Practitioner Beliefs and Behaviors in AI-Enhanced Education: DOT Framework Survey Evidence

Resumen Técnico: Creencias y Comportamientos de los Practicantes en la Educación Potenciada por IA (Evidencia de la Encuesta del Marco DOT)

Enunciado del Problema
La integración rápida de la inteligencia artificial generativa (IA) y los modelos de lenguaje grande (LLM) en la educación superior ha superado el desarrollo de estrategias institucionales coherentes y pedagógicamente fundamentadas. Aunque la adopción es generalizada, la ausencia de normas y marcos compartidos ha dado lugar a prácticas fragmentadas y ad hoc entre los educadores. Esta fragmentación resulta en un entorno instruccional donde el potencial transformador de la IA permanece sin realizar y los riesgos no gestionados. El estudio aborda la falta de datos empíricos sobre cómo los educadores conceptualizan el papel pedagógico de la IA, sus comportamientos actuales de uso y las condiciones institucionales que facilitan o restringen una integración responsable.

Metodología
El estudio empleó un diseño de encuesta transversal para examinar las creencias, comportamientos y condiciones institucionales de 72 practicantes de educación superior en los Estados Unidos. La muestra, reclutada en conferencias de tecnología educativa y redes profesionales, estaba compuesta predominantemente por profesores a tiempo completo (54%) y diseñadores instruccionales (14%), con un alto nivel de participación en IA autoinformada (76% utilizando o investigando activamente la IA).

El instrumento, la "Encuesta DOT", se desarrolló basándose en el Marco DOT, un modelo teórico que integra el Pensamiento de Diseño (D) y el Modelo de Sistemas Abiertos (O) para guiar la Transformación (T) de las prácticas docentes. La encuesta incluyó:

• 19 ítems de escala Likert de creencias diseñados para capturar opiniones sobre el potencial instruccional de la IA, la gobernanza, la capacidad de automatización y el papel colaborativo.
• Preguntas sobre patrones de uso en 11 categorías de tareas (por ejemplo, generación de contenido, calificación, investigación).
• Preguntas sobre práctica reflexiva que evalúan la frecuencia de comportamientos de pensamiento de diseño (evaluación de necesidades, delineación de objetivos, experimentación, recopilación de retroalimentación).
• Evaluaciones de desafíos institucionales relacionadas con políticas, capacitación e infraestructura.

El análisis de datos incluyó estadística descriptiva, pruebas de fiabilidad (alfa de Cronbach) y Análisis Factorial Exploratorio (AFE) utilizando el Método de Ejes Principales con rotación Promax para identificar constructos subyacentes dentro de los ítems de creencias.

Resultados Clave

• Estructura Factorial de las Creencias: El AFE de los 19 ítems de creencias reveló una estructura robusta de tres factores (Varianza Total Explicada: 54.4%, $\alpha$ = .90):

  1. Capacidades Funcionales de la IA ($\alpha$ = .910): Creencias sobre la eficiencia y efectividad de la IA en tareas específicas (retroalimentación, calificación, creatividad y servir como asistente docente).
  2. Supervisión y Gobernanza ($\alpha$ = .786): Un compromiso principista con la supervisión humana, la evaluación crítica de los resultados de la IA, la transparencia y el control del profesorado sobre los materiales. Este factor mostró un alto acuerdo (medias > 4.60) pero algunos efectos de techo.
  3. Colaboración y Planificación del Instructor ($\alpha$ = .851): Creencias en la IA como un socio colaborativo que apoya la planificación instruccional, la inclusividad y la agencia del instructor.
  • Hallazgo Notable: El ítem "La IA puede reemplazar la experiencia del instructor" no cargó en ningún factor y fue rechazado casi universalmente (71% de desacuerdo), reforzando una mentalidad de "co-inteligencia" en lugar de "reemplazo".

• Patrones de Uso: Los practicantes reportaron un alto uso en tareas generativas y de creación de contenido (por ejemplo, generar materiales instruccionales, $M=3.43$; apoyar la investigación, $M=3.21$). Por el contrario, el uso en tareas evaluativas y automatizadas fue significativamente menor (por ejemplo, automatizar la calificación, $M=1.60$; proporcionar retroalimentación personalizada, $M=2.17$).

• Comportamientos de Pensamiento de Diseño: Si bien la generación de indicaciones iterativa y la experimentación eran comunes, la adherencia sistemática al ciclo completo de diseño fue inconsistente. "Identificar necesidades antes de usar la IA" y "recopilar retroalimentación para iterar" fueron las prácticas menos frecuentes, lo que indica una brecha entre los requisitos teóricos del marco y la implementación actual.

• Barreras Institucionales: Los principales desafíos identificados fueron preocupaciones éticas/integridad académica (64%), capacitación insuficiente (61%), falta de políticas institucionales (50%) e infraestructura limitada (47%). Los datos sugieren un cuello de botella del macro-sistema donde el profesanto avanza más rápido que las estructuras de apoyo institucional.

Contribuciones Clave

1. Examen Empírico del Marco DOT: El estudio proporciona apoyo descriptivo preliminar al Marco DOT como un modelo válido para comprender las creencias de los practicantes, demostrando que las perspectivas de los educadores se agrupan de manera consistente con el pensamiento de diseño y la arquitectura de sistemas abiertos del marco.
2. Desarrollo de Instrumento de Medición: Introduce y evalúa un instrumento de encuesta capaz de capturar dimensiones orientadas al diseño y conscientes de los sistemas del uso de la IA, ofreciendo una estructura de tres factores (Capacidades Funcionales, Supervisión/Gobernanza, Colaboración/Planificación) para futuras investigaciones.
3. Identificación de Brechas de Implementación: El estudio destaca discrepancias específicas entre el ciclo completo de diseño propuesto por el Marco DOT y los comportamientos actuales de los practicantes, específicamente la subutilización de las etapas "Empatizar" (evaluación de necesidades) y "Probar/Retroalimentación".

Significado y Afirmaciones
Los autores posicionan este estudio como exploratorio y preliminar, afirmando explícitamente que no establece relaciones causales entre creencias, comportamientos y resultados instruccionales. El significado radica en:

• Validación Descriptiva: Proporcionar evidencia inicial de que las distinciones conceptuales del Marco DOT (diseño de micro-sistemas vs. gobernanza de macro-sistemas) se mapean sobre la cognición real de los practicantes.
• Destacar el Cuello de Botella del Macro-Sistema: Confirmar que la integración sostenible de la IA está restringida no por la capacidad individual del profesorado, sino por déficits institucionales en políticas, capacitación e infraestructura.
• Definir la Norma de "Co-Inteligencia": Demostrar que los practicantes comprometidos rechazan en gran medida la IA como un reemplazo de la experiencia, viéndola en su lugar a través de una lente de colaboración crítica y supervisión humana.

El artículo concluye que la investigación futura debe pasar del modelado descriptivo a la validación confirmatoria (utilizando ACF) y estudios basados en resultados para determinar cómo las prácticas alineadas con DOT influyen en la calidad instruccional. Insta a las instituciones a tratar el desarrollo profesional y las estructuras de gobernanza no como mejoras opcionales, sino como prerrequisitos para una integración ética y efectiva de la IA.