Conceptos
Bienestar
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Bienestar — el estado positivo de estar mental, física y socialmente sano, que abarca dimensiones emocionales, psicológicas y sociales. En la IA en la educación, el bienestar se ha convertido en una preocupación central porque la rápida integración de la IA generativa en los entornos de aprendizaje puede afectar a la salud mental, la motivación, el sentido de pertenencia, la ansiedad y el sentido de agencia del estudiantado y del profesorado, lo que plantea preguntas sobre si la IA sostiene o socava el bienestar de quienes aprenden.
Preguntas para reflexionar
- El bienestar en la educación se trata a menudo como una preocupación «blanda» o secundaria frente a los resultados de aprendizaje. Pero es una dimensión central y diseñable de la integración de la IA. ¿Piensa en el bienestar del estudiantado y del profesorado como algo para lo que hay que diseñar, o como un subproducto que se puede comprobar después? ¿Qué podría perder el campo al tratarlo como algo secundario?
- Piense en cómo el uso de la IA ha afectado a su propia confianza, ansiedad, sentido de pertenencia o agencia, o a las de su estudiantado, para bien y para mal. ¿Cuál es una forma concreta en que la IA ha cambiado su experiencia emocional de aprender o de enseñar, más allá de la simple comodidad?
- El uso de la IA está entrelazado con la ansiedad: por la integridad académica, por si depender de la IA indica debilidad, por la dependencia excesiva. ¿Dónde ha visto que la IA induzca ansiedad en lugar de aliviarla, y quién resultó más afectado en esa situación?
- Una intuición común es que la IA reduce el estrés al encargarse de tareas difíciles. ¿Dónde podría ocurrir lo contrario: una IA que reduce el esfuerzo a corto plazo pero aumenta la ansiedad sobre la competencia, la integridad o el «no saber hacerlo de verdad»? ¿Cómo mediría siquiera un cambio en el bienestar y no solo en el producto?
- El bienestar abarca dimensiones emocionales, psicológicas (propósito, autonomía, competencia) y sociales (pertenencia, relaciones). Elija una de ellas. ¿Cómo podría una herramienta de IA mejorar o socavar esa dimensión en un entorno de aprendizaje sin que se note, y qué buscaría como evidencia?
- El bienestar del profesorado —la carga de trabajo, la ansiedad ante una tecnología disruptiva, la capacidad de ofrecer apoyo emocional— está tan en juego como el del estudiantado. Si usted es docente o responsable institucional, ¿qué haría falta para que la integración de la IA apoyara el bienestar del profesorado en lugar de añadir presión, y quién debería rendir cuentas por ello?
Introducción
El bienestar en la educación es multifacético: incluye el bienestar emocional (afecto positivo, malestar bajo), el psicológico (propósito, autonomía, competencia) y el social (pertenencia, relaciones positivas). En la era de la IA, el bienestar importa porque la IA puede remodelar el aprendizaje de formas que afectan a estas dimensiones, desde reducir la confianza del estudiantado y aumentar la ansiedad sobre la integridad académica hasta fomentar o socavar la implicación y la pertenencia. Las preocupaciones sobre el impacto de la IA en las habilidades socioemocionales, el bienestar, la sociabilidad y el sentido de confianza y de empatía del estudiantado (planteadas por la OCDE y otros) han situado el bienestar como una consideración clave en una integración responsable de la IA.
Cómo aparece el bienestar en la investigación
-
Alfabetización en IA y aprendizaje socioemocional: la investigación que integra las competencias socioemocionales en la alfabetización en IA sostiene que fomentar la inteligencia emocional y el bienestar del profesorado y del estudiantado es esencial para navegar entornos de aprendizaje mediados por IA, lo que conecta con el aprendizaje socioemocional y las dimensiones afectivas de la IA.
-
Ansiedad ante la IA y experiencia del estudiantado: los estudios sobre la implicación del estudiantado con la IA (p. ej., investigación basada en la teoría de la autodeterminación) encuentran que el uso de la IA está entrelazado con la ansiedad, la confianza y la seguridad, y que el bienestar del estudiantado se ve afectado por preocupaciones sobre la integridad académica, la creatividad y la dependencia excesiva.
-
La ansiedad ante las pruebas se redistribuye, no se elimina. Mulvenon (2026) sostiene que, a medida que la evaluación pasa de las pruebas puntuales de alto impacto a una evaluación continua y basada en datos, la rendición de cuentas algorítmica añade un nuevo sistema de presión cuyos mecanismos —inmediatez, visibilidad y permanencia de los datos— convierten el estrés agudo de los exámenes en una vigilancia difusa y permanente del desempeño que rara vez se declara.
-
La reducción de la ansiedad no es uniformemente beneficiosa. En un estudio intra-sujetos contrabalanceado con 35 estudiantes de preuniversitario, un agente conversacional aumentado con LLM redujo la ansiedad autoinformada durante las evaluaciones orales (calma 6,50 frente a 5,86, p = 0,028), pero los autores advierten que una ansiedad moderada puede ser facilitadora y no registraron puntuaciones de logro (Yusuf, Money y Daylamani-Zad (2026)).
-
Una aprobación alta puede coexistir con tensión, y la presión de tareas de IA debilita el beneficio. Entre 551 estudiantes de primer año, el 82,76% aprobó la integración de contenidos digitales e inteligentes, mientras que el 69,51% declaró ansiedad o tensión, y la pendiente de competencia en IA a ajuste cayó de 0,42 a 0,20 a medida que aumentaba la presión de tareas de IA (Zhang y Yin (2026)).
-
La capacidad percibida de la IA puede elevar la salud mental a través del progreso hacia las metas. Chen et al. (2026) encontraron que la vía serial desde la inteligencia percibida del asistente hasta la salud mental era significativa (B = 0,098) y más fuerte con alfabetización en IA alta (0,124) que baja (0,072), aunque todos los resultados se midieron inmediatamente después de una tarea breve.
-
La tutoría de apoyo emocional no es automáticamente mejor para el bienestar. Una capa de atención plena basada en LLM añadida a un tutor de álgebra redujo la ansiedad matemática de estado en ambos brazos, pero no más que las pistas y la retroalimentación puramente cognitivas, aunque el estudiantado valoró al agente consciente como más comprensivo: una advertencia contra leer el cuidado percibido como un resultado de bienestar (Rief et al., 2026).
-
Ansiedad ante la IA, adaptación y dependencia como señales de bienestar: Zhang et al. (2026) encuentran que la ansiedad ante la IA se relaciona negativamente con la motivación académica en parte a través de una menor regulación emocional (moderada por el género) en una amplia muestra china; Wu (2026) muestra que quienes aprenden japonés se agrupan en perfiles de adaptación psicológica desadaptativos, moderados y positivos, impulsados por el tecnoestrés y la resiliencia, que se desplazan hacia una mejor adaptación a lo largo de un semestre; y Yan (2026) advierte que los correlatos transversales de la implicación con la IA conversacional (soledad, ansiedad, bajo bienestar) no deben leerse como consecuencias, y que las experiencias de apoyo y las dañinas coexisten.
Un ensayo aleatorizado de cuatro semanas encontró que las elecciones de diseño no movieron el bienestar, pero el tiempo sí. Fang et al. (2025) asignaron a 981 personas adultas a una de nueve combinaciones de interfaz (texto, voz neutra, voz atractiva) y tema (abierto, no personal, personal) durante 28 días de uso de GPT-4o. Ninguna de las manipulaciones cambió significativamente la soledad, la socialización en el mundo real, la dependencia emocional ni el uso problemático, lo que constituye la comprobación experimental más sólida hasta la fecha de los correlatos sobre los que Yan advierte. La duración diaria voluntaria predijo los cuatro resultados en la dirección dañina, y las personas usuarias que confiaban en el bot o lo veían como un amigo eran las más dependientes; como la duración no se aleatorizó, la dirección sigue abierta.
Los datos longitudinales apuntan en la misma dirección, con una advertencia de medición. Folk y Dunn (2026) siguieron a 2.149 personas adultas de cuatro países occidentales a lo largo de cuatro encuestas que abarcaron 12 meses. En una medida de aislamiento emocional de un solo ítem, un uso más intenso de chatbots predijo más soledad cuatro meses después (β = 0.07 a 0.08) y la soledad predijo más uso (β = 0.06). En una escala de conexión social de 20 ítems solo se mantuvo la segunda dirección: sentirse menos conectado predijo más uso (β = −0.09 a −0.07), mientras que el uso no predijo significativamente la conexión posterior (p = .369). Los autores califican los análisis de exploratorios, y la divergencia es una razón para medir la soledad de más de una forma.
-
Si el vínculo con la IA protege o daña depende de las relaciones fuera de línea. Fu y Zhao (2026) proponen que los efectos en la salud mental siguen a la conectividad con la IA en relación con la conectividad fuera de línea tradicional y no a su intensidad por sí sola —suplementaria cuando los vínculos del mundo real satisfacen las necesidades de confirmación de identidad, compensatoria cuando los cuidadores no lo hacen— y predicen una relación en U invertida entre ambas.
-
Apoyo al bienestar culturalmente situado y sus límites: Bashir y Afzal (2026) describen Sukoon, un sistema híbrido de bienestar para estudiantes universitarios paquistaníes que combina un clasificador de estrés con Random Forest (89,09% de precisión en tres niveles de gravedad; 20 características de encuesta) con una capa de diálogo basada en LLM que escala el tono y la intensidad del apoyo en tres niveles conforme al modelo de atención escalonada. Se construyó porque las herramientas de salud mental diseñadas en Occidente están en inglés y son culturalmente inadecuadas para estudiantes que expresan su malestar en urdu o en urdu romanizado y que afrontan a la vez factores de estrés académicos, económicos, familiares y relacionales; los autores son explícitos en que no es una herramienta clínica de diagnóstico ni de terapia, en que las respuestas de alto malestar apuntan hacia un asesoramiento profesional y en que la capa de chatbot aún no se ha evaluado con estudiantes en cuanto a adecuación cultural o seguridad emocional.
-
Bienestar y rol del profesorado: el impacto de la IA en el profesorado —incluidas la carga de trabajo, la ansiedad por enseñar con tecnología disruptiva y la capacidad de ofrecer apoyo emocional— es una preocupación recurrente, que conecta con la competencia del profesorado en IA y el desarrollo profesional.
Un modelo de ecuaciones estructurales con 502 docentes universitarios encontró que la alfabetización en IA predecía el bienestar con la IA mucho más fuertemente (β = 0,713) que la autoeficacia tecnológica (β = 0,082), y que el apoyo social y organizativo solo llegaba al bienestar de forma indirecta: la competencia, y no el ánimo, cargaba con el efecto (Liu et al. (2026)).
-
La densificación relacional como criterio evaluativo del desarrollo docente apoyado por IA: Aponte et al. (2026) sostienen que la IA apoya el desarrollo socioemocional del profesorado solo cuando funciona como infraestructura relacional y no como sustituto simbólico del acompañamiento humano. Proponen la densificación relacional como criterio para juzgar las iniciativas de desarrollo profesional apoyadas por IA —si fortalecen la confianza, la mentoría, el apoyo entre pares, la colaboración, la seguridad psicológica y la reducción del aislamiento— y señalan que estas relaciones tienen efectos posteriores en el estudiantado a través del clima de aula, la capacidad de respuesta pedagógica y el apoyo socioemocional. La síntesis también advierte que la gobernanza de los datos afectivos y la economía política de la IA educativa conllevan riesgos éticos distintos, y enmarca la alfabetización crítica en IA como una competencia socioemocional.
-
Ética e IA responsable: el bienestar es una consideración ética central en la IA en la educación, vinculada a la ética y al imperativo de diseñar una IA que sostenga y no dañe la salud mental y la pertenencia de quienes aprenden.
-
La ansiedad ante los detectores como riesgo para el bienestar. Herron (2026) nombra la «flagxiety» —la ansiedad inducida por el temor a acusaciones poco fiables de detectores de IA— y sostiene que el estudiantado marginado de educación postobligatoria, cuya singularidad cognitiva puede leerse como conducta indebida, necesita regulación relacional en lugar de una interfaz no regulada que puede desencadenar un bloqueo cognitivo.
Para el profesorado, la competencia llega al bienestar solo a través de la satisfacción laboral. Kayalı et al. (2026) modelaron 350 docentes en ejercicio y encontraron que la alfabetización en IA alimentaba con fuerza cada componente del AI-TPACK (β = 0,65 a 0,73), pero los componentes se dividían respecto a la satisfacción: el conocimiento tecnológico del contenido con IA la elevaba (β = 0,41), mientras que el conocimiento técnico por sí solo la reducía (β = −0,30). La satisfacción transmitía después el efecto al bienestar emocional, psicológico y social (β = 0,42, 0,68 y 0,57) sin que sobreviviera ninguna ruta directa, aunque el modelo explica solo el 11 por ciento de la satisfacción.
El bienestar como consideración de diseño
Un tema recurrente es que el bienestar debería ser una consideración de diseño deliberada en la IA en la educación, y no algo secundario. Esto significa: diseñar la IA para apoyar y no sustituir las relaciones humanas; garantizar que el estudiantado pueda mantener su agencia y su confianza en lugar de experimentar ansiedad inducida por la IA o dependencia excesiva; apoyar la capacidad y el bienestar del profesorado a medida que integra la IA; y evaluar los sistemas de IA no solo por sus resultados de aprendizaje sino también por sus efectos en el bienestar del estudiantado y del profesorado. La investigación conecta el bienestar con la motivación, el aprendizaje autorregulado y la experiencia del estudiantado (pertenencia e implicación). Xie (2026) aboga por un telos educativo a la altura: el contraideal daoísta del «Zhenren» (真人) sustituye la optimización sin fricción por la «plenitud cultivada», reimaginando el aprendizaje como la integración armoniosa del yo, la sociedad y el cosmos, e insistiendo en que «ningún estudiante es solo un conjunto de datos que gestionar, sino un ser completo capaz de alcanzar la ecuanimidad».
La base de evidencia socioemocional no dice quién debería actuar. Una revisión sistemática de 65 estudios en la intersección entre la IA y el aprendizaje socioemocional encontró que casi tres cuartas partes no mencionaban implicaciones de política, y la minoría que sí lo hacía ofrecía pocas orientaciones sobre qué actor debía encargarse de la privacidad, la formación del profesorado o la asignación de recursos (Tran, Liu y Nguyen (2026)). El bienestar como consideración de diseño dispone por tanto de evidencia sobre los efectos y de muy poca sobre la responsabilidad, lo que deja la pregunta de quién diseña para él en manos de la institución y no de la literatura.
Un replanteamiento conceptual ancla el apoyo a la regulación emocional en la actividad física y la ecología del campus y no en la detección del afecto por sí sola: ningún canal expresivo aislado identifica el malestar sin contexto, así que la IA debería apoyar la regulación mediante el ejercicio mientras docentes y orientadores conservan la interpretación, y la monitorización del afecto se vuelve coercitiva una vez que se ata a la asistencia o a la calificación (Zhang et al. (2026)).
Conexiones con conceptos relacionados
El bienestar se conecta con la experiencia del estudiantado (como dimensión de la experiencia global de quien aprende), el aprendizaje socioemocional y la computación afectiva (las competencias emocionales con las que se cruza la IA), la ética (como consideración ética central), la motivación y el aprendizaje autorregulado (el bienestar los sostiene y se sostiene en ellos), la competencia del profesorado en IA (la capacidad y el bienestar de los educadores), y la educación superior y la K-12 como los entornos donde la IA da forma al bienestar.
Fricción, sentido y soledad como señal. Zohar, Bloom e Inzlicht (2026) dan al argumento del bienestar un mecanismo: el esfuerzo señala que nuestras acciones importan, así que quienes trabajan en una tarea se sienten más competentes, valoran más el producto y lo ven más lleno de propósito, e incluso en tareas objetivamente sin sentido, añadir fricción eleva el sentido atribuido. En cuanto a las relaciones, tratan la soledad no solo como una aflicción (vinculada a enfermedades cardiovasculares, demencia, ictus y muerte prematura) sino como una señal biológica análoga al hambre o al dolor: un malestar que motiva a buscar a otras personas, aceptar invitaciones, invertir en las relaciones existentes y tolerar conversaciones difíciles. Los compañeros de IA pueden calmar ese malestar, lo que los autores consideran un progreso genuino en algunos casos, a la vez que silencian la señal que impulsa la conexión; y matizan el argumento por etapas, sosteniendo que para las personas aisladas por las circunstancias y no por elección, negarles el acceso a esa tecnología «sería cruel» (motivación, aprendizaje socioemocional).
El apoyo emocional y la conexión pueden ir en direcciones opuestas dentro de una misma muestra. Entre 819 estudiantes saudíes de educación superior, la satisfacción con los chatbots promedió 4,29 y su experiencia de las herramientas 4,19, mientras que la preocupación de que los chatbots mermen la conexión humana fue el constructo mejor valorado, con 4,36 (Al-Zahrani (2025)). Esa preocupación aumentaba con la experiencia en lugar de bajar con la satisfacción (coeficientes estandarizados de 0,64 frente a 0,11).
Concepciones erróneas comunes
- «La aprobación del estudiantado indica que se está apoyando el bienestar.» Entre 551 estudiantes de primer año, el 82,76% aprobó la integración de contenidos digitales e inteligentes, y una alta aprobación convivió con tensión, mientras que la presión de tareas con IA debilitaba el beneficio. Aprobación y tensión suben juntas, así que las encuestas de satisfacción engañan justo aquí.
- «El apoyo al bienestar es culturalmente neutro.» Bashir y Afzal (2026) describen Sukoon, una herramienta híbrida de apoyo al bienestar, como culturalmente situada, y el planteamiento del propio estudio señala sus límites. Un diseño de apoyo que presupone un estudiantado universal lee mal a la población.
- «La presión de tareas es algo separado de la tecnología.» El hallazgo es que la presión de tareas con IA debilitó el beneficio de la integración, lo que sitúa la carga de trabajo dentro de los efectos de la tecnología y no junto a ellos.
Conceptos conectados
- Quienes aprenden — Estudiantes: el paraguas de los conceptos del lado de quien aprende
- Ansiedad y estrés
- Experiencia del estudiantado
- Aprendizaje socioemocional
- Computación afectiva
- Ética
- Motivación
- Aprendizaje autorregulado
- Competencia en IA del profesorado
- Educación superior
- Apoyo y éxito estudiantil — servicios de apoyo en el campus que abarcan la orientación académica, la divulgación y la derivación
Artículos conectados
-
Exploring the Impact of Artificial Intelligence Chatbots on Human Connection and Emotional Support Among Higher Education Students — 819 estudiantes valoraron mucho los chatbots y temieron sobre todo la pérdida de la conexión humana
-
Against frictionless AI — Fricción, sentido y soledad como señal biológica
-
The relationship between AI anxiety and academic motivation among university students: The mediating role of emotion regulation and the moderating role of gender — La relación entre la ansiedad ante la IA y la motivación académica
-
Profiles and transitions of psychological adaptation in AI-assisted Japanese language learning — Perfiles y transiciones de la adaptación psicológica en el aprendizaje del japonés asistido por IA
-
A critical narrative synthesis of psychological correlates, measurement, and reported findings on conversational AI engagement and dependence-related constructs — Una síntesis narrativa crítica de la implicación y la dependencia de la IA conversacional
-
Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning — Más allá de la resolución de problemas: grandes modelos de lenguaje para el apoyo emocional y reflexivo en el aprendizaje de las matemáticas
-
Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: A narrative review — Integrar las competencias socioemocionales en la alfabetización en IA
-
Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — La implicación del estudiantado con la IA generativa (teoría de la autodeterminación)
-
Teacher education for artificial intelligence literacy through a self-determination theory perspective — Formación docente para la alfabetización en IA (teoría de la autodeterminación)
-
Examining the impact of generative AI on student motivation and engagement: The mediating role of autonomy-support and autonomous motivation in education — IA generativa, motivación e implicación
-
AI chatbot design principles to enhance the collective efficacy in collaborative learning — Chatbots de IA, eficacia colectiva y colaboración
-
Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally intelligent pedagogical AI conversational agent — AIvaluate: evaluación de la ansiedad del estudiantado aumentada con LLM (2026)
-
The Policy Deficit in AI × Social-Emotional Learning Research — El déficit de políticas en la investigación sobre IA × aprendizaje socioemocional
-
An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — Un chatbot culturalmente consciente impulsado por IA para la detección del estrés y el apoyo al bienestar entre estudiantes universitarios paquistaníes mediante PLN y aprendizaje automático
-
Alternative AI Philosophy: Daoism as Method for AI in Education — Filosofía alternativa de la IA: el daoísmo como método para la IA en la educación
-
Artificial and Emotional Intelligence: Two Key Forces for Teachers' Professional Development in an Era of Uncertainty — La densificación relacional como criterio del desarrollo docente apoyado por IA
-
A study on AI-enabled course development, AI proficiency, and first-year students' academic and psychological adjustment — Alta aprobación de un curso con IA que coexiste con tensión autoinformada, y presión de tareas que debilita el ajuste
-
Artificial Intelligence Connectedness: Theoretical Reconstruction of Connectedness and Its Impacts on Adolescent Mental Health — Conectividad con la IA y salud mental adolescente: vínculo suplementario frente a compensatorio, con una predicción en U invertida
-
Smarter AI, Healthier Students? How Perceived AI Assistant Intelligence Shapes Medical Students' Mental Health Through Learning Goal Progress and Academic Anxiety — Inteligencia percibida del asistente de IA, progreso hacia metas y salud mental, con la alfabetización en IA como moderadora
-
Contextualizing AI-Supported Emotion Regulation Through Sport and Exercise in Higher Education: A Conceptual Reframing — Replanteamiento conceptual de la regulación emocional apoyada por IA a través del deporte, el ejercicio y la ecología del campus
-
Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Modelo de ecuaciones estructurales del bienestar docente con IA: la alfabetización en IA domina sobre la autoeficacia
-
Test Anxiety in the Age of AI: Revisiting Mulvenon's Multi-Stakeholder Framework Under Algorithmic Accountability — La ansiedad ante las pruebas se redistribuye, no se elimina
-
How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use: A Longitudinal Randomized Controlled Study — Cuatro semanas, nueve condiciones, ningún efecto significativo en los resultados; la duración voluntaria siguió al daño (Fang et al. 2025)
-
How Does Turning to AI for Companionship Predict Loneliness and Vice Versa? — Doce meses, cuatro olas: el uso predijo el aislamiento en un solo ítem y la soledad predijo el uso en ambos (Folk y Dunn 2026)
-
Examining the relationships between artificial intelligence literacy, AI-TPACK, job satisfaction, and well-being among teachers through structural equation modeling — 350 docentes: el AI-TCK eleva la satisfacción laboral mientras que el AI-TK la reduce, y la satisfacción es la única vía al bienestar (Kayalı et al., 2026)