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/

 

No hay comentarios:

Publicar un comentario