Pública

Llevo un par de semanas dándole vueltas a cuál va a ser mi línea de investigación para el máster, y quiero dejar por escrito cómo llegué hasta aquí, más que nada para mí mismo, para no perder el hilo cuando vuelva a leer esto en unos meses.

El punto de partida: un mapa en blanco

La primera actividad de Investigación en e-learning pedía explorar handbooks, artículos y páginas de grupos de investigación para construir un mapa de tendencias en Educación y TIC, y desde ahí elegir un ámbito propio. También revisé las líneas de investigación que publica la Escuela de Doctorado de la UOC, especialmente todo lo relacionado con e-learning. Partí sin una idea cerrada, solo con la intuición de que quería que el tema cruzara dos cosas que me importan: mi docencia en geología y mi interés, cada vez más práctico, en cómo estamos usando la IA generativa en el aula.

Por qué pensamiento crítico

Lo primero que noté revisando la literatura es que el debate sobre IA generativa y pensamiento crítico está lejos de cerrado. Hay estudios que muestran que el uso reflexivo de la IA puede mejorar la evaluación de evidencias y la argumentación, y casi en paralelo hay otros que encuentran correlaciones negativas, asociadas a lo que se conoce como cognitive offloading: delegar en la IA el esfuerzo de pensar, no solo el de buscar información. Esa contradicción, en lugar de desanimarme, fue lo que más me enganchó: sugiere que el efecto no depende de la herramienta en sí, sino del rol pedagógico que uno le asigna.

La idea central: aprender del error, no de la respuesta correcta

Ahí apareció la idea que terminó ordenando todo lo demás: usar la IA no como tutor que entrega respuestas correctas, sino como generadora deliberada de textos con errores, que el estudiante tiene que detectar, contrastar con fuentes y corregir. Esto conecta con el concepto de «fracaso productivo» (Kapur, 2008): enfrentar a los estudiantes a problemas sin apoyo estructurado previo puede generar un aprendizaje más profundo que dárselo todo resuelto. Encontré un antecedente cercano, el trabajo de Wazan (2026) sobre crear incertidumbre inducida por IA para estimular el pensamiento crítico en exámenes, pero nadie parece haber mirado si esa habilidad de detectar errores realmente se transfiere a tareas posteriores, sin la IA de por medio.

Por qué Ciencias de la Tierra

Aquí es donde el tema se vuelve personal: llevo años enseñando Petrología y Fundamentos de Geología, y sé por experiencia que la evaluación de evidencias (lectura de una lámina delgada, interpretación de un dato geoquímico, contraste entre observación de campo y modelo teórico) es el núcleo del oficio. Es un terreno que no había sido estudiado bajo este enfoque, y donde además tengo acceso directo a estudiantes y contexto para hacer la investigación con sentido, no solo en abstracto.

Dónde quedó la pregunta

Con todo eso así decanté la pregunta que voy a desarrollar: ¿en qué medida los estudiantes de pregrado en Ciencias de la Tierra que identifican y corrigen errores en textos generados por IA aplican después, sin asistencia de IA, estrategias de evaluación crítica de evidencias? Usando el marco de Facione (1990) para acotar «pensamiento crítico» a una habilidad concreta y medible: la evaluación de evidencias.

Lo que todavía me falta resolver

• Cómo diseñar la actividad para que el error sea «plausible» y no evidente, sin que se vuelva una trampa injusta.
• Qué instrumento usar para medir la transferencia (algo tipo PENCRISAL, o una tarea diseñada ad hoc con mis propios estudiantes).
• Cómo controlar que la motivación de aprendizaje, que según algunos estudios es el predictor más fuerte, no confunda los resultados.

Por ahora esto es lo que tengo. Seguramente esta misma entrada quede desactualizada en un par de semanas, pero prefiero dejar registro del punto de partida.