No se aprende corriendo un programa

De la ruptura de la analogía hardware/software a un perfil de demanda decisional de las experiencias de aprendizaje

Por qué leer este artículo

Tres razones para no pasar de largo

Lo decisivo no es la herramienta: es lo que la experiencia exige a quien aprende.

Rendir no es aprender

Los estudios sobre IA revelan una paradoja: mejorar durante la práctica no garantiza aprender. La ayuda puede incluso perjudicar el desempeño posterior sin asistencia.

Cambia la pregunta central

La cuestión deja de ser qué tecnología utilizamos para convertirse en qué exigencias, decisiones y oportunidades de reorganización propone la experiencia.

Convierte la crítica en método

Propone el Perfil de Demanda Decisional (PDD): ocho dimensiones, tres capas de medición y una ruta de validación para transformar el diseño y la evaluación educativa.

Pregunta de fondo · Si una herramienta resuelve la tarea, ¿qué tuvo que aprender quien la utilizó?

Resumen

La analogía que asimila el cerebro a un hardware y la mente a un software sigue organizando, de forma implícita, buena parte del discurso educativo y tecnológico: si aprender es instalar o ejecutar un programa, cualquier dispositivo que lo entregue equivale a otro, y la emulación de la cognición humana parece solo una cuestión de escala. Este artículo sostiene que esa analogía no resiste la evidencia actual y que su caída tiene consecuencias de diseño. Se presentan tres líneas de ruptura —la plasticidad dependiente de la actividad, la inexistencia de un nivel de código separable y el carácter no informacional de lo que habilita el cambio en un sistema vivo— y se examinan los contraargumentos computacionalistas más sólidos. Luego se reúne evidencia de 2024 a 2026 sobre inteligencia artificial generativa, aprendizaje encarnado, actividad física cognitivamente comprometida y transferencia. Esa evidencia converge en una conclusión: con la misma herramienta se obtienen efectos opuestos según la demanda que la experiencia impone. A partir de ello se propone el Perfil de Demanda Decisional (PDD), un instrumento de ocho dimensiones y tres capas de medición para describir qué exige una experiencia de aprendizaje, sea analógica o digital, junto con una ruta de validación en tres fases con docentes en formación de Chile y México.

Palabras clave: metáfora computacional, cognición enactiva, demanda cognitiva, inteligencia artificial generativa, diseño de experiencias de aprendizaje, formación docente.

Figura 1. De la metáfora computacional al Perfil de Demanda Decisional (PDD): fundamentos, evidencia e implicaciones para el diseño de experiencias de aprendizaje. Fuente: Elaboración propia, González Grez (2026).

1. Introducción: la misma herramienta, destinos opuestos

En un ensayo con cerca de mil estudiantes de matemáticas de una escuela secundaria de Turquía, Bastani et al. (2025) dieron acceso a GPT-4 en dos configuraciones. Con una interfaz estándar, el desempeño durante la práctica subió un 48 %; pero en el examen posterior, sin asistencia, esos estudiantes rindieron un 17 % por debajo de quienes nunca tuvieron acceso. Con un tutor diseñado para exigir razonamiento antes de dar ayuda, la mejora durante la práctica fue del 127 % y el daño posterior quedó en gran medida mitigado, aunque sin superar al grupo de control. El modelo era el mismo. Lo que cambió fue lo que la experiencia le exigía a quien aprendía.

En educación superior el patrón se repite. En una universidad chilena, Gallegos (2026) realizó dos experimentos aleatorizados en un curso de econometría. Promover la adopción de un asistente de IA del curso aumentó en 21 y 11 puntos porcentuales el conocimiento de la herramienta y su uso declarado, pero no mejoró el examen intermedio. Orientar a los estudiantes para usarlo como tutor paso a paso, en cambio, elevó el examen final en 0,21 desviaciones estándar y la nota final en 0,22, y aumentó en 12 puntos porcentuales la probabilidad de aprobar. Las ganancias se concentraron en preguntas abiertas de razonamiento y no aparecieron en las de selección múltiple.

Dos ensayos recientes completan el cuadro con resultados de signo contrario. En Harvard, Kestin et al. (2025) compararon, con 194 estudiantes de física, un tutor de IA construido sobre principios de aprendizaje activo con una clase presencial de aprendizaje activo: el grupo con tutor obtuvo una mediana de 4,5 frente a 3,5 en la prueba posterior. En la Universidad de Maryland, en cambio, J. Liu et al. (2026) encontraron, con 2.379 estudiantes, que el acceso a un tutor de IA integrado al curso, sin rediseño de la tarea, redujo las notas finales entre 0,27 y 0,37 desviaciones estándar, con pérdidas mayores en estudiantes de primera generación.

La misma categoría de herramienta produce mejoras grandes, nulas o pérdidas. Esto desmonta la pregunta que sigue dominando la investigación y las políticas educativas: ¿sirve o no sirve esta herramienta? Esa pregunta supone que la herramienta es la intervención. Este artículo sostiene que el supuesto no es un descuido metodológico, sino la consecuencia de una premisa más profunda: la idea de que la mente funciona como un software que corre sobre un hardware biológico. Si aprender es ejecutar un programa, basta con entregar el programa correcto, y cualquier medio que lo entregue —un docente, un libro, un asistente de IA— cumple la misma función. La tesis que defiendo es la contraria: en un sistema vivo no hay un programa separable del sustrato que lo ejecuta y, por eso, el diseño educativo debe dejar de catalogar herramientas y actividades para empezar a describir la demanda que imponen.

El argumento avanza en cuatro movimientos. Primero, se precisa qué dice la analogía y cómo se traduce en pedagogía. Segundo, se presentan tres líneas de ruptura y los contraargumentos más fuertes. Tercero, se reúne la evidencia empírica que muestra que el efecto depende de la demanda y no de la etiqueta. Cuarto, se propone el Perfil de Demanda Decisional y una ruta concreta para validarlo. Dos de los estudios citados en esta introducción (Gallegos, 2026; J. Liu et al., 2026) son documentos de trabajo sin revisión por pares; se usan porque sus diseños aleatorizados en educación superior no tienen todavía equivalente publicado.

Laboratorio de lectura crítica · PDD

LA MISMA HERRAMIENTA.
DESTINOS OPUESTOS.

Ya leíste la introducción. Ahora el reto es razonar antes de recibir una respuesta: identificar qué demuestra la evidencia, contrastar decisiones de diseño, cuestionar la metáfora computacional y reconstruir una experiencia mediante el Perfil de Demanda Decisional.

La versión interactiva necesita JavaScript autorizado en el bloque HTML de WordPress. El contenido introductorio sigue siendo visible; consulta las instrucciones de instalación incluidas con el archivo.
Tu bitácora registra 0 de 4 momentos de producción argumentada. No es una calificación.Solo en esta sesión; nada se envía.
Fase 01 / Lectura estructural

¿Qué afirma cada párrafo y qué NO demuestra?

Recorre los cinco bloques de la introducción. Identifica su papel en el argumento y expresa una inferencia propia antes de conocer una lectura experta. No basta con reconocer palabras clave.

5 bloques de lectura
Texto base / Introducción
Selecciona un párrafo para comenzar.

Fuente: sección 1, No se aprende corriendo un programa (González Grez, 2026).

Estación de interpretación

Haz visible el mecanismo

Matriz de evidencias · fuentes diferenciadas

La síntesis aparece a medida que registras tus interpretaciones.

Bitácora personal · Evidencia de razonamiento

Tu proceso no termina al hacer clic

Exporta tus propias inferencias, contrastes y decisiones de diseño para debatirlas con colegas o estudiantes. No se almacena nada en un servidor.

0 momentos
Laboratorio de Demanda Decisional · González Grez, 2026. Actividad educativa para lectura crítica: no mide aprendizaje, no emite diagnósticos personales y no representa una validación empírica del PDD. Los estudios y las dimensiones pertenecen al artículo «No se aprende corriendo un programa».

2. La analogía y su traducción pedagógica-andragógica

Conviene distinguir dos versiones de la analogía. La versión metafísica es el funcionalismo computacional: los estados mentales se definen por su rol funcional, no por el material que los realiza, y por tanto podrían implementarse en sustratos distintos. La versión pedagógica rara vez se enuncia, pero se practica: aprender sería recibir y ejecutar un programa —contenidos, procedimientos, rutinas— en una máquina relativamente estable. En esa segunda versión, la neurociencia estudia el hardware, la psicología cognitiva describe el software y la educación se encarga de la instalación.

La versión pedagógica tiene tres consecuencias que se observan a diario. La primera es la equivalencia de medios: si lo que importa es el programa, el soporte es intercambiable. La segunda es la emulación como horizonte: si la cognición es software, una máquina suficientemente potente puede ejecutarlo, y delegar en ella es solo una forma eficiente de procesar. La tercera es la neuroeducación de instrucciones: si el cerebro es el hardware, basta conocer sus especificaciones para optimizar el rendimiento, lo que alimenta la circulación de recomendaciones simplificadas sobre “activar” regiones o “encender” funciones.

Cada época ha proyectado su tecnología dominante sobre el cerebro: la hidráulica, el reloj, la centralita telefónica, el computador. La diferencia es que la metáfora actual coincide con la llegada de sistemas que efectivamente producen lenguaje, y esa coincidencia le da una fuerza persuasiva inédita. Por eso no basta con señalar que es una metáfora: hay que mostrar dónde falla y qué se pierde cuando se la adopta como guía de diseño.

MICROLABORATORIO · APRENDIZAJE EN PROCESO
LA METÁFORA QUE DECIDE POR NOSOTROS
0/4 decisiones
Advertencia cognitiva · Leer antes de empezar

Los modelos computacionales pueden ser útiles sin que aprender equivalga a instalar un programa. Tu desafío es reconocer cuándo una metáfora empieza a dirigir decisiones educativas.

ESTACIÓN 01

Detectar el supuesto invisible

La afirmación
«Nuestro tutor de IA entrega las mismas explicaciones que el profesor. Por tanto, garantiza un aprendizaje equivalente».

No te preguntes solo si estás de acuerdo: identifica qué presupone la afirmación.

Tu interpretación, antes del contraste.
Antonio González Grez · grezan.cl · 2026Sin registro · respuestas en esta sesión

3. Tres líneas de ruptura

Las tres líneas que siguen van de la más intuitiva a la más fuerte. La primera es necesaria pero insuficiente; la tercera es la que conecta la crítica con el diseño.

3.1 El uso transforma el sustrato

En un computador, ejecutar un programa no modifica el procesador. En un organismo, ejercer una función reconfigura las estructuras que la hacen posible. La investigación sobre plasticidad en humanos adultos documenta cambios estructurales asociados al aprendizaje de habilidades y al estudio intensivo, aunque el vínculo entre esos cambios macroestructurales y sus mecanismos celulares todavía no está resuelto en humanos (Hille et al., 2024). El punto importa por dos razones: confirma que el sustrato no es un contenedor fijo y, a la vez, advierte que “más volumen” o “más activación” no equivalen a “más aprendizaje”.

Esta línea, sin embargo, no basta. Un funcionalista puede responder que las redes neuronales artificiales también modifican sus pesos al aprender, de modo que “la actividad cambia el sustrato” no distinguiría al cerebro de una máquina que aprende. La objeción es legítima y obliga a ir más lejos.

3.2 No hay un nivel de código separable

La segunda línea ataca la idea misma de que exista un programa. Brette (2022) sostiene que el cerebro no es literalmente un computador porque no es literalmente programable: no hay en él un nivel de instrucciones que pueda separarse de la dinámica causal que las realiza. La metáfora del código, añade, no es inocua, porque decide qué se observa y qué se ignora. Cuando la cognición se describe como transformación de información entre entradas y salidas, desaparecen del cuadro la circularidad, la temporalidad y el acoplamiento del organismo con su entorno.

Esta línea es más fuerte que la primera porque no afirma solo que el sustrato cambie, sino que la descripción “programa” no corresponde a ningún nivel causal real del sistema. Enlaza con la tradición enactiva: para Maturana y Varela (1984), un ser vivo es un sistema que produce y mantiene los componentes que lo constituyen, y su conocer es inseparable de ese automantenimiento; Varela et al. (1991) extienden la idea a una cognición que se hace en la acción y no en la representación. Desde la teoría de la inferencia activa, Pezzulo et al. (2024) llegan a una conclusión compatible por otra vía: el significado surge en agentes que actúan sobre el mundo para regular su propia existencia, y los sistemas generativos entrenados de forma pasiva carecen precisamente de ese anclaje.

3.3 Lo que habilita el cambio no es informacional

La tercera línea es la que interesa al diseño. El marco de facilitación–guía, surgido de estudios de neurogénesis en animales, propone que la actividad física aumenta la capacidad de cambio plástico y que la estimulación cognitiva o ambiental guía la integración funcional de ese cambio. En humanos, el apoyo es indirecto y procede sobre todo de adultos mayores: la combinación de ejercicio y entrenamiento cognitivo mejora la cognición global en personas con deterioro cognitivo leve, con un efecto pequeño pero consistente (SMD = 0,26; Yi et al., 2024), y los formatos de doble tarea simultánea muestran beneficios en adultos mayores con trastornos neurocognitivos, aunque con evidencia de baja calidad (Chern et al., 2026). Pese a esos límites, la estructura lógica del marco es reveladora: hay un componente que habilita el cambio sin portar contenido alguno y otro que lo orienta según la demanda de la experiencia. Ninguno de los dos tiene equivalente en la dupla programa/máquina.

El cerebro, además, está envuelto y regulado por sistemas inmunes, vasculares y de fluidos que no procesan información y, sin embargo, condicionan lo que puede hacer. Un ejemplo ilustra a la vez la potencia de esta idea y la cautela que exige. En 2023 se propuso la existencia de una cuarta membrana menínea, denominada SLYM, con poblaciones inmunitarias propias y función de barrera. El hallazgo fue disputado por quienes sostienen que se trata de una subcapa de la aracnoides y no de una estructura independiente (Siegenthaler & Betsholtz, 2024), y defendido por sus autores originales (Plá et al., 2024). Para el argumento de este artículo, la controversia anatómica no cambia lo esencial: el sistema que aprende no es un procesador con periféricos, sino un organismo que se regula a sí mismo en múltiples escalas.

De ahí se desprende una precisión importante. Decir que a las máquinas les “falta una capa” concedería la premisa funcionalista: bastaría con agregarla para completar la emulación. La tesis aquí es otra. No falta una capa en el esquema; es el esquema por capas lo que no describe al sistema vivo.

FALLA DE MODELO — El aprendizaje no se instala
LABORATORIO · INICIO

FALLA DE MODELO

FALLA DE MODELO

«El aprendizaje no se instala»

En un laboratorio de sistemas adaptativos se afirma que aprender equivale a ejecutar el programa correcto. Tu misión inicial parece simple: poner a prueba el sistema. Pero cuando el entorno mute, descubrirás qué condiciones hacen realmente posible reorganizarse.

MUNDO 01 · MUTACIÓN Plasticidad y cambio ante perturbaciones
MUNDO 02 · ACOPLAMIENTO Cuando repetir instrucciones falla
MUNDO 03 · REGULACIÓN Sostener recursos para reorganizarse
Teclado (WASD / Flechas + Espacio) o Táctil directo

Controles y Accesibilidad

  • Escritorio: Desplaza el agente con W A S D o Flechas. Activa nodos o pulsos con Espacio o Enter. Usa E cuando aparezca una decisión táctica.
  • Celular / Táctil: Arrastra o toca directamente sobre el escenario para guiar al agente, o usa la cruceta táctil inferior y el botón de pulso.
  • Accesibilidad visual: Todos los estados combinan forma geométrica, etiquetas textuales y contraste alto. Puedes activar Intensidad: Suave en la barra superior para reducir partículas y destellos.

EXPERIMENTO EN PAUSA

El ciclo de simulación está detenido para ahorrar recursos.

HALLAZGO DEL MUNDO 01

Título de hallazgo

SÍNTESIS DEL EXPERIMENTO

NO SE APRENDE CORRIENDO UN PROGRAMA

«Lo que una experiencia exige importa tanto como lo que entrega»

Misión: Inicia el experimento para poner a prueba el sistema adaptativo.
También puedes arrastrar el dedo sobre el escenario
DESAFÍO FINAL · PERFIL DE DEMANDA DECISIONAL

Rediseña las condiciones del escenario para una demanda nueva

Iteraciones probadas: 0 (mínimo 2 para concluir)

Ajusta las reglas del entorno, ejecuta una prueba observando cómo responde el agente autónomo ante perturbaciones inéditas y realiza al menos una iteración de mejora a partir de lo que observes.

0% = solución inmediata · 100% = exige decisión previa
Observación actual: Pulsa «Probar configuración» para observar qué ocurre con el agente bajo estas reglas.
Antonio González Grez · grezan.cl · 2026

4. Contraargumentos y respuesta

El contraargumento más sólido sostiene que todo el debate es semántico. Richards y Lillicrap (2022) proponen que, si “computador” se define como en la ciencia de la computación —un sistema capaz de aproximar cualquier función computable—, el cerebro es literalmente un computador; si se define como en el uso común, como una máquina programable, claramente no lo es. Discutir la metáfora sería, entonces, discutir palabras.

La respuesta tiene dos partes. Primero, como advierte Brette (2022), una definición tan amplia convertiría en computador a casi cualquier sistema físico suficientemente complejo, y deja de explicar algo. Segundo, aunque el debate fuera semántico, la estructura inferencial de la metáfora no lo es: decide qué variables se miden, qué se considera ruido y qué preguntas se formulan. Cuando la investigación educativa compara “con IA” y “sin IA”, está razonando dentro de esa estructura.

Una segunda objeción recuerda que las redes artificiales también aprenden modificando su sustrato paramétrico. La diferencia relevante no es que haya cambio, sino cómo ocurre. En la red, el cambio responde a una función objetivo fijada desde fuera y sucede sobre un hardware que no se reconstruye. En el organismo, el cambio es multiescala, depende de estados metabólicos y corporales, y responde a normas que el propio sistema produce para mantenerse (Hille et al., 2024; Maturana & Varela, 1984). Que un sistema artificial ajuste pesos no convierte al aprendizaje humano en instalación de código, del mismo modo que un sistema que genera texto sin actuar sobre el mundo no adquiere por ello el anclaje que da sentido a lo que produce (Pezzulo et al., 2024).

Conviene conceder lo que es concedible. Las descripciones computacionales son herramientas útiles para modelar procesos, y nada de lo dicho aquí las invalida. Tampoco es necesario demostrar que ninguna máquina podrá emular jamás la cognición humana, una tesis metafísica difícil de cerrar. La posición que este artículo defiende es epistemológica y de diseño: la descripción hardware/software omite justamente las variables —historia de demandas, estado corporal, autoorganización— que determinan qué se aprende; por tanto, no puede guiar el diseño educativo.

LABORATORIO ARCADE · INFERENCIAS EDUCATIVAS

¿QUÉ DEJASTE FUERA?

Un modelo puede predecir y seguir dejando fuera lo importante.

Advertencia cognitiva: el caso y sus señales son ficticios. No representan resultados de investigación ni pruebas de competencia.

01 · El observatorio incompleto

SENSORES 0 / 3

Dos grupos usan el mismo tutor de IA. La institución declara que aprenden igual. Tienes presupuesto para observar solo tres variables.

INSTALA TUS SENSORES · ELIGE 3
MESA DE OBSERVACIÓN · DOS GRUPOS
GRUPO A
Práctica: 86 / 100
GRUPO B
Práctica: 82 / 100

Estos resultados ilustrativos son parecidos. ¿Demuestran que ambos grupos aprendieron lo mismo?

Los sensores seleccionados revelarán información adicional de ambos grupos.
¿Por qué una definición importa?

Richards y Lillicrap (2022) señalan que «computador» puede tener sentidos distintos. Brette (2022) advierte que una definición muy amplia pierde capacidad explicativa. En educación, la metáfora condiciona qué decidimos medir.

Presupuesto limitado · Elige tres variables
Una elección dentro del juego no demuestra aprendizaje profundo. El recurso busca provocar distinciones, decisiones y revisión de inferencias.
Antonio González Grez · grezan.cl · 2026 · Chromatic Pulse

5. La demanda, no la etiqueta: lo que muestra la evidencia

Si aprender no es ejecutar un programa, sino reconfigurar un sistema vivo bajo demanda, la pregunta de diseño cambia. Ya no es qué herramienta o actividad usar, sino qué le exige la experiencia a quien aprende y en qué medida esa exigencia coincide con lo que se busca desarrollar. Cuatro cuerpos de evidencia reciente apuntan en esa dirección.

5.1 Inteligencia artificial generativa: el caso límite

Los cuatro ensayos presentados en la introducción (Bastani et al., 2025; Gallegos, 2026; Kestin et al., 2025; J. Liu et al., 2026) forman, leídos juntos, algo cercano a un experimento natural: la misma categoría de herramienta produce efectos que van de una ganancia sustantiva a una pérdida medible. Lo que separa los resultados no es el modelo de lenguaje, sino si la configuración preserva la elaboración de quien aprende o la sustituye. Dos detalles refuerzan la lectura. En Gallegos (2026), el efecto aparece en el razonamiento abierto y no en la selección múltiple: el formato de evaluación decide si el aprendizaje se ve. En Bastani et al. (2025), el mejor desempeño durante la práctica no predice el desempeño posterior: rendir con la herramienta y aprender con ella son cosas distintas.

Los metaanálisis apuntan en la misma dirección cuando se leen sus moderadores. Z. Liu, Zuo y Lu (2025) reúnen 37 estudios y estiman un efecto positivo de ChatGPT sobre el rendimiento (g = 0,577), pero ese efecto varía con la disciplina, la duración de la intervención, el tamaño de la muestra y el tipo de conocimiento evaluado, y es mayor en conocimiento declarativo que procedimental. La heterogeneidad indica efectos de diseño más que de herramienta. El metaanálisis más citado del período, que reportaba un efecto grande (Wang & Fan, 2025), fue retractado el 22 de abril de 2026 por discrepancias que socavaban la validez del análisis, y hoy solo puede citarse como advertencia.

La evidencia neurofisiológica exige todavía más cautela. Kosmyna et al. (2025) reportaron, con 54 participantes, menor conectividad EEG al redactar con un modelo de lenguaje que al hacerlo sin herramientas; pero se trata de un preprint cuya metodología ha sido cuestionada por diseño, potencia estadística, análisis de conectividad y transparencia (Stanković et al., 2025). Sirve como ilustración de una hipótesis, no como prueba.

5.2 Aprendizaje encarnado: no basta con moverse

El metaanálisis de Z. Liu, Zuo, Zhao, et al. (2025), con 46 estudios y 66 tamaños de efecto, encontró un efecto moderado del aprendizaje encarnado (g = 0,406). Lo decisivo está en los moderadores: la encarnación de alto nivel alcanzó g = 0,647, muy por encima de la de bajo nivel, y la participación activa superó a la pasiva. La etiqueta embodied no garantiza nada; importa el tipo de participación corporal que la tarea exige y su vínculo con lo que se aprende.

5.3 Actividad física: misma carga, distinta demanda

La investigación sobre actividad física cognitivamente comprometida ofrece la demostración más limpia del argumento. Con la misma carga física, una actividad con reglas cambiantes, decisiones estratégicas y actualización de memoria produce efectos distintos a una actividad repetitiva. Mao et al. (2024), con 23 ensayos y 2.857 participantes en edad escolar, estimaron un efecto global sobre las funciones ejecutivas de SMD = 0,32, con heterogeneidad alta. Las intervenciones de más de seis semanas alcanzaron 0,38, mientras que las más breves no fueron significativas. Un metaanálisis aún sin revisión por pares sobre sesiones únicas encuentra efectos pequeños en control inhibitorio y memoria de trabajo, pero no en flexibilidad cognitiva, y propone definir esta actividad por el diseño de la tarea y no por su nombre (Wang & Nurzhan, 2026). Las integraciones más complejas requieren trayectoria, no episodios.

En educación superior la evidencia es escasa y, leída con atención, favorece el argumento. Pastor-Vicedo et al. (2024) reportan que una pausa activa de 10 minutos a intensidad moderada mejora la atención sostenida de estudiantes universitarios; en Chile, González-Calderón et al. (2026) mostraron que un programa de pausas activas de ocho semanas era factible, aunque sin efectos significativos en salud mental, bienestar ni autoconcepto académico. Ninguno de los dos midió aprendizaje. Muestran que la activación es alcanzable con poco, pero que la activación sin una demanda alineada con un objetivo de aprendizaje no garantiza que ese aprendizaje ocurra.

5.4 Transferencia: mejora lo que se ejercita

Los metaanálisis sobre entrenamiento cognitivo muestran transferencia cercana, pero una transferencia lejana prácticamente nula cuando se controlan la calidad del diseño y los sesgos (Sala & Gobet, 2019). La consecuencia para la evaluación es directa: si una experiencia demanda decisiones bajo reglas cambiantes, una prueba declarativa no capturará lo que cambió. Evaluar lo que la experiencia realmente demandó deja de ser una preferencia metodológica y pasa a ser una condición de validez.

5.5 El medio como vehículo

El viejo debate sobre si los medios influyen en el aprendizaje encuentra aquí una salida operativa. Clark (1994) sostuvo que los medios son vehículos que no alteran lo que transportan. La evidencia reciente permite una versión más precisa: el medio importa solo en la medida en que altera el perfil de demanda. Si dos medios producen el mismo perfil, cabe esperar el mismo aprendizaje; si el mismo medio produce perfiles distintos, como en los ensayos con IA generativa, cabe esperar resultados distintos, incluso opuestos.

LABORATORIO EXPERIMENTAL · SECCIÓN 05

MISMO MEDIO. ¿MISMO APRENDIZAJE?

Controla la demanda, inspecciona las señales y decide qué puede concluirse.

0/4 misiones
MISIÓN 01 · IA GENERATIVA

La misma herramienta, dos exigencias

Dos aulas usan la misma categoría de asistente de IA. Ajusta lo que cada experiencia exige.

AULA A · CIAN
AULA B · MAGENTA

La barra representa solo exigencias de diseño elegidas, no aprendizaje ni efectos experimentales.

Configura dos experiencias y ponlas a prueba.
Antonio González Grez · grezan.cl · 2026Simulación conceptual · Sin registro ni transmisión de datos

6. Una advertencia necesaria: la neuroeducación de instrucciones

La analogía hardware/software no solo sostiene la equivalencia de medios; también alimenta una neuroeducación que traduce hallazgos de laboratorio en instrucciones de uso. El video que motivó este artículo es un ejemplo: afirmaba que una actividad física con reto mental optimiza las conexiones sinápticas “en cuestión de minutos”, algo que el estudio en que se apoyaba no mide ni demuestra (Wang & Nurzhan, 2026).

En América Latina este riesgo tiene datos concretos y recientes. En escuelas especiales chilenas, von Hausen et al. (2026) encontraron, con 142 educadores, un gradiente claro: los neuromitos educativos acumulan más errores que los del neurodesarrollo, y estos más que el conocimiento cerebral general; ni ese conocimiento general ni el interés por la neurociencia predijeron acierto. En Ecuador, Vintimilla et al. (2026) reportan que el 90,7 % de 269 docentes universitarios adhiere a la idea de enseñar según estilos de aprendizaje, y que el 98,1 % sostiene al menos un neuromito, mientras el 91,9 % acepta a la vez enunciados basados en evidencia. El conocimiento correcto y el mito conviven. En Bélgica, en cambio, Wauthia et al. (2026) observan que los docentes en ejercicio adhieren menos que los docentes en formación a los grandes neuromitos, lo que sugiere un efecto protector de la experiencia que los estudios latinoamericanos no detectan. Esa discrepancia merece atención propia, pero ambas líneas coinciden en que la exposición genérica a la neurociencia no basta.

Esto define un límite para la propuesta que sigue. El Perfil de Demanda Decisional no infiere estados cerebrales a partir de la tarea ni promete activar regiones. Describe demandas observables en el diseño y en la conducta, y formula predicciones sobre resultados de aprendizaje que pueden contrastarse. Su valor, frente a los neuromitos, es ofrecer a los docentes una forma de diferenciar la enseñanza por lo que la tarea exige y no por supuestos “estilos” de quien aprende.

Figura 2. Neuroeducación de instrucciones: evidencia internacional sobre neuromitos educativos, límites de la divulgación neurocientífica y aportes del Perfil de Demanda Decisional (PDD) para el diseño de experiencias de aprendizaje. Fuente: Elaboración propia, González Grez (2026), a partir de los estudios citados en la sección 6.

7. Propuesta: el Perfil de Demanda Decisional

El Perfil de Demanda Decisional (PDD) es un instrumento para describir qué exige una experiencia de aprendizaje a quien la vive, con independencia de si es analógica o digital. Su unidad de análisis no es la herramienta ni la actividad, sino la arquitectura de demandas que estas configuran.

7.1 El vacío que atiende

Los instrumentos disponibles miden algo distinto. Los cuestionarios de carga cognitiva informan cuánto esfuerzo percibe quien aprende. El marco ICAP clasifica la conducta visible en cuatro modos —pasivo, activo, constructivo e interactivo— y ha mostrado que una actividad etiquetada como “activa” no garantiza el compromiso que promete (Chi & Wylie, 2014). Su extensión reciente a la IA generativa confirma la utilidad del enfoque y, a la vez, su límite. La escala ICAP-GenAI, validada con 1.216 estudiantes de posgrado, identifica los cuatro modos en el uso académico de la IA (Zhang et al., 2025), y una rúbrica ICAP aplicada a 784 intercambios entre estudiantes universitarios y ChatGPT muestra que predominan las preguntas pasivas y activas, mientras las constructivas e interactivas aparecen en diálogos largos y en estudiantes de mayor rendimiento (Ding et al., 2026). Ambos instrumentos miden el modo de compromiso de quien aprende. Ninguno describe la tarea: cuántas reglas condicionan la acción, cuántas decisiones genuinas se toman, con qué retroalimentación ni con qué frecuencia cambian las reglas. Esa es la diferencia que el PDD reclama: no cómo se compromete el estudiante, sino qué le exige la experiencia.

7.2 Ocho dimensiones
Marco metodológico / PDD

8 dimensiones de la demanda decisional

El Perfil de Demanda Decisional describe qué exige una experiencia de aprendizaje a quien participa, independientemente de la herramienta o el medio utilizado.

Dimensión Qué describe Indicador de diseño Indicador conductual o subjetivo
01Carga de reglas Reglas simultáneas que condicionan la acción y su interdependencia Número de reglas activas Errores por violación de regla
02Densidad decisional Decisiones con alternativas y consecuencias por unidad de tiempo Puntos de decisión por minuto Latencia y registro de elecciones
03Reconfiguración Frecuencia con que cambian las reglas o el objetivo Cambios de regla por sesión Costo de cambio entre tareas
04Retroalimentación Frecuencia, latencia y tipo (resultado o proceso) Eventos de retroalimentación por minuto Uso de la retroalimentación en el intento siguiente
05Delegabilidad Parte de la demanda que un agente externo puede resolver sin que quien aprende la procese Pasos resolubles por la herramienta Desempeño con y sin el recurso
06Congruencia demanda-objetivo Coincidencia entre lo que se ejercita y lo que se quiere desarrollar y evaluar Matriz de alineamiento tarea-resultado Transferencia cercana medida
07Componente corporal Intensidad física y grado de participación corporal significativa Intensidad y nivel de encarnación Variabilidad cardíaca y esfuerzo percibido
08Progresión y repetición Si la demanda escala con la competencia y se sostiene en el tiempo Escalamiento de dificultad y número de sesiones Curva de aprendizaje

Desliza la tabla horizontalmente para consultar las cuatro columnas →

Las dimensiones no son arbitrarias. La delegabilidad recoge lo que muestran los ensayos con IA generativa (Bastani et al., 2025; Gallegos, 2026; J. Liu et al., 2026). La congruencia retoma la evidencia sobre transferencia cercana (Sala & Gobet, 2019) y sobre el nivel de encarnación (Z. Liu, Zuo, Zhao, et al., 2025). La reconfiguración y la progresión traducen el hallazgo de que las funciones más integradoras requieren práctica sostenida (Mao et al., 2024). El componente corporal recoge la lógica de facilitación–guía (Yi et al., 2024).

7.3 Tres capas de medición

El PDD se aplica en tres capas complementarias. La primera es la codificación del diseño: un analista describe la actividad antes de implementarla, a partir de sus reglas, decisiones y retroalimentaciones. La segunda es la traza conductual: registros de elecciones, errores y tiempos durante la experiencia; en entornos con IA, el análisis de los intercambios con la herramienta, como en Ding et al. (2026), ofrece un modelo directo. La tercera es la experiencia subjetiva y fisiológica: carga percibida y, cuando sea pertinente, indicadores como el seguimiento ocular, el EEG o la variabilidad cardíaca, que son las medidas más usadas en la investigación educativa reciente (González-Díez et al., 2026; Suzuki et al., 2024). Esta tercera capa se interpreta como indicador de carga o activación, nunca de aprendizaje: una revisión sistemática de marcadores fisiológicos en educación encontró que son sensibles al estrés, pero ninguno se asocia de forma consistente con el aprendizaje inmediato (Gellisch et al., 2024). La primera capa basta para el uso docente cotidiano; las otras dos sirven a la validación investigativa.

7.4 Una hipótesis sobre la carga total

Además de las ocho dimensiones, el PDD permite estimar una carga total. La hipótesis de trabajo es que el aprendizaje sigue una curva en U invertida respecto de esa carga cuando las dimensiones compiten por los mismos recursos, por ejemplo, alta exigencia física sumada a alta reconfiguración. Existe respaldo mecanístico para la forma de la curva: en decisiones perceptuales, el rendimiento humano sigue una U invertida respecto de la activación fisiológica medida por la pupila, y su punto óptimo puede desplazarse farmacológicamente (Beerendonk et al., 2025). Ese hallazgo se refiere a la activación y no a la carga de una tarea de aprendizaje, por lo que su extensión al PDD es una predicción contrastable, no un resultado.

8. Cierre: de la crítica al instrumento

Romper la analogía hardware/software no es un ejercicio filosófico sin consecuencias. Si no hay un programa separable del sistema que aprende, la pregunta “¿esta herramienta funciona?” está mal planteada, y las decisiones que se toman a partir de ella —comprar plataformas, prohibir o permitir la IA, sumar pausas activas— descansan sobre una variable que no explica el resultado. Lo que explica el resultado es la demanda.

El PDD convierte esa conclusión en algo utilizable. Propongo validarlo en tres fases dentro del IFE Living Lab, con docentes en formación de Chile y México.

  1. Validez de contenido. Un panel Delphi de 12 a 15 especialistas latinoamericanos en tecnología educativa, carga cognitiva y ciencias del ejercicio depura las ocho dimensiones y sus indicadores. Después, codificadores independientes aplican el PDD a 30 actividades reales de programas de formación docente, analógicas y digitales, con una meta de acuerdo interjueces κ ≥ 0,70.

  2. Validez discriminante. Se codifican dos configuraciones de una misma herramienta de IA generativa —respuesta directa frente a tutor que exige justificar cada paso— y dos versiones de una misma pausa activa —motriz simple frente a reglas cambiantes—. Antes de aplicarlas se predice, a partir del perfil, cuál rendirá más en una evaluación de desempeño sin asistencia.

  3. Validez predictiva. Un ensayo aleatorizado manipula la carga total en tres niveles y mide transferencia cercana mediante decisiones didácticas simuladas, carga percibida y, en un subconjunto, variabilidad cardíaca. Se contrasta formalmente si la relación entre carga y aprendizaje es lineal o en U invertida.

La ruta tiene puntos de comparación disponibles. La escala ICAP-GenAI (Zhang et al., 2025) y la rúbrica de Ding et al. (2026) permiten contrastar el PDD con medidas del modo de compromiso y verificar que capta algo distinto. Los diseños de Gallegos (2026) y J. Liu et al. (2026) muestran que es posible aleatorizar configuraciones de una misma herramienta en cursos reales. El producto final es un instrumento abierto, en español, con manual de codificación y ejemplos, para que docentes y diseñadores describan sus experiencias por lo que exigen y no por cómo se llaman. Se articula con la línea de evaluación decisional que desarrollo en mi investigación doctoral: si la decisión observable en contexto auténtico es la unidad mínima de evidencia de competencia, el PDD describe las condiciones de diseño que hacen posible observarla.

No se aprende corriendo un programa. Se aprende cuando una experiencia exige algo que el sistema vivo todavía no sabe hacer y le da las condiciones para reorganizarse en torno a esa exigencia. Diseñar esa exigencia, y poder describirla con precisión, es la tarea que la caída de la metáfora deja a la educación.

MARCO METODOLÓGICO / PDD

DEL CONCEPTO A LA EVIDENCIA

Tres fases para estudiar si el Perfil de Demanda Decisional describe demandas observables y anticipa resultados de aprendizaje.

RUTA PROPUESTA · NO VALIDADA AÚN 8 dimensiones 3 fases propuestas Chile y México
¿Describe adecuadamente la demanda?Validez de contenido y consistencia de codificación
12–15especialistas Delphi
30actividades reales
κ ≥ 0,70meta interjueces

Diseño previsto

Especialistas latinoamericanos en tecnología educativa, carga cognitiva y ciencias del ejercicio depuran las ocho dimensiones y sus indicadores. Después, codificadores independientes aplican el PDD a actividades analógicas y digitales de formación docente.

Qué aportaría / qué no

Aportaría evidencias sobre relevancia, claridad y reproducibilidad de la codificación. El acuerdo κ no demuestra por sí solo validez de contenido ni capacidad de predecir aprendizaje.

Ver el protocolo y las ocho dimensiones

Secuencia: consulta Delphi → ajuste de dimensiones e indicadores → manual de codificación preliminar → aplicación independiente a 30 actividades → estimación y revisión del acuerdo.

Dimensiones: carga de reglas; densidad decisional; reconfiguración; retroalimentación; delegabilidad; congruencia demanda–objetivo; componente corporal; progresión y repetición.

¿Distingue experiencias con la misma etiqueta?Contraste entre configuraciones y validez discriminante
IA GENERATIVA · MISMA HERRAMIENTARespuesta directa vs. tutor que exige justificar cada paso.
PAUSA ACTIVA · MISMO FORMATOActividad motriz simple vs. reglas cambiantes.

Diseño previsto

Codificar los cuatro diseños mediante el PDD. Antes de implementarlos, formular predicciones fundamentadas sobre qué configuración favorecería el desempeño posterior sin asistencia.

Qué aportaría / qué no

Mostraría si el perfil distingue demandas que la etiqueta oculta. No bastaría para establecer validez discriminante frente a otros constructos; hacen falta comparaciones específicas.

Ver contraste con instrumentos existentes

El texto propone contrastar el PDD con la escala ICAP-GenAI (Zhang et al., 2025) y la rúbrica de Ding et al. (2026), para examinar si aporta información distinta del modo de compromiso con la actividad.

Los diseños de Gallegos (2026) y J. Liu et al. (2026) sirven como antecedentes de aleatorización de configuraciones de una misma herramienta en cursos reales, no como validaciones ya realizadas del PDD.

¿Permite anticipar aprendizaje transferible?Validez predictiva y contraste de modelos
3niveles de carga
Sin ayudatransferencia cercana
2 modeloslineal / U invertida

Diseño previsto

Un ensayo aleatorizado manipularía la carga total en tres niveles. Mediría decisiones didácticas simuladas sin asistencia, carga percibida y, en un subconjunto, variabilidad cardíaca.

Qué aportaría / qué no

Permitiría contrastar formalmente si la relación entre carga y aprendizaje es lineal o curvilínea. La U invertida es una hipótesis, no un resultado; la variabilidad cardíaca no equivale a una medición directa del aprendizaje.

Ver la pregunta de validación

¿Hasta qué punto el perfil predice resultados de transferencia cercana, y qué aporta más allá de medidas existentes? La respuesta exige operacionalizar la carga total, definir criterios de evaluación y comparar modelos con datos obtenidos.

Producto esperado: instrumento abierto en español, manual de codificación y ejemplos para docentes y diseñadores de experiencias de aprendizaje.

Cómo se articula con la evaluación decisional
EL PDD DESCRIBECondiciones y demandas que plantea la experiencia.
LA EVALUACIÓN DECISIONAL EXAMINADecisiones observables y justificadas en contexto.
DECISIÓN FINAL · ¿Qué evidencia priorizarías?

Para mostrar qué aporta el PDD frente a otros instrumentos, abre una alternativa y examina sus límites.

Consenso de especialistas

Ayuda a precisar el contenido del constructo. Es necesario, pero no demuestra que el PDD mida algo diferente de otros instrumentos.

Comparación con otras escalas

Es la vía más directa para estudiar la diferenciación respecto de ICAP-GenAI y otras rúbricas, aunque no establece por sí sola capacidad predictiva.

Predicción de desempeño autónomo

Permite contrastar utilidad predictiva y, con comparaciones adecuadas, valor añadido. Un resultado favorable tampoco sustituye las demás evidencias de validez.

Advertencia metodológica: todas las fases están propuestas; los umbrales y modelos son metas o hipótesis, no resultados de validación.

LECTURA ASISTIDA · 30 CONCEPTOS GLOSARIO CRÍTICO De la cognición enactiva al Perfil de Demanda Decisional · Haz clic para explorar

Selecciona un concepto para descubrir su significado y por qué importa en el argumento. Abre cada término para leer una definición y su contexto dentro del artículo.

30 conceptos seleccionados de las secciones 1–8

Funcionalismo computacional

Postura filosófica según la cual un estado mental se caracteriza por la función que desempeña, y no necesariamente por el material que lo realiza.

En el artículo: El artículo distingue esta tesis metafísica de su traducción pedagógica: asumir que enseñar consiste en «instalar» contenidos o procedimientos.

Sustrato biológico

Conjunto de estructuras y procesos materiales del organismo que hacen posibles sus funciones: redes neuronales, regulación corporal y condiciones fisiológicas.

En el artículo: No se trata de un soporte fijo equivalente a un procesador que ejecuta instrucciones sin modificarse.

Plasticidad dependiente de la actividad

Capacidad de reorganización de estructuras y funciones asociada con la actividad y la experiencia. Los cambios observables pueden darse a distintas escalas.

En el artículo: El texto advierte que detectar más volumen o activación cerebral no permite concluir, por sí solo, que hubo más aprendizaje.

Nivel de código separable

Supuesto de que existe un conjunto de instrucciones que puede distinguirse causalmente del sistema físico que las ejecuta.

En el artículo: Brette (2022), citado en el artículo, cuestiona que esa separación describa literalmente el funcionamiento cerebral; es una posición argumentada, no un consenso cerrado.

Cognición enactiva

Perspectiva que comprende el conocer como una actividad que emerge de las interacciones del organismo con su entorno, y no solo como procesamiento de representaciones internas.

En el artículo: En el artículo sustenta la importancia de la acción, la temporalidad y la situación concreta para entender qué puede aprenderse.

Autopoiesis

Concepto de Maturana y Varela para describir la organización de un sistema vivo que produce y mantiene los componentes que lo constituyen.

En el artículo: No significa simplemente «aprender solo»: alude a la organización que sostiene la existencia del organismo.

Acoplamiento organismo–entorno

Relación dinámica y recurrente por la cual un organismo actúa en su ambiente y sus posibilidades de acción dependen de las condiciones de esa interacción.

En el artículo: El texto considera que esta circularidad queda oscurecida cuando todo se reduce a entradas, procesamiento y salidas.

Inferencia activa

Marco teórico que estudia cómo los agentes ajustan sus acciones y expectativas en interacción con el mundo, en relación con la regulación de sus estados.

En el artículo: Se cita como una vía compatible con la importancia del actuar situado; no equivale a la metodología pedagógica llamada «aprendizaje activo».

Marco facilitación–guía

Propuesta según la cual determinadas condiciones, como la actividad física, pueden facilitar cambios plásticos, mientras la estimulación cognitiva o ambiental orienta su integración funcional.

En el artículo: Nació de investigación animal. El artículo considera indirecta y limitada la evidencia de su extensión a humanos.

SLYM

Sigla de una estructura meníngea propuesta como membrana con funciones de barrera e inmunitarias; su clasificación anatómica independiente ha sido discutida.

En el artículo: Se utiliza como ejemplo de que el cerebro opera dentro de sistemas fisiológicos complejos, sin presentar la existencia de una cuarta membrana como cuestión resuelta.

Equivalencia de medios

Supuesto según el cual distintos soportes o tecnologías pueden ser intercambiables si entregan los mismos contenidos o procedimientos.

En el artículo: El artículo propone examinar si los medios modifican las demandas reales de la experiencia, en lugar de concluir equivalencia solo por la información entregada.

Neuroeducación de instrucciones

Expresión crítica para referirse a la conversión directa de hallazgos neurocientíficos en recetas pedagógicas, sin comprobar los mecanismos ni los efectos educativos que se anuncian.

En el artículo: Ejemplo del texto: prometer «optimizar conexiones sinápticas en minutos» cuando el estudio citado no midió ese resultado.

Neuromito educativo

Creencia sobre cerebro y aprendizaje que simplifica, exagera o interpreta erróneamente la evidencia neurocientífica y se aplica a la enseñanza como si estuviera validada.

En el artículo: El artículo menciona los estilos de aprendizaje como un caso y advierte que conocimiento correcto y neuromitos pueden coexistir.

Metaanálisis

Procedimiento de síntesis estadística que combina resultados de diferentes estudios para estimar un efecto conjunto y examinar sus variaciones.

En el artículo: El resultado depende de la calidad, compatibilidad y sesgos de los estudios incluidos; una cifra positiva no significa que toda implementación funcione.

Tamaño del efecto estandarizado (g y SMD)

Medida que expresa una diferencia o efecto en unidades comparables. La SMD es una diferencia de medias estandarizada; g de Hedges es un estimador estandarizado con corrección por tamaño muestral.

En el artículo: Los valores g = 0,577 o SMD = 0,32 del artículo no son porcentajes ni equivalen a probabilidades de aprender.

Heterogeneidad entre estudios

Variación de los resultados de los estudios que excede o acompaña lo esperable por azar y que obliga a investigar diferencias de población, intervención, contexto y medición.

En el artículo: En el artículo alerta contra atribuir un único efecto a una etiqueta como «ChatGPT» o «actividad física», sin demostrar por sí sola qué causa la variación.

Variable moderadora

Característica que modifica la magnitud o la dirección de una asociación o efecto: por ejemplo, duración, disciplina, formato de evaluación o participación activa.

En el artículo: Los moderadores ayudan a interpretar diferencias entre estudios, pero no prueban automáticamente relaciones causales.

Preprint

Manuscrito científico difundido antes de completar, por lo general, la revisión formal por pares de una revista.

En el artículo: La sección sobre EEG y el estudio de sesiones únicas señala preprints como evidencia preliminar que exige cautela metodológica.

Transferencia cercana y lejana

Transferencia cercana: aplicar lo aprendido a situaciones similares a las practicadas. Transferencia lejana: extenderlo a tareas o contextos sustancialmente diferentes.

En el artículo: El artículo destaca que las mejoras en tareas entrenadas no garantizan capacidades generales ni transferencia lejana.

ICAP (compromiso cognitivo)

Marco que distingue modos de participación observable: pasivo, activo, constructivo e interactivo; sirve para analizar cómo se implica el estudiante.

En el artículo: El texto lo compara con el PDD: ICAP caracteriza la participación del aprendiz, mientras el PDD busca describir lo que la tarea exige.

Perfil de Demanda Decisional (PDD)

Propuesta de instrumento de ocho dimensiones para describir las exigencias configuradas por una experiencia de aprendizaje, con independencia del medio analógico o digital.

En el artículo: El propio artículo propone su validación futura; no debe presentarse como escala ya validada ni como herramienta que mide estados cerebrales.

Carga de reglas

Dimensión del PDD que describe cuántas reglas actúan simultáneamente sobre una tarea y cómo dependen unas de otras.

En el artículo: Posibles indicadores: número de reglas activas y errores por violación de regla.

Densidad decisional

Cantidad de decisiones con alternativas y consecuencias que la experiencia exige en una unidad de tiempo; no es sinónimo de número de clics.

En el artículo: Posibles indicadores: puntos de decisión por minuto, latencia y registro de las elecciones.

Reconfiguración

Dimensión que recoge con qué frecuencia se modifican las reglas, objetivos o condiciones, obligando al participante a adaptar su actuación.

En el artículo: El artículo propone registrar cambios de regla y costo de alternar entre tareas.

Retroalimentación

Información recibida durante o después de actuar. En el PDD se describe su frecuencia, demora y orientación al resultado o al proceso.

En el artículo: Interesa observar si el estudiante utiliza esa información en el intento siguiente, no solo si el sistema emite mensajes.

Delegabilidad

Grado en que una herramienta u otro agente puede resolver partes de la demanda sin que quien aprende deba procesarlas o decidirlas.

En el artículo: Se examina comparando qué pasos resuelve el recurso y qué desempeño puede sostenerse con y sin él.

Congruencia demanda–objetivo

Correspondencia entre aquello que una tarea exige hacer, la capacidad que se quiere desarrollar y lo que finalmente se evalúa.

En el artículo: Por ejemplo, si se practican decisiones bajo reglas cambiantes, una prueba meramente declarativa puede no captar el desempeño buscado.

Componente corporal

Dimensión que atiende a la intensidad física y al sentido que tiene la participación corporal dentro de la tarea, más allá de moverse por moverse.

En el artículo: El texto distingue activación fisiológica de aprendizaje y propone medidas corporales solo como indicadores complementarios, no como pruebas directas de aprender.

Progresión y repetición

Dimensión que examina si la demanda aumenta o se ajusta con la competencia y se sostiene durante suficientes oportunidades de práctica.

En el artículo: Indicadores propuestos: aumento de dificultad, número de sesiones y curva de aprendizaje.

Validez predictiva

Grado en que un instrumento aporta información que permite anticipar resultados posteriores relevantes, comprobados mediante evaluaciones independientes.

En el artículo: La fase propuesta para validar el PDD contrasta si niveles de demanda predicen transferencia cercana; es un plan de investigación, no un resultado demostrado.

Nota de lectura: definiciones explicativas elaboradas a partir de «No se aprende corriendo un programa» (González Grez, 2026). Algunas expresiones nombran marcos teóricos debatidos. El PDD es una propuesta de instrumento cuya validación se plantea en el artículo; los indicadores fisiológicos no demuestran por sí solos aprendizaje.

Referencias
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
Beerendonk, L., Mejías, J. F., et al. (2025). Adaptive arousal regulation: Pharmacologically shifting the peak of the Yerkes–Dodson curve by catecholaminergic enhancement of arousal. Proceedings of the National Academy of Sciences, 122(28), e2419733122. https://doi.org/10.1073/pnas.2419733122
Brette, R. (2022). Brains as computers: Metaphor, analogy, theory or fact? Frontiers in Ecology and Evolution, 10, 878729. https://doi.org/10.3389/fevo.2022.878729
Chern, C. W. J., Cheng, L. J., Chiang, G. S. W., Yap, S. Y., Giang, T. A., & Lau, S. T. (2026). Effectiveness of physio-cognitive dual-task training on improving global cognition, health-related quality of life, and physical outcomes among older adults with neurocognitive disorders: An umbrella review. Age and Ageing, 55(3), afag061. https://doi.org/10.1093/ageing/afag061
Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823
Clark, R. E. (1994). Media will never influence learning. Educational Technology Research and Development, 42(2), 21–29. https://doi.org/10.1007/BF02299088
Ding, L., Rodenberg, R., Er, E., Nguyen, H., & Yoon, M. (2026). An ICAP-informed rubric for analyzing students’ questions to generative AI: Engagement patterns and dynamics exploration. Interactive Learning Environments. Publicación anticipada en línea. https://doi.org/10.1080/10494820.2026.2702559
Gallegos, S. (2026). Guidance over adoption: Experimental evidence on AI-assisted learning (IZA Discussion Paper No. 18513). IZA@LISER. https://docs.iza.org/dp18513.pdf
Gellisch, M., Bablok, M., Brand-Saberi, B., & Schäfer, T. (2024). Neurobiological stress markers in educational research: A systematic review of physiological insights in health science education. Trends in Neuroscience and Education, 37, 100242. https://doi.org/10.1016/j.tine.2024.100242
González-Calderón, N., Escobar-Miranda, C., Meneses-Pinto, J., Contreras-Mu, A., Gajardo-Cáceres, P., Poblete-Aro, C., & Russell-Guzmán, J. (2026). Classroom-based active breaks to enhance mental health, well-being, and academic self-concept in university students: A pilot feasibility study. Retos, 74, 10–23. https://doi.org/10.47197/retos.v74.117187
González-Díez, I., Pérez-López-de-Echazarreta, G., Sáiz-Manzanares, M. C., & Escolar-Llamazares, M. del C. (2026). Use of EEG for studying the underlying processes of learning in higher education: A systematic review. Applied Sciences, 16(2), 1112. https://doi.org/10.3390/app16021112
Hille, M., Kühn, S., Kempermann, G., Bonhoeffer, T., & Lindenberger, U. (2024). From animal models to human individuality: Integrative approaches to the study of brain plasticity. Neuron, 112(21), 3522–3541. https://doi.org/10.1016/j.neuron.2024.10.006
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6
Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.08872
Liu, J., Sweet, T., Chen, M. H., Engelberg, J., Masters, M. C., Clark, M., Persaud, A., Lancaster, A., Hollingsworth, J. K., & Rice, J. K. (2026). The effects of course-integrated AI tutoring on student performance and engagement: A randomized university trial (IZA Discussion Paper No. 18989). IZA@LISER.
Liu, Z., Zuo, H., & Lu, Y. (2025). The impact of ChatGPT on students’ academic achievement: A meta-analysis. Journal of Computer Assisted Learning, 41(4), e70096. https://doi.org/10.1111/jcal.70096
Liu, Z., Zuo, H., Zhao, Y., & Lu, Y. (2025). The effect of embodied learning on students’ learning performance: A meta-analysis. Frontiers in Psychology, 16, 1658797. https://doi.org/10.3389/fpsyg.2025.1658797
Mao, F., Huang, F., Zhao, S., & Fang, Q. (2024). Effects of cognitively engaging physical activity interventions on executive function in children and adolescents: A systematic review and meta-analysis. Frontiers in Psychology, 15, 1454447. https://doi.org/10.3389/fpsyg.2024.1454447
Maturana, H., & Varela, F. (1984). El árbol del conocimiento: Las bases biológicas del entendimiento humano. Editorial Universitaria.
Pastor-Vicedo, J. C., León, M. P., González-Fernández, F. T., & Prieto-Ayuso, A. (2024). Effects of physical activity breaks on cognitive function in undergraduate students: A pilot study. Cogent Social Sciences, 10(1), 2326692. https://doi.org/10.1080/23311886.2024.2326692
Pezzulo, G., Parr, T., Cisek, P., Clark, A., & Friston, K. (2024). Generating meaning: Active inference and the scope and limits of passive AI. Trends in Cognitive Sciences, 28(2), 97–112. https://doi.org/10.1016/j.tics.2023.10.002
Plá, V., Bitsika, S., Giannetto, M. J., Ladrón-de-Guevara, A., Gahn-Martinez, D., Mori, Y., Nedergaard, M., & Møllgård, K. (2024). Response to commentary on “Structural characterization of SLYM – a 4th meningeal membrane” by Julie Siegenthaler and Christer Betsholtz. Fluids and Barriers of the CNS, 21(1), 70. https://doi.org/10.1186/s12987-024-00567-z
Richards, B. A., & Lillicrap, T. P. (2022). The brain-computer metaphor debate is useless: A matter of semantics. Frontiers in Computer Science, 4, 810358. https://doi.org/10.3389/fcomp.2022.810358
Sala, G., & Gobet, F. (2019). Cognitive training does not enhance general cognition. Trends in Cognitive Sciences, 23(1), 9–20. https://doi.org/10.1016/j.tics.2018.10.004
Siegenthaler, J., & Betsholtz, C. (2024). Commentary on “Structural characterization of SLYM – a 4th meningeal membrane”. Fluids and Barriers of the CNS, 21(1), 69. https://doi.org/10.1186/s12987-024-00568-y
Stanković, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2025). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.00856
Suzuki, Y., Wild, F., & Scanlon, E. (2024). Measuring cognitive load in augmented reality with physiological methods: A systematic review. Journal of Computer Assisted Learning, 40(2), 375–393. https://doi.org/10.1111/jcal.12882
Varela, F. J., Thompson, E., & Rosch, E. (1991). The embodied mind: Cognitive science and human experience. MIT Press.
Vintimilla, S., et al. (2026). Educational neuromyths in higher education: Beliefs about the brain and learning among university faculty members. Frontiers in Psychology, 17, 1952466. https://doi.org/10.3389/fpsyg.2026.1952466
von Hausen, F., Carrasco-Manríquez, C., Quiroz-Martinez, D., & Larraín-Valenzuela, M. J. (2026). From neuromyths to neuroscience literacy: A cross-domain study of brain misconceptions among educators in Chilean special schools. Frontiers in Psychology, 17, 1768430. https://doi.org/10.3389/fpsyg.2026.1768430
Wang, J., & Fan, W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12, 621. https://doi.org/10.1057/s41599-025-04787-y (Artículo retractado el 22 de abril de 2026)
Wang, P., & Nurzhan, T. (2026). Effects of acute cognitively engaging physical activity on executive function development in children aged 4–12 years: A systematic review and meta-analysis [Preprint]. Research Square. https://doi.org/10.21203/rs.3.rs-11009223/v1
Wauthia, E., Beauset, R., Bertieaux, D., & Duroisin, N. (2026). Neuromyths in education: Comparing perceptions between pre-service and in-service teachers. Teaching and Teacher Education, 172, 105400. https://doi.org/10.1016/j.tate.2026.105400
Yi, Q., Liu, Z., Zhong, F., Selvanayagam, V. S., & Cheong, J. P. G. (2024). Cognitive and physical impact of combined exercise and cognitive intervention in older adults with mild cognitive impairment: A systematic review and meta-analysis. PLoS ONE, 19(10), e0308466. https://doi.org/10.1371/journal.pone.0308466
Zhang, J., Pan, W., Liang, X., & Ge, J. (2025). Development and validation of the ICAP GenAI Scale to measure how graduate students integrate generative AI into academic research. European Journal of Education, 60(3), e70209. https://doi.org/10.1111/ejed.70209
Nota de trabajo: 28 de las 35 referencias (80 %) son de 2024–2026. Antes del envío: completar la lista de autores de Beerendonk et al. (2025) y Vintimilla et al. (2026), y verificar en Crossref las siete referencias anteriores a 2024. Gallegos (2026) y J. Liu et al. (2026) son documentos de trabajo; Kosmyna et al. (2025), Stanković et al. (2025) y Wang y Nurzhan (2026) son preprints.
Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos requeridos están marcados *