📄 social_science

Gurukul 2.0: A Capability-Based Model Integrating Indigenous Mentoring, AI, and Character Formation for Graduate Competence

Este estudio valida el modelo "Gurukul 2.0", demostrando que la integración de la mentoría indígena Guru–Shishya, el aprendizaje personalizado aumentado por IA y la formación del carácter mejora significativamente la competencia profesional del graduado a través del desarrollo de la capacidad de aprendizaje, moderada por la disposición al aprendizaje del estudiante.

Autores originales: Neerupa Chauhan, K.Vinodha Devi, Aakash Kumar, Sreela Krishnan, Nithin Venugopal, Thanuja K A K A

Publicado 2026-08-08

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Neerupa Chauhan, K.Vinodha Devi, Aakash Kumar, Sreela Krishnan, Nithin Venugopal, Thanuja K A K A

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás caminando por un campus universitario masivo y bullicioso. Es un lugar donde millones de estudiantes se gradúan cada año, pero un extraño problema se está gestando: muchos de estos graduados sienten que tienen el "boleto" correcto para entrar al mundo laboral, pero en realidad no tienen las habilidades para hacer el trabajo. Conocen los hechos, pero no pueden adaptarse, colaborar o resolver nuevos problemas. Este es el paradoja de la "escala sin sustancia" que las universidades en las economías en crecimiento están tratando de resolver.

Para solucionar esto, los investigadores están observando dos mundos muy diferentes. Por un lado, está la Inteligencia Artificial (IA). Piensa en la IA como un tutor superinteligente e incansable que puede personalizar instantáneamente las lecciones para cada estudiante, dándole exactamente la retroalimentación que necesita, justo cuando la necesita. Por otro lado, existe una antigua tradición india llamada Guru-Shishya. Esto no es solo un profesor dando una clase; es un vínculo profundo y de por vida donde un mentor (el Guru) guía a un estudiante (el Shishya) no solo en los libros, sino también en el carácter, la ética y la vida. La gran pregunta es: ¿Podemos mezclar la velocidad de alta tecnología de la IA con la calidez humana profunda de esta mentoría antigua para crear al graduado perfecto? La respuesta reside en un concepto llamado el Enfoque de las Capacidades, que sugiere que la educación no debería tratar solo de entregar certificados (resultados), sino de construir la capacidad real de hacer cosas y de ser alguien (capacidades).

El Experimento Gurukul 2.0: Mezclando Magia y Máquinas

En este estudio, un equipo de investigadores de la India decidió probar una nueva idea que llaman Gurukul 2.0. Imagina una escuela donde la mentoría de la vieja escuela de un guía sabio se combina con el poder futurista de la IA. Querían ver si esta combinación podría convertir a los estudiantes en "profesionales en forma de T".

¿Qué es un profesional en forma de T? Imagina la letra "T". La línea vertical representa el conocimiento experto y profundo en un tema específico (como la ingeniería o el arte). La línea horizontal representa la capacidad de trabajar con otros, comunicarse, adaptarse y resolver problemas en diferentes campos. Los investigadores querían saber: ¿Ayuda realmente la combinación de mentoría humana, herramientas de IA y formación del carácter a los estudiantes a construir esa "T"?

La Receta para el Éxito
Los investigadores encuestaron a 378 estudiantes de varios colegios en la India, preguntándoles sobre sus experiencias con mentores, su uso de herramientas de IA (como chatbots para el aprendizaje) y su propio desarrollo del carácter. Construyeron un modelo para ver cómo encajan estas piezas.

Esto es lo que encontraron, paso a paso:

El Toque Humano es el que Hace el Trabajo Pesado: El estudio descubrió que la calidad de la mentoría (la relación Guru-Shishya) era el motor más fuerte de la capacidad de aprendizaje de un estudiante. Cuando un mentor comprendía verdaderamente las fortalezas de un estudiante, ofrecía guía ética y se preocupaba por su crecimiento personal, la Capacidad de Aprendizaje del estudiante se disparaba. Es como tener un entrenador que no solo te enseña las jugadas, sino que también cree en ti lo suficiente como para que te arriesgues.
La IA es el Compañero Perfecto: Las herramientas de IA también ayudaron mucho. Cuando los estudiantes usaban la IA para obtener retroalimentación personalizada y aprender a su propio ritmo, su capacidad de aprendizaje mejoraba significamente. Sin embargo, el estudio deja claro: la IA no reemplazó al mentor. En su lugar, trabajó junto al mentor humano. Piensa en el mentor como el capitán del barco y en la IA como el sistema de navegación de alta tecnología; necesitas ambos para llegar al destino.
El Carácter es el Motor: Los investigadores también analizaron la "Formación del Carácter" (o Samskara), que implica construir valores como la honestidad, la disciplina y la empatía. Aunque esto tuvo el efecto directo más pequeño en la capacidad de aprendizaje en comparación con la mentoría y la IA, seguía siendo una parte vital de la mezcla. Es el combustible que mantiene el motor funcionando cuando las cosas se ponen difíciles.
La Salsa Secreta: La Capacidad de Aprendizaje: Estas tres cosas (Mentoría, IA y Carácter) alimentaban un resultado central: el Desarrollo de la Capacidad de Aprendizaje. Esta es la capacidad real del estudiante para adquirir, integrar y aplicar el conocimiento. El estudio encontró que esta "Capacidad de Aprendizaje" era lo único que conducía directamente a convertirse en un profesional en forma de T. En otras palabras, la mentoría y la IA no te hacen un profesional directamente; primero te convierten en un mejor aprendiz, y eso es lo que te convierte en un profesional.
El Factor de "Preparación": Finalmente, el estudio encontró que la propia Preparación para el Aprendizaje del estudiante importaba. Si un estudiante estaba motivado, dispuesto a intentar y listo para aceptar la retroalimentación, la conexión entre su capacidad de aprendizaje y su éxito profesional era aún más fuerte. Es como tener un gran coche (Capacidad de Aprendizaje) y un gran conductor (Preparación); si el conductor no está listo para ir, el coche no llegará lejos.

Lo que esto significa para el futuro
Los investigadores están muy seguros de estos resultados porque utilizaron un método estadístico riguroso llamado Modelado de Ecuaciones Estructurales para probar sus ideas con datos reales. Encontraron que el modelo "Gurukul 2.0" funciona: la mentoría autóctona y el aprendizaje habilitado por la IA no son enemigos; son compañeros de equipo.

El estudio descarta explícitamente la idea de que la IA por sí sola pueda solucionar la brecha de habilidades, o que la mentoría tradicional por sí sola sea suficiente para los diversos estudiantes de hoy. En cambio, sugiere que las universidades necesitan construir un ecosistema donde:

Los mentores sean capacitados para guiar a los estudiantes de manera integral (no solo académicamente).
La IA se utilice para personalizar el aprendizaje, no para reemplazar a los profesores.
La formación del carácter se integre en el currículo.

Al combinar la sabiduría del pasado con las herramientas del futuro, el modelo Gurukul 2.0 ofrece una hoja de ruta para crear graduados que no solo tengan conocimientos, sino que sean verdaderamente capaces, adaptables y listos para el mundo real.

Resumen Técnico: Gurukul 2.0: Un modelo basado en capacidades que integra la mentoría indígena, la IA y la formación del carácter para la competencia de los graduados

Planteamiento del problema
Las instituciones de educación superior (IES) en las economías emergentes enfrentan una "paradoja de escala sin sustancia": si bien la matrícula de graduados se expande, muchos graduados siguen estando insuficientemente preparados para la práctica profesional. Los empleadores demandan cada vez más "profesionales en forma de T" que combinen una profunda experiencia disciplinar con habilidades interdisciplinarias, de comunicación y adaptativas amplias. Si bien la Inteligencia Artificial (IA) ofrece oportunidades para el aprendizaje personalizado, diversos académicos advierten que la tecnología por sí sola no puede garantizar un aprendizaje significativo sin el apoyo pedagógico humano. Por el contrario, los modelos tradicionales de mentoría indígena, como la tradición india Guru–Shishya, ofrecen un desarrollo holístico pero a menudo carecen de integración con la personalización tecnológica moderna. Existe una brecha teórica sobre cómo la mentoría humana, la personalización habilitada por la IA y la formación del carácter interactúan para desarrollar la competencia del graduado.

Metodología
El estudio emplea un diseño de encuesta transversal, deductivo y positivista para desarrollar y validar el Modelo Gurukul 2.0.

Muestra: Los datos se recolectaron de 378 estudiantes de grado y posgrado de programas de ingeniería, gestión, ciencias, comercio y artes en IES de la India. Todos los participantes cumplieron con los criterios de selección: inscripción actual, interacción previa con un mentor docente y experiencia con herramientas de aprendizaje basadas en IA.
Instrumentación: Se utilizó un cuestionario estructurado con 43 ítems a través de seis constructos. Se desarrollaron y validaron dos nuevas escalas mediante un proceso riguroso (generación de ítems, validación de expertos, prueba piloto, EFA y CFA): Calidad de la Mentoría Guru–Shishya (GSMQ) y Formación del Carácter (Aprendizaje orientado a Samskara). Se adaptaron escalas existentes para Aprendizaje Personalizado Aumentado por IA (AAPL), Desarrollo de la Capacidad de Aprendizaje (LCD), Disposición al Aprendizaje del Estudiante (SLR) y Competencia Profesional en forma de T (TPC).
Análisis: El estudio utilizó un enfoque de Modelado de Ecuaciones Estructurales basado en la Covarianza (CB-SEM) de dos pasos utilizando AMOS.
1. Modelo de Medición: Validado mediante Análisis Factorial Exploratorio (EFA) y Análisis Factorial Confirmatorio (CFA), evaluando la confiabilidad (Confiabilidad Compuesta), validez convergente (AVE) y validez discriminante (Fornell–Larcker y HTMT).
2. Modelo Estructural: Se probaron las relaciones directas, los efectos de mediación total (usando bootstrapping con 2,000 remuestreos) y los efectos de moderación (términos de interacción).
Marco Teórico: El modelo integra el Enfoque de Capacidades, la Teoría de la Autodeterminación, la Teoría del Aprendizaje Experiencial y la tradición Guru–Shishya.

Resultados Clave
El modelo estructural demostró índices de ajuste satisfactorios (CFI = .944, TLI = .940, RMSEA = .040) y respaldó todas las relaciones hipotetizadas:

Efectos Directos:
- GSMQ ejerció la influencia positiva más fuerte sobre LCD ( $\beta$ = .439, $p < .001$ ).
- AAPL influyó significativamente en LCD ( $\beta$ = .302, $p < .001$ ).
- La Formación del Carácter influyó positivamente en LCD ( $\beta$ = .142, $p < .001$ ).
- LCD predijo fuertemente la Competencia Profesional en forma de T ( $\beta$ = .611, $p < .001$ ).
Mediación: El Desarrollo de la Capacidad de Aprendizaje actuó como mediador total de las relaciones entre los tres antecedentes (GSMQ, AAPL, Formación del Carácter) y la Competencia Profesional en forma de T. Los efectos directos de los antecedentes sobre la TPC se volvieron no significativos cuando se incluyó la LCD, lo que indica que los recursos (mentoría, IA, valores) se traducen en competencia profesional solo a través de la internalización de la capacidad de aprendizaje.
Moderación: La Disposición al Aprendizaje del Estudiante moderó significativamente la relación entre LCD y TPC ( $\beta$ = .143, $p < .001$ ). La relación positiva entre la capacidad de aprendizaje y la competencia profesional fue más fuerte para los estudiantes con mayor disposición (motivación, preparación cognitiva y persistencia).

Contribuciones Clave

Integración Teórica: El estudio operacionaliza el Enfoque de Capacidades dentro de la educación superior, demostrando que los recursos educativos generan empleabilidad solo cuando se transforman en capacidades de aprendizaje duraderas. Une la brecha entre las tradiciones pedagógicas indígenas (Guru–Shishya) y la personalización moderna impulsada por la IA, mostrando que son complementarias en lugar de competidoras.
Desarrollo de Escalas: El artículo introduce y valida los primeros instrumentos psicométricos contemporáneos para la Calidad de la Mentoría Guru–Shishya y la Formación del Carácter (Aprendizaje orientado a Samskara) en un contexto de educación superior.
Identificación de Mecanismos: Identifica el Desarrollo de la Capacidad de Aprendizaje como el mecanismo mediador crítico que convierte la mentoría, el apoyo de la IA y la construcción del carácter en una competencia profesional demostrable.

Significancia y Reivindicaciones
Los autores afirman que el modelo Gurukul 2.0 ofrece un marco validado para abordar la brecha persistente entre el logro académico y la competencia profesional. El estudio postula que:

Integración Holística: Las universidades no deben depender únicamente de la IA o únicamente de la mentoría tradicional; más bien, la IA debe complementar la mentoría humana para proporcionar apoyo personalizado, mientras que el mentor humano debe cultivar la confianza, la ética y la autonomía.
Capacidad sobre Credenciales: El enfoque de la educación superior debe cambiar de la acumulación de credenciales al desarrollo de la Capacidad de Aprendizaje, lo que permite a los graduados adaptarse a las cambiantes demandas profesionales.
Alineación de Políticas: Los hallazgos apoyan la implementación de la Política Nacional de Educación (NEP) 2020 de la India, que aboga por una educación holística arraigada en los Sistemas de Conocimiento Indio y el aprendizaje basado en valores, integrados con la tecnología moderna.
Guía Práctica: El modelo proporciona una base para el diseño curricular que integra la práctica reflexiva, proyectos interdisciplinarios y retroalimentación habilitada por IA, enfatizando también la necesidad de evaluar y mejorar la disposición al aprendizaje del estudiante.

Limitaciones
Los autores reconocen que el diseño transversal limita la inferencia causal, que la dependencia de datos autoinformados puede introducir sesgos y que el modelo requiere validación transcultural más allá del contexto indio. Además, la rápida evolución de la IA generativa sugiere la necesidad de estudios futuros que prueben el modelo frente a nuevos sistemas de IA.

El Experimento Gurukul 2.0: Mezclando Magia y Máquinas

Más como este