evaluación auténtica -

Leer artículo

Aprender reparando: una propuesta para enseñar programación en tiempos de IA

En la sesión del viernes 13 de marzo de la Comunidad IA, Luis Valdivia Humareda, docente de la UPC y especialista en desarrollo de software, inteligencia artificial y arquitectura cloud, presentó una experiencia pedagógica centrada en la enseñanza de programación para estudiantes de ciclos superiores vinculados al desarrollo de videojuegos. Su propuesta, titulada Aprender reparando: debugging profesional en motores de juegos como Unity y Phaser, parte de una observación concreta: muchos estudiantes logran implementar funcionalidades, pero todavía dependen en exceso del docente cuando aparecen errores en el código.

A partir de ese diagnóstico, la experiencia replantea el lugar del error dentro del proceso de aprendizaje. En vez de entenderlo como un obstáculo que debe evitarse, Valdivia lo convierte en recurso pedagógico. La metodología consiste en exponer al estudiante a errores intencionales, tanto técnicos como lógicos, para que aprenda a leer mensajes del sistema, identificar causas, proponer soluciones y documentar el proceso de corrección. De este modo, el aula se aproxima a escenarios reales de trabajo, donde no siempre se construye desde cero, sino que con frecuencia se debe intervenir sobre productos ya desarrollados, incompletos o defectuosos.

La propuesta se organizó en dos momentos. En un primer tramo, el docente modeló con los estudiantes la identificación y resolución de errores dentro de motores como Unity y Phaser, mostrando cómo pequeñas omisiones o decisiones incorrectas afectan el funcionamiento del proyecto. En un segundo momento, cambió la lógica de la evaluación: en lugar de pedir la creación de un producto desde cero, entregó proyectos funcionales previamente alterados para que los estudiantes diagnosticaran y repararan fallas. Esta variación permitió evaluar no solo el resultado final, sino también la comprensión del problema, la capacidad de depuración y la argumentación técnica del proceso seguido.

Los resultados presentados fueron relevantes. Según lo expuesto en la sesión, se redujo de manera considerable la solicitud constante de ayuda al docente, disminuyó el tiempo que los estudiantes dedicaban a la depuración de errores y mejoró la estabilidad de los proyectos entregados. A ello se sumaron logros formativos de mayor alcance: incremento de la autonomía, fortalecimiento del pensamiento computacional, mejor documentación de los procesos y mayor confianza para afrontar problemas similares en contextos profesionales. La experiencia mostró, además, que enseñar a corregir errores no implica bajar la exigencia, sino desplazarla hacia competencias más cercanas a las demandas del campo laboral.

Uno de los puntos más valiosos de la conversación fue la reflexión sobre la evaluación en contextos atravesados por inteligencia artificial generativa. Frente a la facilidad con la que hoy un estudiante puede obtener código funcional mediante herramientas como ChatGPT, la experiencia presentada propone una evaluación más auténtica: resolver errores complejos, especialmente aquellos de lógica, exige comprensión de fundamentos y no solo capacidad de pedir respuestas a una herramienta. En ese sentido, la IA aparece como apoyo para optimizar tareas, pero no sustituye la necesidad de comprender cómo funcionan los sistemas ni de desarrollar criterios para intervenir sobre ellos.

Finalmente, la sesión abrió una discusión sobre la transferencia de esta metodología a otras disciplinas. El ponente sugirió que la lógica de “aprender reparando” puede adaptarse a áreas como marketing, matemática, estadística, psicología, finanzas o ingeniería industrial, mediante actividades en las que los estudiantes deban analizar campañas mal diseñadas, procedimientos erróneos, datos defectuosos o procesos mal secuenciados. Desde esta perspectiva, el debugging deja de ser una práctica exclusiva de la programación y se convierte en una forma de aprendizaje basada en el análisis crítico, la corrección argumentada y la preparación para contextos profesionales donde identificar y resolver errores forma parte del ejercicio cotidiano.

¿Te gustaría participar activamente en la Comunidad IA en Educación?

Si quieres ser parte de nuestras sesiones virtuales y contribuir a este espacio de aprendizaje e intercambio, completa el siguiente formulario. Así podremos conocerte mejor y enviarte el enlace para unirte a las reuniones en vivo: https://forms.office.com/r/6nCJ4wtVaS

Mira el video completo de la sesión:

Leer artículo

La IA en la educación superior latinoamericana: hallazgos y próximos desafíos

En la sesión virtual de la Comunidad IA (viernes 20 de febrero de 2026) analizaron hallazgos de la encuesta sobre IA en la educación del Digital Education Council (DEC) con la participación de Alessandro de Lullo (CEO del DEC) como invitado. La conversación, conducida por Jorge Bossio, puso énfasis en cómo docentes y estudiantes están incorporando estas herramientas, así como en las tensiones que esta adopción abre para la evaluación, la ética y el diseño institucional.

Uno de los puntos recurrentes fue el crecimiento de la adopción: frente a estudios globales previos, el DEC observa tasas de uso docente elevadas en la región y una disposición relativamente pro-innovación. En términos de prácticas, el uso se concentra todavía en tareas como creación de materiales y automatización de trabajo preparatorio; no obstante, se planteó que el siguiente paso relevante es pasar de la experimentación instrumental a la integración orientada por resultados de aprendizaje, junto con la capacidad de identificar tendencias y comprender cómo aprenden los estudiantes.

La sesión dedicó un bloque importante al tema de evaluación. Se distinguieron respuestas “reactivas” (ajustar evaluaciones vulnerables a la generación automática de textos, por ejemplo) y respuestas “proactivas” (redefinir qué se entiende por evaluación auténtica en un contexto donde cambia lo que se espera que una persona sepa hacer). En esa línea, se resaltó la necesidad de avanzar hacia diseños resilientes a la IA, apoyados en metodologías emergentes y en decisiones institucionales que hagan explícito qué habilidades humanas se buscan preservar y cuáles deben transformarse.

En cuanto a perfiles docentes, el invitado señaló que no se observaron correlaciones claras entre seniority y resistencia, ni diferencias significativas por disciplina; la variación más visible se relaciona con la familiaridad técnica en áreas STEM, que no siempre se traduce en capacidad para aplicar la IA con sentido pedagógico. A partir de ello, se propuso que un modelo compartido de integración debería incluir, al menos, comprensión básica de qué puede y qué no puede hacer la IA (incluyendo diferencias entre herramientas conversacionales y agentes), competencias para guiar conversaciones éticas, y habilidades para evaluar críticamente la calidad de los outputs en el aula.

Desde la perspectiva estudiantil, se reconoció el uso extendido y cotidiano de estas herramientas, y se discutió la dificultad de distinguir entre uso frecuente e integración educativa valiosa. Como riesgo, se mencionó la posible dependencia cognitiva, frente a la cual se recomendaron estrategias de diseño didáctico: uso deliberado de IA con discusión estructurada en clase, incorporación de checkpoints y entregables parciales (notas, bitácoras, comentarios), y evaluaciones centradas en procesos que permitan observar comprensión, toma de decisiones y revisión crítica.

Finalmente, el intercambio abordó una ética ampliada que incluye infraestructura, soberanía tecnológica, opacidad de datos y costos ambientales. Se describió un escenario de trade-offs entre acceso (a menudo “gratuito” pero con menor control sobre datos) y entornos institucionales internos (más controlables pero costosos). Como cierre, se priorizaron tres decisiones institucionales: fortalecer alfabetización y entrenamiento (docentes y estudiantes), rediseñar enseñanza y evaluación hacia la resiliencia, y articular con la industria para anticipar habilidades demandadas, además de impulsar investigación sobre el impacto de la IA en aprender y pensar.

¿Te gustaría participar activamente en la Comunidad IA en Educación?

Mira el video completo de la sesión:

Leer artículo

La paradoja cognitiva de la IA: entre la amplificación y la dependencia

Gabriela Alvarez Cisneros
octubre 2, 2025
Inteligencia artificial, Viernes de IA en la Educación
3753 Visitas

En la sesión del viernes 19 de septiembre, la Comunidad IA en la educación recibió a Manuel Sotomayor, psicólogo educativo y responsable de estrategia de IA educativa en Centrum PUCP. Su ponencia abordó la “paradoja cognitiva de la IA”: una tecnología capaz de amplificar las capacidades intelectuales, pero que, al mismo tiempo, puede erosionar habilidades cruciales para el aprendizaje, como el pensamiento crítico y la autorregulación.

Sotomayor ilustró el dilema con un caso típico: dos estudiantes resuelven un estudio de negocios; quien usa IA produce más rápido análisis sólidos, pero puede no haber internalizado el razonamiento que sustenta sus respuestas. El foco en “productos” por encima de procesos cognitivos y afectivos —advirtió— pone en riesgo el desarrollo de competencias analíticas. De ahí su llamado a replantear el diseño pedagógico y las evidencias de aprendizaje en entornos con IA.

Desde la teoría, articuló tres marcos. Primero, la teoría de la carga cognitiva: reducir carga extrínseca (presentaciones y materiales mal diseñados) para favorecer la carga germinal, donde ocurre la construcción de esquemas y el aprendizaje profundo. La “trampa” aparece cuando la IA no solo quita lo extrínseco sino también sustituye esfuerzo germinal, desplazando el “sweet spot” de dificultad deseable. El segundo y tercer marco vinculan taxonomías de Bloom con los sistemas 1 y 2 de Kahneman: si la IA se apropia tanto de las habilidades de orden inferior como de las superiores, el andamiaje evolutivo del aprendizaje se resiente.

A nivel empírico, el expositor reseñó hallazgos recientes. En tareas aplicadas, estudiantes con IA y orientación docente mejoran su desempeño; sin orientación, la variabilidad aumenta y el promedio cae frente a quienes trabajan sin IA. No obstante, emerge un dato incómodo: 50% declara fuerte dependencia de la IA y 16,7% teme perder capacidad de resolución autónoma. Este debate se enlaza con el modelo FACT (Fundamento–Aplicación–Crítica–Transferencia), propuesto como guía para decidir en qué tipos de habilidades conviene o no integrar IA, siempre con cautela contextual.

El ángulo neurocognitivo refuerza la paradoja: estudios comparando “cerebro solo”, búsqueda en Google y uso de modelos generativos reportan menor conectividad y patrones menos complejos con IA, con efectos que persistirían aun después de dejar de usarla (“deuda cognitiva”). La implicación didáctica es concreta: sostener prácticas espaciadas, generación activa de respuestas y exposición a dificultades deseables para asegurar aprendizaje significativo en tiempos de IA.

El diálogo posterior conectó estas ideas con experiencias de aula y gestión del curso: se subrayó que rediseñar flujos de trabajo y secuencias de actividades puede ayudar a “surfear” la tensión entre apoyo y atrofia, evitando la “ficción” de enseñar, producir y evaluar todo con IA. La invitación final fue explícita: educar para navegar esa tensión de forma productiva, con criterios éticos y de evaluación auténtica.

¿Te gustaría participar activamente en la Comunidad IA en Educación?

Mira el video completo de la sesión:

Leer artículo

Innovación Educativa con IA: Estrategias Responsables para el Éxito Académico

La IA generativa, representada por herramientas como ChatGPT, está revolucionando la educación superior al mejorar las experiencias de aprendizaje tanto para los estudiantes como para los instructores. Estas tecnologías permiten soporte de aprendizaje inmediato, diseño de cursos mejorados, mayor compromiso estudiantil, aprendizaje experiencial y personalización. Sin embargo, su uso debe ser manejado con responsabilidad para asegurar resultados positivos y evitar posibles daños.