GRIAL resources
Permanent URI for this communityhttps://repositorio.grial.eu/handle/123456789/1
Browse
7 results
Search Results
Item Diseñando el aprendizaje híbrido: interfaces inteligentes y nuevos ecosistemas educativos(Grupo GRIAL, 2026-10-16) García-Peñalvo, Francisco JoséConferencia magistral invitada de 1 hora y media de duración, impartida el 16 de octubre en la 14ª Edición de la Conferencia Ecuatoriana de Tecnologías de la Información & la Comunicación (TICEC 2026), celebrada en la Universidad Indoamérica (Ambato, Ecuador), el 15 y 16 de octubre de 2026. La conferencia “Diseñando el aprendizaje híbrido: interfaces inteligentes y nuevos ecosistemas educativos” plantea una revisión de lo que implica hoy hablar de educación híbrida. Ya no basta con combinar la enseñanza presencial y la online. El nuevo escenario incorpora inteligencia artificial, datos y responsabilidad, configurando ecosistemas educativos en los que personas y tecnologías interactúan de forma continua. Uno de los ejes centrales es el paso de una visión de la IA basada en la sustitución a otra centrada en el aumento de las capacidades humanas. La inteligencia híbrida se entiende como la capacidad de combinar la inteligencia humana y la artificial para alcanzar objetivos complejos y obtener resultados superiores a los que cada una podría lograr por separado. El valor, por tanto, no reside en delegar el aprendizaje en sistemas autónomos, sino en diseñar formas de colaboración en las que la IA amplíe la percepción, ayude a tomar decisiones, escale determinadas acciones y libere a las personas de tareas repetitivas, manteniendo el juicio, la creatividad y la responsabilidad en manos humanas. Esta perspectiva exige prestar especial atención a los datos educativos. Las interacciones en plataformas, los trabajos, el código, los proyectos o las señales multimodales pueden aportar información relevante, pero más datos no significan necesariamente un mejor aprendizaje. Se defiende priorizar las evidencias directamente relacionadas con el proceso educativo y reducir el uso de datos biométricos o de vigilancia cuando no sean imprescindibles. Cuanto mayor sea el grado de automatización, mayores deben ser la explicabilidad, la trazabilidad, la supervisión humana y la evaluación de posibles sesgos. Para trasladar estos principios a la práctica, se presentan tres escenarios de adopción de IA: apoyo responsable, colaboración guiada y cocreación con una declaración de uso reforzada. A medida que aumenta la autonomía de la IA, el impacto educativo y el riesgo, también debe aumentar el rigor documental, pasando de la simple declaración de uso a mecanismos de trazabilidad, auditoría, evidencia y revisión humana. La propuesta se completa con marcos como las orientaciones de la UNESCO, el AI Act europeo, el marco SAFE y el Safe AI in Education Manifesto, que sitúan la seguridad, la equidad, la transparencia y la supervisión humana como condiciones de diseño. La idea que articula toda la conferencia es: la tecnología debe adaptarse a la pedagogía y permanecer al servicio de las personas. El futuro educativo que se propone no es el de una IA que reemplaza al profesorado, sino el de ecosistemas de inteligencia híbrida en los que el docente conserva el control, dirige la colaboración humano-IA y garantiza sentido, criterio y responsabilidad.Item El futuro no es artificial: inteligencia híbrida para una educación sostenible(Grupo GRIAL, 2016-09-10) García-Peñalvo, Francisco JoséConferencia magistral de 1 hora de duración, impartida el 10 de septiembre en la EDHUM Conference 2026 (Universidad Anáhuac, Querétaro, México, 9-11 de septiembre). Se plantea que el futuro de la educación no pasa por sustituir a las personas mediante sistemas autónomos, sino por diseñar formas de inteligencia híbrida en las que docentes, estudiantes e inteligencia artificial colaboren de manera sinérgica. Frente al mito de la automatización total, se propone pasar de una visión de reemplazo a una de ampliación, en la que la IA amplía capacidades humanas como el análisis, la percepción, la creación o la toma de decisiones, manteniendo siempre la supervisión pedagógica y el control humano. Desde esta perspectiva, lo híbrido deja de significar únicamente lo presencial más lo online. El nuevo ecosistema educativo integra espacios físicos y virtuales, IA, datos, modelos, interacciones, interoperabilidad y responsabilidad. Los datos desempeñan un papel central, pero su valor depende de su capacidad para orientar intervenciones pedagógicas pertinentes. Por ello, se priorizan las evidencias de aprendizaje procedentes de interacciones y artefactos, mientras que el uso de señales biométricas o multimodales exige cautela, minimización de datos, transparencia, seguridad y validación. La integración de la IA se articula en tres escenarios progresivos: apoyo responsable, colaboración guiada y cocreación con declaración de uso reforzada. A medida que aumenta la autonomía de la IA y el impacto educativo de sus decisiones, deben crecer también las exigencias de trazabilidad, evidencias, auditoría y revisión humana. Esta lógica de proporcionalidad convierte la ética y el cumplimiento en elementos de diseño, no en controles añadidos al final. Se insiste también en la necesidad de una alfabetización crítica en IA, basada en la agencia humana, la verificación, la inclusión, la transparencia y la rendición de cuentas. Marcos, como la UNESCO, el AI Act, SAFE y el Safe AI in Education Manifesto, ofrecen referencias para orientar este proceso. El profesorado asume un papel central como director de esa orquesta, capaz de contextualizarla, supervisarla y darle un sentido educativo. La promesa de la IA educativa no reside en crear un solista perfecto, sino en enriquecer la orquesta. La tecnología debe adaptarse a la pedagogía y estar al servicio de las personas. El futuro será más inteligente si combina más IA con más humanidad, más evidencia y más responsabilidad.Item Inteligencia híbrida: retos y límites de la automatización con inteligencia artificial(Grupo GRIAL, 2026-07-17) García-Peñalvo, Francisco JoséConferencia plenaria invitada de 0,5 horas de duración, impartida en las I Jornadas Internacionales sobre Utilización de Recursos Tecnológicos y Técnicas de Inteligencia Artificial Aplicadas a la Neuropsicología y la Neurología: Retos y Oportunidades, celebradas en la Escuela Politécnica Superior de la Universidad de Burgos el 17 de julio de 2026. Se plantea una idea central: el futuro de la inteligencia artificial en la educación no debería orientarse a sustituir a docentes y estudiantes, sino a construir sistemas de inteligencia híbrida en los que las capacidades humanas y artificiales se complementen. Frente al mito de una automatización total, se propone pasar de una visión de reemplazo a otra de ampliación. La IA puede asumir tareas repetitivas, analizar grandes volúmenes de datos o generar contenidos, mientras que las personas mantienen el propósito, el juicio crítico, la creatividad, la empatía y la responsabilidad en la toma de decisiones. La inteligencia híbrida se define como la capacidad de alcanzar objetivos complejos combinando inteligencia humana y artificial, con resultados superiores a los que cada una obtendría por separado. Esta colaboración exige distribuir adecuadamente el control. El modelo de seis niveles de automatización muestra un continuo que abarca desde la actuación exclusiva del profesorado hasta la automatización total. En educación, la automatización condicional se presenta como el punto de equilibrio más razonable: la tecnología puede actuar con cierta autonomía, pero el ser humano conserva la supervisión y puede recuperar el control en cualquier momento. Este enfoque también amplía el significado del aprendizaje híbrido. Ya no se trata únicamente de combinar presencialidad y formación en línea, sino de integrar espacios, IA, datos y responsabilidad. Los datos pueden provenir de plataformas educativas, de trabajos del alumnado y de señales multimodales. Sin embargo, más datos no significan necesariamente un mejor aprendizaje. Las evidencias directas, como las interacciones y los productos elaborados, deben tener prioridad frente a señales biométricas o conductuales, cuyo uso puede introducir vigilancia, errores de interpretación, sesgos y riesgos para la privacidad. La adopción de la IA debe ajustarse al impacto de cada actividad. En tareas de bajo riesgo puede servir como apoyo responsable para generar borradores, ejemplos o retroalimentación inicial. En situaciones de colaboración guiada debe existir trazabilidad, revisión crítica y aportación humana significativa. Cuando la IA interviene en la evaluación, la acreditación o en decisiones sensibles, son necesarias evidencias de autoría, auditorías, revisión humana y controles reforzados. Cuanto mayor sea el impacto, mayor debe ser el rigor documental. Se advierte también sobre tres problemas frecuentes: la desconexión entre los modelos y la realidad pedagógica, la fragilidad metodológica de algunas investigaciones y la falta de confianza causada por sistemas opacos. Por ello, la alfabetización en IA no puede reducirse al manejo instrumental. Requiere verificar los resultados, reconocer sesgos, comprender los límites, declarar el uso de las herramientas y mantener la agencia humana. La propuesta final combina principios éticos, herramientas controladas por el profesorado y escenarios de adopción gradual. La tecnología debe adaptarse a la pedagogía, y no al contrario. El objetivo es avanzar hacia una IA educativa con más humanidad, más evidencia y más responsabilidad. Este resumen se ha generado con ChatGPT 5.6 Sol (inteligencia media) el 14 de julio de 2026, tomando como fuente la presentación para la conferencia y, posteriormente, ha sido revisado y corregido por el autor.Item IA e Investigación educativa: Consideraciones éticas(Grupo GRIAL, 2026-07-09) García-Peñalvo, Francisco JoséLa conferencia “IA e Investigación educativa: Consideraciones éticas” se ha impartido en la Escuela de Verano SEP – Iniciarse en el proceso de investigación educativa: Claves para el Doctorado, celebrada en el Campus María Zambrano de Segovia de la Universidad de Valladolid el día 9 de julio de 2026, con una duración de 1 hora. La conferencia plantea una cuestión muy concreta: la inteligencia artificial ya forma parte del trabajo investigador, pero su presencia no convierte la investigación en un proceso automático. En educación, donde se trabaja con personas, datos sensibles, trayectorias formativas y decisiones con impacto real, usar IA exige algo más que la habilidad técnica: criterio. La IA generativa puede ayudar en muchas fases del ciclo de investigación. Puede servir para organizar tareas, explorar ideas, formular hipótesis iniciales, revisar la literatura, redactar borradores, traducir, programar, clasificar información o visualizar datos. Bien empleada, permite ganar tiempo para pensar mejor. Pero ese es precisamente el punto: no debe usarse para pensar menos. Su valor académico se evidencia cuando libera carga operativa sin desplazar la responsabilidad intelectual del investigador. El problema no es solo ético. También es científico. Una respuesta plausible no equivale a evidencia. Las alucinaciones, las referencias inventadas, los sesgos ocultos, la falsa objetividad o la dependencia cognitiva pueden deteriorar la calidad del conocimiento producido. En una tesis, pedirle a la IA que complete lo que no se ha leído genera una deuda epistémica difícil de detectar. Por eso, toda cita, dato, categoría o inferencia relevante debe contrastarse con fuentes primarias, el diseño metodológico y el juicio experto. La privacidad ocupa un lugar central. Antes de entregar información a una herramienta, hay que preguntarse qué datos se comparten: personales, sensibles o institucionales. En investigación educativa, subir transcripciones completas, datos de menores, observaciones de aula identificables o información contextual reidentificable puede cruzar una línea roja. La regla práctica es clara: anonimizar, minimizar, justificar y documentar antes de procesar. La conferencia también conecta estas decisiones con marcos de referencia como la UNESCO, la AI Act, el Safe AI in Education Manifesto, el ICMJE, el COPE y las guías editoriales de Wiley. Todos convergen en ideas similares: supervisión humana, confidencialidad, transparencia, declaración de uso, revisión crítica y responsabilidad no delegable. La conclusión es sencilla y exigente. La IA puede asistir, pero no puede ser autora, directora metodológica ni garante ética. La decisión final, la interpretación, la defensa del proceso y la rendición de cuentas siguen siendo humanas. Sin un humano en el bucle, no hay investigación educativa rigurosa, explicable y defendible.Item Introduciendo la Inteligencia Artificial en el ciclo de investigación bajo un comportamiento ético(Grupo GRIAL, 2026-01-28) García-Peñalvo, Francisco JoséLa conferencia “Introduciendo la Inteligencia Artificial en el ciclo de investigación bajo un comportamiento ético” se ha impartido en el IA in Education Summit: Responsible, Equitable, and Systematic Transformation, celebrado dentro del IFE Conference 2026 del 27 al 29 de enero de 2026 en el Tecnológico de Monterrey, Monterrey, Nuevo León (México). Concretamente, esta conferencia tuvo lugar el 28 de enero, con una duración de 30 minutos. La gran disrupción reciente en IA proviene de la inteligencia artificial generativa (IAGen), entendida como la capacidad de producir contenidos sintéticos inéditos (texto, imagen, audio, vídeo, presentaciones) para apoyar tareas diversas, con un impacto social potencialmente abrumador por su integración en la vida cotidiana. En el ámbito de la investigación, se subraya que la generación automática de contenido académico ya es una realidad y que la calidad alcanzada permite su uso como material de investigación; a la vez, se advierte que la investigación y la transferencia no son inmunes a discursos inflados, mitos e inexactitudes sobre la IA (catastrofismo vs. “solucionismo tecnológico”). Se ofrece un panorama de herramientas generalistas basadas en texto (algunas multimodales) y se introduce una idea clave: las herramientas generalistas suponen un riesgo en contextos de investigación, por lo que su adopción debe ser crítica y situada. La charla estructura el uso de la IAGen a lo largo de todo el ciclo de investigación: desde la generación de ideas, objetivos e hipótesis, el estado de la cuestión, el desarrollo de código, la recogida y análisis de datos, hasta la redacción, publicación y comunicación; la ética y la transparencia actúan como eje transversal. Como base normativa y ética, se presentan principios para un uso responsable: fiabilidad (verificación y reproducción), honestidad (revelar el uso), respeto (privacidad, confidencialidad, propiedad intelectual y citación) y responsabilidad (agencia humana y supervisión). En la misma línea, se introduce la alfabetización crítica: no basta con saber usar herramientas, sino hacerlo con juicio dentro de valores y prácticas académicas. En cuanto a marcos de referencia, se alinean las recomendaciones de la UNESCO, el AI Act y el Safe AI in Education Manifesto como un continuo entre guía ética y regulación legal, y se resume su aterrizaje en investigación: validación ética, protección de datos y PI, trazabilidad (registrar herramienta/versión/prompts y declarar uso), triaje de riesgo y debida diligencia con proveedores, y protocolos human-in-the-loop. Se aportan ejemplos de reconocimiento del uso (Monash) y guías editoriales (Wiley), destacando qué debe declararse (redacción/edición, metodología, código, análisis y visuales) y qué información conviene documentar (nombre/versión, fecha, función, secciones afectadas, rol del autor y cumplimiento de privacidad en datos sensibles). También se aborda la revisión por pares: los manuscritos son confidenciales y no deben cargarse en aplicaciones de IA; se proponen usos seguros (mejorar claridad/tono, traducción, consultas generales sin detalles del manuscrito). Las conclusiones enfatizan que la IAGen ofrece beneficios, pero su punto crítico es la trazabilidad: muchas herramientas no la garantizan robustamente, lo que puede reducir la transparencia, complicar la atribución de autoría y aumentar el riesgo de contenido no verificado (alucinaciones). Se remarca que la IA puede aumentar la eficiencia, pero no sustituye capacidades humanas esenciales, y que, aunque los marcos establecen una base común, la decisión ética no se automatiza y cada investigador y equipo debe definir sus líneas rojas según contexto, riesgo y datos, asumiendo responsabilidad por su aplicación.Item Ecosistemas de aprendizaje híbridos: Orquestando la colaboración entre personas e inteligencia artificial(Grupo GRIAL, 2026-01-08) García-Peñalvo, Francisco JoséConferencia plenaria invitada de 1 hora de duración impartida en las X Jornadas Docentes de la Facultad de Ingeniería – Inteligencia Híbrida en la Educación Superior, organizadas por la Unidad de Investigación Docente y Desarrollo Académico (UNIDA) de la Facultad de Ingeniería de la Universidad Andrés Bello. Estas jornadas se desarrollaron en Santiago (Chile) el 8 y 9 de enero de 2026 y esta conferencia se impartió el 8 de enero de 2026. Se plantea que “lo híbrido” ya no puede entenderse como una simple combinación de presencial + online, sino como un ecosistema más completo que integra presencial + online + IA + datos + responsabilidad. En ese marco, la inteligencia híbrida se define como la capacidad de lograr objetivos complejos combinando inteligencia humana y artificial para obtener resultados mejores que los alcanzables por separado. La tesis se refuerza con una idea de sinergia: el valor está en la interacción y la coevolución humano–tecnología (no en sustituir al humano), donde la tecnología libera de lo repetitivo para dedicar energía a creación, estrategia y juicio. A partir de ahí, se introduce el salto desde “herramientas sueltas” a ecosistemas: un ecosistema tecnológico se concibe como un conjunto de componentes software conectados por flujos de información, sostenidos en un entorno físico, con los usuarios como parte del sistema; aplicado al aprendizaje, el objetivo es una red de servicios de aprendizaje y no una colección de “herramientas de moda”. Para orquestar la colaboración persona–IA, la presentación propone un marco de “aumentos” donde la IA y las personas se amplifican mutuamente: metas (se influyen recíprocamente), percepción e interpretación (la IA detecta patrones y datos; el humano aporta contexto), acción (la IA escala acciones como retroalimentación inmediata; el humano crea/personaliza acciones) y decisión (la IA apoya; el humano supervisa y corrige). El núcleo técnico-pedagógico se apoya en la idea de que el ecosistema se sostiene sobre datos y su ciclo de uso: detectar → preparar → diagnosticar → actuar → evaluar. Se distingue además entre intervenciones “blandas” (informar mediante paneles de control, retroalimentación formativa, alertas tempranas, recomendaciones) y “duras” (automatizar adaptación de tareas, retroalimentación paso a paso, asignación automática de práctica, generación guiada). La regla es clara: cuanto más “dura” la automatización, más exigencias de explicabilidad, trazabilidad, control humano y evaluación de sesgos. Se introducen con cuidado las señales multimodales y el componente biométrico. Se enumeran señales de conducta (mirada, postura, teclado/ratón), fisiología (frecuencia cardíaca, actividad electrodérmica, respiración) y contexto (audio/ruido, ubicación, condiciones), subrayando que la fisiología tiene alta sensibilidad, pero también alto riesgo de privacidad e interpretación. De ahí se deriva un mensaje práctico: priorizar evidencias de aprendizaje (interacciones + artefactos) y usar multimodalidad solo si añade valor pedagógico y con controles fuertes. En el caso de la biometría, se listan riesgos (consentimiento, clima panóptico, seguridad, interpretación errónea, sesgos) y controles mínimos (opt-out, minimización, propósito explícito, procesamiento local, revisión humana antes de actuar y auditoría). Como ejemplo “aterrizado”, se propone un laboratorio de programación sin biometría: entradas como commits/tests, errores recurrentes, tiempos en ejercicios y preguntas en foro; modelos de machine learning clásico (predicción/clustering) junto con modelos generativos (retroalimentación formativa); y salidas como alerta al docente, recomendación de práctica, retroalimentación en borrador y priorización de tutoría humana. El bloque decisivo es el de los tres escenarios de uso de IA como “regulador de potencia”. La pregunta guía no es “usar IA sí/no”, sino “cuánta autonomía se da y con qué garantías”. Se formula un principio de proporcionalidad: a mayor impacto educativo y riesgo, más transparencia, más evidencias y más auditoría, y se cambia el tipo de evidencia exigida (declaración → trazabilidad → auditoría). En la parte final, la conferencia conecta ética con práctica mediante marcos y garantías (UNESCO, AI Act, SAFE, Safe AI in Education Manifesto) y advierte sobre la crisis de confianza: confundir “IA” con solo LLM, o asumir transparencia por explicaciones post-hoc (SHAP/LIME) puede crear una falsa sensación de interpretabilidad. El cierre refuerza la metáfora orquestal: el objetivo no es un “solista perfecto”, sino una orquesta enriquecida, donde el profesorado actúa como director y la tecnología se adapta a la pedagogía. La síntesis final queda en una frase: “Más IA, sí; pero con más humanidad, más evidencia y más responsabilidad”.Item Ciencia abierta y educación abierta en el área de salud en tiempos de la Inteligencia Artificial(Grupo GRIAL, 2023-11-13) García-Peñalvo, F. J.Participación en el Club de Ciencia: Metodología de Investigación y Taller de Escritura Académica. IBIMA EMG23-01, celebrado en el Hospital Materno Infantil de Málaga el 13 de noviembre de 2023. La conferencia titulada "Ciencia abierta y educación abierta en el área de salud en tiempos de la Inteligencia Artificial" representa una exploración multifacética del impacto de las políticas y prácticas de ciencia y educación abiertas en el campo médico, en el contexto de avances significativos en la inteligencia artificial generativa. La conferencia concluye enfatizando la necesidad de una infraestructura robusta para la ciencia abierta, que pueda manejar las implicaciones de la IA generativa y fomentar un ecosistema de conocimiento verdaderamente global e inclusivo.