SoTL | Blog de Juan A. Marin-Garcia

La definición de aprendizaje que uso actualmente

Durante estos últimos 11 meses he estado leyendo y reflexionando sobre qué es aprender (tanto en el contexto de la enseñanza universitaria como en el de aprendizaje organizacional) y si debía cambiar su definición ante el advenimiento omnipresente de la Inteligencia Artificial Generativa.

Esta es la definición que he creado y uso actualmente (y considero que sirve tanto para universidad como para empresa):

Aprender es construir, almacenar y consolidar en la memoria a largo plazo esquemas mentales que organizan los conocimientos y establecen relaciones entre ellos, de modo que puedan recuperarse y utilizarse cuando se necesiten. Estos conocimientos incluyen hechos y terminología; clasificaciones, principios y teorías; procedimientos, algoritmos y técnicas; y el conocimiento de las condiciones, estrategias y limitaciones personales que afectan a cómo se aprende. Su construcción y consolidación requieren procesar la información, relacionarla con los conocimientos previos y recuperar lo aprendido repetidas veces, lo cual contribuye a afianzarlo y a permitir su uso. En términos operativos, haber aprendido supone poder transferir lo aprendido a situaciones diferentes de aquellas en las que se adquirió y adaptarlo a las exigencias del nuevo contexto, para reconocer qué exige una tarea o un problema, identificar qué conocimientos se necesitan, recuperarlos y aplicarlos para resolverlo, crear o diseñar.

Dos aspectos que quiero remarcar de la definición:

Cada recuperación comprueba que el conocimiento sigue ahí y, además, refuerza el esquema.
El aprendizaje incluye el conjunto de relaciones entre los conocimientos, de modo que dos personas pueden conocer los mismos hechos y no haber aprendido lo mismo si los tienen conectados de manera diferente.

PD. Si quieres una definición más compacta, puedes usar esta (pero necesitas saber qué conocimientos son factuales, conceptuales, y procedimentales, que en la version larga están enumerados): Aprender es consolidar en la memoria a largo plazo, mediante procesamiento, anclaje en conocimientos previos y recuperación repetida, esquemas mentales que relacionan conocimientos (factuales, conceptuales, procedimentales y sobre el propio modo de aprender), de forma que puedan recuperarse cuando se necesiten para resolver problemas, diseñar o crear, incluso en contextos nuevos donde antes hay que reconocer qué conocimiento se requiere.

En educación, la IA solo para lo que ya sabes hacer (y a veces en el trabajo también)

Me permito copiar literalmente dos fragmentos de este post de Stephen D. Turner (tomado de Daniel Willingham).

Coincide “plenamente” con lo que ahora pienso del tema, que es prácticamente lo mismo que pienso desde 2023. He leído, y probado muchas cosas desde entonces y apenas ha cambiado mi idea inicial. No sé si eso es una prueba de la consistencia de mis “argumentos” o un simple sesgo de confirmación. Yo sigo dándole vueltas al tema, si algún día cambio de opinión, os lo comparto.

“Students should only use AI for things they already know how to do well”

“In the workplace, the product is the thing. The report, the grant proposal, the manuscript, the R package, the Python notebook, the pitch deck, whatever. The product is the thing that matters, and here we all agree to this ideal that the human should be the lead in the driver’s seat, with AI being the associate.

In education, the product doesn’t matter. The product isn’t the point at all. Students produce products, but the product is seldom the point. No one wants to read the papers they write, and the math problems they solve have no practical value. Teachers have them do these tasks because they provide practice in cognitive abilities that we think matter.”

Quizás mi coincidencia no sea tan plena como lo que se dice literalmente. Es cierto que en el trabajo lo que importa es el producto, pero una organización que solo se centra en el producto no aprende. Lo que mejora el producto de mañana es entender cómo llegamos hasta ahí: qué decisiones tomamos, qué descartamos, dónde nos equivocamos y por qué. Eso es aprendizaje organizativo, lo que Argyris y Schön llamaban aprendizaje de doble bucle: no solo corregir el error, sino revisar los supuestos que lo produjeron. No hace falta hacerlo siempre, pero sí con cierta frecuencia, mediante retrospectivas y lecciones aprendidas. Si delegamos en la IA todo el proceso, incluso en tareas que dominamos, corremos el riesgo de que nadie en la organización conserve ese conocimiento tácito. Obtendremos el producto, pero habremos perdido la práctica que nos permitía mejorarlo y, sobre todo, juzgarlo. Por eso me resisto a aceptar que la frontera entre educación y trabajo sea tan nítida como sugiere el post original.

Resulta que mi postura apenas ha cambiado desde 2023, y ahora la estoy extendiendo al mundo laboral criticando el post original. Una opinión que se extende a otros campos suele estar más cerca del sesgo de confirmación que de la evidencia. Siguiendo la lógica de la gestión basada en evidencia (Pfeffer y Sutton, Center for Evidence-Based Management), consideraré estas frases como “proposiciones” o hipótesis, no como verdades confirmadas. Esto implica tres cosas:

Formularla de manera falsable. Por ejemplo: “los estudiantes que usan IA para tareas que aún no dominan retienen menos a largo plazo que quienes las practican sin ella”. Y para el trabajo: “los equipos que externalizan el proceso a la IA pierden capacidad de mejora continua”.
Definir de antemano qué evidencia me haría cambiar de opinión, antes de ver los datos.
Buscar activamente lo que me contradiga: estudios con resultados positivos para novatos usando IA intensivamente, contextos donde la práctica sin apoyo es ineficiente, y críticas a la visión cognitivista de lo que es el aprendizaje. También puedo contrastar mis ideas con alguien que piense lo contrario, o hacer un premortem (imaginar que dentro de un año estoy equivocado y preguntarme por qué).

Referencias relacionadas:

Argyris, C. (1977). Double loop learning in organizations. Harvard Business Review. https://hbr.org/1977/09/double-loop-learning-in-organizations

Argyris. (2004). Reflection and Beyond in Research on Organizational Learning. Management Learning, 35, 507.

Argyris, C., & Schön, D. A. (1992). Theory in practice: Increasing professional effectiveness (1 ed. 1974, 6. print). Jossey-Bass Publ.

Pfeffer, J., & Sutton, R. I. (2006). Hard Facts, dangerous half-truths, and total nonsense. Profiting form evidence-based management. Harvard business review press.

Pfeffer, J., & Sutton, R. I. (2006). Evidence-based management. Harvard Business Review, 84(1), 62–74.

Matricularse en el gimnasio y no ir nunca

#absentismo #docenciauniversitaria

La UAB publicó a principio de 2026 un informe sobre absentismo con 3.045 participantes de sus trece centros.

Olmos, P., y Márquez, D. (inv.); Vila, L. (col.); Muñoz, J. L. (coord.), y Badillo, E. (coord.). (2026). L’absentisme a les aules universitàries de la UAB. Per què val la pena anar a classe. ICE, Universitat Autònoma de Barcelona. https://ddd.uab.cat/record/327188?ln=es

Creo que el fenómeno no es nuevo (quizás lo llamativo es el volumen). Ya hace muchos años comentaba con mis compañeros la anécdota de exalumnos que decían que “la universidad no aportaba nada” (y luego se jactaban de haber aprobado sin ir a las clases, ni al campus). Efectivamente, si no participas de la experiencia universitaria, tu paso (de pasar) de la universidad no ha dejado ningún poso en ti.

Es como si te matricularas en un gimnasio, luego no fueras y dijeras que el gimnasio no sirve para nada. ¡Obvio, bro!

El ejemplo del gimnasio/deporte me gusta, porque conozco mucha gente de mi edad que me dice “no sé por qué te machacas tanto haciendo deporte, total estamos igual tú y yo”. En la superficie, seguro, incluso más guapos y jóvenes algunos (sobre todo los que se han hecho un implante de pelo). Pero las procesiones van por dentro. Y con la formación universitaria, igual.

Los condicionantes estructurales están presentes (trabajo, transporte, etc.), pero apenas separan a quien asiste de quien no. En la tabla comparativa, entre los que han dejado de asistir a alguna asignatura, trabaja el 42,3 % y entre los que no, el 37,6 %; tardan más de una hora en llegar al campus el 34,2 % frente al 30,4 %. Lo que sí discrimina es repetir asignatura y el curso, porque los de primero asisten más. Es decir, las condiciones de vida complicadas las tiene casi todo el mundo y eso no les impide asistir a clase. El problema no es quién puede ir, es en qué momento se rompe el hábito y por qué nadie lo nota hasta que es irreversible.

Eso se relaciona con un proyecto de escritura que tengo en curso donde queremos analizar qué es lo que hace a una clase presencial insustituible.

La universidad tiene futuro. Gracias, IA, por recordárnoslo

Si ChatGPT, Gemini o quien sea entra en el mercado de la educación, lo que nos está diciendo es que APRENDER tiene valor. Millones de personas dispuestas a pagar por aprender. Esa validación de mercado nos la acaban de regalar.

Si el futuro de la universidad depende de qué producto saquen las tecnológicas o de a qué precio lo pongan, entonces no tenemos servicio. Tenemos un trámite con sello oficial.

Y cuidado con consolarse con que “ellos son generalistas y no conocen a mis alumnos”. No es verdad. Los perfilan, los siguen conversación a conversación, los acabarán conociendo mejor que nosotros.

Si tu clase consiste en transmitir contenido y tramitar una calificación, ya tienes sustituto. Más barato, más paciente y disponible a las tres de la madrugada.

Lo que pasa es que los chatbots están entrenados para una sola cosa: que vuelvas mañana. Si para eso tienen que darte la razón, te la dan. Si tienen que ponértelo más fácil, te lo ponen. Si validarte te retiene, te validan. Es su modelo de negocio: tú no eres su estudiante, eres su retención.

A mí, que vuelvas mañana, me da igual. Lo que no me da igual es que, dentro de cinco años, sepas hacer tu trabajo. Por eso a veces te lo pongo difícil, te digo que no, o te digo cosas que no te gusta oír pero necesitas oír. Y cuando firmo que estás preparado, esa firma lleva mi nombre: si tú fallas ahí fuera, el que queda mal soy yo.

El error no es competir con la IA. El error es parecerse a ella.

What is learning in the age of generative AI? From panic to evidence

I will be presenting this research at the upcoming XVII International Workshop ACEDEDOT – OMTECH 2026, taking place in Almería, Spain, from March 12-14, 2026:

This communication presents an autoethnographic reflection. Building on four fundamental premises about the function of Spanish public universities and the established mechanisms of human learning, the author documents his personal journey from initial uncertainty to the design of a systematic work plan. The study focuses on understanding the current scientific consensus on how learning is consolidated in the brain and exploring the possibilities of generative AI to enhance this process in the university context. Drawing on the work of Héctor Ruiz Martín, a work plan is designed that combines recommendations from educational neuroscience with the Feynman method and the EPLEDRE model, including spaced reading, creation of sketchnote-type graphic schemes from memory, and public communication of the knowledge constructed. The communication shares the first graphic schemes developed and reflects on the author’s dual position as university teacher and administrator, facing both his own methodological uncertainties and institutional expectations for strategic guidance. It questions the “collective panic” surrounding the emergence of generative AI in universities and the pressure to make quick decisions without sufficient reflection. It proposes replacing reactive urgency with a deliberate process of calm, evidence-based reflection and pilot experimentation, recognizing that in contexts of accelerated change, it is preferable to miss some “trains” rather than make biased decisions under collective amygdala hijacking

Keywords: Learning; autoethnography; generative artificial intelligence; university learning; educational neuroscience; teaching transformation

Learning; autoethnography; generative artificial intelligence; university learning; educational neuroscience; teaching transformation

¿Qué nos hace insustituibles? Investigando el valor del profesorado universitario cuando la IA lo sabe todo

(Proyecto de investigación del Vicerrectorado de Planificación, Estudios, Calidad y Acreditación de la Universitat Politècnica de València. Dirección de Area de Transformación Docente e Instituto de Ciencias de la Educación)

Mientras algunas personas debaten si prohibir o no “ChatGPT” en nuestras aulas, nuestros estudiantes ya lo usan. Porque muchas de las cosas que enseñamos, la IA ya las responde mejor y más rápido. Si no identificamos qué nos hace verdaderamente valiosos como profesorado universitario, corremos el riesgo de volvernos irrelevantes.

Planteo hacer una serie de entradas donde te contaré:

→ Entrada 1: por qué decidimos investigar esto y las preguntas que nos quitan el sueño

→ Entrada 2: qué dicen los estudiantes sobre lo que nos hace insustituibles (siete cosas que valoran y tres alertas rojas)

→ Entrada 3: qué propone el profesorado y hacia dónde vamos con este proyecto

Este proyecto no va de tecnofobia ni de tecnoeuforia. Va de preguntarnos qué deberíamos seguir haciendo, qué transformar radicalmente, y qué quizá dejar de hacer.

¿que emociones genera en ti cuando oyes “Inteligecia Artificial Generativa”? (50 profesoras-es, noviembre 2025)