¿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.

La carta de ajustes razonables nombra a un estudiante, un curso y una herramienta de la que usted nunca ha oído hablar. O un estudiante ha preguntado, con razón, si puede seguir usando su software de voz a texto en un examen cronometrado, y la norma de IA de su curso prohíbe cualquier tipo de IA. O la oficina de accesibilidad quiere una respuesta para el viernes sobre si licenciar una herramienta de lectura, y la evidencia del proveedor es el testimonio de otro campus.

La respuesta que sobrevive a los tres casos: empiece por la barrera que crea la tarea, use las herramientas que realmente se midieron y enseñe lo que adopte. Dos reglas importan más que cualquier elección de producto. Nombre la transcripción y el OCR en su política de IA como ajustes por derecho propio, y dé estructura a la tarea en lugar de pedir a los estudiantes que la infieran. Sea realista con la evidencia: la cifra más sólida de esta página procede de entornos de educación especial de PK-12 que usaban sobre todo IA anterior a la generativa, y la literatura sobre educación superior es un mapa de lo que se ha probado.

La versión breve

1. Escriba la barrera funcional en la carta de ajustes antes que el nombre de la herramienta: lectura y escritura, gestión del estudio, atención o comunicación social.

2. Empiece por el software instruccional estructurado, que es el que tiene el efecto medido, y lea su etiqueta de confianza antes de comprar el chatbot que le han vendido.

3. Decida si esto es un cambio de diseño o un ajuste personal. Donde la barrera es compartida, cambie el diseño, porque eso elimina el paso de tener que declararse.

4. Enseñe la herramienta. Un ajuste suministrado sin instrucción es el modo de fallo que la jurisprudencia castiga.

5. Nombre la transcripción y el OCR de forma explícita en la norma de IA, para que una prohibición redactada contra la redacción generativa no retire a un estudiante su medio de producir trabajo legible.

6. Haga la prueba contra la barrera y no contra una encuesta de satisfacción, y diga de antemano qué considerará que funciona.

Empiece por la barrera que crea la tarea

La mayor parte de lo que sale mal para los estudiantes con discapacidad y los estudiantes neurodivergentes ocurre en el nivel de la tarea: una lectura que da por supuesta la letra impresa, un vídeo que da por supuesta la atención sostenida, un proyecto en grupo que da por supuestas reglas sociales no escritas. Esas barreras se repiten entre diagnósticos, así que la pregunta útil es qué barrera funcional elimina una herramienta, y una pregunta de compra debería formularse del mismo modo.

Las categorías diagnósticas lo ocultan. La revisión de alcance que aparece más abajo encuentra una literatura dominada por ajustes individuales y herramientas para un solo neurotipo organizadas en torno al diagnóstico formal, mientras que las diferencias funcionales que abordan cruzan los neurotipos. Los estudiantes disléxicos suelen beneficiarse de una menor dependencia del material solo escrito. Los estudiantes autistas y los estudiantes con TDAH pueden experimentar ambos una fluctuación frecuente de la atención, lo que hace que su desempeño sea sensible a una estructura consistente y a tiempo suficiente para cambiar de tarea. Una herramienta ajustada a una etiqueta puede no dar con la barrera que realmente tiene el estudiante de su grupo.

La misma cautela se aplica a las estadísticas de grupo. Efectos diferenciales entre grupos de estudiantes informa de un efecto considerablemente mayor para los estudiantes con dificultades específicas del aprendizaje, discapacidad intelectual y del desarrollo o sordera que para los estudiantes con trastorno del espectro autista, y esa diferencia no era estadísticamente significativa entre los tamaños del efecto.

Use lo que se ha medido y lea la etiqueta

El resultado cuantitativo más sólido de esta página es también el más general, y viene con límites que conviene llevar a la decisión de compra.

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, un efecto global medio estadísticamente significativo en los resultados de aprendizaje, con una g de Hedges = 0,588 (IC del 95% [0,349, 0,826], p < 0,01) y 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, es decir, el reconocimiento de voz, los sistemas expertos y los 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. Había 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.

Todos los estudios eran de PK-12. El 96,6% usaba instrucción basada en pasos en entornos de educación especial o clínicos, y la mayoría empleaba IA basada en reglas más antigua y no IA generativa. Eso respalda una adopción prudente del software instruccional estructurado. No se transfiere a un chatbot de propósito general, y tratarlo como si lo hiciera es el error más costoso que ofrece esta página.

Tres resultados más pequeños muestran lo que puede hacer una sola herramienta cuando la barrera es estrecha. Cada uno se probó con un puñado de estudiantes, así que trátelos como experimentos reversibles de bajo costo y no como infraestructura.

Para la atención, Pimenova, Begel y colegas (2026) segmentaron vídeos instruccionales a posteriori en fragmentos de una sola instrucción con pausas fijas. Con 17 estudiantes con TDAH y 10 sin él, mejoró a todos y llevó los errores y las vacilaciones de los participantes con TDAH a la paridad. El efecto igualador vino de una transformación ligera del material.

Para el acceso lingüístico, Chen et al. (2026) añadieron preguntas visuales (marcas de tiempo donde es probable que se malinterprete la información visual) y preguntas emocionales (marcas de tiempo donde estudiantes sordos e hipoacúsicos habían informado antes de frustración) a un conjunto de referencia de un 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 los participantes sordos eligieron las preguntas visuales más a menudo que los hipoacúsicos.

Para la lectura y la escritura, Rezazadegan et al. (2026) analizaron las propias discusiones de foro de estudiantes disléxicos. Esos estudiantes valoraban la IA para el apoyo a la alfabetización e informaban de una calidad de producción desigual y de una falta de ajustes equitativos. La inconsistencia es en sí misma una barrera: una herramienta en la que no se puede confiar añade trabajo en lugar de quitarlo.

El panorama de la educación superior es la parte más débil de la evidencia y la más cercana a su trabajo. 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 aparecía en 15 de los 40 y la realidad virtual en 11. La cobertura de barreras era desigual: dominaban lectura y escritura (n = 13) y gestión del estudio (n = 12), la atención (n = 4) y la comunicación social (n = 5) quedaban desatendidas, y solo 6 estudios abordaban más de una barrera. La revisión excluía por diseño los entornos de K-12 y de instituciones especializadas, así que no dice nada sobre estudiantes más jóvenes. Úsela para ver qué barreras se han abordado en su nivel y cuáles apenas se han tocado.

Las aulas de primaria cuentan ahora con su propia revisión de alcance. Gibson, Tervola y Goodacre (2026) cribaron 3.340 registros en seis bases de datos e incluyeron 93 estudios sobre tecnología educativa para aulas de primaria neuroinclusivas. El autismo fue el perfil más estudiado (n = 37, 39,8%); la realidad extendida (n = 26), la robótica (n = 14) y los sistemas impulsados por IA (n = 12) lideraron las categorías tecnológicas, mientras que las tecnologías de asistencia y accesibilidad quedaron por debajo del 5%. Los resultados sociales, comunicativos y de interacción entre pares quedaron desatendidos; los procesos de diseño no se informaron en el 43,0% de los estudios, el diseño liderado por investigadores apareció en el 39,8% y el codiseño en el 17,2%, mientras que solo un estudio (1,1%) hizo de los niños y niñas socios de diseño. La revisión no establece que ningún producto funcione; muestra dónde es escasa la evidencia en primaria y de quién es el juicio que cuenta como valor.

Decida si cambia el diseño o el ajuste

El diseño universal elimina la necesidad de que un estudiante se identifique como alguien que necesita una provisión especial. El ajuste exige exactamente eso, y el estigma forma parte del costo. Así que cuando una barrera resulta ser compartida, el cambio de diseño es la mejor compra: llega a los estudiantes que nunca se declaran.

El resultado de la segmentación es el caso más claro. Un vídeo cortado en fragmentos de una sola instrucción con pausas fijas mejoró a todos los estudiantes del estudio, no solo a los que tenían TDAH, y llevó los errores y las vacilaciones de los participantes con TDAH a la paridad. Ese es el resultado del diseño universal, logrado con una edición y no con un producto.

El límite honesto: son 17 estudiantes con TDAH y 10 sin él, en un solo estudio, y nada en esta literatura le dice hasta dónde generalizar a partir del resultado de un aula, ni cuándo la necesidad de un estudiante es lo bastante distinta como para requerir un arreglo individual. Ese juicio sigue siendo suyo y de la oficina de accesibilidad.

Enseñe la herramienta y ponga un nombre detrás de la enseñanza

El fallo documentado es un ajuste suministrado sin instrucción. En W.A. v. Clarksville/Montgomery County School System (2024), un estudiante al que se le dio IA como ajuste se graduó sin saber leer, y el tribunal determinó que no se había proporcionado una educación pública gratuita y apropiada.

Dos cosas hacen probable ese fallo, y ambas son institucionales. Shin et al. (2026) usaron modelado de temas basado en LLM y dos rondas de encuestas Delphi con 17 expertos sobre 12 documentos estadounidenses de política de IA en educación de 2015 a 2025. La preparación de educadores es uno de sus cinco temas validados, con 4 de 36 ítems, y los expertos clasificaron el empoderamiento del estudiante y la alfabetización en IA como lo más esencial: estos estudiantes deberían aprender a usar la IA de forma responsable e independiente, con la protección frente a la dependencia excesiva enseñada como parte de la misma habilidad. Los autores de LUDIA nombran el obstáculo como la "brecha entre saber y hacer": la orientación existe en abundancia, está redactada en términos generales, y una barrera siempre es particular a este aula y a esta semana.

Lo que la página no puede darle es un protocolo de formación. No existen guías formales basadas en la evidencia que ayuden a educadores o familias a implementar la IA para estos estudiantes, así que la cantidad de instrucción, su secuenciación y quién la imparte son decisiones de criterio. La jurisprudencia fija el suelo y no el estándar: el estudiante tiene que acabar siendo capaz de hacer la cosa, y alguien tiene que responder por haberlo llevado hasta ahí.

Escriba la transcripción y el OCR en la norma de IA por su nombre

Wright (2026) sostiene que las normas que tratan todo "uso de IA" por igual son demasiado inclusivas, porque no separan la transcripción de voz a texto y el OCR de la redacción generativa. Los estudiantes con afecciones que afectan el control motor fino, la legibilidad de la escritura a mano o la precisión al teclear se han apoyado en productos independientes de voz a texto como Dragon NaturallySpeaking y en OCR independiente, varios de los cuales se han descontinuado o degradado, con la transcripción impulsada por IA cubriendo el hueco funcional.

Una norma redactada como "nada de IA" puede por tanto retirar el principal medio del estudiante para producir trabajo legible. Nadie ha medido todavía la escala de ese desplazamiento, lo que es una razón para ser explícito en lugar de esperar la cifra. Nombre la transcripción y el OCR como ajustes en la política, junto a las prohibiciones de redacción, para que las dos cuestiones se decidan por separado. La exposición que esto crea para la institución corresponde a Cuestiones y riesgos legales.

Es una corrección de una línea en la mayoría de los documentos y es la línea de mayores consecuencias de la página.

Dé estructura donde la tarea la da por supuesta

La estructura es la intervención más barata en este terreno y la que más a menudo se queda fuera del plan. Zastudil et al. (2026) encuestaron a 24 estudiantes neurodivergentes de informática (autistas y/o con TDAH) y a 20 pares neurotípicos, con cuatro entrevistas de seguimiento. El grupo neurodivergente se sentía incómodo con las tareas no estructuradas o ambiguas y prefería claramente equipos más pequeños que trabajan juntos de forma consistente con roles definidos explícitamente, y lo afrontaba autoseleccionando roles y declarándose de forma estratégica.

Eso son datos de preferencia y no un estudio de efecto, y también es el encargo de diseño que los propios estudiantes escribieron. El trabajo mediado por IA conlleva una versión específica del riesgo, porque el modelo de interacción de una herramienta puede reproducir la misma ambigüedad estructural que ya tenía la tarea. Compruebe qué le pide la herramienta al estudiante que decida solo antes de añadirla a una tarea.

Haga la prueba contra la barrera y anote qué contó

Los efectos agregados le dan una dirección. No le dicen si la herramienta funciona para el estudiante de su grupo la semana que viene, así que cualquier prueba necesita una medida elegida antes de empezar.

Tres cautelas deberían dar forma a esa medida. La primera es que el orden de los subgrupos es indicativo y no algo establecido: ningún moderador de ningún tipo alcanzó significación en el metanálisis de 2024, así que clasificaciones como la de los agentes enseñables (g = 1,100) por delante de los entrenadores socioemocionales (g = 0,336), o la de la interacción diádica por delante de la triádica (g = 0,973 frente a g = 0,385), no deben tratarse como resueltas. La dirección del efecto está respaldada; el tamaño, el óptimo de diseño y la durabilidad de cualquier ganancia no lo están.

La segunda es que este 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 la escasez de diseños (cuasi)experimentales y longitudinales explica por qué el trabajo sobre educación superior es una revisión de alcance y no un metanálisis. La cobertura se inclina hacia estudiantes de grado y el Norte global, la búsqueda se limitó a trabajo revisado por pares en inglés y los estudiantes de posgrado están infrarrepresentados. La implicación y la satisfacción son indicadores débiles.

La tercera es que una herramienta que corrige una barrera puede dejar otra. Compruebe la herramienta contra la dificultad específica que el estudiante describe, sea lectura y escritura, gestión del estudio, atención o comunicación social, y evalúe contra esa dificultad y no contra cómo se sintió el estudiante con el producto. Pregunte al estudiante qué contar. Tanto los participantes de Zastudil et al. como quienes publicaban en los foros de Rezazadegan et al. describen sus necesidades con más precisión de la que tienen los productos construidos para ellos.

Lo que no encontrará aquí es un instrumento validado para medir una barrera en un solo curso, ni evidencia sobre cuánto debería durar una prueba. Ambas cosas son lagunas de la literatura y no fallos de su búsqueda, y vale la pena anotarlas en las notas de la revisión.

Compre para la barrera y rechace la opción costosa por defecto

Dos requisitos de compra salen directamente de la revisión: establecer el diseño universal y el desarrollo participativo como condiciones, y construir herramientas con estudiantes neurodivergentes y no para ellos. La muestra de la propia revisión indica lo raro que es eso, con solo 3 de 40 estudios que trataban el entorno o a los pares neurotípicos como objeto de la intervención.

Después presupueste con honestidad. La tecnología de asistencia necesita dispositivos y conectividad, y las herramientas que son gratuitas en un piloto pasan habitualmente detrás de un muro de pago. La realidad virtual es la opción que más recursos consume del conjunto, y el campo está concentrado en el Norte global, así que sus herramientas más inmersivas son las menos escalables. Shin et al. señalan directamente la brecha digital: 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 en la formación docente.

LUDIA es un ejemplo elaborado de la alternativa de bajo costo, y sus autores son inusualmente francos sobre lo que no han demostrado. Conecta a los educadores con el Diseño Universal para el Aprendizaje mientras una decisión de diseño sigue abierta, y elimina 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 proceden. Es un socio de pensamiento y no un motor de soluciones, y los autores declaran que no tienen evidencia de que mejore el aprendizaje. También nombran un límite que corresponde a todo plan de despliegue: el sesgo de automatización hace que el educador más propenso a aceptar una mala sugerencia sea 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.

Tenga presente un segundo fallo. 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. De una herramienta que solo reproduce en formato digital la enseñanza existente cabe esperar ganancias de aprendizaje limitadas.

Qué entienden mal los docentes

Un diagnóstico le dice qué herramienta comprar. Las barreras cruzan los diagnósticos, y una herramienta ajustada a una etiqueta puede no dar con la barrera que hay en el aula. Pregunte qué da por supuesta la tarea: la letra impresa, la atención sostenida, reglas sociales no escritas, una forma concreta de producir texto.

Un ajuste es un arreglo personal, así que la solución corresponde al estudiante. Algunos lo son, y los que vale la pena generalizar son los que habría introducido en el diseño de todos modos. La segmentación ayudó a todos los estudiantes de su estudio. Los cambios de diseño eliminan el paso de declararse y, con él, el estigma.

La implicación y la satisfacción muestran que la herramienta funcionó. Muestran que al estudiante le gustó. Este corpus es sobre todo de despliegues y percepciones, y solo 6 de 40 estudios de educación superior atendían a más de una barrera, así que un estudiante satisfecho todavía no es evidencia de que una barrera haya caído.

La herramienta lleva el apoyo y enseñar es un extra. La jurisprudencia trata una herramienta no enseñada como el fallo, y los expertos en políticas clasificaron el empoderamiento del estudiante y la alfabetización en IA como su tema más esencial. Presupueste el tiempo de enseñanza junto con la licencia.

Lo que le van a responder

"No podemos exigir una herramienta para todos." Cuando la herramienta es un rasgo de diseño, exigirla es precisamente el objetivo. La segmentación de vídeo con pausas fijas mejoró a todos los estudiantes y llevó los errores y las vacilaciones de los participantes con TDAH a la paridad, que es el resultado de diseño universal que elimina la necesidad de declararse. Los valores por defecto accesibles siguen la misma lógica: la lectura en voz alta, el OCR y las herramientas de nivelación de texto reaparecen en los ítems de política validados de Shin et al. Su corpus muestra además cuánto camino le queda a la política, ya que solo 2 de los 12 documentos abordan de manera concreta las dificultades específicas del aprendizaje, mientras que 18 temas presentes en la política general sobre IA o sobre otras discapacidades, entre ellos la protección de datos, la gestión del riesgo legal y las directrices éticas, faltan en la política sobre dificultades específicas del aprendizaje.

"Los subtítulos y la traducción no son apoyo académico." Los subtítulos son un comienzo, no todo el acceso lingüístico. Las preguntas visuales y emocionales de Chen et al. existen porque una transcripción sola deja al estudiante sordo reconstruyendo un contexto que el vídeo nunca explicitó. La clasificación de los expertos en políticas también discrepa de la objeción. Sus 36 ítems validados se reparten en cinco temas, con el aprendizaje inclusivo y personalizado como el mayor, con 11 (30,56%), ética, equidad e inclusión con 9 (25,00%) y preparación de educadores con 4 (11,11%); sin embargo, los expertos clasificaron el empoderamiento del estudiante y la alfabetización en IA como lo más esencial de los cinco, con 6 ítems (16,67%), a la par con evaluación e investigación.

"Los estudiantes tienen que ser independientes." La independencia es para lo que sirve la instrucción, y por eso la herramienta sin la enseñanza es el fallo. El tema de la preparación de educadores de Shin et al. existe por la misma razón. La escala de la necesidad es fácil de subestimar: alrededor de 240 millones de niños en todo el mundo viven con discapacidad, cerca de la mitad de ellos fuera de la escuela en países de ingresos bajos y medios, y alrededor de un tercio del profesorado de los sistemas de la OCDE declara carecer de las competencias para apoyar a estudiantes con necesidades específicas. En Estados Unidos, la Ley de Tecnología de Asistencia (2004) y la IDEA (2004) sitúan la evaluación de tecnología de asistencia dentro de cada Programa de Educación Individualizado y exigen una educación pública gratuita y apropiada, y sin embargo ninguna guía formal basada en la evidencia ayuda a educadores o familias a implementar la IA para estos estudiantes. La independencia construida sobre una herramienta no enseñada es lo que castiga la jurisprudencia.

"No podemos permitírnoslo." Entonces rechace la opción costosa por defecto. La realidad virtual es la opción que más recursos consume del conjunto, y las herramientas más inmersivas del campo son las menos escalables. Una herramienta gratuita y respetuosa con la privacidad que mejore la conversación de diseño, después de leer las advertencias de sus autores, es una mejor compra inicial que un casco.

"La evidencia es demasiado escasa para actuar." Escasa, y no vacía. El metanálisis de 2024 le da una dirección con un intervalo amplio y una corrección del sesgo de publicación que recorta la estimación en más de la mitad, los tres estudios de una sola herramienta son pequeños, y la revisión sobre educación superior mide cobertura y no efecto. Lo que eso respalda es el movimiento barato y reversible: un cambio de diseño, un ajuste nombrado, una prueba con una medida acordada de antemano. Aplazar la decisión también es una decisión, y deja al estudiante que tiene delante con lo que ofrezca el arreglo por defecto.

Qué hacer esta semana

1. Para cada solicitud de ajuste que tenga sobre la mesa, escriba la barrera funcional junto al nombre de la herramienta y compruebe que la herramienta aborda esa barrera y no el diagnóstico.

2. Pregunte si la barrera es compartida por toda la clase. Si lo es, cambie el diseño: fragmente el vídeo, elimine la ambigüedad, active la lectura en voz alta y dé a la tarea la estructura que le faltaba.

3. Añada la transcripción y el OCR a la norma de IA por su nombre, para que la prohibición de la redacción generativa y el ajuste para producir texto se decidan por separado.

4. Ponga un nombre y una fecha detrás de la enseñanza: quién le muestra la herramienta al estudiante, cuándo y quién comprueba que funciona.

5. Acuerde la medida con el estudiante antes de que empiece la prueba y registre el resultado en las notas de la revisión, incluido el caso en que la respuesta sea que no ayudó.

Adónde ir después

Diseño universal para el aprendizaje cubre el enfoque de diseño que previene las barreras antes de que aparezcan, Tecnología de asistencia la capa de herramientas que usa el estudiante, Accesibilidad si un formato puede percibirse y operarse en absoluto, y Neurodiversidad la mirada que trata la diferencia como diversidad y no como déficit, todo dentro del paraguas del aprendizaje inclusivo. ¿Cómo evito que el estudiantado dependa en exceso de la IA? cubre los efectos de dependencia excesiva y de inversión que deciden si una herramienta sigue ayudando, y incorporar la equidad, la accesibilidad, la privacidad, la ética y la seguridad pedagógica en la investigación sobre IA en educación cubre las obligaciones del lado de la investigación.