Autoras
Rosana Rebolledo Font de la Vall
Mercè Gisbert Cervera
Universitat Rovira i Virgili
- Introducción:
Las herramientas digitales para la docencia y la investigación han sufrido un cambio significativo en su funcionamiento y también en sus capacidades. La incidencia de estos cambios en el contexto educativo se ha traducido, en la última década, en una transformación de los escenarios para el aprendizaje (han pasado de ser presenciales a ser híbridos o a distancia), en los procesos docentes, el profesorado ha adoptado el uso de las herramientas digitales para el proceso de diseño e implementación de la docencia y también para los estudiantes, pues la tecnología les permite orientar el proceso de aprendizaje a sus propias necesidades. Plataformas y aplicaciones que antes parecían estáticas ahora han evolucionado integrando una capa de inteligencia artificial (IA) para optimizar tareas que antes suponían horas de trabajo humano. Por ejemplo, el PowerPoint ha pasado de ser un simple editor de diapositivas a permitir realizar presentaciones con asistencia de IA (Copilot), adaptar diseños de forma intuitiva o incluso sugerir mejoras en tiempo real.
Otras herramientas como Gamma (https://gamma.app) son un ejemplo del desarrollo de algoritmos inteligentes capaces de automatizar una presentación interactiva, multimedia y profesional utilizando solo una instrucción textual o prompt. Esta plataforma de acceso abierto y gratuito ofrece la posibilidad de trabajar de manera colaborativa, de manera síncrona a la vez que exportar el contenido en múltiples formatos.
El punto de inflexión llega a finales de 2022, con el lanzamiento público de ChatGPT. Desde entonces, el crecimiento de la IA en el sector educativo ha sido vertiginoso. Empresas EdTech han acelerado la integración de algoritmos que prometen acelerar y mejorar la productividad docente: asistentes para crear materiales didácticos, sistemas de evaluación adaptativos o tutores virtuales capaces de personalizar el aprendizaje.
Este salto cualitativo, va más allá de la mera digitalización de tareas, representa lo que Puentedura definió en su modelo SAMR (que hace referencia al modelo que diferetes niveles de integración de la tecnología) el nivel de la «Redefinición» (Puentedura, 2006; Bustos, Gilene y Romero, 2024) es el nivel en que la tecnología no se limita a sustituir o modificar procesos, sino que redefine, por completo, las diferentes dinámicas educativas, potenciando la creatividad y también la eficiencia. A partir de ahora no bastará con conocer el funcionamiento de las herramientas nuevas, sino también tener la capacidad de gestionar sus actualizaciones de manera continuada.
La tecnologías de última generación, como la IA, permiten abordar la diversidad del estudiantado en el aula considerando que es un desafío pedagógico continuo. Los estudiantes poseen distintas necesidades, ritmos y formas de aprendizaje, lo que exige enfoques flexibles que respeten su individualidad (Yang et al., 2019). Los sistemas de inteligencia artificial (IA) permiten abordar estas diferencias mediante la adaptación dinámica de contenidos, evaluaciones y retroalimentación, situando al estudiante, ahora si, en el centro del proceso educativo (Gkountara y Prasad, 2022; Chen et al., 2020).
- ¿Qué es una herramienta IA adaptativa?
Una herramienta IA adaptativa es un sistema que utiliza algoritmos y datos para ajustar automáticamente la instrucción según las necesidades individuales. Por ejemplo, los chatbots conversacionales como EnglishBot (Ruan, 2021) o los sistemas de evaluación automática de escritura (AWE) (Wang et al., 2022) analizan el desempeño, identifican patrones de error y ofrecen rutas de aprendizaje personalizadas.
Los sistemas de enseñanza híbridos (presencial-virtual) se benefician significativamente de las herramientas IA adaptativas, las cuales ofrecen al estudiantado ventajas clave para un aprendizaje personalizado y eficiente en cualquier disciplina. Las principales características de estas herramientas son:
- Interacción activa y autonomía:
Los chatbots y ejercicios interactivos permiten a los estudiantes practicar habilidades en contextos simulados, fomentando un aprendizaje autodirigido. Por ejemplo, en ciencias sociales, los chatbots pueden guiar debates éticos o análisis de casos, mientras que en matemáticas, facilitan la resolución de problemas mediante diálogos estructurados. Esta flexibilidad complementa las sesiones presenciales con prácticas autónomas adaptativas (Belda-Medina y Kokoskova, 2023).
- Seguimiento preciso de errores:
Los asistentes basados en IA identifican errores en tiempo real, ya sea en redacciones, cálculos matemáticos o diseños gráficos. En programación, por ejemplo, herramientas como GitHub Copilot sugieren correcciones de código, mientras en química, los sistemas adaptativos detectan inconsistencias en ecuaciones. Esta funcionalidad es crucial en modelos mixtos, donde el estudiantado necesita retroalimentación constante durante el trabajo independiente (Liaqat et al., 2021).
- Retroalimentación inmediata para mejora continua:
Tecnologías como el análisis automatizado de datos o la evaluación de proyectos brindan correcciones instantáneas. En el ámbito de la física, los simuladores interactivos muestran errores en experimentos virtuales; en arte, IA evalúa composiciones y sugiere ajustes. Esto permite perfilar el desempeño antes de evaluaciones presenciales, optimizando el tiempo en el aula.
- Adaptación multinivel según dominio:
Las plataformas adaptativas permiten ajustar el nivel de dificultad de las actividades según el progreso individual del estudiantado. En historia, por ejemplo, el contenido a trabajar puede variar desde resúmenes básicos hasta análisis críticos de fuentes primarias; en ingeniería, los problemas técnicos pueden escalar su complejidad. Esta adaptabilidad garantiza que el estudiantado avance a su ritmo en línea, mientras el docente puede enfocarse a las sesiones presenciales y dedicar más tiempo a trabajos grupales o a proyectos colaborativos (González, 2023).
- Herramientas IA Multimodales
Las herramientas IA multimodales son sistemas de inteligencia artificial capaces de procesar, interpretar y generar información a través de múltiples formatos o «modos» (texto, audio, imágenes, vídeo, datos interactivos, etc.). A diferencia de las herramientas unimodales (que trabajan con un solo tipo de datos), estas integran diversas fuentes para ofrecer respuestas más completas, adaptativas y contextualizadas (Baltrušaitis et al., 2019; Zheng et al., 2023). Existen diferentes tipos de herramientas, a continuación, presentamos un ejemplo de tablero con herramientas IA multimodales de libre acceso (ver figura 1):
Figura 1. Tablero de herramientas multimodales
Fuente: https://bit.ly/multimodales
Los docentes pueden aprovechar estas herramientas multimodales de IA para facilitar los procesos de aprendizaje adaptativo, la personalización contenidos y metodologías según las necesidades de cada estudiante. Si las organizamos por modos de uso podríamos situar algunas de las herramientas existentes, por ejemplo, del siguiente modo:
- Personalización del contenido
- Chatbots y Asistentes Virtuales (ChatGPT, Claude, Poe, Pi, Gemini): Responden dudas en tiempo real y adaptan las explicaciones al nivel del estudiante.
- Text-to-Image & Video (Leonardo.ai, Runway, Pika, HeyGen, Synthesia): Generan material visual y audiovisual adaptado a distintos estilos de aprendizaje.
- Generadores de Presentaciones (Gamma.app, Anakin.ai, MagicSlide): Permiten crear presentaciones interactivas personalizadas según el ritmo del estudiante.
- Apoyo a la diversidad de estilos de aprendizaje
- Audio a Texto y Texto a Audio (Eleven Labs, Udio, Audyo, Transkriptor, Turboscribe): Facilitan el acceso al contenido para estudiantes con dificultades de lectura o con preferencia por el aprendizaje auditivo.
- Text-to-Video & Avatares (Synthesia, Deepbrain AI, Elai.io): Explican conceptos en video con narración en voz natural, favoreciendo a quienes aprenden mejor con contenido visual.
- Anotaciones y Mapas Conceptuales (Napkin, NotebookLM): Organizan la información de forma estructurada para estudiantes que aprenden mejor con esquemas y resúmenes.
- Evaluaciones adaptativas y gamificadas
- Generadores de Quizzes y Evaluaciones (Kwizie.ai, Conker.ai, HyperQuiz, QuestionWell): Crean evaluaciones dinámicas adaptadas a cada nivel de conocimiento.
- Transformación de Videos en Evaluaciones (Diffit, NoteGPT, Tactiq.io): Extraen información de videos y generan preguntas personalizadas.
- Plataformas de Aprendizaje Interactivo (Curipod, Labs.Google, Magic School AI): Diseñan actividades y lecciones ajustadas a los intereses y dificultades de los estudiantes.
- Apoyo a la Investigación y Producción Académica
- Asistentes de Investigación (Scite, Elicit, Research Rabbit): Ayudan a buscar información y organizar referencias para trabajos académicos.
- Transcripción y Resumen de Contenidos (Turboscribe, Adobe Podcast): Facilitan el acceso a información de audio y video en formato escrito, útil para análisis de datos y revisión de contenido.
- Inclusión y Accesibilidad
- Conversión de Texto a Voz y Viceversa: Ideal para estudiantes con dislexia o dificultades auditivas.
- Videos con Subtítulos Automáticos (NoteGPT, Tactiq.io): Benefician a personas con problemas de audición o que prefieren la lectura simultánea.
- Edición de Audio y Video con IA (CapCut, Adobe Podcast): Permiten mejorar la calidad de los recursos multimedia utilizados en el aula.
Como hemos podido observar existen ya muchas herramientas, aunque las redes o la industria tecnológica tenga interés en que solo algunas de ellas sean visibles. El reto es cada vez más, estar al día con la aparición de herramientas nuevas y las actualizaciones de éstas. En una realidad en la que las herramientas se reinventan cada mes, los docentes y los investigadores nos enfrentamos a un doble desafío: explorar las novedades con curiosidad y adoptar aquellas que realmente sumen valor. En este sentido, queremos finalizar este apartado señalando que IA no reemplazará el rol humano en la educación, pero quienes la ignoren el avance de la tecnología de IA corren el riesgo de quedarse anclados en el pasado pues, como ya ha ocurrido con tecnologías anteriores, ya forman parte de una realidad social y profesional para la que tendremos que preparar al estudiantado.
- ¿Cuál es el rol del profesorado y su relación con los sistemas adaptativos de enseñanza-aprendizaje en entornos híbridos?
Aunque los sistemas adaptativos automatizan tareas operativas y personalizan aspectos del aprendizaje, el profesorado sigue siendo el eje central del proceso educativo: diseña la secuencia pedagógica, garantiza el cumplimiento del currículo oficial y, sobre todo, aporta la vertiente humana a la experiencia formativa. Su labor, hace ya tiempo que no debe limitarse a transmitir contenidos estandarizados, sino que, teniendo en cuenta las tecnologías de última generación, integra herramientas IA multimodales para equilibrar las exigencias de un programa predeterminado y las necesidades individuales de su estudiantado. Las tareas básicas del profesorado, en sí, no cambian puesto que su mayor aporte es el diseño, desarrollo y evaluación de los procesos de formación, pero si han cambiado mucho las estrategias y las herramientas que utiliza, o puede utilizar, para hacerlo posible. A continuación, analizamos los cambios que ha generado la tecnología, y la IA permitirá desarrollarlas aún más, y que definen nuevos roles que debería asumir el docente. Destacamos los siguientes:
1.Diseñador de experiencias de aprendizaje contextualizadas
El docente programa y secuencia la enseñanza, utilizando sistemas IA como aliados estratégicos. Por ejemplo, puede configurar asistentes virtuales para que ofrezcan ejercicios de refuerzo a estudiantes con dificultades en matemáticas, mientras otros acceden a proyectos avanzados de programación mediante plataformas como Magic School AI. Así, mantiene la coherencia curricular sin sacrificar la flexibilidad, adaptando recursos y ritmos sin perder de vista los objetivos de aprendizaje.
2.Mediador crítico entre el estudiantado y la tecnología
La IA no es neutral: sus algoritmos pueden replicar sesgos culturales, generar alucinaciones (información falsa presentada como veraz) o priorizar respuestas superficiales. El profesorado debe aprender, como profesional de la docencia, y enseñar al estudiantado a interactuar con estas herramientas de manera efectiva, pero sin olvidar los principios éticos que deben acompañar al uso de la tecnología, especialmente la IA. Esto incluye:
- Utilizar prompts precisos (por ejemplo, cómo solicitar a un buscador, por ejemplo, ChatGPT que compare fuentes históricas con rigor académico).
- Tener en cuenta los riesgos, lo que implica no confiar ciegamente en correcciones automáticas de código sin verificar su lógica (GitHub Copilot) o usar imágenes generadas por IA sin cuestionar estereotipos (Leonardo.ai)).
- Fomentar el pensamiento crítico, contrastando siempre las respuestas que nos devuelven sistemas como Gemini o Claude con fuentes verificables.
3.Evaluador formativo y guía emocional
La retroalimentación automática de sistemas como Kwizie.ai o Conker.ai agiliza la corrección de ejercicios, pero el docente debe aportar lo que la máquina no puede que es una mirada holística que debe considerar el contexto socioemocional del estudiante. Por ejemplo, si un alumno comete errores persistentes en redacciones la IA señalará faltas gramaticales, pero el profesor indagará si hay factores como la ansiedad o falta de autonomía como generadoras de esos fallos y deberá orientar las correcciones desde el punto de vista pedagógico para ayudar al estudiante a superar estos problemas.
En conclusión, la integración de IA en modelos híbridos no desplaza al docente, pero este debe tener la preparación suficiente para ser un buen diseñador y facilitador del proceso formativo integrando los escenarios y las herramientas tanto analógicas como digitales. Al mismo tiempo, debe tener la capacidad de asumir los cambios tecnológicos y la velocidad de éstos sin perder la conexión humana.
Desde hace décadas la expertise del profesorado ya no radica solo en dominar contenidos disciplinares, sino en curar herramientas digitales, interpretar datos de aprendizaje y cultivar habilidades blandas como empatía, pensamiento crítico, creatividad que las máquinas no pueden replicar de manera individualizada y contextualizada. En este escenario, resistirse a la IA implica empobrecer las oportunidades educativas; abrazarla con criterio pedagógico, en cambio, permite redefinir la enseñanza como un espacio donde lo colectivo y lo personalizado coexisten, gracias a la sinergia entre los docentes y la tecnología.
- Referencias
Belda-Medina, J., y Kokoskova, V. (2023). Integrating chatbots in education: Insights from the Chatbot-Human Interaction Satisfaction Model (CHISM). International Journal of Educational Technology in Higher Education, 20(1). https://doi.org/10.1186/s41239-023-00432-3
Baltrušaitis, T., Ahuja, C., & Morency, L. P. (2019). Multimodal Machine Learning: A Survey and Taxonomy. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(2), 423-443. https://doi.org/10.1109/TPAMI.2018.2798607
Bustos, C., Gilene, F., & Romero, L. (2024). Potencialidades y limitaciones de la IA en el ámbito educativo. Una propuesta didáctica aplicando el Modelo SAMR. En IA en acción: tres departamentos muy conectados.
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20(1), 38.
Chen, X., Xie, H., & Hwang, G.-J. (2020). A multi-perspective study on artificial intelligence in education: Grants, conferences, journals, software tools, institutions, and researchers. Computers and Education: Artificial Intelligence, 1, 100005. https://doi.org/10.1016/j.caeai.2020.100005
Delgado, H. O. K., de Azevedo Fay, A., Sebastiany, M. J., & Silva, A. D. C. (2020). Artificial intelligence adaptive learning tools: The teaching of English in focus. Brazilian English Language Teaching Journal, 11(2). https://doi.org/10.15448/2178-3640.2020.2.38749
Gkountara, D., & Prasad, R. (2022). A review of Artificial Intelligence in Foreign Language Learning. En 2022 25th International Symposium on Wireless Personal Multimedia Communications (WPMC). https://doi.org/10.1109/WPMC55625.2022.10014767
González, C. (2023). El impacto de la inteligencia artificial en la educación: transformación de la forma de enseñar y de aprender. Servicio de Publicaciones, Universidad de La Laguna. http://riull.ull.es/xmlui/handle/915/32719
Liaqat, A., Munteanu, C., & Demmans Epp, C. (2021). Collaborating with Mature English Language Learners to Combine Peer and Automated Feedback: A User-Centered Approach to Designing Writing Support. International Journal of Artificial Intelligence in Education, 31(4), 638-679. https://doi.org/10.1007/s40593-020-00204-4
Pokrivcakova, S. (2019). Preparing teachers for the application of AI-powered technologies in foreign language education. Journal of Language and Cultural Education, 7(3), 135-153. https://doi.org/10.2478/jolace-2019-0025
Puentedura, R. R. (2006). Transformation, Technology, and Education. Hippasus. http://hippasus.com/resources/tte/
Ruan, S. (2021). Smart Tutoring Through Conversational Interfaces. [Tesis Doctoral, Universidad de Stanford]. https://purl.stanford.edu/mf470sn6849
Wang, Y., Luo, X., Liu, C.-C., Tu, Y.-F., & Wang, N. (2022). An Integrated Automatic Writing Evaluation and SVVR Approach to Improve Students’ EFL Writing Performance. Sustainability, 14(18). https://doi.org/10.3390/su141811586
Yang, S., Tian, H., Sun, L., & Yu, X. (2019). From one-size-fits-all teaching to adaptive learning: The crisis and solution of education in the era of AI. En Journal of Physics: Conference Series (Vol. 1237, No. 4, p. 042039). IOP Publishing. https://doi.org/10.1088/1742-6596/1237/4/042039
Zadorozhnyy, A., & Lai, W. Y. W. (2024). ChatGPT and L2 Written Communication: A Game-Changer or Just Another Tool? Languages, 9(1). https://doi.org/10.3390/languages9010005
Zheng, L., Niu, J., Long, M., & Fan, J. (2023). Multimodal Learning for Adaptive Education: A Meta-Review. Computers & Education: Artificial Intelligence, 4, 100138. https://doi.org/10.1016/j.caeai.2023.100138
Zhu, A. (2020). Supply and demand of AI-aided language education. En Proceedings – 2020 International Conference on Computer Information and Big Data Applications (CIBDA) (pp. 245-248). https://doi.org/10.31004/jrpp.v7i1.24609