Conceptos
Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK)
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Conocimiento Tecnológico, Pedagógico y de Contenido (TPACK) — el marco (Mishra y Koehler, 2006) que describe el conocimiento integrado que el profesorado necesita para usar la tecnología de forma eficaz en la enseñanza: la interacción entre el conocimiento tecnológico (TK), el pedagógico (PK) y el de contenido (CK), y sus intersecciones. En la era de la IA, el TPACK se ha extendido a AI-TPACK / GenAI-TPACK, que modelan cómo el profesorado integra la IA generativa en la enseñanza de su área de contenido. Es la lente teórica dominante para entender cómo se estructura y se construye la competencia del profesorado en IA a través del desarrollo profesional.
Preguntas para reflexionar
- El TPACK sostiene que la enseñanza eficaz con tecnología no es la suma de habilidades separadas (conocer la materia + conocer la didáctica + conocer la herramienta) sino el producto de su interacción. Piense en una clase que funcionó de verdad con una tecnología. ¿Qué combinaciones de conocimiento de contenido, pedagógico y tecnológico —y no una sola— parecían estar haciendo el trabajo?
- Un supuesto común es que el profesorado «hábil con la tecnología» está por eso mismo preparado para enseñar con IA. ¿Dónde podría fallar ese supuesto? Por ejemplo, cuando un docente técnicamente competente sigue usando la IA de forma pedagógicamente superficial o con contenido inexacto. ¿Cómo sería una «competencia» que una simple prueba de habilidades tecnológicas no capta?
- La era de la IA replantea la tecnología del TPACK: de herramienta pasiva a agente activo que puede planificar, generar y tutorizar. Si el trabajo del profesorado pasa de operar una herramienta a orquestar una IA que actúa por su cuenta, ¿qué conocimiento nuevo exige eso, y puede alguna lista de verificación estática recogerlo?
- El desarrollo profesional debería formar las intersecciones, y no solo las herramientas. Piense en la última formación tecnológica a la que asistió o que diseñó. ¿Era sobre todo «cómo usar el programa», o construía contenido y pedagogía junto con la tecnología? ¿Qué enfoque esperaría que cambiara más la práctica de aula, y por qué?
- La investigación encontró distintos «arquetipos docentes» —optimizadores, creadores, observadores pasivos— que se benefician de tipos distintos de apoyo. ¿A qué arquetipo se parece más cuando usa IA en la enseñanza, y qué tipo de andamiaje cree que le ayudaría más? ¿Describiría su estudiantado lo mismo que usted?
- Algunos investigadores sostienen que una integración eficaz de la IA surge de las creencias del profesorado y de su sentido de eficacia, y no solo de su conocimiento. ¿Qué cree usted sobre el papel de la IA en el aprendizaje, y cómo podría esa creencia —más que su habilidad técnica— dar forma a si la integra y a cómo lo hace?
Introducción
- Crompton et al. La investigación basada en el diseño operacionaliza estándares de integración tecnológica del profesorado universitario que extienden el marco TPACK a la práctica institucional.
El marco
El TPACK sostiene que una integración eficaz de la tecnología no es la suma de dominios de conocimiento separados, sino el producto de su interacción dinámica. El marco comprende tres dominios base y cuatro intersecciones:
-
Conocimiento de contenido (CK) — el conocimiento de la materia que se va a enseñar.
-
Conocimiento pedagógico (PK) — el conocimiento de los métodos y las estrategias de enseñanza y de cómo aprende el estudiantado.
-
Conocimiento tecnológico (TK) — el conocimiento de cómo usar herramientas y tecnologías, incluida la IA generativa.
-
Conocimiento pedagógico del contenido (PCK) — cómo enseñar de forma eficaz un contenido específico.
-
Conocimiento tecnológico del contenido (TCK) — cómo la tecnología da forma y representa el contenido.
-
Conocimiento tecnológico pedagógico (TPK) — cómo la tecnología apoya o limita las estrategias de enseñanza.
-
TPACK — el conocimiento emergente e integrado del centro, donde los tres dominios interactúan para hacer posible una enseñanza mejorada por la tecnología y específica de cada contenido.
-
El marco domina el campo por defecto, y se estira para encajar. En una revisión guiada por PRISMA de 78 estudios sobre diseño didáctico apoyado por IA, solo 19 aplicaron algún marco de competencia con nombre, y el TPACK y sus variantes dieron cuenta de 17 de esos 19, usados de forma productiva como lente analítica pero estirados más allá de su alcance original, ya que el TPACK no se diseñó para capacidades específicas de la IA. Las extensiones hechas a propósito son correspondientemente raras: el Intelligent-TPACK apareció en solo cinco estudios, normalmente junto con la alfabetización en IA para manejar la progresión evolutiva (Spyropoulou y Kameas, 2026).
-
La investigación avanza sin teorizar mientras los marcos de política quedan sin probar. La misma revisión encontró que el 76% de los estudios infería competencias a partir de la práctica sin ningún mapeo teórico, y que ni DigCompEdu ni el Marco de Competencias en IA para Docentes de la UNESCO se aplicaron como marco analítico en ninguno de los 78: una desconexión en ambas direcciones, ya que el trabajo empírico acumula vocabulario sin compartirlo mientras los marcos destinados a guiar la práctica siguen sin probarse empíricamente en este contexto.
-
Parte de esa dominancia es un artefacto de recuperación. En una revisión de alcance PRISMA de 195 estudios de formación docente apoyada en tecnología, la competencia digital, el TPACK y DigCompEdu eran descriptores de búsqueda explícitos, de modo que el 46,5% de cuota de los marcos de competencia describe los estudios recuperados y no el campo (Patiño Hernández et al. (2026)).
AI-TPACK y GenAI-TPACK
La era de la IA ha empujado el marco hacia una lectura de la tecnología con inteligencia. Más que una herramienta pasiva, la IA generativa es un agente activo que puede planificar, generar contenido, tutorizar y adaptarse, así que el conocimiento de la integración incluye cada vez más la orquestación: decidir cuándo y cómo la IA actúa, andamia o cede ante el juicio humano.
- Más allá del conocimiento discreto. La investigación sobre AI-TPACK sostiene que una integración eficaz de la IA no surge de poseer dominios separados, sino de la interacción dinámica entre el pensamiento sistémico, las creencias pedagógicas y la autoeficacia, lo que cuestiona los modelos estáticos y basados en listas de verificación de la competencia del profesorado en IA. Los arquetipos docentes (optimizadores sistemáticos, creadores prolíficos, observadores pasivos) surgen de cómo diseña el profesorado flujos de trabajo instruccionales con múltiples agentes.
- Lo que los marcos de integración dejan fuera. Una crítica desde la coagencia sostiene que el TPACK y el SAMR abordan el conocimiento y los niveles de adopción del profesorado, pero dejan sin tratar el poder, la propiedad de los datos y la rendición de cuentas, de modo que el conocimiento de integración necesita un límite ético explícito en lugar de otro dominio de conocimiento (Poudyal (2026)).
- El marco de Competencia de Colaboración entre Personas e IA (HACC) reasigna el trabajo integrador que el TPACK asigna a la pedagogía del profesorado a la propia metacognición de quien aprende, de modo que la integración del lado de quien aprende queda fuera del alcance del TPACK (Dang et al. (2026)).
- Evidencia multinivel del núcleo pedagógico. Un estudio multinivel con 46 docentes y 2.832 estudiantes de secundaria encontró que el conocimiento técnico de la IA por sí solo era insuficiente —incluso amortiguaba ligeramente la percepción del estudiantado sobre la IA para el bien social—, mientras que el conocimiento pedagógico de la IA (TPAIK) era lo que fomentaba las percepciones del estudiantado y su intención conductual de aprender IA. El resultado se condensa en la directriz «primero la pedagogía, después la tecnología», que se hace eco de los hallazgos anteriores sobre el papel mediador.
- Una lente de revisión para todo el campo. Una revisión sistemática desde la perspectiva del TPACK (Liu y Zhong, 2025) analizó 71 estudios empíricos sobre IA generativa en el aprendizaje del estudiantado, encontró un efecto global positivo (g de Hedges = 0,752) e identificó la alfabetización en IA generativa para el estudiantado y el desarrollo profesional en GenAI-TPACK para el profesorado como las dos prioridades críticas del campo.
- La competencia por sí sola no predice la integración pedagógica. Choi et al. (2026) midieron el TPACK inteligente del profesorado para segmentar a los participantes y observaron que incluso los novatos competentes en IA se apoyaban pasivamente en la salida de la IA durante el diseño de clases, mientras que el profesorado con experiencia —con un AI-TPACK medido más bajo— volvía a implicarse de forma crítica y adaptaba las sugerencias de la IA al contexto pedagógico. El resultado refuerza el patrón anterior: el AI-TPACK se traduce en un uso sólido en el aula a través del juicio pedagógico experimentado, y por eso el apoyo de la formación docente debe apuntar a la aplicación del conocimiento sobre IA y no a su mera posesión.
- Contexto de formación docente. El TPACK es instrumental para cultivar la competencia del profesorado a la hora de integrar la tecnología en una enseñanza específica del currículo, y por eso la investigación sobre formación docente y desarrollo profesional (p. ej., programas intensivos de desarrollo profesional en IA generativa, preparación en AI-TPACK del futuro profesorado) lo mide cada vez más como el resultado de interés.
- El conocimiento pedagógico media la integración de la IA generativa. Mohebi y ElSayary (2026) encuestaron a 325 docentes en activo de 26 países y entrevistaron a siete, con un diseño de métodos mixtos secuencial explicativo para modelar el TPACK-IA generativa. El conocimiento tecnológico (TK), el pedagógico (PK) y el pedagógico del contenido (PCK) se asociaron cada uno con el TPACK-IA generativa global, pero el conocimiento tecnológico pedagógico (TPK) medió esas relaciones: evidencia de que importa el paso «de la competencia a la pedagogía», porque traducir la habilidad con IA generativa en un uso sólido en el aula pasa por el conocimiento de integración pedagógico-tecnológica y no solo por la familiaridad con la herramienta.
- En la educación superior, la experiencia en la materia no se transfiere a la integración de la IA generativa. Sutedjo, Chowdhury y Liu (2026) adaptaron el instrumento TPACK-21 para encuestar a 127 docentes de una universidad de investigación estadounidense sobre el uso de IA generativa para enseñar habilidades del siglo XXI. El profesorado declaró un CK sólido (M = 5,15) y un PCK sólido (M = 4,70), pero un conocimiento tecnológico integrado bajo —TPK (M = 2,62), TCK (M = 2,75) y TPACK global (M = 2,55, el dominio más bajo)—, y el CK no mostró ninguna correlación significativa con el TK ni con ningún dominio integrado con la tecnología (r = .11–.15, ns). Los tres dominios integrados con la tecnología correlacionaban entre sí con tanta fuerza (r = .81–.91) que pueden funcionar como un único factor de integración de la IA generativa. El resultado refuerza el principio de diseño de formar las intersecciones: el desarrollo profesional del profesorado debe construir deliberadamente el conocimiento de integración de la IA generativa mediante actividades específicas de la disciplina en lugar de suponer que la experiencia en la materia se transferirá, y tratar los dominios integrados con la tecnología como una base compartida de alfabetización en IA generativa.
- El modo institucional y el nivel de formación interactúan. Mnguni et al. (2026) compararon a 186 futuros docentes de ciencias de último año de una universidad sudafricana presencial (n = 85) y de una universidad de educación a distancia (n = 97). El TPACK autoinformado era más alto en el campus (64,0% frente a 47,4%), el conocimiento pedagógico fue el dominio menos declarado en ambos grupos (53% en el campus), y el nivel de formación en IA se asoció con el TPACK autoinformado solo en la institución a distancia, donde completar un curso corto de cinco créditos predecía un TPACK declarado más débil que no recibir formación alguna (p = 0,039, frente a p = 0,607 en el campus). La preparación sigue, por tanto, al contexto de la oferta institucional y no solo a las horas de formación, y los autores advierten que la preparación autoinformada no puede sustituir a la evidencia de desempeño.
Una advertencia de medición complementaria procede del Modelo de Capacidad–Decisión del mismo autor: cuando el TPACK es autoinformado y el control conductual percibido se mide como autoeficacia, ambos pueden no ser empíricamente distinguibles, por lo que un estudio no puede saber si lo que predice la intención es la capacidad o la confianza general (Mnguni (2026)).
-
El TPACK integrado avanza más cuando la IA se andamia dentro de tareas auténticas basadas en problemas. Chen y Osman (2026) compararon un módulo CTD-PBL apoyado por IA de ocho semanas con la enseñanza convencional en 130 futuros docentes de física de tercer año en un diseño cuasiexperimental con clases intactas (65 por condición), en el que los grupos usaron DeepSeek con plantillas de prompts específicas de la tarea y toda salida de IA debía pasar una verificación humana antes de entrar en un artefacto instruccional. El grupo del módulo declaró un TPACK posterior a la prueba más alto (M = 4,04 frente a 3,40, p < 0,001, d = 1,02) y una mayor resolución colaborativa de problemas percibida (M = 3,62 frente a 3,05, d = 0,88), con interacciones significativas grupo × tiempo en ambos resultados. Dónde se produjeron las ganancias es el detalle relevante para el TPACK: los mayores efectos dimensionales estuvieron en los dominios integrados —TPCK (d = 1,21), PCK (d = 1,06) y TPK (d = 0,95)— y las ganancias de colaboración fueron más claras en la construcción compartida de conocimiento y la regulación social, es decir, en las intersecciones y no en los dominios base. Los autores presentan esto como un cambio diferencial asociado a una condición instruccional integrada y no como un efecto de la IA: la IA nunca se aisló de la cadena de tareas del ABP, la colaboración estructurada, el andamiaje de quien enseña, la retroalimentación entre pares o la revisión reflexiva, y ambos resultados eran percepciones de competencia basadas en cuestionarios y no desempeño de aula demostrado.
-
Una intervención puede mover primero el dominio base. Un programa de desarrollo profesional de seis meses construido directamente sobre el marco Intelligent-TPACK elevó sobre todo el conocimiento técnico de la IA (AITK: 3,92 a 4,43; t(63) = 3,856; p < 0,001; d = 0,48), después el conocimiento tecnológico-pedagógico (AITPK: d = 0,33) y menos el AITPACK integrado (d = 0,26), mientras que la conciencia ética quedó comparativamente estancada (Tan, Cheng y Ling, 2025). El orden es la imagen especular de las ganancias en los dominios integrados de Chen y Osman, y ambas son autoinformadas.
El AI-TPACK como mediador entre la alfabetización y la integración en el aula. Un modelo de ecuaciones estructurales con futuros docentes chinos de ciencias (Zou, Li, Wang y Du, 2026) sitúa el AI-TPACK no como una competencia paralela, sino como el mecanismo de transmisión por el que la alfabetización en IA general se convierte en práctica docente. La alfabetización en IA predijo con fuerza el AI-TPACK, el AI-TPACK predijo a su vez la autoeficacia en la enseñanza de las ciencias, y la autoeficacia docente fue el predictor único más fuerte de la intención de enseñar mediante indagación integrada con IA.
La cadena serial completa (alfabetización en IA → AI-TPACK → autoeficacia → intención) fue significativa, como también lo fueron las rutas indirectas separadas a través del AI-TPACK y de la autoeficacia; en conjunto, la mayor parte de la asociación de la alfabetización en IA con la intención pasaba por estos mediadores y no de forma directa, y el resultado se mantuvo tras controlar el género, el año de estudio, la especialidad y la frecuencia de uso de IA. La afirmación práctica del modelo es una secuencia con un punto de entrada: la alfabetización en IA es necesaria pero insuficiente, y el trabajo de integración ocurre allí donde se combinan el conocimiento tecnológico, pedagógico y de contenido, que es también donde se construye la confianza del profesorado para enseñar la materia.
- La validación como cuarta competencia. Orhon, Cekerol y Ugur (2026) amplían el modelo con el Conocimiento de Validación de IA —someter la salida probabilística de la IA a una verificación específica de la disciplina antes de tratarla como evidencia de una decisión legítima— y lo acompañan de una rúbrica orientada a procesos para la educación en diseño.
- La ética como mediadora integradora, no como frontera. En una encuesta a 454 docentes universitarios, el conocimiento tecnológico sobre IA aislado tenía una asociación directa negativa con el AI-TPACK integrado (β = −0,303) mientras su efecto total seguía siendo positivo (β = 0,639), canalizado a través del conocimiento pedagógico, de contenido y ético (Chen et al. (2026)). El conocimiento ético canalizó además el efecto hacia delante, prediciendo tanto el conocimiento pedagógico (β = 0,353) como el de contenido (β = 0,269).
Por qué importa en la educación con IA
El TPACK es el marco organizador del lado docente de la base de evidencia. Explica por qué la competencia del profesorado en IA es más que fluidez con herramientas: el profesorado debe integrar juntos el conocimiento tecnológico, pedagógico y de contenido para convertir la IA en ganancias de aprendizaje. La competencia del profesorado en IA cubre las dimensiones de la competencia; el TPACK es la estructura de conocimiento que las sustenta. La investigación sobre la confianza del profesorado, el desarrollo profesional y el rol docente en transformación opera toda ella dentro (o contra) este marco. El marco se está extendiendo ahora a la evaluación de programas completos. Wu y Li (2026) construyen un sistema de evaluación AHP-Fuzzy-AHP para programas de certificación en IA sobre las dimensiones del TPACK y encuentran que la competencia profesional del profesorado, y no la infraestructura técnica, es la mayor brecha entre la prioridad experta y la oferta actual. Eso indica que la certificación debería invertir en la capacidad pedagógica integrada del profesorado.
La mediación pasa sobre todo por la facilidad de uso. Zhao (2026) probó seis rutas indirectas de la alfabetización en IA y el TPACK al aprendizaje profundo en 423 futuros docentes: el TPACK a través de la facilidad de uso percibida fue la mayor (0,212) y la alfabetización en IA a través de la utilidad la menor (0,033), así que el conocimiento de integración operaba a través de la usabilidad y no de la utilidad. Los componentes no pesan igual en el caso de la IA. Entre 988 futuros docentes, el TCK (β = 0,67) y el TPK (β = 0,41) predijeron el AI-TPACK integrado mientras que el TK por sí solo no lo hizo (β = −0,10, p = 0,066), y el TPACK integrado predijo la actitud hacia la IA generativa (β = 0,75) (Khalil et al., 2026).
Puesta en práctica, y no revisión, bajo restricciones de recursos. El profesorado de una universidad de Somalilandia describió un uso condicionado por el apoyo institucional, la ausencia de políticas y una suscripción mensual de 20 dólares que pagaban de su propio bolsillo: un contexto que el TPACK acomoda sin cambiar sus componentes (Negash (2026)).
Implicaciones de diseño
- Formar las intersecciones, no solo las herramientas. El desarrollo profesional debería construir juntos el conocimiento tecnológico, pedagógico y de contenido en lugar de ofrecer formación aislada sobre herramientas: el principio de diseño central del TPACK.
- Tratar la IA como un agente, no como un electrodoméstico. El AI-TPACK extiende el marco hacia la orquestación de agentes de IA, lo que exige pensamiento sistémico y juicio pedagógico sobre cuándo debe actuar la IA.
- Diferenciar el desarrollo profesional según el perfil docente. Distintos arquetipos docentes (optimizadores, creadores, observadores) se benefician de andamiajes distintos: marcos avanzados, retroalimentación rápida o modelado explícito, respectivamente.
- Evaluar la competencia integrada. Los resultados orientados al TPACK (p. ej., las ganancias de AI-PCK) deberían medirse como capacidad integrada y no como familiaridad autoinformada con herramientas.
Concepciones erróneas
- «El dominio del TPACK refleja su poder explicativo.» Ese dominio es en parte un artefacto de recuperación: en una revisión de alcance PRISMA de 195 estudios de formación docente apoyados por tecnología, la competencia digital, el TPACK y DigComp dominan la literatura indexada. La prevalencia en una búsqueda es una propiedad del vocabulario que usa el campo, no una prueba de que el marco explique más.
- «Un marco conocido es un marco validado para la IA.» El TPACK no se diseñó para capacidades específicas de la IA, y por eso se desarrolló el Intelligent-TPACK, que aparece en solo cinco estudios de la revisión de 78. Usar el TPACK para la competencia en IA generativa lo estira más allá de su construcción.
- «Aplicar un marco significa que la investigación está teorizada.» La misma revisión encontró que el 76% de los estudios infería competencias a partir de la práctica sin ningún mapeo teórico, así que la presencia del TPACK en el campo convive con que la mayor parte de la investigación esté sin teorizar. Un marco con nombre no es lo mismo que un marco haciendo trabajo.
Conceptos conectados
- Competencia en IA del profesorado
- Desarrollo educativo
- La docencia
- IA generativa
- Diseño de aprendizaje
- Alfabetización en IA
- Andamiaje
- Metacognición
- Educación superior
- K-12
- Metaanálisis y revisión sistemática
- Formación docente
Artículos conectados
- Evaluation indicator system for AI certificate programs — Sistema de indicadores de evaluación para programas de certificación en IA
- Perceived AI literacy and TPACK in pre-service teacher education: mediating roles of perceived usefulness, ease of use, and value in blended learning — Alfabetización en IA percibida y TPACK en la formación inicial del profesorado: mediación a través de la utilidad, la facilidad de uso y el valor (Zhao 2026)
- Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student learning in artificial intelligence (AI) education — Estudio multinivel: «primero la pedagogía, después la tecnología»; el TPAIK pesa más que el TAIK técnico en los resultados del estudiantado (Shen 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 de los docentes en activo y el papel mediador del conocimiento pedagógico (Mohebi y ElSayary 2026)
- Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education
- Designing faculty standards for technology integration in higher education institutions: a design-based research study — Estándares del profesorado para la integración de la tecnología (investigación basada en el diseño relacionada con el TPACK)
- Integrating generative Artificial Intelligence into student learning: A systematic review from a TPACK perspective — Integrar la IA generativa en el aprendizaje del estudiantado: una revisión sistemática desde la perspectiva del TPACK
- Modeling AI-TPACK in practice: Insights from teachers' multi-agent workflow design — Modelar el AI-TPACK mediante flujos de trabajo docentes con múltiples agentes
- AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study — Preparación en AI-TPACK del futuro profesorado de matemáticas
- Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — La interacción docente-IA en el diseño de clases: TPACK inteligente, experiencia y competencia (Choi et al. 2026)
- 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 — Desarrollo profesional intensivo en IA generativa y ganancias de AI-PCK
- Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Marco de cinco niveles de colaboración docente-IA
- AI adoption among teachers: Insights on concerns, support, confidence, and attitudes — La confianza del profesorado y la adopción de la IA
- Teacher education for artificial intelligence literacy through a self-determination theory perspective — Formación docente para la alfabetización en IA a través de 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 — Competencias socioemocionales y alfabetización en IA
- GenAI as a runaway object in higher education: A socio-cultural view on AI-influenced academic practice in mathematics — La IA generativa y las matemáticas en la educación superior
- How AI Is Changing Teaching Workflows. — Cómo la IA está cambiando los flujos de trabajo docentes
- Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Conocimiento TPACK-21 autopercibido del profesorado universitario para la IA generativa en la educación superior (Sutedjo, Chowdhury y Liu 2026)
- AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — Encuesta comparativa con 186 futuros docentes de ciencias sudafricanos: ventaja del campus en el TPACK autoinformado, y formación en IA asociada a un TPACK declarado más débil en la institución a distancia
- From AI literacy to AI-integrated inquiry-based science teaching: the serial mediating roles of AI-TPACK and science teaching self-efficacy among Chinese pre-service science teachers — El AI-TPACK y la autoeficacia en la enseñanza de las ciencias median en serie el efecto de la alfabetización en IA sobre la intención de integrar la indagación (Zou et al. 2026)
- Changes in pre-service physics teachers' TPACK and collaborative problem solving associated with an AI-supported CTD-PBL module: A quasi-experimental study — Módulo CTD-PBL apoyado por IA y el TPACK y la resolución colaborativa de problemas del futuro profesorado de física (Chen y Osman 2026)
- Assessing Human-AI Collaboration in Design Education: A Process-Oriented Rubric Grounded in an Extended AI-TPACK Framework — Evaluar la colaboración entre personas e IA en la educación en diseño: una rúbrica orientada a procesos basada en un marco AI-TPACK ampliado
- A Capability–Decision Model of teacher readiness for AI integration in teaching — Modelo ordenado de preparación docente centrado en la capacidad y su advertencia sobre el solapamiento de constructos
- From digital competence to AI-responsive pedagogy: a scoping review of technology-supported teacher education — Advertencia de una revisión de alcance: la dominancia de los marcos de competencia refleja en parte los descriptores de búsqueda, no la prevalencia en el campo
- Towards a New AI-TPACK Framework: Evidence from China — Hacia un nuevo marco AI-TPACK: la ética como mediadora integradora del conocimiento técnico sobre IA (Chen et al. 2026)
- Enhancing teachers' AI competency: A professional development intervention study based on intelligent-TPACK framework — Formación continua Intelligent-TPACK para profesorado universitario: ganancias resueltas por dimensión, la asistencia por encima de la implicación autopercibida
- The Role of Integrated TPACK in Empowering Pre-Service Teachers and Shaping Their Attitudes Toward Generative AI in Teaching — El papel del TPACK integrado en el empoderamiento del futuro profesorado y en la configuración de sus actitudes hacia la IA generativa en la enseñanza