Parte 13 — Tecnología e IA educativa

La tecnología no mejora la enseñanza: amplifica la decisión pedagógica que ya tomaste

🟣 Etapa C — Núcleo profesional docente · salida de la etapa: diseñar, enseñar, evaluar y gestionar un curso completo con evidencia

Clases: 12 (157–168) · Población de referencia: transversal a niveles y modalidades · Conceptos operacionales: 48 · Señales observables: 36
Contenido central: Competencia digital docente, LMS, diseño de recursos, gamificación, analítica de aprendizaje, adaptatividad, fundamentos de IA, modelos de lenguaje, RAG, agentes educativos y ética, privacidad y sesgos

🎯 De qué trata esta parte

El patrón histórico de la tecnología educativa es constante: llega una herramienta, se le atribuye poder transformador, se compra a escala y luego la evidencia muestra efectos pequeños y muy dependientes del uso. Ocurrió con la radio, la televisión educativa, los computadores personales, las pizarras interactivas y los tablets. La lección no es rechazar la tecnología: es exigirle la misma prueba que a cualquier intervención y diseñar el uso, no la compra.

Con la inteligencia artificial generativa el problema cambia de escala, porque afecta a la vez a la enseñanza, a la evaluación y a la integridad académica. Un modelo de lenguaje puede producir material, explicar con paciencia infinita y también fabricar información falsa con tono seguro. El programa toma una posición explícita: la IA se usa con supervisión humana, con verificación del contenido, con resguardo de datos personales y con criterios claros sobre qué tarea deja de ser evaluable cuando la máquina la resuelve.

La parte enseña además la parte técnica sin misticismo: qué es un modelo de lenguaje, por qué alucina, qué agrega la recuperación de información sobre documentos propios, qué es un agente y dónde están sus límites reales. Un docente que entiende el mecanismo puede decidir; uno que lo trata como magia solo puede prohibir o rendirse, y ninguna de las dos es una política educativa.

🏫 Caso de la parte

Las doce clases trabajan sobre la misma realidad, para que puedas ver cómo cambia tu diagnóstico a medida que avanzas:

El establecimiento compró licencias de una plataforma adaptativa para toda la básica. Nadie preguntó qué datos de los estudiantes trata, y el uso se concentró en los cursos que ya tenían mejores resultados.

Artefacto que produces al terminar: tutor o asistente con IA documentado, con corpus verificado, resguardo de datos, límites declarados y plan de evaluación.

📚 Resultados de la parte

Al terminar esta parte podrás:

1. Decidir el uso de una herramienta digital a partir del objetivo de aprendizaje y no de su novedad.
2. Diseñar recursos digitales que respeten los principios del aprendizaje multimedia.
3. Construir un tutor o asistente con IA con verificación, resguardo de datos y supervisión humana.
4. Definir la política de uso de IA de un curso, incluida su consecuencia sobre la evaluación.

🗺️ Mapa de la parte

flowchart TB
    OB["Objetivo de aprendizaje"] --> DE{{"Que aporta la tecnologia<br/>que el aula no aporta?"}}
    DE --> RE["Diseno de recursos<br/>principios multimedia"]
    DE --> LMS["LMS y aula virtual"]
    RE --> IA["IA generativa<br/>modelos de lenguaje"]
    IA --> RAG["Recuperacion sobre<br/>documentos propios"]
    RAG --> TU["Tutor o agente educativo"]
    TU --> SUP["Supervision humana<br/>y verificacion"]
    LMS --> AN["Analitica de aprendizaje"]
    AN --> ET["Etica · privacidad · sesgo"]
    SUP --> ET
    ET --> PY["Tutor IA responsable<br/>proyecto integrador"]

🧠 Marco de referencia

• principios del aprendizaje multimedia y diseño de recursos
• integración de tecnología, pedagogía y contenido en la decisión docente
• analítica de aprendizaje y su uso ético en decisiones sobre personas
• orientaciones internacionales sobre IA generativa en educación y protección de datos

Autoras y autores que conviene conocer: Richard E. Mayer, Punya Mishra y Matthew Koehler, Neil Selwyn, Rose Luckin, equipos de UNESCO sobre IA en educación, especialistas en protección de datos personales

📋 Las 12 clases

⚠️ Riesgos característicos

• Adoptar una herramienta por novedad y buscar después el objetivo que justifica su uso.
• Tratar la salida de un modelo de lenguaje como información verificada.
• Procesar datos personales de estudiantes sin base legal ni resguardo.
• Delegar en un sistema automático decisiones que afectan la trayectoria de una persona.

📕 Lecturas de referencia de la parte

• **Mayer, R. (2021). Multimedia Learning (3.ª ed.). — los principios empíricos del diseño de recursos: qué combinación de texto, imagen y audio ayuda y cuál estorba. Localizar:** ISBN 9781316638088 · ficha
• **Mishra, P. & Koehler, M. (2006). Technological Pedagogical Content Knowledge. Teachers College Record, 108(6). — el marco que evita la pregunta equivocada («¿qué herramienta uso?») y plantea la correcta. Localizar:** DOI 10.1177/016146810610800610 · ficha
• **UNESCO (2023). Guidance for Generative AI in Education and Research. — la referencia internacional más citada para políticas de uso de IA en instituciones educativas. Localizar:** fuente oficial · ficha
• **Selwyn, N. (2016). Is Technology Good for Education? — el contrapeso crítico necesario: obliga a preguntar quién gana con cada adopción tecnológica. Localizar:** ISBN 9780745696508 · ficha

✅ Evidencia mínima para dar la parte por cerrada

• un criterio propio y escrito de adopción tecnológica, con casos de rechazo;
• un recurso digital diseñado con principios multimedia y probado con estudiantes;
• un asistente o tutor con IA documentado, con sus límites y su verificación;
• la política de uso de IA del curso, comunicable a estudiantes y familias.

🧭 Práctica y evaluación de la parte

• Rúbrica maestra e instrumentos de autoevaluación
• Casos profesionales para resolver con este marco
• Laboratorios de decisión
• Dónde se archiva la evidencia