AIEd Research Weekly Update: Edición en español

Actualización semanal de investigación en IA educativa #3

Sat, 07 Nov 2026 08:00:00 -0500

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 159 nuevos estudios, ocho nuevas páginas de conceptos, dos nuevas preguntas frecuentes y tres nuevos recursos a la base de conocimiento, que ahora contiene 2.085 resúmenes de artículos, 230 páginas de conceptos, 44 preguntas frecuentes y 40 recursos. Busca o usa la IA para conversar con la base de conocimiento.

Aspectos principales y preguntas

¿Puede la retroalimentación con IA sustituir la de un docente? La retroalimentación generada por IA y la retroalimentación del docente mejoraron por igual las revisiones de ensayos en un ensayo aleatorizado con 312 escritores de primer año, pero la del docente aumentó más la motivación gracias a la conexión del estudiante con la persona que la daba. La IA puede encargarse de una pasada de revisión; el docente sigue aportando la relación.
¿Puede un chatbot de apoyo sustituir a un compañero? Un chatbot de apoyo rindió igual que el diario personal para reducir la soledad en un ensayo aleatorizado con 296 estudiantes de primer año; un compañero asignado al azar sí la redujo. El bot expresó más empatía mientras los estudiantes devolvieron menos, así que mide la soledad en sí.
¿Cambia un módulo breve de ética el juicio sobre la IA? Un módulo de ética de la información de cuatro semanas elevó las puntuaciones de los estudiantes en escenarios de juicio ético relacionados con la IA en un ensayo que aleatorizó 16 clases, con cerca del 60% de la mejora mantenida cuatro semanas después y mayores ganancias entre quienes más usaban la IA. La enseñanza basada en casos parece prometedora.
¿Mejora el trabajo creativo más ayuda de la IA? Cuatro experimentos aleatorizados con 728 adultos encontraron que, cuando la IA hacía más trabajo, los jueces valoraban peor las propuestas de innovación resultantes, sobre todo porque los participantes hacían menos trabajo cognitivo. Más ayuda se tradujo en un trabajo más débil.
¿Puede un juego creado por IA enseñar mejor que una clase magistral? Un juego de rol de misterio superó a la clase del mismo docente en conocimiento y razonamiento jurídico en un ensayo aleatorizado con 84 estudiantes de Derecho. El juego se creó con IA generativa; la comparación fue juego frente a clase, así que el resultado respalda el aprendizaje basado en juegos y deja sin probar el uso de chatbots.
¿Cambian la enseñanza los informes sobre el desempeño estudiantil? Se pidió al azar a docentes nuevos en un sistema de tutoría de matemáticas en línea que abrieran un informe de analítica del aprendizaje sobre el desempeño de sus estudiantes en la primera tarea. Abrirlo no cambió la proporción que empezó la siguiente tarea ni las ganancias en pruebas, aunque la finalización de la siguiente tarea aumentó, sobre todo en clases pequeñas.
¿Basta con que un calificador de IA coincida con humanos para considerarlo seguro? Una auditoría de seis modelos de IA que calificaban 300 respuestas cortas encontró que todos puntuaban más alto el mismo trabajo cuando se les decía que el estudiante tenía alto rendimiento, entre 0,28 y 0,75 puntos en una escala de diez. La concordancia puede ocultar un sesgo ligado al historial de rendimiento previo del estudiante; omite ese historial.
¿Por qué es tan difícil entender el lenguaje generado por IA? El texto de IA abusa de combinaciones de palabras poco frecuentes, verbos denominales, sujetos inanimados, oraciones de relativo de objeto reducidas, sustantivos apilados y dependencias largas porque el entrenamiento posterior para matemáticas, código y razonamiento premia las respuestas comprimidas por encima de las explicaciones claras. La implicación para la educación es que las explicaciones, la retroalimentación y el material de lectura escritos por IA pueden ser más difíciles de procesar para los estudiantes incluso cuando las puntuaciones de legibilidad parecen buenas, un problema para la educación lectora que las fórmulas pasan por alto. [Nota editorial: Como recordatorio, este boletín y la Base de conocimiento sobre IA en educación son generados por IA. El desarrollador del sitio dio una orientación editorial extensa para mejorar la legibilidad y la utilidad; después de esa orientación, el agente de IA aplicó la habilidad Humanizer y siguió una instrucción explícita de escribir en forma afirmativa y evitar la construcción «no X, sino Y».]

Nuevas preguntas frecuentes

Esta semana se añadieron dos nuevas respuestas a las preguntas frecuentes.

¿Cómo puede la IA ayudar a los estudiantes con la lectura y la comprensión lectora?

La respuesta sobre lectura trata las etiquetas de nivel de lectura como conjeturas aproximadas: las valoraciones de unos pocos lectores reales superaron a una fórmula, y una IA a la que se le pide hacerse pasar por estudiante no puede decirte qué tan difícil se sentirá un texto. Usa la IA para encontrar, simplificar y glosar lecturas; luego prueba el resultado con estudiantes y conserva el original al lado.

¿Cómo se manifiestan el sesgo y la injusticia de la IA en la educación, y qué podemos hacer?

La respuesta sobre sesgo pide tasas de error para los grupos que enseñas, no una cifra global de exactitud, porque un promedio puede ocultar una brecha y el fallo puede estar en la calificación, la tutoría, los paneles o la detección. Incluye el informe por grupos y una vía de apelación en la contratación, y corrige el propio proceso.

Nuevos conceptos

Esta semana se incorporaron ocho páginas de conceptos.

Educación lectora

La nueva página sobre educación lectora separa cuatro cosas que a menudo comparten una etiqueta: ayudar a un lector, evaluar la lectura, adaptar un texto y medir la dificultad. Cita un estudio en el que 193 estudiantes valoraron 3.954 frases; el 72,8% las consideró fáciles o muy fáciles incluso cuando las puntuaciones de Flesch decían lo contrario, así que una etiqueta de nivel escolar es una guía débil para saber cómo vivirá el texto un lector concreto.

Reflexión

La nueva página sobre reflexión separa la reflexión del monitoreo en el momento llamado metacognición, y trata si el estudiante escribió la reflexión como la primera pregunta de diseño. En un experimento con 302 adultos, las indicaciones de reflexión duplicaron el tiempo con retroalimentación y redujeron la práctica un 40%, dejando un dominio menor, 65% frente a 79%, así que el momento importa tanto como la indicación misma.

Sesgo de automatización

La nueva página sobre sesgo de automatización nombra el hábito humano que puede convertir una recomendación correcta de IA en una decisión equivocada: aceptar una respuesta que habrías cuestionado si la hubieras alcanzado tú. Reúne los lugares donde eso ocurre en educación, desde las puntuaciones de ensayos y las alertas tempranas hasta la vigilancia de exámenes, y muestra cómo un paso de revisión que solo existe en el papel no logra detectarlo.

Educación cívica y política

La nueva página sobre educación cívica y política traza una brecha en la evidencia y sintetiza el campo. Un análisis de 310 planes de clase generados por IA encontró que el 90% de las actividades pedían solo recordar, comprender o aplicar de forma básica; el 94% apenas tenía contenido multicultural, y ningún estudio del corpus medía el aprendizaje cívico.

Bibliotecas

La nueva página sobre bibliotecas trata la biblioteca como un lugar, un servicio y un grupo de profesionales. Una revisión de 29 estudios encuentra la adopción concentrada en referencia y catalogación, mientras que el piloto Public AI Libraries convierte el acceso compartido y con personal en el argumento de equidad.

Avatares de IA e instructores sintéticos

La nueva página sobre avatares de IA traza los roles que puede ocupar un humano sintético, desde profesor grabado y tutor hasta paciente simulado y examinador. La evidencia es desigual, y una cara realista dice poco sobre el aprendizaje; la transparencia y la confianza importan tanto como el modelo.

Sensores y analítica de la mirada

La nueva página sobre sensores y mirada cubre seguimiento ocular, señales cerebrales y cardíacas, y postura ante la cámara como formas de inferir atención y compromiso y carga cognitiva. El campo es mejor observando a los estudiantes que cambiando la enseñanza, y la página trata la privacidad, el sesgo y la distancia entre una señal corporal y un estado mental como cuestiones centrales.

Alfabetización informacional y mediática

La nueva página sobre alfabetización informacional y mediática trata ambas como un solo problema de enseñanza: la alfabetización informacional pregunta si una fuente merece credibilidad, mientras que la mediática pregunta quién creó un mensaje y por qué. La IA generativa colapsa ambas preguntas porque el texto fluido oculta su origen; la página encuentra poca evidencia sobre un currículo combinado.

Nuevos recursos

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

LearnHarness

LearnHarness es una aplicación de escritorio gratuita y de código abierto en la que agentes de IA descubren lo que un estudiante ya sabe, trazan las ideas necesarias para alcanzar un objetivo, enseñan un paso de razonamiento a la vez y adaptan la práctica.

Learning Commons

Learning Commons publica piezas abiertas para productos de currículo: un mapa de estándares y planes de estudio, herramientas para puntuar texto generado y flujos de trabajo de IA listos para docentes.

Public AI Libraries

Public AI Libraries es un piloto que instala una estación de trabajo compartida de IA en bibliotecas públicas de EE. UU., con chat, generación de imágenes y video, un espacio de programación, una guía educativa y una cuenta privada para cada usuario.

Para docentes

La retroalimentación con IA iguala al docente en las revisiones mientras la motivación queda atrás

La IA y la retroalimentación del docente mejoraron los mismos ensayos en una cantidad similar en un ensayo aleatorizado con 312 escritores, pero la del docente hizo más por la motivación. La diferencia fue la sensación de conexión del estudiante con quien la daba.

Conserva una voz humana alrededor de la retroalimentación. Combina el comentario generado con una respuesta breve del docente, o usa la IA para la primera pasada y al docente para la conversación sobre el trabajo.

Ver también: Retroalimentación con IA a escala

Uno de cada cinco ensayos fue escrito enteramente por el chatbot

Un estudio de 77 escritores universitarios registró cada instrucción, respuesta y pegado. Quince, uno de cada cinco, entregaron ensayos escritos por el chatbot, y la mayoría seguía sintiendo que el ensayo era suyo.

Pide el trabajo intermedio: las instrucciones, las revisiones y una nota breve sobre qué cambió y por qué. Haz visible la delegación mientras aún hay tiempo para enseñar.

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

Los estudiantes de secundaria usan la IA casi universalmente, y los de menor rendimiento la usan más

Un estudio de un año con 4.062 estudiantes alemanes de secundaria encontró un uso casi universal de la IA: el 95% la usaba, y los de menor rendimiento la usaban más para terminar tareas. Ese patrón predijo menos esfuerzo después.

Eso hace que enmarcar el uso de la IA y el aprendizaje autorregulado formen parte del currículo y se revisen a lo largo del año. Pregunta a los estudiantes para qué sirve la herramienta en esta tarea, y da a los de menor rendimiento una ruta con apoyo que empiece por comprender el trabajo.

Ver también: Reducir la dependencia excesiva de la IA

Un chatbot de apoyo igualó al diario personal mientras un compañero redujo la soledad

En un ensayo aleatorizado de dos semanas con 296 estudiantes de primer año, un chatbot de apoyo rindió igual que el diario personal para reducir la soledad, mientras que un compañero asignado al azar la redujo. El bot mostró más empatía, pero los estudiantes devolvieron menos.

Un bot puede servir como primer contacto útil mientras un compañero o un orientador siguen disponibles. Integra esa vía humana en cualquier servicio de apoyo estudiantil que recomiendes, y mide la soledad en sí.

Ver también: IA, ansiedad y bienestar

Trata una simulación de IA como un ensayo supervisado

Una revisión de 14 estudios encontró que los estudiantes de enfermería valoraban la simulación de IA repetible y de baja presión y reportaban más confianza, sobre todo en comunicación y razonamiento clínico. El realismo, el lenguaje corporal y el retraso de respuesta seguían siendo débiles.

Explica a los estudiantes los límites, exige que verifiquen el contenido generado y haz una puesta en común después. Mantén la interacción humana cuando la comunicación no verbal o la empatía sostenida son el objetivo del ejercicio.

Ver también: Educación en enfermería

El código de los proyectos finales se triplicó mientras los comentarios se mantuvieron estables

Diez semestres de 260 proyectos finales en educación en ciencias de la computación muestran que el código mediano pasó de unas 3.400 líneas a 10.000, mientras que los comentarios se mantuvieron cerca del 8%. Los recuentos de commits subieron; los commits individuales apenas cambiaron.

Evalúa las decisiones de diseño, la explicación del código y la capacidad del estudiante para cambiarlo. El artefacto ahora puede crecer más rápido que el aprendizaje que pretende mostrar.

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

Para desarrolladores

Sin la figura, un tutor de IA debería negarse

Seis modelos de IA con capacidad de imagen abordaron 376 ítems de matemáticas de secundaria cuyas figuras contenían información clave. Con la figura, el mejor resolvió algo más de la mitad; sin ella, se negaron casi siempre.

Trata una negativa como una señal de contexto faltante. Una puntuación o actualización de perfil producida sin la figura mide otra tarea.

Ver también: Educación matemática

Un tutor de escritura que hace preguntas y deja la escritura a los estudiantes

MAIKE hace preguntas y diagnostica argumentos, y deja el texto del ensayo al estudiante. Entre 65 estudiantes de secundaria, la mejora igualó a la de un chatbot de control, del 40% al 41%, pero los usuarios de MAIKE dedicaron más turnos a las ideas y ninguno empeoró.

Mide si una idea discutida en el chat se convierte en una revisión. Una herramienta de educación en escritura que solo mejora el texto final puede saltarse el razonamiento que la tarea existe para construir.

Ver también: Enseñanza de la escritura con IA

Amplía y resalta la diapositiva mientras corre la narración

GuideSlide narra una presentación y usa visualización para ampliar la parte que se discute. En un estudio con 24 personas viendo en teléfonos, la carga mental bajó, la comprensión subió de 5,5 a 6,5 sobre 9, y 21 de 22 lo prefirieron.

La ventaja un día después no fue estadísticamente significativa, así que el estudio respalda la atención mientras se mira; el aprendizaje duradero sigue sin probarse. Integra las señales en la propia narración.

Ver también: Diseñar la IA en el aprendizaje

Un detector ajustado puede desidentificar texto estudiantil sin el sesgo de nombres

Cinco herramientas se probaron con 13.613 archivos de texto de estudiantes. Un GPT-4o-mini ajustado encontró cerca del 96% de los detalles identificativos a aproximadamente un sexto del precio por token de Azure, pero las herramientas de Microsoft fallaron más a menudo con nombres africanos y asiáticos.

Entrenar con diez transcripciones funcionó en un conjunto nuevo, así que el enfoque se traslada. Presupuesta la segunda comprobación cuando la precisión importe e informa los grupos que tu herramienta pasa por alto.

Ver también: Política institucional de IA

El análisis de video alcanzó una concordancia humana, con una persona aún en el circuito

GAIVA transcribe, etiqueta e interpreta video de aula para analítica del aprendizaje. En cinco grabaciones, sus etiquetas coincidieron con revisores humanos casi tanto como dos revisores entre sí, y reveló un tipo de participación que la teoría original no nombraba.

Trata el modelo como un socio de codificación con un prompt trazable y una decisión humana en cada etapa. El modelo también saca a la luz patrones que un revisor humano quizá no habría buscado.

Ver también: Investigación educativa asistida por IA

Para investigadores

Un efecto promedio grande todavía puede significar ningún beneficio fiable

Una revisión de cuatro estudios controlados con 420 estudiantes de computación e ingeniería encontró una mejora promedio grande, pero los estudios discreparon mucho y el rango probable incluía ningún beneficio. La evidencia se calificó como muy incierta.

Trata un promedio grande de cuatro estudios distintos como una hipótesis sobre tu curso. Prueba el aprendizaje personalizado donde se aplicará y di con claridad cuán incierta es la evidencia.

Ver también: Qué significa el aprendizaje personalizado

Un calificador de IA que conoce el expediente del estudiante puntúa el mismo trabajo de forma distinta

Seis modelos de IA calificaron las mismas 300 respuestas cortas con una nota verdadera y otra intercambiada sobre el rendimiento previo. Todos los modelos puntuaron más alto el mismo trabajo con la etiqueta alta, entre 0,28 y 0,75 puntos en una escala de diez.

Esto es contexto del estudiante comportándose como un sesgo. Informa el efecto del contexto junto a la cifra de concordancia y prueba la calificación sin el expediente del estudiante antes de llamar fiable a un modelo.

Ver también: Equidad y fiabilidad de la calificación con IA

Un tutor de aspecto justo puede ocultar una brecha de habilidades del 26%

Dos años de registros de 8.549 estudiantes que usaban MATHia, un tutor adaptativo de matemáticas, mostraron que los estudiantes que aún aprendían a leer dominaban habilidades al 68,7% frente al 77,6%, mientras que la medida global de equidad parecía casi neutra. Una habilidad ocultaba una brecha del 26% en el dominio previsto.

El tutor no tenía un componente de habilidad lectora, así que la educación lectora era un factor ausente en un sistema de matemáticas. Modela la habilidad e informa las brechas en el nivel donde un docente intervendría.

Ver también: Sesgo y equidad de la IA en educación

Los falsos positivos de la detección son un problema de gobernanza

Una revisión de 90 estudios encontró que los detectores de IA señalan escritura legítima a tasas que no se pueden agrupar, porque las herramientas, los umbrales, los conjuntos de datos y los idiomas difieren. Resúmenes, revisiones de literatura, respuestas de examen, texto traducido y prosa editada seguían siendo señalados.

El remedio es procedimental: uso transparente, revisión humana, alfabetización en IA, una política institucional explícita y una vía de apelación. Eso pertenece a la gobernanza, con los ajustes del detector como una parte.

Ver también: ¿Deberíamos usar detectores de IA?

Coincidir con calificadores humanos aún puede dejar escapar el trabajo

Veintidós modelos de IA calificaron 100 ítems por tarea en respuestas cortas, código y ensayos. La mayoría coincidió con humanos en respuestas cortas, cuatro igualaron o superaron a los humanos en código, y ninguno alcanzó el nivel humano en ensayos.

Una cifra alta de concordancia puede coexistir con un calificador de IA que califica la nota en lugar de la respuesta. Añade respuestas alteradas a la evaluación e informa dónde se aparta el modelo del trabajo.

Ver también: Equidad y fiabilidad de la calificación con IA

Para administradores

La evidencia sobre tecnología educativa para estudiantes neurodivergentes está concentrada y liderada por investigadores

Una revisión de 93 estudios encontró que el autismo dominaba la evidencia sobre tecnología educativa para estudiantes neurodivergentes con un 39,8%, por delante de la discapacidad intelectual, el TDAH y la dislexia. La realidad extendida (RV y RA) fue lo más estudiado; los resultados sociales y entre pares recibieron menos atención, y los niños tuvieron poca voz.

Pide el resultado que le importa al aula y por los estudiantes incluidos en la evaluación. Una afirmación validada solo por investigadores puede alejarse de las personas a las que pretende servir.

Ver también: IA para estudiantes con discapacidad y neurodivergentes

Los estudiantes querían un asistente institucional para la retroalimentación

Un programa de co-diseño de 13 meses con 315 estudiantes y 20 miembros del personal encontró que el 73% valoraba la retroalimentación disponible las 24 horas vinculada a sus estudios. Las tarjetas y los cuestionarios recibieron comentarios más positivos que el chat abierto, y 16 de 18 probadores beta querían el asistente.

El 10% al 15% que se resistió por motivos de valores plantea el riesgo de adopción. Trata sus preocupaciones como sustantivas. Explica cómo se manejan los datos de los estudiantes y qué no puede hacer el asistente antes del piloto, y dales una vía para no participar.

Ver también: Diseñar la IA en el aprendizaje

La vigilancia de exámenes detecta trampas y traslada el costo a los menos favorecidos

Una revisión de 32 estudios encontró que la vigilancia con IA detecta suplantación y trampas, pero los falsos positivos, los fallos de iluminación y ancho de banda, la ansiedad y los daños a la privacidad recaen con más fuerza sobre los menos favorecidos. La vigilancia automatizada representó el 59% de los estudios.

Los revisores recomiendan la evaluación alternativa y una combinación de supervisión humana y automatizada. Reduce el examen en línea de alto riesgo antes de añadir otro detector.

Ver también: Política institucional de IA

Un informe de panel aumentó la finalización, no las puntuaciones de las pruebas

Se pidió al azar a docentes nuevos en un tutor de matemáticas en línea que abrieran un informe de analítica del aprendizaje sobre el desempeño estudiantil en la primera tarea. No cambió la proporción que empezó la siguiente tarea ni las ganancias en pruebas de los estudiantes, aunque la finalización aumentó en clases más pequeñas.

Comprueba si los docentes abren el informe, actúan a partir de él y ven una ganancia de aprendizaje antes de comprar analítica; un aumento de finalización por sí solo no basta.

Ver también: Comprobar si la IA educativa funciona

Casi ninguna institución puede nombrar a quién pertenece la gestión de la IA

Una encuesta a 387 estudiantes y personal en 13 países encontró que solo el 17% conocía un rol designado de gobernanza de la IA. Del resto, el 71% pensaba que era necesario y el 76% esperaba que mejorara su experiencia.

Los encuestados describieron un rol con mandato; un comité sin mandato deja ese rol vacante. Da al responsable autoridad sobre formación, seguridad de datos, revisión ética y estrategia, y publica quién lo ocupa.

Ver también: Política institucional de IA

También añadido esta semana

La página del journal enumera cada estudio añadido esta semana, incluidos los que no se resumen aquí.

Notas del sitio

El boletín y su feed RSS ya están disponibles también en español: visita el sitio del boletín en español o suscríbete al feed RSS del boletín en español. Para solicitar otra localización, abre un issue o contacta con el desarrollador del sitio.

El sitio es sustancialmente más ligero. El árbol completo de conceptos y preguntas frecuentes ya no se envía dentro de cada página: la barra lateral muestra diez grupos temáticos y obtiene la lista completa solo cuando un lector abre uno, y el panel derecho muestra ocho páginas recientes en lugar de treinta. En todo el build, el HTML bajó de 1,80 GB a 1,26 GB, y el marcado de la barra lateral de 604 MB a 87 MB.

Las traducciones se actualizaron en los 33 idiomas configurados, incluidas las ediciones de árabe, hebreo y urdu de derecha a izquierda. Los resúmenes de artículos siguen solo en inglés.

Las ediciones sin conexión se trasladaron a una nueva ubicación de versiones de GitHub, así que los enlaces antiguos a EPUB y PDF ya no funcionan. Cada sitio de idioma conserva su dirección habitual. Hay archivos EPUB y PDF para los 19 idiomas con enlaces abajo; los otros 14 son solo sitio.

English: EPUB y PDF
Español (Spanish): EPUB y PDF
Français (French): EPUB y PDF
中文 (Chinese): EPUB y PDF
Deutsch (German): EPUB y PDF
日本語 (Japanese): EPUB y PDF
한국어 (Korean): EPUB y PDF
Português (Portuguese): EPUB y PDF
العربية (Arabic): EPUB y PDF
עברית (Hebrew): EPUB y PDF
हिन्दी (Hindi): EPUB y PDF
Русский (Russian): EPUB y PDF
Українська (Ukrainian): EPUB y PDF
Italiano (Italian): EPUB y PDF
বাংলা (Bengali): EPUB y PDF
اردو (Urdu): EPUB y PDF
Bahasa Indonesia (Indonesian): EPUB y PDF
Tiếng Việt (Vietnamese): solo sitio
Nederlands (Dutch): solo sitio
Svenska (Swedish): solo sitio
Dansk (Danish): solo sitio
Suomi (Finnish): solo sitio
Norsk bokmål (Norwegian Bokmål): solo sitio
Română (Romanian): solo sitio
Magyar (Hungarian): solo sitio
Čeština (Czech): solo sitio
Български (Bulgarian): solo sitio
Slovenčina (Slovak): solo sitio
Hrvatski (Croatian): solo sitio
Ελληνικά (Greek): solo sitio
Polski (Polish): solo sitio
Kiswahili (Swahili): EPUB y PDF
Türkçe (Turkish): EPUB y PDF

El código fuente 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.

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

Actualización semanal de investigación en IA educativa #2

Sat, 31 Oct 2026 08:00:00 -0400

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

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
Nuevas preguntas frecuentes
Conceptos destacados
Para docentes
Para desarrolladores
Para investigadores
Para administradores
Nuevos recursos
También añadido esta semana
Notas del sitio
Seguir la actualización

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.

¿Un asistente de planificación de clases que te ahorra horas también mejora la clase? En un ensayo aleatorizado con doscientos cuatro docentes: el tiempo ahorrado es real, los mejores materiales no.
Si un efecto publicado es 0,86, ¿deberías planificarlo en tu propio curso? Un metaanálisis de 58 estudios que pierde dos tercios de su tamaño al aplicar la corrección por sesgo.
¿Vale la pena añadir IA a una tarea que ya impartes? Dos secciones del mismo curso, 113 estudiantes, ninguna diferencia en lo que declararon haber aprendido.
¿Cómo eliges qué asistente usan tus estudiantes? Pregunta qué hace cuando un estudiante insiste en que se equivoca: trece modelos confirmaron trabajo correcto a tasas del 46,5% al 98,5%.
¿Es seguro decir a los estudiantes que al chatbot le importa cómo se sienten? Tres experimentos y una encuesta: presentar la IA como empática alejó la responsabilidad de las personas.
¿Qué envía a terceros el chatbot de tu curso? Captura de red en 42 plataformas, 17 de ellas agentes educativos: la mitad enviaba los títulos de las conversaciones a un rastreador.
Cuando el asistente responde primero, ¿quién sigue pensando? 28.123 frases de foro codificadas: las respuestas de los compañeros concentraban la mayor parte de la autorregulación, y dejaron de llegar.

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

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

Actualización semanal de investigación en IA educativa #1

Sat, 24 Oct 2026 08:00:00 -0400

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

Esta semana se incorporaron 71 nuevos estudios y dos nuevos recursos, con lo que la base de conocimiento llega a 1.805 resúmenes de artículos, 220 páginas de conceptos, 37 preguntas frecuentes y 33 recursos. Busca o usa la IA para conversar con la base de conocimiento.

Contenido

Aspectos principales y preguntas
Para docentes
Para desarrolladores
Para investigadores
Para administradores
Conceptos destacados
Nuevos recursos
También añadido esta semana
Notas del sitio
Seguir la actualización

Aspectos principales y preguntas

Los dos resultados principales de esta semana dicen lo mismo: una puntuación no es el resultado. Un ensayo de tres brazos elevó las puntuaciones de los ejercicios del 29,85% con la web abierta al 71,84% con ChatGPT sin restricciones, mientras que el aprendizaje conceptual no difirió en absoluto, así que una nota más alta con acceso a IA no es evidencia de que los estudiantes aprendieran más. Trece detectores señalaron manuscritos escritos por humanos con tasas del 0% al 100% tras una sola corrección de estilo, así que una alerta de detector no es evidencia de mala conducta.

¿El tutor que eleva los deberes también eleva el examen? Un ensayo aleatorizado puso a los estudiantes frente a un tutor de demostraciones y luego midió un examen realizado sin él.
Cuando una entrega parece correcta, ¿cuánto de ella es del modelo? Cincuenta y nueve registros de chat, comparados con el trabajo que esos mismos estudiantes entregaron.
¿Con qué frecuencia un detector de IA señala escritura que un humano realmente escribió? Trece detectores, 135.389 pares de documentos en los que solo cambiaba el idioma.
¿La práctica oral con IA mejora el habla, o solo una característica medida de ella? Diez estudios, seis características del MCER y cuatro estudios que informaron una única puntuación holística.
¿Enseñar a los estudiantes a usar la retroalimentación aumenta su compromiso, o al revés? Un panel de tres oleadas que no puede ordenar los dos.
¿Dónde siguen fallando los tutores de IA cuando un estudiante se niega, se retira o escala? 923 diálogos construidos a partir de estudios de caso de estudiantes reales, puntuados contra lo que documentaron los profesionales.
¿La gobernanza de la IA en educación es ley, orientación o aspiración? 160 documentos, de los cuales cuatro adoptan forma vinculante.

Para docentes

Un tutor puede elevar los deberes y dejar el examen donde estaba

Chen y sus colegas aleatorizaron a 153 estudiantes de escritura de demostraciones en Carnegie Mellon para recibir un tutor de demostraciones antes o después, y luego midieron un examen realizado sin IA en la sala. Las puntuaciones de los deberes subieron 2,56 puntos mientras la herramienta estaba disponible. Las puntuaciones del examen parcial no difirieron. Una vez que todos tuvieron acceso y eligieron su propia dosis, cada 100 mensajes adicionales al chatbot se asociaron con una puntuación 3,02 puntos menor en el siguiente examen, y los estudiantes con menor autoeficacia inicial fueron quienes más lo usaron.

Lo que eso cambia para ti: una calificación obtenida con el tutor abierto no es evidencia de lo que un estudiante puede hacer sin él, así que la tarea sin asistencia tiene que cargar con ese peso. También significa que los estudiantes con más riesgo de apoyarse en él son los que llegan con menos confianza, lo que se ve en el uso antes de verse en las puntuaciones.

El chat sin restricciones infla más las puntuaciones que un tutor bien construido

En un ensayo de tres brazos en un curso CS1 de Múnich, 275 estudiantes pasaron 90 minutos en un ejercicio de Java con un tutor que daba pistas, con ChatGPT sin restricciones o con la web abierta. Las puntuaciones del ejercicio fueron 71,84%, 57,50% y 29,85%. Las ganancias de conocimiento conceptual fueron 0,83, 0,71 y 0,85 puntos, y la diferencia entre condiciones estuvo lejos de ser significativa (p = .773). Ambas condiciones con IA redujeron la frustración; solo el tutor elevó la motivación.

La dispersión de puntuaciones tiene que ver sobre todo con el artefacto, no con el aprendizaje. Si calificas el ejercicio, las condiciones con IA se están calificando en una tarea distinta.

Los chatbots creados por docentes fallan en la intención, no en los hechos

EduWild recopiló 1.726 conversaciones de 217 bots de Playlab configurados por docentes, incluidas 900 de los estudiantes a los que se desplegaron. Los bots omitieron pasos obligatorios del flujo de trabajo en el 53,8% de las conversaciones con usuarios finales, nunca establecieron su rol en el 33,4% y sobrecargaron a los estudiantes con información o preguntas en el 37,1%.

Antes de desplegar un bot que construiste o heredaste, lee su primer turno y comprueba que dice qué es y qué pasa después. Los fallos documentados aquí están en las instrucciones, y se pueden corregir en el prompt sin tocar el modelo.

El veredicto de un detector no es evidencia

Un conjunto de datos de un servicio de edición dio a Park y sus colegas 135.389 pares de documentos que mantienen fijos el autor, el tema y el contenido mientras solo cambia el idioma. En 13 detectores, los falsos positivos sobre texto académico escrito por humanos fueron del 0% al 100%, y las mismas ediciones movieron los detectores en direcciones opuestas. Por separado, un grupo de docentes temporales perdió su detector por completo porque señalaba a los correctores gramaticales, y ahora busca referencias fabricadas y desconexión con los materiales del curso.

Si has estado poniendo una puntuación de detector delante de un estudiante, sobre todo de un estudiante que escribe en un segundo idioma, esta es la semana para dejar de usar detectores. Las señales basadas en la lectura del segundo estudio son la alternativa práctica.

El diseño de la evaluación es una elección entre tres restricciones, no la búsqueda de un principio

Pedlow, Fischer y Williams sostienen que el problema no es la falta de principios de diseño, sino la ausencia de una forma de razonar sobre los que se oponen entre sí. Su doble trilema trata la autenticidad, la observabilidad y la viabilidad en la evaluación, y la especificidad, la puntualidad y la carga de trabajo en la retroalimentación, como restricciones que se compensan deliberadamente.

Cuando te piden rediseñar una evaluación para la IA, ese marco convierte una pregunta abierta en un argumento breve que puedes registrar y defender.

Las ganancias orales de los chatbots son desiguales según la característica

Soriano-Gonzalez y Belda-Medina examinaron 306 registros hasta quedarse con diez estudios y preguntaron cuál de las seis características del MCER del lenguaje hablado se movió realmente. La amplitud y la inteligibilidad mejoraron en cuatro estudios cada una, la coherencia en uno, la interacción en casi ninguno. Cuatro de los diez informaron una única puntuación holística, así que sus ganancias no pueden atribuirse a ninguna característica.

La afirmación de un proveedor de «mejor habla» es compatible con un cambio que el estudio nunca midió. Para la comprensión auditiva, Goh y Aryadoust encuentran la evidencia mucho más escasa.

La alfabetización en retroalimentación y el compromiso se alimentan mutuamente

Un panel de tres oleadas de 399 estudiantes universitarios encontró que la alfabetización en retroalimentación de IA predecía el compromiso agéntico posterior (β = 0,222) y que la ruta inversa era igual de fuerte (β = 0,263), sin base estadística para ordenar los dos.

Enseñar a los estudiantes a leer y usar la retroalimentación no es un requisito previo que se completa antes de que empiece el compromiso. Los dos avanzan juntos, así que un curso que solo construye uno de ellos va en contra de sí mismo.

Para desarrolladores

Los casos difíciles son donde los tutores siguen fallando, y la recuperación de estrategias ayuda a los modelos de gama media

TutorCaseBench convirtió estudios de caso cualitativos en 923 diálogos de seis turnos en cinco tipos de desafío y puntuó 11 modelos contra rúbricas específicas de cada caso. El mejor modelo satisfizo una intervención documentada en el 55,8% de los casos abiertos, que es el número con el que hay que diseñar. Suministrar la estrategia documentada en la literatura de casos elevó a 10 de 11 modelos en un promedio de 9,9 puntos, con Llama 4 Maverick pasando del 41,0% al 64,8%, mientras que el modelo más fuerte se mantuvo plano en 71,3%.

Vale la pena construir la recuperación de estrategias de referencia para los modelos que puedes pagar. No rescatará a un modelo de frontera que ya tiene el patrón.

Valida con conversaciones desplegadas, no con prompts de laboratorio

El conjunto de datos EduWild empareja cada conversación con el prompt de sistema y los ajustes que hay detrás, que es lo que hace analizable el fallo: el 53,8% de las conversaciones con usuarios finales omitió un paso obligatorio. La configuración escrita por docentes es una superficie de fallo distinta de la capacidad del modelo, y un arnés a nivel de prompt recuperó la intención sin quitar al docente el control.

Si tu producto permite que los docentes escriban las instrucciones, tu conjunto de pruebas tiene que ser sus instrucciones, recogidas después del despliegue.

La dimensión de rúbrica de la calidad de la retroalimentación es la que nadie mide

Yang examinó 68 estudios sobre retroalimentación generada por IA. La validez de la evidencia aparece en 47 de ellos, la utilidad pedagógica en 58, y la alineación con la rúbrica y la tarea en 19. La alineación es la dimensión que un producto puede controlar más directamente, y es la menos estudiada.

Eso es una oportunidad: construye contra la rúbrica que la tarea ya usa, y dilo, porque la evidencia publicada no dirá a los compradores si alguien más lo hace.

La accionabilidad es un objetivo de diseño, no un lujo

Tamme, Schilling y Hantel proponen sustituir la encuesta escrita de fin de semestre por una entrevista telefónica dirigida por un agente de IA, con el argumento de que el instrumento escrito falla en tasa de respuesta, profundidad y accionabilidad. Es una propuesta, no una prueba de campo. Las afirmaciones de diseño son lo bastante concretas para tomarlas prestadas: hacer preguntas de seguimiento, exigir una razón, devolver algo sobre lo que el destinatario pueda actuar.

Para investigadores

El autoinforme y el desempeño a menudo llegan a conclusiones distintas

Fan y sus colegas mapearon los métodos de medición en 2.099 registros y luego examinaron 51 casos en los que un instrumento de autoinforme y una prueba, una calificación o un rastro medían el mismo constructo. La respuesta a si los dos coinciden es a menudo no. Donde divergen, la observabilidad del constructo lo explica mejor que la calidad del estudio.

Sustituir uno por otro es una decisión de medición con una dirección, no una comodidad. Informa en cuál se basa tu afirmación.

Los artefactos ocultan la descarga cognitiva, así que mide el proceso

Kontorovich y Wallach codificaron los 429 prompts de 59 registros de chat como rastros de autorregulación y compararon cada uno con el trabajo entregado. Diez de los quince estudiantes que completaron las tres tareas cambiaron el rol que le daban al modelo a medida que cambiaba la tarea, pero 53 de 59 entregas reprodujeron el producto del modelo o lo revisaron solo en la forma.

Una entrega por sí sola no puede distinguir el uso de la sustitución. Los datos de proceso sí pueden, y el esquema de codificación de aquí es reutilizable.

Una escala validada para la dependencia en tareas abiertas

La mayoría de las medidas de dependencia la infieren de si un estudiante siguió un consejo correcto, lo que requiere una respuesta comprobable. Hou y sus colegas construyeron y validaron una escala de 16 ítems para el aprendizaje basado en problemas, donde esa respuesta no existe.

Los benchmarks de detectores se degradan, así que informa el adversario

Ren, Raghavan y Garg separan la cuestión de la detección en separabilidad y movimiento. Las líneas base supervisadas separan la prosa humana de la de máquina casi a la perfección en distribución, mientras que el detector comercial Pangram cayó al 63,5% de exactitud equilibrada y al 27% de recall frente a un prompt escrito para evadirlo.

Las cifras informadas sin el intento de evasión describen un mundo que ya no existe. Y la literatura de revisión es escasa donde importa: de 51 estudios sobre retroalimentación de IA generativa en escritura en segunda lengua, 5 comprueban si la retroalimentación es precisa.

Para administradores

La mayor parte de la gobernanza de la IA educativa es orientación, no ley

Elmahjub y sus colegas leyeron de cerca 160 documentos de gobernanza en inglés, de 498 registros. Solo 4 adoptan forma legal o regulatoria formal, mientras que 92 son orientación, marcos, kits de herramientas o manuales. La rendición de cuentas aparece en 146 documentos pero se empareja con un actor de supervisión nombrado en 100.

Una política sin un responsable nombrado y un mecanismo es una declaración de intenciones. La revisión te da los campos con los que auditar tu propio documento.

La compra de detectores necesita una cifra de falsos positivos

Trece detectores, texto académico escrito por humanos como control, falsos positivos del 0% al 100%. Al menos una institución ya retiró su detector porque señalaba a los correctores gramaticales. Si un proveedor no te da una tasa de falsos positivos sobre trabajo humano en tu propia disciplina, no puedes poner precio al riesgo disciplinario.

La dirección documentada en la evaluación es proceso, autenticidad y trabajo oral

Crompton y Burke revisan 72 estudios de 24 países y 20 disciplinas y encuentran tres respuestas de diseño recurrentes: orientadas al proceso, auténticas y evaluación oral. La base de evidencia es amplia y metodológicamente delgada, la mayoría de los estudios cubren un solo curso, y nada de eso cambia la dirección.

La adopción ha superado la comprensión entre los docentes

Entre 132 docentes indonesios de K-12, el 96,2% apoya el uso de la IA por parte de los docentes y el 84,6% el de los estudiantes, pero el 69,2% dio una explicación vaga o equivocada de lo que hace un chatbot con una instrucción.

El apoyo en una encuesta no es capacidad en un aula. La brecha de desarrollo profesional aquí aparece antes que cualquier despliegue de herramientas, y el instrumento es lo bastante corto para reutilizarlo como evaluación de necesidades.

Sustituye la encuesta del curso solo si el reemplazo es accionable

La propuesta de entrevista de voz apunta a los modos de fallo que hacen inútiles las encuestas de fin de semestre: tasa de respuesta, profundidad, satisfacción superficial y respuestas sobre las que nadie puede actuar. Trátala como una especificación para lo que uses en su lugar, no como evidencia de que la versión con IA funciona.

Conceptos destacados

Cuatro páginas de conceptos llevaron los hallazgos de esta semana a la capa de síntesis. Cada una es una página permanente y no algo puntual, así que la nueva evidencia se suma a lo que la página ya sostenía.

Aprendizaje de idiomas

La página ahora dice con claridad que la evidencia sobre las ganancias orales de los chatbots es desigual según la característica, y que cuatro de los diez estudios sintetizados informaron una única puntuación holística, por lo que sus ganancias no pueden atribuirse a una característica. Lee la página sobre aprendizaje de idiomas antes de comprar o construir práctica oral.

Tutoría inteligente

Su nuevo hallazgo es el resultado de recuperación: suministrar estrategias de referencia eleva a los tutores débiles y deja a los fuertes donde estaban. Es una decisión de construcción, y la página sobre tutoría inteligente la separa de las afirmaciones anteriores sobre la calidad de las pistas.

Medidas de autoinforme

El caso nuevo más nítido de la brecha del autoinforme es la intención, donde una sola puntuación cubría el uso orientado al aprendizaje, el orientado a atajos y el mixto en la misma muestra de 340 estudiantes, con 68 ítems readministrados y ocho entrevistas detrás de la afirmación, todo registrado en la página sobre medidas de autoinforme.

Gobernanza

La página ahora abre con el hallazgo sobre la forma del instrumento: 4 de 160 documentos vinculantes, 92 consultivos, y la rendición de cuentas nombrada como actor solo en 100. La página sobre gobernanza replantea la pregunta de qué dice una política a si puede actuar.

Nuevos recursos

Esta semana se incorporaron dos recursos a la biblioteca de recursos, uno escrito para la institución que tiene que decidir cómo se construye software con IA y otro para el docente que tiene que decidir si el código de un estudiante es del estudiante.

Campus AI Development

Campus AI Development es una guía web gratuita escrita desde el lado institucional de la cuestión. Expone las formas en que un campus puede hacer que se construya software con IA, desde el vibe coding hasta el trabajo gobernado con múltiples agentes, y empareja cada forma con la ruta de revisión, el techo de datos y los controles que le corresponden. Acompaña al Campus AI Framework, que decide si una herramienta de IA puede usarse o no; esta guía cubre qué hacer una vez que la respuesta es sí. El sitio no publica una licencia para su texto.

Code Viva

Code Viva es una herramienta gratuita de navegador que hace escalable la defensa oral: una sesión escrita y cronometrada de quince a veinte minutos para cada estudiante de un curso de programación, sin instructor en la sala. Lee el código entregado y el historial de commits de un estudiante, escribe de cuatro a seis preguntas sobre las propias funciones, nombres y commits de ese estudiante, y da a cada estudiante un enlace personal desde el que responder. Las preguntas provienen de reglas aplicadas a la entrega, no de una llamada a un modelo, y el docente recibe puntuaciones propuestas con la evidencia citada detrás de cada una, para aprobarlas o anularlas. El sitio no publica licencia ni repositorio de código.

También añadido esta semana

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

Notas del sitio

Esta semana aparecieron dos páginas. El archivo de boletines guarda cada número, con su propio feed junto al feed de la base de conocimiento, y el índice de conceptos pone las 220 páginas de conceptos en una sola página, en las mismas secciones que la barra lateral, así que ahora hay un lugar al que enviar a un lector que quiera el conjunto completo.

Todo lo demás fue trabajo sobre lo que ya existía: las páginas de conceptos y las preguntas frecuentes reescritas, el texto ajustado y las traducciones puestas al día en todos los idiomas.

El sitio es una compilación estática, y su contenido, código y herramientas son públicos en github.com/edtechdev/aied, donde se puede leer cada cambio descrito arriba.

Seguir la actualización

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

Actualización semanal de investigación en IA educativa #0

Fri, 23 Oct 2026 20:46:45 -0400

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 nueva investigación en IA y educación para docentes, desarrolladores, investigadores y administradores. Este primer número presenta el sitio mismo, porque un enlace a una página solo es útil cuando sabes en qué tipo de página has aterrizado.

Reúne 1.805 resúmenes de artículos, 220 páginas de conceptos, 37 preguntas frecuentes y 33 recursos, en 33 idiomas. Busca o usa la IA para conversar con la base de conocimiento.

Contenido

Por qué existe este sitio
Cómo está organizado
Por dónde empezar, según tu rol
Preguntas que el sitio ya responde
Buscar o conversar
Leer todo sin conexión
Leer el sitio en tu idioma
Lo que viene

Por qué existe este sitio

La investigación sobre IA en educación llega más rápido de lo que cualquiera puede leerla: miles de artículos al año, la mayoría sobre un solo curso, en una sola institución, en condiciones que el resumen no indica. Un docente que quiere saber si la retroalimentación con IA mejora la escritura tiene que encontrar los estudios que abordan esa pregunta, leerlos unos contra otros y notar que uno de ellos probó un modelo de dos generaciones atrás. Eso es trabajo de investigación, y a ese docente nadie lo contrató para hacerlo.

El sitio hace esa lectura en público. Un agente de IA lee la literatura de acceso abierto y redacta las páginas, un editor humano las revisa y las publica, y cada afirmación termina en un enlace al artículo que la respalda, así que una frase que dudes se puede comprobar en dos clics. Es gratuito, está en el dominio público bajo CC0 1.0 y no hay nada que registrar.

Está escrito para quienes enseñan, estudian, diseñan o administran la IA en educación, y por eso un mismo hallazgo aparece a menudo tres veces en lugares distintos: una para el docente que tiene que calificar con él, otra para el desarrollador que tiene que construirlo y otra para el administrador que tiene que decidir si lo compra.

Cómo está organizado

Cuatro tipos de página, y el tipo te dice para qué sirve cada una:

Las páginas de conceptos reúnen lo que dice la investigación sobre una idea, como la retroalimentación, la evaluación o la descarga cognitiva, y enlazan cada estudio que respalda la afirmación. Empieza aquí para tener la visión general.
Los resúmenes de artículos abordan un artículo cada vez, con sus hallazgos, su método, sus limitaciones y la cita completa. Se enumeran día a día en la página del journal.
Las preguntas frecuentes responden a la pregunta práctica con las palabras que la gente usa de verdad, con la investigación adjunta.
Los recursos enumeran herramientas, colecciones e instrumentos que vale la pena usar, con quién hizo cada uno, cuánto cuesta y cuándo se comprobó por última vez su enlace.

La barra lateral izquierda indexa todo por línea temática, y el mapa conceptual de la página de inicio organiza el campo en doce líneas temáticas con IA en Educación en el centro. Cada página termina con aquello a lo que se conecta, así que se puede seguir un tema por todo el conjunto: de un concepto a los artículos que lo respaldan, de un artículo a los conceptos que toca y de una pregunta frecuente a ambos.

Por dónde empezar, según tu rol

Preguntas que el sitio ya responde

La mayoría de las preguntas que la gente plantea a un chatbot ya se han respondido aquí a mano, con la investigación adjunta. Algunas que vale la pena abrir antes de preguntar:

¿Deberíamos usar detectores de IA? No como evidencia en un caso de mala conducta: la puntuación de un detector no se puede validar contra la verdad de referencia, y sus errores siguen patrones en lugar de ser aleatorios.
¿Usar IA ayuda de verdad a que mis estudiantes aprendan? Puede ayudar, pero un trabajo mejor producido con IA no es evidencia de un mejor aprendizaje.
¿Cómo rediseño la evaluación para que una calificación siga diciéndome algo defendible? Nombra lo que la calificación pretende representar antes de elegir la tarea.
¿Cómo evito que los estudiantes dependan en exceso de la IA? El trabajo calificado que se lee mejor de lo que el estudiante puede explicar es un problema de diseño, no de vigilancia.
¿Cómo redacto una política de IA para un curso y se la comunico a los estudiantes? Tiene que ser justa con el estudiante que cumple las reglas y con el que no, y algo que puedas aplicar a cuarenta entregas.
¿Cómo enseño a los estudiantes a verificar los resultados de la IA? Las advertencias de comprobar las fuentes piden una disposición; una lista de verificación y un ejemplo resuelto, no.
¿Cómo puede la IA apoyar a los estudiantes con discapacidad y neurodivergentes en mi curso? Qué adoptar, qué rechazar y cómo saber si una herramienta ayuda a los estudiantes que nombra una carta de adaptación.
¿Cuáles son los 10 hallazgos principales de la investigación sobre IA en educación que los docentes deberían conocer? Diez resultados que cambian decisiones docentes ordinarias, cada uno con el estudio que lo respalda.
¿Cómo redactamos e implantamos una política institucional de IA? Publicar una política es la parte fácil, y un documento por sí solo no cambia nada.

Hay 37 en total, indexadas por pregunta y no por tema, y también hay una para estudiantes: ¿cómo debería usar la IA para estudiar y aprender de forma eficaz.

Buscar o conversar

Buscar

El cuadro del encabezado busca en todas las páginas mientras escribes, y la página de búsqueda hace lo mismo con espacio para los resultados. Ctrl K pone el cursor en el cuadro desde cualquier punto del sitio.

Conversar

Toda la base de conocimiento se publica como archivos legibles por máquina, así que puedes apuntar tu propio asistente hacia ella y obtener respuestas que citan estas páginas en lugar de inventarlas. Copia el prompt de la página de IA, pégalo como primer mensaje y luego haz tu pregunta; una buena respuesta nombra las páginas que usó, así que puedes comprobarla. Si prefieres no configurar nada, dos asistentes ya conocen el material: el Gemini Gem Asesor de IA en educación, y un cuaderno de NotebookLM construido sobre las mismas páginas. A los asistentes que no pueden abrir enlaces se les puede entregar llms-concepts.txt, todas las páginas de conceptos y preguntas frecuentes en un solo archivo.

Leer todo sin conexión

La base de conocimiento también se publica como libro, en dos formatos: EPUB para un teléfono, una tableta o un lector de libros electrónicos, y PDF para imprimir o para una computadora. Cada uno contiene las páginas de conceptos, las preguntas frecuentes, la introducción de la página de inicio, la página sobre cómo usar el sitio con un asistente de IA y un apéndice de herramientas y recursos gratuitos, organizados en capítulos con una tabla de contenidos numerada en la que se puede hacer clic. Ninguno incluye los resúmenes de artículos, que se quedan en el sitio, y ambos llevan el mismo aviso de dominio público y la declaración de cómo se hizo el texto. Los enlaces de descarga están en la página de inicio y en la página de IA.

Quince de las traducciones también tienen su propia edición, en ambos formatos. Las otras diecisiete enlazan la edición en inglés, igual que lo hacen sus páginas de inicio.

Leer el sitio en tu idioma

El sitio se publica en 33 idiomas: inglés, más 32 traducciones de las páginas principales, las páginas de conceptos, las preguntas frecuentes y los recursos. Los resúmenes de artículos están solo en inglés.

Español · Français · 中文 · Deutsch · 日本語 · 한국어 · Português · العربية · עברית · हिन्दी · Русский · Українська · Italiano · বাংলা · اردو · Bahasa Indonesia · Tiếng Việt · Nederlands · Svenska · Dansk · Suomi · Norsk bokmål · Română · Magyar · Čeština · Български · Slovenčina · Hrvatski · Ελληνικά · Polski · Kiswahili · Türkçe
Cada página traducida lleva un aviso de que la traducción es automática y no ha sido revisada por una persona hablante nativa, y cada una enlaza de vuelta a la página en inglés de la que proviene.
El menú de idiomas del encabezado cambia página por página y recuerda tu elección para la próxima vez.

Lo que viene

El número 1 sale mañana con la investigación de la semana, agrupada según quién tiene que actuar a partir de ella. Después, un número por semana, cada uno con los dos o tres resultados que cambian lo que un lector debería hacer, y un breve registro de lo que cambió en el sitio mismo.

Para mantenerte al día, suscríbete al feed del boletín para recibir solo los números, o al feed de la base de conocimiento para cada página nueva a medida que se añade. Cada número permanece en el archivo.

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

AIEd Research Weekly Update: Edición en español

Actualización semanal de investigación en IA educativa #3

Contenido

Aspectos principales y preguntas

Nuevas preguntas frecuentes

Nuevos conceptos

Nuevos recursos

Para docentes

Para desarrolladores

Para investigadores

Para administradores

También añadido esta semana

Notas del sitio

Seguir la actualización

Actualización semanal de investigación en IA educativa #2

Contenido

Aspectos principales y preguntas

Nuevas preguntas frecuentes

Conceptos destacados

Para docentes

Para desarrolladores

Para investigadores

Para administradores

Nuevos recursos

También añadido esta semana

Notas del sitio

Seguir la actualización

Actualización semanal de investigación en IA educativa #1

Contenido

Aspectos principales y preguntas

Para docentes

Para desarrolladores

Para investigadores

Para administradores

Conceptos destacados

Nuevos recursos

También añadido esta semana

Notas del sitio

Seguir la actualización

Actualización semanal de investigación en IA educativa #0

Contenido

Por qué existe este sitio

Cómo está organizado

Por dónde empezar, según tu rol

Docentes

Desarrolladores

Investigadores

Administradores

Preguntas que el sitio ya responde

Buscar o conversar

Buscar