La tarea no termina con la IA: comienza con la defensa del aprendizaje

Uno de los problemas más visibles en las aulas universitarias no es que los estudiantes utilicen inteligencia artificial. El problema aparece cuando la emplean para resolver todo, entregando resultados que no comprenden. Presentan un texto correcto, una infografía atractiva y realizan una exposición bien ordenada. Sin embargo, no pueden explicar una idea central, reconocer una fuente ni justificar una decisión. El producto parece terminado, pero el aprendizaje permanece oculto. Cometen errores y dicen que fue la IA quien lo dijo.

Esta situación obliga a revisar el sentido de la tarea. Durante años, los profesores evaluamos el resultado final como evidencia del trabajo intelectual. La inteligencia artificial ha debilitado esa relación. Un documento bien escrito ya no demuestra, por sí solo, que su autor conoce el tema. La fluidez verbal puede ocultar una comprensión limitada. También puede encubrir fuentes débiles, conceptos imprecisos y conclusiones que nadie verificó.

La respuesta más inmediata suele ser prohibir la IA o intentar descubrir cuánto texto produjo. Ambas decisiones dejan intacto el problema pedagógico. La pregunta no debería ser cuánto intervino la herramienta. Conviene preguntar qué hizo el estudiante con ella, qué examinó, qué descartó y qué puede defender sin consultarla otra vez.

La guía de la UNESCO sobre IA generativa en educación e investigación propone una integración centrada en las personas. También defiende el desarrollo de capacidades. El documento sobre reforma de la evaluación en la época de la inteligencia artificial plantea un cambio semejante. La evaluación debe preparar al estudiante para trabajar en un mundo donde la IA forma parte de la actividad profesional. También debe ofrecer evidencias confiables del aprendizaje alcanzado.

Hacer visible el aprendizaje

La experiencia que propongo puede llamarse: La ruta visible del aprendizaje con IA. Su propósito no consiste en producir más materiales. Busca que cada estudiante reconstruya el proceso seguido y responda por sus decisiones. NotebookLM funcionaría como mediador de la investigación, no como una máquina que entrega respuestas terminadas.

La actividad comenzaría con una pregunta problémica, que exige comparar, relacionar y tomar partido. Un ejemplo sería este: ¿cuándo contribuye la IA generativa al aprendizaje universitario y cuándo genera dependencia cognitiva? Podemos crear varios equipos de tres integrantes, donde cada uno podría delimitar la pregunta desde una asignatura o situación educativa concreta.

Cada equipo iniciaría una investigación profunda para construir un cuaderno en NotebookLM. Las fuentes podrían rondar entre ocho y diez, donde al menos cinco serían artículos académicos o revisiones científicas. También incluiría documentos institucionales y una fuente que presente una perspectiva diferente. Esta condición reduce la posibilidad de formar un corpus que solo confirme una idea previa.

Incorporar un documento al cuaderno no significa aceptarlo; por el contrario, cada fuente debe pasar por una revisión. Los estudiantes examinarían la autoría, la fecha, la procedencia, el método empleado, la evidencia presentada y sus límites, así como su relación con la pregunta. Una fuente puede parecer confiable y aportar muy poco. Otra puede ser pertinente, pero contener afirmaciones que deben compararse con otras fuentes. Esta tarea es la que obliga al estudiante a leer y analizar las fuentes, evitando así la aceptación tácita de todas las fuentes.

Para esta tarea se puede crear una tabla de calidad documental, donde se recogen todos los elementos antes mencionados. El estudiante tendría que explicar por qué conserva cada texto y qué uso le dará. También anotaría las fuentes descartadas y las razones del rechazo. Esta decisión tiene valor formativo. Buscar información es solo el inicio; seleccionar exige criterio.

Después se elaboraría un glosario comentado con diez o quince términos. Cada entrada contendría una definición redactada por el equipo y la fuente que la sustenta. También incluiría un ejemplo, un contraejemplo y su relación con otros conceptos. Copiar una definición no basta. El ejemplo muestra si el estudiante puede reconocer el concepto. El contraejemplo permite comprobar si comprende sus límites.

Este glosario cumple otra función: evita que categorías como pensamiento crítico, aprendizaje, dependencia o evaluación se utilicen como etiquetas vacías. Si el estudiante no puede explicar un término con sus propias palabras, tampoco puede utilizarlo con rigor en una conclusión.

En esta etapa entraría el sitio Prompts para trabajar con NotebookLM. Su biblioteca y el método 5C ofrecerían un andamiaje común. El método organiza cada consulta mediante contexto, corpus, comando, condiciones y comprobación. La acción cognitiva debe ser precisa. Comparar, evaluar, explicar y justificar producen interacciones más exigentes que resumir.

El sitio no debería convertirse en un banco para copiar instrucciones. Cada equipo seleccionaría tres prompts y los adaptaría a su problema. También redactaría uno propio mediante el método 5C. En todos los casos mostraría el prompt de referencia, la versión modificada y la razón de cada cambio.

Mostrar los prompts tampoco demuestra comprensión. Un prompt puede copiarse con la misma facilidad que una respuesta. Por eso, el registro debe incluir el propósito, el resultado obtenido, la verificación realizada y la decisión final. El estudiante explicaría si aceptó, corrigió, descartó o reformuló la respuesta. También presentaría un prompt que fracasó y mostraría cómo lo corrigió.

Una segunda tabla vincularía las afirmaciones con sus evidencias. Cada conclusión tendría una fuente, un fragmento de respaldo, una interpretación del equipo y una advertencia sobre sus límites. Esta separación ayuda a distinguir tres niveles. Uno corresponde a la fuente, otro a NotebookLM y el tercero a la conclusión estudiantil.

Desde el enfoque histórico cultural, la herramienta ocupa el lugar de un instrumento de mediación. No aprende en lugar del estudiante. Modifica la actividad y crea nuevas condiciones para acceder a la información. La apropiación del conocimiento surge cuando el estudiante dialoga, contrasta, explica y actúa con los conceptos. El profesor organiza esas condiciones y orienta el paso desde la ayuda externa hacia la comprensión propia.

La defensa cambia el sentido de la tarea

La infografía y la presentación serían productos de síntesis, pero no el centro de la evaluación. La infografía representaría relaciones entre conceptos, evidencias y conclusiones. Cada afirmación central indicaría su fuente. La presentación mostraría el proceso de investigación, las decisiones documentales, los prompts empleados y las correcciones realizadas.

La defensa del trabajo no consiste en crear diapositivas, ni en leerlas. El equipo tendría que responder varias preguntas. Explicaría qué investigó, cómo delimitó el problema y qué fuentes aceptó. También mostraría cómo influyeron los prompts y qué puede sostener sin ayuda de la IA. Esta última pregunta marca la diferencia entre repetir una salida y demostrar aprendizaje.

La actividad terminaría con una defensa individual. El profesor elegiría al azar un término del glosario, una fuente, una afirmación de la infografía y un prompt. Cada integrante explicaría su sentido y reconstruiría el razonamiento seguido. También respondería una pregunta nueva. La selección aleatoria impide que una sola persona concentre el trabajo y obliga a todos a conocer el proceso completo.

La calificación debe reflejar este cambio. La calidad de las fuentes recibiría el veinte por ciento. La relación entre afirmaciones y evidencias tendría otro veinte por ciento. El glosario y la comprensión conceptual representarían el quince por ciento. Los prompts, su justificación y sus reformulaciones sumarían otro quince por ciento. La infografía y la presentación aportarían el diez por ciento. La defensa individual completaría el veinte por ciento restantes.

Este reparto de notas no comunica una decisión pedagógica. Los productos visuales tienen valor, pero no sustituyen la investigación. Un diseño atractivo no compensa una fuente débil. Una presentación fluida no reemplaza la comprensión. La defensa tampoco funciona como castigo. Es el momento en que el estudiante convierte el proceso en lenguaje propio.

La propuesta permite trabajar varias habilidades en una sola experiencia. Los estudiantes buscan, seleccionan, comparan, definen, verifican, sintetizan y comunican. La taxonomía de Bloom deja de aparecer como una lista de verbos. Se convierte en una guía para formular operaciones intelectuales observables. La alfabetización en IA también adquiere un sentido pedagógico. No se limita a manejar funciones; incluye reconocer límites, examinar evidencias y asumir responsabilidad por una conclusión.

Esta tarea puede aplicarse en distintas asignaturas. Cambiarían la pregunta, el corpus y los productos, pero se conservaría el principio. Cada resultado generado con IA debe dejar una huella que permita reconstruir cómo se obtuvo. Esa huella no es una captura de pantalla. Está formada por fuentes, decisiones, dudas, correcciones y argumentos.

El mayor riesgo no es que la inteligencia artificial escriba por los estudiantes. El mayor riesgo es que ellos se acostumbren a presentar conocimientos que nunca hicieron suyos. Esa práctica alimenta una forma de aitoxicación: mucha información, apariencia de dominio y escasa capacidad para explicar.

Por eso, la tarea no termina cuando aparece el texto, la infografía o la presentación. En ese momento comienza la parte que realmente interesa al profesor. El estudiante debe mostrar qué comprendió, cómo llegó hasta allí y qué razones sostienen su respuesta. La autoría ya no se mide por la ausencia de inteligencia artificial. Se reconoce en la capacidad de examinarla, corregirla y responder por cada idea presentada.

La idea que estamos presentando surgió como parte de un taller sobre NotebookLM que recientemente realizamos con profesores y administrativos de la Facultad de Humanidades. La tarea evaluativa propuesta requiere madurez del estudiante, responsabilidad, habilidades digitales, en especial para trabajar con NotebookLM, y un sentido ético del trabajo. El profesor debe orientar detalladamente cada paso, para evitar que se salten algunos y volvamos al clásico copiar y pegar. Es una tarea que puede revisarse por partes y conlleva tiempo tanto en la fase de investigación, el desarrollo y su presentación final.

 

 

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

NotebookLM como entorno para activar las inteligencias múltiples

En colaboración con Mercedes Leticia Sánchez Ambriz

El podcast te regala varios ejemplos que mejoran la comprensión del contenido. 

La evolución de las tecnologías de inteligencia artificial ha transitado desde sistemas puramente generativos hacia herramientas de recuperación aumentada, donde la prioridad no se sigue centrando es la creación de contenido, sino la mediación, síntesis y organización de fuentes documentales específicas. Es el caso de NotebookLM que además de ser una herramienta de productividad, actúa como un agente que interactúa con las habilidades cognitivas del usuario. 

Bajo este principio proponemos analizarla bajo la lente de la teoría de las inteligencias múltiples propuesta por Howard Gardner en 1983 (Marenus, 2025), donde NotebookLM no actúa como desarrollador de estas inteligencias, sino como un entorno que puede activar diferentes prácticas asociadas con ellas, con alcances y límites variados.

La inteligencia, es entendida por Gardner como la capacidad para resolver problemas y para crear productos culturales, por lo que la inteligencia es un concepto plenamente relacionado con la creatividad (UNIR, 2025). NotebookLM es un asistente de investigación con IA orientado a perfeccionar y organizar ideas, apoyándose en cuadernos con fuentes. Su rasgo didácticamente más útil es que el chat incorpora citas directas desde las fuentes del cuaderno; el usuario puede ver el fragmento citado y acceder directamente a la fuente. De este modo transforma una respuesta en un enunciado con evidencia verificable, condición para una lectura crítica y su posterior discusión. La reflexión con las fuentes está mediada por los algoritmos que simulan el razonamiento humano. 

El vínculo entre inteligencias múltiples y NotebookLM lo abordamos como una convergencia entre las funcionalidades técnicas y las oportunidades de actividad cognitiva. Esto evita dos errores frecuentes: asumir que una función “desarrolla” una inteligencia por sí sola, o convertir inteligencias múltiples en puros estilos de aprendizaje. (Gardner, 2013) Nos apoyamos en la experiencia de trabajo con este recurso en ámbitos de pregrado y posgrado. 

NotebookLM y la convergencia con las inteligencias múltiples. 

La mayoría de las inteligencias encajan en este análisis, como es el caso de la lingüística, lógico matemático, espacial, intrapersonal y la interpersonal. Las restantes (naturalista y cinestésica), tienen una conexión débil y pueden ser objeto de análisis en otro comentario. Las inteligencias, lingüística y la lógico-matemática han sido históricamente el centro del sistema educativo formal. NotebookLM, mediante el procesamiento de lenguaje natural (PLN), ofrece una infraestructura que automatiza las tareas de bajo nivel de estas inteligencias, permitiendo al usuario concentrarse en operaciones cognitivas más complejas. La inteligencia lingüística implica una sensibilidad especial al lenguaje hablado y escrito, así como la capacidad de utilizar el lenguaje para lograr objetivos específicos. NotebookLM potencia esta dimensión a través de su capacidad para sintetizar documentos en diferentes formatos, transformando datos heterogéneos en textos coherentes como resúmenes estructurados, guías de estudio e informes. 

La producción de textos coherentes a partir de fuentes diversas no es solo una automatización, sino una extensión de la capacidad narrativa del usuario, quien ahora puede estructurar argumentos complejos apoyados en citas precisas y verificables. Este proceso reduce de manera significativa el esfuerzo mental innecesario derivado de una mala organización de la información, al presentar instrucciones claras y eliminar distracciones. (Main, 2026) 

NotebookLM gestiona la síntesis de múltiples fuentes de manera simultánea, permitiendo al usuario trabajar en el nivel de evaluación y creación de la taxonomía de Bloom y dejar al sistema los niveles de recordar y comprender. De esta manera el estudiante puede estructurar documentos más complejos apoyados en citas precisas y verificables.

Otras de las inteligencias es la espacial, entendida como la capacidad de observar el mundo y los objetos desde diferentes perspectivas (Torres, 2015) en la que destaca la organización visual de la información y la navegación a través de representaciones gráficas de conceptos. En NotebookLM, este tipo de inteligencia se enriquece mediante la creación de mapas mentales. Estos mapas, a diferencia de una lista de documentos, permiten al usuario captar rápidamente estructuras de información complejas sin necesidad de leer linealmente cada fuente.

Desde el punto de vista pedagógico, esta visualización actúa como una estructura cognitiva. Los estudiantes y profesores pueden hacer zoom, desplazarse y colapsar o expandir ramas, lo que refleja los procesos mentales de rotación y manipulación de objetos propios de la inteligencia espacial (Gisela, 2001) . Al hacer clic en un nodo específico, el sistema genera un resumen de ese subtema, permitiendo una transición fluida entre la visión macro-espacial de un proyecto y el detalle micro-semántico de un dato. Esta capacidad de ver "cómo se conectan los puntos" facilita el descubrimiento de asociaciones que podrían no ser obvias en un formato puramente textual.

Otra las inteligencias definidas por Gardner es la intrapersonal que es la capacidad de construir una percepción precisa de uno mismo y de utilizar ese conocimiento para planificar y dirigir la propia vida (Gisela, 2001) En el contexto del aprendizaje, esta inteligencia es el motor de la metacognición y el aprendizaje autorregulado. La manifestación más evidente de esta inteligencia es el chat de NotebookLM, en la que se generan preguntas abiertas al usuario, que lo ayuda a desglosar un problema complejo. El chat puede ser configurado por el usuario para que responda de diferentes maneras, adaptándolo a las necesidades del estudiante. 

En este proceso se distinguen tres fases: la planificación donde se cargan por parte del usuario las fuentes, la de monitoreo en la que se emplean cuestionarios, tarjetas didácticas y la de evaluación y reflexión, donde se puede crear informes, videos, presentaciones, audios e infografías. En esta última el usuario puede nuevamente volver al chat para contrastar las fuentes con los resultados obtenidos. 

Otra inteligencia es la interpersonal, definida como la capacidad de entender e interactuar eficazmente con los demás (Gisela, 2001) NotebookLM permite compartir un cuaderno con muchas personas o con un equipo pequeño que tiene la tarea de editar todas las actividades creadas. Un profesor puede crear un cuaderno que se pone a disposición de todos sus estudiantes. 

A modo de conclusión.

NotebookLM no es solo una herramienta de recuperación de información, sino un sistema que puede activar diferentes prácticas asociadas con la mayoría de las inteligencias múltiples descritas por Gardner. Su empleo facilita una personalización del aprendizaje, donde cada usuario puede apoyarse en sus inteligencias más fuertes para fortalecer las demás. 

Los educadores podemos ver en NotebookLM, el tutor personal del estudiante, enriquecido con la multimodalidad, expresada en diferentes canales sensoriales y por diversos medios. Como cualquier herramienta de IA es obligatoria la verificación de los resultados con las fuentes que añadimos a cada cuaderno. 

Bibliografía

Gardner, H. (16 de 10 de 2013). Multiple Intelligences Are Not Learning Styles. Obtenido de Harvard: https://www.gse.harvard.edu/ideas/news/13/10/multiple-intelligences-are-not-learning-styles

Gisela, E. (2001). Revista de Psicología de la PUPC. Obtenido de https://dialnet.unirioja.es/descarga/articulo/4531340.pdf

Main, P. (23 de 3 de 2026). The learning sience behiend AI lesson planning. Obtenido de Structural Learning: https://www.structural-learning.com/post/learning-science-ai-lesson-planning

Marenus, M. (26 de marzo de 2025). Obtenido de SimplyPsychology: https://www.simplypsychology.org/multiple-intelligences.html

Torres, A. (19 de 09 de 2015). Inteligencia espacial: ¿qué es y cómo se puede mejorar? Obtenido de Psicología y mente: https://psicologiaymente.com/inteligencia/inteligencia-espacial

UNIR. (18 de marzo de 2025). Obtenido de https://mexico.unir.net/noticias/educacion/howard-gardner-inteligencias-multiples-creatividad/

El potencial de NotebookLM de Google como libro de texto en la educación universitaria

En colaboración con Mercedes Leticia Sánchez Ambriz

📄 Resumir en ChatGPT

Si estás apurado, escucha el pódcast desde aquí

NotebookLM es una herramienta de inteligencia artificial diseñada para la investigación y la gestión del conocimiento. Permite cargar hasta 50 fuentes en variados formatos, crear resúmenes, mapas mentales, lista de preguntas frecuentes, pódcast, videos, entre otras funcionalidades, útiles para la todos los niveles educacionales. Por su parte, en la educación superior son muy pocas las asignaturas que disponen de un libro de texto específico, que siga el programa de estudio aprobado. Por ello, la mayoría de los textos empleados fueron creados con propósitos no docentes. Esto hace que los estudiantes deban emplear varios textos, abundando copias de documentos que tratan un contenido u otro.

En indagaciones con los estudiantes comprobamos que, como promedio al semestre, emplean unos 200 bolivianos en adquirir textos, requeridos por los profesores, aunque algunos no son empleados en clases. Nuestra propuesta es emplear NotebookLM como “libro de texto”.

La integración acelerada de la inteligencia artificial en la educación superior está reconfigurando profundamente la forma en que los estudiantes interactúan con el contenido académico y sus vidas personales, convirtiéndose en una herramienta indispensable tanto para las actividades académicas como para el ocio. Las herramientas de IA cada día pasan a ser una infraestructura crítica. Empresas tecnológicas como Google, OpenAI, Anthropic y Microsoft están estableciendo alianzas estratégicas con universidades.

NotebookLM es una herramienta gratuita, aunque tiene opciones empresariales y para instituciones educacionales, la gratuita cumple con todas las necesidades, para ser utilizada como texto. Tanto profesor el estudiante pueden crear cuadernos como les sea necesario e interactuar individualmente con todas sus herramientas internas. El primer paso es cargar las fuentes, lo que facilita por la variedad de diferentes tipos de documentos, como muestra la imagen.

 

Una vez cargadas las fuentes, la herramienta permite resumirlas, y establecer conexiones significativas entre los temas que son cargados.

Como se aprecia en la imagen, en cada cuaderno individual se pueden generar resúmenes de audio y de video de una o de todas las fuentes, al igual que mapas mentales, guías de estudio, preguntas frecuentes, cuestionarios, entre otras funciones.

Un extra de NotebookLM es que, una vez creado el cuaderno, este puede ser compartido libremente.

 

 

NotebookLM: el libro de texto multimodal

A partir de la función de compartir el cuaderno, es que explicaremos por qué se puede transformar en el libro de texto. Esta función permite que cualquier usuario con el enlace pueda acceder a todas las fuentes, audio y video creados previamente, así como a los mapas mentales, resúmenes, notas y otros componentes del libro. Esto significa que el profesor es el único encargado de subir los documentos, producir videos y audios. Esta función impide que el texto pueda manipularse, o ser borrado. Esta es una de las razones más importantes para convertirlo en el libro de texto de la asignatura

El profesor puede generar un mapa mental de todos los documentos o de uno solo. También puede generar un documento con preguntas frecuentes sobre el contenido. Como NotebookLM no se conecta en línea, todas las respuestas estarán vinculadas solo al contenido seleccionado. Este enfoque es fundamental para la fiabilidad académica, ya que proporciona citas claras, mostrando las citas exactas de los materiales originales y reduciendo los riesgos de alucinaciones.

Por ello, podemos señalar que NotebookLM se transforma en un verdadero “experto en IA personalizado”.

El profesor en el aula, puede pedir a los estudiantes trabajar en el análisis de uno de los mapas mentales o discutir las preguntas frecuentes sobre un determinado documento. De igual modo, puede pedir a los estudiantes que discutan los resúmenes que cada uno crea de las fuentes, generando un intercambio de opiniones y mejorando el pensamiento crítico. Otra forma es apoyarse en los cuestionarios que la plataforma genera para cada estudiante. Como es de esperar, las preguntas serán diferentes y las respuestas variadas.

Actividades que puede realizar el estudiante.

Las capacidades de NotebookLM para el trabajo con la información son muy variadas y dependerán en gran medida de las habilidades digitales de los estudiantes.

Los estudiantes pueden leer cada una de las fuentes cargadas por el profesor, realizar resúmenes, escuchar el pódcast o el video resumen. El estudiante puede chatear con cada fuente, formulando las preguntas que considere necesarias. Un punto fuerte es la de crear preguntas de elección múltiple, verdadero o falso o respuestas abiertas, para autoevaluarse. Todas estas opciones quedarán archivadas para el estudiante o las puede descargar.   

Las diferencias entre las posibilidades de NotebookLM y un libro impreso son abismales, por lo que convierten a esta herramienta en un libro multimodal único. Como la información solo la puede manipular el profesor, tiene la posibilidad de modificar las fuentes, añadiendo otras nuevas. Así se facilita la actualización de contenidos para cada nuevo curso y, en especial, el estudiante, aunque haya vencido la asignatura, sigue con acceso a las nuevas modificaciones.

NotebookLM: más allá del libro de texto.

Cada día, las plataformas de aprendizaje impulsadas por IA están generando soluciones para adaptar las experiencias educativas a los estudiantes individuales, ajustando el contenido a las necesidades de aprendizaje específicas. Este enfoque de aprendizaje personalizado puede reducir el estrés al permitir que los estudiantes avancen a su propio ritmo y reciban apoyo dirigido, lo que potencialmente mejora tanto el rendimiento académico como el bienestar emocional. Esto crea un ciclo de retroalimentación positivo donde las experiencias de aprendizaje mejoradas fomentan una mejor seguridad en el aprendizaje individual.

NotebookLM fomenta la participación a partir de las preguntas y respuestas, donde los estudiantes pueden formular preguntas sobre sus fuentes y recibir respuestas citadas. Esto va más allá de la lectura pasiva, promoviendo la recuperación activa de información y la comprensión.

La capacidad de generar cuestionarios, como señalamos anteriormente, fomenta la autoevaluación y la recuperación activa, componentes clave del aprendizaje activo. Puede servir como un “compañero de pensamiento dinámico” para los estudiantes, especialmente aquellos que podrían dudar en hacer preguntas en voz alta en clase, proporcionando una plataforma privada para expresar pensamientos y recibir retroalimentación.

NotebookLM transforma el consumo pasivo de contenido en una construcción activa de conocimiento al proporcionar herramientas que facilitan la autoevaluación, la investigación crítica y el compromiso iterativo con el material. Esto se alinea con los cambios pedagógicos modernos hacia un aprendizaje centrado en el estudiante, donde los alumnos son participantes activos en su camino educativo. Los libros de texto tradicionales principalmente apoyan la lectura pasiva. Este cambio de la recepción pasiva a la aplicación activa del conocimiento es fundamental para un aprendizaje más profundo y coloca a NotebookLM como una herramienta que facilita, activamente, el proceso de aprendizaje, convirtiéndolo en un “libro de texto” dinámico.

Concluyendo.

Hasta este punto demostramos que NotebookLM puede transformarse en el libro de texto de las asignaturas universitarias, superando en muchos aspectos a los libros de texto tradicionales. Su capacidad para procesar y sintetizar una amplia gama de materiales de estudio y su estructura apoyada en las fuentes que el profesor añadió, minimiza las alucinaciones que otras herramientas de IA cometen.

Desde una perspectiva didáctica, NotebookLM fomenta el aprendizaje personalizado y adaptativo, permitiendo a los estudiantes avanzar a su propio ritmo y recibir apoyo dirigido, lo que puede reducir el estrés y mejorar la seguridad en el aprendizaje. Su diseño se alinea con teorías de aprendizaje contemporáneas como el constructivismo, al promover la construcción activa del conocimiento y el conectivismo, al facilitar la navegación y síntesis de información en redes. Si bien ofrece un apoyo significativo al desarrollo del pensamiento crítico, la prevención de la sobre dependencia y la ofuscación cognitiva requiere un diseño pedagógico intencional que impulse a los estudiantes a interpretar, cuestionar y verificar activamente la información generada, no se trata de copiar y pegar directamente.

Económicamente, NotebookLM disminuye totalmente la erogación en compra de libros que no siempre son empleados. Estos libros estarán en el cuaderno de cada profesor, que puede actualizarlo de manera permanente. Utilizarlo como libro de texto depende de la voluntad del profesor y del compromiso de los estudiantes. 

Comparación entre las Gems de Google y NotebookLM en la gestión del Conocimiento.

Con la colaboración de Mercedes Leticia Sánchez Ambriz

Escucha el pódcast en este enlace

La gestión del conocimiento y la optimización de la interacción con modelos de lenguaje de gran escala (LLMs) constituyen áreas de creciente interés. Google ha introducido diversas herramientas que buscan mejorar estas interacciones. Dos de estas son las "Gems" (guías de estudio y memorización) y NotebookLM. Aunque ambas realizan tareas similares, existen diferencias que abordaremos a continuación.

Las Gems de Google

Las Gems representan una evolución en la interacción con los modelos de lenguaje de Google, particularmente Gemini. Su concepto principal reside en la capacidad de los usuarios para crear versiones personalizadas de Gemini, adaptadas a tareas o necesidades específicas.

Una Gem, como explica Gemini es, esencialmente, una instrucción o un conjunto de instrucciones predefinidas que se aplican a un modelo Gemini subyacente. Son individuales, lo que significa que cada Gems responde al interés del usuario y no se pueden compartir para que otra persona interactúe con ella. Su construcción es sencilla y se puede apreciar en las imágenes a continuación.

El primer paso es acceder a https://gemini.google.com/ y hacer clic en “Descubrir Gemes”. En la nueva venta encontrarás diferentes Gems propias de Gemini, que puedes probar para formarte una idea de cómo se trabaja con ellas.

El siguiente paso es crear la Gems, para lo que activas la opción Nuevo Gem como se aprecia en la imagen.

En los siguientes pasos se construye la Gems. Coloca un nombre, añade las instrucciones y la base de conocimiento. Las instrucciones es la manera en que deseamos actúe la Gems. ¿Qué debe realizar, de qué manera, cómo serán las respuestas y todo lo necesario para que responda a nuestras necesidades? Es el prompt que ejecutará la Gems.

Es preferible crear el prompt previamente y para ello la mejor opción es el propio Gemini. 

Para ello, en el chat se puede escribir: “Elabora un prompt que me permita generar una gems dirigido a estudiar (nuestro tema)”. Con esta orden, Gemini elabora el prompt que, después de revisarlo, pegamos en la caja de instrucciones. Una función recientemente añadida es la base de conocimientos, que permite añadir hasta 10 archivos.

El último paso es ir refinando al tutor, mediante preguntas que realizamos, midiendo la exactitud de las respuestas. De estar satisfechos, guardamos el Gems y está listo para nuestro trabajo individual.

Utilidad y aplicaciones: La utilidad principal de las Gems se manifiesta en la automatización y la consistencia.

• Automatización de tareas repetitivas: Para usuarios que realizan tareas recurrentes con LLMs, como la generación de correos electrónicos con un formato específico, la redacción de descripciones de productos o la creación de contenido para redes sociales, una Gem puede ahorrar tiempo al eliminar la necesidad de reintroducir las mismas instrucciones en cada ocasión.
• Consistencia en la salida: Garantizan que las respuestas del modelo se adhieran a parámetros preestablecidos, lo que es crucial para mantener la coherencia en la comunicación o en la producción de contenido.
• Especialización del modelo: Permiten "especializar" una instancia de Gemini para un dominio particular. Un desarrollador podría crear una Gem para "Asistencia de Codificación en Python" que siempre proporcione ejemplos de código y explicaciones relevantes para Python.
• Acceso rápido a funcionalidades específicas: Almacenan configuraciones complejas o cadenas de razonamiento, facilitando el acceso a funcionalidades avanzadas de Gemini sin la necesidad de recordar o reescribir prompts elaborados.
• Prepararse para un examen. La posibilidad de interactuar con el contenido cargado y emplear la capacidad de Gemini para responder preguntas, lo convierte en un recurso ideal para la preparación individual. La rapidez de creación de la gems, lo hace ideal para cualquier estudiante.

NotebookLM: El cuaderno aumentado por inteligencia artificial

Del otro lado del ecosistema Google, nos encontramos con NotebookLM, una herramienta de diseñada para asistir en la investigación, el análisis y la síntesis de información a partir de documentos personales o fuentes cargadas por el usuario. Su enfoque no es la personalización de un LLM para tareas repetitivas, sino la interacción contextualizada con un grupo de archivos seleccionados por el usuario.

Utilidad y aplicaciones: La utilidad de NotebookLM se centra en la gestión y análisis de información densa.

• Investigación documental: Es una herramienta valiosa para investigadores, estudiantes o profesionales que necesitan analizar grandes volúmenes de texto. Permite extraer rápidamente la esencia de documentos, identificar argumentos clave y localizar información específica. La versión gratuita permite subir hasta 50 archivos, incluidos videos de YouTube
• Síntesis de información: Facilita la creación de resúmenes coherentes y la consolidación de ideas de múltiples fuentes, lo que es fundamental para la redacción de informes, tesis o artículos.
• Generación de ideas y conexiones: Al comprender el contenido de los documentos, NotebookLM puede sugerir conexiones o ideas que un lector humano podría pasar por alto, potenciando la creatividad y la profundidad del análisis. Permite la creación de mapas mentales, de todos los o de uno en particular.
• Acceso a conocimiento personalizado y privado: La información procesada por NotebookLM es la que el usuario carga, garantizando que el modelo opere dentro de los límites de ese conocimiento específico y privado. En los últimos meses permite crear “investigaciones” de temas definidos por el usuario, buscando la información en la Web. , sin depender de datos externos.
• Generación de notas de texto y audio. Una de las aplicaciones más conocidas y empleadas es la de generar pódcast de un tema en especial de la base de conocimientos que fue cargada.

Comparación entre Gems y NotebookLM

Aunque tanto las Gems como NotebookLM buscan mejorar la interacción con la inteligencia artificial, sus propósitos y metodologías difieren significativamente.

Característica	Gems (Basadas en Gemini)	NotebookLM
Propósito Principal	Personalizar y automatizar interacciones con Gemini para tareas específicas.	Analizar, sintetizar y responder preguntas sobre los documentos cargados por el usuario.
Fuente de Conocimiento	El conocimiento general del modelo Gemini subyacente, guiado por instrucciones personalizadas.	Exclusivamente los documentos que el usuario carga en la interfaz, o aquellos solicitados por el usuario.
Interacción	Configuración de prompts y directrices para moldear el comportamiento del LLM en diversas tareas.	Consultas directas sobre el contenido de los documentos cargados, buscando respuestas y conexiones dentro de ese material.
Aplicaciones Típicas	Generación de contenido con formato específico, asistencia en codificación, redacción de correos, automatización de flujos de trabajo con LLMs.	Investigación académica, análisis de informes, preparación de resúmenes de libros, organización de notas personales, generación de ideas basadas en fuentes.
Naturaleza	Herramienta de personalización y automatización de la salida del LLM.	Herramienta de gestión y análisis de documentos y conocimiento.
Dependencia del Usuario	Requiere que el usuario defina claramente las instrucciones y el propósito de la Gem.	Requiere que el usuario proporcione los documentos sobre los cuales el modelo debe operar.

Principales diferencias:

1. Enfoque del conocimiento: Las Gems operan sobre el conocimiento vasto y preexistente de Gemini, que es luego "dirigido" por las instrucciones de la Gem. NotebookLM, por el contrario, construye su base de conocimiento desde cero con los documentos que el usuario le proporciona, actuando como un asistente de investigación enfocado en el tema creado.
2. Modo de operación: Las Gems son fundamentalmente un método para configurar y reutilizar instrucciones complejas para un LLM. NotebookLM es una interfaz para interactuar analíticamente con un conjunto de documentos.
3. Casos de Uso: La Gem busca optimizar la producción de texto o la interacción con el LLM para tareas recurrentes. NotebookLM busca profundizar en la comprensión y extracción de información de un conjunto de datos específicos.

Las Gems y NotebookLM, si bien son productos de la misma empresa y comparten la base de la inteligencia artificial, están diseñados para resolver problemas distintos. Las Gems sobresalen en la personalización y automatización de la interacción con modelos de lenguaje para generar contenido o realizar tareas repetitivas de manera consistente. NotebookLM, por su parte, es una herramienta poderosa para la gestión, el análisis y la síntesis de conocimiento proveniente de fuentes documentales específicas del usuario. La elección entre una u otra, o la combinación de ambas, dependerá de la necesidad particular del usuario: sea la de optimizar la interacción con un LLM generalista o la de extraer valor y comprender a fondo un corpus de información propio.

NotebookLM: La IA al servicio de la investigación y el estudio

En colaboración con Mercedes Leticia Sánchez

En pocos meses, NotebookLM se convirtió en la aplicación de Google más comentada en el mundo académico. Se apoya en Gemini 1.5 Pro y su principal función es facilitar la investigación y la redacción al permitir cargar diversas fuentes, como documentos, videos, audios y sitios web. A partir de estas fuentes, NotebookLM actúa como un “experto” en el material, al generar resúmenes, responder preguntas, crear guías de estudio, líneas de tiempo y hasta una amena conversación entre dos personas sobre los temas de los documentos.

Sus posibilidades para la enseñanza y el aprendizaje son casi infinitas y dependen por completo de quién y cómo lo utilice. El primer paso para su utilización eficaz es encontrar la literatura en la que vamos a trabajar. Existen numerosos sitios que, con el empleo de la IA, facilitan el acceso a grandes volúmenes de información, filtrada según nuestras exigencias. Entre ellos destacamos tres sitios muy conocidos.

Elicit https://elicit.org/ En esta herramienta se pueden aplicar algunos filtros como el año, el índice de impacto de la revista (Q), el tipo de trabajo y el empleo de palabras claves.

Con cada artículo se acompaña generalmente el enlace para acceder al mismo, en el repositorio donde se encuentra, además del valor DOI. 

Destaca Elicit por ofrecer, en varias columnas, descripciones del resumen, bibliografía, métodos y otros análisis del artículo seleccionado. La versión gratuita permite agregar tres columnas, pero si cierra una de ellas, puede abrir otra más.

Otra herramienta es https://typeset.io/ que realiza tareas similares a la anterior, pero inserta una función (Copilot) con la que se formulan preguntas relacionadas con el artículo. Al igual que el anterior, se pueden obtener algunas columnas con descriptores del trabajo.

El resultado de estas respuestas facilita la decisión de leer a fondo el trabajo. En ambas herramientas para una mejor búsqueda se requiere crear una cuenta.

El tercer sitio es https://www.researchrabbit.ai/ una herramienta dirigida a optimizar la búsqueda y organización de información científica. Su empleo es sencillo y destaca por la exploración de redes de citación de manera visual. Es calificado como "el Spotify de la investigación académica" al llevar a cabo búsquedas basadas en la preferencia del investigador.

Seleccionada estas tres herramientas, estamos en condiciones de comenzar a trabajar con NotebookLM.

Empleando NotebookLM.

Con todas las fuentes recopiladas las podemos cargar en NotebookLM, en un proceso sencillo y rápido que permite añadir documentos en diferentes formatos, como muestra la imagen.

Como se puede apreciar, son variadas las vías para subir fuentes, además de documentos en PDF, TXT, audio, pero no en formato DOCX. En la versión gratuita se pueden subir hasta 50 fuentes. Cargadas las fuentes, se inicia el proceso más importante de esta herramienta: el resumen, las respuestas a nuestras preguntas sobre los documentos, la clasificación, entre otras muchas funcionalidades.

El empleo de NotebookLM contribuye de manera significativa a elevar la eficiencia en la gestión del conocimiento, gracias a la organización automática de la información, a la creación de resúmenes de cada una de las fuentes y en especial al elemento más destacado, el ahorro de tiempo. Para investigadores y estudiantes de posgrado es una herramienta indispensable para trabajar toda su información.

De igual manera, se logra la personalización del aprendizaje de una manera rápida y sencilla. Cada persona formula las preguntas que considere necesarias, obteniendo respuestas ajustadas al nivel de comprensión. La propia herramienta plantea preguntas interactivas que podemos aceptar o no y convertirlas en notas.

NotebookLM descompone la información de las fuentes en conceptos claves, crea una línea de tiempo, genera preguntas para estudiar las fuentes y establecer comparaciones entre ellas. Además, puede crear una estructura jerárquica de la información para generar un mapa conceptual en otra herramienta. A esto se une capacidad de generar una lista de todas las fuentes bibliográficas insertas en cada una de las fuentes.

Con las utilidades anteriores se incrementa la motivación por el aprendizaje, la seguridad y el interés por los contenidos que se analizan. Se puede despertar la curiosidad, favorecer el aprendizaje crítico, disminuir el estrés en el análisis de la información, así como la infoxicación.

Algunos ejemplos de su empleo en clases.

Los profesores pueden mejorar el tiempo dedicado a preparar y actualizar las clases, analizando artículos, libros e investigaciones relacionadas con sus contenidos. Se puede crear un grupo de preguntas derivadas de una fuente en específico o de todas, con sus correspondientes respuestas. También se pueden estudiar diferentes perspectivas de un mismo tema, analizar personajes literarios, hechos históricos y mucho más.

Los estudiantes pueden utilizar NotebookLM para crear resúmenes de libros, estudiar en profundidad un asunto determinado, estudiar temas de interés, repasar preguntas para un examen, entre otras posibilidades.

La herramienta traduce los textos de otros idiomas al nuestro, por lo que resulta de utilidad para vencer la barrera de los idiomas. Sus posibilidades son infinitas y solo depende de cada uno de nosotros, convertir esta herramienta es insustituible en el trabajo diario.

Una de sus potencialidades didácticas es la creación de un pódcast que resuma una fuente, varias o todas a la vez. Un ejemplo lo puede escuchar en este pódcast creado específicamente para el análisis de las fuentes empleadas en este trabajo. Si desea ampliar las funcionalidades de NotebookLM y en especial el trabajo con Reserch Rabbit, del que comentamos anteriormente, puede revisar este video que preparamos para la red DIM en sus jornadas de innovación educativa.