An Integrative Model of Artificial Intelligence Competencies and a Multi-theoretical Approach to the Implementation of Inclusive STEM Learning

Resumen Técnico: Un Modelo Integrativo de Competencias de Inteligencia Artificial y un Enfoque Multiteórico para la Implementación del Aprendizaje STEM Inclusivo

Planteamiento del Problema
La integración de la Inteligencia Artificial (IA) en la educación de Ciencias, Tecnología, Ingeniería y Matemáticas (STEM) dentro de las escuelas inclusivas enfrenta una brecha crítica: la preparación docente suele limitarse a la competencia tecnológica, careciendo de un marco teórico pedagógico integral. Si bien la IA ofrece potencial para la personalización y la accesibilidad, su implementación en contextos inclusivos corre el riesgo de crear disparidades si los educadores la ven meramente como una herramienta técnica en lugar de un instrumento conceptual para una pedagogía impulsada por datos, ética e inclusiva. La literatura existente carece de modelos integrativos que combinen explícitamente las competencias de IA de los docentes con enfoques multiteóricos (por ejemplo, el constructivismo, la teoría sociocognitiva, la teoría de la educación inclusiva) como predictores de una implementación exitosa de STEM inclusivo. Además, las limitaciones metodológicas en estudios previos, como la dependencia de diseños cualitativos o de encuestas simples sin pruebas de causalidad simultánea entre variables latentes, dificultan una comprensión robusta de estas relaciones estructurales.

Metodología
Este estudio empleó un diseño de encuesta explicativa cuantitativa para probar un modelo estructural integrativo.

• Participantes: La muestra consistió en 1,000 docentes activos de escuelas inclusivas en Indonesia (Bali, Nusa Tenggara Occidental y Nusa Tenggara Oriental), seleccionados mediante muestreo por conveniencia. Los criterios incluyeron al menos dos años de experiencia docente y participación previa en programas de IA o STEM.
• Instrumento: Los datos se recolectaron utilizando un cuestionario de escala Likert de cinco puntos que medía tres constructos primarios:
  1. Competencia en IA: Abarca la comprensión conceptual, las capacidades operativas, la innovación, la colaboración y la confianza.
  2. Enfoque Multiteórico: Mide la conformidad de la teoría y la práctica, la síntesis teórica, la contribución a la inclusión, la viabilidad y el desarrollo profesional.
  3. Capacidades de Implementación de STEM: Evalúa la planificación, el currículo adaptativo, las estrategias activas, la integración de la IA, la evaluación inclusiva y el apoyo de recursos.
• Análisis: Los datos fueron analizados mediante el Modelado de Ecuaciones Estructurales por Mínimos Cuadrados Parciales (PLS-SEM) a través del software SmartPLS. El análisis siguió un enfoque de dos etapas:
  1. Modelo de Medición: Evaluado para confiabilidad (Alfa de Cronbach, Confiabilidad Compuesta) y validez (Validez Convergente vía AVE y Cargas Factoriales; Validez Discriminante vía criterios de Fornell-Larcker y HTMT).
  2. Modelo Estructural: Probado para multicolinealidad (VIF interno), coeficientes de trayectoria (prueba de hipótesis), tamaños de efecto ($f^2$) y relevancia predictiva ($R^2$, $Q^2$). Se utilizó el bootstrapping para determinar la significancia estadística.

Resultos Clave
El modelo estructural demostró una excelente validez y confiabilidad de constructo, con todas las cargas factoriales superando el 0.70, valores de Confiabilidad Compuesta superiores a 0.90 y valores de Varianza Extraída Media (AVE) por encima de 0.65. La validez discriminante se confirmó ya que la raíz cuadrada del AVE de cada constructo excedió las correlaciones entre constructos.

La prueba de hipótesis arrojó los siguientes hallazgos significativos:

1. Competencia en IA: Las competencias de IA de los docentes tienen un efecto directo positivo y significativo en la implementación del aprendizaje STEM inclusivo ($\beta = 0.408$, $p < 0.001$).
2. Enfoque Multiteórico: El enfoque multiteórico tiene un efecto directo positivo y significativo en la implementación de STEM inclusivo ($\beta = 0.320$, $p < 0.001$).
3. Efecto de Interacción: Existe un efecto de interacción positivo y significativo entre la competencia en IA y el enfoque multiteórico ($\beta = 0.213$, $p < 0.001$), lo que indica una relación sinérgica donde la combinación de ambos factores mejora la efectividad de la implementación.
4. Ajuste del Modelo: El modelo estructural explica el 42.7% de la varianza en la implementación de STEM inclusivo ($R^2 = 0.427$), categorizado como un poder predictivo moderado. El modelo no presentó problemas de multicolinealidad (VIF interno < 5) y un Error Cuadrático Medio de la Raíz Residual Estandarizado (SRMR) que indica un buen ajuste del modelo.

Contribuciones Clave

• Teórica: El estudio propone y valida un "Modelo Integrativo" (referido en la discusión como el Modelo Multiteórico Integrado con IA o AIMTM) que vincula explícitamente las competencias de IA y los enfoques pedagógicos multiteóricos como predictores duales del éxito de STEM inclusivo. Extiende las teorías constructivistas y sociocognitivas hacia un contexto tecnopedagógico, enfatizando que la IA debe estar fundamentada en teorías educativas éticas y humanistas.
• Metodológica: Al utilizar PLS-SEM, la investigación proporciona un análisis causal y predictivo robusto de las variables latentes, abordando las brechas metodológicas de estudios exploratorios o cualitativos previos en este dominio.
• Práctica: Los hallazgos ofrecen implicaciones estratégicas para el desarrollo profesional docente, sugiriendo que la capacitación debe ir más allá de las habilidades técnicas de la IA para incluir la integración de teorías del aprendizaje, la reflexión ética y las competencias colaborativas.

Significancia y Reivindicaciones
Los autores sostienen que esta investigación proporciona evidencia empírica sólida de que la implementación exitosa del aprendizaje STEM inclusivo depende de la sinergia entre la maestría tecnológica (competencia en IA) y la profundidad epistemológica (enfoque multiteórico). El estudio afirma que la IA por sí sola es insuficiente; requiere una "alineación pedagógica" donde los docentes actúen como mediadores entre los algoritmos y los valores humanos.

El artículo concluye que la integración de estas dimensiones crea un "ecosistema de aprendizaje inteligente" capaz de fomentar una educación STEM equitativa, adaptativa y sostenible. Los autores posicionan su trabajo como un paso fundacional para que los responsables de políticas y desarrolladores de currículos diseñen intervenciones que prevengan el fenómeno del "tecnólogo sin dirección", asegurando que la IA sirva como una herramienta para la equidad en lugar de ser una fuente de nuevas brechas educativas. El estudio señala modestamente que, si bien el modelo es robusto, investigaciones futuras deberían explorar las influencias contextuales multinivel y las validaciones transculturales en todo el Sudeste Asiático.