¿Cómo evito que el estudiantado dependa en exceso de la IA?

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

Un estudiante borda la hoja de problemas para casa y deja medio examen en blanco. Alguien entrega un informe de laboratorio que no puede explicarle, o un bloque de código que no sabe justificar línea por línea. Un colega quiere prohibir la herramienta en el curso de primer año y usted está sopesando lo que eso les cuesta a los estudiantes que más se apoyan en ella.

La conclusión: el exceso de dependencia es sobre todo un problema de ubicación. Los diseños que lo reducen ponen el intento del estudiante antes que la herramienta, configuran la IA para que dé pistas en lugar de responder, convierten la comprobación en una entrega obligatoria y conservan un momento calificado en el que la herramienta no está.

La versión breve

1. Ponga las ideas, la hipótesis o el borrador del propio estudiante delante de la herramienta antes de que esta se abra.

2. Configure la IA para que dé pistas, pregunte y ofrezca ejemplos allí donde la habilidad objetivo es lo que usted califica.

3. Convierta la verificación en una entrega con su propia línea en el enunciado de la tarea.

4. Mantenga el momento calificado libre de herramientas y compare el trabajo asistido con él.

5. Ajuste el momento de la consigna de reflexión a la fase de la tarea que todavía puede cambiar.

6. Mire a quién deja atrás su diseño, por conocimiento previo y no por promedio.

Decida si tiene un problema o solo un uso intenso

La delegación cognitiva es la transferencia de una demanda cognitiva a una herramienta externa, que libera recursos mentales limitados para otro trabajo. Guo y Ye (2026) revisan el constructo a través del modelo metacognitivo dinámico de Nelson y Naren, en el que el monitoreo de la dificultad impulsa la decisión de delegar en una estrategia interna o en una externa. Delegar es una elección de autorregulación, y el fallo que merece preocupación es la descalibración; el volumen por sí solo dice poco.

Biswas (2026) modela la dependencia como tres acciones: resolver solo, aceptar la respuesta de la IA sin verificarla, o usarla y verificar. La calibración falla en ambas direcciones. El exceso de dependencia es aceptar resultados erróneos, y la dependencia insuficiente es descartar una IA útil después de que se equivoca. El exceso de dependencia colectivo es una población que ha abandonado la verificación y, como el exceso de dependencia bruto diverge del arrepentimiento, un uso intenso es compatible con buenos resultados. El estudiante que contrasta cada respuesta de la IA con sus materiales no es su problema. El que entrega el primer borrador de un modelo, sí.

Lodge y Loble (2026) describen el mecanismo como "fluidez a demanda": resultados coherentes y llenos de seguridad que eluden las dificultades deseables de la recuperación, la elaboración y la generación mediante las cuales se consolida el conocimiento. Su paradoja del rendimiento consiste en que el trabajo asistido se siente fluido y los estudiantes rinden bien en el momento mientras retienen menos, algo que llaman ilusión de competencia. Nombran la pereza metacognitiva (siguiendo a Fan et al. 2024), en la que la comodidad permite a los aprendices abdicar de los procesos autorregulatorios que necesitan desarrollar.

Distinguirlos en su propio curso exige una comparación, no un número. Busque trabajo mejor que el trabajo anterior del estudiante y peor que su explicación de él: una hoja de problemas sólida seguida de un examen flojo, un informe pulido que el estudiante no puede discutir, una respuesta correcta que no puede reproducirse en un problema similar. Ningún patrón aislado prueba nada. Dos o tres juntos justifican cambiar el diseño.

La mayor parte de lo que puede medirse aquí es autoinforme. Gerlich (2025) encuestó a 666 participantes del Reino Unido con 50 entrevistas y encontró que el uso de IA se correlacionaba negativamente con el pensamiento crítico (r = -0,68), con una mediación parcial de la delegación (efecto total b = -0,42; indirecto b = -0,25). Gao, Sun y Khan (2026) usaron datos de encuesta de tres oleadas con desfase temporal de 623 estudiantes chinos, además de entrevistas a educadores, y encontraron que el uso eficaz de la IA eleva a la vez el rendimiento sostenible del aprendizaje y el exceso de dependencia. Ambos diseños son correlacionales, y ambos lo dicen.

Los instrumentos conductuales son más escasos. PAUSE (Alam, 2026) es una autoevaluación que funciona solo en el navegador, sin evidencia de fiabilidad ni de validez, y sus autores advierten sobre la validez de los ítems. Los ítems registran cuándo y con qué frecuencia entra la IA en un flujo de trabajo, no si el razonamiento propio del estudiante siguió implicado, de modo que un estudiante que se apoya deliberadamente en la IA al principio puntuará con honestidad como delegador. PAUSE también cita la Puntuación de Delegación de Padmakumar et al. (2026), que estima la fracción de esfuerzo delegado a partir de registros conductuales (n = 40 desarrolladores). Lo que usted quiere saber es qué puede hacer el estudiante sin ayuda.

Ponga el intento del estudiante delante de la herramienta

La secuencia probada más clara es "piense primero, ChatGPT después". Wong y Qiu (2026) asignaron a N = 196 estudiantes a trabajar de forma independiente, a usar ChatGPT libremente o a trabajar en una condición regulada: generar tus propias ideas, colaborar con ChatGPT para mejorarlas y evaluarlas y, después, refinar y entregar de forma independiente una solución. El grupo de uso libre produjo trabajo más creativo en la tarea asistida y volvió a niveles propios del trabajo sin ayuda en una tarea posterior más difícil hecha sin ChatGPT. El grupo regulado no mostró ventaja inmediata y superó a los otros dos grupos en creatividad independiente después.

Los datos de las indicaciones explican la diferencia. En el grupo regulado, el 88,6% de las indicaciones fueron colaborativas, y ese fue el único tipo de indicación correlacionado de forma significativa con la originalidad independiente posterior. En el grupo de uso libre, el 70,9% de las indicaciones fueron no colaborativas y el 59,6% simplemente pedían a ChatGPT que generara ideas sin más. La misma herramienta, formulada de dos maneras distintas, produjo dos tipos distintos de estudiante.

En el enunciado de su tarea esto se convierte en una instrucción de orden: primero las ideas, las hipótesis o un borrador, después la herramienta. Una frase al principio de la página basta, siempre que el paso siguiente recoja lo que el estudiante escribió.

Dos detalles de aula deciden si la secuencia se sostiene. El primero es el tiempo. Si la fase independiente ocurre fuera de clase, algunos estudiantes abrirán la herramienta primero y escribirán las ideas después. El segundo es la recogida. Si no se entrega nada de esa fase, la secuencia existe solo en el papel. Media página de notas, recogida al final de la clase, basta para que el orden sea real.

Configure la herramienta para que dé pistas en lugar de responder

Brcic y Frljic (2026) presentan la versión más nítida del argumento de la ubicación. Un ayudante de IA sin salvaguardas dejó a estudiantes de secundaria alrededor de un 17% peores en un examen sin ayuda que sus pares que no tenían ninguna herramienta. El mismo modelo, reconstruido para retener las respuestas, borró el daño, y un tutor bien diseñado casi duplicó el aprendizaje. Su diagnóstico es aplicable a cualquier curso: si dejar entrar a la IA hace que la tarea se sienta sin esfuerzo, la herramienta está en el lugar equivocado.

Zohar, Bloom e Inzlicht (2026) le dan forma a ese argumento. Sostienen que el vínculo entre esfuerzo y significado es una U invertida, así que el objetivo es un gradiente: eliminar los obstáculos abrumadores y preservar los esfuerzos que producen comprensión y apropiación, con la asistencia como suplemento. Su argumento es un comentario conceptual sin datos nuevos, y la relación en U invertida se apoya en un único anclaje empírico sin cuantificar, de modo que nadie puede decirle dónde está el óptimo para un aprendiz concreto.

En la práctica, eso significa una IA con salvaguardas en el centro de la tarea, donde las pistas, los ejemplos resueltos y los ítems de práctica hacen el trabajo, y una comprobación asegurada al final. También convierte una política de uso de IA en una regla de ubicación por habilidad, que es más fácil de escribir y de defender que una lista de prohibiciones.

Una pista es una pregunta sobre el siguiente paso del estudiante, un ejemplo resuelto de un problema similar o una indicación del pasaje relevante. Una respuesta es una oración terminada que el estudiante puede pegar. La mayoría de los chatbots de uso general producen la segunda por defecto, en una prosa fluida que se lee como ayuda, y por eso la configuración importa más que las intenciones del estudiante.

Exija la comprobación y hágalo visible

La verificación es la palanca más barata con respaldo causal real. Biswas (2026) encontró que hacer visible la verificación desencadenaba una contracascada hacia una verificación casi completa: el exceso de dependencia cayó a 0,00 y el arrepentimiento a 0,07. Reducir la fricción de la comprobación fue la palanca más débil del mismo modelo, porque la barrera es social y no mecánica. Un enlace a la biblioteca no hace que un estudiante compruebe una afirmación.

Viberg y sus colegas (2026) encontraron que los estudiantes que ya lo hacen bien contrastan los resultados con los materiales del curso, con sus pares o con el profesorado cuando la exactitud es incierta. Eso es una conducta que usted puede exigir. Ponga una línea en la tarea: qué comprobó y contra qué. Léala como parte de la calificación, y la norma se hará visible para toda la clase y no solo para los pocos concienzudos.

Esa línea también le da algo que seguir. Cuando un estudiante escriba que comprobó una afirmación con el texto del curso, puede preguntarle en qué página. Cuando escriba que lo comparó con un compañero, puede preguntarle qué dijo el compañero. Cuesta una frase. La pregunta de seguimiento es lo que hace que los estudiantes lo traten como trabajo.

La verificación también necesita un alcance. Comprobar que una afirmación coincide con el texto del curso es un acto distinto de releer una oración para revisar la gramática, y el primero es donde el modelo falla más a menudo. Diga cuál de los dos pide la línea, o recibirá corrección de estilo.

Demuestre un error en el que el modelo se muestra seguro

Proponga una tarea cuya respuesta el modelo da con seguridad y de forma equivocada, y luego haga que la clase compruebe esa respuesta con el texto del curso. Funciona porque el error llega en la misma voz que las respuestas correctas. Añada después la evidencia: un ayudante sin salvaguardas dejó a los estudiantes alrededor de un 17% peores en un examen sin ayuda, y a los estudiantes que recibieron GPT-4 les fue mejor resolviendo problemas con la herramienta y peor que a los controles cuando esta se retiró (PAUSE cita a Bastani et al., 2025). La misma fuente añade que Liu et al. (2026) encontraron que la asistencia redujo la persistencia en ensayos controlados aleatorizados (N = 1.222).

Elija un error modesto y comprobable, como una cita que no existe, una fecha equivocada o un cálculo que no cierra. Después pida a la clase que escriba la corrección y la comprobación que usó para encontrarla. Esa corrección escrita es el artefacto, y le dice si pueden hacer la comprobación sin usted vigilando por encima.

Mantenga el momento calificado sin la herramienta

El producto asistido es un mal indicador de la capacidad, así que al menos un momento calificado tiene que ocurrir sin la herramienta. La tarea posterior sin asistencia de Wong y Qiu (2026) es esa medición. Su grupo de solo humanos también bajó en el seguimiento más difícil, lo que descarta la versión simple de la solución: retirar la herramienta sin apoyar al aprendiz no es una intervención.

Alternar modos tiene respaldo. PAUSE cita el resultado de la cuarta sesión de Kosmyna et al. (2025), en el que los participantes que trabajaron solo con el cerebro y después usaron ChatGPT rindieron más que los usuarios sostenidos de LLM. La rendición de cuentas también funciona a través de la explicación: Makransky et al. (2025) encontraron que un chatbot tutor que pedía a los estudiantes conectar ideas y explicar su razonamiento produjo mejor rendimiento en la evaluación que la instrucción tradicional.

Para un curso, alterne: trabajo asistido en la práctica, trabajo sin asistencia donde cuenta. Lea la pieza asistida como un registro del rendimiento en buenas condiciones, y la pieza sin asistencia como la evidencia sobre el aprendizaje. Compararlas es además la conversación más útil que puede tener con un estudiante que no entiende una nota.

La programación es la restricción. Un momento sin herramienta necesita un aula, un horario y una tarea que quepa en él, así que la versión más barata es una pieza corta en clase adjunta a una tarea que ya tenía puesta. Un examen aparte es un compromiso mayor y normalmente innecesario para el primer intento con esto.

La pieza sin asistencia gana un segundo uso: devuélvala al inicio de la siguiente unidad, y ambos podrán ver qué sobrevivió al parón.

Separe la ayuda instrumental de la ayuda ejecutiva

Viberg, Feldman-Maggor y Wong (2026) entrevistaron a 20 estudiantes universitarios de STEM y encontraron un proceso de cuatro etapas: decidir si se necesita ayuda, elegir una fuente, elegir el tipo de ayuda y juzgar la ayuda recibida. Los estudiantes más fuertes preferían la ayuda instrumental, es decir, pistas y explicaciones, frente a la ayuda ejecutiva, es decir, soluciones directas. El mismo estudio advierte que usar LLM para depurar o para programar entre lenguajes puede eludir la resolución de problemas independiente incluso cuando los estudiantes nunca piden una respuesta.

Eso encaja limpiamente con la delegación cognitiva. El uso instrumental es la delegación duplicativa que se sostiene cuando la herramienta desaparece, porque el estudiante sigue codificando el razonamiento. El uso ejecutivo es la delegación sustitutiva que se derrumba cuando se retira el almacén externo. Guo y Ye (2026) trazan la frontera exactamente en esos términos: retire el almacén y los delegadores sustitutivos decaen gravemente, mientras que los duplicativos mantienen su exactitud gracias a la codificación interna.

Escriba la distinción en la tarea. Pida a los estudiantes que etiqueten cada uso de IA como instrumental o ejecutivo, exija al menos una indicación colaborativa y califique el razonamiento que añadieron después de la respuesta. En la condición de uso libre de Wong y Qiu, el comportamiento por defecto derivó hacia el uso ejecutivo sin que nadie decidiera derivar.

No toda delegación es sospechosa. PAUSE cita a Hong et al. (2025), donde delegar deliberadamente tareas de escritura de orden inferior para liberar atención para el análisis y la revisión produjo mayores ganancias de pensamiento crítico. La prueba es si la parte que se delega es la habilidad que usted califica.

Esas etiquetas también diagnostican su tarea. Si la mayor parte de una clase informa de uso ejecutivo, la tarea lo está invitando, diga lo que diga la política, y el siguiente cambio corresponde a la tarea y no a la redacción de la regla.

Ajuste el momento de la consigna a la fase de la tarea

La retroalimentación que se dirige a una creencia estable funciona antes de que empiece una tarea. La retroalimentación sobre la corrección inmediata y la dificultad funciona durante la tarea. Guo y Ye (2026) lo llaman emparejamiento del componente temporal, y explica por qué una reflexión con fecha de entrega al final de un proyecto cambia tan poco: para entonces las decisiones ya están tomadas.

Lodge y Loble (2026) recomiendan consignas metacognitivas integradas que hagan a los aprendices detenerse, reflexionar y evaluar su comprensión mientras trabajan, junto con la Instrucción para la Reducción de Carga, que gestiona la carga cognitiva a la vez que permite una independencia progresiva. Una predicción de un minuto antes de una unidad difícil, escrita y comparada después, encaja en esa ventana y no cuesta nada de corregir.

La redacción de la consigna importa menos que su posición. Antes de una unidad, pregunte qué espera el estudiante que sea difícil y por qué. Durante la unidad, pregunte en qué paso se ha atascado y qué ha intentado. Una reflexión al final del proyecto registra sobre todo lo que ocurrió, y por eso cambia tan poco. Mantenga la predicción en la misma página que el trabajo, para que la comparación al final no cueste ningún archivo.

Espere que el riesgo se concentre

Lodge y Loble (2026) sitúan el riesgo en el conocimiento previo y en la autorregulación y nombran una brecha metacognitiva de equidad: usar bien la IA exige recursos de los que carecen los novatos, así que los estudiantes que más necesitan la práctica son los más propensos a delegar el aprendizaje mismo. Informan de que el 80% del estudiantado australiano ya usa IA y de que lo hace dos tercios del profesorado de los primeros años de secundaria (OCDE 2025).

La edad y el hábito se correlacionan con el mismo patrón. Gerlich (2025) encontró que los participantes de 17 a 25 años mostraban mayor dependencia de la IA y mayor delegación y menor pensamiento crítico que los de 46 años o más, y que el nivel de estudios predecía un mejor pensamiento crítico con independencia del uso de IA (r = +0,34), con una interacción significativa que indica que el nivel de estudios mitiga el efecto negativo. Gao, Sun y Khan (2026) encontraron que la policronicidad, la tendencia a hacer varias cosas a la vez, modera la vía, con los estudiantes de alta policronicidad en mayor riesgo.

Para un grupo, eso aboga por observar con más atención a los estudiantes con la preparación más débil y por comprobar si su propia tarea ha creado las condiciones para que la comprobación se detenga. Una tarea exigente combinada con un modelo capaz es la combinación que el modelo de Biswas señala como la de mayor arrepentimiento, y es fácil de crear por accidente.

El contexto importa tanto como la persona, y su curso controla una parte del contexto. Biswas (2026) muestra que la dificultad de la tarea y la calidad de la IA fijan la línea base: el exceso de dependencia sube de alrededor de 0,02 a 0,38 con la dificultad, y en tareas difíciles va de 0,38 con una IA deficiente a 0,16 con una buena IA. El mayor arrepentimiento proviene de una IA de alta calidad en tareas difíciles (0,441), porque los agentes confían demasiado y rara vez se apoyan en sí mismos. La prueba social lo agrava: a medida que el uso visible sube de 0 a 0,6, la verificación se derrumba de 0,29 a 0,002. La comprobación se detiene justo donde el modelo es más fuerte y la tarea más difícil, que rara vez es donde un docente mira primero.

Decida cuánto peso tiene la evidencia

Nada en este corpus pone a prueba si una intervención concreta contra el exceso de dependencia se sostiene en distintos contextos o semestres. Pensar primero se apoya en un experimento con N = 196. El resultado de retener las respuestas viene de la síntesis de Brcic y Frljic (2026), no de un ensayo propio. El argumento de la fricción es un comentario conceptual sin datos nuevos. Biswas (2026) declara los límites del modelo: calidad de IA exógena y estacionaria, una red fija y una verificación estilizada. Estimar los valores reales exigiría rastros longitudinales de las tasas de verificación por tarea, de la fuerza de la prueba social y de cómo se actualiza la confianza tras un uso verificado frente a uno no verificado.

La medición sigue siendo el eslabón más débil. Dominan los diseños de encuesta, y tanto Gerlich (2025) como Gao, Sun y Khan (2026) piden seguimientos longitudinales y experimentales. PAUSE no tiene psicometría y se construyó para adultos. Que la brecha de equidad pueda cerrarse con instrucción es una hipótesis teórica y no una demostración.

Eso le deja una apuesta razonable, hecha a bajo costo. Cambie una tarea, conserve la medida sin ayuda y compruebe si se estrecha la brecha entre el trabajo asistido y el no asistido. No reconstruya un curso entero con la fuerza de estas cifras.

En qué se equivocan los docentes sobre esto

Los estudiantes que más la usan son los que están en apuros. La frecuencia es lo que capturan las encuestas y muestran los paneles, y no es el constructo. Un estudiante que comprueba cada respuesta y cita sus materiales puede usar IA a diario y estar bien. Un estudiante que entrega el primer resultado una vez por semana tiene el problema.

Una prohibición elimina el riesgo. Los resultados más fuertes aquí vienen de la ubicación, y el brazo de solo humanos del experimento de Wong y Qiu también bajó en el seguimiento más difícil. Retirar la herramienta sin apoyar al aprendiz deja la dificultad donde estaba.

Una comprobación más barata arreglará la verificación. Hacer más fácil la comprobación fue la palanca más débil en el modelo de Biswas, porque el obstáculo es social. Un mejor detector de plagio no hace que un estudiante lea la fuente.

Un panel de uso me dice quién está delegando. Los ítems de PAUSE registran cuándo y con qué frecuencia entra la IA en un flujo de trabajo, y los propios autores señalan el problema de validez. Un estudiante que construye andamiajes con cuidado puntúa como delegador, así que actuar sobre esas cifras castiga a los estudiantes que usted quiere conservar.

La fluidez y la satisfacción muestran que el diseño funciona. Esa es la ilusión que Lodge y Loble (2026) describen en su paradoja del rendimiento: el trabajo se siente fluido y los estudiantes rinden bien en el momento mientras retienen menos. El rendimiento sin ayuda y la transferencia diferida son las medidas que responden a la pregunta.

Enseñe alfabetización en IA a los estudiantes y el problema desaparece. Lodge y Loble (2026) advierten que invertir en exceso en una alfabetización en IA dirigida al estudiante puede ser una asignación equivocada, dado lo que les falta a los novatos.

Lo que le van a responder

"Esto es solo buena pedagogía con un nombre nuevo." En parte. El andamiaje, la retroalimentación formativa y el esfuerzo productivo son ideas antiguas. Lo más nuevo es el orden: la verificación visible superó a la verificación barata, y los dos momentos que merece la pena proteger son el primer intento difícil y la comprobación final sin ayuda. Haga las cosas conocidas en el orden nuevo.

"No puedo vigilarlo." No puede, y la evidencia dice que no lo intente. La ubicación produjo el resultado más fuerte. Diseñe la tarea de modo que usar la herramienta en el momento equivocado se vea en el propio trabajo, como una respuesta que el estudiante no puede explicar o un paso de verificación que falta.

"Mi curso es demasiado grande para una unidad secuenciada." Las palancas baratas escalan: una línea de verificación, una predicción de un minuto y trasladar la comprobación calificada a un aula sin IA. El elemento caro, una unidad completamente secuenciada de pensar primero, puede empezar como una sola tarea. Regenere una hoja de problemas en una mitad asistida y otra sin ayuda y vea qué le dice la brecha.

"Mis estudiantes son novatos. Necesitan la ayuda." Necesitan más pistas que respuestas, y el hallazgo de equidad es la razón. Los estudiantes con menos conocimiento previo son los más propensos a delegar el razonamiento, y una herramienta que retiene las respuestas mantiene la práctica donde corresponde.

"¿No van a suspender los estudiantes más débiles la comprobación sin ayuda?" A veces sí, y ese resultado es información y no un veredicto. Una comprobación sin herramienta que suspende buena parte de una clase dice que la práctica estaba sosteniendo el rendimiento, que es lo que usted necesitaba saber. Péselo como evidencia, vuelva a enseñar lo que expone y ofrezca un segundo intento en una tarea paralela. Ningún estudio de aquí prueba si volver a enseñar tras una comprobación sin ayuda fallida recupera el aprendizaje, así que esa parte es su juicio profesional.

"Algunos de mis estudiantes usan la IA como andamiaje honesto. ¿Se supone que debo impedirlo?" No. Un estudiante que lee una pista, intenta el paso y comprueba el resultado está haciendo la delegación duplicativa que sobrevive a la retirada de la herramienta. Lo que usted quiere es una tarea que mantenga disponible ese uso y haga menos gratificante la versión ejecutiva, y eso depende de lo que la tarea recoge y de lo que la rúbrica paga.

"La evidencia es escasa, así que ¿por qué cambiar nada?" Es escasa en lugares concretos, que los límites anteriores nombran. Lo que es consistente entre los estudios es la dirección: ubicación, comprobación visible y una medida sin ayuda. Una tarea cambiada, conservando el resultado sin asistencia, es una apuesta lo bastante pequeña como para correrla sobre esa base.

Qué hacer esta semana

1. Añada una línea de verificación a la próxima tarea: una frase que nombre qué comprobó el estudiante y contra qué.

2. Traslade la comprobación calificada a un momento sin la herramienta y califique esa.

3. Ponga el primer intento difícil antes de la herramienta y recoja las ideas, la hipótesis o el borrador que salgan de él.

4. Cambie la configuración de la herramienta que recomienda para que dé pistas en lugar de respuestas, y diga a los estudiantes que eso es lo que ha hecho.

5. Ejecute en vivo un error seguro de la IA, haga que los estudiantes lo detecten con el texto del curso y conserve la corrección que escribieron.

Adónde ir después

La pregunta vecina, si la IA produce aprendizaje en absoluto, se trata en ¿Usar IA ayuda de verdad a que mi estudiantado aprenda?. ¿Cómo puedo reducir las trampas con IA en mi curso? aborda la integridad y los límites de la detección, y ¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer? cubre la arquitectura de evaluación que esta página da por supuesta. Para las ideas de fondo, véanse Descarga cognitiva, Metacognición y Dificultades deseables.