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.

El desarrollo teórico en la IA en la educación — el trabajo académico de crear, hacer avanzar y examinar críticamente las teorías y los marcos conceptuales que explican cómo interactúan quienes aprenden, quienes enseñan y los sistemas de IA. A medida que la IA generativa remodela la educación, el campo propone teorías nuevas del aprendizaje con IA y a la vez reelabora teorías del aprendizaje ya establecidas, mientras que una debilidad documentada en el uso de la teoría sigue siendo una limitación transversal de la investigación sobre IA en la educación.

Preguntas para reflexionar

  • Solemos hablar de «aplicar una teoría» a la IA en la educación, pero la pregunta es si el campo está inventando de verdad teorías nuevas. Antes de seguir leyendo: cuando se estira un marco conocido (como el conductismo o el constructivismo) para cubrir la IA generativa, ¿qué podría acertar y qué podría distorsionar en silencio?
  • Piense en una ocasión en que usó IA y sintió que su comprensión crecía, o lo contrario. ¿Cuál es la diferencia entre «aprender con una herramienta» y «coconstruir conocimiento con una máquina»? ¿Dónde trazaría esa línea, y tiene siquiera sentido decir que la máquina es un coagente?
  • Muchos estudios sobre educación con IA reciben críticas por usar la teoría de forma débil o no usarla en absoluto. Si leyera un estudio que mostrara que una herramienta de IA «funcionó», ¿qué necesitaría contarle sobre por qué y cómo funcionó antes de que usted calificara el hallazgo de teóricamente significativo y no solo de tamaño de efecto?
  • Una teoría propuesta sostiene que el estudiantado nativo en IA sobreestima su propio aprendizaje porque la IA infla su desempeño. ¿Se ha sorprendido a sí mismo o a otras personas sintiéndose más competentes tras un uso intenso de la IA de lo que podrían demostrar sin ella? ¿Cuál sería la evidencia más sólida de que esto es un fenómeno real y no un mero artefacto de un único estudio?
  • La teoría (explicar los mecanismos del aprendizaje) es distinta de la filosofía (cuestionar qué son fundamentalmente el aprendizaje y la mente). ¿Dónde se encuentra usted moviéndose entre ambas al pensar en la IA, por ejemplo preguntándose no solo si un marco explica bien el aprendizaje, sino si capta lo que el aprendizaje realmente es?
  • Están apareciendo teorías nuevas: el generativismo, la co-agencia epistémica, los bienes comunes cognitivos. Como lector, ¿qué le convencería de que una de ellas es un avance genuino y no una reetiquetación de moda de ideas más antiguas? Fije su propio criterio sobre lo que debería poder explicar una buena teoría nueva del aprendizaje con IA.

Introducción

El desarrollo teórico en la IA en la educación se sitúa en la frontera entre las teorías del aprendizaje aplicadas en las que se apoya el campo y los constructos novedosos que está produciendo la era de la IA. Mientras que las teorías del aprendizaje catalogan las teorías establecidas que se aplican a la IA (conductismo, constructivismo, carga cognitiva, autodeterminación, etc.), este concepto sigue el proceso y el producto de la teorización misma: qué teorías y marcos nuevos están naciendo, cómo se están haciendo avanzar las teorías establecidas y la cuestión metodológica de si la investigación sobre IA en la educación teoriza bien.

  • Un marco que especifica su propia condición de comparación. Nakamura (2026) trata la partición del trabajo cognitivo como unidad explicativa, sitúa las operaciones en un continuo gradual de periférico a constitutivo, nombra la condición de comparación frente a la cual se definen el aumento y la erosión, y deriva siete proposiciones contrastables y condicionadas (Nakamura, 2026). Como las proposiciones predicen diferencias entre configuraciones, un estudio que solo informa de un efecto medio no puede confirmarlas ni refutarlas.

Nuevas teorías del aprendizaje con IA

Un grupo creciente de artículos crea explícitamente teoría nueva para la era de la IA en lugar de aplicar marcos existentes:

  • Generativismo. El generativismo se propone como una nueva teoría del aprendizaje, y sostiene que el conductismo, el cognitivismo, el constructivismo y el conectivismo se apoyan cada uno en un supuesto que la IA generativa rompe: que la salida observable certifica el aprendizaje (conductismo), que las operaciones cognitivas ocurren dentro de quien aprende (cognitivismo), que el significado se construye en lugar de suministrarse (constructivismo) y que lo difícil es navegar hasta el conocimiento existente y no generarlo (conectivismo). Nombra cuatro constructos —colaboración epistémica, agencia distribuida, alfabetización generativa y metacognición adaptativa— y deriva un indicador de evaluación para cada uno, una apuesta directa por nombrar un paradigma teórico distinto para el aprendizaje mediado por IA. Lo que no hace es enunciar proposiciones que podrían fallar: es un artículo de posición que sintetiza evidencia existente, así que, a diferencia del agentivismo que viene a continuación, ofrece un vocabulario y una agenda de medición en lugar de una teoría falsable.
  • Conectividad con la IA. Fu y Zhao (2026) reconstruyen la conectividad para la era de la IA a través de la ética del cuidado y la teoría neoecológica, y definen la «conectividad con la inteligencia artificial» como un vínculo psicológicamente real pero éticamente asimétrico, con tres dimensiones y seis proposiciones falsables a la espera del desarrollo de una escala.

La posición sintética añade una apuesta rival que sí enuncia proposiciones: nombra la promoción sintética y la suspensión autoral —un yo densamente expresado pero sin autoría— y predice una interacción de cruce en la que la autoría valorada y la coherencia de una narrativa de decisión vital se mueven en direcciones opuestas (Du et al. (2026)).

  • Agentivismo. Yan y Gašević (2026) proponen el agentivismo como una teoría del aprendizaje de alcance medio para la interacción entre personas e IA, que define el aprendizaje como un crecimiento duradero de la capacidad humana y no como la finalización exitosa de una tarea con IA, y que especifica cuatro mecanismos: la agencia delegada, el seguimiento y la verificación epistémicos, la internalización reconstructiva y la transferencia con apoyo reducido. Lo que lo separa de las otras apuestas actuales es la falsabilidad: enuncia seis proposiciones, entre ellas que el aprendizaje es más sólido cuando la IA preserva la responsabilidad de quien aprende sobre el encuadre del problema, el establecimiento de criterios y la justificación que cuando suministra respuestas. También sostiene que exigir verificación debería mejorar el desempeño diferido, mientras que la delegación repetida y de bajo roce sin reconstrucción debería debilitar la calibración que el estudiantado tiene de su propia competencia.

La teorización del lado docente asume ahora el mismo compromiso de comprobabilidad: el Modelo de Capacidad-Decisión sitúa la capacidad de AI-TPACK aguas arriba de la actitud y el control conductual percibido y nombra cuatro condiciones de refutación —fallo de mediación, colapso discriminante, nulidad de moderación y redundancia de contexto—, aunque el modelo sigue sin probarse (Mnguni (2026)).

  • Co-agencia epistémica. Aprender con máquinas construye «hacia una teoría de la co-agencia epistémica», un modelo informado por la teoría sobre cómo quienes aprenden y los sistemas de IA generativa producen conjuntamente conocimiento y comprensión.
  • La línea base cognitiva ausente (ACB). La línea base cognitiva ausente teoriza una brecha estructural en la autoevaluación académica del estudiantado nativo en IA: un marco de tres dimensiones que explica por qué el estudiantado sobreestima su aprendizaje cuando la IA infla su desempeño.
  • Los bienes comunes cognitivos. Los bienes comunes cognitivos y la regeneración de la experiencia se apoya en la teoría de los recursos de uso común y en la cognición distribuida para explicar cómo decisiones racionales de adopción de IA pueden agotar el fondo compartido de experiencia que las profesiones necesitan para renovarse.
  • Desempeño frente a aprendizaje. Desempeño frente a aprendizaje teoriza la divergencia marcada entre el desempeño en la tarea inflado por la IA y el aprendizaje duradero, una distinción que reaparece en toda la evidencia sobre ganancias de aprendizaje.
  • Alfabetización en IA epistémica (EAIL). La alfabetización en IA epistémica replantea la alfabetización en IA como una competencia epistémica orientada al proceso y centrada en cómo se construye y se justifica el conocimiento cuando el estudiantado coprograma con IA generativa.
  • Teoría de los tres sistemas. Shaw y Nave (2026) amplían los relatos de doble proceso con el Sistema 3 —razonamiento externo, automatizado y basado en datos procedente de la IA que puede complementar, suplantar o suprimir el Sistema 1 y el Sistema 2— y nombran la rendición cognitiva, la adopción acrítica de la salida de la IA, como su fallo característico.
  • Custodia cognitiva. La custodia de credenciales y cognitiva teoriza la responsabilidad institucional de proteger el conocimiento y el aprendizaje en contextos de evaluación impregnados de IA.
  • Co-regulación y proactividad epistémica. La IA como pareja cognitiva en la corregulación integra la función ejecutiva, la metacognición, la cognición distribuida y el desarrollo sociocultural en un modelo evolutivo; la proactividad epistémica teoriza la postura agéntica del estudiantado hacia la IA en matemáticas.
  • Paradigmas de implicación entre personas e IA generativa. Strydom (2026) aborda el «déficit teórico» del campo anclando siete paradigmas enactados de implicación entre personas e IA generativa (protegido, centrado en las posibilidades, aumentado, pionero, simbiótico, basado en valores y de equidad) en el modelo multidimensional de Schommer sobre las creencias epistemológicas personales: una teoría epistemológica, y no centrada en la herramienta, sobre cómo las personas se posicionan de forma distinta frente a la IA.
  • Ciclo de asociación cognitiva. Page (2026) propone el Ciclo de Asociación Cognitiva, un modelo recursivo de seis fases —Pregunta humana, Expansión por IA, Reflexión humana, Integración, Revisión y Nueva pregunta— que sitúa el aprendizaje en un cambio de la posición cognitiva de quien aprende y no en la sofisticación del prompt, y nombra cuatro modos de fallo en los que la misma recursión sustituye o distorsiona el pensamiento.
  • El marco de co-agencia ecológica. Poudyal (2026) sostiene que la IA generativa reasigna la autoridad epistemológica del profesorado al estudiantado y a las máquinas, e introduce un marco que define la co-agencia mediante tres dimensiones interdependientes —relacional, regulatoria (mapeada sobre el ciclo de autorregulación) y pedagógica (continuo de adopción docente)—, todas acotadas por una condición no negociable de responsabilidad epistémica humana (contestabilidad, procedencia y no delegación del crédito moral e intelectual). Sitúa la agencia como un problema de diseño epistémico y no como una preocupación de investigación de usabilidad, lo que da a las instituciones un lenguaje más preciso que el de «equilibrio» para gobernar la integración de la IA generativa.
  • Agencia epistémica relacional y dependencia epistémica. Du y Yuan (2026) aportan un relato crítico-integrador de cuándo la dependencia mediada por IA preserva el juicio y cuándo lo desplaza. Operacionalizan la frontera entre dependencia productiva y dependencia dañina mediante seis criterios diagnósticos (contestabilidad, recuperabilidad, transferencia, trazabilidad, responsabilidad distribuida y pluralidad epistémica) y trazan cuatro vías sociotécnicas (autoridad fluida, delegación sin roce, síntesis opaca y dependencia institucionalizada). Su propuesta normativa, la agencia epistémica relacional, extiende las líneas de la autonomía relacional y la co-agencia epistémica manteniendo una asimetría explícita —la IA puede moldear el razonamiento sin responsabilidad recíproca ni autoridad legítima— a la vez que integra la responsabilidad y la justicia epistémica en el plano institucional. Como teoría del aprendizaje con IA, desplaza la pregunta del campo de si la IA ayuda o perjudica a qué acciones epistémicas se preservan, se transforman o se desplazan, y convierte el diseño de la dependencia, y no el mero uso, en el objeto de la intervención pedagógica e institucional.

La salida del modelo asciende al estatus de conocimiento colectivo sin la garantía comunitaria que ese estatus exige: lo que Webb et al. (2026) llaman pseudo-cPCK, y la razón por la que el campo necesita un constructo teórico nuevo y no una interfaz mejor (Webb et al., 2026).

Hacer avanzar la teoría establecida

Otros trabajos extienden teorías existentes al contexto de la IA en lugar de fundar paradigmas nuevos: el trabajo sobre la paradoja del pensamiento crítico integra la teoría de la carga cognitiva con la instrucción para reducir la carga en un marco de tres niveles; la evaluación equitativa reteoriza la evaluación bajo la disrupción de la IA generativa. Ba, Gašević, Lim y Anderson (2026) reconceptualizan el propio marco de la comunidad de indagación: en lugar de enmarcar la IA generativa como herramienta, interlocutora dialógica o una especulativa «cuarta presencia», la reposicionan como una condición epistémica que reconfigura cómo se ponen en acto, se evidencian y se gobiernan la presencia cognitiva, la social y la docente, y recastean las presencias de la CoI como logros sociotécnicos de ensamblajes de personas e IA generativa, y proponen una heurística basada en configuraciones en la que la implicación de la IA generativa y la calidad de la indagación se relacionan de forma condicional a través de la responsabilidad humana. Buena parte de esto es trabajo de marco conceptual (marcos para escuelas de negocios, simulación válida) que operacionaliza la teoría para la práctica.

Lin y Chang (2026) extienden el aprendizaje autorregulado y la regulación entre personas e IA al nombrar lo que gobierna quien aprende —estándares, juicios evaluativos y autorización del control— y no solo lo que hace la IA.

Corbin, Tai y Flenady (2026) importan el reconocimiento de Honneth y de Brandom a la teoría de la retroalimentación y sostienen que lo que convierte un comentario en una razón para actuar es la atribución mutua de estatus y no la calidad de la información.

La paradoja de la fricción ofrece otra extensión de teoría establecida: Gupta (2026) aplica las dificultades deseables de Bjork y Bjork y el fracaso productivo de Kapur a los encuentros relacionales de la educación en el extranjero, y sostiene que lo que importa es cuánta agencia interpretativa transfiere el estudiantado a un asistente generativo, y no con qué frecuencia lo usa. El marco es conceptual y enuncia cinco proposiciones como hipótesis rivales.

Ranieri y Biagini (2026) hacen avanzar la taxonomía funcional del campo de Zawacki-Richter et al. (2019): entre las 154 publicaciones con una función de aplicación clasificable, 90 (el 58,4%) escapaban a sus cuatro categorías, y su marco cruza la función con el control delegado, la posición epistémica y la pedagogía incorporada.

An, McLaren y Stamper (2026) hacen avanzar ACT-R y el marco Conocimiento-Aprendizaje-Instrucción al teorizar la sobregeneralización engañosa —un modo de fallo en el que la compilación del conocimiento produce una producción sobregeneralizada que genera acciones correctas pero omite una restricción de aplicación crítica— y al validar empíricamente un procedimiento de detección y remediación en varios sistemas tutoriales inteligentes y en un conjunto de datos de aprendizaje de decimales de K-12.

Posfenomenología y mediación tecnológica. Farazouli et al. (2026) hacen avanzar el marco posfenomenológico establecido de la mediación tecnológica (Ihde 1990; Verbeek 2006, 2011; Rosenberger y Verbeek 2015) hacia el contexto de la IA en la educación. En lugar de proponer una teoría nueva, lo aplican para reconceptualizar los chatbots de IA generativa como artefactos tecnológicos multiestables cuyos «guiones» (respuesta rápida, texto de apariencia natural que puede lograr notas de aprobado) median las percepciones del profesorado y reconfiguran sus prácticas: desestabilizan la confianza del profesorado, remodelan qué significa la competencia y empujan al profesorado más allá de las preguntas instrumentales sobre el uso aceptable hacia una reevaluación de su papel y del sentido de la enseñanza. Esta es una contribución de avance teórico: demuestra cómo un relato filosófico de las relaciones entre personas y tecnología explica la perturbación emocional y profesional que experimenta el profesorado cuando la IA generativa entra en una práctica educativa establecida.

Otra contribución de marco es la tipología IA × Educación de Rismanchian y Doroudi, que extiende las «tres interacciones» originales de Kahn (1977) a lo largo de dos ejes —el papel de la IA (herramienta aplicada frente a analogía de la inteligencia humana) y la persona usuaria final (de la investigación a quien aprende)— para situar cualquier proyecto de IA en la educación. Más allá de categorizar el campo, aboga por revivir la línea teórica y de investigación de la «IA como analogía de la inteligencia humana», usando modelos computacionales y basados en agentes del aprendizaje (por ejemplo, su propio modelo computacional del marco ICAP) para tender un puente entre la teoría del aprendizaje contemporánea y la modelización computacional, una dirección metodológica que el campo abandonó en gran medida cuando giró hacia el trabajo aplicado y basado en datos.

La filosofía comparada como vía hacia el pluralismo teórico. Xie (2026) modela una vía distinta hacia el desarrollo teórico: en lugar de teorizar la IA en la educación desde dentro de una sola tradición, el artículo escenifica un diálogo comparado en el que cada tradición «hace visible lo que la otra oscurece» y declina explícitamente sintetizarlas en un único marco, un enfoque que trata el pluralismo teórico como una posición metodológica y no como un desacuerdo sin resolver. Sostiene que las tradiciones no occidentales pueden hacer más que diversificar los debates: pueden remodelar los fundamentos conceptuales de la teoría de la IA en la educación, reconstruyendo la «naturaleza del Dao» (道性) taoísta, la autocultivación (修道) y el «Zhenren» (真人) como recursos para repensar la agencia, los fines epistémicos de la educación y la acción ética en condiciones mediadas por IA. También enuncia los límites con claridad: la contribución es de un solo autor, no empírica, y advierte de que esa traducción exige contextualización para evitar la romantización y el orientalismo.(Alternative AI Philosophy: Daoism as Method for AI in Education)

El problema del uso de la teoría en la IA en la educación

La teorización del campo es desigual. Las limitaciones de la investigación sobre IA en la educación documentan que los estudios del área usan con frecuencia la teoría de forma débil o acrítica, una debilidad metodológica recurrente junto a las lagunas de reproducibilidad y de medición. Las revisiones encuentran que muchos artículos aplican la teoría de forma superficial o no la aplican en absoluto (por ejemplo, revisiones de literatura que señalan pocos estudios que fundamenten las intervenciones en la teoría del aprendizaje). Esto convierte el desarrollo teórico —y el uso de la teoría— en una preocupación de calidad tanto como en un producto académico, y conecta con los métodos de investigación y con la evaluación de la IA en la educación.

Relación con la filosofía de la IA en la educación

El desarrollo teórico y la filosofía de la IA en la educación son líneas complementarias pero distintas del trabajo fundacional. El desarrollo teórico produce y pone a prueba empíricamente los mecanismos del aprendizaje con IA —teorías y marcos con nombre propio como el generativismo, la co-agencia epistémica y la línea base cognitiva ausente, que explican y predicen cómo interactúan quienes aprenden y la IA—. La filosofía interroga los presupuestos en los que se apoyan esos mecanismos: qué cuenta como conocimiento, quién cuenta como conocedor y qué es fundamentalmente quien aprende. Una teoría como la co-agencia epistémica propone un mecanismo mientras adopta implícitamente compromisos filosóficos sobre la cognición distribuida y la agencia; la filosofía hace explícitos y contestables esos compromisos. Donde el desarrollo teórico pregunta si un marco explica bien el aprendizaje, la filosofía pregunta si capta lo que el aprendizaje y la mente realmente son: las dos líneas se encuentran en los artículos más fundacionales del campo, que a menudo hacen ambas cosas a la vez.

Implicaciones para la práctica

Para el profesorado y el diseño instruccional

  • Cuando un estudio informa de un efecto medio, no lo trate como una guía sobre su configuración. Las afirmaciones a nivel de teoría son sobre diferencias entre configuraciones, y un promedio no puede decirle cuál está ejecutando.
  • Pregunte a cualquier marco que adopte si predice algo que podría resultar falso en su propio contexto. Si no puede, no le ayudará a decidir nada.
  • Espere que las categorías existentes no capturen su caso; más de la mitad de las publicaciones clasificadas no encajaban en la división estándar en cuatro.

Para quienes desarrollan

  • Informe de configuraciones y no de un único efecto destacado. Si su diseño encarna una combinación específica de control delegado y postura epistémica, dígalo: esa es la unidad de la que habla la teoría y la unidad que otro equipo necesita para reproducirlo.
  • No promocione una afirmación de mecanismo con la fuerza de un resultado medio; el tipo de evidencia que exige el mecanismo es un contraste y no una media.

Para quienes investigan

  • Diseñe para contrastes de configuración si pretende una contribución teórica. Un ensayo de efecto medio publicado como desarrollo teórico es el resultado más común y menos útil del campo.
  • Adjunte proposiciones falsables explícitas a cualquier marco que introduzca, e informe de qué diferencias de configuración lo habrían refutado.

Concepciones erróneas

«Un hallazgo de que la herramienta funcionó es una contribución teórica.» No lo es, y la razón es estructural. Donde las proposiciones de un marco predicen diferencias entre configuraciones, un estudio que solo informa de un efecto medio no puede confirmarlas ni refutarlas: el diseño no puede ver la distinción de la que trata la teoría. Un ensayo que muestra una ganancia media dice que ocurrió algo, no qué mecanismo lo causó, así que la teoría queda exactamente tan respaldada como antes.

«Aplicar una teoría establecida a la IA es desarrollo teórico.» El problema del uso de la teoría dice lo contrario: la aplicación no es avance, y el patrón recurrente del campo es el de constructos prestados usados como vocabulario y no como predicciones contrastables. La distinción importa porque un marco prestado que no puede generar una diferencia falsable es decoración y no teoría.

«Las taxonomías existentes de la función pedagógica de la IA ya cubren lo que hacen estos sistemas.» No cubren buena parte de ello. Entre 154 publicaciones con una función de aplicación clasificable, 90 (58,4%) se escapaban de las cuatro categorías del marco anterior, y por eso el trabajo más reciente cruza la función con el control delegado, la posición epistémica y la pedagogía incorporada. Una taxonomía que clasifica mal casi tres de cada cinco casos no puede servir como vocabulario común del campo, y la brecha es un hallazgo sobre el fenómeno y no una laguna en un artículo.

Conceptos conectados

Artículos conectados

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.