Un estudio que cuenta cómo usar bien la IA en el aula

Durante los últimos años, la promesa de la inteligencia artificial en educación ha sido, sobre todo, una promesa de velocidad: aprender más rápido, resolver dudas al instante, avanzar sin fricción. Pero un estudio reciente publicado por The Hechinger Report sugiere algo distinto: los estudiantes pueden aprender mejor cuando la IA los hace ir más lento; no más rápido.

El experimento

Un equipo de investigadores de la Universidad de Toronto y la Wharton School de la Universidad de Pennsylvania diseñó un experimento con más de 6.000 estudiantes de enseñanza media en Tennessee, todos trabajando fracciones matemáticas. El diseño comparó cuatro combinaciones posibles: instrucción computarizada convencional, esa misma instrucción con un tutor de IA, y ambas versiones combinadas –o no– con un componente de "aprendizaje por dominio" (mastery learning).

¿Qué es exactamente el aprendizaje por dominio? Es un enfoque pedagógico que invierte la lógica habitual de "avanzar por avanzar": en lugar de pasar a la siguiente habilidad apenas se cubrió el contenido –independientemente de si el estudiante realmente la entendió–, exige que el estudiante demuestre haber dominado esa habilidad específica antes de continuar. En este estudio, eso se tradujo en una regla concreta: si un estudiante se equivocaba, debía responder tres preguntas seguidas de forma correcta sobre esa misma habilidad antes de poder avanzar al siguiente contenido.

Los estudiantes usaron el software una sola vez, durante 50 minutos de clase, y una semana después rindieron una breve prueba de retención.

El resultado no fue que la IA por sí sola hiciera la diferencia. Fue la combinación de tutor de IA más aprendizaje por dominio la que produjo mejores resultados: un aumento de aproximadamente 3 puntos porcentuales frente a la instrucción computarizada tradicional. Una diferencia modesta, pero significativa en el contexto de la evidencia actual sobre IA educativa, donde varios estudios recientes muestran que el uso de estas herramientas más bien erosiona habilidades matemáticas cuando los estudiantes las usan para obtener respuestas rápidas en lugar de razonar.

Lo que hace valioso este estudio no es el tamaño del efecto sino el mecanismo que lo explica. Cuando un estudiante comete un error en un ejercicio tradicional, generalmente puede ver la solución paso a paso, pero nada le impide simplemente mirarla por encima y seguir adelante sin entender realmente qué falló. El tutor usado en el estudio era una inteligencia artificial especializada en educación, diseñada para hacer algo distinto: guiaba al estudiante a través de su propio error específico, en lugar de mostrarle una solución genérica.

El resultado observable fue que los estudiantes que usaron IA combinada con aprendizaje por dominio dedicaron más tiempo a cada pregunta y tuvieron más probabilidades de responder correctamente la siguiente pregunta después de equivocarse.

Esto conecta con algo que en Califica venimos señalando hace tiempo: la tecnología educativa no mejora el aprendizaje por el simple hecho de estar presente. Lo hace cuando está diseñada para sostener el proceso de pensar, no para acortarlo.

Los límites que también vale la pena mirar

El estudio es honesto sobre sus propios límites, y eso también es parte de la lección. La mejora se concentró en las preguntas más fáciles, aquellas más parecidas a lo que los estudiantes ya habían practicado; no se observó el mismo beneficio en problemas más desafiantes. Tampoco hay evidencia, todavía, de que este enfoque produzca una comprensión más profunda o transferible de las fracciones —apenas fue una intervención de 50 minutos, y no sabemos qué ocurriría con un uso sostenido durante meses.

Philip Oreopoulos, economista de la Universidad de Toronto y autor principal del estudio, fue cuidadoso en no sobre-vender el hallazgo: no se trata de la prueba de que la IA será el cambio revolucionario que muchos esperan, sino de una de las primeras señales concretas de que, bien diseñada, puede aportar algún valor real frente a no usar IA en absoluto.

¿Qué puedo aprender de esto?

Para quienes trabajan todos los días con estudiantes y con herramientas tecnológicas en el aula, este estudio ofrece algo más útil que un titular optimista o pesimista sobre la IA: ofrece un criterio de diseño. No toda herramienta de IA que "ayuda" a un estudiante ayuda de la misma manera. Una IA que resuelve el problema por el estudiante puede sentirse útil en el momento, pero corta el proceso de aprendizaje. Una IA que obliga a detenerse, revisar el error específico y demostrar dominio antes de avanzar, aunque se sienta más lenta y más exigente, parece ser la que efectivamente deja huella.

Es una idea que va contra la corriente de cómo solemos pensar la tecnología —más rápido, más fácil, menos fricción— pero que calza con algo que la pedagogía sabe desde mucho antes de que existiera la IA: el aprendizaje profundo casi nunca ocurre en el camino más corto entre el error y la respuesta correcta. A veces, la mejor función de una herramienta inteligente es, simplemente, no dejarnos avanzar demasiado rápido.