Instrucción centrada en el estudiante asistida por IA y autoconcepto académico y competencia comunicativa de los adolescentes: un estudio de métodos mixtos

Resumen

Este estudio de métodos mixtos evalúa una rutina de aula centrada en el estudiante y asistida por IA, que incluye indagación apoyada por IA, discusión entre compañeros, aclaración del profesor y autoevaluación. El estudio se centra en el autoconcepto académico auto-reportado y la competencia comunicativa, y proporciona suficiente detalle procedimental para facilitar la replicación en el aula.

Resumen

Este estudio cuasi-experimental de métodos mixtos en el aula examinó si la instrucción centrada en el estudiante asistida por IA estaba asociada con cambios en el autoconcepto académico y la competencia comunicativa autoinformada de los adolescentes. Se asignaron seis clases intactas a la instrucción asistida por IA o a la condición habitual de instrucción centrada en el estudiante. La intervención integró los estímulos apoyados por IA en un ciclo de aprendizaje estructurado que incluye indagación individual, discusión entre compañeros, aclaración del profesor y autoevaluación. De los 186 estudiantes reclutados, 174 se retuvieron para análisis cuantitativo. El autoconcepto académico y la competencia comunicativa auto-reportada se evaluaron al inicio, inmediatamente después de la intervención y en un seguimiento a corto plazo predefinido. Se midieron la calidad de la interacción, la autoevaluación y el compromiso del alumno tras la intervención, y 36 estudiantes participaron en entrevistas semiestructuradas. En comparación con el grupo de instrucción habitual, el grupo asistido por IA mostró mayores avances ajustadas a la línea base en ambos resultados tras la intervención y en el seguimiento. Los análisis exploratorios del proceso indicaron una mayor calidad de interacción, autoevaluación y compromiso del alumno en el grupo asistido por IA, mientras que los hallazgos cualitativos sugirieron que los estímulos apoyados por IA ayudaron a los estudiantes a verificar explicaciones, revisar respuestas y hacer la autoevaluación más explícita cuando se combinaban con la discusión entre iguales y la orientación del profesor. Dado que los participantes fueron asignados a nivel de clase y los resultados fueron principalmente autoinformados, los hallazgos deben interpretarse como asociaciones basadas en el aula más que como evidencia definitiva de una mejora causal en el rendimiento académico.

Introducción

La inteligencia artificial (IA) se ha vuelto cada vez más prevalente en entornos educativos. Sin embargo, su valor didáctico sigue siendo inconsistente, ya que el mero acceso a una herramienta tecnológica no constituye inherentemente un proceso de aprendizaje. Aunque las revisiones destacan avances en IA educativa, a menudo pasan por alto el papel del profesor y las interacciones en el aula. Esto es fundamental para los adolescentes, que forman activamente juicios de competencia y ponen a prueba ideas con sus compañeros. Por lo tanto, el aprendizaje apoyado por IA debe implementarse como una disposición pedagógica deliberada que moldee cómo los estudiantes cuestionan, evalúan y discuten, en lugar de servir como mera exposición tecnológica.

La enseñanza centrada en el estudiante proporciona un marco sólido para abordar este desafío. Al alejar a los estudiantes de la recepción pasiva, este enfoque prioriza la participación activa, la implicación en las tareas, la explicación entre iguales y la toma de decisiones autónoma. La investigación metaanalítica confirma que los entornos de aprendizaje activos caracterizados por la resolución de problemas y la participación del estudiante pueden mejorar significativamente el rendimiento académico en comparación con las clases^{tradicionales 1}. Sin embargo, la enseñanza centrada en el estudiante no es intrínsecamente efectiva. Requiere tareas didácticas suficientemente estructuradas para guiar la participación, pero lo bastante flexibles para animar a los estudiantes a explicar, comparar y revisar ideas. Esta dinámica se vuelve aún más compleja en las aulas asistidas por IA. Aunque la IA puede generar rápidamente ejemplos, explicaciones y sugerencias, la ausencia de orientación docente y evaluación entre iguales puede llevar a los estudiantes a aceptar estos resultados de forma acrítica, tratándolos como atajos cognitivos en lugar de como materia prima para un pensamiento más profundo.

El autoconcepto académico es un resultado muy relevante en este contexto, reflejando las creencias específicas de los estudiantes sobre sus capacidades académicas. Investigaciones previas han establecido que el autoconcepto académico no es un rasgo de personalidad estático, sino más bien un constructo dinámico estrechamente entrelazado con el logro y las experiencias de aprendizaje^{continuas 2}. Este estudio evalúa el autoconcepto académico para valorar la confianza de los estudiantes en su capacidad para mejorar su trabajo. La competencia comunicativa es un resultado secundario, ya que la intervención requiere que los estudiantes articulen justificaciones y perfeccionen las explicaciones mediante retroalimentación estructurada de los compañeros.

La retroalimentación y la autoevaluación constituyen el puente didáctico crucial que conecta el soporte de la IA con estos resultados de aprendizaje dirigidos. Una evaluación formativa eficaz requiere que los estudiantes supervisen activamente el progreso, lo midan en relación con los estándares y actúen ante las discrepancias de rendimiento ^3,4. En un aula centrada en el estudiante asistida por IA, los prompts de IA pueden generar explicaciones alternativas o señales para la revisión. Sin embargo, el verdadero valor educativo de estos temas depende de si los estudiantes examinan el resultado, lo debaten con sus compañeros y lo traducen en una respuesta refinada. En consecuencia, la autoevaluación en este estudio no se operacionaliza como una actitud vaga, sino como un comportamiento concreto y observable en el aula orientado a identificar brechas de aprendizaje y hacer revisiones.

La implicación del alumno desempeña un papel igualmente vital en este ciclo de aprendizaje. Reconocido como un constructo multidimensional, el compromiso abarca la participación conductual, la implicación emocional y la inversión^{cognitiva 5}. Esta multidimensionalidad es especialmente relevante para los adolescentes, ya que la adherencia superficial no garantiza un procesamiento cognitivo profundo. Un estudiante puede completar una hoja de trabajo mecánicamente sin analizar el razonamiento subyacente, mientras que otro puede hacer menos preguntas pero implicarse profundamente mediante una autoevaluación y revisión continua. La introducción de la IA puede, en teoría, elevar el compromiso al proporcionar material enriquecedor para comparar e investigar; Por el contrario, puede erosionar la implicación si los estudiantes recurren sin esfuerzo a los resultados automatizados. En consecuencia, este estudio contextualiza la implicación del alumno junto con la calidad de la interacción y la autoevaluación, evitando deliberadamente el tratamiento del uso de la IA como un evento aislado en el aula.

Los debates en torno a los grandes modelos de lenguaje educativos ponen de manifiesto una tensión entre la asistencia individualizada y riesgos como la sobredependencia o la disminución del esfuerzo cuando se despliegan sin límites rigurosos. En consecuencia, la coreografía pedagógica de la rutina de aprendizaje es tan importante como la propia tecnología de IA. El presente estudio integró los prompts apoyados por IA en una secuencia coherentil de cinco pasos en el aula: informe del profesor, investigación individual, discusión entre compañeros, explicación en toda la clase y autoevaluación. Este diseño específico posiciona intencionadamente la salida de la IA como material preliminar sujeto a una verificación y revisión rigurosas, en lugar de como una respuesta final infalible.

Se adoptó un diseño de investigación de métodos mixtos porque los datos cuantitativos de encuestas por sí solos no pueden captar adecuadamente las sutilezas de las experiencias de aprendizaje vividas de los estudiantes. Los enfoques de métodos mixtos son especialmente valiosos cuando las trayectorias de los resultados deben interpretarse en el contexto de las experiencias de los participantes, las condiciones de implementación y la dinámica en desarrollo del^{aula 6}. En la investigación actual, el componente cuantitativo ha seguido los cambios en el desarrollo del autoconcepto académico y la competencia comunicativa. Paralelamente, el componente cualitativo exploró cómo los estudiantes caracterizaron la calidad de la interacción, las prácticas de autoevaluación, la implicación en la tarea y las barreras percibidas durante la intervención. Estas dos fuentes de evidencia se integraron posteriormente para evaluar si los patrones de puntuación cuantitativa observados coincidían con las experiencias de los estudiantes en el aula a nivel de terreno.

Este estudio también aborda una carencia práctica significativa en la literatura sobre la instrucción asistida por IA. Aunque numerosos estudios evalúan resultados impulsados por IA, relativamente pocos ofrecen un protocolo de aula transparente y reproducible que detalle la utilización rápida, el andamiaje entre compañeros, las comparaciones de grupos de control, la monitorización de fidelidad y la integración de datos con métodos mixtos. Décadas de investigación sobre la interacción entre compañeros demuestran que los estudiantes se benefician sustancialmente cuando explican conceptos, reciben retroalimentación de sus compañeros y refinan continuamente su comprensión a través del diálogo⁷. El presente estudio se basa en esta lógica fundamental, investigando si los prompts generados por IA pueden integrarse con éxito en esta estructura dialógica sin usurpar los roles indispensables de la orientación docente y la colaboración entre compañeros.

En consecuencia, este estudio examinó la instrucción centrada en el estudiante asistida por IA como un protocolo estructurado en el aula, en lugar de como una simple exposición a una herramienta de IA. La vía instruccional propuesta era que los prompts apoyados por IA proporcionaran primero material para la indagación y la comparación; La discusión entre compañeros y la aclaración del profesor requerirían entonces que los estudiantes verifiquen, justificaran y revisaran ese material; y el paso final de autoevaluación ayudaría a los estudiantes a reconocer el progreso y las lagunas no resueltas. Dentro de esta vía, la calidad de la interacción, la autoevaluación y la implicación del alumno se trataron como variables exploratorias del proceso que pueden ayudar a explicar cómo los estudiantes experimentaron la rutina de instrucción, en lugar de mediadores confirmados.

Las preguntas principales de investigación fueron las siguientes: ¿Produce el protocolo centrado en el estudiante asistido por IA cambios mayores en el autoconcepto académico y la competencia comunicativa autoinformada que la instrucción centrada en el estudiante habitual? ¿Son mayores la calidad de interacción post-intervención, la autoevaluación y el compromiso del alumno en la condición asistida por IA? Las preguntas exploratorias secundarias fueron las siguientes: ¿Estas variables de proceso muestran asociaciones con las puntuaciones de cambio de resultado? ¿Convergen los temas de entrevistas cualitativas con, amplían o complican los hallazgos cuantitativos? Como se asignaron clases intactas, y no estudiantes individuales, a condiciones, todos los hallazgos se interpretaron con explícita cautela respecto a la inferencia causal y la agrupación a nivel de aula.

Protocolo

Todos los métodos que involucraron a participantes humanos se llevaron a cabo de acuerdo con las directrices institucionales y la declaración de Helsinki. El protocolo del estudio fue revisado y aprobado por la junta de revisión institucional del colegio de construcción de la ciudad de Guangzhou (número de aprobación del IRB). GZCJ2026A016; fecha de aprobación: 2 de enero de 2026). El título aprobado del estudio fue "instrucción centrada en el estudiante asistida por IA y autoconcepto académico y competencia comunicativa de los adolescentes: un estudio de métodos mixtos." Se obtuvo permiso por escrito de la escuela participante antes de que se implementara el estudio. Se obtuvo el consentimiento informado por escrito de los padres o tutores legales, y el consentimiento por escrito de todos los estudiantes participantes. Se informó a los estudiantes de que la participación era voluntaria y que podían abandonar el estudio en cualquier momento sin penalización académica. No se introdujeron nombres, datos de contacto, identificadores escolares, calificaciones ni otra información directamente identificable en la plataforma de chatbots de IA ni se incluyeron en el conjunto de datos público. Todos los procedimientos del estudio se llevaron a cabo durante el periodo aprobado, del 2 al 2 de enero de 2026. Todas las herramientas y plataformas utilizadas en este estudio se enumeran en la Tabla de Materiales

Diseño de estudio y asignación en el aula

Este estudio empleó un diseño de aula cuasi-experimental y de métodos mixtos con dos condiciones didácticas: un grupo de instrucción centrado en el estudiante asistido por IA y un grupo habitual centrado en el estudiante. Se realizaron mediciones longitudinales en tres momentos: la línea inicial antes de la intervención (T1), inmediatamente después de la última sesión instructiva (T2) y en una evaluación de seguimiento a corto plazo (T3) predefinida. El intervalo T2–T3 se registró en el registro de estudio y se mantuvo consistente en el manuscrito, conjunto de datos, guiones de análisis y etiquetas de figuras. La Figura 1 resume el reclutamiento, la asignación de clases, el momento de la evaluación, las exclusiones y el muestreo cualitativo. Debido a que las restricciones administrativas y ecológicas impedían la aleatorización individual, se asignaron seis clases intactas a nivel de aula, con tres clases en la condición asistida por IA y tres en la condición de comparación. Cada clase aportó 29 estudiantes a la muestra analítica final. El nivel de curso, el área de asignaturas, la secuencia de clases, la duración de las sesiones, las tareas en el aula, el horario de evaluación y el tiempo de contacto con el profesor se mantuvieron comparables entre las condiciones. Se mantuvieron identificadores de clase para comprobaciones estadísticas sensibles a los conglomerados.

Selección de participantes y selección de elegibilidad

Los participantes fueron reclutados directamente de las clases intactas participantes. Los estudiantes y sus padres o tutores legales recibieron una hoja informativa detallada que detallaba el propósito del estudio, los procedimientos en el aula, las actividades apoyadas por IA, los calendarios de cuestionarios, el componente opcional de entrevistas, las protecciones de privacidad, los derechos de retirada y los planes de almacenamiento de datos. Los estudiantes se incluían en el estudio si estaban matriculados en una de las clases participantes, asistían a clases regulares, daban su consentimiento por escrito, obtenían el consentimiento por escrito de los padres o tutores y completaban el cuestionario de referencia antes de la primera sesión. Por el contrario, los estudiantes fueron excluidos de la muestra analítica final si se trasladaron de la escuela, faltaron a más del 25% de las sesiones de intervención, presentaron registros inválidos del cuestionario o retiraron el permiso para el uso de datos. Se documentó una razón principal de exclusión para cada participante excluido. Antes de la introducción de datos, a cada participante elegible se le asignaba un código de identificación único del estudio. Se registraron covariables demográficas y educativas relevantes, incluyendo edad, género, identificador de clase, banda base de rendimiento académico, exposición previa al aprendizaje asistido por IA y familiaridad inicial con el aprendizaje digital. Para el seguimiento estadístico, la variable del grupo instruccional se codificaba como 0 para la condición de comparación y 1 para la condición asistida por IA.

Materiales didácticos e impartición de intervenciones

Se desarrolló una unidad didáctica de seis sesiones (Tabla Suplementaria 1) antes de su implementación, con una duración de 40–45 minutos por sesión. Se aplicaron objetivos de aprendizaje, temas de lecciones, hojas de trabajo, tareas de discusión entre compañeros, formularios de autoevaluación y prompts de reflexión idénticos en ambas condiciones didácticas. La estructura del cuestionario, las instrucciones de puntuación, los ítems con puntuación inversa y las variables finales a nivel de escala siguieron el mapa de puntuación bloqueado en la Tabla 1. Los materiales de reproducibilidad incluían planes de clase (Tabla Suplementaria 1), hojas de prompts de IA (Tabla Suplementaria 2), hojas de prompts para profesores (Tabla Suplementaria 3), hojas de trabajo para estudiantes (Tabla Suplementaria 4), formularios de autoevaluación (Tabla Suplementaria 5), listas de verificación de observaciones (Tabla Suplementaria 6), registros técnicos de incidentes (Tabla Suplementaria 7), guías de entrevistas (Tabla Suplementaria 8) y un libro de códigos cualitativo (Tabla Suplementaria 9). El profesor participante completó la formación utilizando una guía escrita de impartición que cubría la secuencia de sesiones, los límites del uso de IA, los procedimientos de los grupos de comparación, los requisitos de privacidad y las listas de verificación de fidelidad. Se realizó un ensayo con estudiantes que no estudian para verificar el tiempo de actividad, el acceso al dispositivo, la claridad de las hojas de trabajo y la dificultad de la tarea. La herramienta de IA era un chatbot basado en ChatGPT aprobado institucionalmente que utilizaba la arquitectura GPT-4. Para el uso en clase, el historial de chats, la memoria de perfil, la navegación web, los complementos, la generación de imágenes y la corrección automática estaban deshabilitados. El manuscrito utiliza el término genérico "plataforma de chatbot de IA" tras su primera mención para evitar lenguaje promocional. Los principios de diseño de prompts se corrigieron antes de la intervención y limitaron el uso de la IA para la clarificación, generación de ejemplos, comparación de explicaciones, soporte dirigido a revisiones y señales de autoevaluación. Se mantuvieron prompts representativos, resultados de muestra de IA y ejemplos de moderación docente como parte de los materiales de reproducibilidad.

Cada sesión asistida por IA se llevó a cabo en cinco fases estructuradas. Primero, se realizó una sesión informativa de 5 minutos para el profesor para exponer los objetivos de aprendizaje, explicar tareas, identificar la plataforma de chatbot de IA configurada y recordar a los estudiantes que los resultados de IA eran prompts provisionales y no respuestas autorizadas. Se indicó estrictamente a los estudiantes que no introdujeran ninguna información personal identificable en la plataforma. En segundo lugar, se realizó una actividad individual de investigación de 10 minutos apoyada por IA, durante la cual los estudiantes utilizaron la hoja de prompts preparada para solicitar aclaraciones, ejemplos, explicaciones alternativas o sugerencias de revisión. Cada estudiante registró la categoría de prompt utilizada, una idea útil apoyada por IA, un punto que requería verificación y su decisión final de adopción. En tercer lugar, se llevó a cabo una actividad de discusión entre compañeros de 12 a 15 minutos, durante la cual los estudiantes compararon sus ideas apoyadas por IA en grupos pequeños, identificaron inexactitudes y revisaron colaborativamente su trabajo. Durante esta fase, el profesor circuló por el aula para aplicar una regla estandarizada de moderación, lo que llevó a los estudiantes a justificar verbalmente sus revisiones en función de los criterios de la lección y a corregir resultados erróneos o demasiado confiados de la IA antes de la finalización. En cuarto lugar, se llevó a cabo una sesión de aclaración de 5 a 8 minutos con toda la clase para corregir malentendidos generalizados y corregir errores fácticos. Finalmente, una actividad de autoevaluación de 5 minutos concluyó la sesión, durante la cual los estudiantes valoraron su comprensión, registraron una mejora concreta y anotaron una pregunta sin resolver. Esta secuencia operativa exacta se mantuvo en todas las clases de intervención. Las hojas impresas de prompt servían como respaldo técnico, y las desviaciones técnicas que afectaban a más de un tercio de una clase se registraban explícitamente. Se conservaron ejemplos anónimos de prompt-output-moderación en las Tablas Suplementarias 2, 3.

La prueba de comparación se impartió utilizando la misma duración de sesión, objetivos de aprendizaje, secuencia de temas, hojas de trabajo, intervalos de discusión entre compañeros, formularios de autoevaluación y ventanas de retroalimentación del profesor. Sin embargo, los prompts apoyados por IA fueron reemplazados por prompts estandarizados preparados por el profesor, que indicaban a los estudiantes explicar conceptos básicos, comparar ejemplos, identificar debilidades y revisar su trabajo. Se mantuvo estrictamente la misma estructura de cinco pasos que abarcaba el informe informativo, la investigación individual, la discusión entre compañeros, la aclaración de toda la clase y la autoevaluación final. No se proporcionaron tutorías adicionales, tareas fuera de clase, periodos prolongados de retroalimentación ni otras tareas de evaluación para ninguna de las dos condiciones. Se documentaron la asistencia al aula, las alteraciones conductuales, las sustituciones docentes y los componentes incompletos utilizando el mismo formato de registro para ambos grupos.

Recogida de datos, monitorización de fidelidad y análisis cuantitativo

Los cuestionarios de evaluación se administraron en intervalos iniciales, postintervención y seguimiento, utilizando redacción consistente de ítems, escalas de respuesta y reglas de puntuación en las tres ondas de medición. Los instrumentos comprendieron escalas validadas que evaluaban el autoconcepto académico, la competencia en comunicación, la calidad de la interacción, la autoevaluación y el compromiso del alumno. Las respuestas se recopilaron utilizando una escala estándar de 5 puntos tipo Likert que iba de 1 (fuerte desacuerdo) a 5 (fuerte acuerdo), con puntuaciones más altas indicando niveles más altos del constructo objetivo. Las puntuaciones individuales de la escala se calcularon como la media aritmética de los ítems válidos tras la necesaria codificación inversa. Los valores faltantes de los ítems se sustituyeron por la puntuación media del estudiante dentro de la misma escala y onda, siempre que no faltaran más del 20% de los ítems. Las escalas con más del 20% de elementos faltantes se trataron como ausentes, y no se introdujeron datos de una onda de evaluación completamente ausente. Antes del análisis estadístico, el conjunto de datos en bruto fue cuidadosamente auditado para detectar violaciones de rango, entradas duplicadas, patrones de respuesta en línea recta y tiempos anómalos de finalización. Los registros se marcaron como inválidos y se excluyeron si mostraban valores numéricos imposibles, respuestas invariantes en todos los ítems o tiempos de finalización inferiores a un tercio de la mediana de duración, a menos que los registros explícitos del aula validaran su autenticidad. Los principales análisis postintervención y de seguimiento incluyeron a estudiantes que proporcionaron puntuaciones basales válidas y datos correspondientes de resultados postintervención o seguimiento, evitando así la eliminación unilateral lista en calendarios parcialmente completos. Se estableció un diccionario de datos bloqueado antes de la introducción de datos para definir nombres de variables, etiquetas, rangos de respuesta, códigos de valor faltantes, reglas de puntuación inversa, identificadores de onda y constructos finales a nivel de escala. Los datos del cuestionario se introdujeron en formato amplio, con una fila por estudiante y sufijos de onda (_T1, _T2, _T3) usados para distinguir las ondas de medición. Se verificaron computacionalmente rangos numéricos y registros únicos de participantes, y se inspeccionaron los patrones de ausencia entre grupos, clases y oleadas en comparación con el registro maestro de asistencia.

Durante cada sesión instructiva se empleó una lista de verificación estandarizada para la observación en el aula para monitorizar la fidelidad de la implementación. Cada componente pedagógico se puntuaba como 0 (no completado), 1 (parcialmente completado) o 2 (completado por completo). Los componentes evaluados se alineaban estrictamente con la secuencia instruccional de cinco fases, incluyendo la sesión informativa del profesor, la consulta individual, la discusión entre compañeros, la aclaración de toda la clase y la finalización de los registros de autoevaluación. El porcentaje total de fidelidad de la sesión se calculó dividiendo la puntuación observada entre la puntuación máxima posible. Cualquier sesión que cayera por debajo de un umbral de fidelidad del 70% se registraba como una desviación del protocolo. Para garantizar la fiabilidad entre evaluadores, un segundo observador entrenado calificaba de forma independiente al menos el 20% del total de las sesiones. Se calculó el acuerdo porcentual en todos los ítems, y cualquier discrepancia en la calificación se resolvió mediante discusión de consenso siempre que el acuerdo inicial bajara del 80%. Los fallos técnicos de hardware o software se registraban en registros separados para distinguirlos de problemas de fidelidad instruccional.

Los análisis estadísticos se realizaron utilizando un flujo de trabajo reproducible basado en scripts en el que la semilla aleatoria se fijó antes de cualquier muestreo o comprobación de sensibilidad. Todas las pruebas estadísticas fueron bidimensionales, con la significación fijada en p < 0,05. Las variables continuas se resumieron como medias y desviaciones estándar, mientras que las variables categóricas se expresaron como frecuencias y porcentajes. La equivalencia inicial entre las cohortes se evaluó descriptivamente utilizando pruebas t con muestras independientes para datos continuos y pruebas de qui-cuadrado para distribuciones categóricas. La consistencia interna se midió utilizando el alfa de Cronbach, aplicando umbrales de α ≥ 0,70 para escalas generales y α ≥ 0,80 para medidas de resultado primario, junto con correlaciones corregidas entre el total de ítems. El ANCOVA ajustado según la línea base sirvió como enfoque analítico principal. Se ajustaron modelos separados para cada resultado primario, con la puntuación post-intervención o seguimiento especificada como variable dependiente, el grupo instruccional como predictor principal y la puntuación base correspondiente como covariable obligatoria. Se incluyeron covariables adicionales (género, banda de rendimiento académico inicial y exposición previa a la IA) para controlar los desequilibrios iniciales o su relevancia teórica, y se reportaron diferencias medias ajustadas, intervalos de confianza del 95%, errores estándar y valores de R² en el modelo. Las comparaciones de puntuación de cambio (T2–T1 y T3–T1) se realizaron como análisis secundarios utilizando muestras independientes de las pruebas t de Welch, cuantificando tamaños de efecto mediante la d de Cohen. Los análisis exploratorios de procesos evaluaron las correlaciones de Pearson entre variables de proceso y cambios de resultado, complementados por regresiones lineales multipredictoras con monitorización del factor de inflación de varianza (VIF) para comprobar la multicolinealidad. Finalmente, se implementaron comprobaciones sensibles a los conglomerados para tener en cuenta la estructura anidada de los estudiantes dentro de las seis clases intactas. Se estimaron coeficientes de correlación intraclase incondicional (ICC), se agregaron y compararon los cambios de resultado a nivel de clase, y se repitieron los cálculos primarios de ANCOVA utilizando errores estándar robustos a conglomerados como comprobación exploratoria de sensibilidad.

Muestreo cualitativo, codificación e integración de métodos mixtos

Inmediatamente después del cuestionario posterior a la intervención, se seleccionó una submuestra intencionada de 36 estudiantes para entrevistas semiestructuradas. Esta cohorte cualitativa incluyó participantes de ambas condiciones educativas que mostraron puntuaciones de cambio altas, medias o bajas en autoconcepto académico o competencia comunicativa. La guía semiestructurada de entrevistas investigó experiencias de interacción en el aula, confianza en la explicación de ideas, comportamientos de autoevaluación, implicación en tareas y disposición a comunicarse, utilizando temas específicos para explorar momentos de revisión, respuestas a retroalimentación poco clara y variaciones en la implicación. Las entrevistas solo se grababan en audio tras obtener el consentimiento de los padres y el consentimiento del alumno; de lo contrario, se tomaban notas escritas estructuradas. Durante la transcripción se eliminaron todos los nombres personales, números de clase y datos identificativos, y los expedientes académicos se vincularon a sus identificadores cuantitativos correspondientes. El marco inicial de codificación cualitativa se derivó deductivamente de la calidad de la interacción, la autoevaluación y los constructos de compromiso del aprendiz, añadiendo códigos temáticos inductivos solo cuando los datos no encajaban en el marco base. Dos codificadores independientes analizaron al menos el 20% de las transcripciones para verificar la fiabilidad. Se evaluaron los coeficientes kappa de Cohen, con valores entre 0,61–0,80 tratados como concordancia sustancial y valores superiores a 0,80 como concordancia fuerte. Las definiciones de los libros de códigos se refinaron y se repetía la doble codificación cada vez que el kappa inicial bajaba de 0,61, y las definiciones finales junto con la matriz de frecuencia cualitativa resultante se archivaban (Tablas Suplementarias 9 y 10).

El análisis cuantitativo de datos y los marcos de codificación cualitativa se finalizaron de forma independiente antes de iniciar la integración de métodos mixtos. Se construyó estructuralmente una pantalla conjunta cohesiva para vincular las tres variables cuantitativas del proceso con sus respectivos temas cualitativos. Los hallazgos integrados se clasificaron sistemáticamente como convergencia (donde los patrones de cuestionarios y los temas de entrevista coincidían), expansión (donde narrativas cualitativas explicaban los mecanismos subyacentes a las tendencias cuantitativas) o divergencia (donde las entrevistas revelaron barreras únicas o una participación desigual que complicaban los patrones cuantitativos). Se utilizaron hallazgos cualitativos para contextualizar los procesos en el aula, vinculando las puntuaciones de compromiso del alumnado con temas de preguntas activas y discusión entre compañeros, y vinculando las puntuaciones de autoevaluación con las explicaciones de la conciencia de las brechas y los ajustes estratégicos.

Resultados

Flujo de participantes y características de la línea base

Se reclutó una cohorte inicial de 186 estudiantes de seis promociones intactas para el estudio. Tras el cribado de elegibilidad, la verificación de asistencia y las comprobaciones de calidad de respuesta, se retuvieron a 174 estudiantes para el análisis cuantitativo final. Estos participantes estaban distribuidos de manera equitativa, con 87 asignados al grupo de instrucción centrado en...

Discusión

Este estudio examinó si la integración de herramientas asistidas por IA en la enseñanza centrada en el estudiante estaba asociada con cambios en el autoconcepto académico y la competencia comunicativa autoinformada de los adolescentes. Durante el periodo de observación de tres oleadas, los estudiantes de la cohorte asistida por IA mostraron mayores avances en ambos resultados que aquellos que recibieron instrucción centrada habitualmente en el estudiante. Esta trayectoria fue consistente...

Materiales

```html

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
ChatGPT	OpenAI	https://chatgpt.com	Plataforma institucionalmente aprobada utilizada como componente instructivo para consultas y estímulos de los estudiantes.
Grammarly	Grammarly, Inc.	https://www.grammarly.com	Utilizado durante la preparación del manuscrito para pulido del lenguaje y soporte de formateo
SPSS	IBM Corp.	SCR_002865	Utilizado para el análisis de datos cuantitativos, incluyendo ANCOVA ajustada por línea base, pruebas t, correlaciones de Pearson e ICC.
NVivo	Lumivero	https://lumivero.com/products/nvivo	Utilizado para codificar transcripciones de entrevistas semiestructuradas y calcular el kappa de Cohen para codificadores independientes.
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	Utilizado para administrar cuestionarios de evaluación de línea base, post-intervención y seguimiento.

```