En la entrada anterior sostuve que comenzar una investigación de posgrado exige, más que herramientas, una actitud: clarificar población y problema, justificar su relevancia y documentar evidencias antes de cualquier metodología. Hoy quiero dar un paso adelante y revisar el formato mismo de nuestras clases. La lección magistral de 50 minutos fue útil en otro contexto, incluso al reconocer el “copy & paste” pedagógico que experimentamos con la transición de la presencialidad a la virtualidad; ahora convivimos con estudiantes que no “carecen” de atención, sino que aplican un filtro veloz de relevancia. La investigación educativa muestra, más que un “déficit” de atención, ciclos cortos de foco y desfoco que exigen activación frecuente, interacción y sentido de tarea; de ahí que el monólogo unidireccional (atención a las cámaras apagadas) pierda eficacia ante abordajes que alternan explicación breve, aplicación y retroalimentación inmediata (Bunce, Flens y Neiles, 2010). Esta evidencia nos invita a rediseñar experiencias y no solo a “reducir” clases.
Propongo articular -o prestar más atención- al rediseño en tres movimientos que dialogan con la lista de chequeo que ya compartimos en el blog. Primero, el microfoco: transformar contenidos extensos en módulos de 8 a 10 minutos que resuelvan una pregunta concreta del problema de investigación y concluyan con una acción breve de verificación, ya sea una frase de síntesis, una microdiscusión o un sondeo. La literatura sobre microaprendizaje sugiere efectos positivos en conocimiento, confianza y compromiso, con la cautela de atender desigualdades tecnológicas y privacidad; el criterio no es “acortar por acortar”, sino alinear microtareas con objetivos claros, evaluación formativa y continuidad entre módulos.
Segundo, el paso de la recepción a la creación. En investigación, aprender es construir: un mapa de literatura vivo, un protocolo replicable, un guion de recolección, un prototipo analítico. La evidencia acumulada de aprendizaje activo en educación superior muestra mejoras significativas en desempeño y reducción de la deserción frente a la clase expositiva tradicional; el mensaje es claro para posgrado: diseñar actividades que hagan al estudiante autor, no espectador (Freeman et al., 2014). En la práctica, esto significa cerrar cada segmento con un producto mínimo viable: una matriz de variables, un miniensayo con postura, una visualización provisional, un preregistro en borrador.
Tercero, aprovechar la inteligencia artificial generativa como motor de exploración y no como oráculo. En términos operativos, el estudiante usa la IAG para tensionar supuestos, generar alternativas de diseño, identificar lagunas y personalizar rutas de búsqueda, dejando trazabilidad de prompts, fuentes y decisiones. Las revisiones recientes sobre IAG en educación superior confirman potencial para tutoría, retroalimentación y personalización, junto con riesgos reales de alucinación, sesgo y dependencia; el enfoque responsable requiere andamiajes metodológicos y éticos explícitos (Ogunleye et al., 2024). Complementariamente, la literatura advierte sobre la descarga excesiva de procesos críticos en sistemas conversacionales, con impactos en juicio y pensamiento analítico si no se interviene con diseño instruccional y evaluación adecuada (Chen et al., 2024).
Para que la propuesta gane tracción en aula y seminario de tesis, conviene cerrar el círculo entre microfoco, creación y metaexploración. En una sesión de 90 minutos, por ejemplo, se pueden encadenar tres ciclos: apertura situada con una pregunta de investigación, modelado breve del concepto o técnica estrictamente necesaria, aplicación inmediata con un producto mínimo y una verificación de aprendizaje que combine recuperación activa y reflexión; al final, se documenta cómo la IAG desafió supuestos o amplió rutas de búsqueda. La psicología del aprendizaje respalda esta secuencia cuando incorpora práctica de recuperación espaciada y pruebas formativas que mejoran la retención y el rendimiento, más allá de la relectura (Roediger y Karpicke, 2006).
Este reboot pedagógico aporta a la academia no solo por su alineación con evidencia, sino porque acopla la formación investigativa con marcos de gobernanza educativa. Mientras instituciones y equipos docentes diseñan políticas para el uso de IAG (Miao et al, 2021), el aula puede funcionar como laboratorio responsable donde se pilotan criterios de trazabilidad, citas responsables, cuidado de datos y evaluación de autoría. La orientación de organismos internacionales insiste en políticas que habiliten, regulen y acompañen el uso de IA en educación desde capacidades y límites bien definidos; traducir esa macroorientación a microdiseños de clase es una responsabilidad inmediata de los programas de posgrado (UNESCO, 2021/2024).
Cierro conectando con nuestra entrada previa: la lista de chequeo para iniciar investigación fue el punto de partida. Este texto propone la coreografía didáctica donde esa lista cobra vida: módulos breves orientados al problema, productos verificables y una IAG que empuja preguntas mejores. Mi invitación para el semestre es formular, en cada curso, una hipótesis pedagógica explícita, probarla con datos de aprendizaje y publicarla como conocimiento compartido del programa, más incluso cuando trabajamos con investigación basada en diseño. Ahí es donde el posgrado se vuelve, de verdad, un espacio de investigación sobre la enseñanza misma.
Referencias
Bunce, D. M., Flens, E. A., & Neiles, K. Y. (2010). How long can students pay attention in class? A study of student attention decline using clickers. Journal of Chemical Education, 87(12), 1438–1443. https://doi.org/10.1021/ed100409p. (eric.ed.gov)
Chen, X., Chen, Y., & Ma, T. (2024). The effects of over-reliance on AI dialogue systems on students’ learning: A systematic literature review. Smart Learning Environments, 11(1), 26. https://doi.org/10.1186/s40561-024-00316-7. (SpringerOpen)
De Gagne, J. C., Park, H. K., Hall, K., Woodward, A., Yamane, S., & Kim, S. S. (2019). Microlearning in health professions education: A scoping review. JMIR Medical Education, 5(2), e13997. https://doi.org/10.2196/13997. (PubMed)
Freeman, S., Eddy, S. L., McDonough, M., Smith, M. K., Okoroafor, N., Jordt, H., & Wenderoth, M. P. (2014). Active learning increases student performance in science, engineering, and mathematics. Proceedings of the National Academy of Sciences, 111(23), 8410–8415. https://doi.org/10.1073/pnas.1319030111. (PubMed)
Ogunleye, B., Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A systematic review of generative AI for teaching and learning practice. Education Sciences, 14(6), 636. https://doi.org/10.3390/educsci14060636. (MDPI)
Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x. (Revistas Sage)
UNESCO. (2021). AI and education: Guidance for policy-makers. Paris: UNESCO. Recuperado de https://unesco.org. Actualización consultada en 2025. (discovery.ucl.ac.uk, unesco.org)
