Glosario

El ajuste fino toma un modelo de propósito general y lo orienta hacia un tono, formato o dominio específico alimentándolo con ejemplos cuidadosamente seleccionados. Para la mayoría de los docentes, el ajuste fino es innecesariamente complejo: la ingeniería de prompts y la recuperación de información (RAG) cubren el 95 % de las necesidades a una fracción del costo y el riesgo. El ajuste fino tiene sentido cuando se dispone de cientos de ejemplos de alta calidad y una tarea estable y repetida.

Cuidado — El ajuste fino no 'enseña' al modelo hechos nuevos de manera confiable. Para hechos, utilice RAG.

Las alucinaciones son una característica estructural del funcionamiento de los LLM, no un error que pueda eliminarse por completo. El modelo optimiza el lenguaje para que suene plausible, no para decir la verdad. Las citas fabricadas, los eventos históricos inventados, las citas falsas de personas reales y los cálculos matemáticos confidentemente incorrectos son frecuentes. La tarea del docente es verificar cualquier afirmación factual del modelo antes de usarla con los estudiantes.

Ejemplo — Una IA inventa un estudio publicado en una revista con nombre real, autores reales y un DOI que no conduce a ningún lugar.

Cuidado — Cuanto más confiado sea el tono, con más cuidado se debe verificar.

El andamiaje está pensado para retirarse. El objetivo es la autonomía, no la asistencia permanente. La IA puede ser un andamiaje bien utilizado (un tutor que hace preguntas orientadoras y luego se aparta) o un andamiaje mal utilizado (una herramienta que simplemente termina la tarea). La pregunta pedagógica siempre es: ¿qué está haciendo el estudiante que antes no podía hacer y que podrá hacer solo la próxima vez?

Cuidado — Si el andamiaje nunca se retira, no es un andamiaje. Es una muleta.

La anonimización verdadera es más difícil de lo que parece. Eliminar nombres e identificadores rara vez es suficiente: combinaciones de campos menos obvios —institución, grado, descriptores demográficos, marcas temporales— pueden reidentificar a individuos, especialmente en poblaciones pequeñas. La práctica más sólida es la minimización de datos más la agregación cuidadosa, con la anonimización como última línea de defensa, no como la principal.

Cuidado — 'Anonimizado' suele significar 'seudonimizado'. Pregúntele al proveedor cuál de los dos aplica realmente.

El aprendizaje basado en indagación pone la pregunta, no la respuesta, en el centro. Las herramientas de IA encajan de manera incómoda aquí a menos que se usen con cuidado: un LLM que entrega respuestas pulidas cierra la indagación. Bien utilizada, la IA puede ser un compañero de investigación que ayuda a los estudiantes a refinar sus preguntas, encontrar fuentes e identificar contradicciones que merezca la pena explorar.

La memoria de trabajo es finita. La teoría de la carga cognitiva distingue la carga intrínseca (la tarea en sí), la carga extrínseca (un diseño deficiente que desperdicia la atención) y la carga germana (el esfuerzo que construye esquemas). La IA puede reducir la carga extrínseca —dar formato, resumir, simplificar— pero no debería absorber la carga germana. Esa es el aprendizaje.

Cuidado — Eliminar toda dificultad no es un favor. La lucha productiva es donde se forman los esquemas.

ChatGPT es el asistente de IA más reconocido en educación, en parte por el momento de su lanzamiento y en parte por su nivel gratuito. Ofrece un modelo gratuito y niveles de pago con modelos más recientes, generación de imágenes, carga de archivos y GPT personalizados. En muchos centros educativos, 'ChatGPT' es sinónimo de 'cualquier chatbot', lo que genera confusión en las conversaciones sobre políticas.

Cuidado — Las políticas que prohíben 'ChatGPT' suelen permitir sin querer Claude, Gemini, Copilot y modelos locales. Describa el comportamiento, no la marca.

Claude es ampliamente utilizado por docentes para trabajar con documentos extensos: leer artículos completos, comparar múltiples borradores de estudiantes, redactar currículo a lo largo de varias sesiones, gracias a su gran ventana de contexto. Su énfasis en la utilidad combinada con la honestidad lo convierte en una opción razonable para entornos de K-12, aunque ningún LLM es apropiado sin revisión humana.

El constructivismo fundamenta gran parte de la pedagogía moderna: aprendizaje basado en proyectos, indagación, lucha productiva. La tensión con la IA es real: si el modelo le entrega al estudiante una construcción terminada, no hubo construcción. La implicación para el diseño instruccional es que el trabajo cognitivo del estudiante debe permanecer visible y evaluable, incluso cuando la IA está en juego.

Copilot en educación generalmente se refiere a Microsoft 365 Copilot: funciones de IA dentro de Word, Excel, PowerPoint, Outlook y Teams. Para las instituciones estandarizadas en Microsoft, facilita la adopción. El nombre también se reutiliza en GitHub Copilot, un asistente de programación, que es un producto diferente con licencias distintas; vale la pena precisarlo en los documentos de política.

La declaración de uso de IA es la nueva convención de citación. Las normas aún se están consolidando, pero la dirección es clara: nombrar la herramienta, describir el uso, asumir la responsabilidad del resultado final. Enseñar esta práctica es posible desde la secundaria. Además, transforma la conversación de 'detectado usando IA' a 'usó IA bien', un encuadre mucho más saludable.

Ejemplo — Una nota al pie: 'Utilicé Claude para generar ideas sobre la estructura del ensayo y revisar la gramática. Todas las fuentes y los argumentos son propios.'

La dependencia del proveedor se manifiesta como formatos de datos propietarios, integraciones que solo funcionan con otros productos del mismo proveedor, inversiones en formación vinculadas a una interfaz específica y contratos que dificultan la exportación de datos. Para las herramientas de IA, pregunte desde el principio: ¿podemos exportar los datos de los estudiantes y el historial de prompts en formatos abiertos, y qué ocurre con nuestro contenido si el proveedor es adquirido o cierra? Estas preguntas parecen paranoicas hasta que dejan de serlo.

La diferenciación es una de las prácticas docentes que más tiempo consume, lo cual explica exactamente por qué la IA resulta tan atractiva aquí: lecturas niveladas, explicaciones alternativas, múltiples modalidades, prompts con andamiaje. El riesgo es bajar silenciosamente las expectativas para algunos estudiantes. La IA debe abrirle camino a más estudiantes hacia el resultado real, no ofrecer a algunos un resultado más sencillo.

Cuidado — Diferenciar los insumos está bien. Diferenciar los estándares, oculto bajo la personalización, es segregación.

El diseño en retrospectiva, popularizado por Wiggins y McTighe, tiene tres pasos: identificar los resultados, decidir qué evidencia demuestra el dominio y luego planificar la instrucción. En la era de la IA esta disciplina importa más, no menos: si no se puede especificar cómo luce la evidencia de un aprendizaje genuino, no se puede saber si la IA ayudó o cortocircuitó el proceso.

El UDL se basa en tres principios: múltiples medios de participación, de representación y de acción y expresión. En lugar de diseñar una lección y añadir adaptaciones, el UDL diseña la lección asumiendo la variabilidad como punto de partida. La IA es una poderosa aliada del UDL —texto a voz, resúmenes, traducción, formatos alternativos— pero solo si se parte de los resultados, no de la conveniencia.

Un embedding convierte una oración, un párrafo o un documento en una larga lista de números: una coordenada en el 'espacio del significado'. Dos fragmentos de texto con significado similar quedan cercanos entre sí, incluso si no comparten ninguna palabra. Los embeddings son el mecanismo real detrás de la búsqueda en sistemas RAG, las verificaciones de similitud y muchas funciones de recomendación.

La evaluación auténtica le pide a los estudiantes que hagan algo que alguien en el mundo realmente hace: diseñar, decidir, defender, construir, presentar. Es más difícil de eludir con IA porque la tarea incluye juicio situado y proceso visible para el docente. La evaluación auténtica es la respuesta más duradera al problema del ensayo para llevar a casa.

Ejemplo — En lugar de un ensayo de cinco párrafos sobre la calidad del agua local, los estudiantes toman muestras del arroyo cercano, analizan los datos y presentan los hallazgos ante el concejo municipal.

Las evaluaciones diagnósticas previas están subutilizadas. Revelan quién necesita la próxima lección, quién necesita la lección anterior y quién está listo para avanzar. La IA puede generar ítems diagnósticos rápidamente y calificarlos. La parte accionable es qué se cambia en la lección del día siguiente cuando llegan los datos.

La evaluación formativa es la dieta diaria de la enseñanza: boletas de salida, verificaciones rápidas, debate entre pares, sondeo de concepciones erróneas. La IA destaca aquí: genera verificaciones rápidas alineadas al objetivo del día, sugiere preguntas de seguimiento y resume las respuestas de la clase. El riesgo es bajo, el docente cierra el ciclo y los errores se detectan rápidamente.

La evaluación sumativa es donde la política de IA se vuelve incómoda. Los ensayos tradicionales para llevar a casa y los conjuntos de problemas sin límite de tiempo son trivialmente fáciles de completar con IA. Las opciones son: cambiar el formato (evaluación auténtica, tarea de desempeño, defensa oral), controlar el entorno (en clase, supervisado) o cambiar lo que cuenta como evidencia (portafolio, documentación del proceso). Pretender que el formato antiguo sigue funcionando rara vez termina bien.

FERPA regula quién puede acceder a los registros de los estudiantes y bajo qué condiciones. Para las herramientas de IA, las preguntas prácticas son: ¿los datos de los estudiantes salen del perímetro institucional?, ¿el proveedor es un 'funcionario escolar' según FERPA?, ¿qué consentimiento aplica y qué ocurre con los datos una vez que finaliza el contrato? Las herramientas gratuitas para consumidores rara vez satisfacen los requisitos de FERPA para trabajos identificables de estudiantes.

Cuidado — Una herramienta gratuita sin acuerdo de datos no cumple con FERPA simplemente porque se confíe en la marca.

El GDPR se aplica dondequiera que el interesado se encuentre en la UE, independientemente de dónde esté la institución. Establece las bases legítimas para el tratamiento de datos, los derechos de los interesados (acceso, supresión, portabilidad) y sanciones elevadas por incumplimiento. Para la IA, las preguntas difíciles son sobre los datos de entrenamiento, la elaboración de perfiles y la toma de decisiones automatizada, áreas que el reglamento aborda explícitamente.

Gemini maneja texto, imágenes, audio y video de forma nativa. Para las instituciones que ya utilizan Google Workspace for Education, la integración en Docs, Slides, Gmail y Classroom es una ventaja práctica. El tratamiento de los datos para los usuarios educativos difiere del producto para consumidores: lea la documentación de administración antes de asumir que los datos de los estudiantes están protegidos.

RAG conecta un LLM a una biblioteca con capacidad de búsqueda, ya sea el currículo, las políticas institucionales o el manual del estudiante, y alimenta los pasajes más relevantes al modelo junto con la pregunta del usuario. Esto reduce drásticamente las alucinaciones sobre contenido interno y permite que el modelo 'cite' fuentes reales. La mayor parte de la IA empresarial en educación hoy en día es RAG más un LLM, no el LLM solo.

Ejemplo — Un chatbot institucional que responde las preguntas del personal sobre la política de permisos recuperando los pasajes reales del manual de recursos humanos y resumiéndolos con el LLM.

Cuidado — La calidad del RAG está limitada por la calidad y estructura de los documentos subyacentes. Datos de baja calidad producen resultados de baja calidad.

La adopción de IA en educación es, en el fondo, un proyecto de gobernanza de datos. Qué datos de estudiantes salen de la institución, en qué forma, a qué proveedor, bajo qué contrato, con qué propósito y retenidos por cuánto tiempo. Si esas preguntas no tienen respuestas precisas, la adquisición de IA debería detenerse hasta tenerlas. Aquí es también donde vive la mayor parte del riesgo institucional real.

Los detectores de IA no son confiables. Los falsos positivos, es decir, marcar trabajo genuino de estudiantes como generado por IA, son frecuentes, especialmente en hablantes no nativos de inglés y estudiantes con estilos de escritura formal. Los falsos negativos son trivialmente fáciles de producir con edición ligera. Los principales proveedores han retractado sus afirmaciones de precisión. La mayoría de los docentes reflexivos tratan el resultado de un detector como punto de partida para una conversación, nunca como prueba.

Cuidado — Nunca base una decisión de integridad académica únicamente en la puntuación de un detector. La exposición legal y ética es real.

Los buenos prompts especifican el rol, la audiencia, las restricciones, el formato y los ejemplos. La ingeniería de prompts no es una fórmula mágica: es escritura técnica clara aplicada a un lector peculiar. Las mismas habilidades que hacen un buen resumen de plan de clase hacen un buen prompt: objetivos precisos, criterios de éxito explícitos, andamiaje y un ejemplo del resultado esperado.

Ejemplo — En lugar de 'Escribe un cuestionario sobre la Revolución Francesa', intente: 'Usted es un docente de historia de noveno grado. Redacte cinco preguntas de opción múltiple sobre las causas de la Revolución Francesa al nivel de comprensión de la taxonomía de Bloom, con clave de respuestas y una justificación de una oración para cada respuesta correcta.'

La IA no inventó el problema de la integridad académica, pero lo ha reconfigurado. La pregunta útil ya no es '¿usaron IA?' sino '¿representa honestamente este trabajo la comprensión del estudiante?' Eso requiere políticas que nombren los usos permitidos y no permitidos, un diseño de evaluación que haga visible el proceso y conversaciones con los estudiantes sobre por qué la integridad importa más allá de la calificación.

La minimización de datos es el principio de privacidad más útil en el trabajo con IA. Los datos que nunca se recopilaron no pueden ser vulnerados, vendidos, requeridos por orden judicial ni reutilizados. Antes de cualquier adopción de IA, pregúntese: ¿cuál es el conjunto mínimo de datos que permite que esto funcione y podemos eliminar más identificadores? La postura predeterminada de la mayoría de los proveedores es recopilar más: su tarea es negociar a la baja.

La mayoría de los grandes modelos de IA modernos son cajas negras en la práctica. Se puede ver qué entró y qué salió, pero no por qué. Para usos de alto impacto —calificación, asignación, intervención— esto es un problema real. La mitigación es procedimental, no técnica: revisión humana en las decisiones de alto impacto, registros de auditoría y el derecho a impugnar los resultados automatizados.

Cuidado — Si un proveedor no puede explicar por qué su modelo tomó una decisión, no se debería permitir que esa decisión sea definitiva.

Los LLM impulsan herramientas como ChatGPT, Claude y Gemini. No comprenden el significado de la manera en que lo hacen los seres humanos: predicen los tokens más probables en función de la conversación hasta ese momento. Esa predicción es suficientemente buena para redactar planes de clase, resumir documentos y explicar conceptos, pero también significa que el modelo no tiene una noción intrínseca de la verdad. Trate su resultado como un primer borrador confiable, nunca como una fuente verificada.

Ejemplo — Pedirle a un LLM que redacte una unidad sobre la fotosíntesis para el séptimo grado en menos de cinco segundos: fluida, estructuralmente razonable y todavía sujeta a revisión docente.

Cuidado — La fluidez no es exactitud. Una respuesta gramaticalmente perfecta puede seguir siendo incorrecta.

Los modelos de madurez le dan a la dirección un lenguaje compartido para la autoevaluación honesta. Los niveles típicos van desde la experimentación ad hoc, pasando por pilotos coordinados, práctica definida y mejora medida, hasta llegar a la cultura institucionalizada. El objetivo no es llegar al nivel más alto a toda prisa: es saber dónde se está realmente e invertir honestamente en el siguiente paso.

La pedagogía de la vigilancia es lo que se obtiene cuando la respuesta a las preocupaciones sobre integridad académica es más monitoreo en lugar de un mejor diseño de la evaluación. Tiende a erosionar la confianza, a generar estrés desproporcionado en los estudiantes ya marginalizados y a producir rendimientos decrecientes. La alternativa más saludable es generalmente rediseñar la evaluación, no vigilarla.

La analítica del aprendizaje prometía identificar tempranamente a los estudiantes en dificultad. La realidad es mixta: las señales son ruidosas, los modelos suelen estar construidos sobre supuestos que perjudican a algunos grupos y las 'alertas tempranas' pueden convertirse en profecías autocumplidas. Utilice estas plataformas para iniciar conversaciones con personas, no para asignar etiquetas.

Cuidado — Una 'puntuación de riesgo' es una hipótesis, no un diagnóstico.

Una política de IA útil es específica, acotada en el tiempo y revisable. Nombra herramientas cuando puede, nombra comportamientos cuando debe, distingue por tipo de curso o tarea, e incluye tanto a estudiantes como a personal. Una política deficiente es una sola oración que prohíbe 'la IA' como si ese término estuviera bien definido. Planifique revisarla anualmente: el terreno sigue cambiando.

Las rúbricas hacen que la evaluación sea comprensible para los estudiantes antes de que entreguen su trabajo, lo que mejora tanto el trabajo como la retroalimentación. La IA es buena para redactar borradores iniciales de rúbricas a partir de objetivos de aprendizaje y para aplicar una rúbrica de manera consistente en muchos trabajos. Los docentes deben calibrar siempre con muestras reales de estudiantes: el modelo no sabe lo que produce realmente su grupo de octavo grado.

El sesgo algorítmico se manifiesta en educación como evaluadores de ensayos que penalizan dialectos no estándares, herramientas de supervisión que marcan con mayor frecuencia a personas de piel más oscura y sistemas de recomendación que orientan a ciertos grupos hacia contenido menos ambicioso. El NIST y otros organismos de normalización han publicado marcos para reflexionar sobre este tema y mitigarlo, pero ninguna auditoría elimina el sesgo por completo. La respuesta institucional es la revisión humana en las decisiones de alto impacto.

Cuidado — 'El algoritmo es neutral' casi nunca es verdad. La neutralidad es un resultado del diseño, no una condición predeterminada.

Los sistemas adaptativos van desde ejercicios de ramificación simples hasta motores verdaderamente impulsados por IA que reordenan el contenido en tiempo real. Funcionan mejor para dominios de habilidades bien definidos —lectoescritura inicial, fluidez matemática, gramática de idiomas— y son más débiles donde el aprendizaje es abierto. El modelo instruccional detrás del sistema importa más que la IA subyacente.

El LMS es donde las funciones de IA se incorporan primero en la mayoría de las instituciones: sugerencias de calificación asistidas por IA, retroalimentación de borradores, rúbricas generadas automáticamente y chat integrado. Cualquier herramienta que se adopte debe integrarse bien con el LMS o quedará en la periferia. El LMS también es donde vive la mayor parte de los datos de los estudiantes, por lo que las integraciones de IA en él son donde las preguntas sobre privacidad son más urgentes.

Los sondeos de concepciones erróneas son oro diagnóstico. Construidos sobre investigaciones acerca de cómo los estudiantes piensan erróneamente sobre conceptos específicos —las leyes de Newton, la evolución, las fracciones— muestran si la instrucción desplazó el modelo conceptual o solo el vocabulario. La IA puede generar buenos borradores iniciales de sondeos, pero los más potentes provienen de docentes que conocen los errores típicos de sus estudiantes.

Ejemplo — 'Una pelota pesada y una pelota liviana se sueltan desde la misma altura. ¿Cuál llega primero al suelo?' Las respuestas revelan intuiciones aristotélicas sobre la gravedad que ninguna cantidad de lectura del libro de texto logra borrar.

La supervisión mediante IA es una de las categorías más controvertidas en edtech. Plantea preocupaciones reales de privacidad, equidad y precisión: estudiantes con discapacidades, estudiantes en viviendas compartidas y estudiantes de grupos racializados han sido documentados como los más frecuentemente marcados. Muchas instituciones están abandonando la supervisión automatizada en favor del rediseño de las evaluaciones; véase evaluación auténtica y tarea de desempeño.

Cuidado — Una alerta no es una prueba. Trate el resultado de la supervisión como un punto de partida para la revisión humana, nunca como un veredicto.

Las tareas de desempeño integran contenido y habilidad: escribir un trabajo y defenderlo oralmente, diseñar un experimento y analizar los resultados, construir un modelo y explicar las compensaciones de ingeniería. Son más difíciles de falsificar con IA porque la evaluación incluye el proceso, no solo el artefacto. También son más costosas de calificar en tiempo, que es exactamente donde la asistencia de IA bien utilizada ayuda a los docentes.

La taxonomía de Bloom es el vocabulario más ampliamente compartido que tienen los docentes para hablar de demanda cognitiva. En el trabajo con IA resulta especialmente útil como andamiaje para los prompts: pedir al modelo preguntas al nivel de 'aplicación', 'análisis' o 'evaluación' produce resultados significativamente diferentes. La taxonomía no es dogma, pero es un lenguaje común que vale la pena usar.

Una temperatura baja (cercana a 0) produce respuestas más deterministas y conservadoras, útiles para rúbricas de calificación, resúmenes factuales y resultados estructurados. Una temperatura más alta produce respuestas más creativas y variadas, útiles para lluvia de ideas, generación de preguntas para debate o redacción de ejemplos de escritura creativa. La mayoría de las herramientas de chat para consumidores ocultan este parámetro, pero aparece en el acceso a la API y en algunas plataformas educativas.

Cuidado — Una temperatura baja no significa exactitud. Solo significa consistencia.

Los modelos dividen el texto en tokens antes de procesarlo. Una regla práctica común en inglés es que un token equivale aproximadamente a tres cuartas partes de una palabra. Los tokens importan porque la mayoría de las herramientas de IA cobran por uso de tokens y limitan cuántos caben en una sola conversación. Los PDF extensos, las transcripciones y los portafolios estudiantiles pueden alcanzar esos límites rápidamente.

Ejemplo — Un ensayo estudiantil de 1,000 palabras equivale aproximadamente a 1,300 tokens; la mitad de un capítulo de libro de texto equivale a unos 8,000.

Introducida en 2017, la arquitectura transformer permite que un modelo pondere la relevancia de cada palabra en relación con todas las demás palabras en la entrada. Esa atención paralela es lo que hizo que los LLM fueran escalables. Los docentes no necesitan implementar transformers, pero conocer el término ayuda al leer documentación, investigaciones o afirmaciones de proveedores.

Cuidado — 'Transformer' en inteligencia artificial no tiene nada que ver con juguetes ni componentes eléctricos: es exclusivamente una arquitectura de modelo.

Los tutores de IA van desde bots de práctica y retroalimentación básicos hasta sistemas socráticos más ricos que devuelven preguntas al estudiante. Los mejores se niegan explícitamente a dar la respuesta directa. Los peores son resolutores de tareas disfrazados. La calidad varía enormemente según la materia: la tutoría de matemáticas tiende a ser más confiable que la de redacción, donde el modelo puede inducir a error con confianza en estilo y contenido.

Cuidado — Si el tutor nunca dice 'No sé' o 'Inténtelo de nuevo', probablemente sea una máquina de hacer tareas disfrazada.

Todo lo que queda fuera de la ventana de contexto es invisible para el modelo: no puede recordar turnos anteriores de la conversación, no puede leer un fragmento de documento que no cupiera ni puede recuperar la sesión de la semana pasada a menos que ese historial se proporcione de nuevo. Los modelos más recientes tienen ventanas muy grandes, pero más grande no siempre es mejor: los contextos extensos también pueden enterrar la instrucción que más importa.

Cuidado — Una conversación larga no le otorga 'memoria' a la IA. Una vez que se supera la ventana, el contenido anterior desaparece silenciosamente.