IA en el aprendizaje híbrido y activo

Personalización y adaptabilidad

#

La contribución que más se anuncia es la personalización. Un sistema puede leer el desempeño y las interacciones registradas y proponer, a partir de ellos, materiales y ejercicios distintos para cada estudiante. Conviene precisar el alcance: eso ajusta qué se presenta y en qué orden, no el porqué pedagógico de la secuencia, y funciona mejor con contenido bien delimitado que con aprendizajes abiertos. La tendencia sobre personalización revisa qué respalda la evidencia disponible y qué no.

En el contexto del aprendizaje híbrido, la personalización se manifiesta en:

• Contenidos adaptativos: la IA ajusta la dificultad y el tipo de materiales según el progreso de cada estudiante.
• Rutas de aprendizaje individualizadas: cada estudiante puede seguir un camino diferente dentro de los objetivos del curso.
• Recomendaciones de recursos: la IA sugiere materiales complementarios basados en las áreas que necesitan refuerzo.

Tutoría inteligente y chatbots

#

Los sistemas de tutoría inteligente y los chatbots representan otra aplicación de la IA en el ecosistema educativo. Estas herramientas tienen la capacidad de:

• Devolver comentarios en el momento sobre un borrador, que el estudiante todavía tiene que comprobar y decidir si aplica.
• Atender dudas puntuales fuera del horario de clase, cuando aparecen y no cuando hay tutoría.
• Ofrecer otra explicación cuando la primera no funcionó para alguien.
• Actuar como interlocutor: sostener una objeción, proponer un contraejemplo, obligar a defender una postura.

Dos advertencias que la lista no debe ocultar. La primera es que un comentario inmediato puede ser también inmediatamente equivocado: la fluidez no indica acierto, y quien lo recibe necesita saber contra qué contrastarlo. La segunda es que la tendencia sobre tutoría y mentoría muestra que los resultados favorables provienen de tutores diseñados por especialistas para un contenido acotado, no de cualquier asistente conversacional. Estas herramientas complementan, y no sustituyen, la evaluación y retroalimentación del profesorado y de los pares.

Detección de dificultades: lo que aporta y lo que exige

#

Un sistema puede señalar dónde se concentran las dificultades de un grupo —qué ejercicio falla la mayoría, en qué punto de la unidad se detiene el avance— y devolver esa lectura a tiempo para cambiar la siguiente sesión. Ese uso agregado es el más defendible: informa el diseño del curso sin producir juicios sobre personas.

El paso siguiente, señalar a estudiantes concretos «en riesgo», es de otra naturaleza y no debería darse sin condiciones. Un modelo entrenado con datos de cohortes anteriores reproduce sus desigualdades; puede marcar a quien trabaja además de estudiar, o a quien entrega tarde por razones que el sistema no ve. Un falso positivo etiqueta a una persona; un falso negativo deja sin apoyo a quien lo necesitaba. Antes de usar algo así conviene decidir quién ve esa lista, qué se hace con ella —acompañar, nunca clasificar—, qué datos alimenta y con qué base legal. La ruta de decisión institucional recomienda expresamente dejar fuera del seguimiento los rankings individuales; esta página comparte ese criterio.

La mediación docente como factor determinante

#

Nada de lo anterior ocurre por instalar una herramienta. Quien enseña decide qué entra al curso, para qué momento y con qué límites, y responde por esa decisión. Kaplan-Rakowski y colegas (2023), al recoger cómo percibe el profesorado la llegada de la IA generativa, encuentran expectativas y reservas conviviendo: es un retrato de opiniones docentes, no una medición de efectos en el aprendizaje.

La mediación docente implica:

• Selección y evaluación de herramientas de IA adecuadas para los objetivos del curso.
• Diseño de actividades que integren la IA de manera que promueva el aprendizaje activo y no solo la obtención de respuestas.
• Formación de criterio en los estudiantes para evaluar críticamente las respuestas generadas por IA (por ejemplo, comprobar una cita antes de usarla).
• Supervisión ética del uso de IA, atendiendo a cuestiones de privacidad, sesgo y transparencia.

Fortalecimiento de los aprendizajes

#

La IA contribuye al fortalecimiento de los aprendizajes al permitir al docente enfocarse en lo pedagógico. Al automatizar tareas rutinarias de evaluación, retroalimentación o provisión de recursos básicos, y al ofrecer datos procesados sobre el progreso del grupo, la IA libera tiempo para que el profesor se dedique a:

• Diseñar experiencias de aprendizaje más ricas y complejas.
• Atender de manera individualizada a estudiantes que lo requieran.
• Facilitar discusiones de mayor profundidad en el aula.
• Reflexionar sobre y mejorar su práctica docente a través del portafolio de docencia.

Relación con los marcos pedagógicos

#

La integración de la IA debe evaluarse con los mismos marcos que se aplican a cualquier tecnología educativa:

• El modelo SAMR permite distinguir si la IA se usa como mera sustitución (por ejemplo, un chatbot que reemplaza una búsqueda en Google) o como redefinición (actividades previamente imposibles, como la personalización a escala).
• El modelo ICAP ayuda a describir qué hace la persona con el conocimiento —recibe, manipula, construye o dialoga— con independencia de la interfaz: copiar la respuesta de un chat sigue siendo una conducta receptiva.
• La taxonomía de Bloom da el vocabulario para nombrar qué proceso pide una actividad —recordar, comprender, aplicar, analizar, evaluar o crear— y comprobar si la entrega lo permite practicar. No es una escalera que haya que subir: recordar con precisión puede ser exactamente lo que una unidad necesita, y una tarea llamada «crear» puede pedir poco si solo rellena una plantilla.