De la ciencia ficción al aula: comprende la IA para usarla con criterio, confianza y responsabilidad en tu práctica docente.
Tu nombre y DNI aparecerán en la constancia de finalización. Completa los tres campos para comenzar.
🔒 Tus datos solo se usan para generar tu constancia y no se almacenan en ningún servidor.
La IA no tiene una sola definición universalmente aceptada. McCarthy (1956), quien acuñó el término en la Conferencia de Dartmouth, la definió como "la ciencia e ingeniería de hacer máquinas inteligentes". Russell & Norvig (2020) proponen cuatro aproximaciones complementarias:
| Aproximación | Descripción | Ejemplo |
|---|---|---|
| Sistemas que piensan como humanos | Modelan los procesos cognitivos: razonamiento, memoria, percepción | Redes neuronales inspiradas en el cerebro |
| Sistemas que actúan como humanos | Conducta observable indistinguible de la humana (Test de Turing) | Chatbots avanzados, asistentes conversacionales |
| Sistemas que piensan racionalmente | Usan lógica formal para llegar a conclusiones correctas | Sistemas expertos de diagnóstico médico |
| Sistemas que actúan racionalmente | Maximizan el logro de sus objetivos en su entorno | Algoritmos de recomendación, vehículos autónomos |
Para este microcurso adoptamos la definición operativa de Russell & Norvig (2020): la IA es el campo de la informática que desarrolla sistemas capaces de realizar tareas que, si fueran ejecutadas por humanos, requerirían inteligencia.
Es fundamental distinguir estas tres categorías que frecuentemente se confunden, especialmente en medios y cultura popular (Tegmark, 2017):
Realiza una tarea específica con gran competencia pero no puede generalizar a otras tareas. Un sistema de reconocimiento facial no puede jugar ajedrez; un asistente de voz no puede conducir un automóvil.
Una IA que superaría la inteligencia humana en todos los aspectos. Objeto de debate filosófico, pero no una realidad actual ni inminente según el consenso científico (LeCun, 2022).
La mayoría de las aplicaciones de IA actuales se basan en el aprendizaje automático (Machine Learning): los sistemas aprenden de datos sin ser programados explícitamente con cada regla (Mitchell, 1997). El proceso tiene tres componentes clave:
El aprendizaje profundo usa redes neuronales artificiales con múltiples capas para reconocer patrones complejos en imágenes, texto y sonido. Es la tecnología detrás de la generación de texto, el reconocimiento de imágenes y la traducción automática (LeCun, Bengio & Hinton, 2015).
Responde correctamente para desbloquear el Módulo 2
Corea et al. (2023), en el informe de la UNESCO sobre competencias en IA para docentes, señalan que la gran mayoría de personas usan docenas de sistemas de IA al día sin ser conscientes de ello. Aquí algunos ejemplos:
| Actividad cotidiana | Sistema de IA | Cómo funciona |
|---|---|---|
| Desbloquear el teléfono con el rostro | Reconocimiento facial (Deep Learning) | Una red neuronal comparó tu rostro actual con el modelo aprendido en la configuración inicial |
| Ver recomendaciones en Netflix o YouTube | Filtrado colaborativo | La IA analiza tus patrones y los compara con usuarios similares para predecir qué te gustará |
| Escribir un correo y que se autocomplete | Modelos de lenguaje predictivo | La IA predice la palabra más probable según el contexto de tu texto, entrenada en millones de correos |
| Recibir publicidad personalizada en redes | Algoritmos de segmentación | La IA cruza tus datos de comportamiento, ubicación e intereses para maximizar la probabilidad de clic |
| Navegar con GPS en tiempo real | IA de tráfico y predicción de rutas | Analiza datos en tiempo real de millones de vehículos para optimizar rutas |
| Que el banco detecte una transacción inusual | Detección de anomalías (ML) | La IA aprendió tus patrones de gasto y activa alertas al detectar desviaciones |
| Usar ChatGPT, Gemini o Copilot | Modelos de Lenguaje de Gran Escala (LLMs) | Generan texto estadísticamente probable basado en el entrenamiento con billones de palabras |
Pariser (2011) acuñó el concepto de "burbuja de filtro" (filter bubble): los algoritmos de personalización crean entornos de información cerrados, mostrando más contenido similar al que ya consumimos, reforzando nuestras creencias y reduciendo la exposición a perspectivas diferentes.
Los algoritmos de recomendación no son neutrales: optimizan para la métrica que se les indica (clics, tiempo de visualización, compras), con consecuencias sobre qué información consumimos, qué compramos y cómo percibimos el mundo.
Los sistemas combinan tres tipos de señales: (1) historial de comportamiento propio (qué viste, compraste, buscaste), (2) comportamiento de usuarios similares —filtrado colaborativo: "personas como tú también vieron..."— y (3) características del contenido mismo. La IA pondera estas señales para predecir qué te resultará más relevante (Ricci, Rokach & Shapira, 2015).
Zuboff (2019), en La era del capitalismo de la vigilancia, argumenta que el modelo de negocio dominante de las grandes plataformas se basa en la recopilación masiva de datos de comportamiento humano para entrenar sistemas de IA que predicen y modifican comportamientos. Cada búsqueda, cada clic, cada segundo de visualización es un dato que alimenta estos sistemas.
Los datos no son algo abstracto: son información sobre cómo pensamos, qué nos gusta, cómo nos movemos y qué nos preocupa. Comprender esta dinámica es condición necesaria para el ejercicio de una ciudadanía digital informada (European Commission, 2022).
Responde correctamente para desbloquear el Módulo 3
Holmes et al. (2022), en el reporte de la UNESCO sobre IA en educación (AIED), categorizan las aplicaciones en seis grandes áreas con distintos niveles de madurez y evidencia empírica:
| Área de aplicación | Descripción | Ejemplos actuales | Nivel de evidencia |
|---|---|---|---|
| Tutoría inteligente | Sistemas adaptativos que ajustan contenido, dificultad y ritmo según el desempeño | Khan Academy, Duolingo, Carnegie Learning | 🟢 Alto (VanLehn, 2011) |
| Retroalimentación automatizada | IA que evalúa producciones escritas y proporciona retroalimentación inmediata | Grammarly, Turnitin, revisores de código | 🟡 Moderado: útil como primer filtro |
| Detección temprana de riesgo | Algoritmos que identifican estudiantes en riesgo de deserción según patrones históricos | Sistemas de alerta temprana en LMS | 🟡 Moderado: requiere calibración |
| Contenido generativo para docentes | IA que apoya la creación de materiales, rúbricas, preguntas y secuencias didácticas | ChatGPT, Gemini, Claude, Copilot | 🟠 Emergente: alto potencial |
| Accesibilidad e inclusión | IA para transcripción, traducción, síntesis de voz y descripción de imágenes | Google Live Caption, Microsoft Accessibility Tools | 🟢 Alto en estudiantes con discapacidad |
| Analítica del aprendizaje | Análisis de comportamiento en plataformas para orientar decisiones pedagógicas | Moodle Analytics, Canvas Data | 🟡 Moderado: requiere interpretación docente |
Los LLMs como ChatGPT, Gemini y Claude representan el desafío pedagógico más significativo de los últimos años: pueden producir textos, resolver problemas, escribir código y generar argumentos con una calidad que a menudo supera lo que muchos estudiantes producirían por sí mismos.
Selwyn et al. (2023) identifican tres posiciones pedagógicas frente a la IA generativa:
Restringir o prohibir el uso de IA en tareas evaluativas. Ventaja: mantiene la autenticidad. Limitación: difícil de implementar, pospone la preparación para un mundo donde la IA estará presente.
Rediseñar las tareas y la evaluación para incorporar la IA como herramienta, enfatizando los procesos que la IA no puede replicar: juicio, metacognición, contextualización, creatividad situada.
Responde correctamente para desbloquear el Módulo 4
Floridi et al. (2020), en el marco ético de la Comisión Europea, identifican cinco dimensiones éticas fundamentales que todo ciudadano educado en IA debe conocer:
| Dimensión ética | Qué significa | Implicación para docentes |
|---|---|---|
| Beneficencia | La IA debe diseñarse para el bien de las personas y la sociedad | Evaluar si una herramienta en el aula beneficia genuinamente el aprendizaje o solo optimiza métricas |
| No maleficencia | Evitar daños directos e indirectos del uso de IA | Considerar el impacto en privacidad, autonomía y equidad de los sistemas adoptados |
| Autonomía | Preservar la capacidad de los humanos de tomar decisiones propias | No ceder el juicio pedagógico a sistemas automáticos; mantener el rol central del docente |
| Justicia | Distribuir equitativamente los beneficios y reducir sesgos | Cuestionar si los sistemas de IA reproducen desigualdades existentes en el aula |
| Explicabilidad | Los sistemas de IA deben ser comprensibles y auditables | Preferir herramientas que puedan justificar sus recomendaciones o decisiones |
Long & Magerko (2020) proponen un marco de 17 competencias de alfabetización en IA. Para docentes no especializados en tecnología, las más relevantes son:
1. Reconocer la IA: identificar cuándo y dónde se está usando IA en aplicaciones y plataformas cotidianas.
2. Comprender cómo aprende la IA: tener comprensión conceptual básica del aprendizaje automático, los datos y los algoritmos.
3. Evaluar críticamente las salidas de la IA: no aceptar los outputs como verdades absolutas; verificar, contrastar y cuestionar.
4. Comprender los sesgos algorítmicos: saber que los sistemas de IA pueden reproducir y amplificar discriminaciones históricas.
5. Tomar decisiones informadas sobre privacidad: comprender qué datos se recopilan, con qué fin y cuáles son los derechos digitales.
6. Colaborar con la IA con agencia: usar la IA como herramienta que amplía las capacidades humanas, manteniendo el juicio y la creatividad propios.
World Economic Forum (2023) proyecta que las profesiones más resistentes a la automatización son las que requieren empatía, juicio situado, creatividad contextualizada y relaciones interpersonales de confianza: precisamente las condiciones que definen una buena enseñanza.
Luckin (2018) propone el concepto de "inteligencia aumentada": la IA como asistente que libera al docente de tareas rutinarias (corrección masiva, búsqueda de recursos, generación de materiales de práctica) para concentrarse en lo que los algoritmos no pueden hacer.
Conocer a cada estudiante como persona y adaptar la respuesta a su historia particular · Detectar el sufrimiento, la frustración o el entusiasmo con sensibilidad empática · Tomar decisiones éticas en situaciones de alta complejidad · Crear vínculos de confianza que habilitan el riesgo cognitivo · Contextualizar el conocimiento en la realidad cultural y social del aula · Modelar la pasión, la curiosidad y la ética como formas de ser en el mundo.
Completa las tres actividades para obtener tu constancia
Por medio de la presente, se certifica que
ha completado satisfactoriamente el microcurso:
Demostrando comprensión en: fundamentos y tipos de IA (Russell & Norvig, 2020), aplicaciones cotidianas e invisibles de la IA, implicaciones de la IA generativa para la práctica docente, y diseño de un plan personal de uso responsable fundamentado en principios éticos de alfabetización en IA.