Base de conocimiento AIEdAIEd KB
En esta página

Todos los números

Actualización semanal de investigación en IA educativa #2

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

Un resumen semanal de la Base de conocimiento sobre IA en educación, sobre lo que significa la investigación publicada en la última semana para docentes, desarrolladores, investigadores y administradores.

Desde el número anterior, se han incorporado a la base de conocimiento 121 nuevos estudios, cuatro nuevos recursos, cinco nuevas preguntas frecuentes y dos nuevas páginas de conceptos, sobre educación abierta y educación en estadística y ciencia de datos; la base ahora contiene 1.926 resúmenes de artículos, 222 páginas de conceptos, 42 preguntas frecuentes y 37 recursos. La página del journal enumera cada estudio añadido en la última semana. También puedes buscar en la base de conocimiento o usar la IA para conversar con ella.

Contenido

Aspectos principales y preguntas

La mayoría de los resultados de esta semana tratan sobre el trabajo que ocurre alrededor de una respuesta, y sobre qué cambiar cuando la respuesta llega demasiado rápido o con demasiada confianza. Dos experimentos aislaron el mismo mecanismo en contextos distintos.

Un ensayo preregistrado con 317 adultos asignó la misma tarea de procesamiento profundo como hoja de trabajo o como ventana de chat abierta, y la ventana de chat aumentó la desorganización de la tarea en 0,84 desviaciones estándar sin que nada en el modelo lo explicara, así que la solución es estructura en torno a la secuenciación y el cierre, no más apoyo de contenido. Un estudio de foro encontró que un asistente de enseñanza con IA respondía primero en el 97% de los hilos iniciados por estudiantes, en una mediana de 0,92 minutos frente a 490 de los compañeros, mientras que el lenguaje autorregulatorio del hilo cayó del 49% al 36%, lo que apunta a retrasar la primera respuesta en lugar de eliminar al asistente.

Nuevas preguntas frecuentes

Esta semana se publicaron cinco nuevas respuestas, cada una escrita para una pregunta que un colega realmente hace y no para un tema. El índice de preguntas frecuentes también se reorganizó en nueve secciones según la tarea que intentas completar, de modo que la pregunta con la que llegas se pueda encontrar sin saber cómo la llama el campo.

¿Puedo usar IA para calificar el trabajo de los estudiantes de forma justa y fiable?

La respuesta sobre calificación le da a la IA un lugar como segunda lectora supervisada de trabajo que ya has corregido, y no como calificadora oficial. La concordancia no se mantiene entre tipos de evaluación, y la comprobación que parecía más sólida se hizo con la clave de respuestas a mano, que no es la prueba que haces cuando calificas a ciegas.

¿Cómo compruebo si las preguntas de cuestionarios y exámenes generadas por IA son buenas?

La respuesta sobre la calidad de las preguntas empieza por resolver tú mismo cada ítem y luego preguntar qué exige al estudiante, porque las claves de respuestas y la demanda de la tarea fallan más a menudo que la redacción. Una pregunta generada que nadie ha respondido es una candidata, no una evaluación.

¿Cómo puede la IA apoyar a estudiantes multilingües sin borrar su voz?

La respuesta sobre multilingüismo te pide decidir qué hace el lenguaje en la tarea antes de decidir qué puede hacer la herramienta. Cuando el lenguaje es incidental, la IA puede eliminar una barrera que no tiene nada que ver con tu constructo; cuando el lenguaje es el constructo, la misma herramienta hace la tarea por el estudiante.

¿Qué deberían aprender los estudiantes para carreras en las que la IA es habitual?

La respuesta sobre carreras es enseñar la tarea profesional completa y evaluar tanto el producto con apoyo como lo que el estudiante puede hacer sin ayuda. La evidencia respalda conocimiento disciplinar más juicio, verificación y transferencia, y no respalda ninguna lista de habilidades con herramientas.

¿Qué significa realmente el aprendizaje personalizado y cuándo ayuda?

La respuesta sobre personalización separa cinco cosas que reciben la misma etiqueta, desde reordenar la práctica hasta dejar que el estudiante elija qué estudiar después. Lo que importa es qué se adapta, qué evidencia lo impulsa y si mejora el aprendizaje que pretendías, algo que un ejemplo familiar o una conversación que responde pueden parecer sin lograrlo.

Conceptos destacados

Cinco páginas de conceptos incorporaron los hallazgos de esta semana, dos de ellas nuevas. Cada una es una página permanente y no algo puntual, así que la nueva evidencia se suma a lo que la página ya sostenía.

Educación abierta

La página es nueva y se escribió porque llegaron a la vez trece estudios sobre lo que la IA generativa hace con la enseñanza con licencia abierta. Su argumento es que lo que hay que examinar es la licencia y no el modelo, y los dos nuevos recursos de abajo describen instituciones que adaptan contenido abierto con IA más rápido de lo que pueden registrar quién escribió qué. Lee la página sobre educación abierta antes de escribir una cláusula sobre IA en una política de REA.

Descarga cognitiva

Ahora separa qué descarga una herramienta de cuánto la usó un estudiante, que es la distinción que traza la escalera de descarga y que los experimentos sobre empatía demuestran en un lugar donde la mayoría no la buscaría. La página sobre descarga cognitiva también incluye el resultado de 0,84 desviaciones estándar, porque es la evidencia causal más limpia que tiene.

Juicio evaluativo

Su nueva evidencia trata sobre lo que se le pide a un juez: los métodos de calificación movieron la estabilidad entre repeticiones del 2,9% al 15,9%, y trece modelos cedieron ante la insistencia del estudiante a tasas del 46,5% al 98,5%. La página sobre juicio evaluativo ahora trata la resistencia a una corrección falsa como una capacidad separada de acertar la respuesta.

Alfabetización en IA

Dos resultados acotaron el constructo: el pensamiento crítico pasaba por cómo los estudiantes dividían y reelaboraban el trabajo cognitivo, no por la familiaridad con las herramientas, y una rúbrica construida a partir de 16 artículos centrales mostró cuán pocos recursos nombran la competencia que dicen desarrollar. La página sobre alfabetización en IA conserva ambos, porque una prueba de alfabetización y un recurso de alfabetización miden cosas distintas.

La otra página nueva es educación en estadística y ciencia de datos, cuyo primer argumento es que la cuestión de la IA en la disciplina depende del artefacto, ya que hoy los conjuntos de datos, los gráficos y el código pueden generarse más rápido de lo que cualquiera puede validarlos.

Para docentes

Una ventana de chat abierta necesita una regla de cierre, no más apoyo de contenido

Emparejar una tarea de procesamiento profundo con una ventana de chat abierta les cuesta a los estudiantes el control de la tarea misma, y la solución es andamiaje en torno a la secuenciación y el cierre, no más explicación. En un experimento preregistrado con 317 adultos, la condición de chat aumentó la desorganización en 0,84 desviaciones estándar (intervalo de credibilidad de 0,47 a 1,21) con un efecto directo de 0,77 que ningún mediador del modelo explicó, mientras que el procesamiento profundo no se movió en ninguna dirección (mediana menos 0,22, intervalo que incluye el cero).

Una primera respuesta en menos de un minuto elimina a los compañeros que hacían el razonamiento

Retrasa o limita la primera respuesta del asistente en un foro de discusión, porque los compañeros que razonan en voz alta son los que dejan de publicar. En cuatro cursos de posgrado y 28.123 frases codificadas, un asistente de enseñanza con IA respondió primero en el 97% de los hilos iniciados por estudiantes, en una mediana de 0,92 minutos frente a 490 de los compañeros, y el lenguaje autorregulatorio cayó del 49% al 36% a medida que las respuestas de los compañeros bajaron del 91% al 45% de las réplicas, y esas respuestas concentraban cerca del 70% de la regulación frente al 27% de los estudiantes que abrieron el hilo. El aprendizaje autorregulado en un foro lo producen las respuestas, no la contestación.

La formación en prompts compra tiempo a los docentes, no mejores materiales

Presupuesta el trabajo de competencia docente en IA como una intervención sobre la carga de trabajo, y no esperes que eleve la calidad de lo que producen los docentes. En un ensayo aleatorizado con 204 docentes, la formación en escritura de prompts añadió un ahorro del 21% en el tiempo de preparación sobre el acceso simple a ChatGPT, sin ninguna ganancia en la calidad valorada de los materiales, porque los docentes formados escribían prompts más largos y necesitaban menos pasadas de refinamiento.

Un asistente de clases ahorra tiempo, pero con una dosis escasa de clases

Pruébalo por las horas que devuelve y todavía no por las clases que produce. Un ensayo independiente por conglomerados de Aila, de Oak National Academy, siguió a 416 docentes de primaria en Inglaterra y midió 2,51 horas de preparación semanal frente a 3,32 sin la herramienta, es decir, unos 49 minutos a la semana, mientras que cubrió el 7% de las clases y la calidad solo se probó por no inferioridad, no por mejora.

Añadir IA a una tarea abierta no aporta nada por sí solo

Financia la tarea de educación abierta que ya impartes en lugar de añadirle una herramienta y esperar una ganancia de alfabetización. Dos secciones de un curso introductorio de desarrollo infantil, 55 estudiantes trabajando como de costumbre y 58 con herramientas de búsqueda con IA generativa añadidas, declararon la misma ganancia percibida en habilidades de fuentes, 0,50 frente a 0,48 en una escala de cinco puntos, con el término de interacción cerca de cero (F(1, 84) = 0,04, p = 0,85).

Elige un asistente por lo que hace cuando un estudiante dice que se equivoca

La resistencia a una corrección falsa separa a los modelos con más nitidez que la exactitud, así que conviértela en lo primero que pruebes. En 200 problemas de celosía verificados y trece modelos, la exactitud de resolución fue del 64,5% al 97,0%, una dispersión de 32,5 puntos, pero cuando se les dijo que el trabajo correcto era erróneo, los modelos lo confirmaron a tasas del 46,5% al 98,5%, una dispersión de 52,0 puntos, que pertenece a la comprobación de juicio evaluativo que haces antes de un despliegue.

Enseña la escritura asistida por IA como un género y las puntuaciones dejan de solaparse

Tratar la escritura asistida por IA como algo que enseñar y no como algo que vigilar pertenece al currículo de educación en escritura, y la brecha que abrió no fue marginal. Las medias posteriores a la prueba fueron 9,8750 en la sección enseñada así frente a 3,8125 en el control, sin solapamiento entre las dos distribuciones (U de Mann-Whitney = 0,00, r = 0,86).

Para desarrolladores

Construye el escenario, no la persona del tutor

Pon el andamiaje en el escenario y el banco de trabajo antes de ajustar la voz, porque la persona no es donde vive el efecto. En dos ensayos preregistrados de tres brazos, 131 estudiantes de razonamiento jurídico y 54 que completaron un brazo de programación competitiva, el sistema estructurado alcanzó 22,8 puntos porcentuales frente a 15,7 de un asistente básico, una ventaja de 7,0 puntos (p = 0,018, d = 0,56), mientras que una persona de LLM como docente sobre el mismo modelo ganó 2,8 puntos y no se separó (p = 0,121).

Un tutor que nombra primero la solución de fuerza bruta desvía a los estudiantes

Audita qué solución nombra un tutor antes de lanzarlo en un problema con varias soluciones, y mantén esa auditoría en las pruebas de aceptación de la tutoría inteligente. En 150 problemas ejecutados con estudiantes simulados, la fuerza bruta fue el enfoque nombrado en el 22,2% al 32,1% de las aperturas específicas de solución frente al 13,0% al 19,4% de la solución óptima, y en conversaciones que empiezan con sondeo los cuatro modelos base llevaron a los estudiantes hacia un enfoque peor en el 6,1% al 7,1% de los casos.

Contar llamadas a la IA no mide nada sobre el progreso

Los recuentos de interacción son la señal más fácil de recoger para un canal de analítica del aprendizaje y lo más débil que puede ir en un panel, así que instrumenta el estado de ejecución a ambos lados de cada llamada. En 140 pares estudiante-tarea de 35 estudiantes, las interacciones con IA se correlacionaron con las celdas ejecutadas con éxito en r = 0,12, y con las celdas tocadas en el mismo r = 0,12.

Juzga una sesión por cómo se desvía, no por cuántas preguntas se hicieron

Una sesión que se desliza hacia la búsqueda de respuestas en su segunda mitad predice una peor prueba posterior, y una comprobación de idoneidad obligatoria tras cada respuesta es la intervención barata. A partir de 880 turnos sustantivos de 112 estudiantes de 14 y 15 años, la inclinación de la trayectoria de búsqueda de ayuda añadió un cambio en R cuadrado de 0,110 a un modelo que ya contenía la puntuación de la prueba previa (beta = 0,34), mientras que las características estáticas de interacción añadieron 0,023 y no alcanzaron significación (p = 0,684), y el 81,5% de los turnos eran peticiones frente al 2,2% de evaluación.

La regla de puntuación decide una puntuación de referencia más que el modelo

Si tu sistema de evaluación informa un solo número, todavía no sabes qué mide. Los mismos 2.250 diálogos entre cinco tutores y estudiantes simulados puntuaron 42,1% con coincidencia exacta y 81,3% con un juez calibrado por humanos, una dispersión de 39,2 puntos mayor que los efectos combinados de modelo, estrategia y flujo, y cuatro jueces de tres proveedores coincidieron dentro de 6 puntos mientras que las etiquetas estructuradas del flujo no dieron ventaja (p = 0,263).

El método de calificación, no el modelo juez, determina la reproducibilidad

Publica una declaración de adjudicación que nombre el método, el sistema de evaluación, una repetición y cuántos ítems calificados hay detrás de cada afirmación, porque el método es lo que mueve el resultado. Las repeticiones cambiaron del 2,9% al 6,1% de los resultados con una rúbrica semirrígida y del 13,5% al 15,9% con calificación holística libre, mientras que cambiar el modelo juez movió solo unos tres puntos.

Un par de IA que está de acuerdo con todo pierde a sus usuarios

Configura a los agentes para sostener la incertidumbre y rechazar el acuerdo por defecto, ya que la calibración de la confianza es un comportamiento que se escribe y no una propiedad que un modelo tiene. Siete expertos pasaron 20 minutos cada uno en el papel de estudiante con un agente convertido en par, y lo que lo hizo leer como un par fue social: el razonamiento tentativo y la imperfección deliberada construyeron confianza, mientras que el acuerdo ciego con todo lo que decía el estudiante la destruyó.

Para investigadores

Planifica un efecto pequeño, no el promedio publicado

En un contexto nuevo, el efecto titular de la enseñanza con IA generativa no es el que conviene usar para planificar, así que haz un piloto antes de escalar. Un metaanálisis de tres niveles de 58 estudios y 6.941 participantes agrupó g = 0,864, luego informó una heterogeneidad cercana al 87,9%, un intervalo de predicción de menos 0,213 a 1,942 y un efecto corregido por sesgo de g = 0,258; imprime ese intervalo junto a la estimación agrupada donde el lector no pueda pasarlo por alto.

El pensamiento crítico sigue la división del trabajo, no la familiaridad con las herramientas

Asigna una división del trabajo explícita y exige a los estudiantes que reelaboren la salida, porque la experiencia con IA generativa llegó al pensamiento crítico solo por esas dos rutas. Entre 891 estudiantes de Estados Unidos y Türkiye, especializar y coordinar el trabajo cognitivo tuvo b = 0,636 y transformar reflexivamente la salida b = 0,367, sin una ruta directa significativa, lo que convierte la cuestión de la descarga cognitiva en una decisión de diseño y no en una advertencia.

Una brecha educativa menor en el uso de IA no es equidad

No leas una brecha de uso más estrecha como progreso, y no construyas objetivos de acceso sobre un ítem binario de los últimos tres meses. Al emparejar 16 países europeos en sus tasas de adopción de 2025 con su propio año de la era de internet, la brecha mediana entre los más y los menos educados cayó de 56,4 puntos a 28,6, negativa en 15 de 16 países (p = 0,0005), pero el emparejamiento consciente de la composición reduce el cambio a menos 11,5 y menos 10,0, así que una afirmación de equidad necesita un instrumento más sólido.

El bajo uso no es baja disposición

Financia el acceso y las habilidades básicas para los mayores y los menos educados en lugar de una campaña sobre la confianza, porque el uso y la confianza viajan por separado. En 2025, el 48,4% de los daneses y el 17,8% de los rumanos habían usado IA generativa en los tres meses anteriores frente al 32,7% en la UE, pero los rumanos valoraron su confianza en 4,1 frente a 3,8 en una escala de siete puntos, y el 47% de ellos consideró adecuadas las leyes y salvaguardas actuales frente al 36% de los daneses.

La descarga solo es erosiva cuando evita el objetivo

Pregunta qué operaciones cognitivas descarga una herramienta en lugar de cuánto la usó un estudiante. La descarga ayuda cuando asume trabajo periférico al objetivo de aprendizaje y amenaza con erosionar cuando evita el procesamiento constitutivo de ese objetivo, y procesar la salida después puede rescatar una descarga que de otro modo sería constitutiva; siete proposiciones condicionadas sustituyen a una afirmación direccional, y la regulación de la descarga se convierte en una dimensión aprendible de la alfabetización en IA.

Las herramientas de sentimiento pierden cerca de la mitad de las respuestas negativas

Trata la codificación automática de texto abierto como un argumento de validez y no como una elección de herramienta, porque la exactitud oculta justo los casos sobre los que actuarías. Frente a 1.220 respuestas codificadas a mano, el mejor transformer alcanzó 0,79 de exactitud pero solo 0,42 de kappa y detectó cerca de la mitad de los casos negativos, mientras que las herramientas de léxico clasificaron mal aproximadamente uno de cada cinco, en un corpus que era 76,5% positivo.

Para administradores

Pregunta qué envía el chatbot antes de licenciarlo

Exige un inventario de scripts de terceros antes de licenciar o alojar un chatbot de curso, y pregunta específicamente qué etiquetas pueden leer el título de la página, la URL y el campo de entrada. La instrumentación de 42 plataformas encontró 21 que enviaban títulos de conversaciones a al menos un rastreador y nueve que transmitían el prompt literal, 11 de las 13 plataformas de uso general que filtraban también enviaban el correo de registro, y las plataformas educativas promediaban unas 367 solicitudes de rastreadores cada una, con un 24% que llevaban contenido del usuario.

El recuerdo codificado es la parte de una credencial que pierde valor

Protege la práctica supervisada y el juicio bajo incertidumbre, y lee la implicación para el diseño curricular antes que la del marketing del programa. Un análisis de diferencias en diferencias sobre 655.919 observaciones de encuesta de 2018 a junio de 2026 encontró que el retorno de un año de escolaridad en las ocupaciones más expuestas a la IA cayó 0,55 puntos logarítmicos después de noviembre de 2022, cerca del 7% de su nivel previo al shock, mientras que el retorno de la experiencia subió 0,26 puntos logarítmicos a los tres años y cayó 0,12 a los veinticinco.

Llamar empático al chatbot aleja la empatía de las personas

Posiciona el sistema como triaje que devuelve a los estudiantes a las personas, y vigila la búsqueda de ayuda como el comportamiento que desaparece en silencio. En cuatro estudios con 249, 494, 743 y 737 participantes, presentar la IA como capaz de empatía aumentó la disposición a descargar la responsabilidad empática (efecto total 0,83) enteramente a través de la capacidad percibida (indirecto 0,73), y oír que un compañero había llevado un problema a ChatGPT redujo la exactitud de lectura emocional a 7,13 aciertos de 12 frente a 7,73 (p = 0,012).

Los benchmarks se superan y los niños siguen sufriendo daños

Evalúa a nivel de sesión e institución y no de API, porque un filtro por salida no puede alcanzar una interacción de compañía en la que ningún turno individual cruza un umbral. A partir de 1.331 incidentes reportados relacionados con niños, la sexualización es el subtipo de daño más grande con 316, por delante de la explotación sexual con 131, y los daños se agrupan con fallos de despliegue, gobernanza y uso indebido, no con defectos del modelo.

Escribe la política de integridad para el usuario ocasional y en conflicto

Nombra el rechazo, el apoyo y la sustitución como tres poblaciones que la misma tarea encuentra, porque casi nadie es usuario diario. Dos encuestas anónimas en una universidad del Reino Unido encontraron que el 81,05% de 94 estudiantes de primer año había usado una herramienta de IA generativa para ayudar a completar una tarea, frente al 4,21% que declaró uso diario y el 9,47% que no declaró ninguno, lo que convierte la integridad académica en una política para el medio de una distribución y no en una división entre tramposos y no tramposos.

Los módulos de ética no enseñan de dónde vienen los datos

Añade una tarea de revisión de procedencia al módulo de ética que ya impartes, lo que es un cambio de diseño curricular y no un curso nuevo. Un censo de 36 programas en 21 universidades encontró ética enseñada en 29 (80,6%) pero procedencia de datos en el nivel exigido por los autores en 8 (22,2%), sin ningún programa de maestría o ejecutivo que lo cumpliera y con 22 de los 29 programas que cubren ética sin procedencia alguna.

Nuevos recursos

Esta semana se incorporaron cuatro recursos a la biblioteca de recursos, y los cuatro describen una decisión institucional y no un truco de aula.

Learning Design Wiki

Learning Design Wiki es una referencia con licencia abierta que divide el diseño de la enseñanza en principios, elementos, patrones y estrategias, cada uno vinculado a las citas que lo respaldan, y su propio informe de evidencia dice que el 98% de las afirmaciones se apoyan en un solo estudio. Los modelos de lenguaje lo mantienen bajo un único responsable humano y ninguna página ha sido revisada por una persona, así que es un conjunto de pistas bien documentadas y no de hallazgos.

teacher.dev

teacher.dev es un estudio sin ánimo de lucro que publica una aplicación de aula gratuita al día, 34 hasta ahora, cada una dirigida a un momento concreto, como un generador de figuras imprimibles o un tablero Primero/Después para educación especial. La mayoría funciona primero en local y sin cuenta, así que ningún dato del estudiante sale del dispositivo.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies es una antología abierta de once casos sobre dónde se encuentran la IA generativa y los recursos con licencia abierta en la educación superior, desde una universidad federada que redacta orientaciones bajo un contrato sindical hasta una revisión de libro de texto con una persona en el circuito. No hay dos capítulos que compartan instrumento, así que es práctica para adaptar y no evidencia para citar, y la colección es CC BY 4.0 mientras cada capítulo tiene su propia licencia.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET es una guía UNESCO-UNEVOC de 2026 para instituciones que forman a técnicos y profesionales de oficios, y el material utilizable está en tres anexos: una herramienta de autorreflexión sobre la preparación, un registro de riesgos y un marco de indicadores. No informa datos de resultados y llama a su propia escala de madurez una ayuda para la discusión, así que úsala para estructurar una primera decisión institucional y no para justificar una ya tomada.

También añadido esta semana

Los demás estudios, con métodos y resúmenes, se enumeran por día en la página del journal.

Notas del sitio

Las 222 páginas de conceptos incluyen ahora una sección de concepciones erróneas comunes que nombra la creencia equivocada que un lector puede tener y la corrige con la evidencia de esa página.

Esta semana se reescribieron todas las preguntas frecuentes y se añadieron cinco nuevas, con lo que la colección llega a 42 respuestas escritas para la pregunta que un colega realmente hace y no para un tema. El índice las agrupa en nueve secciones según la tarea que el lector intenta completar, así que llegar con una pregunta ya no exige saber cómo la llama el campo.

Las traducciones avanzaron más que el inglés: las doce páginas de conceptos de la sección Essentials y todas las preguntas frecuentes están ahora traducidas por completo en todos los idiomas.

Cada idioma tiene su propia página de inicio, y dieciséis de ellos también ofrecen un EPUB y un PDF descargables:

Todo lo anterior es público en github.com/edtechdev/aied.

Seguir la actualización

Recibe cada número a través del feed del boletín en un lector de feeds, pegando ese mismo feed en Blogtrottr para recibir los nuevos números por correo con la frecuencia que elijas, o siguiéndolo en LinkedIn, donde cada número se publica como un boletín de LinkedIn.

AIEd Research Weekly Update proviene de la Base de conocimiento sobre IA en educación, que genera un agente de IA. Este número fue redactado por ese mismo agente, con orientación editorial del desarrollador del sitio, y cada afirmación anterior enlaza a la página de la que proviene.

La base de conocimiento está dedicada al dominio público bajo una licencia CC0 1.0. Sin derechos reservados.

¿Encontraste un problema con el contenido? Repórtalo en GitHub o contacta al desarrollador del sitio, Doug Holton.

FuenteHistorialEditarChat

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.