Referencias:

• Fundació Jaume Bofill. (2022). Los algoritmos a examen: ¿Por qué IA en educación? https://fundaciobofill.cat/es/publicaciones/los-algoritmos-a-examen

La IAG “analiza cantidades inmensas de datos y encuentra patrones y relaciones que de otra forma serían difíciles de detectar, y crea material original a partir de estos datos” (Sebastià 2024). En otras palabras, ayuda al usuario a realizar tareas que normalmente demandan mucho tiempo y esfuerzo, lo que la convierte en una herramienta muy atractiva. Por ejemplo, se ha generalizado el uso de aplicaciones apoyadas en IA para la gestión educativa, haciendo más sencillas tareas como "la elaboración de horarios, la distribución de exámenes o el uso de espacios" (Fundació Jaume Bofill, 2022).

Referencias:

• Flogie, A., & Aberšek, B. (2021). Artificial intelligence in education. In O. Lutsenko & G. Lutsenko (Eds.), Active learning-Theory and Practice. IntechOpen. https://doi.org/10.5772/intechopen.96498

• Fundació Jaume Bofill. (2022). Los algoritmos a examen: ¿Por qué IA en educación?

• Sebastià Oriol, I. [Ignasi]. (2024). Inteligencia artificial generativa (1.ª ed.) [recurso de aprendizaje textual]. Fundació Universitat Oberta de Catalunya (FUOC).
  

Asimismo, el uso de esta herramienta en actividades de evaluación nos puede ofrecer información significativa sobre cómo se desarrolla el proceso de enseñanza-aprendizaje de nuestros estudiantes. En este sentido, Martínez-Comesaña et al. (2023) determinan que “los datos procedentes de experiencias digitales de aprendizaje pueden analizarse no sólo para determinar las respuestas correctas o incorrectas, sino también para entender por qué el alumno llega a esa respuesta”.

Referencias:

• García-Peñalvo, F. J. (2024). Cómo afecta la inteligencia artificial generativa a los procesos de evaluación. Cuadernos de Pedagogía, 549.

• Martínez-Comesaña, M. et al. (2023). Impacto de la inteligencia artificial en los métodos de evaluación en la educación primaria y secundaria: revisión sistemática de la literatura. Revista de Psicodidáctica, 28(2), 93-103.

• Automatización y eficiencia en la evaluación.

• Personalización del proceso.

• Reflexión acerca de los procesos de evaluación, debido a que nos ofrece una oportunidad para repensarlos e innovar.

• Coherencia en la aplicación de los mismos criterios para todos los alumnos.

• Retroalimentación inmediata y detallada sobre el rendimiento del alumnado.

Referencias:

• Chassignol, M., Khoroshavin, A., Klimova, A., y Bilyatdinova, A. (2018). Artificial intelligence trends in education: A narrative overview. Procedia Computer Science, 136, 16–24.

• García-Peñalvo, F. J. (2024). Cómo afecta la inteligencia artificial generativa a los procesos de evaluación. Cuadernos de Pedagogía, 549.

  
  

  
  

1. La gestión de la educación.

2. El aprendizaje y la evaluación.

3. El empoderamiento de los docentes.

4. Y el aprendizaje a lo largo de la vida.

   
   

Referencias:

• UNESCO (2021). Inteligencia artificial y educación. Guía para las personas a cargo de formular políticas. https://unesdoc.unesco.org/ark:/48223/pf0000379376/PDF/379376spa.pdf.multi

1. Reducir la burocracia, disminuyendo el tiempo que se dedica a corregir y facilitando el registro de los resultados y las evidencias de aprendizaje.

2. Hacer que la evaluación sea más inclusiva, mejorando la accesibilidad y diversificando los tiempos y las formas de evaluación.

3. Fomentar una evaluación integrada y continua en el proceso de enseñanza-aprendizaje que reste protagonismo a las pruebas de evaluación.

4. Conseguir una evaluación auténtica de los aprendizajes, puesto que si la evaluación se encuentra integrada en el proceso de enseñanza no habrá una preparación específica para las actividades de evaluación (que puede alterar los resultados).

5. Ofrecer un feedback personalizado a los alumnos gracias al acceso a información en tiempo real acerca del progreso del alumno. Este feedback es además proactivo, puesto que está centrado en ofrecer orientación para avanzar en el aprendizaje.

6. Permitir el seguimiento del alumno a largo plazo (más alla de un curso escolar), facilitando al profesorado herramientas para reconocer los estilos de aprendizaje, identificar posibles dificultades y gestionar los recursos que permitan eliminar barreras educativas.

Referencias: 

• Municio, A. (2022). Evaluación Inteligente. Escuela 21. https://www.escuela21.org/blog/evaluacion-inteligente/ 

1. Acceso universal a las aulas, incluyendo a aquellos que hablan distinto idioma o que presentan discapacidad auditiva o visual.

2. Sistemas de tutoría inteligentes en función de las dificultades y necesidades de cada estudiante.

3. Facilitadores virtuales, como por ejemplo la realidad aumentada.

4. Contenido inteligente creado a través de diferentes medios, como audio , vídeo o asistente en línea.

5. Colaboración entre profesores e IA para impulsar la eficiencia, la personalización y la optimización de las tareas administrativas.

6. Análisis de información sobre el progreso del estudiantado para optimizar el contenido de aprendizaje.

7. Automatizar la corrección de tareas y la calificación de los alumnos. 

Referencias:

• Flores-Vivar, J., y García-Peñalvo, F. (2023). Reflexiones sobre la ética, potencialidades y retos de la Inteligencia Artificial en el marco de la Educación de Calidad (ODS4). Comunicar, 74, 37-47. https://doi.org/10.3916/C74-2023-03 

• Investigación y redacción. Puede ayudar a generar contenido o hacer sugerencias en cuanto a redacción.

• Asistencia en el estudio. La IA ayudarnos en la resolución de problemas dándonos una explicación detallada o generar modelos (visuales, por ejemplo) que faciliten la comprensión.

• Trabajo cotidiano del estudiante. Tareas como resumir, buscar ideas para un trabajo o traducir textos.

• Aprendizaje de nuevas habilidades a través de tutoriales personalizados o simulaciones interactivas.

• Preparación para exámenes. La IAG puede generar ejercicios y preguntas relacionados con una temática concreta y/o realizar resúmenes o esquemas con los conceptos clave del tema.

Referencias:

• Sebastià Oriol, I. [Ignasi]. (2024). Inteligencia artificial generativa (1.ª ed.) [recurso de aprendizaje textual]. Fundació Universitat Oberta de Catalunya (FUOC).

Referencias:
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2023). Intelligence Unleashed: An Argument for AI in Education. Pearson Education.

Referencias:
UNESCO. (2023). Artificial Intelligence and Education: Guidance for Policy-Makers.
Holmes, W., Bialik, M., & Fadel, C. (2022). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning.

Asimismo, a nivel nacional, el INTEF está promoviendo el uso de la IA como parte del proceso de transformación digital del sistema educativo, apostando por metodologías centradas en el alumno (Holmes et al., 2022).

Referencias:
Holmes, W., Bialik, M., & Fadel, C. (2022). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning.

A nivel técnico, aún se cuestiona la precisión de sus respuestas y la falta de transparencia en cómo se generan, lo que dificulta su uso en contextos educativos con alta exigencia de fiabilidad.

En el ámbito ético, surgen preocupaciones sobre la privacidad de los datos personales del alumnado y la creciente dependencia tecnológica, que podría afectar la autonomía docente y el pensamiento crítico del estudiantado.

Asimismo, para garantizar un uso seguro y justo, es clave establecer marcos normativos claros, así como promover una integración equilibrada que combine innovación con reflexión pedagógica.

Referencias:
García-Peñalvo, F. J., & Seoane-Pardo, A. M. (2023). La era de la inteligencia artificial generativa en educación. Zenodo. https://doi.org/10.5281/zenodo.10255745

Según Area y Pessoa (2012), esta alfabetización “combina habilidades técnicas con competencias reflexivas, sociales y éticas”, y es clave para construir una ciudadanía digital responsable.

Referencias:

Area, M., & Pessoa, T. (2012). De lo sólido a lo líquido: Las nuevas alfabetizaciones ante los cambios culturales de la Web 2.0. Comunicar, 20(38), 13–20.

La alfabetización digital crítica debe abordar también cuestiones de privacidad, seguridad, identidad digital y ética tecnológica, lo que requiere una formación integral y continua desde edades tempranas y en el ámbito docente.

Referencias:

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC. Versión 3.0. https://unesdoc.unesco.org/ark:/48223/pf0000379166

Hinrichsen y Coombs (2013) plantean que la educación debe incluir la capacidad de analizar críticamente cómo la automatización moldea nuestra visión del mundo, especialmente cuando estas tecnologías se usan en procesos educativos como la evaluación o la tutoría personalizada.

Referencias:

Hinrichsen, J., & Coombs, A. (2013). The five resources of critical digital literacy: A framework for curriculum integration. Nordic Journal of Digital Literacy, 8, 213–225.

Para lograrlo, se necesita transformar la enseñanza desde una lógica de consumo tecnológico hacia una lógica de reflexión y participación activa, donde el alumnado pueda debatir, cuestionar y construir conocimiento con y sobre la tecnología.

Referencias:

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC. Versión 3.0.

La UNESCO (2021) subraya que el desarrollo de esta competencia debe contemplar tres niveles en los docentes:

1. Comprensión del funcionamiento tecnológico (incluidos los algoritmos).

2. Capacidad para enseñar pensamiento crítico digital.

3. Habilidad para aplicar criterios éticos y pedagógicos en la selección y uso de herramientas digitales, especialmente aquellas basadas en IA.

   
   

En este sentido, la formación inicial y continua debe incluir espacios para reflexionar sobre el papel de la IA en el aula, discutir casos prácticos y promover una actitud crítica frente a la tecnología. Esto permitirá que el profesorado no sea mero usuario, sino mediador activo en la construcción de una ciudadanía digital crítica y consciente.

Referencias:

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC. Versión 3.0. https://unesdoc.unesco.org/ark:/48223/pf0000379166

Asimismo, posibilita que el alumnado pueda planificar, documentar y reflexionar sobre el proyecto planteado partiendo de un aprendizaje colaborativo y experiencial.

• Referencia bibliográfica empleada:

Valdiviezo, G. C. L., Chávez, C. E. J., León, B. L. A., & Rangel, D. R. (2025). Inteligencia artificial como recurso educativo en la metodología ABP en el bachillerato técnico. Journal of Science and Research, 10 (2), 134-162.

En la actualidad, podríamos vincular el uso de la IAG a diferentes pedagogías o metodologías, entre ellas encontramos algunas como:

• Aprendizaje Basado en Proyectos (ABP) y Aprendizaje colaborativo.

• Aprendizaje activo.

• Aprendizaje socio-constructivista

• Gamificación

Del mismo modo, establecen que dicha herramienta permite la comunicación eficiente, fomenta la participación activa, el intercambio de ideas y contribuye a formar a un alumnado mucho más autónomo y crítico ante los desafíos del siglo XXI.

• Referencia bibliográfica empleada:

Silva, M., Correa, R., & Mc-Guire, P. (2024). Metodologías activas con inteligencia artificial y su relación con la enseñanza de la matemática en la educación superior en Chile: estado del arte. TE & ET.

En este sentido, la IAG permite adaptar los contenidos a las características, estilos y ritmos de aprendizaje del alumnado, contribuyendo a una mayor participación, implicación y autonomía.

Además, según dichos autores, la IAG contribuye a la personalización del aprendizaje, pudiendo atender a la diversidad del alumnado para garantizar la adquisición de las competencias básicas para cada nivel educativo.

• Referencia bibliográfica empleada:

 Herrera Plou, I., & Usán Supervía, P. (2024). Inteligencia Artificial y gamificación: una revisión sistemática y análisis de casos prácticos.

Para ello, se debe evaluar de forma continua su impacto en el aula para obtener una retroalimentación del alumnado, con el objetivo de identificar áreas de mejora que ayuden a reajustar su utilización.

De igual forma, se menciona la importancia de la personalización del aprendizaje a las características de cada estudiante y la necesidad de la formación de los docentes para adaptar sus enfoques pedagógicos a las necesidades individuales de los mismos.

• Referencias bibliográficas empleadas:

  
  

• Silva, M., Correa, R., & Mc-Guire, P. (2024). Metodologías activas con inteligencia artificial y su relación con la enseñanza de la matemática en la educación superior en Chile: estado del arte. TE & ET.

  
  

• U.S. Department of Education, Office of Educational Technology. (2023). Artificial Intelligence and Future of Teaching and Learning: Insights and Recommendations. Recuperado de https://www2.ed.gov/documents/aireport/ai-report.pdf

• Referencia bibliográfica utilizada:

Copado, A.E. (2023). Inteligencia artificial en la prevención del plagio académico y evaluación del aprendizaje. Revista Senderos Pedagógicos, 15(1), 140-151. https://ojs.tdea.edu.co/index.php/senderos/article/view/1372

• Enseñar al alumnado estrategias de citación, resumen y parafraseo, para que aprendan a saber seleccionar la información más importante sobre lo que leen.

• Animar a investigar en línea, siempre enseñándoles a buscar fuentes de calidad y a evaluar la confianza que les transmite la información que han encontrado.

• Fomentar la enseñanza de valores, por ejemplo, explicándoles las consecuencias que tiene plagiar y cómo les afectaría tanto en su vida personal como profesional.

• Referencia bibliográfica empleada:

Howard, M., & Davies, L. J. (2009). El plagio en la era de Internet.

En este caso, la UNESCO (2023) reconoce la necesidad de establecer políticas adecuadas sobre el consentimiento, uso y almacenamiento de información de forma adecuada que proteja la identidad digital de nuestro alumnado.

• Referencia bibliográfica empleada:

UNESCO. (2023). Artificial Intelligence and Education: Guidance for Policy-Makers. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000376705​

• Referencia bibliográfica utilizada:

Herrera Plou, I., & Usán Supervía, P. (2024). Inteligencia Artificial y gamificación: una revisión sistemática y análisis de casos prácticos.

• Falta de transparencia, teniendo en cuenta que algunos usos de la IA pueden ocultarse.

• Eficacia y veracidad. En algunas ocasiones, la información aportada por la IA no es correcta e incluso puede no ser real.

• Calidad de los datos y sesgo. Los sistemas de IA se basan en datos para encontrar patrones y tomar decisiones, y si esos datos no son representativos o están sesgados, pueden dar lugar a situaciones injustas.

• Predominancia de la IA sobre los docentes y mayor vigilancia al estudiantado.

• Riesgos para la privacidad y seguridad de los datos, sobre todo aquellos relativos a los alumnos.

Referencias:

• Department of Education. U.S. (2023). Artificial intelligence and future of teaching and learning: insights and recommendations. https://tech.ed.gov/

El departamento de Educación de los Estados Unidos (2023) afirma que es importante encontrar el equilibrio adecuado entre el uso de la IA para automatizar tareas y el mantenimiento de la toma de decisiones y el juicio humanos. Así como llevar a cabo políticas que fomenten un uso ético y eficiente de la IA.

Referencias:

• Department of Education. U.S. (2023). Artificial intelligence and future of teaching and learning: insights and recommendations. https://tech.ed.gov/

1. Sesgos en los datos de entrenamiento.

2. No es posible controlar el contenido generado por IA.

3. El contenido generado puede no ser ético ni legal.

4. La IA genera un contenido tan convincente que puede utilizarse para desinformar y manipular a las personas.

5. Falta de seguridad y privacidad de los datos manejados por la IA.

6. Legislación y regulación deficiente y en desarrollo.

7. Implicaciones negativas en distintos sectores laborales.

8. Problemas éticos y relativos a la autoría de contenido.

Referencias:

• Sebastià Oriol, I. (2024). Inteligencia artificial generativa (1.ª ed.) [recurso de aprendizaje textual]. Fundació Universitat Oberta de Catalunya (FUOC).

• Ampliación de la brecha digital, reforzando las desigualdades educativas preexistentes.

• Dependencia tecnológica.

• Déficit en el desarrollo de habilidades cognitivas esenciales.

• Situaciones educativas injustas y discriminatorias debido al sesgo algorítmico.

Para mitigar los riesgos asociados y garantizar que todos los estudiantes se beneficien equitativamente de sus avances, es necesario planificar y gestionar adecuadamente su implementación en las aulas y en la educación y la formación en general. Por otro lado, debemos educar a los alumnos en el uso de esta herramienta.

Referencias:

• Holmes, W., y Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542-570. https://onlinelibrary.wiley.com/doi/pdf/10.1111/ejed.12533