Secuencia didáctica para construir y aplicar una taxonomía funcional de la IA educativa

Área: Ciencias de la Educación

Asignatura: Licenciatura en Tecnología e Informática

Nivel: Universitario

Duración: Dos semanas, 16 horas en total, distribuidas en cuatro actividades de cuatro horas cada una.

Meta de aprendizaje: Clasifica la Inteligencia Artificial según sus aplicaciones en educación.

Metodología predominante: Explicación magistral dialogada, análisis de casos, trabajo colaborativo en grupos pequeños, consulta y valoración de fuentes académicas, argumentación crítica y socialización.

1. Propósito formativo

La secuencia busca que los estudiantes superen la clasificación superficial de las herramientas de IA por popularidad o por su carácter generativo. Para ello, distinguirán entre tipos o técnicas de IA y aplicaciones educativas, analizarán casos situados en la enseñanza de tecnología e informática y construirán una taxonomía funcional basada en la finalidad pedagógica, los datos utilizados, el tipo de aprendizaje que apoyan y las condiciones éticas y contextuales de implementación.

La clasificación se trabajará como un proceso analítico y no como una lista rígida. Una misma herramienta puede incorporar varias técnicas de IA y cumplir más de una función educativa. Por ejemplo, un asistente generativo puede utilizar procesamiento del lenguaje natural y modelos de aprendizaje automático, pero su aplicación educativa concreta puede ser la creación de contenidos, la retroalimentación, la tutoría o el apoyo a la gestión docente.

2. Objetivo de aprendizaje SMART

Al finalizar las dos semanas, los estudiantes clasificarán correctamente al menos ocho de diez casos de uso de Inteligencia Artificial en educación mediante una taxonomía funcional que incluya tutoría inteligente, personalización, evaluación, analítica del aprendizaje, creación de contenidos y apoyo a la gestión; justificarán cada clasificación con criterios técnicos, pedagógicos y éticos; y defenderán sus decisiones utilizando al menos tres fuentes académicas o institucionales confiables.

3. Resultados de aprendizaje específicos

• Diferenciar IA generativa, sistemas expertos, aprendizaje automático, procesamiento del lenguaje natural y visión por computador.
• Distinguir entre el tipo de IA utilizada y la aplicación educativa que cumple una herramienta o sistema.
• Relacionar cada aplicación con objetivos de aprendizaje, actividades, evidencias de aprendizaje y roles docentes.
• Construir una taxonomía funcional de aplicaciones de IA educativa.
• Evaluar críticamente la eficacia pedagógica, la privacidad, los sesgos, la accesibilidad, la inclusión, la autonomía docente y la pertinencia contextual.
• Argumentar una clasificación utilizando fuentes académicas e institucionales, diferenciándolas de publicidad comercial y opiniones no verificadas.

4. Conceptos organizadores

5. Taxonomía funcional de referencia

Nota conceptual: las categorías no son mutuamente excluyentes. La clasificación principal debe basarse en la finalidad educativa del caso, mientras que el tipo de IA y los datos utilizados funcionan como dimensiones complementarias.

6. Secuencia de actividades

Actividad 1. Delimitación conceptual: de los tipos de IA a sus aplicaciones educativas

Duración: 4 horas, semana 1.

Objetivo parcial: Diferenciar los principales tipos de IA y relacionarlos inicialmente con posibles aplicaciones educativas, evitando confundir la técnica utilizada con la finalidad pedagógica.

Materiales y recursos

• Presentación magistral del docente.
• Computadores de la sala de informática.
• Tablero o pizarra.
• Matriz de clasificación impresa o digital.
• Fichas con casos breves de IA aplicada a Tecnología e Informática.
• Lecturas introductorias seleccionadas: UNESCO, Guidance for Generative AI in Education and Research (2023); Holmes, Bialik y Fadel, Artificial Intelligence in Education (2019); Zawacki-Richter et al. (2019), revisión sistemática sobre aplicaciones de IA en educación.

Desarrollo

1. Activación de saberes previos — 25 minutos.

   Docente: Presenta cuatro situaciones: un chatbot que explica código, un sistema que recomienda ejercicios, un programa que reconoce una respuesta escrita y un tablero que alerta sobre estudiantes con baja participación. Solicita una clasificación espontánea y pregunta: “¿Están clasificando la herramienta, la técnica o la finalidad educativa?”. Registra las respuestas sin corregirlas de inmediato.

   Estudiantes: Clasifican individualmente las situaciones, explican el criterio utilizado y señalan qué información necesitarían para estar seguros de su decisión.

2. Explicación magistral dialogada — 75 minutos.

   Docente: Explica IA generativa, sistemas expertos, aprendizaje automático, procesamiento del lenguaje natural y visión por computador. Diferencia modelo, herramienta, técnica, aplicación y finalidad pedagógica. Utiliza ejemplos vinculados con programación, redes, ciudadanía digital, bases de datos y laboratorios de informática.

   Estudiantes: Elaboran un cuadro comparativo con definición, datos de entrada, resultado esperado, aplicación educativa posible y limitación de cada tipo de IA. Formulan preguntas de precisión conceptual.

3. Construcción de una matriz técnica-pedagógica — 80 minutos.

   Docente: Modela la clasificación de un caso: “Una plataforma analiza los errores de estudiantes al programar y recomienda ejercicios”. Piensa en voz alta, separando técnica, aplicación, datos, evidencia y propósito pedagógico. Luego entrega cuatro casos a cada grupo.

   Estudiantes: Completan la matriz con las columnas: caso, técnica probable, aplicación educativa, objetivo de aprendizaje, rol docente, datos utilizados, evidencia generada y posibles riesgos. Justifican por escrito cada decisión.

4. Socialización y ajuste conceptual — 40 minutos.

   Docente: Contrasta las respuestas de los grupos, identifica clasificaciones basadas únicamente en la popularidad o en la etiqueta “generativa” y formula preguntas de corrección.

   Estudiantes: Comparan sus decisiones, reformulan al menos una clasificación y explican qué criterio fue más determinante.

5. Síntesis individual — 20 minutos.

   Docente: Solicita un ticket de salida con las frases: “Antes confundía…”, “Ahora distingo…” y “Para clasificar una aplicación de IA necesito verificar…”.

   Estudiantes: Responden el ticket de salida y entregan la matriz inicial.

Transición a la actividad 2: Antes de pasar a la siguiente actividad, verifica que los estudiantes puedan explicar la diferencia entre “tipo de IA” y “aplicación educativa”, y que al menos puedan justificar una clasificación utilizando finalidad pedagógica y datos empleados. Si aún clasifican por popularidad o por la etiqueta “generativa”, retoma un caso y realiza una clasificación colectiva.

Actividad 2. Análisis de casos y evaluación de fuentes académicas

Duración: 4 horas, semana 1.

Objetivo parcial: Clasificar casos reales o documentados de IA educativa y valorar la confiabilidad de las fuentes que sustentan la descripción de sus funciones y resultados.

Materiales y recursos

• Computadores con acceso a bases de datos académicas, repositorios institucionales o buscadores académicos.
• Dossier preparado por el docente con artículos académicos, informes institucionales, páginas de plataformas y textos de opinión.
• Ficha de análisis de fuentes.
• Casos relacionados con tutoría inteligente, evaluación automatizada, analítica del aprendizaje, asistentes generativos, recomendación de contenidos y reconocimiento de imágenes.

Desarrollo

1. Mini-lección sobre fuentes y evidencia — 35 minutos.

   Docente: Explica la diferencia entre artículo académico revisado por pares, informe institucional, documentación técnica, publicidad de una plataforma, noticia y opinión. Presenta los criterios de autoría, propósito, metodología, fecha, referencias, transparencia y limitaciones.

   Estudiantes: Analizan dos textos sobre una misma herramienta y señalan cuál ofrece mayor evidencia para sostener una clasificación o una afirmación de eficacia.

2. Lectura analítica de casos — 85 minutos.

   Docente: Asigna a cada grupo un caso documentado. Orienta la lectura con preguntas: “¿Qué problema educativo pretende resolver?”, “¿Qué datos procesa?”, “¿Qué intervención realiza?”, “¿Qué resultados se reportan y con qué metodología?”.

   Estudiantes: Subrayan afirmaciones, evidencias y opiniones. Completan la ficha de fuente y extraen información relevante para clasificar el caso.

3. Clasificación argumentada — 75 minutos.

   Docente: Entrega una plantilla con la estructura: “Clasificamos el caso principalmente como…, porque…; secundariamente se relaciona con…; la evidencia disponible indica…; persisten estas limitaciones…”.

   Estudiantes: Redactan una clasificación sustentada, identifican la técnica de IA, la aplicación educativa principal, una posible aplicación secundaria y los límites de la evidencia.

4. Panel comparativo — 45 minutos.

   Docente: Modera la presentación breve de los grupos y solicita que los demás estudiantes formulen una pregunta crítica sobre la fuente o sobre la pertinencia de la clasificación.

   Estudiantes: Presentan el caso, responden preguntas y comparan su clasificación con la de otros grupos.

5. Retroalimentación formativa — 20 minutos.

   Docente: Devuelve observaciones sobre precisión conceptual, uso de evidencias y calidad de las justificaciones.

   Estudiantes: Registran dos fortalezas y dos aspectos por mejorar para la construcción de la taxonomía.

Transición a la actividad 3: Antes de pasar a la siguiente actividad, verifica que cada grupo haya distinguido entre una afirmación publicitaria y una conclusión respaldada por investigación, y que pueda señalar la aplicación educativa principal de su caso. Si no lo logra, solicita reconstruir la clasificación a partir del objetivo pedagógico y no del nombre de la herramienta.

Actividad 3. Construcción colaborativa de una taxonomía funcional

Duración: 4 horas, semana 2.

Objetivo parcial: Construir una taxonomía funcional de aplicaciones de IA educativa que integre finalidad pedagógica, técnicas de IA, datos, evidencias, roles docentes y condiciones de uso responsable.

Materiales y recursos

• Computadores y herramienta de edición colaborativa o programa para elaborar mapas conceptuales.
• Plantilla digital o impresa para la taxonomía.
• Fichas de casos de educación superior y de enseñanza de Tecnología e Informática.
• Fuentes académicas e institucionales revisadas en la actividad anterior.
• Lista de criterios de clasificación: finalidad, técnica, datos, evidencia, actores, riesgos y contexto.

Producto esperado

Una taxonomía funcional visual y argumentada con seis categorías principales: tutoría inteligente, personalización, evaluación, analítica del aprendizaje, creación de contenidos y apoyo a la gestión. Cada categoría debe incluir definición, subaplicaciones, ejemplos, técnicas de IA relacionadas, datos requeridos, evidencias producidas, rol docente, beneficios esperados y riesgos.

Desarrollo

1. Presentación del modelo de producto — 30 minutos.

   Docente: Muestra un ejemplo parcial de taxonomía y explica que la finalidad educativa será el eje principal. Aclara que las técnicas de IA funcionan como una segunda dimensión y que no deben confundirse con las aplicaciones.

   Estudiantes: Identifican qué información contiene el modelo y formulan preguntas sobre los criterios de inclusión de cada categoría.

2. Organización de categorías y criterios — 45 minutos.

   Docente: Asigna a cada grupo dos categorías funcionales y entrega casos que deberán ubicar en la taxonomía. Supervisa que las categorías no se definan únicamente por marcas o plataformas.

   Estudiantes: Definen cada categoría mediante una formulación operacional: qué hace, para quién, con qué datos y para qué propósito educativo.

3. Elaboración de la taxonomía — 105 minutos.

   Docente: Acompaña el trabajo con preguntas de profundización: “¿Qué evidencia de aprendizaje produce esta aplicación?”, “¿Qué parte del juicio profesional sigue correspondiendo al docente?”, “¿Qué ocurre si los datos son incompletos o sesgados?”, “¿Puede la misma herramienta pertenecer a dos categorías?”.

   Estudiantes: Construyen la taxonomía, ubican los casos, establecen relaciones entre categorías y agregan citas o referencias de las fuentes consultadas. Incluyen una nota sobre los casos fronterizos o de clasificación múltiple.

4. Revisión cruzada — 50 minutos.

   Docente: Intercambia los productos entre grupos y proporciona una guía de revisión centrada en claridad, coherencia, evidencia y pertinencia contextual.

   Estudiantes: Revisan la taxonomía de otro grupo, identifican una clasificación sólida, una categoría ambigua y una afirmación que requiere mejor evidencia. Devuelven comentarios concretos.

5. Reformulación — 10 minutos.

   Docente: Indica los ajustes prioritarios para la presentación final.

   Estudiantes: Registran los cambios que realizarán y distribuyen las responsabilidades para la defensa oral.

Transición a la actividad 4: Antes de pasar a la siguiente actividad, verifica que la taxonomía contenga las seis aplicaciones funcionales y que cada caso esté ubicado por su finalidad educativa. Comprueba también que cada grupo haya relacionado sus afirmaciones con fuentes verificables y haya incorporado al menos tres criterios críticos: privacidad, sesgo, inclusión, autonomía docente, eficacia o pertinencia contextual.

Actividad 4. Defensa crítica y aplicación de la taxonomía a decisiones educativas

Duración: 4 horas, semana 2.

Objetivo parcial: Defender una clasificación funcional de aplicaciones de IA y evaluar su pertinencia para una situación educativa concreta mediante argumentos técnicos, pedagógicos, éticos y contextuales.

Materiales y recursos

• Taxonomías elaboradas por los grupos.
• Proyector o pantalla.
• Casos-problema para discusión.
• Lista de cotejo de clasificación y argumentación.
• Formato de autoevaluación y coevaluación.

Casos-problema sugeridos

• Una universidad desea implementar un sistema de analítica para identificar estudiantes de primer semestre con riesgo de abandonar un curso de programación.
• Un docente quiere utilizar un asistente generativo para crear ejercicios diferenciados sobre algoritmos, pero no cuenta con una política institucional clara sobre datos y autoría.
• Un sistema de evaluación automatizada asigna puntuaciones a programas escritos por estudiantes, aunque presenta menor precisión en soluciones no convencionales.
• Un laboratorio de informática pretende utilizar visión por computador para reconocer componentes electrónicos y verificar prácticas de montaje.

Desarrollo

1. Preparación de la defensa — 35 minutos.

   Docente: Explica que no se evaluará únicamente la apariencia de la taxonomía, sino la calidad de las decisiones y de las evidencias. Entrega la lista de cotejo.

   Estudiantes: Revisan su producto, seleccionan tres casos representativos y preparan una defensa que incluya clasificación, criterios, fuentes, beneficios, riesgos y condiciones de implementación.

2. Presentaciones argumentadas — 100 minutos.

   Docente: Modera las presentaciones. Después de cada exposición pregunta: “¿Qué cambiaría en la clasificación si cambiara el objetivo pedagógico?”, “¿Qué datos son indispensables?”, “¿Quién valida la decisión del sistema?” y “¿Qué evidencia permitiría afirmar que la aplicación es eficaz?”.

   Estudiantes: Presentan su taxonomía, justifican sus decisiones con fuentes y responden preguntas de sus compañeros y del docente.

3. Resolución individual de un caso nuevo — 55 minutos.

   Docente: Entrega un caso no trabajado previamente y solicita una clasificación individual utilizando la taxonomía construida.

   Estudiantes: Identifican la aplicación principal y las secundarias, describen la técnica probable, los datos, la evidencia, los beneficios, los riesgos y una recomendación de uso para un contexto de educación superior o de enseñanza de Tecnología e Informática.

4. Discusión crítica — 35 minutos.

   Docente: Organiza una discusión sobre la pregunta: “¿Una aplicación de IA es pertinente porque funciona técnicamente o porque mejora una decisión pedagógica situada?”. Recupera los criterios de autonomía docente, inclusión, privacidad y justicia educativa.

   Estudiantes: Argumentan una posición, responden objeciones y distinguen entre posibilidad técnica y pertinencia educativa.

5. Cierre metacognitivo y evaluación — 15 minutos.

   Docente: Solicita una respuesta escrita a las preguntas: “¿Qué criterio cambió mi forma de clasificar?”, “¿Qué error conceptual debo seguir vigilando?” y “¿Qué verificaría antes de recomendar una herramienta de IA?”.

   Estudiantes: Entregan la resolución individual, completan la autoevaluación y formulan un compromiso para el análisis responsable de IA educativa.

7. Lista de cotejo para valorar la clasificación y la argumentación

Aplicación: utilizar durante la revisión de la taxonomía, la defensa grupal y la resolución individual del caso nuevo. Se puede asignar un punto por cada indicador logrado. Puntaje máximo: 16 puntos.

Interpretación del resultado

• 14 a 16 puntos: clasificación y argumentación sólidas, con análisis crítico pertinente.
• 10 a 13 puntos: logro aceptable; requiere fortalecer uno o más criterios técnicos, pedagógicos o éticos.
• 6 a 9 puntos: logro parcial; persisten confusiones entre tipo de IA y aplicación educativa o insuficiencia en el uso de fuentes.
• 0 a 5 puntos: requiere acompañamiento y reconstrucción de los criterios básicos de clasificación.

8. Evaluación de la secuencia

9. Fuentes de referencia para el trabajo académico

• UNESCO. Guidance for Generative AI in Education and Research. 2023.
• Holmes, W., Bialik, M. y Fadel, C. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. 2019.
• Zawacki-Richter, O., Marín, V. I., Bond, M. y Gouverneur, F. “Systematic review of research on artificial intelligence applications in higher education”. International Journal of Educational Technology in Higher Education, 2019.
• Luckin, R. et al. Intelligence Unleashed: An Argument for AI in Education. 2016.
• OECD. OECD Digital Education Outlook. 2021.

El docente puede complementar estas fuentes con artículos recientes de revistas académicas sobre sistemas tutoriales inteligentes, evaluación automatizada, analítica del aprendizaje y uso responsable de IA generativa en educación superior.