GRIAL resources
Permanent URI for this communityhttps://repositorio.grial.eu/handle/123456789/1
Browse
1451 results
Search Results
Item Definición de estrategias para el gobierno de la IA en las universidades congruentes con el Manifiesto para el uso seguro de la IA en educación(Grupo GRIAL, 2026-10-28) García-Peñalvo, Francisco JoséWebinar impartido el 28 de octubre de 2026 en el contexto del proyecto EdU-InA - Políticas y prácticas sobre la IA generativa en la educación universitaria (PID2023-149069OA-I00), un espacio dedicado a la difusión de los procesos y resultados de la investigación, financiada por el Ministerio de Ciencia, Innovación y Universidades. La incorporación de la inteligencia artificial (IA) en las universidades exige repensar la transformación digital desde una perspectiva estratégica, ética y centrada en las personas. El reto trasciende la digitalización de procesos y la adopción de herramientas tecnológicas para abordar la gestión de ecosistemas sociotécnicos en los que la supervisión humana, la responsabilidad institucional y la innovación educativa deben coexistir. La IA ofrece oportunidades para mejorar la docencia, la investigación y la administración universitaria, pero también plantea riesgos relacionados con los sesgos, la privacidad, la opacidad algorítmica y el incumplimiento normativo. Ante este escenario, las universidades necesitan políticas de gobernanza que equilibren la innovación y la responsabilidad, garantizando la coherencia con sus valores y objetivos institucionales. El Manifiesto para una IA Segura en la Educación proporciona un marco de referencia articulado en siete principios: supervisión humana y responsabilidad, confidencialidad, alineación con las estrategias educativas, adecuación a las prácticas didácticas, precisión y explicabilidad, interfaces y comportamientos comprensibles, y entrenamiento ético y transparencia. Su aplicación requiere combinar estrategias orientadas a las personas, decisiones sobre infraestructura tecnológica y mecanismos transversales de gobernanza y aseguramiento. El análisis de las políticas universitarias evidencia avances significativos, aunque persisten importantes vacíos éticos, organizativos y regulatorios. Por ello, resulta imprescindible promover una alfabetización crítica en IA entre todos los colectivos universitarios, desarrollar comunidades de práctica y compartir experiencias institucionales. Otra decisión estratégica afecta a la infraestructura tecnológica: soluciones propias basadas en modelos abiertos frente a productos comerciales basados en modelos propietarios. La elección debe considerar la privacidad, la soberanía tecnológica, la transparencia, los costes, las capacidades internas y la autonomía institucional, y contemplar también estrategias híbridas. Como ejemplo de desarrollo institucional, se presenta LAMB, un entorno abierto para crear asistentes inteligentes de aprendizaje integrados en ecosistemas educativos. La conferencia defiende que la gobernanza universitaria de la IA debe ser estratégica, participativa y ética, orientada a construir una cultura académica potenciada por la IA. Su finalidad es preservar la autonomía universitaria, fortalecer el juicio crítico y garantizar que las decisiones tecnológicas respondan a las necesidades educativas y al interés colectivo.Item Introducción a la IA y su impacto en el empleo(Grupo GRIAL, 2026-11-09) García-Peñalvo, Francisco JoséParticipación en el curso “Cómo aprovechar la Inteligencia artificial para la búsqueda de empleo”, organizado por el Servicio de Empleo y Emprendimiento (SIPPE) de la Universidad de Salamanca, con el tema “Introducción a la IA y su impacto en el empleo”, de 6 horas de duración, impartido en noviembre de 2026. En este tema se ofrece una visión divulgativa y rigurosa de la inteligencia artificial (IA), su evolución, sus fundamentos tecnológicos y sus implicaciones para el mercado laboral, prestando especial atención a las oportunidades y los desafíos que plantea para quienes buscan empleo. A partir de un recorrido histórico, se explica cómo la IA ha evolucionado hasta convertirse en una tecnología de propósito general, capaz de aprender a partir de los datos, identificar patrones y apoyar la toma de decisiones. Se presentan los principales paradigmas de aprendizaje automático y se analiza la irrupción de la inteligencia artificial generativa, especialmente desde el lanzamiento de ChatGPT en noviembre de 2022. Se describen los fundamentos de los grandes modelos de lenguaje, sus posibilidades para generar contenidos y mejorar la productividad, así como sus limitaciones y riesgos: alucinaciones, sesgos, privacidad, dependencia tecnológica e impacto medioambiental. La conferencia aborda posteriormente las consecuencias de esta transformación en el empleo, destacando la creciente demanda de competencias digitales y conocimientos sobre IA. Se explica cómo funcionan los sistemas de seguimiento de candidaturas (ATS) y cómo adaptar los currículos a las ofertas laborales mediante palabras clave, evidencias de competencias y logros verificables. También se presentan estrategias para emplear la IA como apoyo en la búsqueda de empleo. Finalmente, se defiende la necesidad de una alfabetización crítica en IA que integre conocimientos tecnológicos, pensamiento crítico, responsabilidad ética y capacidad de adaptación. Frente a la aceleración del cambio tecnológico, se propone una visión de inteligencia híbrida basada en la colaboración entre personas y sistemas inteligentes, en la que el juicio humano, la supervisión y la toma de decisiones sigan siendo esenciales para el desarrollo profesional y social de las personas.Item First-Month LMS Behaviours Associated with Success in an AI-Permissive Software Engineering Course(Asociación para el Desarrollo de la Informática Educativa (ADIE), 2026-09-02) Vázquez-Ingelmo, Andrea; Paule-Ruiz, M. Puerto; García-Peñalvo, Francisco José; García-Holgado, AliciaThis extended abstract profiles the highest-performing behavioural cluster during the first milestone of a Software Engineering course governed by an explicit artificial-intelligence (AI) usage policy. Moodle traces from two post-AI cohorts (n = 146) yielded three clusters: an integrator group (n = 32), an intermediate group (n = 73), and an at-risk group (n = 41). Integrators achieved a higher mean milestone grade than at-risk students (6.37 versus 4.81; Hedges’ g = 0.92) and a higher pass rate (71.9% versus 44.0%). Their profile combined access volume and anticipation: they accessed theoretical materials, task specifications, rubrics, and modelling tools more often, and reached theoretical materials about ten days earlier. A logistic model based on theoretical-material volume, task volume, and task first-access timing separated integrators from the remaining students with an ROC AUC of 0.86. The results support first-month onboarding that introduces rubrics and modelling tools early, triggers early task access, uses analytics for positive recognition, and treats forum activity as a complement rather than a substitute for task- and rubric-anchored engagement.Item Asistentes de aprendizaje con inteligencia artificial en Ingeniería del Software: diseño y percepción del alumnado(Asociación para el Desarrollo de la Informática Educativa (ADIE), 2026-09-02) García-Peñalvo, Francisco José; Conde, Miguel ÁngelEste trabajo analiza el uso de dos asistentes de aprendizaje basados en inteligencia artificial en una asignatura de Ingeniería del Software. El primero adopta una estrategia socrática y guía al alumnado mediante preguntas, pistas y reflexión progresiva. El segundo, construido con LAMB, proporciona respuestas directas fundamentadas en materiales docentes seleccionados por el profesorado. A partir de los registros de uso y de 53 respuestas anónimas, se estudian la adopción, la utilidad percibida y las preferencias de aprendizaje. Los resultados muestran que ambos asistentes fueron valorados positivamente, aunque respondieron a necesidades diferentes: el enfoque socrático favoreció el razonamiento conceptual, mientras que LAMB fue preferido para el repaso y la preparación de exámenes. Los hallazgos subrayan la necesidad de ajustar el diseño de estos sistemas al momento del aprendizaje, la presión evaluativa y las expectativas del alumnadoItem 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 Hybrid intelligence and educational agency: Towards an ecology of human-AI collaboration(Ediciones Universidad de Salamanca, 2026-09-23) García-Peñalvo, Francisco JoséThe emergence of generative artificial intelligence has revived an enduring question in educa-tional technology: Should artificial intelligence (AI) supplant teachers or support them? The evi-dence does not sustain either pole. This article advances hybrid intelligence, an integrated mode of human-AI collaboration in which agency, judgment, and accountability are shared rather than lodged in just one side, as a more useful lens for understanding AI in education. Using a theoretical and argumentative method, the paper defines the concept. It separates hybrid intelligence from adjacent ideas, including blended learning and educational AI, and links its philosophical lineage to extended mind theory, man-computer symbiosis, and actor-network theory. The article then examines three major conceptual frameworks: Molenaar’s six-level automation model, Cukuro-va’s AIED-HCD taxonomy, and Holstein, Aleven, and Rummel’s hybrid adaptivity model. These are brought together in a five-level architecture for hybrid learning ecosystems: people and roles, hybrid space, data, models, and governance. In addition, it sketches three scenarios for the grad-ual incorporation of AI into university teaching, together with the nine persistent challenges (the “elephants in the room”). The discussion highlights shared patterns across the frameworks and the teaching competencies required for hybrid intelligence. The article ends by arguing that, in education, hybrid intelligence can realise its potential only through a human-centred orientation: technology must adapt to education, not education to the technology.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 Dirección y tutorización de tesis doctorales(Grupo GRIAL, 2026-06-02) García-Peñalvo, Francisco JoséCurso impartido en el ICE de la Universidad Politécnica de Madrid (ETSI Caminos) el día 2 de junio de 2026, dentro del Plan de Formación del Profesorado del Curso 2025-2026, con una duración de 2 horas. En este seminario se plantea la dirección doctoral como una práctica de gobierno académico que combina supervisión científica, cumplimiento normativo y acompañamiento profesional. El seminario parte del marco regulador del doctorado en España, con especial atención al Real Decreto 99/2011 y sus modificaciones, así como a la normativa universitaria, la escuela de doctorado y los requisitos propios de cada programa. La idea central es que no se acepta solo un tema de tesis, sino una relación de trabajo viable, regulada y evaluable. El curso organiza el proceso de dirección en trece bloques. Comienza con el marco normativo, el tiempo de permanencia y la entrevista inicial, entendida como un filtro para valorar el encaje científico, la motivación, los recursos, la disponibilidad, las expectativas, los riesgos éticos y la compatibilidad de los estilos de trabajo. A partir de ahí, se aborda el acuerdo de supervisión, con reglas explícitas sobre reuniones, entregas, revisión de textos, autoría, datos, confidencialidad, IA y resolución de conflictos. La presentación concede un espacio específico a los roles del director/a, tutor/a, comisión académica y doctorando/a, así como al diseño estratégico de la codirección, que debe justificarse por su valor real y no por cortesía académica. El primer año aparece como un momento decisivo: debe elaborar un plan de investigación, un plan de formación personal y un documento de actividades que permitan hacer visible el progreso. Se profundiza en la construcción de la tesis desde la idea hasta la estructura: estado de la cuestión, preguntas, objetivos, hipótesis, metodología y evidencias. La revisión bibliográfica se presenta como una tarea continua, orientada a situar la tesis y justificar su aportación, mientras que las evidencias de progreso incluyen publicaciones, congresos, borradores, datos, código, estancias, formación e informes de reuniones. La presentación también incorpora internacionalización, cotutela, mención industrial, ciencia abierta, ciencia ciudadana e IA generativa. En estos apartados se insiste en la planificación temprana, la transparencia, la trazabilidad, la protección de datos y la responsabilidad humana. Finalmente, el depósito y la defensa se entienden como fases que se preparan desde el inicio: informes externos, subsanación, control de originalidad, propuesta de tribunal, depósito y defensa pública. El seminario culmina con un kit operativo de plantillas para aceptar una dirección, entrevistar al doctorando, protocolizar la codirección, hacer seguimiento anual, planificar la formación y gestionar datos de investigación