The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing

Este artículo presenta el Marco de Negociación de la Dependencia (RNF), un modelo dinámico desarrollado a partir de un estudio mixto con 382 estudiantes que conceptualiza el uso de modelos de lenguaje grandes en la escritura académica no como una competencia estática, sino como un proceso continuo de negociación entre beneficios, riesgos, compromisos éticos y demandas situacionales.

Lo esencial

Imagina que escribir un trabajo escolar con Inteligencia Artificial (IA) no es como encender o apagar un interruptor de luz (donde o la usas o no la usas). En realidad, es más como cocinar una cena para invitados.

Cada vez que un estudiante se sienta a escribir, no toma una decisión fija para siempre. En su lugar, hace una negociación constante en su propia cabeza, como un chef que decide cuánto sal, cuánto tiempo y qué ingredientes usar, dependiendo de si tiene hambre, si tiene prisa, si le gusta cocinar o si tiene miedo de que la comida salga mal.

Este artículo presenta el "Marco de Negociación de la Dependencia" (RNF). Es una nueva forma de entender cómo los estudiantes usan la IA, explicando por qué a veces la usan mucho, a veces poco, y a veces nada en absoluto.

Aquí tienes la explicación sencilla, usando analogías:

1. El Problema: No es un "Interruptor", es un "Tablero de Control"

Antes, los educadores pensaban que los estudiantes eran de un solo tipo: o eran "dependientes" (usan la IA para todo) o "éticos" (nunca la tocan).

• La realidad: Un mismo estudiante puede ser un "chef experto" en una clase de historia (usando la IA para buscar ideas) y un "chef que no toca el fuego" en una clase de matemáticas (porque sabe que la IA se equivoca en los números).
• La analogía: Imagina que tienes un coche con un tablero de control. No conduces igual en una autopista vacía que en un camino de tierra lleno de baches. El estudiante cambia su "conducción" (uso de IA) según el "terreno" (la tarea, el profesor, la fecha límite).

2. Los 4 Ingredientes de la Negociación

Cada vez que el estudiante decide usar (o no) la IA, su cerebro pesa cuatro factores simultáneamente:

1. Los Beneficios (El "¡Qué fácil!"): ¿Me ahorrará tiempo? ¿Me dará ideas geniales? ¿Me ayudará a terminar antes?
   • Analogía: Es como ver un atajo en el mapa que promete ahorrarte 20 minutos.
2. Los Riesgos (El "¡Cuidado!"): ¿Me atraparán? ¿La información será falsa? ¿Me volveré perezoso y no aprenderé nada?
   • Analogía: Es como ver una señal de "Peligro de Ataque de Osos" o "Camino Deslizante".
3. Los Valores Éticos (La "Brújula Interior"): ¿Siento que está mal hacer esto? ¿Es mi deber personal no usarla?
   • Analogía: Es la voz de tu conciencia que te dice: "No hagas trampa, incluso si nadie te ve".
4. Las Demandas de la Situación (El "Entorno"): ¿Tengo 10 minutos para entregarlo? ¿El profesor prohíbe la IA? ¿Es un examen final o una tarea de práctica?
   • Analogía: Es el clima. Si llueve torrencialmente (mucha presión de tiempo), el atajo se vuelve más atractivo, aunque sea peligroso.

La Negociación: El estudiante mezcla estos cuatro ingredientes. Si la fecha límite es mañana (Situación alta) y el beneficio es ahorrar tiempo (Beneficio alto), pero el riesgo de ser atrapado es bajo, el estudiante probablemente usará la IA. Si el riesgo es alto, quizás no.

3. El "Grupo de los 13%": Los que no negocian

El estudio descubrió algo fascinante: el 13% de los estudiantes no negocian.

• La analogía: Imagina que la mayoría de la gente está en un mercado regateando precios (negociando). Pero hay un grupo que tiene una regla fija: "No compro nada en este mercado, punto".
• Estos estudiantes tienen un compromiso ético tan fuerte (como una ley interna) que la negociación ni siquiera empieza. No importa si tienen prisa o si la IA es útil; simplemente no la usan. El modelo antiguo los confundía con estudiantes que "no sabían usar la tecnología", pero en realidad, son estudiantes con una postura ética muy firme.

4. El Ciclo de Aprendizaje (El "Efecto Rebote")

El marco explica por qué usar IA a veces nos hace peores estudiantes.

• El ciclo: Si usas la IA para hacer un trabajo rápido y te va bien (beneficio), tu cerebro dice: "¡Genial! Hagámoslo otra vez". Pero si no revisas lo que hizo la IA, pierdes la práctica de pensar tú mismo.
• La analogía: Es como usar un andador para caminar. Al principio te ayuda a moverte rápido (beneficio). Pero si lo usas siempre, tus músculos se debilitan (riesgo de atrofia). Al final, no puedes caminar sin él, aunque creas que eres más rápido.
• El aprendizaje: Los estudiantes que usan la IA pero luego se dan cuenta de que no aprendieron nada (como "Destiny" en el estudio), ajustan su negociación. Empiezan a usarla menos o de forma más inteligente. Es un proceso de aprendizaje, no un estado fijo.

5. ¿Por qué importa esto? (La Lección para las Escuelas)

El artículo dice que las escuelas no deben tratar esto como un problema de "policía" (detectar trampas).

• El error actual: Poner cámaras y detectores de IA solo afecta a los que tienen miedo de ser atrapados (el grupo que negocia por miedo). Si quitas la cámara, vuelven a usar la IA.
• La solución propuesta: En lugar de solo vigilar, las escuelas deben enseñar a los estudiantes a negociar mejor.
  • Enseñarles a detectar cuándo la IA miente (alfabetización).
  • Ayudarles a entender cuándo usarla como herramienta y cuándo no (ética).
  • Especialmente en escuelas con estudiantes que vienen de contextos desfavorecidos (como el estudio en una universidad de EE. UU.), la IA a veces es un "salvavidas" porque les falta preparación previa. Prohibirla sin darles mejores herramientas es injusto.

En resumen

Este paper nos dice que dejar de usar la IA no es una decisión que tomas una vez y olvidas. Es una conversación diaria que tienes contigo mismo, con tus valores, con tu tiempo y con tu profesor.

La solución no es prohibir la conversación, sino enseñar a los estudiantes a tener una conversación más sabia, honesta y estratégica, para que la IA sea un copiloto que los ayude a llegar a su destino, no un conductor que se los lleve a un lugar donde no saben cómo volver.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing" (El Marco de Negociación de la Dependencia: Un Modelo de Proceso Dinámico del Compromiso Estudiantil con LLMs en la Escritura Académica), escrito por Shahin Hossain.

---

1. Planteamiento del Problema

El campo de la educación superior carece de herramientas conceptuales adecuadas para responder al uso de Modelos de Lenguaje Grande (LLM) por parte de los estudiantes. Las teorías y marcos existentes presentan limitaciones estructurales que impiden explicar la complejidad del fenómeno:

• Modelos Tipológicos: Clasifican el compromiso en categorías estáticas (ej. estratégico, instrumental, dependiente), pero no pueden explicar la variabilidad intraestudiantil (por qué un mismo estudiante actúa de manera diferente en distintas tareas o contextos).
• Modelos de Aceptación Tecnológica (TAM/UTAUT2): Explican la adopción inicial, pero fallan en explicar la calidad post-adopción. Existe una paradoja del desarrollo: una mayor exposición previa a los LLM no siempre genera sofisticación; a menudo normaliza un uso menos regulado y más intensivo.
• Marcos de Alfabetización en IA: Tratan la competencia como un predictor estático y no logran teorizar la renuncia basada en principios (el uso nulo por razones éticas) como una forma válida de compromiso, clasificándolo erróneamente como falta de competencia.

El problema central es que el compromiso con los LLM no es un rasgo estable ni una decisión binaria, sino un proceso de negociación continuo sensible al contexto, evolutivo y moldeado por creencias, valores y presiones situacionales.

2. Metodología

El estudio empleó un diseño de métodos mixtos explicativo secuencial realizado en una institución pública de servicios a minorías (MSI) en Estados Unidos.

• Participantes: 382 estudiantes de pregrado.
• Fases de recolección de datos:
  1. Encuesta cuantitativa: (N = 382) para establecer correlaciones y modelos predictivos.
  2. Entrevistas semiestructuradas: (n = 14) para profundizar en las trayectorias individuales.
  3. Cuerpo cualitativo de la encuesta: (n = 361 respuestas abiertas) para identificar patrones de rechazo ético.
• Análisis: Se codificaron 1,435 instancias cualitativas. Se utilizaron regresiones jerárquicas, modelos logísticos multinomiales y análisis de contenido cualitativo para validar la arquitectura teórica propuesta.

3. Contribuciones Clave: El Marco de Negociación de la Dependencia (RNF)

El RNF propone que el comportamiento observable de dependencia de los LLM es el resultado de una negociación en curso entre cuatro entradas concurrentes, no la expresión de un tipo fijo.

A. Las Cuatro Entradas de Negociación

1. Beneficios Percibidos: Ahorro de tiempo, generación de ideas, mejora de calidad (basado en la Teoría Valor-Expectativa).
2. Riesgos Percibidos: Riesgo de integridad académica, riesgo epistémico (alucinaciones), riesgo de desarrollo cognitivo (atrofia de habilidades) y riesgo social.
3. Compromisos Éticos: Jerarquizados en tres niveles:
   • Nivel 1: Basado en el cumplimiento (miedo a la detección).
   • Nivel 2: Basado en normas (respeto a la política del instructor).
   • Nivel 3: Basado en principios (valores propios estables).
4. Demandas Situacionales: Presión de tiempo, políticas del instructor, normas disciplinares y nivel de riesgo de la tarea.

B. Arquitectura de Dos Modelos

El RNF introduce una distinción crítica para el 13.0% de los estudiantes que no negocian:

• Modo de Negociación (87%): Los estudiantes evalúan las cuatro entradas dinámicamente. Sus decisiones cambian según el contexto.
• Modo de Abstención (13%): Estos estudiantes operan bajo una restricción ética categórica. Su compromiso ético actúa como una "restricción léxica" que cierra la negociación antes de que comience, independientemente de los beneficios o presiones situacionales. Los marcos actuales los confunden con estudiantes de baja competencia o baja exposición.

C. Propiedades Definitorias

1. Recursivo: Los resultados de una decisión (ej. una mala experiencia con una alucinación) modifican las entradas para futuras decisiones, creando trayectorias de desarrollo no lineales.
2. Situado: La negociación está constituida por las affordances y restricciones del sistema de actividad (ej. diferencias entre STEM y Humanidades).
3. Desarrollista: La negociación madura de un cumplimiento reactivo (Nivel 1) hacia un razonamiento basado en valores (Nivel 3), aunque no es inevitable.

4. Resultados Principales

• Variabilidad Intraestudiantil: Se demostró que un mismo estudiante puede mostrar "restricción estratégica" en una asignatura y "dirección instrumental" en otra, desafiando los modelos tipológicos fijos.
• La Paradoja del Desarrollo: Una mayor exposición previa a los LLM predice una mayor intensidad de uso ($\beta = .308$) y una mayor probabilidad de pertenecer a tipos de dependencia no estratégicos (Odds Ratios de 2.89 a 6.83), indicando que la experiencia sin retroalimentación estructurada lleva a la habituación, no a la sofisticación.
• Identificación de la Abstención Ética: El 13.0% de los participantes (n=47) rechazó deliberadamente el uso de IA por compromisos éticos (proveniencia de datos, impacto ambiental, insuficiencia epistémica), no por falta de habilidad.
• Efecto de Recalibración: Los casos de estudio (Tariq y Destiny) mostraron cómo la exposición a políticas institucionales o a fallos de aprendizaje (atrofia de habilidades) recalibran la percepción de riesgos y beneficios, alterando el comportamiento futuro.

5. Significado e Implicaciones

El RNF transforma la comprensión del uso de IA en la educación superior con implicaciones profundas:

• Pedagogía de Alfabetización en IA: Debe centrarse en la precisión de la negociación (calibrar la evaluación de beneficios y riesgos) en lugar de simplemente fomentar o prohibir el uso. Se requiere instrucción específica por disciplina para desarrollar competencias de verificación adaptativa.
• Política de Integridad Académica: Las políticas basadas únicamente en la detección (enfoque de cumplimiento Nivel 1) son ineficaces a largo plazo y generan restricción contingente a la vigilancia. Las instituciones deben fomentar el razonamiento ético (Nivel 3) para lograr una restricción estable e independiente de la vigilancia.
• Equidad en Instituciones de Servicios a Minorías (MSI): El marco revela que los estudiantes de MSI, a menudo compensando brechas de preparación, perciben los beneficios de eficiencia de la IA como más grandes y son más propensos a cruzar el "punto de inflexión" hacia la sustitución de habilidades. Las políticas de detección sin infraestructura de alfabetización y razonamiento ético son estructuralmente inequitativas para estos grupos.
• Predicciones Falsables: El artículo propone cuatro predicciones para futuras investigaciones longitudinales, incluyendo la variabilidad intraestudiantil (ICC < .50) y la estabilidad de la abstención ética independiente de la vigilancia.

En conclusión, el RNF ofrece un modelo dinámico que permite a las instituciones diseñar intervenciones que aborden las causas raíz del comportamiento (entradas de negociación) en lugar de solo sus síntomas (tipos de uso), promoviendo un desarrollo ético y cognitivo sostenible en la era de la IA generativa.