El artículo sostiene que, ante la IA, el objetivo no es detectar su uso sino diseñar actividades donde el aprendizaje deje huellas observables. Propone graduar su uso con el marco MIAE y reunir evidencias que cumplan siete características: trazabilidad, contextualización, oralidad, presencialidad, materialidad, triangulación y transparencia. La clave está en distinguir entre usar la IA como apoyo o delegar en ella la tarea, manteniendo al alumnado dentro del proceso.
Los recursos adaptativos cambian según las respuestas del alumno, mejorando los modelos lineales. Con inteligencia artificial y vibe coding, cualquier docente puede crearlos. El sistema emplea la inferencia bayesiana para actualizar el diagnóstico tras cada interacción. Selecciona la siguiente actividad buscando reducir la incertidumbre, medida mediante la entropía de Shannon, democratizando así la personalización del aprendizaje.
METAC es un repertorio web abierto que ayuda al profesorado a localizar, comprender, relacionar y aplicar diversos recursos metodológicos en el aula. Evolucionó desde las metodologías activas iniciales para incluir también los marcos educativos y el aprendizaje cooperativo, organizados sistemáticamente por bloques y ámbitos. Además, integra un asistente de inteligencia artificial en NotebookLM para buscar propuestas didácticas mediante lenguaje natural
Este artículo presenta tres utilidades que amplían las posibilidades de eXeLearning. EdEX permite crear y modificar estilos visuales de los proyectos. eXeConvert facilita convertir entre formatos como ELPX, DOCX, Markdown o PDF, manteniendo la estructura del contenido. Visor Web-ZIP ofrece una forma sencilla de publicar y compartir recursos educativos desde servicios en la nube mediante enlaces accesibles desde cualquier navegador, sin necesidad de instalar software adicional. También admite proyectos exportados en ZIP.
Visor Web-ZIP facilita la publicación de recursos educativos en formato HTML, creados mediante IA o software específico, superando las limitaciones de plataformas tradicionales. Esta herramienta genera enlaces permanentes visualizables desde archivos ZIP alojados en servicios nube como Google Drive. Ideal para webs estáticas, simplifica el proceso frente a servidores dedicados y cuenta con un gestor de recursos que optimiza el almacenamiento local del navegador eliminando archivos antiguos automáticamente.
El vibe coding educativo es un enfoque que usa asistentes de inteligencia artificial (IA) para que los docentes creen recursos digitales, priorizando la intención pedagógica sobre el dominio exhaustivo del código. Este método sencillo reduce la barrera de entrada y el tiempo de resultados. Las herramientas se categorizan en vía web (para prototipado rápido) y locales (instaladas, para proyectos más estables). La comunidad docente facilita su adopción y el intercambio.
La segunda parte de «Ilustración científica con Gemini» detalla cómo usar fotografías propias para crear materiales educativos personalizados. Gemini transforma las imágenes en dibujos a lápiz o esquemas, permitiendo añadir etiquetas y texto. Esto es útil en áreas como ciencias naturales (esquemas de lupas binoculares), física (dibujos técnicos de poleas), matemáticas (diagramas de ángulos), geología (identificación de estratos) y biología (dibujos de insectos).
La integración de Nano Banana Pro en Gemini ofrece el primer avance real para ilustraciones científicas rigurosas en la docencia. La herramienta aún no es autónoma, y los errores aparecen continuamente, lo que exige supervisión y guiado docente. Para asegurar la calidad, es fundamental la corrección iterativa de fallos o el uso de imágenes de referencia. Además, se recomienda la validación externa usando otras IA, como ChatGPT o Claude, para auditar la imagen antes de su uso.
El Marco MIAE (v.2 revisada) clarifica la integración de la IA generativa en educación. Se refina la escala, desde la persona creando sola hasta la IA generando autónomamente bajo supervisión humana. Se detalla cuándo la IA reformula contenido existente o planifica ideas, y se distingue la creación de borradores de la co-creación mediante diálogo. El marco enfatiza el rol activo de la persona, garantizando el uso ético de la IA y la integridad académica en todas las tareas educativas.
Un agente educativo es un asistente digital configurado con IA para apoyar tareas pedagógicas. Su función es interpretar instrucciones, mantener un contexto y producir resultados específicos. Existen distintos tipos: planificador, corrector, documental, creador de recursos y tutor. Plataformas como Gemini, NotebookLM, Grok, Le Chat, ChatGPT y Perplexity permiten crearlos sin conocimientos técnicos. Estos agentes amplían las posibilidades docentes al automatizar tareas y personalizar apoyos, sin sustituir al profesorado
Este artículo guía a docentes sin programación en la creación de herramientas educativas con IA, usando lenguaje natural (Vibe Coding). Explora chatbots como Gemini y ChatGPT para generar juegos, fichas interactivas o formularios en HTML. Detalla la selección del chatbot, la comunicación con prompts, la depuración de errores y la publicación de recursos. La IA amplía las posibilidades didácticas, potenciando la creatividad y adaptando materiales al contexto de aprendizaje
Los docentes que crean materiales digitales deben elegir licencias claras para facilitar su uso y colaboración. Los contenidos educativos se recomiendan con CC BY-SA, que asegura atribución y reciprocidad, mientras que el código puede protegerse con GPL v3, fomentando mejoras compartidas. Existen otras opciones como CC BY, MIT o Apache 2.0, según los objetivos. Adoptar licencias adecuadas fortalece la comunidad educativa y garantiza que los recursos permanezcan abiertos y accesibles
La segunda parte de la guía explica cómo sacar mayor provecho de las consolas de IA (CLI) al trabajar directamente en el ordenador sin depender de la web. Describe ventajas como ejecutar operaciones masivas, usar múltiples archivos y aprovechar archivos de instrucciones en Markdown para personalizar el comportamiento. También detalla cómo identificar y cambiar modelos, iniciar la consola con prompts y utilizar atajos y comandos útiles que facilitan la programación y la automatización.
La primera parte de la guía enseña a docentes cómo usar la IA (Gemini, ChatGPT, Qwen y Claude) desde la línea de comandos, una interfaz que permite interactuar directamente con el ordenador. Se detallan pros y contras frente a las versiones web, destacando la capacidad de manipular archivos y automatizar tareas. También se explican los conceptos básicos, como la instalación y los comandos.
El artículo explica qué son los prompts en formato JSON y por qué son útiles al trabajar con inteligencia artificial. Describe su estructura basada en claves y valores, sus ventajas como claridad, reutilización y compatibilidad, y destaca su aplicación en educación para generar contenidos precisos. Señala que no es necesario escribirlos manualmente, sino saber pedirlos y conservarlos. Incluye ejemplos prácticos y recomienda usar editores JSON para facilitar su edición y uso recurrente.
El artículo analiza la capacidad de distintos chatbots para resolver cálculos matemáticos. Destaca que ChatGPT y Claude son los más precisos, especialmente si se les indica usar programación. También se explica cómo convertir documentos a texto plano (Markdown) para mejorar su comprensión por parte de la IA. Además, se recomienda usar LaTeX para fórmulas complejas y se mencionan herramientas útiles para integrar resultados en procesadores de texto. Ideal para docentes que usan IA en educación.
Este artículo explica cómo desarrollar un chatbot educativo usando Gemini con canvas. El ejemplo muestra un tutor socrático que analiza textos y genera preguntas para verificar la comprensión del estudiante. Se requiere el modelo 2.5 Pro, definir objetivos claros y crear un prompt detallado. Incluye consejos para depuración, compartir el programa y solucionar errores comunes mediante la técnica «vibe coding».
Este artículo explica cómo crear una aplicación HTML que recoja respuestas de un formulario (nombre, sugerencias y valoración de 0 a 4) y las envíe automáticamente a una hoja de cálculo de Google usando Apps Script. Se detallan los pasos para configurar la hoja, escribir el script y otorgar permisos. También se muestra cómo obtener la URL necesaria para integrarla en la aplicación. Es una guía práctica orientada a aplicaciones educativas interactivas.
El Asistente de Estudio Inteligente Multilingüe facilita el aprendizaje adaptando automáticamente su interfaz al idioma del navegador. Permite fijar edad e idioma de interacción, cargar textos o imágenes y, mediante IA, generar resúmenes, FAQ, flashcards y mapas conceptuales descargables. Incluye práctica guiada con diversos tipos de preguntas, chat enfocado al contenido y un informe de progreso. Cada sesión es única y personalizable, potenciando comprensión y autonomía eficaz.
«El profesor que no existía» es una novela publicada el 14 de mayo de 2025 por Juan José de Haro, creada en colaboración con Claude, una IA de Anthropic. Presenta tres dimensiones: la narrativa sobre Gabriel Vega (un profesor digital en un instituto), una banda sonora que acompaña cada capítulo, y una dimensión interactiva donde el personaje existe como IA en ja.cat/gabrielvega. La obra cuestiona los límites entre lo real y lo simulado, la memoria, la identidad y el futuro de la enseñanza.
Aprende a activar chatbots de IA (Grok, ChatGPT, etc.) en recursos educativos (HTML, Moodle, etc.). Pasa prompts vía URL para que la IA ejecute instrucciones, incluyendo datos del usuario. Técnica: Vibe Coding
El diseño experimental con inteligencia artificial optimiza la aplicación del método científico, facilitando la formulación de hipótesis, la estructuración de variables y el análisis de resultados. La IA mejora la precisión y eficiencia de los experimentos, fomentando el pensamiento crítico y la replicabilidad en la enseñanza. Esta herramienta transforma la investigación educativa y científica, asegurando rigor metodológico.
El método de los 3 expertos utiliza inteligencia artificial para generar debates entre personajes con distintas perspectivas. Esta técnica fomenta el pensamiento crítico en el aula, permitiendo a los estudiantes analizar, contrastar y formular sus propias opiniones. Su aplicación en diversas materias fortalece la argumentación, el aprendizaje activo y la evaluación de información con mayor profundidad.
La gamificación en educación, potenciada por inteligencia artificial, permite diseñar unidades didácticas estructuradas y motivadoras. Este artículo explica el prompt «Planificar una unidad didáctica gamificada», detallando su estructura, decisiones clave y aplicación en el aula. La IA facilita la personalización del aprendizaje, la adaptación de desafíos y la evaluación automatizada, beneficiando a docentes y estudiantes.
La IA revoluciona las búsquedas: analiza consultas, selecciona páginas, abre enlaces y evalúa su relevancia. Varios servicios como AgentGPT, Gemini y Perplexity ofrecen esta tecnología, que transforma la investigación permitiendo obtener resultados de calidad en minutos, en lugar de invertir horas.
Cuando una tarea puede ser resuelta íntegramente por IA, el producto final deja de ser una evidencia suficiente de aprendizaje. La respuesta no debería ser prohibir la IA ni confiar en detectores poco fiables, sino rediseñar las actividades para que el proceso deje huellas observables.
La estrategia no debe basarse en buscar actividades que no puedan ser imitadas por la IA o que requieran un nivel de abstracción que esta no pueda alcanzar. En muchas tareas escolares, especialmente cuando están bien formuladas y se proporciona suficiente información, la IA puede producir respuestas de una calidad igual o superior a la esperada en buena parte del alumnado.
El objetivo de este artículo es proponer criterios para diseñar actividades en las que la IA pueda utilizarse como herramienta sin sustituir el aprendizaje del alumnado. La diferencia está entre utilizarla como apoyo o delegar en ella la tarea. En el primer caso, el alumno mantiene el control del proceso: pregunta, contrasta, selecciona, revisa, corrige y justifica sus decisiones. En el segundo, entrega un producto que no ha elaborado realmente, no comprende suficientemente o no puede defender. El problema no es simplemente que se use IA, sino que el alumno desaparezca del proceso. Esta distinción, entre apoyo y delegación, es el criterio que recorre todas las características que se proponen a continuación.
Este artículo no pretende ofrecer un modelo cerrado ni una solución definitiva al problema de la evaluación en presencia de IA. Se trata de una propuesta de trabajo para orientar el diseño de actividades y evidencias de aprendizaje en un contexto en el que los productos escritos aislados han perdido parte de su valor como prueba de autoría y comprensión.
Las ideas que se presentan deberán adaptarse a cada materia, etapa educativa, grupo de alumnos y finalidad de la evaluación. En algunos casos bastará con una evidencia sencilla, como una pregunta oral o una observación breve durante la actividad. En otros, especialmente cuando la tarea tenga mayor peso evaluativo o permita un uso amplio de la IA, será necesario combinar varias evidencias para obtener una imagen más fiable del aprendizaje.
La IA como herramienta
La presencia creciente de la IA y su grado de penetración en la vida cotidiana hacen inviable su prohibición. Algo que además no es deseable porque forma parte del mundo en el que vivimos y la escuela debe preparar al alumnado para ese mundo, no aislarlo de él.
Debemos incorporar la IA como una herramienta más, clarificando previamente, antes de cada trabajo, el uso que se puede hacer de ella. Para ello puede ser útil una escala para la utilización de la IA, como el marco MIAE, con el que se puede graduar su uso desde su ausencia total, pasando por diversos grados de utilización con diferentes funciones. La siguiente imagen muestra de forma esquemática este marco.
Aunque existen otros marcos útiles, como AIAS, centrado especialmente en la integridad académica y la evaluación, o SEIA, que incorpora también dimensiones como la supervisión, la equidad y el DUA, se utilizará MIAE porque permite clasificar de forma más directa el papel que desempeña la IA en cada tarea: reformular, planificar, generar un borrador, colaborar en el proceso o producir un resultado que después debe ser supervisado por la persona.
En cualquier tarea susceptible de ser hecha con IA, el profesorado debería determinar el nivel que permitirá. Un ejercicio de ortografía o de cálculo puede necesitar nivel 0 (ausencia total de IA). Una redacción sobre un tema determinado puede beneficiarse de una corrección de estilo (nivel 1). La preparación de un trabajo de investigación puede utilizar la IA para hacer una lluvia de ideas (nivel 2). Los niveles superiores no deben descartarse, pero requieren un diseño más cuidadoso, porque el centro de la actividad ya no está en producir una respuesta, sino en dirigir, revisar, justificar y mejorar el trabajo realizado con apoyo de la IA.
Características de las evidencias
Una vez definido el nivel de IA permitido, la evaluación debe comprobar no solo el producto final, sino también si el alumnado ha trabajado dentro de ese nivel y qué aprendizaje puede demostrar a partir del proceso seguido. Para ello proponemos una serie de características que deben cumplir las evidencias generadas por el alumnado.
Conviene tener en cuenta que estas características no operan en el mismo plano: algunas describen cómo se diseña la evaluación (trazabilidad, contextualización, triangulación), otras el soporte en que se manifiesta la evidencia (oralidad, presencialidad, materialidad) y otra es una condición que debe cumplir el alumnado (transparencia en el uso de IA). El cruce entre ellas es lo que aporta fiabilidad.
Trazabilidad del proceso. Trabajo en el aula, borradores revisados durante la actividad, registros del docente, rúbricas de proceso, cuadernos de clase o de campo y otras evidencias del proceso. No se valora solo el resultado final, sino cómo el alumno trabaja, decide, se equivoca, corrige y avanza. La trazabilidad no garantiza por sí sola la autoría, ya que también puede simularse con IA, pero permite contrastar mejor el proceso y evita que la evaluación dependa únicamente de un producto final aislado. Por eso las evidencias de proceso resultan más fiables cuando se cruzan con evidencias de presencialidad u oralidad.
Contextualización. La evidencia se vincula a experiencias, datos, observaciones, discusiones o decisiones producidas en el aula. Cuanto más dependa de lo que ha ocurrido realmente en el grupo, menos sustituible será por una respuesta genérica generada por IA.
Oralidad. Intercambios orales, entrevistas evaluativas, defensas, preguntas estructuradas, debates y otras situaciones de comunicación oral. El alumno debe explicar, argumentar, reformular y responder en el momento, especialmente cuando se le pide relacionar la respuesta con aquello que se ha hecho o discutido en el aula.
Presencialidad. Observación sistemática, prácticas de laboratorio, talleres, pruebas prácticas, dramatizaciones, debates, coloquios, entre otros. La IA no puede “estar” en el aula ni sustituir aquello que el alumno hace en tiempo real ante el docente.
Materialidad. Maquetas, prototipos, preparaciones, modelos físicos, murales, pruebas prácticas y otras producciones materiales o actuaciones observables. Producen objetos reales o actuaciones que implican habilidades manuales, toma de decisiones y presencia del alumno.
Triangulación. Combinación de observaciones, producciones, pruebas prácticas, interacciones orales, registros de proceso, autoevaluaciones, coevaluaciones y otras fuentes de información. La decisión evaluativa no depende de una única evidencia, sino del contraste entre varias fuentes.
Transparencia en el uso de IA. Cuando la actividad permite utilizar inteligencia artificial, el alumnado debe indicar cómo la ha usado: para generar ideas, corregir, resumir, buscar alternativas, revisar errores o mejorar la presentación. Esta declaración no debe limitarse a copiar los prompts, sino explicar qué aportó la IA, qué decisiones tomó el alumno y qué partes aceptó, modificó o descartó. Esta transparencia es imprescindible cuando se permite el uso de IA, aunque sea mínimo, para que el alumnado se acostumbre a declarar qué uso ha hecho de la herramienta y qué responsabilidad mantiene sobre el resultado.
No todas las actividades necesitan el mismo grado de control ni la misma cantidad de evidencias. En una tarea breve puede bastar con indicar el nivel de IA permitido y pedir una justificación mínima del uso realizado. En una actividad de mayor peso, como un trabajo de investigación, una presentación o un proyecto, sí puede ser necesario recoger alguna evidencia del proceso: un esquema inicial, una versión intermedia, una explicación oral breve o una reflexión final.
La finalidad no es multiplicar la carga de corrección del profesorado, sino evitar que toda la evaluación dependa de un producto final que puede haber sido generado por IA. Por eso, conviene que sean coherentes con la tarea y limitadas a lo necesario, basta con una muestra del proceso o una justificación de las decisiones tomadas.
Ejemplos según el nivel de uso de la IA
Nivel 0. Sin IA. Prueba breve en el aula. La evidencia es la propia realización presencial.
Nivel 1. IA para revisión formal. Redacción escrita por el alumno y revisada con IA. Se entrega la versión final y se señalan dos o tres cambios realizados con ayuda de la IA.
Nivel 2. IA para planificar. En la creación de una maqueta, la IA puede usarse para obtener ideas sobre materiales, estructura o forma de representar el contenido. La maqueta debe ser construida por el alumnado y acompañarse de una explicación breve sobre qué idea se aprovechó, qué se cambió y por qué.
Nivel 3. IA como borrador inicial. En una presentación sobre un tema trabajado en clase, la IA puede generar una primera estructura o un borrador de guion. El alumnado entrega el resultado final y marca qué partes ha cambiado, ampliado o corregido.
Nivel 4. Cocreación con IA. En un proyecto breve, el alumnado utiliza la IA durante el proceso para pedir propuestas, revisarlas, hacer cambios y mejorar el resultado. No se corrige toda la conversación: se pide una selección de tres decisiones importantes tomadas durante el trabajo.
Nivel 5. IA autónoma supervisada. La IA produce un texto explicativo completo. El alumnado lo somete a una auditoría crítica y defiende oralmente sus conclusiones: qué errores detectó, qué decidió y por qué. La evidencia de aprendizaje es esa defensa, no la simple aceptación o rechazo del producto.
Para facilitar la selección de evidencias adecuadas a cada característica, puede recurrirse a un catálogo de recursos ya organizado con ese fin.
METACEVAL: Recursos metodológicos para el aula
METACEVAL es un catálogo en línea que contiene más de 180 técnicas y metodologías activas, así como más de 185 recursos de evaluación, entre los que se encuentran más de 85 evidencias de evaluación. Hemos seleccionado aquellas evidencias que mejor encajan en cada una de las características de las evidencias. Una misma evidencia puede aparecer en varias características, ya que un mismo recurso puede servir a propósitos distintos según cómo se utilice.
Revisar una versión intermedia en clase, observar cómo el alumno empieza, se bloquea, corrige o mejora, comparar el plan inicial con lo que realmente se hizo, registrar decisiones tomadas durante una práctica, proyecto o trabajo cooperativo.
Usar datos obtenidos en una práctica, pedir que se relacione el producto con una discusión de clase, resolver una variante basada en un caso trabajado en el aula, interpretar una gráfica, fuente o situación vinculada al contexto de la actividad.
Pedir al alumno que explique una decisión, justifique un cambio, reformule una idea, responda a una pregunta imprevista o defienda cómo ha usado la IA en una parte concreta del trabajo.
Realizar una parte de la tarea en clase, aplicar una lista de comprobación durante la sesión, resolver una pregunta breve sin ayuda externa, observar la ejecución de un procedimiento en tiempo real.
Valorar un montaje, preparación, modelo físico, prototipo, actuación, experimento, póster defendido oralmente o producto manipulativo que obligue a aplicar procedimientos y tomar decisiones observables.
Combinar producto final, observación del proceso y defensa oral, contrastar una práctica con una explicación breve, cruzar porfolio, notas de campo y entrevista, no basar la evaluación en una única entrega escrita.
Pedir que el alumno explique qué pidió a la IA, qué aceptó, qué modificó y qué descartó, seleccionar una o dos decisiones relevantes, contrastar el uso declarado con una versión intermedia, una pregunta oral o una revisión presencial.
Conclusión
La clave no está en impedir cualquier uso de IA, sino en definir con claridad qué uso se permite y qué evidencias deberá aportar el alumnado. Sin esas evidencias, el producto final puede ser correcto, estar bien redactado y cumplir la consigna, pero no demostrar necesariamente aprendizaje. Por eso, las evidencias deben ser pocas, significativas y coherentes con la tarea: una decisión justificada, una corrección razonada, una explicación oral, una versión intermedia o una muestra del proceso seguido. Así, la evaluación deja de apoyarse solo en lo que se entrega y pasa a centrarse en lo que el alumno puede demostrar que ha comprendido, decidido y aprendido.
Podcast creado con NotebookLM
Nota: Este artículo tiene nivel 3 en el marco MIAE.
Los recursos educativos adaptativos permiten que una actividad cambie según las respuestas del alumno. En este artículo veremos dos ejemplos y un protocolo para crear este tipo de recursos con IA. Para el que lo desee hay también un anexo matemático con la metodología utilizada.
Introducción a los recursos adaptativos
Los recursos educativos suelen ser lineales, por ejemplo, un test de evaluación es el mismo para todos. De la relación entre aciertos y errores obtendremos una calificación y, con suerte, un análisis de lo que cada alumno ha fallado y lo que le conviene mejorar.
Si esa misma evaluación la hacemos adaptativa, el sistema se acomoda a las respuestas del alumno, aprende de sus fallos y aciertos y ambos se convierten en información: El sistema debe usar las respuestas del alumno como evidencias para actualizar hipótesis sobre su estado de aprendizaje. Estas hipótesis pueden ser niveles de aprendizaje, de dificultad, errores conceptuales, etc. El sistema adaptativo no hace las mismas preguntas a todos, sino que las adapta según las respuestas realizadas hasta el momento por el alumnado.
El sistema adaptativo aprende de las respuestas del alumno para proponerle preguntas adaptadas a su nivel, de refuerzo si detecta errores o de ampliación y continuación más avanzada si detecta que puede hacerlo.
Esto puede hacerse con cualquier recurso, no estamos limitados a la evaluación. Por ejemplo, con un itinerario de aprendizaje, un juego educativo, un tutorial interactivo y cualquier recurso educativo digital en el que tenga sentido la adaptación a las diferentes tipologías y necesidades del alumnado.
Ejemplo 1: Test adaptativo para la evaluación diagnóstica
Hemos hecho dos ejemplos. El primero es un test de evaluación de cultura general. Fue el primero, hecho a modo de demo educativa, y permite evaluar nuestros conocimientos en tres niveles: básico, medio y avanzado. Cada vez que respondemos una pregunta, el sistema nos hace otra, de forma que la información que recibe de la respuesta es máxima para conocer nuestro nivel. De esta forma va adaptando las preguntas hasta que tiene información suficiente para decidir el nivel que tenemos en este tema. Para que esto sea significativo, las preguntas deben estar correctamente clasificadas en los 3 niveles. Las preguntas han sido generadas mediante IA, pero podríamos habérselas suministrado ya clasificadas cada una en su nivel.
El programa no solo determina el nivel del usuario, proporcionando el porcentaje de la probabilidad de pertenencia a cada uno, sino que crea un informe con aquellos aspectos en los que se puede mejorar y los que ya se dominan. Estos aspectos son los diferentes temas motivo de las preguntas (ciencias, historia, etc.).
Es importante remarcar que 7/10 no debe entenderse como una nota, ya que las preguntas han sido hechas para diagnosticar el nivel de conocimientos y lo que realmente importa es el nivel alcanzado. De ahí que sea una evaluación diagnóstica, pero no calificadora. Podríamos tener notas superiores o inferiores, de forma un tanto aleatoria, según los niveles en los que hubiésemos respondido. Es decir, un alumno que solo es capaz de responder cuestiones de nivel básico podría sacar un 8/10 y otro capaz de responder preguntas con más dificultad un valor inferior, precisamente porque, al ser capaz de responder preguntas más complejas, se le han hecho más de este tipo. Estas preguntas han servido para hacer un diagnóstico, pero no determinan una nota. No se hace un número fijo de preguntas; cuando el sistema tiene la certeza de que el alumno pertenece a una categoría determinada, entonces para de hacerlas. En el anexo se explica con más detalle el método utilizado.
Ejemplo 2: Itinerario adaptativo
El siguiente ejemplo es una aplicación, llamada Despejar la incógnita x, que permite practicar la técnica para despejar incógnitas en una ecuación de primer grado. El itinerario consta de tres etapas.
En primer lugar, muestra la técnica que se usará en cada etapa. Se le pueden pedir tantos ejemplos resueltos como se quiera.
Cuando se decide practicar la etapa, el sistema examina las respuestas para determinar si se domina o no la técnica correspondiente. En este programa se ha limitado a un mínimo de 4 respuestas para el que las resuelva correctamente y un máximo de 10 para el que no.
En el caso de no superar una etapa, el programa dará la oportunidad de repetirla de nuevo o continuar con el resto del itinerario.
Una vez terminadas las 3 etapas, el sistema da una indicación del progreso (iniciando, avanzando o dominando) y un informe de los puntos fuertes y débiles.
Debemos destacar que el número de ejercicios propuestos, las ayudas recibidas y el avance por las etapas vienen determinados por las respuestas del alumno. El itinerario mantiene una estructura progresiva, pero se adapta dentro de cada etapa y decide cuándo conviene avanzar, reforzar o repetir.
Cómo crear aplicaciones educativas con vibe coding
Hemos preparado la web Recursos educativos adaptativos bayesianos desde donde podrás descargar el archivo llamado Protocolo de recursos adaptativos bayesianos, con instrucciones para la inteligencia artificial. Este archivo deberás proporcionárselo a la IA para que sepa qué debe hacer. Este mismo documento lo puedes consultar en formato web en la página anterior.
Casi con toda seguridad, la inteligencia artificial no hará bien el programa a la primera, por lo que deberás comprobar si lo que ha hecho se adapta a tus necesidades y, a través del diálogo con la IA, adaptar el recurso hasta que esté realmente preparado.
Pódcast del artículo realizado por NotebookLM
Anexo: Metodología matemática utilizada
Esta parte solo es para los interesados en conocer los entresijos matemáticos que forma la metodología adaptativa utilizada por el protocolo anterior.
Inferencia bayesiana
El teorema de Bayes permite actualizar la probabilidad de una hipótesis cuando obtenemos una nueva evidencia. Es decir, partimos de una idea inicial sobre el nivel (o la categoría que hayamos definido) del alumno y la vamos modificando a medida que responde preguntas.
En un recurso adaptativo, las hipótesis pueden ser, por ejemplo: el alumno tiene un nivel básico, medio o avanzado.
Al comenzar, el sistema todavía no sabe cuál de estas hipótesis es la más probable, así que se asigna la misma probabilidad a todos:
\(P(\text{básico}) = 33.3%\)
\(P(\text{medio}) = 33.3%\)
\(P(\text{avanzado}) = 33.3%\)
Estas probabilidades iniciales se llaman probabilidades previas. Representan lo que el sistema cree antes de observar la respuesta del alumno.
Cuando el alumno contesta una pregunta, aparece una nueva evidencia, ya que ha acertado o ha fallado una pregunta de cierto nivel. Esa respuesta modifica las probabilidades anteriores. Si acierta una pregunta avanzada, aumentará la probabilidad de que pertenezca al nivel avanzado. Si falla varias preguntas básicas, aumentará la probabilidad de que necesite refuerzo en ese nivel.
En forma matemática, el teorema de Bayes se expresa así:
Donde \(P(H \mid E)\) es la probabilidad de la hipótesis después de observar la evidencia. En nuestro caso, sería la probabilidad de que el alumno tenga un determinado nivel después de ver su respuesta.
\(P(H)\) es la probabilidad previa de esa hipótesis, antes de la respuesta.
\(P(E \mid H)\) es la probabilidad, llamada verosimilitud, de observar una determinada respuesta del alumno si una hipótesis concreta fuera cierta. Por ejemplo, qué probabilidad habría de que un alumno de nivel avanzado acertara una pregunta avanzada.
\(P(E)\) es la probabilidad de observar esa evidencia, sin saber todavía cuál es el nivel real del alumno. En nuestro ejemplo, sería la probabilidad global de que el alumno acierte una pregunta avanzada, antes de decidir si pertenece al nivel básico, medio o avanzado.
Aplicado a un test adaptativo, el razonamiento sería el siguiente:
Si un alumno fuera de nivel avanzado, sería bastante probable que acertara esta pregunta difícil. Si fuera de nivel básico, sería poco probable que la acertara. Como la ha acertado, aumenta la probabilidad de que sea de nivel avanzado.
Y al contrario:
Si un alumno falla una pregunta básica, esa respuesta es más compatible con la hipótesis de que necesita refuerzo. Por tanto, el sistema aumenta la probabilidad de que esté en un nivel inicial o de que tenga dificultades en ese contenido.
Lo importante es que el sistema no toma una única respuesta como definitiva. Cada respuesta modifica un poco el diagnóstico. Después de varias preguntas, las probabilidades se van separando: una hipótesis gana peso y otras lo pierden.
Por ejemplo, después de varias respuestas, el sistema podría obtener algo así de un alumno en particular:
\(P(\text{básico}) = 12%\)
\(P(\text{medio}) = 31%\)
\(P(\text{avanzado}) = 57%\)
Esto no significa que el alumno tenga una nota de 5,7 ni que haya acertado el 57 % de las preguntas. Significa que, según las respuestas observadas, el sistema considera que la hipótesis más probable es que el alumno se encuentre en el nivel avanzado.
Esta es la diferencia principal respecto a un test tradicional. En un test lineal, las respuestas se acumulan para obtener una puntuación. En un test adaptativo bayesiano, las respuestas se utilizan como evidencias para actualizar un diagnóstico.
El mismo principio puede aplicarse a otros tipos de recursos. En un itinerario de aprendizaje, la hipótesis no tiene por qué ser “nivel básico, medio o avanzado”, sino que puede ser “domina la técnica”, “está en proceso” o “necesita refuerzo”. Cada ejercicio resuelto aporta una nueva evidencia y permite decidir si conviene avanzar, repetir, ofrecer una explicación adicional o proponer actividades de mayor dificultad.
La inferencia bayesiana permite que el recurso educativo no siga un camino fijo, sino que tome decisiones a partir de la información que va obteniendo del alumno.
Verosimilitudes y modelo IRT 3PL
Para que Bayes actualice las probabilidades, el sistema calcula las verosimilitudes. En las preguntas o actividades organizadas por niveles de dificultad, estas verosimilitudes se generan mediante el modelo IRT 3PL (Item Response Theory, three-parameter logistic model), es decir, el modelo logístico de tres parámetros de la teoría de respuesta al ítem.
La idea general es que la probabilidad de acertar una pregunta aumenta cuando el nivel hipotético del alumno supera la dificultad de la pregunta, y disminuye cuando la dificultad supera el nivel hipotético del alumno.
Donde \(\theta_i\) representa numéricamente la hipótesis o nivel \(H_i\), \(b_q\) representa la dificultad de la pregunta o actividad, \(a\) es el parámetro de discriminación y \(c_q\) es la probabilidad mínima de acierto por azar.
En el modelo IRT 3PL, estos tres parámetros tienen una función concreta: \(b_q\) sitúa la dificultad del ítem, \(a\) indica cuánto discrimina entre niveles próximos y \(c_q\) establece el suelo de probabilidad de acierto.
En preguntas de opción múltiple, este suelo se calcula a partir del número de opciones:
\[ c_q=\frac{1}{m_q} \]
Por ejemplo, en una pregunta de cuatro opciones:
\[ c_q=\frac{1}{4}=0{,}25 \]
Esto significa que la probabilidad de acierto no se considera inferior al 25 %, porque incluso un alumno que responde al azar tiene esa probabilidad de acertar.
Si el alumno falla, se usa la probabilidad complementaria:
Estas probabilidades de acierto y fallo son las verosimilitudes que utiliza Bayes para actualizar el diagnóstico.
El modelo IRT 3PL no sustituye al teorema de Bayes. Su función es generar las verosimilitudes que Bayes necesita para hacer la actualización.
En recursos que no son tests, la misma lógica se aplica a preguntas, pasos, retos o actividades autocorregibles, siempre que se representen mediante una dificultad, una respuesta observable y una interpretación del resultado. La evidencia es un acierto, un fallo, un paso superado, una pista solicitada, un intento adicional o un error detectado, siempre que el recurso haya definido cómo se traduce esa actuación en una evidencia utilizable.
Cuando las hipótesis no son niveles ordenados, por ejemplo, distintos errores conceptuales, el modelo IRT 3PL no es el adecuado, porque presupone una escala común de nivel o dominio. En esos casos, las verosimilitudes se definen según la relación diagnóstica entre cada actividad y cada hipótesis. La actualización bayesiana sigue siendo la misma; lo que cambia es la forma de obtener las verosimilitudes.
Entropía de Shannon
La incertidumbre del sistema se mide mediante la entropía de Shannon:
\[ H=-\sum_i p_i\log_2(p_i) \]
Donde \(p_i\) es la probabilidad actual de cada hipótesis.
Cuando las probabilidades están muy repartidas, la entropía es alta. Por ejemplo, si básico, medio y avanzado tienen probabilidades parecidas, el sistema todavía no tiene un diagnóstico claro.
Cuando una hipótesis concentra la mayor parte de la probabilidad, la entropía baja. En ese caso, el sistema tiene más seguridad sobre el estado del alumno.
La entropía se usa para tres cosas: medir la incertidumbre del diagnóstico, seleccionar actividades que aporten información y decidir si el proceso finaliza.
Selección adaptativa y ganancia de información
Después de actualizar las probabilidades, el sistema decide qué pregunta, explicación, pista, ejercicio o actividad presenta a continuación.
Esta selección no se basa simplemente en subir la dificultad tras un acierto y bajarla tras un fallo. El método utilizado es la ganancia esperada de información. Es decir, el sistema estima qué actividad reduce más la incertidumbre sobre el estado del alumno.
Como la incertidumbre se mide con la entropía de Shannon, la ganancia de información se calcula como una reducción esperada de entropía. De forma simplificada:
Para cada posible actividad, el sistema calcula qué ocurre si el alumno la supera y qué ocurre si no la supera. En cada caso estima cómo cambian las probabilidades de las hipótesis y qué entropía tiene la nueva distribución. Después compara la entropía actual con la entropía esperada tras esa actividad.
La actividad más adecuada es la que distingue mejor entre las hipótesis que todavía son plausibles. Por eso, la mejor pregunta no siempre es la que coincide exactamente con el nivel más probable. Si el sistema duda entre nivel medio y avanzado, una pregunta difícil resulta más informativa que una pregunta media. Si duda entre nivel básico y medio, selecciona una pregunta más sencilla o intermedia.
Cuando varias actividades tienen una ganancia de información muy parecida, el sistema introduce diversidad de contenidos. Así evita repetir siempre el mismo tipo de pregunta o el mismo concepto cuando hay varias opciones igualmente útiles.
Criterio de parada y resultado final
El proceso se detiene cuando el sistema alcanza una confianza suficiente, cuando la entropía baja por debajo de un umbral previsto, cuando se llega al número máximo de preguntas o pasos, o cuando las actividades disponibles ya no aportan información relevante.
El resultado final no se limita a una etiqueta ni a una puntuación. Se presenta como una interpretación pedagógica: qué parece dominar el alumno, qué dificultades muestra, qué conviene reforzar y con qué grado de seguridad se propone el diagnóstico.
Si la incertidumbre sigue siendo alta, el sistema lo indica claramente. En ese caso, el resultado se presenta como una estimación provisional basada en las evidencias disponibles, no como una conclusión definitiva.
Esta es la diferencia principal respecto a un recurso educativo lineal. En una secuencia fija, todos los alumnos recorren el mismo camino y sus respuestas solo sirven para avanzar, retroceder o recibir una puntuación. En un recurso adaptativo bayesiano, cada respuesta o actuación se utiliza como evidencia para actualizar un modelo del estado del alumno y decidir cuál debe ser el siguiente paso: una nueva pregunta, una explicación, una pista, una actividad de refuerzo, una propuesta de ampliación, un cambio de itinerario o una recomendación de recursos.
Un repertorio abierto para encontrar, relacionar y aplicar recursos didácticos en la práctica docente.
¿Por qué nace METAC?
METAC tiene su origen en 2022, antes de la aparición pública de la IA generativa, como un intento de ordenar y sistematizar las numerosas metodologías activas existentes. Muchas de ellas suelen presentarse de forma aislada, con descripciones incompletas o sin una relación clara con otros recursos de aula.
El proyecto inicial se llamó METEC, aunque el acrónimo previsto era METAC, formado a partir de METodologías ACtivas. METEC surgió por una errata tipográfica y finalmente conservó ese nombre. Todavía puede consultarse en https://metec.tiddlyhost.com.
Con el desarrollo actual de la inteligencia artificial, ha sido posible ampliarlo, añadir nuevos ejemplos, mejorar los ya existentes y traducir el contenido a varios idiomas, siempre con revisión y criterio pedagógico.
Mi formación como zoólogo, y mi tendencia taxonómica a ordenar, comparar y jerarquizar, me han llevado a ampliar y reorganizar el proyecto inicial. De ahí surge METAC.
El nombre, sin embargo, ha quedado corto. METAC ya no incluye solo metodologías activas, sino también técnicas, rutinas, estrategias, marcos educativos, recursos de evaluación, propuestas metacognitivas y programas de apoyo. Por eso, más que un catálogo de metodologías activas, METAC es un compendio de recursos metodológicos para el aula.
Qué es METAC
Como acabamos de decir, es un repertorio web de recursos metodológicos para el aula, pensado para ayudar al profesorado a localizar, comprender, relacionar y aplicar propuestas didácticas de forma rápida y ordenada.
La información se agrupa en tres grandes bloques:
Marcos educativos: enfoques generales que orientan la práctica docente y ayudan a diseñar propuestas coherentes de enseñanza y aprendizaje. Por ejemplo, DUA, Modelo SAMR o Diseño inverso.
Organización del aprendizaje cooperativo: recursos para estructurar el trabajo en equipo, favorecer la participación y mejorar la cooperación entre el alumnado. Por ejemplo, 1-2-4, Lápices al centro o Folio giratorio.
Metodologías activas: técnicas, rutinas, estrategias y métodos que implican al alumnado en procesos de análisis, creación, resolución de problemas, reflexión y toma de decisiones. Por ejemplo, Aprendizaje basado en proyectos, Aprendizaje basado en problemas o Clase invertida.
Además de estos tres bloques, METAC utiliza una segunda forma de organización: los ámbitos. Mientras que los bloques indican el tipo general de recurso, los ámbitos indican para qué puede ser útil en el aula.
Un mismo recurso puede pertenecer a más de un ámbito, porque muchas técnicas no sirven para una sola cosa. Por ejemplo, una rutina puede favorecer el pensamiento crítico y, al mismo tiempo, mejorar la comunicación; una dinámica cooperativa puede servir para organizar el trabajo en equipo, pero también para activar ideas previas o facilitar la evaluación formativa.
Podemos usar los selectores de la parte superior de forma conjunta o independiente, también podemos utilizar el buscador para encontrar cualquier texto que esté en los recursos.
Fichas de recursos
En cada ficha mostrada en METAC se indica el bloque, el ámbito y un resumen del recurso. Además, si hay un recurso asociado, normalmente un programa, aparecerá el icono de una cadena. Una estrella nos permite añadirlo o eliminarlo de favoritos.
Al pulsar sobre la ficha obtendremos el recurso completo.
En la parte superior disponemos de una serie de botones:
Añadir a favoritos.
Copiar el recurso para pegar en algún programa.
Imprimir en PDF.
Copiar el enlace a ese recurso en particular (podremos copiar un enlace a varios recursos con el botón Seleccionar en la parte superior y a través de los favoritos).
Cerrar
El apartado Recursos, si existe, abre el programa o programas asociados al recurso actual y la sección Relacionada, nos ofrece recursos similares; si pulsamos sobre uno de ellos, aparecerá un botón para retroceder, de forma que podremos navegar por los recursos encadenados.
Compartir recursos y favoritos
Podemos compartir varios recursos directamente con el botón Seleccionar, pulsando el botón Compartir selección después de seleccionar los que nos interesen.
También podemos añadir recursos a los favoritos, organizarlos en categorías y compartir la categoría completa.
Asistente de IA de NotebookLM
METAC incorpora un enlace a un cuaderno de NotebookLM que reúne la base de datos del programa junto con artículos y documentos adicionales sobre didáctica. Este asistente permite consultar la información en lenguaje natural, pedir aclaraciones, solicitar ejemplos, comparar recursos o buscar propuestas adecuadas para una necesidad concreta del aula.
Además, el cuaderno puede utilizarse directamente desde NotebookLM o incorporarse como fuente en una conversación de Gemini o en un Gem personalizado. Esto permite combinar la información organizada de METAC con materiales propios del docente, como actividades ya planificadas, para revisarlas, adaptarlas o enriquecerlas con nuevos recursos metodológicos.
Conclusión
METAC nació como una forma de ordenar metodologías activas, pero ha ido creciendo hasta convertirse en un repertorio más amplio de recursos metodológicos para el aula. Su sentido está en reunir propuestas diversas, organizarlas y relacionarlas para que resulte más fácil encontrarlas cuando aparece una necesidad concreta en la práctica docente.
eXeLearning es un programa de software libre para crear recursos educativos. Nos permite añadir texto, imágenes, audio, vídeo y dispone de un completo conjunto de recursos interactivos. Además, podemos insertar cualquier recurso creado fuera de eXeLearning gracias a su gestor de archivos, capaz de albergar cualquier objeto digital, y a la capacidad que tiene eXeLearning para insertarlos, aunque estén fuera del propio recurso.
Los proyectos (nombre que se da a los archivos creados con eXe, que tienen extensión ELPX) se pueden también exportar como página web (nos dará un archivo ZIP con la web en su interior), SCORM 1.2 (utilizado por programas educativos como Moodle), ePub (para libros electrónicos) y también como página única (todo el proyecto en una única página).
Hemos hecho tres aplicaciones que ofrecen apoyo al programa:
EdEX es un editor de estilos que permite utilizar diversas fuentes:
Por defecto, aparece un ejemplo cargado con el estilo base de eXeLearning. Podemos empezar a modificarlo o seleccionar cualquiera del resto de estilos que vienen con eXeLearning.
Cargar un estilo en formato ZIP de cualquier versión.
Cargar un archivo ELPX y trabajar directamente con él y el estilo que lleva incorporado. Podremos extraer el estilo por separado y volver a guardar el ELPX que lo incorporará.
Una vez que comencemos a modificarlo, podremos hacerlo a través de las pestañas que hay en el panel izquierdo o pulsando el botón para cambiar a modo edición por clic (el botón que hay en la esquina superior derecha).
eXeConvert
eXeConvert permite convertir entre diferentes formatos, donde el ELPX es el formato central.
ELP. Es el formato de las versiones anteriores. Cualquier ELP cargado en el programa es automáticamente convertido en ELPX que podremos guardar en el ordenador o convertirlo en DOCX, MD o PDF.
DOCX. Podemos exportar el ELPX hacia DOCX, pero también importar el DOCX para generar un ELPX. Los diferentes niveles de encabezados definen las páginas, subpáginas y los iDevices.
En el caso ELPX -> DOCX, se crearán los encabezados siguiendo la pauta: Los títulos de las páginas se convertirán en encabezado 1, los de las subpáginas en encabezado 2, las subpáginas de las subpáginas, encabezado 3, etc. Los títulos de los iDevices serán los próximos encabezados no usados (el 2, 3, …). Los encabezados propios que ya lleven los iDevices se adaptan a esta estructura descendente, hasta un máximo de 6 niveles.
Para el caso opuesto DOCX -> ELPX se sigue el mismo proceso, pero el usuario decide cuántos niveles de páginas habrá.
MD. Corresponde al formato Markdown. Se pueden insertar las imágenes, o no, en el texto, aunque no es aconsejable sin un motivo concreto, ya que se codifican en base64 y el archivo quedará lleno de caracteres no legibles. Exportar en este formato es muy útil para extraer únicamente el texto con un formato bien definido. Se siguen las mismas reglas de importación/exportación con encabezados que en el formato DOCX.
PDF. El ELPX se puede guardar en formato PDF.
Cuando exportemos a DOCX, MD o PDF, podremos elegir qué páginas queremos exportar: todas o solo alguna.
Infografía: Formatos con los que trabaja eXeConvert
Sugerencia: Podemos crear la estructura de un recurso en Markdown utilizando una IA y diciéndole que utilice encabezados para los diferentes niveles del índice. Al convertir en ELPX este archivo, obtendremos la estructura completa de páginas y subpáginas de una forma muy sencilla.
Visor Web-ZIP
Visor Web-ZIP es un programa que nos permite publicar y compartir un ELPX o un proyecto exportado en ZIP (de cualquier versión de eXeLearning) simplemente subiendo a Drive, Dropbox, Nextcloud, Box.com o un sistema similar el archivo.
Para publicar un ELPX o un proyecto exportado como página web en ZIP, únicamente necesitamos:
Subir el archivo a un sistema de almacenamiento en la nube y compartirlo para que todos puedan verlo (Google Drive solo permite archivos de unos 25MB, si nuestro recurso ocupa más, habrá que utilizar otro servicio).
Pegar el enlace para compartir que hemos obtenido en la nube en la sección 2 del programa y copiar el enlace que nos proporciona. Con ese enlace cualquiera podrá ver en su navegador nuestro proyecto.
Se pueden poner fechas de apertura y cierre de visualización del recurso. Véase el artículo anterior para saber cómo hacerlo.
En la siguiente presentación se explica con más detalle el proceso, incluyendo los límites de distintos servicios y cómo subir archivos de hasta 2GB para compartir.
Actualización: Actualmente está diposnible eXeViewer, un visor de archivos ELPX y ZIP de eXeLearning que permite publicar los contenidos de forma similar a Visor WebZIP. No obstante, presenta problemas cuando los archivos se alojan en Dropbox o Nextcloud.
ELPX Translator Desktop
A diferencia del resto de programas, este no es una página web, sino una aplicación que debe ser instalada en el ordenador local. El motivo es que, al hacer uso de un modelo de traducción de IA, los requerimientos de cálculo son demasiado exigentes para ser llevados a cabo por un navegador.
Hay dos versiones para Linux (una para derivados de Debian y una AppImage), una para Windows y otra para macOS.
El funcionamiento es bien sencillo. Se indica qué archivo ELPX se quiere traducir, se elige el idioma al que se traducirá y se pulsa el botón Traducir.
Se utilizan modelos de código abierto que se ejecutan en local, por lo tanto, no se envían datos a ningún lado. M2M100 418M de Meta para todos los idiomas, excepto euskera y OPUS-MT, que es de la Universidad de Helsinki (Helsinki-NLP), para euskera.
Visor Web-ZIP proporciona una dirección de Internet permanente para los recursos creados como página web, eXeLearning, SCORM 1.2, H5p, documentos (PDF, DOCX, Markdown, texto) y cualquier otro tipo de archivo. Estos recursos pueden estar en cualquier parte, siempre que dispongan de un enlace público de descarga como en Google Drive, Dropbox, Box.com, Nextcloud, un servidor propio, etc.
El objetivo del Visor es actuar como un medio de distribución universal de materiales educativos digitales, sin necesidad de servidores ni servicios web de ningún tipo, solo con los sistemas de almacenamiento en la nube que utilizamos cada día.
El proceso es bien sencillo y se resume en tres pasos:
Subir los recursos educativos digitales al Visor (Opción A), el cual nos devolverá un único archivo en formato ZIP.
Subir el archivo creado por la aplicación a un sistema de almacenamiento como Drive, Dropbox, etc. y compartirlo públicamente.
Pegar la dirección en el visor (Opción B) y copiar la dirección que nos proporciona para compartirla con otros. De este modo, cualquiera podrá ver nuestro recurso en su navegador.
1. Subir el recurso al Visor
Archivos y carpetas del ordenador
Si tenemos carpetas con documentos, páginas web, etc., o archivos sueltos, deberemos arrastrarlos al espacio «Cargar archivos o carpetas» de la Opción A. Esta acción nos permitirá descargar un archivo comprimido con extensión ZIP que subiremos a nuestro servicio en la nube para compartirlo con todos.
Arrastramos en la parte izquierda de la opción A las carpetas y archivos que deseemos compartir.
Código HTML, típicamente creado por una inteligencia artificial.
Cuando le pedimos una actividad y otros recursos a una IA, muchas veces nos lo proporciona en forma de código HTML, es decir, en formato de página web. En estos casos podemos copiar y pegar el código directamente en el visor (Opción A). El visor nos generará un archivo que podremos subir a nuestra nube para compartirlo con todos.
El código HTML se pega en la parte derecha de la opción A.
Recursos que no necesitan ser subidos al Visor.
Hay recursos que nos permiten utilizarlos directamente y los podremos subir a nuestra nube para compartirlos sin pasar previamente por el Visor. Aunque, como veremos más adelante, si queremos añadir restricciones de acceso por fecha, cambiar su título, etc., entonces sí que deberemos hacerlo. Entre estos recursos se encuentran los siguientes:
Archivos ZIP, creados por algún medio, que ya contienen nuestro recurso, por ejemplo, con eXeLearning y también los creados en el formato SCORM 1.2.
Archivos ELPX. Son los archivos de trabajo de eXeLearning en la versión 3 y superiores.
Archivos H5p. Son los archivos de actividades creados por programas como Lumi.
Opciones y descarga
Una vez que hemos subido las carpetas y archivos o hemos pegado el HTML en la Opción A, aparecerá más información donde podremos modificar diferentes opciones.
Resumen del contenido cargado. Nos da el listado de archivos que hemos subido, su tipo y el visor que se generará para ellos. Más adelante se habla de los tipos de visores.
Configuración del recurso. Aquí podemos modificar:
El título del recurso, que saldrá en el gestor de recursos y, dependiendo de cuál sea, también en el visor.
Configurar la disponibilidad del recurso. Nos permite limitar por fechas y horas la apertura y cierre del recurso compartido. También nos permite decidir qué opciones estarán activas en el gestor de recursos del usuario. Una vez se alcanza la fecha de cierre, el recurso es eliminado del navegador, por lo que ya no se podrá volver a abrir.
Forzar visor de carpetas. Hace que nuestro recurso, cuando es visualizado por los usuarios, aparezca siempre como archivos y carpetas, aunque sea de un tipo que tiene visor propio (por ejemplo, páginas web o documentos DOCX). Esto puede ser útil para que, en lugar de visualizar el contenido, se pueda descargar todo el material de una vez para trabajar con él.
Un botón de previsualizar nos permite ver cómo quedará. El botón Crear y descargar nos permite bajar el recurso a nuestro ordenador, listo para ser subido a la nube y compartido con todos.
Si ya tenemos archivos ZIP, ELPX o H5p, podemos igualmente subirlos al Visor para añadirles alguna de las opciones disponibles, o sea que podemos hacer, por ejemplo, que una actividad H5p tenga fecha de caducidad o que un archivo de eXeLearning se pueda visualizar, pero no descargar. En este caso también debemos pulsar el botón Crear y descargar, y el archivo que obtendremos llevará las restricciones incorporadas.
2. Subir el archivo proporcionado por el Visor a un sistema de almacenamiento y compartirlo públicamente.
El siguiente paso simplemente es subirlo al sistema que habitualmente utilicemos para trabajar en la nube (Drive, Dropbox, Box.com, Nextcloud, etc.) y compartirlo de forma que todos tengan acceso de lectura.
Para no tener que dar permisos a cada recurso que subamos, lo más sencillo es crear una carpeta con este fin y compartirla para que todos puedan acceder. De este modo, cualquier archivo que coloquemos en ella ya dispondrá de los permisos necesarios.
Hemos comprobado que OneDrive no funciona bien, ya que no permite descargar automáticamente sus archivos aunque sean públicos, cosa que es necesaria para que los usuarios puedan acceder desde el Visor.
3. Pegar la dirección en el Visor y copiar la dirección que nos proporciona para compartirla con otros.
Una vez que tenemos el recurso en formato ZIP, ELPX o H5p compartido, lo pegaremos en el espacio que tiene el Visor en la parte derecha de su página principal, la opción B:
Pulsamos el botón Crear enlace y al cabo de un rato obtendremos el enlace que deberemos proporcionar a todos los que quieran ver nuestro recurso:
Disponemos de un botón para copiar el enlace, otro para crear un código QR, el tercero es para insertar nuestro recurso en una página web mediante un Iframe y el último para ver el recurso tal como lo verán los usuarios en su estado final.
Tipos de visores
Esto es información adicional y no es necesario conocerla, pero el Visor WebZip dispone de cuatro tipos de visores según los archivos que hemos subido:
Visor web: Este visor no es visible para el usuario, ya que lo que hace es mostrar una página web. Aquí tienes un ejemplo con un Tetris hecho con IA (Codex). En este otro ejemplo tienes un recurso educativo creado con Gemini.
Visor H5p. Es el que aparece cuando hemos cargado un recurso de este tipo. Todos los ejemplos que hemos probado han funcionado bien, pero según Codex podría fallar en algunos casos, por lo que aconsejamos utilizar la vista previa antes de subir el archivo a nuestro sistema de almacenamiento. Puedes ver aquí un ejemplo de este tipo.
Visor de documentos. Cuando subimos al Visor documentos de este tipo: PDF, DOCX, MD (Markdown) o TXT (texto plano) se crea automáticamente. Aquí tienes un ejemplo que incluye varios documentos de este tipo mezclados. El orden en el que aparecerán es alfabético según el nombre del archivo. Si deseamos un orden concreto, lo más sencillo es numerarlos. Los documentos pueden estar en carpetas y subcarpetas, pero estas no se mostrarán al usuario.
Visor de archivos. Cuando subimos una mezcla de diferentes tipos, sean del tipo que sean, ya que admite cualquier tipo, se crea este tipo de visor. Nos muestra la estructura de carpetas y dentro de cada una los archivos que contienen. Algunos, como los PDF, imágenes, sonidos, vídeo, etc., se pueden visualizar directamente, otros solo se pueden descargar. Dispone de un buscador y podremos descargar archivos sueltos, subcarpetas individuales o todo a la vez. Podemos forzar que cualquier recurso se vea de esta forma a través de las opciones que hemos comentado antes. Aquí tienes un ejemplo con los documentos del visor de documentos en diferentes carpetas donde se ha forzado el modo visor de archivos.
Gestor de archivos
En el gestor de archivos tenemos acceso a todos los recursos no caducados que han sido guardados en nuestro navegador, tanto los creados por nosotros mismos, como los que hemos abierto de otras personas. Si el recurso tiene fecha de caducidad, desaparecerá definitivamente de nuestro navegador, sin posibilidad de recuperarlo aunque lo volviésemos a descargar usando su enlace público.
Los recursos caducan cuando hace un mes que no se han abierto o si alcanzamos el 70% del espacio disponible.
Estos límites los podemos modificar a través del icono de configuración. Debemos tener en cuenta que los recursos están almacenados en el navegador con el que lo hemos abierto. Si los hemos abierto en Chrome y cambiamos a Firefox, aparecerán en el primero, pero no en el segundo. Si utilizamos diferentes sesiones en Chrome, solo saldrán en la sesión en la que los hayamos abierto.
Para cada recurso disponemos de una batería de iconos que nos permiten realizar todo tipo de acciones con ellos, desde cambiarles el nombre hasta visualizarlos, obtener el enlace para compartir o descargar el recurso original de la nube, entre otros. Según los permisos otorgados en las opciones, antes de crear el enlace para compartir, unos iconos estarán habilitados y otros no.
Actualizaciones
Si hemos subido un recurso a nuestro sistema de almacenamiento, bastará con reemplazarlo por una versión nueva para que el usuario reciba un mensaje de actualización (además, se puede forzar la actualización desde el gestor de recursos, aunque esto no es necesario en realidad). Es importante destacar que no debemos eliminar el recurso original y luego subir la actualización, sino que hay que reemplazarlo (subirlo al mismo sitio con el mismo nombre y, cuando nos pregunte si lo queremos reemplazar, responderemos que sí, de este modo nos mantiene el mismo enlace).
Resumen
Con este programa se soluciona el problema de dónde publicar los recursos creados como página web y otros formatos para poder compartirlos libremente, sin problemas y sin dedicarles tiempo.
Sería insensato, y contradictorio en sí mismo, pensar que es posible hacer lo que hasta ahora nunca se ha hecho por procedimientos que no sean totalmente nuevos.
El artículo sostiene que, ante la IA, el objetivo no es detectar su uso sino diseñar actividades donde el aprendizaje deje huellas observables. Propone graduar su uso con el marco MIAE y reunir evidencias que cumplan siete características: trazabilidad, contextualización, oralidad, presencialidad, materialidad, triangulación y transparencia. La clave está en distinguir entre usar la IA como apoyo o delegar en ella la tarea, manteniendo al alumnado dentro del proceso.
Comentarios recientes