Mediating Factors Between Artificial Intelligence Supported Microteaching and Digital Pedagogical Competence of Preservice Teachers

Resumen Técnico: Factores Mediadores entre la Microenseñanza Apoyada por Inteligencia Artificial y la Competencia Pedagógica Digital de los Profesores en Formación

Planteamiento del Problema
La rápida transformación digital de la educación ha ampliado la brecha entre los programas tradicionales de preparación docente y las exigencias de las aulas contemporáneas, ricas en tecnología. Si bien la microenseñanza sigue siendo una piedra angular en la formación de docentes, sufre limitaciones en cuanto a escalabilidad, estándares de evaluación inconsistentes y oportunidades restringidas para la práctica repetida. La literatura actual sugiere que la simple integración de la tecnología es insuficiente; existe una necesidad crítica de comprender cómo la Inteligencia Artificial (IA) puede integrarse eficazmente dentro de la microenseñanza para mejorar la competencia pedagógica digital, específicamente dentro del marco del Conocimiento Tecnológico Pedagógico del Contenido (TPACK). Las investigaciones existentes suelen pasar por alto la complejidad de la sobrecarga cognitiva, las curvas de desarrollo de la adquisición de competencias y los factores mediadores que determinan si la IA actúa como un catalizador o como una barrera.

Metodología
Este estudio emplea un diseño de métodos mixtos con un enfoque explicativo secuencial para evaluar el impacto de la microenseñanza integrada con IA en los profesores en formación.

• Participantes: El estudio involucró a 380 profesores en formación inscritos en una práctica de experiencia de campo a nivel universitario.
• Recolección de Datos: Los datos se recopilaron mediante tres métodos triangulados:
  1. Cuestionarios: Un instrumento validado basado en el marco TPACK que mide 15 indicadores de competencia pedagógica digital (cuantitativo).
  2. Observaciones de Clase: Observaciones estructuradas durante sesiones de simulación de IA para documentar comportamientos instructivos y la fluidez en la integración de las funciones de IA.
  3. Entrevistas en Profundidad: Entrevistas semiestructuradas con 15 participantes seleccionados deliberadamente (que representan un espectro de niveles de competencia) para explorar procesos metacognitivos y prácticas reflexivas.
• Análisis: Los datos cuantitativos se analizaron mediante estadística descriptiva para mapear las tendencias de competencia. Los datos cualitativos se sometieron a un análisis temático (codificación, categorización y extracción de temas) para explicar los mecanismos detrás de los hallazgos cuantitativos.

Resultados Clave
El estudio encontró que la integración de la IA aceleró significativamente el desarrollo del TPACK y la práctica reflexiva, con un 85–90% de los participantes alcanzando niveles de competencia de "bueno a excelente". Sin embargo, las mejoras no fueron uniformes; aproximadamente el 20% de los estudiantes experimentaron sobrecarga cognitiva o permanecieron en niveles de "regular a deficiente".

• Formas de Utilización de la IA: La IA funcionó como un socio cognitivo a lo largo de todo el ciclo pedagógico:
  • Planificación: Algoritmos de Procesamiento de Lenguaje Natural (PLN) evaluaron los planes de clase para el razonamiento pedagógico y la alineación de la tecnología con el contenido.
  • Práctica: Avatares de IA simularon comportos y disrupciones realistas de los estudiantes, permitiendo una práctica de gestión de aula libre de riesgos.
  • Observación: La visión computacional y los sensores de voz rastrearon micro-comportamientos (por ejemplo, contacto visual, tiempo de espera, rigidez no verbal) con una precisión imposible para los observadores humanos.
  • Reflexión: Los paneles de retroalimentación generativa y las consignas metacognitivas obligaron a los estudiantes a pasar de descripciones superficiales a una reflexión analítica y transformadora.
• Ganancias de Competencia: Se observaron mejoras significativas en todas las dimensiones del TPACK, particularmente en el Conocimiento Integrado (TPACK) y la Práctica Reflexiva. Los estudiantes demostraron una mayor capacidad para sintetizar contenido, pedagogía y tecnología, y para utilizar los tableros de IA para la autoevaluación crítica.
• Factores Mediadores: El éxito de la integración de la IA estuvo mediado críticamente por tres factores no tecnológicos:
  1. Optimización Temporal: Las ganancias de competencia alcanzaron su punto máximo entre las semanas 3 y 5. Se produjeron rendimientos decrecientes cuando los ciclos de retroalimentación excedían de 3 a 4 por semana, lo que indica un umbral de saturación.
  2. Colaboración entre Pares: Los estudiantes que participaron en la revisión colaborativa de la retroalimentación de la IA con sus pares mostraron un aumento del 23% mayor en la competencia pedagógica en comparación con aquellos que trabajaron individualmente.
  3. Antecedentes Disciplinarios: Los estudiantes de STEM mostraron una mejora dominante en el Conocimiento Tecnológico del Contenido (TCK), mientras que los de Humanidades aceleraron más rápidamente en el Conocimiento Pedagógico Tecnológico (TPK).
  4. Adaptación Psicológica: El desarrollo de habilidades fue no lineal. La maestría técnica básica se logró para la tercera sesión, pero la pericia instructiva máxima fue alcanzada por solo el 31% de los participantes después de más de 10 sesiones.

Contribuciones Clave

• Teórica: El estudio sintetiza los modelos TPACK, DigCompEdu y de práctica reflexiva para articular una comprensión integral de la competencia pedagógica digital en contextos de IA. Establece la preparación para la adaptación a la IA y la sobrecarga cognitiva como variables críticas que dan forma al éxito de la integración tecnológica.
• Metodológica: Al utilizar un diseño de métodos mixtos explicativo secuencial, el estudio proporciona evidencia empírica que desafía la suposición de ganancias automáticas de competencia. Destaca la necesidad de datos cualitativos para interpretar el "retraso" observado en las poblaciones minoritarias de estudiantes, que los datos cuantitativos por sí solos podrían descartar como ruido.
• Práctica: La investigación ofrece recomendaciones basadas en evidencia para el diseño curricular, sugiriendo un modelo de microenseñanza híbrido donde la IA funciona como un catalizador de aceleración en lugar de un sustituto de los mentores humanos. Enfatiza la necesidad de reposicionar a los profesores como guías pedagógicos que ayuden a los estudiantes a traducir la analítica generada por máquinas en acciones instructivas precisas.

Significancia y Afirmaciones
El artículo afirma que la microenseñanza integrada con IA representa una transformación cualitativa en la formación docente, no meramente una mejora tecnológica. Su principal significancia radica en demostrar que la efectividad de la IA no es ni determinista ni automática. En cambio, el éxito de la implementación depende de la alineación estratégica del ritmo de intervención, la colaboración social y la sensibilidad hacia las curvas de aprendizaje individuales.

El estudio concluye que la IA no debe verse como una solución de "conectar y usar" (plug-and-play). Más bien, requiere un ecosistema híbrido donde los mentores humanos son indispensables para guiar a los estudiantes a través de la sobrecarga cognitiva y facilitar la transferencia de los conocimientos derivados de la IA hacia una práctica docente auténtica. Los hallazgos llaman a un cambio de las narrativas tecnocéntricas hacia un enfoque sociocognitivo que priorice la preparación psicológica, la gobernanza ética y el apoyo institucional para asegurar el desarrollo equitativo de la competencia pedagógica digital.