Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence

Resumen Técnico: Generativismo: Hacia una teoría del aprendizaje para la era de la inteligencia artificial generativa

Planteamiento del problema
La proliferación de la inteligencia artificial (IA) generativa en los entornos educativos expone limitaciones conceptuales significativas en las cuatro teorías del aprendizaje dominantes: el conductismo, el cognitivismo, el constructivismo y el conectivismo. Estos marcos fueron formulados antes de la aparición de sistemas de IA capaces de generar, sintetizar y razonar sobre el conocimiento. En consecuencia, luchan por abordar cuestiones críticas relativas al aprendizaje en la era de la IA: ¿Cómo se define el aprendizaje cuando los procesos cognitivos están distribuidos entre humanos y máquinas? ¿Qué ocurre cuando los estudiantes producen resultados sofisticados antes de comprender plenamente los conceptos subyacentes? Y, ¿cuándo la descarga de tareas cognitivas a la IA apoya o socava el aprendizaje? Los autores argumentan que las teorías existentes no logran dar cuenta del cambio cualitativo de la tecnología como un repositorio de información a la tecnología como un socio generativo de la cognición.

Metodología
Este artículo emplea una síntesis teórica y un análisis crítico en lugar de la recolección de datos empíricos. La metodología consiste en:

1. Examen Crítico: Una revisión sistemática de los supuestos centrales del conductismo, el cognitivismo, el constructivismo y el conectivismo para identificar puntos específicos de fricción con las capacidades de la IA generativa.
2. Síntesis Interdisciplinaria: Basándose en la erudición existente en cognición distribuida, la teoría de la mente extendida, la colaboración humano-IA (específicamente los modelos "centauro"), la alfabetización en IA, la descarga cognitiva y la investigación metacognitiva.
3. Construcción de Marco: Integrando estas vertientes teóricas para proponer una nueva teoría del aprendizaje, el "Generativismo", organizada en torno a cuatro principios distintos.

Contribuciones Clave
La contribución principal del artículo es la propuesta del Generativismo, una teoría del aprendizaje diseñada específicamente para la era de la IA generativa. Los autores distinguen este término de la gramática generativa de Chomsky, definiéndolo en cambio como una teoría de cómo los humanos aprenden en asociación con sistemas de IA generativa. El marco se ancla en cuatro principios fundamentales:

1. Asociación Epistémica: El aprendizaje se redefine como la co-construcción iterativa de conocimiento entre los estudiantes humanos y los sistemas de IA. En esta asociación, la IA proporciona velocidad y capacidad generativa (explicaciones candidatas, ejemplos), mientras que el estudiante aporta objetivos, contexto, valores y juicio evaluativo. Esto cambia la visión de la IA de una herramienta pasiva a un socio cognitivo activo.
2. Agencia Distribuida: La agencia no se transfiere a la IA, sino que se ejerce mediante la negociación. El marco enfatiza la asignación explícita, intencional y pedagógicamente deliberada del trabajo cognitivo. Destaca la importancia de la "Agencia a nivel de decisión", donde los estudiantes mantienen el control sobre las intenciones y los compromisos, asegurando que no adopten pasivamente las opciones dirigidas por la IA.
3. Alfabetización Generativa: Más allá de la competencia funcional o ética, este principio define la alfabetización como la capacidad de solicitar (prompting), evaluar, refinar e integrar artefactos de conocimiento generados por IA. Comprende cuatro capacidades: competencia de prompts, juicio evaluativo, vigilancia epistémica (escrutinio crítico de los resultados fluidos) y síntesis integradora (combinar el resultado de la IA con el conocimiento previo).
4. Metacognición Adaptativa: Este principio aborda la paradoja de la "descarga cognitiva". Postula que el aprendizaje efectivo requiere que el estudiante monitoree y regule continuamente la división del trabajo cognitivo entre sí mismo y la IA. Los estudiantes deben detectar la dependencia excesiva, reasignar el esfuerzo y reflexionar sobre cómo la IA moldea su pensamiento para asegurar una comprensión genuina en lugar de un mero desempeño.

Resultados e Implicaciones Teóricas
El artículo no presenta resultados empíricos, sino que ofrece un conjunto de implicaciones teóricas para la práctica educativa:

• Diseño Instruccional: Los autores sugieren alejarse de la prohibición de la IA o de su uso acrítico. En su lugar, proponen diseñar para la "fricción productiva", donde las tareas requieran que los estudiantes evalúen, revisen y justifiquen los resultados generados por la IA. Las estrategias incluyen la "inversión de producción-comprensión" (usar borradores de IA como puntos de partida para el análisis crítico) y hacer visible la distribución del trabajo cognitivo.
• Evaluación: La evaluación debe diferenciar entre contextos que requieren desempeño independiente y aquellos donde la colaboración con la IA es la competencia objetivo. El artículo propone nuevos indicadores de evaluación alineados con los cuatro principios, tales como evaluar la capacidad de un estudiante para cuestionar los resultados de la IA, explicar su delegación de tareas y demostrar vigilancia epistémica.
• Desarrollo de la Pericia: La pericia se reconceptualiza no meramente como la acumulación de conocimiento de dominio (que la IA puede acceder), sino como la capacidad para una asociación epistémica efectiva. Esto implica saber cuándo confiar en la IA, cuándo anularla y cómo estructurar la colaboración para lograr resultados que superen a ambos socios por separado.

Significancia y Limitaciones
Los autores posicionan el Generativismo como una respuesta preliminar a los desafíos transformadores de la IA generativa. Su significancia radica en proporcionar una lente conceptual para que educadores, diseñadores y responsables de políticas repiensen el diseño instruccional, el aprendizaje y la evaluación en entornos ricos en IA. El artículo sostiene que, sin tal marco, las partes interesadas carecen de las herramientas para navegar las fronteras fluidas entre la cognición humana y la artificial.

Los autores reconocen explícitamente las limitaciones de este trabajo:

• Naturaleza Conceptual: El Generativismo es un marco conceptual que aún no ha sido probado empíricamente; sus principios requieren una validación sistemática.
• Equidad: El marco no aborda plenamente las cuestiones de acceso y equidad respecto al acceso diferencial a las herramientas de IA generativa en diversos contextos socioeconómicos.
• Volatilidad Tecnológica: El rápido ritmo del desarrollo de la IA significa que las tecnologías específicas referenciadas pueden evolucionar, alterando potencialmente las dinámicas de aprendizaje humano-IA de maneras que el marco actual no puede anticipar.

En conclusión, el artículo afirma que, si bien las teorías del aprendizaje existentes siguen siendo valiosas, son insuficientes para abordar las dinámicas únicas de la IA generativa. El Generativismo ofrece una base teórica necesaria para investigar y refinar la comprensión del aprendizaje en una era donde la cognición se comparte cada vez más con sistemas generativos.