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.
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.
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.
