Cómo la IA generativa puede favorecer un aprendizaje más profundo mediante la resonancia cognitiva

¿Cómo puede la IA generativa apoyar la construcción cognitiva profunda? Mecanismos y principios de diseño de la resonancia cognitiva

Pian Yang¹ Yu Shengquan²

1. Facultad de Enseñanza de Tecnologías de la Información, Instituto de Educación de Pekín

2. Centro de Innovación Avanzada para la Educación del Futuro, Universidad Normal de Pekín

Resumen:La inteligencia artificial generativa se está integrando cada vez más en la práctica educativa. Sin embargo, aún queda por aclarar cómo el apoyo de la inteligencia externa puede contribuir al desarrollo cognitivo profundo de los estudiantes. En relación con las aplicaciones actuales de la GenAI en la educación, es común que se produzca una “deuda cognitiva”, y la utilización de herramientas superficiales sigue siendo la norma. El estudio busca primero definir el concepto de construcción cognitiva profunda, y luego identificar cuatro necesidades cognitivas fundamentales: la reorganización de conexiones de conocimiento y estructuras, la expresión cognitiva, el control reflexivo y la regulación metacognitiva, y la colaboración social. Basándose en esto, se propone el concepto de resonancia cognitiva como marco de análisis sistemático. Se explican los principios internos que permiten la construcción cognitiva profunda con la ayuda de la GenAI desde los tres niveles de condiciones, procesos y resultados. Se señalan que la alineación estructural, la alineación interactiva, la alineación de objetivos y la alineación contextual son condiciones previas para que ocurra la resonancia cognitiva. Además, se analizan los mecanismos que permiten la construcción cognitiva profunda: la reorganización de probabilidades, la interacción dialogante, las ilusiones de contenido y los roles diversos. Basándose en esto, se proponen cuatro principios pedagógicos: diseño de situaciones orientado a la conexión entre múltiples fuentes, diseño de interacciones orientado al proceso, diseño de tareas orientado a la crítica y diseño de roles orientado a la colaboración. El objetivo del estudio es proporcionar una perspectiva analítica más integrada para comprender los mecanismos internos que permiten la construcción cognitiva profunda con la GenAI. También busca ofrecer referencias para que la GenAI pase de ser una herramienta que genera respuestas a ser un apoyo constructivo para el desarrollo del pensamiento.

Palabras clave:Inteligencia artificial generativa; resonancia cognitiva; construcción cognitiva profunda; colaboración hombre-máquina; diseño de enseñanza

I. Presentación del problema

La inteligencia artificial generativa (GenAI), como una importante herramienta en la nueva revolución educativa, se está extendiendo rápidamente en diversos ámbitos educativos como el diseño de la enseñanza (Feng Xiaoying et al., 2025), la interacción en el aula (Wan Kun et al., 2025) y la evaluación y retroalimentación (Luo Heng et al., 2024). Esta tecnología se convierte en un factor clave para promover la educación inteligente y las prácticas de aprendizaje profundo. Numerosos estudios y prácticas demuestran que la GenAI tiene capacidades como la integración de información multimodal, la generación de lenguaje adaptado al contexto y la interacción dialogante (Lei Hao et al., 2025). Estas capacidades ofrecen posibilidades amplias para que los estudiantes construyan conocimientos complejos y realicen actividades de pensamiento avanzado. Bajo la influencia de esta tecnología, también aumenta la demanda en el ámbito educativo por el aprendizaje profundo. Sin embargo, lo que ocurre en la realidad es que la mayoría de las aplicaciones de la GenAI en la vida cotidiana se limitan a proporcionar respuestas rápidas o a escribir texto por ellos (Yang Nanchang et al., 2025). Esto dificulta la promoción y soporte del proceso de construcción cognitiva profunda por parte de los estudiantes.

Para los estudiantes, el uso de contenido generado por la inteligencia artificial no equivale a una verdadera comprensión y aplicación de ese contenido. Estudios han demostrado que, cuando los estudiantes dependen constantemente de las respuestas generadas por la GenAI, sin participar activamente en el análisis y razonamiento de los problemas, pueden obtener resultados que parecen completos en el corto plazo. Pero cuando se pierde el apoyo tecnológico y es necesario aplicar los conocimientos de forma independiente, surgen problemas como una comprensión deficiente y dificultades en la aplicación de los conocimientos. Esto puede ser descrito como un tipo de “deuda cognitiva acumulada” (Kosmyna et al., 2025). De hecho, la esencia del aprendizaje no depende del volumen total de tecnología disponible, sino en cómo la tecnología se integra con la experiencia previa del estudiante, su estructura de conocimientos y sus necesidades cognitivas, para formar un sistema cognitivo eficiente. Basándose en esto, este artículo aborda la cuestión central de “cómo la inteligencia artificial generativa puede apoyar la construcción de conocimientos profundos”. Se responden tres preguntas relacionadas: primero, qué tipo de necesidades cognitivas implica la construcción de conocimientos profundos; segundo, ¿cómo puede la GenAI intervenir y desempeñar un papel? Tercero, ¿cómo los maestros pueden reestructurar sus estrategias de enseñanza, para que el uso de la GenAI en la educación se convierta en un apoyo constructivo para el desarrollo del pensamiento?

II. Las necesidades fundamentales para la construcción de una comprensión profunda

En el contexto de una aceleración en la iteración del conocimiento y un aumento constante en la complejidad de los problemas, las tareas cognitivas que enfrentan los estudiantes están cambiando. No solo necesitan comprender el conocimiento, sino también identificar la información relevante entre múltiples fuentes de información, ajustar sus estrategias cognitivas en tareas complejas y aplicar ese conocimiento en situaciones reales. En este contexto, la atención de la investigación en ciencias cognitivas y de aprendizaje se ha desplazado desde la obtención de conocimiento hacia la capacidad de los estudiantes para formar estructuras cognitivas profundas y transferibles. La construcción cognitiva profunda es una extensión integral de conceptos relacionados con la construcción cognitiva, el aprendizaje profundo y la construcción de conocimiento. Desde un punto de vista teórico, la construcción cognitiva enfatiza que los estudiantes reestructuran activamente sus estructuras cognitivas mediante la adaptación de los esquemas existentes (Piaget, 1964). El aprendizaje profundo se centra en el pensamiento avanzado, la comprensión profunda y la aplicación transferible (Guo Hua, 2016). La construcción de conocimiento incluye además la negociación de significados y la interacción social como mecanismos clave en el desarrollo cognitivo (Zhao Jianhua, 2007). Los tres conceptos tienen enfoques diferentes, pero todos apuntan a una conclusión fundamental: el aprendizaje realmente significativo es un proceso dinámico en el que los estudiantes reestructuran activamente sus estructuras cognitivas a través de la interacción continua con el mundo exterior. Basándose en esto, la teoría de aprendizaje multimedia de Mayer proporciona un complemento desde el punto de vista del procesamiento cognitivo, revelando los principios básicos de procesamiento bidireccional, la capacidad limitada de la cognición y el procesamiento activo, lo que ayuda a entender cómo los estudiantes transforman la información externa en construcciones internas de significado, y ofrece información importante para comprender el procesamiento de información multimodal, el ajuste de la carga cognitiva y la generación activa de significado en entornos de inteligencia artificial generativa (Mayer, 2024).

Basándose en lo anterior, este artículo define la “construcción cognitiva profunda” como el proceso en el cual el estudiante, sobre la base de su conocimiento previo, selecciona, organiza e integra información de múltiples dimensiones. Esto conduce a una adaptación dinámica de los patrones cognitivos existentes y a una reestructuración del sistema cognitivo. Además, bajo la participación continua en la interacción social, se forma una estructura cognitiva que puede ser utilizada en diferentes contextos. En cuanto a sus características, la construcción cognitiva profunda se manifiesta en la profundización continua de la estructura cognitiva y de los métodos de procesamiento cognitivo. Esto puede analizarse desde cuatro dimensiones: estructura, expresión, regulación y transferencia, como se muestra en la Tabla 1.

Tabla 1: Dimensiones de comprensión de la construcción cognitiva profunda y su relación con las teorías existentes

Las cuatro dimensiones mencionadas anteriormente identifican las tareas cognitivas clave que son necesarias para la construcción de la comprensión profunda: la organización sistemática de la estructura cognitiva, la externalización del proceso, el procesamiento metacognitivo y la transferencia entre contextos diferentes. Basándose en esto, este artículo propone que la construcción de la comprensión profunda requiere cuatro necesidades fundamentales, y establece una relación progresiva desde un punto de vista lógico.

1. Punto de partida para la construcción cognitiva profunda: asociaciones de conocimiento y reorganización estructural

La construcción de conocimientos profundos comienza con el procesamiento cognitivo interno del estudiante. El estudiante utiliza información externa para ajustar activamente su estructura cognitiva existente. Esto implica que el estudiante debe ir más allá de la simple recepción de información, y mediante actividades mentales como la organización de conceptos y el análisis de causas y efectos, integrar conocimientos nuevos y antiguos, construyendo así una estructura cognitiva coherente (Bruner, 1961). La función de la asociación de conocimientos y la reorganización de su estructura es ayudar al estudiante a establecer representaciones psicológicas internas estables, lo que sienta las bases estructuradas para el procesamiento cognitivo posterior.

2. Mecanismo intermedio de la construcción cognitiva profunda: externalización cognitiva y construcción expresiva

Después de que se forma la estructura cognitiva interna del individuo, el estudiante debe superar los límites entre el conocimiento implícito y la expresión externa. Para ello, necesita utilizar mecanismos intermedios para transformar la estructura cognitiva invisible en símbolos observables y comunicables (Vygotsky, 1978). La externalización del conocimiento y la construcción de la expresión tienen un papel importante en dos dimensiones: en el interior del individuo, el proceso de expresión permite revelar los puntos ciegos y contradicciones en la estructura cognitiva, lo que estimula la reflexión propia y la corrección interna del estudiante. En el entorno externo, los resultados de la expresión externa sirven como base para las evaluaciones de otros y para la colaboración grupal, lo que permite que la estructura cognitiva se mejore continuamente a través de procesos de expresión, retroalimentación y repetición.

3. Mecanismos de acción en la construcción de conocimiento profundo: reflexión y monitoreo, y regulación metacognitiva

Para asegurar que los procesos de internalización y externalización no se desvíen de su rumbo, el sistema cognitivo necesita mecanismos de motivación adecuados para lograr una orientación y control de calidad en tiempo real. La monitorización reflexiva y la regulación metacognitiva constituyen esos mecanismos de motivación. Su función principal es la percepción y regulación del proceso de construcción cognitiva profunda (Chi et al., 2014; Flavell, 1979). La monitorización reflexiva y la regulación metacognitiva permiten a los estudiantes realizar evaluaciones continuas y ajustes dinámicos en relación con el cumplimiento de objetivos y la eficacia de las estrategias durante todo el proceso de construcción cognitiva profunda (Yin Xinghan et al., 2025). Esto permite que los estudiantes pasen de ser simples ejecutores pasivos de tareas a ser autores activos de su propio proceso de aprendizaje. Los estudios previos también indican que los estudiantes con mayor capacidad metacognitiva son más capaces de mantener la sensibilidad a los objetivos y la flexibilidad en las estrategias, lo que resulta en un mayor nivel de eficacia en la construcción cognitiva durante el proceso de aprendizaje (ElSayad, 2024).

4. Un medio importante para la construcción de conocimientos profundos: la transferencia cognitiva y la colaboración social

Los resultados de la construcción de conocimiento profundo deben, en última instancia, aplicarse en diferentes situaciones. Para lograr su aplicabilidad en diferentes contextos, los estudiantes necesitan utilizar prácticas reales como medio para transferir y mejorar la estructura cognitiva en el seno de la colaboración social. De este modo, los resultados obtenidos en la construcción del conocimiento pueden convertirse en habilidades prácticas para resolver diversos problemas reales. La función de la transferencia cognitiva y la colaboración social es que, además de apoyar el funcionamiento coordinado de mecanismos clave como la reorganización, externalización y regulación metacognitiva de la estructura cognitiva, también sirven como puente que conecta la formación de los resultados cognitivos con su aplicación en la realidad. Por lo tanto, estas son herramientas importantes para lograr la construcción de conocimiento profundo.

III. Resonancia cognitiva: Principio fundamental por el cual GenAI permite la construcción profunda de la cognición

La inteligencia artificial generativa está transformando las relaciones entre los estudiantes y el conocimiento, las herramientas y los contextos en los que se lleva a cabo el aprendizaje. Esto crea nuevas condiciones tecnológicas para la construcción de conocimientos profundos. Sin embargo, la intervención tecnológica no siempre conduce a una profundización cognitiva. Desde una perspectiva fundamental en la investigación, los estudios actuales sobre cómo la inteligencia artificial generativa puede apoyar el aprendizaje se pueden clasificar en tres enfoques: primero, el enfoque de suministro, que se basa en las múltiples funciones de la inteligencia artificial generativa y se centra en las condiciones que favorecen el aprendizaje (Shan Junhao et al., 2024; Lu Yu et al., 2025; Su Rui, 2025); segundo, el enfoque de soporte, que se basa en las funciones de apoyo pedagógico de la inteligencia artificial generativa y se centra en los procesos específicos que facilitan el aprendizaje (Wang Siyao et al., 2024; Zhao Xiaowei et al., 2025); tercero, el enfoque de fortalecimiento, que se basa en los efectos de desarrollo del aprendizaje que genera la inteligencia artificial generativa y se centra en los resultados que se obtienen como resultado del aprendizaje (Shi Lan et al., 2026; Tang Qianwen et al., 2026). Estos tres enfoques ofrecen explicaciones diferentes en relación con “qué ofrece la tecnología”, “cómo interviene la tecnología en el aprendizaje” y “qué resultados se obtienen”. Pero en la práctica educativa, si se enfatiza uno de estos enfoques, es fácil equiparar el suministro de recursos con el comportamiento real del aprendizaje, considerar el soporte externo como una condición suficiente para la construcción interna del conocimiento, o asimilar los resultados con los mecanismos del proceso. Esto lleva a una comprensión parcial de cómo la inteligencia artificial generativa puede apoyar la construcción de conocimientos profundos. Por lo tanto, es necesario establecer una perspectiva analítica más integrada, que conecte condiciones, procesos y resultados, y que explique cómo el soporte inteligente externo se adapta efectivamente al sistema cognitivo interno del estudiante, y cómo, a través de la interacción continua entre ambos, se generan resultados observables en el fortalecimiento cognitivo.

(1) Presentación del concepto de resonancia cognitiva

Basándose en el análisis anterior, este artículo introduce el concepto de “resonancia cognitiva”. Desde una perspectiva integral que abarca condiciones, procesos y resultados, se explica cómo la inteligencia artificial generativa apoya la construcción profunda del conocimiento por parte de los estudiantes. La resonancia se utiliza para describir el fenómeno de ganancia de energía que ocurre cuando diferentes sistemas físicos tienen frecuencias, estructuras y ritmos similares (Jothimurugan et al., 2016). Este principio de “sincronización y sinergia” ha sido adoptado en la investigación científica sobre la cognición: las investigaciones en neurociencia indican que la sincronización de las actividades neuronales es una base fisiológica importante para el procesamiento de información y la construcción de memoria por parte de los individuos (Jutras et al., 2010). En cuanto a la estructura interna de la resonancia, esta incluye tres procesos continuos: correspondencia, acoplamiento y ganancia. La correspondencia es la condición previa para que ocurra la resonancia; el acoplamiento representa el proceso específico de interacción continua entre los sistemas; y la ganancia se refiere al efecto total que se produce después de que ocurra la resonancia, que es mayor que la suma simple de los efectos de cada sistema por separado. Por lo tanto, la introducción del concepto de resonancia en el campo de la investigación educativa ayuda a incluir las condiciones, procesos y resultados relacionados con la apoyo de la inteligencia artificial generativa a la construcción profunda del conocimiento dentro de un mismo marco de análisis.

Lo que se denomina “resonancia cognitiva” en este texto se refiere a un estado de alineación cognitiva entre el sistema inteligente y el sistema cognitivo del estudiante, durante las actividades de aprendizaje realizadas con la ayuda de la inteligencia artificial generativa. A través de la interacción continua entre humano y máquina, y mediante mecanismos de interacción variados, se logra un aumento en la capacidad cognitiva del estudiante. En este contexto, los sistemas tecnológicos se convierten en un apoyo importante para expandir las capacidades del estudiante, ayudándolo a superar las limitaciones inherentes como los recursos cognitivos individuales, el alcance de su experiencia y la velocidad de procesamiento de información. De esta manera, se logra un efecto de aumento “1+1>2” en el proceso de construcción cognitiva profunda. El valor central de la resonancia cognitiva radica en integrar los enfoques de suministro, soporte y fortalecimiento en un mismo concepto, lo que permite una mejor comprensión del mecanismo interno por el cual la inteligencia artificial generativa potencia la construcción cognitiva profunda.

(II) El contenido básico de la resonancia cognitiva

El concepto de resonancia cognitiva incluye tres niveles interconectados: las condiciones previas de alineación, el proceso de cooperación y los resultados de mejora cognitiva, como se muestra en la Figura 1.

Figura 1: El contenido de “condiciones-proceso-resultados” de la resonancia cognitiva

1. Condiciones previas de alineación

Las condiciones previas de alineación son las que permiten que ocurra la resonancia cognitiva. Basándose en las cuatro necesidades fundamentales de la construcción cognitiva profunda, los sistemas tecnológicos deben alinearse con el sistema cognitivo del estudiante en cuatro aspectos: primero, la alineación estructural, es decir, la forma en que se organiza el conocimiento en el sistema tecnológico debe coincidir con los esquemas existentes en el sistema cognitivo del estudiante, de modo que la información externa se presente de manera que se ajuste a las reglas de procesamiento cognitivo del estudiante; segundo, la alineación interactiva, es decir, la forma en que se intercambian las informaciones en el sistema tecnológico debe coincidir con las costumbres de expresión cognitiva del estudiante, de modo que el estudiante pueda interactuar con la tecnología de manera multimodal; tercero, la alineación de objetivos, es decir, la función del sistema tecnológico debe coincidir con los objetivos de desarrollo cognitivo del estudiante, de modo que el uso de la tecnología no sirva únicamente para completar tareas inmediatas, sino también para lograr un entendimiento profundo y un desarrollo a largo plazo (Wiener, 1960); cuarto, la alineación de contextos, es decir, los contextos, roles y relaciones sociales creados por el sistema tecnológico deben coincidir con el entorno real en el que el estudiante debe resolver problemas, de modo que las actividades de aprendizaje se integren en un contexto más cercano a la práctica real. Estas cuatro formas de alineación constituyen las condiciones previas para que ocurra la resonancia cognitiva, y determinan si el apoyo inteligente externo puede entrar eficazmente en el procesamiento cognitivo profundo del estudiante.

La capacidad de la inteligencia artificial generativa para cumplir con las condiciones previas de alineación se debe a las características técnicas siguientes: en primer lugar, la inteligencia artificial generativa, basada en arquitecturas de redes neuronales y mecanismos de representación distribuida, realiza mapeos en varios niveles del lenguaje, el conocimiento y las relaciones lógicas. Estudios previos han demostrado que los modelos de lenguaje grandes presentan cierta similitud con los signos de actividad cerebral relacionados con el procesamiento del lenguaje humano, y que el aumento del tamaño del modelo y la cantidad de datos de entrenamiento puede mejorar la similitud entre el modelo y la actividad cerebral (Gao et al., 2025; Ren et al., 2025). Esta relación de mapping proporciona una base para la alineación estructural. En segundo lugar, la inteligencia artificial generativa tiene la capacidad de interactuar en múltiples modalidades, lo que permite comprender las intenciones del estudiante durante múltiples interacciones y reduce las barreras para su expresión y entrada en la interacción (Li et al., 2024), lo que condiciona la alineación de interacción. En tercer lugar, la inteligencia artificial generativa utiliza diálogos en lenguaje natural como interfaz de negociación entre humano y máquina; el estudiante puede integrar objetivos de tareas a corto plazo y objetivos de desarrollo a largo plazo en el proceso de interacción a través de prompts, y la claridad estructural y la direccionalidad semántica de los prompts afectan la calidad del contenido generado y el grado de enfoque en los objetivos (Afshar et al., 2024; Jacobsen et al., 2025). Este mecanismo de regulación de interacción proporciona una interfaz para la alineación de objetivos. Finalmente, la inteligencia artificial generativa posee la capacidad de simular personajes y colaborar con entidades inteligentes, lo que permite crear un entorno de colaboración interactivo y diversificado en torno a las situaciones de tareas, proporcionando así apoyo para la alineación de contextos.

2. Proceso de sinergia

El proceso de sinergia es un mecanismo intermedio que conecta las condiciones previas necesarias con los resultados de mejora cognitiva. La resonancia cognitiva, como una interacción continua entre la tecnología y el ser humano, se basa principalmente en cuatro mecanismos de colaboración entre humano y máquina para proporcionar apoyo procesual a la construcción cognitiva profunda.

En primer lugar, existe el mecanismo “Máquina: liberación de recursos cognitivos – Persona: integración de estructuras cognitivas”. Basándose en la alineación estructural, la inteligencia artificial generativa transforma los materiales de información dispersos en una presentación organizada y relacionada. De esta manera, ayuda a los estudiantes a liberar sus recursos cognitivos de las actividades de procesamiento de información desordenada, reduciendo así la carga cognitiva que enfrentan cuando se enfrentan a información desordenada (Yu Shengquan et al., 2023). Al mismo tiempo, los estudiantes, al comparar y analizar las diferencias entre los conceptos nuevos y los antiguos, pueden asimilar o adaptar la información recibida a su propia estructura cognitiva.

En segundo lugar, existe el mecanismo “Máquina: la manifestación del proceso cognitivo; Persona: la externalización del proceso de pensamiento”. Basándose en la alineación interactiva, la inteligencia artificial generativa, a través de conversaciones continuas entre humanos y máquinas, guía gradualmente a los estudiantes para que externalicen sus estructuras cognitivas internas. Los estudiantes, a su vez, externalizan continuamente sus procesos de pensamiento en sus respuestas, lo que permite clarificar y organizar sus propias estructuras cognitivas.

En tercer lugar, existe el mecanismo “Máquina: enfoque en la dirección cognitiva – Persona: optimización de los caminos de construcción”. Basándose en la alineación de objetivos, la inteligencia artificial generativa, mediante el uso de estructuras metacognitivas, continúa indicando o reiterando los objetivos y puntos clave de aprendizaje para ayudar al estudiante a concentrarse en la dirección de la construcción cognitiva profunda. El estudiante, con el apoyo de la metacognición, puede identificar y corregir sus desviaciones, logrando así una reflexión y optimización continuas en los caminos de construcción cognitiva.

En cuarto lugar, existe el mecanismo “Máquina: expansión de los límites cognitivos – Persona: migración de la colaboración social”. Basándose en la alineación de los contextos, la inteligencia artificial generativa puede expandir los campos cognitivos complejos que no pueden ser abordados por la experiencia individual del estudiante, al simular diversos escenarios sociales y roles. Los estudiantes, por su parte, pueden probar y ajustar su estructura cognitiva para adaptarse a diferentes situaciones, a través de la colaboración y la resolución de problemas desde diferentes perspectivas. De esta manera, se logra la transferencia de los resultados de una comprensión profunda.

3. Resultados del fortalecimiento cognitivo

Los resultados del fortalecimiento cognitivo son efectos derivados de la resonancia cognitiva. Esto se manifiesta en una alineación efectiva y una conexión continua entre el sistema inteligente externo y el sistema cognitivo del estudiante, lo que genera un efecto “1+1>2”. Esto incluye cuatro niveles interrelacionados: primero, un fortalecimiento significativo de la inversión cognitiva, lo que permite que el estudiante active la estructura cognitiva interna relacionada con la información externa en un tiempo más corto, y así participar de manera eficiente en actividades cognitivas con significado constructivo. Segundo, la activación espontánea de la regulación cognitiva, lo que permite que el estudiante identifique activamente sus propios errores cognitivos durante la expresión, comparación y aclaración, lo que a su vez impulsa el ajuste de la estructura cognitiva. Tercero, el avance multidimensional en la construcción cognitiva, lo que permite que el estudiante se concentre gradualmente en la esencia de los problemas, lo que lleva a una estructura cognitiva más completa y estable. Cuarto, la generación social de la transferencia cognitiva, lo que permite que la estructura cognitiva del estudiante se estabilice y sea accesible, y que se pruebe y desarrolle en diferentes situaciones e interacciones.

IV. Cómo se produce la conciencia resonante: El mecanismo de funcionamiento de GenAI en la construcción de la conciencia profunda

Para transformar la capacidad de construcción cognitiva profunda que ofrece el GenAI en un proceso de enseñanza y aprendizaje que sea comprensible y operable, es necesario volver a las situaciones de enseñanza y analizar cómo la inteligencia artificial generativa impulsa a los estudiantes en tareas de aprendizaje específicas, en lo que respecta a la asociación de conocimientos, la construcción de expresiones, la reflexión y la colaboración social. Para ello, este artículo parte de las cuatro necesidades fundamentales de la construcción cognitiva profunda, y explica más a fondo cómo el GenAI logra una resonancia cognitiva a través de la reorganización de probabilidades, interacciones dialogantes, ilusiones de contenido y roles diversos, como se muestra en la Figura 2.

Figura 2: Mecanismo mediante el cual GenAI apoya la construcción cognitiva profunda

(1) Utilizando la reorganización de probabilidades, se generan conexiones de conocimiento diversificadas.

Las características de reorganización de probabilidades de la inteligencia artificial generativa proporcionan las condiciones necesarias para activar los esquemas ya existentes en el aprendiz, y para mejorar el esfuerzo cognitivo. Por un lado, el modelo aprende las relaciones de probabilidad entre palabras, semas y textos a partir de grandes volúmenes de datos, adquiriendo así los patrones y estructuras de la representación del conocimiento humano. Esto hace que el contenido generado sea más fácil de comprender y pueda integrarse con la estructura cognitiva del aprendiz. Por otro lado, el modelo predice dinámicamente los siguientes elementos, lo que permite que un mismo objeto de conocimiento pueda ser interpretado desde diferentes perspectivas y en diferentes maneras. De esta manera, el contenido generado tiene una carga de novedad, y puede introducir diferencias y estimulación en la estructura cognitiva existente. Ambos efectos juntos permiten que el aprendiz experimente tensión cognitiva dentro de un marco comprensible, lo que lleva a un cambio en el procesamiento cognitivo, pasando de un procesamiento memorístico a uno analítico. Bajo la acción de la activación cognitiva, el aprendiz puede mejorar su capacidad cognitiva en dos aspectos: primero, en la conexión de conceptos, es decir, relacionar el contenido generado por la GenAI con su propia estructura cognitiva; segundo, en la comparación de similitudes y diferencias, es decir, analizar las similitudes y diferencias entre el conocimiento antiguo y el nuevo, lo que profundiza la comprensión de las relaciones entre los conocimientos.

Los mecanismos de activación cognitiva mencionados se manifiestan en situaciones de aprendizaje específicas, donde los maestros utilizan las características de reorganización de probabilidades para generar diversas formas de representación y interpretación del conocimiento. Esto permite a los estudiantes establecer conexiones entre el conocimiento antiguo y el nuevo, y diferenciar sus similitudes y diferencias, logrando así una comprensión más estructurada. Por ejemplo, en el aprendizaje de matemáticas, los maestros utilizan IA GenAI para generar teoremas que no se describen en los libros de texto. Dado que el modelo ha adquirido las características estilísticas del texto matemático, el contenido generado parece “como un teorema”, lo que permite que se relacione con la experiencia previa de los estudiantes. Al mismo tiempo, las características de reorganización de probabilidades del modelo permiten que estos teoremas tengan posibles dudas en cuanto a su veracidad, creando así tensión cognitiva. Los estudiantes, al enfrentar estos problemas desconocidos, deben invertir sus recursos cognitivos en el análisis detallado, comparando los conceptos y las diferencias, para determinar si pueden derivarse de teoremas conocidos, si existen contraejemplos, y qué similitudes o diferencias hay con lo que se dice en los libros de texto. En este proceso, los estudiantes ya no simplemente memorizan el contenido de los libros de texto, sino que, a través de la conexión de conceptos y la comparación de similitudes y diferencias, pueden extraer reglas generales para construir teoremas, desarrollando así la capacidad de resolver problemas en situaciones nuevas que requieren ser resueltos en exámenes importantes.

(II) Utilizar la interacción en el diálogo para crear canales de continuidad externa.

Las características de interacción de diálogo de la inteligencia artificial generativa proporcionan condiciones para la externalización del conocimiento implícito de los estudiantes y para el ajuste cognitivo. Por un lado, el modelo permite la interacción de información en múltiples modalidades, como texto, voz y imágenes, lo que reduce las barreras de expresión cognitiva para los estudiantes, permitiendo que el conocimiento implícito se convierta en una representación externa perceptible y operable. Por otro lado, el modelo puede comprender continuamente la información proporcionada por los estudiantes en el contexto adecuado y ofrecer retroalimentación inmediata, lo que permite que la externalización cognitiva se desarrolle en varias etapas, en lugar de limitarse a una sola expresión. Ambos factores juntos permiten que los estudiantes, en un diálogo fácil de participar y sostenible, puedan transformar gradualmente el conocimiento implícito en expresiones claras y externas, proporcionando así un medio objetivo para el ajuste cognitivo. Bajo la influencia de la externalización cognitiva, los estudiantes pueden mostrar una mejora cognitiva en dos aspectos: primero, expresión continua, es decir, complementar, corregir y mejorar su expresión según las respuestas del GenAI, participando activamente en la construcción profunda del conocimiento; segundo, clarificación del significado, es decir, identificar y ajustar los errores, contradicciones o ambigüedades en la expresión original, comparando sus intenciones con la retroalimentación del modelo.

Los mecanismos de externalización del conocimiento mencionados anteriormente se manifiestan en situaciones de aprendizaje específicas, donde el profesor utiliza las características de la interacción dialogante para crear canales de expresión y retroalimentación continuos. Esto permite a los estudiantes transformar su comprensión interna en representaciones externas, con el fin de corregir y aclarar sus conocimientos. Por ejemplo, en el aprendizaje de la historia, el profesor guía a los estudiantes para que colaboren con la IA GenAI en la creación de imágenes que representen el aspecto cotidiano de una época histórica. Los estudiantes deben primero organizar las instrucciones relacionadas con el estilo arquitectónico, las personas y los estilos de vestimenta de esa época, para convertir su conocimiento interno en una expresión externa clara. Después, el modelo genera imágenes basadas en estas instrucciones, y el producto final se convierte en información de dos modalidades: texto y imagen. En este punto, los estudiantes deben comparar las imágenes con sus intenciones originales, identificar aquellos aspectos que no coinciden con sus declaraciones o aquellos que revelan dudas en su comprensión, y mejorar continuamente los resultados generados modificando las instrucciones. Este proceso repetitivo permite que el conocimiento interno de los estudiantes se exprese gradualmente, y que sus habilidades para analizar la historia se desarrollen a través de la aclaración de significados. Al mismo tiempo, el profesor puede retroceder en el proceso de interacción entre humano y máquina, identificar los puntos clave en los cuales los estudiantes cometen errores de comprensión o expresiones ambiguas, y así llevar a cabo intervenciones pedagógicas específicas.

(III) Basado en ilusiones de contenido, ofrece oportunidades para una reflexión profunda.

La capacidad de ilusión de los contenidos generados por la inteligencia artificial generativa proporciona condiciones para profundizar el monitoreo metacognitivo de los estudiantes y promover la construcción cognitiva. Por un lado, los modelos, influenciados por mecanismos de muestreo, desviaciones en los datos de entrenamiento y errores en la comprensión del contexto, pueden generar información ficticia, parcial o incluso inexacta. Esto implica que las salidas del modelo son inherentemente inciertas, y los estudiantes no pueden aceptar directamente los contenidos generados. Por otro lado, esta incertidumbre rompe con el modelo de entrega unidireccional de respuestas correctas en la enseñanza tradicional, transformando los contenidos conocimientos, que antes eran cerrados y estáticos, en elementos que pueden ser discutidos y analizados, permitiendo a los estudiantes cuestionarlos. Ambos factores juntos permiten que los estudiantes, frente a contenidos generados que parecen razonables pero no necesariamente fiables, pasen de una recepción pasiva a una evaluación activa, y mejoren continuamente su estructura cognitiva bajo el monitoreo metacognitivo. Bajo la influencia del monitoreo metacognitivo, los estudiantes pueden mejorar su capacidad cognitiva en dos aspectos: primero, reconocer las desviaciones, es decir, juzgar activamente la validez y fiabilidad de los contenidos generados, y identificar errores factuales, fallas lógicas y desviaciones de valor dentro de su estructura cognitiva; segundo, ajustar sus estrategias, es decir, corregir su enfoque cognitivo basado en la identificación de problemas, y optimizar continuamente los resultados de la construcción cognitiva.

Los mecanismos de monitoreo metacognitivo mencionados anteriormente se manifiestan en situaciones de aprendizaje específicas: los maestros consideran los contenidos generados que son inciertos como objetos cognitivos que pueden ser cuestionados y verificados. Esto permite que los estudiantes desarrollen habilidades de pensamiento crítico y monitoreo metacognitivo al enfrentar información incierta. Por ejemplo, en la enseñanza de la escritura, los maestros pueden diseñar una tarea en dos etapas con la ayuda de la IA generativa: en la primera etapa, los estudiantes escriben el borrador inicial por sí mismos, luego realizan una autodiagnóstico utilizando una “tarjeta de autoevaluación de escritura”. Después, ambos el borrador inicial y el autodiagnóstico se envían a la IA generativa para que dé sugerencias de mejora. En la segunda etapa, los estudiantes modifican el texto basándose en las sugerencias de la IA generativa, y anotan qué sugerencias se aceptaron y cuáles no, así como las razones correspondientes. Además, identifican los momentos clave de la interacción entre humano y máquina, como cómo se obtienen argumentos más sólidos mediante la modificación de las instrucciones, o cómo se identifican y corrigen los ejemplos inadecuados proporcionados por el modelo. En este ciclo de “generación – análisis – corrección”, los estudiantes pueden monitorear todo el proceso de escritura, evaluando la calidad del texto generado por la IA, y mejorando su propio texto. De esta manera, las oportunidades de reflexión que surgen de las ilusiones relacionadas con el contenido se convierten en acciones concretas de construcción cognitiva.

(IV) Simular diferentes roles, creando una experiencia de colaboración contextualizada

Las características de colaboración entre múltiples agentes en la inteligencia artificial generativa proporcionan condiciones para el desarrollo de la capacidad de transferencia de conocimientos entre los estudiantes y el fortalecimiento de sus habilidades de colaboración social. Por un lado, los sistemas de múltiples agentes pueden configurar diferentes roles de modelos con funciones distintas en una misma tarea, lo que permite la participación de perspectivas heterogéneas. Esto permite a los estudiantes superar las limitaciones de un solo proceso cognitivo al comparar e integrar diferentes puntos de vista. Por otro lado, los sistemas de múltiples agentes pueden organizar la colaboración entre roles complementarios bajo reglas comunes, creando escenarios de colaboración social. De esta manera, los estudiantes pueden experimentar procesos cognitivos sociales como la coordinación de información, la coordinación de roles y la asignación de responsabilidades en tareas complejas. Ambos procesos juntos permiten que los estudiantes verifiquen, corrijan y reconstruyan su estructura cognitiva a través de la interacción entre diferentes perspectivas y roles. La colaboración entre múltiples roles permite que los estudiantes mejoren su capacidad cognitiva en dos aspectos: primero, la integración del sistema, es decir, seleccionar, relacionar y unificar información proveniente de diferentes roles de agentes, y reconstruir su propio marco de análisis a través de comparaciones; segundo, la coordinación y colaboración, es decir, entender las funciones y lógicas de cada rol, y integrar eficazmente la información generada por cada rol, desarrollando así la capacidad organizativa y la conciencia de colaboración durante la realización de tareas complejas.

Los mecanismos de construcción social mencionados se manifiestan en situaciones de aprendizaje específicas, donde los maestros utilizan múltiples entidades inteligentes para crear perspectivas heterogéneas y estructuras de trabajo en equipo. Esto permite a los estudiantes integrar, transferir y expandir los logros obtenidos en el aprendizaje, dentro de una interacción social. Por ejemplo, en la enseñanza de la asignatura de “Interpretación multidimensional de los efectos de la globalización en la política”, los maestros pueden diseñar tareas que requieren la integración de diferentes puntos de vista. Los estudiantes deben dialogar con entidades inteligentes con perspectivas económicas, culturales y ecológicas, para identificar los puntos de partida lógicos y las consideraciones de valor de cada uno de ellos. De esta manera, pueden reconstruir un marco de análisis más profundo y equilibrado. En otro ejemplo, en el proyecto de “Diseño de instalaciones educativas verdes”, los maestros pueden asignar a los estudiantes roles de entidades inteligentes especializadas en búsqueda de información, simulación de consumo de energía y presentación visual. Los estudiantes, como responsables de los proyectos, deben comprender las funciones y lógicas de cada entidad, utilizar información de manera eficiente y mejorar gradualmente el diseño del proyecto. En este proceso, los estudiantes pueden utilizar los materiales cognitivos reorganizados, las expresiones cognitivas generadas por la interacción con otras personas y las reflexiones resultantes de la identificación de ilusiones de contenido, para probar y corregir en nuevas situaciones de tarea y relaciones de colaboración. De esta manera, los logros del aprendizaje pueden expandirse y consolidarse en contextos sociales, permitiendo avances cognitivos en un entorno de colaboración abierta y dinámica.

V. Hacia la resonancia cognitiva: Principios de diseño de enseñanza que apoyan la construcción profunda de la cognición con GenAI

Para lograr un estado de resonancia cognitiva en la práctica educativa, es necesario, en función de las necesidades de construcción cognitiva profunda de los estudiantes, reestructurar los contextos de problemas, los procesos de diálogo, las tareas de evaluación y las relaciones de colaboración a través de un diseño educativo efectivo. De esta manera, se puede transformar la capacidad de uso de la tecnología GenAI en herramientas que permitan a los estudiantes construir conocimientos de manera profunda. Para ello, este artículo propone cuatro principios de diseño educativo orientados a la resonancia cognitiva, con el objetivo de ofrecer un marco de diseño con orientación teórica que pueda servir como base para futuras investigaciones prácticas.

(1) Diseño de situaciones orientado a la asociación de múltiples fuentes

El diseño de situaciones tiene como función principal activar las experiencias previas, integrar los materiales cognitivos y expandir el espacio de posibilidades de resolución de problemas. Basándose en sus características de reorganización probabilística, los GenAI pueden generar diversas representaciones probabilísticas relacionadas con un mismo tema, proporcionando así materiales cognitivos heterogéneos y relacionados entre sí para el diseño de situaciones. Por lo tanto, en el proceso de creación de situaciones, el diseño de la enseñanza debe seguir el principio de la interrelación entre múltiples fuentes. A través de la organización y presentación de materiales diversos, se puede guiar a los estudiantes en la asociación de conocimientos y la reorganización de su estructura cognitiva.

En torno a este principio, la enseñanza puede desarrollarse desde tres aspectos. Primero, se puede crear situaciones de problemas que provienen de múltiples fuentes. Los maestros pueden, en torno a un tema central, utilizar la IA GenAI para generar materiales con diferentes perspectivas, condiciones y formas de representación. De esta manera, los estudiantes no se enfrentan a una sola conclusión, sino a una serie de elementos relacionados entre sí, lo que permite romper con el enfoque lineal de la entrada de conocimientos y activar de forma más completa los esquemas ya existentes en los estudiantes. Segundo, se pueden diseñar tareas de aprendizaje que involucren la reorganización de relaciones entre elementos. Los maestros deben, además de crear situaciones, diseñar tareas que permitan comparar diferencias y relacionar elementos, permitiendo así a los estudiantes identificar conexiones y diferencias entre los diferentes materiales, y así construir una estructura cognitiva más compleja. Tercero, se puede destacar la relación entre los diferentes materiales. Para evitar que el contenido generado sea desordenado y aumente la carga cognitiva de los estudiantes, los maestros pueden utilizar la IA GenAI para mostrar claramente las relaciones lógicas entre los diferentes materiales, permitiendo así a los estudiantes comprender mejor la estructura de la red de conocimientos (Zeng Yi et al., 2026). De esta manera, la situación de enseñanza ya no es simplemente un contexto estático, sino un punto de partida importante para promover la relación y reorganización de los conocimientos.

(II) Diseño de diálogos con enfoque en la externalización del proceso

El diseño del diálogo tiene la función de promover el desarrollo del pensamiento, aclarar el significado y apoyar la expresión del conocimiento. Basándose en las características de la interacción por diálogo, la GenAI puede responder continuamente a las expresiones del estudiante durante múltiples rondas de interacción, y, mediante preguntas, complementos y retroalimentación, ayudar a que el pensamiento oculto se manifieste gradualmente. Por lo tanto, en la organización del diálogo, el diseño de la enseñanza debe seguir los principios de externalización del proceso, transformando el diálogo entre humano y máquina en un soporte interactivo que fomente la construcción de expresiones.

En torno a este principio, el diseño de la enseñanza puede desarrollarse en tres aspectos. Primero, se trata de diseñar puntos de partida para diálogos que faciliten la expresión efectiva. Los maestros pueden utilizar preguntas abiertas y tareas de expresión por etapas (Zhong Baichang et al., 2025) para guiar a los estudiantes a expresar sus propias opiniones y argumentos antes de interactuar con el GenAI. De esta manera, se preserva el espacio de reflexión activa de los estudiantes, evitando que las preguntas sean completamente asumidas por el modelo desde el principio. Segundo, se trata de diseñar cadenas de diálogo que promuevan la construcción de significado. Basándose en las expresiones iniciales, los maestros pueden diseñar cadenas de preguntas progresivas que permitan al GenAI hacer preguntas, cuestionar o refutar las opiniones de los estudiantes, permitiendo así que estos desarrollen su pensamiento durante la respuesta. Si es necesario, se pueden utilizar instrucciones para que el modelo actúe en varios roles, como preguntar, cuestionar o refutar, lo que ayuda a los estudiantes a comprender mejor. Tercero, se trata de valorar los registros del proceso de diálogo. La construcción profunda del conocimiento no ocurre solo durante la interacción, sino también en la revisión del proceso de pensamiento. Por lo tanto, los maestros pueden pedir a los estudiantes que guarden los registros de las interacciones, las conversaciones entre humano y modelo, y los cambios en las opiniones, para que puedan ver cómo evoluciona su estructura cognitiva y en qué puntos hay desviaciones. Además, estos registros ayudan a los maestros a identificar mejor los errores en el pensamiento de los estudiantes y ofrecer apoyo adecuado (Wang Shixiao et al., 2025). De esta manera, el diálogo educativo no se limita a preguntas unidireccionales, sino que se convierte en una forma importante de promover la expresión del conocimiento.

(III) Diseño de tareas orientadas a la evaluación crítica

El diseño de tareas no solo cumple con las funciones básicas de organizar actividades de aprendizaje, sino que también tiene una función clave: exponer conflictos cognitivos, fomentar la reflexión y el monitoreo, y guiar el ajuste de estrategias. Debido a las características de la ilusión de contenido, los resultados generados por GenAI son inciertos y cuestionables. Esta limitación tecnológica, aunque resalta los límites técnicos del modelo, ofrece oportunidades valiosas para que los estudiantes desarrollen capacidades cognitivas, reflexión y optimización. Por lo tanto, en la etapa de diseño de tareas, es importante seguir los principios de una evaluación crítica, integrando el proceso de verificación del contenido generado en las tareas de aprendizaje, permitiendo así que los estudiantes desarrollen sus capacidades metacognitivas a través de un análisis crítico.

En torno a este principio, el diseño de la enseñanza puede desarrollarse en tres aspectos. Primero, se deben proporcionar objetos de conocimiento que puedan ser verificados. Los maestros pueden inducir a los modelos de IA generar varias versiones de las respuestas, explicaciones desde diferentes perspectivas, procesos de argumentación que incluyan posibles errores, o respuestas que muestren diferentes caminos de razonamiento sobre el mismo tema. De esta manera, se estimula la capacidad de cuestionar por parte de los estudiantes, rompiendo su actitud pasiva de aceptación total de los contenidos generados por la inteligencia artificial (Reinke et al., 2025). Segundo, es necesario organizar adecuadamente las actividades de verificación. En la implementación práctica, los maestros pueden pedir a los estudiantes que analicen cada una de las varias versiones del modelo, y si es necesario, pueden ayudarlos a entender el proceso de explicación y las fuentes de referencia, para que puedan verificar más detalladamente las respuestas (Xia Qi et al., 2025). Tercero, se debe fomentar el proceso de corrección. El valor de la verificación crítica es que permite que los estudiantes vuelvan a su propio proceso de pensamiento. Para ello, los maestros pueden pedirles que anoten las razones por las cuales aceptan o rechazan una respuesta, reflexionen sobre por qué aceptan o rechazan, y así determinen si es necesario ajustar su estructura de conocimiento. De esta manera, el diseño del trabajo pasa de ser la aceptación de respuestas a la verificación y corrección de ellas. Los estudiantes también desarrollan una capacidad de monitoreo y regulación de su propio proceso de comprensión, a través de un proceso continuo de análisis y corrección.

(IV) Diseño de roles para la migración colaborativa

El diseño de roles tiene una función importante: permitir la integración de diferentes perspectivas, establecer relaciones de colaboración y fomentar la transferencia de conocimientos. Basándose en la capacidad de cooperación entre los diferentes roles, la GenAI puede simular agentes con diferentes posturas, funciones y enfoques en las tareas, lo que abre nuevas posibilidades para la transferencia colaborativa en el proceso de enseñanza (Peng Jiaying et al., 2026). Por lo tanto, en los aspectos relacionados con la cooperación entre roles, el diseño de la enseñanza debe seguir los principios de transferencia colaborativa. A través de la definición previa de roles, la organización de la colaboración y la transferencia en contextos específicos, se puede guiar a los estudiantes para que logren la transferencia de conocimientos y el desarrollo de su capacidad cognitiva en situaciones complejas.

En torno a este principio, la enseñanza diseñada puede desarrollarse en tres aspectos. Primero, se puede establecer un sistema de roles estructurado. Los maestros pueden asignar a la GenAI roles como expertos en su área, compañeros de aprendizaje, partes interesadas y evaluadores de proyectos, según las necesidades de resolución de problemas (Liu Yonggui et al., 2025). Además, se pueden definir previamente los límites de conocimiento, las responsabilidades y las formas de apoyo de cada rol, basándose en teorías como el espacio de desarrollo próximo. De esta manera, los diferentes roles mantienen una relación estable entre profundidad de conocimiento y perspectivas, evitando así problemas como un apoyo excesivo o insuficiente. Segundo, se pueden organizar tareas colaborativas basadas en las diferencias entre los roles. Los maestros deben diseñar tareas de colaboración entre los roles y entre diferentes roles, aprovechando las diferencias de perspectivas y el complemento de conocimientos entre ellos. Esto permite que los estudiantes integren información, coordinen sus posiciones y tomen decisiones, utilizando su estructura cognitiva existente para resolver problemas complejos. Tercero, se debe promover la transferencia de los resultados de la colaboración a situaciones reales. El objetivo final del aprendizaje colaborativo es transferir los resultados cognitivos obtenidos en tareas específicas a situaciones reales. Para ello, los maestros pueden establecer tareas de transferencia en diferentes contextos, proporcionando al estudiante el apoyo necesario. En este proceso, el nivel de apoyo debe mantenerse dentro del espacio de desarrollo próximo del estudiante, permitiendo que el estudiante sienta tanto el apoyo como los desafíos provenientes de otros más capacitados, sin que el apoyo excesivo impida su capacidad de construir activamente su propia comprensión.

VI. Conclusión

En el contexto de la era de la transformación educativa impulsada por la inteligencia artificial, frente a tareas cognitivas de alta complejidad e incertidumbre, los estudiantes no solo necesitan dominar sistemáticamente los conocimientos disciplinarios, sino también integrar información de múltiples fuentes, desarrollar pensamiento interdisciplinario y fortalecer su capacidad de transferencia de conocimientos. El modelo de enseñanza tradicional, centrado en la transmisión de conocimientos, ya no es adecuado para satisfacer estas necesidades educativas. Por lo tanto, este artículo parte de las cuatro necesidades fundamentales del proceso de construcción cognitiva profunda, introduce el concepto de “resonancia cognitiva” y explica las bases que ofrece la inteligencia artificial generativa en términos de alineación estructural, interacción, objetivos y contexto. Además, analiza cuatro mecanismos de funcionamiento: reorganización de probabilidades, interacción dialogante, ilusión de contenido y roles diversos. Basándose en esto, se proponen cuatro principios de diseño pedagógico práctico que responden a la pregunta central de “cómo la inteligencia artificial generativa puede apoyar la construcción cognitiva profunda”.

Al analizar las tres preguntas planteadas al inicio, se puede concluir lo siguiente: en primer lugar, en cuanto a las necesidades relacionadas con la construcción de conocimientos profundos, no se trata simplemente de la obtención de conocimientos y la comprensión superficial, sino de cuatro necesidades fundamentales que se suceden entre sí: la relación entre los conocimientos y su reorganización estructural, la expresión y construcción de conocimientos, la supervisión y regulación metacognitiva, y la transferencia de conocimientos y la colaboración social. En segundo lugar, en cuanto al mecanismo de intervención de la inteligencia artificial generativa, la GenAI no está naturalmente capacitada para facilitar la construcción de conocimientos profundos. Es necesario que, bajo el soporte de condiciones como la alineación estructural, la alineación interactiva, la alineación de objetivos y la alineación contextual, la GenAI se combine y colabora entre sí a través de mecanismos como la reorganización probabilística, la interacción dialogante, la ilusión de contenido y los diferentes roles, para lograr una resonancia cognitiva con los estudiantes y promover que las actividades cognitivas pasen de la construcción a la regulación y de la transferencia de conocimientos. En tercer lugar, en cuanto a la enseñanza, los maestros deben convertir la capacidad técnica de la GenAI en un soporte para la construcción cognitiva que los estudiantes puedan utilizar. A través de diseños sistemáticos en aspectos clave como la creación de contextos, la organización de diálogos, la construcción de tareas y la colaboración entre roles, se puede lograr que la GenAI se utilice como una herramienta para generar respuestas, pero también como un soporte para la construcción del pensamiento. Al mismo tiempo, este artículo es principalmente una exploración teórica. Las condiciones para la resonancia cognitiva, sus límites y sus manifestaciones en diferentes contextos académicos aún requieren investigaciones empíricas más detalladas en contextos de enseñanza específicos. En el futuro, las investigaciones podrían centrarse en diferentes tipos de tareas, diferentes etapas educativas y diferentes formas de colaboración entre humanos y máquinas, para profundizar en las investigaciones empíricas sobre los mecanismos de apoyo de la GenAI para la construcción de conocimientos profundos y las vías de aplicación en la enseñanza.

En general, lo importante para que la IA GenAI pueda apoyar la construcción profunda del conocimiento no radica en si se utiliza o no, sino en cómo se utiliza dentro de estructuras cognitivas y mecanismos de interacción adecuados. Como dice Mollick (2025), “la inteligencia artificial generativa no daña directamente el cerebro; lo que realmente es peligroso son los hábitos de pensamiento y las capacidades cognitivas de las personas”. Esto nos indica que la misión central de la educación es transformar a la IA GenAI, a partir de una herramienta que podría causar “deuda cognitiva”, en un socio que promueva la expresión, profundización y transferencia del pensamiento. Solo de esta manera podremos lograr, en la interacción entre la tecnología inteligente y el conocimiento humano, un aprendizaje profundo y el desarrollo mental orientado hacia el futuro.

Fuente: “Revista de Educación a Distancia”

Edición número 5 de 2026

Fuentes y descargas