Esta edición del EduIA Pulse llega cargada de matices. La investigación reciente no dibuja ni un futuro utópico ni uno distópico: nos muestra el estado real de la integración de la inteligencia artificial en las aulas y las instituciones educativas. Cuatro estudios publicados en 2026 nos ayudan a entender dónde estamos, qué funciona, qué aún falla y, siempre, por qué la figura humana sigue siendo insustituible.
1. El corrector incansable que todavía necesita profesor
Jiao, Y. y Wang, Q. (2026). Large language models for formative feedback in writing instruction: A systematic review. Frontiers in Education, 11. https://doi.org/10.3389/feduc.2026.1834085
Imagina un asistente que revisa tus redacciones a las tres de la madrugada, sin quejarse, sin sesgos de simpatía, y con el mismo nivel de atención en el primer borrador que en el vigésimo. Esta es una de las promesas más concretas de los grandes modelos de lenguaje (LLMs) en educación: el feedback formativo en la escritura.
Una revisión sistemática publicada en 2026 por investigadores de la Universidad de Ankang (China) analizó 34 estudios sobre el uso de LLMs —como ChatGPT o GPT-4— para la corrección y retroalimentación de textos, publicados entre 2023 y 2026 en 19 países distintos. El campo crece de forma explosiva: un 58,74 % de tasa de crecimiento anual en publicaciones lo confirma.
El hallazgo central es claro y útil: los LLMs son especialmente eficaces para proporcionar feedback sobre aspectos formales de la escritura —gramática, coherencia estructural, precisión lingüística— y lo hacen de forma consistente, inmediata y escalable. Ahí su potencial es real. Sin embargo, cuando se trata de los niveles más profundos de la escritura —el desarrollo argumentativo, la interpretación contextual, la guía dialógica— el feedback humano sigue siendo superior. Los profesores entienden el contexto, la voz del estudiante, sus intenciones y sus circunstancias. Un LLM, por ahora, no.
Otro dato relevante: 29 de los 34 estudios revisados se realizaron en contextos universitarios. La evidencia en educación secundaria o primaria es todavía escasa, lo que supone una brecha importante para el sector EdTech.
La recomendación central es la de los modelos híbridos: usar la IA para el feedback inmediato y de superficie, y reservar al docente para la retroalimentación profunda, dialógica y contextualizada. No es sustitución: es amplificación.
«Los modelos de lenguaje son más eficaces cuando actúan como un primer lector incansable, dejando al profesor la tarea más importante: ser un interlocutor genuino.»
2. Predecir el abandono sin revelar el secreto
Villegas-Ch, W. et al. (2026). Federated and explainable learning analytics for academic risk prediction across heterogeneous educational institutions. Computers and Education: Artificial Intelligence, 8, 100629. https://doi.org/10.1016/j.caeai.2026.100629
Uno de los mayores problemas de la analítica del aprendizaje es una paradoja: para predecir quién está en riesgo de abandono, necesitas datos. Pero esos datos son privados, están dispersos entre instituciones distintas, y compartirlos plantea serios problemas éticos y legales. ¿Cómo resolver este dilema?
Un equipo de investigadores de la Universidad de Las Américas (Ecuador) propone una respuesta elegante: el aprendizaje federado (federated learning). En lugar de centralizar los datos de todos los estudiantes en un único servidor, cada institución entrena su propio modelo de predicción de forma local. Solo se comparten los parámetros del modelo —nunca los datos brutos— con un servidor central que los combina. El resultado es un sistema que aprende de la experiencia colectiva sin que ningún dato personal abandone su institución de origen.
El sistema fue validado con el conjunto de datos OULAD (Open University Learning Analytics Dataset), obteniendo un AUC de 0,918 y un F1 de 0,755 —resultados notablemente sólidos para un modelo distribuido que opera en condiciones heterogéneas. Un matiz importante que la investigación representa con honestidad: la capacidad discriminativa del modelo se mantiene estable incluso cuando las instituciones participantes son muy diferentes entre sí. Pero las métricas de calibración —cuán precisas son las probabilidades estimadas— sí muestran mayor sensibilidad a esa heterogeneidad. No es un fallo del sistema; es una advertencia útil para quienes lo implementen.
El estudio también aplica valores SHAP (una técnica de explicabilidad de la IA) para identificar qué variables predicen mejor el riesgo académico. Las más relevantes son conductuales: la persistencia temporal del estudiante en la plataforma, la densidad de sus interacciones y su comportamiento frente a las evaluaciones. La IA no detecta quién es el estudiante; detecta cómo se comporta.
«La privacidad no es un obstáculo para la analítica del aprendizaje: con los enfoques adecuados, puede convertirse en un principio de diseño.»
3. Los estudiantes hablan (y tienen opiniones más matizadas de lo que creemos)
Schicchi, D. y Taibi, D. (2026). High school students’ attitudes toward generative AI and ChatGPT: An exploratory study using factor analysis. Information, 17(6), 612. https://doi.org/10.3390/info17060612
En medio de tantos estudios sobre lo que los docentes o las instituciones piensan de la IA, resulta refrescante que alguien pregunte directamente a los estudiantes. Eso es exactamente lo que hicieron dos investigadores del Consejo Nacional de Investigación de Italia con 93 jóvenes de bachillerato (entre 16 y 19 años) de centros del norte y del sur del país.
Mediante análisis factorial exploratorio, identificaron tres dimensiones en las actitudes de los jóvenes hacia la IA generativa: una primera dimensión de conciencia reflexiva y curiosidad intelectual hacia el aprendizaje con IA (Mindful AI Learning); una segunda centrada en las creencias sobre el impacto positivo de la IA en la sociedad y el mundo laboral (Embracing AI Effects); y una tercera que refleja los patrones reales de uso de ChatGPT como herramienta de estudio (LLM as Learning Companion).
¿Y qué encontraron? Una actitud que los autores describen como «cautelosamente optimista». Los estudiantes consideran la IA útil —especialmente para tareas concretas y bien definidas— pero no la perciben como un sustituto de las personas. Las puntuaciones de «humanización» de la IA fueron
bajas: los jóvenes distinguen perfectamente entre hablar con un chatbot y hablar con un ser humano. Esta distinción, lejos de ser un problema, es un signo de madurez digital.
Eso sí, el uso de ChatGPT es moderado (una media de 2,55 sobre 10 en frecuencia de uso) y la preferencia sobre buscadores tradicionales también es contenida (2,57 sobre 10). Lo que sugiere que el potencial está reconocido, pero la adopción cotidiana sigue siendo cauta y selectiva. Los autores señalan una limitación importante: la muestra es pequeña, mayoritariamente masculina (68 chicos frente a 23 chicas) y limitada a Italia. Sus conclusiones son exploratorias, no generalizables. Pero son un punto de partida valioso para diseñar programas de alfabetización en IA con base empírica.
«Los estudiantes no ven la IA como un sustituto: la ven como una herramienta. Quizás son más sabios que muchos adultos en este debate.»
4. ChatGPT puede hacer los deberes. Pero no puede aprender por ti
Chirikov, I. (2026). Artificial Intelligence and Grade Inflation. CSHE Higher Education Working Paper Series, Vol. 26-3. UC Berkeley Center for Studies in Higher Education. https://escholarship.org/uc/item/80x8d3qd
ChatGPT puede escribir un ensayo en treinta segundos. Pero ¿puede enseñarte a escribir uno? Igor Chirikov, investigador del Center for Studies in Higher Education de UC Berkeley, ha analizado qué ocurre cuando los estudiantes usan IA de propósito general —no diseñada para la educación— dentro de contextos de evaluación académica. Los resultados apuntan a algo más interesante que un simple problema de deshonestidad académica.
Chirikov analizó más de 507.000 matriculaciones en 319 asignaturas y 84 departamentos de una gran universidad pública de Texas, entre 2018 y 2025. Comparó la distribución de notas antes y después de la llegada de ChatGPT según el tipo de tareas de cada asignatura: escritura, programación, presentaciones orales. La pregunta era concreta: ¿dónde cambia la distribución de notas, y por qué solo ahí?
El patrón es nítido. En las asignaturas con alta proporción de tareas de escritura y código —las que una IA generativa puede completar directamente—, la proporción de sobresalientes creció 13 puntos porcentuales tras ChatGPT. En las presentaciones orales, donde la IA no puede sustituir al estudiante, no hubo efecto. La conclusión es incómoda: cuando una herramienta general puede hacer la tarea, muchos estudiantes dejan que la haga. No aprenden más; simplemente entregan más.
Pero la lectura más productiva de este estudio no es pesimista: no dice que la IA sea mala para la educación. Dice que una IA genérica, sin diseño pedagógico, sin restricciones que preserven el esfuerzo cognitivo, produce las apariencias del aprendizaje sin el fondo. La diferencia entre una IA que hace el trabajo por ti y una diseñada para guiarte a través de él es exactamente la diferencia entre una calculadora y un profesor de matemáticas. Una herramienta educativa de IA efectiva no da la respuesta: hace que encontrarla sea inevitable.
Los datos de Chirikov apuntan hacia una agenda de diseño clara. Si queremos que la IA mejore los resultados de aprendizaje —y no solo las notas—, necesitamos sistemas con intención pedagógica explícita: que ofrezcan pistas en lugar de soluciones, que monitoricen el proceso y no solo el producto, que mantengan el esfuerzo donde el aprendizaje ocurre. El problema no es la IA en educación. Es la ausencia de IA diseñada para educar.
«El problema no es que la IA sea demasiado capaz: es que aún no está diseñada para enseñar.»
La gran idea del mes: necesitamos IA educativa, no IA genérica en educación
Cuatro estudios, cuatro escalas, un mismo hilo conductor: lo que determina si la IA mejora el aprendizaje no es la potencia del modelo, sino la intención con la que está diseñado.
Cuando los LLMs se usan con un propósito pedagógico claro —como herramienta de feedback formativo, integrados en el proceso de escritura—, los resultados son positivos. Cuando el aprendizaje federado se diseña con la privacidad como restricción explícita, predice el abandono sin comprometer datos personales. Cuando los propios estudiantes eligen cómo usar la IA, optan por un uso cauto y selectivo. Y cuando una herramienta de propósito general —sin restricciones pedagógicas, sin intención educativa— se pone a disposición de estudiantes con tareas evaluadas, el resultado es que la tarea desaparece sin que el aprendizaje ocurra.
El hilo conductor es el diseño con intención. La IA que educa no es la IA que resuelve: es la que acompaña, la que plantea preguntas en lugar de dar respuestas, la que hace que el proceso de aprendizaje sea más transitable pero no prescindible. Una IA así no es ChatGPT aplicado a los deberes: es un sistema construido con restricciones pedagógicas explícitas que preservan el esfuerzo cognitivo justo donde el aprendizaje ocurre.
El verdadero reto del sector educativo no es «¿adoptamos IA?» sino «¿tenemos IA diseñada para enseñar, o solo IA genérica aplicada a la enseñanza?» La diferencia, como muestra este número, no es menor.
Pregunta para la reflexión
¿Las herramientas de IA que usa tu institución o empresa están diseñadas específicamente para promover el aprendizaje, o son herramientas generales adaptadas a un contexto educativo? ¿Cómo sabrías la diferencia?
📌 EduIA Pulse es la publicación mensual de BlinkLearning sobre investigación en IA y educación. Si te ha resultado útil, compártela con alguien de tu equipo.
📎Fuentes:
- Jiao, Y. y Wang, Q. (2026). Large language models for formative feedback in writing instruction: A systematic review. Frontiers in Education, 11. https://doi.org/10.3389/feduc.2026.1834085
- Villegas-Ch, W. et al. (2026). Federated and explainable learning analytics for academic risk prediction across heterogeneous educational institutions. Computers and Education: Artificial Intelligence, 8, 100629. https://doi.org/10.1016/j.caeai.2026.100629
- Schicchi, D. y Taibi, D. (2026). High school students’ attitudes toward generative AI and ChatGPT: An exploratory study using factor analysis. Information, 17(6), 612. https://doi.org/10.3390/info17060612
- Chirikov, I. (2026). Artificial Intelligence and Grade Inflation. CSHE Higher Education Working Paper Series, Vol. 26-3. UC Berkeley Center for Studies in Higher Education. https://escholarship.org/uc/item/80x8d3qd