Los niños 2025: educando para los empleos que aún no existen (parte 10)
“No hay peor pérdida de tiempo, que hacer extraordinariamente bien algo que no debía haberse hecho nunca”: Peter Ferdinand Drucker (austriaco, “El Padre de la Administración Estratégica”)
🖋 David Moisés Terán Pérez
Hoy continuaremos desarrollando contenido para la saga “Los niños 2025: educando para los empleos que aún no existen”, a través de establecer los siguientes subtemas: “La robótica educativa y los laboratorios makers (espacios creativos y educativos) para niños”, “La analítica de aprendizaje y de datos educativos (learning analytics)”, “Los riesgos éticos: sesgos, vigilancia, dependencia tecnológica” y “Los criterios para elegir y para evaluar tecnologías en los contextos escolares y familiares”, dentro del tema: Las tecnologías emergentes en la educación.
LAS TECNOLOGÍAS EMERGENTES EN LA EDUCACIÓN
1. La robótica educativa y los laboratorios makers (espacios creativos y educativos) para los(as) niños(as)
1.1. La robótica educativa
La robótica educativa se ha convertido en una poderosa herramienta para fomentar el aprendizaje en el aula, especialmente en la educación K12. Integrar robots y tecnología en el entorno educativo, no solamente estimula la creatividad de los estudiantes, sino que también les permite adquirir competencias esenciales para el futuro. La robótica educativa es una herramienta pedagógica/andragógica que utiliza robots y sistemas automatizados para enseñar conceptos en cualquiera de las áreas educativas. A través de la construcción, de la programación y del control de robots, los estudiantes aprenden de manera práctica y divertida. Este enfoque no solamente enseña los fundamentos de la robótica, sino que también promueve habilidades transversales como la resolución de problemas, el pensamiento lógico, la colaboración y cooperación en equipo; así como la creatividad (Educativa Robotics, 2025). Beneficios documentados:
- El desarrollo cognitivo: La programación y el diseño de robots obliga a los estudiantes a aplicar habilidades de pensamiento lógico y de pensamiento computacional, mejorando las habilidades de razonamiento lógico y espacial, fomentando su capacidad para comprender y para resolver problemas complejos. A través del uso de la robótica, los estudiantes desarrollan una mentalidad analítica que es fundamental para el éxito en las materias técnicas (Redalyc, s. F.).
- El desarrollo socioemocional: Al trabajar en equipo para construir o para programar robots, los estudiantes mejoran sus habilidades de comunicación y de colaboración. La robótica fomenta el trabajo en equipo, la capacidad para gestionar proyectos, y resolver conflictos; cualidades esenciales tanto dentro como fuera del aula. El proceso de construir un robot y verlo funcionar correctamente, proporciona a los estudiantes una sensación de logro, lo que refuerza su autoconfianza. Además, la naturaleza interactiva y lúdica de la robótica los motiva a aprender más, y a superar los desafíos (VISUAL Review, 2022).
- Las herramientas según el nivel educativo: En la educación K12 se emplean varios tipos de robots según el nivel educativo. Los robots programables básicos como Bee-Bot® o Botley®, permiten a los niños aprender los conceptos básicos de la programación a través de comandos simples y de manera lúdica. Son perfectos para la enseñanza en las primeras etapas escolares (infantil y primaria). A medida que los estudiantes avanzan en la educación secundaria, la complejidad aumenta, y pueden comenzar a usar kits como LEGO Mindstorms® y mBot®, que permiten una mayor personalización y una programación más avanzada, incluyendo el uso de lenguajes de programación como Python™ y JavaScript™ (Revista Multidisciplinar de Estudios Generales, 2025).
- La robótica emocional: Es un enfoque innovador que utiliza robots programables para ayudar a los niños a desarrollar habilidades emocionales. Estos robots están diseñados para simular emociones a través de gestos, sonidos y expresiones faciales, creando un entorno interactivo en donde los niños pueden aprender a identificar y a regular sus propias emociones. La inteligencia emocional (IE) no únicamente es esencial para las relaciones sociales, sino que también tiene un rol crucial en el éxito académico, y en el bienestar general de los niños (ODILO, s. F.).
- Caso de estudio en la educación infantil: Las investigaciones han comprobado que se obtienen mejoras significativas en la motivación y en el disfrute de los estudiantes de educación infantil durante la impartición de unidades didácticas desarrolladas mediante el uso de robótica. Se destaca sobre todo una mejora significativa en la motivación hacia dichas actividades. Los resultados de estudios recientes evidencian que la mayoría de los estudiantes alcanzaron niveles altos de creatividad, reflejados en la elaboración de prototipos originales, la resolución de problemas técnicos y la capacidad de generar ideas innovadoras. Asimismo, se constató que la robótica fomentó la motivación intrínseca, la autoconfianza y el trabajo colaborativo (Educativa Robotics, 2025).
- La robótica para las necesidades especiales: La robótica social puede proporcionar intervenciones educativas con estudiantes que padecen el trastorno del espectro autista. La robótica social puede ser un recurso mediador entre el docente y el estudiante, y puede potenciar las interacciones comunicativas y del aprendizaje (VISUAL Review, 2022).
1.2. Los laboratorios makers (Makerspaces)
En años recientes, los makerspaces han ganado popularidad como entornos de aprendizaje práctico que promueven la resolución de problemas, la colaboración, la cooperación, y el pensamiento crítico. Un makerspace es un lugar que proporciona formas prácticas y creativas para que los estudiantes diseñen, experimenten e inventen; mientras interactúan con una variedad de herramientas y de tecnología(s). Los makerspaces son multidisciplinarios tanto en su enfoque, como en los productos creados, lo que impulsa el compromiso y la innovación. Los estudiantes aprenden a utilizar una amplia gama de hardware y de software como medio para desarrollar su creatividad y sus habilidades de pensamiento crítico. Combinando los marcos del constructivismo, el movimiento maker, el pensamiento de diseño, y las literacidades mediáticas, el makerspace proporciona a los estudiantes la oportunidad de tomar posesión de su aprendizaje y del espacio físico. Los estudiantes aprenden haciendo objetos tangibles a través de oportunidades de aprendizaje auténticas, que permiten un proceso guiado y colaborativo (Journal of Research in Childhood Education, 2025). Sus características son las siguientes:
- El impacto en la educación temprana: El programa: “Making a Makerspace” (MM), mejoró significativamente los hábitos mentales STEM (Ciencia, Tecnologías, Ingeniería y Matemáticas) de los niños, y tuvo un impacto positivo y bastante notable en la extroversión temperamental de los niños, y ha sido una guía efectiva para los maestros en la creación de un ambiente de aprendizaje positivo que fomenta el pensamiento creativo. Los makerspaces ayudan a fomentar el pensamiento STEM, y las habilidades socioemocionales de los niños en la sociedad digital actual. Un estudio cuasi-experimental con 85 participantes (48 en el grupo de intervención y 37 en el grupo de comparación) investigó la introducción de un makerspace en un jardín de infantes, y su impacto en la creatividad y autoeficacia en niños de 5 a 6 años (Thinking Skills and Creativity, 2025).
- Los makerspaces y las competencias empresariales: Los makerspaces se integran cada vez más en las actividades educativas en los contextos formales e informales, desde la primaria hasta la educación superior, particularmente como espacios de aprendizaje interdisciplinarios que fomentan la creatividad y el enfoque: “Hazlo tú mismo”. Su enfoque práctico estimula la agencia, el pensamiento crítico y la innovación —competencias estrechamente vinculadas a la competencia emprendedora—. Los hallazgos revelan que la verdadera identidad de los makerspaces, —caracterizada por valores como la colaboración, la valoración de ideas y el aprendizaje práctico—, converge con el diseño intencional de entornos de aprendizaje y de la estructura de programas educativos para fomentar competencias emprendedoras (MDPI Education Sciences, 2025).
- Las perspectivas de los educadores: Los makerspaces persisten como espacios formales e informales de aprendizaje para jóvenes, promoviendo un interés continuo en estudiar cómo el diseño puede apoyar la variedad de oportunidades de aprendizaje dentro de estos espacios. Sin embargo, gran parte de la investigación actual que examina el aprendizaje en los makerspaces descuida las perspectivas de los educadores, lo que no sólo obstaculiza nuestra comprensión de los objetivos de los educadores, sino que también limita cómo enmarcamos el espacio de diseño de las experiencias de aprendizaje (Educational Technology Research and Development, 2024).
2. La analítica del aprendizaje, y de los datos educativos (learning analytics)
2.1. Definición y alcance
La analítica del aprendizaje (learning analytics) se define como: “La medición, la recolección, el análisis y el reporte de datos sobre los estudiantes y sus contextos, con el propósito de comprender y de optimizar el aprendizaje y los entornos en los que ocurre”. El crecimiento del aprendizaje en línea que se inició desde los años 1990 —particularmente en la educación superior—, ha contribuido al avance de la analítica del aprendizaje (learning analytics), ya que los datos de los estudiantes pueden ser capturados y puestos a disposición para su análisis. Cuando los estudiantes usan un LMS, las redes sociales, o las herramientas en línea similares, sus clics, sus patrones de navegación, su tiempo en la realización de las tareas, el acceso a las redes sociales, el flujo de información, y el desarrollo de los conceptos; pueden ser rastreados en tiempo real. Después de muchos años de investigación y de práctica, el campo de la analítica del aprendizaje (learning analytics), ha establecido su propia identidad, sus tradiciones, y su comunidad. Persiguiendo nuestro objetivo inicial de usar datos para comprender mejor, y mejorar los procesos de aprendizaje, hemos estudiado e impactado numerosos aspectos de la educación formal e informal (Society for Learning Analytics Research, 2025).
2.2. El estado actual de la investigación
Un análisis de 15 años de investigación en la analítica del aprendizaje (learning analytics), describe 936 artículos completos y cortos publicados en LAK 2011–2025, así como el código analítico asociado. Aunque LAK ha sido históricamente distinta de otras comunidades como Educational Data Mining (EDM), Artificial Intelligence in Education (AIED), y Learning at Scale (LS), tiene cierta superposición con ellas. A pesar de la notable superposición entre LAK y EDM, los patrones de compromiso y de uso de recursos, fueron más comúnmente investigados en LAK; mientras que la analítica predictiva y descriptiva, fue más común en EDM. Entre las regiones prominentes están en Europa y en Oceanía para LAK, y las Américas (norte, central y sur), y Asia Oriental para EDM (Frontiers in Education, 2025).
2.3. Las aplicaciones en desarrollo profesional docente
La analítica del aprendizaje (learning analytics) se presenta como un mecanismo para identificar necesidades de desarrollo, mejorar el desempeño, y fomentar el crecimiento profesional. Las aplicaciones digitales permiten el monitoreo continuo de competencias docentes, autoevaluación y realimentación. Integrar el concepto del Profesional del Aprendizaje con la analítica del aprendizaje (learning analytics), tiene un potencial significativo para mejorar el profesionalismo docente. Un enfoque basado en datos permite el refinamiento de metodologías de enseñanza, de identificación de necesidades de desarrollo profesional, y de mejora continua de las habilidades (ACM Digital Library, 2025).
2.4. El aprendizaje autorregulado
El aprendizaje autorregulado incluye establecer el plan y los objetivos de aprendizaje; y luego requiere que los estudiantes regulen y evalúen el proceso de aprendizaje de forma independiente. A pesar de ser una dimensión crítica para la educación (especialmente de los proveedores de cursos en línea), sigue siendo un problema difícil de resolver. Aquí es en donde la analítica del aprendizaje (learning analytics) interviene para ayudar en la investigación, y conducir mejores soluciones. Por ejemplo, la analítica del aprendizaje (learning analytics), puede usarse para evaluar cómo los tres aspectos del aprendizaje autorregulado —la motivación para aprender, la gestión del aprendizaje, y la autoevaluación—, se ven afectados según las diferentes características de los estudiantes (Švábenský, V. et al., 2026).
2.5. Las tendencias emergentes
El Multimodal Learning Analytics (MMLA) expande el análisis del aprendizaje tradicional hacia el entorno de aprendizaje digital y físico, utilizando diversos sensores y sistemas para recopilar información sobre la educación en contextos más del mundo real. Una proyección del año 2024 predice que el 70% de las plataformas EdTech®, integrarán analítica avanzada para este año 2026. Esto empodera a los educadores para refinar lecciones e instituciones para optimizar sus programas. Sin embargo, los riesgos en la privacidad, las posibles violaciones de los datos, y las preocupaciones éticas sobre cuantificar a los estudiantes, alimentan el debate. En el año 2025, la analítica crecerá más precisa, con el enfoque cambiando hacia sistemas relativamente más seguros y transparentes que prioricen la confianza junto con la innovación (Humanities and Social Sciences Communications, 2023).
3. Los riesgos éticos: Los sesgos, la vigilancia, y la dependencia tecnológica
3.1. La clasificación de los riesgos éticos
La Inteligencia Artificial en Educación (AIED) está volviéndose cada vez más influyente en la esfera educativa, ofreciendo beneficios significativos, pero presentando ciertos riesgos éticos. Usando un enfoque combinado de revisión sistemática y de codificación de teoría fundamentada, los riesgos éticos se categorizaron en tres dimensiones: En la tecnología, en la educación, y en la sociedad. En la dimensión tecnológica, los riesgos incluyen invasión de la privacidad, la fuga de datos, el sesgo algorítmico, el algoritmo de “caja negra” y el error algorítmico. Los riesgos de la dimensión educativa involucran un desarrollo homogeneizado del estudiante, una enseñanza homogénea, la crisis de la profesión docente, la desviación de los objetivos educativos, la alienación de la relación maestro-estudiante, la disrupción emocional, y la mala conducta académica. Los riesgos en la dimensión social consisten en exacerbar la brecha digital, la ausencia de responsabilidad y el conflicto de intereses (National Institutes of Health, 2021).
3.2. Los sesgos algorítmicos
Los desafíos éticos y los riesgos planteados por los sistemas de la inteligencia artificial (IA), aparentemente contradicen los esfuerzos de marketing que presentan los algoritmos al público, como si fueran herramientas objetivas y neutrales en valor. En esencia, los algoritmos reflejan los valores de sus constructores quienes ocupan posiciones de poder. Siempre que las personas crean algoritmos, también crean un conjunto de datos que representan los sesgos históricos y sistémicos de la Sociedad, que finalmente se transforman en un sesgo algorítmico. Aunque el sesgo está incrustado en el modelo algorítmico sin intención explícita, podemos ver varios sesgos de género y raciales en diferentes plataformas basadas en la inteligencia artificial (IA). El sesgo y la equidad son preocupaciones importantes: Como todos los sistemas de la inteligencia artificial (IA), la inteligencia artificial (IA) educativa puede estar sujeta a sesgos, dependiendo de cómo se entrena, y con qué datos se entrena. Por ejemplo, un sistema de tutoría de inteligencia artificial (IA) podría potencialmente favorecer a ciertos tipos de estudiantes sobre otros, basándose en los datos con los que fue entrenado (Frontiers in Education, 2025). Esto podría perpetuar sesgos e inequidades existentes. Porque en la práctica, el sesgo es una real y vigente preocupación. Si se le pide a la inteligencia artificial (IA) que cree una imagen de una persona profesional de la enfermería, probablemente dibujará una mujer, porque ha sido entrenada con datos que reflejan “sesgos a largo plazo que existen en la sociedad”. Por lo que la pregunta obvia es: “¿Qué estamos haciendo inadvertidamente al hacer que la inteligencia artificial (IA) continúe perpetuando esas cosas?” Empero, también hay preguntas sobre la integridad académica y el riesgo de que los usuarios se apoyen demasiado en la inteligencia artificial (IA). La educación superior necesita considerar “en dónde termina la asistencia académica legítima, y en dónde comienza la dependencia no ética” (EDUCAUSE, 2025).
3.3. La privacidad y la vigilancia
Considerando las diferentes formas de sesgo y de desafíos éticos en las aplicaciones de la inteligencia artificial (IA) en los entornos K-12, debemos enfocarnos en los problemas de la privacidad, de la vigilancia, de la autonomía, del sesgo y de la discriminación. Sin embargo, es importante reconocer que los educadores tendrán diferentes preocupaciones éticas y desafíos dependiendo del grado y de la edad en el desarrollo de sus estudiantes. Los sistemas de IA en educación a menudo dependen de recopilar y de analizar grandes cantidades de datos sobre sus estudiantes. Esto plantea preguntas sobre cómo se almacenan estos datos, quién tiene acceso a ellos, y cómo se usan. Los hallazgos revelan que una proporción significativa de estudiantes y de integrantes del profesorado, perciben una ausencia de políticas claras respecto a la privacidad y a la protección de los datos en el uso de la inteligencia artificial (IA) en sus universidades. Esta percepción es consistente con hallazgos que advierten que la ausencia de supervisión regulatoria puede resultar en la explotación de datos personales, y en la emergencia sobre los riesgos en la seguridad digital. Se argumenta que estándares éticos estrictos deben gobernar la utilización de la inteligencia artificial (IA) en todos los entornos educativos, para evitar vigilancia excesiva y el uso inapropiado de la información (Humanities and Social Sciences Communications, 2025).
3.4. Las preocupaciones de los docentes
Un estudio investigó cómo las preocupaciones sobre la privacidad, el sesgo algorítmico y la vigilancia, influyen en la disposición de los maestros para adoptar la Inteligencia Artificial (IA) en los entornos educativos. Usando un enfoque de triangulación cualitativa, el estudio analizó datos de revisiones documentales, reflexiones escritas por maestros y por las Discusiones de Grupos Focales con 60 maestros. Los resultados revelaron que la privacidad era una preocupación principal: 14 participantes reportaron que solamente usarían herramientas de la inteligencia artificial (IA) que garantizaran la protección de los datos; mientras que otros expresaron vacilación debido a temores de mal uso de datos (Journal of Academic Ethics, 2025). Las preocupaciones sobre el sesgo algorítmico también emergieron prominentemente, con 18 maestros citando el refuerzo de estereotipos por parte de la inteligencia artificial (IA), y cuestionando la equidad de las evaluaciones generadas por la inteligencia artificial (IA).
3.5. La dependencia tecnológica
La relación maestro-estudiante: Mientras la inteligencia artificial (IA) puede automatizar algunas tareas, no puede reemplazar la interacción humana, ni el apoyo emocional proporcionado por los maestros. Hay preocupaciones de que la dependencia excesiva de la inteligencia artificial (IA) podría erosionar la relación maestro-estudiante, y las habilidades sociales que los estudiantes desarrollan en el aula. El sesgo, la discriminación y la equidad algorítmica siguen siendo preocupaciones importantes en el aprendizaje gobernado por la inteligencia artificial (IA). La educación impulsada por la inteligencia artificial (IA) corre el riesgo de perpetuar sesgos existentes, especialmente en las evaluaciones de los estudiantes; así como en las rutas de aprendizaje personalizadas. Los marcos éticos deben incorporar métricas de equidad, y conjuntos de datos de entrenamiento diversos para prevenir resultados discriminatorios. La privacidad de los datos es otro tema apremiante. Los sistemas educativos impulsados por la inteligencia artificial (IA) recopilan datos extensos de estudiantes, lo que genera preocupaciones sobre la seguridad de esos datos; así como el consentimiento del usuario (International Journal of Research and Innovation in Social Science, 2025).
3.6. El marco regulatorio necesario
A medida que los sistemas de la inteligencia artificial (IA) se vuelven más complejos, es imperativo que las instituciones de educación superior (IES) establezcan y mantengan marcos éticos integrales. Estos marcos serán cruciales para asegurar la implementación responsable de tecnologías de la inteligencia artificial (IA); mientras (1) mantienen valores académicos centrales de equidad, de privacidad, de transparencia y de rendición de cuentas, y (2) mitigan riesgos como sesgo, violaciones de privacidad y mal uso. Alrededor de 28 estados estadounidenses han publicado orientación sobre la inteligencia artificial (IA) para escuelas K-12, y más estados están trabajando en ellas (EdTech Magazine, 2025). Entre los objetivos de política: proteger los datos de estudiantes, fomentar la alfabetización de estudiantes y maestros, y asegurar el uso ético de la inteligencia artificial (IA).
4. Criterios para elegir y evaluar tecnologías en contextos escolares y familiares
4.1. Los marcos de evaluación estructurados
La evaluación de la tecnología en educación va mucho más allá de preguntar si las herramientas funcionan —requiere examinar cómo transforman las experiencias de aprendizaje, apoyan las prácticas de enseñanza y entregan resultados medibles—. Comprender los marcos, los métodos de análisis y las consideraciones prácticas detrás de la evaluación tecnológica, ayuda a las instituciones educativas a hacer inversiones más inteligentes, y a evitar errores sumamente costosos. La evaluación de la tecnología educativa requiere enfoques estructurados que consideren múltiples dimensiones del aprendizaje y de la enseñanza. La investigación ha identificado ocho dimensiones clave que deben informar la evaluación tecnológica integral: Los resultados del aprendizaje, los elementos afectivos, el comportamiento, el diseño, las características tecnológicas, la pedagogía, la presencia y la comunidad, y el ambiente institucional (Distance Learning Institute, 2025).
4.2. El marco triple E
El marco triple E evalúa el rol de la tecnología en el aprendizaje a través de tres principios: Enganchar (Engage), Mejorar (Enhance) y Extender (Extend). Se enfoca en cómo la tecnología mantiene a los estudiantes interesados y motivados, fomenta una participación activa; así como la interacción a través de actividades basadas en la tecnología. También examina cómo la tecnología enriquece el aprendizaje más allá de los métodos tradicionales, y mira si expande las oportunidades de aprendizaje, da acceso a nuevos recursos, y/o mejora la comprensión. En cuanto a la evidencia del aprendizaje, evalúa si la tecnología ayuda a lograr resultados de aprendizaje medibles (CUNY Graduate Center, s. F.).
4.3. Los criterios de Common Sense Education
En Common Sense Education, en donde se han revisado más de 2 500 tecnologías educativas, su rúbrica incluye qué tan atractivo es el producto (engagement), pedagogía/andragogía (qué tan bien apoya el aprendizaje profundo), y soporte (qué tan accesible es la experiencia para estudiantes y maestros). Recientemente, se añadió un cuarto pilar: La privacidad. En Omaha Nebraska, los revisores usan una amplia gama de criterios, desde el cumplimiento con la Ley federal de Protección de la Privacidad en Línea para Niños(as), y las mejores prácticas, hasta pedagogía/andragogía y alineación con “El Marco de P21 para el Aprendizaje del Siglo XXI”. En Charlotte-Mecklenburg, primero se determina si los productos son interactivos y adaptativos. “Los estudiantes tienen que estar interactuando con el software, y no solamente recibir hojas de trabajo digitalizadas. Y el software tiene que ajustar su ritmo al progreso individual para que cada estudiante pueda tener una experiencia de aprendizaje totalmente personalizada” (EDspaces, 2025).
4.4. La verificación por terceros
El sello ISTE—que valida que una plataforma o que un producto ha sido evaluado y aprobado por realimentación procesable de terceros—, y el Compromiso de Evidencia e Integridad de Digital Promise®, son excelentes ejemplos de líderes de la industria adoptando expectativas rigurosas para tecnología educativa. Como señaló Tal Havivi, Director Ejecutivo de I+D+i en ISTE+ASCD: “Los distritos ya no tienen el lujo del ensayo y error. La responsabilidad recae en los líderes de distrito de demostrar impacto real de sus inversiones —y ese impacto se reduce a resultados estudiantiles y satisfacción del educador—. Si una solución no está respaldada por una investigación o no puede mostrar evidencia de que funciona, no pasará el corte” (AASA, s. F.).
4.5. La evaluación de la preparación institucional
La evaluación de la preparación institucional examina la infraestructura técnica, los recursos humanos, la cultura organizacional y la capacidad de gestión del cambio. ¿El ancho de banda de la Internet de la escuela soporta la transmisión de videos educativos a todas las aulas simultáneamente?, ¿hay personal de soporte técnico suficiente y disponible para resolver los problemas rápidamente? La preparación cultural a menudo resulta más desafiante que la preparación técnica. El profesorado resistente a cambiar los métodos de enseñanza establecidos no adoptará nuevas herramientas sin importar sus beneficios potenciales. La adopción tecnológica exitosa requiere apoyo del liderazgo, oportunidades de desarrollo profesional, y tiempo para experimentación sin presión por los resultados inmediatos (Edmentum, 2025).
4.6. La inversión en la ciudadanía digital
El 60% de los estados en los Estado Unidos de América, están invirtiendo simultáneamente en la educación de ciudadanía digital —enseñando a los estudiantes a usar la tecnología responsablemente en lugar de simplemente removerla—. El enfoque de Delaware: En lugar de solamente prohibir el uso de los dispositivos de cómputo y de comunicación, están implementando estándares integrales de alfabetización mediática, que enseñan a los estudiantes a navegar sesgos, evaluar fuentes, e interactuar éticamente en línea (EdTech Digest, 2023).
4.7. Consideraciones prácticas para las familias y para las escuelas
¿El recurso ofrece contenido preciso, imparcial y confiable? Los educadores tienen la responsabilidad de enfatizar a los estudiantes la importancia de verificar y de citar las fuentes del contenido digital que usan. A medida que los educadores y los estudiantes gravitan hacia colecciones de contenido curadas por terceros, es crítico que los distritos escolares aseguren el uso de contenido imparcial y basado en evidencia. Requerir que los educadores y que los estudiantes naveguen varias plataformas tecnológicas para encontrar la herramienta que necesitan para una tarea específica no solamente es abrumador para maestros y estudiantes, sino también un desperdicio de tiempo instruccional valioso. Las nuevas herramientas y proveedores de EdTech® necesitan ofrecer productos y sistemas que se integren fácilmente dentro de los marcos tecnológicos del distrito. La integración necesita permitir que los educadores compartan recursos con los estudiantes, con los padres de familia, y proporcionar datos consistentes sobre el desempeño estudiantil (EdTech Digest, 2023).
Hasta aquí con la décima entrega de este tema. La próxima semana continuaremos con la undécima entrega, y que tratará los siguientes subtemas: “El aprendizaje basado en proyectos (ABP) para desarrollar las habilidades complejas”, “El aprendizaje basado en problemas y los retos del mundo real”, “El diseño inverso: partir de competencias futuras y luego crear actividades” y “Las micro-habilidades y las micro-credenciales: dividir grandes competencias en logros alcanzables”, dentro del tema “Diseñar experiencias de aprendizaje a prueba del futuro”. Reciban un saludo desde la Bahía de Banderas (Puerto Vallarta y la Riviera Nayarit). (Continuará…)
Referencias:
AASA. (s. F.). Evaluating EdTech: A strategy for selecting digital tools. Recuperado de: https://www.aasa.org/resources/resource/evaluating-edtech-a-strategy-for-selecting-digital-tools (Consultado en febrero del 2026).
ACM Digital Library. (2025). Proceedings of the 15th International Learning Analytics and Knowledge Conference. https://dl.acm.org/doi/proceedings/10.1145/3706468 (Consultado en febrero del 2026).
CUNY Graduate Center. (s. F.). Instructional technology: Evaluation models. Recuperado de: https://edtech.commons.gc.cuny.edu/instructional-technology-evaluation-models/ (Consultado en febrero del 2026).
Distance Learning Institute. (2025). Evaluating technology for better educational outcomes. Recuperado de: https://distancelearning.institute/educational-communication-technologies/evaluating-technology-for-better-educational-outcomes/ (Consultado en febrero del 2026).
Edmentum. (2025). Top EdTech™ trends shaping the future of learning in 2025-2026. Recuperado de: https://www.edmentum.com/articles/edtech-trends/ (Consultado en Febrero del 2026).
EDspaces. (2025). 2025 EdTech trends: What school leaders need to know. Recuperado de: https://ed-spaces.com/stories/2025-edtech-trends-what-school-leaders-need-to-know/ (Consultado en febrero del 2026).
EdTech Digest. (2023). Setting criteria for evaluating edtech tools. Recuperado de: https://www.edtechdigest.com/2023/07/17/setting-criteria-for-evaluating-edtech-tools/ (Consultado en febrero del 2026).
EdTech Magazine. (2025). AI ethics in higher education: How schools are proceeding. Recuperado de: https://edtechmagazine.com/higher/article/2025/06/ai-ethics-higher-education-how-schools-are-proceeding-perfcon (Consultado en febrero del 2026).
Educational Technology Research and Development. (2024). Understanding the educators’ practices in makerspaces for the design of education tools. Springer-Verlag. Recuperado de: https://link.springer.com/article/10.1007/s11423-023-10305-1 (Consultado en febrero del 2026).
Educativa Robotics. (2025). Robótica emocional: Cómo los robots ayudan a desarrollar la inteligencia emocional en los niños pequeños. Recuperado de: https://educativarobotics.com/blog/robots-educativos-inteligencia-emocional-ninos-pequenos/ (Consultado en febrero del 2026).
EDUCAUSE. (2025). AI ethical guidelines. Recuperado de: https://library.educause.edu/resources/2025/6/ai-ethical-guidelines (Consultado en febrero del 2026).
Frontiers in Education. (2025a). Ethical and regulatory challenges of generative AI in education: A systematic review. Recuperado de: https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1565938/full (Consultado en febrero del 2026).
Frontiers in Education. (2025b). Leveraging learning analytics to support teachers’ professional development: Insights from a digital application. Recuperado de: https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1639217/full (Consultado en febrero del 2026).
Humanities and Social Sciences Communications. (2023). Education Big Data and Learning Analytics: A bibliometric analysis. Recuperado de: https://www.nature.com/articles/s41599-023-02176-x (Consultado en febrero del 2026).
Humanities and Social Sciences Communications. (2025). Towards responsible artificial intelligence in education: A systematic review on identifying and mitigating ethical risks. Recuperado de: https://www.nature.com/articles/s41599-025-05252-6 (Consultado en febrero del 2026).
International Journal of Research and Innovation in Social Science. (2025). The influence of privacy, bias, and surveillance concerns on teachers’ willingness to use artificial intelligence in education. Recuperado de: https://rsisinternational.org/journals/ijriss/articles/the-influence-of-privacy-bias-and-surveillance-concerns-on-teachers-willingness-to-use-artificial-intelligence-in-education/ (Consultado en febrero del 2026).
Journal of Academic Ethics. (2025). Ethical challenges associated with the use of artificial intelligence in university education. Springer-Verlag. Recuperado de: https://link.springer.com/article/10.1007/s10805-025-09660-w (Consultado en febrero del 2026).
Journal of Research in Childhood Education. (2025). “The impact of makerspaces in early childhood education on children’s creativity and self-efficacy”. Taylor & Francis Online. Recuperado de: https://www.tandfonline.com/doi/full/10.1080/02568543.2025.2468489 (Consultado en febrero del 2026).
MDPI Education Sciences. (2025). “Makerspaces as catalysts for entrepreneurial education: Insights from a systematic literature review”. Education Sciences, 15(10), 1295. Recuperado de: https://www.mdpi.com/2227-7102/15/10/1295 (Consultado en febrero del 2026).
National Institutes of Health. (2021). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. Recuperado de: https://pmc.ncbi.nlm.nih.gov/articles/PMC8455229/ (Consultado en febrero del 2026).
ODILO. (s. F.). Explora cómo la robótica educativa transforma el aprendizaje en K12. Recuperado de: https://www.odilo.es/blog/explora-como-la-robotica-educativa-transforma-el-aprendizaje-en-k12/ (Consultado en febrero del 2026).
Redalyc. (s. F.). Robótica en la enseñanza del conocimiento y la interacción con el entorno: Una investigación formativa en educación infantil. Recuperado de: https://www.redalyc.org/journal/274/27466169001/html/ (Consultado en febrero del 2026).
Revista Multidisciplinar de Estudios Generales. (2025). “Innovación y creatividad juvenil a través de la robótica educativa”. Revista Multidisciplinar de Estudios Generales, 4(3), p.p. 1 314-1 332. Recuperado de: https://doi.org/10.70577/reg.v4i3.224 (Consultado en febrero del 2026).
Society for Learning Analytics Research. (2025). LAK25 Homepage. Recuperado de: https://www.solaresearch.org/events/lak/lak25/ (Consultado en febrero del 2026).
Švábenský, V. et al. (2026). Fifteen years of learning analytics research: Topics, trends, and challenges. arXiv. Recuperado de: https://arxiv.org/html/2601.07629v1 (Consultado en febrero del 2026).
Thinking Skills and Creativity. (2025). “Making a Makerspace in early childhood education: Effects on children’s STEM thinking skills and emotional development”. ScienceDirect. Recuperado de: https://doi.org/10.1016/j.tsc.2025.101754 (Consultado en febrero del 2026).
VISUAL Review. (2022). La robótica social como herramienta educativa para el alumnado TEA: Estudio de caso. Recuperado de: https://visualcompublications.es/revVISUAL/article/download/3776/2173/14448 (Consultado en febrero del 2026).
Xavier University Library. (s. F.). Makerspace for education. LibGuides. Recuperado de: https://libguides.xavier.edu/makerspace/foreducation (Consultado en febrero del 2026).
