Playbook GAL

0. Sobre o Playbook DUAL.AI.TEACHer

Obxectivos do Playbook

Este playbook diríxese a docentes, directores de centros educativos e profesorado universitario que desexen adquirir os coñecementos necesarios sobre o uso da intelixencia artificial (IA) nos centros educativos e sobre a transformación das súas institucións para un (mellor) uso da IA. A IA na escola e na formación do profesorado pode empregarse con fins moi diversos. No que respecta ao ensino, distinguimos entre "ensinar sobre a IA" e "ensinar coa IA" para transmitir coñecementos específicos da materia.

O desenvolvemento da intelixencia artificial avanza a un ritmo extremadamente rápido e o seu uso penetra cada vez máis na nosa sociedade, chegando tanto á vida cotiá como á educación. Esta omnipresenza trae consigo implicacións múltiples e a miúdo interconectadas, que abranguen dimensións éticas, sociais, económicas, xurídicas e culturais, e que afectan a cuestións como a protección de datos, a equidade e a non discriminación, a transparencia algorítmica, a seguridade técnica e a rendición de contas. Precisamente pola velocidade desta difusión e pola magnitude das súas consecuencias, cada vez é máis necesario contar con directrices compartidas, marcos normativos e ferramentas de gobernanza capaces de orientar o desenvolvemento tecnolóxico nunha dirección responsable e sustentable.

Estrutura do Playbook

Para abordar todos estes aspectos, estruturamos o manual do seguinte xeito:

Como navegar polo Playbook

Gemini_Generated_Image_t1spb4t1spb4t1sp.jpg

Fig. 1: "Os camiños cara á especialización" (imaxe xerada con IA, Google Gemini)

Para docentes

Hai distintas maneiras de utilizar o Playbook.

Opción 1: Busca ideas para a súa próxima xornada lectiva, ben para ensinar ao alumnado sobre a IA, ben para empregar a IA no ensino de contidos específicos da materia.

Neste caso, vaia directamente ao capítulo 2, onde engadimos continuamente novas boas prácticas. Agardamos que atope o que busca. Se non é así, envíenos un correo electrónico para que poidamos elaborar un novo recurso que cubra a carencia detectada.

Opción 2: Quere coñecer o marco legal que regula o uso da IA.

Neste caso, vaia ao capítulo 1.1.

Opción 3: Desexa obter a cualificación necesaria para ensinar sobre a IA de forma eficaz e incorporar a IA ao ensino da súa materia.

Neste caso, convidámolo a realizar a nosa proba inicial e a seguir despois os nosos módulos de cualificación. Coa obtención de microcredenciais, pode completar un desenvolvemento profesional integral adaptado ao seu nivel de especialización.

Para equipos directivos

Está preparado para emprender co seu centro unha apaixonante viaxe para levar a IA ao seu mundo profesional? No capítulo 5 trazamos unha folla de ruta clara que o guiará en cada paso do camiño. O noso programa de cualificación permítelle preparar os seus compañeiros para a aventura que os agarda.

Para profesorado universitario

A IA está a deixar a súa pegada na formación do profesorado, ás veces con trazos marcados, outras de maneira sutil. Entendendo a formación do profesorado como unha viaxe que comeza na universidade e se desenvolve co paso do tempo, o capítulo 5 ofrécelle unha folla de ruta para inspirar e acompañar o futuro profesorado mentres explora o cambiante panorama da IA.

1. A IA na educación

1. A IA na educación

1.1 Potencialidades e riscos

Se só lembra unha frase desta páxina: a IA chegou ás escolas coma un medicamento sen prospecto. Como docente, non sabe cando empregar a IA, carece de indicacións de dosificación e non hai información sobre os efectos secundarios. Este capítulo serve de prospecto do Playbook.

Debería a IA vir cun prospecto, coma un medicamento?

Coñece ese papeliño dobrado que vai dentro de cada caixa de medicamentos? Ese que probablemente bota a un lado sen mirar? Pode parecer aburrido, pero este pequeno papel é un discreto triunfo do século pasado. O prospecto detalla catro cuestións esenciais: que trata o medicamento, canto hai que tomar, que sorpresas pode traer e quen debe evitalo.

Detrás de cada liña dese prospecto hai toda unha maquinaria: ensaios clínicos, autoridades reguladoras e a obriga de dar a coñecer os erros. Ninguén cre que o propio prospecto cure. O seu verdadeiro poder é facer que o medicamento sexa seguro para calquera persoa. Esa é a maxia que nos falta cando deixamos que a IA ensine sen orientación.

As ferramentas de IA que agora se instalan silenciosamente no seu centro herdan un problema máis antigo ca a propia IA: a tecnoloxía educativa raramente veu acompañada de instrucións. No Reino Unido, unha revisión concluíu que só 7 de cada 100 empresas de tecnoloxía educativa someteran os seus produtos a un ensaio aleatorizado e que só 12 de cada 100 solicitaran unha certificación externa. Os centros raramente esixen máis. Nunha enquisa realizada en 17 estados dos Estados Unidos, só 11 de cada 100 docentes e responsables de xestión solicitaran evidencias revisadas por pares antes de adoptar unha nova ferramenta.

O resultado, en moitos casos, é diñeiro desperdiciado. Nos Estados Unidos, de media, dous terzos das licenzas de software educativo quedaron sen usar e 98 de cada 100 nunca se usaron de forma intensiva. O EdTech Genome Project, tamén nos Estados Unidos, analizou preto de 7000 ferramentas didácticas por valor de 13 000 millóns de dólares e concluíu que 85 de cada 100 eran pouco axeitadas ou se implantaran incorrectamente.

Este capítulo pode parecer a sección árida pero necesaria, mais revela as historias ocultas detrás das normas. Conta o que pasou realmente, a quen afectou, e pon o foco nos efectos secundarios, mesmo nos que chegaron silenciosamente a menores que nunca deron o seu consentimento.

Potencialidades da IA

A maioría dos estudos sobre as potencialidades da IA céntranse no estudantado universitario. Ata agora, o alumnado escolar apareceu relativamente pouco nestes estudos. E a maioría dos estudos refírense a intervencións de curta duración, desde unhas poucas horas ata algunhas semanas. Por conseguinte, o chamado efecto novidade puido influír positivamente nos resultados. Unha ampla revisión de 68 experimentos atopou exactamente este patrón: canto máis curto era o estudo e menor o número de participantes, maior era o beneficio da IA informado.

(1) Deixe que a IA explique un tema novo e reserve a práctica para a súa clase

Imaxine isto. Mañá, cando un alumno perda un tema ou necesite que lle volvan explicar ese concepto complicado, deixe que un titor de IA se encargue da primeira explicación. Reserve a práctica para a súa clase, onde a aprendizaxe real cobra vida.

Por que importa. Nun ensaio ben controlado, un titor de IA ensinou contidos novos polo menos tan ben coma unha boa clase. Nun estudo de Harvard, 194 estudantes de física aprenderon dous temas. Para un deles empregaron un titor de IA desenvolvido con ese fin. Para o outro, aprenderon nunha clase de aprendizaxe activa ben dirixida, con discusión e resolución de problemas en parellas, non nunha clase maxistral. Cada estudante pasou polos dous enfoques, de modo que ninguén pode alegar que o grupo máis forte recibiu o mellor tratamento. Nunha proba realizada inmediatamente despois, o estudantado ao que ensinou a IA obtivo resultados significativamente superiores. Os investigadores rexistraron unha mediana de 49 minutos para completar a tarefa, fronte aos 60 minutos asignados á clase no horario. Os autores son cautos na interpretación destes resultados: os contidos eran novos para o estudantado e boa parte da tarefa consistía simplemente en explicalos ben. Rexeitan expresamente estender o seu resultado a tarefas que requiran relacionar varias ideas entre si. E tratábase de estudantes universitarios, non de alumnado de 13 ou 14 anos.

Unha ampla revisión que agrupa os resultados de 228 estudos apunta na mesma dirección, cunha limitación importante. A IA xenerativa produciu maiores avances no coñecemento e na comprensión ca formas máis antigas de IA, como os sistemas de titoría intelixente e o software de práctica adaptativa. Pero este foi o único dos catro resultados medidos pola revisión no que a IA xenerativa levou vantaxe.

Para afondar. 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, Article 17458. Acceso aberto, DOI 10.1038/s41598-025-97652-6. O artigo describe como se deseñou e controlou o titor, algo útil para quen desexe desenvolver un titor de IA propio.

(2) Aproveitar mellor o tempo de planificación das clases

Imaxine isto. Aforre parte do tempo que dedica á planificación das clases empregando a IA para redactar un primeiro borrador da programación da sesión e revisándoo despois a fondo.

Por que importa. Ninguén discute que a carga de traballo do profesorado é elevada. Por iso, un posible beneficio da IA é empregar o tempo de traballo de maneira máis eficiente. Un ensaio realizado en Inglaterra investigou se o uso específico da IA para planificar as clases pode reducir a carga de traballo docente. Os investigadores asignaron aleatoriamente 259 docentes de ciencias de 68 centros ben a un grupo que empregaba ChatGPT xunto cunha guía en liña para usalo ben, ben a un grupo ao que se lle pediu que non empregase IA xenerativa en absoluto. Os docentes do grupo de ChatGPT dedicaron uns 56 minutos semanais a planificar clases de ciencias para Year 7 e Year 8 (de 11 a 13 anos), fronte a uns 81 minutos no grupo de comparación. Un panel de especialistas na materia avaliou a calidade das programacións sen saber se se elaboraran coa axuda da IA ou sen ela. Os especialistas non atoparon indicios de que a calidade das programacións fose diferente. Porén, cómpre salientar dous aspectos. (1) Os docentes usaron a ferramenta cada vez menos co paso das semanas. Os avaliadores interpretárono como o paso dunha fase de aprendizaxe á rutina; tamén pode significar que o aforro non se mantén sen apoio. (2) O ensaio mediu o tempo que o profesorado dedicaba á planificación, non os resultados de aprendizaxe do seu alumnado.

Voices from the field

“Todo se reduce ao tempo. Mesmo os docentes que ven o valor da IA raramente teñen tempo para aprender a usala.”

Para afondar. Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024, 12 December). ChatGPT in lesson preparation: A Teacher Choices Trial. NFER, commissioned by the Education Endowment Foundation and the Hg Foundation. Dispoñible gratuitamente en educationendowmentfoundation.org.uk.

(3) Ofrecer mellor apoio ao alumnado que non se beneficia plenamente das clases ordinarias

Imaxine isto. O seu centro decide en que quere investir os seus fondos e pensa adquirir un chatbot de IA. Que probabilidade cre que hai de que os provedores do chatbot lle acheguen evidencias dos beneficios do bot nas distintas materias?

Por que importa. O provedor pode remitir á investigación sobre alumnado con discapacidade, un dos ámbitos máis estudados da IA na educación e que facilmente se pasa por alto á hora de repartir os fondos. Nunha análise de 29 estudos con 41 grupos de alumnado con discapacidade, os investigadores atoparon beneficios moderados nunha ampla variedade de contextos. Pero lea a letra pequena. En sete de cada dez destes estudos, “IA” significaba un robot, normalmente humanoide e a miúdo manexado por un investigador fóra da vista do neno. Só un de cada cinco estudos empregou software. Polo tanto, isto non demostra que un chatbot vaia axudar a un alumno autista da súa aula. Os autores da revisión tampouco puideron dicir que fai eficaces estas intervencións. A partir da súa investigación, non foron quen de identificar en que se diferenciaban os estudos que funcionaron dos que non.

Para afondar. 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. Acceso aberto, DOI 10.3102/00346543241293424. A verdadeira xoia é a táboa de estudos incluídos: revela ao instante que pouco deste campo se centra realmente nas ferramentas que se están a comercializar actualmente para os centros educativos.

(4) Ensinar ao alumnado como falla a IA

Imaxine isto. Pídalle á súa clase que cree dez imaxes co prompt “a doctor” (persoal médico) e dez co prompt “a nurse” (persoal de enfermaría). Conte quen aparece en cada serie e abra despois un debate: de onde veñen estes patróns e quen tomou esas decisións?

Gemini_Generated_Image_mfaur1mfaur1mfau.jpg

Fig. 1: “Prompt dun só intento (one-shot): a doctor, a nurse” (imaxe xerada con IA, NanoBanana 2)

Por que importa. A versión clásica desta lección parece desfasada, e precisamente por iso merece atención. Durante anos, a demostración era previsible: pídese un médico e aparece un home. Nunha proba da organización sen ánimo de lucro AlgorithmWatch, Midjourney representou case sempre os médicos como homes brancos, mentres que Adobe Firefly fixo intentos visibles, aínda que imperfectos, de diversificar. Un estudo revisado por pares sobre 2400 imaxes de cirurxiáns xeradas con IA atopou a mesma división entre produtos: dous de tres xeradores populares case non mostraban mulleres, mentres que o terceiro se achegaba á proporción real de mulleres na cirurxía.

Probe hoxe o mesmo prompt e quizais vexa aparecer unha médica ou un enfermeiro (Fig. 1). Pero non se deixe enganar pensando que o nesgo desapareceu. Unha análise de 2026 sobre 1344 imaxes de tres xeradores populares revelou o contrario: ao pedirlle unha “persoa competente”, un dos sistemas non mostrou ningunha muller.

O que cambiou non é o nesgo, senón a capa na que se atopa, e esa é a lección importante. Detrás de calquera destas imaxes hai decisións humanas: con que se adestrou o sistema e que decidiron despois os seus creadores que debía mostrar. O segundo é axustable, invisible e decídeo unha empresa.

A primeira capa de decisións humanas é o que o sistema absorbeu. Millóns de imaxes, creadas e etiquetadas por persoas, cada unha delas un eco do mundo tal como xa era. Esta é a capa que revela a lección clásica sobre os nesgos, e o alumnado compréndea facilmente: a máquina converteuse nun reflexo daquilo co que foi alimentada.
A segunda capa está determinada polo que unha empresa decide mostrarlle a continuación, pero esta influencia non deixa rastro na propia imaxe. Aquí suceden tres cousas, cada unha descrita polos propios creadores coas súas palabras.
Así, cando un alumno escribe “a doctor” e aparece unha muller, a imaxe non ofrece ningunha pista sobre que capa a fixo aparecer. Esa incerteza non é un defecto da lección. É a lección en si.
A vella historia afirmaba que a máquina simplemente absorbía os prexuízos da sociedade. A nova historia vai máis ao fondo e perdura máis: unha empresa tomou unha decisión! Esa decisión non se pode detectar no resultado, e pode cambiar calquera martes, en silencio e sen previo aviso. Esta verdade mantense con cada novo modelo. A lección sobre os estereotipos esvaécese.

Esta é a lección que merece a atención do alumnado, e sobrevivirá á próxima actualización do modelo: a imaxe non é un simple reflexo da realidade nin xurdiu por casualidade. Alguén tomou unha decisión.

Zeichenfläche 1-100.jpg

Fig. 2: “Por que a imaxe xerada a partir dun prompt como ‘debuxa un médico’ ten o aspecto que ten e por que a propia imaxe non llo vai dicir” (imaxe xerada con IA, NanoBanana 2)

Esta lección pode comezar cedo. Cando 209 estudantes finlandeses de 12 clases de 6.º e 7.º curso traballaron este tema, a proporción dos que eran capaces de explicar o nesgo a partir dos datos pasou de aproximadamente 7 de cada 100 a 4 de cada 100. A reserva honesta: o estudo mediu o que os nenos eran capaces de explicar, non o que farían máis adiante.

Voices from the field

“O nesgo non é exclusivo da IA. Mesmo os libros de texto poden telo. O importante é saber sobre o azar, sobre os datos que hai detrás dunha resposta e sobre as posibles distorsións.”

Para afondar. 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. Acceso aberto, DOI 10.1177/14614448241252820. O estudo non tiña grupo de comparación: léao como un deseño didáctico prometedor, non como unha proba.

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. Publicación anticipada en liña (online first). Acceso aberto, DOI 10.1177/14614448261435197.

Ali, R., et al. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. DOI 10.1001/jamasurg.2023.5695.

Declaracións dos propios provedores: OpenAI (2022), Reducing bias and improving safety in DALL·E 2; Depue, W. (2023), What’s new with DALL·E 3?, OpenAI Cookbook; Raghavan, P. (2024), Gemini image generation got it wrong. We’ll do better, Google. 

Que solidez teñen neste momento os resultados da investigación sobre as potencialidades da IA?

O máis importante. Se alguén lle cita un estudo, faga dúas preguntas antes de darlle a razón: “Quen era o alumnado e canto durou o estudo?”

Por que importa. En 2025, unha metaanálise de 51 estudos informou dun gran beneficio de ChatGPT no rendemento académico do estudantado. O artigo foi lido centos de miles de veces e serviu de base para numerosas afirmacións categóricas nas salas de profesorado. O 22 de abril de 2026, a revista retractou o artigo. Unha retractación significa que unha revista retira oficialmente algo que publicou; o artigo segue visible, marcado coa indicación “RETRACTED”, para que quen o citase poida decatarse. Dous investigadores alleos ao estudo detectaran incoherencias na análise. O editor da revista escribiu que os problemas “minan a confianza do editor na validez da análise”. Os autores non responderon á correspondencia sobre este asunto.

Isto non significa que a IA non teña impacto. Hai estudos fiables que demostran beneficios moderados. Este campo de investigación tampouco está aínda ben delimitado, porque é relativamente novo e moi dinámico. Significa que a cifra citada con frecuencia era incorrecta e que fixeron falta un ano e dous expertos externos para decatarse diso.

Cómpre mencionar outra reserva. Polo menos en matemáticas, canto máis se achegan as evidencias á escola, menor é o efecto. Se se consideran todas as materias, o panorama é desigual: algunhas revisións recentes atopan efectos maiores nos centros escolares ca nas universidades, pero os estudos en contexto escolar seguen sendo poucos e pequenos.

Para afondar. A propia retractación ocupa unha soa páxina, é de acceso aberto e paga a pena lela precisamente porque é breve: Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking. Humanities and Social Sciences Communications, 13, 528. DOI 10.1057/s41599-026-07310-z.

O orixinal retractado era HSSC 12, 621 (2025). Segue vixente: 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, 684. Acceso aberto, DOI 10.1057/s41599-026-07019-z.

A cifra referida só ao ámbito escolar en matemáticas: 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. DOI 10.1007/s10763-024-10499-7.

Unha análise agrupada máis ampla e recente: Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. DOI 10.1016/j.edurev.2025.100714.

Riscos da IA

(1) Facer algo non é o mesmo que aprender

Imaxine isto. Antes de mandar para a casa unha tarefa que un chatbot poida resolver, pense na finalidade da tarefa. Non sería boa idea cambiala?

Por que importa. Apréndese máis rápido cun chatbot? Arredor de mil alumnos de secundaria (cursos 9.º a 11.º) practicaron matemáticas en tres grupos: un cun chatbot estándar, outro cunha versión programada para non dar a resposta e formular unha pregunta de seguimento, e outro sen chatbot. Mentres usaba o chatbot, o grupo co chatbot estándar resolveu un 48 % máis de exercicios de práctica que o grupo sen chatbot. Despois, todos fixeron o mesmo exame sen chatbot. O resultado, que ao principio pareceu sorprendente, foi que o grupo do chatbot estándar obtivo un rendemento un 17 % inferior ao do alumnado que non usara ningún chatbot. O grupo que traballara co chatbot que non daba a resposta non mostrou ningunha baixada de rendemento na proba en comparación co grupo sen chatbot, pero practicou máis. O alumnado que usou o chatbot estándar nin foi preguiceiro nin fixo trampas. Traballou máis e aprendeu menos, porque o que eliminou a ferramenta non foi o esforzo, senón o desafío cognitivo que constitúe a aprendizaxe.

Voices from the field

“A IA fai moi doado obter unha solución sen entendela.”

Para afondar. 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. PNAS, 122, e2422633122. DOI 10.1073/pnas.2422633122.

(2) Os detectores de IA penalizan o alumnado equivocado

Imaxine isto. Recibe para corrixir a redacción dun alumno. Con curiosidade por saber se é auténtica, pásaa por un detector de IA. O resultado aparece na pantalla: case con certeza, a redacción foi escrita por unha IA.

Por que importa. Emprega o detector de IA para garantir a equidade, pero para un grupo concreto os detectores teñen exactamente o efecto contrario. Un detector non recoñece o texto xerado por máquinas. Mide o previsible que é a redacción. E aí é precisamente onde está o problema, por exemplo, cando un alumno escribe nunha lingua estranxeira, ten pouca práctica escribindo ou dispón dun vocabulario cotián limitado. A súa escrita é previsible. Cando sete detectores moi empregados analizaron 91 redaccións escritas para o exame de inglés TOEFL por falantes non nativos, recompiladas nun foro chinés en liña, clasificáronas erroneamente como xeradas por máquina en arredor de seis de cada dez casos. As redaccións de alumnado estadounidense de 13 ou 14 anos que escribía no seu inglés nativo clasificáronse case todas correctamente. Unha ferramenta que xera falsos positivos precisamente para un grupo non é neutral. Ademais, este é o grupo con menos capacidade para defenderse.

Para afondar. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Acceso aberto, DOI 10.1016/j.patter.2023.100779.

(3) Onde demo acabarán os datos do alumnado?

Imaxine isto. Emprega unha ferramenta de IA que lle ofrece o seu centro. Intente descubrir a onde van os datos do alumnado.

Por que importa. Pode o seu centro garantir que os datos non se transmiten a terceiros? Un terceiro é unha empresa que non é nin o seu centro nin o desenvolvedor da aplicación. Normalmente trátase de empresas de publicidade ou de analítica que reciben datos mentres o alumno traballa. Ninguén no centro escolleu esa empresa. Cando uns investigadores realizaron unha análise técnica de 163 produtos de aprendizaxe recomendados polos gobernos durante os peches escolares pola pandemia, 145 deles trataban os datos dos menores dun xeito que poñía en perigo ou vulneraba os seus dereitos, ao transmitiren datos a 196 empresas terceiras, na súa maioría do sector publicitario, ou ao daren acceso a eles. Dos 42 gobernos que desenvolveran produtos propios en lugar de compralos, 39 desenvolveran produtos co mesmo problema. O estudo abrangue produtos de 2021 e algúns poden ter cambiado desde entón. Porén, non se pode descartar que o mesmo suceda coas aplicacións de IA.

Para afondar. Human Rights Watch (2022). "How dare they peep into my private life?: Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. Dispoñible gratuitamente en hrw.org. Os anexos por países permiten consultar que se recomendou en cada lugar.

(4) A IA chega en último lugar a onde máis se necesita

Imaxine isto. Canta formación recibiu xa para ensinar sobre a IA ou para ensinar a súa materia coa IA?

Por que importa. Nun experimento, persoas adultas con e sen estudos universitarios resolveron unha tarefa empresarial semellante ás do mundo laboral. Cun asistente de IA, desapareceron arredor de tres cuartas partes da diferenza entre ambos os grupos. Cando despois os investigadores retiraron o asistente, unha parte considerable da diferenza volveu aparecer. Os autores conclúen que a IA fixo boa parte do traballo e que só unha parte da mellora se mantivo unha vez retirada.

Unha enquisa a directores de centros escolares estadounidenses engade a segunda metade do cadro: canto máis desfavorecido era o alumnado dun centro, menos fixera o centro para integrar a IA (menos normativas internas, menos formación do profesorado, menos orientacións sobre o uso por parte do alumnado). Trátase dunha asociación, non dunha proba de causalidade.

En conxunto: unha boa ferramenta pode reducir unha fenda mentres está nas mans do alumno. Pero tende a chegar aos centros que menos a necesitan, e só unha parte do seu beneficio permanece cando se retira.

As cifras alemás mostran o mesmo patrón. Entre 1590 persoas novas de 14 a 20 anos, o 80 % das procedentes das familias máis acomodadas, pero só o 55 % das procedentes das menos acomodadas, vían a IA como unha oportunidade para a escola. O uso segue o mesmo gradiente: entre a xente nova que emprega ferramentas de IA, o 70 % do alumnado de Gymnasium (ensino secundario académico) utilízaas para a escola ou os deberes, fronte ao 58 % noutros centros de secundaria.

E a formación permanente do profesorado? Unha enquisa a máis de dez mil docentes de Inglaterra concluíu que o 45 % do profesorado de centros privados xa recibira formación formal sobre IA, fronte ao 21 % nos centros públicos. Dentro do sistema público, a cifra ía desde o 26 % nos centros con alumnado máis acomodado ata o 18 % nos de alumnado menos acomodado.

Para afondar. 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 34851). Documento de traballo, aínda sen revisión por pares. Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper 35347). Latham, K., & Montacute, R. (2025). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. Dispoñible gratuitamente en suttontrust.com. Vodafone Stiftung Deutschland (2024), Pioniere des Wandels; mpfs (2024), JIM-Studie 2024. Ambos de acceso libre, en alemán.

(5) O que mellora ao aprender coa IA non é necesariamente o que se ve

Imaxine isto. Introduce un novo chatbot nas súas clases e o alumnado úsao con entusiasmo.

Por que importa. Unha ampla revisión de 228 estudos analizou catro aspectos que a IA podería mellorar: o coñecemento e a comprensión; a aplicación do que se sabe; a dimensión afectiva, como a motivación e a implicación; e a capacidade de planificar, supervisar e corrixir a propia aprendizaxe. Tres dos catro melloraron. O último non, polo que permiten saber os estudos.

Só un puñado dos resultados procedían de ensaios aleatorizados, e o entusiasmo que se observa nas primeiras semanas é exactamente o que mellor captan os estudos curtos.

Unha breve nota á marxe: nesta revisión, os maiores avances rexistráronse nas artes e nas humanidades.

Para afondar. 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. DOI 10.1007/s10648-025-10085-5.


1. A IA na educación

1.2 Ensinar sobre a IA e ensinar coa IA

Mensaxe clave

Se só lembra unha frase desta páxina: a IA é un navegador GPS. Salva a condutora que xa ten un mapa na cabeza e impide, sen que se note, que quen non o ten chegue a construílo nunca.

O problema do GPS

Para conducir un taxi en Londres, primeiro hai que superar unha proba de coñecementos: 320 rutas establecidas nas 113 millas cadradas (uns 290 km²) situadas a menos de seis millas (uns 10 km) de Charing Cross. Transport for London concede ata dous anos de preparación antes mesmo de que comecen os exames.

As condutoras que superaron a proba tamén usan GPS, e ninguén as considera peores por iso. A proba de coñecementos non perdeu o seu valor cando chegou o dispositivo. O GPS converteuse no que fai segura a condución. Unha condutora que leva a cidade na cabeza usa o GPS para o que non pode saber: o accidente na ponte ou o tráfico desta noite. E decátase cando a manda por unha rúa que está levantada por obras desde abril.

Agora poña unha recén chegada no mesmo taxi e co mesmo GPS. Chega a todos os enderezos. Durante un tempo, non se distingue da condutora experimentada. Pero, seguindo as instrucións do GPS, non está a construír nada. Despois dun ano xirando á esquerda cando llo indican, segue sen poder cruzar a cidade sen o dispositivo e non é capaz de saber cando se equivoca.

C1_2_Fig_1.png

Fig. 1: “O resultado depende de quen conduce” (imaxe xerada con IA, Google Gemini)

Á esquerda, a condución comeza cun mapa na cabeza e o GPS achega o que a condutora non pode saber. Isto chámase “descarga beneficiosa”. Á dereita, a condutora non ten ningún mapa na cabeza e o dispositivo é a súa única orientación. Isto chámase “descarga prexudicial”.

O mesmo GPS, dúas condutoras, resultados opostos. A diferenza nunca estivo no dispositivo. Falamos de algo máis ca unha imaxe. Os estudos con condutores atopan que as persoas que dependen moito do GPS forman un mapa mental máis pobre do seu contorno. Un estudo de tres anos mostrou que un uso máis intenso ía acompañado dun descenso máis pronunciado da memoria espacial. E a psicoloxía sabe desde hai dúas décadas que o mesmo apoio que axuda a un principiante pode estorbar a quen xa domina a materia. Tamén sucede ao revés. O efecto dunha ferramenta de IA depende moito máis do que a persoa usuaria xa sabe ca da propia ferramenta.

Isto é o que a investigación chama un esquema: o coñecemento previo organizado dunha persoa. Cando existe, delegar traballo nunha máquina libera recursos. Os investigadores chámanlle descarga cognitiva beneficiosa. Porén, cando o coñecemento aínda ten que desenvolverse, o mesmo proceso pode impedir que se forme. Isto chámase descarga cognitiva prexudicial.

Un estudo con arredor de mil estudantes de secundaria mostra como sucede isto nunha aula de matemáticas. Un grupo practicou cun chatbot sen restricións e outro sen el. Mentres o tiña, o grupo do chatbot obtivo un 48 % máis nos exercicios de práctica. Despois chegou un exame sen o chatbot. Os mesmos estudantes que resolveran tan ben os exercicios obtiveron agora un 17 % menos ca o grupo que nunca usara o chatbot de IA. Un terceiro grupo usou unha versión da IA deseñada para non dar as respostas e formular preguntas no seu lugar. Ese grupo non perdeu nada.

Ese terceiro grupo resume toda a cuestión do deseño. Un GPS que indica o destino e axuda a atopar a ruta ensina a cidade. Un GPS que di xire á esquerda en 200 metros non o fai, por bos que sexan os seus datos. A investigación chama a esta diferenza salvagardas (guardrails), e o deseño decide se axuda o seu alumnado a aprender o mapa da cidade ou simplemente a chegar ao destino.

Lembre: vostede ten o coñecemento. O seu alumnado, na materia que vostede imparte, aínda non. Esa asimetría é a esencia de todo o capítulo.

Voices of the field

“Neste momento, as ferramentas ás que recorre o alumnado están feitas para resolver problemas, non para ensinar, e esa é a principal dificultade no meu traballo actualmente.”

Dous andares, non dous temas

Na literatura académica, estes dous ámbitos considéranse campos distintos. Pódense imaxinar como dous andares dun edificio: a maioría dos docentes está no baixo e non hai ningunha escaleira que leve ao primeiro andar.

Nun estudo con 90 docentes de centros de formación profesional de Baviera inscritos nunha formación sobre IA, o profesorado valorou os seus coñecementos sobre IA cun 3,4 sobre 5 de media, pero a súa capacidade para empregala no ensino moito máis baixo, cun 2,6. Saber e facer separáranse. Un ensaio en cinco países europeos comprobou despois se a formación podía pechar esa fenda. Participaron 736 docentes de Francia, Irlanda, Italia, Luxemburgo e Eslovenia, divididos en dous grupos. Un grupo recibiu un curso en liña e apoio durante o ensaio; o outro recibiu o mesmo curso en liña ao remataren o ensaio. Os resultados mostraron que aumentaron os coñecementos e a capacidade de xulgar o que podía facer unha ferramenta. Pero na maioría dos países o uso habitual da IA na aula non cambiou: os docentes probaron ferramentas e volveron ao que facían antes.

Esta é a fenda entre coñecemento e acción. Os cursos producen coñecemento, pero cambiar a práctica require acompañamento, experimentación e colegas cos que reflexionar. A transferencia hai que deseñala, non esperala.

Voices of the field

“O único inconveniente deste webinario é que non o podemos probar directamente.”

O que fai realmente o profesorado

A constatación máis sólida en todos os países resulta, discretamente, sorprendente: o profesorado usa a IA de forma intensiva para si mesmo e apenas co seu alumnado. En Alemaña, o 52 % dos docentes usa ferramentas de IA varias veces ao mes ou máis. Pero, entre os que usan a IA, só o 29 % deixa que o seu alumnado traballe con ela na aula. Así, o debate público sobre “a IA na aula” é en boa medida un debate sobre algo que aínda non sucede a grande escala.

C1_2_Fig_21.jpg

Fig. 2: “Diferenza entre o uso da IA para a preparación e o seu uso na aula” (imaxe xerada con IA, Google Gemini)

O que si está a suceder é un alivio da carga de traballo, e aquí as noticias son boas. Nun ensaio en Inglaterra, 259 docentes de 68 centros recibiron ChatGPT e unha guía para planificar clases de ciencias para alumnado de 11 a 13 anos. Dedicaron uns 56 minutos semanais á planificación, fronte a 81 no grupo de comparación. Avaliadores independentes que descoñecían de que grupo procedía cada clase non atoparon indicios de diferenzas de calidade. Nunha ampla enquisa nos Estados Unidos, os docentes que usan a IA polo menos unha vez por semana estimaron un aforro de case seis horas semanais; trátase da súa propia estimación, non dunha medición.

E paga a pena deterse nun patrón. Na mesma enquisa estadounidense, os centros cunha política sobre IA tiñan máis docentes que usaban a IA (sete de cada dez fronte a seis de cada dez) e, polo tanto, aforraban en total arredor dunha cuarta parte máis de tempo docente. Para cada docente que usa a IA todas as semanas, a diferenza era pequena. Trátase da valoración do propio profesorado e non dunha medición, e unha enquisa non pode mostrar en que dirección vai a frecha: quizais os centros ben organizados simplemente fan ben as dúas cousas. Pero é o contrario do que espera a maioría da xente: as normas claras e o uso intensivo aparecen xuntos, non enfrontados. 1.4 Uso da IA conforme á normativa

Voices of the field

“É importante tela como complemento, pero desde logo sen deixar que ChatGPT leve toda a clase.”

Por que a ferramenta non é o esencial

Se buscaba unha clasificación das mellores ferramentas de IA, a investigación vaino decepcionar e despois, nunha segunda lectura, liberalo. Cando os investigadores reúnen moitos estudos independentes e se preguntan que distingue as aulas nas que a IA axudou moito daquelas nas que apenas axudou, a resposta nunca é a marca do software. É o que se lle pediu ao alumnado que fixese con ela. Os seguintes puntos resumen resultados importantes da investigación, aínda que todos se basean en poucos estudos.

A pedagoxía é máis importante ca a tecnoloxía empregada. Cando os investigadores clasificaron os estudos segundo o que facía realmente o alumnado, a actividade importou máis ca a ferramenta. Curiosamente, atopouse o mesmo patrón coa xeración anterior de ferramentas dixitais nos centros de secundaria. Os resultados dependen en gran medida de se o profesorado recibira formación para usalas.

Unha boa retroalimentación non é o mesmo ca unha retroalimentación que funciona. Nun experimento, 70 estudantes universitarios escribiron un ensaio argumentativo e revisárono unha semana despois. Asignáronse ao chou a tres grupos: un recibiu retroalimentación dun docente experimentado, outro dun chatbot cunha instrución sinxela e outro do mesmo chatbot, ao que se lle pediu que analizase o ensaio paso a paso. Avaliada coa mesma rúbrica, a retroalimentación do chatbot paso a paso foi a mellor das tres. Foi mellor ca a do chatbot sinxelo e mellor ca a do docente. Despois chegaron as revisións, e os tres grupos melloraron en medida moi semellante. A mellor retroalimentación do estudo non produciu máis mellora ca a peor valorada. Uns comentarios mellores non deron lugar a un ensaio mellor.

Este resultado cuestiona unha suposición moi estendida: que unha mellor retroalimentación leva a unha mellor aprendizaxe. Evidentemente, por si soa non o fai. A retroalimentación só ten efecto se se incorpora: se se le, se entende, se aplica e se comprende o suficientemente ben como para que o estudante poida facelo correctamente sen axuda a vez seguinte. O pescozo de botella é a incorporación, non a calidade.

Máis non sempre é mellor. Nun segundo estudo, con 60 alumnos de Year 11 (15-16 anos) e 240 textos, a IA xerou moitos máis comentarios sobre o contido ca o profesorado. Pero o alumnado actuou con máis frecuencia a partir dos comentarios do profesorado. Ante trinta correccións precisas, un alumno pode deixar de diagnosticar e poñerse a priorizar, ou simplemente limitarse a obedecer. Se un alumno se limita a seguir as indicacións, en realidade está a dicir que a revisión non era necesaria. Volve ser o GPS, pero noutro nivel: dálle unha retroalimentación moi detallada, do tipo “xire á esquerda en 200 metros”, sobre o seu propio texto.

Importa quen o di. Non sabemos con certeza por que se incorporan con máis frecuencia os comentarios do profesorado. Trátase de interpretación, non de medición, pero a explicación máis probable é que a retroalimentación se percibe como un acto entre persoas. O que ten que dicir alguén que sabe o que fixo vostede o trimestre pasado e que verá o que fai con iso é distinto da mesma frase xerada a petición.

Que se deriva para a práctica. Unha análise agrupada de estudos sobre retroalimentación automatizada da escrita, realizada antes de que existisen os chatbots actuais, chegou a resultados semellantes. A retroalimentación tivo máis efecto cando o alumnado debía aplicala a un texto novo ca cando só revisaba o texto que tiña diante, e máis cando se usou ao longo de varias sesións ca nunha soa. E cómpre dicir algo máis con xustiza: en comparación coa ausencia de retroalimentación, a retroalimentación da IA si axuda. Nun estudo dun equipo alemán con 459 alumnos de bacharelato, a retroalimentación xerada pola IA mellorou lixeiramente as súas revisións e a súa motivación.

E a mesma división aparece a grande escala. Un equipo agrupou 228 estudos: a IA mellorou de forma clara e constante o que o alumnado era capaz de producir, mentres que calquera avance na súa capacidade de planificar, supervisar e corrixir a propia aprendizaxe foi tan pequeno que podería deberse ao azar. A programación móstrao con máis nitidez: o alumnado cun asistente de IA foi mensurablemente máis rápido, pero ao final non era mellor ca o que traballou sen el. Facer máis e mellorar non son o mesmo, e a IA sepáraos.

Europa como espello

En Europa, as enquisas sobre o uso da IA polo profesorado van desde arredor de nove de cada dez nunha mostra checa ata arredor de un de cada sete en Francia. As enquisas difiren en método e data: a cifra checa procede dunha pequena enquisa de 2025 a 317 docentes e conta calquera experiencia coa IA, mentres que a cifra francesa procede da enquisa internacional da OCDE ao profesorado TALIS 2024, na que algo menos da metade dos docentes checos declararon usar a IA no seu ensino.

Francia creou un dos maiores programas públicos de IA do continente: software de práctica adaptativa en matemáticas e francés, gratuíto para todo o alumnado do primeiro curso do ensino secundario superior. Aínda así, o profesorado francés usa pouco a IA e só o 9 % recibiu algunha formación sobre IA, fronte ao 38 % de media nos países da OCDE.

Noruega incorporou o problema do GPS á súa política educativa (polo menos como recomendación), tal como o faría unha autoescola de taxistas: primeiro apréndese co mapa e despois engádese o dispositivo. En xuño de 2026, Noruega recomendou que, como norma xeral, o alumnado de 1.º a 7.º curso non teña acceso á IA. Entre 8.º e 10.º curso, a IA pode introducirse de forma gradual e coidadosa, unha vez que o profesorado teña a competencia necesaria para guiar o seu uso. No ensino secundario superior, o alumnado debería aprender a usar a IA cun propósito claro.

O punto cego

Hai un risco da IA que raramente se nomea, e a imaxe tamén o recolle: o coñecemento do mapa de Londres non é permanente. Unha condutora que segue as frechas durante cinco anos non conserva a cidade na cabeza. Esvaécese, e deixa de decatarse da rúa levantada. A súa competencia profesional mantense facendo precisamente as cousas que a IA mellor absorbe: redactar a tarefa, anticipar o erro conceptual e preparar a explicación. Cando a IA asume o traballo a través do cal se forma o criterio, o alivio convértese en descualificación. Nun panel alemán de expertos en e-learning, 65 de cada 100 agardaban que a IA xenerativa fixese perder ás persoas competencias importantes, fronte a 44 o ano anterior. En medicina, o efecto xa se mediu: despois de que o apoio da IA se volvese habitual nas colonoscopias, os médicos que traballaban sen ela detectaban menos lesións precancerosas ca antes.

Use o GPS. Pero conserve o mapa.

1. A IA na educación

1.3 Uso responsable da IA

Mensaxe clave

Se só lembra unha frase desta páxina: os diques están a romper. Ensine a nadar.

O diario de lectura, segunda ollada

Volvamos ao noso alumno de 9.º curso e ao seu diario de lectura sospeitosamente pulido. O instinto é case universal, e é o instinto dun bo docente: descubrir se usou a IA. Construír un dique mellor.

Este capítulo trata de por que ese instinto, por si só, non leva a ningures. Despois veremos o que funciona no seu lugar.

Comecemos pola parte incómoda. O profesorado non é capaz de distinguir de forma fiable os textos da IA dos textos do alumnado. En dous estudos dun equipo alemán, 89 docentes en formación e 200 docentes con experiencia recibiron unha mestura de redaccións de alumnado e de redaccións de chatbot e tiveron que clasificalas. Ningún dos dous grupos foi capaz de facelo de forma fiable, pero ambos estaban convencidos de podelo facer. A experiencia axudou só un pouco: os docentes experimentados seguiron sen detectar a maioría dos textos da IA. Nunha universidade británica, uns investigadores entregaron respostas xeradas por chatbot en exames reais en liña sen supervisión, polas canles habituais e sen informar os correctores.

Voices from the field

“Pode usala, pero ten que ser capaz de explicar o resultado coas súas propias palabras.”

O detector que falla co alumnado equivocado

Uns investigadores probaron sete dos detectores de IA máis empregados con redaccións do TOEFL escritas por persoas que aprenden inglés como lingua estranxeira, recompiladas nun foro chinés en liña. Xunto a elas, incluíron redaccións de alumnado estadounidense de 13 ou 14 anos con inglés como lingua materna. Os traballos dos falantes nativos clasificáronse correctamente case sempre. Das redaccións en lingua estranxeira, máis de seis de cada dez foron marcadas erroneamente como escritas por unha máquina.

O mecanismo non ten misterio. Moitas destas ferramentas non detectan o traballo dos grandes modelos de linguaxe, senón que miden a previsibilidade. Un texto que emprega palabras habituais en ordes esperables puntúa como artificial. Quen escribe nunha segunda lingua, cun vocabulario máis reducido e estruturas sintácticas máis ríxidas, pode producir exactamente ese sinal. Mentres tanto, os detectores adestrados para unha proba concreta e os estudos noutras linguas mostran diferenzas menores. Ata agora non hai no mercado ningún detector o suficientemente fiable como para acusar alguén de engano deliberado.

Os erros da ferramenta recaen sistematicamente no alumnado que xa carga co maior peso. As institucións fixeron as contas. A Universidade de Vanderbilt sinalou que, aínda que unha ferramenta deste tipo só se equivocase o 1 % das veces, iso suporía aproximadamente 750 traballos marcados erroneamente cada ano dos seus 75 000 envíos. En consecuencia, desactivouna. Unha guía elaborada por investigadores para o Ministerio Federal de Educación de Alemaña é contundente: a tecnoloxía “non é suficientemente fiable para proporcionar unha proba xuridicamente segura”. Unha proba europea independente de catorce detectores chegou ao mesmo veredicto: “nin precisos nin fiables”.

Boa parte de Europa xa deixou atrás este debate. O Ministerio de Educación de Francia e a súa autoridade de protección de datos aconsellan aos centros que non usen detectores, e a axencia TIC neerlandesa Kennisnet considéraos moi pouco fiables. No ensino superior, algunhas universidades, como a ZHAW de Zúric, prohiben empregalos para cualificar. En Inglaterra, os organismos examinadores só permiten o software de detección como un elemento máis dun xuízo que recae no docente, quen “mellor coñece o seu alumnado”. Tamén paga a pena levar para a casa unha cuestión de protección de datos: pegar o traballo dun alumno nunha ferramenta en liña supón tratar os seus datos persoais. Para iso cómpre unha base xurídica e un contrato co provedor. → 1.4 Uso da IA conforme á normativa

Parece que o pánico ás trampas é menor ca o ruído que o rodea. Uns investigadores enquisaron o alumnado de tres centros de secundaria estadounidenses antes de que existise ChatGPT e de novo despois. As trampas mantivéronse, en liñas xerais, no mesmo nivel. Unha enquisa posterior a máis de 4000 estudantes doutros seis centros de secundaria estadounidenses, un ano despois, chegou ao mesmo resultado.

A verdadeira pregunta nunca foi: “Como o pillo?” É: que mide aínda unha tarefa para a casa cando o seu produto se pode xerar a petición?

Voices from the field

“Ao principio vino como unha trampa. Agora véxoo como un sinal de que é a propia tarefa a que ten que cambiar.”

Dúas cousas que non se van arranxar sen máis, así que hai que ensinalas

A invención con aparente seguridade forma parte do sistema. Estes sistemas xeran continuacións plausibles dun texto, e plausible non é o mesmo que verdadeiro. As revisións da investigación coinciden en que ningunha técnica eliminou aínda o problema, aínda que se pode reducir e detectar en parte. O motivo é que as probas estándar empregadas para avaliar os grandes modelos de linguaxe premian unha suposición feita con seguridade antes ca recoñecer a incerteza; así, mentres se avalíen dese modo, persistirá unha certa proporción de falsidades fluídas e ben construídas.

Os nesgos do material de adestramento tamén forman parte do sistema. Ademais, non diminúen a medida que melloran os modelos. Un estudo europeo sobre os estereotipos de xénero en distintas linguas descubriu que os modelos máis grandes, mesmo despois do adestramento adicional destinado a facelos máis seguros e xustos, ás veces estereotipan máis en lugar de menos. Se unha propiedade non se pode eliminar mediante a enxeñaría, convértese en contido curricular. E pódese ensinar: nun programa finlandés, a proporción de alumnado capaz de explicar de onde procedía o nesgo dun xerador de imaxes pasou do 7 % ao 44 %. A consecuencia para o ensino ten que ser adestrar a análise de erros en lugar de evitar os erros. Noutras palabras: os fallos da máquina convértense na lección.

Voices from the field

“Deixe que o alumno comprobe a solución do chatbot coma se fose o docente. Buscando os erros é como por fin aprende o método.”

O que funciona: deseño, non control

A evidencia apunta a un principio sinxelo e fácil de lembrar: primeiro pensar, despois a IA.

Paga a pena coñecer dous límites antes de confiar nisto.

O primeiro: o consello popular de que o profesorado simplemente lle indique a un chatbot que actúe como titor socrático pode non resistir unha conversa longa. As primeiras evidencias, procedentes dun estudo con alumnado simulado aínda non revisado por pares (outubro de 2026), suxiren que, baixo unha presión persistente, eses titores volven proporcionar respostas. Os límites fiables teñen que estar integrados no sistema, o que os converte nunha decisión de compra máis ca nunha habilidade para redactar prompts.

O segundo: facer que unha IA explique o seu razoamento parece a salvagarda obvia, pero as explicacións non impiden de forma fiable o exceso de confianza. Nun estudo non modificaron a aceptación de consellos erróneos, e as explicacións demasiado técnicas ou demasiado simplificadas poden aumentar unha confianza inxustificada. A explicación é só unha condición para a aprendizaxe.

Actitude: dous modos de fallo, non un

Preocúpanos que o profesorado confíe demasiado na IA. Con todo, deberiamos preocuparnos igualmente polo contrario. Mesmo as persoas con experiencia poden caer no exceso de confianza. Nun pequeno proxecto piloto en centros estadounidenses, catro de cada dez docentes enquisados consideraron que a retroalimentación dunha ferramenta de cualificación con IA non era útil, que era maioritariamente vaga ou mesmo incorrecta. A investigación sobre o nesgo de automatización mostra que as persoas tenden a aceptar a suxestión dunha máquina mesmo cando teñen motivos para dubidar dela. Detectar un erro e corrixilo son pasos distintos.

O polo oposto é a ocultación. Hai docentes que ocultan o seu propio uso da IA a colegas e ao alumnado, e prohíbenlles facer o que eles mesmos fan: o 77 % usa a IA no ámbito privado, mentres que o 57 % opina que o alumnado nunca debería usala para xerar ideas. Mentres tanto, un estudo con alumnado de altas capacidades de 6.º a 8.º curso concluíu que entre un terzo e dous quintos xa afirmaban que a IA sabe máis ca os seus docentes. Unha profesión que oculta as súas prácticas non pode servir de modelo de práctica responsable, e a transparencia non é só unha cortesía: é o mecanismo polo que funciona o ensino co exemplo.

A IA nivela o terreo de xogo ou inclínao?

Nas tarefas de aprendizaxe, sucede o contrario. Un estudo non atopou ningún beneficio medio, pero si unha distancia crecente entre o alumnado que xa sabía moito e o que non. Outro analizou alumnado que escribía nunha lingua estranxeira: quen escribía peor recibiu máis correccións da IA e aplicou con éxito menos delas, e varios consideraron desalentadora a avalancha de retroalimentación. A retroalimentación sen capacidade para ordenala non axuda: sepulta.

A fenda existe mesmo antes de que alguén toque unha ferramenta. En Alemaña, o 80 % do alumnado dos fogares máis favorecidos ve a IA como unha oportunidade, fronte ao 55 % dos menos favorecidos. No Reino Unido, a división atravesa a sala de profesorado máis ca o armario dos dispositivos: o 45 % do profesorado dos centros privados recibiu formación formal sobre o uso da IA, fronte ao 21 % nos centros públicos. Dentro do sector público, os centros con máis recursos volven adiantarse aos máis pobres. Unha enquisa de 2026 a máis de 25 000 nenos e nenas de 17 países europeos atopa a mesma división social na intensidade e na variedade coas que usan a IA. Unha frase dun comentarista resume todo o problema mellor ca calquera cifra: “os ricos teñen acceso tanto á tecnoloxía como a persoas que os axudan a usala, mentres que os pobres só teñen acceso á tecnoloxía”.

Así, o pescozo de botella é que alumnado ten un docente que recibiu formación. A IA compensa cando se dan tres condicións á vez: acceso seguro, unha ferramenta deseñada para aprender e non só para responder, e un docente que acompaña o seu uso con andamiaxe. Se falta calquera delas, amplifica as diferenzas. Como as tres adoitan estar presentes nos mesmos centros e ausentes nos mesmos centros, a amplificación é o efecto por defecto e a igualación é algo que hai que construír.

1. A IA na educación

1.4 Uso da IA conforme á normativa

Aviso: Investigamos este capítulo con coidado, pero o dereito da IA é un ámbito que cambia rapidamente. As normas poden ter cambiado desde a publicación, polo que debe comprobar sempre a situación xurídica vixente e adaptala á lexislación nacional cando sexa necesario. Este capítulo non constitúe asesoramento xurídico.

Mensaxe clave

Se só lembra unha frase desta páxina: o cumprimento normativo é unha casa, non un muro.

Que podo facer?

Teña presentes estes catro pasos antes de escribir, pegar ou subir calquera cousa. Utilice a seguinte visión xeral como guía orientativa. Os requisitos do seu país poden diferir dos que se indican aquí. Por iso, comprobe sempre a normativa específica do seu país e do seu centro.

Fig 1_4_1.jpg

Fig. 1: “...” (imaxe xerada con IA, ...)

Voices from the field

“Nin sequera sabemos con certeza que nos está permitido, e menos aínda no que respecta á protección de datos.”

O diario de lectura, terceira ollada

O noso alumno de 9.º curso, o seu diario de lectura, a sospeita do seu docente. No capítulo 1.2 era unha cuestión de aprendizaxe; no capítulo 1.3, de criterio profesional. Aquí é un expediente xudicial.

En decembro de 2025, o Tribunal Administrativo de Hamburgo (Alemaña) resolveu unha solicitude de medidas urxentes neste caso. O docente de inglés observara que o diario de lectura estaba escrito cun nivel de ortografía, gramática e vocabulario moito máis alto ca o exame que o rapaz fixera na clase sobre o mesmo libro. Máis tarde, el recoñeceu que usara ChatGPT, e o centro cualificou o diario como un intento de engano. O seu pai solicitou ao tribunal medidas urxentes; o tribunal denegounas. O seu razoamento vai máis alá deste caso: o alumnado debe partir de que ten que realizar os seus traballos de forma totalmente autónoma, salvo que se permitise expresamente algunha axuda; polo tanto, o uso non declarado da IA constitúe engano mesmo sen unha norma escrita que prohiba a IA. (Neste caso, o docente si lle dixera á clase que ChatGPT non estaba permitido.) Unha reserva que convén ter presente desde o principio: trátase dun único tribunal, nun procedemento urxente, e a resolución non é firme.

Este é un bo momento para abordar o equívoco máis común neste ámbito. Non hai ningún baleiro legal. Nunca o houbo.

A casa ten tres andares

A maioría do profesorado imaxina o dereito da IA como un único muro en construción nalgún lugar de Bruxelas. Porén, resulta máis útil imaxinar unha casa na que xa vive. Os alicerces son a protección de datos. Soportan a carga. Puxéronse hai anos. Rexen o seu martes pola mañá. O andar superior é o Regulamento de IA da UE (AI Act), a lei europea de intelixencia artificial, que clasifica os sistemas segundo o seu potencial de causar danos e impón obrigas máis estritas canto maior é o risco. Está parcialmente habitado e aínda en obras, e a data de remate acaba de aprazarse. As portas e as fiestras son os dereitos de autor e a normativa de exames: pequenas e específicas, e tocámolas a diario sen darnos conta.

Fig 1_4_2.jpg

Fig. 2: “O cumprimento normativo é unha casa” (imaxe xerada con IA, ...)

Planta baixa: a protección de datos, máis clara do que moitos pensan

Tratar os datos persoais de alguén require sempre unha habilitación legal. Como organismo público, a habilitación dun centro educativo procede esencialmente das funcións que lle atribúe a normativa educativa. Ser docente non leva consigo unha licenza xeral.

De aquí derívanse tres consecuencias, que constitúen o núcleo práctico deste capítulo.

Eliminar os nomes non anonimiza os datos. En 2024, as autoridades alemás de protección de datos declararon conxuntamente que, se alguén aínda pode ser identificado polo contexto, os datos seguen sendo persoais. Isto é especialmente problemático nos centros educativos, porque os tipos de texto cos que o profesorado máis desexa axuda (redaccións, escritura libre e diarios de aprendizaxe) identifican o seu autor polo estilo.

A liña divisoria é o contrato: un provedor pode tratar os seus datos se o fai estritamente segundo as súas instrucións e existe un acordo escrito nese sentido (encargo do tratamento). Porén, no momento en que usa o que vostede escribe para os seus propios fins, o acordo desmorónase, porque xa non traballa por conta súa. Así, a proba práctica é esta: existe ese acordo e exclúe o adestramento cos seus datos de entrada? Se non é así, non se deben introducir datos persoais.

Dúas notas que convén ter en conta: os datos relativos á saúde e á discapacidade están suxeitos a unha protección aínda máis estrita no dereito da UE e non deben introducirse nunha ferramenta de IA. E, cando o profesorado usa dispositivos privados, polo menos dous estados federados alemáns (Renania do Norte-Westfalia e Baviera) deixan claro que a responsabilidade en materia de protección de datos recae no centro e na súa dirección, que debe autorizar ese uso.

Andar superior: o que o Regulamento de IA esixe e o que aínda non

Esta é a corrección que deixa desfasada a maioría das orientacións existentes. En xullo de 2026, mediante un regulamento modificativo coñecido como Omnibus Dixital, a UE aprazou o bloque máis esixente de obrigas do Regulamento de IA para a educación (as que afectan aos sistemas clasificados como de alto risco, é dicir, os sistemas empregados para decidir admisións, avaliar o que aprendeu o alumnado ou supervisalo durante os exames) de agosto de 2026 ao 2 de decembro de 2027. Moitísimos documentos informativos redactados en 2025 e a comezos de 2026 aínda recollen a data antiga. Se algún documento do seu centro o fai, necesita unha nota aclaratoria.

A corrección máis útil vai no sentido contrario: o que xa se aplica subestímase, e o que se debate sen fin aínda non se aplica.

Hai dúas cousas que son vinculantes desde o 2 de febreiro de 2025.

Lea esa segunda obriga xunto co capítulo 1.2 e algo encaixa. A fenda entre saber sobre a IA e ser capaz de ensinar con ela xa non é só un problema profesional. Desde febreiro de 2025, os centros están legalmente obrigados a traballar nela.

Desde o 2 de agosto de 2026, os chatbots deben informar os usuarios de que son IA, e os provedores deben marcar o contido xerado por IA de forma lexible por máquina; os propios centros deben etiquetar as ultrafalsificacións e os textos escritos por IA que publiquen para informar o público. Unha ficha de traballo revisada por un docente non necesita etiqueta. Desde o 2 de decembro de 2027 aplícanse as obrigas para os sistemas de alto risco: os sistemas empregados para decidir quen é admitido, para avaliar o que aprendeu o alumnado ou para supervisalo durante os exames. Quen use un sistema deste tipo asume entón obrigas propias, como encomendar a supervisión a persoas coa “competencia, formación e autoridade necesarias”, nas palabras do Regulamento.

Portas e fiestras: dereitos de autor e exames

Aínda que pareza contraintuitivo, o que sae é a parte doada. Un texto ou unha imaxe que unha IA xera por si soa non ten autor humano no sentido que esixen os dereitos de autor, polo que adoita estar libre de dereitos; cando unha persoa lle dá forma mediante as súas propias decisións creativas, o resultado pode estar protexido. Con todo, non está garantido que estea limpo: nunha sentenza moi comentada, un tribunal de Múnic determinou que un chatbot memorizara letras de cancións e as reproducía case palabra por palabra. O tribunal atribuíu a responsabilidade ao provedor, non á persoa que escribiu a petición. A sentenza non é firme.

A excepción que permite ao profesorado copiar material para as súas clases abrangue exactamente iso: copiar unha parte limitada dunha obra para esa clase. Subir unha obra protexida a un sistema comercial de IA é un acto diferente, e a excepción non o contempla. O material elaborado especificamente para o ensino escolar, como os libros de texto e os cadernos de exercicios, queda en principio excluído da excepción, sempre que haxa licenzas facilmente dispoñibles para el.

Canto debería preocuparlle isto? Menos do que suxire o baleiro e máis que nada. A cuestión está realmente sen resolver: ningún tribunal superior se pronunciou sobre ela, e a literatura especializada considera que as excepcións existentes encaixan mal nesta situación. Se un titular de dereitos se opuxese, a reclamación sería de carácter civil e, na práctica, trátase dunha cuestión de política do centro e de contratación, non de algo que un docente poida resolver individualmente. O que está claro na práctica é o caso concreto. É a liña que trazan as editoriais educativas, e é a que convén lembrar: o material dos libros de texto e das editoriais non debe introducirse en ningún caso en ferramentas de IA, nin escaneado nin transcrito, nin sequera para xerar unha ficha de traballo.

A xurisprudencia neste ámbito é actualmente incoherente en Europa. En febreiro de 2026, o Tribunal Administrativo de Kassel (Alemaña) resolveu dous casos universitarios no mesmo sentido e de forma contundente: aínda que a universidade non tiña unha prohibición explícita da IA, a liña cruzábase “xa cun único uso non declarado da IA xenerativa”. As sentenzas non son firmes. Ese mesmo mes, un tribunal administrativo de París, nun procedemento urxente, impediu que unha universidade sancionase un estudante porque non establecera de antemán ningunha norma sobre o uso da IA. Un tribunal de apelación sueco chegara antes a un resultado semellante: un estudante entregara tres citas inventadas, pero as normas da materia permitían “todas as axudas” nos traballos para facer na casa, polo que non había ningunha norma que incumprir. Nos Países Baixos, en cambio, o tribunal administrativo supremo do país confirmou en xullo de 2025 unha sanción a un estudante de Dereito que presentara catro fontes inexistentes: a fraude quedou probada máis alá de toda dúbida razoable, e non importaba se tiña intención de enganar.

Así, o patrón entre xurisdicións non depende dos países. Depende de se existía unha norma previamente e se o engano quedou realmente demostrado.

Para a práctica derívanse tres regras.

  1. Os detectores non soportan a carga da proba. O centro ten que demostrar o engano. Os tribunais aceptaron conclusións baseadas en feitos concretos: fontes que resultan non existir, unha clara diferenza entre o que un alumno escribe e o que é capaz de explicar oralmente, saltos repentinos de nivel dentro do mesmo texto, unha confesión. Despois, o alumno pode dar explicacións. O estilo de escritura por si só é unha base débil: destacados comentaristas xurídicos alemáns dubidan de que poida sustentar unha conclusión. O resultado dun detector é, como moito, un motivo para mirar con máis atención. A taxa de erro recollida no capítulo 1.3 faino inservible como proba.

  2. As normas deben estar claras antes da avaliación, non despois. Nin unha prohibición xeral nin unha autorización xeral se sosteñen. O que funciona é unha declaración de traballo autónomo cunha cláusula sobre a IA, xunto coa obriga de indicar que se utilizou. Declaración en lugar de prohibición.

  3. As cualificacións seguen sendo humanas. As persoas teñen dereito a non ser obxecto de decisións con efectos xurídicos tomadas unicamente por unha máquina, e os centros non teñen base xurídica para tomar esas decisións mediante software; unha cualificación é unha delas. A Conferencia Permanente de Ministros de Educación e Cultura de Alemaña (KMK) exprésao aínda con máis forza: a avaliación é unha tarefa que só pode realizar o profesorado. É fundamental que aprobar formalmente a suxestión dunha IA non conta como decisión humana. Por iso, a constatación de que as persoas aceptan a miúdo retroalimentación defectuosa da IA é un problema xurídico ademais de pedagóxico.

Voices from the field

“Cada un experimenta pola súa conta, así que as normas cambian dunha clase para outra.”

O dereito, a ética e a didáctica converxen, polo tanto, na mesma resposta: avaliar o proceso, non só o produto.

O verdadeiro enderezo da responsabilidade

Como resposta, Alemaña introduciu contornos escolares de IA proporcionados polo Estado. Trátase de plataformas verificadas con contratos negociados, en lugar de deixar que o profesorado se rexistre en calquera servizo gratuíto. Aínda que resolven problemas que os docentes non poden resolver individualmente, seguen sendo criticadas pola súa gobernanza, pola súa aceptación real entre o profesorado e pola solidez das avaliacións que apoian. Como a implantación varía dun estado federado a outro, levará tempo ver como lle vai ao profesorado con estas plataformas.

O que é distintivo é máis limitado do que pode parecer a primeira vista, e paga a pena formulalo con precisión. Alemaña é o único sistema que atopamos no que un organismo público (o FWU, propiedade dos estados federados) desenvolve e xestiona a propia plataforma, con contratistas técnicos. Francia proporciona software de práctica adaptativa a todo un curso, pero encargouno: unha empresa privada escribiu o software e outra aloxa os datos. Outros países compraron acceso a chatbots comerciais; a maioría dos restantes só ofrece orientacións.

Construílo un mesmo non dá automaticamente máis control. A plataforma alemá funciona cos mesmos modelos de linguaxe comerciais ca as demais, en servidores europeos, como sinalou unha asociación do sector. En cambio, o sistema francés está aloxado en Francia baixo a certificación de seguridade máis alta que expide o Estado francés. Un país construíu a superficie e aluga o motor, mentres que o outro comprou o software e conserva as chaves do edificio. Ningunha das dúas opcións é claramente a máis soberana, algo que convén ter presente antes de empregar ese termo.

Os Países Baixos optaron por un enfoque diferente, e paga a pena coñecelo porque ofrece unha resposta máis honesta á mesma pregunta. En lugar de construír ou comprar, os centros educativos e as universidades neerlandesas uníronse e fixeron que os principais provedores fosen avaliados formalmente. Ao examinar o asistente de IA de Microsoft, atoparon dous problemas que non se puideron resolver: os criterios dun filtro automático de contidos que o provedor non quixo revelar e a conservación durante dezaoito meses de datos de diagnóstico que non se podía xustificar. Negociaron. En marzo de 2026, porén, o provedor negouse a facer cambios. Por iso a avaliación segue en ámbar, e recoméndase aos centros neerlandeses que actúen con cautela e decidan caso por caso segundo o seu propio criterio, en lugar de concederlle unha autorización xeral. Un país eliminou o risco construíndo ao seu redor, mentres que outro o examinou máis de preto e decidiu que aínda non estaba listo. Ambos os enfoques ofrecen solucións ao problema formulado ao comezo deste capítulo.

A comparación aclara tamén outra cousa. A queixa de que o profesorado prefire o chatbot gratuíto ao oficial non se debe a un fallo de implantación en Alemaña. En Estonia, onde o Estado negociou o acceso para o alumnado de secundaria superior, apenas algo máis dun terzo usaba o chatbot oficial cada semana sete meses despois do inicio do programa. Resultou que a maioría xa usaba ferramentas gratuítas antes de que comezase. En todas partes, o contorno verificado compite co máis cómodo. Proporcionar a ferramenta oficial é necesario, pero non suficiente.

Con todo, o argumento estrutural mantense: o cumprimento normativo é unha condición facilitadora, non un obstáculo. Lembra o que se dixo no capítulo 1.2? Os centros con normas claras tiñan máis docentes usando a IA e aforraban máis tempo en conxunto. As normas non frearon o uso.

1. A IA na educación

1.5 Estado actual da IA na educación

Mensaxe clave

Se só lembra unha frase desta páxina: a IA xa está presente nos contextos educativos, pero non está regulada. Cómpren marcos estruturados que apoien o desenvolvemento profesional do profesorado, mellorando os seus coñecementos e permitíndolle ensinar coa IA e sobre a IA.

Usos actuais da IA en contextos educativos

Hoxe en día, a intelixencia artificial (IA) está integrada na práctica educativa cotiá, moito máis alá dos proxectos piloto. Entre as aplicacións habituais figuran as plataformas de aprendizaxe adaptativa, os sistemas de titoría intelixente, a cualificación automatizada e a planificación de clases asistida por IA para o profesorado (OECD, 2026). Porén, o cambio máis visible é o uso directo de ferramentas de propósito xeral tanto polo alumnado como polo profesorado.

Ensinar coa IA

O profesorado usa cada vez máis a IA como ferramenta de apoio en múltiples fases do seu traballo, desde a planificación das clases ata a cualificación. Segundo a enquisa TALIS da OCDE, o 37 % do profesorado do primeiro ciclo de secundaria declarou usar a IA en 2024, e o 57 % destes afirmou que lle axuda a redactar ou mellorar as programacións (OECD, 2026). Ademais do deseño das clases, o profesorado usa a IA para diferenciar os contidos segundo os distintos niveis de competencia, xerar materiais de práctica e apoiar o proceso de cualificación. Ao mesmo tempo, a adopción non está exenta de fricións: o 72 % do profesorado expresou a súa preocupación por que a IA permita ao alumnado facer pasar como propios traballos xerados pola IA, o que reflicte unha tensión máis ampla entre os beneficios prácticos da IA para o ensino e as súas implicacións para a integridade académica (OECD, 2026).

Ensinar sobre a IA

Ademais de usar a IA como recurso didáctico, é cada vez máis necesario ensinar ao alumnado sobre a propia IA: como funciona, cales son as súas limitacións e como usala de maneira responsable. Isto inclúe construír unha comprensión básica dos modelos de linguaxe como motores de predición e non como bases de datos, o que explica a súa tendencia a alucinar, así como habilidades prácticas como contrastar os resultados da IA e recoñecer citas inventadas (UNESCO, 2024). Tamén implica desenvolver o pensamento crítico arredor da redacción de prompts, de modo que o alumnado pase de simplemente seguir instrucións a formulalas, e fomentar a conciencia sobre as dimensións éticas e xurídicas do uso da IA, incluídas a privacidade dos datos e o Regulamento de IA da UE. O AI Competency Framework for Teachers (2024) da UNESCO presenta isto como unha competencia profesional fundamental e sostén que o propio profesorado necesita formación nestes ámbitos antes de poder ensinalos eficazmente ao alumnado.

Que falta?

Xunto aos marcos institucionais e aos datos de adopción, é importante comprender como se concretan estas dinámicas na práctica. No marco do proxecto DUAL.AI.TEACHer realizouse unha serie de obradoiros. Convocáronse numerosos axentes do ámbito educativo para recoller as súas perspectivas directas sobre o uso actual da IA no ensino. Estes obradoiros puxeron de manifesto un conxunto de necesidades e preocupacións concretas expresadas polo profesorado, que abranguen aspectos prácticos, pedagóxicos e formativos. As seguintes seccións describen estas necesidades en detalle.

Voices from the field

“Quen ensina coa IA ten que ser capaz de verificar cada resposta que dá, porque os erros prodúcense. Sen un coñecemento sólido da materia, non os detectará.”

1. A IA na educación

1.6 Lexislación

Aviso: Investigamos este capítulo con coidado, pero o dereito da IA é un ámbito que cambia rapidamente. As normas poden ter cambiado desde a publicación, polo que debe comprobar sempre a situación xurídica vixente e adaptala á lexislación nacional cando sexa necesario. Este capítulo non constitúe asesoramento xurídico.

Mensaxe clave

Se só lembra unha frase desta páxina: use a IA para apoiar o seu criterio profesional, non para substituílo; aplícanse normas máis estritas en canto a IA axuda a tomar decisións sobre cualificacións, itinerarios educativos ou persoas.

O Regulamento de IA da UE

O Regulamento de IA da UE (Regulamento (UE) 2024/1689) é o marco normativo único da UE para a intelixencia artificial, baseado no risco. En lugar de regular produtos concretos, clasifica os sistemas de IA segundo o risco que supoñen e asígnalles as obrigas correspondentes: desde a prohibición directa dun pequeno conxunto de prácticas, pasando por obrigas adicionais para os usos de “alto risco”, ata ningunha norma especial para as ferramentas cotiás. Aplícase directamente en todos os Estados membros, tanto a organizacións públicas como privadas.

O Regulamento aplícase de forma progresiva. Está en vigor desde o 1 de agosto de 2024; desde o 2 de febreiro de 2025 xa son vinculantes as prácticas prohibidas que se describen máis abaixo e a obriga de desenvolver a alfabetización en IA (art. 4); desde o 2 de agosto de 2026 aplícase a maior parte das disposicións restantes.

Fig1_1_6.jpg

Fig. 1: “A folla de ruta da IA” (imaxe xerada con IA, ...)

Quen é responsable do uso da IA?

Se un centro introduce e controla un sistema de IA, o centro ou a administración educativa adoita ser o responsable do despregamento (art. 3, punto 4). O docente normalmente non é un responsable do despregamento independente cando usa a ferramenta segundo as instrucións do centro, pero debe seguir esas instrucións e todas as normas aplicables do centro e de protección de datos.

O profesorado debe saber que está a usar

Os centros e as administracións educativas deben adoptar medidas axeitadas para apoiar o desenvolvemento da alfabetización en IA das persoas que usan sistemas de IA no seu nome (art. 4). O Regulamento de IA non especifica un nivel de competencia, un certificado nin un formato de formación concretos. Estes dependen máis ben do sistema de IA empregado, de como se usa e de a quen pode afectar.

Prácticas de IA directamente prohibidas nos centros educativos

O Regulamento de IA prohibe directamente oito prácticas de IA (art. 5); catro delas son directamente relevantes para os centros educativos:

  1. O uso de sistemas de IA nas institucións educativas para inferir emocións ou intencións a partir de datos biométricos (como as características faciais ou de voz do alumnado) está en xeral prohibido. Existen excepcións limitadas por motivos médicos ou de seguridade (art. 3, punto 39; art. 5, apartado 1, letra f).
  2. Os sistemas de IA que explotan as vulnerabilidades dunha persoa derivadas da súa idade (como no caso dos menores), dunha discapacidade ou da súa situación social ou económica, de modo que distorsionan o seu comportamento e lle causan un prexuízo, están prohibidos con independencia da intención (art. 5, apartado 1, letra b).
  3. Está prohibido crear ou ampliar bases de datos de recoñecemento facial mediante a extracción non selectiva de imaxes de internet ou de gravacións de cámaras de videovixilancia. Isto é relevante se un centro se propón usar unha ferramenta de recoñecemento facial para controlar a asistencia ou supervisar exames (art. 5, apartado 1, letra e).
  4. Está prohibido usar datos biométricos para categorizar persoas co fin de inferir trazos protexidos como a raza, as opinións políticas, a relixión ou a orientación sexual. Isto é relevante para calquera ferramenta baseada en datos biométricos, como o software de supervisión de exames, que vaia máis alá da súa finalidade declarada (art. 5, apartado 1, letra g).

O contido xerado pola IA necesita sempre unha etiqueta?

Se o alumnado interactúa directamente cun sistema de IA, como un chatbot, debe ser informado de que está a interactuar cunha IA. Normalmente é o provedor do sistema o responsable de deixalo claro (art. 50, apartado 1).

Os centros e o profesorado deben revelar as ultrafalsificacións (deepfakes) ou os textos xerados por IA publicados sobre asuntos de interese público cando se usen na aula (art. 50, apartado 4). Este requisito non se aplica cando o contido xerado por IA foi sometido a unha revisión humana efectiva ou a control editorial e unha persoa ou institución asume a responsabilidade editorial da súa publicación. Por iso, unha ficha de traballo elaborada con axuda da IA e revisada por un docente non require automaticamente unha etiqueta.

Cando a IA na educación pasa a ser de alto risco

As ferramentas habituais de escritura, tradución, investigación e planificación de clases non son de alto risco simplemente porque se usen no traballo. A clasificación depende da finalidade prevista do sistema, non simplemente de que produto se use (art. 6 · Anexo III).

Os sistemas de IA poden clasificarse como de alto risco cando están destinados a:

Para o profesorado Para os centros
  • decidir sobre o acceso, a admisión ou a asignación do alumnado a institucións e programas educativos ou de formación profesional;
  • avaliar os resultados de aprendizaxe do alumnado ou orientar os seus procesos de aprendizaxe;
  • determinar o nivel educativo adecuado que recibirá un alumno ou ao que poderá acceder; ou
  • detectar comportamentos prohibidos do alumnado durante os exames.

(Anexo III, punto 3)

  • contratar ou seleccionar docentes, incluída a criba de candidaturas;
  • decidir sobre as condicións do contrato, a promoción ou a extinción da relación laboral dun docente;
  • asignar tarefas en función do comportamento ou dos trazos persoais dun docente; ou
  • avaliar o rendemento do profesorado.

(Anexo III, punto 4)

Unha ferramenta limitada de comprobación ou preparación tamén pode quedar fóra da categoría de alto risco se non inflúe de maneira significativa nunha decisión. Porén, un sistema educativo que elabora perfís de persoas considérase sempre de alto risco.

Que significa a IA de alto risco para os centros e o profesorado

Que un sistema de IA se clasifique como de alto risco non exclúe automaticamente o seu uso nos centros educativos. Pero os sistemas de alto risco levan consigo obrigas (art. 26):

Estas obrigas para a IA de alto risco na educación aplícanse desde o 2 de decembro de 2027, pero as prohibicións anteriores e a obriga de alfabetización en IA xa se aplican hoxe.

Para o profesorado Para os centros
  • usalo só para a súa finalidade autorizada e seguir as súas instrucións;
  • non tratar o seu resultado como unha decisión final;
  • comprender as súas principais limitacións e as fontes de erro máis probables;
  • evitar a dependencia excesiva de resultados aparentemente convincentes; e
  • estar disposto a desatender ou anular o seu resultado.
  • garantir unha supervisión humana competente e autorizada;
  • asegurarse de que os datos de entrada que estean baixo o seu control sexan pertinentes e suficientemente representativos;
  • supervisar o sistema e responder aos riscos ou incidentes graves;
  • conservar durante polo menos seis meses os rexistros xerados automaticamente, cando estean baixo o seu control; e
  • informar con antelación o alumnado, o profesorado ou as persoas afectadas cando o sistema axude a tomar decisións sobre eles.

Os organismos públicos e as entidades privadas que prestan servizos públicos tamén poden ter que realizar unha avaliación de impacto sobre os dereitos fundamentais antes de usar IA de alto risco (art. 27). As autoridades públicas e as entidades que actúan no seu nome poden ter que rexistrar ademais o sistema na base de datos da UE (art. 49). Que isto corresponda ao centro ou á súa administración educativa depende do sistema educativo de cada país.

O Regulamento de IA non é a única lei que importa

O Regulamento de IA non substitúe a normativa europea nin a nacional sobre protección de datos, educación, emprego e participación dos traballadores, protección da infancia ou dereitos de autor (art. 2, apartado 7). Por exemplo, o feito de que unha ferramenta non sexa de alto risco non significa que poida subir a ela traballos ou datos persoais do alumnado.

Unha ferramenta pode ser aceptable segundo o Regulamento de IA e, aínda así, estar prohibida pola normativa de protección de datos ou polas normas do seu centro.

O RXPD

O RXPD (Regulamento xeral de protección de datos, Regulamento (UE) 2016/679) é a lei da UE sobre protección de datos. Desempeña un papel complementario ao do Regulamento de IA: mentres que este pregunta se un sistema de IA pode usarse e como, o RXPD formula unha pregunta máis concreta: poden tratarse deste xeito estes datos concretos sobre esta persoa concreta? Cumprir un non significa automaticamente cumprir o outro.

Na práctica: antes de introducir datos reais do alumnado ou do persoal nunha ferramenta de IA, comprobe que o seu centro a aprobou, non comparta máis datos persoais dos que require a tarefa e, cando só estea a probar unha ferramenta, prefira exemplos anonimizados ou ficticios.

Onde atopar axuda

A supervisión do cumprimento organízase de forma diferente en cada país da UE. Como as competencias nacionais poden cambiar, consulte a lista actualizada de autoridades nacionais de vixilancia do mercado da Comisión Europea. Calquera persoa (un docente, un alumno, unha nai ou un pai) pode presentar unha reclamación ante esa autoridade se considera que se infrinxiu o Regulamento (art. 85). Cando un sistema de alto risco, como unha ferramenta de admisión ou de supervisión de exames, deu lugar a unha decisión que afecta significativamente a un alumno, este (ou a súa familia) tamén pode solicitar unha explicación desa decisión individual (art. 86).

Normas nacionais do seu país

O Regulamento de IA aplícase en toda a UE, pero os organismos de supervisión, a normativa educativa e a práctica en materia de protección de datos varían segundo o país. Aquí engadiranse notas específicas para os países socios do Playbook:

2. Boas prácticas e exemplos de aula

2. Boas prácticas e exemplos de aula

2.1 Introdución

O capítulo 1 explicou cando axuda a IA, onde causa dano e que normas se aplican. Este capítulo mostra como se concreta todo isto nun día normal de escola.

Os exemplos desenvólvense materia por materia, comezando por bioloxía, inglés como lingua estranxeira, historia e matemáticas. Durante o proxecto engadiranse máis materias. Cada exemplo parte dunha situación da docencia cotiá e mostra como se pode usar a IA, que fai o docente e onde poden saír mal as cousas. Aplican tres ideas do capítulo 1: a IA só apoia a aprendizaxe se o alumnado pensa primeiro por si mesmo, cómpre saber un pouco sobre a IA antes de ensinar con ela, e as normas deben estar claras antes de que comece a tarefa.

Lea a expresión «boa práctica» con modestia. As prácticas das que informan docentes de toda Europa son enfoques prometedores, non receitas probadas, e ningunha delas foi avaliada aínda. Tome cada exemplo como punto de partida: próbeo, adápteo á súa clase e contrásteo coas normas do seu centro. Unha lista de verificación resume as preguntas que debe facerse antes de que a IA entre na súa clase.

Pode buscar distintas materias e ordenar por sesións de aula e formación do profesorado co sistema de etiquetas integrado na esquina superior esquerda.

grafik.png

Fig. 1: «Exemplo do sistema de etiquetas»

2. Boas prácticas e exemplos de aula

2.2 Bioloxía: simulacións con vibe coding na aula

Dinámica depredador-presa (modelo de Lotka-Volterra)

Materia: Bioloxía  ·  Curso: 9.º (14–15 anos)  ·  Duración: 1 sesión dobre (90 min) ·  IA: Aprender COA IA 

Competencias relacionadas coa IA (marco DUAL.AI.TEACHer) – nivel docente Obxectivos de aprendizaxe específicos da materia – nivel do alumnado

AF-TL-2b

(Fundamentos e aplicacións da IA × Ensino e aprendizaxe, nivel 2 – Implementación reflexiva):

 

«Os docentes poden organizar elementos da sesión que integren o uso da IA con funcións pedagóxicas claras e estratexias para verificar os resultados.»


 

AF-FC-2b

(Fundamentos e aplicacións da IA × Fomento da competencia dixital (en IA) do alumnado, nivel 2 – Implementación reflexiva):

 

«Os docentes poden aplicar unha orientación que axude o alumnado a desenvolver habilidades prácticas en IA, adaptando as tarefas aos coñecementos previos do alumnado e ás ferramentas de IA dispoñibles.»

Ao final da sesión, o alumnado é capaz de:

  • describir as variables clave (poboación de presas, poboación de depredadores) e os parámetros (taxa de crecemento, taxa de depredación, eficiencia de conversión, taxa de mortalidade) do modelo de Lotka-Volterra;
  • formular e comprobar hipóteses sobre a dinámica de poboacións mediante unha simulación interactiva;
  • ampliar unha simulación existente con capas adicionais de complexidade ecolóxica (p. ex., unha capacidade de carga, unha segunda especie, un factor estacional) redactando instrucións (prompts) estruturadas para un modelo de linguaxe de IA;
  • avaliar criticamente os supostos e as limitacións do modelo (natureza da ciencia), incluído por que a introdución do azar ou dun factor adicional pode desestabilizalo.

Mensaxe clave: O alumnado non precisa programar desde cero. Ler e probar unha simulación existente e despois usar un LLM para engadir unha capa de realismo ecolóxico de cada vez abonda para construír unha comprensión auténtica dun modelo biolóxico dinámico e, tarde ou cedo, para descubrir por si mesmo onde chega exactamente ese modelo aos seus límites.

Vibe-Coding SImulations.png

Fig. 1: «Dinámica depredador-presa (modelo de Lotka-Volterra)» (imaxe xerada con IA, ChatGPT GPT Image 2)

Contido

Os modelos matemáticos e as simulacións por ordenador son ferramentas especialmente valiosas en ecoloxía, porque poden expresar sistemas moi complexos mediante ecuacións matemáticas. Isto permite realizar experimentos in silico e comprobar hipóteses no modelo en situacións nas que un experimento real sería demasiado custoso, demasiado lento, eticamente problemático ou directamente perigoso. Manipular unha poboación real de depredadores, por exemplo, raramente é unha opción. Ao mesmo tempo, todo modelo é necesariamente unha simplificación da realidade, e é xusto aí onde residen as súas debilidades: os ecosistemas reais son moito máis complexos do que ningún modelo pode recoller por completo.

O modelo de Lotka-Volterra é un exemplo clásico desta simplificación aplicada á dinámica depredador-presa. Representa o sistema mediante dúas variables de estado (o tamaño das poboacións de presas e de depredadores) e catro parámetros (a taxa de crecemento intrínseca das presas, o coeficiente de depredación, a taxa de reprodución do depredador por presa consumida e a taxa de mortalidade do depredador). Baixo os seus supostos idealizados, o modelo predí oscilacións periódicas sostidas nas que os cambios na poboación de depredadores van con atraso respecto dos da poboación de presas. Este comportamento xorde dun ciclo de retroalimentación: cando aumenta a poboación de presas, os depredadores dispoñen de máis alimento e a súa poboación pode crecer. O aumento da depredación provoca despois o descenso da poboación de presas, o que reduce o alimento dos depredadores e leva a un descenso da súa poboación. Con menos depredadores, a poboación de presas pode recuperarse e o ciclo comeza de novo.

Para producir este ciclo tan limpo, o modelo fai varios supostos fortes. É determinista (os mesmos valores iniciais producen sempre exactamente a mesma curva); é un sistema pechado de dúas especies que exclúe todo factor abiótico (temperatura, precipitación, estación) e todo outro factor biótico (plantas das que se alimentan as presas, unha terceira especie, enfermidades); e fai que o crecemento de cada poboación non dependa de nada máis que do tamaño da outra poboación.

As poboacións reais raramente cumpren estes supostos. Os nacementos, as mortes e os encontros están suxeitos ao azar, e unha versión estocástica (aleatorizada) do mesmo modelo tende a afastarse do ciclo limpo e mesmo pode colapsar (p. ex., coa extinción da poboación de depredadores) en casos nos que a versión determinista predí unha oscilación estable. Do mesmo xeito, engadir un só factor ausente (p. ex., unha taxa de crecemento dependente da temperatura ou un límite no propio alimento das presas) adoita bastar para romper o ciclo limpo de dúas variables. Isto non é un defecto que haxa que ocultarlle ao alumnado: é a lección central sobre a natureza da ciencia desta actividade. Un modelo pode ser realmente útil e, aínda así, ser unha aproximación deliberadamente limitada da realidade; usalo ben significa saber exactamente que factores deixa fóra. Na actividade principal desta sesión, o alumnado descóbreo por si mesmo ao tentar engadir precisamente este tipo de factores.

Programación da sesión

Fase Tempo Actividade
Introdución 8 min O docente mostra un gráfico sen rótulos dunha serie real de datos depredador-presa (p. ex., lince/lebre); o alumnado describe o patrón e formula as primeiras hipóteses.
Presentación 12 min O docente presenta as variables e os parámetros do modelo mediante un diagrama sinxelo (non fan falta ecuacións diferenciais).
Exploración 15 min Por parellas, o alumnado comproba as súas hipóteses nunha simulación HTML xa feita e rexistra as súas observacións.
Adaptación 35 min Por parellas, o alumnado realiza 2–3 roldas de predicir → instruír (prompt) → probar → diagnosticar (preguntas guía máis abaixo), pedíndolle cada vez ao LLM que engada unha nova capa de realismo ecolóxico á simulación (un límite no alimento das presas, unha segunda especie, un factor estacional/abiótico) ata que o ciclo limpo de dúas variables se rompe visiblemente.
Reflexión 20 min Debate con toda a clase, guiado por preguntas como: En que rolda deixou a simulación de producir un ciclo limpo e repetido? Que deixa fóra deliberadamente o modelo orixinal, e por que? Que o converte nunha simplificación útil e non simplemente nun modelo erróneo?

Preguntas guía: engadir complexidade por capas

As parellas realizan tantas roldas das seguintes como permitan os 35 minutos (a maioría consegue dúas; a terceira é unha ampliación para quen remate antes). Cada rolda segue o mesmo ciclo de catro pasos:

  1. Rolda 1 — limitar o alimento das presas (unha capacidade de carga):
    • Predicir: Antes de comezar a escribir instrucións, pregúntese: que espera que lle ocorra ao ciclo se o crecemento das presas se fai máis lento cando a poboación é grande, en lugar de crecer sen límite? Debuxe a curva que espera.
    • Instruír (prompt): Pídalle á IA que engada á simulación unha poboación máxima sostible de presas e que explique coas súas propias palabras como cambiou a ecuación de crecemento para facelo.
    • Probar e comparar: Execute a nova simulación cos mesmos valores iniciais ca antes. Compare a simulación anterior coa nova: como cambiaron as variables? Por que?
    • Diagnosticar: Que suposto do modelo orixinal (alimento ilimitado para as presas) acaba de eliminar? Este factor é biótico ou abiótico?
  2. Rolda 2 — engadir outro factor (biótico ou abiótico):
    • Predicir: Se agora unha terceira especie compite coas presas polo alimento, ou tamén as depreda, ou se o crecemento das presas depende agora da temperatura, que efecto espera que teña isto sobre o ciclo orixinal de dúas especies?
    • Instruír (prompt): Escolla outro factor e escriba unha instrución pedíndolle á IA que o engada como unha nova variable ligada ás existentes; especifique exactamente como debe interactuar coa poboación de presas ou de depredadores.
    • Probar e comparar: Observe a simulación durante varios ciclos. O ritmo orixinal de dúas especies mantense, distórsese ou desaparece?
    • Diagnosticar: O modelo orixinal supoñía que cada poboación depende só da outra. Segue sendo certo despois desta rolda? Que relación ecolóxica real representa o seu novo factor?
  3. Rolda 3 opcional — introducir o azar:
    • Predicir: Se un parámetro (p. ex., a taxa de depredación) xa non é fixo, senón que se sortea aleatoriamente dentro dun intervalo en cada paso de tempo, que espera para a estabilidade a longo prazo das poboacións?
    • Instruír (prompt): Pídalle á IA que substitúa un parámetro constante por un valor aleatorizado e que rexistre se algunha das poboacións chega a cero.
    • Probar e comparar: Execute a simulación varias veces coa mesma configuración. Obtén sempre o mesmo resultado? Colapsa algunha vez algunha das poboacións?
    • Diagnosticar: Por que os mesmos valores «medios» dos parámetros poden levar aquí ás veces á extinción, cando o modelo determinista nunca o predicía?

Pregunta final (para a fase de reflexión): En que rolda deixou a simulación de producir un ciclo limpo e repetido? E que lle indica iso sobre cantos factores do mundo real ten que deixar fóra o modelo orixinal de Lotka-Volterra para seguir sendo resoluble e fácil de interpretar?

Materiais

2. Boas prácticas e exemplos de aula

2.3 Inglés como lingua estranxeira

Adecuación comunicativa en inglés

Materia: Inglés como lingua estranxeira  ·  Curso: 9.º (14–15 anos)  ·  Duración: 1 sesión dobre (90 min) ·  IA: Aprender COA IA 

Competencias relacionadas coa IA (marco DUAL.AI.TEACHer) – nivel docente Obxectivos de aprendizaxe específicos da materia – nivel do alumnado

AF-TL-2b

(Fundamentos e aplicacións da IA × Ensino e aprendizaxe, nivel 2 – Implementación reflexiva):

 

«Os docentes poden organizar elementos da sesión que integren o uso da IA con funcións pedagóxicas claras e estratexias para verificar os resultados.»


 

AF-FC-2b

(Fundamentos e aplicacións da IA × Fomento da competencia dixital (en IA) do alumnado, nivel 2 – Implementación reflexiva):

 

«Os docentes poden aplicar unha orientación que axude o alumnado a desenvolver habilidades prácticas en IA, adaptando as tarefas aos coñecementos previos do alumnado e ás ferramentas de IA dispoñibles.»

Ao final da sesión, o alumnado é capaz de:

  • distinguir entre un inglés gramaticalmente correcto e un inglés adecuado ao contexto;
  • identificar diferenzas de vocabulario, ton e rexistro en distintas situacións comunicativas;
  • formular instrucións (prompts) estruturadas que especifiquen destinatario, finalidade, contexto, nivel de lingua e ton;
  • comparar textos xerados por IA e identificar formulacións inadecuadas ou pouco naturais;
  • revisar textos xerados por IA aplicando o seu propio criterio lingüístico;
  • comprobar se unha resposta xerada por IA cumpre os requisitos indicados nunha instrución.

Mensaxe clave: A IA pode xerar un inglés fluído e gramaticalmente correcto, pero iso non fai que a lingua sexa automaticamente natural ou adecuada para unha situación concreta. Ao cambiar o destinatario, a finalidade e o contexto dunha conversa xerada por IA, o alumnado aprende a avaliar as propostas da IA e a usar os seus propios coñecementos lingüísticos para tomar as decisións finais.

ChatGPT Image Sep 1, 2026 at 03_17_43 PM.png

Fig. 1: «Adecuación comunicativa en inglés» (imaxe xerada con IA, ChatGPT GPT Image 2)

Contido

Comunicarse con éxito nunha lingua estranxeira require algo máis ca producir oracións gramaticalmente correctas. Os falantes adaptan constantemente o vocabulario, a estrutura das oracións, a cortesía e o ton segundo o destinatario, a finalidade e o contexto da comunicación. A mesma intención pode, polo tanto, expresarse de maneiras moi distintas dependendo de quen lle fale a quen. Unha petición a un amigo íntimo pode ser breve e informal, mentres que a mesma petición dirixida a un docente, a un empregador ou a unha persoa descoñecida adoita requirir outro vocabulario, estruturas máis corteses e un grao distinto de formalidade. Estas diferenzas forman parte do rexistro, que describe como cambia a lingua segundo a situación social e comunicativa.

Para quen aprende unha lingua, o rexistro pode ser difícil de recoñecer, porque unha oración pode ser gramaticalmente correcta e, aínda así, soar pouco natural ou inadecuada nun contexto concreto. Os exemplos dos libros de texto adoitan ofrecer distincións claras entre lingua formal e informal, mentres que a comunicación real é moito máis flexible. A idade, a relación entre os falantes, as expectativas culturais, o medio de comunicación e a finalidade comunicativa poden influír na lingua que se usa. Unha mensaxe que soa natural nunha conversa entre adolescentes, por exemplo, pode resultar demasiado informal nun correo electrónico a un docente, mentres que unha expresión axeitada para unha carta formal pode soar innecesariamente distante nunha conversa cotiá.

A IA xenerativa pode producir e adaptar diálogos moi rapidamente, o que a fai útil para explorar estas diferenzas. Ao cambiar elementos concretos dunha instrución, como a relación entre os falantes, o nivel de lingua, a finalidade ou o grao de formalidade, o alumnado pode xerar varias versións da mesma situación comunicativa e comparar como cambia a lingua. Ao mesmo tempo, a lingua xerada por IA non é automaticamente fiable só porque soe fluída. Un modelo pode producir textos demasiado formais, repetitivos, culturalmente estraños, incoherentes co nivel solicitado ou que non se axusten plenamente ás indicacións da instrución. A IA xenerativa funciona ademais de forma probabilística, o que significa que instrucións semellantes poden producir formulacións distintas.

Esta limitación é central na actividade, non algo que haxa que ocultarlle ao alumnado. A IA resulta máis útil cando o alumnado trata os seus resultados como material lingüístico para analizar e non como unha resposta que aceptar. Nesta sesión, o alumnado examina primeiro como cambia o rexistro en distintos contextos comunicativos e despois usa un LLM para modificar unha variable comunicativa de cada vez. Compara os diálogos resultantes, identifica que eleccións lingüísticas funcionan e cales non, e revisa por si mesmo partes do resultado. Deste xeito, practica tanto a competencia comunicativa en inglés como a alfabetización práctica en IA: dar instrucións claras, comprobar se se seguiron e usar o propio criterio lingüístico para decidir se o resultado final é adecuado.

Programación da sesión

Fase Tempo Actividade
Introdución 10 min O docente mostra dúas mensaxes breves que transmiten a mesma petición, por exemplo unha dirixida a un amigo e outra a un docente. O alumnado identifica as diferenzas de vocabulario, cortesía e ton e propón quen puido escribir cada mensaxe.
Presentación 10 min O docente presenta os conceptos de destinatario, finalidade, contexto e rexistro. En común, o alumnado identifica trazos do inglés formal e informal e comenta por que unha lingua gramaticalmente correcta non é necesariamente unha lingua adecuada.
Exploración 15 min Por parellas, o alumnado analiza un breve diálogo xerado por IA sobre unha situación cotiá. Identifica expresións útiles e marca todo o que soe pouco natural, demasiado formal, demasiado informal ou inadecuado para o seu nivel de inglés.
Adaptación 35 min O alumnado realiza 2–3 roldas de predicir → instruír (prompt) → comparar → diagnosticar. En cada rolda cambia un aspecto do contexto comunicativo e pídelle á IA que adapte o diálogo.
Reflexión 20 min O alumnado compara as súas versións e comenta que cambios afectaron máis á lingua. Identifica onde a IA seguiu ben as instrucións, onde non, e que expresións cambiaría por si mesmo.

Preguntas guía: engadir complexidade por capas

As parellas realizan tantas roldas das seguintes como permita o tempo durante a fase de adaptación de 35 minutos. A maioría das parellas debería completar dúas roldas; a terceira pode usarse como ampliación:

  1. Rolda 1 — Cambiar a relación entre os falantes:
    • Predicir: Imaxine que se fai a mesma petición a un amigo íntimo e a un docente. Que espera que cambie? Pense no vocabulario, nos saúdos, na estrutura das oracións e na cortesía.
    • Instruír (prompt): Pídalle á IA que reescriba o diálogo para unha relación distinta entre os falantes.

      Por exemplo:

      Rewrite this conversation between two friends as a conversation between a student and a teacher. Keep the meaning the same, but use polite, natural English suitable for a B1 learner.

    • Comparar: Compare o diálogo orixinal e o novo. Identifique polo menos tres cambios lingüísticos.
    • Diagnosticar: A IA cambiou só palabras soltas, ou tamén a estrutura das oracións, os saúdos, as peticións e as fórmulas de despedida? Que cambios son adecuados? Hai algo que cambiaría vostede mesmo?
  2. Rolda 2 — Cambiar a finalidade comunicativa:

    Agora o alumnado cambia o que quere conseguir un dos falantes. Por exemplo:

    pedir información → presentar unha queixa

    aceptar un convite → rexeitalo con cortesía

    pedir axuda → solicitar permiso

    conversa informal → petición formal

    • Predicir: Que elementos da lingua espera que cambien cando cambia a finalidade da conversa?
    • Instruír (prompt): Elabore unha instrución máis detallada que inclúa: falante + situación + finalidade + nivel de lingua + ton

      Por exemplo:

      Create a short B1-level dialogue between a customer and a café employee. The customer received the wrong order and wants to solve the problem politely. Use natural everyday English and keep the dialogue to eight lines.

    • Comparar: Comprobe se o diálogo xerado cumpre cada parte da instrución.
    • Diagnosticar: Escolla unha expresión que funcione ben e outra que reescribiría. Explique por que.
  3. Rolda 3 opcional — Engadir restricións e poñer a IA a proba:

    O alumnado fai as súas instrucións máis específicas.

    Por exemplo:

    Rewrite the conversation for two 15-year-olds. Keep the English at B1 level. Make it friendly and natural, but avoid slang. Keep the same communicative purpose.

    • Predicir: Que partes do diálogo anterior espera que cambien?
    • Instruír (prompt): Pídalle á IA que xere a versión revisada.
    • Comparar: Contraste a resposta con cada un dos requisitos da instrución.
    • Diagnosticar: Que instrucións seguiu a IA correctamente? Cales ignorou ou interpretou de forma distinta?

Pregunta final (para a fase de reflexión): En que momento cambiar a situación comunicativa requiriu algo máis ca substituír unhas poucas palabras, e que lle indica isto sobre comunicarse eficazmente noutra lingua?

Pregunta de seguimento: Se un diálogo xerado por IA é gramaticalmente correcto, como pode decidir se é realmente adecuado e natural para esta situación concreta?

Materiais

2. Boas prácticas e exemplos de aula

2.4 Ciencias sociais: IA, medios e realidade

Podemos crer todo o que vemos?

Materia: Ciencias sociais · Curso: 5.º (10–11 anos) · Duración: 1 sesión dobre (90 min) · IA: Ensinar SOBRE a IA

Mensaxe clave: A IA pode producir textos e imaxes convincentes, pero convincente non significa verdadeiro. Antes de crer ou compartir algo, debemos preguntarnos de onde vén, que probas o sosteñen e se podemos verificalo noutro lugar.

Contido

A intelixencia artificial forma parte cada vez máis da comunicación cotiá. Os sistemas de IA poden xerar textos, imaxes e outros contidos que poden parecer creados por unha persoa. Isto abre novas posibilidades, pero tamén novos desafíos para o modo en que as persoas entenden e avalían a información. Para o alumnado desta idade, a pregunta importante non é necesariamente como funciona a IA desde o punto de vista técnico, senón como pode afectar o contido xerado por IA ás persoas e á sociedade.

A sesión presenta a IA a través dunha situación social coñecida: a información que atopamos na vida cotiá. O docente presenta exemplos de textos e imaxes e pídelle ao alumnado que decida se o contido é real, foi editado ou foi xerado por IA. O obxectivo non é ensinar o alumnado a detectar a IA á perfección. De feito, unha das conclusións centrais da sesión é que a aparencia por si soa non é un xeito fiable de establecer se algo é verdadeiro.

En cambio, o alumnado aprende un proceso sinxelo de verificación:

PARAR → PREGUNTAR → COMPROBAR → COMPARAR → DECIDIR

A actividade conecta coa importancia que o currículo de Ciencias sociais lle dá ao desenvolvemento do pensamento crítico, á análise de probas, á formación e expresión de opinións e á investigación do contorno social. O currículo inclúe especificamente o papel e a influencia dos medios de comunicación como unha das cuestións sociais propostas para 5.º curso. O currículo tamén anima expresamente o profesorado a desenvolver o pensamento racional e crítico formulando preguntas que requiran razoamento, investigando probas, analizando datos que apoien ou cuestionen conclusións e considerando distintas interpretacións. É importante salientar que o alumnado non interactúa directamente cun sistema de IA durante a sesión. O docente manexa a ferramenta de IA e presenta á clase resultados seleccionados. O papel do alumnado é observar, preguntar, comparar e avaliar o contido.

Programación da sesión

Fase Tempo Actividade
Introdución 10 min O docente mostra dúas ou tres imaxes ou textos breves relacionados cunha situación coñecida. Cada alumno decide individualmente: Isto é real? Como o sabes?
Presentación 15 min O docente presenta a IA cunha linguaxe axeitada á idade: que pode facer a IA xenerativa e por que o contido xerado por IA pode parecer convincente.
Demostración 15 min O docente usa en directo unha ferramenta de IA para xerar unha imaxe ou un texto breve a partir dunha instrución sinxela. O alumnado observa a rapidez con que se pode crear o contido e comenta o que produce realmente a IA.
Investigación 30 min Os grupos reciben varios exemplos de información/contidos. Usan unha lista de verificación e deciden en que confiarían, que cuestionarían e que comprobarían máis a fondo.
Reflexión 20 min Debate con toda a clase: Podemos confiar nunha imaxe só porque parece real? E nun texto? Quen é responsable se creamos ou difundimos información falsa?

Preguntas guía: 

O alumnado traballa as seguintes situacións xunto co docente. A IA manéxaa unicamente o docente.

1. Rolda 1 — PARAR: Non o creas de inmediato

O docente mostra ao alumnado unha imaxe xerada por IA dunha situación coñecida; por exemplo, unha fotografía aparentemente realista dun suceso insólito en Eslovenia.

  1. Antes de revelar nada, o alumnado responde:
    1. Parece real esta imaxe?

    2. Que che fai pensalo?

    3. Que detalles a fan parecer crible?

    4. Hai algo que pareza estraño?

  2. O docente revela que a imaxe foi xerada con IA e explica brevemente como pode a IA xenerativa crear imaxes de aspecto realista.

    1. Que nos fixo crer que a imaxe era real?

    2. Buscamos probas, ou simplemente confiamos no que vimos?

    3. Podería alguén usar unha imaxe así para enganar outras persoas?

Diagnosticar: O alumnado identifica a diferenza entre «Isto parece real» e «Teño probas de que isto é real».

Idea clave: Unha aparencia realista non é proba de que algo sexa verdadeiro.


2. Rolda 2 — PREGUNTAR: Quen o creou e por que?

O docente presenta un breve texto xerado por IA con formato de noticia. Por exemplo, o docente pídelle a un sistema de IA que redacte un artigo breve sobre un suceso imaxinario nun centro escolar esloveno.

  1. O alumnado non interactúa coa IA. En cambio, analiza os seus resultados.
    1. Quen escribiu ou creou isto?

    2. De onde procede supostamente a información?

    3. Indica o texto algunha fonte?

    4. Achega probas?

    5. Podemos verificar a información?

    6. Por que podería alguén querer publicar unha información así?

    7. Soa o texto seguro aínda que non sabemos se é verdade?

  2. O alumnado descobre que un texto pode soar seguro, informativo e convincente e, aínda así, carecer dunha fonte fiable ou de probas.

Idea clave: Unha resposta que soa segura non é necesariamente unha resposta correcta.


3. Rolda 3 — COMPROBAR E COMPARAR: Imos verificalo

O docente presenta unha afirmación ficticia: «En Eslovenia introduciuse unha nova norma: o alumnado xa non pode usar o teléfono móbil os sábados.»

A afirmación é deliberadamente sinxela e o bastante plausible para que o alumnado se pregunte como a comprobaría.

  1. Ao alumnado non se lle pide simplemente que responda «verdadeiro» ou «falso». En cambio, ten que deseñar unha estratexia de verificación.
    1. Onde comprobarías esta información?

    2. A quen lle poderías preguntar?

    3. Confiarías nunha publicación nas redes sociais?

    4. Comprobarías unha soa fonte ou varias?

    5. Que contaría como unha boa proba?

    6. En que fonte confiarías máis?

    7. Que che faría cambiar de opinión?

  2. A continuación, o docente mostra como se podería comprobar a afirmación usando distintos tipos de fontes.

O alumnado recoñece que comprobar a información é un proceso e non simplemente decidir se algo «parece verdade». 


4. Rolda opcional — IA fronte a persoas

  1. O docente pregúntalle a un sistema de IA: «Por que é importante conservar o patrimonio cultural?» - A IA xera unha resposta breve.
  2. Despois, o alumnado elabora de forma autónoma a súa propia resposta sen IA.
  3. A clase compara as dúas.
    1. Que respondeu ben a IA?

    2. Que falta?

    3. Está a IA dando información, unha opinión ou ambas as cousas?

    4. Coñece a IA o noso contorno local tan ben coma nós?

    5. Que resposta sería máis útil para presentar o noso patrimonio cultural local?

    6. Pode unha resposta xerada por IA substituír o noso propio pensamento?

Isto conecta coa importancia que o currículo lle dá ao patrimonio cultural, á comprensión do pasado e do presente por parte do alumnado e á súa capacidade para explicar e xustificar os seus propios puntos de vista.


Actividade final: crear unha norma de aula

Ao final da sesión, o docente e o alumnado elaboran conxuntamente un cartel sinxelo para a aula:

5 PREGUNTAS ANTES DE COMPARTIR

O cartel convértese no principal resultado práctico da sesión.

Pregunta final: Se un ordenador pode crear unha imaxe ou un texto que parece completamente real, que debemos facer antes de crelo ou compartilo con outras persoas?

Materiais


O papel do docente e o papel do alumnado

Un principio central do deseño desta sesión é que o uso da IA está dirixido polo docente.

Docente Alumnado
Manexa a ferramenta de IA. Observa os resultados da IA.
Crea exemplos seleccionados. Fai preguntas sobre o contido.
Mostra como xera a IA textos/imaxes. Identifica razóns para confiar na información ou para cuestionala.
Achega exemplos e contraexemplos. Compara distintas fontes.
Modela estratexias de verificación. Desenvolve a súa propia estratexia de verificación.
Guía o debate. Explica e xustifica as súas conclusións.

Fai visibles as limitacións da IA.

Reflexiona sobre a difusión responsable da información.

Polo tanto, o alumnado aprende sobre as capacidades, as limitacións e as consecuencias sociais da IA sen necesidade de ter acceso propio a un sistema de IA.

2. Boas prácticas e exemplos de aula

2.5 Interdisciplinar: deseño de clases con apoio da IA

Deseño didáctico con apoio da IA

Materia: Formación do profesorado  ·  Destinatarios: Docentes  ·  Duración: 1 obradoiro (90 min) ·  IA: Ensinar COA IA 

Competencias relacionadas coa IA (marco DUAL.AI.TEACHer) – nivel docente Obxectivos de aprendizaxe específicos da materia – nivel do alumnado

AF-DR-2b

(Fundamentos e aplicacións da IA × Recursos dixitais, nivel 2 – Implementación reflexiva):

 

«Os docentes poden aplicar estratexias de formulación de instrucións (prompting), iteración e mellora para obter recursos xerados por IA utilizables.»


 

AF-TL-2b

(Fundamentos e aplicacións da IA × Ensino e aprendizaxe, nivel 2 – Implementación reflexiva):

 

«Os docentes poden organizar elementos da sesión que integren o uso da IA con funcións pedagóxicas claras e estratexias para verificar os resultados.»

Ao final da sesión, os participantes son capaces de:

  • formular unha instrución (prompt) estruturada para crear unha actividade de aprendizaxe na súa propia materia;
  • avaliar unha actividade xerada por IA en canto á súa pertinencia pedagóxica, exactitude e adecuación ao grupo destinatario;
  • identificar os elementos do material xerado por IA que requiren verificación ou adaptación humana;
  • mellorar un resultado inicial da IA mediante instrucións, iteración e revisión manual;
  • integrar a IA nunha sesión mantendo un papel pedagóxico claro para o docente e para o alumnado.

Mensaxe clave: A IA xenerativa pode acelerar a preparación das clases, pero unha actividade de aprendizaxe utilizable raramente sae dunha soa instrución. O deseño de clases con apoio da IA é eficaz cando é un proceso iterativo no que o docente define o obxectivo pedagóxico, xera ideas, avalía o resultado, o mellora e toma as decisións didácticas finais.

ChatGPT Image Sep 1, 2026 at 04_27_24 PM.png

Fig. 1: «Deseño didáctico con apoio da IA» (imaxe xerada con IA, ChatGPT GPT Image 2)

Contido

A IA xenerativa pode axudar o profesorado en moitas tarefas da preparación das clases, como xerar ideas de actividades, adaptar materiais a distintos grupos de alumnado, elaborar exemplos e preguntas ou suxerir formas alternativas de explicar un tema. O estudo de caso letón de Datorium mostra este enfoque práctico do desenvolvemento da competencia docente en IA: o profesorado familiarízase primeiro coa IA e as súas aplicacións educativas e avanza despois cara á experimentación práctica, a planificación de clases, a avaliación e a elaboración de materiais diferenciados. Á aplicación na aula séguenlle a reflexión e a retroalimentación, de modo que o uso da IA forma parte dun proceso iterativo de aprendizaxe profesional e non dun exercicio técnico puntual.

A utilidade da IA xenerativa para o deseño de clases depende en gran medida da información e das restricións que achega o docente. Unha petición como «Crea unha clase sobre o cambio climático» deixa a maioría das decisións pedagóxicas en mans do sistema de IA. Unha instrución máis estruturada pode especificar a materia, a idade do alumnado, os coñecementos previos, o obxectivo de aprendizaxe, a duración, o método de ensino, os recursos dispoñibles e o produto que se espera do alumnado. Engadir estes elementos non garante unha boa clase, pero dálle ao docente máis control sobre o que produce a IA e fai que o material resultante sexa máis fácil de avaliar en relación co obxectivo de aprendizaxe previsto.

Mesmo unha instrución detallada pode producir material con erros de contido, pedagoxicamente débil, pouco realista para o tempo de clase dispoñible ou inadecuado para un grupo concreto de alumnado. A IA pode propoñer actividades sen ter en conta a dinámica da aula, dar por suposto recursos que non están dispoñibles, xerar tarefas que en realidade non miden o obxectivo de aprendizaxe formulado ou ofrecer contidos que parecen convincentes pero requiren verificación. Por iso, o material educativo xerado por IA debe tratarse como un borrador e non como un recurso didáctico rematado.

O proceso de aprendizaxe central desta actividade non é, polo tanto, simplemente aprender a escribir unha «boa instrución». O profesorado percorre un ciclo repetido de definir → instruír (prompt) → avaliar → mellorar → verificar. Parte dun obxectivo de aprendizaxe real do seu propio contexto docente, usa a IA para propoñer unha actividade, avalía o resultado segundo criterios pedagóxicos, mellora a instrución cando é necesario e, finalmente, fai as súas propias modificacións antes de considerar que a actividade está lista para a aula. Isto reflicte a importancia que o estudo de caso de Datorium lle dá á experimentación práctica, á cocreación, á aplicación na aula e á reflexión, mantendo a responsabilidade pedagóxica e a validación en mans do docente.

Programación da sesión

Fase Tempo Actividade
Introdución 10 min Os participantes identifican unha tarefa de preparación de clases na que a IA podería resultar útil. O formador presenta a IA como asistente/cocreadora e non como deseñadora autónoma de clases.
Presentación 15 min Os participantes comparan unha instrución sinxela cunha instrución educativa estruturada e examinan como cambia a actividade xerada ao engadir contexto.
Exploración 15 min Cada participante escolle un obxectivo de aprendizaxe real da súa materia e pídelle a un LLM que xere unha breve actividade de aula para traballalo.
Adaptación 35 min Os participantes realizan dúas ou tres roldas de instruír → avaliar → mellorar → verificar, engadindo progresivamente restricións pedagóxicas e comprobando a actividade resultante.
Reflexión 25 min Os participantes comparan o resultado orixinal da IA coa versión final lista para a aula e identifican que melloras se deberon ás instrucións e cales requiriron o seu propio criterio profesional.

Preguntas guía: do resultado da IA a unha actividade lista para a aula

  1. Rolda 1 — Definir a finalidade pedagóxica:

    Antes de darlle instrucións á IA, defina:

    • Quen é o alumnado?
    • Que debería saber ou ser capaz de facer?
    • Que coñecementos previos ten?
    • De canto tempo se dispón?
    • Que debería facer realmente o alumnado durante a actividade?

    Xere unha actividade inicial e compárea co obxectivo de aprendizaxe previsto.

    • Diagnosticar: A actividade axuda realmente o alumnado a acadar o obxectivo, ou simplemente trata o mesmo tema?
  2. Rolda 2 — Engadir as condicións da aula:

    Mellore a instrución engadindo condicións realistas como o tamaño do grupo, os materiais dispoñibles, a duración da sesión, o nivel do alumnado, o método de ensino ou os requisitos de accesibilidade.

    Xere a actividade revisada e compárea coa primeira versión.

    Comparar: Comprobe se a actividade xerada cumpre cada parte da instrución.
    • Diagnosticar: Que cambios melloraron a actividade? Que condicións da aula segue sen ter en conta a IA?
  3. Rolda 3 opcional — Verificar e recuperar o control:

    Avalíe a actividade final xerada por IA en canto a:

    • exactitude do contido;
    • axuste ao obxectivo de aprendizaxe;
    • adecuación ao grupo de alumnado;
    • temporalización realista;
    • claridade das instrucións;
    • accesibilidade e inclusión;
    • papeis do docente e do alumnado.

    A continuación, os participantes fan polo menos un cambio manual sen pedirlle á IA que o revise.

    A comparación final non é, polo tanto, «Que instrución produciu a mellor resposta da IA?», senón «Que tivo que achegar o docente para converter unha idea xerada por IA nunha actividade de aprendizaxe utilizable?»

Pregunta final (para a fase de reflexión): En que momento requiriu a actividade xerada por IA algo máis ca mellorar a instrución, e que lle indica isto sobre o papel do docente no deseño de clases con apoio da IA?

Pregunta de seguimento: Se unha actividade de aprendizaxe xerada por IA parece completa e ben estruturada, como pode decidir se é realmente adecuada desde o punto de vista pedagóxico e se está lista para usala co alumnado?

Materiais

2. Boas prácticas e exemplos de aula

2.6 Historia: reconstrución do pasado

Un día na Riga medieval: que nos poden dicir realmente as fontes?

Materia: Historia  ·  Curso: 7.º (13–14 anos)  ·  Duración: 1 sesión dobre ·  IA: Aprender COA IA 

Competencias relacionadas coa IA (marco DUAL.AI.TEACHer) – nivel docente Obxectivos de aprendizaxe específicos da materia – nivel do alumnado

AF-TL-2b

(Fundamentos e aplicacións da IA × Ensino e aprendizaxe, nivel 2 – Implementación reflexiva):

 

«Os docentes poden organizar elementos da sesión que integren o uso da IA con funcións pedagóxicas claras e estratexias para verificar os resultados.»


 

AF-FC-2b

(Fundamentos e aplicacións da IA × Fomento da competencia dixital (en IA) do alumnado, nivel 2 – Implementación reflexiva):

 

«Os docentes poden aplicar unha orientación que axude o alumnado a desenvolver habilidades prácticas en IA, adaptando as tarefas aos coñecementos previos do alumnado e ás ferramentas de IA dispoñibles.»

Ao final da sesión, o alumnado é capaz de:

  • extraer información sobre a vida urbana medieval de fontes escritas, visuais e arqueolóxicas;
  • distinguir entre proba, inferencia razoable e especulación;
  • explicar aspectos do comercio, da artesanía e da vida cotiá na Riga medieval;
  • combinar probas de varias fontes para construír unha reconstrución histórica;

  • formular instrucións (prompts) que obriguen a IA a traballar a partir das probas históricas proporcionadas;
  • analizar información para comprender a importancia das fontes fiables.

Mensaxe clave: O que se mostra non é necesariamente o que ocorreu. As reconstrucións históricas combinan probas, inferencias razoables e especulación. Comprender o pasado significa recoñecer a diferenza entre o que sabemos polas fontes, o que podemos concluír razoablemente e o que se imaxinou para encher os baleiros e contar unha historia mellor.

ChatGPT Image Sep 2, 2026 at 01_30_35 PM.png

Fig. 1: «Un día na Riga medieval: que nos poden dicir realmente as fontes?» (imaxe xerada con IA, ChatGPT GPT Image 2)

Contido

Os historiadores non poden observar directamente a vida cotiá na Idade Media. En cambio, reconstrúena a partir dos rastros que deixaron as persoas: documentos escritos, edificios, obxectos, imaxes, achados arqueolóxicos e outras probas. Fontes distintas responden a preguntas distintas. Un rexistro comercial pode revelar que mercadorías entraban nunha cidade, mentres que un obxecto arqueolóxico pode dicirnos algo sobre o que posuía ou usaba a xente. Ningunha das dúas fontes por si soa pode recrear un día enteiro da vida dunha persoa. 

A Riga medieval ofrece un estudo de caso útil. Riga desenvolveuse rapidamente a partir de comezos do século XIII e converteuse nun importante centro que conectaba o comercio entre a Europa occidental, Livonia e as terras situadas máis ao leste. A finais do século XIII xa era unha importante cidade comercial hanseática. O comercio e a artesanía favoreceron o crecemento de organizacións de mercadores e artesáns, como os gremios. 

Os medios actuais poden facer que o pasado pareza moito máis completo do que realmente permiten as probas conservadas. Os contidos históricos xerados por IA como Chloe VS History, por exemplo, presentan vivas escenas de «viaxes no tempo» nas que os espectadores parecen visitar escenarios históricos como Londres durante a peste negra. A roupa, as rúas, os edificios, as persoas e as actividades cotiás preséntanse como se se estivesen a observar directamente. Con todo, estas escenas son reconstrucións: algúns detalles poden basearse en probas históricas, outros poden ser inferencias razoables e outros poden ser especulativos ou inexactos. 

O mesmo problema aparece nas películas históricas. A Knight’s Tale (Destino de caballero) crea un mundo recoñecible como medieval mediante armaduras, torneos, vestimenta, arquitectura e papeis sociais, pero introduce tamén deliberadamente música, linguaxe e comportamentos modernos. Por iso serve como recordatorio útil de que algo pode parecer convincentemente histórico sen representar exactamente o que ocorreu. 

A IA xenerativa funciona dun xeito semellante. Pode combinar fragmentos de probas históricas nunha reconstrución coherente dun día na Riga medieval, pero tamén pode encher os baleiros con detalles que nunca estiveron nas fontes. Algunhas engadiduras poden ser historicamente plausibles; outras poden pertencer a outra rexión, a outro século ou a outro grupo social.

Por iso, o alumnado necesita distinguir entre tres niveis de certeza: 
Proba – o que as fontes históricas sosteñen directamente.
Inferencia – o que se pode concluír razoablemente a partir desas probas.
Especulación – o que se imaxinou para encher os baleiros.

Programación da sesión

Fase Tempo Actividade
Gancho 10 min Ver un vídeo medieval xerado con IA de Chloe VS History. O alumnado identifica que o fai crible e pregúntase que detalles están realmente sostidos por probas.
Presentación 10 min Presentar proba – inferencia – especulación e practicar como distinguilas.
Exploración 15 min O alumnado analiza fontes sobre a Riga medieval sen IA e establece o que se pode saber realmente.
Adaptación 1 20 min A IA reconstrúe un día na Riga medieval a partir de probas limitadas. O alumnado identifica onde enche baleiros.
Adaptación 2 20 min Engádense máis fontes e instrucións máis estritas. O alumnado compara as dúas reconstrucións.
Reflexión 25 min O alumnado transfire o mesmo marco de pensamento crítico a unha película histórica ambientada na Idade Media.

Preguntas guía e desenvolvemento da sesión

Materiais

2. Boas prácticas e exemplos de aula

2.7 Informática / Ciencias da natureza: IA para un problema real do centro

Pode a IA axudarnos a separar os residuos no centro?

Materia: Informática/Ciencias da natureza  ·  Curso: 7.º (13–14 anos)  ·  Duración: 1 sesión dobre ·  IA: Aprender COA IA 

Competencias relacionadas coa IA (marco DUAL.AI.TEACHer) – nivel docente Obxectivos de aprendizaxe específicos da materia – nivel do alumnado

AF-TL-2b

(Fundamentos e aplicacións da IA × Ensino e aprendizaxe, nivel 2 – Implementación reflexiva):

 

«Os docentes comprenden os principios básicos da IA e da aprendizaxe automática e poden demostralos mediante exemplos prácticos.»


 

AF-FC-2b

(Fundamentos e aplicacións da IA × Fomento da competencia dixital (en IA) do alumnado, nivel 2 – Implementación reflexiva):

 

«Os docentes poden guiar o alumnado na experimentación con ferramentas de IA, na comprobación dos seus resultados e na reflexión crítica sobre a súa fiabilidade.»

Ao final da sesión, o alumnado é capaz de:

  • explicar en termos sinxelos como aprende un modelo de IA a partir de exemplos;
  • adestrar e probar un modelo sinxelo de clasificación de imaxes;
  • identificar casos nos que o modelo produce resultados incorrectos;
  • explicar como inflúe a calidade dos exemplos no rendemento da IA;
  • mellorar o modelo a partir das probas; valorar se a solución de IA sería útil e fiable nunha situación escolar real.

Mensaxe clave: A IA pode axudar con problemas da vida real, pero non entende automaticamente o que ve. Aprende a partir de exemplos achegados por persoas e, polo tanto, os seus resultados deben probarse e avaliarse.

image.png

Fig. 1: «Pode a IA axudarnos a separar os residuos no centro?» (imaxe xerada con IA, ChatGPT GPT Image 2)

Contido

A separación de residuos é unha cuestión cotiá en moitos centros. O alumnado usa a diario papel, botellas de plástico, envases de alimentos e outros materiais, pero estes obxectos non sempre acaban no colector de reciclaxe correcto.

Esta situación coñecida ofrece un xeito sinxelo de explorar como funciona a intelixencia artificial. O alumnado investiga se un sistema de IA podería recoñecer un obxecto e recomendar a que colector de reciclaxe corresponde.

Durante a actividade, o alumnado crea un modelo básico de clasificación de imaxes con categorías como papel, plástico e outros residuos. Proporciónalle á IA varios exemplos, adestra o modelo e despois próbao con obxectos novos.

A actividade mostra un principio importante da aprendizaxe automática: a IA aprende patróns a partir dos exemplos que recibe. Se os exemplos son demasiado parecidos, incompletos ou están mal escollidos, o modelo pode producir resultados inesperados.

Polo tanto, o alumnado non se limita a crear un modelo que funcione. Próbao deliberadamente con exemplos difíciles, investiga os seus erros e tenta melloralo. Por exemplo, pode descubrir que unha botella de plástico esmagada se clasifica de forma distinta ca unha botella normal, ou que o fondo dunha imaxe inflúe no resultado.

A sesión relaciona un concepto básico de IA cunha situación escolar real. Ao mesmo tempo, anima o alumnado a pensar de forma crítica sobre a fiabilidade e a responsabilidade humana: aínda que un sistema de IA dea unha recomendación, son as persoas as que teñen que decidir se o resultado ten sentido.

Programación da sesión

Fase Tempo Actividade
Gancho 10 min O docente mostra varios obxectos de refugallo cotiáns e pregúntalle ao alumnado onde van. A clase comenta se a IA podería tomar a mesma decisión automaticamente.
Presentación 10 min O docente presenta a clasificación de imaxes e explica que a IA aprende a partir de exemplos. Faise unha breve demostración da ferramenta de IA escollida.
Exploración 20 min En pequenos grupos, o alumnado crea categorías como papel, plástico e outros residuos, prepara exemplos e adestra o seu primeiro modelo.
Adaptación 1 20 min O alumnado proba o modelo con obxectos novos e rexistra onde acerta e onde se equivoca.
Adaptación 2 20 min O alumnado mellora os exemplos de adestramento, volve adestrar o modelo e compara os novos resultados cos da primeira versión.
Reflexión 10 min O alumnado comenta se o seu sistema de IA sería o bastante fiable para un uso real no centro e cales son as súas limitacións.

Preguntas guía: do experimento con IA á aplicación na vida real

Materiais

2. Boas prácticas e exemplos de aula

2.8 Matemáticas: sabe calcular de verdade a máquina?

Un primeiro encontro coa IA na aula de matemáticas de primaria: recoñecemento de voz coa «Recheneule»

Materia: Matemáticas   ·   Curso: 2.º (7–8 anos)   ·   Duración: 1 sesión (50 min)   ·   IA: Aprender SOBRE a IA

Exemplo dun centro real: Este exemplo baséase na práctica documentada da Volksschule Hagenberg im Mühlkreis (Alta Austria), unha KI-Pilotschule (centro piloto en IA) oficial do Ministerio Federal de Educación de Austria. Desde o segundo curso, o seu profesorado introduce a IA de forma lúdica para preparar os nenos e nenas para as súas oportunidades e riscos (directora: Martina Ketterer-Hager). Un elemento central é o proxecto digicase / DLPL, no que os nenos e nenas practican o pensamento algorítmico, entre outras cousas co xogo matemático de recoñecemento de voz «Die schlaue Recheneule» (a curuxa calculadora lista), desenvolvido coa PH Linz. Esta sesión organiza unha hora de clase arredor desa ferramenta real. Está en liña coa KI-Initiative (iniciativa de IA) do Ministerio e co seu compás de catro direccións: Verstehen, Anwenden, Reflektieren, Mitgestalten (comprender, aplicar, reflexionar, participar na configuración).

Mensaxe clave: Os nenos e nenas non só usan a ferramenta: obsérvana. Ao facer as contas en voz alta coa «Recheneule» e ver cando oe o número correcto e cando se confunde, o alumnado de segundo curso fai o seu primeiro descubrimento sobre a IA: é unha máquina útil pero imperfecta, e quen sabe a resposta correcta segue sendo o neno ou a nena. Isto pon as bases dun hábito para toda a vida: comprobar, non só confiar.

ChatGPT Image 8. Sept. 2026, 13_34_19.png

Fig. 1: «Un primeiro encontro coa IA na aula de matemáticas de primaria: recoñecemento de voz coa “Recheneule”» (imaxe xerada con IA, ChatGPT GPT Image 2)

Contido

Os nenos e nenas pequenos atópanse coa intelixencia artificial moito antes de poder explicala: asistentes de voz na casa, cámaras que atopan caras, aplicacións que lles rematan as frases. O KI-Basiscurriculum (currículo básico de IA) austríaco e a KI-Initiative do Ministerio salientan que a alfabetización en IA debería comezar cedo e de forma lúdica, e que ten tanto sitio na aula de primaria como nos cursos posteriores. A Volksschule Hagenberg im Mühlkreis, unha KI-Pilotschule, fai exactamente isto: desde o segundo curso, o seu profesorado introduce a IA mediante xogos, co proxecto digicase / DLPL no centro, para que os nenos e nenas se fagan unha primeira idea concreta do que estas máquinas poden e non poden facer.

A «Recheneule» (a «curuxa calculadora lista») é un destes xogos e encaixa perfectamente na clase de matemáticas. Usa o recoñecemento de voz, unha forma de IA, para que un neno ou nena poida dicir un número en voz alta e o programa tente recoñecelo e usalo nun cálculo. A ferramenta é deliberadamente sinxela e, como sinalan os seus creadores, aínda experimental: que oia correctamente depende do micrófono, de canto de claro fale o neno e de canto silencio haxa na aula. Para un neno de sete anos isto non é un defecto que haxa que ocultar, senón a lección enteira. Cando a curuxa mostra o número incorrecto, o neno pode ver cos seus propios ollos que a máquina lista non entendeu, e que el segue sabendo que tres máis catro son sete.

Isto é o que fai que a ferramenta sexa valiosa para ensinar SOBRE a IA a esta idade. Non se lles pide aos nenos e nenas que comprendan como funciona por dentro o recoñecemento de voz; pídeselles que o observen, que o fagan funcionar mellor falando claro e achegándose ao micrófono, e que se decaten de cando falla. Na linguaxe do KI-Basiscurriculum, este é o primeiro paso de Verstehen (comprender: está escoitando unha máquina, non unha persoa) a Reflektieren (reflexionar: non sempre acerta, e eu podo comprobalo). O docente mantén as matemáticas en primeiro plano: o importante da conta segue sendo a conta, e a curuxa é unha compañeira de xogo cuxas respostas o neno aprende a comprobar.
Nesta sesión, os nenos e nenas predín se a curuxa os oirá, próbano, miran o que mostra e falan de por que ás veces se equivoca: unha versión sinxela e axeitada á idade do ciclo predicir → probar → comprobar → falar que se usa en todos estes exemplos. O obxectivo é unha primeira experiencia alegre coa IA como axudante útil que, aínda así, necesita que unha persoa a comprobe.

Programación da sesión

Fase Tempo Actividade

Quecemento

8 min

Na alfombra, o docente pregunta onde oíron os nenos e nenas unha máquina que «escoita» unha voz (teléfono, altofalante, tableta). Xuntos acordan unha idea sinxela: un ordenador pode tentar oírnos, pero non é unha persoa e pode equivocarse.

Mostrar

7 min

O docente fai unha demostración da «Recheneule» na pantalla grande: di un número con claridade e despois outro mal pronunciado, para que a clase vexa como a curuxa oe ben e despois mal. A clase adiviña por que.

Probar (por parellas)

20 min

Por parellas, nunha tableta con auriculares, os nenos e nenas fan quendas: un di en voz alta a resposta dunha conta sinxela (p. ex., «tres máis catro» → di «sete») e o outro mira que número mostra a curuxa e marca nunha folla sinxela unha cara sorrinte (oíu ben) ou unha cara seria (oíu mal).

Comprobar

8 min

En cada «oíu mal», a parella calcula por si mesma a resposta correcta e decide xunta: díxoo mal o neno ou oíuno mal a curuxa? Rodean quen cometeu o erro.

Falar

7 min

De volta na alfombra: Que axudou a curuxa a oírnos? (falar claro, estar preto, estar en silencio). Cando a curuxa se equivocou, seguiamos sabendo a resposta correcta? Quen manda na conta: a curuxa ou nós?

Preguntas guía: predicir → probar → comprobar → falar

As parellas realizan estas roldas breves durante a fase «Probar». As formulacións son sinxelas para que o docente as poida dicir en voz alta; as parellas máis novas ou máis rápidas poden facer máis roldas.

1.    Rolda 1 - oirame a curuxa?

2.    Rolda 2 - quen cometeu o erro?

3.    Rolda 3 (ampliación) - poñédello difícil a propósito:

Pregunta final (para a fase «Falar»): Cando a curuxa mostrou o número incorrecto, seguiamos sabendo a resposta correcta? Entón, quen ten que comprobar a conta: o ordenador ou nós?

Pregunta de seguimento: A curuxa é lista, pero pode oír mal. En que outros sitios podería equivocarse unha máquina lista, e que poderiamos facer sempre para comprobalo?

Materiais

2. Boas prácticas e exemplos de aula

2.9 Programación: asistencia en tarefas seleccionadas

Aprender a programar sen que a IA escriba o código

Materia: Programación  ·  Curso: 9.º (14–15 anos)  ·  Duración: 1 sesión dobre (90 min) ·  IA: Asistencia COA IA 

Competencias relacionadas coa IA (marco DUAL.AI.TEACHer) – nivel docente Obxectivos de aprendizaxe específicos da materia – nivel do alumnado

AF-TL-2b

(Fundamentos e aplicacións da IA × Ensino e aprendizaxe, nivel 2 – Implementación reflexiva):

 

«Os docentes poden organizar elementos da sesión que integren o uso da IA con funcións pedagóxicas claras e estratexias para verificar os resultados.»


 

AF-FC-2b

(Fundamentos e aplicacións da IA × Fomento da competencia dixital (en IA) do alumnado, nivel 2 – Implementación reflexiva):

 

«Os docentes poden aplicar unha orientación que axude o alumnado a desenvolver habilidades prácticas en IA, adaptando as tarefas aos coñecementos previos do alumnado e ás ferramentas de IA dispoñibles.»

 

Ao final da sesión, o alumnado é capaz de:

  • saber usar a IA para realizar tarefas repetitivas ou de apoio na programación, como sangrar o código ou escribir os comentarios;

  • pedirlle a un modelo de IA que propoña melloras no código sen que lle dea o propio código, para que o alumnado poida autoavaliar os seus coñecementos;

  • avaliar criticamente o modelo de IA cando lle pregunta como optimizaría o código dado.

Mensaxe clave: O alumnado necesita coñecer os fundamentos da programación se quere avaliar os resultados que ofrece un modelo. Por iso, nos primeiros pasos da aprendizaxe da programación, o alumnado debe usar os modelos de IA para realizar tarefas de apoio e repetitivas relacionadas coa programación, pero non para producir código. Tamén pode usar o modelo para pedir posibles melloras no código e así poñer a proba as súas capacidades de programación.

imagen.png

Fig. 1: «Aprender a programar sen que a IA escriba o código» (imaxe xerada con IA, Google Gemini 3.6 Thinking)

Contido

O ensino da programación está a cambiar nun contexto no que os sistemas de IA poden xerar, explicar e revisar código. Aínda que estas ferramentas ofrecen novas oportunidades de aprendizaxe, tamén introducen un desafío educativo importante: o alumnado necesita coñecementos de programación suficientes para avaliar se unha suxestión xerada por IA é correcta, eficiente ou mesmo pertinente para a tarefa en cuestión. Sen unha comprensión básica dos conceptos de programación, o alumnado pode aceptar solucións incorrectas, pasar por alto erros ou non recoñecer alternativas mellores. Por este motivo, aprender os fundamentos da programación segue sendo esencial, mesmo cando hai ferramentas de IA dispoñibles.


Nos cursos de iniciación á programación, a IA debería situarse como unha ferramenta de apoio á aprendizaxe e non como un programador substituto. O alumnado pode usar a IA de forma eficaz para tarefas repetitivas ou de baixo nivel que non reducen o esforzo cognitivo que supón aprender a programar. Por exemplo: dar formato e sangrar o código, xerar comentarios de documentación, explicar mensaxes de erro, resumir regras de sintaxe ou axudar a comprender a finalidade de determinadas construcións de programación. Estes usos permiten que o alumnado centre a súa atención na lóxica subxacente, nos algoritmos e nos procesos de resolución de problemas, que son centrais na competencia en programación.


Outro uso produtivo da IA é a revisión de código. En lugar de pedirlle a un modelo de IA que escriba unha solución, o alumnado pode escribir primeiro o seu propio código e despois pedirlle ao modelo que identifique posibles melloras. A IA pode suxerir nomes de variables máis claros, unha mellor organización do código, menos redundancia, maior lexibilidade ou enfoques alternativos que o alumnado pode avaliar de forma autónoma. Isto converte a IA nunha compañeira de retroalimentación que permite ao alumnado comparar o seu propio razoamento con suxestións externas e valorar os puntos fortes e débiles das súas solucións.


Con todo, a retroalimentación xerada por IA non debe aceptarse sen espírito crítico. Os modelos poden recomendar cambios innecesarios, ineficientes ou baseados en supostos incorrectos sobre a finalidade do código. Por iso, un obxectivo central desta sesión é desenvolver a capacidade do alumnado para avaliar criticamente as suxestións da IA. O alumnado aprenderá a preguntarlle a un modelo de IA non só que melloras propón, senón tamén por que considera que eses cambios son beneficiosos. Ao comparar o razoamento do modelo cos principios de programación consolidados, o alumnado pode xulgar se a optimización proposta mellora de verdade o código ou se só representa unha opción de deseño diferente.


Esta sesión trata a IA como unha ferramenta que apoia a reflexión, a autoavaliación e a mellora da calidade do código, e non a xeración de código. O alumnado practica escribindo os seus propios programas, usando a IA para tarefas de apoio, pedindo retroalimentación sobre o seu traballo e analizando criticamente a calidade das respostas que recibe. O obxectivo final é axudar o alumnado a ser mellor programador e, á vez, un usuario máis informado dos sistemas de IA.

Programación da sesión

Fase Tempo Actividade
Introdución 10 min O docente presenta dúas solucións breves en código para o mesmo problema, unha escrita por un alumno e outra xerada por un modelo de IA. O alumnado comenta que solución parece máis clara, máis eficiente ou máis fácil de entender.
Presentación 10 min O docente presenta usos axeitados da IA no ensino da programación, salientando a distinción entre tarefas de apoio, revisión de código e xeración de código.
Exploración 15 min Por parellas, o alumnado traballa nun pequeno exercicio de programación e identifica que tarefas se poderían delegar adecuadamente nun asistente de IA e cales deben seguir sendo responsabilidade súa.

Ciclo de mellora

35 min O alumnado escribe a súa propia solución e completa de 2 a 3 roldas de escribir → preguntar → avaliar → revisar, usando a IA só para tarefas de apoio e suxestións de mellora.
Reflexión 20 min Debate con toda a clase sobre a utilidade e as limitacións da retroalimentación da IA, centrado en como determinou o alumnado se as suxestións eran valiosas ou non.

Preguntas guía: engadir complexidade por capas

O alumnado realiza tantas roldas como permita o tempo durante o ciclo de mellora de 35 minutos. Cada rolda segue o mesmo proceso de catro pasos: escribir → preguntar → avaliar → revisar

  1. Rolda 1 — Usar a IA para tarefas de apoio
    • Escribir: Complete de forma autónoma un breve exercicio de programación.
    • Preguntar: Pídalle á IA axuda cunha tarefa relacionada co código que non sexa de programación, como:
      • mellorar o sangrado,
      • xerar comentarios,
      • explicar unha mensaxe de erro,
      • describir o que fai unha función.
    • Avaliar: A explicación da IA describe con exactitude o código? Son útiles e comprensibles os comentarios xerados?
    • Revisar: Incorpore os cambios útiles, asegurándose de que a lóxica do programa segue sendo enteiramente obra súa.
  2. Rolda 2 — Pedir suxestións de mellora
    • Escribir: Revise o programa completado e identifique partes que se poderían mellorar.
    • Preguntar: Pida suxestións de mellora sen permitir que a IA reescriba o código. Por exemplo:

«Suxire tres formas de mellorar a lexibilidade e a mantibilidade deste programa, pero non proporciones código de substitución.»

    • Avaliar: Que suxestións parecen valiosas? Cales terían pouco impacto no programa?
    • Revisar: Aplique as melloras coas que estea de acordo e comprobe se o programa segue funcionando correctamente.
  1. Rolda 3 — Avaliar criticamente os consellos de optimización
    • Escribir: Escolla unha sección do seu código que realice unha tarefa repetitiva ou que use bucles.
    • Preguntar: Pida suxestións de optimización e esixa que a IA xustifique as súas recomendacións.

Exemplo de instrución (prompt):

«Explica como se podería optimizar este código e por que cada optimización proposta melloraría o rendemento ou a lexibilidade. Non proporciones o código optimizado.»

Preguntas para a reflexión:

Pregunta final (para a fase de reflexión):

Cantos coñecementos de programación fan falta para determinar se unha suxestión da IA mellora realmente un programa, e que riscos xorden cando os usuarios confían nos consellos xerados por IA sen entender eles mesmos o código?

Materiais

2. Boas prácticas e exemplos de aula

2.10 Arte: pegadas do estilo

De quen é o pincel, de quen é a voz? Detectar os trazos de artistas coa IA

Materia: Arte e literatura  ·  Curso: 9.º (14–15 anos)  ·  Duración: 1 sesión dobre  ·  IA: Aprender COA IA

Mensaxe clave: Recoñecer un «estilo» non é o mesmo que comprendelo. A IA pode detectar patróns superficiais en moitas obras, pero distinguir unha auténtica marca estilística dun trazo casual ou dunha interpretación inventada segue requirindo un xuízo humano baseado en obras reais.

Contido

Os historiadores da arte e os estudosos da literatura raramente teñen acceso directo ás intencións dun artista. En cambio, reconstrúen o seu «estilo» comparando moitas obras: a pincelada, a cor e a composición na pintura, ou a elección de palabras, as imaxes e o ritmo na poesía. Unha soa pintura ou un só poema poden suxerir unha preferencia, pero só un patrón que se repite en varias obras converte esa preferencia nun trazo característico auténtico.

Vincent van Gogh ofrece un estudo de caso útil. Ao longo de aproximadamente unha década de intensa produción, desenvolveu trazos recoñecibles ao instante: empaste groso, pinceladas curtas e direccionais e contrastes de cor atrevidos, a miúdo complementarios. Como estes trazos se repiten en centos de pinturas, os especialistas poden describilos como unha auténtica marca estilística e non como unha elección puntual.

As ferramentas de imaxe con IA poden xerar hoxe en segundos imaxes convincentes «ao estilo de Van Gogh». Estas imaxes adoitan reproducir marcas superficiais recoñecibles (pinceladas en remuíño, paletas de amarelos e azuis), pero tamén poden esaxerar ou inventar detalles que nunca foron característicos da súa obra real, ou mesturar trazos tomados doutros artistas.

O mesmo problema aparece cos textos. As ferramentas de escritura con IA poden imitar unha poeta como Emily Dickinson reproducindo marcas superficiais (guións, rima imperfecta, versos curtos) sen captar necesariamente as calidades temáticas e estruturais que os especialistas consideran realmente características da súa obra.

Por iso, o alumnado necesita distinguir entre tres niveis de certeza:

Trazo – o que é directamente observable nunha obra concreta.

Patrón – un trazo que se repite en varias obras confirmadas e que se pode considerar razoablemente característico.

Atribución – unha afirmación sobre o significado, a influencia ou a autoría que vai máis alá do que poden sustentar as propias obras.

Programación da sesión

Fase Tempo Actividade

Gancho

10 min

Mostrar dúas imaxes xeradas por IA «ao estilo de Van Gogh»: unha máis próxima á súa técnica real e outra esaxerada. O alumnado adiviña cal é máis fiel e comenta por que.

Presentación

10 min

Presentar trazo – patrón – atribución e practicar como distinguilos a partir dun detalle dunha pintura auténtica.

Exploración

15 min

O alumnado estuda 3–4 obras auténticas dun artista ou poeta sen IA e rexistra que trazos se repiten realmente.

Adaptación 1

20 min

A IA redacta unha descrición do estilo a partir dunha soa obra ou dunha instrución limitada. O alumnado identifica onde inventa características sen fundamento.

Adaptación 2

20 min

Engádense máis obras e unha instrución máis estrita que obriga a citar as fontes. O alumnado compara as dúas descricións do estilo.

Reflexión

25 min

O alumnado transfire o mesmo marco de pensamento crítico a un caso discutido de autenticación ou atribución artística.

Preguntas guía e desenvolvemento da sesión

3–4 obras do mesmo artista ou poeta, p. ex.:

A) Dúas ou tres reproducións de pinturas do mesmo período da traxectoria do artista.

B) Imaxes en primeiro plano/detalle que mostren a pincelada ou a caligrafía.

C) Breves notas sobre a técnica ou a biografía procedentes dun museo ou dunha fonte literaria.

D) Unha obra contrastante doutro artista ou poeta, para comparar.

O alumnado completa unha ficha para cada obra respondendo: Que trazos observamos? Que patróns se repiten nas obras? Que segue sendo só a nosa interpretación?

Instrución (prompt) que usa o alumnado: Baseándote só nesta imaxe/neste poema, describe o estilo característico do artista en aproximadamente 150 palabras. Menciona só trazos que sexan realmente visibles ou estean presentes na obra.

O alumnado anota a resposta da IA:

Instrución mellorada: Revisa a descrición do estilo usando as fontes A–D. Despois de cada afirmación estilística, cita a obra concreta que a sustenta, por exemplo [Obra B]. Se unha afirmación é un patrón máis amplo inferido de varias obras, escribe [Patrón]. Elimina calquera afirmación que non se poida sustentar.

Comparar:

Versión 1 → Versión 2

Atopar:

Mostrar un exemplo breve e axeitado para a aula dun caso discutido de autenticación artística ou de atribución dun poema.

Pregunta para o debate:

Reflexión individual final:

O alumnado completa:

  1. Un trazo estilístico convértese nunha «característica» real cando…
  2. Antes de fiarme da descrición que fai unha IA do estilo dun artista, debería…
  3. A IA pode imitar a superficie dun estilo, pero…

Materiais

2. Boas prácticas e exemplos de aula

2.11 Enxeñaría: confiar, pero verificar o circuíto

Funciona de verdade? Contrastar as explicacións de circuítos da IA con medicións reais

Materia: Física / Tecnoloxía (enxeñaría básica)  ·  Curso: 8.º (13–14 anos)  ·  Duración: 1 sesión dobre  ·  IA: Aprender COA IA

Mensaxe clave: Unha explicación dun circuíto feita por IA pode soar totalmente segura e, aínda así, ser errónea. A única forma de saber se un circuíto se comporta realmente como se afirma é medilo e contrastar os números coa física subxacente, non confiar nun texto que soa seguro.

Contido

Os enxeñeiros e os físicos nunca se fían sen máis dun esquema de circuíto ou dunha explicación escrita de como funciona un circuíto. En cambio, móntano, mídeno e calculan os valores esperados a partir dos principios fundamentais: a lei de Ohm e as leis de Kirchhoff. Un esquema pode parecer totalmente correcto no papel, pero só unha medición real confirma se a corrente circula realmente como se afirma.

Un circuíto sinxelo en serie (unha batería, unha resistencia e un LED) ofrece un estudo de caso útil. A lei de Ohm (V = I × R) predí exactamente canta corrente debería circular para unha tensión e unha resistencia dadas. Como o comportamento real dos compoñentes pode variar lixeiramente (tolerancia, resistencia interna, temperatura), a intensidade medida adoita estar próxima á predición calculada, pero non sempre é idéntica, o que xa é en si unha lección útil sobre a diferenza entre un modelo e a realidade.

As ferramentas de IA poden xerar hoxe en segundos esquemas de circuítos e explicacións do seu comportamento. Estas explicacións adoitan soar fluídas e seguras, e mesmo poden incluír un cálculo completo coa lei de Ohm, pero tamén poden conter erros reais: un valor de resistencia incorrecto, un circuíto interrompido ou incompleto, un compoñente conectado coa polaridade errada ou unha afirmación sobre o fluxo de corrente que soa plausible pero é fisicamente imposible.

Este é un punto débil ben documentado: os modelos de linguaxe non son calculadoras e poden producir explicacións de aparencia técnica que non se sosteñen cando o circuíto se monta e se proba de verdade. Un ton seguro non é unha proba de que unha afirmación técnica sexa correcta.

Por iso, o alumnado necesita distinguir entre tres niveis de certeza:

Medición – o valor que marca realmente un polímetro no circuíto real montado.

Cálculo – o valor predito polas leis de Ohm/Kirchhoff a partir dos valores coñecidos dos compoñentes.

Afirmación – o que di unha ferramenta de IA sobre o comportamento do circuíto, que debe contrastarse cos outros dous niveis antes de poder confiar nela.

Programación da sesión

Fase Tempo Actividade

Gancho

10 min

Mostrar unha explicación xerada por IA dun circuíto LED sinxelo que contén un erro oculto (p. ex., un valor de resistencia incorrecto). O alumnado adiviña se é correcta e por que.

Presentación

10 min

Presentar medición – cálculo – afirmación e practicar a lei de Ohm cun exemplo resolto sinxelo.

Exploración

15 min

O alumnado monta un circuíto sinxelo en serie nunha placa de probas e mide tensión, intensidade e resistencia sen IA.

Adaptación 1

20 min

A IA predí/explica o comportamento do circuíto só a partir dun esquema ou dunha descrición. O alumnado compara as súas afirmacións coas súas propias medicións e cálculos.

Adaptación 2

20 min

O alumnado dálle á IA os valores exactos dos compoñentes e esixe un cálculo paso a paso coa lei de Ohm. Compara as dúas respostas da IA.

Reflexión

25 min

O alumnado transfire o mesmo hábito de verificación a outro ámbito, como unha calculadora de IA de forma física ou de saúde.

Preguntas guía e desenvolvemento da sesión

Materiais e pasos para cada grupo, p. ex.:

A) Un esquema de circuíto cunha batería, unha resistencia e un LED en serie.

B) Unha placa de probas, cables de conexión e os compoñentes indicados.

C) Un polímetro e unha breve folla de referencia sobre como medir tensión, intensidade e resistencia.

D) Unha táboa do código de cores das resistencias e a tensión directa nominal do LED.

O alumnado completa unha ficha respondendo: Que medimos? Que predí a lei de Ohm? En que se diferencian os dous valores, e canto?

Instrución (prompt) que usa o alumnado: Dado un circuíto cunha batería de 9 V, unha resistencia de 470 Ω e un LED vermello en serie, explica canta corrente circulará e por que. Mostra o teu razoamento.

O alumnado anota a resposta da IA:

Instrución mellorada: Volve calcular a intensidade paso a paso coa lei de Ohm, mostrando a fórmula e cada valor substituído. Indica os supostos que fas sobre a caída de tensión directa do LED e sinala todo o que habería que medir para confirmalo.

Comparar:

Versión 1 → Versión 2

Atopar:

Mostrar un exemplo breve e axeitado para a aula dun cálculo de forma física, nutrición ou saúde xerado por IA (p. ex., «a súa inxestión diaria de calorías recomendada é…»).

Pregunta para o debate:

Reflexión individual final:

O alumnado completa:

  1. Unha afirmación técnica vólvese fiable cando…
  2. Antes de fiarme da explicación dunha IA sobre como funciona algo, debería…
  3. A IA pode soar segura sobre un proceso técnico, pero…

Materiais

3. Marco de competencias pedagóxicas en IA

O marco de competencias DUAL.AI.TEACHer é o resultado dunha análise cruzada de DigCompEdu, AI Pioneers e o UNESCO AI Competency Framework for Teachers. En lugar de crear novas estruturas desde cero, seleccionáronse marcos existentes que xa abordan dimensións complementarias das competencias profesionais dos docentes na era da IA.

3. Marco de competencias pedagóxicas en IA

3.1 Dimensións

O marco DUAL.AI.TEACHer estrutúrase como unha matriz bidimensional completa que describe un total de 18 competencias clave, cada unha das cales xorde da intersección das dúas dimensións principais en torno ás que se organiza o marco. A dimensión horizontal define as principais áreas que caracterizan as prácticas de ensino e aprendizaxe e recolle a dimensión pedagóxica do marco. A dimensión vertical recolle os aspectos clave da IA e reflicte as facetas tecnolóxicas e éticas que implica a súa integración nos contextos educativos.

Esta estrutura permite que o marco vincule de maneira sistemática as competencias pedagóxicas cos coñecementos e as destrezas relacionados coa IA, de modo que cada competencia identificada reflicte tanto un obxectivo educativo como unha dimensión concreta da comprensión ou da aplicación da IA.

Dimensión horizontal do marco DUAL.AI.TEACHer

A dimensión horizontal do marco procede do marco DigCompEdu, que identifica as áreas clave que caracterizan as prácticas de ensino e aprendizaxe nos contornos dixitais. Estas áreas abranguen as actividades pedagóxicas fundamentais que levan a cabo os docentes, desde o compromiso profesional e a xestión dos recursos dixitais ata o deseño e o desenvolvemento de experiencias de aprendizaxe, a aplicación de estratexias de avaliación e o fomento da participación activa e das competencias dixitais do alumnado.

Tendo en conta o marco AI Pioneers, o marco DUAL.AI.TEACHer adopta esta dimensión para ancorar as competencias relacionadas coa IA nas prácticas pedagóxicas máis amplas que xa se recoñecen como esenciais para un ensino eficaz, aliñándoas con esas prácticas. A dimensión horizontal organízase nos seis campos seguintes:

Dimensión vertical do marco DUAL.AI.TEACHer

A dimensión vertical do marco procede do UNESCO AI Competency Framework for Teachers, que identifica orixinalmente cinco aspectos clave da competencia en IA relevantes para a práctica docente: mentalidade centrada no ser humano, ética da IA, fundamentos e aplicacións da IA, pedagoxía da IA e IA para o desenvolvemento profesional.

Para os efectos do marco DUAL.AI.TEACHer, estes cinco aspectos reducíronse a tres. Elimináronse dúas das áreas orixinais, a pedagoxía da IA e a IA para o desenvolvemento profesional, porque a dimensión horizontal xa contiña eses campos, aínda que nunha forma lixeiramente diferente. Ademais, a intersección entre a dimensión vertical e a horizontal xeraba competencias redundantes. Por iso, decidiuse excluílas do eixe vertical para evitar solapamentos e garantir a coherencia conceptual en toda a matriz.

A dimensión vertical articúlase nos tres aspectos seguintes:

Dos tres aspectos que se mantiveron, dous considéranse aspectos transversais da IA (mentalidade centrada no ser humano e ética da IA), xa que non pertencen a unha área temática concreta, senón que representan dimensións transversais que inflúen e impregnan todo o espectro de prácticas docentes, valores e conduta profesional relacionados coa IA. O terceiro aspecto (fundamentos e aplicacións da IA) considérase un aspecto da IA específico de contido, xa que se refire aos coñecementos conceptuais e ás destrezas técnicas específicas que os docentes deben adquirir para comprender, seleccionar e aplicar ferramentas de IA na súa práctica docente.

3.1-A-competence-matrix-revised.jpg

Fig. 1: "As dimensións do marco Dual.AI.TEACHer" (diagrama xerado con IA, OpenAI Codex)

3. Marco de competencias pedagóxicas en IA

3.2 O marco de competencias DUAL.AI.TEACHer

A intersección das dimensións horizontal e vertical da matriz dá lugar a un conxunto de dezaoito competencias, cada unha das cales representa un punto concreto de converxencia entre unha área pedagóxica e un aspecto da IA. Estas competencias definen o que os docentes deben saber, comprender e ser capaces de facer para integrar a IA na súa práctica docente de maneira eficaz e responsable, combinando as competencias pedagóxicas cos valores, a conciencia ética e os coñecementos técnicos que require un contorno educativo baseado na IA.

DUAL.AI

Compromiso profesional

Recursos dixitais

Ensino e aprendizaxe

Avaliación

Empoderamento do alumnado

Facilitación da competencia dixital (en IA) do alumnado

Mentalidade centrada no ser humano

Os docentes saben manter unha perspectiva centrada no ser humano ao usar a IA na comunicación profesional, no traballo en rede e no desenvolvemento institucional e profesional

Os docentes saben garantir a supervisión humana e a capacidade de acción do alumnado nos procesos apoiados pola IA para seleccionar, crear e avaliar recursos dixitais.

Os docentes saben manter a capacidade de acción do alumnado, as relacións humanas e o xuízo docente no centro do ensino e a aprendizaxe apoiados pola IA.

Os docentes saben garantir a responsabilidade humana e a equidade nos procesos de avaliación asistidos pola IA

Os docentes saben usar a IA para atender as diversas necesidades e estilos de aprendizaxe, situando a dignidade humana, a equidade e o dereito á educación no centro de toda práctica inclusiva

Os docentes saben modelar e cultivar actitudes centradas no ser humano ante a IA como parte do desenvolvemento da competencia dixital (en IA) reflexiva do alumnado

Ética da IA

Os docentes saben aplicar principios éticos e coñecemento da normativa ao seu propio uso da IA na práctica profesional e nos contextos institucionais

Os docentes saben identificar e mitigar os riscos éticos dos recursos de aprendizaxe xerados ou mellorados con IA.

Os docentes saben integrar o razoamento ético nas decisións sobre se usar a IA, e como, nas estratexias de ensino e nas actividades de aprendizaxe

Os docentes saben garantir que as prácticas de avaliación asistidas pola IA cumpran os estándares de equidade, transparencia e cumprimento legal, o que lles permite reflexionar sobre a retroalimentación e mellorar as súas prácticas de avaliación

Os docentes saben abordar as dimensións éticas da personalización mediante IA, incluídos os riscos de inequidade, uso indebido dos datos e exclusión

Os docentes saben educar o alumnado nun uso responsable, crítico e eticamente informado das tecnoloxías de IA

Fundamentos e aplicacións da IA

Os docentes saben aplicar coñecementos fundamentais sobre IA para fundamentar decisións profesionais, interactuar de forma crítica coas ferramentas de IA e liderar a formación profesional relacionada coa IA nos contextos institucionais

Os docentes saben seleccionar e usar de forma crítica ferramentas de IA para crear, adaptar e mellorar recursos educativos dixitais, a partir dunha comprensión técnica dos sistemas de IA

Os docentes saben aplicar a súa comprensión do funcionamento dos sistemas de IA para tomar decisións informadas e críticas sobre a integración da IA no ensino e a aprendizaxe, mellorando as súas propias prácticas docentes e os seus enfoques de deseño didáctico

Os docentes saben aplicar coñecementos sobre IA para deseñar, implementar e avaliar prácticas de avaliación eficientes e equitativas apoiadas pola IA, e mellorar sistematicamente as súas prácticas de avaliación

Os docentes saben seleccionar estratexias pedagóxicas e ferramentas de IA que favorezan a personalización e a inclusión, a partir dunha comprensión informada do seu funcionamento

Os docentes saben desenvolver no alumnado a comprensión das tecnoloxías de IA e das súas implicacións sociais como parte do desenvolvemento da competencia en IA


3. Marco de competencias pedagóxicas en IA

3.3 Niveis de progresión e operadores

Facer rastrexable o desenvolvemento das competencias

As 18 competencias clave do marco DUAL.AI.TEACHer son relativamente abstractas e proporcionan unha estrutura xeral do campo competencial. Para facilitar a autoavaliación ou a avaliación por parte doutras persoas e para trazar o desenvolvemento competencial individual, cada unha das competencias clave operacionalízase mediante obxectivos de aprendizaxe observables, diferenciados en tres niveis de progresión.

Os niveis baséanse nun dos modelos máis utilizados en educación: a taxonomía revisada de Bloom (Anderson & Krathwohl, 2001; Krathwohl, 2002). A súa idea central é sinxela: os procesos cognitivos desenvólvense desde lembrar e comprender, pasando por aplicar e analizar, ata avaliar e crear. O que cambia dun nivel a outro non é, polo tanto, o contido nin o tema, senón a profundidade cognitiva do pensamento e da acción que un docente pode demostrar con el.

Niveis de progresión e operadores

Esta profundidade cognitiva reflíctese na redacción dos obxectivos de aprendizaxe. Cada obxectivo constrúese arredor dun verbo (un operador) tomado directamente da taxonomía (por exemplo, recoñecer, implementar, criticar). O operador indica o que se espera que faga un docente nese nivel e fai que o obxectivo de aprendizaxe sexa concreto e observable.

Nivel

Na práctica, os docentes saben...

Procesos cognitivos (operadores)

Nivel 1

Coñecemento orientativo

desenvolver unha orientación profesional inicial aprendendo que é a IA, que pode facer e que está en xogo. Recoñecen e lembran conceptos e ferramentas clave da IA, poñen exemplos, clasifícanos e resumen coas súas propias palabras as principais oportunidades e riscos.

Lembrar
(recoñecer, recuperar da memoria)

Comprensión básica (interpretar, exemplificar, clasificar, resumir)

Nivel 2

Implementación reflexiva

aplicar e avaliar de forma crítica prácticas relacionadas coa IA no seu propio ensino. Usan deliberadamente ferramentas de IA nas clases e na avaliación, explican e comparan diferentes enfoques e resultados, contrastan os resultados xerados pola IA co seu propio xuízo profesional e analizan os beneficios, as limitacións e os supostos subxacentes.

Comprensión superior
(explicar, comparar)

Aplicar

(executar, implementar)

Analizar

(diferenciar, organizar, atribuír)

Avaliar

(comprobar, criticar)

Nivel 3

Liderado transformador

deseñar e seguir desenvolvendo de maneira responsable a práctica educativa relacionada coa IA, asumindo un papel de liderado máis alá da súa propia aula. Avalían as prácticas con IA segundo criterios pedagóxicos e éticos, crean novos enfoques apoiados pola IA e apoian os seus colegas e a súa institución no uso responsable da IA.

Crear

(xerar, planificar, producir)

A lóxica dos niveis

Os niveis constrúense progresivamente uns sobre outros. Cada nivel superior apóiase nos procesos cognitivos dos niveis inferiores. Non obstante, seguindo a Krathwohl (2002), trátase dunha xerarquía de complexidade crecente e non dun conxunto de etapas estritamente separadas. As categorías veciñas poden solaparse e os límites entre niveis son difusos máis que nítidos.

Mentres que o nivel 1 proporciona a base necesaria e o nivel 3 representa un papel ampliado na innovación e no liderado profesional, o nivel 2 constitúe a dimensión obxectivo principal para os docentes. Todos os docentes deberían ser capaces de integrar a IA de forma intencionada na súa propia práctica, valorar os seus resultados co seu xuízo profesional e reflexionar de forma crítica sobre os seus beneficios pedagóxicos, as súas limitacións e os supostos subxacentes. Por iso, o nivel 2 describe o nivel de competencia necesario para unha práctica docente informada, responsable e reflexiva nun contorno educativo influído pola IA.

3. Marco de competencias pedagóxicas en IA

3.4 Obxectivos de aprendizaxe DUAL.AI.TEACHer

Para cada unha das dezaoito competencias identificadas definiuse un conxunto de tres obxectivos de aprendizaxe específicos (a–c) co fin de traducir a competencia en resultados concretos e prácticos. Estes obxectivos de aprendizaxe especifican os coñecementos, as destrezas e as actitudes que se espera que os docentes desenvolvan para acadar a competencia correspondente, e ofrecen unha descrición máis detallada e práctica do que implica, na práctica, dominar esa competencia. 3.4-B-competency-card-EI-TL.jpg

Fig. 1: "Orientarse nos obxectivos de aprendizaxe" (diagrama xerado con IA, OpenAI Codex)

Ao desagregar cada competencia en obxectivos de aprendizaxe claramente definidos en distintos niveis, o marco DUAL.AI.TEACHer facilita a súa aplicación práctica no desenvolvemento profesional, no deseño de formacións e na autoavaliación, e ofrece aos docentes un modelo concreto para construír e demostrar progresivamente as súas competencias relacionadas coa IA.

Nivel 1 – Coñecemento orientativo

NIVEL 1

Compromiso profesional

Recursos dixitais

Ensino e aprendizaxe

Avaliación

Empoderamento do alumnado

Facilitación da competencia dixital (en IA) do alumnado

Mentalidade centrada no ser humano

HM-PE-1a

Os docentes saben recoñecer casos de uso habituais da IA na comunicación profesional e no traballo en rede, así como as situacións nas que o xuízo, a presenza ou a construción de relacións humanas deben ter prioridade.

HM-PE-1b

Os docentes saben recoñecer as súas propias necesidades de aprendizaxe relacionadas coa IA e as ferramentas que apoian o seu desenvolvemento profesional continuo.

HM-PE-1c

Os docentes saben resumir como se usa a IA na súa institución para a implicación dos axentes educativos e o desenvolvemento organizativo, incluídas as oportunidades e os riscos que xera para a capacidade de acción humana, a inclusión e os valores educativos.

HM-DR-1a

Os docentes saben resumir como as ferramentas de IA poden apoiar a selección, a creación, a personalización e a xestión de recursos dixitais, incluído que pasos requiren supervisión humana e xuízo pedagóxico.

HM-DR-1b

Os docentes saben recoñecer criterios de calidade habituais para materiais de aprendizaxe xerados ou mellorados con IA, incluídos os indicadores que sinalan cando un recurso necesita revisión humana.

HM-DR-1c

Os docentes saben interpretar como a capacidade de acción e a autonomía do alumnado poden preservarse ou verse minadas por recursos xerados ou personalizados con IA, incluído cando o alumnado debe participar nas decisións sobre o uso dos recursos.

HM-TL-1a

Os docentes saben recoñecer, entre as distintas formas de usar a IA no ensino, que decisións pedagóxicas deben permanecer en mans humanas.

HM-TL-1b

Os docentes saben recoñecer situacións en clases apoiadas pola IA nas que a capacidade de acción do alumnado, a interacción humana ou a relación entre docente e alumnado poderían reforzarse ou debilitarse, así como os indicadores dun uso pedagóxico significativo da IA.

HM-TL-1c

Os docentes saben clasificar o uso da IA no ensino segundo apoie a toma de decisións pedagóxicas ou a substitúa, e as súas implicacións para a rendición de contas e a calidade da aprendizaxe.

HM-A-1a

Os docentes saben recoñecer, entre os usos da IA na avaliación, que decisións avaliativas deben seguir sendo responsabilidade humana.

HM-A-1b

Os docentes saben recoñecer riscos habituais da avaliación asistida pola IA para a equidade, a transparencia e o benestar do alumnado, incluídos os sinais de que é necesaria unha revisión humana dos resultados xerados pola IA.

HM-A-1c

Os docentes saben clasificar a IA na avaliación segundo sexa un apoio ao xuízo docente ou un substituto del, e as súas implicacións para a rendición de contas e a confianza do alumnado.

HM-EL-1a

Os docentes saben recoñecer as formas en que as ferramentas de IA poden apoiar a un alumnado diverso e que necesidades do alumnado poden e non poden atender.

HM-EL-1b

Os docentes saben lembrar riscos habituais da diferenciación apoiada pola IA para a inclusión e a equidade, incluídos os sinais de que unha ferramenta de IA está a restrinxir, en lugar de ampliar, as oportunidades dun alumno.

HM-EL-1c

Os docentes saben interpretar como se aplican a dignidade humana, a equidade e o dereito á educación ao uso da IA nas aulas inclusivas, incluído cando a capacidade de acción e o sentimento de pertenza do alumnado deben ter prioridade sobre a eficiencia ou a estandarización.

HM-FC-1a

Os docentes saben recoñecer o que significa modelar ante o alumnado unha relación coa IA centrada no ser humano e criticamente informada, incluído como as súas propias prácticas e afirmacións transmiten actitudes sobre a IA.

HM-FC-1b

Os docentes saben clasificar as disposicións que apoian a competencia reflexiva en IA do alumnado e as situacións de aula nas que se poden cultivar.

HM-FC-1c

Os docentes saben recoñecer a diferenza, no seu propio ensino sobre a IA, entre transmitir coñecementos e cultivar actitudes centradas no ser humano, e as súas implicacións para o seu papel como docentes.

Ética da IA

EI-PE-1a

Os docentes saben lembrar os principios éticos clave que se aplican ao seu propio uso profesional da IA, así como a relevancia de cada principio nun contexto profesional.

EI-PE-1b

Os docentes saben recoñecer os marcos legais e normativos que rexen o uso da IA na comunicación, a colaboración e o desenvolvemento profesionais.

EI-PE-1c

Os docentes saben recoñecer situacións da súa práctica profesional nas que está en xogo un principio ético ou un requisito normativo.

EI-DR-1a

Os docentes saben lembrar riscos éticos habituais dos recursos de aprendizaxe xerados ou mellorados con IA, así como os seus efectos no alumnado.

EI-DR-1b

Os docentes saben recoñecer os marcos legais e normativos relevantes para os recursos xerados con IA e cando se aplican.

EI-DR-1c

Os docentes saben clasificar as fontes de riscos éticos derivadas de nesgos, inexactitudes ou dunha autoría inadecuada da IA nun recurso de aprendizaxe dado.

EI-TL-1a

Os docentes saben lembrar os principios éticos relevantes para o uso da IA no ensino e a aprendizaxe, incluídas as súas implicacións para as decisións didácticas.

EI-TL-1b

Os docentes saben recoñecer cuestións éticas específicas da IA nas aulas e cando xorden nun escenario de ensino.

EI-TL-1c

Os docentes saben resumir os pasos dun proceso de razoamento ético para decidir se usar a IA nunha clase, e como (decisións baseadas en principios fronte á adopción acrítica ou ao rexeitamento por defecto).

EI-A-1a

Os docentes saben lembrar os principais riscos para a equidade da avaliación asistida pola IA e como pode afectar cada un deles ao alumnado.

EI-A-1b

Os docentes saben recoñecer as obrigas de transparencia na avaliación asistida pola IA, como a divulgación da intervención da IA, a explicación dos resultados e a posibilidade de que o alumnado impugne as decisións ou solicite a súa revisión humana.

EI-A-1c

Os docentes saben interpretar por que a avaliación educativa se considera de alto risco segundo os marcos legais e normativos que se aplican á IA na avaliación.

EI-EL-1a

Os docentes saben lembrar os principais riscos éticos da personalización baseada en IA e como pode afectar cada un deles ao alumnado.

EI-EL-1b

Os docentes saben clasificar os tipos de datos do alumnado que usa a personalización con IA e o seu grao de sensibilidade.

EI-EL-1c

Os docentes saben interpretar por que a IA educativa personalizada se considera de alto risco segundo os marcos legais e baseados en dereitos.

EI-FC-1a

Os docentes saben lembrar cales son as cuestións éticas clave que suscita a IA e que son relevantes para o alumnado, incluídas as implicacións ambientais e para a privacidade.

EI-FC-1b

Os docentes saben clasificar que cuestións éticas corresponden a cada etapa educativa, de maneira adecuada á idade e ao contexto.

EI-FC-1c

Os docentes saben interpretar usos eticamente problemáticos da IA por parte do alumnado e por que cada un deles é unha cuestión ética e non só unha infracción de normas.

Fundamentos e aplicacións da IA

AF-PE-1a

Os docentes saben resumir os conceptos básicos do funcionamento dos sistemas de IA actuais e que ferramentas de IA habituais se usan na práctica educativa profesional.

AF-PE-1b

Os docentes saben exemplificar criterios relevantes para avaliar unha ferramenta de IA para unha tarefa profesional.

AF-PE-1c

Os docentes saben interpretar por que as limitacións dunha ferramenta de IA a converten na opción equivocada en situacións habituais do seu traballo profesional.

AF-DR-1a

Os docentes saben resumir os conceptos básicos do funcionamento dos principais tipos de ferramentas de IA usadas para crear recursos, achegando exemplos correspondentes.

AF-DR-1b

Os docentes saben clasificar a fiabilidade dos resultados do tipo de ferramenta seleccionado para as súas tarefas, incluídos os erros evitables.

AF-DR-1c

Os docentes saben lembrar criterios técnicos para seleccionar unha ferramenta de IA para recursos e o que implica cada un deles.

AF-TL-1a

Os docentes saben resumir os conceptos básicos do funcionamento dos principais tipos de sistemas de IA usados no ensino, achegando os exemplos correspondentes.

AF-TL-1b

Os docentes saben clasificar a fiabilidade dos resultados do tipo de ferramenta seleccionado para o seu contexto de aula, incluídos os erros evitables.

AF-TL-1c

Os docentes saben interpretar como a comprensión técnica fundamenta decisións realistas sobre se integrar a IA nunha clase, cando e como.

AF-A-1a

Os docentes saben resumir os conceptos básicos do funcionamento dos principais tipos de sistemas de IA usados na avaliación, achegando exemplos típicos de cada un.

AF-A-1b

Os docentes saben clasificar o que mide realmente cada tipo de ferramenta de avaliación, o que non é capaz de medir e en que situacións tende a fallar.

AF-A-1c

Os docentes saben exemplificar por que paga a pena formular determinadas preguntas técnicas sobre unha ferramenta de avaliación con IA.

AF-EL-1a

Os docentes saben resumir os conceptos básicos do funcionamento dos principais tipos de IA usados para a personalización e a inclusión, incluídos exemplos típicos.

AF-EL-1b

Os docentes saben clasificar o que cada tipo de ferramenta pode e non pode facer de maneira fiable, así como os ámbitos nos que é probable que o seu rendemento falle con determinados grupos de alumnado.

AF-EL-1c

Os docentes saben clasificar o que unha ferramenta de IA afirma medir ou facer fronte ao que realmente mide ou fai, incluído por que esta distinción é importante para a inclusión.

AF-FC-1a

Os docentes saben resumir os conceptos básicos da IA que o alumnado debería comprender, incluídos exemplos adecuados á idade.

AF-FC-1b

Os docentes saben recoñecer os límites técnicos dos sistemas de IA actuais que o alumnado necesita comprender.

AF-FC-1c

Os docentes saben interpretar as destrezas prácticas en IA que o alumnado debería desenvolver e como é o dominio de cada unha nunha etapa educativa determinada.


Nivel 2 – Implementación reflexiva

NIVEL 2

Compromiso profesional

Recursos dixitais

Ensino e aprendizaxe

Avaliación

Empoderamento do alumnado

Facilitación da competencia dixital (en IA) do alumnado

Mentalidade centrada no ser humano

HM-PE-2a

Os docentes saben diferenciar, en situacións concretas de comunicación e traballo en rede mediadas pola IA na súa propia práctica, cando usar, adaptar ou renunciar á IA en función de criterios centrados no ser humano.

HM-PE-2b

Os docentes saben organizar un plan persoal de desenvolvemento profesional apoiado pola IA que integre ferramentas de IA nas súas rutinas de aprendizaxe e salvagarde ao mesmo tempo o seu crecemento, a súa autonomía e a colaboración entre iguais.

HM-PE-2c

Os docentes saben explicar principios centrados no ser humano en debates institucionais ou grupos de traballo sobre IA, propoñendo axustes nos procedementos, nas políticas ou nas prácticas de comunicación relacionados coa IA.

HM-DR-2a

Os docentes saben implementar recursos xerados ou mellorados con IA no seu contexto docente, de acordo con criterios pedagóxicos e centrados no ser humano.

HM-DR-2b

Os docentes saben comparar ferramentas baseadas en IA para crear e seleccionar recursos dixitais co fin de escoller a máis axeitada para un propósito didáctico concreto.

HM-DR-2c

Os docentes saben implementar formas de implicar o alumnado na avaliación e no uso de recursos mellorados con IA que reforcen a capacidade de acción do alumnado e a calidade pedagóxica.

HM-TL-2a

Os docentes saben implementar clases apoiadas pola IA nas que o seu propio xuízo pedagóxico guíe cando, como e por que se usa a IA, preservando a capacidade de acción do alumnado e a interacción humana.

HM-TL-2b

Os docentes saben explicar o impacto do uso da IA na interacción na aula, na participación e nos procesos de aprendizaxe, salvagardando mediante estratexias didácticas unhas interaccións significativas entre docente e alumnado e as relacións entre iguais.

HM-TL-2c

Os docentes saben implementar formas de configurar como se usa a IA nas clases e de que maneira isto reforza a capacidade de acción do alumnado e a calidade pedagóxica.

HM-A-2a

Os docentes saben implementar ferramentas de avaliación asistidas pola IA na súa propia práctica, baseando a decisión avaliativa final nunha lectura crítica dos resultados das ferramentas e en criterios pedagóxicos e centrados no ser humano.

HM-A-2b

Os docentes saben comprobar se as cualificacións, as analíticas ou a retroalimentación xeradas pola IA son xustas, precisas e coherentes cos obxectivos de aprendizaxe, axustando as prácticas de avaliación para salvagardar a equidade e un apoio significativo ao alumnado.

HM-A-2c

Os docentes saben explicar ao alumnado e a outros axentes educativos como se usou a IA nun proceso de avaliación e o papel do xuízo humano no resultado final, dun xeito que preserve a confianza e a capacidade de acción do alumnado.

HM-EL-2a

Os docentes saben implementar ferramentas de IA para apoiar alumnado con diferentes capacidades, procedencias e preferencias, baseando as decisións na equidade, na dignidade e nunha pedagoxía inclusiva.

HM-EL-2b

Os docentes saben explicar como a diferenciación apoiada pola IA afecta á participación, á autonomía e ao sentimento de pertenza do alumnado na súa propia práctica, salvagardando a inclusión e unha aprendizaxe significativa para todo o alumnado.

HM-EL-2c

Os docentes saben implementar formas de implicar o alumnado e, cando proceda, as familias ou o persoal de apoio nas decisións sobre a personalización apoiada pola IA, reforzando a capacidade de acción do alumnado, a confianza e a equidade educativa.

HM-FC-2a

Os docentes saben executar prácticas de IA centradas no ser humano na súa propia práctica visible, baseando as decisións en obxectivos educativos e de cidadanía.

HM-FC-2b

Os docentes saben implementar situacións de aprendizaxe que inviten o alumnado a reflexionar sobre as súas propias actitudes, a súa capacidade de acción e as súas responsabilidades en relación coa IA, reforzando ao mesmo tempo a súa implicación crítica.

HM-FC-2c

Os docentes saben organizar diálogos co alumnado sobre o papel da IA nas súas vidas, nos centros educativos e na sociedade, que contribúan a unha capacidade de acción informada e a unha participación responsable nun mundo impregnado pola IA.

Ética da IA

EI-PE-2a

Os docentes saben implementar principios éticos e requisitos normativos en decisións concretas sobre o seu propio uso profesional da IA, xustificadas en relación coa integridade, a transparencia, a rendición de contas e a sustentabilidade.

EI-PE-2b

Os docentes saben inferir respostas baseadas en principios a dilemas éticos que xorden no compromiso profesional mediado pola IA.

EI-PE-2c

Os docentes saben explicar as normas institucionais sobre IA, as prácticas eticamente fundamentadas e como a súa propia conduta contribúe a unha cultura profesional fiable.

EI-DR-2a

Os docentes saben diferenciar, mediante criterios estruturados, que riscos éticos están presentes nos recursos xerados ou mellorados con IA da súa propia práctica e que gravidade ten cada un.

EI-DR-2b

Os docentes saben implementar estratexias concretas para mitigar os riscos derivados dos recursos xerados con IA.

EI-DR-2c

Os docentes saben explicar con transparencia ao alumnado e aos colegas a intervención da IA e os riscos residuais dun recurso, dun xeito que reforce a confianza e apoie a aprendizaxe.

EI-TL-2a

Os docentes saben implementar principios éticos en decisións concretas sobre o uso da IA no seu propio ensino, xustificadas en termos de beneficio pedagóxico e risco ético.

EI-TL-2b

Os docentes saben inferir respostas baseadas en principios e defendibles a dilemas éticos relacionados coa IA no ensino.

EI-TL-2c

Os docentes saben explicar ao alumnado e aos colegas o razoamento ético que hai detrás das súas decisións didácticas relacionadas coa IA, dun xeito que configure a cultura e a confianza na aula.

EI-A-2a

Os docentes saben criticar as ferramentas e os resultados de avaliación asistidos pola IA da súa propia práctica segundo estándares de equidade, transparencia e cumprimento legal, e axustar a súa práctica en consecuencia.

EI-A-2b

Os docentes saben implementar prácticas de transparencia na súa propia avaliación, reforzando ao mesmo tempo a confianza e a comprensión do alumnado.

EI-A-2c

Os docentes saben inferir os cambios necesarios na súa práctica avaliativa a partir da retroalimentación asistida pola IA para garantir a equidade.

EI-EL-2a

Os docentes saben criticar as ferramentas e as prácticas de personalización baseadas en IA do seu propio contexto en canto aos riscos de uso indebido dos datos, discriminación e restrición curricular.

EI-EL-2b

Os docentes saben implementar salvagardas concretas na súa propia práctica de personalización que protexan o alumnado.

EI-EL-2c

Os docentes saben explicar con transparencia ao alumnado e ás familias como a IA personaliza a aprendizaxe, que datos se usan e que dereitos ten o alumnado, reforzando a confianza e a equidade.

EI-FC-2a

Os docentes saben implementar actividades de aprendizaxe que desenvolvan o razoamento ético do alumnado sobre a IA, xustificadas polas decisións metodolóxicas.

EI-FC-2b

Os docentes saben inferir deseños que axuden o alumnado a ponderar valores en conflito, partindo dos supostos que se desprenden do razoamento ético que demostra ao usar a IA.

EI-FC-2c

Os docentes saben inferir oportunidades de aprendizaxe no uso eticamente cuestionable da IA por parte do alumnado.

Fundamentos e aplicacións da IA

AF-PE-2a

Os docentes saben comparar ferramentas de IA para as súas propias tarefas profesionais, usando coñecementos fundamentais sobre IA para seleccionar ferramentas segundo as súas capacidades e limitacións técnicas.

AF-PE-2b

Os docentes saben implementar axustes no seu uso das ferramentas de IA que reflictan como funciona realmente o sistema subxacente e melloren a calidade dos resultados.

AF-PE-2c

Os docentes saben explicar aos colegas conceptos técnicos sobre ferramentas de IA nunha linguaxe accesible, contribuíndo a un diálogo colexial informado sobre a IA na práctica profesional.

AF-DR-2a

Os docentes saben comparar ferramentas de IA para tarefas concretas de creación de recursos na súa propia práctica, co fin de seleccionar ferramentas segundo as súas capacidades e limitacións técnicas.

AF-DR-2b

Os docentes saben implementar estratexias de formulación de instrucións (prompting), iteración e mellora para obter recursos utilizables xerados con IA.

AF-DR-2c

Os docentes saben explicar aos colegas cando unha ferramenta debería substituírse por outra ferramenta, outro enfoque ou un recurso sen IA.

AF-TL-2a

Os docentes saben comparar ferramentas de IA para fins concretos de ensino e aprendizaxe na súa propia práctica, co fin de seleccionar ferramentas segundo as súas capacidades e limitacións técnicas.

AF-TL-2b

Os docentes saben organizar elementos da clase que integren o uso da IA con funcións pedagóxicas claras e estratexias para verificar os resultados.

AF-TL-2c

Os docentes saben implementar axustes nos seus enfoques de deseño didáctico e no seu uso das ferramentas de IA en función do seu rendemento técnico.

AF-A-2a

Os docentes saben comparar ferramentas de IA para tarefas concretas de avaliación na súa propia práctica, segundo as capacidades técnicas, os límites e a fiabilidade da ferramenta.

AF-A-2b

Os docentes saben implementar fluxos de traballo de avaliación que combinen os resultados da IA cunha revisión humana estruturada, recoñecendo cando un resultado da IA é demasiado pouco fiable.

AF-A-2c

Os docentes saben implementar melloras no seu uso das ferramentas de avaliación con IA en función do seu rendemento técnico.

AF-EL-2a

Os docentes saben comparar ferramentas de IA tendo en conta as súas capacidades técnicas e o seu rendemento para a personalización, a accesibilidade e a inclusión do alumnado concreto implicado.

AF-EL-2b

Os docentes saben implementar configuracións personalizadas de ferramentas de IA para un uso inclusivo, centradas no alumnado que máis o necesita.

AF-EL-2c

Os docentes saben diferenciar como funcionan realmente as ferramentas de IA cos distintos alumnos da súa práctica, cambiando de ferramenta ou combinando a IA con alternativas sen IA.

AF-FC-2a

Os docentes saben organizar actividades de aprendizaxe que desenvolvan a comprensión conceptual do alumnado sobre como funciona a IA.

AF-FC-2b

Os docentes saben implementar orientacións que axuden o alumnado a desenvolver destrezas prácticas en IA, adaptando as tarefas aos coñecementos previos do alumnado e ás ferramentas de IA dispoñibles.

AF-FC-2c

Os docentes saben explicar as implicacións sociais da IA desde unha perspectiva técnica e as formas en que o alumnado pode implicarse nelas.


Nivel 3 – Liderado transformador

NIVEL 3

Compromiso profesional

Recursos dixitais

Ensino e aprendizaxe

Avaliación

Empoderamento do alumnado

Facilitación da competencia dixital (en IA) do alumnado

Mentalidade centrada no ser humano

HM-PE-3a

Os docentes saben planificar novas prácticas centradas no ser humano para a comunicación profesional e o traballo en rede mediados pola IA dentro do seu equipo ou institución, modelándoas e orientando os colegas no seu uso.

HM-PE-3b

Os docentes saben xerar formatos innovadores de aprendizaxe profesional apoiada pola IA que reforcen a autodirección e o crecemento profesional colectivo en toda a comunidade educativa.

HM-PE-3c

Os docentes saben planificar procesos de cambio institucional que integren un uso da IA centrado no ser humano no compromiso profesional e inflúan na cultura da súa organización.

HM-DR-3a

Os docentes saben planificar fluxos de traballo para a creación e a curaduría de recursos dixitais apoiadas pola IA que integren como práctica habitual a supervisión humana, a voz do alumnado e a responsabilidade pedagóxica, e compartilos cos colegas.

HM-DR-3b

Os docentes saben xerar criterios de calidade, protocolos de revisión ou documentos de orientación para recursos mellorados con IA e difundilos no seu equipo, centro ou comunidade profesional máis ampla.

HM-DR-3c

Os docentes saben planificar prácticas colaborativas que transformen o modo en que se producen, comparten e melloran os recursos dixitais mellorados con IA en toda a comunidade educativa.

HM-TL-3a

Os docentes saben xerar enfoques didácticos innovadores apoiados pola IA que sitúen explicitamente no centro a capacidade de acción do alumnado, as relacións humanas e o xuízo docente, probándoos e compartindo os resultados cos colegas.

HM-TL-3b

Os docentes saben xerar principios pedagóxicos e producir os correspondentes formatos de clase ou protocolos de aula para un uso da IA centrado no ser humano no ensino e a aprendizaxe, e difundilos no seu equipo ou comunidade profesional.

HM-TL-3c

Os docentes saben planificar un desenvolvemento colaborativo da práctica que transforme o modo en que se usa a IA no ensino e a aprendizaxe no seu centro ou nun contexto educativo máis amplo.

HM-A-3a

Os docentes saben planificar prácticas de avaliación asistidas pola IA que salvagarden explicitamente a responsabilidade humana, a equidade e a finalidade pedagóxica, e compartir eses deseños cos colegas.

HM-A-3b

Os docentes saben xerar principios, protocolos de revisión ou orientacións para o uso responsable da IA na avaliación no seu equipo, centro ou comunidade profesional máis ampla.

HM-A-3c

Os docentes saben planificar o desenvolvemento colaborativo de prácticas de avaliación apoiadas pola IA que transformen o modo en que se realiza a avaliación no seu contexto educativo.

HM-EL-3a

Os docentes saben xerar contornos de aprendizaxe inclusivos apoiados pola IA que sitúen explicitamente no centro a dignidade, a equidade e a capacidade de acción de grupos diversos de alumnado, e compartir eses deseños cos colegas.

HM-EL-3b

Os docentes saben xerar principios de práctica inclusiva, listas de comprobación de accesibilidade ou protocolos de diferenciación para o uso da IA no seu equipo, centro ou comunidade profesional máis ampla.

HM-EL-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se usa a IA para avanzar na equidade e no dereito á educación no seu contexto.

HM-FC-3a

Os docentes saben xerar enfoques de aula que modelen e cultiven explicitamente actitudes centradas no ser humano ante a IA en distintas materias ou cursos, probándoos e compartíndoos cos colegas.

HM-FC-3b

Os docentes saben xerar principios, rituais de aula ou formatos pedagóxicos para fomentar no alumnado unha cidadanía crítica ante a IA, e difundilos no seu equipo ou comunidade profesional.

HM-FC-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se cultivan no seu contexto educativo as disposicións do alumnado cara a unha IA centrada no ser humano.

Ética da IA

EI-PE-3a

Os docentes saben xerar directrices éticas, axudas para a toma de decisións ou códigos de boas prácticas para o uso da IA no compromiso profesional, e compartilos no seu equipo ou institución.

EI-PE-3b

Os docentes saben planificar mecanismos institucionais de revisión ou de rendición de contas que reforcen o cumprimento ético e normativo no uso profesional da IA.

EI-PE-3c

Os docentes saben planificar o desenvolvemento de normas éticas compartidas e prácticas responsables de IA na súa organización educativa, configurando unha cultura na que o uso da IA se basee en principios e sexa transparente e responsable.

EI-DR-3a

Os docentes saben producir protocolos de revisión ou listas de comprobación de riscos, ou planificar fluxos de traballo de mitigación, para recursos de aprendizaxe xerados con IA, e compartilos cos colegas.

EI-DR-3b

Os docentes saben planificar prácticas de equipo ou de departamento que convertan a identificación e a mitigación de riscos nunha parte rutineira do desenvolvemento e da curaduría de recursos.

EI-DR-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se xestionan os riscos éticos dos recursos xerados con IA no seu contexto educativo.

EI-TL-3a

Os docentes saben xerar axudas estruturadas para a toma de decisións éticas sobre o uso da IA no ensino e a aprendizaxe, e compartilas cos colegas.

EI-TL-3b

Os docentes saben planificar prácticas de aula ou de departamento que convertan o razoamento ético sobre a IA nunha parte rutineira da planificación didáctica, e difundilas na súa comunidade profesional.

EI-TL-3c

Os docentes saben planificar un traballo colaborativo que transforme o modo en que se integra o razoamento ético no ensino apoiado pola IA no seu contexto educativo.

EI-A-3a

Os docentes saben producir protocolos de comprobación da equidade, da transparencia e do cumprimento normativo para a avaliación asistida pola IA no seu contexto, e compartilos cos colegas.

EI-A-3b

Os docentes saben planificar rutinas de reflexión estruturadas que convertan a retroalimentación da avaliación nunha mellora sistemática da práctica.

EI-A-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se garanten a equidade, a transparencia e o cumprimento legal na avaliación asistida pola IA no seu contexto educativo.

EI-EL-3a

Os docentes saben producir protocolos de revisión ética, listas de comprobación de datos ou marcos de salvagarda para a personalización baseada en IA no seu contexto, e compartilos cos colegas.

EI-EL-3b

Os docentes saben planificar prácticas de equipo ou de centro que convertan a identificación de riscos, a minimización de datos e a revisión humana en elementos rutineiros do uso personalizado da IA.

EI-EL-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se xestionan os riscos éticos da personalización con IA no seu contexto educativo.

EI-FC-3a

Os docentes saben planificar secuencias de aprendizaxe máis longas, formatos de proxecto ou unidades interdisciplinares que desenvolvan sistematicamente o razoamento ético do alumnado sobre a IA e a súa responsabilidade ambiental.

EI-FC-3b

Os docentes saben xerar marcos, vocabularios ou rutinas adecuados á idade para cultivar a capacidade de acción ética do alumnado en relación coa IA.

EI-FC-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se desenvolve a capacidade de acción ética do alumnado en relación coa IA no seu contexto educativo.

Fundamentos e aplicacións da IA

AF-PE-3a

Os docentes saben planificar procedementos de avaliación, marcos de selección de ferramentas ou materiais de iniciación que axuden os colegas a aplicar coñecementos fundamentais sobre IA ás decisións profesionais, e compartilos na institución.

AF-PE-3b

Os docentes saben xerar formatos de aprendizaxe profesional relacionados coa IA que desenvolvan a alfabetización en IA no seu equipo ou centro.

AF-PE-3c

Os docentes saben xerar accións institucionais de capacitación en IA que transformen o modo en que os coñecementos fundamentais sobre IA fundamentan a práctica no seu contexto educativo.

AF-DR-3a

Os docentes saben planificar fluxos de traballo técnicos ou documentos de orientación para a creación de recursos apoiada pola IA e compartilos cos colegas.

AF-DR-3b

Os docentes saben xerar usos novos de ferramentas de IA para recursos que aproveiten as súas capacidades reais e non a simple novidade, probándoos e difundindo os resultados na súa comunidade profesional.

AF-DR-3c

Os docentes saben planificar accións de capacitación sobre ferramentas de IA para o deseño de recursos que transformen o modo en que se usa a IA para os recursos educativos no seu contexto.

AF-TL-3a

Os docentes saben xerar formatos didácticos tecnicamente fundamentados ou producir modelos de clase para un ensino que integre a IA, e compartilos cos colegas.

AF-TL-3b

Os docentes saben xerar novos enfoques didácticos apoiados pola IA que aproveiten as capacidades reais dos sistemas de IA actuais, probándoos e difundindo os resultados na súa comunidade profesional.

AF-TL-3c

Os docentes saben planificar accións de capacitación sobre a IA no ensino e a aprendizaxe que transformen o modo en que os coñecementos fundamentais sobre IA configuran o deseño didáctico no seu contexto educativo.

AF-A-3a

Os docentes saben planificar protocolos de avaliación técnica, rutinas de validación de ferramentas ou modelos de fluxo de traballo para a avaliación apoiada pola IA no seu contexto, e compartilos cos colegas.

AF-A-3b

Os docentes saben planificar prácticas sistemáticas para facer seguimento e mellorar o rendemento técnico das ferramentas de avaliación con IA, e difundilas no seu equipo ou centro.

AF-A-3c

Os docentes saben planificar accións de capacitación sobre a IA na avaliación que transformen o modo en que os coñecementos fundamentais sobre IA configuran a práctica avaliativa no seu contexto educativo.

AF-EL-3a

Os docentes saben xerar orientacións técnicas, marcos de selección de ferramentas ou modelos de configuración para un uso inclusivo da IA no seu contexto, e compartilos cos colegas.

AF-EL-3b

Os docentes saben xerar usos novos de ferramentas de IA para a personalización e a accesibilidade baseados nunha comprensión realista do que os sistemas actuais poden e non poden facer, probándoos e difundindo os resultados na súa comunidade profesional.

AF-EL-3c

Os docentes saben planificar accións de capacitación sobre a IA para a inclusión que transformen o modo en que os coñecementos fundamentais sobre IA configuran a práctica inclusiva no seu contexto educativo.

AF-FC-3a

Os docentes saben planificar secuencias de aprendizaxe máis longas, formatos de proxecto ou unidades interdisciplinares que desenvolvan sistematicamente a alfabetización técnica en IA do alumnado, e compartilos cos colegas.

AF-FC-3b

Os docentes saben producir recursos pedagóxicos, analoxías ou formatos de actividade adecuados á idade para ensinar os fundamentos da IA e as destrezas prácticas en IA, e difundilos no seu equipo ou comunidade profesional.

AF-FC-3c

Os docentes saben planificar iniciativas colaborativas que transformen o modo en que se desenvolve a competencia técnica en IA do alumnado no seu contexto educativo.


4. Certificación e microcredenciais

4. Certificación e microcredenciais

4.1 Itinerario de certificación

Que é a certificación?

O itinerario de certificación DUAL.AI.TEACHer ofrece aos docentes unha forma estruturada de demostrar as súas competencias en dúas áreas complementarias: ensino apoiado pola IA e alfabetización en IA. Os docentes poden seguir unha soa vía de certificación ou as dúas, segundo os seus coñecementos previos, o seu papel profesional e as súas necesidades de desenvolvemento.

O itinerario de certificación combina autoavaliación, actividades de aprendizaxe e preparación, avaliación formal e certificación dixital.

Escolla a súa vía

A certificación DUAL.AI.TEACHer consta de dúas vías complementarias:

As persoas participantes poden seguir unha soa vía de certificación ou as dúas, segundo os seus coñecementos previos, o seu papel profesional e as súas necesidades de desenvolvemento.

Unha autoavaliación preliminar axudará os candidatos a identificar o itinerario máis axeitado.

Como funciona a certificación?

O proceso de certificación segue unha secuencia común para as dúas vías:

  1. O docente descobre a certificación DUAL.AI.TEACHer.
  2. O candidato rexístrase na plataforma de ICEP.
  3. O candidato completa unha autoavaliación preliminar e selecciona a vía A ou a vía B.
  4. O candidato aprende e prepárase cos contidos facilitados, incluída a obtención de insignias no MOOC.
  5. O candidato reserva unha data para o exame.
  6. O candidato realiza o exame.
  7. Unha vez superado, emítese o certificado dixital.
  8. O certificado pode compartirse a través de Europass, onde outras institucións poden comprobar a súa validez.
  9. O certificado caduca aos cinco anos.

Fig. 1: "Proceso de rexistro, autoavaliación e selección do itinerario de certificación"

Aprendizaxe e preparación

Despois de seleccionar unha vía de certificación, os candidatos entran na fase de aprendizaxe e preparación. Usan os contidos de aprendizaxe facilitados e poden obter insignias a través do MOOC como parte da súa preparación para a avaliación de certificación.

O proceso de preparación inclúe acceso a materiais de aprendizaxe, actividades de apoio, autoavaliación, tarefas prácticas e seguimento do progreso. O candidato pode seguir aprendendo, repetir actividades cando sexa necesario ou avanzar cara á avaliación de certificación unha vez que estea suficientemente preparado.

Fig. 2: "Proceso de aprendizaxe e preparación"

Avaliación e certificación

A avaliación de certificación realízase mediante un exame en liña para cada vía de certificación.

O formato de avaliación previsto inclúe:

Os candidatos realizan a avaliación da vía seleccionada despois da fase de preparación e dunha autoavaliación de preparación. A superación do exame dá lugar á emisión do certificado correspondente.

A avaliación pode incluír os seguintes tipos de preguntas:

Estes formatos de resposta seleccionada pretenden favorecer unha avaliación obxectiva, coherente e escalable, ao tempo que permiten unha corrección automatizada eficiente.

Fig. 3: "Proceso de exame e certificación entre o candidato e ICEP"

Que vía é a axeitada para min?

As dúas vías de certificación responden a necesidades e intereses profesionais diferentes.

Vía A – Ensino apoiado pola IA (CON IA) está pensada para docentes que queren usar a IA no ensino e a aprendizaxe dun xeito pedagoxicamente significativo, seguro e profesionalmente responsable. No documento Certification Pathway Design, isto ilústrase co exemplo de Maja Novak, unha profesora de educación secundaria que xa experimenta coa IA xenerativa para preparar clases, elaborar materiais diferenciados, deseñar actividades de aula e dar retroalimentación formativa. O seu obxectivo principal é pasar dun uso experimental da IA a unha práctica profesional máis informada e reflexiva.

Fig. 4: "Percorrido do candidato – Vía A: Ensino apoiado pola IA"

Vía B – Alfabetización en IA (SOBRE A IA) está pensada para docentes que queren reforzar a súa propia comprensión e a do seu alumnado sobre os conceptos, as limitacións, os riscos e o uso responsable da IA. Isto ilústrase co exemplo de Luka Horvat, un profesor de educación secundaria superior que quere axudar o seu alumnado a converterse en usuarios críticos, informados e responsables da IA, con especial atención a cuestións como a desinformación, os nesgos, a privacidade, a transparencia, o uso dos datos, a capacidade de acción humana e o impacto social da IA.

Dual.AI.TEACHer Certification Pathway - Track B.png

Fig. 5: "Percorrido do candidato – Vía B: Alfabetización en IA"

Os candidatos poden seguir unha soa vía ou as dúas, segundo os seus coñecementos previos, o seu papel profesional e as súas necesidades de desenvolvemento. Unha autoavaliación preliminar axuda a seleccionar o itinerario máis axeitado.

Acreditación e recoñecemento

Unha vez superada a avaliación, os candidatos reciben un certificado dixital da vía de certificación completada.

O modelo de certificación inclúe:

A certificación pretende apoiar o recoñecemento das competencias dos docentes relacionadas coa IA e o seu desenvolvemento profesional continuo. Tamén pretende favorecer o recoñecemento e a portabilidade destas competencias nos distintos contextos europeos.

Máis información

Os detalles sobre a estrutura da certificación, o percorrido do candidato, os criterios de avaliación, o procedemento de exame, as funcións e responsabilidades, a validación piloto e a sustentabilidade recóllense no documento completo DUAL.AI.TEACHer Certification Pathway Design.

4. Certificación e microcredenciais

4.2 Microcredenciais

As microcredenciais

As microcredenciais son cualificacións breves e específicas que certifican resultados de aprendizaxe e destrezas concretos adquiridos mediante formacións ou cursos de curta duración. 

Características: 
Key benefits:
  • Flexibilidade - Permiten unha actualización ou reciclaxe profesional rápida sen compromisos económicos a longo prazo.
  • Empregabilidade - Proporcionan aos empregadores unha proba transparente e facilmente verificable das competencias prácticas.
  • Acumulabilidade - Moitas veces poden combinarse ou "acumularse" co tempo para computar en cualificacións ou titulacións máis amplas.

Arquitectura das microcredenciais e da certificación

A estratexia de certificación de DUAL.AI.TEACHer establece un mecanismo formal, de ámbito europeo, para validar as competencias dos docentes en IA.

Dobre itinerario de certificación:

  1. Itinerario A - Pedagoxía apoiada pola IA: valida a competencia no uso de ferramentas de IA para o deseño de clases, o ensino adaptativo, a avaliación automatizada e a optimización dos fluxos de traballo.

  2. Itinerario B - Alfabetización en IA e educación cívica: valida a competencia para ensinar ao alumnado pensamento computacional, nesgos algorítmicos, privacidade dos datos e cidadanía ética ante a IA.

Marco estrutural e aliñamento:

Arquitectura técnica e proceso de acreditación:

5. Folla de ruta para a integración da IA

5. Folla de ruta para a integración da IA

5.1 Como usar a folla de ruta

Este capítulo presenta a folla de ruta de integración DUAL.AI.TEACHer. A folla de ruta describe nove etapas que levan a formación do profesorado desde a súa primeira conversa estratéxica sobre a IA ata unha estrutura permanente para ela. A folla de ruta abrangue a formación inicial do profesorado nas universidades, así como os centros educativos e o desenvolvemento profesional. Este capítulo está dirixido ás persoas responsables dos programas de formación do profesorado nas universidades, ás persoas responsables do desenvolvemento profesional docente e ás direccións dos centros educativos.

Non é, deliberadamente, un texto único para ler de principio a fin. Lea a parte que corresponda ao seu papel.

Perfil Comece por Despois
Calquera persoa 5.2 Leva dous minutos e ofrécelle o modelo completo

Unha persoa da dirección dun centro ou responsable do desenvolvemento profesional nun centro educativo

5.2

5.3, escrita para os centros educativos

Traballa nunha institución de formación do profesorado (dirección de programas, formadores de docentes, garantía de calidade)

5.2 5.4, a versión completa, lida en orde

Un docente que busca práctica para a aula

5.2 Pode deterse aí. Os capítulos 5.2 e 5.3 son os que están escritos para vostede

Ler a versión completa

A sección 5.4 describe en detalle cada unha das nove etapas: en que consiste a etapa, por que está deseñada dese xeito e como pode saber que a completou. É a versión de referencia da folla de ruta e está escrita para usarse dúas veces. Léaa unha vez en orde, para ver por que as etapas están ordenadas como están e cales dependen unhas doutras. Despois volva ás etapas concretas a medida que traballe nelas, que é como a maioría das institucións a usarán na práctica.

Quen chega desde a sección 5.3 non necesita a 5.4 para actuar, pero calquera etapa que alí se describe brevemente desenvólvese por extenso na 5.4. As dúas seccións atópanse na etapa 6, Integrar a IA na formación permanente: é onde as institucións de formación do profesorado organizan a formación permanente que os centros educativos aproveitan.

5. Folla de ruta para a integración da IA

5.2 Folla de ruta (versión resumida)

O noso punto de partida

O proxecto DUAL.AI.TEACHer pretende desenvolver unha folla de ruta clara e adaptable, de sete a dez etapas, que axude as institucións de formación do profesorado a integrar a IA tanto na formación inicial como na formación permanente do profesorado. A folla de ruta céntrase no cambio institucional e non en iniciativas individuais, e desenvolveuse xunto con formadores de docentes.

Dous modelos existentes proporcionaron fundamentos especialmente relevantes.

O primeiro é un modelo de seis etapas para a educación superior, resumido como "aprender a aprender de novo". Vai desde a reformulación das conversas institucionais sobre a IA, pasando pola confianza e a gobernanza, a competencia do persoal, o cambio curricular e o redeseño do ensino e da avaliación, ata a amplificación a toda a institución (Black, 2025). A súa principal fortaleza é que trata a IA como motor de transformación institucional e non simplemente como unha cuestión de ferramentas.

O segundo é unha folla de ruta en catro fases para a implantación da IA xenerativa en centros educativos e distritos escolares: establecer unha base, formar o persoal, actualizar o que se ensina, e avaliar e avanzar. A súa fortaleza é o seu enfoque operativo e a énfase na implantación concreta.

Ambos os modelos cumpren o que se propoñen: un diríxese ás universidades no seu conxunto e o outro aos centros educativos e distritos escolares. As institucións de formación do profesorado sitúanse entre os dous ámbitos, e é aí onde vimos marxe para ampliar o traballo existente. Estas institucións transforman o seu propio ensino ao tempo que preparan os futuros docentes para contextos que quedan fóra do seu control directo. Atender só á transformación interna deixaría que os currículos relacionados coa IA fosen impartidos por persoal con escasa experiencia práctica, mentres que atender só á futura práctica na aula modernizaría o programa sen cambiar a institución que o imparte. A folla de ruta DUAL.AI.TEACHer baséase nos dous modelos e conecta as dúas dimensións.

grafik.png

Fig. 1: "Folla de ruta de integración DUAL.AI.TEACHer: nove etapas para a integración institucional da IA na formación do profesorado"

Dous eixes baixo as etapas

En lugar de combinar paso a paso os dous modelos de referencia, a folla de ruta constrúese arredor de dous eixes paralelos.

O primeiro é a transformación institucional: estruturas, gobernanza, currículo e as condicións formais que posibilitan ou limitan o uso da IA. Este eixe segue a lóxica do modelo de educación superior, desde a reformulación ata a amplificación, e apóiase en investigación consolidada. A teoría da difusión de innovacións identifica a posibilidade de experimentación e a observabilidade como características que facilitan a adopción de innovacións, o que fundamenta a énfase da etapa 7 nunha implantación piloto visible (Neal et al., 2018).

O segundo é a capacidade humana, que funciona como eixe de calidade da folla de ruta. A formación non pode reducirse a obradoiros illados. A investigación sobre o desenvolvemento profesional docente eficaz salienta a duración sostida, o foco no contido, a práctica, a reflexión, a retroalimentación e o acompañamento (coaching) (Lipowsky & Rzejak, 2021). Por iso, estes principios fundamentan o deseño das actividades formativas en toda a folla de ruta, desde os formadores de docentes na etapa 3 ata o profesorado en exercicio na etapa 6. Un obradoiro puntual por si só non constitúe a conclusión dunha etapa.

Resumo rápido da folla de ruta

Etapa Tarefa Completada cando
Aliñamento estratéxico Valorar onde está realmente a institución e acordar que quere conseguir, coa implicación da dirección e cun equipo transversal constituído. A situación de partida e o obxectivo están por escrito.
Gobernanza facilitadora Establecer orientacións para toda a institución sobre o uso da IA, a protección de datos, a integridade, a declaración do uso e a verificación das ferramentas, formuladas en torno ao que é posible e non ao que está prohibido. O persoal pode responder á pregunta "podo facer isto?" sen ter que preguntar a ninguén.
Capacitación dos formadores de docentes Desenvolver a capacidade de quen ensina mediante unha formación profesional sostida, centrada no contido e integrada na práctica, con acompañamento e reflexión. O desenvolvemento é continuo, non só un obradoiro puntual.
Codeseñar o currículo Incorporar a IA ao programa formal revisando as guías docentes e os resultados de aprendizaxe, ancorándoa nas didácticas específicas e non nun módulo independente. Os resultados relacionados coa IA aparecen na documentación ordinaria dos módulos de varias materias.
Pedagoxía e avaliación Redeseñar as tarefas de aprendizaxe e a avaliación para que sexan auténticas e teñan en conta a IA, e modelar un ensino que integre a IA para que o estudantado o experimente como aprendiz. Os formatos de avaliación revisáronse, non só se complementaron cunha declaración de uso da IA.
Integrar a IA na formación permanente Converter a formación permanente nunha oferta estruturada con microcredenciais acumulables, garantindo a vertente da formación do profesorado en exercicio. A oferta ten unha estrutura publicada e unha acreditación recoñecida.
Pilotaxe en contextos auténticos Probar os módulos redeseñados, a formación permanente e as avaliacións con grupos reais e recoller retroalimentación de maneira sistemática. Existe retroalimentación documentada que deu lugar a revisións identificables.
Avaliar, aprender e adaptar Revisar os avances competenciais, a participación, a viabilidade, a equidade e o impacto, e usar as evidencias para introducir cambios. As evidencias cambiaron algo, non só encheron un informe.

Institucionalizar e escalar

Converter a iniciativa nunha estrutura permanente: responsabilidade, funcións, recursos, garantía de calidade, renovación. O traballo continúa despois de que as persoas que o iniciaron seguisen outro camiño.

AI for Education. (n.d.). AI adoption roadmap for education institutions.
Black, A. (2025, December 3). Learning to learn again: A roadmap for higher education institutions in the age of AI. enablinginsights.
Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung.
Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446.

5. Folla de ruta para a integración da IA

5.3 Folla de ruta para centros educativos

A quen se dirixe esta sección

Directores, xefes de estudos e responsables do desenvolvemento profesional nun centro educativo. Non é necesario que lese por completo as seccións anteriores. Se leu as nove etapas da sección 5.2, esta sección explícalle como se aplican a un centro educativo; se non as leu, pode comezar aquí.

Onde entran os centros educativos na folla de ruta. Esta folla de ruta desenvolveuse para as institucións de formación do profesorado, pero a súa lóxica de cambio non é exclusiva delas, e unha das etapas afecta directamente aos centros educativos. A etapa 6, Integrar a IA na formación permanente, é a vertente da formación do profesorado en exercicio: é onde as institucións de formación do profesorado organizan a formación permanente á que asiste o seu persoal. Ese é o seu punto de entrada. O que a súa institución ofrece como etapa 6 chega ao seu centro como formación profesional, e que cambie algo nas súas aulas depende das condicións existentes nese centro. 

Por que non pode comezar aí e deterse. Enviar o persoal a un curso puntual é o enfoque máis habitual e, ao mesmo tempo, é pouco probable que por si só cambie a práctica. O que funciona é unha implicación sostida centrada no contido, con oportunidades de practicar e cun seguimento en forma de acompañamento (coaching) ou colaboración (Lipowsky & Rzejak, 2021). Isto ten unha consecuencia directa para quen dirixe un centro. O recurso escaso non é o curso, senón o tempo protexido posterior no que os docentes proban algo, o comentan cos colegas e o axustan. 

grafik.png

Fig. 1: "Folla de ruta de integración DUAL.AI.TEACHer: nove etapas para a integración institucional da IA na formación do profesorado"

As tres etapas prioritarias no ámbito do centro educativo

A etapa 6 é o seu punto de conexión, pero as etapas 1-3 crean as condicións para que funcione. 

Etapa 1, Aliñamento estratéxico. Determine onde está realmente o seu centro. Parte do seu persoal xa usa a IA, outra parte evítaa, e é posible que os centros non teñan unha imaxe clara da práctica actual. Un inventario breve e honesto vale máis ca un documento estratéxico. Formule o que quere conseguir e estea preparado para a resposta de que a IA non é, neste momento, o problema máis urxente do seu centro; ese é un resultado lexítimo desta etapa.

Etapa 2, Gobernanza facilitadora. Isto é especialmente importante no ámbito do centro e fácil de pasar por alto. O persoal e o alumnado necesitan saber que está permitido, como hai que declarar o uso da IA, que ferramentas foron revisadas en materia de protección de datos e que se considera deshonestidade académica. Cando isto non está claro, ocorren dúas cousas á vez: os docentes prudentes evitan a IA por completo e os máis confiados úsana sen ningún límite acordado. Unhas orientacións claras e facilitadoras axudan a abordar ambas as situacións. Non teñen por que ser longas.

Etapa 3, Capacitación do persoal. Na folla de ruta orixinal, esta etapa refírese aos formadores de docentes; no seu centro refírese ao seu persoal docente. Aplícanse as mesmas condicións de calidade. Considere comezar cun pequeno grupo de colegas dispostos nunha ou dúas materias en lugar dunha implantación con todo o claustro, e faga visibles os seus resultados para o resto do persoal. As innovacións esténdense cando os colegas poden ver que funcionan no seu propio contexto (Neal et al., 2018).

Que é diferente nun centro educativo

Tres limitacións distinguen a súa situación da dunha institución de formación do profesorado, e convén ler a folla de ruta tendo isto presente.

Ten menos autonomía curricular. As etapas 4 e 5 supoñen unha institución que pode revisar os contidos dos seus propios cursos. Boa parte do seu currículo pode estar fixado en marcos nacionais ou normativos, e a súa marxe de manobra está en como se ensinan as materias e como se avalía a aprendizaxe, non no que está prescrito. Lea esas etapas como etapas sobre o deseño de tarefas e a práctica avaliativa.

O seu persoal ten menos tempo dispoñible. Unha institución de formación do profesorado pode asignar traballo de desenvolvemento ao persoal académico como parte das súas funcións. Nun centro educativo, cada hora de formación compite directamente coa docencia. Isto fai que a etapa 2 sexa especialmente valiosa: as orientacións custan pouco tempo e eliminan moitas fricións.

Está máis preto das consecuencias. Os centros educativos viven de forma especialmente directa as consecuencias prácticas das cuestións relacionadas coa equidade, os datos do alumnado e o acceso. Por este motivo, a etapa 8 pregunta explicitamente pola equidade.


Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung.
Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446.

5. Folla de ruta para a integración da IA

5.4 Folla de ruta completa para institucións de formación do profesorado

A quen se dirixe esta sección

Decanos, directores de programas, formadores de docentes e responsables da garantía de calidade nas institucións que preparan docentes. Esta folla de ruta escribiuse principalmente para vostede, e esta sección dá por suposto que leu as nove etapas da sección 5.1. A diferenza dos lectores dos centros educativos, as institucións de formación do profesorado deben considerar a folla de ruta no seu conxunto, porque as etapas abordan distintas partes do cambio institucional que dependen unhas doutras.

grafik.png

Fig. 1: "Folla de ruta de integración DUAL.AI.TEACHer: nove etapas para a integración institucional da IA na formación do profesorado"

1. Aliñamento estratéxico

Da reacción á estratexia. A maioría das institucións non parten de cero. Parten dun mosaico de iniciativas individuais, de usos informais de ferramentas e de preocupacións sen resolver. A primeira etapa fai visible esa situación de partida e convértea nunha orientación estratéxica compartida. A dirección abre o proceso en lugar de delegalo, porque as etapas posteriores requiren decisións sobre persoal, recursos e currículo que necesitan apoio institucional. A institución valora a súa preparación, as súas necesidades e as súas prioridades, e constitúe un equipo de coordinación transversal que inclúe formadores de docentes, persoal de TIC, estudantado e responsables da garantía de calidade. A participación do estudantado non é simbólica: experimenta o currículo de forma directa e, na formación do profesorado, forma parte tamén da futura profesión.

A etapa está completada cando a institución pode indicar por escrito onde se atopa, que quere conseguir e quen é responsable de facer avanzar o traballo.

https://drive.google.com/file/d/1jZWBpwgkWBgmWPWQfy6QuJ65I8My7JGJ/view?usp=share_link

2. Gobernanza facilitadora

As orientacións chegan cedo porque a incerteza pode converterse nun obstáculo importante para a adopción. O persoal que non sabe que está permitido pode evitar a IA por completo ou usala sen expectativas compartidas. A institución elabora orientacións para toda a institución que abranguen o uso da IA, a protección de datos, a integridade académica, as expectativas sobre a declaración do uso e un procedemento para revisar e aprobar ferramentas. A decisión de deseño decisiva é o enfoque: as orientacións deberían explicar o que é posible e en que condicións, en lugar de consistir principalmente en prohibicións. O borrador das orientacións difúndese para recoller comentarios antes da súa adopción, o que mellora tanto a súa utilidade práctica como a súa lexitimidade.

A etapa está completada cando o persoal pode atopar facilmente unha resposta clara á pregunta "Podo facer isto?" e sabe a quen dirixirse cando un caso queda fóra das orientacións.

3. Capacitación dos formadores de docentes

Os formadores de docentes non poden modelar prácticas que non tiveron a oportunidade de explorar eles mesmos. Esta etapa desenvolve a súa capacidade mediante unha formación profesional sostida e non puntual, conectada cos contidos e coas didácticas específicas en lugar de centrada principalmente nas ferramentas, e integrada na práctica mediante a colaboración, o acompañamento (coaching) e a reflexión estruturada. Estas son características que se asocian de maneira constante a un desenvolvemento profesional docente eficaz (Lipowsky & Rzejak, 2021). As competencias contrástanse co marco de competencias DUAL.AI.TEACHer e co UNESCO AI Competency Framework for Teachers, de modo que o desenvolvemento teña tanto unha dirección como un punto de referencia. A integración da IA debería basearse na experiencia profesional existente dos formadores de docentes en lugar de tratar a IA como unha competencia técnica separada. Un único obradoiro non completa esta etapa. A etapa está completada cando os formadores de docentes teñen oportunidades sostidas para desenvolver, aplicar e reflexionar sobre prácticas relacionadas coa IA nos seus propios contextos docentes.

4. Codeseñar o currículo

Aquí a IA pasa de ser unha actividade extracurricular a formar parte do programa formal. Revísase a documentación dos cursos e módulos, e os resultados de aprendizaxe alíñanse co marco de competencias, de modo que o que se ensina, se practica e se avalía apunte na mesma dirección. Un principio de deseño central desta folla de ruta é que a alfabetización en IA e a pedagoxía apoiada pola IA deberían integrarse nas didácticas específicas en lugar de quedar limitadas a un módulo independente. Un curso específico sobre IA pode ser útil como paso de transición, pero corre o risco de transmitir que a IA é un tema separado e non parte do ensino cotián das materias. O codeseño cos formadores de docentes é importante porque quen vai impartir o programa revisado debe ter participado na súa configuración.

A etapa está completada cando os resultados de aprendizaxe relacionados coa IA son visibles na documentación ordinaria de varias materias ou módulos e están conectados co programa no seu conxunto en lugar de illados nun único curso.

5. Pedagoxía e avaliación

Cambiar o currículo sobre o papel non abonda se o ensino e a avaliación seguen igual. Esta etapa redeseña as tarefas de aprendizaxe e os formatos de avaliación para que sexan auténticos, multimodais e teñan en conta a IA, e para que a avaliación se centre no que os futuros docentes son capaces de comprender, xustificar, crear e aplicar, e non en produtos que un sistema xenerativo pode producir a petición. Igual de importante é o efecto modelo: o profesorado en formación inicial debería experimentar como aprendiz un ensino reflexivo que integre a IA antes de que se lle pida usala como profesional. A formación do profesorado ten aquí unha oportunidade singular, porque o estudantado experimenta prácticas docentes ao mesmo tempo que desenvolve a súa propia práctica profesional.

A etapa está completada cando os resultados de aprendizaxe relacionados coa IA se reflicten na práctica real de ensino e avaliación, e non só se engaden ás descricións dos módulos ou aos requisitos de declaración do uso.

6. Integrar a IA na formación permanente

As institucións de formación do profesorado non só preparan os futuros docentes; tamén apoian os que xa traballan nos centros educativos. Esta etapa converte a formación permanente nunha oferta estruturada en lugar dunha serie de actividades illadas. Aplícanse as mesmas condicións de calidade ca na etapa 3: implicación sostida, un foco claro no contido, oportunidades de practicar e seguimento mediante colaboración, retroalimentación ou acompañamento. No modelo DUAL.AI.TEACHer, este traballo pode vincularse ao itinerario de certificación desenvolvido na tarefa T2.6, o que permite que a aprendizaxe profesional se vaia construíndo co tempo. A etapa 6 crea tamén unha conexión bidireccional cos centros educativos: as institucións achegan formación profesional, mentres que o profesorado en exercicio trae de volta á formación do profesorado a experiencia actual da aula.

A etapa está completada cando a formación profesional do profesorado en exercicio constitúe unha oferta coherente e sostida cunha progresión clara, e non un calendario de actividades puntuais sen relación entre si.

7. Pilotaxe en contextos auténticos

Os módulos redeseñados, as ofertas de formación permanente e os formatos de avaliación próbanse con grupos reais en condicións realistas, e recóllese de maneira sistemática a retroalimentación dos formadores de docentes, do estudantado e doutras persoas participantes. A pilotaxe reduce o risco de escalar un enfoque antes de que se probase na práctica. Tamén fai visible a implantación: os colegas poden ver como funciona un enfoque nun contexto semellante ao seu, comentar os resultados e adaptalo antes dunha adopción máis ampla. Polo tanto, o propósito da pilotaxe non é demostrar que o deseño era correcto, senón descubrir o que hai que cambiar.

A etapa está completada cando a retroalimentación documentada dunha implantación auténtica deu lugar a revisións identificables.

8. Avaliar, aprender e adaptar

A avaliación pregunta se os cambios lograron o que se pretendía. Segundo a intervención, isto pode incluír o desenvolvemento competencial, a participación, a viabilidade, a equidade, a experiencia do persoal e do estudantado e efectos máis amplos no programa. A equidade considérase de forma explícita porque a integración da IA pode reducir algunhas desigualdades mentres crea ou reforza outras, por exemplo entre materias, entre grupos de persoal ou entre estudantes con distintos niveis de acceso e apoio. As evidencias utilízanse despois para revisar o currículo, o desenvolvemento profesional, a avaliación e a implantación.

Esta etapa establece tamén un ciclo de revisión periódica das orientacións elaboradas na etapa 2, que terán que evolucionar a medida que cambien as tecnoloxías, as prácticas e as condicións normativas.

9. Institucionalizar e escalar

A etapa final traslada o traballo que deu bos resultados desde a condición de proxecto ás estruturas ordinarias da institución. Isto supón unha responsabilidade clara, funcións definidas, recursos adecuados e a integración en procesos existentes como o desenvolvemento de programas e a garantía de calidade. O escalado debería axustarse ao contexto, á capacidade e ao perfil propios da institución en lugar de seguir un único modelo xenérico. A institucionalización supón tamén crear mecanismos de renovación: as tecnoloxías de IA, as prácticas educativas e as necesidades institucionais seguirán cambiando, polo que o propio modelo non pode permanecer fixo.

A etapa está completada cando o traballo continúa despois de que as persoas que o iniciaron seguisen outro camiño.

A súa posición específica

As institucións de formación do profesorado teñen dous mandatos á vez. Transforman o seu propio ensino e preparan os futuros docentes para aulas que non controlan, en condicións que non poden prever por completo e cunha tecnoloxía que pode ter cambiado cando as persoas tituladas cheguen a elas. Os dous mandatos están estreitamente conectados. Centrarse só na transformación interna leva o risco de producir currículos relacionados coa IA sen conexión suficiente coa futura práctica na aula. Centrarse só na futura práctica na aula leva o risco de modernizar o programa sen cambiar a institución que o imparte. Por iso, a folla de ruta trata as dúas dimensións conxuntamente.

A etapa 3 fai posible o que vén despois. Boa parte do traballo posterior depende da capacidade dos formadores de docentes. A súa especialización está nas súas disciplinas e nas didácticas específicas, polo que integrar a IA non consiste simplemente en engadir outra ferramenta. O desenvolvemento profesional debe conectar o uso da IA co ensino, a aprendizaxe e a avaliación propios de cada materia en lugar de tratalo como unha competencia técnica xenérica. Por este motivo, a etapa 3 merece especial atención cando os recursos son limitados.

Onde a etapa 4 se complica. O principio de que a alfabetización en IA debería integrarse nas didácticas específicas e non tratarse só nun módulo independente é fácil de enunciar, pero moito máis difícil de levar á práctica. Un módulo independente pode asignarse a unha soa persoa, mentres que unha integración distribuída require que moitos colegas reconsideren partes do seu propio ensino. Cando un módulo independente resulta útil como paso de transición, idealmente debería estar vinculado a un plan a longo prazo para a integración en todo o programa.

A súa panca singular na etapa 5. A etapa 5 pon de relevo unha característica particular da formación do profesorado: o seu estudantado é agora aprendiz e despois será docente. Por iso, a forma en que lle ensina pasa a formar parte do que aprende sobre o ensino. Se o profesorado en formación inicial experimenta como aprendiz un ensino reflexivo que integra a IA, atopa modelos concretos sobre os que despois pode reflexionar e que pode adaptar á súa propia práctica. Ensinar sobre a IA sen modelar o seu uso pedagóxico proporciona unha experiencia moi diferente. Por iso a etapa 5 vai máis alá dunha simple reforma da avaliación.

A etapa 6 é a súa interface cos centros educativos. A súa oferta de formación permanente é o punto de entrada. Amplía o alcance da súa institución máis alá dos futuros docentes, ata quen xa traballa nas aulas. Ao mesmo tempo, a colaboración co profesorado en exercicio pode traer de volta á formación do profesorado a experiencia actual da aula. Polo tanto, a formación permanente pode funcionar non só como un servizo prestado aos centros educativos, senón tamén como unha canle de aprendizaxe recíproca entre os centros educativos e as institucións de formación do profesorado.

O que vostede pode facer e os centros educativos non

As institucións de formación do profesorado adoitan ter máis marxe para revisar programas e avaliación, acceso a capacidade investigadora e un mandato para traballar con moitos centros educativos. Isto dálles ás etapas 7 e 8 un valor especial: o que se aprende mediante as pilotaxes e a avaliación pode orientar non só a súa propia institución, senón tamén os centros colaboradores e o sistema no seu conxunto. Facer visibles esas experiencias pode favorecer ademais a adopción de novas prácticas noutros lugares. 

Por onde comezar se todo é urxente. Comece polas etapas 2 e 3. A gobernanza reduce a incerteza, mentres que a capacitación do persoal crea as condicións para un traballo significativo nas etapas 4 a 6. Comezar pola revisión do currículo antes de que o persoal teña capacidade para aplicala leva o risco de producir cambios sobre o papel que son difíciles de levar á práctica.

6. Recursos e glosario

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. Recursos e glosario

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.