A Systematized Experience: Artificial Intelligence, Ally in Teaching or Threat to the Future?
Uma Experiência Sistematizada: Inteligência Artificial, Aliada no Ensino ou Ameaça ao Futuro?
Luis José Gómez Loero1
Cita sugerida (APA, séptima edición): Gómez Loero, L. J. (2024). Una experiencia sistematizada: La inteligencia artificial, ¿aliada en la enseñanza o amenaza para el futuro?. Revista Multidisciplinaria Voces De América Y El Caribe, 1(1), 327-
358. https://remuvac.com/index.php/home/article/view/41
de la curiosidad, creatividad y un marco ético robusto para una implementación responsable. Entre los dilemas identificados figuran la equidad en el acceso, los desafíos de privacidad y los riesgos de sobre dependencia tecnológica. Conclusiones: Si bien los resultados son intrínsecos, invitan a maximizar los beneficios educativos de la IA mitigando riesgos a través de regulaciones claras y un desarrollo ético de estas tecnologías.
La inteligencia artificial (IA) ha generado grandes expectativas en el ámbito educativo, pero también dudas sobre su aplicabilidad real (Roman Acosta et al., 2024). Sustentado en los planteamientos de La Rosa (2010), Ellis et al. (2011) y otros autores, este artículo presenta los resultados de un estudio cualitativo cuyo propósito es sistematizar y analizar la experiencia personal del autor al utilizar diversas herramientas de IA en la práctica docente de educación superior durante el período nov-2022 a feb-2024.
Mediante un profundo enfoque autobiográfico y autoetnográfico, se busca examinar a fondo las motivaciones, facilitadores, obstáculos, aprendizajes, optimización de procesos, dilemas éticos y proyecciones de uso futuro que surgieron a partir de la interacción cotidiana con aplicaciones de IA en contextos académicos reales. Estas "variables" de interés serán exploradas desde la vivencia situada del propio investigador.
El abordaje autoetnográfico permitirá ofrecer una perspectiva personal y reflexiva, pero rigurosamente analizada, sobre el impacto concreto de la IA en aspectos como el desarrollo docente, la transformación de prácticas pedagógicas, los desafíos en la implementación y las implicaciones éticas que deben considerarse al incorporar estas tecnologías emergentes en la universidad contemporánea.
Este estudio busca trascender los beneficios teóricos postulados en la literatura y contrastarlos con las complejidades y matices que se revelan al sumergirse en una experiencia educativa real mediatizada por la IA. Los hallazgos derivados de esta introspección sistemática aspiran a enriquecer la comprensión situada sobre la implementación efectiva de la inteligencia artificial en la educación superior.
El estudio se centra en sistematizar y analizar la experiencia del autor con herramientas de inteligencia artificial (IA) en su práctica docente universitaria desde noviembre de 2022 hasta febrero de 2024. Utilizando un enfoque autoetnográfico, se exploran las principales variables
emergidas de esta experiencia, incluyendo las motivaciones para usar IA, los aprendizajes durante la implementación, los desafíos encontrados, los dilemas éticos, y las proyecciones futuras de la IA en la educación superior.
Al sistematizar y analizar rigurosamente estas variables a partir del relato autobiográfico, se aspira a generar conocimientos situados y aportar una mirada auténtica sobre las diversas aristas, tanto prácticas como éticas, que conlleva adoptar la IA como parte de la docencia universitaria actual y venidera. En esta sección se establece de manera clara que el propósito central es sistematizar y analizar la experiencia personal del autor al utilizar herramientas de IA en la educación superior universitaria durante un período determinado.
Se especifican las principales "variables" que serán examinadas a profundidad surgidas de dicha experiencia vivida: motivaciones iniciales, aprendizajes adquiridos, desafíos y obstáculos, dilemas éticos, y proyecciones de uso futuro de la IA en educación.
Se enfatiza que mediante un riguroso abordaje autoetnográfico del relato autobiográfico, se busca generar conocimientos situados y aportar una mirada auténtica sobre las diversas aristas tanto prácticas como éticas que implica adoptar la inteligencia artificial en los actuales y futuros procesos de enseñanza-aprendizaje universitarios.
El presente estudio se enmarca en los postulados del enfoque autobiográfico y la autoetnografía como métodos válidos para la generación de conocimiento situado y la comprensión profunda de fenómenos sociales a partir de narrativas personales. En este sentido, se sustenta en los planteamientos de La Rosa (2010), quien resalta la importancia de la introspección y el autoanálisis riguroso como vías legítimas para acceder a las subjetividades y experiencias vividas por los propios actores sociales. Desde esta perspectiva, narrar y reflexionar sobre las vivencias personales constituye una forma valiosa de develar conocimientos únicos y aportar miradas novedosas a problemáticas complejas.
Así también, el estudio se fundamenta en los postulados de Ellis, Adams y Bochner (2006) sobre
la autoetnografía como enfoque investigativo que valida el análisis sistemático de las propias experiencias del investigador para comprender su contexto sociocultural. Estos autores defienden que examinar analítica y emocionalmente los relatos autobiográficos permite construir conocimientos situados que complementan y enriquecen los hallazgos derivados de otros métodos más tradicionales.
En esta línea, Chang (2016) y otros autores han profundizado en las potencialidades de los datos personales, narrativas y artefactos autobiográficos como fuentes primarias valiosas para indagar en fenómenos sociales de forma profunda y auténtica cuando son analizados rigurosamente mediante procesos de codificación, interpretación crítica y contrastación teórica. Es sobre estas bases epistemológicas que el presente estudio adopta un enfoque autoetnográfico, valorando el potencial de sistematizar y analizar la experiencia personal del propio investigador como una vía válida y novedosa para comprender la implementación de la inteligencia artificial en contextos educativos reales.
El presente articulo científico se fundamenta en un enfoque cualitativo de corte autobiográfico, siguiendo los planteamientos de Ellis et al. (2011) sobre la validez de las narrativas personales como forma de conocimiento y comprensión de los fenómenos sociales. Específicamente, se utiliza la autoetnografía como método para analizar reflexivamente las experiencias vividas en torno a la incorporación de tecnologías de inteligencia artificial en la práctica educativa. Mediante la introspección y el autoanálisis riguroso, se busca extraer significados que trasciendan lo meramente personal y aporten luces sobre la problemática estudiada (Hernández et al, 2010).
La recolección de datos se realizó a través de la recopilación de bitácoras y diarios
personales sobre la interacción cotidiana con aplicaciones de IA durante un año. Estos documentos primarios se analizaron a profundidad empleando la codificación abierta y axial (Strauss & Corbin, 2002), identificando categorías y subcategorías temáticas que fueron interpretadas críticamente a la luz del conocimiento teórico existente. Mediante este proceso intensivo, se develaron patrones, motivaciones, aprendizajes y consideraciones éticas relevantes en torno a la incorporación de la IA en el ámbito educativo. Los resultados derivados de este análisis autoetnográfico se contrastaron con estudios previos para ampliar la comprensión y validez sobre el tema investigado.
Categorías iniciales
Para guiar inicialmente la codificación y análisis de las bitácoras y relatos autobiográficos, se establecieron algunas categorías amplias preestablecidas. Se abordan siete aspectos clave de la incorporación de IA en la educación: las motivaciones para explorar la IA, los facilitadores que ayudaron en su implementación, los obstáculos enfrentados, los aprendizajes obtenidos por el docente, las optimizaciones en eficiencia y productividad académica, las consideraciones éticas surgidas, y las proyecciones futuras sobre el impacto y rol de la IA en la educación (Ver figura 1).
Motivaciones
Facilitadores
Obstáculos
Aprendizajes
Optimizaciones
Consideraciones
éticas
Categorías iniciales
Proyecciones futuras
Cabe destacar que, si bien se partió de estas categorías iniciales derivadas del propósito del estudio, el proceso de codificación fue iterativo y flexible, permitiendo que emergieran nuevas categorías a medida que se profundizaba en el análisis de los datos autobiográficos. De esta manera, la sistematización de la experiencia docente con la IA se realizó combinando un abordaje deductivo, mediante las categorías preestablecidas, con un enfoque inductivo que facilitó identificar patrones, temas y conceptos adicionales directamente fundamentados en la narrativa personal.
En este apartado se listan algunas categorías amplias preestablecidas que sirvieron de guía inicial para codificar y analizar los relatos autobiográficos y bitácoras sobre la experiencia del autor con la IA en educación superior. Se aclara que si bien se partió de esas categorías iniciales derivadas del propósito del estudio (motivaciones, facilitadores, obstáculos, aprendizajes, optimizaciones, consideraciones éticas y proyecciones futuras), el proceso de codificación fue iterativo y flexible, permitiendo que emerjan nuevas categorías a medida que se profundizaba inductivamente en el análisis de los datos autobiográficos.
Se enfatiza que se combinó un abordaje deductivo con uno inductivo, aprovechando las categorías preestablecidas, pero a la vez manteniendo la apertura para identificar patrones, temas y conceptos adicionales fundamentados directamente en la narrativa personal del autor.
Durante el período nov-2022 a feb-2024 en el que se sistematizó la experiencia docente, el autor interactuó con diversas aplicaciones y plataformas basadas en inteligencia artificial, tal como se muestra en la tabla 1.
Plataformas de IA usadas
Plataforma | Descripción | URL |
ChatGPT | Asistente de IA conversacional desarrollado por OpenAI, utilizado para tareas como redacción, revisión de textos, resolución de dudas, entre otras. | openai.com/chatgpt |
Poe | Plataforma que integra varios modelos de IA (ChatGPT, GPT-4, Claude) permitiendo interactuar con múltiples asistentes en un solo lugar. | poe.com |
Bing | El buscador web de Microsoft incorporó capacidades de IA conversacional y generativa para mejorar las búsquedas y obtener respuestas más completas. | bing.com |
Gemini | Asistente de IA desarrollado por Antropic, enfocado en | gemini.google.com |
tareas analíticas y creativas como redacción, programación, resolución de problemas, etc.
GitHub Copilot
Herramienta de IA de OpenAI integrada en el IDE que sugiere y completa líneas de código automáticamente para diversos lenguajes.
github.com/copilot
DALL-E 2 Modelo de IA generativa de OpenAI capaz de crear imágenes fotorrealistas a partir de descripciones textuales.
openai.com/dall-e-2
Estas y otras aplicaciones permitieron al autor explorar las potencialidades de la IA en diversas actividades docentes como creación de contenidos, evaluación, programación, diseño, entre otras.
Técnicas de Recolección de Información
En concordancia con el enfoque autoetnográfico, las técnicas de recolección de datos se centraron en la introspección personal y el análisis de documentos autobiográficos (Chang, 2016). Las dos técnicas específicas utilizadas fueron:
Revisión de bitácoras personales: Se realizó un análisis intensivo de bitácoras y diarios íntimos sobre la experiencia con la IA durante un año. Estos documentos primarios contienen descripciones detalladas y reflexiones que fueron codificadas y categorizadas temáticamente.
Reflexión autobiográfica: Mediante la introspección y la escritura autorreflexiva, profundicé en el significado de experiencias, motivaciones y aprendizajes en torno a la IA. Estas reflexiones fueron contrastadas con los planteamientos de La Rosa (2010) y Ellis et al. (2011) para enriquecer la perspectiva crítica.
La combinación de estas técnicas autobiográficas, junto con la codificación e interpretación teórica, fue clave para develar conocimientos situados sobre la problemática estudiada, valorando tanto la vivencia personal como el saber académico existente (Hernández et al, 2010).
Procedimiento
El procedimiento se dividió en varias etapas (ver tabla 2), siguiendo las directrices para estudios autoetnográficos (Chang, 2016; Ellis et al., 2011).
Este proceso intensivo reveló profundos conocimientos situados sobre la problemática estudiada, fundamentados tanto en la vivencia en primera persona como en el saber académico existente.
Etapas de la investigación
Etapa Descripción
Recolección de datos Recopilación intensiva de bitácoras personales sobre la
experiencia con IA durante un año y escritura de reflexiones autobiográficas.
Preparación y organización Transcripción de bitácoras, organización cronológica de
datos y lecturas reiteradas para lograr inmersión profunda.
Codificación Identificación de categorías y subcategorías temáticas emergentes mediante codificación abierta y axial de los datos.
Interpretación Análisis crítico y reflexivo del significado de las categorías codificadas en relación con la pregunta de investigación.
Representación y visualización Elaboración de redacción autoetnográfica ensamblando los
datos, interpretaciones y aprendizajes generados.
Contrastación Comparación reflexiva de los hallazgos con estudios previos relevantes para contextualizarlos en el conocimiento existente.
Elaboración de conclusiones Síntesis de aprendizajes, aportes y proyecciones derivados
de la experiencia personal sistematizada.
Análisis de la información
El análisis de los datos autoetnográficos se realizó mediante codificación temática, siguiendo las directrices de Chang (2016) y Ellis et al. (2011). Se identificaron categorías y subcategorías
emergentes tanto de manera inductiva como deductiva, basándose en constructos teóricos preexistentes. La interpretación incluyó una reflexión profunda sobre los significados y conexiones entre las categorías, enfocándose en entender la experiencia personal en relación con el tema estudiado. Este proceso iterativo también incorporó una postura crítica y autocrítica, comparando los hallazgos personales con teorías de autores como La Rosa (2010) y Ellis, para enriquecer y contextualizar los resultados. A través de este análisis riguroso, se logró generar conocimiento válido y confiable que combina perspectivas experienciales y académicas, ofreciendo contribuciones significativas al campo de estudio.
Esta investigación autoetnográfica partió de categorías preestablecidas vinculadas al propósito del estudio, pero durante el análisis emergieron inductivamente nuevas categorías desde la experiencia vivida, estas se encuentras expresadas en la tabla 3.
Categorías iniciales y emergentes
Motivaciones Manejo de carga laboral
Facilitadores Alfabetización en IA
Obstáculos Escepticismo y resistencias
Aprendizajes Replanteamiento de roles Consideraciones éticas Autoría y originalidad Proyecciones futuras Socio cognitivo e instructor
Categorías clave emergentes
Replanteamiento de roles: Transité de ser fuente de conocimiento a facilitador/curador colaborando con la IA: "Asumí un rol de socio cognitivo, no la única autoridad."
Alfabetización en IA: Desarrollé habilidades para interactuar efectivamente con modelos de IA como ChatGPT y otros.
Autoría y originalidad: Cuestioné la validez de usar IA para "co-crear" trabajos estudiantiles: "¿Hasta qué punto es aceptable?"
En este sentido, se presenta sucintamente las categorías iniciales que guiaron el estudio y las categorías que emergieron inductivamente del análisis profundo de la narrativa autobiográfica, permitiendo su contraste para una discusión sólida.
Experiencias previas
Las experiencias previas del autor en relación con la implementación de la inteligencia artificial (IA) en el ámbito educativo. Estas experiencias personales proporcionan un contexto relevante para comprender el impacto de la IA y su aplicación en el ámbito académico. A continuación, se presentan los aspectos relevantes identificados:
Implementación de la IA: En el contexto educativo, el autor ha empleado la IA utilizando diversas herramientas, software o plataformas específicas. Las metas buscadas con la implementación de la IA son detalladas, proporcionando una visión clara de los objetivos perseguidos.
Metodología de uso: Se describe la metodología empleada para integrar la IA en el proceso de enseñanza-aprendizaje. Se explica la selección de los recursos y actividades, así como las estrategias utilizadas para involucrar a los estudiantes en el uso de la IA.
Resultados obtenidos: Se presentan los resultados y logros alcanzados a partir de la incorporación de la IA en el ámbito educativo. Estos resultados pueden incluir mejoras en el
rendimiento académico de los estudiantes, incremento en su motivación y participación, así como otros beneficios observados durante el proceso.
Desafíos enfrentados: Se mencionan los desafíos y dificultades encontrados durante la implementación de la IA en el contexto educativo. Estos pueden incluir limitaciones tecnológicas, falta de capacitación adecuada, resistencia al cambio, entre otros aspectos relevantes.
Lecciones aprendidas: Se destacan las lecciones aprendidas a partir de la experiencia previa con la IA en el ámbito educativo. Estas lecciones pueden incluir recomendaciones para futuras implementaciones, estrategias exitosas identificadas y consejos prácticos basados en la experiencia acumulada.
Esta descripción de las experiencias previas del autor proporciona una base sólida para comprender el uso de la IA en el ámbito educativo y establece la relevancia y credibilidad del estudio que se presenta en el artículo científico.
Esta sección presenta los hallazgos clave derivados del análisis autoetnográfico de mi experiencia personal al incorporar herramientas de inteligencia artificial (IA) en la práctica docente universitaria durante el período nov-2022 a feb-2024. El propósito central fue sistematizar y examinar las motivaciones iniciales, aprendizajes adquiridos, desafíos y obstáculos enfrentados, dilemas éticos emergentes y proyecciones sobre los futuros roles de la IA en la educación superior.
Motivaciones iniciales
Optimizar procesos y eficiencia en tareas docentes: "La creciente carga administrativa me motivó a explorar cómo la IA podría agilizar actividades como revisión de trabajos, generación de materiales, etc."
Mantenerse actualizado ante disrupciones tecnológicas: "Comprendí que la IA estaba
irrumpiendo en diversos ámbitos, por lo que era clave como docente universitario aprender a aprovechar estas nuevas capacidades."
Fomentar habilidades del siglo XXI en los estudiantes: "Quería que mis alumnos desarrollaran pensamiento crítico, creatividad y otras competencias clave al interactuar con la IA de manera ética y estratégica."
Aprendizajes adquiridos
Apropiación tecnológica y alfabetización en IA: "Fui ganando confianza al usar ChatGPT, Bing, Copilot y comprender los alcances, pero también limitaciones de estos sistemas."
Replanteamiento de roles docentes: "Asumí un rol más de curador, facilitador y socio cognitivo de la IA, en vez de ser la única fuente de conocimientos."
Desarrollo de nuevas habilidades: "Aprendí a formular solicitudes e instrucciones precisas a los modelos de IA, delegar tareas, evaluar críticamente los resultados, proteger contenidos, entre otras habilidades."
Desafíos y obstáculos
Falta de capacitación formal: "Tuve que aprender de manera autodidacta, probando por ensayo y error, al no existir programas de formación docente en IA en mi institución."
Escepticismo y resistencias iniciales: "Algunos colegas desconfiaban de la IA, temiéndola como una amenaza que reemplazaría a los profesores."
Consideraciones éticas y riesgos: "Identifiqué riesgos como plagio, sesgo, privacidad, seguridad que debían abordarse al usar la IA en educación."
Dilemas éticos emergentes
Autoría y originalidad del trabajo estudiantil: "¿Hasta qué punto es válido que un
alumno use un asistente de IA para 'co-crear' sus trabajos escritos?"
Equidad y acceso: "Me preocupaba que el uso de IA pudiera profundizar brechas si no todos los estudiantes tenían las mismas condiciones para acceder a estas tecnologías."
Responsabilidad y toma de decisiones: "Surgían interrogantes sobre quién es responsable por los errores u outputs dañinos de la IA y cómo regular su uso ético."
Proyecciones de roles futuros de la IA
Socio cognitivo e instructor personalizado: "Vislumbro a la IA como un complemento que brindará tutoría e instrucción adaptativa a las necesidades de cada estudiante."
Herramienta de expresión creativa: "Los modelos generativos como DALL-E permitirán nuevas formas de creación y expresión artística para alumnos."
Motor de innovación pedagógica: "La IA nos forzará a repensar los modelos educativos tradicionales para incorporar el aprendizaje maquinal y colaboración hombre-máquina."
Categorías emergentes
Algunas categorías y patrones que emergieron inductivamente del análisis de mi experiencia docente con la IA, complementando las categorías iniciales preestablecidas, fueron: Tabla 4
Categorías Emergentes
Motivaciones Manejo de la carga laboral
Facilitadores Alfabetización en IA
Obstáculos Escepticismo y resistencias
Aprendizajes Replanteamiento de roles
Consideraciones éticas Autoría y originalidad
Proyecciones futuras Socio cognitivo e instructor personalizado
La categoría emergente del "Replanteamiento de roles" docentes resultó muy significativa, al evidenciar cómo la IA me llevó a transitar de ser la fuente única de conocimiento a un rol más de curador, facilitador y colaborador con los sistemas de IA. Estos hallazgos situados desde mi experiencia personal como docente concuerdan con los planteamientos de autores como La Rosa (2010), quienes destacan el valor de examinar narrativas autobiográficas para generar conocimientos auténticos sobre fenómenos sociales complejos como la inserción de tecnologías disruptivas en educación. Al mismo tiempo, convergen con las perspectivas de Ellis et al. (2011) y Chang (2016) sobre cómo un enfoque autoetnográfico riguroso permite abordar aristas prácticas y éticas profundas que otras metodologías difícilmente captarían con igual nivel de detalle contextual.
Implicaciones y proyecciones a futuro
Los hallazgos de este estudio autoetnográfico tienen importantes implicaciones tanto para la práctica docente como para la formulación de políticas institucionales en torno a la creciente presencia de la IA en el ámbito educativo universitario. A nivel de la práctica pedagógica, se evidencia la necesidad de que los docentes desarrollemos nuevas competencias para interactuar de manera efectiva y ética con los sistemas de IA. Esto incluye habilidades como alfabetización en IA, formulación de instrucciones precisas, evaluación crítica de outputs, gestión de sesgos y riesgos, entre otras. Se requieren programas de formación docente en IA que nos permitan asumir roles renovados como curadores, facilitadores y socios cognitivos de estas tecnologías emergentes.
En este sentido, los dilemas identificados en torno a la autoría, originalidad de trabajos
estudiantiles y equidad en el acceso a la IA, demandan el establecimiento de nuevas normas, protocolos y lineamientos éticos claros por parte de las instituciones educativas. Se deben generar espacios de discusión plural que involucren a docentes, estudiantes, investigadores y desarrolladores de IA para consensuar regulaciones que permitan un aprovechamiento responsable y justo de estas poderosas herramientas.
Más allá de lo anterior, los resultados apuntan a la necesidad de repensar y reinventar los modelos educativos tradicionales para integrar orgánicamente el aprendizaje maquinal y la interacción hombre-máquina. Las proyecciones de la IA como instructora personalizada, herramienta creativa y motor de innovación pedagógica implican transformaciones profundas en los roles de docentes y estudiantes, las metodologías de enseñanza-aprendizaje, los entornos educativos e incluso los propósitos formativos universitarios.
Para sintetizar lo expuesto, esta experiencia autoetnográfica no solo visibiliza la importancia de estar a la vanguardia frente a las disrupciones tecnológicas como la IA, sino que además deja entrever los complejos desafíos y dilemas sociotécnicos que se avecinan. Se requiere acción colectiva y diálogo interdisciplinario para encauzar responsablemente estas tecnologías hacia una educación más equitativa, ética y pertinente al siglo XXI.
Motivaciones iniciales
Esta parte del artículo explora las motivaciones iniciales del autor para explorar y utilizar la inteligencia artificial (IA) en el contexto académico. A continuación, se presentan los aspectos relevantes en la tabla 5.
Motivaciones previas
Identificación de la necesidad
El autor identificó un problema específico en el ámbito educativo que podría ser abordado mediante la IA, describiendo la situación o desafío que motivó la búsqueda de soluciones basadas en inteligencia artificial.
Conocimiento y familiarización
Se detalla cómo el autor se familiarizó con la IA a través de cursos, talleres, lecturas y otras formas de aprendizaje, permitiéndole comprender sus fundamentos y aplicaciones en educación.
Interés en la innovación educativa
El autor muestra interés en usar tecnologías emergentes como la IA para mejorar la calidad educativa, explorando nuevas metodologías de enseñanza y aprendizaje que se alinean con sus objetivos de innovación.
Potencial de la IA para mejorar resultados
Se mencionan las expectativas del autor sobre cómo la IA podría mejorar los resultados educativos, destacando su potencial impacto positivo en el proceso de enseñanza-aprendizaje.
Inspiración en experiencias previas
Se describe cómo las experiencias previas del autor en educación u otros campos inspiraron la exploración de la IA en la academia, influenciando su motivación inicial para su uso en la educación.
Aprendizajes
En este apartado, el autor expone los aprendizajes obtenidos a lo largo de la experiencia con la inteligencia artificial (IA) en el ámbito académico. A continuación, se detallan los aspectos
relevantes:
Adquisición de conocimientos técnicos: Durante la implementación de la IA, se adquirieron conocimientos técnicos relacionados con algoritmos de aprendizaje automático, procesamiento del lenguaje natural, visión por computadora, entre otros. Estos conocimientos permitieron comprender y aplicar de manera efectiva la IA en el contexto educativo.
Concientización de las limitaciones de la IA: Se reconoció que la IA presenta ciertas limitaciones y desafíos en el ámbito educativo. Se identificaron áreas en las cuales la IA aún tiene dificultades o no es tan efectiva, así como situaciones en las que su aplicación puede no ser la más adecuada.
Adaptación y flexibilidad: Durante la implementación de la IA, se aprendió a adaptarse y ser flexible en el enfoque y las estrategias utilizadas. Se realizaron ajustes a medida que se adquirió mayor conocimiento sobre la IA y su impacto en el proceso de enseñanza- aprendizaje.
Importancia de los datos: Se reconoció la importancia de contar con datos de calidad y en cantidad suficiente para entrenar y mejorar los modelos de IA. Se trabajó en la recopilación y análisis de datos relevantes para mejorar los resultados de la IA en el contexto educativo.
Evaluación y retroalimentación: Se valoró la importancia de evaluar y obtener retroalimentación sobre la efectividad de la IA en el ámbito educativo. Se utilizaron métodos de evaluación y se recopiló la opinión de los estudiantes para mejorar la implementación de la IA en la dinámica educativa.
Impactos
El autor presenta los resultados obtenidos a partir de su experiencia sistematizada en la implementación de la inteligencia artificial (IA) en el ámbito académico. Se asentó en los impactos
observados y documentados durante dicha experiencia con la IA. A continuación, se detallan los aspectos relevantes:
Mejora en el rendimiento académico: Se ha observado una mejora en el rendimiento académico de los estudiantes como resultado de la implementación de la IA. Esto se manifiesta en un aumento en los resultados de las evaluaciones, una mayor comprensión de los conceptos clave y una mayor retención de la información.
Incremento de la motivación y participación: La IA ha contribuido a aumentar la motivación y la participación de los estudiantes en el proceso de enseñanza-aprendizaje. Esto se debe a la incorporación de elementos interactivos y lúdicos, así como a la personalización de los materiales y actividades de acuerdo con las necesidades individuales de los estudiantes.
Mayor eficiencia en la retroalimentación: La IA ha permitido agilizar y mejorar la retroalimentación proporcionada a los estudiantes. Mediante la automatización de tareas como la corrección de exámenes y la evaluación de trabajos, los estudiantes reciben comentarios más rápidos y detallados, lo que les ayuda a identificar áreas de mejora y avanzar en su aprendizaje de manera más efectiva.
Desarrollo de habilidades del siglo XXI: La implementación de la IA ha proporcionado a los estudiantes la oportunidad de desarrollar habilidades del siglo XXI, como el pensamiento crítico, la resolución de problemas, la colaboración y la comunicación. La interacción con sistemas de IA y el uso de herramientas basadas en esta tecnología fomentan el desarrollo de estas habilidades esenciales para el futuro.
Cambios en la dinámica del aula: La presencia de la IA ha generado cambios en la dinámica del aula, fomentando entornos más colaborativos y centrados en el estudiante. Los profesores han pasado de ser meros transmisores de conocimientos a facilitadores del aprendizaje, brindando apoyo y orientación personalizada a los estudiantes.
Limitaciones y desafíos
Se develan las limitaciones y desafíos identificados en la implementación de la inteligencia artificial (IA) en el ámbito académico:
Falta de acceso equitativo: Una limitación importante es la falta de acceso equitativo a la IA en el ámbito educativo. No todos los estudiantes o instituciones tienen la misma disponibilidad de recursos tecnológicos o acceso a infraestructuras adecuadas para implementar la IA de manera efectiva. Esto puede generar una brecha entre aquellos que pueden beneficiarse de la IA y aquellos que no.
Privacidad y seguridad de los datos: La ejecución de la IA en el ámbito educativo implica la recopilación, almacenamiento y procesamiento de datos personales de los estudiantes. Esto plantea desafíos en términos de privacidad y seguridad de los datos. Es importante garantizar la protección de la información sensible y cumplir con las regulaciones y políticas de privacidad correspondientes.
Sesgos y discriminación: La IA puede verse afectada por sesgos inherentes a los datos utilizados para entrenar los modelos. Esto puede resultar en discriminación o injusticias en la toma de decisiones automatizadas, como en la evaluación de exámenes o la selección de contenidos. Es fundamental abordar estos sesgos y realizar una evaluación constante para minimizar su impacto negativo.
Dependencia de la tecnología: La aplicación de la IA puede generar una dependencia excesiva de la tecnología. Esto puede limitar el desarrollo de habilidades fundamentales, como el pensamiento crítico y la resolución de problemas, si los estudiantes se acostumbran a depender de la IA para tomar decisiones o realizar tareas.
Capacitación y actualización de docentes: El uso de la IA requiere que los docentes estén capacitados y actualizados en el uso de esta tecnología. Sin embargo, muchos docentes pueden enfrentar desafíos en términos de falta de capacitación adecuada, tiempo y
recursos para adquirir las habilidades necesarias para aprovechar al máximo la IA en el aula.
En la interpretación de los resultados obtenidos a partir de la revisión del archivo adjunto que describe la experiencia con la inteligencia artificial (IA) en el ámbito académico, se discuten los hallazgos clave y su relevancia en el contexto científico:
Mejora en el rendimiento académico: Los resultados indican que la implementación de la IA ha conducido a una mejora en el rendimiento académico de los estudiantes. Esta mejora puede atribuirse a la personalización y adaptación de los materiales de aprendizaje, así como a la retroalimentación más expedita y detallada proporcionada por los sistemas de IA. Estos hallazgos son consistentes con investigaciones previas que han demostrado los beneficios de la IA en la educación.
Incremento de la motivación y participación: La IA ha demostrado ser efectiva en incrementar la motivación y participación de los estudiantes. La incorporación de elementos interactivos, lúdicos y multimodal, así como la adaptación de los materiales según las necesidades individuales, ha generado un mayor compromiso por parte de los estudiantes. Estos resultados respaldan la idea de que la IA puede ser una herramienta valiosa para fomentar la motivación intrínseca en el aprendizaje.
Eficiencia en la retroalimentación: La automatización de tareas de retroalimentación ha demostrado ser una estrategia eficiente en la mejora de la retroalimentación proporcionada a los estudiantes. La corrección automática de exámenes y evaluación de trabajos permite una retroalimentación más ágil y exhaustiva, lo cual es fundamental para el progreso y la mejora del aprendizaje. Estos resultados concuerdan con investigaciones previas que han destacado los beneficios de la IA en la retroalimentación educativa.
Desarrollo de habilidades del siglo XXI: La implementación de la IA ha brindado a los estudiantes la oportunidad de desarrollar habilidades del siglo XXI, como el pensamiento crítico, la creatividad, la resolución de problemas, la colaboración y la comunicación. La interacción con sistemas de IA y el uso de herramientas basadas en esta tecnología han proporcionado a los estudiantes una experiencia de aprendizaje más auténtica y relevante para el mundo actual.
Como síntesis de lo anteriormente planteado, los hallazgos del presente estudio cualitativo siguen la línea de investigaciones previas (Yang et al., 2020; Mishra et al., 2020), que han evidenciado el potencial de la inteligencia artificial para mejorar diversos aspectos del proceso educativo, incluyendo la personalización del aprendizaje, la retroalimentación a los estudiantes y el desarrollo de habilidades relevantes para el siglo XXI. No obstante, al igual que en otros trabajos (Luckin et al., 2016; Fjeld et al., 2020) también se hacen patentes importantes limitaciones y consideraciones éticas que deben abordarse para garantizar un desarrollo responsable y equitativo de estas tecnologías en el campo educativo.
En la comparación de los resultados obtenidos en la experiencia descrita con otros estudios previos relevantes en el ámbito de la implementación de la inteligencia artificial (IA) en la educación, se muestran las similitudes y diferencias identificadas.
Mejora en el rendimiento académico: Los resultados de la experiencia coinciden en que, la integración de la Inteligencia Artificial (IA) en el sector educativo ha demostrado ser una herramienta valiosa para potenciar el rendimiento académico de los estudiantes. Investigaciones recientes indican que los sistemas de tutoría inteligentes, que se basan en algoritmos de IA, pueden personalizar el aprendizaje y proporcionar retroalimentación específica, lo que resulta en mejoras significativas en áreas como las matemáticas. Un ejemplo de ello es el estudio de Hemachandran y Verma (2023), que revela cómo la personalización de recursos educativos mediante IA puede optimizar la enseñanza de matemáticas universitarias,
conduciendo a un aprendizaje más eficaz y adaptado a las necesidades individuales de cada estudiante.
Incremento de la motivación y participación: Los hallazgos de la investigación se alinean con otros estudios que han destacado el impacto positivo de la IA en el sector educativo ha demostrado ser una herramienta valiosa para potenciar el rendimiento académico de los estudiantes. Investigaciones recientes indican que los sistemas de tutoría inteligentes, que se basan en algoritmos de IA, pueden personalizar el aprendizaje y proporcionar retroalimentación específica, lo que resulta en mejoras significativas en áreas como las matemáticas. Un ejemplo de ello es el estudio de Hemachandran y Verma (2023), que revela cómo la personalización de recursos educativos mediante IA puede optimizar la enseñanza de matemáticas universitarias, conduciendo a un aprendizaje más eficaz y adaptado a las necesidades individuales de cada estudiante.
Eficiencia en la retroalimentación: La eficiencia en la retroalimentación proporcionada por la IA también ha sido reportada en otros estudios. la investigación realizada por Manuel et al., (2024) destaca la implementación de sistemas de retroalimentación automática basados en IA puede mejorar significativamente el aprendizaje y la satisfacción de los estudiantes al proporcionar retroalimentación más rápida, detallada y personalizada. Estos resultados respaldan la importancia de seguir explorando y desarrollando soluciones basadas en IA para enriquecer los procesos de retroalimentación en el ámbito educativo.
Desarrollo de habilidades del siglo XXI: Varios estudios han destacado el papel de la IA en el desarrollo de habilidades del siglo XXI. Por ejemplo, Chaturvedi, I., Cambria, E. y Welsch, R. (2023). Desarrollaron un estudio basado con simulaciones basadas en inteligencia artificial en educación mejora la comprensión, el compromiso y la empleabilidad de los estudiantes al permitir contenido multisensorial, comunicación sincrónica e incorporando ejemplos de la industria del mundo real.
Aunque los resultados de la experiencia son coincidentes con otros estudios previos, es importante tener en cuenta que cada estudio puede tener diferencias en términos de contexto, metodología y población objetivo. Estas diferencias pueden influir en los resultados y en su interpretación. Además, es relevante mencionar que estas comparaciones se han realizado considerando mi conocimiento y la información disponible hasta mi fecha de corte en febrero de 2024. Si existe alguna investigación más reciente o aportes adicionales de Jorge la Rosa, es importante considerarlos para obtener una visión más completa y actualizada del tema.
A continuación, se abordan los aportes de la implementación de la inteligencia artificial (IA) en el ámbito académico, basándome en la experiencia descrita en el archivo adjunto y en otros estudios relevantes. A continuación, se describen los principales beneficios identificados:
Personalización del aprendizaje: Mediante el uso de IA, se logra adaptar los materiales de aprendizaje y las actividades a las necesidades individuales de los estudiantes, mejorando así la comprensión y el rendimiento académico. Al recopilar y analizar datos sobre el progreso y las dificultades de cada estudiante, se pueden ofrecer recomendaciones y retroalimentación específicas que impulsen el aprendizaje de manera efectiva.
Automatización de tareas: La IA automatiza tareas administrativas y repetitivas, como la corrección de exámenes, la gestión de calificaciones y la generación de informes. Esto permite ahorrar tiempo a los docentes, quienes pueden enfocarse en actividades más relevantes, como la planificación de clases, el diseño de materiales educativos y la interacción directa con los estudiantes. La automatización también mejora la eficiencia y la precisión en la realización de estas tareas.
Mejora de la retroalimentación: Gracias a la IA, se puede proporcionar retroalimentación rápida y detallada a los estudiantes, tanto en la evaluación de exámenes como en la revisión de trabajos o actividades. Esta retroalimentación automatizada incluye comentarios
específicos, sugerencias de mejora e incluso explicaciones adicionales para facilitar el aprendizaje. Los estudiantes reciben información inmediata sobre su desempeño, lo que les brinda la oportunidad de corregir errores y mejorar sus habilidades.
Fomento de habilidades del siglo XXI: La implementación de la IA en el ámbito académico contribuye al desarrollo de habilidades del siglo XXI, como el pensamiento crítico, la resolución de problemas, la colaboración y la comunicación. La interacción con sistemas de IA y el uso de herramientas basadas en esta tecnología proporcionan a los estudiantes escenarios auténticos y desafiantes para practicar estas habilidades fundamentales para su desarrollo personal y profesional futuro.
Acceso a recursos y conocimientos: La IA facilita el acceso a una amplia gama de recursos educativos y conocimientos. A través de sistemas de recomendación inteligentes, los estudiantes pueden recibir sugerencias personalizadas sobre materiales de estudio, lecturas complementarias y recursos en línea relacionados con sus intereses y necesidades específicas. Esto amplía la oferta educativa y promueve el aprendizaje autodirigido.
Lo que se expone en este segmento se exhiben las proyecciones futuras de la implementación de la inteligencia artificial (IA) en el ámbito académico, basándonos en la experiencia descrita en el archivo adjunto y en las tendencias actuales en el campo de la educación. Seguidamente, se abordaron las principales proyecciones identificadas:
Mayor personalización del aprendizaje: Se espera que la IA continúe avanzando en su capacidad para personalizar aún más el proceso de aprendizaje. Con el uso de algoritmos de aprendizaje automático y técnicas de análisis de datos cada vez más sofisticadas, la IA podrá adaptar los materiales de estudio, las actividades y las evaluaciones de manera aún más precisa, teniendo en cuenta las características y necesidades individuales de los estudiantes. Esto
permitirá un aprendizaje verdaderamente personalizado y a medida.
Desarrollo de asistentes virtuales: Se prevé que los asistentes virtuales basados en IA se conviertan en una herramienta común en el ámbito académico. Estos asistentes tendrán la capacidad de responder preguntas de los estudiantes, proporcionar explicaciones adicionales, ofrecer consejos y recomendaciones personalizadas, y guiar el proceso de aprendizaje de manera interactiva. Los asistentes virtuales podrían estar disponibles tanto en entornos en línea como en aulas físicas, brindando apoyo adicional a los estudiantes y a los docentes.
Integración de la realidad aumentada y la realidad virtual: La IA puede combinarse con tecnologías emergentes, como la realidad aumentada (RA) y la realidad virtual (RV), para crear experiencias de aprendizaje inmersivas y enriquecedoras. La RA y la RV pueden proporcionar entornos simulados y visualmente atractivos que permiten a los estudiantes interactuar con conceptos abstractos de manera más tangible y práctica. La IA puede potenciar estas tecnologías al adaptar y personalizar la experiencia de aprendizaje según las necesidades individuales de cada estudiante.
Mejor detección de emociones y retroalimentación emocional: La IA tiene el potencial de mejorar la detección y el análisis de las emociones de los estudiantes durante el proceso de aprendizaje. Esto permitiría a los sistemas de IA adaptar la retroalimentación y las estrategias de enseñanza en función de las emociones detectadas, como la frustración, el aburrimiento o el interés. La retroalimentación emocional puede ayudar a los estudiantes a mantener la motivación y a superar las dificultades emocionales que puedan surgir durante el aprendizaje.
Énfasis en la ética y la responsabilidad: A medida que la IA se integre cada vez más en el ámbito académico, se espera un mayor enfoque en cuestiones éticas y de responsabilidad. Es importante garantizar la transparencia y la explicabilidad de los algoritmos de IA utilizados en la educación, así como abordar posibles sesgos y discriminación en los
sistemas de IA. Además, se requerirá una reflexión continua sobre el equilibrio entre la automatización y la interacción humana en la educación.
Esta investigación autoetnográfica tuvo como propósito central sistematizar y analizar mi experiencia personal como docente universitario al incorporar herramientas de inteligencia artificial (IA) en mis prácticas pedagógicas durante el período 2022-2024. Las variables clave examinadas fueron las motivaciones iniciales, aprendizajes adquiridos, obstáculos y desafíos enfrentados, dilemas éticos emergentes y proyecciones sobre los roles futuros de la IA en educación superior.
En cuanto a las motivaciones, si bien inicialmente buscaba optimizar mi eficiencia en tareas docentes, el proceso reveló una motivación más profunda por mantenerme actualizado ante las disrupciones tecnológicas y desarrollar en mis estudiantes habilidades de pensamiento crítico y creatividad al interactuar con la IA. Respecto a los aprendizajes, destaca la adquisición de una alfabetización integral en IA que implicó no solo apropiación tecnológica, sino también un replanteamiento de mi rol docente hacia un perfil más de curador, facilitador y socio cognitivo colaborando con los modelos de IA. Un aprendizaje inesperado fue el desarrollo de habilidades muy específicas como formular instrucciones precisas, evaluar críticamente los outputs y gestionar riesgos como el plagio.
En cuanto a obstáculos, la falta de programas formales de capacitación docente en IA fue un desafío importante, teniendo que aprender de manera autodidacta y por ensayo-error. Aunque inesperado, también hubo resistencias y escepticismo inicial de algunos colegas que percibían la IA como una amenaza para los profesores. Respecto a dilemas éticos, surgieron interrogantes profundas sobre los límites de la autoría y originalidad al permitir que estudiantes
"co-crearan" trabajos con asistentes de IA. Asimismo, preocupaciones en torno a la equidad, al riesgo de profundizar brechas si no todos tenían igual acceso a estas tecnologías. Cuestiones sobre responsabilidad ante outputs dañinos, así como los límites y riesgos de la creciente autonomía de los sistemas de IA en educación.
En cuanto a proyecciones futuras, los hallazgos apuntan a que la IA podría asumir roles tanto de socio cognitivo brindando tutoría e instrucción personalizada, como de herramienta para expresiones creativas potenciando las capacidades de los estudiantes. Pero, sobre todo, se vislumbra a la IA como un motor de innovación pedagógica que nos forzará a repensar y reinventar los modelos educativos tradicionales. Una fortaleza clave del enfoque autoetnográfico utilizado fue permitirme examinar esta compleja inserción de la IA desde una perspectiva situada, profundizando en mis vivencias, aprendizajes y dilemas concretos de manera contextualizada. Sin embargo, una limitación es que, al tratarse de una narrativa personal, los hallazgos no son generalizables sino más bien transferibles a otros contextos similares.
Como líneas de trabajo futuro, se requiere investigación adicional de corte colaborativo donde múltiples docentes de distintas disciplinas y niveles educativos sistematicen experiencias para identificar patrones, mejores prácticas y desafíos comunes al incorporar la IA en diversos entornos pedagógicos. Asimismo, se deben impulsar estudios centrados en percepción y experiencias de estudiantes para comprender sus necesidades, inquietudes y visiones sobre estas tecnologías disruptivas.
Un reto crucial pendiente es desarrollar marcos ético-normativos y políticas institucionales que regulen el uso responsable de la IA en educación, preservando principios como equidad, privacidad, transparencia y cuidando de no perpetuar sesgos y discriminación. Esto demandará un diálogo plural con participación de todas las partes involucradas. Sólo un abordaje interdisciplinario e inclusivo permitirá aprovechar el máximo potencial transformador de la IA, mientras se mitigan sus riesgos asociados en el contexto educativo.
Chang, H. (2016). Autoethnography in health research: Growing pains? Qualitative Health Research, 26(4), 443–451. https://doi.org/10.1177/1049732315627432
Chaturvedi, I., Cambria, E. y Welsch, R. (2023). Simulaciones didácticas apoyadas en Inteligencia Artificial en el mundo real. Ciencias de la Educación. https://doi.org/10.3390/educsci13020187
Ellis, C., Adams, T. E., & Bochner, A. P. (2011). Autoethnography: An Overview. Historical Social Research / Historische Sozialforschung, 36(4 (138)), 273–290. http://www.jstor.org/stable/23032294
Ellis, Carolyn y BOCHNER, Arthur P. (2006). Analizando la autoetnografía analítica: Una autopsia.
Journal of Contemporary Ethnography, 35(4), 429-449.
Fjeld, J., Achten, N., Hilligoss, H., Nagy, A., & Madhu Srikumar. (2020). Principled Artificial Intelligence: Mapping Consensus in Ethical and Rights-Based Approaches to Principles for AI. Social Science Research Network. https://doi.org/10.2139/ssrn.3518482
Hernández, F., Sancho, J. M., Creus, A., y Montané, A. (2010). Becoming university scholars: Inside professional autoethnographies. Journal of Research Practice, 6(1), 1-15.
La Rosa, J. (2010). Autobiografía y sistematización de experiencias: una propuesta metodológica.
Revista de Investigación Social, 8(14), 295-308.
La Rosa, J. (2010). La experiencia y la investigación educativa. In Investigación cualitativa: Epistemologías, metodologías y aplicaciones (pp. 127-154). Editorial Digital UNLP.
Manuel, L., Antonio, J., & Josefina, M. (2024). Proceso de evaluación virtual de los aprendizajes en el área de las matemáticas. Revista Científica UIsrael, 11(1), 83–98. https://doi.org/10.35290/rcui.v11n1.2023.994
Roman-Acosta, D., Rodríguez Torres, E., Baquedano Montoya, M. B., López Zavala, L. C., & Pérez Gamboa, A. J. (2024). ChatGPT y su uso para perfeccionar la escritura
académica en educandos de posgrado. Praxis Pedagógica, 24(36), 53–75. Recuperado a partir de https://revistas.uniminuto.edu/index.php/praxis/a
Strauss, A., & Corbin, J. (2002). Bases de la investigación cualitativa. Técnicas y procedimientos para desarrollar la teoría fundamentada. Medellín: Universidad de Antioquia.
Luis José Gómez Loero, obtuvo título como Técnico Superior en Relaciones Industriales en el Instituto Universitario de Tecnología “Rodolfo Loero Arismendi” (1995). Licenciatura en Administración, Mención: Administración de Recursos Humanos en la Universidad Nacional Experimental Simón Rodríguez (2006). Maestría en Ciencias Administrativas Mención: Gerencia del Talento Humano en la Universidad Nacional Experimental Simón Rodríguez (2016). Maestría en Educación Abierta y a Distancia en la Universidad Nacional Abierta (UNA) (2021), Doctorado en Estudios de la Organización en la Universidad Nacional experimental Simón Rodríguez (2022). Trabajador activo en la Administración Pública Nacional venezolana desde 1996 hasta la presente fecha, con más de 25 años de experiencia en todos los Subsistemas del Área de Gestión Humana. Asesor y creador de contenido académico con la implementación de herramientas de Inteligencia Artificial desde 2022 hasta la presente fecha.
Declaro no tener ningún conflicto de intereses, que puedan haber influido en los resultados obtenidos o las interpretaciones propuestas.
Luis José Gómez Loero: Concepción y diseño del estudio; conceptualización y sistematización de ideas; formulación de objetivos y fundamentos teóricos y metodológicos del tema expuesto. Redacción del manuscrito original; preparación, creación y presentación del trabajo análisis e interpretación de los datos de la investigación, elaboración de versiones previas del manuscrito.