¿Cómo se debería diseñar la IA dentro de la experiencia de aprendizaje?

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

Empiece por el objetivo y el proceso de aprendizaje, no por la función de IA. El concepto de Pedagogías y estrategias de enseñanza de esta base de conocimiento subraya que una misma IA puede funcionar como andamiaje, interlocutor socrático, compañero de retroalimentación, simulación o generador de respuestas, según cómo se diseñe la enseñanza. Lo que importa es si esa configuración conserva la actividad que produce el aprendizaje previsto.

Un patrón predeterminado sólido

Un patrón predeterminado sólido es: el estudiante lo intenta → la IA apoya → el estudiante evalúa o revisa → el estudiante demuestra que comprende. De forma más concreta:

• Conserve el fallo productivo cuando sirva al aprendizaje.
• Pida una predicción o una solución inicial antes de mostrar la ayuda de la IA.
• Prefiera preguntas, pistas, ejemplos, contraargumentos y retroalimentación frente a la resolución inmediata.
• Exija la verificación de las afirmaciones de peso.
• Incluya oportunidades para explicar y para el aprendizaje por enseñanza a otros.
• Retire el apoyo de forma gradual a medida que crece la competencia.
• Conserve algunas oportunidades sin IA para que el estudiante calibre lo que puede hacer por sí mismo.

La síntesis Reducir el mal uso de la IA recomienda en concreto secuencias de pensar primero, IA después y reflexionar al final, además de puntos de control deliberados para la evaluación.

Ajuste el papel de la IA al nivel de implicación cognitiva

La analogía de la máquina de cocina de Rummel, Nachtigall y Panadero replantea la pregunta de diseño: ya no se trata de si el estudiantado usa la IA generativa, sino de cómo ese uso moldea en qué se convierte. Trasladar cuatro usos de un electrodoméstico inteligente a casos de aprendizaje mediante los marcos ICAP y SAMR da una escalera de diseño: delegar por completo una tarea, sin revisión ni implicación crítica, es sustitución pasiva y conlleva el riesgo de pérdida de competencias y dependencia excesiva; refinar las indicaciones y verificar las respuestas por otras vías exige conocimientos previos y autorregulación (activo/aumento); usar la IA para generar ideas, esbozar y evaluar un trabajo propio es constructivo/modificación; y la IA como interlocutor real para construir en común y para la retroalimentación adaptativa es interactivo/redefinición. La consecuencia para el diseño es directa: la misma herramienta es un atajo en un peldaño y un andamiaje en el siguiente, así que conviene especificar el modo que se busca en lugar de conceder un acceso sin condiciones.

Secuencie el diseño, no se limite a permitir la herramienta

Divjak, Svetec y Horvat analizaron la secuencia prevista de 29.064 actividades de enseñanza y aprendizaje en 554 cursos y encontraron una gramática de diseño visible: las actividades de tipo adquisición son el punto de entrada más habitual y el tipo más numeroso (por encima del 20%), el tipo de aprendizaje sigue el nivel de Bloom previsto (la adquisición baja del ~50% en el nivel 1 al ~20% en el nivel 6, y la producción supera el 20% en los niveles 5 y 6), y la transición más fuerte es evaluación → debate (0,332). Dos lecciones para el diseño con IA: la IA pertenece al punto en que la secuencia prevé un tipo de actividad concreto, y no a un añadido al final; y, dado que la retroalimentación se agrupó con la colaboración, el trabajo en grupo y la presencia del profesorado, las estructuras entre pares y sincrónicas crean los momentos de retroalimentación en los que el apoyo de la IA debería encajar en lugar de sustituirlos.

El marco «abstenerse y después amplificar» de Torres-Sahli y sus colegas lleva esta idea al nivel del programa: retirar una herramienta generativa mientras se forma una capacidad y restituirla cuando el estudiante ya puede dirigirla, juzgar lo que le devuelve y responder por ello, con un punto de control difícil de simular en cada bisagra. Los dispositivos se rigen por un criterio de formación frente a delegación: se admiten donde sostienen un trabajo con implicación y se excluyen donde consumen la atención. Esto convierte las decisiones sobre la delegación en una cuestión de plan de estudios y de gobernanza que precede, y no sigue, al diseño del curso.

La alineación constructiva va primero

El análisis del discurso de McInnes y sus colegas sobre 14 documentos de orientación para la educación superior advierte de que los consejos planteados en términos de eficiencia, como usar la IA generativa para redactar resultados de aprendizaje, rúbricas y programas de curso, producen una alineación que parece alineada pero descuida la mitad «constructiva»: resultados, actividades y evaluación generados como elementos discretos y no interdependientes. Su remedio es reordenar, no prohibir: el profesorado debería entender la alineación constructiva lo suficiente para dirigir, interrogar y rechazar lo que produce la IA antes de delegar cualquier parte, porque un hábito de aceptación superficial basado en la verosimilitud es el mismo fallo evaluativo contra el que el propio profesorado advierte a sus estudiantes. Donde se usa la IA, abogan por sistemas acotados institucionalmente y con recuperación aumentada, configurados según las políticas y los estándares de calidad locales en lugar de los valores genéricos aprendidos de internet.

El principio más amplio

El principio más amplio de el Marco de educación en IA con principios es que la tecnología debería aumentar, y no desplazar, las capacidades humanas que la educación pretende desarrollar. Véanse también Diseño instruccional, Aprendizaje activo y andamiaje.

Sobre los valores pedagógicos predeterminados que determinan si una interacción diseñada conserva el aprendizaje, véanse ¿Cómo puedo reducir las trampas con IA en mi curso? y ¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer?; sobre cómo esos mismos principios condicionan el propio software, véase ¿Cuáles son las mejores prácticas y consejos para diseñar software educativo de IA eficaz?, y sobre su traslado a la arquitectura de un tutor, véase ¿Cuáles son las buenas prácticas para desarrollar un tutor de IA eficaz?.