6. Recursos e glosario
6.1 Recursos
Revisados por pares
Ali, R., Tang, O. Y., Connolly, I. D., Abdulrazeq, H. F., Mirza, F. N., Lim, R. K., Johnston, B. R., Groff, M. W., Williamson, T., Svokos, K., Libby, T. J., Shin, J. H., Gokaslan, Z. L., Doberstein, C. E., Zou, J., & Asaad, W. F. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. https://doi.org/10.1001/jamasurg.2023.5695
Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
Autenrieth, D., & Schluchter, J.-R. (2026). Künstliche Intelligenz und inklusive Bildung: Empirische Perspektiven auf Einstellungen und Nutzungsmuster von Lehrkräften [Artificial intelligence and inclusive education: Empirical perspectives on teachers' attitudes and usage patterns]. Medienimpulse, 64(1). https://doi.org/10.21243/mi-01-26-24
Barnes, M., & Tour, E. (2026). Teachers' use of generative AI: A 'dirty little secret'? Language and Education, 40(1), 24–39. https://doi.org/10.1080/09500782.2025.2485935
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122
BEKIARIDIS, G. (author) and ATTWELL, G. (ed.), Supplement to the DigCompEDU Framework: Outlining the Skills and Competences of Educators Related to AI in Education, AI Pioneers – Work Package 3, Erasmus+ Programme, European Union, 2024. Available at: https://aipioneers.org/wp-content/uploads/2024/01/WP3_Supplement_to_the_DigCompEDU_English.pdf
BLOOM, B.S. (ed.), ENGELHART, M.D., FURST, E.J., HILL, W.H. and KRATHWOHL, D.R., Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain, David McKay Company, New York, 1956.
Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287
Dier, M. (2025). KI-Kompetenzprofile von Lehrkräften an beruflichen Schulen: Vom Wissen zum didaktischen Handeln [AI competence profiles of vocational school teachers: From knowledge to didactic action]. Journal of Technical Education, 13(2), 66–85. https://doi.org/10.48513/joted.v13i2.328
Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13(1), Article 559. https://doi.org/10.1057/s41599-026-06903-y
Farrokhnia, M., Latifi, S., Papadopoulos, P. M., Hogenkamp, L., Gijlers, H., Khosravi, H., & Noroozi, O. (2026). Generative AI offers more, but students revise less: Comparing the effects of teacher and AI feedback on student essay revisions. International Journal of Educational Technology in Higher Education, 23(1), Article 6. https://doi.org/10.1186/s41239-026-00579-9
Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students' performance. Frontiers in Artificial Intelligence, 6, Article 1162454. https://doi.org/10.3389/frai.2023.1162454
Jaggy, A.-K., Jansen, T., Fütterer, T., & Trautwein, U. (2026). Almighty ChatGPT? Development of gifted secondary school students' AI (mis)conceptions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0001063
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6
Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218.
Lee, V. R., Pope, D., Miles, S., & Zárate, R. C. (2024). Cheating in the age of generative AI: A high school survey study of cheating behaviors before and after the release of ChatGPT. Computers and Education: Artificial Intelligence, 7, Article 100253. https://doi.org/10.1016/j.caeai.2024.100253
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779
Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students' mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education Sciences, 16(1), Article 140. https://doi.org/10.3390/educsci16010140
Maršálek, R., & Teplá, M. (2026). "Is AI inevitable?" Development of attitudes and practices of Czech teachers between 2023 and 2025. Education Sciences, 16(2), Article 335. https://doi.org/10.3390/educsci16020335
MIAO, F. and CUKUROVA, M., AI Competency Framework for Teachers, UNESCO, 2024. ISBN 978-92-3-100707-1. DOI: https://doi.org/10.54675/ZJTE2084
REDECKER, C., European Framework for the Digital Competence of Educators: DigCompEdu, PUNIE, Y. (ed.), EUR 28775 EN, Publications Office of the European Union, Luxembourg, 2017. ISBN 978-92-79-73494-6 (pdf). DOI: https://doi.org/10.2760/159770. JRC107466.
Rind, I. A. (2026). Conceptualizing the impact of AI on teacher knowledge and expertise: A cognitive load perspective. Education Sciences, 16(1), Article 57. https://doi.org/10.3390/educsci16010057
Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7
Rowe, J., Klimaszewski, M., Guillou, L., Vallor, S., & Birch, A. (2025). EuroGEST: Investigating gender stereotypes in multilingual language models. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 32074–32096). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.emnlp-main.1632
Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), Article e0305354. https://doi.org/10.1371/journal.pone.0305354
Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066
Tian, Z., Liu, A., Esbenshade, L., Sarkar, S., Zhang, Z., He, K., & Sun, M. (2025). Implementation considerations for automated AI grading of student work. In J. Wilson, C. Ormerod, & M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full papers (pp. 9–20). National Council on Measurement in Education. https://aclanthology.org/2025.aimecon-main.2/
Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. https://doi.org/10.1177/14614448241252820
Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12(1), Article 621. https://doi.org/10.1057/s41599-025-04787-y
Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z
Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Advance online publication. https://doi.org/10.1177/14614448261435197
Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13(1), Article 684. https://doi.org/10.1057/s41599-026-07019-z
Yan, D., & Zhang, S. (2024). L2 writer engagement with automated written corrective feedback provided by ChatGPT. Humanities and Social Sciences Communications, 11, Article 1086. https://doi.org/10.1057/s41599-024-03543-y
Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), Article 110. https://doi.org/10.1007/s10648-025-10085-5
Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7
Yu, H., & Xie, Q. (2025). Generative AI vs. teachers: Feedback quality, feedback uptake, and revision. Language Teaching Research Quarterly, 47, 113–137. https://doi.org/10.32038/ltrq.2025.47.07
Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. https://doi.org/10.3102/00346543241293424
Preprints, documentos de traballo e informes de investigación
Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347
Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper No. 34851; rev. October 2026). National Bureau of Economic Research. https://doi.org/10.3386/w34851
Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate (arXiv:2509.04664v1) [Preprint]. arXiv. https://arxiv.org/abs/2509.04664
Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? (arXiv:2409.09047v2) [Preprint]. arXiv. https://arxiv.org/abs/2409.09047
Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education [Report]. Australian Network for Quality Digital Education; University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475
Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming (arXiv:2605.04779v1) [Preprint]. arXiv. https://arxiv.org/abs/2605.04779
Shao, J., Wu, Q., Zhang, H., Sun, S., & Zhuang, J. (2026). Mitigating scaffolding collapse in Socratic tutors via representation alignment (arXiv:2607.19371v1) [Preprint]. arXiv. https://arxiv.org/abs/2607.19371
Paris, A., Labetoulle, A., Bezjak, S., Butler, D., Cardoso-Leite, P., Chesné, J.-F., Kirsch, C., Mori, S., Nardi, A., Nencioni, P., Niewint, J., Rossi, F., Storai, F., Toci, V., & Mirazchiyski, P. V. (2023). Comparative European evaluation report (AI4T – Artificial Intelligence for and by Teachers, Deliverable D3.3). Cnesco-Cnam; France Éducation international. https://cnesco.fr/wp-content/uploads/2024/05/AI4T_WP3_D3.3_Comparative-European-Evaluation-Report.pdf
Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices Trial [Evaluation report]. National Foundation for Educational Research; Education Endowment Foundation; The Hg Foundation. https://www.nfer.ac.uk/publications/chatgpt-in-lesson-preparation-a-teacher-choices-trial/
Staksrud, E., Mascheroni, G., Milosevic, T., Ní Bhroin, N., Ólafsson, K., Şengül-İnal, G., & Stoilova, M. (2026). European children's use and understanding of generative AI: EU Kids Online 2026 (EU Kids Online Reports No. 1). London School of Economics and Political Science. https://doi.org/10.21953/researchonline.lse.ac.uk.00137132
Estatísticas e informes de organizacións
Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
OECD. (2025). Results from TALIS 2024: The state of teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en
OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
UNESCO. (2023). Global education monitoring report 2023: Technology in education – A tool on whose terms? https://doi.org/10.54676/UZQV8501
Enquisas e informes de fundacións, ONG...
Bellio, N., & Kayser-Bril, N. (2024, March 4). Wie Bildgeneratoren die Welt zeigen: Stereotypen statt Vielfalt [How image generators show the world: Stereotypes instead of diversity]. AlgorithmWatch. https://algorithmwatch.org/de/bildgeneratoren-stereotypen/
Human Rights Watch. (2022, May 25). "How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. https://www.hrw.org/report/2022/05/25/how-dare-they-peep-my-private-life/childrens-rights-violations-governments
Latham, K., & Montacute, R. (2025, July). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. https://www.suttontrust.com/wp-content/uploads/2025/07/Artificial-advantage.pdf
Medienpädagogischer Forschungsverbund Südwest. (2024). JIM-Studie 2024. Jugend, Information, Medien: Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger [JIM study 2024: Youth, information, media]. https://mpfs.de/studie/jim-studie-2024/
Michel, L. P., & Goertz, L. (2025). mmb-Trendmonitor 2024/2025. Weiterbildung und digitales Lernen heute und in drei Jahren [mmb trend monitor 2024/2025: Continuing education and digital learning today and in three years] (Results of the 19th mmb Learning Delphi). mmb Institut. https://www.mmb-institut.de/wp-content/uploads/mmb-Trendmonitor_2024-2025.pdf
Robert Bosch Stiftung. (2026). Deutsches Schulbarometer 2026: Befragung Lehrkräfte [German School Barometer 2026: Teacher survey] (Survey conducted by forsa). https://www.bosch-stiftung.de/sites/default/files/documents/2026-06/RBSG_Deutsches_Schulbarometer_Lehrkr%C3%A4fte_2026.pdf
Trucano, M. (2023, July 10). AI and the next digital divide in education. Brookings Institution. https://www.brookings.edu/articles/ai-and-the-next-digital-divide-in-education/
Vodafone Stiftung Deutschland. (2024, March). Pioniere des Wandels: Wie Schüler:innen KI im Unterricht nutzen möchten [Pioneers of change: How students want to use AI in the classroom] (Survey conducted by infratest dimap). https://www.vodafone-stiftung.de/pioniere-des-wandels/
Walton Family Foundation, & Gallup. (2025, June). Teaching for tomorrow: Unlocking six weeks a year with AI. https://news.gallup.com/poll/691967/three-teachers-weekly-saving-six-weeks-year.aspx
Documentos institucionais
Børne- og Undervisningsministeriet, Styrelsen for Undervisning og Kvalitet. (2025, August 22). Forsøg med prøverne i engelsk A (stx) [Trial of the English A examinations (stx)] (Case 25/23313). https://www.uvm.dk/-/media/filer/uvm/udd/gym/pdf25/aug/250822-forsoeg-med-proeverne-i-engelsk-a--stx-.pdf
Commission nationale de l'informatique et des libertés. (2025, June 20). Enseignant : comment utiliser un système d'IA dans le respect du RGPD ? [Teachers: How to use an AI system in compliance with the GDPR]. https://www.cnil.fr/fr/enseignant-usage-systeme-ia
Department of Education Northern Ireland. (2026, May 6). Givan announces roll-out of AI tools and training for Northern Ireland teachers [Press release]. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers
Der Hamburgische Beauftragte für Datenschutz und Informationsfreiheit. (2023, November 13). Checkliste zum Einsatz LLM-basierter Chatbots [Checklist for the use of LLM-based chatbots]. https://datenschutz-hamburg.de/fileadmin/user_upload/HmbBfDI/Datenschutz/Informationen/20231113_Checkliste_LLM_Chatbots_DE.pdf
European Commission. (2026, September 7). Market surveillance authorities under the AI Act. https://digital-strategy.ec.europa.eu/en/policies/market-surveillance-authorities-under-ai-act
FWU Institut für Film und Bild in Wissenschaft und Unterricht. (n.d.). AIS.chat (vormals telli). Retrieved October 16, 2026, from https://fwu.de/ais-chat/
Haridus- ja Teadusministeerium. (2026, March 8). Europe's top PISA performer showcases AI Leap programme as global summit opens in Tallinn [Press release]. https://www.hm.ee/en/news/europes-top-pisa-performer-showcases-ai-leap-programme-global-summit-opens-tallinn
Joint Council for Qualifications. (2025). AI use in assessments: Protecting the integrity of qualifications (Effective from 30 April 2025). https://www.jcq.org.uk/exams-office/malpractice/artificial-intelligence/
Kennisnet. (2026, January 15). Toetsing en generatieve AI in het voortgezet onderwijs [Assessment and generative AI in secondary education] (updated April 28, 2026). https://www.kennisnet.nl/
Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder. (2024, May 6). Orientierungshilfe: Künstliche Intelligenz und Datenschutz [Guidance: Artificial intelligence and data protection] (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf
Kultusministerkonferenz. (2024, October 10). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen [Recommendation for education administrations on artificial intelligence in school education] (Resolution of the Bildungsministerkonferenz; rev. ed. March 2025). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf
Ministère de l'Éducation nationale. (2025, June 13). Cadre d'usage de l'IA en éducation [Framework for the use of AI in education]. https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647
Ministère de l'Éducation nationale. (2026, February). M.I.A. Seconde, une approche personnalisée de la remédiation en français et en mathématiques [M.I.A. Seconde: A personalised approach to remediation in French and mathematics]. Éduscol. https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques
Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, January 15). 20-tisíc licencií ChatGPT Edu podporí rozvoj digitálnych zručností budúcich učiteľov [20,000 ChatGPT Edu licences will support future teachers' digital skills] [Press release]. https://www.minedu.sk/20-tisic-licencii-chatgpt-edu-podpori-rozvoj-digitalnych-zrucnosti-buducich-ucitelov/
Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, May 12). Ministerstvo chce do konca roka sprístupniť AI nástroje pre všetkých učiteľov na Slovensku [The ministry wants to make AI tools available to all teachers in Slovakia by the end of the year] [Press release]. https://www.minedu.sk/ministerstvo-chce-do-konca-roka-spristupnit-ai-nastroje-pre-vsetkych-ucitelov-na-slovensku/
Ministerium für Schule und Bildung des Landes Nordrhein-Westfalen. (n.d.). Dienstanweisung für die automatisierte Verarbeitung von personenbezogenen Daten in der Schule (BASS 10-41 Nr. 4). Retrieved October 16, 2026, from https://bass.schule.nrw/17585.htm
Bayerisches Staatsministerium für Unterricht und Kultus. (n.d.). Private Endgeräte im Dienstgebrauch [Private devices for official use]. Retrieved October 16, 2026, from https://www.km.bayern.de/gestalten/digitalisierung/datensicherheit/private-endgeraete-im-dienstgebrauch
Office of Qualifications and Examinations Regulation. (2026, March). SLT briefing pack: AI and coursework integrity (Version 2.5). https://www.gov.uk/government/organisations/ofqual
Scheiter, K., Bauer, E., Omarchevska, Y., Schumacher, C., & Sailer, M. (2025). Künstliche Intelligenz in der Schule: Eine Handreichung zum Stand in Wissenschaft und Praxis [Artificial intelligence in schools: A guide to the state of research and practice]. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend. https://www.empirische-bildungsforschung-bmbfsfj.de/img/KI_Review.pdf
Statsministerens kontor, & Kunnskapsdepartementet. (2026, June 19). Ny nasjonal anbefaling: Kunstig intelligens skal i all hovedsak ikke brukes i barneskolen [New national recommendation: AI should as a rule not be used in primary school] [Press release]. https://www.regjeringen.no/no/aktuelt/kunstig-intelligens-skal-i-all-hovedsak-ikke-brukes-i-barneskolen/id3166807/
SURF. (2026, May 27). Privacy risks Microsoft 365 Copilot remain 'orange' despite improvements. https://www.surf.nl/en/news/privacy-risks-microsoft-365-copilot-remain-orange-despite-improvements
Transport for London. (2022, March). The Knowledge of London: An introduction to learning the Knowledge of London and the examination process. https://foi.tfl.gov.uk/FOI-0355-2425/Introduction%20to%20Knowledge%20Booklet%20(March%202022).pdf
Vanderbilt University, Brightspace Support. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/
Verband Bildungsmedien. (n.d.). Urheberrecht und KI [Copyright and AI]. Schulbuchkopie.de. Retrieved October 16, 2026, from https://www.schulbuchkopie.de/index.php/urheberrecht-und-ki
ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2026). Verwendung generativer KI-Systeme bei Leistungsnachweisen [Use of generative AI systems in assessments] (Richtlinie Z-RL, Version 4.0.0). https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf
Fontes de prensa
AI Leap Foundation. (n.d.). AI Leap (TI-Hüpe). Retrieved October 16, 2026, from https://tihupe.ee/en
Depue, W. (2023, November 6). What's new with DALL·E 3? OpenAI Cookbook. https://developers.openai.com/cookbook/articles/what_is_new_with_dalle_3
EvidenceB. (2022, November 30). EvidenceB et Docaposte remportent le marché public pour offrir un service de remédiation en français et en mathématiques pour tous les nouveaux lycéens de France [Press release]. https://evidenceb.fr/evidenceb-et-docaposte-remportent-le-marche-public/
OpenAI. (2022, July 18). Reducing bias and improving safety in DALL·E 2. https://openai.com/index/reducing-bias-and-improving-safety-in-dall-e-2
Raghavan, P. (2024, February 23). Gemini image generation got it wrong. We'll do better. The Keyword (Google). https://blog.google/products/gemini/gemini-image-generation-issue/
Lexislación
Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation), OJ L 119, 4.5.2016, p. 1. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng
Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng — consolidated version of 27 July 2026: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727
Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), OJ L, 2026/1744, 24.7.2026 (in force 27 July 2026; corrigendum 29 September 2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng
Gesetz über Urheberrecht und verwandte Schutzrechte (Urheberrechtsgesetz – UrhG) [German Copyright Act], §§ 2, 16, 44a, 44b, 60a, 97. https://www.gesetze-im-internet.de/urhg/
Schulgesetz für Baden-Württemberg (SchG), § 115b. https://www.landesrecht-bw.de/
Bayerisches Hochschulinnovationsgesetz (BayHIG), as amended by the Act of 8 May 2026 (GVBl. p. 208). https://www.gesetze-bayern.de/
Resolucións xudiciais
Verwaltungsgericht Hamburg, Beschluss vom 15. Dezember 2025, 2 E 8786/25 (interim relief, § 123 VwGO; not final). https://justiz.hamburg.de/resource/blob/1128534/4a02d061e1d2a47e4ff1449241831117/2-e-8786-25-beschluss-vom-15-12-25-data.pdf
Verwaltungsgericht Kassel, Urteile vom 25. Februar 2026, 7 K 2134/24.KS und 7 K 2515/25.KS (appeal admitted; not final). Press release No. 1/2026 of 26 February 2026. https://verwaltungsgerichtsbarkeit.hessen.de/presse/unzulaessige-nutzung-kuenstlicher-intelligenz-bei-studentischen-pruefungsleistungen
Landgericht München I, Urteil vom 11. November 2025, 42 O 14139/24 (GEMA v. OpenAI; appeal pending before the OLG München).
Raad van State (Afdeling bestuursrechtspraak), uitspraak van 30 juli 2025, 202501708/1/A2, ECLI:NL:RVS:2025:3585. https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RVS:2025:3585
Tribunal administratif de Paris, ordonnance du 12 février 2026, n° 2600972 (référé).
Kammarrätten i Göteborg, dom den 14 juli 2023, mål nr 4285-23. Reported in Processrätt (2023, November 4), https://processratt.se/kammarratten-i-goteborg-upphaver-disciplinnamndens-beslut-om-fusk-med-ai-verktyg/
6.2 Glosario e termos clave
|
Termo |
Sinónimos |
Definición |
A |
||
Actividade de avaliación |
ing. Assessment Activity |
Actividade empregada para avaliar se se acadaron os resultados de aprendizaxe. |
Acumulabilidade |
Acumulable; ing. Stackability |
Posibilidade de combinar microcredenciais ao longo do tempo para que computen para cualificacións máis amplas. |
Adestramento cos datos introducidos polos usuarios |
ing. Training on user inputs |
Cando un provedor usa o que os usuarios escriben ou soben para os seus propios fins, especialmente para adestrar os seus modelos. Só se poden introducir datos persoais se un acordo escrito o exclúe. |
AI Pioneers |
|
Marco que amplía DigCompEdu con competencias específicas en IA para o persoal docente. |
Alfabetización en IA |
ing. AI literacy |
Comprensión dos conceptos, das oportunidades e das limitacións da IA e do seu uso responsable. Segundo o art. 4 do Regulamento de IA, os centros deben apoiar o seu desenvolvemento entre o persoal que usa IA (obrigatorio desde o 2 de febreiro de 2025); non se prescribe ningún nivel, certificado nin formato concreto. Tamén é o nome da vía de certificación B. |
Aloxamento de datos |
ing. Data hosting |
Lugar onde se almacenan e tratan os datos, p. ex. en servidores europeos ou fóra da UE. Os datos que saen da UE necesitan unha garantía. |
Alucinación |
ing. Hallucination |
Fluída, segura de si, falsa. Non é un defecto á espera dun parche, senón unha consecuencia de como xeran o texto estes sistemas. |
Andamiaxe |
ing. Scaffolding |
Guía estruturada do docente que axuda o alumnado a usar unha ferramenta ou a realizar unha tarefa que aínda non podería facer só. |
Anonimización |
ing. Anonymisation |
Modificar os datos de xeito que unha persoa xa non poida ser identificada, nin sequera polo contexto. Borrar os nomes non é anonimizar, especialmente no caso de redaccións e diarios de aprendizaxe que identifican o seu autor polo estilo. |
Aprendiz |
ing. Learner |
Persoa que participa en actividades de aprendizaxe para adquirir coñecementos, destrezas ou competencias. |
Aprendizaxe automática |
ing. Machine learning (ML) |
Enfoque no que un sistema de IA aprende patróns a partir dos exemplos que recibe en lugar de seguir regras escritas a man. Se os exemplos son demasiado parecidos, incompletos ou están mal escollidos, o modelo produce resultados inesperados. |
Aproveitamento da retroalimentación |
ing. Feedback uptake, uptake |
Se a retroalimentación se le, se entende, se pon en práctica e se comprende ben dabondo como para que o aprendiz o faga ben sen axuda a próxima vez. O factor limitante é o aproveitamento, non a calidade. |
Asistente de IA |
ing. AI Assistant |
Ferramenta de IA que realiza traballo en nome de quen a usa. Pode reducir a diferenza de resultados entre usuarios, pero non a diferenza de capacidade. |
Autoridade de vixilancia do mercado |
ing. Market surveillance authority |
Autoridade nacional que fai cumprir o Regulamento de IA. Calquera persoa, incluídos docentes, alumnado e familias, pode presentar unha reclamación ante ela (art. 85 do Regulamento de IA). |
Avaliación de impacto sobre os dereitos fundamentais |
ing. Fundamental rights impact assessment (FRIA) |
Avaliación que os organismos públicos e as organizacións que prestan servizos públicos poden ter que realizar antes de usar IA de alto risco (art. 27 do Regulamento de IA). |
Axencia do alumnado |
Capacidade de acción do alumnado; ing. Learner agency |
Capacidade do alumnado para tomar as súas propias decisións sobre a súa aprendizaxe, tamén sobre o uso de recursos xerados por IA. Os docentes deberían preservala nos procesos apoiados pola IA. |
Axuste |
Axuste do modelo, adestramento de seguridade; ing. Tuning |
Axustes que un provedor realiza despois do adestramento inicial para orientar o que mostra ou di un sistema, por exemplo para facelo máis seguro, máis xusto ou máis diverso. O axuste é invisible no resultado, pode fallar e pode cambiar sen aviso. |
B |
||
Barreiras de protección |
ing. Guardrails |
Límites incorporados nun sistema para que apoie o pensamento en lugar de substituílo. |
Base de datos da UE |
ing. EU database |
Rexistro da UE no que as autoridades públicas poden ter que inscribir os sistemas de IA de alto risco que empregan (art. 49 do Regulamento de IA). |
C |
||
Caso de uso |
ing. Use Case |
Escenario concreto que describe como se aplica a IA na práctica docente. |
Categorías especiais de datos |
ing. Special category data |
Datos persoais que necesitan unha protección adicional, como os relativos á saúde ou á discapacidade, os datos biométricos ou os que revelan a orixe étnica ou a relixión (art. 9 do RXPD). En principio están vetados salvo que se aplique unha excepción específica. |
Categorización biométrica |
ing. Biometric categorisation |
Uso de datos biométricos para clasificar persoas co fin de inferir trazos protexidos como a raza, as opinións políticas, a relixión ou a orientación sexual. Prohibida polo Regulamento de IA. |
Certificado |
ing. Certificate |
Documento formal que recoñece a adquisición de competencias. |
Chatbot de IA |
Chatbot; ing. AI Chatbot |
Programa que conversa en linguaxe natural, hoxe normalmente baseado nun gran modelo de linguaxe. |
Cita inventada |
Fonte inventada; ing. Fabricated citation |
Referencia xerada pola IA a unha fonte que non existe. Detectar este tipo de fontes é unha destreza de verificación fundamental e un dos indicios típicos dun uso non declarado da IA. |
Clasificación de imaxes |
Clasificador de imaxes; ing. Image classification |
Tarefa de IA na que un modelo, despois de ser adestrado con exemplos, clasifica imaxes en categorías (p. ex. papel, plástico, outros) e a continuación se proba con obxectos novos. |
Cláusulas contractuais tipo |
ing. Standard contractual clauses (SCCs) |
Cláusulas contractuais aprobadas pola UE que protexen os datos persoais transferidos fóra da UE cando non existe unha decisión de adecuación. |
Código de competencia |
Código do obxectivo de aprendizaxe; ing. Competence code |
Etiqueta dun obxectivo de aprendizaxe, p. ex. AF-TL-2b: aspecto da IA (HM, EI, AF) – área pedagóxica (PE, DR, TL, A, EL, FC) – nivel de progresión (1–3) e obxectivo (a–c). |
Competencia |
ing. Competence, Competency |
O que un docente sabe, sabe facer e está disposto a facer, descrito de xeito que se poida ensinar e comprobar. |
Competencia clave |
ing. Core competency |
Cada unha das 18 competencias do marco DUAL.AI.TEACHer, situada cada unha na intersección dunha área pedagóxica e un aspecto da IA. |
Competencia docente en IA |
ing. Teacher AI Competence |
Coñecementos, destrezas e actitudes dos docentes para ensinar con IA e sobre a IA, tal como se estruturan no marco DUAL.AI.TEACHer. |
Coñecemento factual |
ing. Factual knowledge |
Coñecemento de feitos e conceptos. Os titores de IA poden apoiar a súa adquisición. |
Contorno escolar de IA |
Plataforma verificada; ing. School AI environment |
Plataforma de IA para centros educativos, proporcionada e verificada pola administración e con contratos negociados, que se ofrece en lugar de deixar que os docentes se rexistren en ferramentas gratuítas. |
Contratación |
Decisión de compra; ing. Procurement |
Proceso polo cal un centro ou unha administración selecciona e adquire ferramentas de IA. É aquí onde se aseguran límites fiables e garantías contractuais, e por iso a responsabilidade recae na contratación e non en cada docente. |
Contrato de encargo do tratamento |
ing. Data processing agreement (DPA) |
Contrato escrito entre o centro e o provedor que establece como pode tratar o provedor os datos persoais (art. 28 do RXPD). A proba práctica: exclúe o adestramento cos datos que vostede introduce? |
Criterio de avaliación |
ing. Assessment Criterion |
Regra ou referencia empregada para avaliar se se acadou un resultado de aprendizaxe. |
Cualificación automatizada |
Puntuación automatizada, avaliación automatizada; ing. Automated grading |
Uso de software para puntuar ou cualificar traballos. No exame de certificación aplícase ás preguntas de resposta pechada. |
Cumprimento normativo en IA |
Uso conforme da IA; ing. AI Compliance |
Usar a IA de acordo coa normativa de protección de datos, o Regulamento de IA, os dereitos de autor e a normativa de exames. O cumprimento normativo facilita o uso en lugar de obstaculizalo. |
Curso |
ing. Course |
Conxunto estruturado de módulos formativos deseñado para ofrecer unha experiencia de aprendizaxe completa. |
D |
||
Datos biométricos |
ing. Biometric data |
Datos procedentes de características físicas como o rostro ou a voz. Son unha categoría especial de datos segundo o RXPD, e varios usos da IA baseados neles están prohibidos nos centros educativos. |
Datos de adestramento |
Material de adestramento, exemplos de adestramento; ing. Training data |
Exemplos cos que aprende un sistema de IA, como millóns de imaxes etiquetadas por persoas. As desviacións deste material trasládanse aos resultados do sistema e non desaparecen simplemente porque os modelos sexan máis grandes. |
Datos de diagnóstico |
Telemetría; ing. Diagnostic data |
Datos técnicos que un provedor recolle sobre o uso do seu servizo. O tempo durante o que se conservan é unha cuestión de protección de datos. |
Datos persoais |
ing. Personal data |
Calquera información sobre unha persoa identificable, p. ex. nomes, enderezos de correo electrónico do centro, traballos do alumnado, gravacións de voz, fotos, cualificacións, asistencia e datos de progreso na aprendizaxe. Os datos seguen sendo persoais se alguén pode ser identificado polo contexto. |
Decisión de adecuación |
ing. Adequacy decision |
Decisión da UE pola que se considera que un país de fóra da UE protexe adecuadamente os datos persoais, de modo que se poden transferir datos a ese país. |
Decisións automatizadas |
ing. Automated decision-making |
Decisión baseada unicamente nun tratamento automatizado que afecta significativamente a unha persoa. Unha cualificación é unha decisión deste tipo; dar por boa formalmente a suxestión dunha IA non conta como decisión humana. |
Dependencia excesiva |
Exceso de confianza; ing. Overreliance |
Confiar nos resultados da IA máis do que merecen, por exemplo aceptando cualificacións ou retroalimentación erróneas. Os docentes que usan IA de alto risco deben estar activamente atentos a isto. |
Dereitos de autor |
ing. Copyright |
Protección legal das obras. Coa IA, o que se xera adoita estar libre de dereitos de autor, pero subir obras protexidas a un sistema de IA non está cuberto pola excepción docente. |
Descarga cognitiva |
ing. Cognitive Offloading |
Delegar traballo mental en algo externo á propia cabeza. É útil cando o coñecemento xa está consolidado e prexudicial cando aínda se está a formar. |
Descualificación |
ing. Deskilling |
Erosión lenta da competencia profesional cando unha ferramenta absorbe o traballo mediante o cal se mantén esa competencia. |
Deseño Universal para a Aprendizaxe |
DUA; ing. Universal Design for Learning (UDL) |
Marco para un deseño inclusivo e centrado no alumnado. Utilízase para reforzar a dimensión inclusiva do marco. |
Detector de IA |
ing. AI Detector |
Software que afirma identificar textos escritos por unha máquina. O que mide realmente é a predicibilidade. |
Determinista |
ing. Deterministic |
Que sempre produce exactamente o mesmo resultado a partir dos mesmos valores iniciais. |
Difusión de innovacións |
ing. Diffusion of innovations |
Teoría sobre como se difunden as innovacións: adóptanse con máis facilidade cando se poden probar (experimentabilidade) e se pode ver que funcionan (observabilidade). |
DigCompEdu |
|
Marco europeo para a competencia dixital dos educadores. Achega a estrutura pedagóxica (dimensión horizontal) do marco DUAL.AI.TEACHer. |
Dimensión |
ing. Dimension |
Cada unha das grandes áreas nas que se divide o marco; cada unha agrupa competencias que van xuntas na práctica. |
Dimensión de inclusión |
ing. Inclusion Dimension |
Dimensión centrada na accesibilidade, a equidade e a inclusión no ensino e a aprendizaxe apoiados pola IA. |
Dimensión ética |
ing. Ethical Dimension |
Dimensión que aborda as consideracións éticas relacionadas co uso da IA no ensino e a aprendizaxe. |
Dimensión horizontal |
Dimensión pedagóxica; ing. Horizontal dimension |
As seis áreas da práctica docente no marco DUAL.AI.TEACHer, tomadas de DigCompEdu: Compromiso profesional, Recursos dixitais, Ensino e aprendizaxe, Avaliación, Empoderamento do alumnado e Fomento da competencia dixital (en IA) do alumnado. |
Dimensión vertical |
Dimensión da IA; ing. Vertical dimension |
Os tres aspectos da IA no marco DUAL.AI.TEACHer, tomados do marco da UNESCO: mentalidade centrada no ser humano, ética da IA, e fundamentos e aplicacións da IA. |
Dirección do centro |
Equipo directivo, director do centro; ing. School Administrator |
Persoa responsable de dirixir un centro educativo, como o director ou o vicedirector. O capítulo 5.3 diríxese directamente a ela. |
Directriz de política educativa |
ing. Policy Guideline |
Documento de nivel político que orienta o desenvolvemento de competencias e prácticas docentes. |
Docente |
ing. Teacher |
Persoa responsable de deseñar e levar a cabo actividades de ensino e aprendizaxe. |
Dominio competencial |
Área competencial; ing. Competence Domain |
Grupo de competencias relacionadas dentro dun marco. |
E |
||
Edición do curso |
ing. Course Run |
Impartición concreta dun curso, con participantes matriculados e un período definido. |
Efecto amplificador |
Amplificación fronte a igualación; ing. Amplification effect |
A IA tende a ampliar as diferenzas existentes. Só iguala cando se dan tres condicións á vez: acceso garantido, unha ferramenta deseñada para aprender e non para dar respostas, e un docente que acompañe o seu uso con andamiaxe. |
Efecto Mateo |
ing. Matthew effect |
Quen xa ten vantaxes é quen máis se beneficia: «a quen ten, daráselle máis». |
Efecto novidade |
ing. Novelty effect |
Efecto positivo temporal que se produce simplemente porque algo é novo. Pode inflar os resultados dos estudos de curta duración. |
Elaboración de perfís |
ing. Profiling |
Avaliación automatizada de persoas para analizar ou predicir as súas características ou o seu comportamento. Un sistema de IA educativo que elabora perfís de persoas considérase sempre de alto risco. |
Encargado do tratamento |
ing. Processor, data processor |
Segundo o RXPD, entidade que trata datos persoais por conta do responsable do tratamento e estritamente seguindo as súas instrucións, por exemplo un provedor de IA. |
Ensaio controlado aleatorizado |
Ensaio controlado; ing. Randomised controlled trial (RCT) |
Estudo no que os participantes se asignan aleatoriamente a grupos, de modo que as diferenzas nos resultados se poden atribuír á intervención. |
Ensinar con IA |
Aprender CON IA; ing. Teaching with AI |
Usar a IA como ferramenta para o propio traballo docente, desde a planificación ata a retroalimentación. |
Ensinar sobre a IA |
Aprender SOBRE A IA; ing. Teaching about AI |
Facer da propia IA o obxecto da clase, para que o alumnado comprenda como funciona e onde falla. |
EntreComp |
|
Marco europeo da competencia emprendedora. Achegou a creatividade e a innovación ao marco. |
Enxeñaría de prompts |
ing. Prompt engineering, prompting |
Redacción de prompts eficaces como destreza que se pode ensinar, por exemplo para planificar clases, diferenciar e cualificar. |
Equidade |
Non discriminación; ing. Fairness |
Principio segundo o cal a IA e o seu uso non deben prexudicar sistematicamente a ningunha persoa, p. ex. cando os detectores de IA sinalan erroneamente textos de persoas que non escriben na súa lingua materna. |
ESCO |
|
Clasificación europea de capacidades, competencias, cualificacións e ocupacións. A certificación está aliñada con ela. |
Escritura cíborg |
ing. Cyborg writing |
Escritura na que a IA amplía o pensamento de quen escribe en lugar de substituílo, e na que o alumnado sinala que partes son propias. |
Esquema |
ing. Schema |
Coñecemento organizado dunha persoa. |
Estocástico |
Aleatorio; ing. Stochastic |
Suxeito ao azar, de modo que a mesma configuración pode levar a resultados diferentes. |
Ética da IA |
ing. Ethics of AI |
Principios éticos, normativa, políticas institucionais e directrices prácticas que rexen o uso da IA e que os docentes deben comprender e aplicar. Aspecto transversal da dimensión vertical. |
Europass |
|
Plataforma da UE a través da cal se poden compartir certificados dixitais e na que outras institucións poden comprobar a súa validez. |
Exame en liña |
ing. Online Exam |
Avaliación formal e estruturada realizada en liña como parte do proceso de avaliación. |
Excepción docente |
ing. Teaching exception |
Excepción dos dereitos de autor que permite aos docentes copiar unha parte limitada dunha obra para a súa clase. Non abrangue subir obras protexidas a un sistema de IA, e exclúense os materiais destinados ao ensino escolar, principalmente os libros de texto. |
Explicabilidade |
Explicación da IA; ing. Explainability |
Capacidade dun sistema de IA para mostrar como chegou ao seu resultado. As explicacións non impiden de forma fiable o exceso de confianza; as explicacións demasiado técnicas ou demasiado simplificadas poden mesmo aumentar unha confianza inxustificada. |
Extracción non selectiva |
Scraping; ing. Untargeted scraping |
Recompilación automatizada e masiva de imaxes de internet ou de gravacións de cámaras de videovixilancia sen un fin nin unha persoa concretos. |
F |
||
Falso positivo |
ing. False Positive |
Un traballo correcto e honesto sinalado por erro. O erro que prexudica o alumnado. |
Fenda entre coñecemento e acción |
ing. Knowledge-Action Gap |
Distancia, medida empiricamente, entre saber sobre a IA e ensinar de forma diferente grazas a ese saber. |
Ferramenta de IA |
ing. AI Tool |
Calquera aplicación que use IA para apoiar unha tarefa. |
Filtro de contidos |
ing. Content filter |
Mecanismo automático que bloquea ou altera os contidos que un provedor considera inadecuados. Os seus criterios a miúdo non se fan públicos. |
Folla de ruta de integración |
ing. Integration Roadmap |
Percorrido paso a paso que segue un docente ou unha institución desde o primeiro contacto coa IA ata unha práctica consolidada; en DUAL.AI.TEACHer, nove etapas. |
Formación inicial do profesorado |
Formación inicial docente; ing. Initial teacher education (ITE), pre-service teacher education |
Formación universitaria do futuro profesorado. |
Formación permanente do profesorado |
Formación do profesorado en exercicio; ing. Continuing professional development (CPD) |
Aprendizaxe profesional para docentes que xa traballan nos centros educativos. A etapa 6 da folla de ruta convértea nunha oferta estruturada con microcredenciais acumulables. |
Formador de docentes |
ing. Teacher educator |
Persoal académico que imparte docencia na formación inicial do profesorado. Reforzar as súas capacidades é a etapa 3 da folla de ruta. |
Fundamentos e aplicacións da IA |
ing. AI foundations and applications |
Coñecementos conceptuais e destrezas transferibles para comprender como funciona a IA e para seleccionar, aplicar e adaptar ferramentas de IA. Aspecto específico de contido da dimensión vertical. |
G |
||
Gamificación |
ing. Gamification |
Uso de elementos de xogo nas clases. O uso da IA para a gamificación produciu unha mellora demasiado pequena para considerala demostrada. |
Gran modelo de linguaxe (LLM) |
LLM; ing. Large Language Model |
Modelo de IA adestrado con grandes cantidades de texto que xera continuacións verosímiles dun texto; a base dos chatbots. Funciona como un motor de predición, non como unha base de datos. |
H |
||
Hub dixital |
ing. Digital Hub |
Plataforma central en liña que reúne os recursos, os cursos e o intercambio comunitario dun proxecto. |
I |
||
IA |
Intelixencia artificial; ing. AI, Artificial Intelligence |
Sistemas informáticos que realizan tarefas asociadas ao pensamento humano, como recoñecer patróns, procesar a linguaxe ou xerar contidos, na maioría dos casos aprendendo a partir de datos. |
IA sustentable |
ing. Sustainable AI |
Desenvolver e usar a IA tendo en conta os seus efectos ambientais, sociais e económicos a longo prazo. |
IA xenerativa |
ing. Generative AI, GenAI |
IA que crea novos textos, imaxes ou outros contidos a partir dun prompt. |
ICEP |
Institute of European Certification of Personnel |
Organismo de certificación acreditado (ISO 17024) que xestiona a plataforma e o exame de certificación e custodia os rexistros de certificación. |
Insignia dixital |
Insignia dixital aberta; ing. Digital Badge |
Forma dixital e compartible dun certificado ou dunha microcredencial. |
Interface de chat dun LLM |
Asistente de chat de IA; ing. LLM chat interface |
Xanela de chat no navegador a través da cal os usuarios traballan cun gran modelo de linguaxe. |
Itinerario de certificación |
ing. Certification Pathway |
Vía pola que se validan e recoñecen formalmente as competencias, aquí como itinerario dual (vía A e vía B). |
L |
||
Licenza |
ing. Licence |
|
M |
||
Marco de competencias en IA para docentes da UNESCO |
ing. UNESCO AI Competency Framework for Teachers |
Marco da UNESCO (2024) que define os principios, valores, coñecementos e destrezas que os docentes necesitan para usar a IA de forma ética, eficaz e segura. Orixe da dimensión vertical. |
Marco de competencias pedagóxicas en IA |
Marco de competencias DUAL.AI.TEACHer; ing. AI Pedagogical Competency Framework |
Estrutura que ordena as competencias docentes relacionadas coa IA en dimensións e niveis e as vincula con resultados e avaliacións, aliñando aspectos pedagóxicos, éticos e técnicos. |
Marco europeo |
ing. European Framework |
Marco de referencia que ofrece definicións de competencias normalizadas a nivel europeo. |
Marco Europeo de Cualificacións |
EQF; ing. European Qualifications Framework |
Marco de referencia da UE que fai comparables as cualificacións entre países. A certificación está aliñada con el. |
Marco pedagóxico |
ing. Pedagogical Framework |
Conxunto estruturado de principios e enfoques pedagóxicos que orientan o deseño do ensino e a aprendizaxe. |
Mentalidade centrada no ser humano |
ing. Human-centred mindset |
Valores e actitudes que os docentes necesitan na interacción entre persoas e IA para dar prioridade ás necesidades, ao criterio e ao benestar das persoas. Aspecto transversal da dimensión vertical. |
Metaanálise |
Revisión; ing. Meta-analysis |
Estudo que combina os resultados de moitos estudos independentes sobre a mesma pregunta. |
Microcredencial |
ing. Micro-credential |
Certificación máis pequena que abrangue un conxunto delimitado de competencias en lugar dun itinerario completo; pódese acumular para obter cualificacións máis amplas. |
Modelo aberto |
Modelo de IA aberto; ing. Open model |
Modelo de IA cuxos compoñentes están dispoñibles de forma aberta, a diferenza dos modelos propietarios das empresas. Recoméndase como parte dun acceso á IA equitativo e financiado con fondos públicos. |
Modelo de ensino |
ing. Teaching Model |
Enfoque pedagóxico que define como se estruturan o ensino e a aprendizaxe, incluído o papel da IA. |
Modelo de IA |
ing. AI model |
Núcleo adestrado dun sistema de IA que xera resultados a partir de entradas. |
Modelo instalado localmente |
Modelo aloxado localmente; ing. Locally installed model |
Modelo de linguaxe que se executa nun dispositivo ou servidor propio do centro. É unha alternativa cando o acceso a internet no centro está restrinxido. |
Módulo formativo |
ing. Training Module |
Unidade formativa estruturada que desenvolve competencias mediante actividades e materiais de aprendizaxe. |
Motor de predición |
Resultados probabilísticos; ing. Prediction engine |
Os modelos de linguaxe xeran unha continuación verosímil dun texto en lugar de buscar feitos nunha base de datos. Isto explica por que alucinan e por que prompts semellantes poden producir respostas diferentes. |
N |
||
Nesgo |
ing. Bias |
Desviacións herdadas do material co que aprendeu un sistema, que non se reducen de forma fiable facendo o sistema máis grande. |
Nesgo de automatización |
Exceso de confianza; ing. Automation Bias |
Aceptar a suxestión dunha máquina sen comprobala de forma independente. |
Nivel de progresión |
Nivel; ing. Progression level |
Cada un dos tres niveis nos que se describe cada competencia clave: nivel 1 Coñecemento orientativo, nivel 2 Implementación reflexiva (o obxectivo principal para os docentes) e nivel 3 Liderado transformador. |
O |
||
Obriga de transparencia |
Obriga de etiquetaxe, deber de divulgación; ing. Transparency obligation |
Deber, segundo o art. 50 do Regulamento de IA, de informar as persoas cando interactúan cunha IA e de indicar as ultrafalsificacións e os textos xerados por IA sobre asuntos de interese público. Os contidos sometidos a revisión humana e a control editorial están exentos, polo que unha ficha revisada polo docente non necesita etiqueta. |
Operador |
ing. Operator |
Verbo en torno ao cal se constrúe un obxectivo de aprendizaxe (p. ex. recoñecer, implementar, criticar). Mostra o que se espera que faga un docente nese nivel e fai que o obxectivo sexa observable. |
P |
||
Pensamento computacional |
Pensamento algorítmico; ing. Computational thinking |
Abordar os problemas de xeito que un ordenador os puidese executar, por exemplo descompoñéndoos en pasos e recoñecendo patróns. |
Persoal docente universitario |
ing. University Faculty |
Persoal universitario implicado na formación do profesorado, un dos grupos destinatarios do Playbook. |
Personalización |
Personalización con IA; ing. Personalisation |
Adaptar recursos, tarefas ou apoios a cada aprendiz mediante IA. Pode favorecer a inclusión, pero tamén comporta riscos de inequidade, uso indebido dos datos e exclusión. |
Plataforma de aprendizaxe adaptativa |
ing. Adaptive learning platform |
Plataforma que axusta o contido, o ritmo ou o itinerario de aprendizaxe a cada aprendiz. |
Plataforma MOOC |
ing. MOOC Platform |
Plataforma dixital empregada para impartir cursos, xestionar participantes e aloxar contidos de aprendizaxe. |
Playbook |
|
Guía estruturada que traslada as competencias en IA á práctica docente mediante casos de uso, modelos pedagóxicos e recursos formativos. |
Prácticas de IA prohibidas |
Prácticas de IA vetadas; ing. Prohibited AI practices |
Oito usos da IA prohibidos de forma absoluta polo Regulamento de IA (art. 5) desde o 2 de febreiro de 2025. Catro afectan aos centros educativos: o recoñecemento de emocións, a explotación de vulnerabilidades, as bases de datos de recoñecemento facial creadas mediante extracción non selectiva e a categorización biométrica. |
Predicibilidade |
ing. Predictability |
Grao en que a redacción dun texto é esperable. Os detectores de IA miden a predicibilidade, non a autoría dunha máquina, polo que sinalan erroneamente textos sinxelos ou escritos nunha segunda lingua. |
Programación da sesión |
ing. Lesson Plan |
Plan detallado dunha sesión de ensino que inclúe os obxectivos, as actividades e a integración de ferramentas de IA. |
Prompt |
Instrución |
Instrución que un usuario dá a un sistema de IA. A súa formulación, o contexto e as restricións condicionan o resultado. |
Prompt estruturado |
ing. Structured prompt |
Prompt que especifica algo máis ca o tema, por exemplo o público destinatario, a finalidade, o contexto, o nivel de lingua, o ton, a idade do alumnado, o obxectivo de aprendizaxe, a duración e o resultado esperado. Dá máis control sobre o resultado, pero non garante que sexa bo. |
Prompt único |
Instrución única; ing. One-shot prompt, single prompt |
Prompt enviado unha soa vez, sen refinamento nin seguimento. (No uso técnico, o termo tamén pode designar un prompt que contén un exemplo resolto.) |
Protección de datos |
ing. Data protection |
Protección legal dos datos persoais. O alicerce do dereito da IA, que se aplicou desde sempre; na UE, principalmente o RXPD. |
Provedor |
Provedor de IA; ing. Provider |
Empresa que desenvolve e ofrece un sistema de IA. Adoita ser responsable de informar os usuarios de que están a interactuar cunha IA; cando trata datos por conta dun centro, actúa como encargado do tratamento segundo o RXPD. |
R |
||
Recoñecemento de emocións |
ing. Emotion recognition |
IA que afirma inferir sentimentos ou intencións a partir de datos biométricos, p. ex. detección da atención, análise do estado de ánimo ou puntuación do «compromiso» mediante unha cámara web. Prohibido nos centros educativos desde o 2 de febreiro de 2025, con excepcións limitadas por motivos médicos ou de seguridade. |
Recoñecemento de voz |
ing. Speech recognition |
Forma de IA na que un programa tenta recoñecer palabras ou números falados. O seu funcionamento depende do micrófono, da claridade coa que fala a persoa e de que o espazo estea en silencio. |
Recoñecemento facial |
ing. Facial recognition |
IA que identifica persoas polo seu rostro, p. ex. para controlar a asistencia ou vixiar exames. Está prohibido crear ou ampliar bases de datos de recoñecemento facial mediante a extracción non selectiva de imaxes. |
Recurso educativo aberto (REA) |
REA; ing. Open Educational Resource (OER) |
Material de ensino e aprendizaxe publicado baixo unha licenza aberta que permite usalo, adaptalo e compartilo libremente. |
Reescritura de prompts |
ing. Prompt rewriting |
O provedor modifica automaticamente o prompt do usuario antes de que o reciba o modelo, por exemplo para engadir detalles ou diversidade. O usuario non ve o cambio, polo que o que escribiu non é o que se lle pediu á máquina. |
Refinamento iterativo de prompts |
ing. Iterative prompting, prompt refinement |
Mellorar un resultado da IA ao longo de varias roldas en lugar de depender dun único prompt: definir o obxectivo, formular o prompt, avaliar o resultado, refinar e verificar. |
Regulamento de IA da UE |
Regulamento de IA, Regulamento (UE) 2024/1689; ing. EU AI Act, AI Act |
Normativa única da UE para a IA, baseada no risco. Clasifica os sistemas de IA segundo o risco que supoñen, desde as prácticas prohibidas e os usos de alto risco ata as ferramentas cotiás sen normas especiais, e aplícase a organizacións públicas e privadas, incluídos os centros educativos. En vigor desde o 1 de agosto de 2024, con aplicación progresiva ata 2027. |
Rendición de contas |
ing. Accountability |
Responder polas decisións sobre o uso da IA e polas súas consecuencias. A responsabilidade segue sendo das persoas e das institucións, nunca do sistema. |
Responsable do despregamento |
ing. Deployer |
Organización que introduce e controla un sistema de IA, normalmente o centro ou a administración educativa. Un docente que usa a ferramenta seguindo as instrucións do centro normalmente non é un responsable do despregamento independente. |
Responsable do tratamento |
ing. Controller, data controller |
Segundo o RXPD, a entidade responsable do tratamento de datos persoais. Nos centros educativos adoita ser o propio centro. |
Resultado de aprendizaxe |
ing. Learning Outcome |
Enunciado medible que describe o que se espera que un aprendiz saiba ou sexa capaz de facer. |
Retractación |
ing. Retraction |
Retirada oficial dun artigo publicado por parte dunha revista. O artigo segue visible, marcado como «RETRACTED», para que quen o citase poida decatarse. |
Revisión de código |
Revisión de código asistida por IA; ing. Code review |
O alumnado escribe primeiro o seu propio código e despois pídelle á IA que suxira melloras, en lugar de deixar que escriba a solución. As suxestións deben avaliarse de forma crítica. |
Rexistros |
ing. Logs |
Rexistros xerados automaticamente por un sistema de IA. Os responsables do despregamento de sistemas de alto risco deben conservalos durante polo menos seis meses cando estean baixo o seu control. |
RXPD |
Regulamento xeral de protección de datos, Regulamento (UE) 2016/679; ing. GDPR |
Normativa de protección de datos da UE. Mentres o Regulamento de IA pregunta se e como se pode usar un sistema de IA, o RXPD pregunta se determinados datos dunha persoa concreta se poden tratar dun xeito determinado. |
S |
||
Seguridade técnica |
ing. Technical safety |
Fiabilidade e robustez dun sistema de IA para que funcione como está previsto e non cause danos. |
Servidor |
ing. Server |
Ordenador que almacena e trata datos para outros a través dunha rede. A localización dos servidores dunha ferramenta de IA (p. ex. na UE) inflúe nas normas de protección de datos aplicables. |
Sistema de IA de alto risco |
IA de alto risco; ing. High-risk AI system |
Sistema de IA cuxa finalidade prevista o somete a obrigas estritas. No ámbito educativo: decidir sobre a admisión, avaliar resultados de aprendizaxe ou orientar a aprendizaxe, valorar o acceso a niveis educativos e detectar comportamentos prohibidos nos exames; no caso do persoal: contratación, promoción, asignación de tarefas e avaliación do desempeño. As obrigas aplícanse desde o 2 de decembro de 2027. |
Sistema de titoría intelixente |
ing. Intelligent tutoring system (ITS) |
Software de aprendizaxe consolidado que guía o alumnado con tarefas e retroalimentación personalizadas. |
Soberanía dixital |
ing. Digital sovereignty |
Control sobre os propios datos, a infraestrutura e as eleccións tecnolóxicas. Construír unha plataforma propia non dá automaticamente máis control, polo que o Playbook aconsella usar o termo con cautela. |
Software de práctica adaptativa |
ing. Adaptive practice software |
Software de práctica xa empregado nos centros educativos que axusta os exercicios ás respostas do alumnado. Os chatbots de IA xenerativa mostraron efectos maiores no coñecemento e na comprensión. |
Supervisión humana |
ing. Human oversight |
Requisito de que persoas competentes, formadas e autorizadas supervisen un sistema de IA de alto risco, comprendan os seus límites e poidan ignorar ou anular o seu resultado. Unha supervisión sen coñecementos especializados non é supervisión. |
T |
||
Taxonomía revisada de Bloom |
ing. Revised Bloom's taxonomy |
Modelo no que os procesos cognitivos avanzan desde lembrar e comprender, pasando por aplicar e analizar, ata avaliar e crear (Anderson & Krathwohl, 2001). Base dos niveis de progresión. |
Terceiro |
ing. Third party |
Empresa que non é nin o centro nin o desenvolvedor da aplicación, normalmente empresas de publicidade ou de análise que reciben datos mentres o alumno traballa. |
Titor de IA |
ing. AI Tutor |
Sistema de IA deseñado para explicar contidos e guiar o alumnado. Pode apoiar a adquisición de coñecemento factual. |
Titor socrático |
ing. Socratic tutor |
Chatbot ao que se lle indica que faga preguntas orientadoras en lugar de dar respostas. Se se configura só mediante o prompt, tende a volver dar respostas nas conversas longas, polo que hai que incorporar límites fiables no propio sistema. |
Transparencia algorítmica |
ing. Algorithmic transparency |
Grao en que se pode comprender como chega un sistema de IA aos seus resultados e quen decidiu como se comporta. |
U |
||
Ultrafalsificación |
Deepfake |
Contido de imaxe, audio ou vídeo xerado ou manipulado con IA que parece auténtico. Debe indicarse cando se usa na aula (art. 50.4 do Regulamento de IA). |
Unidade de aprendizaxe |
ing. Learning Unit |
Actividade de aprendizaxe concreta que realiza o aprendiz dentro dun módulo. |
Unidade de contido |
ing. Content Unit |
O compoñente de aprendizaxe reutilizable máis pequeno, empregado nas programacións de sesión e nos módulos. |
V |
||
Vía de certificación |
Vía A, vía B; ing. Certification track |
Unha das dúas certificacións complementarias: vía A, Ensino apoiado pola IA (CON IA), e vía B, Alfabetización en IA (SOBRE A IA). Os docentes poden cursar unha delas ou as dúas. |
Vibe coding |
|
Crear ou ampliar software describindo en linguaxe natural o que debe facer e deixando que unha IA escriba o código. No Playbook, o alumnado amplía unha simulación existente mediante prompts en lugar de programar desde cero. |
Vixilancia de exames |
Supervisión remota de exames; ing. Proctoring, remote proctoring |
Supervisión de exames mediante software, por exemplo a través dunha cámara web. A IA que detecta comportamentos prohibidos durante os exames considérase de alto risco; o exame de certificación utiliza supervisión remota. |
X |
||
Xeración de código |
ing. Code generation |
Deixar que a IA escriba código de programación. O alumnado principiante debería evitalo porque aínda non pode xulgar se o código é correcto. |
Xerador de imaxes a partir de texto |
Xerador de imaxes; ing. Text-to-image generator |
IA xenerativa que crea imaxes a partir dun prompt escrito. O que mostra depende dos seus datos de adestramento e dos axustes realizados polo seu provedor. |