PORTAFOLIO REFLEXIVO DOCTORAL Universidad: Broward International University (BIU) Programa: Doctorado Asignatura: VIA7012 Introducción a la Inteligencia Artificial en la Educación Sustentable Docente: Prof. Arsenio Pérez Doctorante: Yenis Tavarez Taveras Fecha: Octubre 2026.
(a) Síntesis de aprendizajes vinculados a marcos teóricos El desarrollo de esta asignatura ha propiciado una transformación profunda en mi comprensión epistemológica sobre la Inteligencia Artificial (IA) en contextos educativos. Desde mi formación inicial como docente de Lengua Española y mi posterior maestría en Investigación e Innovación Educativa (Centro POVEDA, 2021), mi enfoque había estado arraigado en paradigmas constructivistas tradicionales. Sin embargo, el análisis de los marcos ontológicos y axiológicos de la IA me ha permitido transitar hacia un pragmatismo crítico. He comprendido cómo las Analíticas de Aprendizaje (Learning Analytics) y la Minería de Datos Educativos, apoyadas en teóricos como Siemens (2013) y Baker & Inventado (2014), no solo automatizan procesos, sino que revelan patrones invisibles en el rendimiento y retención estudiantil. Asimismo, la inmersión en la computación afectiva (Affective Computing) y el reconocimiento multimodal de emociones (Grafsgaard et al., 2014) me han proporcionado nuevos lentes teóricos para comprender la interacción entre el estudiante y los sistemas automatizados.
(b) Análisis de contribución de cada proyecto a competencias de investigación Cada uno de los proyectos desarrollados fortaleció competencias específicas de investigación doctoral:
Proyecto #1 (Estudio Empírico de Machine Learning Aplicado a Educación): o La utilización de la herramienta Orange Data Mining consolidó mis habilidades para estructurar el enmarcado completo de un problema (framing) mediante las fases de definir, transformar, entrenar, validar y predecir.
Esta competencia es vital para mi rol como Encargada de Planificación y Asesora Técnica Distrital en el Distrito Educativo 06-07 (Gaspar Hernández), permitiéndome diseñar modelos predictivos basados en datos rigurosos para nuestros planes operativos (POA). Proyecto #2 (Intervención Educativa con IA bajo Design-Based Research - DBR): o Aplicar el ciclo completo de DBR (Análisis, Diseño, Implementación, Evaluación y Rediseño) me permitió estructurar intervenciones pedagógicas sistemáticas. o El diseño y la optimización de "prompts" en Grandes Modelos Lingüísticos (LLMs) desarrolló mi capacidad para crear soluciones que respondan directamente a problemas educativos reales. Proyecto #3 (Asistente Pedagógico Emocional Conversacional): o El diseño de un chatbot enfocado en mitigar la ansiedad académica fortaleció mi rigor metodológico en la evaluación de tecnologías multimodales. o Me dotó de herramientas para documentar protocolos de pruebas con usuarios reales, garantizando el consentimiento informado y el respeto por la privacidad de los datos emocionales. o
(c) Mapa conceptual de IA Sustentable en Educación Dimensiones y Componentes
Descripción y Conceptos Clave
Nodo Central
Inteligencia Artificial Sustentable en Educación
Rama 1: Gobernanza y Ética (ODS 16)
Sistemas fiables, transparencia, mitigación de sesgos algorítmicos y marcos regulatorios de la UNESCO y la OECD.
Rama 2: Analítica de Aprendizaje (ODS 4)
Aprendizaje automático (Machine Learning), preprocesamiento de datos con herramientas como Orange y personalización de la enseñanza para una educación de calidad.
Rama 3: Computación Afectiva e Inclusión (ODS 10)
Reconocimiento de emociones, IA multimodal y diseño de asistentes conversacionales empáticos orientados a reducir brechas cognitivas y apoyar la salud mental del estudiantado.
(d) Propuesta de Línea de Investigación Doctoral Título Tentativo
Gobernanza Algorítmica y Analítica Predictiva para la Retención Escolar en el Distrito Educativo 06-07 de Gaspar Hernández.
Problema de Investigación La necesidad de establecer sistemas de alerta temprana precisos y éticos para predecir y prevenir la deserción en el nivel secundario, sin reproducir sesgos históricos.
Objetivo General Diseñar y validar un modelo de Machine Learning y Analítica de Aprendizaje que identifique factores de riesgo de deserción escolar, fundamentado en políticas de gobernanza ética y alineado con los Objetivos de Desarrollo Sostenible.
Enfoque Metodológico Preliminar Se propone un enfoque mixto apoyado en la metodología Design-Based Research (DBR), utilizando Orange Data Mining para el modelado de datos predictivos y entrevistas cualitativas para validar la interpretabilidad (XAI) del modelo con los docentes y directivos del distrito.
Vinculación con ODS Impacta directamente el ODS 4 mediante la personalización del apoyo académico, el ODS 10 al intervenir de forma temprana en poblaciones vulnerables, y el ODS 16 asegurando un uso transparente y regulado de los algoritmos institucionales.
(e) Reflexión Crítica Articulada con Literatura Académica Al contrastar mis expectativas iniciales con las competencias adquiridas, observo una evolución significativa desde la curiosidad técnica hacia una postura crítica sobre la gobernanza tecnológica. Como Directora Adjunta Distrital, comprendo ahora que la implementación de la IA en la educación no es meramente un desafío de infraestructura, sino un dilema ético profundo. La literatura analizada, particularmente las directrices de la UNESCO (2021, 2023) sobre la ética y la IA generativa, subraya la imperativa necesidad de mantener el control humano sobre las decisiones automatizadas. Existe una tensión ineludible entre el rendimiento predictivo de los algoritmos complejos y su interpretabilidad en contextos educativos de alto impacto. El futuro de la educación requiere que abracemos estas tecnologías no como reemplazos de la agencia docente, sino como instrumentos auditables, transparentes y profundamente humanos que potencien la calidad y la equidad educativa en nuestras aulas.
Resumen de Experiencias por Semana
Semana 1 - Fundamentos de la IA y Marco Epistemológico: Exploración de la historia, potencial y marcos epistemológicos (positivismo, constructivismo, pragmatismo crítico) para investigar la IA en la educación sustentable. Semana 2 - Fundamentos de ML/DL y Learning Analytics: Introducción al aprendizaje automático (supervisado, no supervisado, de refuerzo) y diseño de estudios basados en analíticas de aprendizaje orientados a la retención estudiantil. Semana 3 - Ciencia de Datos Educativos y Herramienta Orange: Configuración del entorno Open Source Orange Data Mining para importar, explorar, visualizar y preprocesar datos, enmarcando problemas de Machine Learning para la mejora institucional. Semana 4 - Algoritmos ML y Sesgo Algorítmico: Aplicación de selección de variables, PCA y técnicas de regresión y clasificación, abordando el análisis crítico para la detección y mitigación de sesgos algorítmicos. Semana 5 - Entrenamiento de Modelos y Transparencia (XAI): Ejercitación de modelos de clasificación (Árboles de Decisión, SVM, Random Forest, Redes Neuronales) debatiendo la tensión entre el rendimiento predictivo y la interpretabilidad en la gobernanza educativa. Semana 6 - IA Generativa, NLP y Grandes Modelos Lingüísticos (LLMs): Evaluación sistemática del funcionamiento de los LLMs, analizando aspectos como la factualidad, sesgos, privacidad y seguridad en arquitecturas como RAG. Semana 7 - Diseño Instruccional y Metodología DBR: Desarrollo de chatbots y planes de clase con IA mediante ingeniería de prompts, aplicando el ciclo Design-Based Research (DBR) para evaluar y rediseñar intervenciones pedagógicas. Semana 8 - IA Emocional y Affective Computing: Análisis del reconocimiento multimodal de emociones y diseño de un asistente conversacional empático, integrando un riguroso análisis ético sobre el consentimiento y la privacidad emocional. Semana 9 - Gobernanza, Ética y Sustentabilidad: Articulación de los marcos regulatorios internacionales (EU AI Act, UNESCO, OECD) para proponer soluciones éticas alineadas con los ODS 4, 10 y 16 en el uso de sistemas fiables. Semana 10 - Defensa Académica y Evaluación Sumativa: Síntesis crítica de los proyectos realizados, articulación final de la visión integral de IA sustentable y defensa oral del portafolio doctoral. En cada semana el doctor Arsenio articuló cada contenido con exposición magistrales sobre desarrollar experiencias en el uso de la técnolog´´i con uso innovador en propuestas para una modalidad académica sustentada en la alfabetización digital,la Ética y otros aspectos a considerar.
Conclusión General El recorrido a lo largo de este curso ha marcado un hito en mi formación investigativa. La inmersión teórica y práctica en la Inteligencia Artificial Sustentable me ha permitido comprender que la tecnología por sí sola no transforma la
educación; es el diseño pedagógico basado en investigación (DBR), la analítica de datos aplicada a la equidad y la gobernanza ética lo que genera un verdadero impacto. Reconozco la urgencia de liderar la integración de modelos de Machine Learning y analíticas de aprendizaje para prevenir la deserción escolar y personalizar el trayecto académico de nuestros estudiantes. Este portafolio documenta las competencias técnicas y metodológicas adquiridas, a la vez que cimienta una línea de investigación doctoral enfocada en garantizar que la adopción de la IA en nuestras escuelas sea transparente, justa y profundamente alineada con los Objetivos de Desarrollo Sostenible (ODS 4, 10 y 16), asegurando siempre la centralidad y supremacía del criterio humano en la educación. A nivel colaborativo, la experiencia de construir los proyectos en equipo ha sido sumamente enriquecedora. Trabajar de la mano con mis compañeros Lourdes y José Pepe en el área de inglés me permitió vivenciar el verdadero valor del aprendizaje entre pares. La sinergia lograda, el intercambio constante de ideas y la integración de nuestras diversas habilidades fueron determinantes para diseñar e implementar nuestras intervenciones educativas con mayor rigor. Este esfuerzo conjunto no solo fortaleció la calidad de nuestras investigaciones empíricas, sino que también consolidó competencias fundamentales para el trabajo interdisciplinario y el desarrollo de propuestas innovadoras que debo decir que aunque los trabajos no se fundamentaron en mi área de Lengua Española como carrera base,si puedo decir que los proyectos trabajados se prestan para utilizarlos en proyectos de mi área por el hecho de que desarrolla estrategias para la enseñanza de competencias linguísticas y solo lo tendría que adaptar a mi área..
Fuentes Bibliográficas
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. En Learning analytics (pp. 61-75). Springer. Grafsgaard, J. F., Wiggins, J. B., Boyer, K. E., Wiebe, E. N., & Lester, J. C. (2014). Multimodal affect recognition in learning environments. En Proceedings of the 16th International Conference on Multimodal Interaction (pp. 209–216). ACM. Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400. UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. París: UNESCO. UNESCO. (2023). Inteligencia artificial y educación: guía para las personas a cargo de formular políticas. París: UNESCO.