Marco Metodológico para el Paper Académico

1. Título oficial tentativo

Deuda cognitiva en educación técnica: un protocolo de intervención con chatbot socrático para el rediseño del aprendizaje universitario en contexto de IA generativa.

Motivo de selección: nombra el problema (deuda cognitiva) antes que la solución, protege la validez metodológica al no sobrevender generalización, y es consistente con el Documento Rector v1.1.

2. Diseño de investigación

3. Participantes

4. Instrumentos de recolección de datos

C1 no tiene BUILD por ser línea base (DD_21); C2-C4 tienen los 4 momentos completos con errores deliberados escalados; C5 retira BUILD y PLAN —el chatbot opera en modo NEUTRO— para medir transferencia sin andamiaje. M3 (BUILD) no se usa para calcular Δ_intra: se analiza como indicador independiente de capacidad evaluativa.

5. Procedimiento de análisis

5.1 Codificación (dual: IA + humano)

Codificación primaria (tiempo real, formativa): AGENT_SESION invoca a AGENT_ANALISTA_SFL sobre M1, M2, M3 y M4 automáticamente post-sesión para codificar D1-D4. Genera: (a) feedback de proceso al alumno vía WhatsApp, (b) informe analítico al profesor. No requiere revisión humana.

Codificación longitudinal (inter-sesión): AGENT_TRAYECTORIA invoca a AGENT_ANALISTA_SFL sobre los rastros M1 de sesiones consecutivas. Calcula Δ_inter = M1_N − M1_N−1 por dimensión. Detecta patrones: estancamientos (Δ_inter = 0 × 2 sesiones), regresiones (Δ_inter < 0), saltos (Δ_inter ≥ +2). Genera heatmap de trayectorias individuales. Se dispara post-C2, C3, C4 y C5 (acumulativo).

Contenido del feedback al alumno: El feedback es SFL de proceso, nunca dimensional. Describe hábitos cognitivos observados sin revelar niveles D1-D4 ni las dimensiones que se miden. Esta distinción es metodológicamente necesaria: si el alumno supiera qué se está midiendo, sus respuestas en sesiones siguientes podrían adaptarse a la métrica (características de demanda), inflando artificialmente Δ_inter y destruyendo la validez interna del estudio.

El primer tipo enseña a razonar. El segundo enseña a pasar un test.

Codificación para el paper (investigativa):

1. Dos codificadores humanos independientes asignan niveles (1–4) en cada dimensión, sobre datos codificados (sin nombres). Los criterios se basan en recursos lingüísticos observables derivados de la Lingüística Sistémico-Funcional (Halliday & Matthiessen, 2014).
2. Se calcula acuerdo inter-codificador con Cohen's κ ponderado. Umbral ≥ 0.80 para reporte publicable; κ ≥ 0.70 acepta solo análisis exploratorio.
3. Desacuerdos se resuelven por consenso con un tercer evaluador.
4. Dato metodológico adicional: se calcula κ entre AGENT_ANALISTA_SFL y codificadores humanos. Si κ_IA-humano ≥ 0.80, es hallazgo publicable sobre viabilidad de codificación automatizada de razonamiento.

5.2 Análisis cualitativo

• Análisis de contenido temático de rastros iniciales y producciones finales
• Comparación constante entre sesiones (progresión individual)
• Análisis de discurso de interacciones con chatbot (cambio superficial vs. estructural)
• Casos extremos: análisis profundo de estudiantes con máximo y mínimo desplazamiento

5.3 Análisis cuantitativo (descriptivo-exploratorio)

Dado un n esperado de 20–30 (cohorte completa de una asignatura), el componente cuantitativo se reporta como descriptivo-exploratorio, no inferencial confirmatorio.

• Media y desviación estándar de niveles por dimensión y por clase
• Δ_intra y Δ_inter por dimensión (medianas, rangos intercuartílicos)
• Wilcoxon emparejado para diferencias entre sesiones: solo se reporta acompañado de (a) tamaño de efecto r de Wilcoxon o d de Cohen para muestras pareadas, y (b) declaración explícita de poder estadístico. Para detectar un efecto medio (d ≈ 0.5) con α = 0.05 y poder 0.80, se requieren ~35 pares; con n < 35, los p-values se interpretan como exploratorios.
• Visualización: heatmap de trayectorias individuales

6. Validez y confiabilidad

7. Consideraciones éticas

• Consentimiento informado con derecho a retiro sin consecuencia académica
• Anonimización de datos en publicación
• El piloto NO afecta calificaciones del curso
• Datos almacenados en repositorio institucional protegido
• Aprobación del comité de ética de la Facultad (tramitar antes del inicio)

8. Limitaciones anticipadas

1. Muestra por conveniencia: una sola cohorte, una sola asignatura
2. Efecto Hawthorne: los estudiantes saben que participan en un piloto
3. Sin grupo control: diseño intra-sujeto mitiga parcialmente, pero no hay comparación con clase sin protocolo
4. Generalización limitada: caso técnico específico (hidráulica) puede no transferir a otras disciplinas sin adaptación
5. Dependencia del chatbot: resultados pueden variar según plataforma y configuración del modelo

9. Estructura propuesta del paper

1. Introducción — Problema: IA generativa y deuda cognitiva en educación superior. Brecha: las respuestas actuales (prohibir, ignorar) no resuelven el problema de diseño instruccional. Contribución: protocolo socrático que captura proceso de razonamiento.
2. Marco teórico — Deuda cognitiva (concepto propuesto); método socrático y presión cognitiva; transferencia como evidencia de aprendizaje profundo; IA como herramienta pedagógica vs. sustituto cognitivo.
3. Metodología — Diseño del estudio; participantes y contexto; el protocolo: 5 sesiones, secuencia, roles; instrumentos y procedimiento de análisis.
4. Resultados — Trayectorias de desplazamiento cognitivo (D1–D4); análisis por clase; casos ilustrativos; evidencia de transferencia (Clase 5).
5. Discusión — ¿El protocolo previene la deuda cognitiva? ¿Qué fase es más crítica? Implicaciones para diseño instruccional universitario. Limitaciones y futuras investigaciones.
6. Conclusiones — El protocolo es ejecutable, medible y replicable. La secuencia importa: rastro antes, IA después. La transferencia cercana como evidencia de internalización.

10. Revistas objetivo

11. Cronograma de publicación