognitivo a medida que crecía su pericia (Zagami); el 82% de los artefactos finales relacionaron descriptores de contenido, tareas de evaluación y criterios de logro.
-
Robótica educativa y aprendizaje automático. La formación inicial integra actividades de programación, robótica y aprendizaje automático (por ejemplo, micro:bit) para desarrollar el pensamiento computacional en los futuros docentes.(Sáez-López et al., 2026)
-
Evaluación auténtica y metacognición. Los modelos de evaluación mediados por IA (por ejemplo, AAIWA) integran evaluación auténtica basada en rúbricas, retroalimentación con IA sensible a las condiciones y reflexión metacognitiva en los programas de formación inicial.(Oktoma et al., 2026)
-
Indagación apoyada por IA en la enseñanza de las ciencias. Un cuasi-experimento con 48 docentes de ciencias en formación en Turquía (Aydın) integró el aprendizaje basado en problemas y en diseño en un programa de indagación guiada con apoyo de IA de 8 semanas sobre la fotosíntesis y la respiración. Produjo mejoras significativas en la comprensión conceptual de los dos procesos biológicos, pero ningún efecto significativo en la alfabetización en IA ni en el pensamiento computacional autopercibido: un recordatorio de que la indagación apoyada por IA puede profundizar la comprensión de la materia en los futuros docentes sin desarrollar automáticamente sus competencias de IA y de pensamiento computacional, que exigen un diseño explícito y específico.
-
El prompting metacognitivo no es neutro respecto del grupo, así que el futuro profesorado tiene que aprender a leer el grupo. En el estudio de Wang et al. (2026) quienes aprendían eran los propios docentes en formación: catorce grupos que resolvieron una indagación de 60 minutos con un chatbot metacognitivo disponible a demanda. Los grupos cuyos miembros sostenían concepciones previas distintas hicieron de la IA un centro de conversación conceptual; los grupos que ya estaban de acuerdo la usaron como consulta y valoraron negativamente los empujones proactivos. La nota para profesionales de los autores pide al profesorado componer los grupos según la diversidad de concepciones previas y mantener opcional el apoyo a la regulación compartida.
-
IA generativa para el diseño instruccional constructivista. El modelo SAHAB es una intervención cuasiexperimental de desarrollo profesional en la que la IA generativa capacita al profesorado para diseñar instrucción constructivista, con ganancias grandes (d = 1,18). Muestra que la IA generativa puede servir de andamiaje al diseño instruccional tanto de docentes en formación como en ejercicio: no solo entregar contenido, sino apoyar el diseño de actividades de aprendizaje centradas en el estudiante.
-
Formación en aulas inteligentes para estudiantes de máster en educación matemática. Zhu, Liang, Mao y Wang (2026) muestran cómo un curso de máster en matemáticas puede enriquecerse con tecnologías educativas inteligentes (calificación automatizada, recomendaciones personalizadas, retroalimentación con varias IA) en las etapas previa, durante y posterior a la clase, con ganancias estadísticamente significativas en la competencia para diseñar objetivos instruccionales. El modelo transferible D-T-E (exigencia disciplinar, empoderamiento tecnológico, bucle de evaluación) ofrece a los formadores de docentes un marco específico de la disciplina para integrar la educación inteligente en la formación de posgrado del profesorado.
-
La adopción bajo una política permisiva es más débil de lo que sugieren las encuestas, y la alfabetización evaluativa no se transfiere. Zou et al. (2026) encuestaron a 85 docentes en formación de tres cursos de formación docente de Hong Kong en los que la IA generativa estaba explícitamente permitida en la evaluación: el 62,4% (53) decidió no usarla en absoluto, y el uso de quienes la adoptaron fue superficial y correctivo (corrección de pruebas 43,8%, comprobaciones de claridad 34,4%, generación de texto 18,8%, lluvia de ideas 12,5%). El miedo a ser acusados injustamente de plagio (41,5% de quienes no la adoptaron) y la preferencia por el trabajo individual (77,4%) pesaron más que la falta de habilidades (13,2%), y nueve de once entrevistados leyeron la política permisiva como una posible "trampa": evidencia de que el profesorado en formación llega a los cursos con IA permitida con ansiedad por la integridad, no solo con disposición hacia la herramienta.
-
La redacción de políticas de IA de aula como lente sobre el pensamiento del futuro docente. Nash y Burriss (2026) pidieron a 27 docentes de inglés de secundaria en formación, en el último año de un programa de preparación de docentes de inglés de secundaria, que escribieran las políticas de IA que usarían en sus propias aulas de 6.º a 12.º grado, en un estado sin orientación estatal sobre IA. 26 de los 27 permitían algún uso de IA, casi siempre restringido a tareas, momentos y lugares especificados por el docente, y solo uno la prohibió del todo por razones éticas vinculadas a las prácticas laborales y los derechos de autor; 22 la permitían para generar ideas mientras que 22 no permitían o dejaban sin definir su uso para componer oraciones, párrafos o trabajos, y las reflexiones que acompañaron el ejercicio se leen como negociaciones entre compromisos pedagógicos y una obligación sentida de integrar la IA. Pedir al profesorado en formación que redacte una política, en lugar de debatir sobre la IA en abstracto, sacó a la luz sus filosofías, creencias y supuestos curriculares, lo que convierte la redacción de políticas en una actividad de alto valor para los cursos de didáctica.
-
La política no gobierna la práctica. Cuatro semestres de datos de encuesta de un programa estadounidense de formación docente muestran que el uso de IA generativa para preparar evaluaciones pasó del 57% al 83% y para estudiar, del 44% al 76%, incluso mientras las instituciones consideraban software de detección de IA, con una incertidumbre ética creciente a lo largo de las oleadas (Parker et al. (2026)).
-
Ningún estudio con profesorado en formación midió el aprendizaje del alumnado. Una revisión que solo pudo incluir siete fuentes encontró que la ética se reconoce pero rara vez se enseña o se evalúa, y que el profesorado en formación está demasiado confiado al criticar la IA (Shukla (2026)).
Desarrollo profesional en servicio
El desarrollo profesional en servicio apoya al profesorado en ejercicio en la integración de la IA. La investigación sobre IA en esta línea incluye:
-
Marcos de desarrollo profesional basados en intelligent-TPACK. Un marco informado por la investigación alinea los cinco dominios de conocimiento del i-TPACK con cuatro vías de desarrollo profesional basadas en la evidencia (aprendizaje activo, modelos y ejemplos, acompañamiento, retroalimentación y reflexión).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)
-
Conocimiento tecnológico-pedagógico (TPK) específico de la IA generativa. Los propios formadores de docentes necesitan TPK de IA generativa (razonamiento pedagógico, conciencia ética y diseño instruccional aumentado por IA) para preparar al profesorado.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)
-
Alfabetización en IA centrada en las personas y crítica. La investigación basada en diseño produce currículos de aprendizaje profesional que operacionalizan la alfabetización crítica en IA mediante actividades de IA centradas en las personas, incluidas tareas con el educador dentro del bucle.(Baran et al. (2026))
-
Capacidad construida haciendo, no estudiando. Un modelo estructural basado en TPACK con 122 docentes en ejercicio encontró que el uso real de la IA en tareas de ciencia y energía verde y la participación en el desarrollo de materiales alineados con la EDS predecían la capacidad de integración de la IA, mientras que el conocimiento abstracto de la IA y las actitudes hacia ella no lo hacían (Riandi et al. (2026)).
-
La evaluación colaborativa de contenido generado por IA como desarrollo profesional. Gat, Usher y Barak (2026) informan de un taller en el que 60 docentes de ciencias de educación media valoraron preguntas de evaluación generadas por ChatGPT con su juicio disciplinar, pedagógico y curricular. La evaluación colaborativa funcionó en sí misma como desarrollo profesional: ayudó al profesorado a aplicar criterios de precisión conceptual a los resultados de la IA y sacó a la luz el riesgo de que el contenido de IA refuerce las ideas erróneas, situando al docente como evaluador crítico del material de IA generativa en lugar de consumidor pasivo.
-
El desarrollo profesional estructurado para docentes de lenguas es escaso pero eficaz. Una revisión sistemática de 23 estudios (Li et al. 2026) encontró que solo tres de los estudios incluidos informaban de desarrollo profesional estructurado (un módulo integrado en un curso de gramática, un programa gubernamental de EMI y la indagación integrada con chatbot), y aun así todos confluyeron en ganancias de conocimiento, confianza y reencuadre identitario, desplazando la visión de la IA generativa desde el "riesgo de sustitución" hacia la de asistente o ampliadora. La revisión sostiene que el desarrollo profesional debería combinar la formación en habilidades técnicas con sabiduría práctica, pasando de la sensibilización y la ética al dominio práctico de la herramienta y al codiseño de clases enriquecidas con IA, y recomienda una estrategia de implementación en dos fases: "primero la trastienda, después el aula".
-
La formación, y no la herramienta, fue lo que produjo la ganancia. En 19 clases de primaria brasileñas, el estudiantado de docentes que recibieron una única formación de 50 minutos en aritmética superó a los controles, mientras que añadir un sistema de IA mediado por el docente no produjo ninguna ganancia de aprendizaje adicional (Rodrigues et al. (2026)).
El caso más claro de desarrollo profesional en IA generativa guiado por un marco para matemáticas es un estudio con ocho docentes en ejercicio de distritos rurales y con pocos recursos que completaron diez módulos interactivos construidos sobre el marco 4P de Rhodes (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Aporta dos mecanismos de diseño que el desarrollo profesional en servicio no suele tener aquí: un andamiaje que se retira de forma deliberada (orientación explícita al principio y, después, peticiones de justificar, generalizar y diseñar tareas) y el razonamiento estudiantil simulado en los módulos 6 a 10, junto con el hallazgo de que MC, CK y PCK se movieron juntos, aunque solo midió la participación, no el conocimiento docente ni el aprendizaje del alumnado.
-
Programas de poscualificación. La alfabetización en IA y el uso que hacen de ella los educadores de ciencias en ejercicio informan el diseño de programas de poscualificación relacionados con la IA.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)
-
Apoyo y orientación de la IA en el trabajo de diseño docente. Pishtari, Gnadlinger y Ley (2026) hicieron que 13 docentes de educación superior diseñaran actividades en condiciones sin IA, con chatbot de IA y con IA más formación, en un programa de medio día. El acceso a la IA elevó el logro en tareas de orden superior (Bloom) y redujo el esfuerzo cognitivo percibido, mientras que la sesión posterior de formación en interacción estancó la calidad pero subió ligeramente el esfuerzo (carga pertinente frente a carga extraña, sin resolver). Enmarca el desarrollo profesional para la enseñanza en la era de la IA como una tarea que necesita tanto marcos de diseño anclados en la pedagogía (Bloom, ICAP) como estrategias estructuradas de interacción con el chatbot, y advierte que las ganancias de calidad pueden ocultar una delegación de las decisiones pedagógicas en la IA.
Conocimiento, creencias y práctica
Un hallazgo clave en la investigación sobre formación docente es la brecha entre lo que el profesorado articula y lo que ejecuta: a menudo declara habilidades operativas de IA pero le cuesta aplicar conocimiento pedagógicamente significativo en la práctica.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) La distinción es aún más profunda cuando se cruza la experiencia con la competencia en IA: Choi et al. (2026) encontraron que los novatos técnicamente fluidos siguen aceptando de forma pasiva los resultados de la IA al diseñar clases, mientras que los docentes con experiencia, incluso los que tienen una competencia en IA medida más baja, reformulan críticamente las sugerencias de la IA y las adaptan a su alumnado y a su contexto. La implicación es que el desarrollo profesional en servicio no puede dar por suficiente "desarrollar la habilidad en IA"; debe diferenciarse según la experiencia y el perfil de competencia del docente: andamiajes de evaluación de respuestas y de adaptación crítica para los novatos, desarrollo práctico de habilidades en IA para docentes experimentados con menor competencia en IA. El juicio experto sobre planes de clase generados por IA marca esa postura de adaptación crítica como norma, no como excepción: Karaismailoglu, Surmeli y Yildirim (2026) encontraron que once especialistas turcos en didáctica de las ciencias valoraron los planes de ChatGPT-4 y de Teacher's Buddy para una unidad de sexto grado como borradores utilizables (7 de 11 los juzgaron "aplicables con corrección" y solo 3 directamente "aplicables"), y sus preferencias divergieron de las puntuaciones brutas, favoreciendo cualidades afectivas y contextuales sobre la fidelidad estructural. La formación docente debería, por tanto, construir la capacidad de evaluar, adaptar y localizar materiales didácticos generados por IA como competencia profesional básica, tanto en los programas iniciales como en los de servicio. También importan los factores psicológicos: la autoeficacia predice positivamente el AI-TPACK, mientras que unas creencias docentes tradicionales fuertes pueden actuar como barrera cognitiva.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) La confianza en la IA se conforma tanto por el conocimiento técnico como por las percepciones éticas (transparencia, equidad, rendición de cuentas, inclusión).(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) Medir la alfabetización en IA del profesorado es en sí mismo un frente activo: como la mayoría de las evaluaciones de alfabetización en IA se dirigen al alumnado o a usuarios generales, la Escala de Alfabetización en IA del Profesorado (TAILS), fundamentada en el marco ED-AI de seis dimensiones, se desarrolló y validó específicamente para docentes de lenguas en formación mediante análisis factorial exploratorio y confirmatorio, llenando el vacío de medición dentro de la formación docente. Una pregunta igualmente desatendida es si el modo de preparación cambia la disposición hacia la IA. Mnguni et al. (2026) encuestaron a 186 docentes de ciencias en formación de último año en Sudáfrica y encontraron que el TPACK autoinformado para la enseñanza integrada con IA era mayor en una universidad presencial (64,0%) que en una universidad de educación a distancia (47,4%), con el Conocimiento Pedagógico como el más débil en ambas, y que la formación en IA se asociaba con el TPACK autoinformado solo en la institución a distancia, donde un curso corto de cinco créditos predecía un TPACK declarado más débil que ninguna formación. La preparación a distancia necesita, por tanto, su propia base de evidencia en lugar de suponer que la formación diseñada para programas presenciales se transfiere.
Práctica instruccional simulada
Más allá del contenido y las creencias, la formación docente recurre cada vez más a las aulas simuladas para una práctica activa que pueda escalar. EducaSim usa agentes estudiantiles generativos (con personalidades, memorias ancladas en el curso y un oráculo de habla con el LLM como juez) para simular una sección de grupo pequeño destinada a docentes en formación de un curso CS1 que atiende a unos 20.000 estudiantes. Desplegado como herramienta de preparación opcional en 254 sesiones (media de unos 16 min), ofrece práctica de juego de roles de bajo costo (0,05-0,10 dólares por sesión) con retroalimentación estructurada posterior a la sesión (estadísticas de tiempo de habla, conductas instruccionales identificadas por el LLM) y consignas de autorreflexión. Esto complementa el paradigma de simulación de estudiantes: los aprendices simulados sirven no solo para evaluar, sino para una preparación docente experiencial y de alta frecuencia, sobre todo en cursos en línea masivos donde el acompañamiento en vivo no puede escalar. Un caso específico de una asignatura es Student GPT (Zhuang y Zhang 2025), un chatbot de ChatGPT personalizado que interpreta a un estudiante de secundaria con ideas erróneas comunes sobre el razonamiento proporcional; los futuros docentes de matemáticas de secundaria practicaron el diagnóstico y la corrección de esas ideas en interacciones personalizadas y de bajo riesgo dentro de un curso de didáctica, lo que muestra cómo un juego de roles ligero con IA generativa puede apoyar una enseñanza basada en la práctica.
Implicaciones para los formadores de docentes
-
Desarrollar a la vez la alfabetización en IA y un AI-TPACK crítico. El profesorado en formación y en ejercicio necesita disposición para integrar la IA: los instrumentos amplían el TPACK con una dimensión de IA y ética (AI-TPACK, desarrollo profesional i-TPACK); enseñe razonamiento ético, transparencia y equidad junto al uso de la herramienta.
-
Medir la capacidad en lugar de la confianza. Mnguni (2026) sostiene que el TPACK autoinformado y el control conductual percibido pueden estar midiendo ambos la confianza general, y propone puntuar la preparación con tareas de diseño de clases y tareas de evaluación de indicaciones en lugar de basarse solo en el autoinforme, situando la capacidad AI-TPACK antes que la actitud y la intención.
-
Cerrar la brecha entre articular y ejecutar. El profesorado suele declarar habilidades operativas de IA pero le cuesta aplicarlas pedagógicamente; diseñe desarrollo profesional que pase del conocimiento a la práctica ejecutada (planificación de clases).
-
Usar la práctica simulada para escalar la preparación. Las aulas simuladas al estilo de EducaSim ofrecen a los docentes en formación una práctica frecuente y de bajo costo con retroalimentación, como complemento del acompañamiento en vivo, que es limitado.
-
Atender las creencias y la confianza. La autoeficacia predice el AI-TPACK mientras que unas creencias fuertes en la enseñanza tradicional pueden ser una barrera, y la confianza se conforma por la transparencia y la equidad: preste atención a estos factores psicológicos, no solo a las habilidades.
-
Retroceder desde los dilemas del aula. Kohnke et al. (2026) entrevistaron a 17 docentes en formación de una universidad de Hong Kong y trabajaron hacia atrás desde los dilemas de aula previstos hasta las necesidades de diseño de la formación docente. El profesorado en formación planteó preocupaciones sobre la integridad académica, la privacidad y la preservación de habilidades humanas esenciales en un entorno impulsado por la IA generativa, lo que apunta a implicaciones de currículo que entretejen ética, privacidad y alfabetización en IA (con habilidades de pensamiento crítico) a lo largo de toda la formación docente, en lugar de tratar el uso responsable como un añadido.
-
La IA como mediador cognitivo en la reflexión docente (2026): un modelo de triángulo reflexivo basado en la práctica usa la IA para mediar entre la reflexión individual del docente y el conocimiento profesional compartido en comunidades de aprendizaje, y aborda el fallo habitual de la reflexión a la hora de transformarse en aprendizaje profesional colectivo (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).
-
Hacer del diseño de evaluación con IA generativa parte del trabajo curricular profesional. Los docentes en formación de Zou et al. (2026) mostraron poca intención de rediseñar sus propias evaluaciones escolares futuras en respuesta a la IA generativa, y los participantes de educación infantil y primaria y de secundaria juzgaron en buena medida que la tecnología era irrelevante para su contexto de enseñanza: una dimensión subdesarrollada de la alfabetización evaluativa más que un vacío de conocimiento. Los programas de formación docente deberían, por tanto, incorporar el uso ético de la IA generativa en el diseño de evaluaciones como parte del currículo profesional, combinando la coherencia con la política del programa con ejemplos concretos de uso aceptable e inaceptable y con retroalimentación oportuna sobre el uso real que hacen los estudiantes de la IA.
-
Separar el trabajo delegable del no delegable. O'Byrne (2026) encontró que 23 estudiantes de grado, en su mayoría docentes en formación, produjeron artefactos comparables tanto si sostuvieron el trabajo de delimitar fronteras como si lo delegaron pronto, y que la "tensión del engaño" en torno a la autoría fue más fuerte entre quienes más trabajo de delimitación hacían; el objetivo didáctico es, entonces, juzgar qué trabajo interpretativo no conviene ceder.
-
Hacer de la redacción de políticas de aula una actividad central de la formación docente, y tratar la ambigüedad como un defecto de la política. Nash y Burriss (2026) encontraron que pedir al profesorado en formación que escriba sus propias políticas de IA de aula funciona como construcción retórica de un mundo sobre para qué sirve escribir, y abre una ventana a creencias emergentes que la discusión abstracta no abre. Como la IA separa la escritura como producto de la escritura como proceso, los programas deberían ayudar al profesorado a localizar dónde viven realmente el pensamiento, el aprendizaje y el valor a lo largo de la lluvia de ideas, el borrador, la revisión y la edición, en lugar de situar el pensamiento solo en el texto final, y deberían apoyarlo para traducir las creencias en reglas operativas e inequívocas acompañadas de enseñanza de la alfabetización en IA: contradicciones como prohibir el texto generado por IA y a la vez responsabilizar a los estudiantes del contenido generado por IA que entregan dejan al estudiante sin forma de cumplir.
-
Enseñar al profesorado a leer la investigación primaria que hay detrás de la política de IA. Un curso de posgrado de seis semanas sobre métodos de investigación orientado al consumo y no a la producción de investigación: una docente aplicó el marco de evaluación crítica a un currículo impuesto por el distrito y presentó el análisis a su directora, y varias adoptaron el cuestionamiento socrático con sus propios estudiantes Packard et al. (2026).
Como un modelo amplifica el conocimiento pedagógico del contenido (PCK) personal que ya tiene el profesorado, el profesorado novel es el grupo más expuesto a consejos específicos de materia seguros pero infundados, lo que convierte la mentoría y la verificación departamental en el remedio de desarrollo en lugar de módulos individuales de alfabetización en IA (Webb et al., 2026).
Concepciones erróneas
- "La aceptación de la IA entre el profesorado en formación es una sola actitud." Se clasificó a 128 docentes en formación en cuatro grupos de aceptación de ChatGPT, entre ellos los escépticos resistentes (14,06%), que declararon una facilidad de uso percibida alta pero una intención conductual muy baja. La facilidad de uso y la intención se separaron en ese grupo, de modo que una intervención centrada en la usabilidad los dejaría igual.
- "La IA ayuda al profesorado en formación sobre todo con el conocimiento del contenido." Una revisión de alcance de 55 estudios encuentra que la IA mejora el diseño instruccional, la enseñanza de la asignatura y la práctica docente: las capacidades de diseño y práctica, no la experticia en el contenido.
- "Una revisión de alcance de 55 estudios establece un beneficio." Documenta lo que se informa en el campo. La amplitud de las mejoras reportadas es una afirmación sobre el consenso de la literatura, y 55 estudios en una revisión de alcance no son un efecto agrupado.
Conceptos conectados
- La docencia
- Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK)
- Competencia en IA del profesorado
- Alfabetización en IA
- Desarrollo educativo
- K-12
- Ética
- IA en la educación
- Ciencias del aprendizaje
- Educación química — Educación química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
Artículos conectados
-
Artificial Intelligence in Teacher Education: A Systematic Literature Review of Pedagogical Frameworks, Empirical Evidence, and Ethical Implications (2020-2026) — La IA en la formación docente: marcos pedagógicos, evidencia empírica y ética, 2020-2026 (Shukla 2026)
-
How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge — Cómo el desarrollo profesional guiado con IA generativa apoya el compromiso del profesorado con la creatividad matemática, el conocimiento del contenido y el conocimiento pedagógico del contenido
-
Writing the rules for generative machines: Tensions and entanglements in preservice teachers' classroom AI policies — Docentes de inglés en formación que redactan políticas de IA de aula: usos permitidos, limitados y prohibidos (Nash y Burriss 2026)
-
"Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — 85 docentes en formación: adopción superficial de la IA generativa, ansiedad por la integridad y una alfabetización evaluativa que no se transfiere
-
When Teachers Use AI Chatbots and Are Trained for It: Impact on Learning Design Quality and Cognitive Effort — Apoyo y formación con chatbot de IA en el diseño de aprendizaje del profesorado
-
Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student learning in artificial intelligence (AI) education — El conocimiento pedagógico de la IA como palanca prioritaria para el aprendizaje profesional docente (Shen et al. 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 del profesorado en formación: implicaciones curriculares (Kohnke et al. 2026)
-
Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges — Revisión de alcance de la IA en el desarrollo del profesorado en formación
-
Designing effective AI professional development: A framework grounded in intelligent-TPACK — Marco de desarrollo profesional basado en intelligent-TPACK
-
Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — Aprendizaje profesional para una alfabetización crítica en IA en formadores de docentes
-
Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education — TPK específico de la IA generativa en la formación docente
-
Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning — El conocimiento de la IA del profesorado en la planificación de clases con IA generativa
-
Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Patrones de interacción docente-IA según experiencia y competencia en IA en el diseño de clases (Choi et al. 2026)
-
Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach — Preparación en intelligent-TPACK del profesorado en formación
-
Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs — AI-TPACK en la formación de docentes de matemáticas
-
Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust — El dominio ético y la confianza del profesorado en ejercicio
-
Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training — Robótica con micro:bit en la formación inicial docente
-
AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model — Evaluación auténtica mediada por IA en la formación inicial
-
Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs — Alfabetización en IA de educadores de ciencias y programas de poscualificación
-
Using context-based and AI-enhanced approaches to improve student engagement and achievement in secondary chemistry education — Enseñanza 7E contextualizada con IA en química de secundaria
-
EducaSim: Interactive simulacra for CS1 instructional practice — EducaSim: simulacros interactivos para la práctica instruccional en CS1
-
Unpacking the heterogeneity of pre-service teachers' ChatGPT acceptance: a latent profile analysis across STEM and non-STEM disciplines — Perfiles de aceptación de ChatGPT del profesorado en formación
-
Motivation to shape the future of education with artificial intelligence: An international comparison between Switzerland and China — Motivación para moldear el futuro de la educación con IA
-
AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — Indagación guiada con apoyo de IA en la formación de docentes de ciencias
-
The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Modelo de triángulo reflexivo: la IA como mediador cognitivo
-
Evaluating the Effectiveness of Generative Artificial Intelligence in Empowering Teachers for Constructivist Instructional Design: A Case Study of the SAHAB Model — Modelo SAHAB: diseño instruccional constructivista con IA generativa
-
Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education — Implicación del profesorado en la integración de la IA para la educación en energía verde (Riandi et al. 2026)
-
Longitudinal insights into AI in education: Usage, ethics, and policy development in higher education — Uso, ética y política de la IA generativa a lo largo del tiempo en la formación docente (Parker et al. 2026)
-
Improving instructional design proficiency of master's students in mathematics education through intelligent educational technologies — Modelo de aula inteligente y bucle D-T-E para mejorar la competencia en diseño instruccional de máster en matemáticas (Zhu et al. 2026)
-
A systematic review of language educators' practices and development with GenAI — Prácticas y desarrollo de docentes de lenguas con IA generativa
-
Teachers' Collaborative Evaluation of AI-Generated Content: Insights from a Professional Development Workshop — La evaluación colaborativa de contenido generado por IA por parte del profesorado como desarrollo profesional (Gat, Usher y Barak 2026)
-
AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — Comparación entre campus y distancia del TPACK y los niveles de formación en IA de 186 docentes de ciencias en formación
-
Co-constructing AI boundaries: Agency, judgment, and ethical literacy in AI-mediated meaning-making — sigue al profesorado en formación mientras construye fronteras de IA en una etnografía de alfabetización de un semestre
-
The Impact of Unscaffolded GenAI Use on Pre-Service Teachers' AI Readiness, Self-Regulated Learning, Critical Thinking, and Instructional Design Performance: A Quasi-Experimental Study — La IA generativa sin andamiaje bajó la calidad de los planes de clase del profesorado en formación por debajo de la clase sin IA generativa
-
A Capability–Decision Model of teacher readiness for AI integration in teaching — Medir la capacidad en lugar de la confianza
-
From information providers to learning designers: heutagogical teaching practices in AI-enhanced education — Un modelo heutagógico de dos capas que vincula la regulación reflexiva del propio profesorado con la agencia del alumnado
-
Teaching with AI, Not Against It: A Thinking Partner Framework for Working Adult Learners in Compressed Online Formats — Docentes de K-12 que aprenden a leer investigación primaria sobre IA y a cuestionar los mandatos del distrito
-
GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — Docentes en formación como aprendientes: los grupos que discrepaban sobre la energía hicieron de la IA un centro de conversación conceptual; los que coincidían la trataron como consulta y rechazaron los empujones proactivos (Wang et al. 2026)
-
Revisiting Pedagogical Content Knowledge (PCK) development for the age of generative AI — Por qué un modelo amplifica el PCK escaso de quien es novel y por qué el remedio es colectivo y no un módulo de alfabetización en IA (Webb et al. 2026)