Elsevier Educación Médica presenta una entrevista con el Dr. Philip Xiu, Profesor Senior Honorario de la Universidad de Leeds y Editor en Jefe de Evaluación y Presidente del Consejo de IA de Elsevier ClinicalKey Student UK, en la que explora cómo la IA puede mejorar el aprendizaje, enriquecer la evaluación y apoyar resultados más equitativos en la educación médica.
¿Qué habilidades clínicas han sido más importantes para su éxito como educador y líder?
Escucha profunda
Creo que hay un par de habilidades que son bastante importantes. Una de las primeras que me viene a la mente es la escucha. Suena bastante simple, pero es la misma habilidad que me permite llevar a cabo una consulta de médico de cabecera de diez minutos por la mañana, y es la que más lejos me ha llevado como educador y líder sanitario. En la consulta, si no escucho bien, a menudo pierdo el diagnóstico y los matices de la agenda del paciente, si es que tiene alguna. En una reunión de facultad, si no escucho bien, a menudo pierdo a la persona que hay detrás del problema. Y eso es lo que he aprendido: que la verdadera escucha no consiste solo en oír palabras, sino en crear espacio para lo que necesita ser dicho. Eso es aún más importante cuando estoy en una reunión con los estudiantes y me dicen que están bien, pero en realidad he notado que su razonamiento clínico ha cambiado y se ha vuelto más formulaico, o que muestran cierta tendencia a la memorización. En mi mente, eso suele ser alguien que está luchando con el síndrome del impostor o sintiéndose fuera de lugar. De manera similar, si tengo un colega docente que puede venir de un contexto cultural diferente y se queda en silencio durante una reunión de debate curricular, eso podría indicar que estamos diseñando inconscientemente para un tipo concreto de estudiante con un perfil muy específico. Creo que la habilidad de escucha realmente me ayuda a captar esas preocupaciones ocultas, especialmente de los pacientes sobre sus síntomas. Y de manera similar, esas preocupaciones ocultas específicas son las que me permiten reconocer cuándo nuestro propio entorno educativo no está funcionando para todos.
Humildad productiva
Otra habilidad en la que pienso es la humildad productiva: ser un educador o clínico que se siente cómodo diciendo "no lo sé, averigüémoslo juntos". En honor a la verdad, la medicina ha pasado décadas, cientos de años, recompensando la certeza. Pero creo que los mejores educadores deberían modelar bien la incertidumbre, porque aquellos educadores que son excelentes, y ciertamente los que tomo como referencia, deberían transmitir que está bien no tener todas las respuestas. Ahí es donde vive la curiosidad. Esto es especialmente importante cuando trabajamos con grupos de estudiantes diversos, porque cada uno de ellos puede aportar perspectivas diferentes y también puede cuestionar nuestras suposiciones existentes.
Tiene una amplia experiencia en aprendizaje personalizado y ha contribuido al desarrollo de numerosas publicaciones de Elsevier, así como de herramientas como StudyFinder AI y Assessment Creator dentro de ClinicalKey Student. Desde esa perspectiva, ¿qué limitaciones tradicionales de la evaluación digital cree que la IA está abordando por primera vez?
Creo que durante mucho tiempo la evaluación digital ha sido bastante buena en ciertas cosas. Una de ellas es la escala. El matiz de eso es que es notablemente deficiente en otras, concretamente en la sutileza. Por ejemplo, el profesorado podría entregar 1.000 preguntas de opción múltiple a 1.000 estudiantes de la noche a la mañana; sin embargo, esto podría estar midiendo simplemente el reconocimiento en lugar del razonamiento clínico. En medicina, esa es una brecha bastante peligrosa.
La IA desplaza el foco de la evaluación del resultado al proceso de razonamiento
Lo que la IA está haciendo por primera vez es cerrar esa brecha entre lo que un estudiante respondió y por qué lo respondió de esa manera concreta. Podemos potencialmente generar preguntas de seguimiento que exploren una ruta de razonamiento específica, no solo el punto final del diagnóstico. Podemos potencialmente adaptar la dificultad de la evaluación en tiempo real, ajustada a la aptitud del recorrido del estudiante. También podemos usar la IA para señalar a los estudiantes que podrían estar anclándose de forma consistente en un dato fijo o en una idea errónea que, por cierto, es exactamente el tipo de sesgo cognitivo que puede perjudicar a los pacientes en mi consulta de médico de cabecera un lunes por la mañana, por ejemplo.
Diría que la evaluación digital a la antigua usanza pregunta: "¿Lo he acertado?". Mientras que creo que la evaluación impulsada por IA es probablemente un enfoque más matizado. Pregunta: "¿Cómo has pensado?", "¿Cómo has llegado ahí?". Ese cambio de un resultado al proceso que lleva a ese resultado es en lo que necesitamos centrarnos. Y, por primera vez, podemos hacerlo a escala sin agotar a nuestro profesorado.
¿Cómo está evolucionando el aprendizaje personalizado con la integración de la IA, especialmente en colaboración con el profesorado?
Creo que el mayor temor cuando llegó la IA por primera vez fue que iba a reemplazar al educador, y creo que está ocurriendo lo contrario. Lo que realmente está pasando es que está restaurando al educador.
La IA devuelve al profesorado a la mentoría, no solo a la administración
Durante mucho tiempo, el profesorado ha estado enterrado bajo correcciones, evaluaciones, actualizaciones de contenido y respuestas a consultas de los estudiantes. Pero la IA está asumiendo ahora una gran parte de esa carga, lo que significa que el profesorado puede volver a la parte de la enseñanza que realmente les inspiró a dedicarse a ella en primer lugar. Eso incluye la mentoría, el modelado, la identidad profesional y, para mí personalmente, sentarme con un estudiante que está teniendo dificultades y ver su propio desarrollo y su propio camino.
Eso es lo que el aprendizaje personalizado significa para mí. Significa mucho más que un sistema informático que elige tu siguiente pregunta. Ahora, con suerte, significa que existe una conversación continua entre el estudiante, el contenido que está intentando abordar y el propio educador, y la IA es realmente el tejido conectivo entre todos ellos. Como miembro del profesorado, puedo ver dónde está atascado mi estudiante incluso antes de que me lo diga, y potencialmente podría intervenir antes y con datos mucho mejores que lo respalden. Y con toda honestidad, también le ahorra tiempo al profesorado, porque el estudiante a menudo ya ha resuelto por sí mismo cualquier consulta sobre el contenido a través de sus propias búsquedas en la IA.
"En pocas palabras, la IA puede decirte quién está suspendiendo y en qué está fallando, pero yo diría que solo un educador puede decirte por qué. Y solo esa relación entre el educador y el propio estudiante puede decirle al estudiante cómo el educador puede ayudarle a acompañarle a lo largo de todo ese proceso."
Dr. Philip Xiu, Profesor Senior Honorario, Universidad de Leeds | Elsevier Faculty Hub, junio de 2026
En este contexto, ¿cuál es el papel del educador en las herramientas de evaluación —como el seguimiento, la evaluación continua, la remediación y la medición del rendimiento— y qué ventajas aporta la IA para reforzar ese papel?
Diría que el papel del educador sigue siendo el de intérprete. Los datos no son un juicio, porque un panel de control que me dice que un estudiante está en el decil inferior me dice casi nada sobre por qué y cómo está teniendo dificultades con el contenido. Quizás está lidiando con su propia confianza interna. Quizás tiene otros problemas contextuales o ambientales, como responsabilidades de cuidado en casa. O quizás el plan de estudios nunca fue diseñado pensando en alguien como él.
Creo que la fortaleza de la IA reside en el reconocimiento de patrones a lo largo de conjuntos de datos longitudinales, algo para lo que el cerebro humano realmente no está diseñado. Podría mostrarme, de forma longitudinal, que los errores de razonamiento de un estudiante se agrupan en torno a presentaciones clínicas específicas, o que su rendimiento cae cada vez que la evaluación se entrega en un formato concreto. Esa es información de gran valor para el educador. La conversación de remediación con el estudiante puede ser entonces: "Sentémonos y veamos qué está pasando", que puede seguir siendo humana, utilizando los datos como eje central.
En pocas palabras, la IA puede decirte quién está suspendiendo y en qué está fallando, pero yo diría que solo un educador puede decirte por qué. Y solo esa relación entre el educador y el propio estudiante puede decirle al estudiante cómo el educador puede ayudarle a acompañarle a lo largo de todo ese proceso.
"La IA se parece mucho a un espejo. No es como una ventana. Reflejará lo que sea y a quien sea que la construyó, utilizando el conjunto de datos que tenga. Por eso, si quieres reducir la desigualdad, las personas que construyen herramientas de IA realmente tendrán que parecerse al mundo al que se supone que deben servir."
Dr. Philip Xiu, Profesor Senior Honorario, Universidad de Leeds | Elsevier Faculty Hub, junio de 2026
¿Qué papel juega la tecnología en la reducción de las desigualdades globales en la educación médica? Y más concretamente, ¿cómo puede contribuir la IA a esto?
La educación médica ha sido durante demasiado tiempo algo parecido a una lotería postal, pero a escala global. Esto se debe a que el acceso de los estudiantes a una enseñanza de alta calidad, a simulación, laboratorios, retroalimentación experta y evidencia actualizada ha dependido en gran medida de dónde el estudiante de medicina se encontrara cursando su formación. La tecnología, en su mejor versión, es el gran igualador en este sentido, porque un estudiante de medicina en Nairobi o Dhaka puede acceder ahora a la misma base de evidencia que uno en Cambridge o Boston.
La IA escala la retroalimentación experta más allá de geografías e idiomas
Creo que la IA va más allá, porque escala el recurso más escaso en la educación médica global: la retroalimentación experta y cualificada. Sencillamente, no puedes enviar a 10.000 clínicos sénior por todo el mundo, pero lo que sí puedes hacer es construir herramientas que puedan aproximarse a formas de retroalimentación de muy alta calidad en cualquier idioma, a cualquier hora, y calibrarla al contexto local y la geografía local. Y eso es nuevo.
El riesgo de inequidad
Pero, y esto realmente importa, la IA solo reducirá la desigualdad si se construye de manera equitativa, porque si se entrena con datos de una sola población de pacientes, perpetuará las desigualdades de ese conjunto de datos específico. La IA se parece mucho a un espejo. No es como una ventana. Reflejará lo que sea y a quien sea que la construyó, utilizando el conjunto de datos que tenga. Por eso, si quieres reducir la desigualdad, las personas que construyen herramientas de IA realmente tendrán que parecerse al mundo al que se supone que deben servir.
Como editor de gran experiencia, ¿qué tipos de sesgos persisten en el contenido educativo? ¿Cuál ha sido el más difícil de identificar o corregir, y cómo puede la IA ayudar a abordar este desafío?
Sesgos visibles en el contenido educativo
Los sesgos que abordamos con frecuencia son los sesgos visibles. Por ejemplo, como editor, vemos libros de texto médicos que solo muestran signos dermatológicos en piel blanca. O quizás un banco de preguntas con viñetas clínicas donde todos los cardiólogos son hombres y todas las pacientes con ansiedad son mujeres. Estamos lejos de ser perfectos, pero como educadores ya podemos ver esos sesgos.
Sesgos ocultos en el contenido educativo y cómo puede ayudar la IA
Los sesgos que persisten son, creo, mucho más sutiles y potencialmente más peligrosos. Necesitamos entender cuya perspectiva, cuyas experiencias y cuyas formas de comprensión se consideran autoritativas. Por ejemplo, ¿la investigación de quién estamos utilizando para enseñar a los estudiantes de medicina como evidencia y como verdad absoluta? El segundo aspecto es qué narrativas clínicas se enmarcan como el caso clásico de una condición médica típica, y cuáles se presentan como atípicas, cuando la etiqueta de atípico probablemente solo significa que ese paciente en particular no es blanco, no es hombre y no es occidental. En tercer lugar, somos muy conscientes de que hay condiciones y grupos enteros de poblaciones y contextos que sencillamente están ausentes del propio currículo médico.
Estos sesgos son tan difíciles de detectar no por lo que está escrito, sino por lo que no está escrito. Y ahí es donde la IA puede ayudar, con suerte, porque ese análisis de patrones a través de grandes volúmenes de contenido puede sacar a la superficie estas ausencias de conocimiento que ningún editor individual podría detectar. El sesgo que ves es un problema —estoy de acuerdo—. El sesgo que no puedes ver es el currículo oculto, y el regalo de la IA a los editores es hacer visibles los sesgos invisibles.
"La IA no reemplazará a los educadores. Sin embargo, creo que la IA es beneficiosa para liberar el ancho de banda de los educadores. Esto se debe principalmente a que los educadores y profesores que usen la IA tendrán el tiempo, los datos y también el alcance para hacer las partes humanas de la enseñanza mejor que nadie."
Dr. Philip Xiu, Profesor Senior Honorario, Universidad de Leeds | Elsevier Faculty Hub, junio de 2026
Desempeña múltiples roles, incluido el de educador. ¿Qué consejo daría a los docentes que están empezando a incorporar la IA a su práctica?
Empieza por el problema pedagógico, no por la herramienta de IA
Un par de cosas. Lo primero es que partas del problema, no de la herramienta. Nunca te preguntes: "¿Cómo uso la IA?". En cambio, deberías preguntarte: "¿Qué parte de mi labor docente está fallando a mis estudiantes?", "¿Qué parte de mi vida como docente me está agotando?". Luego buscas la herramienta, sea IA o no, que ayude con ese problema concreto. De lo contrario, lo que suele ocurrir, especialmente con los educadores más nuevos, es que acabas pasando meses y meses jugando con chatbots sin que eso se traduzca realmente en mejores resultados de enseñanza.
Trata los resultados de la IA con escepticismo
Lo segundo es que debes mantenerte escéptico pero también curioso. Deberías tratar cada resultado de la IA de la misma manera que tratas a un estudiante de medicina de último año seguro de sí mismo en una ronda de visitas. Probablemente tenga razón, de vez en cuando se equivoca, pero definitivamente vale la pena verificar lo que está proponiendo. Y si acaso, la verificación debería ser ahora una habilidad docente fundamental, tanto para ti como miembro del profesorado como para enseñársela a los propios estudiantes.
La IA libera el ancho de banda del educador
El último es probablemente el más importante. Es reconocer que la IA no reemplazará a los educadores. Sin embargo, creo que la IA es beneficiosa para liberar el ancho de banda de los educadores. Esto se debe principalmente a que los educadores y profesores que usen la IA tendrán el tiempo, los datos y también el alcance para hacer las partes humanas de la enseñanza mejor que nadie.
Y por último, una pregunta más personal: ¿cómo utilizas la IA en tu trabajo diario?
Trabajo como médico de cabecera en medicina familiar y, siendo honesto, la IA ha cambiado realmente mi semana de trabajo. Mucho más de lo que esperaba inicialmente, y también de maneras que no imaginaba posibles.
Uso clínico y educativo
En la práctica clínica, la uso para resumir largos informes de alta antes de una consulta específica con los pacientes. Ese tiempo precioso que recupero dentro de una consulta de diez minutos realmente cambia la calidad y la cantidad de contexto que tengo con el paciente que tengo delante. En la educación clínica, la uso para redactar casos clínicos, para poner a prueba distintos ítems de evaluación y para reformular posibles comentarios de retroalimentación de modo que lleguen mejor a un estudiante que pueda estar teniendo dificultades.
El límite innegociable: la IA como input, el juicio humano como decisión
Pero lo fundamental que quiero reiterar es que nunca usaría ninguna herramienta de IA para tomar ninguna decisión. La uso para asegurarme de que me ayuda a tomar la decisión de forma mejor, más sólida y más defendible. Pero aun así, en el entorno clínico, cuando veo al paciente frente a mí, el diagnóstico sigue siendo mío. También, en cualquier entorno tutorial con un estudiante, los juicios sobre un estudiante concreto siguen siendo míos. Lo fundamental es que la relación que tengo con el paciente y con los estudiantes es lo único que nunca externalizaré. Lo que diría es que la IA simplemente me devuelve mi tiempo. Ahora bien, lo que hago con ese tiempo —si escucho, enseño, observo o cuido— eso sigue siendo el trabajo, y está firmemente dentro del ámbito de la medicina.
