domingo, 15 de noviembre de 2026

Retroingeniería cognitiva del aprendizaje: repensar la taxonomía de Bloom en la era de la inteligencia artificial

 

Durante décadas, la taxonomía de Bloom ha orientado la planificación educativa mediante una clasificación de procesos cognitivos que, en su versión revisada, comprende recordar, comprender, aplicar, analizar, evaluar y crear. Su contribución ha sido fundamental para formular objetivos educativos, organizar experiencias formativas y evaluar diferentes niveles de complejidad cognitiva.

Sin embargo, la expansión de la inteligencia artificial (IA) generativa plantea una paradoja educativa: actualmente es posible obtener productos complejos sin haber desarrollado necesariamente los procesos cognitivos que tradicionalmente intervenían en su elaboración.

Una persona solicita una infografía y la obtiene en segundos. Pide un mapa conceptual y recibe conceptos organizados jerárquicamente. Solicita un video educativo y la IA genera imágenes, narraciones y secuencias explicativas. También puede producir ensayos, resúmenes y análisis aparentemente bien fundamentados.

Desde una perspectiva centrada exclusivamente en el producto, podría parecer que hemos alcanzado el nivel superior de la taxonomía: crear. Pero ¿obtener una creación demuestra que hemos desarrollado las capacidades cognitivas necesarias para elaborarla?

Producir un recurso no equivale necesariamente a comprender su contenido. Una presentación visualmente atractiva puede ocultar desconocimiento conceptual; un ensayo bien argumentado puede elaborarse sin una reflexión propia suficiente; incluso un mapa conceptual puede representar relaciones que su usuario sería incapaz de explicar. La inteligencia artificial no elimina la necesidad de aprender, pero transforma las condiciones en las que demostramos lo aprendido.

¿Qué sucede cuando la evidencia aparente de aprendizaje puede generarse antes de que ocurra el aprendizaje?

Ante esto, surge la siguiente pregunta ¿Y si invertimos nuestro punto de partida?

En lugar de considerar la elaboración de un producto como la culminación del aprendizaje, podemos comenzar con un recurso generado mediante IA y utilizarlo para reconstruir los procesos cognitivos necesarios para comprenderlo, examinarlo críticamente y transformarlo. Estamos modificando el punto de partida de la experiencia de aprendizaje.

No se trata de invertir mecánicamente los seis niveles de Bloom ni de sustituir una secuencia rígida por otra. La taxonomía revisada clasifica procesos cognitivos que pueden combinarse durante el aprendizaje, sin establecer que toda experiencia educativa deba recorrerlos obligatoriamente en un orden determinado.

Lo que aquí se propone es una retroingeniería cognitiva del aprendizaje: partir de un producto generado mediante inteligencia artificial para identificar y reconstruir deliberadamente los conocimientos y procesos cognitivos que permiten comprenderlo, analizarlo, evaluarlo y transformarlo con criterio propio.

Pensemos en una infografía sobre el cambio climático generada mediante IA. El recurso presenta conceptos, datos, causas, consecuencias e imágenes explicativas. Su apariencia puede ser impecable, pero ello no garantiza que quien lo solicitó comprenda los fenómenos representados.

En lugar de concentrarnos únicamente en su diseño, podríamos preguntarnos: ¿qué conceptos reconoce el estudiante?, ¿cuáles puede explicar sin recurrir a la herramienta?, ¿qué relaciones comprende?, ¿qué información necesita verificar? y ¿qué interpretación propia puede construir?

Estas preguntas modifican la función pedagógica del recurso. El producto deja de considerarse una evidencia suficiente de aprendizaje y se convierte en un objeto de análisis que permite explorar los conocimientos y procesos cognitivos del estudiante.

Esta perspectiva encuentra puntos de convergencia con el trabajo de Gonsalves, quien propone reconsiderar la taxonomía de Bloom frente a las exigencias cognitivas de la interacción con IA generativa. Su investigación exploratoria destaca la importancia de considerar procesos cognitivos, afectivos y metacognitivos durante estas interacciones.

La retroingeniería cognitiva comparte esta preocupación, pero plantea un enfoque específico: utilizar el producto generado como punto de partida para reconstruir y examinar los procesos intelectuales del estudiante.

Volver a recordar para aprender a pensar

En determinados discursos educativos, recordar suele interpretarse como una capacidad elemental frente a procesos considerados superiores, como analizar, evaluar o crear. Sin embargo, esta interpretación puede conducir a subestimar la importancia de los conocimientos fundamentales. Recordar no implica necesariamente reproducir información de manera mecánica. También comprende reconocer conceptos, recuperar conocimientos relevantes e identificar elementos necesarios para interpretar situaciones nuevas.

¿Cómo analizar un fenómeno si desconocemos sus componentes? ¿Cómo evaluar la veracidad de una afirmación si carecemos de referentes conceptuales? ¿Cómo formular una interpretación fundamentada si dependemos exclusivamente de las explicaciones proporcionadas por una herramienta? La disponibilidad inmediata de respuestas puede favorecer una ilusión de conocimiento: confundir el acceso a la información con su comprensión.

Por ello, recuperar la importancia del primer nivel de Bloom no representa un retroceso pedagógico. Puede constituir una decisión educativa deliberada para fortalecer conocimientos que la automatización permite omitir en determinadas circunstancias.

La intención no es privilegiar la memorización ni relegar los procesos cognitivos superiores, sino reconocer que el pensamiento crítico requiere conocimientos sobre los cuales ejercerse.

Un docente que desconoce los fundamentos de una teoría difícilmente podrá identificar las imprecisiones de una respuesta generada mediante IA. Del mismo modo, un estudiante que no comprende un concepto puede aceptar una explicación incorrecta simplemente porque se presenta con claridad y coherencia aparente. En este escenario, recordar y comprender adquieren una relevancia renovada: contribuyen a establecer los referentes conceptuales necesarios para interactuar críticamente con los sistemas de inteligencia artificial.

Del producto terminado al pensamiento crítico

La posibilidad de generar recursos educativos mediante instrucciones formuladas en lenguaje natural ha transformado las condiciones de producción de contenidos académicos y plantea nuevos desafíos para la evaluación del aprendizaje. Tradicionalmente, los trabajos académicos se han valorado considerando su estructura, contenido, presentación, originalidad y cumplimiento de los objetivos establecidos. Estos criterios conservan su importancia, pero pueden resultar insuficientes cuando un sistema automatizado es capaz de producir resultados que satisfacen buena parte de esas exigencias.

La evaluación no debería limitarse a determinar si el producto está correctamente elaborado. También debe permitir identificar qué conocimientos movilizó el estudiante, qué decisiones tomó, qué información verificó y hasta qué punto puede justificar sus interpretaciones.

Esta preocupación coincide con las orientaciones del MIT Sloan Teaching & Learning Technologies, que recomiendan diseñar experiencias educativas considerando las capacidades de la IA y estableciendo evidencias apropiadas para demostrar los resultados de aprendizaje esperados.

En este contexto, la mediación docente adquiere particular relevancia. No basta con enseñar a formular instrucciones eficaces para obtener mejores respuestas. También es necesario fortalecer el dominio conceptual, la contrastación de fuentes, la identificación de errores y la formulación de juicios fundamentados.

De lo contrario, existe el riesgo de confundir la competencia instrumental para utilizar una herramienta con la capacidad intelectual para comprender y evaluar sus resultados. Esto no implica rechazar la inteligencia artificial ni desconocer sus posibilidades educativas. Por el contrario, permite aprovecharla para diversificar las representaciones del conocimiento, explorar perspectivas alternativas y enriquecer las experiencias de aprendizaje.

La distinción fundamental es que la inteligencia artificial puede producir resultados asociados con tareas cognitivamente complejas, pero su calidad no demuestra, por sí misma, que el usuario haya desarrollado las capacidades correspondientes.

Por ello, necesitamos evaluar no solamente aquello que se entrega, sino también lo que se comprende y las decisiones que el estudiante puede defender de manera autónoma.

De la propuesta conceptual a su aplicación educativa

Para que la retroingeniería cognitiva trascienda el plano conceptual, resulta necesario considerar cómo podría incorporarse a las experiencias de enseñanza y evaluación.

Una posible aplicación consistiría en presentar a los estudiantes un producto generado mediante IA y solicitarles que realicen un proceso de reconstrucción intelectual organizado en cinco momentos:

1.    Reconocimiento conceptual: identificar los términos, principios y conocimientos fundamentales presentes en el producto.

2.    Reconstrucción de significados: explicar los conceptos y relaciones representados mediante conocimientos propios y fuentes pertinentes.

3.    Análisis crítico: examinar la organización del contenido, sus supuestos y posibles inconsistencias.

4.    Verificación y evaluación: contrastar las afirmaciones con fuentes confiables, identificar errores y justificar los juicios formulados.

5.    Transformación fundamentada: modificar o reconstruir el producto original mediante decisiones intelectualmente justificadas.

Estos momentos no constituyen una nueva jerarquía cognitiva ni deben interpretarse como etapas obligatoriamente secuenciales. Representan una posible organización didáctica de procesos que pueden desarrollarse de manera iterativa.

La propuesta permitiría complementar la evaluación del producto con explicaciones orales, análisis de errores, defensa de decisiones y actividades de transferencia a situaciones nuevas. No obstante, su efectividad deberá examinarse mediante investigaciones que permitan establecer sus posibles beneficios y limitaciones.

Cuando crear ya no es suficiente

La inteligencia artificial generativa invita a revisar algunas de nuestras concepciones sobre las evidencias del aprendizaje. Durante mucho tiempo, elaborar un producto original representó una manifestación importante de determinadas capacidades cognitivas. Actualmente, esa relación requiere una interpretación más cuidadosa.

La creación continúa siendo un proceso cognitivo relevante. Lo que ha cambiado es que el producto observable puede obtenerse con una participación intelectual del usuario muy variable. Por ello, reconsiderar el recorrido habitual asociado con la taxonomía de Bloom no significa cuestionar el valor de sus procesos cognitivos, sino recuperar su importancia en un entorno donde los resultados pueden aparecer antes de que exista una comprensión suficiente.

La retroingeniería cognitiva del aprendizaje constituye, por ahora, una propuesta conceptual que requiere desarrollo metodológico y validación empírica. Su propósito consiste en utilizar los productos generados mediante IA como oportunidades para recuperar, examinar y fortalecer los procesos intelectuales que sustentan el aprendizaje.

Quizá sea momento de dejar de preguntar únicamente qué recursos pueden elaborar los estudiantes con inteligencia artificial y comenzar a preguntar qué saben, qué comprenden, qué pueden explicar y qué decisiones son capaces de justificar después de utilizarla. Porque producir información no equivale necesariamente a apropiarse intelectualmente de ella.

Si la inteligencia artificial puede entregarnos una creación en segundos, nuestra responsabilidad educativa consiste en preservar y fortalecer los procesos cognitivos que permiten comprenderla, cuestionarla y transformarla.

Tal vez no necesitemos invertir la pirámide de Bloom. Tal vez necesitemos reconsiderar qué significa aprender cuando las máquinas pueden producir aquello que tradicionalmente utilizábamos para demostrarlo.

Referencias

1.    Anderson LW, Krathwohl DR, editors. A taxonomy for learning, teaching, and assessing: a revision of Bloom's taxonomy of educational objectives. New York: Longman; 2001.

2.    Gonsalves C. Generative AI's impact on critical thinking: revisiting Bloom's taxonomy. J Mark Educ. 2026;48(1):4-19. doi:10.1177/02734753241305980.

3.    MIT Sloan Teaching & Learning Technologies. 4 steps to design an AI-resilient learning experience [Internet]. Cambridge (MA): Massachusetts Institute of Technology; [fecha desconocida; citado 2026 nov 5]. Disponible en: https://mitsloanedtech.mit.edu/ai/teach/4-steps-to-design-an-ai-resilient-learning-experience/

 

miércoles, 11 de noviembre de 2026

¿Siguen siendo necesarios los libros de texto en la era de la inteligencia artificial?


Durante muchos años, los profesores universitarios dedicamos una parte importante de nuestro tiempo a crear libros de texto. Seleccionamos contenidos, creamos explicaciones, agregamos imágenes y esquemas, elaboramos ejercicios y propusimos actividades. El libro era una referencia fundamental para el estudiante y, en numerosos casos, representaba la principal fuente de información de nuestra asignatura.

La expansión de Internet comenzó a modificar esta situación. El estudiante encontró múltiples fuentes de información que complementaban y, en ocasiones, sustituían las explicaciones del libro. Hoy, la inteligencia artificial generativa introduce un cambio más profundo. Ya no es indispensable buscar entre varias páginas para encontrar una explicación. Basta formular una pregunta para recibir una respuesta, solicitar ejemplos, resolver ejercicios o pedir que un concepto complejo se explique con palabras más sencillas. Pero como la mayoría de nuestros libros se distribuyen en formato digital, es más rápido resumirlo y “comprenderlo”.

Esta transformación nos obliga a revisar una práctica académica arraigada: escribir libros de texto como si el profesor conservara el control sobre las fuentes de información que consultarán sus estudiantes.

¿Tiene sentido seguir escribiendo libros con extensas explicaciones y ejercicios cuyas soluciones pueden obtenerse en segundos mediante la IA? ¿Qué debería ofrecer un libro para conservar su valor pedagógico? La respuesta no parece encontrarse en abandonar los libros, sino en reconsiderar su función dentro del proceso de aprendizaje.

¿Qué nos dicen las investigaciones recientes?

Una experiencia especialmente relacionada con este problema es Learn Your Way, presentada por Google Research en septiembre de 2025. Su propuesta consiste en transformar los materiales de los libros de texto mediante inteligencia artificial generativa. El estudiante puede acceder a representaciones alternativas del contenido, mapas mentales, explicaciones en audio, cuestionarios interactivos y ejemplos adaptados a sus intereses.

En una evaluación comunicada por Google, los estudiantes que utilizaron esta herramienta alcanzaron un 78 % en una prueba de retención realizada entre tres y cinco días después del estudio. Quienes emplearon un lector digital convencional obtuvieron un 67 %. La diferencia fue de 11 puntos porcentuales.

El resultado es interesante porque sugiere que una organización más flexible de los contenidos puede favorecer la retención. Sin embargo, debemos interpretarlo con cautela. Se trata de una investigación vinculada al desarrollo de la propia herramienta. Además, mejorar los resultados de una prueba de retención no equivale necesariamente a desarrollar mayor autonomía intelectual o capacidad de aplicación del conocimiento.

Otra investigación ofrece una perspectiva diferente. Hamsa Bastani y sus colaboradores publicaron en 2025, en la revista Proceedings of the National Academy of Sciences (PNAS), un estudio experimental con cerca de mil estudiantes de matemáticas de secundaria. Compararon el uso de una IA que facilitaba respuestas con otra diseñada para proporcionar orientaciones pedagógicas.

Los resultados mostraron que la IA podía mejorar considerablemente el desempeño mientras los estudiantes resolvían ejercicios. Sin embargo, apareció un problema cuando tuvieron que trabajar sin esa ayuda. Quienes habían utilizado la versión que facilitaba respuestas obtuvieron resultados inferiores a los estudiantes que nunca habían tenido acceso a la herramienta. Por el contrario, las orientaciones pedagógicas incorporadas en la otra versión redujeron ese efecto negativo.

Este hallazgo merece especial atención. Un estudiante puede resolver correctamente una actividad con ayuda de la IA y, aun así, no haber desarrollado los conocimientos necesarios para resolverla de manera independiente. El problema no está solamente en la herramienta utilizada. También importa cómo se organiza la actividad y qué clase de ayuda recibe el estudiante.

En 2026, Branislav Fecko y sus colaboradores publicaron una investigación que examina directamente la incorporación de un libro interactivo con inteligencia artificial en la enseñanza de ingeniería eléctrica. El estudio comparó resultados académicos durante cuatro años y analizó la experiencia de integrar funciones interactivas y adaptativas en el material de estudio.

Los investigadores identificaron mejoras en algunas evaluaciones intermedias. Sin embargo, los resultados finales no fueron uniformes y determinadas diferencias carecieron de significación estadística. Por tanto, el estudio no permite afirmar que incorporar IA a un libro de texto garantice mejores aprendizajes.

Una cuarta investigación, publicada por Chrysanthi Melanou, Maik Beege y Martin Kimmig en 2026, examinó la relación entre IA generativa y aprendizaje universitario durante un semestre. Participaron 87 estudiantes distribuidos en tres grupos. Uno utilizó IA con orientación pedagógica, otro empleó IA sin esa orientación específica y un tercero trabajó sin IA.

Los tres grupos mejoraron sus conocimientos. Sin embargo, las diferencias entre ellos no permitieron demostrar una ventaja adicional estadísticamente significativa por utilizar inteligencia artificial. Los investigadores encontraron que el uso reflexivo de la tecnología tenía importancia para los resultados educativos.

Estas investigaciones, aunque diferentes en sus objetivos, participantes y metodologías, permiten reconocer un aspecto común: el acceso a herramientas más avanzadas no garantiza por sí mismo un aprendizaje de mayor calidad.

El libro de texto ante una nueva realidad educativa

La investigación también nos conduce a considerar otra transformación: la expansión de los recursos educativos abiertos. En 2023, Ahmed Tlili y sus colaboradores publicaron un metaanálisis que reunió 25 estudios y datos de 119.840 participantes. Su objetivo fue examinar los efectos de los recursos y las prácticas educativas abiertas sobre el rendimiento académico.

Los autores encontraron un efecto positivo y estadísticamente significativo, pero de magnitud prácticamente despreciable. Esto significa que disponer de materiales abiertos no garantiza automáticamente mejores resultados académicos. No obstante, su importancia también reside en otras posibilidades. Los recursos abiertos pueden facilitar el acceso, la adaptación y la actualización de los contenidos, siempre que sus licencias permitan estos usos.

Esta característica adquiere relevancia en un contexto donde los conocimientos y las tecnologías cambian con rapidez. Un libro universitario no tiene necesariamente que permanecer sin cambios durante años. Puede conservar sus fundamentos conceptuales y actualizar determinados ejemplos, investigaciones y actividades.

Pero la cuestión más importante va más allá de publicar libros digitales o incorporar asistentes inteligentes. Debemos distinguir entre escribir un libro con ayuda de la IA y escribir un libro para estudiantes que utilizan IA.

En el primer caso, el profesor emplea la tecnología para apoyar la redacción, revisar contenidos, producir imágenes o elaborar ejercicios. Puede trabajar con mayor rapidez, aunque sigue siendo responsable de verificar y seleccionar los materiales.

En el segundo caso, cambia el problema pedagógico. El autor debe considerar que sus estudiantes tendrán acceso a explicaciones alternativas, podrán resolver numerosas actividades con ayuda tecnológica y dispondrán de herramientas que intervienen en sus procesos de estudio.

Los dos casos anteriores nos llevan a una conclusión: el libro no puede diseñarse ignorando esa realidad.

Desde nuestra perspectiva, el profesor que escribe un libro de texto conserva una responsabilidad fundamental: seleccionar conocimientos relevantes, organizarlos de manera coherente y establecer relaciones que faciliten su comprensión. La inteligencia artificial no elimina esa función.

Sin embargo, la disponibilidad de información obliga a preguntarnos si el libro debe continuar centrado principalmente en transmitir contenidos o si necesita conceder mayor importancia a la construcción del conocimiento.

Un libro puede contener explicaciones excelentes y, aun así, resultar insuficiente cuando sus actividades se limitan a solicitar definiciones, reproducir conceptos o resolver ejercicios que la IA completa automáticamente.

Esto no significa que debamos eliminar las explicaciones, las imágenes o los ejercicios tradicionales. Siguen siendo necesarios. El problema consiste en determinar qué función desempeñan y cómo contribuyen al aprendizaje.

Las investigaciones revisadas todavía no ofrecen un modelo definitivo de libro de texto para la era de la inteligencia artificial. Sus resultados son heterogéneos y muchos estudios se concentran en experiencias específicas. Tampoco podemos trasladar automáticamente los hallazgos obtenidos en secundaria a todas las disciplinas universitarias.

Pero sí permiten cuestionar una idea que suele acompañar la incorporación de nuevas tecnologías: que más recursos, mayor interactividad o respuestas inmediatas producen necesariamente mejores aprendizajes. No se trata de cantidad y variedad, sino de su inserción como componente de la actividad de aprendizaje. El libro de texto sigue teniendo sentido, aunque su valor no debería depender exclusivamente de la cantidad de información que contiene.

En nuestra opinión, el desafío ya no consiste solamente en escribir un libro que explique bien una asignatura, sino en crear un recurso que ayude al estudiante a aprender cuando dispone de múltiples explicaciones y de una inteligencia artificial capaz de responder sus preguntas.

La diferencia parece sencilla, pero sus consecuencias para la elaboración de materiales educativos pueden ser profundas. Los profesores hemos dedicado años a enseñar mediante libros. Ahora debemos investigar cómo escribirlos para una generación que puede conversar con la información, obtener soluciones inmediatas y producir contenidos con ayuda de la IA.

El libro no ha perdido su razón de ser. Lo que necesitamos revisar es la manera de concebirlo.

Y esa revisión debe comenzar con una pregunta esencial: si la inteligencia artificial puede ofrecer tantas respuestas, ¿qué experiencias de aprendizaje debe proporcionar el libro para que el estudiante desarrolle sus propias capacidades de comprender, analizar y pensar?

Fuentes consultadas

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Elidan, G., y Haramaty, Y. (2025, 16 de septiembre). Learn Your Way: Reimagining textbooks with generative AI. Google Research. https://research.google/blog/learn-your-way-reimagining-textbooks-with-generative-ai/

Fecko, B., Dziak, J., Vince, T., y Molnár, J. (2026). Generative AI interactive textbook in electrotechnics: A four-year comparative study on student performance and inclusion. Computers and Education: Artificial Intelligence. https://doi.org/10.1016/j.caeai.2026.100611

Melanou, C., Beege, M., y Kimmig, M. (2026). Generative AI and learning dynamics in higher education: A longitudinal empirical study. Journal of Computer Assisted Learning, 42(5), e70322. https://doi.org/10.1002/jcal.70322

Tlili, A., et al. (2023). Are open educational resources (OER) and practices (OEP) effective in improving learning achievement? A meta-analysis and research synthesis. International Journal of Educational Technology in Higher Education, 20, artículo 54. https://doi.org/10.1186/s41239-023-00424-3