📄 social_science

Conceptualising and Measuring Epistemic Dependence in AI-Mediated Learning: Development and Initial Validation of the ED-AIL Scale

Este artículo introduce y valida inicialmente la Escala ED-AIL, un nuevo instrumento psicométrico diseñado para medir la dependencia epistémica acrítica en la educación superior mediante la distinción entre el apoyo productivo de la IA y la tendencia riesgosa a tratar los resultados de la IA como epistémicamente directivos a través de cinco dominios clave del aprendizaje.

Autores originales: Yiran Du, Bin Zou

Publicado 2026-08-11

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yiran Du, Bin Zou

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 tu cerebro como una bulliciosa obra de construcción. Durante siglos, los trabajadores (tú) han dependido de una caja de herramientas llena de artículos de confianza: libros de texto, profesores, bibliotecas y amigos. Esto es lo que los científicos llaman "dependencia epistémica", una forma elegante de decir que todos necesitamos ayuda para construir nuestra comprensión del mundo. Esto no es algo malo; de hecho, es cómo aprendemos. Pero ahora, un nuevo robot increíblemente rápido y muy parlanchín ha llegado a la obra. Este robot, impulsado por la Inteligencia Artificial Generativa (IA Generativa), no solo te entrega un martillo; puede escribir los planos, mezclar el cemento e incluso decirte si tu pared está derecha. La gran pregunta no es si el robot es útil —claramente lo es—. La verdadera preocupación es: ¿en qué punto dejamos de revisar el trabajo del robot y simplemente dejamos que él dirija todo el espectáculo? Este es el territorio de la "dependencia epistémica acrítica", donde podríamos empezar a creer que el robot siempre tiene razón, incluso cuando solo está adivinando, y dejar de usar nuestros propios cerebros para verificar los hechos.

Este artículo trata sobre la construcción de una regla para medir exactamente cuánto dejamos que ese robot se apodere de nuestro pensamiento. Los investigadores, Yiran Du y Bin Zou, crearon una nueva herramienta llamada la Escala ED-AIL. Piensa en ella como un "Detector de Desconexión Cerebral". No se limitaron a preguntar "¿Usas la IA?", porque usar una calculadora no significa que hayas olvidado cómo hacer matemáticas. En su lugar, preguntaron: "¿Dejas que la IA decida qué es verdad, qué significa un concepto difícil o si tu respuesta es lo suficientemente buena sin que tú la verifiques?". Probaron esta regla en casi 1,550 estudiantes universitarios en el Reino Unido, EE. UU. y Europa. Los resultados sugieren que la regla funciona bastante bien para detectar cuándo los estudiantes dejan que la IA se apodere de su investigación, su comprensión de grandes ideas y su juicio sobre si una respuesta es correcta. Sin embargo, la regla es un poco inestable cuando se trata de medir si los estudiantes dejan que la IA decida qué estudiar a continuación o cómo planificar su aprendizaje. El estudio confirma que este "relevo del robot" es algo real y medible, pero también advierte que debemos tener cuidado de no usar esta regla para castigar a estudiantes individuales o para decir que usar la IA es siempre malo. Es una herramienta para ayudarnos a entender el problema, no una varita mágica para solucionarlo de la noche a la mañana.

La historia del "Detector de Desconexión Cerebral"

El Problema: Cuando el Robot se Convierte en el Jefe
Imagina que estás escribiendo una historia. Le pides una idea a un robot superinteligente. Si tomas esa idea, la retocas, compruebas si tiene sentido y luego escribes tu propia versión, eso es como tener un copiloto útil. Pero si el robot escribe toda la historia, tú solo copias y pegas, y nunca te preguntas: "Espera, ¿es esto realmente cierto?" o "¿Esto tiene sentido?", entonces has entregado el volante. Los autores llaman a esto "dependencia epistémica acrítica". No se trata de con qué frecuencia usas al robot; se trata de si dejas de hacer el trabajo mental pesado.

Los investigadores notaron que las herramientas existentes no podían captar este problema específico. Algunas herramientas miden cuánto confías en el robot, otras miden qué tan seguido lo usas y otras miden cuánto sabes sobre cómo funcionan los robots. Pero ninguna de ellas medía el momento en que dejas de pensar por ti mismo y permites que el resultado del robot se convierta en tu verdad final.

Construyendo la Regla (La Escala ED-AIL)
Para solucionar esto, el equipo construyó una nueva escala con 23 preguntas. Comenzaron con 61 preguntas y las redujeron pidiendo a expertos y estudiantes que las leyeran en voz alta para ver si tenían sentido. La regla final mide cinco formas específicas en las que los estudiantes podrían dejar que el robot tome el control:

Adquisición de Conocimiento (La trampa de la "Búsqueda"): ¿Dejas de buscar otras fuentes una vez que el robot te da un resumen? (p. ej., "Después de leer un resumen de la IA, a menudo dejo de buscar fuentes que podrían desafiar o ampliarlo").
Interpretación Conceptual (La trampa del "Significado"): ¿Aceptas la explicación del robot de una idea difícil como la única verdad? (p. ej., "Si mi interpretación difiere de la explicación de la IA, generalmente reviso mi comprensión hacia la versión de la IA").
Evaluación Epistémica (La trampa del "Juez"): ¿Dejas que el robot decida si tu respuesta es correcta o si una fuente es confiable? (p. ej., "Si la IA dice que un argumento es débil, generalmente lo trato como débil antes de verificarlo yo mismo").
Producción de Conocimiento (La trampa del "Escritor"): ¿Dejas que el esquema o la redacción del robot dicten tu propia escritura? (p. ej., "Los esquemas generados por IA a menudo determinan la estructura de mi trabajo académico").
Regulación Epistémica (La trampa del "Planificador"): ¿Dejas que la IA decida qué debes estudiar a continuación o cuándo has aprendido lo suficiente? (p. ej., "Uso la IA para decidir si he comprendido lo suficiente como para avanzar").

Lo que la Regla Encontró
Los investigadores probaron esta regla en dos grandes grupos de estudiantes. Esto es lo que encontraron:

Los Puntos Fuertes: La regla funcionó muy bien para las tres primeras áreas: búsqueda de información, comprensión de conceptos y juicio de respuestas. Las respuestas de los estudiantes fueron consistentes y las preguntas midieron claramente lo que debían medir.
Los Puntos Débiles: La regla fue menos fiable para las dos últimas áreas, especialmente para la "Regulación Epistémica" (planificación). Las preguntas para esta parte no se mantuvieron tan unidas como las otras. Los autores sugieren que esto podría deberse a que planificar tu aprendizaje es una tarea enorme y compleja, y las preguntas actuales podrían no capturarla perfectamente todavía.
La Verificación "Robot vs. Humano": Para asegurarse de que la regla no estaba midiendo simplemente cuánto les gustaban los robots a los estudiantes, la compararon con otras pruebas. Encontraron que los estudiantes que puntuaban alto en la regla eran, de hecho, menos propensos a verificar fuentes o detectar errores en el trabajo del robot. Sin embargo, la conexión no era súper fuerte, lo que significa que la regla mide una actitud específica hacia el robot, no necesariamente qué tan bien realiza un estudiante una tarea específica en la vida real.

Lo que la Regla NO ES
Es crucial entender lo que este estudio NO encontró. Los autores son muy claros:

No es un detector de mentiras: No puedes usar esta escala para acusar a un estudiante específico de conducta académica inapropiada o de ser "dependiente". Es una herramienta de investigación, no una evidencia judicial.
No es una prohibición de la IA: El estudio no dice que usar la IA sea malo. Dice que la dependencia acrítica es riesgosa. Un estudiante puede usar la IA todos los días y aun así revisar su trabajo; esta escala mide a los estudiantes que no revisan.
No es un veredicto final: Los autores admiten que su sección de "Planificador" es inestable y necesita más trabajo. También señalan que su estudio se realizó en línea con hablantes de inglés, por lo que no sabemos si la regla funciona de la misma manera para estudiantes en diferentes países o que estudian diferentes disciplinas como ingeniería o arte.

Por qué esto Importa
Este estudio ofrece a educadores e investigadores una nueva forma de hablar sobre la IA. En lugar de simplemente decir "Los estudiantes están usando demasiada IA", ahora podemos preguntar: "¿Están los estudiantes dejando que la IA haga el pensamiento por ellos?". Los autores sugieren que, si las escuelas quieren ayudar, no deberían limitarse a prohibir los robots. En su lugar, deberían diseñar tareas que obliguen a los estudiantes a revisar el trabajo del robot, comparar fuentes y explicar por qué están de acuerdo o en desacuerdo con la IA.

En resumen, la Escala ED-AIL es un primer borrador de un mapa para un nuevo territorio. Nos muestra dónde podrían estar los acantilados de la "dependencia acrítica", pero nos advierte que el mapa aún no es perfecto. Necesitamos seguir dibujándolo, probándolo y refinándolo antes de poder confiar plenamente en él para guiarnos a través del futuro del aprendizaje.

Resumen Técnico: Conceptualización y Medición de la Dependencia Epistémica en el Aprendizaje Mediado por IA

Planteamiento del Problema
La inteligencia artificial generativa (IA generativa) ha pasado de ser una herramienta periférica de productividad a convertirse en un componente central de la infraestructura epistémica en la educación superior. Los estudiantes dependen cada vez más de los modelos de lenguaje de gran tamaño para la recuperación de información, la interpretación de conceptos, la evaluación de afirmaciones, la retroalimentación y la regulación del estudio. Si bien los constructos existentes, como la confianza en la IA, la aceptación tecnológica, la alfabetización en IA, la descarga cognitiva y la dependencia general, capturan aspectos de la interacción humano-IA, no logran identificar específicamente el riesgo educativo donde el resultado de la IA comienza a organizar el juicio epistémico del aprendiz. El artículo aborda una brecha de medición: la falta de un instrumento capaz de distinguir el andamiaje productivo de la IA de una "dependencia epistémica acrítica", definida como una tendencia sensible al contexto de tratar los resultados generados por la IA como epistémicamente directivos, desplazando así la propia verificación, interpretación, justificación o regulación del aprendiz.

Metodología
El estudio empleó un diseño de desarrollo de escala y validación inicial de múltiples etapas guiado por la lógica de argumentación de validez, utilizando dos muestras independientes de estudiantes de educación superior de habla inglesa reclutadas a través de Prolific (Muestra 1: n = 756; Muestra 2: n = 789).

Especificación del Constructo y Generación de Ítems: El constructo se definió mediante un proceso deductivo-inductivo basado en la literatura de la epistemología social, la cognición epistémica y la interacción humano-IA. Se generó un conjunto inicial de 61 ítems distribuidos en cinco dominios propuestos: adquisición de conocimiento, interpretación conceptual, evaluación epistémica, producción de conocimiento y regulación epistémica.
Refinamiento: El conjunto de ítems fue sometido a una revisión por expertos (9 expertos) y una preprueba cognitiva (20 estudiantes) para refinar la redacción y eliminar ítems que midieran la utilidad general, la confianza o la frecuencia en lugar de la delegación epistémica. Esto redujo el conjunto de 39 a 31, y finalmente a 23 ítems.
Análisis Factorial Exploratorio (AFE): Realizado en la Muestra 1 mediante correlaciones policóricas y rotación oblicua. La retención de factores se determinó mediante análisis paralelo, error parcial promedio mínimo (MAP), inspección de la gráfica de sedimentación (scree plot) y coherencia teórica.
Análisis Factorial Confirmatorio (AFC): Realizado en la Muestra 2 utilizando un estimador ordinal robusto. Se probaron modelos de un factor, cuatro factores, cinco factores correlacionados, de orden superior y de bifactor.
Validación: La validez de la escala se evaluó frente a constructos adyacentes (dependencia de la IA, confianza, descarga cognitiva, alfabetización en IA, verificación de fuentes y aprendizaje autorregulado) y criterios orientados al desempeño (tareas de detección de errores de la IA y corroboración de fuentes). También se probaron la validez incremental y la invarianza de la medición (a través de género, nivel de grado y frecuencia de uso).

Resultos Clave

Estructura Factorial: Los datos respaldaron una estructura provisional de cinco factores. El modelo de cinco factores correlacionados demostró un ajuste aceptable (CFI = .944, TLI = .936, RMSEA = .051) en la Muestra 2, superando las alternativas de uno y cuatro factores. Un modelo bifactor mostró un SRMR ligeramente mejor, pero no justificó una interpretación estrictamente unidimensional dada la varianza específica del dominio.
Fiabilidad y Evidencia de Medición: La consistencia interna fue aceptable en todas las subescalas, pero varió según el dominio. El dominio de "Evaluación Epistémica" mostró la evidencia más sólida (AVE > .50, $\omega$ = .88), seguido de "Adquisición de Conocimiento" e "Interpretación Conceptual". "Producción de Conocimiento" mostró evidencia aceptable pero condicionada, mientras que "Regulación Epistémica" fue el dominio más débil (AVE = .32, $\omega$ = .65), lo que sugiere que debe tratarse como provisional. La puntuación total de la escala demostró una fiabilidad fuerte ( $\alpha$ = .90, $\omega$ = .91).
Relaciones de Validez: La puntuación total de la ED-AIL correlacionó moderadamente con la dependencia de la IA ( $r$ = .48) y la aceptación de resultados de IA no verificados ( $r$ = .46), y modestamente con la confianza en la IA y la descarga cognitiva. Mostró una asociación positiva pequeña con la alfabetización en IA ( $r$ = .08), lo que indica que no es simplemente una medida inversa de la comprensión de la IA. Como era de esperar teóricamente, la ED-AIL correlacionó negativamente con la verificación de fuentes ( $r$ = -.27), el aprendizaje autorregulado ( $r$ = -.14) y el desempeño en tareas de detección de errores de la IA ( $r$ = -.14) y de corroboración de fuentes ( $r$ = -.12).
Validez Incremental: La regresión jerárquica indicó que la ED-AIL explicó la varianza única en la aceptación de resultados de IA no verificados ( $\Delta R^2$ = .05) y en la precisión de la detección de errores de la IA ( $\Delta R^2$ = .02) más allá de los controles por demografía, frecuencia de uso, confianza, alfabetización y autorregulación.
Invarianza de la Medición: Se apoyó la invarianza configuracional y de carga a través de los grupos de género, nivel de grado y frecuencia de uso. Sin embargo, la invarianza de umbral fue menos estable, particularmente para los usuarios diarios frente a los de uso menos frecuente, lo que sugiere que las comparaciones de medias latentes entre estos grupos deben tratarse como exploratorias.

Contribuciones Clave

Conceptual: El artículo define la dependencia epistémica acrítica no como un rasgo de personalidad o una simple frecuencia de uso, sino como una relación específica aprendiz-IA donde el resultado de la IA desplaza el juicio del aprendiz. Delinea este constructo de conceptos adyacentes como el sesgo de automatización, la descarga cognitiva y la confianza en la IA.
Instrumental: El desarrollo de la Escala ED-AIL (23 ítems) proporciona el primer instrumento orientado al riesgo diseñado para distinguir el apoyo de la IA ordinario o productivo de la delegación con consecuencias epistémicas.
Metodológica: El estudio ofrece un argumento de validez integral que incluye revisión por expertos, entrevistas cognitivas, EFA/CFA ordinal y análisis de sensibilidad bifactor, estableciendo una base para la investigación futura sobre el aprendizaje mediado por IA.

Significancia y Reivindicaciones
Los autores posicionan la Escala ED-AIL como una herramienta de investigación inicial para examinar cómo los aprendices asignan la responsabilidad epistémica entre ellos mismos y los sistemas de IA. El artículo afirma explícitamente que la escala es más robusta como una medida de autoinforme de la orientación epistémica en lugar de un instrumento de diagnóstico conductual.

Los autores enfatizan que la evidencia es "inicial" y "provisional". Señalan que el dominio de "Regulación Epistémica" requiere mayor validación y que el poder predictivo de la escala para el desempeño de tareas es actualmente modesto. En consecuencia, el artículo argumenta que la escala es adecuada para la investigación, la prueba de teorías, el perfilado de grupos y la evaluación formativa de intervenciones. Advierte explícitamente contra el uso de la escala para el diagnóstico individual de alto riesgo, el escrutinio punitivo de la integridad académica o la realización de afirmaciones definitivas sobre la dependencia epistémica de un estudiante específico sin una validación adicional en contextos institucionales, disciplinares, lingüísticos y de tareas específicas. El estudio concluye que la ED-AIL ofrece un marco necesario para ir más allá de los debates binarios de uso de la IA frente a no uso, centrándose en los mecanismos específicos del desplazamiento del juicio en el aprendizaje.

La historia del "Detector de Desconexión Cerebral"

Más como este