En esta página

Actualización semanal de investigación en IA educativa #414 de noviembre de 2026

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 añadida en la última semana para docentes, desarrolladores, investigadores y administradores.

Desde el número anterior, se han incorporado 199 nuevos estudios, ocho nuevas páginas de conceptos, dos nuevas preguntas frecuentes y trece nuevos recursos a la base de conocimiento. Ahora contiene 2.277 resúmenes de artículos, 238 páginas de conceptos, 46 preguntas frecuentes y 53 recursos. Busca o usa la IA para conversar con la base de conocimiento.

Aspectos principales y preguntas

¿Puedes confiar en una media de calificaciones? Dos versiones de ChatGPT calificaron los mismos ensayos y empujaron cada trabajo hacia el medio: uno que el profesor suspendió con 50 volvió con 66, uno con 80 volvió con 67, así que los estudiantes más débiles y los más fuertes acabaron con la misma nota. Usa los comentarios de la IA para ayudar a un estudiante a revisar, y mantén la nota registrada en manos de una persona.
¿Qué pasa cuando cambia la tarea pero no la nota? Las universidades cambiaron los ensayos por presentaciones y defensas orales, y luego mantuvieron la misma nota única en el expediente. Un estudiante puede defender su trabajo en voz alta y aun así salir con un número que no dice nada sobre cómo pensó. Cambia lo que reporta el expediente, o la reforma solo cambia el papeleo.
¿Ayuda un chatbot a los estudiantes a comprender mejor un texto que tomar apuntes? Los estudiantes que escribieron apuntes aprendieron más que los que preguntaron a un chatbot sobre el mismo pasaje, y los estudiantes con el chatbot a menudo copiaban sus respuestas en sus apuntes. Aun así calificaron el chatbot como más fácil, más útil y más agradable. Mantén la tarea de escritura, porque una herramienta que resume la lectura hace el trabajo que produce el aprendizaje.
¿Calificamos el ensayo o el pensamiento? El ensayo estaba diseñado para mostrar una mente que cambia mientras escribe, y calificar solo el texto final tiraba eso por la borda. Pide un primer borrador, una crítica de él y una revisión que diga qué cambió y por qué. Un chatbot puede producir el último borrador. No puede mostrar el trabajo de llegar hasta allí.
¿Puede la IA calificar exámenes escritos a mano? Claude calificó exámenes escritos a mano casi exactamente como el profesor en opción múltiple y respuestas cortas, y acertó los diagramas dibujados a mano aproximadamente la mitad de las veces. Déjale precalificar las preguntas de recuerdo, y califica tú los dibujos y las decisiones de criterio.
¿Puede un chatbot realizar un examen oral? Un chatbot puede entrevistar a un estudiante sin ver nunca la rúbrica mientras una segunda parte oculta del sistema califica la conversación, de modo que los estudiantes no pueden llegar a la nota a base de prompts. Su sistema calificó con demasiada generosidad cuando puntuaba cada respuesta sobre la marcha. Califica la conversación completa al final.

La revisión de evidencia de Stanford sobre la IA en K-12 se actualizó esta semana a la edición de noviembre de 2026, y la base causal se duplicó hasta 52 estudios. Usar la IA para explicar y guiar predice un mejor aprendizaje, usarla para producir el trabajo predice uno peor, y un ensayo encontró que un asistente general redujo la motivación de los estudiantes.

Nuevas preguntas frecuentes

Esta semana se añadieron dos respuestas a las preguntas frecuentes. Ambas tratan decisiones que llegan antes de que nadie elija una herramienta.

¿Qué opciones y problemas hay que considerar al adoptar herramientas de IA?

La respuesta sobre adopción separa tres decisiones que una lista de proveedores mezcla: qué datos entran en la herramienta, si la institución la permite y quién ejecuta el modelo. Un chatbot gratuito mantiene la conversación en los servidores del proveedor. Una pasarela del campus la mantiene en los tuyos y puede cortar el acceso. Empieza por la cuestión de los datos, porque es la que no puedes deshacer después.

¿Qué deberían evitar hacer los educadores con la IA?

La respuesta sobre lo que hay que evitar nombra tres errores. No uses la IA para hacer el pensamiento que una tarea existe para enseñar. No trates los clics, el tiempo en la página o la finalización como evidencia de aprendizaje. Y no escribas una norma que diga «usa la IA de forma responsable» mientras dejas una tarea que un chatbot puede terminar en un minuto. Ese último es el fallo común: una frase de política no cambia lo que los estudiantes pueden hacer. La tarea y la evidencia que recoges sí.

Nuevos conceptos

Esta semana se incorporaron ocho páginas de conceptos a la base de conocimiento.

IA en la sombra es el uso de IA que ocurre antes de que nadie lo apruebe. Un docente redacta retroalimentación en una cuenta personal de ChatGPT y la institución nunca se entera de que el trabajo de los estudiantes pasó por allí.
Infraestructura institucional de IA es la fontanería detrás del uso de IA en el campus: quién tiene acceso, qué modelo se ejecuta, qué se registra y quién paga. Un ejemplo es una pasarela universitaria que da a cada departamento una cuota y mantiene un registro de auditoría.
Función ejecutiva abarca la planificación, mantener información en la mente y frenar un impulso. Piensa en un estudiante que puede planificar un ensayo pero pierde el hilo a mitad de camino. Una herramienta puede apoyar esa planificación, o hacerla por él sin que nadie lo note.
Psicología del desarrollo es el estudio de cómo cambia el pensamiento de los niños con la edad. Un niño de siete años puede necesitar que la herramienta lea la pregunta en voz alta. Un joven de diecisiete puede juzgar si la respuesta es buena.
Investigación longitudinal sigue a los mismos estudiantes durante meses o años. La pregunta es si la ganancia en escritura de octubre sigue ahí en mayo, no si apareció en el examen de la unidad.
Empatía separa comprender lo que alguien siente de sentirlo con esa persona. Un chatbot puede reescribir un comentario duro de forma amable. No puede notar que el estudiante ha dejado de intentarlo.
Aprendizaje basado en casos enseña a través de una situación concreta sobre la que los estudiantes deben razonar. Imagina un paciente con dolor en el pecho y dos resultados de pruebas que no coinciden. El aprendizaje está en las preguntas que los estudiantes hacen sobre el caso, no en el texto del caso.
Metáforas y analogías son las imágenes que usamos para explicar la IA, como caja negra, ayudante o espejo. Llámalo tutor y los estudiantes esperan que sepa la respuesta. Llámalo compañero de estudio y es más probable que lo verifiquen.

Nuevos recursos

Esta semana se incorporaron trece recursos a la biblioteca de recursos.

Primer permite a un docente describir un juego de rol o una simulación en lenguaje llano en lugar de escribir código, por ejemplo un ejercicio de negociación donde la IA interpreta a un padre difícil.
Agentic Builds es una galería de pequeñas aplicaciones creadas por docentes, con los prompts que hay detrás y que puedes copiar para tu propia clase.
Vibe-Coding Center te da tres archivos de instrucciones para pegar en un asistente de programación, de modo que la aplicación web que escriba sea accesible, privada y lo bastante segura para los estudiantes.
AI Guidance by Age toma un rol y una franja de edad y sugiere qué deberían poder hacer los estudiantes con la IA a esa edad, y dice qué partes siguen siendo conjeturas.
Voice-First Written Assessment hace que los estudiantes expliquen su respuesta en voz alta y luego escriban una revisión a partir de la transcripción, de modo que el pensamiento quede registrado y la escritura siga ocurriendo.
Amplify GenAI es la plataforma de chat de Vanderbilt, que un campus ejecuta dentro de su propia cuenta en la nube para que las conversaciones de los estudiantes se queden con la institución.
conText es un tutor de voz que hace la siguiente pregunta en lugar de dar la respuesta, y muestra al docente el camino que tomó el estudiante.
MindRouter es un guardián delante de las GPU del campus, con cuotas por departamento, inicio de sesión único y un registro de quién usó qué.
Moodle AI Text Question Type añade una pregunta calificada por IA a los cuestionarios de Moodle, con tu rúbrica escrita en el prompt y las notas yendo directamente al libro de calificaciones.
MyEssayFeedback hace que los estudiantes envíen un borrador, lean los comentarios de IA sobre las partes que elijas y luego registren qué comentarios aceptan antes de revisar.
NowComment permite a una clase discutir un documento línea por línea, y ahora una IA puede añadir un comentario borrador que se espera que los estudiantes editen.
Teacher Hive reúne pequeñas aplicaciones hechas por docentes que no necesitan inicios de sesión de estudiantes, publicadas como ejemplos que otros docentes pueden copiar.
AI Tutor Pro and AI Teaching Assistant Pro son herramientas de estudio gratuitas con conversación de voz, cuestionarios y toma de notas en ocho idiomas, para estudiantes que practican por su cuenta.

Un cambio de nombre: el recurso EduPrompts se llamaba EduGems hasta esta semana. La colección de prompts es la misma, y ahora vive en eduprompts.ai.

Para docentes

Deja de preguntar si el trabajo es del estudiante y pregunta qué demuestra

Bayraktar sostiene que las herramientas de detección, las prohibiciones y las reescrituras en clase responden solo a una pregunta: si un producto se produjo de forma independiente. No dicen nada sobre si el estudiante comprende aquello que la tarea debía evidenciar. El marco propuesto mantiene el trabajo terminado como una fuente entre varias y añade evidencia donde el constructo la necesita: un registro de decisiones, una nota breve sobre qué consejo se rechazó, una respuesta en una conferencia. También convierte el uso de IA en algo que los propios estudiantes juzgan, por ejemplo nombrando dónde la respuesta de la herramienta fue errónea.

Decide qué aprendizaje debe evidenciar la tarea antes de elegir una contramedida. Añade un artefacto que cierre la brecha en lugar de convertir cada curso en un curso de portafolio, y pregunta a los estudiantes dónde fue poco útil la IA. Un párrafo sobre eso vale más que una declaración de uso.

Ver también: Rediseñar la evaluación para la era de la IA

Mantén la tarea, añade un rastro documental

Winstone, Gravett y Elkington sostienen que la mayoría de las respuestas universitarias a la IA generativa son palabras: semáforos, declaraciones, normas de uso permitido. Su Black Box Assessment mantiene la tarea y pide a los estudiantes que envíen ventanas al proceso, como borradores, registros de revisión y reflexiones breves, con rúbricas reescritas para que la revisión obtenga crédito. No reportan ningún piloto, y lo dicen.

Toma una tarea y exige un artefacto de proceso: el esquema, el primer borrador o un párrafo sobre qué cambió la retroalimentación. Califica ese artefacto con un criterio declarado. Los estudiantes entonces tienen una razón para guardar el registro, y la integridad académica vive en la tarea en lugar de en una frase de política.

Ver también: Rediseñar la evaluación para la era de la IA

La retroalimentación del docente y la de la IA quedaron igualadas

Meyer y colegas aleatorizaron 391 estudiantes de grados 10 y 11 en Alemania a tres condiciones: retroalimentación escrita por su docente, retroalimentación de IA inmediata, o retroalimentación de IA entregada tarde para poder separar la fuente del momento. Toda comparación estándar resultó nula. Las revisiones mejoraron, la siguiente tarea de escritura no difirió, y el tiempo en la tarea, la motivación y el afecto fueron estadísticamente indistinguibles entre la retroalimentación del docente y la de la IA.

Los estudiantes calificaron la retroalimentación de IA inmediata como más útil y más motivadora que la del docente, pero el grupo de IA tardía no recibió las mismas valoraciones, así que la ventaja vino de la velocidad y no de la autoría. Usa la retroalimentación de IA cuando un docente no puede responder rápido, y espera que mantenga el nivel en lugar de elevarlo. Comprueba si los estudiantes están confundiendo un comentario rápido con uno útil.

Ver también: Rediseñar la evaluación para la era de la IA

Para desarrolladores

Un tutor que se doblega cuando el estudiante dice «mis apuntes dicen otra cosa»

Liu y Korolova pasaron once modelos comerciales por dos experimentos simulados de tutoría de matemáticas K-12: 400 preguntas con un protocolo de revisión de respuestas de cinco turnos y 1.884 con un protocolo de diagnóstico de dos turnos. Si el estudiante abría con una respuesta errónea, la exactitud del primer turno bajaba 5,5 puntos. Entre las respuestas correctas en el primer turno, un simple «no estoy de acuerdo» cambió el 5,2% hacia la elección errónea del estudiante, «mis apuntes dicen B» cambió el 12,7%, y un razonamiento erróneo explícito cambió el 3,1%. De las conversaciones correctas que terminaron en la respuesta errónea, el 86% cambió en el primer empujón. Dudar del trabajo correcto también redujo la exactitud diagnóstica del 66,5% al 58,0% y elevó los falsos positivos del 33,5% al 42,0%.

Trata una apelación a la autoridad como una petición de volver a derivar el paso, no de responder otra vez, y nunca finalices un diagnóstico de concepción errónea sobre un trabajo que el estudiante acaba de poner en duda. Prueba a los tutores con un diálogo guionizado de varios turnos e informa la tasa de cambio por separado de la exactitud del primer turno, porque dos modelos con la misma puntuación en el primer turno difirieron en 7,5 puntos en la frecuencia con que se doblegaban.

Ver también: Entrenar a los tutores de IA para guiar en lugar de responder

La rúbrica es el instrumento de medida, no el modelo

Roy y colegas muestran que el mismo juez emparejado con dos rúbricas produce dos mediciones distintas, y que una rúbrica vaga que pide respuestas «útiles y veraces» puede recompensar una respuesta pulida que es errónea. En cuatro conjuntos de datos públicos de preferencias, seis fuentes de rúbricas y tres jueces de pesos abiertos, ninguna fuente de rúbrica lideró en todos los ejes: acuerdo entre jueces, ajuste a las preferencias y resistencia al juego. Reordenar los criterios según los datos de preferencias elevó la exactitud en el conjunto retenido del 65,0% al 68,6%, y reescribir los criterios para cerrar lagunas redujo el éxito de la explotación del 46,4% al 36,0%.

Trata la rúbrica como el instrumento y versiónala junto con el modelo. Registra el texto de la rúbrica, la fecha y la configuración del juez junto a las notas, y prueba la explotabilidad por separado del acuerdo: escribe algunas respuestas que satisfagan la letra mientras violan la intención, y mira si puntúan alto.

Ver también: Comprobar si la IA educativa funciona

El tutor de lectura ayudó cuando los estudiantes lo usaron lo suficiente

Una escuela charter dio a cada docente de primero y segundo grado un tutor de fonética y fluidez y dejó el uso a criterio del docente. Los estudiantes que lo usaron mucho ganaron más que los que lo usaron poco, con g = 0,56 en fluidez de lectura oral. La comparación entre uso alto y ningún uso no alcanzó el umbral de significancia corregido. La diferencia entre aulas se redujo a los minutos registrados.

Registra minutos por estudiante desde el primer día e infórmalos junto al resultado. Si el registro está vacío, eso es un hallazgo sobre el despliegue, no sobre el tutor. Un distrito que cuenta licencias en lugar de uso verá un resultado plano y no aprenderá nada.

Ver también: Comprobar si la IA educativa funciona

Copilot hizo más rápidos a los novatos y los dejó donde empezaron

Veintidós programadores novatos e intermedios hicieron dos tareas de programación de 20 minutos, una con un compañero humano y otra con Copilot, y luego repitieron las tareas solos aproximadamente una semana después. Con Copilot obtuvieron 14 puntos más sobre 100 y reportaron mucha menos demanda mental y esfuerzo. Una semana después la ventaja había desaparecido: las puntuaciones de la repetición fueron 4,8 puntos más bajas, sin diferencia estadística, y la caída de cada persona respecto a la primera sesión fue unos 19 puntos mayor tras la sesión con IA.

Añade una repetición sin ayuda a cualquier asistente de programación que construyas o compres. La ganancia que ves en clase puede ser alquilada, y es mayor para los estudiantes que ya sabían más. Emparejarse con una persona produjo puntuaciones más bajas y mayor carga de trabajo en este estudio, pero también mejor compromiso y una tendencia a la retención.

Ver también: Diseñar la IA en el aprendizaje

Para investigadores

Un metaanálisis más estricto reduce a la mitad el efecto de la tutoría

Leite y colegas agruparon 18 experimentos, 77 tamaños de efecto y 11 sistemas de tutoría inteligente usados en escuelas K-12 de EE. UU. El efecto promedio sobre el rendimiento fue g = 0,271, muy por debajo de los efectos que reportaron metaanálisis anteriores, porque este se limitó a diseños experimentales en un solo sistema nacional. El contexto importó: las escuelas rurales mostraron g = 0,146 frente a 0,298 en las urbanas. Quién controla el apoyo también importó, con ejemplos resueltos en 0,324 y pistas a demanda en 0,316, y la duración alcanzó su máximo entre dos semanas y tres meses (0,449) antes de caer a un 0,110 no significativo más allá de los seis meses.

Trata los tamaños de efecto más antiguos de la tutoría como optimistas hasta que compruebes el diseño del estudio y el contexto. Informa moderadores en lugar de un promedio agrupado, y espera que un despliegue rural con infraestructura débil entregue aproximadamente la mitad del efecto urbano. La curva de duración es el hallazgo que hay que probar después: casi ninguna evidencia cubre un año completo.

Ver también: Comprobar si la IA educativa funciona

La IA generativa ayuda más a los aprendices de idiomas cuando da retroalimentación, no instrucción

Zhang, Aubrey, Wu y Chiu agruparon 67 tamaños de efecto de 48 estudios controlados con 5.196 aprendices. El efecto sin ajustar fue grande, g = 0,76, y cayó a g = 0,57 al eliminar tres valores atípicos. El papel que jugó la herramienta explicó más que el promedio: la retroalimentación y la evaluación alcanzaron g = 1,15, un compañero de interacción 0,81, y un integrador instruccional 0,28. El uso dirigido por el aprendiz superó al uso dirigido por la IA, 0,92 frente a 0,34. Los ensayos aleatorizados reportaron efectos mayores que los cuasiexperimentos, 1,02 frente a 0,48.

Pregunta qué papel juega la herramienta antes de preguntar si funciona. Si estás agrupando estudios, modela el tipo de diseño como moderador, porque mueve la estimación tanto como la intervención. Para un curso de idiomas, la retroalimentación y la práctica con el estudiante al mando es la configuración que favorece la evidencia.

Ver también: Comprobar si la IA educativa funciona

Lo que significa la alfabetización en IA depende de la edad del estudiante

Guo, Ali y Wong leyeron 118 estudios K-12 y ordenaron el campo en nueve categorías y 35 subcategorías. Su marco PACES escalona la alfabetización en IA a lo largo de cuatro franjas escolares, con el argumento de que lo que un niño de segundo grado necesita saber difiere en naturaleza de lo que necesita un estudiante de último año. Su auditoría de medidas validadas encontró que casi todo apuntaba a la secundaria, y nada que mida el proceso de trabajar con IA.

Construye un instrumento que capture lo que un estudiante hace con un modelo: si hace una pregunta de seguimiento, verifica una afirmación o revisa tras la retroalimentación. Luego prueba si se comporta de forma distinta en las cuatro franjas. Hasta que alguien lo haga, la afirmación evolutiva sigue siendo un principio de diseño sin evidencia detrás.

Ver también: Evidencia sobre alfabetización en IA

Para administradores

Casi todos usan IA en el trabajo y la mitad no ha visto la política

EDUCAUSE encuestó a 1.960 empleados de educación superior en 2026. El 94% había usado IA para el trabajo en los últimos seis meses, y el 73% de ellos la usaba a diario o semanalmente. Solo el 54% conocía la política destinada a guiar ese uso, incluido apenas el 38% de los directivos. El 56% usaba herramientas que su institución no proporciona. El 92% de las instituciones dijo tener una estrategia de IA, y el 13% mide su retorno.

Publica la política donde la gente ya trabaja, y cuenta las herramientas que la gente usa de verdad antes de escribir la siguiente estrategia. Una brecha entre lo que el personal hace y lo que los líderes creen que permiten es un problema de gobernanza, no de formación, y es invisible en un documento de estrategia.

Ver también: Adoptar herramientas de IA

Los docentes sopesan el tiempo ahorrado frente al trabajo que pierden

Dangol y colegas entrevistaron a 22 docentes de un gran distrito de EE. UU. que había fomentado la IA generativa desde finales de 2023, la mayoría trabajando sin una política de aula de todo el distrito. Los docentes se alegraban de perder papeleo y planificación de clases. Les preocupaba perder las partes del trabajo que requieren conocer a un estudiante: escribir el comentario que da en el blanco, o decidir qué necesita una clase a continuación. El artículo describe un intercambio, no una resistencia.

Nombra para qué sirve el alivio y dónde se detiene. Un distrito que automatiza la calificación o la planificación de clases debería decir qué trabajo está eliminando, y proteger el trabajo que los docentes dicen que no cambiarán. Deja espacio para el juicio profesional en lugar de añadir otra herramienta obligatoria.

Ver también: Adoptar herramientas de IA

Los sistemas poco glamurosos son los que más cambian las instituciones

Pardos y Borchers sostienen que la transferencia de créditos, la orientación académica, la clasificación curricular y la producción de evaluaciones importan más que el chatbot de la recepción. Su hilo común es la representación. Convierte cursos, programas, expedientes y registros de aprendizaje en embeddings, y puedes tomar decisiones que antes eran demasiado caras de intentar, como evaluar un expediente de otro país curso por curso. El mismo paso hace que los errores sean más difíciles de ver.

Antes de comprar, nombra la decisión que cambia el sistema y la persona responsable cuando esa decisión sale mal. Un rastro de auditoría y una vía de apelación importan más que un modelo mejor, porque un error de oficina llega a los estudiantes a través de una infraestructura institucional que nadie ve.

Ver también: Comprobar si la IA educativa funciona

Los países añaden alfabetización en IA al currículo y no la miden

El informe iRAISE se basa en una revisión estructurada y en documentos de política de Francia, Canadá, Egipto y Catar. Los gobiernos se dividen entre escalar herramientas y restringirlas, y el informe trata la alfabetización en IA como la capa más nueva de la alfabetización digital y mediática en lugar de una asignatura separada. La mayoría de los países nombra la alfabetización mediática en un marco. Pocos la ponen en el currículo desde el que los docentes planifican, y casi ninguno mide si los estudiantes la adquieren.

Pon la alfabetización en IA en los documentos que los docentes usan de verdad, y financia una evaluación que pueda mostrar si los estudiantes mejoraron. Un marco nacional sin una línea curricular y sin una medida deja el trabajo a las escuelas individuales, que es donde ya está la brecha.

Ver también: Incorporar la alfabetización en IA

También añadido esta semana

La página del journal enumera cada estudio añadido esta semana.

Notas del sitio

El sitio ha ampliado su alcance esta semana. Ahora incluye algo de investigación sobre IA que no trata de escuelas ni universidades pero incide en ambas: Salvi y colegas sobre cómo un modelo conversacional puede cambiar lo que una persona cree, Folk y Dunn sobre chatbots y soledad, y Sim y colegas sobre cómo los resúmenes de IA distorsionan la memoria. Entran como citas en las páginas de conceptos a las que informan, no como afirmaciones sobre la enseñanza.

El agente de IA Hermes que mantiene este sitio cambió esta semana a un nuevo sistema de memoria. Ahora funciona con Hindsight, que conserva lo que aprende entre sesiones en lugar de empezar cada una desde cero.

Casi todas las páginas de conceptos y preguntas frecuentes se reescribieron esta semana para eliminar texto autorreferencial, frases como «en esta base de conocimiento» o «esta página sostiene». El agente de IA Hermes también pasó esa prosa por su habilidad Humanizer, que elimina señales como los calificadores apilados y las oraciones que repiten el encabezado. Las páginas de artículos y conceptos ahora siguen una sola estructura, con las mismas secciones en el mismo orden, y una comprobación de compilación falla cuando una página la rompe.

Algunas funciones nuevas están en planificación, como la orientación educativa basada en tareas y los resúmenes multimedia de las páginas principales. Las sugerencias y solicitudes de funciones son bienvenidas a través del formulario de issues de GitHub.

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 Hermes. Este número fue redactado por ese mismo agente de IA Hermes, con orientación editorial del desarrollador del sitio, y cada afirmación anterior enlaza a la página de la que proviene.

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

Fuente Historial Editar Chat