aprendizaje archivos - El blog de Víctor Yepes

¿El fin del profesor? Por qué la IA y los humanos escriben mejor juntos (y qué dice la ciencia al respecto).

En las aulas de hoy se libra una batalla silenciosa. Por un lado, el temor a que la inteligencia artificial (IA) despoje al aprendizaje de su esencia humana y, por otro, la realidad agotadora de los instructores que no disponen de tiempo suficiente para ofrecer retroalimentación detallada sobre cada borrador. Estamos ante una encrucijada: ¿automatizamos la enseñanza o encontramos una forma de que la tecnología nos haga más humanos?

Investigadores de la Universidad de California han arrojado luz sobre este dilema mediante el modelo PAIRR (Peer and AI Review + Reflection). No se trata de una capitulación ante las máquinas, sino de una estrategia centrada en el ser humano que demuestra que la clave no es elegir entre «IA» y «humano», sino potenciar el binomio «IA + humano». Los estudiantes lo tienen claro: no quieren elegir entre el código y el corazón; quieren ambos.

El «combo» ganador: validación y lentes complementarios.

Los datos del estudio (N = 361) son contundentes y desafían la idea de que los jóvenes buscan la automatización como un camino fácil. El 58 % de los estudiantes prefiere recibir retroalimentación combinada de la IA y de sus compañeros, mientras que un rotundo 36 % aún prefiere únicamente la retroalimentación humana. Solo un minúsculo 7 % optaría por recibir comentarios exclusivamente de una IA.

¿Por qué esta preferencia masiva por el modelo híbrido? La ciencia apunta a dos mecanismos psicológicos:

Refuerzo y validación: cuando la IA y un compañero coinciden, el estudiante siente una «reaseguración». El comentario deja de ser una opinión aislada para convertirse en una verdad comprobada.
Perspectivas complementarias: la IA y los humanos miran el texto con lentes distintos. Mientras la IA actúa como un arquitecto de la estructura, los compañeros actúan como lectores sensibles al matiz.

La IA como el entrenador de rúbricas que nunca duerme.

Una de las grandes fortalezas de modelos como ChatGPT es su capacidad para ofrecer estrategias de revisión accionables basadas estrictamente en la rúbrica. Mientras que un compañero puede ser vago en sus sugerencias, la IA destaca por identificar problemas de organización y de flujo con una frialdad técnica que constituye su mayor virtud.

Pero su mayor impacto radica en su disponibilidad. Consideremos el caso de Elizabeth, una estudiante de redacción científica. Para ella, la IA no es un sustituto del profesor, sino un «coach» disponible en los momentos de mayor soledad creativa:

«Me dio la retroalimentación que necesitaba para seguir revisando de inmediato… definitivamente me ayudó a mantenerme comprometida con mis trabajos, incluso a la 1 a. m.».

Esa inmediatez elimina el bloqueo del escritor. En lugar de enfrentarse a una página en blanco mientras espera a la clase del lunes, Elizabeth utiliza la IA para identificar patrones recurrentes, lo que hace que su flujo de trabajo sea mucho más eficiente.

Lo que la IA no puede sentir: el peso de la humanidad.

A pesar de su precisión algorítmica, la IA tiene límites insalvables. El estudio revela un contraste fascinante: la IA suele centrarse en preocupaciones de «alto orden» (la estructura, el esqueleto del argumento), mientras que los humanos aportan la «carne» y el contexto.

Hay tres elementos que la IA simplemente no puede replicar:

Conocimiento contextual: los estudiantes comprenden los desafíos específicos del curso y lo que el profesor realmente valora.
Empatía y tono alentador: un algoritmo no puede motivar a un estudiante que duda de sus capacidades.
Audiencia auténtica: un ser humano reacciona emocionalmente. Elizabeth lo comprobó cuando un compañero le confesó que su texto sobre el cuidado de pacientes sonaba «aterrador» y «desalentador». Esa respuesta subjetiva, vital para la conciencia retórica, es algo que la IA jamás podrá sentir.

De copiar y pegar a la «decisión ejecutiva».

El modelo PAIRR no fomenta la pereza, sino la alfabetización en IA. El objetivo es que el estudiante no acepte ciegamente lo que dice la máquina, sino que ejerza su agencia como escritor. Al verse obligado a comparar dos fuentes de comentarios, el estudiante debe tomar lo que los investigadores llaman una «decisión ejecutiva».

El proceso PAIRR se consolida en cinco pasos críticos:

Borrador: creación de la versión inicial.
Feedback de pares: obtención de la perspectiva humana y emocional.
Feedback de IA: uso de la rúbrica para realizar un análisis técnico y estructural.
Reflexión: análisis comparativo en el que el autor decide a quién creer.
Revisión: ajustes finales basados en el juicio crítico del estudiante.

Cerrando la brecha de equidad.

La IA tiene el potencial de ser un gran nivelador. Para escritores multilingües como Irina, para quien el inglés es su tercer idioma, la IA ofrece un espacio seguro. Irina utiliza la tecnología para pulir la gramática y las normas del inglés académico estándar antes de someterlo a la revisión humana, lo que reduce la intimidación inicial.

Sin embargo, el estudio no ignora los riesgos. Los modelos de lenguaje pueden perpetuar los sesgos lingüísticos de los grupos dominantes. Por eso, el modelo PAIRR es fundamental: en lugar de prohibir la tecnología y permitir que los estudiantes la utilicen a escondidas, los profesores los guían para que aprendan a evaluar el sesgo en lugar de aceptarlo ciegamente.

Conclusión y reflexión final.

El hallazgo más importante de la Universidad de California es que la tecnología no crea entornos de aprendizaje ricos, sino que son los profesores y las relaciones humanas quienes los hacen. La IA es una herramienta «infaliblemente útil», pero su valor solo florece cuando hay un ser humano en el centro que toma las decisiones.

En el mundo laboral del mañana, la habilidad más valiosa no será escribir de forma aislada, sino colaborar con la IA de manera ética, crítica y analítica.

Pregunta de cierre: ¿qué pasaría con la calidad de nuestras ideas si dejáramos de ver la IA como una herramienta de reemplazo y empezáramos a usarla como a un colega que nos obliga a justificar cada una de nuestras decisiones?

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos de este artículo.

The_PAIRR_Model

Referencia:

Sperber, L., MacArthur, M., Minnillo, S., Stillman, N., & Whithaus, C. (2025). Peer and AI Review+ Reflection (PAIRR): A human-centered approach to formative assessment. Computers and Composition, 76, 102921.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Evaluación de la percepción estudiantil sobre la capacidad de la inteligencia artificial para resolver problemas de ingeniería

Dentro del proyecto de innovación docente PROFUNDIA, hemos realizado una investigación cualitativa sobre la percepción de los estudiantes respecto de la capacidad de la inteligencia artificial para resolver problemas de ingeniería. Se realizó mediante una variante de la técnica de «focus group» en una clase de 10 alumnos del Máster Universitario en Ingeniería del Hormigón de la Universitat Politècnica de València. A continuación describimos cómo se realizó la investigación y adelantamos algunas de las conclusiones más interesantes.

La presente investigación tuvo como objetivo analizar cómo perciben los estudiantes universitarios la capacidad de la inteligencia artificial generativa (IAG) para resolver problemas de ingeniería y, en especial, cómo evolucionan dichas percepciones cuando tienen la oportunidad de contrastar las respuestas proporcionadas por la IA con una solución correcta validada por el profesorado.

Para ello, se diseñó una experiencia en dos fases. En la primera, los participantes utilizaron libremente herramientas de inteligencia artificial para resolver un problema de ingeniería cuyo resultado desconocían y, posteriormente, respondieron a un cuestionario de preguntas abiertas. En la segunda fase, una vez facilitada la resolución correcta del problema, los estudiantes compararon ambos resultados y completaron un nuevo cuestionario orientado a identificar posibles cambios en sus opiniones, niveles de confianza y criterios de valoración.

Los resultados muestran que los estudiantes parten de una actitud generalmente favorable hacia la inteligencia artificial. La mayoría considera que estas herramientas son útiles para apoyar el aprendizaje, agilizar los cálculos, estructurar procedimientos o proporcionar orientación inicial en la resolución de problemas técnicos. Sin embargo, incluso antes de conocer la solución correcta, ya se observa una percepción relativamente madura de sus propias limitaciones. Los participantes manifiestan reiteradamente que las respuestas obtenidas deben ser verificadas mediante la normativa técnica, la bibliografía especializada o el propio razonamiento, lo que evidencia una confianza condicionada más que una aceptación acrítica de los resultados generados por la IA.

La comparación posterior con la resolución correcta produjo un efecto significativo de recalibración de la confianza. Los estudiantes comprobaron que la inteligencia artificial era capaz de generar respuestas técnicamente plausibles y bien redactadas, pero no necesariamente correctas desde el punto de vista normativo o metodológico. Esta constatación reforzó la percepción de que la apariencia de rigor técnico no constituye una garantía de validez. Tras la experiencia, las opiniones evolucionaron de una valoración centrada en la utilidad operativa de la herramienta a una visión más crítica, basada en la necesidad de validar sistemáticamente cualquier resultado antes de aceptarlo como correcto.

Uno de los hallazgos más relevantes del estudio es la identificación de la normativa técnica como uno de los ámbitos en los que los estudiantes perciben mayores limitaciones al uso de la inteligencia artificial. Numerosos participantes señalaron que las respuestas generadas no incorporaban adecuadamente los criterios establecidos en las normas aplicables, omitían condicionantes relevantes o utilizaban referencias incorrectas. En consecuencia, la principal fuente de error detectada no se relacionó tanto con la capacidad de cálculo de la herramienta como con su dificultad para interpretar y aplicar correctamente los marcos regulatorios específicos. Esta percepción resulta especialmente relevante en el ámbito de la ingeniería, donde la adecuación normativa constituye un requisito esencial para la validez de cualquier solución técnica.

El análisis también revela una comprensión creciente por parte de los estudiantes del funcionamiento y de las limitaciones inherentes de los sistemas de inteligencia artificial. A medida que reflexionaban sobre los errores detectados, los participantes identificaban fenómenos como la generación de respuestas plausibles sin fundamento suficiente, la tendencia a proporcionar una respuesta incluso cuando la información disponible es insuficiente o la dependencia de fuentes cuya calidad no siempre puede verificarse. Esta toma de conciencia constituye un indicio del desarrollo de competencias de alfabetización en inteligencia artificial y de una comprensión más sofisticada de los riesgos asociados a su uso.

Otro aspecto especialmente significativo es que los estudiantes concluyen prácticamente de manera unánime que el uso eficaz de la inteligencia artificial requiere sólidos conocimientos previos sobre la materia consultada. Lejos de considerar que estas herramientas puedan sustituir el aprendizaje o el criterio profesional, los participantes afirman que la capacidad para detectar errores, formular preguntas adecuadas y validar resultados depende directamente del dominio conceptual del usuario. Desde esta perspectiva, la IA se percibe como una herramienta de apoyo cuyo valor aumenta cuando se utiliza desde una posición de conocimiento y de pensamiento crítico.

En términos educativos, la experiencia pone de manifiesto el potencial formativo de actividades basadas en la comparación entre respuestas generadas por la inteligencia artificial y soluciones correctas validadas por expertos. Este tipo de ejercicios no solo permite evaluar la fiabilidad de la herramienta en contextos específicos, sino que también favorece el desarrollo de competencias fundamentales para el futuro ejercicio profesional, tales como la capacidad de análisis crítico, la verificación de la información, la interpretación normativa y la toma de decisiones fundamentadas.

En conclusión, los resultados indican que la experiencia no conduce a un rechazo de la inteligencia artificial, sino a una comprensión más realista de sus capacidades y limitaciones. Los estudiantes mantienen una valoración positiva de estas herramientas como recurso de apoyo, pero desarrollan simultáneamente una actitud más prudente y reflexiva respecto a su utilización. La principal transformación observada consiste en el paso de una confianza basada en la aparente calidad de las respuestas a una confianza condicionada por la necesidad de validación, de supervisión humana y de juicio profesional. Este cambio puede interpretarse como un indicador de madurez tecnológica y constituye uno de los resultados más relevantes de la investigación.

En esta conversación puedes escuchar cómo hemos realizado esta investigación cualitativa.

El vídeo resume bien las ideas más importantes de este tema.

Referencia:

YEPES-BELLVER, L.; MARTÍNEZ-PAGÁN, P.; YEPES, V. (2026). Impacto de la inteligencia artificial en la formación técnica: aprendizaje profundo, metacognición y transferibilidad profesional. En libro de actas: XII Congreso de Innovación Educativa y Docencia en Red. Valencia, 9-10 de julio de 2026.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Es Turnitin realmente infalible? Cinco verdades incómodas sobre la detección de IA que todo educador debe conocer.

En el panorama actual de la educación superior, la integridad académica se enfrenta a un desafío sin precedentes. La explosión de los modelos de lenguaje extensos (LLM), personificada por ChatGPT —que alcanzó la asombrosa cifra de 100 millones de usuarios en apenas dos meses—, ha sumido a las instituciones en una carrera frenética para detectar el contenido generado por máquinas. Sin embargo, en esta búsqueda de certezas surge una pregunta que todo docente debe hacerse: ¿estamos interpretando correctamente las herramientas en las que confiamos?

Un estudio fundamental de Lucky E. Atamhenwan (2026) arroja luz crítica y necesaria sobre el detector de IA de Turnitin. A través de un análisis riguroso de 81 guiones que mezclaban prosa humana con contenido generado por modelos como ChatGPT (GPT-4o), Copilot, Gemini y Grammarly, Atamhenwan explora una frontera donde chocan la estadística y la pedagogía: ¿qué tan preciso es Turnitin cuando lo humano y lo artificial se entrelazan?

Este estudio investiga la capacidad de Turnitin para identificar el contenido generado por diversas inteligencias artificiales frente al contenido escrito por humanos. El autor analizó ochenta y un documentos con distintos porcentajes de mezcla y descubrió que la herramienta es inconsistente y tiende a fallar cuando el contenido de IA es bajo. Los resultados demuestran que Turnitin solo activa sus alarmas cuando el texto generado por máquinas supera el 15 %, aunque sus puntuaciones rara vez son exactas. Además, la investigación revela que el uso de herramientas de parafraseo puede eludir con éxito la detección, lo que hace que los textos artificiales parezcan humanos. Ante estos desafíos, el autor sugiere la implementación de exámenes presenciales con navegadores bloqueados y la promoción de la cooperación entre instituciones y desarrolladores de tecnología. En definitiva, el artículo advierte que los educadores no deben confiar ciegamente en los porcentajes de detección al tomar decisiones académicas importantes.

1. El «punto ciego» del 15 %: cuando la IA pasa desapercibida.

Una de las realidades más contundentes que revela la investigación es la existencia de un umbral de invisibilidad técnica. El estudio analizó guiones con un 5 % y un 10 % de contenido generado por IA, mezclados con texto humano. En estos niveles, Turnitin no detectó la presencia de IA y mostró un asterisco en su interfaz.

Para el educador, es fundamental comprender que este asterisco no es un error, sino que indica una puntuación inferior al umbral de notificación (menos del 15 %). Si un estudiante utiliza la IA de manera puntual —para ajustar párrafos aislados o pulir transiciones—, la herramienta es esencialmente ciega. Sin embargo, como analista, debo destacar un dato del análisis de regresión del estudio: el valor de R2 de Nagelkerke de 0,825 indica que el 82,5 % de la varianza en los resultados de Turnitin se explica por la presencia real de IA. Esto significa que, aunque Turnitin no sea preciso en cuanto al volumen, si la herramienta marca cualquier cifra superior al 15 %, es casi seguro que hay intervención de un LLM, incluso si el porcentaje indicado es inexacto.

2. La paradoja de la proporción: menos es más (y viceversa).

Quizás el hallazgo más inquietante de Atamhenwan sea la falta de linealidad en las puntuaciones. No existe una relación proporcional directa entre la cantidad de IA presente y lo que informa Turnitin. De hecho, la herramienta incurre en una contradicción sistemática que he denominado «Paradoja de la Proporción»:

Contenido de IA bajo (15-40 %): Turnitin tiende a arrojar puntuaciones exageradamente altas, lo que distorsiona la percepción del uso de IA.
Contenido de IA alto (70-100 %): la herramienta subestima la presencia artificial y arroja puntuaciones consistentemente más bajas de lo que debería.

Esta distorsión es tan marcada que el autor la sintetiza de forma magistral:

«Cuanto menor sea el porcentaje de palabras generadas realmente por un gran modelo de lenguaje (LLM) en un texto, más inexactamente elevada será la puntuación de la IA de Turnitin. Por el contrario, cuanto mayor sea el porcentaje de palabras generadas por un LLM, más inexactamente baja será la puntuación de la IA de Turnitin».

3. El maestro del disfraz: la ironía de ChatGPT frente a Gemini.

Resulta fascinante —y profundamente irónico— que el modelo más popular sea el más difícil de detectar. Aunque Turnitin afirma haber sido entrenado específicamente para detectar los patrones de OpenAI, ChatGPT (GPT-4o) demostró ser el maestro del disfraz en este estudio de 2026.

Turnitin clasificó el contenido de ChatGPT como «escrito por humanos» en 13 de los 20 guiones que probó. La disparidad es alarmante: en los guiones en los que el texto era 100 % generado por ChatGPT, Turnitin apenas detectó un 60 %. En comparación, Gemini de Google mostró resultados mucho más equilibrados, con 9 guiones detectados por encima y 9 por debajo del valor real. Como analista de tecnología, esta diferencia sugiere que, mientras Gemini mantiene patrones lingüísticos que Turnitin identifica con mayor frecuencia, ChatGPT ha evolucionado hacia una sofisticación que incluso elude a los detectores entrenados para vigilarlo.

4. El escudo de la «humanización» y el rastro de OpenAI.

El estudio abordó el «juego del gato y el ratón» entre los detectores y los denominados «humanizadores» de texto, como QuillBot y RyneAI. Los resultados confirman que estas herramientas son armas efectivas para erosionar la integridad académica:

QuillBot logró reducir a 0 % la puntuación de textos generados al 100 % por Copilot. Sin embargo, ante ChatGPT, su efectividad se redujo hasta un 33 %.
RyneAI fue el más eficaz, logrando puntuaciones del 0 % (totalmente humano) en Copilot, Grammarly y Gemini.

No obstante, existe un matiz crítico: RyneAI falló al intentar borrar por completo el rastro de ChatGPT, que Turnitin detectó en un 26 %. Esto demuestra que Turnitin posee una «memoria» específica de los patrones de OpenAI que incluso los algoritmos de parafraseo más avanzados tienen dificultades para neutralizar por completo.

5. La confianza en el cero: el valor de la autoría auténtica.

A pesar de las inconsistencias en el volumen de detección, el estudio de Atamhenwan ofrece una base sólida para la justicia académica: Turnitin confirma con una precisión excepcional la autoría humana auténtica. En todas las pruebas con guiones escritos al 100 % por humanos, la herramienta no mostró puntuaciones atribuibles a la IA.

Esta ausencia de «falsos positivos» en textos puramente humanos es la principal fortaleza de la herramienta. Para un docente, esto simplifica el panorama: una puntuación del 0 % es una señal casi infalible de integridad. La herramienta no inventa fantasmas donde no los hay; su problema no es la calumnia, sino la precisión en la medición de la falta.

Conclusión: hacia una nueva pedagogía de la integridad.

Los datos de Atamhenwan nos obligan a adoptar una regla de oro en la evaluación: la puntuación de Turnitin no debe ser el único criterio, especialmente en el rango del 15 % al 40 %. La recomendación para el docente es clara: si el detector marca un 30 %, el uso real podría ser apenas del 15 %, pero si marca un 80 %, es muy probable que el texto sea 100 % artificial.

Dada la capacidad de los LLM para realizar cualquier tarea escrita, debemos pasar de la «detección» a la «invigilancia». La solución a corto plazo consiste en el uso de navegadores bloqueados (lockdown browsers) para evaluaciones sumativas controladas, en las que el estudiante debe demostrar su conocimiento en tiempo real. A largo plazo, se requiere una cooperación entre varios actores que permita a los educadores acceder a las fuentes originales de los contenidos detectados.

En última instancia, debemos reflexionar: en un mundo en el que la IA puede «humanizarse» con un clic, ¿deberíamos centrarnos menos en la vigilancia tecnológica y más en diseñar evaluaciones que exijan una demostración auténtica del pensamiento crítico?

En esta conversación puedes escuchar las ideas más interesantes de este artículo.

Este vídeo resume bien los aspectos más importantes tratados.

Referencia:

Atamhenwan, L.E. How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin?. Educ Inf Technol (2026). https://doi.org/10.1007/s10639-026-14049-2

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

El «sesgo hacia el error»: por qué el futuro de la ingeniería depende de auditar la IA (y no solo de usarla)

La educación técnica atraviesa una tensión paradójica que amenaza los cimientos del pensamiento crítico. En las asignaturas de modelización y diseño estructural de los grados y másteres en Ingeniería de Caminos y Civil, la inteligencia artificial generativa (IAG) ha pasado de ser una novedad a convertirse en un estándar operativo. Sin embargo, esta adopción generalizada esconde un riesgo sistémico: el «desempleo cognitivo».

Datos recientes de la Universitat Politècnica de València (UPV) y la Universidad Politécnica de Cartagena (UPCT) revelan que, si bien el 60 % del alumnado utiliza estas herramientas, solo el 25 % revisa críticamente los resultados. La solución no consiste en imponer restricciones, sino en diseñar una arquitectura pedagógica que integre la IA como un «socio intelectual» bajo el enfoque de mindtools (Jonassen et al., 1999) para potenciar y no sustituir el pensamiento de orden superior.

Ante este desafío nace el proyecto PROFUNDIA. Nuestra misión es clara: transformar la IA de un «atajo peligroso» en un motor de aprendizaje profundo que refuerce la autonomía del futuro ingeniero.

El éxito no radica en la tecnología, sino en la arquitectura de la auditoría humana.

El hallazgo central de la investigación realizada sobre una muestra de 100 estudiantes subraya que la utilidad percibida de la IA no es una propiedad intrínseca del software, sino del proceso de supervisión. La resolución de problemas de alta responsabilidad física, en los que el error tiene consecuencias estructurales, depende de la capacidad de reformularlos y de una supervisión crítica.

En este nuevo paradigma, el valor profesional se desplaza del «saber hacer» procedimental —que puede automatizarse— al «saber validar». El éxito pedagógico está hoy condicionado por la arquitectura del proceso cognitivo de auditoría, en el que el ingeniero actúa como filtro final de la veracidad técnica.

«Los resultados obtenidos mediante análisis estadísticos multivariantes demuestran que el éxito no reside en el mero uso de la tecnología, sino en el proceso cognitivo de auditoría humana».

Ingeniería de la pregunta: el arte de iterar.

Uno de los pilares de la interacción estratégica es la «ingeniería de la pregunta». No se trata de un simple comando de texto, sino de un ejercicio de abstracción en el que el estudiante debe traducir variables estructurales y conceptos físicos en instrucciones lógicas. El estudio destaca que la clave de esta habilidad transversal no radica en el primer intento, sino en la capacidad de iterar.

El ítem 2 del estudio («Las iteraciones de los mensajes de texto me ayudaron a mejorar progresivamente la calidad») obtuvo una media de 4,11, lo que confirma que la calidad técnica surge de un diálogo dialéctico con la máquina. Este proceso de refinamiento constante combate la «complacencia tecnológica» y garantiza que el usuario mantenga el control sobre el resultado final.

El valor disruptivo de buscar deliberadamente el error.

La innovación docente más potente consiste en utilizar la IA con un «sesgo deliberado hacia el error». En lugar de aceptar la respuesta de la IA como una verdad absoluta, el flujo de trabajo propuesto obliga al alumnado a realizar un «contraste crítico»: primero, deben resolver el problema manualmente y, después, interpelar a la IA para buscar activamente la «alucinación» o el fallo técnico.

Este enfoque es crucial desde el punto de vista estadístico. El ítem 4 (comparación entre la resolución manual y la IA) se identificó, mediante modelos de regresión múltiple, como uno de los tres predictores clave del éxito. Al buscar el fallo, el estudiante activa una reflexión metacognitiva, aprende a pensar sobre cómo piensa y fortalece su criterio técnico al corregir el algoritmo.

De las aulas al mercado laboral: la transferibilidad de la autorregulación.

La relevancia de esta formación trasciende las calificaciones. Los datos son contundentes: la pregunta 9 («Las habilidades se pueden aplicar en contextos profesionales») obtuvo la puntuación más alta del cuestionario, 4,24. Los futuros ingenieros son conscientes de que la supervisión experta de sistemas automatizados ya es una competencia esencial en la industria moderna.

La solidez de este modelo se demuestra por su capacidad explicativa, ya que la valoración global de la IA (punto 10) se explica en un 37,7 % (R² corregida) por la combinación de tres factores: la capacidad de reformular el problema (punto 1), la detección de errores por contraste (punto 4) y la percepción de la transferibilidad profesional (punto 9).

«Esta metodología favorece la adquisición de competencias esenciales en entornos profesionales donde se requiere la supervisión experta de sistemas automatizados, y prepara al ingeniero para entornos de alta complejidad».

Conclusión: ingenieros de decisiones, no usuarios de software.

La inteligencia artificial, lejos de mermar el rigor científico, puede ser el mayor catalizador del aprendizaje profundo si se gestiona desde la «autorregulación crítica» (componente 1 del análisis factorial). El futuro de la ingeniería no pertenece a quienes saben usar herramientas, sino a quienes son capaces de enseñar, corregir y auditar a la máquina según criterios científicos y normativos.

En última instancia, nos enfrentamos a una pregunta que definirá la resiliencia de la profesión ante la obsolescencia tecnológica: en un contexto de automatización creciente, ¿estamos formando usuarios de software o educando a los ingenieros de las decisiones del mañana? La responsabilidad ética del ingeniero sigue siendo la última instancia de decisión, y esa carga no puede ni debe asumirla ningún algoritmo.

En esta conversación puedes escuchar las ideas más interesantes sobre el tema.

En este vídeo se resumen bien los conceptos vistos.

The_Engineering_AI_Blueprint

Referencia:

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

De la prohibición al aprendizaje profundo: cómo la IA está transformando la formación de los futuros ingenieros.

Introducción: El dilema del aula moderna.

En ingeniería civil, un error de cálculo no es solo una errata en un examen, sino una cuestión de seguridad pública y de responsabilidad ética. Por ello, el panorama actual resulta alarmante: mientras que más del 60 % de los estudiantes reconoce utilizar inteligencia artificial generativa (IAG) en sus tareas, apenas un 25 % realiza una revisión crítica de los resultados.

Esta dependencia acrítica amenaza con diluir el rigor técnico necesario para diseñar infraestructuras seguras. Ante este desafío nace el proyecto PROFUNDIA, liderado por el catedrático Víctor Yepes en la Universitat Politècnica de València (UPV), en colaboración con la Universidad Politécnica de Cartagena (UPCT). Nuestra misión es clara: transformar la IA de un «atajo peligroso» en un motor de aprendizaje profundo que refuerce la autonomía del futuro ingeniero.

El fin de la era de la prohibición: de «No usar» a «Usar para pensar».

Durante los últimos años, la respuesta académica dominante ha sido la restricción. Sin embargo, en un entorno profesional de alta exigencia, prohibir la tecnología es una batalla perdida que solo agrava la brecha entre el aula y la realidad. PROFUNDIA propone un cambio de paradigma radical: integrar la IA como una «herramienta cognitiva» o «mindtool», bajo la filosofía constructivista de Jonassen.

No buscamos que el estudiante aprenda «de» la tecnología como si esta fuera un oráculo, sino «con» la tecnología. Al utilizar la IA como mediadora, el alumno no se limita a recibir datos, sino que debe «luchar» con la herramienta para construir un modelo mental sólido de los fenómenos físicos. En ingeniería, el objetivo no es obtener el número final, sino comprender el comportamiento estructural que ese número representa.

«Enseñar» a la IA para aprender ingeniería.

El corazón de nuestra metodología se basa en un concepto disruptivo: el «sesgo deliberado hacia el error». En asignaturas críticas como «Modelos predictivos de estructuras de hormigón» o «Resistencia de materiales», hemos observado que la IA tiende a «alucinar» al proponer hipótesis de partida o al aplicar normativas específicas. En lugar de considerar esto como una limitación, lo convertimos en nuestra principal ventaja pedagógica.

Obligamos al estudiante a enfrentarse a las respuestas de la IA no como verdades absolutas, sino como borradores que deben ser auditados. Para corregir los cálculos de la máquina en una viga o en un pórtico, el alumno primero debe dominar la teoría de forma exhaustiva.

«En PROFUNDIA, el estudiante invierte los roles tradicionales: deja de ser un receptor pasivo para convertirse en el «maestro» de la IA, validando, cuestionando y corrigiendo la tecnología con su propio juicio técnico y rigor científico».

El ciclo del «prompt crítico»: reflexión metacognitiva.

Para estructurar este proceso, hemos diseñado una secuencia metodológica (basada en la Figura 2 del proyecto) que obliga al estudiante a reflexionar metacognitivamente de manera constante.

Formulación del prompt: el alumno debe traducir un problema de estructuras metálicas o de hormigón a un lenguaje técnico preciso, definiendo cargas, luces y condiciones de contorno.
Comparación crítica: se contrasta el resultado de la IA con modelos analíticos propios y con programas informáticos profesionales de cálculo.
Detección de errores y reformulación: aquí es donde ocurre el aprendizaje real. El estudiante debe identificar si el error de la IA se debe a un cálculo matemático incorrecto, a una hipótesis física errónea o a un desconocimiento del Código Estructural. Tras el análisis, debe guiar a la IA, mediante nuevos mensajes, hacia la solución correcta.
Justificación técnica: el paso final consiste en validar la solución según los criterios científicos y normativos vigentes, a fin de garantizar que la respuesta no solo «parezca» correcta, sino que también sea técnicamente viable y segura.

Más allá del aula: preparación para el mundo real.

La colaboración entre la UPV y la UPCT (con los profesores Antonio Tomás y Pedro Martínez-Pagán) permite validar este modelo en diversos contextos, desde los grados hasta los másteres. El objetivo no es simplemente aprobar la asignatura de Estructuras Metálicas, sino desarrollar el criterio técnico experto que hoy demandan las empresas de ingeniería.

En el ejercicio profesional, el ingeniero es el último responsable de la empresa que avala un proyecto. PROFUNDIA prepara a los egresados para que puedan actuar como auditores tecnológicos, capaces de aprovechar la eficiencia de la IA sin comprometer nunca la integridad estructural ni la seguridad de las personas.

Un entorno de aprendizaje enriquecido.

La innovación de este proyecto no radica en el software (ChatGPT es solo una herramienta), sino en la redefinición metodológica del entorno de aprendizaje. Hemos transformado el aula en un laboratorio de interacción social y psicológica en el que la IA actúa como un «agente activo» dentro del equipo de trabajo. Esta dinámica fomenta una mayor implicación del alumnado, que percibe el aprendizaje no como una carga, sino como el desarrollo de la maestría en las herramientas que definirán su futuro.

Conclusión: Hacia una ingeniería de pensamiento profundo.

La visión de PROFUNDIA consiste en formar ingenieros que lideren la tecnología en lugar de depender de ella. La eficiencia de un algoritmo es una herramienta poderosa, pero carece de la comprensión profunda y de la responsabilidad ética que definen nuestra profesión.

Al final, cuando nos enfrentamos al diseño de un puente o una infraestructura de gran envergadura, debemos plantearnos una pregunta provocadora: en un futuro en el que las máquinas pueden realizar cálculos en milisegundos, ¿seremos capaces de formar a ingenieros con la suficiente intuición y criterio técnico como para negarnos a firmar un proyecto que la IA considera «eficiente», pero que el juicio humano reconoce como un riesgo de colapso? El futuro de nuestra seguridad depende de esa capacidad crítica.

En esta conversación puedes escuchar las ideas más interesantes de este proyecto.

Este vídeo resume bien el proyecto PROFUNDIA.

PROFUNDIA_Structural_Engineering_AI

Referencias:

Blight, T., Martínez-Pagán, P., Roschier, L., Boulet, D., Yepes-Bellver, L., & Yepes, V. (2025). Innovative approach of nomography application into an engineering educational context. PloS one, 20(2), e0315426.

Castro-Aristizabal, G., Acosta-Ortega, F., & Moreno-Charris, A. V. (2024). Los entornos de aprendizaje y el éxito escolar en Latinoamérica. Lecturas de Economía, (101), 7-46.

Hadgraft, R. G., & Kolmos, A. (2020). Emerging learning environments in engineering education. Australasian Journal of Engineering Education, 25(1), 3-16.

Jiang, N., Zhou, W., Hasanzadeh, S., & Duffy Ph D, V. G. (2025). Application of Generative AI in Civil Engineering Education: A Systematic Review of Current Research and Future Directions. In CIB Conferences (Vol. 1, No. 1, p. 306).

Jonassen, D. H., Peck, K. L., & Wilson, B. G. (1999). Learning with technology: A constructivist perspective. Columbus, OH: Merrill/Prentice-Hall.

Liao, W., Lu, X., Fei, Y., Gu, Y., & Huang, Y. (2024). Generative AI design for building structures. Automation in Construction, 157, 105187.

Navarro, I. J., Marti, J. V., & Yepes, V. (2023). Evaluation of Higher Education Students’ Critical Thinking Skills on Sustainability. International Journal of Engineering Education, 39(3), 592-603.

Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—a review. Architecture, 4(4), 877-902.

Pellicer, E., Yepes, V., Ortega, A. J., & Carrión, A. (2017). Market demands on construction management: View from graduate students. Journal of Professional Issues in Engineering Education and Practice, 143(4), 04017005.

Perkins, D., & Unger, C. (1999). La enseñanza para la comprensión. Argentina: Paidós.

Torres-Machí, C., Carrión, A., Yepes, V., & Pellicer, E. (2013). Employability of graduate students in construction management. Journal of Professional Issues in Engineering Education and Practice, 139(2), 163-170.

Xu, G., & Guo, T. (2025). Advances in AI-powered civil engineering throughout the entire lifecycle. Advances in Structural Engineering, 13694332241307721.

Zhou, Z., Tian, Q., Alcalá, J., & Yepes, V. (2025). Research on the coupling of talent cultivation and reform practice of higher education in architecture. Computers and Education Open, 100268.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Redes Neuronales Artificiales: El cerebro digital que imita la inteligencia humana

El cerebro biológico representa la cúspide de la eficiencia evolutiva. Es un sistema capaz de procesar información con ruido, manejar datos inconsistentes y, lo más sorprendente, mantener su integridad operativa a pesar de la pérdida constante de unidades individuales.

En el auge de la inteligencia artificial moderna, las Redes Neuronales Artificiales (ANN) no surgen como meras calculadoras, sino como un espejo de silicio que busca replicar esa genialidad orgánica.

Estas redes no se basan en una programación rígida de causa-efecto, sino que «aprenden» a través de la experiencia y la reconfiguración de sus estados, transformando problemas abstractos en soluciones tangibles.

En otros artículos de este blog ya hemos hablado de este tema:

¿Qué es y para qué sirve una red neuronal artificial?

Redes neuronales aplicadas al diseño multiobjetivo de puentes postesados

Redes neuronales y metamodelos Kriging para la optimización de la energía en puentes losa pretensados

La Paradoja de la velocidad: neuronas biológicas frente a circuitos de silicio

Existe una disparidad fascinante entre el hardware biológico y el artificial. Una neurona biológica es intrínsecamente lenta, operando en una escala de milisegundos (10^-3 s). En contraste, los circuitos eléctricos de silicio son un millón de veces más veloces, alcanzando los nanosegundos (10^-9 s). Sin embargo, el cerebro humano aventaja a la máquina mediante un procesamiento masivamente paralelo, orquestado por aproximadamente 10¹¹ neuronas y una red de 10.000 conexiones por cada una de ellas.

Para que las redes artificiales alcancen una efectividad real en la aproximación de funciones complejas, deben adoptar esta arquitectura paralela. Como especialistas, valoramos una lección fundamental de la biología: la robustez ante el fallo. En la naturaleza, «el cerebro es robusto; pueden morir neuronas sin que el rendimiento global se vea afectado«. Las redes artificiales aspiran a esta misma resiliencia, en la que la inteligencia no depende de un solo nodo, sino de la colectividad.

El conocimiento es un estado, no un lugar

En la computación tradicional, la información se almacena en una dirección de memoria específica, como un libro en un estante. En una red neuronal, el conocimiento es un concepto etéreo que reside en la interacción concertada entre sus componentes. No existe un lugar físico para un «dato»; el aprendizaje está codificado en la arquitectura y en la fuerza de las conexiones.

Este sistema se inspira en tres componentes fundamentales que definen el flujo de información:

Dendritas (receptores): Fibras nerviosas que actúan como canales de entrada, captando señales de neuronas adyacentes para cargar el soma con un potencial eléctrico.
Soma (procesador): El núcleo celular que integra y suma todas las señales recibidas. En IA, esto se traduce en multiplicadores (pesos) y en sumadores.
Axón (transmisor): Una fibra cuya longitud varía de milímetros a varios metros, encargada de conducir el impulso si se supera un umbral de activación.

Un detalle técnico que suele pasar desapercibido es que la longitud de la sinapsis —el punto de contacto entre neuronas— está determinada por la complejidad del proceso químico que asegura la función de la red. En la IA, emulamos esto ajustando los «pesos» para fortalecer o inhibir señales, lo que permite que el sistema se autoorganice.

La paradoja del aprendizaje: cuando la memorización asfixia la inteligencia

Aprender en exceso es, a menudo, el camino más rápido hacia el fracaso. Este fenómeno, conocido como overfitting o sobreaprendizaje, ocurre cuando la red memoriza los datos de entrenamiento —incluyendo su ruido y errores— en lugar de comprender el patrón subyacente. Una red «sobreentrenada» es incapaz de generalizar ante datos nuevos, lo que la convierte en una herramienta inútil para la predicción real.

La solución de arquitectura más elegante es el early-stopping (parada temprana). Este proceso monitorea el error en un conjunto de validación y detiene el entrenamiento en el momento exacto en que el error comienza a aumentar, antes de que la red se vuelva demasiado rígida. Para garantizar el éxito, aplicamos la regla del 80/10/10:

80 % de entrenamiento: para ajustar pesos y sesgos.
10 % de validación: para detectar el punto óptimo de detención.
10 % de test: una evaluación final totalmente «ciega» para verificar la capacidad real del modelo.

La Navaja de Ockham en la IA: El poder de «podar» la red

El principio de parsimonia sugiere que la explicación más simple suele ser la más acertada. En el diseño de redes, esto se traduce en redes podadas (pruned networks). Mediante la desconexión de neuronas redundantes o la eliminación de variables de entrada irrelevantes, logramos modelos más compactos y robustos.

Para guiar este proceso, utilizamos dos métricas críticas en la función de coste:

MSE (Mean Squared Error): Su propósito conceptual es penalizar las diferencias entre el valor real y el calculado, elevándolas al cuadrado para dar prioridad matemática a la eliminación de los errores más grandes.
PSE (Predicted Squared Error): Mientras que el MSE mide el error presente, el PSE penaliza activamente el número de parámetros de la red. Su fórmula, PSE = MSE \cdot (1 + 2p/(N-p)), asegura que no estemos añadiendo complejidad innecesaria, castigando los modelos con demasiados grados de libertad en relación con el número de datos disponibles.

El secreto está en la escala: por qué la estandarización es crucial

Aunque las redes neuronales son aproximadores universales, su entrenamiento puede resultar exasperantemente lento o fallar si no se cuida la escala de los datos. Los pesos de una red se inicializan con valores aleatorios pequeños; por ello, si las entradas son masivas, se producen errores iniciales gigantescos que saturan el sistema. Estandarizar los datos en rangos similares —como [-1, 1]— permite que el algoritmo de optimización converja con rapidez.

Además, si una variable presenta una distribución no lineal (como la exponencial), es imperativo linearizarla mediante logaritmos para facilitar el aprendizaje. No obstante, el mayor reto del arquitecto de IA es evitar los mínimos locales: soluciones subóptimas que parecen el fin del camino, pero no son el mejor resultado posible. La inicialización aleatoria y la estandarización son, en última instancia, estrategias para que la red «explore» el paisaje de soluciones sin quedar atrapada en los baches del error.

Conclusión: El laboratorio virtual y el futuro del diseño

Una red neuronal bien entrenada se convierte en un laboratorio virtual. En ingeniería, esto permite generar curvas de diseño de alta precisión; por ejemplo, podemos predecir el comportamiento del «rebase» de una estructura hidráulica al variar la «cota de coronación» mientras mantenemos constantes el resto de las variables. Esto nos ofrece una visión profunda de problemas complejos sin los costes de la experimentación física.

Sin embargo, nos enfrentamos a la naturaleza de «caja negra» de estos sistemas. Obtenemos soluciones perfectas, pero la lógica exacta tras miles de conexiones numéricas permanece oculta. Como sociedad tecnológica, nos acercamos a un umbral decisivo: ¿Estamos dispuestos a confiar plenamente en soluciones óptimas aunque no comprendamos exactamente el proceso intelectual que la red siguió para alcanzarlas? El futuro del diseño no solo depende de la potencia de cálculo, sino también de nuestra capacidad para convivir con esta nueva forma de inteligencia opaca pero infalible.

En esta conversación podéis escuchar las ideas más interesantes sobre estas redes neuronales.

Este vídeo resume bien los conceptos más importantes.

The_Neural_Blueprint

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Es el fin de la «obra original»? Críticas sobre el uso de la inteligencia artificial en la universidad

La irrupción de la inteligencia artificial generativa (GenAI) ha hecho saltar por los aires el «contrato de confianza» que sustentaba la evaluación académica. Lo que antes era un acuerdo implícito —que el estudiante era el único autor de cada palabra— hoy se ha transformado en una arquitectura de la sospecha. Pero ¿qué sucede cuando examinamos en profundidad esta crisis?

Un estudio en profundidad de las políticas de las veinte mejores universidades del mundo revela que no se trata solo de ajustar las normas, sino de una lucha desesperada por rescatar una noción de autoría que quizá ya no existe (Luo, 2024).

Como profesor universitario, observo con preocupación cómo la academia no reacciona con pedagogía, sino con una vigilancia que fosiliza el aprendizaje. A continuación, presento cinco revelaciones críticas sobre cómo la universidad está gestionando —o malinterpretando— este cambio de era.

1. La «originalidad» como mecanismo de vigilancia (Marco WPR).

En el marco analítico de Carol Bacchi, What’s the problem represented to be (WPR), descubrimos que las universidades no solo responden a un problema, sino que también lo están creando. Al analizar las políticas de las instituciones de élite, el estudio de Jiahui Luo revela que el «problema» se ha representado casi exclusivamente como la pérdida de la autoría original.

Esta visión se aferra al mito del «genio solitario en el ático» (Johnson-Eilola y Selber), esa idea romántica y obsoleta que sostiene que el trabajo intelectual solo es valioso si se realiza en un vacío social y tecnológico. Al definir la IA como una «ayuda externa» prohibida, las universidades reducen la educación a un ejercicio de detección de fraude. Como señala una de las políticas analizadas:

«Los estudiantes deben ser autores de su propio trabajo. El contenido producido por plataformas de IA, como ChatGPT, no representa el trabajo original del estudiante, por lo que se consideraría una forma de mala conducta académica».

2. El error de la analogía del «escritor fantasma».

Algunas de las universidades analizadas por Luo (2024) han cometido un error fundamental de categoría: equiparan el uso de la IA generativa con el ghostwriting o con la ayuda de un tercero. Esta es una falla de imaginación tecnológica. La IA no es un agente externo, sino una prótesis cognitiva integrada en el flujo de pensamiento contemporáneo.

Tratar a una herramienta como si fuera una persona es ignorar la realidad digital del siglo XXI. El análisis de Luo muestra que las políticas universitarias suelen agrupar los problemas en seis categorías que revelan una mentalidad de «vigilancia primero».

Mala conducta académica: el pánico ante la entrega de trabajos ajenos.
Diseño de evaluación: la urgencia de crear tareas que la IA no pueda «resolver».
Limitaciones tecnológicas: desconfianza en la veracidad de los datos.
Equidad: el riesgo de que se creen brechas entre quienes pueden permitirse una IA avanzada y quienes no.
Políticas y directrices: la falta de claridad por parte de los docentes.
Capacitación y apoyo: la necesidad de una alfabetización urgente.

3. El silencio crítico y la «era del posplagio».

Lo más inquietante de estas políticas es lo que callan. Existe un «silencio crítico» sobre el significado de la originalidad en la actualidad. Estamos entrando de lleno en lo que la investigadora Sarah Eaton denomina la era del posplagio. En este nuevo paradigma, la frontera entre lo humano y lo artificial no solo es difusa, sino también irrelevante.

El conocimiento actual es, por naturaleza, distribuido y colaborativo. Al ignorar la evolución del concepto de originalidad, las universidades se desconectan de la realidad. Si el contenido de la IA es «remezclado y reelaborado» por un ser humano, ¿dónde termina la máquina y dónde empieza el autor? Mantener la exigencia de una autoría analógica en un mundo de inteligencia híbrida es una receta para la irrelevancia académica.

4. El efecto secundario: de docentes a policías.

Siguiendo el análisis de los efectos de las políticas (pregunta 5 del marco WPR), se observa una erosión pedagógica alarmante. Los profesores están siendo desplazados de su papel de mentores para convertirse en «guardianes» o vigilantes de la frontera.

Este enfoque de patrullaje tiene consecuencias reales: los estudiantes son tratados como sospechosos desde el principio. Esto genera una cultura de desconfianza en la que el alumno se vuelve reacio al uso legítimo de las herramientas tecnológicas por miedo a la estigmatización. Si el sistema está diseñado para «atrapar» al infractor en lugar de implicar al alumno, la relación pedagógica muere.

5. Hacia la originalidad como espectro y juicio evaluativo.

Debemos desmantelar la dicotomía «humano vs. IA». La propuesta de vanguardia, respaldada por autores como Luo y Chan (2023), consiste en entender la originalidad como un espectro de colaboración. La clave ya no es la producción solitaria de textos, sino el juicio evaluativo: la capacidad del estudiante para criticar, refinar y dar sentido a la información, ya sea de cualquier origen.

Es hora de aceptar una verdad incómoda que las políticas evitan mencionar:

«Podría decirse que los humanos hacemos lo mismo que la IA cuando generamos un texto original: escribimos basándonos en asociaciones que provienen de lo que hemos oído o leído antes de otros humanos».

Para avanzar, necesitamos evaluaciones auténticas, como defensas orales y la transparencia en los procesos, que valoren el pensamiento crítico por encima del producto final.

Conclusión: una pregunta para el futuro.

La universidad se encuentra en una encrucijada: puede evolucionar y liderar la alfabetización en IA o quedarse anclada en el pasado como un tribunal de autoría obsoleto. No podemos seguir exigiendo una originalidad de «genio solitario» en un mundo donde la inteligencia se comparte con las máquinas.

¿Estamos dispuestos a rediseñar la confianza o seguiremos educando a los estudiantes para que finjan una autoría analógica que ya no existe?

En esta conversación puedes escuchar las ideas más interesantes sobre el tema.

Este vídeo resume bien los contenidos de este artículo.

Redefining_Academic_Originality

Referencias:

Bacchi C. Introducing the ‘What’s the Problem Represented to be?’ approach. In: Bletsas A, Beasley C, eds. Engaging with Carol Bacchi: Strategic Interventions and Exchanges. The University of Adelaide Press; 2012:21-24.

Johnson-Eilola, J., & Selber, S. A. (2007). Plagiarism, originality, assemblage. Computers and composition, 24(4), 375-403.

Luo (Jess), J. (2024). A critical review of GenAI policies in higher education assessment: a call to reconsider the “originality” of students’ work. Assessment & Evaluation in Higher Education, 49(5), 651–664. https://doi.org/10.1080/02602938.2024.2309963

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Cómo la realidad aumentada está transformando la formación en ingeniería

La ingeniería civil y la minería han sido históricamente industrias definidas por su naturaleza física y ruda, así como por entornos de difícil acceso. Sin embargo, esta realidad está cambiando gracias a la sofisticación de la realidad aumentada, que permite a los ingenieros en formación visualizar lo invisible, desde los desplazamientos tectónicos más profundos hasta los engranajes internos de un camión de extracción. El desafío es evidente: la formación en entornos de alto riesgo y con maquinaria de coste prohibitivo supone una barrera crítica para la educación técnica tradicional.

Frente a este obstáculo, el estudio de Donaire et al. (2026) supone un hito en la Educación 4.0. Su investigación demuestra que la RA no es solo un accesorio visual, sino un motor que impulsa el rendimiento académico. Al trascender el modelo de sustitución tecnológica y alcanzar una auténtica redefinición pedagógica, esta herramienta permite una inmersión segura que mejora sustancialmente la comprensión de procesos geológicos y mecánicos complejos.

El «punto ciego» de la ingeniería en el mapa tecnológico

Al analizar el panorama de las tecnologías inmersivas mediante estudios bibliométricos (figuras 1 y 2), se descubre algo sorprendente. A pesar de la alta complejidad técnica de la industria, la minería se encuentra en una fase inicial de madurez técnica, con un volumen de publicaciones sobre realidad aumentada (RA) significativamente menor que el de la medicina o de la arquitectura.

Este vacío no se debe a una falta de tecnología, sino a la ausencia de una estructura pedagógica sistemática en las aplicaciones existentes. Mientras otras disciplinas han estandarizado el uso de herramientas inmersivas, la minería presentaba un «punto ciego» metodológico. Esta oportunidad permitió el desarrollo del marco SEBAS, diseñado para dotar de rigor académico a la visualización de equipos y la seguridad operativa.

No se trata de la tecnología, sino del método: el auge del marco SEBAS.

La eficacia de la RA en ingeniería no depende de la novedad del software, sino de su alineación con objetivos pedagógicos claros. El estudio de Donaire et al. propone el marco SEBAS, una metodología procedimental que garantiza que cada actividad inmersiva cumpla una función estratégica en el aprendizaje.

Selección: definición de competencias y objetivos de aprendizaje específicos.
Establecimiento: configuración de parámetros técnicos y de estándares de contenido 3D.
Boceto: diseño de prototipos interactivos y validación de la interfaz de usuario.
Aplicación: implementación de actividades en entornos de aprendizaje auténticos.
Síntesis y supervisión: evaluación de resultados y ciclos de retroalimentación para la mejora continua.

«Este marco facilita el desarrollo de actividades de RA estratégicamente diseñadas que mejoran el rendimiento académico y promueven el compromiso cognitivo».

La democratización del éxito académico.

Los resultados cuantitativos del marco SEBAS constituyen una prueba de su impacto. El uso de esta metodología ha permitido elevar la nota media global de 4,31 a 4,70. Un análisis mediante la prueba t de Welch confirmó que estos resultados son estadísticamente significativos (p < 0,01), especialmente en los cursos con mayor integración tecnológica. Además, la dispersión del rendimiento disminuyó, ya que la desviación estándar bajó de 2,16 a 1,75.

El hallazgo más trascendental es la capacidad de la RA para actuar como un «estabilizador» del aprendizaje, lo que favorece una experiencia educativa más equitativa. Al analizar el percentil 25, se observa que los estudiantes con menor rendimiento en el grupo tradicional obtuvieron una media de 2,70, mientras que en el grupo con RA este percentil subió a 4,50. Esto demuestra que la tecnología inmersiva nivela el terreno de juego, ya que permite que incluso los alumnos con mayores dificultades alcancen el éxito académico.

Del escepticismo a la satisfacción total.

Superar la barrera del «miedo a lo complejo» resultó fundamental para el éxito del proyecto. Inicialmente, solo el 37,2 % de los estudiantes confiaba en la utilidad de la RA para comprender los métodos de explotación. Tras el taller, esta percepción dio un giro radical: el 84,1 % mostró plena confianza y el 92,9 % reconoció su aplicabilidad práctica en la industria real.

La clave de esta adopción fue la rentabilidad de la estrategia. Al utilizar herramientas como Blender y CoSpaces, se demostró que es posible generar contenidos de alta fidelidad sin necesidad de realizar inversiones excesivas. El resultado final habla por sí solo: el 60,5 % de los participantes terminó «muy satisfecho», lo que valida que la facilidad de uso y la relevancia del contenido son los pilares de la transformación digital en el aula.

Hacia la Educación 4.0.

El estudio de Donaire et al. (2026) propone un modelo replicable para todas las disciplinas STEM. La realidad aumentada ha demostrado ser el puente definitivo entre la teoría académica y la práctica profesional, ya que permite a los futuros ingenieros desarrollar una comprensión espacial y procedimental sin precedentes.

Estamos ante una visión de futuro en la que las experiencias inmersivas forman parte integral de la formación profesional y preparan a los estudiantes para afrontar los desafíos de la industria moderna con una base científica y metodológica sólida.

Si la tecnología ya ha demostrado que puede igualar las condiciones académicas, ¿qué nos impide implementarla hoy mismo en todas las facultades de ingeniería?

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien lo tratado en este artículo.

AR_SEBAS_Evidence_Based_Engineering

Por cierto, podéis descargar el artículo en el enlace de la referencia. Está publicado en abierto.

Referencia:

DONAIRE, S.; BARRAZA, R.; MARTÍNEZ-PAGÁN, P.; MARTÍNEZ-SEGURA, M.A.; ÁLVAREZ, L.; YEPES-BELLVER, L.; YEPES, V. (2026). Augmented Reality in Engineering Education: Strategic Design and Evidence-Based Results. Plos One, 21(2), e0341815. DOI:10.1371/journal.pone.0341815

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Ideas sorprendentes que están redefiniendo la docencia universitaria

¿Por qué algunos estudiantes aprenden de verdad y otros solo memorizan para el examen?

Todos nos hemos hecho esta pregunta, ya sea como docentes o como estudiantes: ¿por qué el conocimiento que con tanto esfuerzo se imparte en las aulas universitarias parece evaporarse justo después del examen final? La respuesta no radica en estudiar más horas ni en cubrir más temario, sino en cómo diseñamos la experiencia de aprendizaje.

La investigación en educación superior ha revelado principios clave para una «buena docencia» que a menudo contradicen las prácticas más arraigadas. No se trata de opiniones, sino de conclusiones basadas en décadas de estudio sobre el aprendizaje humano. Este artículo resume cuatro de las ideas más impactantes y transformadoras extraídas de marcos de innovación como los Proyectos de Innovación y Mejora Educativa (PIME) de la Universitat Politècnica de València, que se basan en estas investigaciones para redefinir la calidad docente.

1. Diseñar el currículo «hacia atrás»: la revolución del diseño inverso.

Tradicionalmente, la planificación de una asignatura comienza con una pregunta: ¿qué temas vamos a abordar? Se elige un libro de texto, se secuencian los capítulos y se diseñan actividades para cada uno de ellos. Sin embargo, este enfoque tiene un problema fundamental: se centra en los inputs (lo que el profesor enseña) y no en los outputs (lo que el estudiante debe ser capaz de hacer).

El concepto de «diseño inverso» (Backward Design), propuesto por Wiggins y McTighe, le da la vuelta a esta lógica. La idea, radicalmente simple, pero poderosa, es que la planificación curricular debe empezar por el final, es decir, definiendo primero los resultados de aprendizaje deseados: ¿qué comprensiones profundas y qué competencias clave queremos que nuestros estudiantes adquieran con la asignatura? Una vez que tenemos esa meta clara, el segundo paso es determinar qué evidencias (evaluaciones) nos demostrarán que la han alcanzado. Solo entonces, como tercer y último paso, se diseñan las actividades de aprendizaje e instrucción.

Este enfoque garantiza un «alineamiento constructivo» (un concepto acuñado por John Biggs), en el que las actividades que realizan los estudiantes y los métodos de evaluación están lógicamente conectados con los objetivos de aprendizaje. No hay nada al azar: cada elemento del curso tiene un propósito claro.

«Nuestras lecciones, unidades y cursos deben inferirse lógicamente de los resultados que buscamos, no derivarse de los métodos, libros y actividades con los que nos sentimos más cómodos. El currículo debe exponer las formas más eficaces de lograr resultados específicos. En resumen, los mejores diseños parten de los aprendizajes buscados».

Este cambio de perspectiva obliga al docente a actuar como un arquitecto del aprendizaje, centrándose en la transferencia y la comprensión reales de los contenidos, en lugar de en la mera cobertura de estos. Así, la planificación de una clase deja de ser una simple lista de contenidos para convertirse en un acto intencionado de diseño orientado al éxito del estudiante. Con un diseño curricular que parte del fin, el docente ya no se pregunta «¿qué voy a enseñar hoy?», sino «¿qué experiencia debo diseñar para que mis estudiantes logren el objetivo?», lo que nos lleva a un cambio de paradigma fundamental en nuestra propia misión.

2. El gran cambio de paradigma: pasar de enseñar a provocar el aprendizaje.

Si el primer punto cambia la forma en que planificamos, el segundo redefine nuestra misión como docentes. En un influyente artículo de 1995, Barr y Tagg acuñaron la expresión “shift from teaching to learning” (el cambio de la enseñanza al aprendizaje) para describir un cambio de paradigma fundamental.

Este cambio propone que la misión del profesorado universitario no se limita a transmitir información, sino a diseñar experiencias y entornos que permitan a los estudiantes aprender por sí mismos. El foco se desplaza de la figura del profesor y de su discurso hacia la actividad del estudiante y su proceso de construcción del conocimiento. Ya no se trata de ser un «sabio en el estrado», sino de un «guía en el camino».

«Ahora vemos que nuestra misión no es instruir, sino provocar el aprendizaje de cada uno de los estudiantes mediante el método que mejor les funcione».

Esta idea tiene implicaciones profundas. Nos obliga a preguntarnos constantemente qué están haciendo los estudiantes para aprender. Este cambio nos libera de la presión de ser meros oradores para convertirnos en facilitadores eficaces del desarrollo de los demás. Si nuestra misión es provocar aprendizaje, la siguiente pregunta es inevitable: ¿aprendizaje de qué? No se trata de aprender a repetir, sino de aprender a pensar, actuar y ser, que es la verdadera esencia de la competencia.

3. La verdadera competencia consiste en pensar y actuar como un experto.

¿Qué significa ser un ingeniero, un médico o un historiador competente? La noción de «competencia» ha evolucionado significativamente y comprender esta evolución es crucial para diseñar un aprendizaje valioso. Podemos identificar tres niveles de concepción:

Nivel 1: competencia como conocimiento. En su versión más básica, se piensa que una persona competente es quien sabe «más», quien acumula más conocimientos académicos sobre un tema. El foco está en la reproducción de la información.
Nivel 2: competencia como aplicación. Un paso más allá, se considera que una persona competente es aquella que sabe aplicar el conocimiento teórico a problemas prácticos «reales». En este nivel, la transferencia del conocimiento se concibe como relativamente directa: primero se aprende la teoría y luego se aplica.
Nivel 3: competencia como gestión de la complejidad. Esta es la concepción más avanzada y la que se persigue en la educación superior de calidad. Una persona verdaderamente competente es aquella que sabe afrontar situaciones nuevas, confusas y complejas, razonando y actuando como lo haría un experto en su campo.

El verdadero desafío docente no consiste en la «transferencia» de conocimientos de un contexto a otro, sino en desarrollar las formas de pensar y actuar propias de una disciplina (ways of thinking and practising, un concepto clave de McCune y Hounsell (2005) y de Entwistle (2007). Se trata de enseñar a los estudiantes a pensar como un biólogo, a argumentar como un jurista o a diseñar como un arquitecto. Por tanto, nuestro objetivo no es que el estudiante sepa sobre nuestra disciplina, sino que se convierta en un incipiente practicante de ella.

4. El «student engagement»: la métrica definitiva del aprendizaje.

Si el aprendizaje requiere que los estudiantes desarrollen formas complejas de pensamiento, ¿cómo podemos fomentarlo? La respuesta se halla en un concepto que se ha convertido en el principal foco de atención de la investigación educativa: el engagement del estudiante.

La evidencia es abrumadora: según una influyente revisión de la literatura realizada por V. Trowler (2010) señala una «correlación robusta» entre el grado de implicación del estudiante en actividades académicas valiosas y resultados positivos, como el éxito, la satisfacción y la persistencia en los estudios. Da igual lo brillante que sea una lección magistral; si el estudiante no está mentalmente implicado, no se producirá un aprendizaje profundo. Como resumieron Chickering y Gamson en 1987:

«El aprendizaje no es un deporte de espectadores. Los estudiantes no aprenden demasiado: simplemente se sientan en clase a escuchar al profesorado, memorizan tareas prefabricadas y repiten respuestas. Deben hablar sobre lo que están aprendiendo, escribir sobre ello, relacionarlo con experiencias pasadas y aplicarlo a sus vidas cotidianas. Deben hacer de lo que aprenden parte de sí mismos».

Es importante distinguir entre el aprendizaje «activo» (en el que el estudiante simplemente «hace cosas») y el aprendizaje «constructivo», un concepto desarrollado por Chi (2009), en el que se le pide al estudiante que vaya «más allá» del material de partida. El aprendizaje meramente «activo» podría consistir en aplicar una fórmula a un problema tipo. En cambio, el aprendizaje «constructivo» exige una elaboración cognitiva superior, como confrontar críticamente dos teorías alternativas, diseñar un experimento para confirmar una hipótesis o formular nuevas preguntas sobre un fenómeno. Es en esta construcción donde se produce un aprendizaje profundo y la implicación del estudiante se convierte en verdaderamente productiva.

¿Diseñamos clases o diseñamos aprendizaje?

Estas cuatro ideas no son consejos aislados, sino los engranajes de un mismo motor pedagógico. El diseño inverso (idea 1) nos proporciona el mapa. El cambio de paradigma hacia el aprendizaje (idea 2) nos brinda la brújula. El desarrollo del pensamiento experto (idea 3) es nuestro destino. Y el Student engagement (idea 4) es el combustible que nos lleva hasta él.

En tu próxima clase o sesión de estudio, pregúntate: ¿qué pequeño cambio podrías hacer para pasar de «cubrir material» a «provocar un aprendizaje» real y duradero?

En esta conversación podéis escuchar lo más importante de este cambio de enfoque.

En este vídeo se recogen las ideas más interesantes del tema.

Referencias:

Barr, R. B., & Tagg, J. (1995). From teaching to learning: A new paradigm for undergraduate education. Change: The Magazine of Higher Learning, 27(6), 13–25.

Chi, M. T. H. (2009). Active-constructive-interactive: A conceptual framework for differentiating learning activities. Topics in Cognitive Science, 1(1), 73–105. https://doi.org/10.1111/j.1756-8765.2008.01005.x

Chickering, A. W., & Gamson, Z. F. (1987). Seven principles for good practice in undergraduate education. AAHE bulletin, 3, 7.

McCune, V., & Hounsell, D. (2005). The development of students’ ways of thinking and practising in three final-year biology courses. Higher Education, 49(1–2), 255–289. https://doi.org/10.1007/s10734-004-6666-0

Trowler, V. (2010). Student engagement literature review. The higher education academy, 11(1), 1-15.

Wiggins, G., & McTighe, J. (1998). Backward design. In Understanding by design (pp. 13–34). ASCD.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Más allá de la opinión: en busca de la evidencia científica.

¿Cómo entendemos realmente el comportamiento humano y el funcionamiento de la sociedad? A menudo, nos basamos en la intuición o en ideas preconcebidas sobre lo que es «científico». Asociamos la ciencia con laboratorios, experimentos y datos exactos, mientras que el estudio de lo social nos parece más ambiguo o «blando».

Sin embargo, la investigación social es sorprendentemente rigurosa. Sus métodos y principios nos permiten comprender el mundo y desarrollar un pensamiento crítico y estructurado.

En este artículo, veremos cinco ideas impactantes que surgen de la investigación social. Prepárate, porque algunas de tus certezas podrían cambiar.

1. No es el objeto de estudio, sino el método, lo que define a la ciencia.

Una de las primeras barreras con las que nos encontramos al pensar en las ciencias sociales es el objeto de estudio: el ser humano. A diferencia de las células o los planetas, las personas somos sujetos conscientes, llenos de simbolismo y percepciones. Esto lleva a muchas personas a pensar que no pueden ser objeto de estudio científico.

Sin embargo, aquí radica la primera gran idea: lo que distingue a la ciencia de otras formas de conocimiento no es el tema que investiga, sino el rigor de su método. Da igual si estudias la interacción de partículas o las dinámicas de un grupo social; lo importante es cómo lo haces.

«Si no hay método, no hay ciencia».

Por tanto, la cientificidad de las ciencias sociales se basa en el cumplimiento de reglas metodológicas formalizadas. Principios como el rigor y la parsimonia, la verificación empírica y la búsqueda de formulaciones de tipo general (universales) son los pilares que sustentan cualquier investigación válida, independientemente de lo complejo o subjetivo que pueda parecer su objeto de estudio.

2. Que algo sea cuantitativo no lo convierte automáticamente en objetivo (y viceversa).

Vivimos en un mundo obsesionado con los datos. Tendemos a creer que un porcentaje, una estadística o un número son sinónimos de verdad objetiva, mientras que un discurso o una opinión se considera meramente subjetivo. La idea de que los datos cuantitativos son inherentemente objetivos y más científicos es, según la propia metodología, falsa.

La objetividad no reside en la naturaleza del dato (un número frente a una palabra), sino en el método con el que se ha obtenido y analizado. Un estudio cuantitativo basado en un mal diseño de encuesta o en una muestra no representativa puede ofrecer resultados completamente sesgados y poco objetivos. Del mismo modo, un análisis cualitativo de discursos puede ser extremadamente riguroso y objetivo si se sigue un procedimiento sistemático y controlado.

Esta idea nos invita a ser más críticos con la información que consumimos. La próxima vez que veas una estadística impactante, no te quedes en el número; pregúntate cuál es el método que hay detrás.

«¡Ojo! Que trabajemos con discursos y percepciones no significa que la investigación se base en la subjetividad del investigador ni que la investigación sea subjetiva. Sería lo mismo que decir que, por trabajar con números o porcentajes, los resultados son objetivos, sin tener en cuenta cómo se han obtenido esos datos».

3. En toda ciencia hay un factor humano: el propio investigador.

La imagen popular del científico es la de una figura neutral e imparcial que observa la realidad sin afectarla. Sin embargo, la verdad es que en toda investigación científica se incluyen criterios subjetivos del investigador.

El verdadero rigor científico no consiste en negar esta subjetividad, sino en ser consciente de ella, saber identificarla y limitarla para que no condicione los resultados de la investigación. Esto es especialmente crucial en las ciencias sociales, donde el objeto de estudio es, a su vez, un sujeto consciente. El investigador debe esforzarse por distanciarse y seguir el método de forma disciplinada, empleando mecanismos como el «distanciamiento» y la «extrañeza» al analizar el objeto».

Este principio humaniza la ciencia. Nos recuerda que es una actividad humana, llevada a cabo por personas, y que requiere no solo conocimientos técnicos, sino también autoconciencia, disciplina y honestidad intelectual.

4. Antes de elegir una técnica, debes definir qué quieres saber.

Imagina que un carpintero decide usar un martillo antes de saber si tiene que clavar, atornillar o serrar. Suena absurdo, ¿verdad? Pues bien, en la investigación (y en muchos otros ámbitos de la vida) es un error muy común. A menudo, nos enamoramos de una herramienta —una encuesta, una entrevista, un grupo de discusión— sin haber definido previamente la pregunta fundamental.

Un principio clave de la metodología de investigación es que el objeto de estudio y los objetivos deben definirse antes de decidir qué técnicas se utilizarán. La herramienta debe adaptarse al problema y no al revés. ¿Necesitas datos generalizables de una población grande? Quizás lo más adecuado sea una encuesta. ¿Quieres profundizar en los significados y las experiencias de un grupo concreto? Las entrevistas pueden ser más adecuadas.

¿Cómo resume a la perfección el principio metodológico: «El diseño metodológico se construye a partir del objeto y de los objetivos del estudio»? Esta lección es universal: la estrategia siempre debe preceder a la táctica.

5. La mejor investigación no elige bando, sino que combina métodos.

El antiguo debate entre la investigación cuantitativa (basada en números) y la cualitativa (basada en discursos) está cada vez más superado. La investigación social moderna no los concibe como enfoques opuestos e irreconciliables, sino como herramientas complementarias que, utilizadas conjuntamente, ofrecen una visión mucho más completa de la realidad.

Cada método tiene su propia lógica y propósito. La investigación cuantitativa, heredera del positivismo, sigue una lógica de verificación perfectamente diseñada para su objetivo: la búsqueda de leyes generales mediante un enfoque cuantitativo. Por su parte, la investigación cualitativa, más ligada al humanismo, se basa en una lógica de descubrimiento, indispensable para su objetivo, que consiste en la búsqueda de los significados de la acción humana.

Las estrategias más potentes son las de «articulación metodológica», como la complementación (emplear diferentes técnicas para distintos objetivos) o la triangulación, que consiste en utilizar distintas metodologías para validar datos sobre un mismo objetivo. Este enfoque integrador permite construir un conocimiento más rico, robusto y matizado que cualquier método por sí solo podría ofrecer.

Una nueva forma de entender el conocimiento.

Como hemos visto, la investigación social, lejos de ser una «ciencia blanda», está llena de principios rigurosos y sofisticados que desafían muchas de nuestras suposiciones sobre el conocimiento, la objetividad y la verdad. Nos enseña que el «cómo» es tan importante como el «qué», que los números no siempre dicen la verdad y que la clave para entender la complejidad humana a menudo radica en combinar diferentes perspectivas.

Ahora que sabes que la objetividad es más compleja de lo que parece y que el método es la clave, ¿qué «verdad» aceptada en tu día a día empezarás a cuestionar?

En esta conversación puedes descubrir las claves de las técnicas de investigación social.

Os dejo un vídeo que resume bien las ideas fundamentales de estas técnicas.

Os dejo este documento de síntesis de estas técnicas.

Pincha aquí para descargar

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.