Secuencia didáctica para construir una taxonomía de IA educativa

Área: Ciencias de la Educación

Asignatura: Licenciatura en Tecnología e Informática

Nivel: Universitario

Duración total: 7 horas distribuidas en una semana

Metodología: Aprendizaje Basado en Proyectos (ABP), análisis de casos, trabajo colaborativo, revisión de fuentes académicas y debate argumentado.

Meta de aprendizaje

El estudiante clasifica la inteligencia artificial según sus aplicaciones en educación, construyendo colaborativamente una taxonomía sustentada en criterios funcionales, pedagógicos y tecnológicos, y evaluando sus beneficios, riesgos, sesgos, limitaciones y condiciones éticas de implementación.

Objetivo de aprendizaje SMART

Al finalizar la semana, los estudiantes, organizados en equipos de tres o cuatro integrantes, construirán y defenderán una taxonomía de aplicaciones de inteligencia artificial en educación que clasifique al menos cinco casos —tutoría inteligente, evaluación automatizada, personalización del aprendizaje, analítica educativa, generación de contenidos, chatbots, robótica educativa o visión artificial— mediante los criterios de propósito educativo, usuario principal, datos utilizados, nivel de autonomía y riesgos éticos, sustentando cada decisión con un mínimo de tres fuentes académicas o institucionales pertinentes y alcanzando al menos el 80 % de los criterios de la rúbrica.

Producto final del proyecto

Cada equipo elaborará una taxonomía argumentada de la IA aplicada a la educación, presentada en una matriz o diagrama acompañado de un informe breve y una defensa oral.

• Clasificación principal de los casos según su función educativa.
• Descripción de las características tecnológicas y pedagógicas de cada categoría.
• Identificación del propósito, usuario, datos utilizados y nivel de autonomía del sistema.
• Distinción entre inteligencia artificial y recursos digitales que no emplean IA.
• Análisis de beneficios, limitaciones, sesgos, privacidad, autoría y condiciones de implementación.
• Referencias académicas o institucionales utilizadas para sustentar la taxonomía.

Marco conceptual de referencia

La clasificación se organizará a partir de la función educativa predominante. Un mismo sistema puede cumplir varias funciones; por ello, los equipos deberán identificar una categoría principal y, cuando corresponda, categorías secundarias.

Distinción conceptual clave: no todo recurso digital es inteligencia artificial. Para clasificar un caso como aplicación de IA, el equipo deberá explicar qué tipo de procesamiento, inferencia, predicción, generación, reconocimiento o adaptación realiza el sistema, qué datos emplea y qué decisiones automatiza o apoya.

Secuencia de actividades

Actividad 1. Del reconocimiento superficial al análisis de casos

Objetivo parcial: Identificar ideas previas, diferenciar una herramienta digital de una aplicación de IA y formular criterios iniciales para clasificar casos educativos.

Tiempo: 75 minutos

Materiales y recursos:

• Tarjetas impresas con casos educativos.
• Pizarra o papelógrafo.
• Marcadores y notas adhesivas.
• Celulares de los estudiantes, opcionalmente, para consultar información básica de los casos.
• Ficha de análisis inicial.

Casos sugeridos para entregar a los equipos:

1. Una plataforma adapta la dificultad de los ejercicios a partir de los errores y aciertos del estudiante.
2. Un sistema analiza ensayos y genera una puntuación junto con comentarios sobre estructura y argumentación.
3. Un tablero institucional identifica estudiantes con alta probabilidad de abandonar una asignatura a partir de registros de acceso, calificaciones y participación.
4. Un asistente generativo produce explicaciones, preguntas de opción múltiple y ejemplos para una clase de programación.
5. Un chatbot responde preguntas frecuentes de estudiantes y deriva algunos casos al docente.
6. Un robot educativo reconoce instrucciones de voz y ofrece retroalimentación durante una actividad de programación.
7. Una aplicación de videollamada permite compartir pantalla, pero no realiza predicciones, adaptaciones ni generación automatizada.
8. Un repositorio digital permite descargar documentos, pero no analiza datos ni adapta la experiencia de aprendizaje.

Acciones del docente:

1. Presenta el reto del proyecto: “¿Cómo podemos construir una clasificación rigurosa que no dependa de la marca o popularidad de una herramienta?”
2. Organiza equipos de tres o cuatro estudiantes y entrega los casos.
3. Solicita que clasifiquen inicialmente cada caso sin consultar fuentes.
4. Formula preguntas de contraste:
   • ¿Qué función educativa cumple principalmente?
   • ¿Qué datos necesita para operar?
   • ¿Quién utiliza sus resultados: estudiante, docente, institución o sistema?
   • ¿El sistema recomienda, predice, genera, evalúa, adapta o solamente almacena información?
   • ¿Qué evidencia permite afirmar que realmente emplea IA?
5. Recoge en la pizarra las clasificaciones divergentes sin corregirlas de inmediato.
6. Explicita los errores iniciales más frecuentes: clasificar por marca, asumir que todo chatbot es tutor inteligente o considerar que cualquier plataforma digital utiliza IA.

Acciones de los estudiantes:

1. Analizan los casos y registran una clasificación inicial.
2. Justifican cada decisión con una frase funcional, por ejemplo: “Se ubica en analítica educativa porque transforma datos de participación en indicadores para apoyar decisiones institucionales”.
3. Identifican dudas y desacuerdos dentro del equipo.
4. Señalan qué información necesitarían consultar para verificar sus decisiones.
5. Comparan sus resultados con los de otros equipos.

Transición hacia la actividad 2: Antes de pasar a la siguiente actividad, verifica que cada equipo haya identificado al menos un caso que no es IA, un caso con más de una función posible y una duda que requiera consultar fuentes. Si los estudiantes siguen clasificando por marcas o popularidad, solicita que reformulen sus decisiones utilizando exclusivamente verbos funcionales: adaptar, predecir, generar, evaluar, recomendar, reconocer o retroalimentar.

Actividad 2. Construcción de criterios con apoyo de fuentes académicas

Objetivo parcial: Analizar fuentes académicas e institucionales para definir criterios funcionales, pedagógicos, tecnológicos y éticos que permitan clasificar aplicaciones de IA educativa.

Tiempo: 105 minutos

Materiales y recursos:

• Selección impresa o digital de fragmentos de fuentes académicas e institucionales.
• Ficha de lectura crítica.
• Celulares de los estudiantes para consultar fuentes, si hay conectividad.
• Matriz de criterios de clasificación.

Fuentes recomendadas para el dossier docente:

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

El docente puede proporcionar fragmentos seleccionados para evitar que la actividad dependa completamente de la conectividad. Se recomienda que cada equipo trabaje al menos con tres fuentes y registre autor, año, concepto utilizado y aporte a la clasificación.

Acciones del docente:

1. Explica que una taxonomía rigurosa requiere criterios explícitos y no solo una lista de herramientas.
2. Modela la lectura de un fragmento académico, diferenciando concepto, evidencia, interpretación y opinión.
3. Entrega la matriz de lectura crítica con las siguientes columnas: fuente, idea central, categoría o función relacionada, evidencia aportada, limitación o precaución y uso dentro del proyecto.
4. Supervisa la búsqueda o lectura y pregunta:
   • ¿La fuente define una categoría o describe una aplicación?
   • ¿Qué función educativa se destaca?
   • ¿Qué datos utiliza el sistema?
   • ¿Qué grado de autonomía se atribuye a la tecnología?
   • ¿La fuente presenta evidencia empírica o solamente una promesa?
   • ¿Qué riesgos éticos o institucionales se identifican?
5. Realiza una puesta en común para consolidar cinco criterios comunes: propósito educativo, usuario, datos, nivel de autonomía y condiciones éticas.

Acciones de los estudiantes:

1. Leen y comparan las fuentes asignadas.
2. Extraen definiciones y afirmaciones relevantes, evitando copiar fragmentos sin interpretación.
3. Relacionan cada fuente con una o más funciones educativas.
4. Construyen una tabla preliminar de criterios.
5. Identifican diferencias entre IA generativa, sistemas adaptativos, analítica educativa, chatbots, robótica y visión artificial.
6. Registran las referencias bibliográficas para incorporarlas al producto final.

Producto parcial: Matriz de criterios funcionales, pedagógicos, tecnológicos y éticos sustentada en fuentes.

Transición hacia la actividad 3: Antes de pasar a la construcción de la taxonomía, verifica que cada equipo pueda explicar oralmente la diferencia entre función educativa, tipo de tecnología y marca o herramienta. También debe contar con tres fuentes identificadas y con una afirmación de cada fuente que pueda vincularse a una decisión de clasificación.

Actividad 3. Proyecto colaborativo: construcción de la taxonomía

Objetivo parcial: Aplicar los criterios establecidos para clasificar comparativamente casos de IA educativa y construir una taxonomía argumentada.

Tiempo: 180 minutos

Materiales y recursos:

• Fichas de casos de la actividad 1, ampliadas con información sobre usuarios, datos y funcionamiento.
• Plantilla de taxonomía en papelógrafo o documento colaborativo.
• Celulares de los estudiantes, opcionales, para consultar fuentes y elaborar el producto.
• Rúbrica de evaluación compartida.
• Marcadores, hojas, cinta adhesiva o herramienta digital de diagramación.

Plantilla mínima de clasificación:

Acciones del docente:

1. Presenta el desafío del proyecto: “Construyan una taxonomía que permita a una institución educativa decidir qué aplicación de IA podría implementar, para qué propósito y bajo qué condiciones”.
2. Asigna roles rotativos: coordinación, analista de fuentes, responsable de criterios tecnológicos y pedagógicos, y relator o diseñador del producto.
3. Solicita que cada equipo seleccione al menos cinco casos de naturaleza diferente.
4. Exige que cada caso tenga una categoría principal y una justificación escrita.
5. Realiza tutorías breves a cada equipo y utiliza preguntas de profundización:
   • ¿Qué cambiaría en la clasificación si el sistema solo generara contenidos, pero no los adaptara al estudiante?
   • ¿La predicción de abandono es una función pedagógica directa o una función de apoyo a la gestión?
   • ¿Qué diferencia existe entre una retroalimentación generada automáticamente y una tutoría inteligente?
   • ¿Qué nivel de autonomía tiene el sistema y quién conserva la responsabilidad de la decisión?
   • ¿Qué sesgos pueden surgir de los datos históricos?
   • ¿Qué información personal sería innecesaria para cumplir el propósito?
6. Revisa avances mediante una lista de control y ofrece retroalimentación formativa.
7. Solicita que los equipos incluyan una nota sobre los límites de su propia taxonomía.

Acciones de los estudiantes:

1. Seleccionan y describen los casos que analizarán.
2. Aplican los criterios acordados a cada caso.
3. Discuten y resuelven discrepancias con base en evidencias y definiciones, no en preferencias personales.
4. Construyen una representación visual de la taxonomía.
5. Redactan una justificación de las categorías principales y de las posibles categorías secundarias.
6. Incorporan beneficios, riesgos, sesgos, privacidad, autoría y condiciones de implementación.
7. Revisan que las afirmaciones importantes estén respaldadas por fuentes.
8. Preparan una presentación de cinco a siete minutos y dos preguntas para el debate.

Producto parcial: Borrador completo de la taxonomía y matriz de análisis de casos.

Transición hacia la actividad 4: Antes de pasar a la defensa y debate, verifica que la taxonomía incluya al menos cinco aplicaciones, una distinción explícita entre IA y recurso digital convencional, una justificación basada en criterios y tres fuentes correctamente identificadas. Si una clasificación solo menciona marcas, pide reemplazar las marcas por funciones, datos y decisiones del sistema.

Actividad 4. Defensa, debate crítico y revisión de la taxonomía

Objetivo parcial: Argumentar y evaluar críticamente una clasificación de IA educativa considerando evidencia, límites y condiciones éticas de implementación.

Tiempo: 60 minutos

Materiales y recursos:

• Taxonomías elaboradas por los equipos.
• Rúbrica de evaluación.
• Ficha de coevaluación.
• Pizarra para registrar acuerdos y desacuerdos conceptuales.

Acciones del docente:

1. Establece la dinámica: cada equipo dispone de cinco minutos para presentar y dos minutos para responder preguntas.
2. Asigna a los demás equipos el papel de comité académico que debe formular preguntas sobre criterios, evidencia y ética.
3. Regula el debate para evitar afirmaciones basadas únicamente en la popularidad de una herramienta.
4. Solicita que los estudiantes distingan entre una afirmación respaldada por evidencia y una promesa comercial.
5. Realiza una síntesis final de los criterios que permitieron clasificar con mayor rigor.

Acciones de los estudiantes:

1. Presentan su taxonomía y explican las decisiones de clasificación.
2. Defienden la categoría principal de cada caso.
3. Responden preguntas sobre datos, autonomía, propósito pedagógico y riesgos.
4. Evalúan la propuesta de otro equipo mediante la ficha de coevaluación.
5. Revisan su taxonomía a partir de las objeciones recibidas.
6. Escriben una conclusión individual sobre qué criterio resultó más importante para clasificar aplicaciones de IA educativa.

Preguntas detonadoras para el debate:

• ¿Una herramienta generativa que produce una explicación puede considerarse automáticamente un tutor inteligente? ¿Qué condiciones tendría que cumplir?
• ¿La evaluación automatizada mejora necesariamente la calidad de la evaluación?
• ¿Qué diferencia existe entre personalizar el aprendizaje y recomendar recursos?
• ¿Puede una institución utilizar analítica predictiva sin informar a los estudiantes?
• ¿Quién responde por una decisión errónea tomada con apoyo de IA?
• ¿Qué datos deberían estar prohibidos o limitados en una aplicación educativa?
• ¿Cómo se puede evaluar si una aplicación produce beneficios reales y no solo eficiencia operativa?

Producto final: Taxonomía argumentada, matriz de casos, referencias y defensa oral.

Evaluación

Criterios de evaluación alineados con la meta

Rúbrica resumida

Ponderación sugerida: clasificación y rigor conceptual, 30 %; criterios tecnológicos y pedagógicos, 20 %; uso de fuentes, 20 %; análisis crítico y ético, 20 %; defensa y colaboración, 10 %.

Evaluación formativa y metacognición

Al cierre, cada estudiante responderá individualmente:

1. ¿Qué criterio modificó más mi clasificación inicial y por qué?
2. ¿Qué diferencia conceptual puedo explicar ahora entre un asistente generativo, un tutor inteligente y un sistema de analítica educativa?
3. ¿Qué afirmación sobre una aplicación de IA tuve que revisar al contrastarla con una fuente?
4. ¿Qué condición ética considero indispensable antes de implementar IA en una institución educativa?

El docente utilizará estas respuestas para identificar si persisten las siguientes dificultades: confundir IA generativa con cualquier recurso digital, considerar equivalentes la personalización y la analítica, o aceptar como evidencia las promesas de los proveedores.

Adaptaciones y contingencia tecnológica

El uso de celulares es complementario y no constituye el requisito principal. El docente deberá disponer de un dossier impreso con los casos, fragmentos de fuentes y plantilla de análisis.

• Si falla la conectividad: se trabaja con las fuentes impresas y los casos preparados por el docente.
• Si algunos estudiantes no tienen celular: se organizan equipos con al menos un dispositivo disponible o se utiliza el material impreso.
• Si falla una herramienta digital de diagramación: la taxonomía se construye en papelógrafo y se fotografía al finalizar.
• Si el grupo termina rápidamente: se incorpora un caso ambiguo y se solicita justificar por qué puede pertenecer a más de una categoría.
• Si el grupo presenta dificultades conceptuales: se vuelve a la matriz de criterios y se analiza un caso modelo antes de continuar.