Machine learning e inteligencia artificial: ¿dónde están transformando la educación?

La inteligencia artificial y el machine learning han ampliado rápidamente su presencia en la investigación educativa, pero bajo estas etiquetas conviven aplicaciones, técnicas y problemas muy diferentes. La revisión sistemática de Wiston Forero-Corba y Francisca Negre Bennasar analiza 55 estudios publicados entre 2021 y febrero de 2023 en Web of Science y Scopus, procedentes de 38 países y desarrollados desde la educación primaria hasta la universidad. 

El trabajo identifica 33 técnicas de inteligencia artificial y machine learning y permite observar para qué se estaban utilizando: desde la predicción del rendimiento y el abandono escolar hasta la orientación académica, la robótica, los sistemas de recomendación, la enseñanza de la propia inteligencia artificial o el apoyo a determinados colectivos de estudiantes. Más que una única tendencia, la revisión muestra un campo diverso en el que las tecnologías inteligentes empiezan a intervenir tanto en el aprendizaje como en la gestión educativa.

Uno de los resultados más significativos es que esta investigación ya no se concentra principalmente en la universidad: el 74,6 % de los estudios analizados se desarrolló en educación primaria o secundaria. También existe un claro predominio del aprendizaje supervisado y de aplicaciones predictivas, especialmente relacionadas con el rendimiento académico, para las que técnicas como Random Forest aparecen con frecuencia. Pero el panorama es más amplio: la revisión recoge experiencias sobre pensamiento computacional, alfabetización en inteligencia artificial, robótica, orientación, inclusión o personalización del aprendizaje. 

Esta diversidad evidencia tanto las posibilidades de estas tecnologías como la necesidad de contar con docentes capaces de comprenderlas e integrarlas de manera pedagógicamente adecuada. Los autores insisten por ello en la importancia de fortalecer la competencia digital docente y recuerdan además que la utilización intensiva de datos plantea cuestiones relacionadas con su calidad, los posibles sesgos y su tratamiento responsable.

El estudio ofrece así una fotografía amplia de la investigación sobre inteligencia artificial y machine learning en educación en un momento de fuerte crecimiento del campo. Esa fotografía tiene también límites: la revisión considera únicamente artículos en inglés indexados en WoS y Scopus, y muestra una distribución geográfica desigual, además de una presencia todavía escasa de trabajos sobre diversidad, discapacidad y necesidades educativas especiales. Sus resultados permiten, no obstante, desplazar la discusión desde una pregunta demasiado genérica (qué puede hacer la inteligencia artificial en educación) hacia cuestiones más concretas: qué problemas educativos puede ayudar a abordar, qué técnicas resultan adecuadas para cada propósito y qué preparación necesitan docentes e instituciones para utilizarlas con criterio. 

La expansión de estas tecnologías, sugiere el trabajo, no convierte por sí sola la IA en innovación educativa; su valor depende de cómo y para qué se incorpore a los procesos de enseñanza, aprendizaje y gestión.

 ---

Cómo citar: Forero-Corba, W., & Negre Bennasar, F. (2024). Técnicas y aplicaciones del Machine Learning e inteligencia artificial en educación: una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 209–253. https://doi.org/10.5944/ried.27.1.37491

Machine Learning and Artificial Intelligence: Where Are They Transforming Education?

Artificial intelligence and machine learning have rapidly expanded their presence in educational research, but these labels encompass very different applications, techniques, and problems. The systematic review by Wiston Forero-Corba and Francisca Negre Bennasar analyses 55 studies published between 2021 and February 2023 in Web of Science and Scopus, covering 38 countries and educational levels ranging from primary school to university.

The study identifies 33 artificial intelligence and machine learning techniques and examines what they were being used for: from predicting academic performance and student dropout to academic guidance, robotics, recommender systems, the teaching of artificial intelligence itself, and support for specific groups of students. Rather than revealing a single dominant trend, the review portrays a diverse field in which intelligent technologies are beginning to play a role in both learning and educational management.

One of the most significant findings is that this research is no longer concentrated primarily in higher education: 74.6% of the studies analysed were conducted in primary or secondary education. There is also a clear predominance of supervised learning and predictive applications, particularly those related to academic performance, for which techniques such as Random Forest are frequently used. Yet the picture is broader: the review includes experiences involving computational thinking, AI literacy, robotics, academic guidance, inclusion, and personalised learning.

This diversity highlights both the possibilities offered by these technologies and the need for teachers who are able to understand them and integrate them in pedagogically appropriate ways. The authors therefore emphasise the importance of strengthening teachers’ digital competence and also point out that the intensive use of data raises questions about data quality, potential biases, and responsible handling.

The study thus provides a broad snapshot of research on artificial intelligence and machine learning in education at a time of rapid growth in the field. That snapshot also has limitations: the review considers only English-language articles indexed in WoS and Scopus, reveals an uneven geographical distribution, and identifies a still limited presence of research on diversity, disability, and special educational needs. Nevertheless, its findings help shift the discussion away from an overly general question (what can artificial intelligence do in education?) towards more specific ones: what educational problems can it help address, which techniques are appropriate for each purpose, and what preparation do teachers and institutions need to use them effectively and responsibly?

The expansion of these technologies, the study suggests, does not in itself turn AI into educational innovation; its value depends on how and why it is incorporated into teaching, learning, and educational management processes.

---

How to Cite: Forero-Corba, W., & Negre Bennasar, F. (2024). Techniques and applications of Machine Learning and Artificial Intelligence in education: a systematic review. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 209–253. https://doi.org/10.5944/ried.27.1.37491

Mapas cognitivos para aprender a pensar la ciencia

Los mapas cognitivos permiten representar no solo qué sabe una persona, sino también cómo relaciona, organiza y jerarquiza sus conocimientos. El estudio de Alba Guiral y Manoli Pifarré explora este potencial en la formación inicial del profesorado mediante una experiencia de aprendizaje científico mediada por tecnología. 

Participaron 47 estudiantes del grado de Educación Primaria de la Universidad de Lleida, que trabajaron en pequeños grupos durante 25 horas para resolver un reto sociocientífico relacionado con la potabilidad y la gestión del agua. En un entorno digital colaborativo fueron construyendo mapas que hacían visibles conceptos, relaciones y distintas fases de la indagación científica. Antes y después de la experiencia elaboraron además, individualmente y en papel, un mapa sobre la potabilidad del agua, lo que permitió analizar la evolución tanto de sus conocimientos científicos como de su manera de representarlos.

Los resultados muestran cambios claros entre ambos momentos. Al comienzo, la mayoría de los estudiantes presentaba conocimientos poco elaborados y tendía a representar las ideas como hechos aislados o mediante relaciones sencillas. Después de la experiencia aumentó significativamente el nivel de explicación científica: casi nueve de cada diez estudiantes fueron capaces de desarrollar al menos explicaciones parciales de los conceptos evaluados. También se enriqueció la estructura de los mapas. 

Las representaciones finales incorporaron más relaciones, jerarquías y agrupaciones entre conceptos, y aumentó el uso de estructuras en red, asociadas a una organización más compleja del conocimiento. Resulta especialmente interesante que estas diferencias aparecieran en mapas individuales realizados sin tecnología, lo que sugiere que algunas de las formas de organizar y representar el conocimiento practicadas durante la experiencia colaborativa pudieron transferirse posteriormente al trabajo individual.

El interés del estudio trasciende así la utilización de una herramienta digital concreta. La tecnología sirve aquí para hacer visible el razonamiento, sostener la discusión entre estudiantes y ayudar a representar un proceso de indagación sobre un problema científico complejo. Los mapas cognitivos muestran además un potencial relevante como instrumento de evaluación: permiten observar no solo los conceptos que conoce el estudiante, sino también cómo los integra, jerarquiza y relaciona. 

Al tratarse de un estudio de caso con 47 participantes y sin un grupo de comparación, sus resultados deben interpretarse dentro de ese contexto, y las propias autoras plantean ampliar la investigación a otros grupos y situaciones. Con esa cautela, el trabajo ofrece una idea valiosa para la formación docente: las tecnologías educativas pueden contribuir al aprendizaje cuando ayudan a los estudiantes a hacer explícitas, discutir y reorganizar las relaciones que construyen entre las ideas.

---

Cómo citar: Guiral Herrera, A., & Pifarré Turmo, M. (2023). Los mapas cognitivos digitales para la construcción de conocimiento científico en la formación inicial del profesorado. RIED-Revista Iberoamericana de Educación a Distancia, 26(2), 89–109. https://doi.org/10.5944/ried.26.2.36067

Cognitive Maps for Learning to Think Scientifically

Cognitive maps make it possible to represent not only what a person knows, but also how they relate, organise, and structure that knowledge. The study by Alba Guiral and Manoli Pifarré explores this potential in initial teacher education through a technology-mediated science learning experience.

The study involved 47 students enrolled in the Primary Education degree programme at the University of Lleida, who worked in small groups for 25 hours to address a socio-scientific challenge related to drinking water and water management. In a collaborative digital environment, they constructed maps that made concepts, relationships, and different stages of scientific inquiry visible. Before and after the experience, they also individually created a paper-based map on drinking water, allowing the researchers to analyse changes both in their scientific knowledge and in the way they represented it.

The results show clear changes between the two points in time. At the beginning, most students demonstrated relatively undeveloped knowledge and tended to represent ideas as isolated facts or through simple relationships. After the experience, the level of scientific explanation increased significantly: almost nine out of ten students were able to develop at least partial explanations of the concepts assessed. The structure of the maps also became richer.

The final representations incorporated more relationships, hierarchies, and groupings among concepts, while the use of network structures—associated with a more complex organisation of knowledge—also increased. Particularly interesting is the fact that these differences appeared in individual maps produced without technology, suggesting that some of the ways of organising and representing knowledge practised during the collaborative experience may subsequently have transferred to individual work.

The significance of the study therefore extends beyond the use of a particular digital tool. Here, technology serves to make reasoning visible, support discussion among students, and help represent a process of inquiry into a complex scientific problem. Cognitive maps also show considerable potential as an assessment tool: they make it possible to observe not only which concepts students know, but also how they integrate, organise hierarchically, and connect them.

As this is a case study involving 47 participants and no comparison group, the findings should be interpreted within that context, and the authors themselves propose extending the research to other groups and settings. With that caveat, the study offers a valuable insight for teacher education: educational technologies can contribute to learning when they help students make explicit, discuss, and reorganise the relationships they construct among ideas.

---

How to Cite: Guiral Herrera, A., & Pifarré Turmo, M. (2023). Digital Cognitive Maps for Scientific Knowledge Construction in Initial Teacher Education: . RIED-Revista Iberoamericana de Educación a Distancia, 26(2), 89–109. https://doi.org/10.5944/ried.26.2.36067

Cómo convertir una videoconferencia en una experiencia de aprendizaje

Durante la pandemia, muchas clases universitarias pasaron del aula a la pantalla sin que necesariamente cambiara su lógica: el docente seguía explicando y el alumnado escuchando, solo que a través de una videoconferencia. El estudio de Marc Fuertes-Alpiste, Núria Molas-Castells, Francesc Martínez-Olmo, Maria Jose Rubio-Hurtado y Cristina Galván Fernández parte precisamente de este problema y analiza qué ocurre cuando la sesión síncrona se diseña para promover una participación más activa. 

La experiencia, desarrollada en el grado de Pedagogía de la Universidad de Barcelona, combinó videoconferencias con actividades interactivas mediante Nearpod, alternando explicaciones breves con preguntas, ejercicios, propuestas gamificadas y algunas actividades colaborativas. En ella participaron cinco docentes y 82 estudiantes. Más que comprobar la eficacia de una herramienta concreta, la investigación busca conocer cómo perciben profesores y alumnos una forma de enseñanza en la que la tecnología se utiliza para reforzar la interacción entre estudiantes, docentes y contenidos.  

Las valoraciones recogidas muestran una experiencia mayoritariamente positiva. Muchos estudiantes consideran que este formato encaja con su forma de aprender y destacan que el ritmo de las actividades les ayuda a mantener la atención, aplicar inmediatamente lo explicado y reconocer qué contenidos han comprendido y cuáles necesitan revisar. La participación también aumenta respecto a una clase convencional, porque las actividades hacen posible que intervenga el conjunto del grupo y no solo quienes suelen tomar la palabra espontáneamente. Para el profesorado, el diseño de estas sesiones no exige partir de cero, pero sí obliga a pensar con mayor cuidado la secuencia, los tiempos y los momentos de interacción. 

Uno de los elementos más interesantes es el uso de las analíticas de aprendizaje: las respuestas del alumnado permiten detectar durante la propia sesión qué conceptos plantean mayores dificultades, volver sobre ellos y ajustar las explicaciones. Junto a estas ventajas aparecen también algunas dificultades: problemas técnicos, un ritmo excesivamente pautado para determinados estudiantes, la necesidad de manejar varias plataformas o el predominio de actividades individuales frente a otras formas de aprendizaje más colaborativas.  

La experiencia ofrece así algunas pistas relevantes para pensar la enseñanza síncrona en la universidad más allá de las circunstancias excepcionales que impulsaron su expansión. Se trata de un estudio situado, realizado con una muestra pequeña y en una única titulación, por lo que sus resultados invitan más a explorar este tipo de diseños que a generalizarlos. Los propios autores señalan la conveniencia de probarlos con grupos más numerosos, en otras disciplinas y mediante propuestas de carácter más colaborativo y socioconstructivista. 

Pero el interés del trabajo trasciende las plataformas empleadas. Los estudiantes siguen atribuyendo un papel fundamental al docente para orientar la sesión, ampliar las explicaciones y resolver dudas, mientras que la tecnología resulta especialmente valiosa cuando permite comprobar la comprensión, favorecer la participación y adaptar la enseñanza a lo que sucede durante la clase. La conclusión de fondo es sencilla pero relevante: digitalizar una sesión no consiste únicamente en trasladar la exposición a una pantalla. La tecnología puede ampliar las posibilidades de aprendizaje cuando el diseño de las actividades, los tiempos y las interacciones la convierte realmente en un recurso pedagógico. 

---

Cómo citar: Fuertes-Alpiste, M., Molas-Castells, N., Martínez-Olmo, F., Rubio-Hurtado, M. J., & Galván Fernández, C. (2023). Videoconferencias interactivas en educación superior: una propuesta de mejora para el aprendizaje y la participación. RIED-Revista Iberoamericana de Educación a Distancia, 26(1), 265–285. https://doi.org/10.5944/ried.26.1.34012

How to Turn a Videoconference into a Learning Experience

During the pandemic, many university classes moved from the classroom to the screen without necessarily changing their underlying logic: instructors continued to explain while students listened, only now through a videoconference. The study by Marc Fuertes-Alpiste, Núria Molas-Castells, Francesc Martínez-Olmo, Maria Jose Rubio-Hurtado, and Cristina Galván Fernández starts precisely from this issue and examines what happens when synchronous sessions are designed to promote more active participation.

The experience, carried out in the Pedagogy degree programme at the University of Barcelona, combined videoconferencing with interactive activities using Nearpod, alternating brief explanations with questions, exercises, gamified activities, and some collaborative tasks. Five instructors and 82 students took part. Rather than testing the effectiveness of a particular tool, the study seeks to understand how instructors and students perceive a form of teaching in which technology is used to strengthen interaction among students, teachers, and learning content.

The feedback collected shows a largely positive experience. Many students felt that the format suited the way they learn and highlighted how the pace of the activities helped them maintain their attention, immediately apply what had been explained, and recognise which concepts they had understood and which they needed to review. Participation also increased compared with a conventional class, because the activities enabled the whole group to contribute rather than only those who would normally speak up spontaneously. For instructors, designing these sessions does not mean starting from scratch, but it does require more careful consideration of the sequence, timing, and opportunities for interaction.

One of the most interesting elements is the use of learning analytics: students’ responses make it possible to identify, during the session itself, which concepts are causing the greatest difficulty, revisit them, and adjust the explanations accordingly. Alongside these advantages, some challenges also emerge: technical problems, an overly structured pace for some students, the need to manage several platforms, and the predominance of individual activities over more collaborative forms of learning.

The experience therefore offers some useful insights for thinking about synchronous teaching in higher education beyond the exceptional circumstances that accelerated its expansion. This is a context-specific study, conducted with a small sample in a single degree programme, so its findings are better seen as an invitation to explore these kinds of designs than as a basis for broad generalisation. The authors themselves point to the value of testing them with larger groups, in other disciplines, and through more collaborative and socio-constructivist approaches.

Yet the significance of the study goes beyond the platforms used. Students continue to assign a fundamental role to the instructor in guiding the session, expanding on explanations, and resolving questions, while technology becomes particularly valuable when it helps check understanding, encourage participation, and adapt teaching to what is happening during the class. The underlying conclusion is simple but important: digitising a session is not merely a matter of moving a lecture onto a screen. Technology can broaden opportunities for learning when the design of activities, timing, and interactions truly turns it into a pedagogical resource.

---

How to Cite: Fuertes-Alpiste, M., Molas-Castells, N., Martínez-Olmo, F., Rubio-Hurtado, M. J., & Galván Fernández, C. (2023). Interactive Videoconferences in Higher Education: A Proposal to Enhance Learning and Participation. RIED-Revista Iberoamericana de Educación a Distancia, 26(1), 265–285. https://doi.org/10.5944/ried.26.1.34012

La herramienta que hace justo lo contrario que ChatGPT

La educación digital ha multiplicado plataformas, recursos y automatismos, pero eso no significa necesariamente que haya multiplicado las herramientas para pensar mejor. Ese es el punto de partida de Víctor Hugo Pérez Gallo en su estudio sobre SOCIOKAIROS, un entorno heurístico diseñado para ayudar a estudiantes de ciencias sociales a formular y reformular problemas de investigación. 

Integrado directamente en Moodle mediante un paquete SCORM, el sistema no funciona como una inteligencia artificial que entrega una respuesta acabada: analiza la estructura del problema, señala ambigüedades, identifica variables y obliga al estudiante a revisar sus propias decisiones metodológicas. La diferencia no es menor. Frente a herramientas que permiten delegar parte del razonamiento, SOCIOKAIROS intenta convertir la tecnología en una forma de fricción productiva.

La experiencia se llevó a cabo con 218 estudiantes de universidades de Cuba, Brasil y España, combinando cuestionarios, respuestas abiertas y los registros de actividad generados automáticamente por Moodle. Los datos muestran una recepción favorable: entre el 79 % y el 90 % del alumnado valoró positivamente aspectos como la utilidad, la facilidad de uso o la capacidad del sistema para ayudarle a estructurar su pensamiento metodológico. 

Pero quizá sea más revelador lo que ocurrió durante el proceso: cada estudiante realizó una media de 2,8 reformulaciones y quienes iteraron más tendieron también a obtener mejores puntuaciones dentro del propio entorno. En las respuestas abiertas aparece repetidamente una expresión sugerente: la sensación de “pensar acompañado”. La herramienta parece funcionar menos como un proveedor de soluciones que como un interlocutor que devuelve preguntas, contradicciones y decisiones que necesitan ser justificadas.

Conviene no convertir esa asociación en una prueba de eficacia que el diseño del estudio no permite establecer. No hubo grupo de control ni mediciones pre y post, la muestra fue intencional y pueden intervenir tanto el efecto novedad como la deseabilidad social. Los resultados muestran, por tanto, viabilidad, aceptación y patrones de uso, no que SOCIOKAIROS cause por sí mismo una mejora transferible del pensamiento científico. 

Su interés está quizá en otro lugar: propone una idea de tecnología educativa casi opuesta a la obsesión por ahorrar tiempo. Aquí el sistema introduce pausas, obliga a volver sobre lo escrito y hace visible el razonamiento. En una época en la que buena parte de la innovación digital promete llegar antes a la respuesta, SOCIOKAIROS explora qué ocurre cuando diseñamos una herramienta precisamente para retrasarla un poco.

---

Cómo citar: Pérez Gallo, V. H. (2026). SOCIOKAIROS: Heurística computacional para la enseñanza reflexiva en la educación universitaria a distancia. RIED-Revista Iberoamericana de Educación a Distancia, 29(2), 257–285. https://doi.org/10.5944/ried.47132

The Tool That Does Exactly the Opposite of ChatGPT

Digital education has multiplied platforms, resources, and automated processes, but that does not necessarily mean it has multiplied the tools that help us think better. This is the starting point of Víctor Hugo Pérez Gallo’s study on SOCIOKAIROS, a heuristic environment designed to help social science students formulate and reformulate research problems.

Integrated directly into Moodle through a SCORM package, the system does not work like an artificial intelligence that delivers a finished answer: it analyses the structure of the problem, points out ambiguities, identifies variables, and requires students to reconsider their own methodological decisions. The difference is important. Whereas other tools allow users to delegate part of the reasoning process, SOCIOKAIROS seeks to turn technology into a form of productive friction.

The experience involved 218 students from universities in Cuba, Brazil, and Spain, combining questionnaires, open-ended responses, and activity records generated automatically by Moodle. The data show a favourable reception: between 79% and 90% of students rated aspects such as usefulness, ease of use, and the system’s ability to help them structure their methodological thinking positively.

Perhaps more revealing, however, is what happened during the process itself: each student produced an average of 2.8 reformulations, and those who iterated more also tended to achieve higher scores within the environment. One suggestive expression appears repeatedly in the open-ended responses: the feeling of “thinking with support”. The tool seems to function less as a provider of solutions than as an interlocutor that returns questions, contradictions, and decisions that need to be justified.

This association should not, however, be turned into evidence of effectiveness that the study design cannot establish. There was no control group or pre-post measurement, the sample was purposive, and both novelty effects and social desirability may have influenced the results. The findings therefore demonstrate feasibility, acceptance, and patterns of use, rather than showing that SOCIOKAIROS itself causes transferable improvements in scientific thinking.

Its real interest may lie elsewhere: it proposes an idea of educational technology that runs almost counter to the obsession with saving time. Here, the system introduces pauses, forces students to return to what they have written, and makes their reasoning visible. At a time when much digital innovation promises to get us to the answer faster, SOCIOKAIROS explores what happens when we deliberately design a tool to slow that process down a little.

---

How to Cite: Pérez Gallo, V. H. (2026). SOCIOKAIROS: A computational heuristic for reflexive teaching in distance university education. RIED-Revista Iberoamericana de Educación a Distancia, 29(2), 257–285. https://doi.org/10.5944/ried.47132

Qué necesita dominar un docente en la era de la IA

La expansión de la inteligencia artificial en las aulas ha generado una paradoja bastante concreta: pedimos al profesorado que aprenda a utilizarla de manera pedagógica, crítica y responsable, pero todavía contamos con pocos instrumentos específicos para saber qué domina realmente y dónde necesita formación. 

El trabajo de Andresa Sartor-Harada y Juliana Azevedo-Gomes aborda precisamente ese problema mediante el desarrollo del AI-ED-SAT, un cuestionario de autoevaluación que desplaza el foco desde la competencia digital genérica hacia cuatro dimensiones propias de la IA educativa: comprensión conceptual, uso pedagógico, reflexión ética e integración curricular. La distinción importa, porque manejar con soltura una herramienta de IA no equivale necesariamente a saber cuándo utilizarla, cómo incorporarla al currículo o qué implicaciones tiene delegar determinadas decisiones en un sistema algorítmico.

El instrumento se construyó mediante un proceso bastante exigente: revisión de la literatura, dos rondas Delphi con 12 expertos y una prueba piloto con 128 docentes de siete países hispanohablantes. De los 40 ítems iniciales se conservaron 38, y los análisis psicométricos ofrecen resultados sólidos: una consistencia interna global de 0,93, cuatro factores que explican el 67,8 % de la varianza y buenos índices de ajuste en el análisis confirmatorio. 

Pero quizá el dato más sugerente no sea estadístico, sino el perfil que aparece detrás de las respuestas: el profesorado se percibe más competente en el uso pedagógico de la IA que en su dimensión ética y en su integración curricular. Es una diferencia relevante, porque sugiere que la adopción práctica de estas tecnologías puede estar avanzando más deprisa que la reflexión sobre cómo encajarlas en decisiones educativas de mayor alcance.

Conviene, en cualquier caso, interpretar el AI-ED-SAT por lo que es: una herramienta de autoevaluación, no una prueba directa del desempeño docente. La muestra fue además seleccionada por conveniencia, la validación se limita por ahora al ámbito hispanohablante y los propios autores consideran estos resultados una primera validación que deberá replicarse con muestras más amplias y diversas. 

Precisamente ahí puede estar una de sus utilidades más interesantes. En lugar de convertir la “competencia en IA” en una etiqueta general, el cuestionario permite descomponerla y localizar necesidades concretas. Utilizado con esa finalidad, puede servir menos para clasificar docentes que para formular una pregunta bastante más productiva: qué necesita aprender cada profesor para pasar de usar inteligencia artificial a tomar buenas decisiones educativas sobre ella.

---

Cómo citar: Sartor-Harada, A., & Azevedo-Gomes, J. (2026). AI-ED-SAT: diseño y validación de un cuestionario para autoevaluar competencias docentes en IA educativa. RIED-Revista Iberoamericana de Educación a Distancia, 29(1), 79–110. https://doi.org/10.5944/ried.45413

What Teachers Need to Master in the Age of AI

The expansion of artificial intelligence in the classroom has created a fairly specific paradox: we expect teachers to learn how to use it pedagogically, critically, and responsibly, yet we still have few specific instruments for determining what they actually know and where they need further training.

The work of Andresa Sartor-Harada and Juliana Azevedo-Gomes addresses precisely this problem through the development of AI-ED-SAT, a self-assessment questionnaire that shifts the focus from generic digital competence to four dimensions specific to educational AI: conceptual understanding, pedagogical use, ethical reflection, and curricular integration. The distinction matters because being proficient with an AI tool does not necessarily mean knowing when to use it, how to incorporate it into the curriculum, or what the implications are of delegating certain decisions to an algorithmic system.

The instrument was developed through a fairly demanding process: a literature review, two Delphi rounds involving 12 experts, and a pilot study with 128 teachers from seven Spanish-speaking countries. Of the initial 40 items, 38 were retained, and the psychometric analyses yielded solid results: an overall internal consistency of 0.93, four factors explaining 67.8% of the variance, and good fit indices in the confirmatory analysis.

Perhaps the most suggestive finding, however, is not statistical but lies in the profile that emerges from the responses: teachers perceive themselves as more competent in the pedagogical use of AI than in its ethical dimension or curricular integration. This is a significant difference because it suggests that the practical adoption of these technologies may be progressing faster than reflection on how they should fit into broader educational decisions.

In any case, AI-ED-SAT should be interpreted for what it is: a self-assessment tool, not a direct measure of teaching performance. The sample was also selected by convenience, validation has so far been limited to Spanish-speaking contexts, and the authors themselves regard these findings as an initial validation that should be replicated with larger and more diverse samples.

That may be precisely where one of its most interesting uses lies. Rather than turning “AI competence” into a broad label, the questionnaire makes it possible to break the concept down and identify specific needs. Used in this way, it may be less useful for classifying teachers than for posing a far more productive question: what does each teacher need to learn in order to move from using artificial intelligence to making sound educational decisions about it?

---

How to Cite: Sartor-Harada, A., & Azevedo-Gomes, J. (2026). AI-ED-SAT: design and validation of a questionnaire for self-assessment of teaching skills in educational AI. RIED-Revista Iberoamericana de Educación a Distancia, 29(1), 79–110. https://doi.org/10.5944/ried.45413