Teorías y marcos

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

Teorías y marcos — el inventario de trabajo de las estructuras explicativas y organizativas que esta base de conocimiento usa de verdad. Las teorías explican por qué ocurre el aprendizaje (Teorías del aprendizaje, Teoría de la autodeterminación, Aprendizaje sociocultural, teoría de la actividad); los marcos organizan las decisiones de diseño, enseñanza y adopción (Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK), SAMR, modelos de adopción tecnológica, ICAP, diseño universal para el aprendizaje); los modelos hacen que las afirmaciones sobre el aprendizaje sean comprobables y computables (teoría de respuesta al ítem, Validez de la evaluación, Seguimiento del conocimiento). Use esta página para encontrar la lente en la que se apoya un estudio, o para elegir una para su propio trabajo.

Preguntas para reflexionar

• Una teoría predice qué ocurre cuando algo cambia; un marco le dice a qué prestar atención. Cuando un estudio informa de una ganancia bajo el estandarte de un marco pero no formula ninguna predicción que podría haber fallado, ¿qué se ha aprendido en realidad?
• TPACK, SAMR, el DUA, los modelos de adopción e ICAP son todos anteriores a los grandes modelos de lenguaje. ¿Qué partes de ellos siguen sosteniéndose cuando la herramienta puede escribir, explicar y adaptarse por sí sola, y cómo lo determinaría?
• Varias de las teorías catalogadas más abajo se acuñaron para la IA en los últimos años. ¿Qué haría falta para que una de ellas fuera errónea, y alguien ha intentado demostrarlo?
• La adopción se informa a menudo como un avance por etapas. Si un colega informa de que su curso pasó este año «de la sustitución a la redefinición», ¿qué evidencia independiente pediría antes de creerlo?
• Gran parte de este campo aplica teoría prestada en lugar de ponerla a prueba. Elija un hallazgo en el que se apoye: ¿podría reformularse como una prueba de una teoría, y qué medición requeriría eso?

Introducción

Todo tutor de IA, sistema de retroalimentación y panel de datos incorpora supuestos sobre cómo aprenden las personas, los enuncien o no quienes los diseñan. Esta página reúne las teorías, marcos y modelos de los que proceden esos supuestos, ordenados de forma aproximada según cuánto se apoya en ellos la literatura de investigación actual, y dice brevemente para qué sirve cada uno. Las distinciones entre las tres etiquetas son reales pero menores, y se resumen hacia el final en lugar de tratarse como el tema. Lo que importa en la práctica es en qué lente se apoya una afirmación y si esa lente puede sostenerla.

Teorías del aprendizaje que aplica la literatura

Estas explican mecanismos: nombran las piezas que hacen el trabajo y predicen qué sigue cuando esas piezas cambian. En la literatura sobre IA se toman en su mayoría prestadas de la psicología y las ciencias del aprendizaje, y se usan como marcos interpretativos en torno a una herramienta nueva.

• Teorías del aprendizaje (paraguas) — la familia en su conjunto, incluidos los polos clásicos del conductismo y el constructivismo y la brecha de «constructivismo de nombre, conductismo de hecho» que reaparece en las implementaciones con IA. El conectivismo y la teoría de la carga cognitiva se cubren aquí también.
• Constructivismo — el aprendizaje como construcción activa de conocimiento. Sustenta el trabajo por proyectos, la tutoría con IA basada en el diálogo y la crítica de que los sistemas de ejercicios y retroalimentación violan su propia pedagogía declarada.
• Teoría sociocultural — el aprendizaje como mediado por herramientas e interacción social, que es por lo que la IA se teoriza como artefacto mediador y no como mera ayuda.
• Teoría de la actividad — toma todo el sistema de actividad, contradicciones incluidas, como unidad de análisis. Común en los estudios sobre IA dirigidos al profesorado, donde el hallazgo interesante suele ser la tensión entre herramientas, reglas y comunidad.
• Aprendizaje situado y Aprendizaje encarnado — el aprendizaje como ligado al contexto y al cuerpo, el contrapeso a tratar la IA como un medio puramente lingüístico.
• Cognición distribuida — el pensamiento repartido entre personas y artefactos, que enmarca la asistencia de la IA como una redistribución del trabajo cognitivo y no como una sustitución.
• Comunidad de indagación — las presencias social, cognitiva y docente que hacen funcionar una experiencia en línea; una teoría de la experiencia y a la vez un marco de diseño.
• Teoría de la autodeterminación — autonomía, competencia y relación como precondiciones motivacionales. Suele ser la explicación que se ofrece cuando el uso de IA eleva la implicación sin elevar el aprendizaje.
• Cognitivismo — procesamiento de información, memoria de trabajo y la divergencia entre la sensación de aprender y el aprendizaje real.

Modelos de quien aprende y del proceso de aprendizaje

• Aprendizaje autorregulado — planificar, supervisar y evaluar el propio aprendizaje. El constructo de referencia para preguntar si el apoyo de la IA llega a las fases que importan o solo a la ejecución.
• Metacognición — pensar sobre el propio pensamiento, y el constructo que más se nombra cuando se acusa a la IA de pensar en lugar del estudiantado.
• Motivación — por qué se implican quienes aprenden, y el constructo que separa la implicación del aprendizaje en los estudios sobre IA.
• Autoeficacia — la creencia en la propia capacidad, distinta de la competencia, y un mediador frecuente entre el uso de IA y los resultados.
• Agencia — quién dirige el trabajo: el constructo que hay detrás de la tensión entre control y autonomía del campo, y detrás del mecanismo de agencia delegada de la teoría más reciente.
• Dificultades deseables, la recuperación, el espaciado y la intercalación y el texto de refutación — hallazgos que hacen pedagógicamente valiosa la fricción, aplicados a las decisiones sobre cuánto debe hacer una IA.
• Transferencia del aprendizaje — si la capacidad persiste cuando se retira el apoyo, lo que la teoría reciente trata como el criterio que separa el aprendizaje de la asistencia, y no como un resultado entre varios.

Marcos de enseñanza, integración y adopción

• TPACK — el conocimiento docente que combina tecnología, pedagogía y contenido; el marco por defecto de los estudios sobre IA dirigidos al profesorado.
• Modelos de adopción — la intención como función de la utilidad percibida y la facilidad de uso. Se usan tanto que la dependencia del campo de la intención y no del comportamiento es una crítica constante.
• ICAP — clasifica la implicación como pasiva, activa, constructiva o interactiva; útil para preguntar qué modo permite de verdad una interacción con IA.
• SAMR — de la sustitución a la redefinición. Popular como relato de madurez, débil como instrumento de medición.
• Diseño universal para el aprendizaje, el aprendizaje inclusivo y la accesibilidad — marcos de diseño sobre a quién se atiende, y los que más se invocan en el trabajo sobre discapacidad y equidad.
• Diseño del aprendizaje, diseño curricular y pensamiento de diseño — cómo se estructuran tareas, secuencias y programas antes de elegir ninguna herramienta.
• Gestión del cambio — si un sistema llega a adoptarse, lo que suele ser una cuestión institucional y no pedagógica.

Medición y modelos computacionales

• Teoría de respuesta al ítem — estimación de ítems y de la habilidad, y el modelo que hace interpretables los números de una prueba.
• Medición educativa — el panorama de instrumentos, incluidas las medidas construidas específicamente para la alfabetización en IA.
• Validez — si un instrumento mide el constructo que afirma medir, lo que decide si un resultado informado sostiene la afirmación teórica que se le asocia.
• Medidas de autoinforme — la fuente de evidencia dominante y más frágil de esta literatura; se sabe que varios de los constructos anteriores divergen marcadamente entre el autoinforme y el desempeño.
• Seguimiento del conocimiento y modelado del estudiante — estimar el estado de quien aprende a lo largo del tiempo a partir de datos de interacción.
• Diagnóstico cognitivo — atribuir el desempeño a componentes de habilidad concretos, la contraparte de modelado de la enseñanza diagnóstica.
• Referencias comparativas, la evaluación de la educación con IA y la conciencia psicométrica en el diseño de IA — cómo se puntúan, comparan y auditan los sistemas y las intervenciones.
• Investigación basada en el diseño — el método que genera teoría a partir de intervenciones diseñadas en lugar de ponerla a prueba por anticipado.

Teorías acuñadas para la era de la IA

Cuatro propuestas de la base de conocimiento construyen teoría en lugar de tomarla prestada. Son páginas de artículo y no nodos conceptuales, porque cada una es un único argumento:

• Generativismo — una nueva teoría del aprendizaje que sostiene que las cuatro clásicas muestran limitaciones conceptuales significativas conforme se generaliza la IA generativa.
• Coagencia epistémica — un modelo de cómo quienes aprenden y los sistemas de IA producen conjuntamente conocimiento y comprensión.
• La línea base cognitiva ausente — teoriza por qué el estudiantado nativo digital sobreestima su propio aprendizaje cuando la IA infla el desempeño.
• Agentivismo — una teoría de rango medio que nombra cuatro mecanismos (agencia delegada, monitoreo y verificación epistémicos, internalización reconstructiva y transferencia con apoyo reducido) y enuncia seis proposiciones comprobables.

Distinguir las tres etiquetas

Las palabras se usan de forma laxa en la literatura, y la diferencia merece un párrafo y no una página entera:

• Una teoría explica un mecanismo y predice qué ocurre cuando cambian sus piezas. Puede fallar, y por eso los estudios que la ponen a prueba pueden informar tamaños del efecto.
• Un marco organiza o prescribe. Nombra los componentes a los que prestar atención, normalmente sin predecir magnitudes, y no puede falsarse.
• Un modelo es una representación formal, casi siempre de la medición o del estado de quien aprende. Puede ajustarse, compararse y demostrarse erróneo de una manera que un marco no permite.
• Las etiquetas se solapan. La comunidad de indagación es a la vez una teoría y un marco de diseño; la teoría de la actividad es explicativa y analítica. Trate la etiqueta como una pista sobre lo que afirma una fuente, no como una categoría de archivo.

Capas relacionadas

Dos páginas vecinas tratan deliberadamente de otra cosa. La filosofía de la IA en educación plantea preguntas normativas y conceptuales —para qué sirve la educación, si una máquina puede enseñar— y no predice tamaños del efecto; un estudio puede ser filosóficamente ingenuo y teóricamente sólido, o lo contrario. El desarrollo teórico es la metaactividad de construir, tomar prestada y revisar teoría, incluida la crítica constante de que gran parte del trabajo en AIED aplica teoría existente en lugar de ponerla a prueba. Esta página es el inventario; el desarrollo teórico trata de producir y revisar el inventario.

Elegir una lente cuando la pregunta es práctica

• El profesorado que parte de un problema puede trabajar hacia atrás: si quienes aprenden no se implican, el ICAP y la TAD nombran causas distintas y sugieren soluciones distintas; si la pregunta es si adoptar una herramienta o no, los modelos de adopción y SAMR preguntan cosas diferentes sobre ella.
• Quienes diseñan el aprendizaje sacan más partido de los marcos de diseño —el DUA, el Diseño de aprendizaje y el Andamiaje— emparejados con una teoría que prediga qué ocurre cuando se retira el andamiaje.
• Quienes investigan deberían indicar qué nodo afirma un estudio y si el diseño puede ponerlo a prueba de verdad; los modelos de medición (TRI, Validez de la evaluación, Medidas de autoinforme) deciden si un resultado informado sostiene esa afirmación.
• Quienes administran se encuentran estos marcos como preguntas de adopción y cambio, donde un modelo por etapas suele usarse como relato de madurez en lugar de como instrumento.

Lo que los marcos no pueden hacer

Los marcos no son evidencia. Suelen tomarse prestados de contextos anteriores a los LLM y los localiza quien los aplica, pueden funcionar como marca, y los modelos por etapas invitan a una adopción mecánica que informa de un avance por niveles en lugar de aprendizaje. Las afirmaciones que se apoyan en un marco deben leerse junto a las limitaciones transversales del campo, la validez de lo que haya medido el resultado y los límites conocidos del autoinforme.

Conceptos conectados

• Desarrollo teórico en la IA en la educación — construir y revisar teoría en el campo
• Filosofía de la IA en la educación — la capa normativa y conceptual
• Teorías del aprendizaje — el paraguas de la teoría del aprendizaje
• Ciencias del aprendizaje — el campo vecino del que se toma prestada la mayor parte de la teoría
• Limitaciones de la investigación en AIEd — lo que la base de evidencia puede y no puede sostener
• Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK) — marco de conocimiento docente
• Modelos de adopción tecnológica — marcos de adopción
• Teoría de respuesta al ítem — un modelo de medición
• Diseño universal para el aprendizaje — un marco de diseño
• Métodos de investigación en AIED — cómo se pone a prueba la teoría

Artículos conectados

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — cuatro décadas de AIED a través del marco IA×Ed
• Educating minds with generative AI — síntesis con mucha carga teórica sobre IA generativa y aprendizaje
• An Activity-Theoretical Approach to Teacher Professional Development in Pedagogical AI Agent Design — la teoría de la actividad aplicada al desarrollo profesional docente
• Activity theory as a lens on teachers' adoption of AI technologies: A structural equation modeling — teoría de la actividad y adopción por el profesorado
• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — una teoría del aprendizaje propuesta para la era de la IA generativa
• Learning with machines: Toward a theory of epistemic co-agency — hacia una teoría de la coagencia epistémica
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — teorizar una brecha estructural en la autoevaluación del estudiantado nativo digital
• Agentivism: a learning theory for the age of artificial intelligence — una teoría del aprendizaje de rango medio para la interacción humano-IA
• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — desarrollo de instrumentos en torno a un constructo joven
• Control vs. Agency: Exploring the History of AI in Education — la tensión fundacional del campo entre control y agencia