From Objective AI Literacy Assessment to Training Needs Mapping in Greek Secondary Education

Resumen Técnico: De la Evaluación Objetiva de la Alfabetización en IA al Mapeo de Necesidades de Formación en la Educación Secundaria Griega

Planteamiento del Problema
Aunque la Inteligencia Artificial (IA) se está integrando cada vez más en la infraestructura educativa, la evidencia empírica sobre la alfabetización en IA de los docentes sigue siendo limitada. Las investigaciones existentes se basan predominantemente en la disposición, la confianza o las actitudes autoinformadas, las cuales son susceptibles al sesgo de deseabilidad social, a una autocalibración inexacta y a la inflación contextual. Esta dependencia de medidas subjetivas oscurece las concepciones erróneas conceptuales específicas y la cobertura desigual del conocimiento. En el contexto de la educación secundaria griega, donde los docentes operan en diversas especialidades disciplinarias y trayectorias de aprendizaje profesional desiguales, la falta de una línea de base localizada de conocimiento objetivo sobre la IA conlleva el riesgo de que el desarrollo profesional (DP) sea o demasiado genérico para ser útil o demasiado técnico para alinearse con las necesidades reales. El estudio aborda la brecha entre la "conciencia de la IA" (familiaridad con las herramientas) y la "alfabetización en IA" (recursos conceptuales estables para interpretar el comportamiento de los sistemas), argumentando que los docentes requieren un conocimiento conceptual funcional para evaluar los resultados de la IA, comprender sus limitaciones y tomar juicios profesionales responsables.

Metodología
El estudio empleó una encuesta en línea transversal realizada en junio de 2025 con una muestra de 271 docentes de educación secundaria griega (educación ordinaria y especial). El reclutamiento utilizó una estrategia de muestreo por conveniencia a través de redes profesionales y personales.

• Instrumento: El estudio utilizó una adaptación griega de una prueba de conocimiento de alfabetización en IA de 26 ítems desarrollada originalmente por Ding et al. [13], fundamentada en el marco orientado a competencias de Long y Magerko [8]. El instrumento fue traducido y retrotraducido para asegurar la equivalencia conceptual.
• Calificación: Las respuestas se calificaron de forma dicotómica (1 para correcto, 0 para incorrecto o "no lo sé"). La inclusión de la opción "no lo sé" permitió una estimación conservadora del conocimiento funcional, distinguiendo entre respuestas con confianza e incertidumbre.
• Análisis:
  • Estadística Descriptiva: Se calcularon las puntuaciones totales y las proporciones de ítems correctos ($p_{correct}$).
  • Diferencias de Grupo: Debido a la distribución no normal de las puntuaciones totales (Shapiro-Wilk $p < .001$), se utilizaron pruebas no paramétricas de Kruskal-Wallis con comparaciones post-hoc de Dwass-Steel-Critchlow-Fligner para examinar las diferencias por especialidad de enseñanza, formación en TIC y datos demográficos.
  • Predictores: Se utilizaron correlaciones de Spearman y regresión lineal múltiple (utilizando intervalos de confianza de bootstrap con corrección de sesgo) para identificar asociaciones entre las características de los docentes, la formación previa y las puntuaciones de alfabetización en IA.
  • Mapeo de Necesidades: Se calculó un "Índice de Necesidad" (NeedIndex) para cada ítem como $1 - p_{correct}$. Esta métrica transformó los déficits a nivel de ítem en una herramienta de priorización para el desarrollo profesional, donde valores más altos indican mayores necesidades de formación.

Resultados Clave

• Desempeño General: La muestra demostró una alfabetización objetiva basal moderada en IA ($M = 15.82/26$, $SD = 3.53$;$p_{correct}$ global $= 60.85\%$). Sin embargo, el desempeño varió significativamente entre los ítems ($rango$ $p_{correct}$: 0.09–0.90).
• Brechas Conceptuales (Ítems con Menor Desempeño): Los déficits de conocimiento más significativos se agruparon en torno a conceptos técnicos fundamentales:
  • Distinguir la automatización de la IA (ej. lavadoras automáticas).
  • Diferenciar la IA estrecha de la IA general (ej. asistentes de voz como Siri/Alexa).
  • Comprender el flujo de trabajo del aprendizaje automático (recolección de datos $\to$ entrenamiento $\to$ despliegue).
  • Relacionar técnicas de IA con aplicaciones.
  • Reconocer los límites en la percepción y generalización de la IA (desempeño en contextos desconocidos).
• Ítems con Mejor Desempeño: Los docentes se desempeñaron relativamente bien en ítems relativos a la interpretación de datos, el error conceptual de que la IA es siempre más inteligente que los humanos y el uso de la IA en trabajos peligrosos.
• Predictores de la Alfabetización:
  • Factores Significativos: La especialidad de enseñanza (los docentes de TIC obtuvieron puntuaciones más altas que los grupos no pertenecientes a TIC), el nivel de formación en TIC, la familiaridad autoinformada con la PC/Internet y la exposición a formación específica en IA se asociaron significativamente con puntuaciones más altas.
  • Factores No Significativos: Las variables demográficas como la edad, el género, el título de grado más alto, los años de servicio y el área de trabajo (urbana/rural) no mostraron una asociación estadísticamente significativa con el desempeño objetivo.
  • Impacto de la Formación: El análisis de regresión indicó que la exposición a la formación específica en IA era el predictor dominante. Los docentes con programas semestrales/anuales, conocimientos certificados o cursos de pregrado en IA obtuvieron puntuaciones significativamente más altas que aquellos con solo seminarios de corta duración o sin formación.

Contribuciones Clave

1. Línea de Base Objetiva: El estudio proporciona la primera línea de base objetiva y localizada de la alfabetización en IA para los docentes de secundaria griegos, yendo más allá de las métricas autoinformadas para identificar el conocimiento conceptual real.
2. Granularidad Diagnóstica: Mediante el uso del análisis a nivel de ítem, el estudio revela que un promedio "moderado" oculta una sustancial disparidad conceptual. Los docentes pueden poseer un sólido conocimiento ético o de datos, mientras carecen de una comprensión técnica fundamental.
3. Mapeo de Necesidades de Formación (NeedIndex): El estudio introduce un mecanismo práctico ($NeedIndex = 1 - p_{correct}$) para traducir los datos de evaluación directamente en prioridades de desarrollo profesional. Esto permite a los diseñadores de DP secuenciar el contenido basándose en los déficits conceptuales observados en lugar de la relevancia asumida.
4. Modelo de DP Diferenciado: Los hallazgos apoyan un modelo de desarrollo profesional por niveles:
   • Nivel 1: Conceptos técnicos fundacionales (IA vs. automatización, flujos de trabajo de ML).
   • Nivel 2: Capacidades, limitaciones e incertidumbre.
   • Nivel 3: Aplicación pedagógica relevante para el aula.
   • Nivel 4: Ética, gobernanza y rendición de cuentas.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como un estudio aplicado de línea de base y mapeo de necesidades de formación, en lugar de una validación exhaustiva del instrumento o un predictor de la práctica en el aula. La principal significancia radica en el cambio de enfoque de la "conciencia de la IA" hacia la "precisión conceptual". El estudio sostiene que sin una comprensión estable de cómo funcionan los sistemas de IA (ej. dependencia de datos, resultados probabilísticos, límites de generalización), los docentes no pueden evaluar eficazmente las herramientas de IA, explicar fallos del sistema a los estudiantes o distinguir las posibilidades educativas reales de las promesas infladas.

Los hallazgos desafían la suposición de que la alfabetización en IA es un problema generacional o un subproducto de la experiencia docente general. En su lugar, el estudio afirma que la alfabetización en IA es un dominio de conocimiento profesional entrenable, fuertemente vinculado al trasfondo disciplinario y a las oportunidades de aprendizaje estructurado. En consecuencia, los autores abogan por una creación de capacidad informada por la evidencia que priorice los conceptos técnicos fundamentales antes de avanzar hacia las aplicaciones éticas o pedagógicas, asegurando que los docentes posean los recursos conceptuales necesarios para una supervisión humana responsable en escuelas potenciadas por la IA.

Limitaciones
Los autores señalan explícitamente varias limitaciones: el uso de una muestra por conveniencia limita la generalización a toda la población docente griega; el diseño transversal impide la inferencia causal respecto al impacto de la formación; el instrumento mide el conocimiento conceptual en lugar de la ejecución pedagógica; y la prueba de 26 ítems representa un compromiso entre amplitud y profundidad que no puede cubrir toda la complejidad de la alfabetización en IA (ej. matices de la IA generativa). Se recomienda para investigaciones futuras combinar las pruebas objetivas con medidas basadas en escenarios y en la práctica.