Lección

Curación y mediación de materiales en un ecosistema ampliado con IA

🟢 Posgrado  ·  Curación y mediación

Publicar más materiales puede empobrecer el aprendizaje si obliga al estudiante a decidir qué era importante sin darle un criterio para hacerlo.

Curar un ecosistema no significa reducir por reducir ni añadir inteligencia artificial por novedad. Significa asignar a cada material una función, una ubicación y una mediación que hagan visible qué debe hacer el estudiante con él.

📷 Antes de comenzar

Un docente quiere incorporar un espacio de inteligencia artificial porque genera resúmenes de sus lecturas. ¿Qué decisión debería tomar primero?

Qué lograrás

Objetivo didáctico

Al finalizar esta lección, podrás aplicar criterios de curación y mediación para distribuir materiales entre el LMS y otros espacios, incluida la inteligencia artificial cuando aporte una función pedagógica explícita, verificable y conectada con la experiencia diseñada en L3 y L4.

Punto de partida

Introducción

La Etapa B dejó una secuencia, un ritmo y decisiones de personalización. Ahora el problema cambia: ¿qué materiales necesita realmente esa experiencia y dónde conviene que vivan? La respuesta no puede salir del inventario de herramientas, porque un mismo recurso puede servir como ancla, como fuente de contraste, como apoyo opcional o como insumo para una actividad.

Qian (2025), en una revisión sistemática de aplicaciones pedagógicas de inteligencia artificial generativa en educación superior, identifica usos agrupados alrededor de retroalimentación y evaluación, apoyos al aprendizaje y desarrollo de habilidades críticas. La misma revisión advierte una tensión: la eficiencia puede convertirse en sobredependencia y en externalización de procesos cognitivos o metacognitivos. Para este taller, esa tensión se traduce en una regla de diseño: la herramienta puede redistribuir operaciones, pero no debe volver invisible el juicio que el estudiante necesita aprender a ejercer.

Luo, Muljana, Ren y Young (2025) encontraron que diseñadores instruccionales usan inteligencia artificial generativa para ideación, tareas de bajo riesgo, agilización del proceso y colaboración, pero también señalan preocupaciones por calidad, privacidad, autoría y propiedad. La curación de materiales en un ecosistema ampliado exige, por tanto, dos filtros simultáneos: valor pedagógico y condiciones responsables de uso.

El contenido

Desarrollo del tema

01

Curar es decidir función antes que formato

Un material no entra al curso porque sea correcto, reciente o atractivo. Entra porque cumple una función dentro de una secuencia concreta. Una lectura puede establecer un marco, un video puede mostrar un proceso difícil de describir, una fuente primaria puede servir para contrastar una afirmación y una síntesis generada por inteligencia artificial puede funcionar como objeto de crítica. El mismo formato cambia de valor cuando cambia la acción que se espera del estudiante.

La curación comienza con una pregunta operativa: ¿qué necesita poder hacer el estudiante después de usar este material que no podía hacer antes?. Si la respuesta es solo “tener más información”, la función sigue demasiado abierta. En cambio, “identificar dos criterios para decidir entre alternativas” permite evaluar si el recurso contiene la evidencia necesaria y si su complejidad corresponde al momento del curso.

La segunda decisión es la relación con otros materiales. Repetir la misma explicación en tres formatos puede ser una alternativa de acceso pertinente o una redundancia que aumenta carga. La diferencia depende de si los formatos son equivalentes, complementarios o acumulativos.

💡 Curación pedagógica
Selección, organización y mediación de materiales según la acción de aprendizaje que deben sostener, no según la disponibilidad o novedad de la herramienta.

Figura 5. Constelación de materiales en un ecosistema ampliado.

Constelación de materiales del ecosistema de aprendizaje El objetivo de aprendizaje ocupa el centro. A su alrededor se conectan materiales base en el LMS, fuentes externas, producción del estudiante, espacios con inteligencia artificial y recursos de apoyo. Las líneas indican función y retorno al recorrido. Objetivo de aprendizaje Material base en el LMS ancla y continuidad Fuentes externas actualización y contraste Producción del estudiante evidencia y elaboración Espacios con IA síntesis, contraste, apoyo Apoyos y accesibilidad rutas equivalentes Retroalimentación verificación y siguiente paso

Nota: elaboración propia a partir de Qian (2025) y Luo et al. (2025).

Aplicación inmediata. Elige tres materiales de tu curso y escribe al lado una sola función: anclar, ejemplificar, contrastar, practicar, apoyar o documentar. Si dos materiales cumplen exactamente la misma función, decide si ofrecen una alternativa necesaria o si uno sobra.

02

La ubicación se decide por continuidad, trazabilidad y especialización

El LMS es un buen lugar para aquello que debe permanecer estable, accesible y ligado al recorrido formal: instrucciones, materiales base, evidencias y referencias que el curso necesita conservar. Los espacios externos pueden ser mejores cuando ofrecen una función especializada, una actualización continua o una forma de interacción que la plataforma no resuelve con la misma eficacia.

La clave es diseñar el puente. Cuando un estudiante sale del LMS, debería saber por qué sale, qué hará, qué necesita conservar y cómo regresará. Sin ese puente, el ecosistema se fragmenta. Con él, el espacio externo funciona como una extensión con propósito.

La inteligencia artificial no constituye una categoría especial por prestigio tecnológico. Puede ser un espacio externo más, con capacidades particulares de síntesis, generación, conversación o reorganización. Su uso requiere además criterios de verificación, porque un resultado fluido puede contener errores, omisiones o simplificaciones.

⚖ Compara dos decisiones

Aplicación inmediata. Elige un material que hoy vive en el LMS y pregunta si su función depende realmente de estar allí. Después elige un material externo y comprueba si el estudiante puede explicar qué debe recuperar de ese espacio.

03

La inteligencia artificial funciona mejor como mediación con criterio visible

Qian (2025) encuentra que la inteligencia artificial generativa puede apoyar pensamiento crítico, creatividad, autonomía y alfabetización de interacción con sistemas, pero también documenta el riesgo de dependencia. Esa tensión impide una respuesta simplista de “usar” o “prohibir”. El diseño necesita decidir qué operación se distribuye a la herramienta y qué juicio permanece en el estudiante.

Por ejemplo, un espacio como NotebookLM puede ayudar a interrogar un corpus definido por el docente o por el estudiante. El valor pedagógico no está en que produzca una síntesis, sino en lo que ocurre después: contrastar la síntesis con las fuentes, detectar una omisión, justificar qué interpretación se conserva o usarla como hipótesis para volver al material original.

Una mediación responsable también considera privacidad, propiedad intelectual y sensibilidad de los datos. Luo et al. (2025) muestran que estas preocupaciones ya forman parte de la práctica de diseño instruccional. Si el uso previsto exige subir información que no debería salir del entorno institucional, la decisión pedagógica puede ser correcta pero la implementación no ser aceptable.

🎛 Simulador de estados · ¿dónde vive este material?

Compara tres ubicaciones para un dossier de fuentes que el estudiantado deberá consultar, contrastar y citar.

Aplicación inmediata. Elige una posible función de inteligencia artificial en tu curso y completa tres frases: “delegaría ___”, “el estudiante seguiría siendo responsable de ___” y “la evidencia que regresa al curso sería ___”. Si la segunda frase queda vacía, la mediación está sustituyendo el aprendizaje.

04

Un mapa de materiales debe mostrar relaciones y no solo enlaces

Cuando los materiales se distribuyen entre varios espacios, el riesgo principal es que el curso se convierta en una colección de accesos. El mapa de materiales debe mostrar qué prepara cada recurso, qué actividad lo utiliza, qué evidencia depende de él y qué material es opcional o de apoyo.

La curación también implica retirar. Un recurso históricamente importante puede quedar fuera de una unidad si no alimenta ninguna decisión; puede mantenerse como ampliación sin ocupar el centro del recorrido. Esta jerarquía protege el tiempo del estudiante y hace visible qué debe estudiar con profundidad.

El criterio final es la trazabilidad pedagógica. No se trata de registrar cada clic, sino de poder explicar por qué cada material existe en el ecosistema. Si no puedes vincularlo con una acción, una barrera, una evidencia o una decisión, su presencia necesita revisión.

🧠 Control de comprensión

Aplica los criterios de la lección a dos decisiones de diseño.

Aplicación inmediata. Recorre tu mapa de L3–L4 y coloca materiales únicamente donde puedas completar la frase “este recurso existe para que el estudiante pueda ___ en el siguiente momento”.

Cierre

Conclusión

Curar materiales en un ecosistema ampliado exige distinguir función, ubicación y mediación. El LMS puede actuar como ancla; otros espacios pueden aportar capacidades especializadas; la inteligencia artificial puede apoyar operaciones concretas. Ninguno tiene valor pedagógico por sí mismo.

La responsabilidad del diseño es preservar el juicio visible: qué fuente se usa, qué se contrasta, qué se descarta, qué evidencia regresa y cómo se conecta con el siguiente paso. En L6 este mapa se convertirá en acción: diseñarás actividades que obliguen a usar los materiales con un propósito verificable.

🔭 Para seguir aprendiendo

  • ¿Qué material de tu curso conservarías incluso si cambiara por completo la plataforma, y qué revela esa decisión sobre su función pedagógica?
Ahora tú

Actividad de aprendizaje autónoma

Proyecto integrador · Etapa C · avance 1 de 2. Retoma la secuencia y las decisiones de personalización de la Etapa B y construye el mapa de materiales del curso. La Etapa C completa corresponde a L5 y L6 y representa el 30 por ciento del proyecto.

De dónde vienes. Usa la secuencia revisada de L4. Cada material debe responder a una necesidad ya identificada del recorrido; no empieces por la herramienta.

Qué decides. Define qué materiales funcionan como ancla en el LMS, cuáles conviene mediar en otros espacios y, si integras inteligencia artificial, qué función pedagógica cumple y qué juicio debe conservar el estudiante.

Qué documentas. Registra fuentes, condiciones de acceso y razones de ubicación. Si utilizas inteligencia artificial para curar o transformar materiales, documenta qué propuesta conservaste, qué descartaste y cómo verificaste su pertinencia.

  1. Recupera la secuencia de L4. Selecciona entre cuatro y seis momentos que necesiten materiales.
  2. Asigna una función. Para cada material indica si ancla, ejemplifica, contrasta, apoya, practica o documenta.
  3. Decide la ubicación. Señala qué vive en el LMS y qué vive fuera, justificando continuidad, trazabilidad, especialización y fricción.
  4. Integra IA solo si aporta una función. Especifica qué operación realiza, qué verifica el estudiante y qué evidencia regresa.
  5. Revisa L4. Explica si el mapa de materiales obliga a modificar una personalización o una transición diseñada previamente.
  6. Documenta el contraste. Registra fuentes y mediaciones consultadas y conserva el mapa para completarlo con actividades en L6.

🗺 Planificador · mapa de materiales

Organiza una decisión de curación antes de integrarla a la Etapa C.

💡 Evidencia de logro
Entrega un mapa de materiales vinculado con la secuencia de L4, con función, ubicación y justificación de cada recurso; incluye la mediación de inteligencia artificial únicamente cuando tenga una función explícita y documenta el juicio que permanece en el estudiante.

Formato y extensión: no fueron declarados en la fuente disponible. Utiliza el formato habilitado para la entrega del proyecto en el LMS cuando esté definido.

🤔

Si eliminas el nombre de cada herramienta de tu mapa, ¿todavía puedes explicar por qué cada material está donde está?

Referencias bibliográficas

  • Luo, T., Muljana, P. S., Ren, X., & Young, D. (2025). Exploring instructional designers’ utilization and perspectives on generative AI tools: A mixed methods study. Educational Technology Research and Development, 73, 741–766. doi: 10.1007/s11423-024-10437-y
  • Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69, 1105–1120. doi: 10.1007/s11528-025-01100-1