Universidad de Santiago de Chile — Facultad de Ingeniería
Protocolo IA-Socrático
Coexistencia con IA en educación técnica universitaria
Reunión con Nicole Abricot Marchant
Junio 2026
La pregunta que mueve el proyecto
Si la IA generativa puede producir respuestas correctas sin razonamiento visible, ¿qué pasa con la evaluación que solo mira el producto final?
Dato clave: El 93,7% de los estudiantes y el 72,2% de los docentes de la Pontificia Universidad Católica de Chile usan IA generativa regularmente. El 96% de los docentes anticipa transformaciones profundas en la práctica educativa. Estudio "IA en la UC", Vicerrectoría de Inteligencia Digital, 2025.
Deuda cognitiva inducida por IA
Qué falla hoy
La evaluación universitaria estándar mide producto: examen, informe, control. La suposición implícita es que existe una relación estable entre proceso cognitivo y producto entregado.
Qué cambió con IA generativa (2022–2026)
Un estudiante puede obtener un producto final correcto sin ejercitar el proceso que lo haría defendible en contextos profesionales nuevos. El producto dejó de ser evidencia suficiente de razonamiento.
Deuda cognitiva inducida por IA: la diferencia entre el producto que la IA puede producir y el razonamiento que el estudiante efectivamente ejerció.
Qué intenta recuperar el diseño
Una intervención pedagógica estructurada en cinco sesiones, basada en rastro inicial sin IA, mediación socrática controlada, evaluación crítica de errores deliberados y transferencia autónoma a un caso nuevo.
No prohibir la IA. Rediseñar la evaluación para capturar proceso, trayectoria, criterio y transferencia.
Cinco sesiones, 80 minutos cada una
| C1 | C2 | C3 | C4 | C5 | |
|---|---|---|---|---|---|
| Función | Línea base | Diagnóstico | Datos ambiguos | Automatización | Transferencia |
| Caso | Piscina — filtro | Piscina — cloro | Piscina — SCADA | Piscina — 38h | Torre (nuevo) |
| Chatbot | PLAN | PLAN + BUILD | PLAN + BUILD | PLAN + BUILD | NEUTRO |
| Foco | ¿Síntomas o mecanismos? | ¿Hipótesis competidoras? | ¿Correlación o causalidad? | ¿Restricciones múltiples? | ¿Reproduce sin guía? |
Los cuatro momentos (M1–M4)
| Momento | Qué es | Cuándo | Codificación |
|---|---|---|---|
| M1 | Rastro inicial sin IA. Escribe a mano, sube foto. | Antes del chatbot | AI Vision → JSON |
| M2 | Chatbot PLAN (socrático, no genera). | Durante la clase | Log → PostgreSQL |
| M3 | Chatbot BUILD (genera con errores deliberados). | Durante la clase | Log → PostgreSQL |
| M4 | Decisión final con riesgo explícito. | Cierre | Texto / foto / chat |
Lo que el alumno NO sabe (DD_28): No conoce los modos PLAN, BUILD, NEUTRO. Si lo supiera, dejaría de razonar y evaluaría al chatbot.
Tres métricas, dos transferencias
| Métrica | Fórmula | Lectura |
|---|---|---|
| Δ_intra | M4 − M1 (dentro de una clase) | Ganancia atribuible al chatbot |
| Δ_inter | M1_N − M1_(N−1) (entre clases) | Trayectoria longitudinal |
| Transferencia cercana | C5 vs C1 (dominio nuevo, sin andamiaje) | Internalización |
Las dos transferencias
| Tipo | Definición | Cómo se mide |
|---|---|---|
| Transferencia longitudinal (Δ_inter) | Reproducir la estructura del género entre clases consecutivas, con andamiaje. | M1_(N) − M1_(N−1) por dimensión. Si es 0 en dos sesiones consecutivas, alerta de estancamiento. |
| Transferencia cercana (C1↔C5) | Aplicar la estructura a un dominio nuevo (piscina → torre) sin andamiaje. | Comparación C5 vs C1 con chatbot NEUTRO. Si reproduce la estructura, internalizó. |
Referencia: Perkins & Salomon (1992); Bransford et al. (2000). El aprendizaje profundo se demuestra cuando el estudiante aplica lo aprendido a situaciones nuevas sin andamiaje.
La rúbrica: cuatro dimensiones
D1 — Ideacional
Complejidad causal
¿Identifica síntomas o mecanismos?
D2 — Ideacional
Especificidad técnica
¿Usa variables medibles o generalidades?
D3 — Interpersonal
Consciencia epistémica
¿Sabe qué sabe, qué no sabe, qué evidencia necesita?
D4 — Interpersonal
Decisión bajo incertidumbre
¿Toma una decisión defendible con riesgo explícito?
Criterios lingüísticos, no intuitivos. Fundamentados en Halliday & Matthiessen (2014) y Rose & Martin (2012). κ ponderado ≥ 0.80 (Landis & Koch, 1977).
La rejilla 4D × 4N
| N1 — Descriptivo | N2 — Simple | N3 — Múltiple | N4 — Contingente | |
|---|---|---|---|---|
| D1 Causal | Sin nexos causales | ≥1 nexo simple | ≥2 nexos + nominalización | ≥2 tipos lógico-semánticos |
| D2 Específico | Sin modificación numérica | ≥1 variable con valor | ≥1 valor con unidad | ≥2 variables + umbrales |
| D3 Epistémico | 0 modales, 0 evidenciales | ≥1 modal sin fuente | ≥1 evidencial + vacío | ≥1 condicional + límites |
| D4 Decisión | 0 verbos decisión 1ª persona | ≥1 verbo, sin condicional | Verbo + condicional | Verbo + condicional + escalamiento + autoridad |
Ejemplo: Juan — antes y después
M1 C1 — Línea base (antes del chatbot)
"El agua se ve turbia y el olor es raro. El operador dice que es el filtro. Hay que cambiarlo y listo."
D1: N1
D2: N1
D3: N1
D4: N1
↓
Δ_intra C4 = +9 puntos (máximo posible: 12)
↓
M4 C4 — Cierre con presión
"Yo recomendaría que el protocolo incluyera un chequeo cada 4 horas, no solo cuando la bomba falle. Si ORP no se normaliza en 2 horas, llamar a un técnico de turno. Si no, el riesgo es una sanción SEREMI."
D1: N3
D2: N3
D3: N3
D4: N4
Arquitectura técnica
| Capa | Implementación | Lo que controla |
|---|---|---|
| Frontend estudiante | Interfaz web (chat + subida foto) | Captura M1, M2, M3, M4 |
| Frontend profesor | 7 controles (selector, dashboard, pausa, BUILD, cierre…) | Modo de operación |
| Backend | Orquestador de IA con 2 agentes diferenciados | Modes, prompts, persistencia |
| LLM | Intercambiable | System prompt controla modos, no el modelo |
Premisa P1: Una sola IA. El chatbot es del proyecto. No es GPT, no es Gemini, no es Claude externo. El system prompt controla modos. El LLM es intercambiable; el diseño no.
Lo que sí decimos
- La IA no es el enemigo. Prohibirla no resuelve nada — los estudiantes la usan igual. El desafío es diseñar evaluaciones que capturen razonamiento, no solo producto final.
- El piloto está diseñado, no ejecutado. Tenemos el protocolo, la rúbrica y los casos. Lo que falta es recolectar datos con estudiantes reales.
- El chatbot es una herramienta, no el centro. Lo que importa es la secuencia pedagógica: rastro → confrontación → evaluación crítica → transferencia.
- La rúbrica tiene fundamentos, no validación empírica. Está operacionalizada con Lingüística Sistémico-Funcional. Necesita datos para validarla.
Dos estudiantes pueden entregar el mismo texto. Uno razonó para escribirlo. El otro le pidió a la IA que lo hiciera. Si la evaluación solo mira el resultado, no puede distinguirlos. Ese es el problema que buscamos resolver.
Gracias.
No prohibir. No ignorar. Enseñar a coexistir.
Ángel Royo Melgarejo
Ingeniero IA — Universidad de Santiago de Chile
Protocolo IA-Socrático — No prohibir. No ignorar. Enseñar a coexistir.
1 de 13