Visualización

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

Visualización — el uso de visualizaciones de datos, infografías, paneles, gráficos, diagramas y otras representaciones gráficas para hacer comprensible la información con fines de aprendizaje y análisis. En toda la educación, la visualización es cada vez más tanto generada por IA (texto a imagen, análisis IA multimodal de diapositivas y gráficos) como usada como la interfaz a través de la cual estudiantes, docentes y sistemas de analítica razonan sobre datos compartidos.

Preguntas para reflexionar

• Un gráfico o un panel puede hacer claro un dato, pero ¿es simplemente ver una visualización lo mismo que entenderla? La investigación de la página sugiere que cómo se interactúa con una visualización importa más que el gráfico en sí. Recuerde un panel o un gráfico que miró pero del que no aprendió realmente. ¿Qué faltaba en la mera presentación?
• Los paneles de aprendizaje convencionales siguen el modelo de «mostrar datos, confiar en que surja la comprensión». El hallazgo aquí es que quienes responden preguntas sobre sus datos antes de ver las métricas reflexionan y calibran mejor que quienes ven los gráficos pasivamente. ¿Por qué forzar una predicción previa podría cambiar lo que se obtiene al ver los datos reales?
• La IA ya puede generar visualizaciones precisas de contenido especializado: un estudio elevó la precisión de dominio del 12% al 78% al ajustar finamente un modelo de texto a imagen con conceptos nucleares. Pero la página también encuentra que ningún modelo es uniformemente competente. ¿Dónde confiaría en un visual generado por IA y dónde insistiría en contrastarlo con una persona experta?
• Los participantes de un estudio encontraron los cómics de datos generados por IA más atractivos y comprensibles, pero muchos también señalaron el riesgo de desinformación y la sobrecarga informativa. ¿Cómo pondera el atractivo de un visual de IA convincente frente a su potencial de inducir a error, y qué verificaría antes de confiar en él o usarlo?
• La página advierte que la confianza de un modelo no es su fiabilidad: los sistemas pueden divergir marcadamente en los juicios de gravedad mientras aciertan en constructos básicos. Si dependiera de una herramienta de IA para evaluar diapositivas, ensayos o datos, ¿cómo descubriría dónde su confianza ocultaba un error grave?
• Un estudio encontró que el estudiantado dedicó la mayor parte de su mirada al código pese a elaborados apoyos visuales: las ayudas visuales simplemente no captaron la atención de todo el mundo. ¿Qué sugiere eso sobre suponer que un buen diagrama o panel ayudará automáticamente a todo el estudiantado a implicarse? ¿Qué más, aparte de lo visual, determina cómo las personas usan realmente una herramienta?

Introducción

La visualización es el uso de representaciones gráficas —paneles, gráficos, diagramas, infografías y pantallas multimodales— para hacer inteligibles el aprendizaje y los datos de aprendizaje. Su papel educativo más consolidado es el panel de analítica del aprendizaje, donde el modelo dominante de mostrar datos y confiar en que surja la comprensión ha dado paso a diseños interactivos: la evidencia indica que cómo interactúa quien aprende con una representación importa más que si la ve, y que las indicaciones de autoelicitación y los agentes pedagógicos mejoran la calibración más que las métricas pasivas. La misma pregunta —¿la pantalla provoca el pensamiento o lo sustituye?— vincula la visualización con las dificultades deseables y la metacognición.

La visualización como interfaz de aprendizaje

El papel más consolidado de la visualización en educación es el panel de analítica del aprendizaje. Los paneles de analítica del aprendizaje (LAD) convencionales operan con un modelo de «mostrar datos → confiar en que surja la comprensión», presentando métricas de comportamiento en gráficos que quien aprende ve pasivamente. La investigación sobre Interactive learning dashboards: rethinking learning visualisations as engagement tools desafía este paradigma: cuando un panel añade un agente pedagógico impulsado por LLM y una autoevaluación interactiva de Juicio del Aprendizaje, la condición de «elicitación» —en la que quien aprende responde preguntas sobre sus datos antes de ver las métricas— produjo más reflexión y una calibración del dominio más precisa que un panel pasivo o un agente que «informa». La lección es que cómo interactúa el estudiantado con las visualizaciones importa más que el simple hecho de verlas. Esto conecta con la analítica del aprendizaje y el aprendizaje autorregulado, donde la retroalimentación visual apoya la calibración del juicio metacognitivo en lugar de la mera presentación de información.

Los paneles dirigidos al profesorado añaden un conjunto distinto de lecciones de diseño. Mejia-Domenzain et al. (2026) encontraron que el profesorado prefería sistemáticamente visualizaciones más simples y tradicionales (gráficos de barras, gráficos circulares, leyendas) incluso cuando diseños más complejos (p. ej., mapas de calor) producían perspectivas más detalladas —la preferencia visual no siempre se alineaba con la informatividad, lo que se hace eco de los debates sobre la legibilidad comparativa de los gráficos circulares. La alfabetización en visualización (VL) no determinó las preferencias de diseño, pero el profesorado con mayor VL produjo interpretaciones más profundas y detalladas (p. ej., más de ellos identificaron tendencias en datos de series temporales), lo que confirma la VL como un factor de confusión al medir cómo lee el profesorado los diseños de analítica. Para la comparación de grupos, el profesorado favoreció claramente la superposición frente a la yuxtaposición, y prefirió gráficos que mostraran la información completa (p. ej., incluyendo un grupo de «estudiantes que no vieron») en lugar de una codificación explícita de diferencias, aunque el profesorado más joven valoró mejor los gráficos de diferencias. Estos hallazgos sostienen que el diseño de paneles debe equilibrar las preferencias declaradas del profesorado con la profundidad interpretativa que permiten las codificaciones más complejas.

Los paneles también funcionan como representaciones compartidas que tienden un puente entre el razonamiento humano y el de la IA. El sistema CLARA usa artefactos generados por LLM —mapas conceptuales y evaluaciones de colaboración de siete dimensiones— como terreno común entre quienes usan el panel y los agentes de IA, indexándolos en colecciones vectoriales separadas para que ambas partes razonen sobre el mismo material visible y consultable. De manera similar, el Panel de Cognición Experta reformula la analítica como «inteligencia de la cognición», convirtiendo comportamientos crudos del estudiantado en estructuras de cognición interpretables en los niveles individual, de clase y de experto Gemelo de IA. Estos sistemas sitúan la visualización no como un producto sino como infraestructura de razonamiento integrada dentro de una educación nativa de las tecnologías de IA.

Contenido visual generado por IA y multimodal

Una segunda línea importante se refiere a la IA que produce visualizaciones directamente. NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts muestra que los modelos de texto a imagen adaptados al dominio pueden generar ilustraciones precisas de conceptos STEM especializados: el ajuste fino de Stable Diffusion con imágenes del dominio nuclear elevó la precisión de dominio del 12% al 78%, permitiendo al profesorado producir visualizaciones correctas de componentes de reactores y sistemas de seguridad a demanda. Esta capacidad generativa es potente pero desigual. Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy evalúa comparativamente seis modelos multimodales de lenguaje de gran tamaño frente a 485 participantes humanos en alfabetización en visualización científica, encontrando que no hay competencia uniforme: Gemini, de código cerrado, superó la media humana en varios subconjuntos, mientras que todos los modelos de código abierto quedaron por debajo, con debilidades particulares en la estimación cuantitativa fina y en las visualizaciones basadas en textura o en integración. Por lo tanto, la IA debería apoyar —no sustituir— la alfabetización humana en visualización, un hallazgo con implicaciones directas para la alfabetización en IA y la evaluación formativa.

La ética y la fiabilidad moderan el entusiasmo por el contenido visual generado por IA. Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation encontró que los cómics de datos asistidos por IA generativa mejoraron el compromiso y la comprensión frente a visualizaciones convencionales, con independencia de la alfabetización previa en visualización, aunque los participantes plantearon inquietudes sobre el riesgo de desinformación y la atribución de autoría, y dos tercios señalaron desventajas como la sobrecarga informativa por diseños demasiado recargados. El benchmark contrafactual CFES-P24 extiende este escrutinio a la auditoría de diapositivas, mostrando que los LLM multimodales pueden reconocer de forma fiable constructos de diseño del aprendizaje (operaciones, principios, localización de evidencia) mientras divergen marcadamente en el juicio comparativo y la calibración de gravedad —evidencia de que las puntuaciones compuestas ocultan qué capacidad falla y de que la confianza no es la fiabilidad. En conjunto, estos trabajos abogan por una evaluación de la IA generada por capas en lugar de valoraciones holísticas.

Herramientas de diapositivas, cómics y vistas múltiples en la práctica

Los sistemas prácticos aplican estos principios a escala. AISSA combina la puntuación por rúbrica basada en LLM con paneles de analítica del aprendizaje para ofrecer retroalimentación automática e iterativa sobre las diapositivas de presentación del estudiantado, procesando 90 presentaciones en 1–3 minutos cada una con un coste de céntimos por evaluación y una alta usabilidad percibida —aunque el estudiantado aplicó la retroalimentación de forma selectiva, ignorando a veces recomendaciones que entraban en conflicto con su diseño visual. En la educación en programación, Flowcode combina un diagrama de flujo de la estructura del código con un chat orientado al aprendizaje para ayudar a programadores creativos novatos a comprender y extender ejemplos encontrados, donde la visualización y la fricción productiva orientan el uso de la IA hacia el aprendizaje en lugar de evitarlo. Sin embargo, los apoyos visuales no son universalmente eficaces: Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations encontró que el estudiantado dedicó ~47% del tiempo de mirada al código pese a los apoyos visuales, impulsado por la agencia, el ajuste representacional y la legitimidad percibida de las vistas metafóricas. Estos hallazgos sobre la experiencia de quien aprende advierten que el diseño de visualizaciones debe atender a factores afectivos y sociales, no solo a las posibilidades cognitivas.

Implicaciones

A lo largo de los trabajos aquí analizados, la visualización emerge como un medio de doble uso: la IA genera e interpreta cada vez más visualizaciones, mientras que los paneles y los visuales interactivos sirven como superficie compartida para la construcción de sentido entre humanos y IA. La generación de texto a imagen y el análisis multimodal amplían el alcance de la visualización hacia contenido STEM especializado y la retroalimentación automatizada, pero la competencia desigual de los modelos, los fallos de calibración de gravedad y las inquietudes éticas sobre la desinformación y la autoría exigen una verificación cuidadosa y por capas. Para diseñadores y educadores, la conclusión más sólida es que la interactividad y el compromiso —elicitando el razonamiento del estudiantado sobre los datos visuales, dejando que las personas controlen el esfuerzo cognitivo y tratando los visuales producidos por IA como infraestructura compartida en lugar de como puntos finales— importan más que la fidelidad del propio gráfico.

Conceptos conectados

• Analítica del aprendizaje
• IA multimodal
• IA generativa
• Tecnologías
• Alfabetización en IA
• Narrativa en la educación
• Diseño de aprendizaje
• Validez de la evaluación
• Realidad virtual y aumentada — representación espacial y tridimensional

Artículos conectados

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Repensar las visualizaciones del aprendizaje como herramientas de compromiso mediante agentes pedagógicos
• CLARA: An AI-Augmented Analytics Dashboard for Collaboration Literacy — Panel de analítica aumentado con IA con mapas conceptuales y evaluaciones 7C
• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics — Codificación cuantitativa de la analítica cualitativa del aprendizaje
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Evaluación comparativa de LLM multimodales para la alfabetización en visualización científica
• NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts — Modelos de texto a imagen adaptados al dominio para la visualización de conceptos nucleares
• Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation — Eficacia, beneficios y ética de los cómics de datos asistidos por IA
• Benchmarking Multimodal Large Language Models for Educational Slide Auditing — Benchmark contrafactual para la auditoría multimodal de diapositivas
• AISSA: AI-based Student Slides Analysis Tool for Academic Presentations — Herramienta de análisis de diapositivas del estudiantado basada en IA para presentaciones académicas
• Making machine learning findings accessible to teachers in blended classrooms — Hacer accesibles los hallazgos de aprendizaje automático al profesorado en aulas semipresenciales