Integra las reseñas comentadas de artículos científicos sobre inteligencia artificial y educación superior, los ensayos editoriales del blog que discuten tensiones pedagógicas abiertas y las aportaciones docentes donde colegas de la Red Universitaria comparten experiencias, diseños y reflexiones sobre su práctica.
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.
La declaración de uso de IA se ha vuelto obligación de quien es evaluado y cortesía opcional de quien evalúa. Mientras esa asimetría persista, la transparencia funcionará como control y no como norma compartida.
Ajjawi y colegas distinguen autenticidad psicológica, fidelidad ontológica y teoría de la práctica para analizar los propósitos y límites de una evaluación situada.
Un estudio multi-método (N=912, China–Europa–EE.UU.) que reformula el debate sobre la IA en el aula: cuando el estudiante encuadra a la IA como compañero intelectual y no como herramienta, la delegación cognitiva deja de ser un atajo y se vuelve liberación de recursos para el pensamiento de orden superior.
Tres documentos orientadores para bachillerato, licenciatura y posgrado, con sus PDF completos y una comparación que distingue lo común de lo específico de cada nivel.
Un texto breve y seminal de 2008 que sigue siendo la referencia operativa para pensar el aprendizaje no lineal en redes digitales, y que la IA generativa vuelve más vigente que nunca.
Selwyn nombra cuatro límites que el discurso celebratorio de IA en educación rara vez reconoce: modelización estadística, daños a estudiantes de grupos en minoría o en desventaja, pérdidas por hacer la educación ’legible por máquinas’, y costos ecológicos.
La IA generativa obliga a revisar qué evidencia permite valorar aprendizaje; la autenticidad ofrece criterios situados, no una receta inmune a la automatización.
