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.

Síntesis: La educación de grado es donde la IA se encuentra con las clases más numerosas y la evaluación más estandarizada: cursos de acceso en primero y segundo año en los que un docente enseña a varios cientos de estudiantes con una rúbrica compartida. Los ensayos en este nivel se dividen por el diseño, no por el modelo. Un tutor construido a partir de la propia pedagogía de un curso superó al aprendizaje activo en el aula, mientras que un asistente de curso bien fundamentado pero desplegado sin integración instruccional bajó las notas y la participación. La evidencia más sólida se refiere a la retroalimentación a escala, a los andamiajes para la búsqueda de ayuda, a los materiales de estudio verificados y a la divulgación que mueve plazos administrativos; la más débil, a las afirmaciones de que un asistente general eleva lo que el alumnado puede hacer sin ayuda.

Preguntas para reflexionar

  • Si un tutor eleva las notas de los deberes en dos puntos y medio pero el examen no se mueve, ¿qué ha comprado el curso?
  • Las notas cayeron en un curso donde seis de cada siete estudiantes nunca abrieron el chatbot. ¿Qué cambió la disponibilidad por sí sola?
  • ¿Qué es más defendible en un curso de 600 estudiantes: detectar entregas escritas por IA o cambiar lo que la entrega debe contener?
  • ¿Qué puede suponer un curso de primer año sobre los hábitos de IA que el alumnado aprendió en la secundaria?
  • Cuando la unidad de diseño es una cohorte de 900 y no un solo aprendiz, ¿qué afirmaciones de personalización sobreviven?

Introducción

Los estudios de grado son la formación de licenciatura: clases magistrales, secciones, laboratorios y cursos de servicio, evaluados de forma continua y sumados en una credencial. El alumnado son adultos que eligen su propio tiempo de estudio, enseñados en cohortes mucho mayores que cualquier clase escolar. Todavía no son investigadores, y ningún supervisor es responsable de formar su juicio, lo que separa esta franja de los estudios de posgrado.

La escala es la restricción que la define. Un curso introductorio de física, economía o programación puede matricular de varios cientos a algunos miles de estudiantes, atendido por ayudantes docentes que cada uno califica docenas de ensayos o demostraciones. El volumen de retroalimentación, la disponibilidad de ayuda y el costo de advertir a un estudiante en dificultades son los problemas de diseño recurrentes. La pregunta que decide si la IA ayudó no es si el sistema produjo una respuesta, sino qué hizo todavía el alumnado cuando la produjo.

Qué mide la evidencia en este nivel

Los ensayos de grado son fáciles de contar y difíciles de comparar. El resultado suele ser una nota de curso, una prueba escrita por el docente o una rúbrica aplicada a un solo artefacto.

Tutoría y ayuda con matrícula numerosa

El mayor resultado positivo proviene de un tutor construido a partir de la propia pedagogía de un curso, no de un asistente general.

La brecha entre la nota y el aprendizaje

Cuatro diseños separan la nota en la tarea apoyada de lo que el alumnado podía hacer sin ayuda, y coinciden en la dirección.

El mecanismo que suele ofrecerse es la descarga cognitiva: la herramienta realiza el proceso que la tarea estaba diseñada para provocar. Lo que sigue es un orden, no una prohibición: primero un intento, después la ayuda, y un juicio calificado sin la herramienta.

Qué declara el alumnado sobre sí mismo

Las encuestas en este nivel preguntan al alumnado qué ganó, y sus respuestas se relacionan de forma laxa con lo que dicen haber hecho. Torres-Peralta et al. (2026) encuestaron a 1,477 personas en Sonora, México, incluidos 765 estudiantes universitarios. Su índice de compromiso se apoya en tres conductas declaradas —leer, modificar y añadir ideas propias— y apenas se movió con una única autovaloración del aprendizaje de 0 a 10, con una correlación agrupada de 0.052. El alumnado universitario usó ChatGPT más que el de bachillerato y valoró su aprendizaje solo ligeramente más alto. Los autores leen el resultado como una advertencia sobre la validez de la evaluación y no como un veredicto sobre el aprendizaje, ya que no se midió ningún resultado.

Cuando los predictores también son autodeclarados, un modelo describe un estado mental más que un mecanismo. Kumar et al. (2025) modelaron las rutas hacia el rendimiento autodeclarado en las tareas de 304 estudiantes de dos universidades de Karnataka. La alfabetización digital alcanzó β = 0.393 y la utilidad percibida β = 0.259, mientras la conciencia ética no predijo el rendimiento (β = −0.006, p = .924). El rendimiento, la alfabetización y la ética eran todos autoevaluados, así que la ruta más fuerte dice que quien se valora como más alfabetizado digitalmente también valora más alto su trabajo. El resultado nulo en ética sigue siendo el útil: los autores lo leen como que la ética moldea la conducta y no las notas, y recomiendan evaluar directamente la declaración y la citación.

La comparación entre niveles hace que el lado de grado parezca desigual y no uniformemente bajo. Zaripova et al. (2026) compararon a 381 estudiantes de una universidad técnica de Uzbekistán en una submuestra equilibrada de 302. Los estudiantes de grado promediaron 3.527 en la escala de ética frente a 4.627 de los de posgrado, con d = 1.47 para ética y autonomía académica. La carga cognitiva percibida no difirió por nivel (p = .296). Las distribuciones sostienen el argumento de diseño: las desviaciones estándar de posgrado en ética y autorregulación eran aproximadamente un tercio de los valores de grado, mientras los estudiantes de grado alcanzaban el mínimo de la escala. Una cohorte de primer año reúne, por tanto, a estudiantes que evalúan críticamente la salida junto a otros que declaran casi nada de esa disposición.

Leídas en conjunto, las encuestas muestran qué puede y qué no puede establecer la autodeclaración. Establecen distribución y autoconcepto —cuán dispersa es una cohorte, cómo se valora el alumnado— y no aprendizaje. La evidencia de rendimiento anterior es lo que separa ambas cosas, desde la prueba de retención de 57.5 % frente a 68.5 % hasta la ganancia de 0.54 DE que se desvaneció al retirar el chatbot. Las ganancias autodeclaradas y los predictores autodeclarados necesitan, por tanto, la misma cautela en direcciones opuestas. Una ganancia medida por autovaloración puede ser competencia o confianza, y un predictor medido del mismo modo puede seguir al resultado porque un solo instrumento produjo ambos. La prueba es si un diseño cambia algo que el estudiante hace: un borrador revisado, una fuente verificada, un uso declarado.

Escritura, retroalimentación e integridad

La escritura es donde el uso de IA es más visible y el contrato de evaluación más débil, porque una entrega fluida no lleva rastro del proceso que hay detrás.

El primer año: transición, tutoría académica y apoyo

El alumnado de primer año llega con hábitos formados en la escuela y poca autoridad para cuestionar una respuesta plausible. Las herramientas dirigidas a él hacen sobre todo trabajo administrativo.

Conexiones

La educación de grado se sitúa entre dos franjas estudiadas con métodos distintos. La educación secundaria supone asistencia obligatoria, un adulto que media la herramienta y el aula como unidad de despliegue. La enseñanza de grado supone aprendices que fijan sus propios horarios y trata el curso como unidad. Educación superior es el marco más amplio —gobernanza, desarrollo del profesorado, contratación y programas profesionales— y allí se sitúa la mayor parte de la evidencia sobre precisión de la calificación y política institucional. La educación de posgrado desplaza la unidad de trabajo del curso a la investigación supervisada, donde la pregunta pasa a ser el juicio. Niveles educativos expone el conjunto completo de franjas.

Implicaciones para la práctica

Para el profesorado

  • Enseñe la interacción, no la herramienta. Una sola sesión de 45 minutos sobre en qué se equivoca el modelo elevó la proporción de respuestas erróneas revisadas hasta acertar del 41.3 % al 69.3 % (From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education).
  • Asigne peso calificado al rendimiento sin ayuda. Todos los diseños que separaron ambas cosas encontraron que el artefacto apoyado mejora primero; califique una pieza de trabajo sin IA.
  • Exija un intento antes de la ayuda. La interfaz de intento primero del curso de demostraciones de Carnegie Mellon no conllevó penalización en el examen; el chatbot abierto sí.

Para la dirección de cursos y programas

  • Trate un chatbot de curso como una intervención pedagógica. La misma tecnología no produjo ningún efecto medible en un curso aleatorizado y bajó las notas en otro.
  • Presupueste el trabajo de verificación. El material de estudio verificado costó 1.8 minutos de tiempo del personal por estudiante y produjo su mayor ganancia entre el alumnado más débil.
  • Vigile los efectos por subgrupo antes de escalar. La diferencia de primera generación en el ensayo de 2,379 estudiantes fue el mayor daño y resultaba invisible en el promedio del curso.

Para la investigación

  • Informe un resultado sin ayuda y otro diferido, o un efecto sobre el artefacto se leerá como un efecto de aprendizaje.
  • Preespecifique un margen de equivalencia cuando afirme que la retroalimentación de IA es tan buena como la del docente.

Concepciones erróneas

  • «Un chatbot de curso es infraestructura neutral». En el ensayo de 2,379 estudiantes, el 15 % usó la herramienta y las notas cayeron 0.37 DE, con la participación 0.90 DE por debajo.
  • «Una nota más alta en el ejercicio significa más aprendizaje». Los usuarios de ChatGPT obtuvieron 71.84 % frente a 29.85 % en un ejercicio de CS1 mientras las ganancias conceptuales fueron estadísticamente idénticas entre los grupos.
  • «Los detectores pueden resolver un caso de integridad». Siete detectores promediaron 61.22 % de falsos positivos en ensayos de escritores no nativos de inglés, y el 97 % fue señalado por al menos uno.
  • «El uso diario significa que se puede dar por supuesta la alfabetización en IA». El uso declarado subió cada año de la secundaria mientras la fiabilidad juzgada se mantuvo plana; la cautela en tareas de investigación apareció solo en el cuarto año.

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.