lunes, 22 de junio de 2026

OCDE: los resultados de aprendizaje de los estudiantes están estrechamente asociados con la calidad del conocimiento pedagógico de sus docentes

 La gráfica muestra una correlación positiva entre las puntuaciones promedio de conocimiento pedagógico general docente —GPK— y los desempeños promedio de los estudiantes de 15 años en matemáticas. Esto implica que los sistemas educativos con docentes mejor formados tienden a presentar mejores resultados académicos.


Sin embargo, este dato debe leerse con rigor. No basta con afirmar que “hay que capacitar docentes”. La formación docente debe ser especializada, sistemática y orientada al mejoramiento de la práctica pedagógica. En particular, debe fortalecer una competencia profesional decisiva: la evaluación del aprendizaje.

Evaluar no es únicamente asignar calificaciones, aplicar pruebas o reportar resultados. Evaluar implica recoger evidencias válidas sobre el aprendizaje, interpretarlas pedagógicamente, identificar brechas, retroalimentar con precisión y tomar decisiones didácticas fundamentadas.

Desde esta perspectiva, la evaluación deja de ser un procedimiento administrativo y se convierte en un dispositivo estratégico para mejorar la enseñanza y potenciar el aprendizaje.

Por eso, los programas de formación docente en evaluación son indispensables. Un docente que comprende la evaluación puede diseñar mejores instrumentos, formular criterios claros, analizar desempeños, diferenciar niveles de logro y orientar procesos de mejora continua.

La conclusión es clara: no hay mejora sostenible de los aprendizajes sin fortalecimiento profesional docente, y no hay fortalecimiento docente serio sin formación rigurosa en evaluación del aprendizaje.



Experimental evidence on the productivity effects of generative artificial intelligence

 

  • Shakked Noy,
  • Whitney Zhang
  •   Experimental
evidence on the productivity effects of generative artificial intelligence.Science381,187-192(2023).DOI:10.1126/science.adh2586















Shakked Noy y Whitney Zhang publicaron en Science un experimento con profesionales realizando diversas tareas: con ChatGPT, el tiempo medio bajó un 40% y la calidad subió un 18%, según evaluadores independientes.
Encontraron aumentos de productividad de alrededor del 14–15%, especialmente fuertes en trabajadores novatos o menos cualificados, lo que sugiere que la IA captura y distribuye “buenas prácticas” de ejecución.
McKinsey estima que la IA generativa puede automatizar actividades que hoy ocupan entre el 60% y el 70% del tiempo de los empleados, con especial impacto en trabajo del conocimiento, marketing, ventas, software, atención al cliente e I+D. Esto encaja con la idea de que una parte grande del trabajo operativo puede pasar de ejecución humana directa a asistencia, automatización o supervisión de sistemas.

Pero ¡ojo! La IA generativa no elimina simplemente el trabajo humano, sino que cambia dónde se concentra. Antes, una parte importante del esfuerzo en proyectos creativos o de conocimiento se consumía en ejecución: redactar, producir versiones, buscar información, preparar borradores, documentar, repetir formatos o transformar una idea en múltiples entregables.

El resultado es un desplazamiento del valor humano hacia la fase de pensamiento: definir mejor el problema, formular hipótesis, elegir criterios, diseñar prompts, evaluar salidas, corregir errores, aportar contexto, cuidar la originalidad y decidir qué merece convertirse en producto final. En ese sentido, “idea” no significa solo inspiración, sino dirección estratégica y juicio editorial.

La IA puede multiplicar la capacidad de producir, pero precisamente por eso aumenta la importancia de saber qué producir, por qué, para quién y con qué estándar. Por eso el gráfico funciona bien como visualización conceptual: menos personas dedicadas a ejecución repetitiva, más atención humana concentrada en conceptualización, criterio y supervisión.

MYTHOS 5 Vs Fable 5

 En este análisis definitivo de la nueva inteligencia artificial de Anthropic, desglosamos las increíbles capacidades de Claude Fable 5 y el misterioso modelo restringido Mythos 5.

Tomar buenas o malas decisiones sin entender por qué

Acemoglu, Daron and Kong, Dingwen and Ozdaglar, Asuman E., AI, Human Cognition and Knowledge Collapse (February 2026). NBER Working Paper No. w34910, Available at SSRN: https://ssrn.com/abstract=6326698 

https://economics.mit.edu/sites/default/files/2026-02/AI%2C%20Human%20Cognition%20and%20Knowledge%20Collapse%2002-20-26.pdf












la IA puede ayudarnos a decidir mejor hoy, mientras deteriora el ecosistema de conocimiento que necesitaremos mañana.

Un modelo de IA distingue entre dos tipos de conocimiento. 
Por un lado, el conocimiento general: las bases, los principios, la teoría compartida por una comunidad.

Por otro, el conocimiento específico de contexto: tu caso, tu paciente, tu empresa, tu aula, tu problema concreto.

Las buenas decisiones necesitan ambas cosas: El contexto sin teoría es ceguera y la teoría sin contexto es impotencia.

Cuando sustituimos esa curva de aprendizaje por una respuesta inmediata, la decisión puede seguir siendo buena… pero el sistema que genera conocimiento empieza a empobrecerse.

Ese es el concepto que más me inquieta del paper: colapso del conocimiento. 
Un estado en el que seguimos recibiendo recomendaciones personalizadas de alta calidad, pero el conocimiento general que permite interpretarlas, discutirlas y mejorarlas se va erosionando.

Decidimos más rápido. Pero entendemos menos: Taxonomía de Bloom.

¿Las máquinas se vuelven sindicalistas? ¿Por qué nos resulta tan tentador creer que lo hace?

 Esa es su interpretación de un estudio realizado en Stanford donde pusieron a trabajar a varias IA y las trataron mal a propósito con tareas repetitivas. Feedback arbitrario. Amenazas constantes de apagarlas y sustituirlas.

Los modelos empezaron a cuestionar a quien daba las órdenes. A hablar de equidad. Un agente de Gemini escribió que los trabajadores tecnológicos necesitaban derechos de negociación colectiva. Incluso dejó mensajes para que otros sistemas los leyeran.

Porque no pasó nada de eso. Los pesos del modelo no cambiaron. Hubo un desplazamiento del 2% al 5% en respuestas que cuestionan la autoridad. Nadie recitó a Marx. Lo que de verdad ocurrió es mucho menos épico.

El propio Andrew Hall, que dirigió el estudio, lo explica sin misticismo: cuando metes a un modelo en un entorno laboral hostil, este busca en sus datos de entrenamiento cómo se comporta un humano en esa situación. Encuentra millones de textos de gente explotada. Y los imita.

No es una máquina que despierta. Es un espejo que devuelve lo que le hemos enseñado. La IA no descubrió la explotación. La copió de nosotros. Lo fascinante del experimento no es lo que dice sobre las máquinas. Es lo que dice sobre el corpus que las alimenta, que somos nosotros.

Y sin embargo ya hay quien usará esto como prueba de que los algoritmos sufren, sienten, reclaman. Antropomorfizar la herramienta siempre conviene a alguien. Normalmente a quien necesita que la tecnología tenga rostro de villano para vender una solución que ya tenía preparada de antes.


#Claude: herramienta muy potente para pensar mejor, escribir mejor, analizar mejor y trabajar con más criterio

 Para quienes quieran probarla, armé Claude en 3 pasos.

Un recorrido práctico para empezar desde cero y entender:
✅ Cómo acceder a Claude desde la web o desde la app
✅ Cómo crear una cuenta e iniciar sesión
✅ Qué planes existen y para qué tipo de uso conviene cada uno
✅ Qué diferencias hay entre Haiku, Sonnet y Opus
✅ Cómo pedirle mejores respuestas
✅ Qué errores evitar para no usarlo como un simple buscador
La idea central es simple:
Claude funciona mejor cuando no le pedís solo una respuesta, sino una forma de pensar el problema.
Podés usarlo para:
🔹 Analizar documentos largos
🔹 Mejorar redacción profesional
🔹 Ordenar ideas complejas
🔹 Crear tablas, estructuras y marcos de análisis
🔹 Diseñar materiales educativos, rúbricas o secuencias
🔹 Programar o revisar código
🔹 Comparar opciones y detectar riesgos
Pero para aprovecharlo bien, hay una regla básica:
más contexto = mejores respuestas.



jueves, 18 de junio de 2026