IA y derecho a la educación (U1D): entre mercantilismo (E1D) y cobertura (A1D)

En los primeros textos con voces unívocas (U1D), unas investigaciones implementan sistemas de IA para prevenir problemas como la deserción y el bajo rendimiento que configurarían fracasos educativos (^{Rovira et al., 2017}; ^{Umer et al., 2017}), otras crean desarrollos mediante minería de datos y algoritmos de aprendizaje automático que predicen, a partir de la motivación inicial de los estudiantes, tanto sus intenciones de abandono, como sus posibilidades de permanencia y éxito. De ahí resultan acciones de orientación profesional y de tutorías para reducir tasas de deserción (^{Sreenivasa et al., 2018}; ^{Hoffait & Schyns, 2017}). Con relación a esta ayuda estudiantil, ^{Lynch (2018}) se refiere a los “compañeros de aprendizaje permanente”, que permiten conocer sus historias personales y escolares, así como reforzar habilidades y dominio de contenidos de aprendizaje.

Por otra parte, se presentan modelos basados en la minería de datos como la regresión logística, mediante árboles de decisión y redes neuronales, para predecir la retención estudiantil y posibilidades de graduación (^{Raju & Schumacker, 2015}). Asimismo, sistemas interactivos como el Intelligent Student Assistant (StuA) que asiste en la inducción estudiantil al ámbito universitario (^{Lodhi et al., 2018}), los Embodied Conversational Agents (ECA) como apoyo en decidir y cambiar actitudes ante situaciones estigmatizantes construidas culturalmente (^{Sebastian & Richards, 2017}), y los Intelligent Tutoring Systems (ITS), basados en modelos de aprendizaje y redes neuronales, que indican rutas de aprendizaje, proporcionan una estructura cognitiva e involucran al estudiante con su aprendizaje (^{Zawacki et al., 2019}).

Otros sistemas favorecen la inserción en el mundo laboral de los egresados como el Modelo Lingüístico que captura datos del currículum, fortalece la toma de decisiones con múltiples criterios y mejora solicitudes de prácticas en el mercado laboral, de acuerdo con sus preferencias (^{Nguyen et al., 2018}). Asimismo, los sistemas expertos permiten la selección del personal, a partir de sus habilidades personales, sociales y sus conocimientos técnicos. Estos sistemas fortalecen la integración entre las competencias definidas en los currículos y sus perfiles de egreso, con las necesidades de las empresas (^{Sánchez et al., 2016}).

Los últimos autores consideran ampliar la cobertura en educación mediante desarrollos con RA y RM, que permiten arribar a situaciones, entornos y contextos, con dificultades de acceso físico. Estas nuevas realidades permiten el acceso de estudiantes en situaciones remotas a escenarios académicos, investigativos y culturales, para fortalecer sus procesos de enseñanza-aprendizaje e investigación (^{Craig & Georgieva, 2018}) e interactuar con agentes virtuales que actúen como facilitadores y acompañantes de los estudiantes (^{Zawacki et al., 2019}).

La primera voz equívoca de los desarrollos de IA frente a la educación como derecho (E1D) se relaciona con factores comerciales, mercantilistas y lucrativos, influenciados por políticas neoliberales, que impactan actores y prácticas educativas. Mientras que ^{Saura y Bolívar (2019}, p. 11) distinguen dos perspectivas neoliberales en la educación: una basada en los “enfoques de condición estructural de las políticas” y otra “focalizada en aspectos de la nueva gestión pública”, ^{Campos y Lastória (2020}) retoman la conversión de la formación (bildung) a una “semiformación” (halbbildung), conquistada por el fetichismo de la mercancía, planteada por Adorno, y la conectan con la IA, la racionalidad instrumental y el aprendizaje.

Esta situación mercantilista se alimenta del valor comercial de datos y conocimiento, cuyo beneficio financiero se enruta hacia terceros. El valor de los datos vigilados es cada vez mayor para empresas que investigan sobre hábitos y preferencias de los usuarios. En el ámbito académico, ^{Lupton (2016}) señala las recopilaciones automáticas de publicaciones de software como Web of Science y Google Scholar que diseñan métricas sobre su desempeño y en las cuales “. . . los académicos no tienen opción sobre si desean o no que sus registros de publicación y citas se muestren públicamente en estas plataformas”¹ (p. 110, traducción propia).

Otros autores indican que desarrollos de IA, a la vez que influenciaron el comercio en la educación, condujeron sus prácticas por el mercado de los rankings, la métrica de sus resultados y la medición productiva de los educadores. Este comercio de la producción de conocimiento, según ^{Feldman y Sandoval (2018}), creó dos niveles investigación. Una vinculada con la carrera profesional, con reconocimiento institucional, incentivos y transferencia de conocimiento, y otra desligada de la producción mercantil y afín con una acción ética relevante con la mejora de la sociedad y la formación ciudadana. Una mercantilista, recompensada por las disciplinas, y otra destacada desde el punto de vista social y humano.

En este marco productivo se limita el derecho a la educación a quienes tienen posibilidades monetarias y se configura la biometría de los sujetos académicos: “metrificados” (^{Beer, 2016}), “datificados” (^{Cheney, 2017}), “cuantificados” (^{Lupton, 2016}), “digitalizados” (^{Moore & Robinson, 2016}). En cada denominación subyacen políticas neoliberales que ejercen una gobernanza suave mediante evaluaciones cuantitativas que desvían los propósitos de la educación (^{Saura & Bolívar, 2019}). Estudios señalan impactos bibliométricos que miden la calidad de las investigaciones mediante cuantificaciones digitalizadas y establecen valores comerciales a estos productos de conocimiento (^{Feldman & Sandoval, 2018}; Lupton et al., 2018).

Esta métrica, además de ser factor de capital y comercio, actúa como control que monitorea el supuesto valor y el comportamiento de las personas (^{Saura & Bolívar, 2019}). Así, la vida humana se convirtió en producto con valor monetario, “. . . la capitalización del cuerpo humano” (^{Lupton, 2016}), por medio del precio establecido para los conocimientos biodigitales generados por las personas. En consecuencia, los actores educativos se convierten en prosumidores (productor-consumidor a la vez) y su información, datos y conocimiento en mercancía (^{Feldman & Sandoval, 2018}). Frente a la tecnología y su productividad, el prosumidor debe producir-consumir todo aquello producido- -consumido. Allí, el actor educativo “se disuelve en la contracción del intervalo entre producción y consumo” y su reconocimiento se limita a su “respuesta funcional” exigida por el aparato productivo (^{Marín, 2018}, p. 189).

La primera analogía (A1D) se sustenta con criterios cuantitativos: cuanto mayor sea el desarrollo de sistemas de IA, mayor serán las oportunidades para la cobertura en educación: “Cuanto más amplio sea el conjunto de funcionamientos disponibles en una sociedad, más inclusiva será y ofrecerá mayores posibilidades de vida a las personas, y una libertad de elección mayor, favoreciendo la igualdad de oportunidades” (^{Toboso & Aparicio, 2019}, p. 172). Así, más oportunidades para afrontar problemas de deserción y ayudar a los estudiantes con tutores personalizados que guían y gestionan el aprendizaje, con el cuidado de que los profesores, con su presencia e interacción, coadyuven con el desarrollo de habilidades relacionadas con el ser y el convivir para una vida económica y social equilibrada (^{Popenici & Kerr, 2017}).

IA y humanismo (U2H): entre reconfigurar (E2H) y fortalecer lo humano (A2H)

Una mayor dedicación al cultivo de las dimensiones físicas, emocionales e intelectuales en camino hacia una “excelencia propia de nuestra humanidad” (^{Zovko & Dillon, 2018}, p. 554) es una perspectiva univocista (U2H) que beneficiaría una visión humanista de la educación extendida a toda la vida (^{Pedró, 2019}). Con estos desarrollos las personas “deberán seguir aprendiendo a lo largo de sus vidas”, “los sistemas educativos tendrán que adaptarse a este nuevo paradigma” y se ofrecerán “mejores opciones de formación para todos” (Telefónica, 2018, p. 34). La automatización permitirá eximir a educadores de actividades rutinarias y administrativas para dedicarse a su desarrollo integral, así como al cuidado y acompañamiento personalizado de sus estudiantes (^{Lynch, 2018}; ^{Popenici & Kerr, 2017}).

Frente a la interacción entre humanos, fundamental para el desarrollo personal y social (^{Rivera & Sánchez, 2018}), unas voces equívocas (E2H) señalan el riesgo de transgredirla con la sustitución de lo humano por máquinas inteligentes. Unas prácticas automatizadas debilitarían tanto lo que significa ser humano, como el propósito educativo de ser “un medio para llegar a ser lo más humano posible, tanto como individuos de valor único e inalienable como miembros de la comunidad humana universal” (^{Zovko & Dillon, 2018}, p. 555).

A partir de considerar datos y algoritmos como “unidades epistemológicas hechas para tener una forma de representación” y fenómenos “políticos, normativos y éticos” (^{Prinsloo, 2017}, p. 143) con poder de moldear la vida social en varios grados y sobre los cuales los individuos tienen, cada vez más, menos control (^{Monasterio, 2017}), unos autores exponen el proceso de co-configuración y co-constitución entre ser humano y tecnologías como horizonte para la comprensión humana, con la consecuente formación de la mente y extensión del cuerpo (^{Ihde & Malafouris, 2019}; ^{Marín, 2018}; ^{Menéndez, 2018}).

La IA se encamina de la emulación del “lenguaje natural” (^{Wei & Zhao, 2019}), a desarrollar “agentes racionales” (^{Russell, 2017}; ^{Baker, 2019}), reconocer e incorporar “emociones” (^{Imani & Montazer, 2019}; ^{Craig & Georgieva, 2018}), hasta otorgarles “responsabilidades” y “personalidades” (^{Keating & Nourbakhsh, 2018}) y desarrollar “conciencia” o “sentido moral” en estos sistemas (^{Monasterio, 2017}; ^{Perez et al., 2017}). En consecuencia, incidirían en lo orgánico para modificarlo, mejorarlo y re-crearlo (^{García, 2017}) y cambiar la naturaleza “líquida, transformable y fluida” del ser humano, con las “consecuencias físicas, psíquicas, sociológicas y ecológicas para la vida, la salud y la integridad de las personas” (^{Postigo, 2018}, p. 55). Cambiar el concepto de lo que significa ser humano (Telefónica, 2018), transformar su condición y naturaleza (^{Torcal, 2018}) o erosionar la autodeterminación humana (^{Floridi et al., 2018}) abren riesgos de que los seres humanos pueden ser redefinidos por la tecnología (^{Popenici & Kerr, 2017}).

En consecuencia, algunos sistemas buscan reemplazar y sustituir a profesores con criterios de rentabilidad: “la enseñanza es reemplazada por soluciones automatizadas de IA” (^{Popenici & Kerr, 2017}, p. 9). Un riesgo para la estabilidad laboral del personal, con implicaciones éticas en relación con los datos confidenciales y la privacidad de los actores educativos (^{Zawacki et al., 2019}) y con inquietudes acerca de si los “costosos programas de investigación de IA en educación, los sistemas inteligentes de tutoría y la minería de datos” se podrían considerar “una mejor opción de inversión” que una educación con más o mejores profesores (^{Bayne, 2015}, p. 459; ^{Kaplan & Haenlein, 2019}). La misma denominación teacherbot crea una “confusión de límites” (Bayne, 2015) y reduce el rol de los profesores a motivadores del aprendizaje o facilitadores de aula (^{Lynch, 2018}) o a la supervisión, evaluación y gestión del aprendizaje en línea (Popenici & Kerr, 2017). Más aún, la concepción y práctica de estos sistemas emancipados de su condición instrumental configura e hipervincula el maestro humano como su “funcionario” (^{Marín, 2018}).

Por último, autores señalan dos fuerzas ejerciendo su poder sobre la transformación humana y social: la educación busca mejorar su contexto sociocultural con unos valores humanos y los sistemas de IA con sus datos y algoritmos, configurados para influir, invadir y transformar la conducta humana con otros valores de tipo económico (^{Torcal, 2018}). ^{Prinsloo (2017}) indica que a pesar de la creciente conciencia sobre cómo los algoritmos transforman la noción de subjetividad humana, el propósito de formar sujetos políticos se enfrenta con formas y métodos sutiles y automatizados que invaden los actores educativos.

La segunda analogía (A2H) se refiere a una automatización que facilita la vida de las personas y puede estar “al servicio de la autodeterminación humana”, “fomentar la cohesión social, sin socavar la dignidad humana” (^{Floridi et al., 2018}, p. 694). El Manifiesto de Telefónica (2018) equilibra entre la actualización y flexibilidad de los sistemas educativos para adaptarse al cambio e incertidumbre de la IA, con la necesidad de “un enfoque humanístico que fomente el pensamiento crítico y creativo, así como una filosofía de aprendizaje continuo” (p. 14).

En cuanto a la relación teacherbot-profesor, ^{Bayne (2015}) señala algunos aspectos analógicos: explorar prácticas de enseñanza automatizada que integren dimensión humanista y apropiación tecnológica; explorar formas de integrar la presencia del profesor con la automatización y de trabajar juntos profesores-bots sin jerarquías ontológicas y en aras de la productividad. En este sentido, ^{Pedró (2019}) integra el cuidado de aspectos creativos, empáticos y socioemocionales por parte de los profesores, con el apoyo de la IA en el aprendizaje y en tareas cognitivas rutinarias. Asimismo, se acentúa la interacción entre actores educativos con la insustituible presencia del profesor (^{Lynch, 2018}; ^{Popenici & Kerr, 2017}), con la oportunidad de extender su rol en los nuevos escenarios mediante los nuevos sistemas, el aprendizaje automático y las nuevas metodologías de aprendizaje activo (^{Adams et al., 2018}).

IA y autonomía (U3A): frente a gobernanza (E3A) y responsabilidad personal (A3A)

Autonomía, pensamiento crítico para una ciudadanía responsable (^{Nussbaum, 2010}) y uso público de la razón (^{Cortina, 2013}) son propósitos que se podrían fortalecer (U3A) con el empoderamiento a las personas, la descentralización del poder y la participación ciudadana que posibilitan las plataformas digitales y la internet (^{Zafra, 2018}). La hiperinformación y comunicación facilitadas por la IA vigorizan la autonomía y “el desarrollo de una inteligencia resistente ante el poder de la autoridad y las tradiciones ciegas” (Nussbaum, 2010, p. 11), así como los procesos flexibles y multidisciplinarios de aprendizaje (^{Lobo, 2018}).

En contraste, la tercera voz equívoca (E3A) indica el riesgo para la autonomía debido a la manipulación y gobernanza mediante la programación algorítmica de la información y los datos personales. Estas configuraciones influyen en las decisiones individuales con el fin de manipular resultados, modificar conductas y adoptar cierto tipo de comportamientos de manera inconsciente (^{Cotino, 2017}), mediante la creación y extensión de corrientes emocionales negativas (^{Zafra, 2018}), y conducir a su “área gris” donde datos automatizados extrapolan contextos y hechos reales (^{Adams et al., 2018}). Por otra parte, estos dispositivos acrecientan la “desventaja social de los grupos marginados” que no tienen control ni conocimiento sobre cómo se analizan y emplean sus datos, y configuran una “autoridad algorítmica” que ejerce un dominio sobre unos “sujetos automatizados”, cuyas decisiones las toman los codificadores como parte de una “agenda política conservadora” (^{Lupton, 2016}, p. 118).

El paso de la manipulación a la gobernanza es tan sutil como las técnicas con las cuales se realiza. ^{Saura y Bolívar (2019}) señalan el automonitoreo, el autocontrol y la libertad engañosa de la seducción, por medio de suaves procesos de control que monitorean la vida misma, con el resultado de un “sujeto visible y visibilizado, pero vacío” (p. 22). Esta gobernanza traza una contradicción y paradoja a los individuos cuando los mueve entre “zombis e inteligentes”, “animales listos y genios” y entre “gobernados por las causas del cerebro y el entorno que impiden la libertad” y “lúcidos y creativos en extremo” (^{Espinosa, 2018}, p. 119).

La paradoja gobernanza-autonomía falsa se ubica en el “panóptico digital”, donde el individuo exhibe y expone su interioridad a través de sus datos, con los cuales se manipula y gobierna. Allí, cada uno es “panóptico de sí mismo”, configurado con sus propios datos y manipulado mediante la psicopolítica neoliberal, que busca agradar en lugar de someter, por medio de la seducción gustosa ejercida con emociones positivas (^{Han, 2014}). Así, se declara la muerte al “tipo histórico de Sapiens” que a partir de la conciencia de su propia dimensión individual se considera autónomo, independiente y autodeterminado (^{Marín, 2018}).

Con la falaz autonomía se arriesga la construcción de sujeto político, propósito educativo, con la consecuente anulación en la participación democrática. De ahí que la Declaración de Montréal (2018) prevenga que los sistemas de IA no deberían desarrollarse, ni utilizarse “para imponer un estilo de vida particular a las personas, ya sea directa o indirectamente, mediante la implementación de mecanismos de vigilancia y evaluación opresivos o de incentivos”.

El siguiente riesgo es la difuminación de la responsabilidad individual: “¿Quién es responsable de las decisiones de un sistema de IA? ¿El diseñador del algoritmo, su creador, su distribuidor, el propietario final?” (Telefónica, 2018, p. 69). Tanto responsabilidad como autonomía se erosionan por la fuerza de la presión social configurada en las redes sociales: “La fuerza de lo que piensen los demás ha demostrado tener capacidad suficiente para modificar el comportamiento de los sujetos” (^{Lanier, 2018}). La Declaración de Montréal (2018) alerta sobre la posibilidad de que desarrollos de IA disminuyan “la responsabilidad de los seres humanos cuando se deben tomar decisiones”.

La tercera analogía (A3A) indica un equilibrio entre las tareas delegadas a los sistemas de IA y el cuidado de la autonomía personal, mediante la supervisión y orientación de las programaciones de esos sistemas (^{Floridi et al., 2018}; ^{Lynch, 2018}). Por su parte, la Declaración de Montréal (2018) indica un equilibrio entre el uso de sistemas de IA y el respeto por la autonomía, con la posibilidad de “cumplir sus propios objetivos morales y su concepción de una vida que valga la pena vivir”. Asimismo, considera oportuno mantener “la diversidad social y cultural” y el desarrollo humano personal en el ámbito educativo, cuando estos sistemas evitan restringir “las elecciones de estilo de vida personales” y “la homogeneización de la sociedad mediante la estandarización de comportamientos y opiniones”.

IA y equidad (U4I): frente a sistemas excluyentes (E4I) e inclusión social (A4I)

La cuarta voz unívoca (U4I) indica contribuciones de la IA para la equidad en educación mediante la introducción de dispositivos interactivos que multipliquen entornos automatizados y se incluyan más estudiantes ubicados en lugares remotos (^{Toboso & Aparicio, 2019}). La conectividad posibilitaría nuevos modos de presencialidad con las formas de realidad (RA y RM) sostenidas por redes 5G en las que interactúan hombre-máquina y se recrean formas en que las personas experimentan el mundo (^{Adams et al., 2018}). Con esta “realidad extendida”, además de eliminar las distancias físicas, se aprovechan desarrollos como la simulación de vista de 360 grados de entorno, mediante imágenes 3D, que permite experimentar virtualmente problemáticas mundiales y generar acciones frente a ellas (^{Craig & Georgieva, 2018}).

Asimismo, se indica la posibilidad de apoyar el aprendizaje en países en desarrollo, mediante la telepresencia colaborativa y con el apoyo de sistemas de tutoría inteligentes como el Computer Assisted Learning (^{Pedró, 2019}; ^{Nye, 2015}), mejorar las capacidades de los actores educativos, mediante una “inteligencia humana aumentada por la IA”, y “encontrar nuevas soluciones a viejos y nuevos problemas”, a partir de una distribución de los recursos más justa y eficiente (^{Floridi et al., 2018}, p. 693).

Por último, se indica una “interacción constructiva” con la transformación cultural mediante la “robótica interactiva” orientada a fomentar y promover valores propios del entorno, deseables y compartidos por sus actores para la mejora de su contexto social (^{Toboso & Aparicio, 2019}). Así, se favorece la equidad de los sistemas educativos con el uso de datos (^{Pedró, 2019}) y la adopción de principios de responsabilidad, capacidad de elección y transparencia en el desarrollo de plataformas equitativas y algoritmos responsables (Telefónica, 2018). De ahí que ^{Stewart (2018}) resalte “. . . excelentes oportunidades para que los países en desarrollo reduzcan la brecha digital y creen sociedades más inclusivas” (p. 23).

El primer contraste señala nuevas brechas de exclusión social, digital y robótica (E41), que reflejan desigualdades de “acceso y uso”, así como de “oportunidades” (^{Toboso & Aparicio, 2019}). En los países en desarrollo estas grietas se amplían debido a sus deficiencias en número de dispositivos y en conectividad: en estos países más de la mitad de su población no está conectada (Telefónica, 2018). Los riesgos se indican tanto en rezagos en los procesos de enseñanza-aprendizaje (^{Zurutuza, 2018}), como en la privación de nuevos escenarios mediante las realidades extendidas (^{Munnerley et al., 2014}).

La revisión de ^{Nye (2015}) sintetiza obstáculos para introducir sistemas de IA en países en desarrollo: disponibilidad de hardware de TIC; disponibilidad eléctrica; confiabilidad de internet; costos de datos; formación en habilidades básicas de TIC; barrera de idioma; falta de contenido culturalmente apropiado. Además, ^{Zurutuza (2018}) indica que problemas sistémicos de desigualdad en la distribución de fuentes e información se deben a falta de infraestructura, contenidos inadecuados y prejuicios motivados por el origen étnico y cultural y, también, ^{Adams et al. (2018}) señalan otras barreras como la desproporción en el estatus socioeconómico, la inequidad de género y decisiones legislativas que obstaculizan el arribo de innovaciones.

En consecuencia, se amplía también la brecha entre instituciones educativas (^{Pedró, 2019}; ^{Beer, 2016}) como un “producto clave de los sistemas de producción neoliberales” bajo los parámetros de la utilidad (^{Feldman & Sandoval, 2018}, p. 218), y con las políticas de parametrización y clasificación no diferenciadas. Asimismo, las prácticas de generación, recolección y análisis de datos subscriben diferentes clases y brechas entre personas, de acuerdo con sus medios y funciones: unos con medios para recolectar datos, otros con artefactos y experiencia para analizarlos y fijar las reglas para su acceso y utilidad, y los últimos quienes los generan y con mínimas posibilidades: “Se crean así nuevas jerarquías políticas, económicas y sociales . . . un big data rico y un pobre big data” (^{Cotino, 2017}, p. 138). La convergencia de la exclusión e inequidad se focaliza en los “nuevos parias” (^{Lerman, 2013}) identificados con millones de personas que permanecen en la periferia de los grandes datos.

Por último, investigaciones evidencian discriminación e inequidad en la configuración de algoritmos para el acceso a la educación, con sesgos de género en la creación de perfiles (^{Sebastian & Richards, 2017}) y con formas de acoso de sus creadores que impactan las emociones personales (^{Craig & Georgieva, 2018}). En este ámbito, ^{Stewart (2018}, p. 23) se refiere a los datos y algoritmos para seleccionar características y configurar modelos con códigos que pueden integrar “prejuicios implícitos e inconscientes de sus creadores humanos”.

La Declaración de Montréal (2018) y ^{Floridi et al. (2018}) abren la cuarta (A4I) analogía: contribuir con el fortalecimiento de una sociedad justa y equitativa mediante la garantía de acceso para todos al conocimiento, a los recursos fundamentales y a los desarrollos de IA. Otro equilibrio se traza entre la integración de estos desarrollos a la educación y la oportunidad que ofrecen a la transformación de la cultura con valores educativos como la inclusión y la justicia. Esta transformación indica un diseño de la denominada “infosfera” con desarrollos cuyos valores prioritarios sean formativos y se orienten a mejorar la sociedad (Floridi, 2018).

El cierre de esta analogía indica un acceso equitativo e inclusivo a desarrollos como la robótica telepresencial que permitiría a estudiantes con necesidades especiales para asistir a la clase, mantener la continuidad de su aprendizaje (^{Pedró, 2019}), así como las oportunidades para el aprendizaje y la investigación mediante realidades aumentadas y mixtas, que permiten involucrar a los actores educativos en “una conversación por un mundo muy diferente, uno que pase de la era de la información a la era de la experiencia” (^{Craig & Georgieva, 2018}).

IA y formación integral: (U5F) frente a superficialidad (E5F) y habilidades (A5F)

Las últimas fuentes unívocas indican posibilidades para fortalecer otros pilares: conocer, hacer y convivir (U5F). Unos autores se centran en el potencial de la IA para innovar teorías y enfoques cognitivos con la centralidad del aprendizaje activo (^{Popenici & Kerr, 2017}), así como para aumentar y enriquecer el aula, con las consecuentes oportunidades de aprendizajes múltiples y flexibles (^{Munnerley et al., 2014}). ^{Pedró (2019}) se refiere a beneficios para el aprendizaje colaborativo mediante sistemas de aprendizaje automático y procesamiento de texto, que posibilitan crear grupos de discusión asíncronos, interconectar actores educativos y monitorear la información sobre sus discusiones, y la guía de su participación y aprendizaje. Es el caso del colaborador, Computer Science, que monitorea el comportamiento colaborativo de los estudiantes, los conduce hacia una actitud más productiva mediante la detección de momentos en los cuales disminuyeron su participación y utiliza tácticas para integrarlos de nuevo (^{Howard et al., 2017}).

Para el aprendizaje autónomo, la realidad ampliada permite al estudiante ejercer rol de cocreador de entornos mixtos y fortalecer su aprendizaje, a través de estímulos e interacciones con experiencias de realidad virtual, que inducen respuestas cerebrales similares a las producidas con eventos del mundo físico (^{Adams et al., 2018}). Asimismo, el aprendizaje personalizado se fortalece con experiencias adaptativas mediante sistemas que monitorean su progreso, personalizan y modifican sus rutas de aprendizaje, a partir de los datos y con tecnologías analíticas. Estos sistemas de aprendizaje adaptativo se ajustan al nivel y tipo de contenido, de acuerdo con el logro de habilidades del estudiante (Adams et al., 2018), así como a los diversos estilos de aprendizaje y a las múltiples inteligencias, con el aumento de factores de interés, atracción y flexibilidad en tiempos y lugares (^{Munnerley et al., 2014}). En el marco de los desarrollos para personalizar los procesos docentes (^{Campos & Lastória, 2020}), uno de estos sistemas, Intelligence Computer Assisted Instruction, se basa en la teoría de aprendizaje constructivo y establece un modelo cognitivo personalizado que determina el progreso y dominio de contenidos, además de analizar, decidir y construir una estrategia de aprendizaje adaptada al estudiante (^{Huang & Chen, 2016}).

Otro desarrollo de “simbiosis” entre humano-máquina, es el sistema cooperativo de ^{Walsh et al. (2017}) en el cual “aprendiz- ser humano” y “aprendiz-máquina” se benefician de un ambiente de aprendizaje eficaz y eficiente, con resultados cognitivos y afectivos, mediante el aprendizaje automático adaptado a los dos. En casos problemáticos, “aprendiz-máquina” presenta material correctivo para el progreso del ser humano. Otros sistemas fortalecen habilidades argumentativas para la escritura: mientras que el de puntualización automatizada analiza aspectos lingüísticos y estructurales de la escritura (^{Perin & Lauterbach, 2018}), el Sistema para la evaluación de argumentos identifica el nivel de argumentación en párrafos y sugiere recomendaciones para mejorar la argumentación en las formulaciones e informes finales de los proyectos (^{García et al., 2018}).

Finalmente, otras fuentes convergen en beneficios para el saber conocer y hacer en un mundo 4.0 o el pensamiento computacional. ^{Yadav et al. (2016}, p. 1052) se refieren a que mientras para la Royal Society (2012) el pensamiento computacional es un “proceso de reconocer aspectos de la computación” y “aplicar herramientas y técnicas informáticas para comprender y razonar sobre procesos y sistemas naturales y artificiales”, ^{Barr y Stephenson (2011}) lo concretizan en nueve aspectos: recolección, análisis y representación de datos, descomposición de problemas, abstracción, algoritmos y procedimientos, automatización, paralelización y simulación. Para su fortalecimiento, se desarrollan las Learning Analytics, determinadas como disciplinas orientadas a mejorar procesos de enseñanza-aprendizaje, mediante análisis de datos y generación de estándares para caracterizar hábitos, predecir respuestas y proporcionar comentarios (^{Pedró, 2019}), o como técnicas computacionales para intervenciones pedagógicas de apoyo al aprendizaje, mediante datos: captura, informe, predicción, actuación y refinación (^{Umer et al., 2017}).

En contraste, voces equívocas indican riesgos para el saber conocer, hacer y convivir (E5F): con la automatización de información y contenidos, las prácticas de enseñanza-aprendizaje podrían reducirse a formas automáticas de entrega, control y evaluación de contenidos que cumplen con formatos y estándares (^{Popenici & Kerr, 2017}), condicionar habilidades de aprendizaje dentro y fuera del aula (^{Campos & Lastória, 2020}), en detrimento de la construcción de conocimiento que vincule entornos y experiencias de los actores educativos. Asimismo, se indican riesgos si se promocionan prácticas de enseñanza sin “evaluaciones rigurosas” (^{Pedró, 2019}, p. 28) y tareas académicas e investigativas con base en la información superficial, automática e inmediata que ofrecen algunos sistemas.

Además, la automatización puede socavar la creatividad, pilar del saber hacer. Este riesgo es proporcional entre los roles delegados a los sistemas y aquellos disminuidos a los actores educativos, que deberían estar sujetos a la supervisión y elección humana (^{Floridi et al., 2018}). La automatización de estas funciones obnubilaría el desarrollo de la “creatividad, la iniciativa y el espíritu emprendedor” (^{Popenici & Kerr, 2017}, p. 4), interferiría, redefiniría y diluiría las intenciones del artista en el proceso creativo (^{Venancio, 2019}), reduciría la formación a competencias automatizadas, medibles y explotables por el mercado, y la educación a la producción y aumento de mano de obra: una tarea, una profesión y un medio orientado a un fin fiscal “donde la adquisición de conocimiento es un modo para la reproducción y el avance económico” (^{Feldman & Sandoval, 2018}, p. 218), en contravía de una educación centrada en lo que significa ser humano (^{Zovko & Dillon, 2018}).

Por último, se indican experiencias sin vínculos interpersonales incubadas por desarrollos tecnológicos que dificultan la formación del saber convivir, el fortalecimiento de valores comunitarios y el desarrollo de espacios comunes de experiencia (^{Marín, 2018}). La dialéctica entre multitud-soledad, en la que divagan individuos, generó el fenómeno hikikomori, caracterizado por el abandono de interacciones sociales para refugiarse en tecnologías, a través de las cuales se establece una relación virtual con el mundo exterior (^{De la Calle Real & Muñoz Algar, 2018}; ^{Sánchez, 2017}). En este caso, interacción, crecimiento y convivencia entre actores educativos está en riesgo, ya que ahora se presenta sólo una coexistencia entre “entes fantasmagóricos” (^{Lanier, 2018}) o entre perfiles ficticios, creados para mostrar lo que no se es, que redundan en las plataformas. Crece el aislamiento y la soledad, en detrimento de comunidades de aprendizaje, necesarias para el desarrollo en los ámbitos educativos.

La última analogía traza un equilibrio entre fortalecer el pensamiento computacional y automatizar unas prácticas educativas (A5H). ^{Walsh et al. (2017}) señalan la interacción máquina-ser humano con enfoques multidisciplinarios, que permiten un equilibrio entre el aprendizaje humano y los impactos del aprendizaje automático en el estudiante. Esta “sinfonía del sistema” necesita una integración y evaluación simultánea entre teorías de las ciencias cognitivas, educación y ciencias de la computación. Así, para una equilibrada interacción máquina-ser humano o smart-intelligence es prioritario fortalecer la inteligencia humana en la toma de decisiones y las habilidades computacionales, con potencialidades de sistemas de IA (^{Baker, 2019}).