Desde tu experiencia como docente, ¿qué es lo que más ha cambiado en la forma de enseñar paramedicina desde la llegada de la IA generativa?
Creo que lo que más ha cambiado no es lo que enseñamos, sino la manera en que hablamos abiertamente sobre el conocimiento en sí y sobre el aprendizaje orgánico. Desde que la IA generativa se ha generalizado, hemos tenido que abordar de forma explícita conceptos que antes permanecían en un segundo plano: los conocíamos, los intuíamos, pero quizás no los tratábamos como temas propios que merecían atención directa. Me refiero a cosas como la descarga cognitiva, el sesgo o lo que realmente constituye ese aprendizaje orgánico y genuino. Y también a una pregunta fundamental: ¿cómo garantizamos que los estudiantes saben realmente lo que creen saber?
Si lo pienso en términos de paramedicina, hay una analogía de mi propia formación que me resulta muy útil: el acceso a equipos automatizados. Tomemos como ejemplo la medición de la presión arterial. Nos enseñaron a hacerlo de forma manual y también con un tensiómetro automático. Pero no dejamos de enseñar la técnica manual cuando llegó la tecnología, porque sigues necesitando entender la fisiología subyacente: qué está pasando en el cuerpo y cómo interpretar los resultados. Además, si el equipo falla o tienes un paciente en el que no es recomendable usar un tensiómetro automático, ese conocimiento sigue siendo imprescindible. Con el tensiómetro automático redistribuíamos el esfuerzo cognitivo. La IA funciona de manera similar: puede generar información rápidamente, pero si no tienes esa base de conocimiento, el resultado es solo texto en una pantalla, y lo que hagas con él será muy distinto.
Por eso, la educación ha dejado de centrarse en presentar información para ayudar a los estudiantes a cuestionarla. Ahora nos preguntamos de verdad: ¿de dónde viene esto? ¿Puedo confiar en ello? ¿Qué significa clínicamente? Y ese cambio me parece verdaderamente fundamental.
"La IA puede generar respuestas plausibles al instante, por lo que la evaluación debe desplazarse hacia arriba, hacia el razonamiento, el juicio y la justificación de lo que se quiere conocer.""
¿Cómo pueden los docentes fomentar eficazmente el pensamiento crítico en estudiantes que ahora tienen acceso a herramientas capaces de generar respuestas complejas al instante?
Necesitamos rediseñar las tareas para que el éxito no consista solo en llegar a la respuesta correcta, sino también en demostrar cómo sabemos que esa respuesta es correcta. La IA puede generar respuestas plausibles al instante, por lo que la evaluación debe desplazarse hacia arriba: hacia el razonamiento, el juicio y la justificación de las decisiones.
Eso puede significar pedir a los estudiantes que critiquen una respuesta generada por IA, que comparen fuentes o que expliquen su proceso de toma de decisiones clínicas paso a paso. En esencia, queremos pasar de "¿sabes la respuesta?" a "¿puedes evaluar si una respuesta es segura y apropiada?". Ese enfoque se alinea mucho mejor con la práctica real de la paramedicina.
Además, ser capaz de justificar las decisiones — y no limitarse a tomarlas — es algo hacia lo que definitivamente deberíamos avanzar. En ese sentido, la IA nos brinda la oportunidad de profundizar en la comprensión genuina del conocimiento y de comprobar de verdad si ese conocimiento está donde necesita estar. Pero hay que construirlo de forma deliberada. No podemos esperar que el día del examen los estudiantes sean capaces de hacerlo si no hemos diseñado tareas a lo largo del curso que los preparen para ello y si no les hemos enseñado qué esperamos que sepan y cómo esperamos que lo sepan.
Dado tu papel en el desarrollo curricular, ¿qué cambios concretos deberían introducirse hoy para integrar la IA de forma significativa y sostenible?
El desarrollo curricular es complejo porque las instituciones tienen sus propios calendarios y criterios, con plazos difíciles de mover. Por ejemplo, en mi experiencia, los cambios académicos para el curso siguiente deben estar aprobados en enero del año anterior, y en el mundo de la IA puede cambiar muchísimo en ese tiempo. Por eso creo que se trata de identificar qué puedes cambiar y dónde puedes hacerlo.
Puede que no sea posible realizar un cambio profundo en el diseño de la evaluación curricular, pero sí se pueden introducir cambios más pequeños en el contenido impartido. Ese contenido puede presentarse en porciones manejables, distribuirse gradualmente y desarrollarse en espiral a lo largo de toda la carrera. Se trata de incorporar la alfabetización digital y en IA desde el principio, algo que a veces damos por sentado en nuestros estudiantes. Asumimos que llegan con un móvil y un portátil y que saben usarlos. Pero eso puede ser completamente incorrecto, y pasa por alto la exclusión digital y los distintos niveles de confianza con la tecnología.
Así, el estudiante no solo tiene que aprender contenidos nuevos sobre su materia, sino que además se le pide que aprenda de golpe cómo funciona una tecnología. Si le pedimos que participe en cuestionarios en línea, escalas de votación o nubes de palabras, y nunca ha usado esas herramientas y no entiende cómo funcionan, tampoco le hemos educado en eso.
La integración debe ser apropiada para el trabajo que estamos haciendo y las tareas que necesitamos. Además, hay que pensar en el impacto medioambiental: si introducimos una tarea de IA en cada módulo, en cada clase, debemos considerar seriamente las consecuencias para el planeta.
La paramedicina es, en esencia, una profesión analógica en la mayoría de los contextos. Es la parte trasera de una ambulancia, el domicilio de un paciente, la conexión humana y la conversación. Por eso debemos pensar en dónde la IA potencia eso y dónde erosiona algunas de las verdaderas fortalezas de la profesión. Debemos evitar formar a profesionales excesivamente dependientes del apoyo digital.
Tres principios para una integración sostenible de la IA en el currículo:
- Exposición temprana y estructurada a la alfabetización digital y en IA desde el inicio de la formación.
- Orientación clara sobre cuándo y cómo usar las herramientas, sin asumir que los estudiantes ya lo saben.
- Espacios sin tecnología para mantener tareas analógicas. El equilibrio es clave.
Tu investigación destaca importantes retos éticos en torno a la IA. ¿Cómo deberían abordarse estos dilemas en los programas de educación sanitaria?
Los dilemas éticos son muy relevantes, y no querría hablar de IA sin mencionarlos. Además, me parece significativo que estos dilemas hayan permanecido constantes mientras las interfaces de usuario de la IA se han ido actualizando y cambiando en los últimos años. Cuando hablamos del avance de la IA, hablamos mucho de lo que puede hacer y de lo que no puede hacer, pero no hablamos de los cambios en estos dilemas éticos porque, en esencia, son bastante estables. El riesgo de sesgo, la dependencia excesiva, las alucinaciones… por nombrar solo algunos.
Los sistemas de IA son construidos por personas, y las personas somos sesgadas por lo que somos y por lo que llegamos a ser. El sesgo es inevitable, y creo que sería incorrecto sugerir que podríamos construir un sistema, hecho por humanos, que no lo tuviera. Todos venimos de contextos diferentes y todos tenemos nuestra propia experiencia vital que conforma nuestra narrativa. Esto se aplica exactamente igual a los conjuntos de datos y a las personas que deciden con qué se entrena la IA. Por eso, la responsabilidad recae en los educadores: deben poner el sesgo en primer plano, animando a los estudiantes a cuestionar sus propios sesgos, sus perspectivas y sus experiencias vitales. ¿Quién está representado y quién no? Y cuando pensamos en los sistemas de IA: ¿quién está representado en esos datos y quién no? Cuando usamos un modelo de lenguaje, ¿es un modelo centrado en el mundo anglosajón? ¿Ha sido entrenado principalmente con datos de internet? ¿A quién dejan fuera esos datos?
Un enfoque práctico que me parece valioso es el de las declaraciones de posicionamiento. Las vemos en investigación, donde las personas hablan abiertamente de su propia experiencia vital. Podemos pedir a los estudiantes que reflexionen sobre su propio punto de vista y que extiendan ese pensamiento: ¿cómo sería la declaración de posicionamiento de una IA?
También hay preocupaciones más amplias, como la dependencia excesiva, el impacto medioambiental y el acceso desigual. Creo que es importante alejarse de la tecnología por completo de vez en cuando, y preguntarse: ¿qué tan incómodo resulta? La mayoría de mis diapositivas de clase están en PowerPoint, y me siento muy cómodo teniéndolas ahí para recordarme lo que voy a decir. Si las quitamos y me piden que dé una clase a 200 personas sin ninguna diapositiva, me resultaría bastante incómodo. Lo mismo les ocurrirá a los estudiantes que usan la IA de forma constante: si de repente la retiramos y les pedimos que realicen una tarea sin ella, también se sentirán incómodos.
La IA se integra de forma continua en las interfaces de uso cotidiano. Y sin embargo, en lugar de potenciar aún más esa integración, creo que necesitamos ese equilibrio y reflexionar sobre nuestra propia dependencia y nuestra posición dentro de los dilemas éticos.
"He visto propuestas de uso realmente interesantes por parte de los estudiantes. El problema es que necesitamos crear un entorno donde se sientan cómodos hablando de cómo usan la IA, y también educar sobre el uso frente al mal uso. Y eso es muy difícil si parece que es algo que no deberían estar usando."
Más allá del entusiasmo actual en torno a la IA, ¿cuáles son las implicaciones pedagógicas reales de la IA generativa en la educación sanitaria? ¿Qué funciona de verdad y qué no?
Lo que realmente funciona, creo, es la IA como compañero de pensamiento y no como atajo. Cuando los estudiantes la usan sin delegar en ella el trabajo, sino para extraer algo de ese intercambio, los resultados son muy distintos. He visto propuestas de uso realmente interesantes por parte de los estudiantes. El problema es que necesitamos crear un entorno donde se sientan cómodos hablando de cómo usan la IA. También debemos educar sobre el uso frente al mal uso, y eso es muy difícil si parece que es algo que no deberían estar usando.
Existe un uso masivo de IA en la sombra: personas que utilizan la IA sin decir "formulé este documento con IA", "mis diapositivas fueron mejoradas con IA" o "le pedí ideas a la IA". Si nosotros no somos abiertos al respecto, los estudiantes tampoco lo serán. Gran parte del discurso gira en torno a la integridad académica, el riesgo de trampa y la creación de trabajo que no es propio.
Cuatro usos de la IA generativa que realmente funcionan en educación sanitaria:
- Generación de ideas para empezar. Tenemos una población estudiantil cada vez más diversa neurológicamente. En mi propio alumnado hay un número significativo de estudiantes con TDAH que describen cómo se bloquean ante una lista de tareas que parece interminable. La IA puede ayudarles a arrancar. No debe crear el contenido por ellos, pero sí puede darles ideas sobre cómo comenzar cuando no saben por dónde empezar.
- Feedback y aprendizaje formativo. Por ejemplo, antes de un cuestionario de opción múltiple, el estudiante puede usar la IA para poner a prueba sus propios conocimientos. Eso sí, hay que verificar las fuentes: si le dices a la IA que crees que una respuesta es correcta, puede confirmártelo aunque no lo sea. Una cosa es pedirle que genere un cuestionario; otra, muy distinta, es verificar si las respuestas que propone son correctas.
- Exploración de perspectivas diversas. La IA ofrece la oportunidad de encontrar voces distintas a la propia y salir de la cámara de eco. En la vida tendemos a rodearnos de personas que se parecen a nosotros y comparten nuestros valores. Aunque hay que tener en cuenta los sesgos mencionados anteriormente: ¿qué voces no están siendo escuchadas?
- Compañero de pensamiento, no sustituto. Cuando el estudiante usa la IA para reflexionar y no para delegar, el aprendizaje se profundiza. El reto está en diseñar tareas que dejen claro que el objetivo no es generar un resultado, sino entender qué significa ese resultado.
¿Qué no funciona?
Reemplazar el pensamiento. Si los estudiantes usan la IA para generar respuestas sin implicarse, el aprendizaje se vuelve superficial. Si vamos a crear una tarea con IA, debemos dejar muy claro al estudiante que no se trata solo de producir un resultado, sino de entender qué significa ese resultado.
Has explorado el papel de la IA en la desigualdad digital. ¿Qué responsabilidades tienen los educadores para garantizar un acceso y uso equitativos de estas tecnologías en el aula?
Los educadores no pueden resolver solos la inequidad estructural. Eso es un problema sistémico. Pero sí pueden hacer que el acceso y las expectativas sean más transparentes. Las universidades necesitan apoyar la ampliación de la participación, y ya vemos iniciativas en ese sentido. En mi universidad tenemos un programa llamado Success for All, donde abordamos los diferentes contextos de los estudiantes: su trayectoria educativa, su situación socioeconómica y cómo todo ello impacta en su formación. El objetivo es crear un espacio equitativo para todos. Ahora ese enfoque debe extenderse al acceso digital y a la competencia tecnológica.
Una cosa es el acceso digital: si tienes un dispositivo con conexión a internet y qué velocidad de conexión tienes. Otra cosa muy distinta es la competencia. Puedes tener el mejor wifi del mundo y el dispositivo más moderno, pero si no tienes la alfabetización digital necesaria para sacarle partido, se genera un nuevo tipo de inequidad.
Tres responsabilidades concretas de los educadores ante la desigualdad digital:
- Anticipar y comunicar. Los educadores deben dejar muy claro qué herramientas se usarán y cuándo. Hay que decirles a los estudiantes: "En las próximas semanas tenemos X clases y en la cuarta vamos a usar esta tecnología." Así les damos tiempo para prepararse y les invitamos a pedir ayuda o acceder a los recursos necesarios antes de que se espere que dominen la herramienta.
- Dedicar tiempo a enseñar las herramientas. No asumir que los estudiantes ya las conocen. En nuestro módulo de disertación, por ejemplo, usamos una herramienta para filtrar referencias bibliográficas en la revisión de literatura. Dedicamos dos horas a enseñar a los estudiantes cómo usarla, porque sabemos que va a mejorar enormemente su proyecto, su capacidad y su carga cognitiva. Además, los prepara para el futuro: si algún día quieren hacer un proyecto similar, ya tienen esa competencia.
- No asumir familiaridad ni equidad. No podemos dar por sentado que todos los estudiantes tienen el mismo punto de partida. Necesitamos preguntarles, conocerlos de verdad y entender qué son capaces de hacer. Una vez que dominan las herramientas, podemos usarlas para potenciar el aprendizaje.
Las "alucinaciones" de la IA presentan riesgos evidentes. ¿Cómo deberían formarse los estudiantes para identificar y gestionar estas imprecisiones?
Para empezar, reconozco desde mi formación médica que "alucinación" es un término muy imperfecto. Humaniza un proceso que es fundamentalmente estadístico, lo cual resulta útil como abreviatura, pero no encaja realmente con el modelo ni con el elemento mecánico de los modelos de lenguaje. Dicho esto, los estudiantes necesitan dos cosas: conciencia y método.
Conciencia de que los resultados de la IA pueden ser incorrectos aunque estén formulados con total seguridad. Creo que esto ilumina algo hacia lo que probablemente necesitábamos reorientarnos. Recuerdo que cuando empecé en la universidad hablábamos de cómo saber si un artículo académico era imparcial, relevante y reciente. El problema con la IA es que gran parte de lo que se publica sobre ella procede de blogs y medios de comunicación, antes de que tengamos datos sólidos en los que confiar de manera convencional. Y eso es bastante difícil: ¿en qué periódico confías? ¿Qué blog es fiable?
Creo que debemos pensar en algo que escuché hace un par de años y que se conoce como BREAD: Bias (sesgo), Relevance (relevancia del proyecto), Evidence (evidencia), Author (autor) y Date (fecha de publicación). Siempre hemos necesitado pensar en la motivación detrás de una publicación, en quién se beneficia de difundir algo y quién no. No es nada nuevo. Es lo que siempre hemos hecho con las fuentes, pero se traduce muy bien a los resultados de la IA y es un punto de partida excelente para iniciar esa conversación.
Creo que hemos puesto muy en primer plano la idea de no creer todo lo que se lee ni todo lo que nos dicen. Como docente, tengo cierto poder en el aula: puedo transmitir información y los estudiantes pueden sentir que deben creerme. Pero ¿cuál es mi trayectoria? ¿Cómo saben que lo que sé es verdad? Por eso, a veces cuando imparto clase comparto un poco de mi historia, mi contexto y por qué sé que algo es cierto, sin llegar a presentar mi currículum. No creo que sea necesario llegar a ese extremo, pero sí pienso que debemos mostrar nuestra propia credibilidad de forma más explícita, especialmente ahora que los estudiantes están tan dispuestos a cuestionarla.
Las "alucinaciones" de la IA presentan riesgos evidentes. ¿Cómo deberían formarse los estudiantes para identificar y gestionar estas imprecisiones?
Para empezar, reconozco desde mi formación médica que "alucinación" es un término muy imperfecto. Humaniza un proceso que es fundamentalmente estadístico, lo cual resulta útil como abreviatura, pero no encaja realmente con el modelo ni con el elemento mecánico de los modelos de lenguaje. Dicho esto, los estudiantes necesitan dos cosas: conciencia y método.
Conciencia de que los resultados de la IA pueden ser incorrectos aunque estén formulados con total seguridad. Creo que esto ilumina algo hacia lo que probablemente necesitábamos reorientarnos. Recuerdo que cuando empecé en la universidad hablábamos de cómo saber si un artículo académico era imparcial, relevante y reciente. El problema con la IA es que gran parte de lo que se publica sobre ella procede de blogs y medios de comunicación, antes de que tengamos datos sólidos en los que confiar de manera convencional. Y eso es bastante difícil: ¿en qué periódico confías? ¿Qué blog es fiable?
Creo que debemos pensar en algo que escuché hace un par de años y que se conoce como BREAD: Bias (sesgo), Relevance (relevancia del proyecto), Evidence (evidencia), Author (autor) y Date (fecha de publicación). Siempre hemos necesitado pensar en la motivación detrás de una publicación, en quién se beneficia de difundir algo y quién no. No es nada nuevo. Es lo que siempre hemos hecho con las fuentes, pero se traduce muy bien a los resultados de la IA y es un punto de partida excelente para iniciar esa conversación.
Creo que hemos puesto muy en primer plano la idea de no creer todo lo que se lee ni todo lo que nos dicen. Como docente, tengo cierto poder en el aula: puedo transmitir información y los estudiantes pueden sentir que deben creerme. Pero ¿cuál es mi trayectoria? ¿Cómo saben que lo que sé es verdad? Por eso, a veces cuando imparto clase comparto un poco de mi historia, mi contexto y por qué sé que algo es cierto, sin llegar a presentar mi currículum. No creo que sea necesario llegar a ese extremo, pero sí pienso que debemos mostrar nuestra propia credibilidad de forma más explícita, especialmente ahora que los estudiantes están tan dispuestos a cuestionarla.
De cara al futuro, ¿cuáles son las tres competencias clave que los educadores sanitarios necesitan desarrollar para seguir siendo efectivos en un entorno impulsado por la IA?
Soy muy partidario del uso positivo de la IA y de explorarla con curiosidad, así que este es un tema que realmente disfruto.
La primera competencia tiene que ver con la comprensión conceptual por encima de la familiaridad con las herramientas. Los educadores me dicen: "Me preocupa no poder mantenerme al día", y lo entiendo perfectamente. Yo mismo no puedo decir que estoy al día con cómo funciona cada herramienta, cómo es su interfaz en este momento o cuáles son las últimas novedades. Pero sé lo que está pasando en general y qué tipo de cosas existen. Creo que esa preocupación por seguir el ritmo de cada plataforma es precisamente lo que hace que nunca puedas lograrlo, y convierte la tarea en algo tan enorme que añade riesgo a tu propio conocimiento. Así que no te preocupes por seguir cada nueva plataforma. Los problemas de fondo — el sesgo, la fiabilidad, la dependencia excesiva — se mantienen constantes independientemente del modelo de IA que uses, de la interfaz que te indique tu empleador o de la tarea que tengas entre manos. Y sea cual sea esa tarea, no deberías usar un único modelo de IA para todo, porque algunos serán mejores en unas cosas que en otras. Si tomamos un modelo público como ChatGPT, por ejemplo: no está creado para la investigación. Si existe un modelo de IA diseñado específicamente para investigación y está recogido en tu metodología y en tu formulario ético, ese es el que deberías usar.
La segunda competencia sería la pedagogía digital crítica: la capacidad de diseñar aprendizaje que integre la IA de forma significativa y no reactiva. No deberíamos sentir que necesitamos añadir una casilla que diga "sí, usamos IA en nuestros programas y por eso hoy vamos a hacer esta tarea", sin que esté realmente integrada de forma coherente. Se trata de identificar qué se vería mejorado por la IA, qué no, y dónde podemos crear resultados genuinos para el estudiante. Por ejemplo, en lugar de proporcionar un caso clínico para una evaluación, ¿podrían los estudiantes generar ellos mismos ese caso clínico y luego analizar críticamente su precisión? De ese modo, la evaluación consistiría en su análisis crítico del caso, no en el caso en sí.
Y la tercera, creo, es simplemente la confianza para implicarse y experimentar. No es necesario estar al día de todo, y esa presión puede convertirse en un obstáculo real. Solo hay que empezar, probar, adaptar y ver qué funciona. El resultado de una IA probablemente nunca debería copiarse y pegarse tal cual. Debe trabajarse y refinarse. Y cuando por fin obtengas el resultado que buscas, pregúntale a la IA cuál debería haber sido tu prompt inicial: así te formarás en la generación de prompts.
