El estudio en una página.
Palabras clave — inteligencia artificial · interacción hombre–máquina · tecnología educativa · educación básica
El diálogo, recargado.
La irrupción de la inteligencia artificial generativa (IAG) en el ecosistema educativo no es un futurible, sino una realidad cotidiana. Desde la planificación de una clase hasta la creación de materiales didácticos, miles de educadores en América Latina interactúan diariamente con modelos como ChatGPT, en un proceso dialógico con un interlocutor no humano.
Esta nueva dinámica trasciende la mera adopción de una herramienta tecnológica: nos obliga a cuestionar la naturaleza misma del diálogo en la educación. Históricamente concebido como un pilar para la construcción colaborativa del conocimiento y el desarrollo del pensamiento crítico, el diálogo se enfrenta ahora a una encrucijada.
¿Puede esta interacción convertirse en un catalizador para una educación liberadora — o corre el riesgo de consolidarse como un monólogo instrumental que refuerza la eficiencia por encima de la reflexión pedagógica?
El diálogo, como objeto de estudio, ha evolucionado desde una práctica social hasta convertirse en un campo de investigación multidisciplinario riguroso. Desde sus fundamentos teóricos en la década de 1920 con Jakubinskij, su análisis se ha extendido a la lingüística, la psicología sociocultural de Vygotsky, la sociología y la filosofía. Esta trayectoria ha permitido caracterizar el fenómeno dialógico como un sistema complejo articulado en torno a cuatro componentes clave: los elementos estructurales que regulan los turnos; las dinámicas de los participantes, que definen roles y relaciones de poder; la intención, que orienta la conversación hacia objetivos específicos; y las características interactivas, como la retroalimentación y la reparación de fallas comunicativas.
En el contexto educativo, estos componentes se materializan en lo que se ha denominado la «enseñanza dialógica» — un enfoque que valora la interacción de alta calidad como mediadora fundamental del desarrollo cognitivo. La forma en que los docentes dialogan con la IA constituye, entonces, una ventana privilegiada a su práctica y agencia profesional.
El presente estudio tiene como objetivo caracterizar la naturaleza del diálogo entre docentes e IAG en contextos educativos: identificar los patrones más frecuentes en conversaciones reales, establecer perfiles de uso predominantes mediante análisis de clústeres, y describir constelaciones de interacciones según propósito, naturaleza y dominio temático.
Codificación a gran escala.
Para caracterizar los diálogos entre docentes y chatbots educativos se diseñó un enfoque de métodos mixtos, predominantemente cuantitativo, con un diseño secuencial exploratorio. Esta estrategia combina la validación experta, el análisis cualitativo emergente y la codificación automatizada a gran escala. El proceso se articuló en dos fases: el desarrollo de un marco de análisis robusto y su aplicación al corpus.
Datos & corpus
Los datos provienen de comenio.ai, plataforma de asistencia docente con un ecosistema de seis chatbots. La muestra se extrajo del chatbot enfocado en la Nueva Escuela Mexicana (NEM) para educación básica. Se conformó un corpus de 7,340 conversaciones completas, anonimizadas y desvinculadas de identificadores personales. La unidad de análisis fue la "conversación completa" — la totalidad de los intercambios entre un docente y la IA desde la solicitud inicial hasta la conclusión.
Fase 1 — Marco de análisis
En lugar de partir de un marco predefinido, se optó por un proceso de desarrollo iterativo. Un panel multidisciplinario de expertos se involucró en una calibración human-in-the-loop: la IA Gemini 2.5 Pro fue utilizada como herramienta de síntesis y sondeo conceptual, generando propuestas de agrupación de códigos que luego eran evaluadas, refinadas y validadas por los expertos humanos. La decisión final sobre cada categoría recayó siempre en el panel.
Fase 2 — Codificación automatizada
Una vez validado el marco, se desarrolló una herramienta en Python que utilizó la API de OpenAI (gpt-4o-2024-08-06) con Structured Outputs para asegurar adherencia estricta al esquema Pydantic definido. Se generó una base de datos consistente en la presencia (True) o ausencia (False) de cada código por conversación.
El análisis se desarrolló en cuatro fases: (1) descriptivo de frecuencias; (2) matriz de correlación con coeficiente Phi (φ); (3) identificación de perfiles con K-Means (K=3), sustentada en el Método del Codo, Coeficiente de Silueta y criterios teóricos; (4) reducción dimensional con PCA y análisis discursivo de casos representativos.
Fig. 02Casos representativos de cada perfil — turnos reconstruidos a partir del corpus.
Un espectro, no un monolito.
El análisis descriptivo muestra una clara tendencia hacia usos instrumentales. La generacion_contenido_basico (57.3%) es la categoría más prevalente; 54.0% de los diálogos se clasifican como centrado_en_ensenanza. Pero también hay un interés notable en metodologías constructivistas: 46.6% de las conversaciones se centran en el aprendizaje, y un 31.3% incluye diseño de actividades complejas.
La metacognición sobre la IA es casi inexistente (0.5%). En el contexto de uso práctico, los docentes tratan a la IA principalmente como una «caja negra» funcional, sin interés visible en discutir su funcionamiento interno durante la interacción.
Fig. 03Frecuencia de aparición de cada código sobre el corpus completo (n=7,340). Las 19 dimensiones del marco de análisis, agrupadas por categoría.
Análisis de correlación · matriz φ
La inspección del mapa de correlación revela varias asociaciones significativas. Se observa una fuerte dicotomía: la generación de contenido básico se asocia negativamente con el diseño de actividad compleja (φ = -0.51) y positivamente con el enfoque centrado en la enseñanza (φ = 0.41). Inversamente, el diseño de actividad compleja tiene la correlación positiva más fuerte con el enfoque centrado en el aprendizaje (φ = +0.60).
En cuanto a la naturaleza de la interacción, se confirma una exclusión mutua casi total entre la interacción transaccional y la dialógica (φ = -0.87). La iteración dialógica se asocia positivamente con la adaptación-personalización (φ = +0.50) y el andamiaje del prompt (φ = +0.43): los diálogos más largos están funcionalmente ligados a la sofisticación de la tarea, no al azar.
Fig. 04Matriz de correlación φ entre los 13 códigos más relevantes. Rojo = correlación negativa; azul = correlación positiva. La diagonal resalta la exclusión casi total entre interacción transaccional y dialógica (φ = −0.87).
Fig. 05PCA: las 19 dimensiones reducidas a dos componentes — Sofisticación Pedagógica (PC1) y Elaboración del Diálogo (PC2). Varianza explicada: 44.12%.
| Variable | Instrumental–Trans. | Codiseñador Ped. | Reparación reactiva |
|---|---|---|---|
| generacion_contenido_basico | 0.70 | 0.15 | 0.86 |
| diseño_actividad_compleja | 0.04 | 0.93 | 0.10 |
| solicitud_integracion_curricular | 0.02 | 0.28 | 0.06 |
| desarrollo_proyecto_completo | 0.00 | 0.30 | 0.01 |
| adaptacion_personalizacion | 0.07 | 0.62 | 0.19 |
| evaluacion_retroalimentacion | 0.07 | 0.28 | 0.20 |
| exploracion_conceptual_creativa | 0.02 | 0.13 | 0.11 |
| centrado_en_ensenanza | 0.66 | 0.31 | 0.57 |
| centrado_en_aprendizaje | 0.16 | 0.97 | 0.51 |
| interaccion_transaccional | 0.97 | 0.35 | 0.00 |
| interaccion_iterativa_dialogica | 0.00 | 0.52 | 0.96 |
| andamiaje_del_prompt | 0.00 | 0.40 | 0.17 |
| solicitud_clarificacion_ia | 0.03 | 0.06 | 0.12 |
| feedback_pedagogico_ia | 0.06 | 0.06 | 0.05 |
| fallo_del_chatbot | 0.29 | 0.20 | 0.53 |
| contenido_curricular_especifico | 0.74 | 0.92 | 0.77 |
| planificacion_didactica_general | 0.15 | 0.68 | 0.32 |
| metacognicion_sobre_ia | 0.01 | 0.00 | 0.01 |
Tabla 01Centroides de los tres clústeres sobre las 18 variables del marco. La intensidad del fondo codifica la prevalencia de cada variable dentro del perfil.
Instrumental, Codiseñador & Reparación.
Instrumental–Transaccional
Solicitudes breves y directas. La IA como asistente de productividad: contenido factual, listas, definiciones.
Codiseñador Pedagógico
Diseño colaborativo de experiencias de aprendizaje. Adaptación, andamiaje y proyectos multi-fase.
Reparación Reactiva
Iteraciones para reparar fallos del bot. Diálogo extendido por necesidad, no por estrategia.
Fig. 01Tres perfiles emergentes de uso docente, identificados con K-Means (K=3) sobre 7,340 conversaciones. Cada barra muestra la prevalencia de un código dentro del clúster.
Tres modos de estar con la IA.
Los resultados revelan que el diálogo entre docentes e inteligencia artificial no es un fenómeno monolítico, sino un espectro de prácticas que oscila entre la eficiencia instrumental y la cocreación pedagógica compleja. La identificación de tres perfiles no sólo cuantifica patrones; ofrece una lente para interpretar las tensiones, desafíos y oportunidades que la IAG introduce en la práctica docente.
Más de la mitad del corpus se concentra en el modo Instrumental — la IA, primero, es un asistente de productividad.
La prevalencia del perfil Instrumental-Transaccional — más de la mitad de las interacciones — confirma que la IA es adoptada, primero, como un asistente de productividad. Si bien esto responde a una necesidad real de optimizar tareas, también plantea un riesgo pedagógico: desde una lectura crítica freiriana, este patrón puede interpretarse como una forma de "educación bancaria" donde la IA se convierte en un nuevo depositario de conocimiento del cual el docente simplemente extrae recursos.
El perfil Codiseñador Pedagógico, en contraste, demuestra el potencial transformador de la herramienta. Casi un tercio de los docentes utiliza la IA no para responder preguntas, sino para pensar con ella — co-construyendo experiencias de aprendizaje, adaptando contenido y andamiando proyectos completos. Este perfil encarna lo que podríamos llamar el "docente aumentado".
El tercer perfil, Reparación Reactiva, es quizás el más revelador sobre el estado actual de la tecnología. Su iteratividad no es estratégica sino reactiva: una quinta parte de las interacciones ocurre porque el sistema falló y el docente persiste. Esto evidencia tanto las limitaciones técnicas de los chatbots actuales como la agencia profesional de los docentes que se niegan a aceptar la primera respuesta inadecuada.
De usuarios a diseñadores.
Este estudio caracterizó la naturaleza del diálogo entre docentes e IA e identificó un espectro de prácticas que va de la consulta instrumental a la cocreación compleja. Los tres perfiles ofrecen tanto una fotografía del estado actual como un marco conceptual para comprender sus implicaciones pedagógicas, destacando que la IA refleja la intencionalidad y agencia del docente: la calidad del producto pedagógico depende de la calidad del diálogo que éste conduce.
De usuarios a diseñadores de interacciones: la literacidad en IA como una nueva competencia docente.
Se plantea la posibilidad de que los docentes cambien de un rol de «usuarios» a otro de «diseñadores de interacciones», desarrollando habilidades propias de la literacidad en IA como la ingeniería de prompts. Una alternativa es la conformación de comunidades de práctica para compartir estrategias, y que los desarrolladores diseñen chatbots pedagógicamente informados, capaces de comprender la intención docente y apoyar en la reparación de fallas comunicativas.
En materia metodológica, se aporta un marco de análisis validado y escalable, útil para la investigación, el diseño de herramientas de IA y la evaluación formativa docente. La tipología resultante puede guiar la formación hacia el perfil de Codiseñador Pedagógico.
Referencia APA.
Medina-Gual, L., Bazaldua-Huerta, D. F., Narváez-Serrano, L. R., & Degetau-Arsuaga, D. (2026). El diálogo docente–IA: análisis de los perfiles de interacción con inteligencia artificial generativa. Revista Latinoamericana de Estudios Educativos, LVI(2), 163–188. https://doi.org/10.48102/rlee.2026.56.2.798