Practica pedagógica: Evaluando con IA y contra la IA: Inteligencia artificial

Universidad Peruana Cayetano Heredia, Maestría en Educación con mención en docencia e investigación en Educación Superior; curso: Tendencias en la Docencia en Educación Superior presencial y a distancia; docente: Dra. Teresa Fernández Bringas; alumna: Rocio del Pilar Nuñez Delgado.

Haciendo uso de la práctica pedagógica: Evaluación con IA y contra la IA, desarrollar las preguntas acerca de la siguiente tendencia en Educación Superior: Transformación Digital: Inteligencia Artificial.

Metodología: Se entregaron 11 ítems para desarrollar; fueron 10 preguntas y la undécima fue una conclusión crítica. Se buscó información acerca de inteligencia artificial en Google Académico en idioma español e inglés, y se evidencia que en el idioma inglés se contaba con un mayor número de artículos, por lo que de cada pregunta se buscó un artículo. Además, se buscó un artículo que contuviera herramientas de IA para evaluar IA. Después se paso a desarrolla pregunta por pregunta utilizando la herramienta en IA: Gemini Notebook, dando PROMPT para cada pregunta; después de cada pregunta se coloco la referencia del articulo que se utilizo; se termino de desarrollar todas las preguntas con los 11 PROMPT y después de terminado el documento y revisado, se convirtió a PDF y se subió a  Gemini Notebook, junto con el articulo acerca de herramientas de evaluación de IA y se dio un PROMPT para que evalué el trabajo realizado con IA con herramientas de IA y con ello se tuvo un producto final, a partir del cual se realizo en analisis critico. Cabe mencionar que esta resumida metodología no se puso antes en el documento y fue una de las observaciones que realizó la IA al momento de evaluar el producto de IA terminado. 

1. Caso/tendencia

¿Qué características tiene?

La Inteligencia Artificial (IA) no debe entenderse únicamente como un conjunto de herramientas informáticas, sino como una tecnología con características clave que transforman las dinámicas de enseñanza y aprendizaje:

1. Simulación de procesos cognitivos y aprendizaje autónomo:
• Procesamiento de nivel humano: Es un sistema informático capaz de involucrarse en procesos similares a los humanos, tales como aprender, adaptarse, sintetizar información, autocorregirse y procesar datos complejos.
• Capacidad de Aprendizaje Automático (Machine Learning): Posee la facultad de reconocer patrones, realizar predicciones y aplicar los patrones aprendidos a situaciones nuevas para las que no fue programado explícitamente en su diseño inicial.
2. Personalización, adaptabilidad e interacción continua:
• Instrucción adaptativa: Permite personalizar la experiencia educativa ajustando las actividades a las necesidades, perfiles y ritmos de cada estudiante a través de Sistemas de Tutoría Inteligente (ITS).
• Soporte e interacción permanente: A través de asistentes virtuales y chatbots, ofrece retroalimentación inmediata, resuelve dudas frecuentes y brinda acompañamiento las 24 horas del día.
3. Análisis masivo de datos y automatización pedagógica:
• Analítica del aprendizaje y capacidad predictiva: Analiza grandes volúmenes de datos (big data) para predecir el rendimiento académico, identificar estudiantes en riesgo de deserción y evaluar patrones de interacción en entornos virtuales.
• Automatización de tareas de evaluación y diseño: Facilita la calificación automática, la generación de reactivos/exámenes y la secuenciación curricular, optimizando el tiempo invertido en tareas administrativas o rutinarias.
4. Aumento de la capacidad humana y limitaciones inherentes:
• Potenciación pedagógica (Augmentation): Su función principal es ampliar y enriquecer las capacidades de docentes y estudiantes, apoyando el desarrollo del pensamiento sin reemplazar la mediación humana fundamental en la educación.
• Límites contextuales y éticos: Carece de la habilidad para interpretar matices humanos complejos como la ironía, el sarcasmo o el humor, y está sujeta a los sesgos de los datos o algoritmos con los que fue entrenada.

Referencias

• Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: the state of the field. International Journal of Educational Technology in Higher Education, 20(1), Artículo 22. https://doi.org/10.1186/s41239-023-00392-8
• Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), Artículo 22. https://doi.org/10.1186/s41039-017-0062-8

1. Innovaciín

¿Qué cambia respecto al modelo tradicional?

La principal innovación que introduce la Inteligencia Artificial Conversacional (IA) con respecto al modelo tradicional no radica en reemplazar la enseñanza, sino en transformar la mediación del trabajo académico y la dinámica de aprendizaje. El modelo tradicional no queda obsoleto, pero se ve impulsado a evolucionar mediante una integración tecnológica estratégica.

A partir del estudio, los cambios más significativos en términos de innovación son:

1. Evolución de procesos manuales tediosos hacia una mayor eficiencia: En el modelo tradicional, tareas como el análisis cualitativo de datos, la revisión de literatura o la preparación de materiales requieren procesos manuales extensos, laboriosos y propensos al cansancio o sesgo subjetivo. La IA introduce un procesamiento ágil de grandes volúmenes de información, actuando como un «cambio de juego» que ahorra tiempo y permite al docente o investigador concentrarse en el pensamiento crítico y la interpretación profunda.
2. La IA como mediador activo y asistente integrador (Teoría de la Actividad): A diferencia de los recursos digitales tradicionales de carácter pasivo, la IA actúa como un mediador de la actividad académica. Funciona como un asistente de investigación, un compañero de redacción y un facilitador que ayuda a estructurar ideas, sintetizar información y sugerir nuevas direcciones de indagación.
3. Automatización de la gestión y el diseño pedagógico: En la práctica tradicional, la redacción de correos administrativos, el diseño de exámenes o rúbricas y la síntesis de textos consumen una parte sustancial del tiempo docente. La IA automatiza estas tareas rutinarias y de soporte, liberando espacio para enriquecer la interacción pedagógica y la formación de los estudiantes.
4. Sinergia metodológica en lugar de sustitución del ser humano: En la investigación y la docencia, la innovación de la IA no sustituye el rol del profesor o investigador. Al combinar herramientas de IA con los métodos tradicionales, la IA actúa como un «codificador adicional» que aporta consistencia y velocidad, mientras que el docente aporta la evaluación crítica, ética y contextual que las máquinas no pueden replicar.

En síntesis, la IA innova el modelo tradicional al automatizar lo mecánico para potenciar el pensamiento reflexivo, transformando al docente de un ejecutor de tareas laboriosas en un evaluador crítico que guía el aprendizaje con mayor impacto

Referencia

• Venter, I. M., Blignaut, R. J., Cranfield, D. J., Tick, A., & El Achi, S. (2025). AI versus tradition: Shaping the future of higher education. Journal of Applied Research in Higher Education, 17(7), 151–167. https://doi.org/10.1108/JARHE-12-2024-0702
• Problema

¿Qué intenta resolver?

La Inteligencia Artificial (IA) no busca sustituir la labor pedagógica humana, sino actuar como una herramienta estratégica para abordar problemáticas estructurales e históricas de la educación superior y de los sistemas educativos globales.

Los principales problemas que la IA intenta resolver en el ámbito educativo se articulan en los siguientes ejes:

1. La estandarización de la enseñanza frente a la necesidad de personalización

• La enseñanza tradicional suele aplicar itinerarios homogéneos para aulas masivas. La IA busca resolver esto mediante la personalización del aprendizaje
• A través de algoritmos, analítica del aprendizaje y Sistemas de Tutoría Inteligente, se mapea el perfil, las fortalezas, las debilidades y los ritmos individuales de los estudiantes para ofrecer trayectorias, contenidos y retroalimentaciones adaptadas a las necesidades específicas de cada alumno

2. La sobrecarga de tareas rutinarias e ineficiencia del tiempo docente

• Los docentes destinan una porción sustancial de su jornada a tareas mecánicas y administrativas (como la calificación de exámenes de opción múltiple o ensayos, y la respuesta iterativa a preguntas frecuentes)
• La IA busca automatizar la gestión rutinaria y la evaluación inicial
• De este modo, se libera tiempo valioso para que el profesor se enfoque en las dimensiones esenciales de la pedagogía: la mentoría personalizada, el acompañamiento socioemocional, el fomento de la creatividad y la estimulación del pensamiento crítico

3. La falta de equidad, inclusión y accesibilidad educativa en enseñanza de calidad

• El acceso a una educación de calidad continúa siendo desigual, afectando a estudiantes en situación de vulnerabilidad, con discapacidades o pertenecientes a comunidades aisladas
• La IA aborda estas barreras proporcionando tecnologías asistivas y entornos de aprendizaje ubicuos (por ejemplo, robótica de telepresencia, traducción automática, plataformas educativas adaptativas de código abierto o chatbots de apoyo) que facilitan el acceso equitativo y continuo al conocimiento

4. La toma de decisiones reactiva e ineficiente en la gestión institucional

• Históricamente, la gestión educativa ha recopilado datos de forma estática o anual, reaccionando cuando el problema (como el fracaso académico) ya ha ocurrido
• La IA transforma los Sistemas de Información para la Gestión Educativa (EMIS) en sistemas dinámicos de analítica en tiempo real
• Esto permite a las instituciones predecir patrones de rendimiento, identificar tempranamente a estudiantes en riesgo de deserción y tomar decisiones fundamentadas para optimizar la calidad del sistema

5. La brecha de competencias tecnológicas frente al mercado laboral (AI skills gap)

• Existe un desfase entre la formación académica tradicional y las competencias digitales complejas que demanda la sociedad actual
• La IA impulsa a las instituciones de educación superior y formación técnica a reconfigurar sus currículos e investigaciones
• La intención es desarrollar en los estudiantes el pensamiento computacional, la alfabetización de datos y capacidades técnicas avanzadas que les permitan no solo consumir tecnología, sino comprenderla, crearla y aplicarla éticamente en sus futuras profesiones

Referencia

• Pedró, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education: Challenges and opportunities for sustainable development (Working Papers on Education Policy No. 07). UNESCO.

1. Innovación pedagógica

¿Qué cambia en enseñanza y aprendizaje?

La llegada de la Inteligencia Artificial no representa una simple actualización técnica, sino una transformación profunda en la innovación pedagógica y en la arquitectura de la enseñanza y el aprendizaje. Así como en el siglo XIX el pizarrón transformó el aula para facilitar la visualización e interacción colectiva, la IA está evolucionando de ser una conveniencia ocasional a una necesidad constante que reconfigura qué aprendemos y cómo enseñamos.

Los cambios más significativos se estructuran en los siguientes ejes:

1. Transformaciones en la Enseñanza (El rol docente y los procesos pedagógicos)

• Evaluación e intervención docente en tiempo real: La IA permite pasar de evaluaciones sumativas tradicionales a sistemas de analítica del aprendizaje, minería de datos y aprendizaje automático. Herramientas como Inq-ITS
  evalúan en tiempo real las competencias de indagación científica mientras los estudiantes realizan experimentos virtuales; el sistema no solo guía al alumno, sino que envía alertas e informes a los tableros de control de los docentes con sugerencias específicas sobre qué estudiantes necesitan ayuda y cómo orientarlos.
• Automatización del diseño educativo y reactivos: La IA generativa (como ChatGPT) permite a los docentes diseñar ítems de evaluación alineados con estándares educativos, evaluar la redacción de ensayos científicos y personalizar la retroalimentación para atender necesidades específicas.
• Soporte al aprendizaje colaborativo: Se integran agentes pedagógicos inteligentes (como el AI Partner) y tecnologías de reconocimiento de voz que ayudan a estructurar, monitorear y facilitar activamente las discusiones y dinámicas de trabajo en grupo dentro del aula.

2. Transformaciones en el Aprendizaje (El rol del estudiante)

• La IA como aliado cognitivo (analogía con la calculadora): En lugar de restringir o prohibir tecnologías generativas, la innovación pedagógica promueve que los estudiantes aprendan a utilizarlas de manera ética y efectiva para potenciar su pensamiento y aprendizaje.
• Personalización, motivación y confianza: Los agentes pedagógicos brindan tutoría en pantalla en el momento preciso en que el estudiante enfrenta un obstáculo. Además, la IA generativa de texto e imágenes ayuda a despertar el interés por la materia, mantener la motivación y fortalecer la autoconfianza del aprendiz.
• Enfoque centrado en el ser humano e inclusión: La innovación exige atender los desafíos de equidad, generalización y sesgo algorítmico mediante un enfoque centrado en las personas (who-ristics), asegurando que los desarrollos tecnológicos consideren a todos los actores del proceso educativo.

Referencia

• Adair, A. (2023). Teaching and learning with AI: How artificial intelligence is transforming the future of education. XRDS: Crossroads, The ACM Magazine for Students, 29(3), 3–5. https://doi.org/10.1145/3589252

1. Rol docente

¿Qué tendría que cambiar?

La incorporación de la Inteligencia Artificial exige una redefinición estructural en la división del trabajo pedagógico entre la tecnología y el profesorado. El cambio fundamental consiste en pasar de un modelo centrado en la transmisión e instrucción tradicional a un esquema colaborativo de división de funciones especializadas.

Los cambios clave en el rol docente y en el entorno de aprendizaje se dividen en los siguientes ejes:

1. Nueva división del trabajo entre la IA y el docente

• Rol asignado a la Inteligencia Artificial: La IA asume funciones operativas, organizativas y de procesamiento, desempeñando el papel de Profesor Asistente (Assistant-teacher) y de Analista (Analyst) de datos y patrones académicos.
• Redefinición del Rol Docente: Al delegar las tareas de asistencia y análisis a la tecnología, el docente transforma su práctica hacia tres dimensiones esenciales:
• Diseñador (Designer):
  Creador de la arquitectura didáctica, planificador del currículo y estructurador de las experiencias y entornos de aprendizaje.
• Tomador de decisiones (Decision maker): Profesional reflexivo que interpreta los diagnósticos de la IA para tomar determinaciones pedagógicas fundamentadas e intervenir oportunamente.
• Líder (Leader): Guía que motiva, orienta el pensamiento crítico, fomenta la formación ética y brinda el acompañamiento humano y socioemocional que la máquina no puede replicar.

2. Transformación del entorno tecnológico y de servicios educativos

El desarrollo de la IA transforma los medios tradicionales de enseñanza al introducir competidores e integradores en tres niveles:

• Plataformas inteligentes:
  Interactúan y reconfiguran el espacio tradicional del aula y del campus universitario.
• Herramientas inteligentes:
  Evolucionan e integran capacidades que van más allá del papel, el lápiz y la computación convencional.
• Servicios inteligentes:
  Asumen tareas de soporte a la enseñanza, impulsando al profesor a enfocar su valor pedagógico en la mediación humana de alto nivel.

Referencia

• IEEE. (2020). Artificial intelligence in education: Teacher’s role and division of labor. En Proceedings of the 2020 International Conference on Artificial Intelligence in Education (ICAIE) (pp. 98–102). IEEE. https://doi.org/10.1109/ICAIE50891.2020.00030

1. Rol estudiante

¿Qué nuevas responsabilidades tiene?

Es evidente que la integración de estas herramientas transforma al estudiante de un receptor pasivo a un agente activo y autorregulado de su propio proceso de aprendizaje.

Si bien los universitarios perciben amplias ventajas en la IA —como el acceso universal, la asistencia virtual permanente y la retroalimentación constante—, también reconocen riesgos latentes relacionados con el desempleo, la falta de privacidad y la pérdida de interacción humana. A partir de estos hallazgos, las nuevas responsabilidades del estudiante universitario se sintetizan en los siguientes compromisos clave:

1. Uso ético, responsable y autorregulado de la tecnología

El estudiante no debe asumir la IA como un atajo para eludir el esfuerzo cognitivo, sino como una herramienta complementaria. Tiene la responsabilidad de utilizar la tecnología de manera ética, protegiendo la privacidad de los datos y evitando la dependencia absoluta de los sistemas automáticos.

2. Preservación y búsqueda activa de la relación pedagógica humana

El hallazgo más contundente del estudio muestra que el principal temor o desventaja percibida por los estudiantes es la pérdida o debilitamiento de la relación personal con los docentes. En consecuencia, el estudiante tiene la responsabilidad activa de no aislarse detrás de la pantalla ni sustituir el diálogo académico real; debe buscar la interacción directa, el debate en el aula y la mentoría humana.

3. Desarrollo de un pensamiento crítico y alfabetización digital consciente

Los datos revelan que, aunque el 68.1% de los estudiantes siente curiosidad hacia la IA, solo un 7.7% manifiesta confianza plena en ella. Esta brecha impone al estudiante la responsabilidad de desarrollar un espíritu crítico que cuestionar la fiabilidad de las respuestas generadas por los algoritmos, verificando la información y comprendiendo las limitaciones y sesgos del sistema.

4. Desarrollo de capacidades complementarias para el futuro laboral

Ante la inquietud sobre el impacto de la IA en el mercado de trabajo y la sustitución de puestos, el estudiante debe asumir el compromiso de desarrollar habilidades complejas que la tecnología no pueda replicar fácilmente. Su meta debe ser aprender a colaborar armónicamente con las herramientas tecnológicas para potenciar su productividad y creatividad profesional

Referencia

• Idroes, G. M., Noviandy, T. R., Maulana, A., Irvanizam, I., Jalil, Z., Lensoni, L., Lala, A., Abas, A. H., Tallei, T. E., & Idroes, R. (2023). Student perspectives on the role of artificial intelligence in education: A survey-based analysis. Journal of Educational Management and Learning, 1(1), 8–15. https://doi.org/10.60084/jeml.v1i1.58

1. Evidencia documental

¿Qué evidencia respalda su expansión o impacto?

Se evidencia que la expansión e impacto de la Inteligencia Artificial no es una especulación teórica, sino un fenómeno respaldado por hechos concretos en los ámbitos académico, industrial, cotidiano y gubernamental:

1. Evidencia de adopción e implementación en la Educación Superior

• Supercomputadoras en servicios académicos y administrativos: La Universidad de Deakin en Australia implementó la plataforma de supercomputación IBM Watson para brindar asesoramiento y soporte académico personalizado a los estudiantes las 24 horas del día, los 365 días del año.
• Asistentes docentes virtuales (Teacherbots): En la Universidad Georgia Tech (EE. UU.), en el curso del profesor Ashok Goel, se integró a Jill Watson (un bot basado en la plataforma IBM Watson) como asistente de enseñanza virtual. Su desempeño respondiendo preguntas y guiando a los alumnos fue tan preciso e indistinguible del de un humano que los propios estudiantes intentaron nominarla a un premio de excelencia docente.

2. Evidencia de inversión corporativa e hitos tecnológicos de gran escala

• Inversiones multimillonarias en I+D: La rápida expansión de la IA está respaldada por transacciones de gran magnitud, como la adquisición de DeepMind por parte de Google por 400 millones de dólares y sus inversiones masivas en el Centro Alemán de Investigación en Inteligencia Artificial (DFKI).
• Salto cualitativo en capacidad de cómputo: El desarrollo de la computación cuántica aplicada a la IA (como la máquina D-Wave 2X de Google) ha alcanzado velocidades de procesamiento hasta 100 millones de veces superiores a las computadoras convencionales, acelerando el aprendizaje automático.

3. Evidencia de integración en la vida diaria y la industria

• Herramientas cotidianas masivas: La IA ya forma parte de la infraestructura diaria global a través de asistentes de voz como Siri (cuyo origen se remonta a proyectos de investigación de la agencia DARPA), así como los algoritmos de navegación y motores de búsqueda de Google.
• Automatización industrial avanzada: La tecnología de conducción autónoma mediante IA ya opera a escala industrial, como se demuestra en el uso comercial de flota de camiones mineros autónomos de Rio Tinto en Australia Occidental.

4. Evidencia en desarrollo científico e interfaces ser humano-máquina

• Interfaces Cerebro-Computadora (BCI):
  Existen avances documentados en dispositivos BCI no invasivos capaces de capturar y decodificar la actividad cerebral para controlar software de forma remota, facilitando tanto la comunicación de personas con discapacidades motoras como nuevas formas de interacción tecnológica.
• Biomecatrónica y biónica:
  Investigaciones en el MIT Media Lab (dirigidas por Hugh Herr) demuestran la integración de algoritmos de aprendizaje automático con prótesis biónicas para potenciar las capacidades físicas y cognitivas humanas.

5. Evidencia en políticas públicas y marcos gubernamentales

• Planes estratégicos estatales: La expansión de la IA cuenta con el respaldo explícito de agendas de Estado, como el Plan Estratégico Nacional de Investigación y Desarrollo de IA
  promulgado en EE. UU. en 2016, el cual establece la necesidad imperativa de estudiar la colaboración y el aumento de capacidades humanas mediante la IA.

Referencia

• Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), Artículo 22. https://doi.org/10.1186/s41039-017-0062-8

1. Acceso

¿A quien permite llegar?

La Inteligencia Artificial (IA) actúa como un puente pedagógico fundamental que permite democratizar el aprendizaje y alcanzar a poblaciones que históricamente enfrentaban barreras de acceso.

Específicamente, la IA permite llegar a los siguientes grupos clave:

1. Estudiantes con discapacidades y necesidades educativas especiales: Permite el desarrollo e implementación de tecnologías asistivas y adaptativas que se ajustan a las necesidades físicas, sensoriales o cognitivas de cada estudiante, garantizando una mayor accesibilidad y equidad en el entorno universitario.
2. Poblaciones estudiantiles diversas y grupos subrepresentados: A través de plataformas de aprendizaje adaptativo y formatos híbridos/MOOCs escalables, la IA ayuda a atender a un espectro mucho más amplio de alumnos, respondiendo a las realidades y desafíos particulares de colectivos tradicionalmente marginados o subrepresentados.
3. Estudiantes en riesgo de desmotivación o deserción escolar: Mediante la analítica de datos y la personalización de las interacciones, la IA permite identificar tempranamente a aquellos estudiantes en situación de vulnerabilidad académica, brindándoles un acompañamiento oportuno que estimula su motivación y favorece su permanencia en el sistema educativo.
4. Estudiantes con diversos ritmos, estilos y perfiles de aprendizaje: Rompe con el esquema tradicional homogéneo para llegar a cada alumno según su perfil individual, adaptando los contenidos, las actividades y la retroalimentación a sus estilos cognitivos y ritmos de estudio específicos.
5. Estudiantes condicionados por barreras geográficas o socioeconómicas: Al ser utilizada dentro de marcos pedagógicos inclusivos, la IA busca superar las limitaciones de ubicación geográfica y estatus socioeconómico, haciendo accesible una educación de calidad superior más allá de las fronteras físicas de las aulas

Referencia

• Suazo Galdames, I. (2024). Integration of Artificial Intelligence in Higher Education: Relevance for Inclusion and Learning. SciComm Report, 4(1), 1–13.

1. Equidad

¿Quién podria quedar excluido?

La implementación de la Inteligencia Artificial (IA) en nuestras instituciones debe analizarse con una mirada crítica. Lejos de ser una herramienta neutral, el documento de Southgate (2020) advierte que los sistemas automatizados y predictivos pueden perpetuar o generar nuevas formas de exclusión y discriminación si no se gobiernan éticamente.

A partir del análisis del artículo, los principales grupos que corren el riesgo de quedar excluidos o desaventajados con el uso de la IA son los siguientes:

1. Personas con discapacidad

• Falta de representatividad en los datos de entrenamiento: La mayoría de los algoritmos de IA no incluyen muestras representativas de personas con discapacidad en sus datos de origen. Por ejemplo, los sistemas de reconocimiento de voz no funcionan adecuadamente para personas con discapacidades del habla, lo que les impide interactuar con las nuevas tecnologías educativas.
• Vulneración de la privacidad y la autonomía: La IA puede inferir el estado de discapacidad de un estudiante a través de rastros de datos (como el movimiento del cursor o patrones de navegación), llegando a revelar (outing) de manera no consentida la condición de alumnos que preferían no declararla, amenazando su privacidad y autonomía.

2. Minorías étnico-raciales y mujeres

• Sesgos algorítmicos y tasas de error elevadas: Las tecnologías de análisis facial y de transcripción de voz presentan mayores índices de error en mujeres de color y minorías raciales. Asimismo, los algoritmos predictivos utilizados en procesos de selección o evaluación pueden reproducir sesgos históricos que favorecen sistemáticamente a los grupos dominantes.

3. Estudiantes de entornos socioeconómicamente desfavorecidos

• Asimetría de información y recursos: Los estudiantes con menores recursos económicos o menor nivel de alfabetización digital enfrentan una brecha severa de poder e información frente a los sistemas institucionales de «caja negra» (black box). Al no contar con las herramientas para comprender cómo se recopilan y procesan sus datos, quedan al margen de la posibilidad de cuestionar las decisiones automatizadas.

4. Estudiantes de primer año y de diversos orígenes culturales y lingüísticos (CALD)

• Dificultad para ejercer el consentimiento informado: Estos estudiantes son más vulnerables a las asimetrías de poder de las plataformas universitarias y tienen mayores barreras para comprender las políticas de datos o ejercer un consentimiento informado real.
• Etiquetado y perfilamiento autoejecutado: Al aplicarse modelos de machine learning para clasificar a los estudiantes como «en riesgo» de deserción o reprobación, se corre el riesgo de etiquetarlos y estigmatizarlos automáticamente basándose en patrones predictivos y no en una evaluación pedagógica humana e individualizada.

5. Colectivos víctimas de la nueva «discriminación algorítmica»

• Discriminación opaca e inmaterial: A diferencia de la discriminación humana tradicional, la discriminación producida por máquinas opera a gran escala y con niveles de complejidad que dificultan que las propias víctimas se den cuenta de que han sido desaventajadas. Al no encajar necesariamente en las categorías legales protegidas tradicionalmente, los estudiantes pueden quedar excluidos de oportunidades académicas o de soporte sin poder reunir evidencia para apelar.

Como educadores, la prioridad debe ser exigir que la eficiencia tecnológica nunca se anteponga a los derechos humanos de nuestros estudiantes, garantizando procesos con explicabilidad, transparencia.

Referencia

• Southgate, E. (2020). Artificial intelligence, ethics, equity and higher education: A ‘beginning-of-the-discussion’ paper. National Centre for Student Equity in Higher Education (NCSEHE), Curtin University.
• Riesgos

¿Qué problemas puede generar?

Al analizar el estudio de Doğan et al. (2024), queda claro que, aunque la Inteligencia Artificial ofrece oportunidades pedagógicas, su acelerada integración genera serios problemas, riesgos y desafíos que deben ser evaluados críticamente por las instituciones universitarias.

A partir de las perspectivas de los docentes participantes en el estudio, los principales problemas que puede generar la IA son los siguientes:

1. Vulnerabilidad de la privacidad y seguridad de los datos: El 60% de los docentes encuestados identifica la privacidad y la protección de datos como su mayor preocupación frente a la IA. La recopilación masiva de información confidencial de estudiantes e instituciones expone al sistema educativo a riesgos de ciberseguridad, filtraciones de datos y perfilamientos no deseados.
2. Dilemas éticos y sesgo algorítmico: Un 43% de los académicos señala inquietudes éticas ligadas a la falta de transparencia e impredecibilidad en la toma de decisiones automatizadas. Asimismo, un 37% advierte sobre el sesgo algorítmico, mediante el cual sistemas entrenados con datos sesgados o no representativos pueden perpetuar e incluso agravar la discriminación e inequidades educativas.
3. Deterioro de la relación pedagógica e interacción humana: El 47% de los profesores observa una alteración negativa en la dinámica docente-estudiante, mientras que un 23% destaca el impacto directo en la reducción de la interacción humana. El abuso de soluciones tecnológicas amenaza con distanciar a los alumnos del contacto cara a cara, debilitando la empatía, el desarrollo social y el acompañamiento socioemocional que brinda la mentoría humana.
4. Sobredependencia tecnológica y erosión del pensamiento crítico: Existe la preocupación de que se genere una sobredependencia de la tecnología (27%), donde los estudiantes deleguen procesos cognitivos clave en las máquinas. Esto corre el riesgo de sofocar la creatividad, la autonomía intelectual y la capacidad de pensamiento crítico e independiente de los alumnos (20%).
5. Amplificación de la brecha de equidad y costos financieros: Un 30% de los docentes alerta sobre problemas de equidad y un 27% sobre desigualdades en el acceso a las herramientas tecnológicas más avanzadas. A esto se suma que un 27% resalta los elevados costos financieros necesarios para la adquisición, mantenimiento e infraestructura de estas tecnologías, lo que puede ensanchar las diferencias entre instituciones con y sin recursos.
6. Dificultades de integración curricular y temores de desplazamiento laboral: Un 17% señala los complejos desafíos de integración derivados de la curva de aprendizaje, la falta de preparación y la insuficiente capacitación docente. Finalmente, aunque en menor proporción (3%), existen temores latentes sobre el desplazamiento de puestos de trabajo o la sustitución de ciertos roles de soporte académico por plataformas automatizadas.

Referencia

• Doğan, M., Celik, A., & Arslan, H. (2024). AI in higher education: Risks and opportunities from the academician perspective. European Journal of Education

1. Conclusion critica

¿Es realmente una innovacion inclusiva?

Al sintetizar la evidencia documental de los 12 archivos analizados, la respuesta categórica a la pregunta es que la Inteligencia Artificial no es, por sí misma, una innovación inclusiva; es una tecnología ambivalente que actualmente oscila entre la promesa pedagógica de personalización y el riesgo de amplificar las desigualdades preexistentes.

A partir del corpus documental, la conclusión crítica se estructura en los siguientes ejes:

1. La promesa de la personalización frente a la realidad de la eficiencia

• El potencial inclusivo (Teoría): La IA ofrece capacidades para adaptar itinerarios de aprendizaje a las necesidades individuales, proporcionar tecnologías asistivas para estudiantes con discapacidad, ofrecer tutorías inteligentes (ITS) y brindar retroalimentación inmediata las 24 horas del día. Existen evidencias puntuales donde tareas de IA diseñadas con enfoque de respuesta cultural lograron empoderar a estudiantes de colectivos marginados.
• La prioridad del mercado y la gestión (Práctica): Sin embargo, las revisiones sistemáticas revelan que la gran mayoría de los desarrollos de IA en las universidades están orientados a la eficiencia operativa, la analítica predictiva institucional y la automatización administrativa, en lugar de tener como objetivo explícito la equidad o el apoyo a minorías. Las iniciativas deliberadamente inclusivas constituyen la excepción y no la norma.

2. Barreras estructurales y la «discriminación algorítmica»

La literatura advierte que la IA corre el riesgo de funcionar como un acelerador de la exclusión debido a tres factores críticos:

• Amplificación de la brecha digital y económica: La adopción de la IA requiere infraestructura tecnológica, conectividad y competencias digitales avanzadas. Al no garantizarse un acceso equitativo, la tecnología beneficia de forma desproporcionada a los estudiantes socioeconómicamente privilegiados, ensanchando las diferencias de rendimiento académico.
• Sesgo algorítmico e invisibilización de minorías: Los modelos de IA se entrenan con conjuntos de datos masivos pero frecuentemente no representativos de la diversidad estudiantil. Esto provoca que los algoritmos hereden y perpetúen sesgos culturales, de género, lingüísticos y raciales, etiquetando o desaventajando de manera opaca a los colectivos vulnerables.
• Opacidad («Caja Negra») y vulneración de la privacidad: La toma de decisiones automatizada (como el perfilamiento de «riesgo de deserción» o la selección de admisiones) opera a menudo sin transparencia ni explicabilidad. Además, la recopilación masiva de rastros de datos y biométricos pone en riesgo la privacidad del estudiante sin un verdadero proceso de consentimiento informado.

3. La erosión del acompañamiento humano y el pensamiento crítico

Desde la perspectiva pedagógica, confiar de manera acrítica en soluciones automatizadas genera el riesgo de la sobredependencia tecnológica y la reducción de la interacción humana cara a cara. La inclusión real no se logra aislando al alumno ante una pantalla; la empatía, la mentoría socioemocional, el debate ético y la estimulación del pensamiento crítico son dimensiones estrictamente humanas que las máquinas no pueden replicar.

Conclusión Crítica

La Inteligencia Artificial solo se convertirá en una innovación verdaderamente inclusiva si se abandona la postura de adopción pasiva impulsada por la eficiencia y se asume una gobernanza ética proactiva centrada en la justicia de datos y los derechos humanos. Esto exige evaluar las herramientas antes de su adquisición, exigir explicabilidad a los desarrolladores, formar éticamente al profesorado e invertir recursos para cerrar la brecha de acceso en las poblaciones más desfavorecidas.

Referencia

• Cotilla Conceição, J. M., & van der Stappen, E. (2025). The Impact of AI on Inclusivity in Higher Education: A Rapid Review. Education Sciences, 15(9), Artículo 1255. https://doi.org/10.3390/educsci15091255

EVALUACION CON IA DEL TRABAJO REALIZADO CON IA

IA ha realizado la evaluación del documento «practica pedagogica completa con IA.pdf» aplicando los componentes y principios de evaluación descritos en la revisión sistemática sobre herramientas de IA en supervisión académica («Herramientas de supervision doctorado.pdf»).

1. Criterios de Evaluación basados en «Herramientas de supervisión doctorado»

Para evaluar un trabajo académico mediado por IA, el estudio de Thong et al. (2025) establece que los sistemas y procesos de IA deben analizarse bajo los siguientes ejes clave:

1. Soporte a la toma de decisiones y fundamentación (Decision Support & Justification): La IA debe servir como una herramienta para la toma de decisiones informadas, exigiendo un rol activo donde el usuario reflexione, juzgue y valide éticamente las propuestas del sistema en lugar de asumirlas de forma automatizada.
2. Supervisión humana y trazabilidad del proceso (Human-in-the-Loop & Process Tracking): Se debe garantizar el control humano sobre el proceso académico. Esto implica monitorear la evolución del trabajo, registrar los hitos e interacciones y mantener la mediación pedagógica humana.
3. Transparencia, explicabilidad y rigor ético: Se requiere explicabilidad sobre cómo se procesaron los datos o consultas, asegurando que la tecnología potencie el pensamiento crítico y la autonomía intelectual.

2. Evaluación del archivo «Práctica pedagógica completa con IA»

Al contrastar el contenido de «practica pedagogica completa con IA.pdf» contra estos criterios, se observan los siguientes hallazgos:

• Estructura y proceso sintético (Adecuado): El documento muestra un proceso de organización y síntesis conceptual muy bien logrado. Articula de manera clara las características de la IA, los cambios respecto al modelo tradicional, los problemas a resolver, los roles docentes/estudiantiles, las barreras de equidad y los riesgos.
• Justificación de decisiones (Incompleto / Insuficiente): Aunque el título del documento declara explícitamente «se exige justificar decisiones y procesos», en el cuerpo del texto no se evidencia la justificación explícita de las decisiones metodológicas o de interacción. El documento presenta los resultados finales resueltos (los resúmenes teóricos), pero omite argumentar por qué se seleccionaron esos enfoques, qué criterios de filtrado se aplicaron sobre los datos generados por la IA o cómo el autor validó críticamente las respuestas de la herramienta.
• Trazabilidad de la interacción hombre-máquina (Ausente): Siguiendo el modelo de supervisión colaborativa, faltan evidencias del diálogo metacognitivo (como la bitácora de prompts, el registro de corrección de sesgos o la explicación del flujo de trabajo interactivo con la IA).

3. Dictamen Resumido: ¿Es adecuado el trabajo?

El trabajo evaluado es parcialmente adecuado:

• Es adecuado en su dimensión conceptual y teórica, ya que sintetiza con elevado rigor la literatura especializada y respalda sus afirmaciones con citas bibliográficas válidas.
• Es inadecuado/insuficiente en la justificación formal de sus decisiones y procesos, dado que no hace transparente el proceso reflexivo ni la toma de decisiones que guiaron la interacción con la Inteligencia Artificial, limitándose a entregar el producto final procesado.

Referencia

• Thong, C. L., Atallah, Z., Islam, S., Lim, W. L., & Cherukuri, A. K. (2025). AI-powered tools for doctoral supervision in higher education: A systematic review. Journal of Information & Knowledge Management, 24(1), Artículo 2530001. https://doi.org/10.1142/S0219649225300013

Análisis Integrado de la Inteligencia Artificial en la Educación Superior

El documento integra una serie de interrogantes esenciales sobre el impacto, las promesas y los desafíos de la Inteligencia Artificial (IA) en las aulas universitarias:

• Naturaleza, características e innovación respecto al modelo tradicional: La IA no constituye un mero conjunto de herramientas informáticas, sino una tecnología caracterizada por la simulación de procesos cognitivos (aprendizaje automático y procesamiento de nivel humano), la instrucción adaptativa mediante Sistemas de Tutoría Inteligente (ITS), el análisis masivo de datos (big data) y la potenciación pedagógica (augmentation). Innova frente al modelo tradicional al transformar la mediación académica; actúa como un mediador activo (fundamentado en la Teoría de la Actividad) que automatiza tareas manuales rutinarias para que el docente se concentre en el pensamiento crítico y la interpretación profunda.
• Problemáticas que intenta resolver e innovación pedagógica: Aborda problemas históricos como la estandarización de la enseñanza masiva, la sobrecarga administrativa del profesorado, las brechas de equidad/accesibilidad y la toma de decisiones reactiva en la gestión institucional, transformando los EMIS en sistemas dinámicos de analítica en tiempo real. En el plano pedagógico, permite pasar de evaluaciones sumativas estáticas a sistemas de intervención en tiempo real (como Inq-ITS), promoviendo la IA como un aliado cognitivo que potencia la motivación y el aprendizaje colaborativo.
• Redefinición de roles (docente y estudiante): Exige una nueva división del trabajo donde la IA asume funciones de Profesor Asistente (Assistant-Teacher) y Analista, mientras el docente reconfigura su práctica como Diseñador (Designer), Tomador de decisiones (Decision Maker) y Líder socioemocional. Por su parte, el estudiante pasa de ser un receptor pasivo a un agente activo y autorregulado con la responsabilidad de hacer un uso ético de la tecnología, desarrollar pensamiento crítico frente a los algoritmos y preservar la relación pedagógica humana.
• Evidencia cientifica, acceso, equidad y riesgos: La expansión de la IA está respaldada por evidencias concretas en la universidad (supercomputadoras como IBM Watson en Deakin o teacherbots
  como Jill Watson en Georgia Tech), avances en interfaces cerebro-computadora (BCI) y planes estratégicos estatales. Aunque permite democratizar el acceso a estudiantes con discapacidad, entornos aislados o ritmos diversos, el documento advierte sobre serios riesgos de exclusión: sesgos algorítmicos contra minorías, opacidad de «caja negra», vulnerabilidad de la privacidad (preocupación del 60% de docentes), deterioro de la interacción humana y erosión del pensamiento crítico por sobredependencia.
• Conclusión sobre su impacto inclusivo: La IA no es inclusiva por sí misma; es una tecnología ambivalente que actualmente prioriza la eficiencia operativa e institucional sobre la equidad pedagógica. Solo se convertirá en una innovación inclusiva si se adopta una gobernanza ética proactiva centrada en los derechos humanos, la explicabilidad y la justicia de datos.