ChatGPT y la conversación pedagógica

En colaboración con Mercedes Leticia Sánchez Ambriz

Para muchos de los que empleamos la IA su principal atributo es la manera de responder a nuestra pregunta. Así nos acostumbramos a esperar y pocas veces logramos mantener una conversación guiada. En el blog comentamos de una experiencia de este tipo de diálogo con múltiples participantes. Hasta ahora el diálogo era más escrito y con respuestas amplias. Pero con la nueva actualización de las voces de ChatGPT, el diálogo es precisamente una conversación, donde ambos interlocutores preguntan y responden.

Así la conversación abre una posibilidad didáctica de gran interés: transformar al asistente artificial en un mediador del pensamiento. En lugar de entregar todo el contenido de una vez, la IA puede conducir al estudiante mediante preguntas sucesivas, breves intervenciones, solicitudes de justificación y pequeñas tareas de análisis. Este cambio modifica la relación del estudiante con el conocimiento.

Ahora estamos en otra dimensión, no se trata de recibir información, sino de construir respuestas.

De la respuesta automática al diálogo mediado

Una conversación con la IA no puede consistir en la acumulación de datos, su valor está en el recorrido que obliga a realizar. Aquí se inicia uno de los problemas que seguimos experimentando: cómo preguntar. Pero con la conversación guiada, con ChatGPT la pregunta superficial puede transformase en una charla donde se aprende a preguntar y responder sobre un tema.

Por ejemplo, ante la pregunta: “¿Qué ventaja tiene PowerPoint en una clase?”, un estudiante puede responder: “Motiva más”. Una IA usada con sentido pedagógico no debería quedarse en validar esa respuesta. Podría preguntar: “¿Esa motivación depende de la herramienta o del diseño didáctico que haga el profesor?”.

En ese momento, la conversación cambia de nivel. La respuesta inicial deja de ser una opinión aislada y se convierte en punto de partida para el razonamiento. El estudiante debe precisar, argumentar y revisar su idea.

Estamos en presencia de una nueva utilidad didáctica.

La conversación guiada permite que el estudiante avance en pequeños pasos. Primero inicia con su pregunta a la IA, después escucha la respuesta y la nueva pregunta. Revisa lo que dijo, compara, argumenta y aplica. La IA no sustituye su pensamiento, lo provoca. No le entrega el producto terminado. Lo acompaña en la construcción de una respuesta más elaborada.

Desde una perspectiva histórico cultural, esta forma de interacción puede entenderse como una mediación. El aprendizaje no ocurre solo por exposición al contenido. Se produce en la actividad, en el diálogo, en la relación entre lo que el estudiante puede hacer por sí mismo y lo que logra hacer con ayuda. La IA puede ubicarse en ese espacio de ayuda, siempre que el profesor oriente su uso.

El valor no está en conversar por conversar. Está en diseñar una secuencia de preguntas con intención didáctica.

Una buena pregunta revela el pensamiento del estudiante. Permite saber qué comprende, qué confunde, qué repite sin elaborar y qué puede argumentar. Por eso, esta forma de trabajo también tiene valor evaluativo. No evalúa solo el producto final, permite observar el proceso de razonamiento. Pero lo más importante es que ayuda al propio estudiante a reconocer cómo piensa.

La conversación se convierte entonces en una forma de evaluación formativa. No espera al examen para descubrir el error: lo detecta durante el recorrido.

Del uso instrumental al pensamiento guiado

Uno de los riesgos actuales del uso educativo de la IA es convertirla en una herramienta para terminar tareas. El estudiante pregunta, copia, entrega y avanza sin revisar. En ese uso, la IA contribuye a debilitar el aprendizaje. Produce textos correctos en apariencia, pero no siempre genera comprensión.

La conversación guiada intenta romper esa lógica. En vez de entregar el resultado, obliga a construirlo. En vez de responderlo todo, dosifica la ayuda. En vez de sustituir el esfuerzo intelectual, lo organiza.

Esta forma de trabajo reduce la saturación cognitiva. Muchas respuestas generadas por IA son largas, ordenadas y convincentes, pero el estudiante puede leerlas sin procesarlas. Una secuencia de preguntas breves permite trabajar una idea cada vez. El estudiante responde, contrasta y corrige. La comprensión aparece como una elaboración gradual, no como una descarga de información.

También favorece la metacognición. Cuando la IA pregunta por qué se sostiene una idea, qué evidencia la respalda o cómo se aplicaría en una clase concreta, el estudiante debe mirar su propio razonamiento. No solo responde, examina la calidad de su respuesta.

Ese proceso tiene una relación directa con el pensamiento crítico. La crítica no nace de negar una idea, sino de someterla a examen. Una conversación bien conducida puede pedir fundamentos, mostrar límites, plantear condiciones nuevas y exigir una decisión argumentada.

Por ejemplo, ante la afirmación de que PowerPoint mejora una clase, la IA puede preguntar qué ocurre si la diapositiva tiene demasiado texto. Luego puede preguntar qué papel cumple la imagen. Después puede pedir que se transforme una diapositiva informativa en una pregunta problémica. Al final, puede solicitar un criterio para evaluar la calidad didáctica de una presentación.

Esa secuencia lleva al estudiante desde una idea inicial hacia una posición pedagógica más sólida. Pero el éxito está en enseñar al estudiante a razonar de esta manera y no a correr para obtener la respuesta que requiere.

La Taxonomía de Bloom puede ayudar a organizar este proceso. La conversación puede iniciar con preguntas de recuerdo y comprensión. Luego puede avanzar hacia la aplicación, el análisis, la evaluación y la creación. No se trata de mencionar la taxonomía como adorno teórico, sino de convertirla en una ruta de pensamiento.

El estudiante debe estar claro en cómo iniciar la conversación. Definir su objetivo es la primera tarea, porque no toda conversación con IA tiene valor educativo. Una cadena de preguntas sin dirección puede cansar al estudiante. Una pregunta demasiado fácil puede producir respuestas mecánicas. Una pregunta mal formulada puede confundir, mientras que una intervención permanente puede generar dependencia.

La clave está en diseñar diálogos con sentido didáctico.

Una posible secuencia para la conversación del estudiante con la conversación en vivo con ChatGPT podría comenzar con una pregunta simple: qué ventaja pedagógica tiene una presentación digital. En el diálogo se deben presentar diferentes problemas: el exceso de texto, la ausencia de animación, las imágenes sin sentido, entre otras razones. Con esta conversación el estudiante tiene material suficiente para llegar a una conclusión de la importancia del diseño en las dispositivas. Este cierre es necesario. Es la producción personal, para que la conversación sea efectiva.

La conversación guiada en ChatGPT abre una posibilidad didáctica relevante: ayudar a que el estudiante no solo busque respuestas, sino que aprenda a formularlas mejor. La pregunta deja de ser un recurso secundario y se convierte en el eje del aprendizaje.

La IA que pregunta bien puede ayudar a pensar mejor. Esa es su mayor utilidad pedagógica.

 

 

 

NotebookLM como mediador cognitivo en la educación superior

  

En colaboración con Mercedes Leticia Sánchez Ambriz 

La educación superior enfrenta un problema que no se resuelve con más información. Los estudiantes tienen acceso a libros, artículos, guías, videos, repositorios y documentos de todo tipo, pero esa abundancia no siempre se convierte en conocimiento. Con frecuencia, el material se acumula sin una ruta clara de lectura. Se subrayan fragmentos, se guardan archivos y se elaboran trabajos que parecen correctos, aunque revelan una apropiación débil del contenido. El desafío pedagógico no está solo en acceder a fuentes, sino en aprender a trabajar con ellas, lo que se traduce en evitar la aitoxicación del conocimiento. (Bravo Carlos & Sánchez Mercedes, 2026)

Para colaborar en la disminución de la aitoxicación encontramos en NotebookLM un asistente de investigación con inteligencia artificial orientado a organizar ideas, trabajar con fuentes cargadas por el usuario, responder con información basada en esas fuentes y transformar documentos en guías de estudio, resúmenes, mapas mentales y otros formatos de apoyo (Google, 2026). La verdadera dimensión de esta herramienta está en la forma en que la empleamos para convertirla en un mediador cognitivo entre el estudiante y los documentos.

Un mediador cognitivo reorganiza la actividad intelectual del estudiante. Ayuda a formular preguntas, identificar relaciones, jerarquizar conceptos, recuperar evidencias y revisar la coherencia entre lo que se afirma y la fuente consultada. En este sentido, el valor de NotebookLM no reside en producir respuestas listas, sino en acompañar al estudiante durante la lectura, la investigación y la escritura académica.(González, 2026)

De la lectura dispersa a la mediación cognitiva

Desde el enfoque histórico cultural, el aprendizaje no se reduce a una actividad individual encerrada en la mente del estudiante. Vygotsky mostró que el desarrollo de las funciones psicológicas superiores se construye mediante instrumentos, signos, lenguaje e interacción social (González Berta, 2019). En esa perspectiva, las tecnologías no son neutras, modifican la forma en que el sujeto se relaciona con el conocimiento, con los otros y consigo mismo. NotebookLM actúa como un instrumento cultural digital cuando interviene en la relación entre el estudiante y sus fuentes de estudio.

La mediación cognitiva se observa cuando el estudiante deja de leer documentos aislados y comienza a establecer vínculos entre ellos. Un texto se relaciona con otro, una categoría aparece en varios autores, una definición se amplía con un ejemplo, una idea se contradice con otra y los sesgos en la información se encuentran con más precisión. NotebookLM ayuda a ordenar ese campo inicial de información y ofrece una primera estructura de lectura. Sin embargo, esa estructura no debe ser aceptada de manera pasiva, debe ser interrogada, contrastada y corregida por el estudiante.

En el proceso anterior se encuentra una organización didáctica, que favorece la conversión de la información en conocimiento. NotebookLM no sustituye la lectura; la vuelve más dialogada, porque el estudiante pregunta, revisa, vuelve a la fuente y reelabora. El estudiante realiza operaciones que quizá no lograría solo, pero que alcanza con apoyos externos: sintetizar, comparar, clasificar, argumentar y verificar. La herramienta funciona como andamiaje, siempre que el docente diseñe tareas que obliguen a pensar y no solo a recibir respuestas. Es de esta manera como este proceso sigue la conocida zona de desarrollo próximo.

También existe una relación directa con la teoría de la carga cognitiva (Alisoy, 2025). Muchos estudiantes se saturan ante documentos extensos, lenguaje técnico y múltiples fuentes. Esa saturación reduce la comprensión y favorece la copia superficial. NotebookLM disminuye la carga inicial al ofrecer síntesis, preguntas orientadoras o representaciones visuales. Pero reducir la carga no significa empobrecer el pensamiento. El propósito educativo debe ser liberar recursos mentales para operaciones de mayor nivel: analizar, interpretar, contrastar y producir una posición propia (Sweller, 1988)

El aprendizaje autorregulado aporta otra dimensión. Un estudiante autónomo planifica, controla y evalúa su proceso de aprendizaje (Zimmerman, 2002). NotebookLM apoya esas acciones si se usa con intencionalidad. En la planificación, facilita la búsqueda documental a partir de la realización de una investigación rápida o profunda, además de cargar directamente las fuentes que obtuvimos en otras búsquedas. En la etapa de control, permite formular preguntas durante la lectura. En la evaluación, facilita revisar si una respuesta tiene respaldo en las fuentes. De esta manera, la IA deja de ser una máquina de respuestas y se convierte en un recurso para observar el propio proceso cognitivo. En todas estas etapas se requiere que el estudiante empleé diferentes prompts para obtener el mejor rendimiento. De este tema comentaremos en otro trabajo.

En todo este proceso siempre se corre el riesgo de que el estudiante confunda mediación con sustitución. Si acepta cada salida de la IA sin examinarla, NotebookLM se convierte en una autoridad opaca debilitando el juicio académico. La fluidez textual no garantiza comprensión, la respuesta ordenada no siempre representa la complejidad de los autores. Una síntesis clara no siempre conserva los matices del documento original. Por eso, la mediación tecnológica exige mediación humana.

Fuentes cerradas para aprender, investigar y escribir

Una de las características pedagógicas más valiosas de NotebookLM es su trabajo con fuentes delimitadas. El usuario incorpora documentos al cuaderno y la interacción se produce a partir de esas fuentes. La ayuda oficial de Google precisa que el modelo utiliza las fuentes cargadas para responder preguntas o completar solicitudes, con distintos tipos de documentos admitidos, entre ellos PDF, archivos de texto, documentos de Google, presentaciones, audios, páginas web y videos públicos de YouTube con transcripción (Google, 2026) Esta lógica diferencia a NotebookLM de otros entornos conversacionales abiertos, donde la respuesta suele provenir de un campo menos visible para el estudiante.

El entorno documental cerrado fortalece la respuesta. La pregunta ya no es solo qué responde la IA, sino desde qué fuentes responde. Esto tiene consecuencias pedagógicas directas. El docente puede solicitar que cada afirmación relevante sea contrastada con el documento cargado. También puede pedir al estudiante que compare la síntesis generada con el texto original, detecte omisiones y explique qué criterios usó para aceptar o modificar la respuesta. La evaluación se desplaza del producto final al proceso de construcción del conocimiento.

En investigación científica, NotebookLM apoya la organización inicial del campo teórico. Un estudiante que inicia una tesis suele reunir muchos documentos, pero no siempre sabe cómo convertirlos en categorías, preguntas o relaciones conceptuales. El cuaderno ayuda a reconocer núcleos temáticos, localizar coincidencias entre autores, diferenciar enfoques y preparar esquemas argumentales. No reemplaza la revisión bibliográfica. La búsqueda sistemática, la selección de fuentes, la valoración metodológica y la interpretación siguen perteneciendo al investigador. En este punto como indicamos en párrafos anteriores es necesario conocer con exactitud qué preguntar, en otras palabras, qué prompt crear.

Para la escritura académica ocurre algo similar. NotebookLM asiste en la recuperación de ideas, el ordenamiento de argumentos, la elaboración de esquemas y la revisión de definiciones. También ayuda a trabajar la paráfrasis responsable, siempre que el estudiante conserve la atribución de ideas y revise el sentido de lo escrito. La escritura científica no consiste en producir frases correctas. Consiste en construir una posición sustentada, dialogar con autores y formular una contribución reconocible. En dependencia de la configuración que se realice al cuaderno, este puede devolver todas las fuentes en un formato específico de notación bibliográfica

Un estudio reciente sobre la enseñanza universitaria de Historia Antigua analizó NotebookLM como mediador cognitivo a partir de textos grecolatinos sobre la fundación de Roma. La experiencia trabajó con un corpus cerrado, generó resúmenes, mapas conceptuales, tarjetas didácticas, audios y videos, y mostró aportes para la estructuración cognitiva, la retención y el aprendizaje multimodal. El mismo estudio advirtió riesgos: homogeneización del discurso histórico, pérdida de matices filológicos y necesidad de supervisión humana (González, 2026). Esta conclusión resulta clave para cualquier área universitaria: la IA apoya la comprensión, pero no reemplaza la interpretación crítica.

En estos momentos estamos trabajando en la integración de NotebookLM en Moodle. Para una maestría en Educación Superior y Tecnología educativa, impartimos un módulo donde se vinculan las redes sociales, la inteligencia artificial y la curación de contenidos. Para cada unidad se creó un cuaderno, con fuentes curadas por el profesor y que debían ser consultadas por los participantes para responder a las evaluaciones del módulo. En este caso el aula virtual dejó de ser el almacén de archivos que los estudiantes rara vez leen. En un próximo trabajo informaremos de los resultados y opiniones de los estudiantes.

Los estudiantes consultan cada cuaderno y realizan las preguntas necesarias para aclarar sus dudas y redactar sus trabajos. Se produce un dialogo con las fuentes, que es imposible en Moodle y culmina con una producción propia del estudiante. En esa ruta, la IA cede su protagonismo a la actividad intelectual: leer, preguntar, verificar, argumentar, escribir y evaluar.

NotebookLM representa una oportunidad para renovar la lectura académica en educación superior. Su aporte no está en acelerar la entrega de tareas, sino en hacer visible el proceso de comprensión. Bien integrado, ayuda a que el estudiante dialogue con fuentes, organice ideas y revise evidencias. Mal empleado, produce respuestas limpias con pensamiento ausente. La diferencia no está solo en la tecnología, sino en la organización pedagógica que la orienta.

El reto docente consiste en convertir la inteligencia artificial en mediación y no en dependencia. NotebookLM será valioso cuando ayude a leer con mayor profundidad, investigar con más orden y escribir con fundamento. Su lugar no es sustituir al estudiante ni al profesor, sino acompañar una relación más consciente con el conocimiento. En tiempos de IA generativa, la universidad no debe renunciar al pensamiento crítico, debe enseñarlo con nuevos instrumentos.

 

Alisoy, H. (2025). Can NotebookLM Support English Language Learners? A Theoretical Perspective on AI Tools in Education. Porta Universorum, 1(6), 25–55. https://doi.org/10.69760/PORTUNI.0106003

González Berta. (2019). ¿Por qué el enfoque histórico cultural? Inter-Cambios. Dilemas y Transiciones de La Educación Superior, 4(2). https://doi.org/10.29156/INTER.5.2.2

González, F. J. C. (2026). De las fuentes clásicas a la Inteligencia Artificial: Notebook LM como mediador cognitivo en la enseñanza universitaria de Historia Antigua. AI & Antiquity, 2(1), 11–24. https://doi.org/10.64946/AIANTIQUITY.V2I1.001

Bravo Carlos, & Sánchez Mercedes. (2026). La nueva Aitoxicación de conocimiento. https://www.amazon.es/dp/B0GYB53VPB

Google. (2026). Google, soporte de NotebookLM. https://support.google.com/notebooklm/answer/16164461?hl=en&ref_topic=16164070

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1016/0364-0213(88)90023-7

Zimmerman, B. (2002). Becoming a Self-Regulated Learner: An Overview. Theory Into Practice, 41, 64–70. https://doi.org/10.1207/s15430421tip4102_2

El nuevo despertar docente frente a la inteligencia artificial

En colaboración con Mercedes Leticia Sánchez

La historia humana siempre ha estado vinculada con la capacidad de crear herramientas para ampliar las posibilidades de existencia. Durante miles de años, las tecnologías estuvieron orientadas principalmente a extender las capacidades físicas humanas: cultivar la tierra, transportar objetos, construir ciudades o acelerar procesos mecánicos.

La revolución industrial marcó un punto de inflexión al permitir que las máquinas sustituyeran parte del esfuerzo físico humano mediante procesos automatizados de producción. Más tarde, las tecnologías digitales ampliaron las capacidades de comunicación y acceso a la información. En la actualidad, la inteligencia artificial introduce una diferencia fundamental respecto a las revoluciones anteriores: la herramienta deja de limitarse al trabajo físico o mecánico y comienza a intervenir en espacios asociados históricamente con la cognición humana.

Actualmente, sistemas de inteligencia artificial pueden redactar textos, producir imágenes, analizar datos, generar simulaciones conversacionales y organizar grandes volúmenes de información en cuestión de segundos. Aunque estas tecnologías no poseen conciencia humana ni comprensión emocional auténtica, sí transforman profundamente la manera en que las personas interactúan con el conocimiento.

Esta transición modifica la percepción tradicional sobre la inteligencia y la creación. Durante siglos, escribir, interpretar o producir conocimiento eran actividades exclusivamente humanas. Hoy, la humanidad presencia el surgimiento de sistemas capaces de simular ciertas expresiones del pensamiento mediante algoritmos entrenados con enormes cantidades de datos.

El impacto cultural de este cambio es profundo. La humanidad atraviesa una etapa donde la inteligencia deja de percibirse únicamente como una capacidad biológica individual y comienza a coexistir con sistemas artificiales capaces de participar en procesos de producción simbólica y organización del conocimiento.

Caldevilla-Domínguez (2024) advierte que la incorporación de IA en la educación superior obliga a reflexionar críticamente sobre aspectos relacionados con transparencia, equidad, privacidad y responsabilidad ética. Por ello, el desafío contemporáneo no consiste solamente en incorporar nuevas tecnologías, sino en comprender críticamente el impacto humano y social de estas transformaciones.

El nuevo despertar docente

Durante décadas, gran parte del sistema educativo acostumbró al docente a desempeñar un papel predominantemente pasivo frente a la tecnología. Las plataformas digitales eran diseñadas por especialistas externos y el profesorado aprendía únicamente a utilizar herramientas previamente estructuradas. El docente ocupaba principalmente el rol de consumidor tecnológico.

Sin embargo, la inteligencia artificial generativa comienza a alterar profundamente esta dinámica.

Por primera vez, millones de docentes tienen acceso directo a sistemas capaces de asistir procesos de creación pedagógica mediante lenguaje natural. Actualmente, un profesor puede solicitar la generación de secuencias didácticas, rúbricas automatizadas, simuladores educativos, materiales multimedia o recursos adaptados a contextos específicos sin requerir conocimientos avanzados de programación.

Más allá de la automatización, este fenómeno representa una transformación histórica en la identidad profesional docente. El profesor deja de ser únicamente usuario de tecnología y comienza a participar activamente en la creación de soluciones pedagógicas digitales. Surge así una nueva figura: el docente creador.

El concepto de “despertar docente” no debe interpretarse únicamente como adquisición de competencias tecnológicas. Hace referencia a una toma de conciencia histórica frente a un cambio civilizatorio que redefine la relación entre humanidad, inteligencia y conocimiento.

El docente contemporáneo no solo aprende nuevas herramientas; también debe comprender críticamente las implicaciones culturales, éticas y epistemológicas de convivir con sistemas capaces de producir contenidos automatizados.

El riesgo de una automatización superficial

A pesar de las oportunidades que ofrece la inteligencia artificial, también existen riesgos asociados con una adopción superficial o acrítica de estas tecnologías.

Uno de los principales problemas consiste en sustituir el pensamiento pedagógico por producción automatizada de contenidos. Cuando la IA se utiliza únicamente para generar respuestas rápidas sin análisis crítico ni contextualización educativa, existe el riesgo de empobrecer la reflexión académica y debilitar la construcción intelectual propia.

Gallent-Torres et al. (2023) advierten que la inteligencia artificial generativa plantea desafíos relacionados con nuevas formas de plagio académico, problemas de autoría y riesgos para la integridad académica. El problema no radica exclusivamente en la existencia de herramientas inteligentes, sino en la posibilidad de reemplazar el pensamiento humano por automatización acrítica.

La preocupación ética también se extiende hacia la privacidad de datos, la transparencia algorítmica y los sesgos presentes en muchos sistemas inteligentes. Vílchez Ruiz (2024) señala que el desafío contemporáneo no consiste solamente en restringir el uso de IA, sino en enseñar formas éticas y responsables de interacción con estas tecnologías.

En este contexto, el nuevo despertar docente implica reconocer que la educación no puede reducirse a procesos automatizados. La inteligencia artificial puede asistir tareas pedagógicas, pero no sustituir dimensiones profundamente humanas como:

• la sensibilidad educativa;
• la interpretación crítica;
• la comprensión contextual;
• la construcción ética;
• y el acompañamiento emocional del aprendizaje.

La tecnología puede generar información; sin embargo, comprender críticamente el sentido humano del conocimiento continúa siendo una tarea fundamentalmente educativa y por ende humana.

Conclusiones

La inteligencia artificial representa uno de los cambios culturales y tecnológicos más significativos de la historia contemporánea. Más allá de sus capacidades técnicas, su verdadero impacto radica en modificar la manera en que la humanidad comprende la inteligencia, la creación y la producción del conocimiento.

La especie humana que alguna vez aprendió a sembrar la tierra ahora desarrolla sistemas capaces de producir textos, imágenes y respuestas mediante inteligencia artificial. Esta transición histórica no constituye únicamente una revolución tecnológica; representa también un cambio profundo en la relación entre humanidad y conocimiento.

En este escenario emerge un nuevo despertar docente frente a la IA. Este despertar no consiste únicamente en aprender a utilizar plataformas digitales o automatizar tareas pedagógicas. Consiste en tomar conciencia de que la educación atraviesa una transformación histórica donde cambian las formas de construir pensamiento, producir conocimiento y comprender la inteligencia misma.

El docente contemporáneo ya no puede permanecer únicamente como consumidor pasivo de tecnologías diseñadas por otros. Debe desarrollar capacidades críticas, éticas y creativas que le permitan participar activamente en la construcción del nuevo ecosistema educativo digital.

No obstante, este proceso exige prudencia y reflexión crítica. La inteligencia artificial no reemplaza la complejidad humana ni garantiza automáticamente progreso educativo. Su incorporación debe realizarse desde enfoques éticos y humanistas que prioricen el pensamiento crítico, la autonomía intelectual y la formación integral de las personas.

El verdadero desafío educativo del presente no consiste solamente en adaptarse tecnológicamente a la inteligencia artificial, sino en comprender críticamente el cambio de época que esta tecnología inaugura para la humanidad.

Referencias

Caldevilla-Domínguez, D. (2024). Usos éticos de la IA en la universidad moderna: Más allá del plagio. EDU Review, 12(1), 57–65. https://doi.org/10.37467/revedu.v12.5184

Flores Morales, J. A., Quinteros María Fe Guadalupe, R., Contreras Maguiña, A. P., & Luna Román, E. A. (2024). Originalidad y honestidad intelectual: Navegando por las aguas del plagio. Revista de Climatología, 24, 2032–2038. https://doi.org/10.59427/rcli/2024/v24cs.2032-2038

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134

Ibarra Beltrán, Á. de J., Aguayo Álvarez, Z., & Velázquez García, R. E. (2023). Desmitificando el plagio digital: percepciones y realidades de la ética estudiantil desde el Centro Universitario de Tonalá. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(5), 1418–1431. https://doi.org/10.56712/latam.v4i5.1403

Vílchez Ruiz, M. I. (2024). Contenido educativo con inteligencia artificial: ¿Restringir o enseñar a personalizar éticamente en el ámbito educativo? Revista Ciencia & Tecnología, 24(44).

 

La nueva aitoxicación del conocimiento

Nadie se dio cuenta de cuándo ocurrió. No hubo un momento preciso ni una señal que lo anunciara. Simplemente, un día empezamos a hacer las cosas más rápido: a comprender sin profundizar, a responder sin detenernos, a confiar en respuestas que aparecían antes de que termináramos de formular la pregunta.

Durante siglos, el diagnóstico fue claro: el problema era la escasez de información. Se asumía que ampliar el acceso al conocimiento permitiría mejorar la comprensión, fortalecer el pensamiento crítico y democratizar el saber. Ese objetivo se logró en buena medida. Hoy la información no solo es abundante, sino ubicua, inmediata y, en muchos casos, anticipatoria.

Sin embargo, en medio de esta expansión se produjo un desplazamiento menos visible, pero más profundo. Dejamos de pensar para buscar y comenzamos a buscar, o incluso a recibir, sin haber pensado antes. Las respuestas empezaron a llegar primero; el pensamiento, si aparece, lo hace después.

La irrupción de la inteligencia artificial marca un punto de inflexión. No se limita a facilitar el acceso a la información. Interviene en los recorridos del pensamiento: acorta búsquedas, organiza respuestas y reduce la fricción que históricamente acompañaba al acto de comprender. En ese contexto, pensar comienza a percibirse como un esfuerzo evitable.

El problema no radica en la tecnología en sí misma, sino en la relación que establecemos con ella. La claridad aparente, la inmediatez y la disponibilidad constante generan una ilusión de comprensión que puede sustituir los procesos de elaboración intelectual. Comprender no es recibir información; implica interrogarla, ponerla a prueba y apropiarse de ella.

A este fenómeno lo denominamos aitoxicación. No se trata únicamente de un exceso de información mediada por inteligencia artificial, sino de una transformación en la forma en que nos vinculamos con el conocimiento. La aitoxicación se manifiesta en la reducción de la duda, en la superficialidad interpretativa y en la delegación progresiva del pensamiento hacia sistemas que operan con rapidez, pero sin criterio humano.

Comprender este fenómeno exige situarlo en una trayectoria más amplia. La sobrecarga informativa no es nueva; ha acompañado a la humanidad desde la oralidad, la escritura y la imprenta hasta la era digital. Sin embargo, la inteligencia artificial introduce una diferencia cualitativa: ya no solo amplifica la información, sino que modifica las condiciones bajo las cuales pensamos con ella. En este desplazamiento, la infoxicación se transforma en aitoxicación, y con ello cambia no solo la cantidad de información disponible, sino la forma en que la procesamos.

Frente a este escenario, la respuesta no puede reducirse al rechazo ni a la desconexión. La inteligencia artificial forma parte del entorno contemporáneo y seguirá expandiéndose. El desafío no consiste en evitarla, sino en aprender a relacionarnos con ella sin perder la capacidad de pensar.

Este libro no busca rechazar ni idealizar la inteligencia artificial. Propone comprender cómo se configura la aitoxicación, cómo impacta en la mente, la docencia y la construcción del conocimiento, y cómo sostener una relación distinta con la tecnología. El libro se divide en cuatro partes y doce capítulos. La primera parte la denominamos el nacimiento de una nueva intoxicación; la segunda trató los síntomas de la aitoxicación; la tercera, la aitoxicación en educación, docencia e investigación, y en la cuarta exponemos el modelo C.A.R.E

Lo invitamos a obtener el libro en formato Kindle en esta dirección

 

Escribir bien para pensar mejor… y dialogar con la inteligencia artificial

En colaboración con Mercedes Leticia Sánchez Ambriz

Durante años, muchos docentes aprendimos que redactar correctamente significaba respetar reglas ortográficas, memorizar conjugaciones verbales o seguir estructuras gramaticales rígidas. Sin embargo, la llegada de la inteligencia artificial está transformando profundamente esta visión. Hoy escribir bien ya no es únicamente una habilidad académica: se ha convertido en una competencia fundamental para pensar, enseñar y comunicarse eficazmente con sistemas inteligentes. Hoy la pregunta tiene un alto valor al interactuar con la IA.  

La inteligencia artificial generativa funciona a través del lenguaje. Plataformas como ChatGPT, Gemini o Claude responden a partir de las instrucciones y contextos que las personas escriben. Esto significa que la calidad de las respuestas depende, en gran medida, de la claridad, precisión y profundidad con la que el docente expresa sus ideas, es decir en cómo preguntar. En consecuencia, la redacción adquiere un nuevo sentido pedagógico: quien aprende a escribir con claridad también aprende a orientar mejor la inteligencia artificial (Gallent-Torres et al., 2023).

La IA está revelando problemas históricos de comunicación

Muchos docentes descubren a diario que la inteligencia artificial produce respuestas vagas, superficiales o incorrectas. Sin embargo, en numerosos casos el problema no radica únicamente en la herramienta, sino en la forma en que se redactan las instrucciones. Cuando una persona escribe ideas ambiguas, desordenadas o poco contextualizadas, la IA también genera respuestas ambiguas y poco útiles. Por el contrario, cuando existe claridad conceptual, intención comunicativa, estructura lógica y contexto suficiente, los resultados suelen ser mucho más precisos y enriquecedores.

Esta situación ha puesto en evidencia problemas históricos relacionados con la comprensión lectora, la argumentación y la producción escrita en distintos sistemas educativos latinoamericanos. Diversos estudios señalan que las debilidades en competencias comunicativas afectan directamente la calidad del aprendizaje y la construcción de pensamiento crítico (Vílchez Ruiz, 2024).

La inteligencia artificial, en cierto modo, obliga a las personas a pensar antes de escribir. Formular una instrucción clara requiere organizar ideas, contextualizar necesidades y definir objetivos. Por ello, escribir deja de ser únicamente un acto mecánico para convertirse en un proceso reflexivo y estratégico.

La escritura ya no solo comunica: ahora también programa

En la actualidad, escribir dejó de ser únicamente una herramienta para comunicarse con otros seres humanos. Ahora también permite interactuar con inteligencias artificiales. Cada indicación escrita funciona como una instrucción algorítmica que guía las respuestas del sistema. Por ello, comienza a consolidarse una nueva competencia educativa que puede denominarse alfabetización algorítmica: la capacidad de construir mensajes claros, contextualizados y estratégicos para interactuar críticamente con sistemas de inteligencia artificial.

Esta alfabetización implica:

• organizar ideas;
• contextualizar problemas;
• formular preguntas complejas;
• argumentar críticamente;
• y expresar necesidades reales de aprendizaje.

En otras palabras, la inteligencia artificial está devolviendo protagonismo al lenguaje y a la capacidad humana de estructurar pensamiento.

El docente como diseñador de pensamiento

Durante mucho tiempo se pensó que la tecnología reemplazaría ciertos procesos educativos. Sin embargo, la IA está demostrando algo diferente: el papel del docente se vuelve aún más importante. Aunque la inteligencia artificial puede generar textos, imágenes, actividades o resúmenes, sigue dependiendo de la capacidad humana para formular preguntas significativas, validar información, contextualizar contenidos y desarrollar pensamiento crítico (Flor-Terán & Sandoval-Reyes, 2024).

Por ello, el docente deja de ser únicamente transmisor de información para convertirse en diseñador de experiencias de aprendizaje mediadas por lenguaje e inteligencia artificial. Un maestro que sabe redactar con claridad puede:

• crear mejores prompts;
• personalizar materiales;
• adaptar contenidos al contexto latinoamericano;
• generar recursos didácticos;
• y orientar procesos de aprendizaje mucho más dinámicos.

La IA amplifica la capacidad pedagógica del docente, pero no sustituye su criterio profesional ni su responsabilidad ética.

Enseñar a escribir en tiempos de IA

La educación latinoamericana enfrenta ahora un desafío importante. Ya no basta con enseñar gramática desde una perspectiva memorística o normativa. Enseñar a escribir implica también enseñar a pensar, interpretar, argumentar y construir conocimiento propio.

Además, el auge de herramientas de IA ha reactivado debates sobre integridad académica, plagio y honestidad intelectual. Diversos autores advierten que el uso irreflexivo de estas tecnologías puede fomentar dependencia intelectual, pérdida de pensamiento crítico y producción de textos superficiales o poco originales (Ibarra Beltrán et al., 2023).

Sin embargo, otros enfoques sostienen que la solución no consiste únicamente en restringir la IA, sino en enseñar a utilizarla éticamente, promoviendo transparencia, pensamiento crítico y responsabilidad autoral (Caldevilla-Domínguez, 2024).

En este contexto, la escritura adquiere una dimensión ética. Un estudiante o docente que redacta con claridad no solo mejora su comunicación, sino que también fortalece su autonomía intelectual y reduce la dependencia excesiva de contenidos generados automáticamente.

Conclusión

La llegada de la inteligencia artificial en la educación no representa únicamente un cambio tecnológico, sino también una transformación profunda en las formas de pensar, escribir y construir conocimiento. En este nuevo escenario, la capacidad de redactar con claridad, argumentar críticamente y contextualizar ideas deja de ser una competencia exclusivamente lingüística para convertirse en una habilidad intelectual y ética fundamental.

Lejos de reemplazar al docente, la inteligencia artificial evidencia la necesidad de fortalecer el pensamiento pedagógico, la interpretación crítica y la honestidad intelectual. La calidad de las respuestas generadas por sistemas inteligentes depende, en gran medida, de la capacidad humana para formular preguntas significativas, estructurar problemas y comunicar ideas con precisión.

Asimismo, la educación latinoamericana enfrenta el desafío urgente de enseñar no solo a utilizar herramientas de IA, sino también a comprender sus implicaciones éticas, cognitivas y sociales. Esto implica formar estudiantes capaces de pensar por sí mismos, evaluar información críticamente y utilizar la inteligencia artificial como apoyo al aprendizaje y no como sustituto de la elaboración intelectual.

En consecuencia, enseñar a escribir en tiempos de inteligencia artificial significa también enseñar a pensar, dialogar críticamente con la tecnología y ejercer una ciudadanía académica responsable. La verdadera innovación educativa no dependerá únicamente del avance tecnológico, sino de la capacidad humana para utilizarlo con criterio, creatividad e integridad.

Referencias

Caldevilla-Domínguez, D. (2024). Usos éticos de la IA en la universidad moderna: Más allá del plagio. EDU Review, 12(1), 57–65. https://doi.org/10.37467/revedu.v12.5184

Flor-Terán, G. A., & Sandoval-Reyes, P. A. (2024). La ética en el uso de la inteligencia artificial (IA) en la educación: desafíos y oportunidades. Polo del Conocimiento, 9(11), 255–282.

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134

Ibarra Beltrán, Á., Aguayo Álvarez, Z., & Velázquez García, R. E. (2023). Desmitificando el plagio digital: percepciones y realidades de la ética estudiantil desde el Centro Universitario de Tonalá. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(5), 1418–1431. https://doi.org/10.56712/latam.v4i5.1403

Vílchez Ruiz, M. I. (2024). Contenido educativo con inteligencia artificial: ¿Restringir o enseñar a personalizar éticamente en el ámbito educativo? Revista Ciencia & Tecnología, 24(44).

 

La inteligencia artificial no comprende el conocimiento: riesgos epistemológicos para la investigación científica contemporánea

 La inteligencia artificial no comprende el conocimiento: riesgos epistemológicos para la investigación científica contemporánea

En colaboración con Mercedes Leticia Sánchez Ambriz

Nunca antes había sido tan sencillo producir un texto académico. Hoy, un investigador puede solicitar a una inteligencia artificial la redacción de un resumen, un marco teórico, una introducción metodológica o incluso una interpretación preliminar de resultados en cuestión de segundos. La velocidad, fluidez y coherencia aparente de estos sistemas generan la impresión de estar frente a una tecnología capaz de comprender el conocimiento humano. Sin embargo, detrás de esta capacidad lingüística existe una limitación fundamental que la educación superior y la investigación científica no pueden ignorar: la inteligencia artificial carece de comprensión epistemológica.

Este problema va mucho más allá de los errores técnicos o de las conocidas “alucinaciones” de la inteligencia artificial. El verdadero riesgo aparece cuando el investigador comienza a delegar procesos esenciales del pensamiento científico a sistemas que no comprenden la naturaleza, validez y justificación del conocimiento que producen. En ese momento, la investigación deja de construirse desde el análisis crítico y comienza a desplazarse hacia formas de automatización intelectual que pueden erosionar progresivamente la integridad académica (Gallent-Torres et al., 2023).

La inteligencia artificial generativa funciona mediante modelos probabilísticos entrenados con enormes cantidades de datos. Su capacidad consiste en identificar patrones lingüísticos y predecir secuencias plausibles de palabras, no en comprender conceptos desde una perspectiva epistemológica. Esto significa que la IA puede producir textos coherentes y académicamente convincentes sin distinguir entre afirmaciones científicamente válidas, interpretaciones discutibles o errores conceptuales. En la actualidad cada vez nos percatamos que las respuestas a la misma preguntas en diferentes LLM son casi similares, lo que da a entender que las IA se están copiando entre sí.

Como advierte Carr (2010), las tecnologías digitales modifican progresivamente la forma en que procesamos la información, afectando la profundidad de la atención y la capacidad de reflexión crítica. En este contexto, la IA no solo acelera procesos de escritura, sino que también puede favorecer relaciones cada vez más superficiales con el conocimiento.

Producción textual y producción científica

Uno de los principales problemas contemporáneos es la creciente confusión entre producción textual y producción científica. La facilidad para obtener respuestas inmediatas puede generar una falsa sensación de comprensión académica. Un texto producido mediante IA puede incorporar terminología especializada, estructuras argumentativas complejas y referencias aparentemente coherentes; sin embargo, ello no garantiza rigor metodológico, validez epistemológica ni pensamiento crítico.

La plausibilidad discursiva no equivale a conocimiento científico. Un discurso bien redactado puede ocultar debilidades conceptuales importantes cuando no existe verificación empírica, contrastación de fuentes o análisis crítico profundo.

En diversos contextos universitarios comienzan a observarse prácticas académicas orientadas más hacia la rapidez de producción textual que hacia la comprensión profunda del conocimiento. La expansión de herramientas de inteligencia artificial generativa ha facilitado el acceso inmediato a resúmenes, explicaciones y estructuras argumentativas completas, situación que puede incentivar formas de aprendizaje superficiales si no existe acompañamiento pedagógico crítico (Flor-Terán & Sandoval-Reyes, 2024).

Diversos estudios recientes advierten que la automatización de procesos cognitivos puede debilitar habilidades esenciales como la interpretación, contrastar fuentes y la construcción autónoma del pensamiento académico (Caldevilla-Domínguez, 2024). La investigación corre el riesgo de transformarse progresivamente en un proceso de ensamblaje textual automatizado en lugar de constituirse como un ejercicio reflexivo de producción de conocimiento.

La simulación de comprensión

Uno de los fenómenos más delicados de la inteligencia artificial contemporánea es su capacidad para simular comprensión. Los modelos generativos producen respuestas que aparentan reflexión, análisis o pensamiento crítico; sin embargo, operan exclusivamente mediante correlaciones estadísticas y predicción probabilística del lenguaje.

La inteligencia artificial no posee conciencia epistemológica sobre causalidad, evidencia, verificabilidad o falsedad científica. Como plantearía Popper (1959), el conocimiento científico exige contrastación crítica y posibilidad de refutación, condiciones imposibles de ejecutar conscientemente por sistemas que carecen de comprensión real del mundo.

En consecuencia, un texto generado por IA puede exhibir coherencia sintáctica y sofisticación terminológica sin garantizar consistencia conceptual ni validez metodológica. Esta situación incrementa el riesgo de que estudiantes e investigadores confundan calidad discursiva con producción genuina de conocimiento científico.

La automatización del discurso académico puede producir un efecto particularmente problemático: la sustitución gradual del esfuerzo intelectual por respuestas automatizadas aparentemente suficientes. Cuando la IA comienza a reemplazar tareas fundamentales como interpretar resultados, construir categorías analíticas o establecer relaciones teóricas, deja de funcionar como apoyo instrumental y empieza a ocupar espacios que pertenecen al juicio científico humano (Vílchez Ruiz, 2024).

Riesgos epistemológicos para la investigación científica

El principal riesgo epistemológico no consiste únicamente en la aparición de errores o imprecisiones. El problema más profundo es el debilitamiento progresivo de las capacidades intelectuales necesarias para investigar críticamente.

La investigación científica requiere:

• problematizar fenómenos,
• formular hipótesis,
• interpretar evidencia,
• reconocer limitaciones metodológicas,
• y construir explicaciones fundamentadas.

Estas competencias no pueden delegarse completamente a sistemas automatizados porque implican razonamiento crítico, interpretación contextual y responsabilidad intelectual.

Desde una perspectiva metodológica, el uso de inteligencia artificial en investigación científica debe mantenerse bajo supervisión humana permanente. La IA puede ser útil para:

• organizar información,
• sintetizar documentos,
• apoyar búsquedas preliminares,
• o mejorar procesos de redacción.

No obstante, la validación conceptual, el análisis crítico y la interpretación de resultados deben seguir siendo responsabilidad del investigador.

Delegar completamente estas funciones en sistemas automatizados podría afectar seriamente la calidad epistemológica de la producción científica y debilitar la integridad académica de las investigaciones (Egan, 2024).

Inteligencia artificial y educación superior

La educación superior enfrenta actualmente el desafío de integrar la inteligencia artificial sin sustituir el desarrollo del pensamiento crítico. La discusión ya no debe centrarse exclusivamente en prohibir herramientas tecnológicas, sino en construir modelos pedagógicos capaces de enseñar su uso ético, crítico y transparente.

La integridad académica ya no puede reducirse únicamente a la prevención del plagio. Actualmente implica:

• honestidad intelectual,
• transparencia metodológica,
• uso responsable de herramientas digitales,
• y capacidad de construir pensamiento propio (Flores Morales et al., 2024).

Diversas investigaciones recientes sostienen que las universidades deben promover alfabetización digital crítica y formación ética sobre inteligencia artificial. Los estudiantes necesitan comprender:

• cómo funcionan los modelos generativos,
• cuáles son sus limitaciones,
• qué riesgos presentan,
• y cómo verificar críticamente la información que producen.

En este contexto, la IA puede convertirse tanto en una herramienta pedagógica valiosa como en un factor de dependencia cognitiva, dependiendo de cómo sea utilizada institucional y académicamente (Ibarra Beltrán et al., 2023).

Ética, transparencia e integridad académica

El debate sobre inteligencia artificial no debe centrarse únicamente en detectar fraude académico. La discusión más relevante consiste en comprender cómo preservar la honestidad intelectual en entornos crecientemente automatizados.

El uso ético de inteligencia artificial exige transparencia. Investigadores y estudiantes deberían declarar explícitamente:

• cuándo utilizaron IA,
• con qué finalidad,
• y cuáles fueron los límites de su participación humana.

La transparencia metodológica fortalece la confianza académica y permite distinguir entre apoyo instrumental legítimo y sustitución indebida del trabajo intelectual.

Asimismo, las universidades necesitan actualizar sus políticas de integridad académica para responder a escenarios tecnológicos cada vez más complejos. La discusión contemporánea ya no puede limitarse a categorías tradicionales de plagio, sino que debe incorporar:

• automatización intelectual,
• dependencia cognitiva,
• autoría híbrida,
• y validación crítica de contenidos generados algorítmicamente (Vargas-Morúa, 2021).

Recomendaciones

1. Fortalecer la alfabetización epistemológica

Las universidades deben enseñar no solo el uso técnico de herramientas digitales, sino también sus límites epistemológicos y éticos.

2. Promover transparencia sobre el uso de IA

Los trabajos académicos deberían incluir declaraciones explícitas sobre el uso de inteligencia artificial en procesos de investigación o redacción.

3. Priorizar la validación humana

Toda información generada mediante IA debe ser contrastada con fuentes académicas verificables y revisada críticamente por el investigador.

4. Diseñar evaluaciones centradas en pensamiento crítico

Las instituciones educativas deberían priorizar actividades que evalúen interpretación, argumentación y reflexión propia más que reproducción textual.

5. Actualizar políticas institucionales

Las universidades necesitan adaptar sus normativas de integridad académica a los nuevos desafíos asociados con inteligencia artificial generativa.

Como hemos visto, la IA constituye una herramienta tecnológica con enorme capacidad de transformación académica; sin embargo, su impacto dependerá fundamentalmente del modo en que sea incorporada en los procesos educativos e investigativos.

El verdadero desafío contemporáneo consiste en evitar que la automatización sustituya la capacidad humana de pensar críticamente. La universidad no puede reducirse a espacios de producción acelerada de textos, sino que debe preservar su función esencial como lugar de análisis, cuestionamiento, construcción de conocimiento y formación ética. En este escenario, el pensamiento crítico, la honestidad intelectual y la responsabilidad académica adquieren aún mayor relevancia frente a tecnologías capaces de producir discursos aparentemente sofisticados sin comprensión epistemológica real.

Por ello, la formación universitaria del futuro requerirá no solo competencias digitales, sino también capacidades sólidas de interpretación, evaluación crítica de fuentes, argumentación y reflexión autónoma. La inteligencia artificial puede apoyar procesos académicos importantes, pero nunca debería reemplazar el juicio científico ni la responsabilidad intelectual que caracterizan la auténtica producción de conocimiento.

Conclusiones

La inteligencia artificial generativa representa una de las transformaciones tecnológicas más significativas para la educación superior y la investigación científica contemporánea. Su capacidad para producir textos complejos, organizar información y asistir procesos académicos ofrece oportunidades importantes para optimizar ciertas tareas intelectuales. Sin embargo, estas ventajas también introducen desafíos éticos y epistemológicos que no pueden ser ignorados.

El principal riesgo no radica únicamente en el aumento potencial del plagio o en la automatización de la escritura académica, sino en la progresiva delegación del pensamiento crítico a sistemas que carecen de comprensión epistemológica, conciencia científica y capacidad real de validación conceptual.

La producción lingüística automatizada no equivale necesariamente a producción de conocimiento. Un texto coherente puede aparentar profundidad intelectual sin poseer rigurosidad metodológica ni reflexión crítica auténtica.

Por ello, el desafío contemporáneo de las universidades no consiste exclusivamente en restringir el uso de inteligencia artificial, sino en formar estudiantes e investigadores capaces de utilizarla de manera ética, crítica y responsable. La integridad académica en la era digital exige fortalecer la autoría intelectual, la validación rigurosa de fuentes y la capacidad humana de interpretar, cuestionar y construir conocimiento con autonomía.

El futuro de la investigación científica dependerá menos de la velocidad con que se produzcan textos y más de la capacidad crítica con que las personas comprendan, evalúen y utilicen el conocimiento en contextos tecnológicos cada vez más complejos.

Referencias

Caldevilla-Domínguez, D. (2024). Usos éticos de la IA en la universidad moderna: Más allá del plagio. EDU Review, 12(1), 57–65. https://doi.org/10.37467/revedu.v12.5184

Carr, N. (2010). The shallows: What the Internet is doing to our brains. W. W. Norton & Company.

Egan, L. (2024). Plagiarism: History, culture, and prevention. University of North Dakota.

Flores Morales, J. A., Quinteros María Fe Guadalupe, R., Contreras Maguiña, A. P., & Luna Román, E. A. (2024). Originalidad y honestidad intelectual: Navegando por las aguas del plagio. Revista de Climatología, 24, 2032–2038. https://doi.org/10.59427/rcli/2024/v24cs.2032-2038

Flor-Terán, G. A., & Sandoval-Reyes, P. A. (2024). La ética en el uso de la inteligencia artificial (IA) en la educación: desafíos y oportunidades. Polo del Conocimiento, 9(11), 255–282. https://doi.org/10.23857/pc.v9i11.8276

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134

Ibarra Beltrán, Á. de J., Aguayo Álvarez, Z., & Velázquez García, R. E. (2023). Desmitificando el plagio digital: Percepciones y realidades de la ética estudiantil desde el Centro Universitario de Tonalá. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(5), 1418–1431. https://doi.org/10.56712/latam.v4i5.1403

Popper, K. (1959). The logic of scientific discovery. Hutchinson.

Vargas-Morúa, E. (2021). El plagio: consideraciones para su prevención. Espiga, 21(41), 68–85.

Vílchez Ruiz, M. I. (2024). Contenido educativo con inteligencia artificial: ¿Restringir o enseñar a personalizar éticamente en el ámbito educativo? Revista Científica Ciencia y Tecnología, 24(44).

Final del formulario