- Autores: A. Garcés Osado, L.F. Sánchez-Barba Merlo, M. Navarro Sanz, C. Vargas Fernández
- Referencia Institucional: Proyecto PIE24_138 (Convocatoria Proyectos Innovación Educativa 2024/2025)
- DOI: https://doi.org/10.21125/edulearn.2025.0386
- Acceso abierto a través de BURJC: https://hdl.handle.net/10115/95137
Resumen y Motivación
La irrupción de la Inteligencia Artificial (IA) generativa y los Modelos de Lenguaje Grande (LLMs) como ChatGPT, Copilot o DeepSeek está transformando profundamente el ecosistema educativo. En el ámbito de la educación superior, especialmente en disciplinas STEM, el reto no consiste meramente en prohibir o permitir el uso de herramientas tecnológicas, sino en desarrollar una sólida alfabetización en IA (AI literacy). Esta investigación analiza una intervención pedagógica estructurada en tres fases implementada durante el curso 2024/2025 en la asignatura de Química General de la URJC. El objetivo principal no fue evaluar el impacto a corto plazo en las calificaciones académicas, sino examinar la evolución de las percepciones de los estudiantes respecto al papel de la IA en su futuro desarrollo profesional y empleabilidad.
Marco Teórico y Problemática Actual
La integración de la IA en la enseñanza superior genera un debate dual lleno de oportunidades y desafíos críticos:
- Riesgos Cognitivos y Éticos: El uso acrítico de la IA puede fomentar la descarga cognitiva (cognitive offloading), obstaculizando el desarrollo del pensamiento crítico, la resolución de problemas y la colaboración en el aula. Asimismo, surgen problemas de integridad académica, sesgos algorítmicos y privacidad.
- Limitaciones de los Modelos: Los estudiantes suelen realizar consultas simplistas mediante la técnica de «copiar y pegar», obteniendo respuestas superficiales, alucinaciones de referencias bibliográficas o explicaciones erróneas en conceptos científicos complejos (como la contracción lantánida o la acidez de Lewis en compuestos BX3).
- Oportunidades Transformadoras: Correctamente guiada, la IA actúa como tutora personalizada, facilitando el aprendizaje autodirigido, la retroalimentación inmediata y la adaptación curricular, competencias esenciales para la transición digital según el Plan de Acción de Educación Digital de la Comisión Europea.
Metodología: Intervención en Tres Fases
La actividad representó el 10% de la calificación final de la asignatura y contó con una participación inicial del 95% (93 estudiantes organizados en grupos cooperativos de 5-6 personas). El diseño instruccional progresivo constó de las siguientes etapas:
Resultados y Análisis Estadístico
El rendimiento académico se evaluó mediante rúbricas específicas en cada fase, logrando una tasa de finalización global del 85% (79 de 93 estudiantes completaron todo el proceso). Los datos reflejan una sólida implicación estudiantil y una evolución positiva en la madurez metacognitiva.
Evaluación de Percepciones y Criterios Estadísticos
Para medir la evolución de las actitudes hacia la relevancia profesional de la IA, se administró un cuestionario de 5 ítems con escala Likert (0 al 5) antes y después de la intervención.
- Consistencia Interna: Validada mediante el Alfa de Cronbach, obteniendo α = 0.74 en la encuesta inicial y α = 0.80 en la final, garantizando una alta fiabilidad del instrumento.
- Pruebas de Normalidad: La prueba de Shapiro-Wilk indicó distribuciones no normales (Inicial: W = 0.8939, p < 0.001; Final: W = 0.9377, p = 0.0039), justificando el uso de pruebas no paramétricas.
- Comparación Global: La prueba de suma de rangos de Wilcoxon (Mann-Whitney U) no mostró diferencias significativas globales (W = 2135.5, p = 0.6849), ya que la actitud inicial general ya era moderadamente favorable.
Diferencias Significativas por Género
El análisis desagregado por género reveló un hallazgo fundamental y de gran calado pedagógico:
- Estudiantes Femeninas: Experimentaron un incremento estadísticamente muy significativo en sus puntuaciones posteriores (prueba de Wilcoxon: W = 923.5, p = 0.0044). Este resultado evidencia un aumento sustancial en su confianza y percepción sobre la utilidad profesional de la IA.
- Estudiantes Masculinos: No mostraron cambios estadísticamente significativos (W = 582.5, p = 0.0902), partiendo de una mayor dispersión y confianza tecnológica inicial autodeclarada.
La intervención estructurada logró mitigar la brecha inicial de confianza, permitiendo que las alumnas alcanzaran niveles de seguridad equiparables a los de sus compañeros varones, demostrando que el diseño pedagógico guiado es altamente eficaz para grupos inicialmente más reticentes.
Conclusiones e Implicaciones Pedagógicas
La integración estructurada de la IA generativa en la educación científica universitaria fomenta de manera simultánea la comprensión conceptual de la química y la competencia digital crítica. Las conclusiones principales apuntan a:
- La necesidad imperativa de incorporar formación temprana en ingeniería de prompts y análisis crítico de fuentes en los grados STEM.
- La efectividad del aprendizaje basado en problemas en contextos reales (MCLP) para conectar la teoría abstracta con la futura práctica profesional ambiental.
- La capacidad de las metodologías guiadas para democratizar la confianza tecnológica, cerrando brechas de género en el dominio y percepción de herramientas de IA.
¿Dónde consultar el artículo completo?
La comunicación completa ya se encuentra disponible para su lectura y descarga en abierto a través del repositorio institucional BURJC de la URJC (https://hdl.handle.net/10115/95137), así como en las actas oficiales del congreso EDULEARN25 (https://doi.org/10.21125/edulearn.2025.0386).
