¿Y si la inteligencia artificial sirviera para construir conocimiento entre todos?

La inteligencia artificial aplicada a la educación suele asociarse hoy a herramientas generativas como ChatGPT, pero sus posibilidades van mucho más allá de la conversación entre una persona y una máquina. 

El estudio de Alicia Martínez-De la Muela, Juan Pablo Ruiz-Fuentes y José Luis González-Geraldo explora precisamente otro camino: la combinación de inteligencia artificial e inteligencia colectiva en la educación superior digital mediante Kampal, una plataforma que organiza y transforma las aportaciones individuales de los estudiantes para favorecer la construcción compartida del conocimiento. La propuesta resulta especialmente sugerente porque intenta conciliar dos tendencias que no siempre avanzan juntas: la personalización del aprendizaje y la colaboración entre estudiantes.

La investigación utiliza un diseño cuasi-experimental pretest-postest en una asignatura de un máster universitario impartido en línea. Aunque participaron inicialmente 399 estudiantes, el análisis comparativo pudo realizarse sobre 25 casos coincidentes entre ambas mediciones, una circunstancia que obliga a interpretar los resultados con prudencia. Tras utilizar Kampal, aumentaron significativamente tanto la familiaridad de los participantes con la herramienta como su disposición a emplear en el futuro tecnologías de inteligencia colectiva, con tamaños del efecto elevados. 

Sin embargo, no se produjeron cambios significativos en la percepción de su eficacia inmediata ni en las expectativas sobre los resultados. Es decir, experimentar con la tecnología parece favorecer su aceptación y despertar interés por volver a utilizarla, pero no basta por sí solo para demostrar que los estudiantes perciban inmediatamente una mejora de su aprendizaje.

Ahí reside probablemente una de las aportaciones más interesantes del trabajo. Los autores no presentan la inteligencia colectiva mediada por IA como una solución automática, sino como una tecnología cuyo valor educativo depende del diseño pedagógico y de una mediación docente intencionada. Que una respuesta sea la más popular dentro de un grupo no significa necesariamente que sea la más rigurosa, compleja o formativamente valiosa; además, los algoritmos que organizan estas dinámicas pueden introducir problemas de opacidad y funcionar como auténticas «cajas negras». 

Kampal aparece así menos como un sustituto del profesor que como un instrumento capaz de ampliar las posibilidades de colaboración si existe supervisión experta. El estudio abre, en definitiva, una vía especialmente fértil para pensar una IA educativa que no solo personalice el aprendizaje individual, sino que ayude también a construir conocimiento con otros.

---

Cómo citar: Martínez-De la muela, A., Ruiz-Fuentes, J. P., & González-Geraldo, J. L. (2026). Inteligencia artificial e inteligencia colectiva en la educación superior digital: estudio cuasi-experimental con la plataforma Kampal. RIED-Revista Iberoamericana de Educación a Distancia, 29(1), 29–51. https://doi.org/10.5944/ried.45560

What if artificial intelligence could help us build knowledge together?

Artificial intelligence in education is often associated today with generative tools such as ChatGPT, but its possibilities extend far beyond conversations between a person and a machine.

The study by Alicia Martínez-De la Muela, Juan Pablo Ruiz-Fuentes, and José Luis González-Geraldo explores precisely another path: the combination of artificial intelligence and collective intelligence in digital higher education through Kampal, a platform that organizes and transforms students’ individual contributions to foster the shared construction of knowledge. The proposal is particularly compelling because it seeks to bring together two trends that do not always advance hand in hand: personalized learning and collaboration among students.

The research uses a quasi-experimental pretest-posttest design in a course from an online university master’s degree program. Although 399 students initially participated, the comparative analysis could only be conducted on 25 matched cases across both measurements, a circumstance that calls for caution when interpreting the results. After using Kampal, participants showed significant increases both in their familiarity with the tool and in their willingness to use collective intelligence technologies in the future, with large effect sizes.

However, there were no significant changes in perceptions of its immediate effectiveness or in expectations regarding outcomes. In other words, experimenting with the technology appears to encourage acceptance and spark interest in using it again, but this alone is not enough to show that students immediately perceive an improvement in their learning.

This is probably where one of the study’s most interesting contributions lies. The authors do not present AI-mediated collective intelligence as an automatic solution, but rather as a technology whose educational value depends on pedagogical design and intentional teacher mediation. The fact that a response is the most popular within a group does not necessarily mean that it is the most rigorous, complex, or educationally valuable. Moreover, the algorithms that organize these dynamics may introduce problems of opacity and operate as genuine “black boxes.”

Kampal therefore appears less as a substitute for the teacher than as a tool capable of expanding opportunities for collaboration when expert supervision is in place. Ultimately, the study opens up an especially promising avenue for thinking about educational AI that not only personalizes individual learning, but also helps people build knowledge together.

---

How to Cite: Martínez-De la muela, A., Ruiz-Fuentes, J. P., & González-Geraldo, J. L. (2026). Artificial intelligence and collective intelligence in digital higher education: a quasi-experimental study using the Kampal platform. RIED-Revista Iberoamericana de Educación a Distancia, 29(1), 29–51. https://doi.org/10.5944/ried.45560

ChatGPT en el aula virtual: útil, imperfecto y difícil de ignorar

¿Qué ocurre cuando un asistente basado en ChatGPT deja de ser una herramienta externa y pasa a formar parte del propio campus virtual? Miguel-Ángel Cabeza-Rodríguez analiza esta experiencia a partir de la integración de un asistente basado en ChatGPT 3.5 en 21 asignaturas de una universidad online, pertenecientes a titulaciones y áreas de conocimiento muy distintas. 

El estudio recoge la valoración de 391 estudiantes y examina cuatro dimensiones de su experiencia: la eficiencia del asistente, su impacto en el aprendizaje, su contribución al desarrollo de habilidades y los aspectos técnicos y de accesibilidad.

Los resultados dibujan una percepción mayoritariamente favorable. El alumnado valora especialmente que el asistente pueda aclarar conceptos, responder dudas y servir de apoyo para avanzar de forma más autónoma, hasta el punto de que numerosos participantes reclaman que se extienda a otras asignaturas. 

El análisis muestra, además, que la satisfacción depende sobre todo de que el asistente resulte realmente eficaz: su capacidad para proporcionar respuestas útiles pesa más que los aspectos puramente técnicos. Pero la experiencia también revela los límites de estas herramientas. Entre las principales críticas aparecen respuestas poco precisas o insuficientemente profundas, la ausencia de determinadas funcionalidades y la necesidad de orientar mejor al estudiante sobre cómo utilizar la IA.

La cuestión, por tanto, no parece ser simplemente si incorporar o no asistentes de IA a la universidad, sino cómo hacerlo para que aporten verdadero valor educativo. Los estudiantes los perciben fundamentalmente como un complemento capaz de proporcionar apoyo inmediato y favorecer el aprendizaje autónomo, no como un sustituto del profesorado ni del pensamiento crítico. 

La experiencia apunta así hacia un modelo en el que la integración de la inteligencia artificial debe acompañarse de un buen diseño pedagógico, respuestas suficientemente fiables, formación para utilizar la herramienta y una adecuada conexión con cada asignatura. El potencial existe, pero su utilidad educativa dependerá menos de tener un chatbot disponible que de convertirlo en un auténtico asistente para aprender.

---

Cómo citar: Cabeza-Rodríguez, M.- Ángel. (2025). Asistentes ChatGPT en educación superior en línea y satisfacción del alumnado: un caso de estudio. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 9–38. https://doi.org/10.5944/ried.28.2.43552

ChatGPT in the virtual classroom: useful, imperfect, and hard to ignore

What happens when a ChatGPT-based assistant stops being an external tool and becomes part of the virtual campus itself? Miguel-Ángel Cabeza-Rodríguez examines this experience through the integration of a ChatGPT 3.5-based assistant into 21 courses at an online university, spanning a wide range of degree programs and fields of knowledge.

The study gathers the views of 391 students and examines four dimensions of their experience: the assistant’s efficiency, its impact on learning, its contribution to skill development, and technical and accessibility aspects.

The results reveal a largely positive perception. Students particularly value the assistant’s ability to clarify concepts, answer questions, and support more autonomous learning, to the point that many participants would like to see it extended to other courses.

The analysis also shows that satisfaction depends above all on whether the assistant is genuinely effective: its ability to provide useful answers matters more than purely technical considerations. At the same time, the experience also exposes the limitations of these tools. Among the main criticisms are answers that lack precision or sufficient depth, the absence of certain functionalities, and the need to provide students with better guidance on how to use AI effectively.

The question, therefore, is not simply whether universities should introduce AI assistants, but how to do so in ways that create genuine educational value. Students tend to see them primarily as a complement that can provide immediate support and encourage autonomous learning, rather than as a substitute for teachers or critical thinking.

The experience therefore points towards a model in which the integration of artificial intelligence must be accompanied by sound pedagogical design, sufficiently reliable responses, guidance on how to use the tool, and proper alignment with the specific needs of each course. The potential is clearly there, but its educational value will depend less on simply making a chatbot available than on turning it into a genuine assistant for learning.

---

How to Cite: Cabeza-Rodríguez, M.- Ángel. (2025). ChatGPT assistants in online higher education and student satisfaction: a case study. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 9–38. https://doi.org/10.5944/ried.28.2.43552

Las competencias que hacen posible aprender bien online

La expansión de la educación online ha transformado las posibilidades de acceso y flexibilidad de la enseñanza superior, pero también ha puesto de manifiesto que aprender a distancia exige algo más que disponer de una plataforma y buenos contenidos. 

Gonzalo Garcés y Elena Bastías analizan esta cuestión mediante un estudio bibliométrico y una revisión sistemática de 781 publicaciones sobre aprendizaje online en educación superior. Su trabajo permite identificar cómo ha evolucionado este campo de investigación y cuáles son algunos de sus principales focos de interés: la satisfacción del alumnado, el compromiso y la motivación, la calidad de la experiencia educativa y el desarrollo de competencias para desenvolverse en entornos virtuales.

El análisis revela un crecimiento especialmente intenso de la investigación desde 2020 y organiza las principales tendencias en cuatro grandes ámbitos: percepción y satisfacción ante el uso de tecnologías; compromiso, participación y motivación; habilidades y competencias de los futuros profesionales; y calidad de la educación online. 

Entre los conceptos que adquieren mayor relevancia aparecen la autoeficacia, el aprendizaje autorregulado, la empleabilidad, la aceptación de la tecnología y el diseño de experiencias capaces de mantener al estudiante implicado. Los autores subrayan además que una educación virtual eficaz requiere tanto competencias digitales como responsabilidad, pensamiento crítico, capacidad de autorregulación y reflexión sobre el propio aprendizaje.

A partir de estos resultados, el artículo propone un marco de competencias que conecta conocimientos, actitudes y capacidades prácticas con las herramientas y tecnologías utilizadas en el aprendizaje online. La propuesta sitúa la reflexión como una competencia especialmente importante para el desarrollo profesional y la empleabilidad, al tiempo que insiste en la necesidad de diseñar entornos educativos que favorezcan la autonomía sin descuidar la interacción, la motivación, la retroalimentación y la equidad de acceso. 

La principal conclusión es clara: la calidad de la educación online no depende únicamente de la tecnología, sino de cómo esta se integra en modelos pedagógicos capaces de desarrollar las competencias que estudiantes y profesionales necesitan en escenarios educativos y laborales cada vez más digitales.

---

Cómo citar: Garcés, G., & Bastías, E. (2025). Modelo de competencias para el aprendizaje online en educación superior: un análisis bibliométrico y revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 28(1), 259–290. https://doi.org/10.5944/ried.28.1.41351

The competencies that make effective online learning possible

The expansion of online education has transformed access to and flexibility in higher education, but it has also made clear that learning at a distance requires more than simply having a platform and good content.

Gonzalo Garcés and Elena Bastías examine this issue through a bibliometric study and a systematic review of 781 publications on online learning in higher education. Their work shows how this field of research has evolved and identifies some of its main areas of interest: student satisfaction, engagement and motivation, the quality of the educational experience, and the development of competencies for navigating virtual environments.

The analysis reveals particularly strong growth in research since 2020 and groups the main trends into four broad areas: perceptions of and satisfaction with the use of technology; engagement, participation, and motivation; the skills and competencies required by future professionals; and the quality of online education.

Among the concepts gaining particular prominence are self-efficacy, self-regulated learning, employability, technology acceptance, and the design of learning experiences capable of keeping students engaged. The authors also stress that effective online education requires not only digital competencies but also responsibility, critical thinking, self-regulation, and the ability to reflect on one’s own learning.

Based on these findings, the article proposes a competency framework that connects knowledge, attitudes, and practical abilities with the tools and technologies used in online learning. The framework places reflection as a particularly important competency for professional development and employability, while also emphasizing the need to design educational environments that foster autonomy without neglecting interaction, motivation, feedback, and equitable access.

The main conclusion is clear: the quality of online education does not depend solely on technology, but on how it is integrated into pedagogical models capable of developing the competencies that students and professionals need in increasingly digital educational and professional contexts.

---

How to Cite: Garcés, G., & Bastías, E. (2025). Competencies model for online learning in higher education: a bibliometric analysis and systematic review. RIED-Revista Iberoamericana de Educación a Distancia, 28(1), 259–290. https://doi.org/10.5944/ried.28.1.41351

Aprender a colaborar en entornos online

Trabajar en grupo no significa necesariamente colaborar bien, y esa diferencia se vuelve especialmente importante en la educación online. La distancia, la combinación de comunicación síncrona y asíncrona y la menor presencia directa del profesorado hacen que gestionar expectativas, desacuerdos y emociones forme parte del propio proceso de aprendizaje. El estudio de Adolfo Montalvo García, Santiago Ávila Vila y Frank Longo analiza esta dimensión socioemocional del trabajo colaborativo universitario a partir de 722 estudiantes de másteres de management. 

Los autores validan un modelo compuesto por cinco factores (autocontrol, influencia personal, comunicación integral, trabajo en equipo y gestión de conflictos) que permite comprender mejor cómo contribuye cada estudiante a las dinámicas del grupo y qué aspectos pueden favorecer una colaboración más eficaz.

Los resultados respaldan la estructura de cinco factores propuesta y muestran que estas dimensiones están estrechamente relacionadas entre sí. La colaboración online no depende únicamente de repartir tareas o cumplir plazos, sino también de saber manejar los desacuerdos, regular las propias emociones, influir positivamente en el clima del grupo, comunicarse con claridad y contribuir de manera cooperativa. 

El estudio identifica además algunas diferencias asociadas al sexo y la edad en varios de estos factores, aunque la aportación principal reside en ofrecer un marco que convierte procesos socioemocionales difíciles de observar en dimensiones que pueden analizarse y trabajarse de forma explícita. Esto abre posibilidades tanto para orientar mejor al alumnado como para diseñar actividades y programas formativos que presten atención no solo al producto final del trabajo en equipo, sino también a la calidad de la interacción que lo hace posible.

El interés del trabajo está precisamente en desplazar la atención desde el resultado final hacia los procesos socioemocionales que sostienen la colaboración. En los entornos virtuales, donde el profesorado tiene menos acceso directo a lo que ocurre dentro de cada equipo, disponer de un modelo de este tipo puede ayudar a detectar dificultades, acompañar mejor a los estudiantes y desarrollar competencias que también serán relevantes en contextos profesionales. 

Los autores señalan, no obstante, la necesidad de comprobar su validez en otros contextos culturales y de complementar en futuras investigaciones los autoinformes con datos sobre gestos, expresiones o patrones dinámicos de interacción. Con esa cautela, el estudio deja una idea especialmente útil para la educación superior: colaborar online no es una habilidad que deba darse por supuesta. También requiere aprendizaje, acompañamiento y desarrollo socioemocional.

---

Cómo citar: Montalvo García, A., Ávila Vila, S., & Longo, F. (2024). Modelo de trabajo colaborativo online desde la perspectiva socioemocional. RIED-Revista Iberoamericana de Educación a Distancia, 27(2), 17–34. https://doi.org/10.5944/ried.27.2.39115

Learning to Collaborate in Online Environments

Working in a group does not necessarily mean collaborating well, and this distinction becomes especially important in online education. Distance, the combination of synchronous and asynchronous communication, and the reduced direct presence of instructors mean that managing expectations, disagreements, and emotions becomes part of the learning process itself. The study by Adolfo Montalvo García, Santiago Ávila Vila, and Frank Longo examines this socio-emotional dimension of collaborative work in higher education, drawing on a sample of 722 students enrolled in management master’s programmes.

The authors validate a model comprising five factors (self-control, personal influence, comprehensive communication, teamwork, and conflict management) which helps explain how each student contributes to group dynamics and which aspects may foster more effective collaboration.

The results support the proposed five-factor structure and show that these dimensions are closely interrelated. Online collaboration depends not only on dividing up tasks or meeting deadlines, but also on knowing how to manage disagreements, regulate one’s own emotions, contribute positively to the group climate, communicate clearly, and work cooperatively.

The study also identifies some differences associated with sex and age across several of these factors, although its main contribution lies in providing a framework that turns socio-emotional processes that are difficult to observe into dimensions that can be analysed and addressed explicitly. This opens up possibilities both for better supporting students and for designing activities and training programmes that focus not only on the final product of teamwork, but also on the quality of the interaction that makes it possible.

The significance of the study lies precisely in shifting attention away from the final outcome towards the socio-emotional processes that sustain collaboration. In virtual environments, where instructors have less direct access to what happens within each team, a model of this kind can help identify difficulties, provide more effective support, and develop competencies that will also be relevant in professional settings.

The authors nevertheless point to the need to test the model’s validity in other cultural contexts and, in future research, to complement self-report data with information on gestures, expressions, or dynamic patterns of interaction. With that caveat, the study leaves a particularly useful message for higher education: online collaboration is not a skill that should be taken for granted. It too requires learning, support, and socio-emotional development.

---

How to Cite: Montalvo García, A., Ávila Vila, S., & Longo, F. (2024). Online collaborative work model from a socio-emotional perspective. RIED-Revista Iberoamericana de Educación a Distancia, 27(2), 17–34. https://doi.org/10.5944/ried.27.2.39115

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