Publicado 2026-07-06
Palabras clave
- Inteligencia artificial generativa,
- modelos de lenguaje,
- pensamiento crítico,
- educación superior ,
- rol docente
- ética pedagógica ...Más
Derechos de autor 2026 AULA Revista de Humanidades y Ciencias Sociales
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Cómo citar
Resumen
Los modelos generativos de inteligencia artificial (IA), particularmente los grandes modelos de lenguaje (LLMs), han transformado la educación mediante la generación automatizada de contenidos, tutorías personalizadas y evaluación asistida (Holmes et al., 2019). Sin embargo, estos sistemas funcionan mediante correlaciones estadísticas sin comprensión semántica, razonamiento causal ni anclaje experiencial, lo que genera riesgos como desinformación sistemática, dependencia cognitiva y erosión del pensamiento crítico (Bender et al., 2021; Marcus, 2020).
Este artículo reflexivo examina la evolución desde la IA simbólica hacia paradigmas conexionistas (Vaswani et al., 2017), analiza límites técnicos en contextos pedagógicos y cuestiona mitos impulsados por el entusiasmo tecnológico. Se evalúan impactos específicos en el aprendizaje humano —pérdida de autonomía, amplificación de sesgos, atrofia metacognitiva— y se enfatiza el rol irremplazable del docente como mediador crítico. A partir de la experiencia práctica del autor y el análisis de literatura especializada (Floridi & Cowls, 2019; Holmes et al., 2019), se establecen principios éticos para una integración responsable de la inteligencia artificial, en consonancia con marcos regulatorios emergentes como el Reglamento de IA de la Unión Europea (European Union, 2024). Se concluye que la IA potencia la educación sólo cuando queda subordinada a supervisión humana pedagógicamente informada, preservando la dimensión reflexiva del aprendizaje.
Referencias
- American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
- Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623.
- European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence. Official Journal of the European Union.
- Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1
- Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
- Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
- Marcus, G. (2020). The next decade in AI: Four steps towards robust artificial intelligence. arXiv. https://arxiv.org/abs/2002.06177
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gómez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
- Sweller, J. (2011). Cognitive load theory. Psychology of Learning and Motivation, 55, 37–76. https://doi.org/10.1016/B978-0-12-387691-1.00002-8