INTRODUCCIÓN

En los últimos años, la tecnología ha transformado la forma en que se enseña y se aprende en la actualidad, sin embargo, la educación ha evolucionado para incorporar una tecnología disruptiva emergente: la Inteligencia Artificial (en adelante IA), entendida como “un campo de estudio que combina las aplicaciones de aprendizaje automático, producción de algoritmos y procesamiento de lenguaje natural” (Akgun y Greenhow, 2022, p.1). Por lo tanto, es crucial adaptarse a estos cambios en el campo educativo y considerar cómo se puede integrar la IA de manera efectiva en la educación. Un ejemplo claro de la inclusión de la IA es la provocada por el ChatGPT (Cooper, 2023; Duha, 2023), pero estudios recientes destacan que, si se realiza un uso adecuado del mismo, puede maximizar la enseñanza y el aprendizaje (Baidoo-Anu y Owusu, 2023; Skavronskaya et al., 2023).

De acuerdo con Huang et al. (2021), la tecnología de IA posee un potencial para mejorar tanto la capacidad cognitiva como la de aprendizaje de los estudiantes, así como también la eficiencia del proceso de enseñanza y aprendizaje. Es por tanto esencial considerar de manera efectiva la integración de la IA en la educación, para aprovechar su capacidad transformadora en la mejora de la calidad de la educación y el desarrollo de los estudiantes.

En la actualidad, la integración de la IA en la educación se ha posicionado como una herramienta de gran relevancia para mejorar el proceso de aprendizaje, gracias a su capacidad de personalizar la enseñanza y el aprendizaje, proporcionar retroalimentación automatizada y evaluaciones más objetivas y precisas (Castaneda, 2023). Según Chen et al. (2020), la IA puede revolucionar el sector educativo, brindando nuevas oportunidades para el aprendizaje personalizado, la evaluación de los estudiantes y la investigación educativa.

Es fundamental destacar que, aunque la IA presenta amplias oportunidades para la educación, no supone una solución global para todos los problemas educativos. Por lo tanto, es esencial utilizarla de manera consciente y reflexiva, adecuada al contexto educativo específico, para maximizar sus beneficios potenciales. En consecuencia, es necesario llevar a cabo una reflexión crítica y rigurosa para garantizar la efectividad y responsabilidad en la utilización de la IA en la educación. En este sentido, los docentes tienen un papel fundamental en la integración de la IA en la educación. Celik (2023) sostiene que los profesores deben contar con conocimientos específicos en tecnología y pedagogía relacionados con la IA para integrarla de manera efectiva en la educación. Además, deben tener una comprensión ética para evaluar las decisiones basadas en IA y asegurarse de que se utilicen de manera responsable y equitativa.

Esta idea ya fue trabajada por Carrington (2016) cuando diseñó la Rueda de la Pedagogía (Padagogy Wheel) para la integración de la tecnología que es una herramienta diseñada para ayudar a los docentes a integrar tecnología en sus prácticas pedagógicas, centrándose en la pedagogía en lugar de en las aplicaciones tecnológicas. El motivo por el que esta rueda es una herramienta para mejorar el diseño y evaluación del aprendizaje centrado en el estudiante es porque cada sección de la rueda se interconecta con las otras secciones, lo que significa que el aprendizaje no es un proceso lineal, sino que es un proceso en constante evolución ( Carrington, 2015).

En este sentido, la Rueda de la Pedagogía de Allan Carrington consta de varios anillos concéntricos: 1) anillo central que presenta los seis niveles cognitivos de la Taxonomía de Bloom, 2) siguiente anillo con los cuatro grados de integración tecnológica según el Modelo SAMR y 3) anillos exteriores que contienen ejemplos de herramientas y aplicaciones tecnológicas que se pueden utilizar en cada nivel cognitivo y de integración tecnológica.

Atendiendo a estas ideas, la Rueda de la Pedagógica de Carrington (2017) combina los dos marcos teóricos mencionados (Taxonomía de Bloom y Modelo SARM) en una representación visual (ver Figura 1) que facilita la selección de herramientas y estrategias tecnológicas adecuadas para cada nivel de habilidad cognitiva y de integración tecnológica.

La Rueda de la Pedagogía de Allan Carrington ha demostrado ser una herramienta efectiva para mejorar la calidad de la enseñanza (Zhang et al., 2018) y el aprendizaje (Matta et al., 2016) en el contexto de la tecnología. Sin embargo, la rueda no considera la IA como una tecnología que se puede integrar en la enseñanza y el aprendizaje.

Por ello, y en vista de los cambios que la IA está provocando en el campo educativo, el presente estudio propone una adaptación de la Rueda de la Pedagogía de Allan Carrington (2017) a una nueva Rueda de la Pedagogía para la IA que facilite la integración efectiva de la IA en la educación en cualquiera de sus etapas. Esta propuesta se basa en la premisa de que la IA puede transformar la educación y mejorarla sustancialmente, siempre y cuando se utilice de manera responsable y consciente (Wiley, 2023). Por este motivo, la creación de una Rueda de la Pedagogía para la IA, como la propuesta de Allan Carrington en su modelo original, es crucial para aprovechar las ventajas de esta tecnología emergente en el proceso de enseñanza y aprendizaje, ya que facilita la selección de herramientas y estrategias tecnológicas de IA adecuadas para cada nivel de habilidad cognitiva y de integración tecnológica de IA. Al hacerlo, se busca crear un entorno educativo más personalizado, interactivo y efectivo que se ajuste a las necesidades y expectativas de los estudiantes en la era digital y tecnológica actual.

METODOLOGÍA

Para asegurar el rigor científico del artículo y justificar la necesidad de la adaptación de la Rueda de la Pedagogía para la IA, se utiliza una metodología de investigación basada en la revisión y mapeo sistemático para dar respuesta a las siguientes preguntas de mapeo (MQ, Mapping Questions), junto a un estudio bibliométrico basado en un análisis de co-ocurrencia de términos para dar respuesta a las siguientes preguntas de investigación (RQ, Research Questions) presentadas en la Figura 2.

La revisión sistemática de la literatura atiende a las directrices establecidas en la Declaración PRISMA. Se ha realizado la búsqueda exhaustiva en bases de datos académicas (Web of Science -WoS, y Scopus) usando la siguiente frase de búsqueda: “artificial intelligence” AND “education” AND “integration” AND “learning” y atendiendo al título, resumen, palabras clave de autor y Keywords Plus. Se han seleccionado los estudios según los criterios de elegibilidad presentados en la Tabla 1:

En WoS, de los 280 artículos encontrados, se excluyeron 262 artículos después de aplicar el filtrado, lo que permitió analizar 18 trabajos. Mientras que de los 861 artículos encontrados en Scopus, se excluyeron 818 artículos según los criterios establecidos, lo que resultó en el análisis de 43 trabajos. De los 61 artículos (18 estudios de WoS y 43 de Scopus), se eliminaron 17 duplicados y se analizaron 44 artículos que nos proporcionan una visión actualizada del estado de la investigación en esta área publicados en los últimos años (2021-2023).

Para el estudio bibliométrico, basado en el análisis de co-ocurrencia de palabras clave, se utliza el programa VOSviewer. Se simplificó el análisis considerando solo las palabras clave que aparecieron con una frecuencia mínima de 2. De esta forma se conforma una matriz cuadrada de N x N elementos que representaba la co-ocurrencia entre pares de palabras clave y se genera la red bibliométrica con las relaciones entre las palabras clave a través de nodos y enlaces en forma de grafos. Esto permite visualizar y analizar las conexiones entre las palabras clave.

RESULTADOS

Resultados de la revisión y mapeo sistemático

A continuación, se dará respuesta a cada una de las preguntas de mapeo (MQ) planteadas en este estudio. Con respecto a la primera pregunta MQ1. ¿Cuántos estudios se han publicado desde el 2021 hasta la actualidad?, en la Tabla 2 se muestra el resumen de las 44 referencias analizadas en esta revisión, junto a un identificador utilizado para referenciarlo a lo largo de los análisis.

A continuación, se da respuesta a la pregunta MQ2. ¿Cuál es la productividad por orden cronológico de los estudios (2021-2023)? se muestran los resultados en la Figura 3. De los tres años analizados, el mayor porcentaje de artículos (48%) corresponde al año 2022. Es importante tener en cuenta que el año 2023 aún no ha concluido, y, sin embargo, ya representa el 36% del total de artículos. Esto sugiere una clara tendencia al aumento del interés en el campo, evidenciado por el significativo incremento en las publicaciones desde el año 2021.

Con respecto a las preguntas MQ3. ¿Quiénes son los autores más activos? y MQ4. ¿De qué países son los autores más activos?, se muestra el resultado en la Figura 4.

Dentro del grupo de 173 autores que integran los 44 trabajos seleccionados para la revisión sistemática de la literatura (consultar Tabla 2), destacan 4 autores que han contribuido con 2 publicaciones cada uno, consolidándose como los participantes más activos. Los países de los que provienen dichos autores son Indonesia, Finlandia y Suecia.

Fuente: elaboración propia.

Resultados del análisis de co-ocurrencia de palabras clave

El objetivo principal del análisis de palabras clave es identificar los temas de investigación relevantes relacionados con la IA y la educación. Para ello, se lleva a cabo un análisis de co-ocurrencia de las palabras clave extraídas de los 43 artículos analizados. Se establece un umbral mínimo de frecuencia de aparición de 2 veces para seleccionar las palabras clave más significativas. De las 332 palabras clave iniciales, se obtienen un total de 36 palabras clave que cumplen con este criterio y serán analizadas en detalle.

Para garantizar la consistencia y coherencia de los grupos temáticos, se establece un tamaño mínimo de 5 palabras clave para formar un cluster. Basándonos en esta configuración, la red de co-ocurrencia resultante se presenta en la Figura 5. En esta figura, se puede observar la frecuencia con la que las palabras clave aparecen juntas en los textos analizados y cómo se agrupan en cuatro clusters identificados por los colores rojo, verde, azul y amarillo. Estos clusters se forman en función de la similitud entre las palabras clave, lo que nos permite identificar los temas de investigación relacionados con la IA y la educación que se abordan en los artículos analizados.

Fuente: elaboración propia a través de VOSviewer.

A continuación, se dará respuesta a las preguntas de investigación (RQ) planteadas en este estudio. En concreto, la pregunta RQ 1. ¿Qué enfoques o tendencias relevantes se han abordado en los estudios seleccionados durante este período?, se da respuesta en la Tabla 3 donde se indica un resumen de la red, las categorías temáticas creadas a partir de las palabras clave y las referencias asociadas a cada categoría temática (algunos artículos podrían clasificarse en más de un cluster, pero se ha considerado el área específica que trabaja el artículo).

La adaptación de la Rueda de la Pedagogía de Carrington a una Rueda de la Pedagogía para la IA se justifica a partir de los clusters temáticos identificados en el análisis. Estos clusters resaltan la importancia de la tecnología, la integración del conocimiento y la innovación en el campo de la educación.

A continuación, atendiendo a los clusters temáticos identificados en el análisis, se dará respuesta a la siguiente pregunta: RQ2. ¿Estos enfoques o tendencias sustentan la necesidad de adaptar la Rueda de la Pedagogía de Carrington a una nueva versión que integre la IA en el contexto educativo?

El primer cluster, se enfoca en la integración de la IA, por lo que abre oportunidades para explorar cómo esta tecnología innovadora puede optimizar la educación y mejorar la formación de los estudiantes en diversos niveles y contextos. Por ello, este cluster es clave para la adaptación de la rueda, ya que proporciona una base teórica para integrar la IA en su marco pedagógico. El segundo cluster se centra en la integración de tecnologías digitales en el ámbito educativo con el propósito de mejorar y enriquecer el proceso de enseñanza y aprendizaje. Este grupo de palabras clave abarca diversas áreas que tienen como denominador común el uso de tecnologías en el contexto educativo. La adaptación de la rueda a una versión para la IA implicaría integrar enfoques pedagógicos basados en tecnologías emergentes, fomentando la eficiencia, la personalización del aprendizaje, el uso responsable de los recursos tecnológicos y una sólida infraestructura digital para implementar la IA en el proceso de enseñanza-aprendizaje. El tercer cluster, Diseño e innovación pedagógica, destaca el valor de adaptar los enfoques educativos y currículos a las nuevas tecnologías y tendencias emergentes. La adaptación de la rueda integraría la IA y las tecnologías emergentes en el diseño e innovación pedagógica, con el propósito de desarrollar enfoques educativos más eficaces y actualizados con las últimas tendencias tecnológicas para mejorar las experiencias de enseñanza y aprendizaje. Por último, el cluster de Educación Sostenible y Ética, enfatiza sobre la sostenibilidad y la ética en la formación. En este sentido la adaptación de la rueda con la inclusión de la IA resaltaría la importancia de considerar aspectos éticos y sostenibles en la educación por medio de enfoques reflexivos y metacognitivos que permitan reflexionar críticamente sobre el uso de la IA en educación.

En resumen, la adaptación de la Rueda de la Pedagogía para la IA se justifica porque estos clusters temáticos evidencian cómo la IA puede influir y transformar diferentes aspectos de la educación, desde el aprendizaje y la enseñanza hasta el diseño curricular. El resultado del análisis subraya la importancia de integrar la tecnología educativa en el proceso de enseñanza y aprendizaje, aprovechar el potencial de la IA para mejorar la educación, promover aspectos éticos y sostenibles en el uso de la IA y fomentar el diseño e innovación pedagógica. Esto permitirá desarrollar una visión más actualizada y pertinente de la pedagogía en la era de la IA y las tecnologías digitales.

Adaptación de la Rueda de la Pedagogía de Allan Carrington a la Rueda de la Pedagogía para la Inteligencia Artificial

Como ya se ha mencionado, la Rueda de la Pedagogía de Allan Carrington no considera la IA como una tecnología que se puede integrar en la enseñanza y el aprendizaje. Por este motivo, la creación de una Rueda de la Pedagogía para la IA, como la propuesta de Allan Carrington en su modelo original, es necesaria porque permite la integración efectiva de la IA en el proceso de enseñanza y aprendizaje al proporcionar un marco pedagógico sólido y bien estructurado. De esta forma se daría respuesta a los clusters extraídos anteriormente y que reflejan la relevancia y necesidad de la integración de la IA en el proceso de enseñanza-aprendizaje.

En el caso de la Rueda de la Pedagogía para la IA, al igual que la original, se compone de varios anillos concéntricos que muestran cómo la IA puede ser integrada gradualmente en la enseñanza y el aprendizaje en diferentes niveles cognitivos y de integración tecnológica.

El anillo central presenta la Taxonomía de Bloom (Bloom y Krathwohl, 1956), una estructura jerárquica de seis niveles cognitivos que se utilizan para diseñar y clasificar objetivos de aprendizaje. Los niveles, en orden ascendente de complejidad, son: recordar, comprender, aplicar, analizar, evaluar y crear.

La rueda de pedagogía para la IA que proponen los autores en este trabajo adapta los niveles de habilidades cognitivas de la taxonomía de Bloom a la IA, brindando así un enfoque estructurado y claro que permite a los docentes y los alumnos trabajar hacia objetivos de aprendizaje más avanzados y profundos. En esta línea, Lameras y Arnab (2021) proponen una taxonomía de aplicaciones de IA en educación, que se asocia con la práctica de enseñanza y aprendizaje. Esta taxonomía se divide en cuatro categorías: (1) apoyo a la enseñanza y el aprendizaje, (2) evaluación y retroalimentación, (3) personalización del aprendizaje y (4) gestión del aula. No obstante, aunque no existe una taxonomía de Bloom adaptada específicamente a la IA, los autores han optado por adaptar la taxonomía de Bloom y lograr una rueda de pedagogía para la IA con el mismo sustento teórico que tiene la Rueda de la Pedagogía de Carrington para que la adaptación sea lo más precisa posible.

En la Tabla 4, se muestran algunos ejemplos de cómo utilizar la taxonomía de Bloom como una guía, tanto para el proceso de enseñanza como para el proceso de aprendizaje por medio de actividades que integren la IA de manera efectiva.

El siguiente anillo representa el Modelo SAMR propuesto por Puentedura (2014). Se trata de un marco de referencia para la integración de la tecnología en la enseñanza y el aprendizaje, es decir, se centra en cómo la tecnología se utiliza en la enseñanza y aprendizaje, desde simples sustituciones hasta la redefinición de la forma en que se lleva a cabo el proceso educativo. Los grados, en orden ascendente de complejidad, son: Sustitución (Substitution), Ampliación (Augmentation), Modificación (Modification) y Redefinición (Redefinition).

Este modelo ofrece una guía para la integración tecnológica efectiva en el aula y la mejora de la calidad del aprendizaje utilizando estos cuatro niveles de integración tecnológica en la enseñanza y el aprendizaje (Garcia-Utrera et al., 2014), algo que ha salido como tema relevante en los cuatro clusters del análisis de co-ocurrencia de palabras clave.

En cuanto a la IA, Lameras y Arnab (2021) utilizan este modelo como un marco para comprender cómo la IA puede ser utilizada en diferentes niveles para mejorar la educación. No obstante, este estudio va más allá al profundizar en este enfoque y presentar en la Tabla 5 una descripción detallada de los cinco niveles de integración, así como algunos ejemplos de cómo se puede utilizar el Modelo SAMR como guía para integrar la IA en el proceso de enseñanza y aprendizaje.

Con respecto a los anillos exteriores de la Rueda de la Pedagogía para la IA se muestran ejemplos de herramientas y aplicaciones de IA que se pueden utilizar en cada nivel cognitivo y de integración tecnológica de la IA. Esta propuesta de herramientas y aplicaciones de IA disponibles para cada nivel cognitivo son solamente una muestra y no representa una lista exhaustiva dado el creciente número de aplicaciones que están surgiendo en la actualidad.

Por último, la rueda de pedagogía para la IA propuesta incluye un anillo adicional que constituye una novedad: el nivel Reflexivo-Metacognitivo (aspecto abordado en el cuarto cluster: Educación Sostenible y Ética). La inclusión del nivel reflexivo-metacognitivo en la rueda es importante porque permite a los estudiantes y los docentes reflexionar críticamente sobre el uso del IA y cómo ésta afecta su aprendizaje y enseñanza. En lo que concierne al proceso de enseñanza, los docentes en este nivel pueden evaluar cómo están integrando la tecnología en su enseñanza, reflexionar sobre el impacto que tiene en los estudiantes y hacer cambios si es necesario. Esto implica un enfoque reflexivo y metacognitivo más crítico y analítico de la tecnología y en concreto de la IA, en lugar de simplemente utilizarla como una herramienta.

Con respecto al proceso de aprendizaje, los estudiantes también pueden reflexionar críticamente sobre su uso y cómo está afectando a su aprendizaje. Pueden evaluar cómo están utilizando la IA para aprender, identificar qué es efectivo y qué no lo es, y hacer cambios en su enfoque de aprendizaje si es necesario. En este caso la reflexión se refiere al proceso a través del cual los estudiantes pueden evaluar y analizar críticamente su propio aprendizaje y la metacognición se refiere a la capacidad de los estudiantes para monitorear su propio aprendizaje y comprender las estrategias que usan para aprender. Ambas habilidades son esenciales para el éxito en el aprendizaje a lo largo de la vida, y son particularmente importantes en el contexto de una educación centrada en la IA.

En esta misma línea, hay varios estudios que justifican la necesidad de la reflexión y metacognición en el uso de la IA en educación. Luckin (2018) sostiene que la IA puede ser una herramienta valiosa para mejorar la educación, pero es importante reflexionar sobre cómo se utiliza y qué impacto tiene en los estudiantes y en el aprendizaje en general. De esta forma, destaca la importancia de reflexionar sobre cómo la IA puede ser utilizada de manera efectiva en la educación, y cómo puede ser combinada con la inteligencia humana para mejorar el aprendizaje.

Además, Selwyn (2019) destaca la importancia de que los docentes consideren cuidadosamente cómo se integra la IA en el aula y cómo se pueden utilizar para mejorar el aprendizaje de los estudiantes y reflexionen sobre los posibles efectos de la IA en la enseñanza y la relación entre los humanos y las máquinas en el aula. Siemens y Baker (2012) analizan cómo la IA y la minería de datos pueden ser utilizadas en la educación y cómo es importante reflexionar sobre las implicaciones éticas y pedagógicas de su uso. En este sentido, la reflexión sobre el uso de la IA en el análisis de datos educativos y la colaboración entre los actores implicados puede contribuir a una utilización más efectiva y responsable de la tecnología en la educación.

En lo que concierne a la metacognición, según Cerchiaro et al. (2021) ésta se refiere “al conocimiento que una persona tiene sobre sus propios procesos y productos cognitivos, así como al monitoreo y regulación de estos procesos en función del logro de un objetivo o meta” (p. 3). Otra perspectiva es la que ofrece Porayska-Pomsta (2016) quien señala la utilización de la IA como una metodología para apoyar la praxis educativa y la metacognición del profesorado dado que proporciona retroalimentación personalizada, adaptativa y en tiempo real a los estudiantes, y ayuda a los profesores a reflexionar sobre su práctica pedagógica y tomar decisiones informadas.

No obstante, la propuesta de inclusión de este nivel reflexivo-metacognitivo hace referencia más a la ética y responsabilidad en el uso de la IA, donde los educadores pueden discutir estos problemas con los estudiantes y fomentar el uso responsable y ético de la IA. De esta forma la IA permite que los docentes diseñen e implementen estrategias pedagógicas que fomenten la reflexión y la metacognición en sus estudiantes como competencias claves para el aprendizaje del futuro.

Por tanto, incorporar este nivel reflexivo-metacognitivo en la rueda permite identificar áreas de mejora y oportunidades para mejorar la integración de la IA en el proceso educativo, asegurando que la tecnología se utilice de manera efectiva y responsable.

En la Figura 6, se muestra la Rueda de la Pedagogía para la IA combinando también la Taxonomía de Bloom y el Modelo SAMR, más el anillo reflexivo-metacognitivo que facilita la selección de herramientas y estrategias tecnológicas de IA adecuadas para cada nivel de habilidad cognitiva y de integración tecnológica de IA.

(Enlace para descargar la rueda con enlaces activos para cada una de las aplicaciones: https://drive.google.com/drive/folders/1ALL3OxidlQiZrGakICCNOjHMFdZOdqFF?usp=sharing)

Es importante tener en cuenta que estos son solo algunos ejemplos de herramientas y aplicaciones de IA que se pueden utilizar en cada nivel cognitivo y de integración, y que existen muchas otras herramientas y aplicaciones disponibles que pueden ser adaptadas y modificadas según las necesidades y objetivos específicos de la actividad de aprendizaje y según el nivel de habilidad y conocimiento de los estudiantes en relación con la IA.

DISCUSIÓN Y CONCLUSIONES

La relación entre la IA y la educación es un tema que ha ganado cada vez más atención en los últimos años debido al gran potencial que ofrece para mejorar la calidad y la eficacia del aprendizaje. En la revisión sistemática de los 43 artículos se ha evidenciado la tendencia al aumento en la investigación sobre la IA en educación. En concreto, el hecho de que el año 2023 ya tenga un porcentaje significativo de artículos, a pesar de que aún no haya concluido, resalta la posibilidad de que la investigación en este campo continúe en aumento y por tanto refleja la importancia y la relevancia del tema.

Además, con respecto a los autores con mayor número de contribuciones (Järvelä, Sanna; Oyelere, Solomon Sunday; Prahani, Binar Kurnia y Suprapto, Nadi) y la diversidad geográfica de los países de origen de estos autores (Indonesia, Finlandia y Suecia) muestra la naturaleza internacional y globalizada de la investigación en este campo.

Por otro lado, centrando la atención en la integración de la IA en el campo educativo, Pedro et al. (2019) exploraron esta relación en su estudio y resaltaron las oportunidades y desafíos que surgen al implementar la IA en el ámbito educativo para lograr el desarrollo sostenible. La personalización del aprendizaje es una de las principales oportunidades que ofrece la IA, ya que se adapta al contenido educativo a las necesidades específicas de cada estudiante, identifica tempranamente las dificultades en el aprendizaje y brinda retroalimentación personalizada. Bhutoria (2022) encontró resultados similares, donde la IA es capaz de atender a los requisitos y hábitos de aprendizaje de los estudiantes, así como optimizar las trayectorias de aprendizaje.

Sin embargo, es importante destacar que los docentes deben ser considerados como un componente fundamental en la planificación y ejecución de la educación personalizada con IA. La participación activa de los profesores en este proceso es esencial para garantizar que se cumplan los objetivos de aprendizaje y se respeten las necesidades de los estudiantes. Además, como ya se ha comentado, esta rueda puede ser una herramienta de apoyo para los docentes, pero es importante que éstos estén formados para utilizar la IA de manera adecuada, para comprender sus limitaciones y aprovechar al máximo estas tecnologías emergentes (Salas-Pilco et al., 2022).

En este sentido la integración de la IA en la educación debe ser cuidadosa, y debe ser parte de un enfoque más amplio y equilibrado que combine la tecnología con la pedagogía y la experiencia docente. Lameras y Arnab (2021), así como Cope et al. (2021) enfatizan que la IA debe ser utilizada como una herramienta para apoyar y mejorar el proceso de enseñanza y aprendizaje, en lugar de reemplazar completamente a los profesores o automatizar por completo el proceso educativo. Por ello, es importante comprender que la IA no puede sustituir la relación humana que se establece entre profesor y estudiante, la cual es fundamental para el éxito del aprendizaje.

En línea con esta idea, los clusters identificados en el análisis temático (1. Integración de la IA para mejorar la educación, 2. Uso de tecnologías educativa en el proceso de enseñanza y aprendizaje, 3. Diseño e innovación pedagógica y 4. Educación Sostenible y Ética) revelan las áreas clave en las que la IA puede tener un impacto significativo en la educación. Por lo que, adaptar la Rueda de la Pedagogía para la IA atendiendo a estos clusters, proporciona un marco actualizado y relevante que permite a los educadores considerar de manera efectiva cómo aprovechar las capacidades de la IA en la planificación curricular, la metodología de enseñanza, la evaluación y otros aspectos clave del proceso de enseñanza-aprendizaje.

Además, una de las aportaciones llevadas a cabo ha sido la inclusión de un nuevo anillo exterior en la Rueda de la Pedagogía para la IA: nivel Reflexivo-Metacognitivo. La inclusión de dicho nivel podría ser un paso importante para garantizar el uso efectivo y responsable de la IA en la educación. Esto se debe a la necesidad de comprender el papel crucial que juegan la reflexión y la metacognición en el proceso educativo. Autores como Bostrom (2014) enfatizan en la importancia de reflexionar sobre los impactos potenciales de la IA en la sociedad y en la necesidad de desarrollar estrategias para asegurar que estos impactos sean positivos. En este sentido, aborda los posibles riesgos y beneficios de la IA y cómo su desarrollo debe ser manejado con precaución y reflexión. Drigas et al. (2023) proponen un modelo de meta-aprendizaje que integra la metacognición y las tecnologías inteligentes para mejorar los resultados del aprendizaje. El modelo consta de nueve capas, entre las que destaca la capa de metacognición referida a la capacidad del estudiante para reflexionar sobre su propio proceso de aprendizaje. Por lo tanto, es esencial que los estudiantes aprendan a reflexionar sobre su propio proceso de aprendizaje y a desarrollar estrategias metacognitivas efectivas para mejorar su aprendizaje, especialmente en situaciones en las que se utilizan herramientas tecnológicas como la IA.

Por todo lo anterior, la adaptación de esta rueda se ve necesaria porque los autores quieren garantizar el uso pedagógico de la IA en el contexto educativo. No obstante, es importante destacar que la IA presenta limitaciones y desventajas que deben ser consideradas. Si bien esta tecnología puede mejorar la eficiencia y precisión en distintas áreas, su uso inadecuado puede tener efectos negativos en la sociedad. En el ámbito educativo, se deben abordar desafíos éticos, morales y de privacidad al manejar datos personales, como señalan Renz y Vladova (2021) y Yuskovych-Zhukovska et al. (2022). Por ello, es fundamental establecer políticas claras y medidas de protección para evitar cualquier discriminación o perjuicio a los estudiantes. De esta manera, se pueden aprovechar los beneficios potenciales de la IA en la educación sin comprometer la privacidad y ética. Además, es crucial que los estudiantes y docentes desarrollen competencias para la era de la IA, tal como destaca la UNESCO (2021). Esto implica comprender los aspectos éticos y sociales de la IA, como la privacidad y seguridad de los datos, y el impacto que puede tener en la sociedad (Arrieta et al., 2020).

En consecuencia, es fundamental que en el ámbito educativo se aplique la IA de manera responsable y ética, ya que esta herramienta tiene un impacto directo en el desarrollo y la formación de los estudiantes. Por este motivo, es crucial contar con un marco teórico con respaldo pedagógico que permita a los docentes y estudiantes comprender el alcance y las limitaciones de la IA, así como adquirir habilidades críticas que les permitan evaluar la precisión y la confiabilidad de los resultados que ofrece.

En este sentido, la propuesta expuesta en este trabajo se presenta como una herramienta valiosa para el ámbito educativo. Cabe destacar que la inclusión de la Rueda de la Pedagogía para la IA en este marco teórico es particularmente relevante, ya que esta herramienta se enfoca en una integración efectiva de la tecnología y la pedagogía. Al hacerlo, se busca garantizar que los métodos de enseñanza y aprendizaje sean apropiados para el contexto específico en el que se utiliza la IA.

Finalmente, cabe resaltar que la rueda pedagógica de la IA es una primera aproximación para la adecuada integración de esta tecnología en la era de la IA. Sin embargo, hay que tener en cuenta que debido a las constantes y numerosas aplicaciones de IA que están surgiendo, esta rueda debe ser actualizada regularmente para seguir siendo relevante y útil.

REFERENCIAS

Akgun, S. y Greenhow, C. (2022). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. AI and Ethics, 2(4), 431-440. https://doi.org/10.1007/s43681-021-00096-7

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R. y Herrera, F. (2020). Explainable Artificial Intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115. https://doi.org/10.1016/j.inffus.2019.12.012

Baidoo-Anu, D. y Owusu Ansah, L. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Available at SSRN 4337484. https://doi.org/10.2139/ssrn.4337484

Bhutoria, A. (2022). Personalized education and artificial intelligence in United States, China, and India: A systematic Review using a Human-In-The-Loop model. Computers and Education: Artificial Intelligence, 3, 1-18. https://doi.org/10.1016/j.caeai.2022.100068

Bloom, B. y Krathwohl, D. (1956) Taxonomy of Educational Objectives: The Classification of Educational Goals, by a committee of college and university examiners. Handbook I: Cognitive Domain. Longmans. https://doi.org/10.1086/459563

Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

Carrington, A. (2015). The Pedagogy wheel–it’s not about the apps, it’s about the pedagogy. TeachThought. https://www.teachthought.com/technology/the-padagogy-wheel/

Carrington, A. (2016). Professional development: The pedagogy wheel: It is not about the apps, it is about the pedagogy. Education Technology Solutions. https://educationtechnologysolutions.com/2016/06/padagogy-wheel/

Carrington, A. (2017). La rueda de la Pedagogía. Recursos educativos de la CED. https://ced.enallt.unam.mx/blogs/recursosced/recursos-de-interes/la-rueda-de-la-pedagogia-1/

Castaneda, A. U. (2023). Un viaje hacia la inteligencia artificial en la educación. Realidad y Reflexión, (56), 121-136. https://doi.org/10.5377/ryr.v1i56.15776

Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers’ professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468

Cerchiaro C. E., Barras Rodríguez, R. A., Curiel Gómez, B. N. y Bustamante Meza, L. Y. (2021). Metacognición y resolución de problemas en niños escolarizados. European Journal of Education and Psychology, 14(2), 1-23. https://doi.org/10.32457/ejep.v14i2.1570

Chen, L., Chen, P. y Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264-75278. https://doi.org/10.1109/access.2020.2988510

Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32, 444-452. https://doi.org/10.1007/s10956-023-10039-y

Cope, B., Kalantzis, M. y Searsmith, D. (2021). Artificial intelligence for education: Knowledge and its assessment in AI-enabled learning ecologies. Educational Philosophy and Theory, 53(12), 1229-1245. https://doi.org/10.1080/00131857.2020.1728732

Drigas, A., Mitsea, E. y Skianis, C. (2023). Meta-Learning: Α Nine-Layer Model Based on Metacognition and Smart Technologies. Sustainability, 15(2), 1668. https://doi.org/10.3390/su15021668

Duha, M. S. U. (2023). ChatGPT in Education: An Opportunity or a Challenge for the Future? TechTrends, 1-2. https://doi.org/10.1007/s11528-023-00844-y

Garcia-Utrera. L., Figueroa-Rodriguez, S. y Esquivel-Gámez, I. (2014). Modelo de Sustitución, Aumento, Modificación, y Redefinición (SAMR): Fundamentos y aplicaciones. En I. Esquivel-Gámez (Coord.), Los Modelos Tecno-Educativos: Revolucionando el aprendizaje del siglo XXI (pp. 205-220). DSAE-Universidad Veracruzana. https://www.researchgate.net/publication/273754983_Modelo_de_Sustitucion_Aumento_Modificacion_y_Redefinicion_SAMR_Fundamentos_y_aplicaciones

Huang, J., Shen, G. y Ren, X. (2021). Connotation analysis and paradigm shift of teaching design under artificial intelligence technology. International Journal of Emerging Technologies in Learning (iJET), 16(5), 73-86. https://doi.org/10.3991/ijet.v16i05.20287

Lameras, P. y Arnab, S. (2021). Power to the teachers: an exploratory review on artificial intelligence in education. Information, 13(1), 14. https://doi.org/10.3390/info13010014

Luckin, R. (2018). Machine Learning and Human Intelligence: The Future of Education for the 21st Century. UCL Press.

Matta, J., Salakas, B., Salerno, G. y Sultana, E. (2016). Will using an iTunes U course with the Padagogy Wheel result in effective individualised learning? Australian Educational Leader, 38(2), 44-49.

Pedro, F., Subosa, M., Rivas, A. y Valverde, P. (2019). Artificial intelligence in education: Challenges and opportunities for sustainable development. International Journal of Educational Technology in Higher Education, 16(1), 1-15. https://doi.org/10.21125/inted.2020.0644

Porayska-Pomsta, K. (2016). AI as a methodology for supporting educational praxis and teacher metacognition. International Journal of Artificial Intelligence in Education, 26, 679-700. https://doi.org/10.1007/s40593-016-0101-4

Puentedura, R. R. (2014). SAMR and TPCK: A hands-on approach to classroom practice. http://www.hippasus.com/rrpweblog/archives/2014/12/11/SAMRandTPCK_HandsOnApproachClassroomPractice.pdf

Renz, A. y Vladova, G. (2021). Reinvigorating the discourse on human-centered artificial intelligence in educational technologies. Technology Innovation Management Review, 11(5). https://timreview.ca/sites/default/files/article_PDF/TIMReview_2021_May%20-%201_1.pdf

Salas-Pilco, S. Z., Xiao, K. y Hu, X. (2022). Artificial intelligence and learning analytics in teacher education: A systematic review. Education Sciences, 12(8), 569. https://doi.org/10.3390/educsci12080569

Selwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press. https://doi.org/10.1109/icac353642.2021.9697300

Siemens, G. y Baker, R. S. (29 de abril – 2 de mayo, 2012). Learning analytics and educational data mining: Towards communication and collaboration [Resumen de conferencia]. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. Nueva York, NY, EE. UU. ACM. https://doi.org/10.1145/2330601.2330664

Skavronskaya, L., Hadinejad, A. y Cotterell, D. (2023). Reversing the threat of artificial intelligence to opportunity: a discussion of ChatGPT in tourism education. Journal of Teaching in Travel & Tourism, 23(2) 253-258. https://doi.org/10.1080/15313220.2023.2196658

UNESCO. (2021). International Forum on AI and the futures of education developing competencies for the AI era. United Nations Educational, Scientific and Cultural. https://unesdoc.unesco.org/ark:/48223/pf0000377251

Wiley, D. (2023). AI, instructional design, and OER. Improving learning.https://opencontent.org/blog/archives/7129

Yuskovych-Zhukovska, V., Poplavska, T., Diachenko, O., Mishenina, T., Topolnyk, Y. y Gurevych, R. (2022). Aplicación de la Inteligencia Artificial en la Educación. Problemas y Oportunidades para el Desarrollo Sostenible. CEREBRO. Investigación amplia en inteligencia artificial y neurociencia, 13 (1Sup1), 339-356. https://doi.org/10.18662/brain/13.1Sup1/322

Zhang, Z., Zhang, J. y Cai, M. (31 de julio-2 de agosto, 2018). The Design and Practice of the Flipped Classroom Teaching Model Based on the Pedagogy Wheel [Presentación en conferencia]. 2018 International Symposium on Educational Technology (ISET), Osaka, Japan. https://doi.org/10.1109/ISET.2018.00028