Un contenido falso no necesita engañar a todo el mundo para causar daño; basta con que circule más rápido que su verificación.
En la era de la inteligencia artificial generativa, evaluar información exige conectar procedencia, datos, algoritmos, formatos mediáticos y decisiones de uso. La apariencia convincente deja de ser un criterio suficiente.
📷 Antes de comenzar
Recibes un video convincente de una autoridad universitaria anunciando una medida urgente. No aparece en los canales oficiales. ¿Qué primera acción reduce mejor el riesgo de compartir contenido sintético?
Objetivo didáctico
Al finalizar esta lección, podrás diseñar una estrategia de alfabetización informacional, de datos y mediática para tu entorno de aprendizaje digital, incorporando procedimientos de verificación, lectura crítica de resultados algorítmicos y respuesta ante desinformación y contenido sintético.
Introducción
Las prácticas trabajadas en L1–L3 dependen de información que circula entre personas, plataformas y sistemas automatizados. A medida que aumenta la facilidad para producir textos, imágenes, audio y video plausibles, la tarea educativa deja de ser únicamente «encontrar información». También implica decidir qué merece confianza provisional, qué requiere contraste y qué debe descartarse.
La dificultad no se resuelve enseñando una lista de señales visuales. Los contenidos sintéticos mejoran, las interfaces cambian y una pieza auténtica puede circular fuera de contexto. Por ello, la alfabetización contemporánea necesita procedimientos transferibles: rastrear procedencia, buscar corroboración, interpretar datos, reconocer límites algorítmicos y documentar cómo se llegó a una conclusión.
En esta lección integrarás tres alfabetizaciones que suelen tratarse por separado. La informacional pregunta por fuentes y evidencia; la de datos examina representación, variables e inferencias; la mediática observa formato, producción, circulación y audiencia. Frente a la IA generativa, las tres convergen porque una misma salida puede combinar lenguaje convincente, datos no trazables y señales de autoridad simulada.
Desarrollo del tema
Verificación de información en la era de la IA generativa
Una respuesta generada puede ser gramaticalmente sólida y, al mismo tiempo, contener afirmaciones inexactas, referencias inexistentes o inferencias que exceden la evidencia. La revisión sistemática de Park (2025) identifica la evaluación crítica de salidas generativas como una de las competencias centrales de alfabetización en IA generativa y señala que estudiantes pueden enfrentar dificultades precisamente en esa evaluación.
Verificar no significa desconfiar de todo. Significa separar la fluidez de una afirmación de la evidencia que permite sostenerla. Para una tarea académica, una ruta robusta incluye localizar la fuente original cuando existe, comparar con evidencia independiente, revisar fecha y contexto, y decidir qué parte puede utilizarse. Si una afirmación no puede rastrearse, debe conservarse como hipótesis o descartarse, no convertirse silenciosamente en hecho.
La verificación también es una práctica de diseño. Si el entorno exige productos con fuentes, conviene definir en qué momentos se solicita trazabilidad. Si el sistema de IA se usa para generar alternativas, la consigna puede exigir que cada afirmación decisiva se contraste antes de incorporarla. Así la verificación deja de depender de la prudencia individual y se convierte en una regla del entorno.
🔎 Ruta de verificación antes de usar una fuente
Recorre la secuencia y observa qué cambia cuando una tecnología generativa se incorpora a una práctica ya digital.
Aplicación en tu contexto: selecciona una tarea de E3 donde se use información externa o IA generativa y añade un punto de control verificable. Debe indicar qué se contrasta, con qué evidencia y quién decide si la información se conserva.
Alfabetización de datos y algoritmos
Los datos no llegan «en bruto» a una decisión. Antes fueron definidos, recolectados, limpiados, clasificados y convertidos en indicadores. En un entorno educativo, términos aparentemente simples como participación, riesgo, desempeño o compromiso pueden depender de decisiones sobre qué cuenta como evidencia. Un tablero que registra accesos puede confundir actividad de plataforma con implicación académica si no se examina qué mide realmente.
La alfabetización de datos implica leer más allá de la cifra: identificar la unidad de análisis, reconocer ausencias, distinguir correlación de explicación y preguntar si la muestra representa al grupo sobre el que se pretende decidir. La alfabetización algorítmica añade otra cuestión: cómo una regla o modelo transforma entradas en clasificaciones, recomendaciones o prioridades, aunque el usuario no conozca su código interno.
Para el diseño educativo basta con trabajar preguntas operativas: ¿qué dato se utiliza?, ¿qué conducta queda invisible?, ¿quién podría resultar mal representado?, ¿qué decisión se toma a partir del resultado?, ¿existe posibilidad de revisión humana? Estas preguntas permiten ejercer criterio sin exigir que todo participante sea especialista en ciencia de datos.
Información
Pregunta: ¿qué afirma una fuente y qué evidencia la sostiene?
Acciones: localizar, contrastar, atribuir, verificar procedencia y contexto.
Datos y algoritmos
Pregunta: ¿qué datos entran, cómo se procesan y qué queda fuera?
Acciones: interpretar variables, límites, inferencias, sesgos y condiciones de uso.
Medios
Pregunta: ¿cómo circula el mensaje y qué señales de producción o manipulación importan?
Acciones: leer formatos, intención, edición, audiencia, distribución y contenido sintético.
Figura 1. Cuadro comparativo de tres alfabetizaciones que convergen al evaluar información digital. Elaboración propia a partir de UNESCO (2023), Park (2025) y Lao, Hirvonen y Larsson (2025).
⚖ Comparador · salida fluida frente a fuente verificable
Selecciona cada patrón para comparar qué hace el estudiante y qué lugar ocupa la tecnología.
Aplicación en tu contexto: elige un indicador que tu institución o plataforma utilice y escribe una condición bajo la cual sería razonable usarlo y otra bajo la cual podría conducir a una decisión injustificada.
Desinformación y contenido sintético
La IA generativa reduce el costo de producir contenido sintético convincente. Un deepfake puede alterar o generar rostro, voz o video para atribuir a una persona palabras o acciones que no realizó. Sin embargo, el desafío educativo es más amplio que detectar falsificaciones: también incluye contenidos auténticos recortados, titulares engañosos, imágenes fuera de contexto y cadenas de información donde la fuente original desaparece.
Lao, Hirvonen y Larsson (2025) estudiaron encuentros cotidianos de jóvenes con deepfakes y muestran que la alfabetización mediática e informacional necesita incorporar comprensión de cómo se crean y circulan estos contenidos, además de prácticas activas para responder a ellos. La conclusión útil para un entorno universitario es metodológica: no conviene depender solo de la intuición visual del usuario.
Ante una pieza dudosa, la procedencia ofrece señales más estables: canal original, publicación primaria, metadatos disponibles, versiones previas, corroboración por fuentes independientes y contexto temporal. La decisión crítica es retrasar la amplificación hasta contar con evidencia suficiente. Compartir «para preguntar si es real» también aumenta su alcance.
💡 Contenido sintético
Texto, imagen, audio, video u otro artefacto producido o modificado de manera sustantiva mediante sistemas generativos. Su carácter sintético no lo vuelve falso por definición; exige conocer procedencia, intención y condiciones de uso.
Aplicación en tu contexto: diseña una regla de tres pasos para responder a un contenido potencialmente manipulado que pudiera circular entre estudiantes. La regla debe funcionar aunque la pieza no contenga señales visuales obvias de falsificación.
Pensamiento crítico ante fuentes generadas por IA
El pensamiento crítico no consiste en adoptar una postura permanentemente negativa ante la IA. Consiste en formular criterios antes de decidir. Una salida generada puede ser útil para explorar alternativas, detectar preguntas o reorganizar ideas; puede ser inadecuada como evidencia primaria, autoridad disciplinar o sustituto de una fuente normativa. La misma herramienta cambia de valor según el propósito.
Una estrategia educativa sólida distingue al menos cuatro usos: explorar, cuando se buscan posibilidades; producir, cuando se genera un borrador; contrastar, cuando se pide una explicación alternativa; y sustentar, cuando una afirmación necesita evidencia. En los tres primeros, una salida generativa puede aportar material provisional. En el cuarto, debe conducir a fuentes verificables y no ocupar su lugar.
Fulsher, Pagkratidou y Kendeou (2025) señalan que la IA generativa puede participar tanto en la creación como en la corrección de desinformación. Esto impide clasificar la tecnología de manera simple como fuente de riesgo o solución. El diseño debe hacer visible el proceso de contraste y exigir que la responsabilidad de decidir permanezca en la persona que entrega el trabajo.
📷 Control de comprensión
Un tablero institucional muestra que un grupo tiene menor participación y un sistema recomienda intervención inmediata. ¿Qué lectura es más responsable?
Aplicación en tu contexto: toma una regla de E3 sobre interacción humano-IA y añade una condición de trazabilidad: qué tipo de salida necesita fuente externa, qué debe documentarse y qué decisión nunca puede justificarse solo con «lo dijo la IA».
Conclusión
La alfabetización informacional, de datos y mediática converge en una competencia práctica: decidir qué hacer con información cuya procedencia, representación o transformación puede ser compleja. Frente a la IA generativa, el criterio no puede descansar en la apariencia de autoridad ni en detectar errores evidentes. Necesita procedimientos de verificación, preguntas sobre datos y algoritmos y reglas para frenar la amplificación de contenido dudoso.
E4 incorpora esas reglas al entorno que estás diseñando. En la siguiente lección trabajarás comunicación, colaboración y participación: cómo convertir las capacidades y criterios ya construidos en mecanismos de interacción que distribuyan voz, responsabilidad y posibilidades reales de incidencia.
🔭 Para seguir aprendiendo
- ¿Qué parte de tu propuesta actual presupone que el estudiante sabrá distinguir por sí solo una fuente confiable de una salida convincente, y qué regla de diseño podría hacer visible ese criterio?
Actividad de aprendizaje autónoma
Proyecto integrador · E4 · Estrategia de alfabetización informacional, de datos y mediática
Retoma E1–E3 y diseña una estrategia integrada para que los estudiantes de tu entorno puedan verificar información, interpretar datos o resultados algorítmicos y responder a contenido sintético antes de utilizarlo en decisiones académicas.
- De dónde vienes. Selecciona dos riesgos o capacidades identificados en E1–E3 que dependan de información, datos o mediaciones algorítmicas.
- Define tres situaciones críticas. Incluye al menos una fuente generada por IA, un uso de datos o indicador y un contenido mediático cuya procedencia deba verificarse.
- Diseña procedimientos. Para cada situación establece pasos observables de procedencia, corroboración, interpretación y decisión.
- Integra una regla de datos. Especifica qué debe preguntarse sobre representación, variables, ausencias o inferencias antes de usar un resultado para decidir.
- Integra una regla de contenido sintético. Define qué debe ocurrir antes de compartir, citar o reutilizar una pieza dudosa.
- Qué decides. Elige qué tres reglas serán obligatorias dentro del entorno y justifica por qué son pertinentes para tu población y disciplina.
- Revisa etapas previas. Declara qué decisión de E1–E3 se mantiene y cuál debe modificarse a la luz de esta estrategia.
- Qué documentas. Registra las fuentes consultadas y, si utilizaste IA, qué preguntaste, qué conservaste, qué descartaste y cómo verificaste lo incorporado.
Extensión orientativa: 1,000 a 1,300 palabras más un cuadro de procedimientos. E4 debe integrarse a la propuesta acumulativa y modificar explícitamente al menos una decisión anterior.
🗺 Planificador de E4 · estrategia de alfabetización
Completa los campos con decisiones de tu contexto. El generador no evalúa tu propuesta: organiza un borrador para que puedas contrastarlo antes de entregar.
✅ Evidencia de logro · E4
- La estrategia deriva de riesgos y capacidades ya identificados en E1–E3.
- Los procedimientos especifican acciones verificables y no dependen de una lista fija de señales de falsificación.
- Se diferencia el análisis de fuentes, datos, algoritmos y medios, y se explica cómo convergen en decisiones concretas.
- Se justifican tres reglas obligatorias del entorno y se registra qué decisión previa fue revisada.
- La trazabilidad permite reconstruir fuentes, mediaciones y criterios utilizados.
¿Qué decisión educativa de tu entorno sería demasiado importante para tomarla a partir de una salida algorítmica que no pudieras explicar, contrastar o impugnar?
Referencias bibliográficas
- Fulsher, A., Pagkratidou, M., & Kendeou, P. (2025). GenAI and misinformation in education: A systematic scoping review of opportunities and challenges. AI & Society, 41, 1373–1385. DOI: 10.1007/s00146-025-02536-y.
- Lao, Y., Hirvonen, N., & Larsson, S. (2025). Everyday encounters with deepfakes: Young people’s media and information literacy practices with AI-generated media. Journal of Documentation, 81(7), 216–235. DOI: 10.1108/JD-01-2025-0007.
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- Park, J. (2025). A systematic literature review of generative artificial intelligence literacy in schools. Computers and Education: Artificial Intelligence, 9, 100487. DOI: 10.1016/j.caeai.2025.100487.