¿Cómo deberían abordar la IA los padres y el profesorado con niños menores de 13 años?

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

Los términos del proveedor dicen que la herramienta es para usuarios de 13 años o más. La semana pasada una maestra de tercer grado le mostró los poemas que su clase generó con ella, una madre le escribió para preguntar si el juguete parlante que su hijo recibió por su cumpleaños es seguro, y la junta quiere una política de una página antes de su reunión de noviembre.

En esa solicitud hay tres preguntas enredadas: qué puede hacer un niño de seis años con estos sistemas, qué debe la escuela a las familias cuyos hijos se encuentran con la IA en casa, y qué hacer cuando prohibir no es la respuesta que usted puede defender.

La respuesta breve que puede dar a la junta: escalone el acceso por edad, enseñe a los niños cómo están construidos estos sistemas antes de entregarles uno, y mantenga a un adulto en el circuito allí donde el niño no pueda juzgar el resultado. Una prohibición general es la opción con menos evidencia detrás. En esta base de conocimiento no existe ningún estudio sobre prohibiciones por edad, y la mayor parte de la exposición de este grupo de edad ocurre en casa, donde una norma escolar no llega.

La versión breve

1. Escriba la norma por franjas de edad, no para todo K-12. Menores de 9 años: juego, creación, programación tangible y explicaciones de qué es una máquina. De 9 a 12 años: actividad andamiada, mayormente no generativa, en plataformas verificadas, más enseñanza explícita sobre los datos y sobre lo que la IA no puede saber.

2. Ponga el chat generativo al final de la secuencia, y solo con un rol adulto nombrado y un propósito declarado.

3. Verifique cada herramienta antes de adoptarla con cuatro preguntas: qué peligros específicos para la infancia se probaron, qué hace por defecto con los datos de voz y de transcripción, qué les cuesta a las familias si desaparece el nivel gratuito, y si funciona en los idiomas que hablan sus familias.

4. Publique qué usa la escuela y cómo puede preguntar una familia. La divulgación es una obligación institucional.

5. Deje la detección fuera del plan de aplicación.

Fije la norma por franja de edad

El diseño escalonado no es algo que usted tenga que inventar. Wang, Chuang y Wu (2026) evaluaron un recurso de alfabetización en IA escalonado por edad, creado para el sistema K-12 de Taiwán, en dos ediciones: una edición de primaria para edades de 9 a 12 años con actividades andamiadas, basadas en plataforma y no generativas, y una edición avanzada para edades de 13 a 18 años con razonamiento ético y uso supervisado de IA generativa.

Su evaluación es una única encuesta posterior a la exposición con 831 participantes, y la cohorte de primaria calificó los materiales significativamente más alto en expectativa de rendimiento, expectativa de esfuerzo, ludicidad e intención conductual, con la ludicidad percibida como el correlato más fuerte de la intención en ambos grupos. Los autores son explícitos sobre el límite: unos treinta minutos de exposición, midiendo aceptación y no aprendizaje, competencia ética o uso real. Léalo como evidencia de que esta secuencia es enseñable y atractiva; no dice nada sobre si la secuencia funciona.

Las dos ediciones también muestran para qué sirve el límite. La franja de primaria recibe actividades basadas en plataforma, andamiadas y no generativas, de modo que el niño aprende qué hace el sistema sin un sistema que le responda. La franja avanzada une el razonamiento ético al uso generativo supervisado. El personal que espera que el compromiso siga la sofisticación de la herramienta suele encontrar lo contrario.

Lo que la escalonación le compra es un orden de operaciones defendible. Muchas escuelas lo hacen al revés, compran el chatbot en otoño y enseñan sobre él en primavera, y la evidencia sobre ese orden está más abajo en esta página.

Empiece a los más pequeños por el juego, la creación y las máquinas

Play With AI es un currículo de preescolar y kindergarten centrado en el juego, construido sobre el juego encarnado, la programación tangible como puente procedimental, el diálogo guiado como andamiaje reflexivo y el codiseño con docentes como anclaje de sostenibilidad. A lo largo de los ciclos de diseño subió la comodidad autoevaluada de los docentes, y los niños razonaron sobre la IA como algo diseñado por humanos, construyeron secuenciación y depuración mediante programación tangible, y reflexionaron sobre la justicia mediante diálogo guiado. AI-Play toma la ruta desconectada, con actividades sin pantallas que las familias pueden hacer en casa.

Para los más pequeños, el riesgo es la creencia. Yang, Li y Lee (2025) advierten que los robots sociales generativos pueden producir contenido que los niños en etapa preoperatoria aceptan como verdadero, que estos sistemas no están calibrados evolutivamente en la retroalimentación que dan, y que su costo y su disponibilidad amplían las brechas existentes. Xu, Girouard y Shi (2026) describen el mecanismo como una redistribución de la agencia en el juego: el control se desplaza hacia la interacción niño-juguete, restringiendo el juego cuando el juguete lo organiza y habilitándolo cuando el juguete sigue la imaginación del niño. El mismo juguete puede hacer una cosa o la otra, y por eso la presencia del adulto es la variable de diseño que usted controla.

El uso compartido con un adulto significa aquí algo concreto: sentarse con el niño, preguntarle qué acaba de hacer el juguete o la pantalla, y mantener visible la creación. La vigilancia silenciosa desde la puerta no es el mismo arreglo, y con un niño de cuatro años se pierde por completo el problema de la creencia.

Enseñar cómo funcionan las máquinas también pertenece a esta franja. Tsingidou et al. (2026) encuentran el aprendizaje basado en problemas, la narración y el andamiaje como las estrategias más usadas en el trabajo mediado por robots sobre pensamiento computacional en kindergarten, con la secuenciación, la depuración y el diseño algorítmico como las habilidades más evaluadas, casi siempre mediante TechCheck-K. Muchas de las herramientas de esa literatura se desarrollaron ad hoc y nunca se validaron. Sáltese la enseñanza y los riesgos reaparecen más tarde como dependencia excesiva.

Pase a los niños de 9 a 12 años a trabajo verificado y mayormente no generativo

Esta es la franja donde la evidencia curricular es más fuerte. Demir y Akar (2026) aplicaron un programa de alfabetización mediática crítica de 18 horas basado en 5E con 36 estudiantes turcos de cuarto grado, sobre privacidad de datos, comunicación segura y ética de los medios, con una d de Cohen entre grupos de 1,12 en lectura, 1,18 en escritura y 1,31 en alfabetización total. Un programa que cabe en un solo semestre y reporta efectos de ese tamaño es el resultado más alentador de esta página.

Las edades de 9 a 12 años reciben exposición andamiada en plataformas que la escuela ha verificado, con las partes generativas reservadas para más adelante y supervisadas. Una vez que los niños pueden leer, argumentar y comprobar una afirmación, enseñarles qué está haciendo un sistema pasa a ser el trabajo, y la herramienta puede entrar como objeto de estudio en lugar de como ayudante.

El límite sigue más la capacidad que el cumpleaños. A un niño de 9 años que lee con fluidez se le puede enseñar qué es un corpus de entrenamiento y por qué un sistema que predice la siguiente palabra puede producir una respuesta equivocada con total confianza. Un niño de 6 años no puede, y por eso la franja de juego y creación va primero y por eso el currículo de kindergarten pasa por la programación tangible y no por las pantallas. La lectura, la argumentación y el automonitoreo son las capacidades por las que realmente está ubicando a los niños, y la edad es el indicador indirecto que las escuelas pueden administrar.

Ponga la norma donde está realmente la exposición

Dé por sentado que la responsabilidad será poco clara a menos que la resuelva por escrito. En entrevistas con 33 docentes estadounidenses de K-12, Xiao et al. (2026) encontraron que 10 nombraron el escenario del acompañante orientado a las familias como el más preocupante, 17 dijeron que un docente debería intervenir y 11 que depende. Su prueba de visibilidad dejaba el uso doméstico de la IA fuera de la jurisdicción escolar a falta de efectos observables, y las familias aparecieron como responsables principales a la vez que se las describía como desinformadas o sobrecargadas. Eso es un vacío jurisdiccional, y una política escrita como si no existiera gobierna la mitad fácil del problema.

Fan, Li y Zhang (2026) formalizan los arreglos como modelos aditivo, sinérgico y compensatorio, y afirman sin rodeos que la versión sinérgica no tiene evidencia que la respalde. Un arreglo familia-escuela que funcione tiene que construirse a propósito, lo que significa decirles a las familias qué hacer en casa y no solo qué no hacer.

La divulgación es tarea de la escuela, no una investigación detectivesca de la familia. Escriba qué herramientas usa la escuela, qué datos conservan y cómo puede preguntar una familia. La privacidad, la seguridad pedagógica y la divulgación del uso de IA cubren el fondo, y la síntesis sobre equidad, ética, privacidad y seguridad cubre lo escaso que es todo eso en la práctica.

Verifique la herramienta antes de adoptarla

Dé por sentado que la capa de seguridad no se construyó para sus estudiantes. Un marco de evaluación de la seguridad infantil basado en orientación experta y datos reales de incidentes reporta que la mayoría de los marcos y pruebas de referencia sobre seguridad de la IA apuntan a usuarios adultos pese a la evidencia de una fuerte participación juvenil, y que una encuesta nacional citada en ese trabajo encontró que el 72% de los adolescentes estadounidenses había usado acompañantes de IA. Cuando se probaron tres modelos Llama Guard con prompts inseguros relacionados con la educación, tuvieron dificultades para identificarlos.

Cuatro preguntas le ahorrarán un ciclo de adquisición. ¿Qué peligros específicos para la infancia se probaron? ¿Qué pasa por defecto con las grabaciones, las transcripciones y los datos de voz? ¿Cuánto les costará a las familias si desaparece el nivel gratuito? ¿Funciona en los idiomas que hablan sus familias?

Un estudio de caso de un makerspace solo para chicas (Liu et al. 2026) muestra por qué las tres últimas no son notas al pie. Las familias reportaron que las chicas se asustaban y hablaban menos en entornos mixtos, que un generador de imágenes gratuito retiró sus funciones gratuitas en favor de un nivel de pago que la organización sin fines de lucro no podía asumir, y que los prompts solo en inglés dejaban fuera a familias a las que el programa pretendía servir.

La confianza del personal es un control de privacidad tanto como un objetivo de formación. Un estudio de entornos de educación infantil encuentra la utilidad percibida y la facilidad de uso como centrales en la intención de los docentes de preescolar de usar IA, la autoeficacia en IA como predictor significativo, la ansiedad ante la IA como factor disuasorio, y la norma subjetiva (colegas y dirección) como modeladora de la intención. El personal que no puede evaluar una herramienta no notará lo que esta recoge.

Dé al adulto un rol definido

Si deja el rol sin definir, otra cosa lo ocupa. ParaTutor (Luo et al. 2026) separó los roles de progenitor y de hijo en tutoría domiciliaria de matemáticas mediada por LLM con 23 díadas progenitor-hijo, niños de 10 a 12 años, en cuatro condiciones. La asistencia genérica tendía a desplazar el rol tutorial del progenitor; la interfaz con roles separados lo preservó. Los progenitores también tuvieron dificultades con el contenido y con cómo hablarlo, lo que es un requisito de diseño y no un fallo de las familias.

Los acompañantes que leen con los niños necesitan el mismo cuidado. Liao (2026) encontró que un acompañante de IA con rol fijo de par producía interacciones significativamente más largas pero una menor proporción de palabras y oraciones del estudiante, y era más fuerte en el recuerdo factual que en la reflexión emocional u orientada al futuro. De ahí el rol de Asesor Parental en el marco propuesto, y el vacío de apoyo que el artículo señala para docentes y familias.

Parte de este trabajo les corresponde a las personas con independencia de lo que la herramienta pueda hacer. Raave y colegas (2026) compararon un agente conversacional de IA generativa con educadores humanos que facilitaban actividades de aprendizaje socioemocional basadas en historias con un niño de IA estático: 18 simulaciones por facilitador, 108 observaciones, calificadas a ciegas respecto del tipo de facilitador. El agente fue fuerte en tono respetuoso y en andamiaje procedimental de rutina. Los educadores humanos fueron más fuertes en la instrucción socioemocional más profunda, en guiar la reflexión y en construir conocimiento socioemocional. El aprendizaje socioemocional temprano debería partir por defecto de la complementariedad, con el adulto a cargo de la parte reflexiva.

El rol necesita un nombre en un papel. Decida quién se sienta con el niño durante una sesión, quién lee lo que el sistema guardó y quién responde a la familia que pregunta qué pasó. En un aula de primaria eso suele ser el docente de aula para las dos primeras cosas y el director para la tercera. Escrito, el arreglo sobrevive a una ausencia del personal.

Mantenga visible el pensamiento propio del niño

El patrón que hay que vigilar es una calidad del resultado que sube mientras el trabajo sin ayuda baja. Un análisis secundario con 26.811 estudiantes encontró que las notas de tareas subían mientras las de exámenes a libro cerrado bajaban, y por eso la recomendación es monitorear los insumos y no solo los productos. En un aula de primaria eso significa mirar el borrador, la explicación y la revisión, y tratar un artefacto repentinamente pulido como una pregunta y no como un logro.

La evidencia sobre escritura en primaria respalda las herramientas usadas dentro de la instrucción. Una revisión sistemática de 8 estudios sobre IA en la enseñanza de la escritura en primaria entre 2019 y 2025 encuentra herramientas conversacionales que apoyan la práctica de escritura y herramientas multimodales que extienden la composición más allá del texto, a la vez que concluye que la evaluación automatizada todavía requiere supervisión humana para la equidad y la precisión. Un programa de escritura de opinión de nueve semanas apoyado por IA generativa con 301 estudiantes de 5.º y 6.º grado elevó el yo escritor ideal y la flotabilidad académica y aumentó el compromiso conductual y emocional. No movió la mentalidad de crecimiento, el compromiso cognitivo o metacognitivo, ni la organización, y los autores nombran los riesgos: dependencia excesiva, búsqueda de atajos y automonitoreo disminuido.

Maneje la respuesta equivocada mientras el niño mira

Borrar un resultado malo le enseña al niño que los resultados o son correctos o están prohibidos. Preguntarle cómo lo comprobaría le enseña el hábito que usted quiere. A un niño cuyo chatbot se equivoca en un dato se le puede mandar a otras dos fuentes y preguntarle cuál de ellas no está de acuerdo, y el hábito se traslada al siguiente sistema que suene seguro de sí mismo.

Cuando un niño dice que el acompañante lo "entendió", esa es la conversación que hay que tener. Un sistema que predice la siguiente palabra no tiene ningún modelo del niño, y la pregunta útil es qué habría necesitado saber para entenderlo. Manténgalo concreto y ahórrese la conferencia sobre redes neuronales.

La fluidez compra creencia, y ese es el mecanismo que hay que vigilar. Un estudio de escritura multimodal en 5.º grado encontró que visualizar las historias de los niños produjo ganancias sostenidas en interpretación, análisis, evaluación y explicación, sin ganancia en inferencia: una vez que las imágenes hacían explícito el significado, los niños reportaban menos necesidad de inferirlo. Una respuesta fluida de IA hace el mismo trabajo, suministrando la inferencia que el niño habría hecho por sí mismo.

Algunas de las conversaciones más difíciles tienen un vehículo. REMind usa drama aplicado mediado por robots para la intervención de testigos en el acoso escolar: los niños ven un escenario de acoso representado por robots sociales y ensayan estrategias de defensa manejando un avatar robótico. En una prueba de juego con métodos mixtos con 18 niños de 9 y 10 años, apoyó la autoeficacia, la toma de perspectiva y la comprensión de las consecuencias de defender. Los robots y el juego de roles sostienen un tema difícil con un adulto en la sala.

Nada de esto es una intervención probada para enseñar a un niño a comprobar una respuesta de IA. Es lo que implica la evidencia sobre fluidez, creencia y juego de roles, y el personal debería tratarlo como práctica y no como prueba.

Qué puede prometer a la junta

Arthars y colegas (2026) revisaron 271 artículos empíricos sobre IA generativa en PreK-12 y no encontraron un efecto único de la IA generativa. Las ganancias afectivas son comunes y son indicadores débiles de aprendizaje; la evidencia más consistente se refiere a un mejor rendimiento inmediato y a la calidad del producto; la evidencia sobre aprendizaje duradero, transferencia y autorregulación sostenida es desigual. Los resultados dependen de cinco condiciones entrelazadas: quien aprende, la herramienta, la tarea, los arreglos sociales y el contexto cultural e institucional. Su marco separa cuatro funciones pedagógicas (aprender de la IA, con ella, sobre ella o moldeándola) y pregunta si un estudiante se rinde, externaliza o ejerce agencia.

Para esta franja de edad eso se traduce en una secuencia: sobre ella y moldeándola primero, de ella más adelante, uso compartido con un adulto allí donde el niño todavía no puede evaluar el resultado, y ninguna afirmación sobre aprendizaje duradero a partir del buen producto de una tarde.

Un documento para la junta puede prometer una fecha de revisión y una definición de éxito que su escuela pueda comprobar de verdad: lecciones impartidas, docentes que pueden responder la pregunta de una familia, solicitudes de datos respondidas por escrito. Afirmar una ganancia de aprendizaje excedería todo lo que citan los estudios de esta página.

No hay ningún estudio sobre prohibiciones por edad en esta base de conocimiento. Nada de aquí puede resolver si las prohibiciones que ahora aparecen en algunos sistemas escolares funcionan, y la versión honesta de esa frase pertenece a su documento para la junta. Lo que la evidencia sí muestra es que la alternativa a una prohibición no es el laissez-faire. El estudio sobre disponibilidad frente a integración de la IA generativa encontró que poner la IA generativa a disposición sin enseñar a los estudiantes a usarla se asociaba con un rendimiento significativamente menor en preguntas aplicadas (ω² = 0,35), mientras que enseñar explícitamente su uso para tareas como resumir devolvió el rendimiento aplicado a niveles previos a la IA generativa y superó la línea base en una prueba más difícil. Esta franja de edad se puede enseñar: el programa de cuarto grado de arriba produjo efectos de d = 1,12 a 1,31.

Lo que las escuelas hacen mal

"Menos de 13 significa nada de IA." La escalonación publicada pone la actividad andamiada y no generativa en la franja de 9 a 12 y reserva el uso generativo para los 13 en adelante. Una escuela que lo prohíbe todo no tiene currículo en esta área, y sus niños se encuentran con las herramientas en casa sin la lección.

"La herramienta cumple la normativa, así que es segura." La mayoría de los marcos y pruebas de referencia apuntan a adultos, y tres modelos Llama Guard tuvieron dificultades con prompts inseguros relacionados con la educación. El papeleo de cumplimiento responde una pregunta de adquisición. No responde la pregunta sobre los peligros.

"Una frase en la política es una política." Nash y Burriss (2026) encontraron que 26 de 27 docentes en formación permitían algún uso de IA con condiciones fijadas por el docente y uno lo prohibía por completo, con límites rara vez operacionalizados: una política permitía la IA "para poner en marcha tu pensamiento" y luego declaraba "aquí es donde debe trazarse la línea" sin decir dónde. Un análisis comparativo de políticas institucionales y programas de curso encontró que las instituciones fomentaban ampliamente el uso de IA generativa en el 63% de 116 políticas, mientras que la mitad de 98 programas de curso lo prohibía de plano. Un análisis de las políticas de 30 universidades con el marco de la UNESCO añade que los principios de ética y gobernanza están ampliamente adoptados mientras que la inclusión, la equidad, el acceso a internet y el impacto ambiental suelen pasarse por alto, con muchas disposiciones que quedan en lo declarativo.

"Las familias cubrirán la mitad doméstica." Los 33 docentes describieron a las familias como responsables principales y también como desinformadas o sobrecargadas. El modelo sinérgico familia-escuela todavía no tiene evidencia que lo respalde. Hay que construirlo.

"Los niños de seis años no pueden entender cómo funciona una máquina." Los niños del currículo de preescolar razonaron sobre la IA como algo diseñado por humanos, construyeron secuenciación y depuración con programación tangible, y reflexionaron sobre la justicia mediante diálogo guiado. La literatura sobre robótica en kindergarten encuentra la secuenciación, la depuración y el diseño algorítmico entre las habilidades más evaluadas en esa franja. La capacidad está. El currículo normalmente no.

Lo que le van a responder

"Prohíbalo. Es la única línea defendible." No existe ningún estudio sobre estas prohibiciones, así que nadie puede decirle que funcionan, y la vía de aplicación es débil. Bassett et al. (2026) sostienen que la detección no debería usarse en educación en absoluto: sus estimaciones son probabilísticas e inverificables porque el origen real de un texto es desconocido, su uso viola la equidad procesal ya que las puntuaciones de los detectores no cumplen el estándar que exigen las investigaciones de integridad, y la detección "no salvaguarda la integridad académica; la socava", erosionando la confianza. Una prohibición además gobierna el canal menos importante, ya que las aplicaciones de acompañamiento, los juguetes con IA y la tutoría familiar ocurren en casa, fuera del alcance de la escuela.

"El hijo de todos los demás ya lo está usando." En parte es cierto, y la cifra que suele citarse es sobre adolescentes: el 72% de los adolescentes estadounidenses había usado acompañantes de IA en la encuesta citada en el trabajo sobre seguridad infantil. Ese no es su hijo de diez años. La revisión de 271 artículos no encontró un efecto único de la IA generativa, así que lo que hacen los pares le dice qué es normal, no qué es seguro o útil.

"Somos una escuela. ¿Por qué estamos haciendo una campaña de crianza?" Porque la exposición está ahí. Diez de 33 docentes nombraron el escenario del acompañante en casa como lo más preocupante que enfrentaban, y la prueba de visibilidad lo dejaba fuera de su jurisdicción. Una escuela que publica qué usa, qué recomienda en casa y cómo hacer preguntas gobierna más del problema que una que escribe una norma para su propia red.

"La vigilancia los mantendrá honestos." Mohamed y Temimi (2026) modelan esto como información imperfecta: el estudiante sabe cómo se produjo el trabajo y la institución solo ve el artefacto. La disuasión pasa por la discriminación del detector entre uso oculto y trabajo legítimo, más que por su tasa bruta de aciertos, y cuando los falsos positivos crecen más rápido que los verdaderos positivos, un monitoreo más fuerte hace que ocultarse resulte relativamente más atractivo. Qu y Wang (2026) encontraron que la no divulgación entre 409 estudiantes universitarios era una adaptación estratégica a las normas de los pares y a una baja confianza interpretativa, y no una negligencia moral.

"Nuestras familias no pueden pagar lo que usted recomienda." El caso del makerspace es la advertencia: un nivel gratuito desapareció en un nivel de pago que la organización sin fines de lucro no pudo asumir, y los prompts solo en inglés excluyeron a familias. Una adquisición que da por sentado un nivel de pago es una política que amplía la brecha que usted intentaba cerrar.

"Nuestros docentes no están formados para nada de esto." A menudo es cierto, y la solución es más pequeña de lo que parece. En el currículo de preescolar, la comodidad autoevaluada de los docentes subió a lo largo de los ciclos de diseño, que es lo que hace el codiseño y no hace un día de formación. En entornos de educación infantil, la autoeficacia predice la intención de usar IA y la ansiedad la disuade. Empiece con una lección en una clase y deje que el personal que la imparte escriba la orientación.

"Toda esta cautela es un pánico moral sobre juguetes." Aquí hay incertidumbre real, y la revisión de 271 artículos es el resumen honesto de ella. El argumento a favor de enseñar en lugar de prohibir se apoya en un vacío jurisdiccional, una vía de aplicación fallida y un programa de cuarto grado que movió la alfabetización más de una desviación estándar en dieciocho horas.

Qué hacer esta semana

1. Escriba las franjas de edad en una página: qué hacen los menores de 9 años, qué hacen los de 9 a 12 años y qué requiere un adulto nombrado y un propósito declarado.

2. Lleve las cuatro preguntas de verificación a quien firma el contrato de software y pida las respuestas por escrito.

3. Envíe a las familias una nota de una página con lo que usa la escuela, lo que conserva y a quién preguntar.

4. Elija una actividad no generativa para la franja más pequeña y una lección de alfabetización mediática para la franja de 9 a 12, y agéndelas en el trimestre.

5. Elimine la detección del borrador de la política, reemplácela por una norma sobre qué proveerá y qué no proveerá la escuela, y fije una fecha de revisión con tres cosas que comprobar: qué usaron los docentes, qué preguntaron las familias y si se impartieron las lecciones de 9 a 12.

Adónde ir después

¿Cómo está impactando la IA al estudiantado? cubre qué les hacen las herramientas al aprendizaje, y ¿Cómo debería incorporar la alfabetización en IA a mi curso? junto con la alfabetización en IA cubren qué enseñar. Madres, padres y familias y Educación infantil y primaria sostienen la base de investigación de esta página, y ¿Cómo debería la investigación sobre IA en educación incorporar la equidad, la accesibilidad, la privacidad, la ética y la seguridad pedagógica? es donde continúa el argumento sobre privacidad y seguridad. Si su pregunta es el lado de la evaluación para estudiantes mayores, ¿Deberíamos usar detectores de IA? y ¿Cómo puedo reducir las trampas con IA en mi curso? lo llevan más lejos.