Cómo usar la IA Generativa en el aula

IA Generativa en el aula

Lecciones de un estudio universitario para docentes argentinos

Basado en el artículo académico "From Tool to Co-Learner: Exploring Student Engagement With GenAI Through the Lens of Social Constructivism" publicado en una revista de educación superior.

Artículo original: Fang, L., & Zhou, X. (2025). From Tool to Co-Learner: Exploring Student Engagement With GenAI Through the Lens of Social Constructivism. Journal of Management Education.

Resumen del artículo

Este artículo presenta una investigación realizada en la Queen Mary University of London que examina cómo los estudiantes universitarios interactúan con herramientas de Inteligencia Artificial Generativa (IAG) durante el análisis de datos empresariales, utilizando como marco teórico el Constructivismo Social y el modelo de co-agencia humano-IA.

Contexto y metodología

El estudio analizó las reflexiones escritas de 258 estudiantes de segundo año de grado en el módulo "Trabajando con Datos Empresariales". Los estudiantes realizaron tareas de análisis de datos de dos formas: manualmente en Excel y con asistencia de herramientas de IAG (ChatGPT y Microsoft Copilot). Posteriormente, compararon los resultados y reflexionaron críticamente sobre su experiencia.

Los investigadores clasificaron a los estudiantes en tres grupos según su rendimiento académico general:

• Bajo rendimiento: 0-49 puntos (99 estudiantes)
• Rendimiento medio: 50-69 puntos (94 estudiantes)
• Alto rendimiento: 70-100 puntos (65 estudiantes)

Hallazgos principales

El análisis temático reveló cuatro dimensiones clave del compromiso estudiantil con la IAG:

1. Creencias epistémicas sobre la IAG

Los estudiantes manifestaron cuatro concepciones diferentes sobre el rol de la IAG:

• IAG como fuente de verdad: Principalmente entre estudiantes de bajo rendimiento (45%), quienes aceptaban los resultados sin cuestionamiento crítico.
• IAG como engañadora: También prevalente en estudiantes de bajo rendimiento (51%), quienes rechazaban completamente la herramienta tras encontrar errores.
• IAG como guía: Común en estudiantes de rendimiento medio (22%), reconociendo utilidad pero también limitaciones.
• IAG como co-aprendiz: Característica de estudiantes de alto rendimiento (49%), quienes la trataban como un socio colaborativo en el proceso de aprendizaje.

2. Compromiso cognitivo funcional

La IAG funcionó como mediadora y andamiaje cognitivo, aunque con variaciones significativas:

• Estudiantes de bajo rendimiento: Utilizaron la IAG principalmente para estructurar informes e interpretar resultados básicos.
• Estudiantes de rendimiento medio: Ampliaron su uso a soporte procedimental, formato de datos y desarrollo de hipótesis.
• Estudiantes de alto rendimiento: Emplearon la IAG estratégicamente para refinar metodologías, sugerir métricas de error y alinear procedimientos con estándares académicos.

3. Aprendizaje metacognitivo reflexivo

Esta dimensión se manifestó en tres aspectos:

a) Autenticidad y relevancia: Los estudiantes de rendimiento medio y alto (80% y 83% respectivamente) contextualizaron el uso de IAG en aplicaciones industriales y práctica profesional futura.

b) Juicio reflexivo y pensamiento evaluativo: El 84% de estudiantes de rendimiento medio y 69% de alto rendimiento demostraron capacidad para evaluar la confiabilidad y limitaciones de la IAG, reconociendo dónde agregaba valor y dónde requería supervisión humana.

c) Iteración dialógica y construcción de significado: Los estudiantes de alto rendimiento trataron la IAG como un interlocutor, refinando prompts iterativamente y co-construyendo comprensión mediante diálogo sostenido.

4. Co-agencia humano-IAG para visión estratégica

Esta dimensión apareció casi exclusivamente en estudiantes de alto rendimiento:

• Supervisión humana (74%): Mantuvieron control crítico sobre los resultados, validando y verificando outputs.
• Consideraciones éticas (77%): Demostraron conciencia sobre protección de datos, integridad intelectual y representación responsable del contenido generado por IA.
• Adaptabilidad y crecimiento (80%): Reconocieron la naturaleza evolutiva de la IAG y la necesidad de desarrollo continuo de habilidades.

Diferencias cuantitativas entre grupos

El estudio reveló disparidades significativas en la calidad del compromiso:

• Estudiantes de alto rendimiento: Puntuaciones medias de compromiso entre 1.46 y 1.72 en todas las dimensiones, con 2-4 rondas de refinamiento de prompts.
• Estudiantes de bajo rendimiento: Puntuaciones entre 0.08 y 0.68, generalmente sin iteración alguna.

Implicaciones teóricas

Extensión del constructivismo social

El estudio amplía la Teoría del Constructivismo Social (tradicionalmente centrada en interacciones humano-humano) al conceptualizar la IAG como un participante activo en la co-construcción del conocimiento, no como una herramienta pasiva.

Esta reconceptualización implica redefinir constructos clave:

• Andamiaje: Ahora incluye el soporte generado por IA.
• Agencia: Se distribuye entre aprendices humanos e IAG.
• Zona de Desarrollo Próximo: Se extiende a interacciones donde los estudiantes co-navegan tareas con la IAG como socio responsivo.

Co-agencia como constructo evolutivo

La variación en el compromiso estudiantil demuestra que la co-agencia es un constructo de desarrollo que emerge mediante la capacidad del estudiante para la reflexión, el juicio ético y el uso estratégico de la IA como socio interactivo.

Implicaciones prácticas para docentes argentinos

1. Nueva brecha digital

El estudio advierte sobre una nueva forma de brecha digital que no se origina en el acceso a herramientas de IA, sino en la calidad y profundidad del compromiso con ellas. Los docentes deben estar atentos a esta disparidad emergente.

2. Estrategias pedagógicas diferenciadas

Para estudiantes de bajo rendimiento:

• Talleres estructurados de refinamiento de prompts
• Ejemplares guiados que modelen cómo cuestionar iterativamente los resultados de IAG
• Listas de verificación reflexivas que soliciten justificar la confianza en resultados, comparar outputs entre iteraciones y articular el razonamiento humano detrás de conclusiones finales

Para estudiantes de rendimiento medio:

• Retroalimentación dirigida en tareas de reflexión
• Oportunidades para diseño colaborativo de prompts
• Actividades que profundicen el juicio analítico emergente y la conciencia ética

Para estudiantes de alto rendimiento:

• Actividades de extensión: evaluación crítica de múltiples herramientas de IAG
• Mentoría entre pares
• Diseño de estudios de caso integrados con IA

3. Modelo de evaluación replicable

La estructura de la evaluación utilizada en este estudio ofrece un modelo replicable para promover pensamiento reflexivo y evaluativo:

1. Solicitar a los estudiantes que completen una tarea analítica manualmente
2. Repetir la misma tarea utilizando herramientas de IAG
3. Comparar resultados críticamente
4. Reflexionar por escrito sobre la experiencia, fortalezas, limitaciones y aprendizajes

4. Alfabetización en IA como competencia transversal

No es suficiente integrar la IAG como herramienta técnica. Los docentes deben enmarcar la IAG como un socio cognitivo y colaborativo cuyos resultados deben ser críticamente examinados, refinados y contextualizados.

Esto requiere cultivar:

• Juicio evaluativo: Capacidad para discernir cuándo confiar, cuestionar o complementar outputs de IA
• Agencia estudiantil: Mantener el control y responsabilidad sobre decisiones finales
• Sensibilidad ética: Conciencia sobre privacidad de datos, sesgos, integridad académica y transparencia

5. Ingeniería de prompts como habilidad pedagógica

El estudio demuestra que la capacidad de refinar prompts iterativamente distingue a estudiantes exitosos. Los docentes deben:

• Enseñar explícitamente técnicas de ingeniería de prompts
• Modelar procesos de refinamiento iterativo
• Proporcionar oportunidades de práctica guiada

6. Reflexión estructurada como práctica central

La reflexión crítica sobre el uso de IAG debe ser una actividad pedagógica explícita, no un añadido opcional. Incorporar:

• Diarios reflexivos sobre experiencias con IA
• Discusiones éticas grupales sobre dilemas en el uso de IA
• Comparaciones sistemáticas entre procesos manuales y asistidos por IA

Limitaciones y direcciones futuras

Los investigadores reconocen varias limitaciones:

1. Contexto único: Resultados derivados de una sola institución y módulo específico
2. Ausencia de perspectiva longitudinal: No se examinó cómo evoluciona el compromiso estudiantil con IAG a lo largo del tiempo
3. Enfoque en IA textual: No se exploraron herramientas multimodales (visualización, voz, simulación)

Sugieren investigaciones futuras que:

• Repliquen el estudio en diversos contextos disciplinares e institucionales
• Examinen el desarrollo longitudinal de disposiciones epistémicas y prácticas reflexivas
• Exploren herramientas de IAG multimodales y su impacto en el aprendizaje

Conclusión

Este estudio ofrece evidencia empírica robusta de que la integración significativa de la IAG en educación superior requiere mucho más que acceso tecnológico. Demanda un cambio pedagógico fundamental que reconozca la IAG como co-aprendiz activo y que cultive intencionalmente las capacidades estudiantiles para:

• Sostener creencias epistémicas sofisticadas sobre la IA
• Ejercer juicio crítico y evaluativo constante
• Mantener agencia y supervisión humana
• Desarrollar conciencia ética profunda
• Adaptar estrategias de aprendizaje continuamente

Para los docentes argentinos, este estudio subraya la urgencia de desarrollar alfabetización en IA no como competencia técnica aislada, sino como práctica reflexiva, ética y estratégica integrada transversalmente en el currículo. La meta no es simplemente que los estudiantes usen IA, sino que se comprometan con ella como co-aprendices reflexivos y discernientes.

---

Información de copyright y licencia

Artículo original: Fang, L., & Zhou, X. (2025). From Tool to Co-Learner: Exploring Student Engagement With GenAI Through the Lens of Social Constructivism. Journal of Management Education. DOI: 10.1177/02734753241307876

Autores: Lei Fang y Xue Zhou, Queen Mary University of London

Sobre este resumen: Este artículo constituye un resumen divulgativo en español del estudio académico original publicado en inglés. Ha sido elaborado con fines educativos para docentes argentinos. El artículo original fue publicado bajo los términos estándar de derechos de autor académico. Los autores declararon no tener conflictos de interés con respecto a la investigación, autoría y/o publicación del artículo original.

Declaración de uso: Este resumen ha sido elaborado con propósitos educativos y de divulgación académica. Se recomienda a los lectores interesados en profundizar en la metodología, datos completos y análisis detallado consultar el artículo original completo.

Disponibilidad de datos: Según los autores del estudio original, una versión anonimizada de los datos está disponible previa solicitud razonable al autor correspondiente.

Aprobación ética: El estudio original recibió aprobación ética del Comité de Ética de Investigación de Queen Mary University of London. Todos los participantes proporcionaron consentimiento informado para participar y para la publicación de los resultados.

Resumen elaborado en enero de 2026 para docentes de habla hispana.