Agrupa los marcos metodológicos, rutas de diseño inverso, actividades guiadas y productos de aprendizaje orientados a que el estudiantado formule, contraste, explique y reelabore ideas por cuenta propia. Parte del principio de que el aprendizaje ocurre en el trabajo cognitivo observable que realiza quien aprende —con o sin apoyo tecnológico— y ofrece criterios para alinear objetivos, secuencias didácticas y evidencias.
Un ensayo controlado muestra que un tutor de IA bien diseñado puede superar a una clase activa en un contexto acotado; las revisiones advierten que muchas promesas van por delante de la evidencia. La articulación entre IA y acompañamiento humano es lo que falta.
La personalización con IA mejora algunos indicadores y empeora otros. Distinguir cuáles importa para no comprar la promesa entera ni descartarla por completo.
Revisa una herramienta antes de autorizarla o documenta una práctica para que otra persona pueda repetirla; antes, sigue publicaciones, herramientas emergentes y redes.
Orientaciones, ejemplos de políticas de curso, un informe comparativo y una revisión secundaria para redactar reglas claras sin copiar modelos extranjeros.
Plantilla, criterios de calidad y errores frecuentes al capturar una intervención docente con IA. Pensado para coordinaciones que reciben envíos de docentes.
Una relectura de Gilbert Simondon y del concepto de mundoambiente de Flavia Costa para mover el debate educativo desde «¿cómo usamos la IA?» hacia «¿en qué entorno técnico estamos enseñando?».
De la denuncia del sesgo a la auditoría pedagógica: cómo convertir los sesgos de los modelos generativos en objeto de aprendizaje y no en error reproducido.
La integridad con IA depende de reglas comprensibles, declaración, atribución, responsabilidad y evidencia proporcional; ningún detector reconstruye por sí solo la autoría.