¿Cómo puede la IA apoyar al estudiantado con discapacidad y neurodivergente en mi curso?

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

Usted es el docente que acaba de recibir una carta de ajustes, la persona responsable de accesibilidad que decide si aprobar una licencia, o el coordinador de servicios de discapacidad que tiene que responder a una solicitud de herramienta para el viernes. No necesita una revisión de la literatura. Necesita una decisión defendible: qué adoptar, qué rechazar y cómo saber si lo que aprobó ayudó de verdad al estudiante que tiene delante.

La conclusión principal, con sus salvedades intactas: la IA puede apoyar al estudiantado con discapacidad y neurodivergente, pero lo que se ha medido es limitado. La mayor parte de la evidencia se refiere a herramientas que eliminan una barrera funcional a la vez; el resultado cuantitativo más sólido procede de contextos de educación especial de PK-12 con IA en su mayoría pregenerativa; y el panorama de la educación superior es un mapa de lo que se ha probado más que una medición de lo que funciona. Nada de esto justifica una adopción generalizada. Todo esto respalda una adopción acotada, instruida y específica para cada barrera, y nombra varias prácticas que salen mal.

Empiece por la barrera, no por el diagnóstico

La mayor parte de lo que sale mal para el estudiantado con discapacidad y neurodivergente ocurre en el nivel de una tarea y no de un diagnóstico: una lectura que presupone la imprenta, un vídeo que presupone atención sostenida, un proyecto en grupo que presupone reglas sociales tácitas. Estas barreras se repiten entre diagnósticos, así que la pregunta productiva no es qué herramienta conviene a qué condición, sino qué barrera funcional elimina una herramienta. Cada recomendación a continuación está organizada así, y su proceso de compra también debería estarlo.

Qué adoptar, ordenado por la solidez de la evidencia

1. Herramientas que eliminan barreras con un efecto medido: confianza media, pero PK-12 y en su mayoría IA más antigua. El resultado cuantitativo más sólido de esta página es también el más general. Zhang, Carter, Liu y Peng (2024) sintetizaron 29 estudios (cuasi)experimentales de intervenciones basadas en IA para estudiantes con discapacidad (239 tamaños del efecto de 41 muestras independientes) y encontraron un efecto global medio estadísticamente significativo en los resultados de aprendizaje, g de Hedge = 0,588 (IC del 95% [0,349, 0,826], p < 0,01), con una alta heterogeneidad entre estudios. El rendimiento académico fue el subgrupo de resultados más grande (k = 80, g = 0,929) y las habilidades socioemocionales el más pequeño (k = 144, g = 0,382). El software informático (reconocimiento de voz, sistemas expertos, sistemas de tutoría inteligente) rindió con fuerza (k = 74, g = 0,959) y los robots de forma moderada (k = 144, g = 0,509), mientras que la RV inteligente (g = 0,528) no fue significativa. Hubo sesgo de publicación (β de Egger = 2,837, p < 0,001); el método trim-and-fill redujo la estimación a g = 0,269, aún significativa. Lea la etiqueta de confianza con honestidad: todos los estudios eran de PK-12, el 96,6% usaba instrucción por pasos en contextos de educación especial o clínicos, y la mayoría usaba IA más antigua basada en reglas en lugar de IA generativa. Esto es motivo para una adopción cautelosa de software estructurado e instruccional, no una garantía para el chatbot que le vendieron.

2. Herramientas concretas para una sola barrera con estudios pequeños: confianza baja, muestras pequeñas. Tres resultados muestran lo que puede hacer una herramienta individual, cada una probada con un puñado de estudiantes. Para la atención, Pimenova, Begel y sus colegas (2026) segmentaron vídeos instruccionales a posteriori en fragmentos de una sola instrucción con pausas fijas; con 17 estudiantes con ADHD y 10 sin él, mejoró a todos y llevó los errores y las vacilaciones de los participantes con ADHD a la paridad, un efecto igualador procedente de una transformación ligera y no de un producto específico para un diagnóstico. Para el acceso al lenguaje, Chen et al. (2026) añadieron preguntas Visuales (marcas de tiempo en las que es probable que se malinterprete la información visual) y preguntas Emocionales (marcas de tiempo en las que estudiantes sordos y con hipoacusia habían informado de frustración) a un conjunto de referencia de LLM, produciendo 30 preguntas, diez por estrategia; con 16 estudiantes, la autoeficacia promedió 5,70 (DE = 1,12) en una escala de siete puntos, y las preguntas visuales fueron elegidas más por participantes sordos que con hipoacusia. Para la lectura y la escritura, Rezazadegan et al. (2026) analizaron las propias discusiones de foro de estudiantes con dislexia y encontraron que valoran la IA para el apoyo a la alfabetización, aunque informan de una calidad de salida desigual y de una falta de ajustes equitativos: la inconsistencia es en sí misma una barrera. Adóptelas como experimentos de bajo costo y reversibles, no como infraestructura fija.

3. El inventario de la educación superior: un mapa, no una medición. Para la educación superior el panorama es un mapa y no una medición. Rempel, Heimann y Prilop (2026) cribaron 766 registros de cinco bases de datos hasta 40 estudios incluidos publicados entre 2015 y 2025. La IA generativa apareció en 15 de los 40 y la realidad virtual en 11. La cobertura de barreras era desigual: la lectura y la escritura (n = 13) y la gestión del estudio (n = 12) dominaban, la atención (n = 4) y la comunicación social (n = 5) estaban desatendidas, y solo 6 estudios abordaban más de una barrera. La revisión cubre solo la educación superior: excluyó por diseño los contextos de K-12 y de instituciones especializadas, así que no es evidencia sobre estudiantes más jóvenes. Úsela para ver qué barreras se han abordado en su nivel y cuáles apenas se han tocado.

4. Estructura y diseño universal, que tienen respaldo empírico y son gratuitos. Las preferencias declaradas por el estudiantado aportan el pliego de diseño. Zastudil et al. (2026) encuestaron a 24 estudiantes de informática neurodivergentes (autistas o con ADHD) y a 20 compañeros neurotípicos con cuatro entrevistas de seguimiento: el grupo neurodivergente se sentía incómodo con tareas no estructuradas o ambiguas y prefería con claridad equipos más pequeños que trabajan juntos de forma constante con roles definidos explícitamente, y afrontaba la situación autoseleccionando roles y revelando su condición de forma estratégica. Su advertencia para el trabajo mediado por IA es que el modelo de interacción de una herramienta puede reproducir la misma ambigüedad estructural. La estructura es la intervención más barata de esta lista y la que se omite con más frecuencia.

Qué evitar, incluidos los ajustes que se vuelven en contra

• No proporcione IA como ajuste sin enseñarla. El fallo más común no es la herramienta equivocada, sino una herramienta que no se enseñó. El caso W.A. v. Clarksville/Montgomery County School System (2024) es la versión documentada: un estudiante al que se le dio IA como ajuste se graduó sin saber leer, y el tribunal dictaminó que no se había proporcionado una educación pública gratuita y apropiada.
• No deje que una prohibición general de la IA retire una herramienta de asistencia. Wright (2026) sostiene que las normas que tratan por igual todo "uso de IA" son demasiado inclusivas porque no separan la transcripción de voz a texto y el OCR de la redacción generativa. El estudiantado con condiciones que afectan el control motor fino, la legibilidad de la escritura a mano o la precisión al teclear ha dependido de productos independientes de voz a texto como Dragon NaturallySpeaking y de OCR independiente, varios de los cuales se han descontinuado o degradado, con la transcripción impulsada por IA cubriendo el hueco funcional, de modo que una norma redactada como "sin IA" puede retirar el medio principal que tiene el estudiante para producir un trabajo legible, y la magnitud de ese desplazamiento no se ha medido. Trate la transcripción y el OCR como ajustes que hay que nombrar explícitamente en la política, y no como víctimas de ella; la exposición que esto crea corresponde a Cuestiones y riesgos legales.
• No organice el apoyo solo en torno al diagnóstico. El hallazgo central de la revisión de alcance es una crítica: la literatura está dominada por ajustes individuales y herramientas para un solo neurotipo organizadas en torno al diagnóstico formal, mientras que las diferencias funcionales que abordan atraviesan los neurotipos y quedan ocultas por la categorización diagnóstica. El estudiantado con dislexia tiende a beneficiarse de una menor dependencia de material solo escrito, y tanto el estudiantado autista como el que tiene ADHD pueden experimentar fluctuaciones frecuentes en la concentración, lo que hace que su desempeño sea sensible a una estructura constante y a tiempo suficiente para cambiar de tarea. Una herramienta ajustada a una etiqueta puede pasar por alto la barrera que el estudiante realmente tiene. La misma cautela se aplica a las estadísticas de grupo: el metaanálisis más grande de esta base de conocimiento informa de un efecto considerablemente mayor para el estudiantado con dificultades específicas de aprendizaje, discapacidad intelectual y del desarrollo o sordera que para el estudiantado con trastorno del espectro autista, con esa diferencia reportada como no estadísticamente significativa entre sus tamaños del efecto (véase Efectos diferenciales entre grupos de estudiantes).
• No haga de la autoidentificación el precio del acceso. El ajuste exige que el estudiante se identifique como alguien que necesita una provisión especial, lo que conlleva estigma; el diseño universal elimina ese paso.
• No ignore los efectos de inversión. La dependencia excesiva de los chatbots y la sobrecarga cognitiva de los entornos inmersivos están documentadas como efectos de inversión, en los que añadir la tecnología reduce el aprendizaje. Cabe esperar que una herramienta que solo reproduce la enseñanza existente en formato digital produzca ganancias de aprendizaje limitadas.
• No despliegue herramientas cuya fiabilidad no esté probada. El estudiantado con dislexia que usa IA para el apoyo a la alfabetización informa de un valor real junto con una calidad de salida poco fiable; una herramienta en la que no se puede confiar añade trabajo en lugar de quitarlo.
• No acepte los productos tal como llegan. Establezca el diseño universal y el desarrollo participativo como requisitos de compra en lugar de aceptar lo que le vendan: la revisión de alcance recomienda construir herramientas con estudiantes neurodivergentes en lugar de para ellos, y su propia muestra muestra lo raro que es eso, con solo 3 de 40 estudios que tratan el entorno o a los compañeros neurotípicos como objeto de intervención.
• No compre por defecto la opción más inmersiva. La realidad virtual es la opción que más recursos consume del conjunto. La tecnología de asistencia necesita dispositivos y conectividad, y las herramientas gratuitas en un piloto suelen pasar a estar detrás de un muro de pago.
• No deje que el sesgo de automatización sustituya al juicio. Los autores de LUDIA señalan un límite que corresponde a todo plan de despliegue: el sesgo de automatización significa que el educador con más probabilidades de aceptar una sugerencia pobre es el que confía en que la herramienta conoce el Diseño Universal para el Aprendizaje. Tampoco nadie ha probado sus resultados en busca de sesgo cultural o lingüístico.

Cómo saber si una herramienta ayuda a este estudiante

Los efectos agregados indican una dirección; no dicen si la herramienta funciona para el estudiante de su grupo la semana que viene. Tres cautelas deberían dar forma a cualquier prueba.

Primera, el orden de los subgrupos es sugerente más que establecido. El metaanálisis de 2024 no puede decir qué elección de diseño es mejor: ningún moderador de ningún tipo alcanzó significación, así que clasificaciones como la de los agentes enseñables (g = 1,100) por delante de los entrenadores socioemocionales (g = 0,336), o la interacción diádica por delante de la triádica (g = 0,973 frente a g = 0,385), no deberían tratarse como resueltas. La posición defendible es que la dirección del efecto está respaldada, mientras que el tamaño, el diseño óptimo y la durabilidad de cualquier ganancia no lo están.

Segunda, el corpus describe despliegues y percepciones más que aprendizaje medido. La atención (n = 4) y la comunicación social (n = 5) son las barreras menos estudiadas, y solo 6 de 40 estudios atendían a más de una. La escasez de diseños (cuasi)experimentales y longitudinales, y la heterogeneidad de herramientas y resultados, son la razón por la que el trabajo sobre educación superior es una revisión de alcance y no un metaanálisis. La cobertura se inclina hacia estudiantes de grado y el Norte global, la búsqueda se limitó a trabajos revisados por pares en inglés, y el estudiantado de posgrado está infrarrepresentado. Trate la participación y la satisfacción como indicadores débiles; mida la barrera que se propuso eliminar.

Tercera, una herramienta que arregla una barrera puede dejar otra. Solo 6 de 40 estudios atendían a más de una barrera, así que compruebe la herramienta frente a la dificultad concreta que reporta el estudiante (lectura y escritura, gestión del estudio, atención o comunicación social) y evalúe frente a esa barrera, no frente a una encuesta de satisfacción. Pregunte al estudiante; los participantes de Zastudil et al. y los usuarios de los foros de Rezazadegan et al. describen sus necesidades con más precisión que los productos construidos para ellos.

Objeciones que escuchará

"No podemos exigir una herramienta para todos." Puede hacerlo cuando la herramienta es una característica de diseño y no un ajuste personal. La segmentación de vídeos con pausas fijas mejoró a todo el estudiantado, no solo a los que tienen ADHD, y llevar los errores y las vacilaciones de los participantes con ADHD a la paridad es exactamente el resultado de diseño universal que elimina la necesidad de revelar la condición. El resultado de Pimenova y Begel es un efecto igualador procedente de una transformación ligera y no de un producto específico para un diagnóstico. Combínelo con valores predeterminados accesibles: las herramientas de lectura en voz alta, de OCR y de nivelación de texto se repiten en los elementos de política validados de Shin et al. (2026), cuyo modelado de temas basado en LLM y dos rondas de encuestas Delphi con 17 expertos sobre 12 documentos de política estadounidense de IA en educación de 2015 a 2025 encontraron que solo 2 de los 12 abordan específicamente las dificultades de aprendizaje, mientras que 18 temas presentes en la política general sobre IA o sobre otras discapacidades (entre ellos la protección de datos, la gestión de riesgos legales y las directrices éticas) faltan en la política sobre dificultades específicas de aprendizaje.

"El subtitulado y la traducción no son apoyo académico." El subtitulado es un comienzo, no todo el acceso lingüístico. Las indicaciones basadas en texto no encajan con las lenguas de signos como primera lengua: empareje las transcripciones con señales visuales y emocionales de contexto y recorte la complejidad innecesaria, como hacen las preguntas Visuales y Emocionales de Chen et al. Y la clasificación de los propios expertos en política contradice la objeción: sus 36 elementos validados se agrupan en cinco temas (aprendizaje inclusivo y personalizado, 11 elementos, 30,56%; ética, equidad e inclusión, 9, 25,00%; empoderamiento del estudiantado y alfabetización en IA, 6, 16,67%; evaluación e investigación, 6, 16,67%; y preparación del profesorado, 4, 11,11%) y clasificaron el empoderamiento del estudiantado y la alfabetización en IA como lo más esencial: enseñar a este estudiantado a usar la IA de forma responsable e independiente y a la vez protegerse de la dependencia excesiva.

"El estudiantado debe ser independiente." La independencia es el fin de la instrucción, y por eso la herramienta sin la enseñanza es el modo de fallo. El tema de preparación del profesorado de Shin et al. existe por la misma razón, y los autores de LUDIA señalan el obstáculo como la "división entre saber y hacer": la orientación existe en abundancia, pero está escrita en términos generales, mientras que una barrera siempre es particular de este aula, esta semana. La magnitud de la necesidad se subestima con facilidad: unos 240 millones de niños en todo el mundo viven con discapacidad, aproximadamente la mitad de ellos sin escolarizar en países de ingresos bajos y medios, y cerca de un tercio del profesorado de los sistemas de la OCDE informa que carece de competencias para apoyar al estudiantado con necesidades específicas. El marco legal es la Ley de Tecnología de Asistencia de EE. UU. (2004) y la IDEA (2004), que sitúan la evaluación de la tecnología de asistencia dentro de cada Programa de Educación Individualizado y exigen una educación pública gratuita y apropiada, y aun así no hay directrices formales basadas en evidencia que ayuden al profesorado ni a las familias a implementar la IA para este estudiantado. La independencia construida sobre una herramienta no enseñada es lo que castiga la jurisprudencia.

"No podemos costearlo." Entonces rechace la opción costosa predeterminada. El campo de la tecnología de asistencia está concentrado en el Norte global, sus herramientas más inmersivas son las menos escalables, y la realidad virtual es la opción que más recursos consume del conjunto. LUDIA es una versión trabajada de la alternativa de diseño universal: conecta al profesorado con el Diseño Universal para el Aprendizaje mientras una decisión de diseño sigue abierta, y elimina las barreras de acceso por arquitectura (sin costo, sin cuentas ni chats almacenados, conformidad con WCAG 2.2 nivel AA y 13 idiomas traducidos automáticamente, aunque las versiones no inglesas pueden arrastrar los supuestos del inglés del que provienen). Es un interlocutor para pensar y no un motor de soluciones, organiza su indagación en torno a la "prueba de confianza" y no a la prueba de impacto, y afirma con claridad que sus autores no tienen evidencia de que la herramienta mejore el aprendizaje. Presupueste con honestidad el otro costo: Shin et al. señalan la brecha digital, ya que el precio de las herramientas avanzadas de IA puede ampliar las disparidades entre escuelas más ricas y más pobres, junto con el sesgo algorítmico y las carencias de formación del profesorado.

Hágalo esta semana

• Nombre primero la barrera funcional. Lectura y escritura, gestión del estudio, atención, comunicación social; luego compruebe si la herramienta aborda esa barrera o solo un diagnóstico.
• Use lo que tiene evidencia. La segmentación de vídeos con pausas fijas redujo la brecha de rendimiento del ADHD hasta la paridad, y las herramientas de lectura en voz alta, de OCR y de nivelación de texto se repiten en los elementos de política validados.
• Trate el subtitulado como un comienzo, no como todo el acceso lingüístico. Empareje las transcripciones con señales visuales y emocionales de contexto y recorte la complejidad innecesaria.
• Dé estructura en lugar de pedir al estudiantado que la infiera. Equipos pequeños y constantes, roles definidos, expectativas explícitas y autoselección de roles fueron las preferencias que reportó el estudiantado neurodivergente de informática.
• Incorpore la accesibilidad al proceso de compra. Establezca el diseño universal y el desarrollo participativo como requisitos, prefiera herramientas gratuitas y que preserven la privacidad, y pregunte qué ocurre cuando termina el nivel gratuito.
• Forme a las personas, no solo despliegue. Presupueste tiempo para que el estudiantado aprenda la herramienta y para que el personal la integre en la tarea; un ajuste sin instrucción fracasó en los tribunales.
• Diseñe para el solapamiento y vigile los efectos de inversión. Solo 6 de 40 estudios atendían a más de una barrera; la dependencia excesiva de los chatbots y la sobrecarga cognitiva en entornos inmersivos pueden reducir el aprendizaje.
• Informe de los resultados con honestidad. La mayor parte de la evidencia describe despliegues y percepciones, y no se ha establecido ningún moderador de diseño; trate la participación y la satisfacción como indicadores débiles.
• Financie la formación y la integración en los flujos de trabajo que convierten una herramienta accesible en un apoyo utilizable, y escriba en el plan el costo de los dispositivos y la conectividad.

Adónde ir después

Esta página es el punto de entrada práctico y transversal a todo el estudiantado: Universal Design for Learning cubre la filosofía de diseño que previene las barreras antes de que aparezcan, Assistive Technology la capa de herramientas que usa un estudiante, Accessibility si un formato puede percibirse y operarse en absoluto, y Neurodiversity la mirada que trata la diferencia como diversidad y no como déficit, todas ellas dentro del paraguas del aprendizaje inclusivo.

Para las obligaciones del lado de la investigación, véase incorporar la equidad, la accesibilidad, la privacidad, la ética y la seguridad pedagógica en la investigación sobre AIED.