Cole y Marandi proponen leer el aprendizaje con IA como una relación entre estudiantes, plataformas y universidad. Su aporte más fértil no es probar que la IA mejore o empeore el aprendizaje, sino mostrar qué condiciones de presión, aceleración y evaluación hacen que ciertas formas de uso parezcan necesarias.
Frente a los límites del constructivismo ante sistemas opacos, Anita Samuel propone la «coagencia epistémica» para articular la colaboración humano-máquina sin caer en la pasividad cognitiva ni ceder el juicio crítico.
Revisión narrativa de evidencia experimental y respuestas institucionales sobre IA y aprendizaje; distingue tendencias, efectos situados y orientaciones.
El estudio de UNESCO IESALC reúne respuestas de 200 instituciones de 19 países y muestra una brecha decisiva: la IA se adopta más rápido de lo que las universidades construyen capacidades, políticas y mecanismos de seguimiento.
Elabora un tutorial que otra persona pueda ejecutar, prueba sus instrucciones y corrige ambigüedades; utiliza IA para revisar la ayuda sin dar por validado el procedimiento.
Organiza una actividad para demostrar que un producto, servicio o procedimiento responde a requisitos, revisar sus fallos y justificar mejoras con ayuda de IA.
Diseña una rúbrica con criterios observables, prueba sus descriptores en trabajos concretos y revisa qué permite distinguir antes de utilizarla para evaluar.
Diseña acciones vinculadas con un problema documentado, examina sus condiciones y efectos esperados y utiliza IA para cuestionar una intervención propuesta.
