La inteligencia artificial en la educación superior: entre la promesa y la evidencia

Un análisis crítico sobre lo que la IA generativa puede —y no puede— ofrecer a la docencia universitaria, y por qué la gobernanza institucional ya no es opcional.

---

Introducción

En apenas tres años, la inteligencia artificial generativa (IAG) ha pasado de ser una curiosidad tecnológica a convertirse en un actor cotidiano de la vida universitaria: redacta borradores, resume lecturas, genera código, simula tutores personalizados e incluso corrige exámenes. El entusiasmo institucional ha sido, en muchos casos, proporcional a la velocidad de adopción. Sin embargo, entre la promesa de una "revolución del aprendizaje personalizado" y la evidencia empírica disponible hasta ahora existe una brecha que la comunidad académica no puede permitirse ignorar. Este artículo propone una lectura equilibrada —ni tecnofóbica ni tecnoentusiasta— de ese impacto, con la mirada puesta en la ética, la equidad y la gobernanza institucional.

---

1. Las promesas: lo que se nos ha prometido

El discurso dominante sobre la IAG en educación superior suele articularse en torno a cuatro promesas recurrentes:

• Personalización del aprendizaje a escala, mediante tutores inteligentes que se adaptan al ritmo de cada estudiante.
• Reducción de la carga administrativa docente, liberando tiempo para la retroalimentación de alto valor pedagógico.
• Democratización del acceso a apoyo académico especializado, especialmente para estudiantes de primera generación o con menor capital cultural.
• Preparación para un mercado laboral que exige, cada vez más, fluidez en el uso de herramientas de IA.

Estas promesas no son infundadas: existe evidencia de que un uso reflexivo y bien diseñado de la IAG puede mejorar los procesos de escritura académica y de pensamiento crítico cuando se integra en secuencias didácticas explícitas. Sin embargo, la clave de esa condición —"cuando se integra en secuencias didácticas explícitas"— es precisamente lo que suele omitirse en el discurso promocional.

---

2. Análisis crítico: ¿realmente mejora el aprendizaje?

La literatura reciente sobre IAG y pensamiento crítico converge en una conclusión incómoda para el optimismo tecnológico: el efecto de la IA sobre el aprendizaje no es uniforme ni automático; depende críticamente del modo en que el estudiante interactúa con la herramienta.

Una revisión sistemática publicada en Smart Learning Environments documenta que el uso excesivo de sistemas de diálogo con IA se asocia con un deterioro de capacidades cognitivas relacionadas con el pensamiento crítico y la resolución autónoma de problemas cuando dicho uso no está mediado por una intervención pedagógica intencional (Zhai et al., 2024). En la misma línea, estudios recientes sobre "descarga cognitiva" (cognitive offloading) muestran que delegar tareas de bajo nivel en la IA no es intrínsecamente negativo, pero que la delegación del juicio evaluativo —aceptar acríticamente las respuestas generadas— sí se asocia sistemáticamente con un desempeño académico más débil (López-Pernas et al., 2025, según se cita en Baker & Ogata, 2025).

Dicho de otro modo: la investigación empírica no respalda la idea de que la IA "mejora el aprendizaje" como una propiedad inherente de la herramienta. Lo que mejora —o empeora— el aprendizaje es el diseño pedagógico que rodea su uso. La misma herramienta puede producir aprendizaje profundo en un curso en el que el profesorado exige justificar y revisar críticamente cada output de la IA, y producir "pereza metacognitiva" en un curso en el que se usa como atajo para completar tareas (Zhai et al., 2024). Esta distinción es, quizás, la conclusión más importante —y menos difundida— de la investigación disponible hasta la fecha.

---

3. Ventajas y desventajas: una mirada sin maquillaje

Dimensión	Ventaja documentada	Desventaja o riesgo documentado
Escritura académica	Apoyo en fases de planificación y retroalimentación formativa	Riesgo de homogeneización de la voz y el estilo argumentativo del estudiante
Pensamiento crítico	Puede fortalecerse si el estudiante evalúa y refuta activamente el output de la IA	Puede debilitarse cuando el estudiante acepta la respuesta sin contrastarla (dependencia y "pereza metacognitiva")
Personalización	Retroalimentación inmediata y disponible fuera del horario docente	Sustituye, en algunos casos, la interacción humana necesaria para el andamiaje socioemocional del aprendizaje
Acceso y equidad	Puede reducir barreras de acceso a apoyo académico especializado	Puede ampliar la brecha entre quienes cuentan con conectividad, dispositivos y alfabetización digital adecuada, y quienes no
Productividad docente	Reduce tiempo dedicado a tareas administrativas repetitivas	Introduce nuevas cargas de trabajo: verificación de integridad académica, rediseño de evaluaciones
Integridad académica	Puede usarse como herramienta de aprendizaje declarado y transparente	Facilita formas de fraude académico difíciles de detectar con los instrumentos actuales

---

4. Ética, privacidad y equidad: las preguntas que no podemos posponer

Más allá del debate pedagógico, la adopción de IAG en la universidad plantea al menos tres tensiones estructurales:

Ética. ¿Quién es responsable cuando un sistema de IA proporciona información incorrecta que un estudiante incorpora a su formación profesional? ¿Cómo se garantiza la autoría y la trazabilidad del conocimiento cuando la frontera entre "asistencia" y "sustitución" del trabajo intelectual es cada vez más difusa?

Privacidad. Buena parte de las herramientas de IAG utilizadas en el aula procesan datos de estudiantes —textos, patrones de escritura, en ocasiones datos biométricos en sistemas de proctoring— en servidores de terceros, a menudo fuera de la jurisdicción de protección de datos del país de origen de la institución. La ausencia de políticas claras sobre retención, uso secundario y titularidad de estos datos constituye, hoy, una laguna regulatoria significativa en buena parte de las instituciones de educación superior.

Equidad. La adopción de IA no es neutra en términos de desigualdad. La evidencia disponible en América Latina y el Caribe, por ejemplo, muestra que la brecha no está tanto en el uso de las herramientas —que es ya generalizado— sino en la capacidad institucional de gobernarlas: apenas una cuarta parte de las instituciones de la región cuenta con una estrategia formal de IA, y menos de una de cada diez dispone de mecanismos de evaluación de sus efectos (Valentini et al., 2025). Esta asimetría de gobernanza tiende a reproducirse también al interior de cada institución, entre facultades con recursos para experimentar de forma responsable y otras que adoptan la tecnología sin ningún acompañamiento.

---

5. El riesgo de un uso acrítico

Quizás el mayor riesgo no sea la IA en sí misma, sino la adopción acrítica —tanto por exceso de entusiasmo como por prohibición reactiva—. Ambas posturas comparten un mismo defecto: eluden la pregunta pedagógica de fondo, que no es "¿usar o no usar IA?", sino "¿qué tipo de aprendizaje queremos proteger, y qué papel puede jugar —o no— la IA en ese propósito?". Un uso acrítico se manifiesta, entre otras formas, en:

• Incorporar herramientas de IA en el currículo por presión de mercado o de imagen institucional, sin evidencia pedagógica que lo respalde.
• Prohibir su uso sin ofrecer alternativas para el desarrollo de competencias digitales, lo que empuja su uso a la clandestinidad.
• Evaluar del mismo modo tareas que antes medían un proceso cognitivo que la IA ahora puede automatizar, sin rediseñar el instrumento de evaluación.

---

6. Formación docente y competencias digitales: la pieza que falta

Ninguna política institucional sobre IA —por bien redactada que esté— tiene efecto real si no va acompañada de un proceso sostenido de desarrollo de competencias digitales en los docentes. La Universidad de Hong Kong, por ejemplo, ha optado por instaurar la alfabetización en IA como una "quinta alfabetización", al mismo nivel que la oral, escrita, visual y digital (University of Hong Kong, 2023) —un reconocimiento explícito de que no se trata de una competencia técnica accesoria, sino de una dimensión formativa transversal. Formar al profesorado no debería limitarse al manejo instrumental de herramientas, sino incluir: criterios para el rediseño de evaluaciones auténticas, marcos para el diálogo con el estudiantado sobre uso responsable, y espacios de reflexión colegiada sobre los límites pedagógicos de la delegación cognitiva.

---

7. ¿Necesitamos reforzar la gobernanza? Sí, y con urgencia

La respuesta corta es sí. La respuesta larga es que la gobernanza de la IA en educación superior no puede seguir dependiendo de la voluntad individual de cada docente o de directrices genéricas de "uso responsable" sin mecanismos de seguimiento. La experiencia comparada internacional muestra que los marcos más sólidos comparten al menos tres rasgos: (a) un órgano de gobierno institucional claramente identificado con mandato explícito sobre la política de IA, (b) mecanismos de revisión y actualización periódica —dado que tanto la tecnología como la evidencia pedagógica evolucionan con rapidez—, y (c) instrumentos de rendición de cuentas que permitan evaluar si la política efectivamente protege el aprendizaje, y no solo regula el fraude. La ausencia de gobernanza no es una opción neutra: es, en sí misma, una forma de gobernanza —la más débil de todas— que deja la definición del uso de la IA en manos del mercado tecnológico y de la improvisación individual.

---

Conclusión

La inteligencia artificial generativa no es, por sí sola, ni la solución a los problemas estructurales de la educación superior ni una amenaza existencial para el pensamiento crítico. Es una herramienta cuyo impacto depende, de forma decisiva, del diseño pedagógico, de la formación docente y —sobre todo— de la calidad de la gobernanza institucional que la enmarca. Adoptarla sin gobernanza es tan acrítico como rechazarla sin evidencia.

---

Preguntas para la reflexión

1. En su propia práctica docente o institucional, ¿la incorporación de la IA generativa ha respondido a una necesidad pedagógica identificada, o más bien a la presión de no "quedarse atrás" frente a otras instituciones?
2. Si tuviera que rediseñar una evaluación de su curso partiendo de la premisa de que sus estudiantes tendrán acceso irrestricto a la IA generativa, ¿qué capacidad cognitiva o competencia querría proteger por encima de todas las demás?

---

Referencias (APA 7ª edición)

Baker, R. S., & Ogata, H. (2025). Cognitive offloading in student–AI collaboration: A longitudinal analysis of prompting strategies. Computers & Education. https://www.sciencedirect.com/science/article/pii/S2451958826002046

University of Hong Kong. (2023, 3 de agosto). HKU introduces new policy to fully integrate GenAI in teaching and learning [Comunicado de prensa]. https://www.hku.hk/press/press-releases/detail/26434.html

Valentini, A., Plana, J., & Sabzalieva, E. (2025). Adopción y gobernanza de la IA en la educación superior de América Latina y el Caribe: Resultados de una encuesta regional. Revista Educación Superior y Sociedad, 37(2). https://ess.iesalc.unesco.org/index.php/ess3/article/view/v37i2-dt-14

Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students' cognitive abilities: A systematic review. Smart Learning Environments, 11(1), Artículo 28. https://doi.org/10.1186/s40561-024-00316-7

OpenEU, hacia una universidad abierta europea

 

La alianza OpenEU, coordinada por la Universitat Oberta de Catalunya (UOC), agrupa 14 universidades y 13 asociaciones académicas, empresariales, rurales, municipales y civiles de toda Europa para crear una universidad abierta paneuropea.

Ver artículo completo en: La alianza OpenEU

OpenEU contribuirá a la transformación digital de las instituciones de educación superior y a la integración de la tecnología en la docencia y el aprendizaje.

El objetivo de OpenEU, como primera universidad abierta paneuropea, es reforzar la dimensión digital, ecológica y social del espacio europeo de educación superior (EEES) ofreciendo acceso a una educación superior de calidad y un aprendizaje a lo largo de la vida.

La OpenEU se plantea crear una universidad abierta a escala europea que garantice oportunidades de aprendizaje para todo el mundo, en cualquier momento y desde cualquier lugar, independientemente de las limitaciones de tiempo, el lugar de residencia o el contexto personal o profesional, a fin de fortalecer el espacio europeo de educación superior.

OpenEU es la unión de las visiones comunes y las experiencias de diez universidades, con una misión compartida y diez metas para los próximos cuatro años:

1. Construir los fundamentos para una universidad abierta europea sólida y sostenible.
2. Fomentar la Innovación en planes de estudios, docencia y evaluación, microcredenciales acumulables que pueden conducir a titulaciones oficiales, proporcionar habilidades transferibles técnicas y no técnicas basadas en necesidades.
3. Hacer realidad el aprendizaje a lo largo de la vida por toda Europa, con Rutas de aprendizaje flexibles, personalizadas que faciliten las competencias necesarias para la sociedad y el mercado laboral.
4. Ampliar la participación de colectivos infrarrepresentados y desfavorecidos en la educación superior (como refugiados e inmigradas, mujeres en ámbito STEM, personas con discapacidad o que viven en áreas poco pobladas).
5. Garantizar la calidad del aprendizaje digital y de soluciones educativas innovadoras, a través de la investigación y la innovación basadas en retos.
6. Impulsar la transformación digital de la educación superior en Europa compartiendo la experiencia, conocimientos y recursos de OpenEU con otras universidades.
7. Democratizar la internacionalización a través de opciones de movilidad innovadoras y flexibles.
8. Potenciar la generación, transferencia y el intercambio de conocimiento basado en retos.
9. Aumentar el impacto social de las universidades en educación, investigación e innovación.
10. Fomentar los valores europeos a través del establecimiento de una cultura común a OpenEU, basada en principios como la calidad, la igualdad, la diversidad, la inclusión, el conocimiento abierto y la sostenibilidad medioambiental, para contribuir a crear sociedades y economías más resilientes.

La Inteligencia Artificial (IA), la docencia y la investigación

 La IA está transformando de manera significativa la sociedad y la educación.

La IA contribuye a transformar y redefinir los roles del docente, del estudiante y del investigador. La labor docente se orienta a un rol facilitador y orientador del proceso educativo. La IA facilita la personalización del aprendizaje, adaptando el contenido según las necesidades individuales de los estudiantes y liberando a los docentes de tareas rutinarias para centrarse en actividades más creativas y de apoyo.

La IA empodera a los estudiantes, proporcionándoles herramientas educativas interactivas que fomentan la exploración autónoma y colaborativa de conceptos. Los estudiantes pueden acceder a recursos personalizados, realizar simulaciones y recibir retroalimentación instantánea, promoviendo así el aprendizaje activo y crítico, y la autonomía académica.

En la investigación, la IA facilita la realización de tareas complejas y el análisis de grandes conjuntos de datos. El uso de herramientas de IA permite identificar patrones, realizar predicciones y generar conocimiento de manera más eficiente. Esto abre nuevas perspectivas en la investigación, permitiendo descubrir relaciones no evidentes entre variables y la exploración de áreas interdisciplinarias, lo que conduce a avances significativos en diversos campos académicos.

En resumen, la IA tiene un impacto positivo en la educación superior, pero su uso debe ser regulado y supervisado para garantizar un equilibrio entre la eficiencia y la preservación de los valores humanos fundamentales. La privacidad de datos y el abordaje ético de temas sensibles es imperativo. Proteger la privacidad del estudiante es central.

Guía Práctica: Inteligencia Artificial IA, 2ª edición, abril 2024

 Aplicación de los Grandes Modelos Lingüísticos (LLM) de la Inteligencia Artificial IA generativa en la docencia y la investigación

¿Te interesa? (haz clic en la imagen para descargar)

Contenidos de la edición actualizada de la guía:

• ¿Cómo comenzar? y una descripción de los dos modelos lingüísticos (LLM) de inteligencia artificial incluidos en esta guía: OpenAI ChatGPT y Google Gemini
• Introducción (breve) introducción teórica a la Inteligencia Artificial IA generativa y los modelos lingüísticos
• Contenidos, abarca conceptos, ejemplos “plantilla” para ser adaptados, información de referencia, documentos y sitios web. Sugiere recomendaciones para el aprendizaje complementario, revisa las ventajas, riesgos y limitaciones inherentes a los LLM. También considera aspectos éticos, privacidad y seguridad.
• Aplicaciones Académicas recorre las posibilidades, como creación de contenido, pruebas adaptativas, mejora en la evaluación, retroalimentación, traducción, resumen de textos y soporte para la investigación (hay más…)
• ¿Qué es un Prompt? introduce uno de los aspectos claves; ¿Cómo preguntar a la IA?
• Prompts Básicos e Ingeniería de Prompt, profundiza las diversas dimensiones y especialización de los “prompt”
• Biblioteca de Prompts extensa lista de ejemplos prácticos aplicables a la educación y adaptables a cada particular contexto
• Práctica docente ¿me ayuda la IA?: describe casos y situaciones de ayuda a la práctica docente y a cómo avanzar profesionalmente con ayuda de la IA
• Anexos contiene cursos de autoaprendizaje Gratuitos, glosario de términos, preguntas Frecuentes y Bibliografía

La síntesis Final repasa las ventajas, limitaciones, riesgos y desafíos, aspectos éticos y seguridad y algunas recomendaciones prácticas.

Los redactores de contenidos no pueden depender de la Inteligencia Artificial

 8 razones

Artículo original: 8 Reasons Why Content Writers Can't Rely on AI Chatbots

Traducción libre del autor del blog

1. La IA no comprueba la información

Los sistemas de IA recorren miles de millones de recursos en línea para ofrecer una respuesta condensada que incluya los hechos más aceptados. Puedes obtener respuestas fiables en ciencias, matemáticas e historia.

Aunque se esfuerzan en ser precisos, no comprueban los hechos. Incluso los sistemas más sofisticados responden de forma imprecisa a preguntas sobre ideas de investigación recientes, ecuaciones matemáticas avanzadas, medicina, temas controvertidos y actualidad.

Asegúrate de no tomar sus respuestas al pie de la letra; de lo contrario, corres el riesgo de publicar información engañosa. Como norma general, compara siempre las respuestas.

2. Los modelos lingüísticos como GPT siguen plantillas

Distinguir entre GPT y el contenido creado por un humano es todo un reto. Pueden generar un artículo de 1.000 palabras gramaticalmente correcto y de sonido natural en cuestión de segundos. La mayoría de los lectores no notarán nada inusual a simple vista.

Pero a pesar de sus avances, los modelos lingüísticos de la IA todavía siguen plantillas. La IA responde de forma repetitiva, lo que puede sonar poco natural para los escritores entrenados. El texto se vuelve predecible.

3. La dependencia excesiva de la IA te convierte en un investigador perezoso

La IA simplifica la "investigación". En lugar de revisar los resultados de búsqueda de Google, los chatbots te proporcionan respuestas breves y concisas.

Aunque innovadora y cómoda, acabarás descuidando tareas difíciles pero fundamentales, como la comprobación de hechos, el análisis de datos y la investigación de temas.

Antes de escribir, asegúrate de estudiar el tema. La investigación exhaustiva es la base de todo artículo bien escrito: dedica tiempo a leer fuentes en línea. Puedes aportar valor comparando recursos, estableciendo hechos verificados y afirmando conclusiones bien fundadas. No te limites a parafrasear lo que dicen los chatbots.

4. La IA rastrea información genérica

A menudo, se centra en consejos comunes, que los lectores probablemente han visto muchas veces, que pueden proceder de una fuente poco fiable.

Para atraer lectores escribe artículos originales que sean exclusivos. No reescribas cosas que todo el mundo ya sabe. Si tratas temas generales, asegúrate hacerlo desde una perspectiva única o nueva.

5. La IA genera los mismos resultados para preguntas similares

Los chatbots y las herramientas de redacción generan un texto de formulario con datos repetidos, independientemente de cómo se formulen las preguntas. Reestructurar las preguntas sólo provocará variaciones en las frases.

Para obtener información más precisa, comprueba los hechos visitando fuentes fiables y acreditadas. Compara opiniones divergentes. Hay varias formas de abordar los temas: evita copiar la perspectiva de las historias producidas por la herramienta de IA.

6. La IA no puede adoptar tu tono

A pesar de los avances en la imitación del texto humano, los chatbots y las herramientas de escritura siguen teniendo limitaciones. No pueden reproducir totalmente el tono. La IA sigue plantillas predeterminadas, incluso cuando le pides que adopte un tono específico.

Lo mejor es redactar los artículos uno mismo.

7. Las herramientas de redacción rápida sacrifican la calidad

Puedes utilizar plataformas de IA para acelerar el proceso de escritura. La mayoría de las herramientas producen miles de palabras en cuestión de segundos, por lo que, en teoría, podrías editar y publicar un nuevo blog en menos de 10 minutos.

Aunque rápida, la IA sacrifica la calidad. Publicar cientos de artículos no importa si nadie los lee.

Céntrate en aportar valor. Dar instrucciones a herramientas de redacción y chatbots para que produzcan largos y genéricos textos no generan valor. Los motores de búsqueda podrían incluso calificar tu publicación como spam.

8. Muchos verificadores de plagio marcan piezas generadas por IA

Antes de dar una respuesta adecuada, la IA filtra datos relevantes de miles de millones de recursos. No es posible identificar una única fuente.

Existen opiniones éticas divergentes sobre publicar contenido de IA y el plagio, pero como profesional respetable, debes hacer tu propia investigación. Nunca te arriesgues a plagiar contenidos. Estudia los temas por ti mismo, saca conclusiones lógicas y transmítelas con tus propias palabras.

La Inteligencia Artificial (IA) hace que el plagio sea más difícil de detectar

 

La IA hace que el plagio sea más difícil de detectar, argumentan los académicos - en un artículo escrito por ChatGPT

Artículo original en The Gardian AI makes plagiarism harder to detect, argue academics – in paper written by chatbot 

The Guardian hace referencia al artículo académico de ResearchGate, titulado Chatting and Cheating: Ensuring Academic Integrity in the Era of ChatGPT que describe cómo las herramientas de inteligencia artificial (IA) plantean una serie de retos y preocupaciones, en particular en relación con la honestidad académica y el plagio.

Lo que no sabían los lectores ni los revisores que autorizaron su publicación era que el artículo había sido escrito por el polémico chatbot de IA ChatGPT.

Thomas Lancaster, informático y experto en contratos fraudulentos del Imperial College de Londres, dijo que muchas universidades estaban "entrando en pánico".

"Si todo lo que tenemos ante nosotros es un documento escrito, es increíblemente difícil demostrar que ha sido escrito por una máquina, porque el nivel de redacción suele ser bueno", dijo. "El uso del inglés y la calidad de la gramática suelen ser mejores que los de un estudiante".

Lancaster advirtió que la última versión del modelo de IA, ChatGPT-4, que se publicó la semana pasada, pretendía ser mucho mejor y capaz de escribir de una forma que pareciera "más humana".

No obstante, afirma que los profesores pueden seguir buscando indicios de que un alumno ha utilizado ChatGPT. Quizá el mayor de ellos es que no entiende correctamente las referencias académicas -una parte vital del trabajo universitario escrito- y a menudo utiliza referencias "sospechosas" o se las inventa por completo.

¿Es el aprendizaje en línea el causante de los problemas de salud mental durante COVID-19?

 

Centrarse en el aprendizaje en línea como el problema nos hace perder oportunidades para identificar soluciones y apoyos para el bienestar de los estudiantes, que luego pueden aplicarse a cualquier modalidad (en línea, presencial o mixta).

Interesante artículo (nov. 2022) publicado por George Veletsianos, profesor de la Universidad Royal Roads de Canadá; Michael Barbour profesor de la Universidad Touro, US, y Stephanie Moore profesora en la Universidad de Nuevo México.

Artículo original: https://bit.ly/3Aq3wM8 

(traducción libre: Jaime Oyarzo)

La investigación muestra que la salud mental de los estudiantes se vio afectada negativamente durante la pandemia. Esto se suma a las preocupaciones y demanda de servicios de salud mental en los campus, antes de la pandemia.

¿Es el aprendizaje en línea perjudicial para la salud mental y el bienestar de los estudiantes?

En los últimos años han surgido opiniones de educadores, académicos y comentaristas políticos- que argumentan que el aprendizaje en línea es perjudicial para la salud mental o el bienestar de los estudiantes o sus familias (depresión, ansiedad, sensación de aislamiento y soledad).

También se ha instado a las universidades y escuelas a volver a la enseñanza y aprendizaje presencial.

¿Qué dicen las investigaciones?

Los investigadores autores de este artículo reunieron y analizaron toda la literatura empírica que pudieron encontrar relacionada con la salud mental y el aprendizaje en línea/a distancia. 

Estos investigadores llevan más de dos décadas estudiando y practicando el aprendizaje en línea, y han seguido de cerca la expansión del aprendizaje a distancia desde el comienzo de la pandemia.

La revisión de los estudios concluyó que la hipótesis de que el aprendizaje a distancia/en línea es perjudicial para la salud mental y el bienestar de los estudiantes no está fundamentada porque las pruebas sobre las que se puede juzgar esta afirmación son mixtas y problemáticas.

Contradicciones y pruebas problemáticas

• La gran mayoría de las investigaciones sobre este tema se realizaron durante la pandemia. Juzgaron la eficacia del aprendizaje en línea o a distancia preguntando a las personas si estaban satisfechas con su educación. La satisfacción es un mal indicador de la eficacia.
• Algunos estudios hallaron relaciones entre la salud mental y el aprendizaje a distancia, pero sin utilizar los métodos estadísticos necesarios para establecer relaciones causales. Otros no encontraron correlaciones, sin embargo, siguieron afirmando relaciones causales.

La naturaleza del aprendizaje rara vez se describe

Estos estudios rara vez describen la naturaleza del aprendizaje a distancia o en línea estudiado. Esto es importante porque el aprendizaje en línea no es un enfoque monolítico. Puede variar tanto en el enfoque como en la calidad, puede referirse, por ejemplo, a estudiantes que ven pasivamente conferencias pregrabadas de horas de duración, o a quienes trabajan de forma síncrona en grupos tipo taller.

• En los entornos en línea es posible una gran variedad de métodos educativos. Sin controlar la estrategia de instrucción, no podemos estar seguros de qué tipo de aprendizaje en línea se estudia.
• Los resultados sobre el impacto en la salud mental son mixtos, y no hay datos suficientes para sacar conclusiones firmes.
• Algunos de esos estudios sólo analizaron poblaciones específicas, como alumnos con ADHD (Trastorno por Déficit de Atención e Hiperactividad, TDAH), ansiedad grave o alumnos de un programa específico (como enfermería o estudios agrícolas) en una institución concreta, y también analizaron problemas de salud mental anteriores a la pandemia.

¿Qué podemos decir sobre el aprendizaje en línea y la salud mental en el contexto del COVID?

El aprendizaje en línea que no facilita interacciones significativas y que no incluye apoyos para la salud mental puede exacerbar los sentimientos de soledad y aislamiento.

Es el caso del aprendizaje a distancia de emergencia que tuvo lugar durante la pandemia de COVID-19 y que requirió medidas de cuarentena y distanciamiento físico.

¿Cómo deben proceder los responsables institucionales?

Considerando que la vuelta a la enseñanza presencial no va a resolver la crisis de salud mental, existen algunas orientaciones útiles en investigaciones publicadas que pueden ayudar a las instituciones a elaborar respuestas a la salud mental de los estudiantes.

Por ejemplo, un estudio realizado por dos investigadores del departamento de Sociología, Antropología, Trabajo Social y Justicia Penal de la Universidad de Seton Hall identificó las siguientes causas fundamentales de los problemas de salud mental de los estudiantes universitarios afectados por el COVID-19:

• Pérdida y duelo: pérdida de seres queridos, pérdida de salud, preocupación por el impacto económico y la pérdida de ingresos, gestión de la propia enfermedad y de los síntomas;
• Impactos psicológicos de cómo se manejó la pandemia por parte de los líderes políticos e institucionales;
• Alteración de rutinas personales, especialmente en hábitos de ejercicio, sueño y alimentación;
• Cuarentena y distanciamiento físico, que crearon sentimientos de aislamiento y soledad.

Ejemplos de medidas de apoyo con un positivo efecto

• Cursos de bienestar personalizados, publicitados por los instructores del curso, que incluían un componente de actividad física.
• Diseño intencionado de los cursos en línea también puede ayudar a mitigar los sentimientos de soledad y aislamiento.

¿Conclusiones?

• Asumimos un gran riesgo si centramos el análisis en sólo una particular modalidad de aprendizaje en medio de la pandemia.
• Al hacerlo, perdemos oportunidades de identificar soluciones y apoyos para diferentes formas de aprendizaje en línea, presenciales o mixtas.

Artículo original: https://bit.ly/3Aq3wM8 

George Veletsianos es profesor y titular de la Cátedra de Investigación de Canadá en Aprendizaje Innovador y Tecnología de la Universidad Royal Roads; Michael Barbour es profesor de diseño instructivo en la Universidad Touro, y Stephanie Moore es profesora adjunta en la Universidad de Nuevo México.

Modelo TPACK: marco teórico para la integración de las tecnologías en la enseñanza

TPACK (en inglés: Technology, Pedagogy And Content Knowledge), extensión de Pedagogical Content Knowledge de Shulman (1986) (PCK) unifica tres ámbitos: materia de la especialidad, conocimiento del ámbito tecnológico y conocimiento pedagógico.

Este modelo sugiere que la formación de los docentes en TIC, debe incluir tres tipos de conocimientos básicos:

• tecnológicos (TK),
• pedagógicos (PK) y de
• contenidos de la disciplina (CK).

No se trata de abarcar estos conocimientos de forma aislada, sino en combinación: 

• PCK: Conocimiento Pedagógico del Contenido; 
• TCK: Conocimiento del uso de la tecnología; 
• TPK: Conocimiento pedagógico tecnológico; y 
• TPACK: Conocimiento Tecnológico, pedagógico y de contenido.

Referencia: Shulman, L.S. Knowledge and teaching: Foundations of the new reform.

(esta animación describe TPACK, ¡pruébala!)

Proyecto UAH-CA: Mejora de la calidad de formación virtual en universidades públicas centroamericanas

 

En esta semana iniciamos un Proyecto propuesto por la Universidad de Alcalá relacionado con el impulso de la Agenda 2030 alineada con los Objetivos del Desarrollo Sostenible ODS, incluyendo la cooperación internacional al desarrollo.

La mejora de la calidad de la educación en general y de la formación virtual en particular está basada en una fuerte innovación pedagógica y en el desarrollo de competencias digitales, que la Unión Europea, define como el conjunto de capacidades, conocimientos, habilidades, destrezas y actitudes en relación con el uso crítico, seguro y creativo de las tecnologías de la información y comunicación en la docencia^[1].

Objetivo global del proyecto

·        Desarrollar procesos de innovación docente y competencias digitales docentes

·        Apoyar la educación inclusiva, equitativa y de calidad (Objetivo 4 del ODS)

·        Apoyar la transformación de la educación como consecuencia de COVID-19

Objetivos específicos

·        Desarrollo de competencias digitales que recogen aspectos de las cinco áreas basadas del Marco Común de Competencia Digital Docente de la Unión Europea:

o   Área 1. Información y alfabetización informacional

o   Área 2. Comunicación y colaboración

o   Área 3. Creación de contenidos digitales

o   Área 4. Seguridad

o   Área 5. Resolución de problemas

·        Búsqueda y evaluación de Recursos Educativos Abiertos (REA) de libre acceso para la enseñanza, aprendizaje o investigación (término adoptado en foro de la UNESCO[2] 

·        Utilización de herramientas de evaluación digitales y colaboración docente.

[1] Marco Común de Competencia Digital Docente de la Unión Europea https://bit.ly/3aLMc7h 

[2] UNESCO, Recursos Educativos Abiertos https://bit.ly/3JwvYhp 

Estrategias y Modelos de Diseño de Experiencias de Aprendizaje - 2

Con anterioridad (mayo 2018), escribí sobre el tema Estrategias y Modelos de Diseño de Experiencias de Aprendizaje.

En esta oportunidad quiero ampliar el marco de análisis, introduciendo algunas de las estrategias más conocidas, y algunos criterios para seleccionar una estrategia de diseño.

Introducción

Las estrategias son un plan de acción, un método sistemático para realizar una tarea. En términos pedagógicos, es el enfoque que se utiliza para enseñar y aprender que permitirán alcanzar los resultados de aprendizaje de un curso o programa.

Aunque las estrategias para los cursos online no son diferentes de las estrategias de instrucción en el aula, deben adaptarse a un contexto diferente. La experiencia muestra que aquellos cursos o programas eLearning que no están basados en estrategias de diseño sólidas no logran un buen resultado.

Una estrategia de diseño es un enfoque de alto nivel de cómo enseñar y aprender una materia. Como cualquier estrategia, comienza con el establecimiento de metas claras, la determinación de las acciones para alcanzar estas metas y el uso de metodologías, recursos y herramientas.

Las estrategias de diseño no son lo mismo que los modelos de diseño.

Diferencias entre estrategias y modelos de diseño
Estrategia de Diseño Instruccional	Modelo de Diseño Instruccional
Enfoque de alto nivel sobre como enseñar Métodos, técnicas y dispositivos para alcanzar los resultados de aprendizaje Estrategias más conocidas:  - aprendizaje guiado, - aprendizaje basado en escenarios, en proyectos, en juegos, estudios de casos, etc. Considera el tema del curso o programa, grupo objetivo y ambiente de aprendizaje.	Conjunto de pasos y guías Ayuda a enfocar, estructurar y diseñar un curso o programa Basado en el diseño de experiencias de aprendizaje centrado en el estudiante. Modelos más conocidos: ADDIE, GAGNE, Dick & Carey, SAM y Diseño en Retrospectiva y Modelo de Prototipo Rápido (Rapid e-learning).

Importancias de una Estrategias de Diseño

La estrategia de diseño instruccional es clave en un curso eLearning. Comparado con un curso presencial, la presencia física del instructor es reemplazado por contenidos y actividades de aprendizaje en un entorno tecnológico.

Es un gran reto para el diseñador y el profesor utilizar este entorno y los recursos disponibles para motivar y facilitar el aprendizaje.

Los profesores deben renunciar a sus funciones de única contraparte del proceso de aprendizaje, asumiendo un rol de facilitadores y de apoyo. Los estudiantes deben hacerse cargo de su propio aprendizaje. Un diseño apropiado es la clave para el éxito del curso y su diseño facilitará este cambio de roles.

Cuando un curso está diseñado con una adecuada estrategia de diseño, los resultados de aprendizaje son más fáciles de alcanzar.

El diseñador selecciona la mejor estrategia para un caso particular tomando en consideración el tema del curso o programa, el grupo objetivo y el ambiente de aprendizaje. Veamos algunas de las estrategias más conocidas:

• Secuencia Didáctica
• Aprendizaje guiado
• Estudio de casos
• Aprendizaje basado en Escenarios
• Aprendizaje basado en proyectos, ABP
• Aprendizaje basado en juegos
• Aprendizaje a través de la exploración y descubrimiento
• Narrativa (Storytelling)
• Simulaciones

¿Cómo decidir un Estrategia de Diseño?

Elegir la estrategia instruccional correcta es tan importante como usar una estrategia de diseño instruccional. Una estrategia se elige después de tener en cuenta algunas consideraciones que incluyen:

Audiencia

La diferenciación más básica es entre los niños (pedagogía) y los adultos (andragogía), siendo el aprendizaje de los adultos autodirigido en lugar de asistido.

Tema

Desde el punto de vista pedagógico, ciertas materias requieren mucha práctica (por ejemplo, las matemáticas), mientras que otras requieren otras habilidades como la escucha (por ejemplo, la música) o la observación y la validación (por ejemplo, las ciencias).

En un entorno corporativo, la estrategia de diseño instruccional debe basarse, por ejemplo, en la categoría del curso (por ejemplo, habilidades sociales, habilidades técnicas, habilidades de desarrollo de negocios/liderazgo, etc.

Entorno de aprendizaje

El aprendizaje puede tener lugar en cualquier lugar. En un entorno corporativo, el aprendizaje en línea puede tener lugar en un lugar de trabajo, mientras se viaja, en varios tipos de dispositivos o incluso en un laboratorio de informática. El aprendizaje también puede tener lugar en colaboración o en solitario (autoaprendizaje).

Parámetros/limitaciones

El éxito de un curso eLearning depende de la capacidad para crear el programa, actividades y contenidos, Esta elaboración debe considerar parámetros como el tiempo, el costo y las especificaciones técnicas.

Cuando se trabaja bajo estrictos controles de tiempo, costo y especificaciones técnicas, estos parámetros se convierten en "restricciones" que influye el trabajo de los diseñadores.

Conferencia: "Tecnologías y Perspectivas pedagógicas: impacto y recomendaciones para la educación superior"

Hoy 23 de junio 2021, presenté una conferencia en el Simposio de Comunicación Pública de la Ciencia y la Tecnología del Encuentro Virtual de Enseñanza de las Ciencias Naturales EnCiNa

"Tecnologías y Perspectivas pedagógicas: impacto y recomendaciones para la educación superior".

En esta videoconferencia menciono algunas pautas que nos pueden ayudar a tomar decisiones sobre la enseñanza en línea y cómo apoyar a los estudiantes en la era digital. Recomiendo algunas herramientas web sin costo o herramientas comerciales con una versión sin costo para educación.

Siempre considero que una buena práctica está apoyada en una buena teoría. En esta conferencia me concentro más en la práctica. Espero que confíen que lo hago apoyado en buenas teorías.

Secuencia de láminas y transcripción

Lecciones de un año de aprendizaje sobre la pandemia

Una encuesta examina las expectativas de los estudiantes universitarios en releción con la instrucción y el valor educativo en el curso académico de 2021

(Referencia:  eCampus News, traducción del autor)

Una encuesta reciente a más de 3.000 estudiantes de educación superior, realizada durante 2021, para determinar la opinión sobre la experiencia de aprendizaje un año después de la pandemia de COVID-19: qué ha funcionado, qué no, y cómo ha influido sobre las expectativas de los estudiantes una vez que sea seguro volver al campus.

Los resultados de la encuesta arrojan tres datos clave. 

1. El 80% de los encuestados considera que la experiencia de aprendizaje no ha merecido el coste de la matrícula. 
2. Los estudiantes aprecian la flexibilidad del aprendizaje a distancia. Aunque están deseando volver al aula física, la mayoría quiere que continúen algunos elementos del aprendizaje en línea. 
3. Consideran que lo más significante es el papel de los instructores en el aula comparado con el valor de su inversión, las experiencias y actividades en el campus.

Encuesta: Educación Post-pandemia

El 73% de los estudiantes prefiere que algunos cursos sean totalmente online tras la pandemia

Una encuesta realizada por Bay View Analytics en nombre de varias instituciones universitarias y de formación en línea para adultos de Canadá y EEUU.

Artículo original: 73 Percent of Students Prefer Some Courses Be Fully Online Post-Pandemic 

Tabla resumida de los aspectos centrales:

Educación tras la pandemia	Estudiantes	Docentes
Cursos totalmente online	73%	53%
Cursos híbridos: combinación cursos presenciales y en línea	68%	57%
Más tecnología, materiales y recursos digitales	75%	75%

La encuesta también midió las preferencias en torno al uso de más tecnología, materiales y recursos digitales para la enseñanza y el aprendizaje posterior a la pandemia. Los estudiantes y docentes están de acuerdo: Aproximadamente dos tercios dijeron que les gustaría utilizar más tecnología y materiales digitales en el futuro.El 68% de los estudiantes también estaba a favor de una combinación de cursos presenciales y en línea. El 57% de los docentes preferiría impartir cursos híbridos después de la pandemia, un poco más que los que preferían la enseñanza totalmente online.La encuesta muestra que casi tres cuartas partes de los estudiantes -el 73%- afirmaron que preferirían tomar algunos de sus cursos totalmente en línea después de la pandemia. Sin embargo, sólo la mitad del profesorado (53%) opinaba lo mismo sobre la enseñanza en línea. Más detalles:

• Otro aspecto fue el de los retos a los que se enfrentan los estudiantes. Tanto los estudiantes como el profesorado y los administradores citaron la sensación de estrés, el nivel de motivación y la disponibilidad de tiempo para realizar los cursos como los problemas más acuciantes para los estudiantes en este momento. Sin embargo, los estudiantes perciben la falta de apoyo de su institución como un problema mayor que el profesorado y los administradores, que consideran que otras áreas (como la conectividad a Internet) son una mayor preocupación.
• Más de la mitad de los estudiantes dijeron sentirse más optimistas sobre el aprendizaje en línea y el uso de materiales digitales que antes de la pandemia. Y casi la mitad (48%) se sentía más optimista respecto a los cursos que combinan la enseñanza presencial y en línea.

6 tecnologías claves - Informe Horizon 2021

Educase - Informe Horizon

El último informe Horizon de Educause destaca las principales tendencias de la enseñanza y el aprendizaje este año. El informe identifica seis tecnologías y prácticas clave para la planificación futura de las instituciones de enseñanza superior en 2021.

1. Inteligencia artificial IA

La IA está apareciendo en todos los ámbitos de la enseñanza y el aprendizaje en la educación superior, y está presente en los sistemas de gestión del aprendizaje, la supervisión, la evaluación, analítica de aprendizaje, la productividad de las oficinas, los servicios de biblioteca, las admisiones, el apoyo a los discapacitados, las aplicaciones móviles, etc. 

Sin embargo, persisten los problemas de parcialidad en la tecnología de IA y la ética de la captura de datos, lo que hace que sea esencial para la educación superior no sólo ser un usuario cuidadoso y ético de la IA, sino también reimaginar la misión de enseñanza para servir mejor a los estudiantes "en un mundo en el que la IA está en camino de convertirse en algo común".

ver también: Inteligencia Artificial, Plataformas LMS y eLearning

2. Recursos educativos abiertos REA

El informe afirma que la pandemia mundial del COVID-19 puso de manifiesto la creciente importancia de los recursos educativos abiertos. A medida que los cursos se trasladan rápidamente a Internet, el profesorado y los estudiantes recurren a materiales digitales gratuitos o de bajo coste y accesibles desde cualquier lugar y dispositivo. Aun así, "queda por ver si la pandemia tendrá un impacto duradero en la concienciación y la adopción una vez que los estudiantes empiecen a volver a la enseñanza presencial".

ver también: UNESCO aprobó recomendación sobre REA

3. Análisis del aprendizaje (Learning analytics)

El informe señala que la analítica del aprendizaje puede ser utilizada por muchas áreas y funciones diferentes dentro de las instituciones de educación superior. "Además de los instructores, es común que los asesores académicos, los jefes de departamento, las oficinas de acceso o de servicios para discapacitados y otras áreas de apoyo académico utilicen la analítica del aprendizaje para comprender e interpretar mejor las necesidades y los desafíos de las poblaciones de estudiantes". Al mismo tiempo, con la amplia disponibilidad y uso de los datos surgen cuestiones éticas, como "la transparencia, la propiedad y el control de los datos, la accesibilidad de los datos, la validez y la fiabilidad de los datos, la responsabilidad institucional y la obligación de actuar, las comunicaciones, los valores culturales, la inclusión, el consentimiento y la agencia y responsabilidad de los estudiantes."

ver también: ¿Qué es Learning Analytics? (2/2)

4. Modelos de cursos híbridos y blended

La pandemia aceleró la evolución de los modelos de aprendizaje en línea y mixto, "obligando a la enseñanza superior a ser creativa y a crear una serie de nuevos modelos de cursos para hacer frente a una situación verdaderamente única", señala el informe. Tanto los estudiantes como el profesorado han tenido que adaptar sus prácticas, e incluso los propios espacios de las aulas han tenido que ser readaptados para dar cabida a los nuevos modelos híbridos. La cuestión es si, tras la pandemia, las instituciones mantendrán estos nuevos modelos, volverán a la educación presencial más tradicional o buscarán algún tipo de término medio. La oportunidad, según el informe, es que la educación superior "encuentre el punto de equilibrio adecuado para servir mejor a su misión de enseñanza y aprendizaje".

ver también: Tendencias e-Learning para 2021

5. Aprendizaje en línea de calidad

Las instituciones han empleado diversas estrategias para ayudar al profesorado a diseñar cursos de calidad y enseñar eficazmente en línea: plantillas, cursos autodirigidos, consultas, centros de recursos de materiales, etc. "Muchos profesores descubrieron que enseñar en línea significaba algo más que simplemente replicar la experiencia presencial a través de Zoom", dice el informe, señalando que adherirse a los estándares de calidad es clave para mejorar la experiencia de aprendizaje en línea. Después de pasar por el paso inicial a la enseñanza en línea de emergencia, las instituciones han tenido que renovar su enfoque en la calidad y comenzar un "proceso de transformación más deliberado que garantice que el contenido de la enseñanza está centrado en el estudiante, alineado con los resultados de aprendizaje programáticos, accesible a todos los estudiantes, y efectivamente diseñado e impartido".

ver también: Calidad de la Educación Virtual, conferencia Universidad de los Lagos, Chile, marzo 2021

6. Microcredenciales

Las microcredenciales, que se están convirtiendo rápidamente en un "pilar del panorama de la educación superior, se definen como un minitítulo o una certificación en un área temática específica. Pueden ser amplias, como "Aprendizaje automático", o específicas, como "Uso de datos para diferenciar la enseñanza de los estudiantes de inglés". Son programas de estudio que verifican, validan y dan fe de que se han adquirido habilidades y/o competencias específicas. Por lo general, "se ofrecen en plazos más cortos o más flexibles y tienden a ser más específicos" que los títulos o certificados tradicionales. Las microcredenciales desempeñarán un papel clave en la formación de la mano de obra, ya que "las necesidades de la mano de obra siguen evolucionando debido a los cambios en la infraestructura tecnológica y la consiguiente mejora y recualificación de la mano de obra". Las instituciones tendrán que "repensar sus procesos de desarrollo curricular, las relaciones entre sus programas de crédito y no crédito, y las formas en que están sirviendo a una audiencia cada vez más diversa de estudiantes", ya que "trazan la trayectoria de su respuesta a las necesidades de la fuerza de trabajo".

ver también: Microcredenciales Tecnológico de Monterrey, México

Apertura del Año Académico de Postgrado UMCE

El día jueves 29 de abril de 2021, participaré en la apertura del Año Académico de Postgrado UMCE (Universidad Metropolitana de ciencias de la Educación) con el tema “Las tecnologías y perspectivas pedagógicas: impacto y recomendaciones para la educación superior” 

Fecha y hora: jueves 29 abr. 2021 10:30 hrs. de Chile

Inscripción: http://bit.ly/postgrado-charla2