En resumen: Ya hay dos grandes ensayos aleatorizados que parecen apuntar en direcciones opuestas, y la distancia entre ellos es toda la lección práctica. Bastani y colegas, en un trabajo publicado en PNAS en 2025, dieron a casi mil estudiantes turcos de matemáticas de secundaria acceso a GPT-4 durante la práctica. El rendimiento durante la práctica subió un 48 por ciento con una interfaz sencilla tipo ChatGPT y un 127 por ciento con una versión con salvaguardas de aprendizaje. Cuando se retiró el acceso para el examen, el grupo de interfaz sencilla sacó un 17 por ciento menos que quienes nunca tuvieron acceso, mientras que para el grupo con salvaguardas los autores informan de que el efecto negativo quedó en gran medida mitigado, sin que se reporte ventaja alguna en el examen frente al control. Kestin y colegas, en Scientific Reports en 2025, realizaron un ensayo aleatorizado en un curso de física de Harvard (N = 194) y hallaron que un tutor de IA producía ganancias medianas de aprendizaje más del doble que las de una clase de aprendizaje activo dirigida por expertos, en 49 minutos medianos frente a una sesión de 60. Nuestra lectura derivada: el tutor eficaz entregó unas 2,3 veces la ganancia de aprendizaje en un 18,3 por ciento menos de tiempo, es decir, unas 2,9 veces la ganancia por minuto. Lo que separa ambos resultados no es el modelo. Es si la interacción obliga al aprendiz a producir o le deja recibir. A continuación: el método, siete plantillas de prompt listas para pegar, un registro de sustitución para las peticiones que ya hace y una tabla de lo que la evidencia respalda y lo que no.
Casi con seguridad lo ha hecho. Topa con algo que no entiende, lo pega en un asistente, recibe una explicación clara y siente ese clic de la comprensión.
Esa sensación no es prueba de aprendizaje. Es una de las ilusiones mejor documentadas de la ciencia cognitiva, y tiene nombre.
Rozenblit y Keil la demostraron en doce estudios publicados en Cognitive Science en 2002. Las personas “sienten que comprenden fenómenos complejos con mucha más precisión, coherencia y profundidad de la que realmente tienen”, y la ilusión es especialmente fuerte para el conocimiento explicativo, que es exactamente el tipo de conocimiento que entrega una explicación de IA. Es más robusta, hallaron, donde el entorno favorece explicaciones en tiempo real con mecanismos visibles. Una ventana de chat con una respuesta instantánea, fluida y bien estructurada se acerca mucho a una máquina construida a propósito para producir esa ilusión.
Así que la pregunta no es si la IA puede enseñarle. Claramente puede. La pregunta es cómo tiene que ser la interacción para que la enseñanza realmente cuaje.
Los dos ensayos y qué los separa de verdad
Empiece por el caso del daño, porque es el más útil.
Bastani, Bastani, Sungu, Ge, Kabakcı y Mariman publicaron “La IA generativa sin barreras puede dañar el aprendizaje: evidencia de las matemáticas de secundaria” en Proceedings of the National Academy of Sciences en julio de 2025. Realizaron un experimento de campo con casi mil estudiantes de matemáticas en tres condiciones: GPT Base, una interfaz estándar tipo ChatGPT; GPT Tutor, el mismo modelo con prompts diseñados para proteger el aprendizaje; y un grupo de control solo con libro de texto y apuntes.
En las sesiones de práctica asistida, los estudiantes de GPT Base puntuaron un 48 por ciento más que el control y los de GPT Tutor un 127 por ciento más. Después se retiró la asistencia y todos hicieron el examen. Los estudiantes de GPT Base puntuaron un 17 por ciento menos que el grupo de control. En palabras de los autores, “el acceso sin restricciones a GPT-4 puede dañar los resultados educativos”, porque “los estudiantes intentan usar GPT-4 como muleta durante las sesiones de problemas y después rinden peor por su cuenta”. Las salvaguardas de GPT Tutor eliminaron en gran medida ese efecto negativo.
Ahora haga la cuenta que casi toda la cobertura se salta.
| Condición | Ganancia durante la práctica | Efecto en el examen sin asistencia | Parte de la ganancia de práctica que sobrevivió |
|---|---|---|---|
| GPT Base | +48 % | -17 % frente al control | -0,35 |
| GPT Tutor | +127 % | Sin ventaja medible frente al control; efecto negativo en gran medida mitigado | ~0 |
| Control | referencia | referencia | no aplica |
La columna de ratio es una derivación de CEOtudent: efecto en el examen dividido por la ganancia de práctica. Expresa cuánto del impulso visible de rendimiento persistió una vez retirada la herramienta.
Ninguna condición con IA produjo una ventaja medible en el examen. Las barreras a nivel de prompt hicieron algo valioso pero modesto: convirtieron una pérdida del 17 por ciento en un empate. Si su modelo mental era “un buen prompt tutor convierte la IA en un acelerador de aprendizaje”, este ensayo no lo respalda. Respalda: “un buen prompt tutor evita que la IA sea un desacelerador de aprendizaje”.
Ahora el caso de la ganancia.
Kestin, Miller, Klales, Milbourne y Ponti publicaron “La tutoría con IA supera al aprendizaje activo en el aula” en Scientific Reports en junio de 2025. En un curso de física de grado en Harvard (N = 194), los estudiantes alternaban entre una clase de aprendizaje activo dirigida por expertos y un tutor de IA construido a medida. La puntuación mediana en el post-test fue de 4,5 en la condición de IA (N = 142) frente a 3,5 en la condición de aula (N = 174), partiendo de una mediana combinada de pretest de 2,75 (N = 316). Una prueba de suma de rangos de Mann-Whitney sobre las distribuciones de puntuaciones posteriores dio z = -5,6, p < 10 elevado a menos 8. El tiempo mediano dedicado a la tarea en la condición de IA fue de 49 minutos, frente a una clase de 60 minutos.
Trabajando esas medianas, cálculo propio y no algo que informe el artículo:
| Medida | Tutor de IA | Clase de aprendizaje activo | Ratio |
|---|---|---|---|
| Post-test mediano | 4,5 | 3,5 | – |
| Ganancia mediana sobre la base de pretest de 2,75 | 1,75 | 0,75 | 2,33x |
| Tiempo mediano en la tarea | 49 min | 60 min | 18,3 % menos |
| Ganancia por minuto | 0,0357 | 0,0125 | 2,86x |
Derivación de CEOtudent a partir de las medianas publicadas. Las medianas no se descomponen limpiamente, así que trate la cifra por minuto como una comparación de orden de magnitud y no como un tamaño de efecto preciso. Los propios autores señalan un efecto techo en las puntuaciones del post-test.
Es decir: misma familia de modelos, mismo año, un ensayo halla daño y otro una ganancia de unas 2,3 veces. La diferencia está en el diseño, y el artículo de Kestin lo documenta explícitamente.
Su tutor se construyó sobre siete prácticas pedagógicas: fomentar la participación activa, gestionar la carga cognitiva, promover una mentalidad de crecimiento, andamiar el contenido, garantizar la exactitud de la información y la retroalimentación, entregar esa retroalimentación de forma dirigida y oportuna y permitir el ritmo propio. Crucialmente, informan de que un prompt de sistema por sí solo “no podía proporcionar de forma fiable suficiente estructura para andamiar problemas de varias partes”, por lo que fue la plataforma la que impuso la progresión secuencial por cada parte de cada problema. Además alimentaron el modelo con soluciones detalladas paso a paso en lugar de dejar que las generara, precisamente porque la predicción del siguiente token no es fiable en matemáticas complejas. El 83 por ciento de los estudiantes valoró las explicaciones del tutor como iguales o mejores que las de los docentes humanos del curso.
Ese es el titular honesto. Las barreras a nivel de prompt evitan el daño. El diseño estructural produce ganancia. No conseguirá el resultado de Kestin con un solo prompt ingenioso, y quien le venda uno está exagerando. Lo que sí puede hacer es acercarse bastante más que con el ajuste por defecto, y para eso sirve el método siguiente.
Por qué producir gana a recibir
El mecanismo no es misterioso y precede a la IA en décadas.
Roediger y Karpicke mostraron en Psychological Science en 2006 que hacer una prueba de memoria no solo evalúa el conocimiento, lo refuerza. Los estudiantes que leían textos y después hacían pruebas de recuerdo sin retroalimentación superaron a quienes simplemente releían el mismo material el mismo número de veces, en pruebas diferidas a dos días y a una semana. Es notable que en una prueba inmediata a los cinco minutos el grupo de relectura lo hizo mejor, y ese grupo estaba además más seguro de que recordaría. La fluidez a corto plazo y la retención a largo plazo tiran en direcciones opuestas.
Es la misma trampa que la ilusión explicativa con otro traje. Leer una buena explicación se parece a la prueba de cinco minutos. Producir la explicación uno mismo se siente peor y funciona mejor.
La revisión de VanLehn de 2011 en Educational Psychologist puso cifras a lo que la tutoría puede aportar. Frente a la ausencia de tutoría, la tutoría humana arrojó un tamaño de efecto de d = 0,79 y los sistemas tutoriales inteligentes de d = 0,76, lo bastante cerca como para que la ventaja humana desaparezca en gran medida cuando el sistema opera a nivel de paso y no de respuesta. Esa última cláusula es la operativa para el prompting. La interacción a nivel de respuesta rinde por debajo. El efecto vive en la interacción a nivel de paso.
Hay además una señal neuronal preliminar que merece mención con la debida cautela. Kosmyna y colegas del MIT Media Lab difundieron en 2025 una preimpresión no revisada por pares en la que 54 participantes escribieron ensayos a lo largo de tres sesiones en una de tres condiciones: LLM, buscador o sin herramientas. El EEG mostró la conectividad más fuerte y distribuida en el grupo sin herramientas, intermedia en los usuarios de buscador y la más débil en los usuarios de LLM, con la actividad cognitiva disminuyendo en proporción al uso de herramientas externas. La autoría autoinformada de los ensayos fue la más baja en el grupo LLM, y los autores señalan que estos usuarios “tuvieron dificultades para citar con precisión su propio trabajo”. Trátelo como indicio y no como algo asentado: es una preimpresión con muestra pequeña. Pero apunta en la misma dirección que la evidencia conductual.
El método
El método del prompt socrático tiene una regla y cinco movimientos. La regla es:
Nunca deje que el modelo complete un paso que usted podría intentar.
Todo lo demás es maquinaria para imponer esa regla contra su propia impaciencia.
Movimiento 1: Declare el contrato antes de preguntar nada. El comportamiento por defecto de todo asistente es ser lo más útil posible, lo que significa responder. Hay que anular eso una vez, al principio, y luego sostenerlo.
Movimiento 2: Ponga su propio intento por delante. Diga primero lo que piensa, por equivocado que esté. Ese es el paso de producción, y es el que la gente se salta. Un intento erróneo que se corrige produce aprendizaje más duradero que una respuesta correcta que usted lee.
Movimiento 3: Trabaje a granularidad de paso. Un paso, un intercambio. Es el hallazgo de VanLehn puesto en práctica, y es lo que el equipo de Kestin tuvo que imponer a nivel de plataforma porque un prompt solo no lo sostenía.
Movimiento 4: Cierre cada concepto con una prueba de recuerdo que usted no escribió. Pida al modelo que le examine después, de memoria, con el material cerrado. Es Roediger y Karpicke llevados a la práctica.
Movimiento 5: Fuerce una explicación con la fuente cerrada. La ilusión explicativa se derrumba en el momento en que tiene que producir la explicación sin mirar. Ese derrumbe es el diagnóstico.
Siete plantillas listas para pegar
Estas son las herramientas de trabajo. Cada una implementa una parte del método. Adapte lo que va entre corchetes.
1. El contrato de apertura. Péguelo una vez al inicio de una sesión de aprendizaje y remítase a él cuando el modelo se desvíe.
Durante toda esta conversación eres mi tutor, no mi asistente. Reglas: nunca me des una respuesta completa ni una solución terminada. Trabaja un paso cada vez. Antes de cada paso, pregúntame qué creo que viene después y espera mi respuesta. Si me equivoco, no me corrijas directamente; haz una pregunta que me haga visible el error. Si te pido que simplemente me lo digas, recuérdame esta regla una vez y luego pregunta si quiero anularla. Mantén tus turnos por debajo de 120 palabras. Empieza preguntándome qué sé ya sobre [TEMA].
2. El marco de intento primero. Para cualquier problema que normalmente pegaría en frío.
Aquí tienes un problema: [PROBLEMA]. Aquí está mi intento, que puede estar mal: [SU INTENTO, AUNQUE SEA PARCIAL]. No lo resuelvas. Dime solo si mi primer paso es sólido y, si no lo es, hazme una pregunta que me ayude a encontrar el error por mí mismo.
3. La compuerta de paso. Cuando el modelo se adelanta.
Para. Acabas de darme [N] pasos. Descarta todo lo posterior al paso uno. Pregúntame cuál debería ser el paso dos y espera.
4. La comprobación Feynman. El detector de ilusión. Úsela cuando sienta que ha entendido.
Voy a explicarte [CONCEPTO] de memoria, sin consultar nada. No me ayudes mientras lo hago. Cuando termine, enumera solo los puntos en los que mi explicación fue vaga, circular o careció de mecanismo. No rellenes los huecos; solo nómbralos.
5. La prueba de recuerdo diferido. La plantilla más valiosa de esta lista y la menos usada.
No expliques nada ahora. Escríbeme cinco preguntas sobre [TEMA] que debería poder responder de memoria mañana. Incluye una que exija aplicar la idea a una situación de la que nunca hayamos hablado. Guarda las respuestas hasta que haya intentado las cinco.
6. La inversión por steelman. Para material de juicio en lugar de procedimental.
Sostengo [SU POSICIÓN] sobre [TEMA]. No estés de acuerdo ni en desacuerdo. Hazme, una a una, las tres preguntas que haría alguien con la posición contraria. Espera cada respuesta antes de hacer la siguiente.
7. La sonda de transferencia. El simulador de condiciones de examen, precisamente lo que los alumnos de Bastani nunca afrontaron durante la práctica.
Dame un problema sobre [TEMA] que sea estructuralmente similar al que acabamos de trabajar pero superficialmente distinto, de modo que el reconocimiento superficial de patrones no baste. No des pistas. Lo intentaré y pegaré todo mi razonamiento; solo entonces responde.
El registro de sustitución
Esta tabla es un marco editorial de CEOtudent. Contrapone las peticiones que la gente escribe realmente con su reescritura en modo tutor y nombra el mecanismo de aprendizaje que recluta cada reescritura. Los mecanismos provienen de la literatura citada aquí; la correspondencia es nuestra.
| Lo que suele escribir | Resultado en modo respuesta | Reescritura en modo tutor | Mecanismo reclutado |
|---|---|---|---|
| “Explícame [concepto]” | Explicación fluida, alta confianza, baja retención | “Pregúntame qué creo ya sobre [concepto] y corrige solo lo que esté mal” | Producción antes de retroalimentación |
| “Resuelve este problema” | Solución correcta, transferencia nula | “Este es mi primer paso. ¿Es sólido? Solo una pregunta.” | Tutoría a nivel de paso |
| “Resume este artículo” | Resumen utilizable, sin codificación | “Lo resumiré yo. Después dime qué me dejé.” | Práctica de recuerdo |
| “Escribe el código para X” | Código que funciona y que no sabe depurar | “Dame la firma de la función y la primera línea. El resto lo escribo yo y luego revisas.” | Producción andamiada |
| “¿Es bueno este argumento?” | Una evaluación que hereda | “Hazme las tres preguntas que haría un crítico.” | Autoexplicación |
| “Dame un plan de estudio” | Un plan que no seguirá | “Escríbeme cinco preguntas de recuerdo para mañana, con las respuestas retenidas.” | Recuerdo espaciado |
| “¿Cuáles son los puntos principales?” | Una lista que olvidará | “Los enumeraré de memoria. Nombra solo los huecos.” | Detección de ilusión |
El patrón de la columna derecha es constante: cada reescritura devuelve el trabajo cognitivo del modelo a usted y reserva el modelo para lo único en lo que supera de verdad a un libro de texto, que es la retroalimentación dirigida, inmediata y a su propio ritmo sobre su error concreto. Esa es exactamente la capacidad que VanLehn identificó como fuente del efecto tutoría, y las dos capacidades que el equipo de Kestin señaló como imposibles de ofrecer en un aula.
Qué respalda la evidencia y qué no
Esta tabla es un marco editorial de CEOtudent. Evalúa afirmaciones comunes sobre IA y aprendizaje frente a la prueba publicada más sólida de cada una, con una regla constante: Respaldada significa que un estudio aleatorizado o de campo grande la probó directamente; Parcial significa que la evidencia apunta en esa dirección pero el diseño no aísla la afirmación; No respaldada significa que la prueba más sólida la contradice.
| Afirmación | Prueba más sólida | Resultado | Veredicto |
|---|---|---|---|
| Usar IA durante la práctica mejora el rendimiento en práctica | Bastani et al., PNAS 2025, ~1.000 estudiantes | +48 % base, +127 % tutor | Respaldada |
| Mejor rendimiento en práctica significa que aprendió más | Mismo ensayo, examen sin herramienta | -17 % en la condición base | No respaldada |
| Un buen prompt tutor convierte la IA en acelerador de aprendizaje | Mismo ensayo, condición GPT Tutor | No se reporta ventaja en el examen frente al control | No respaldada |
| Un buen prompt tutor evita que la IA dañe el aprendizaje | Mismo ensayo, GPT Tutor frente a GPT Base | Efecto negativo en gran medida mitigado | Respaldada |
| Un tutor de IA bien diseñado puede superar la enseñanza experta en aula | Kestin et al., Scientific Reports 2025, N = 194 | Ganancias medianas más del doble, en menos tiempo | Respaldada |
| La tutoría estructurada con IA siempre supera la enseñanza en aula | Mismo artículo, salvedad de los autores | No se presume para síntesis compleja ni tareas de orden superior | No respaldada |
| La interacción a nivel de paso importa más que a nivel de respuesta | VanLehn, Educational Psychologist 2011 | d = 0,76 para sistemas por pasos frente a d = 0,79 para tutoría humana | Respaldada |
| Ser examinado supera a releer para la retención a largo plazo | Roediger y Karpicke, Psychological Science 2006 | El test gana a dos días y una semana; la relectura gana a cinco minutos | Respaldada |
| Sentir que se entiende indica que se entiende | Rozenblit y Keil, Cognitive Science 2002 | Ilusión de profundidad explicativa en doce estudios | No respaldada |
| El uso intensivo de LLM reduce la implicación cognitiva al escribir | Kosmyna et al., preimpresión 2025, N = 54 | Conectividad EEG más débil, autoría más baja | Parcial |
Lea juntas las filas centrales. El error más caro en el aprendizaje asistido por IA no es usar la herramienta. Es fiarse de la señal de la sesión de práctica. Su rendimiento con la herramienta abierta no dice casi nada sobre su rendimiento con ella cerrada y, en el único ensayo que midió ambas cosas, la correlación iba en el sentido equivocado.
Cómo encajarlo en su forma real de estudiar
El método cuesta tiempo. Ese es el punto, y es también la razón por la que la gente lo abandona en la tercera sesión. Tres formas de que se sostenga.
Divida la sesión de forma explícita. El modo asistente y el modo tutor no deberían compartir ventana. Use el asistente para reunir material, encontrar fuentes y despejar logística. Después abra una conversación aparte, pegue el contrato de apertura y aprenda ahí. Mezclarlos significa que el reflejo de responder se filtra en la mitad dedicada a aprender.
Presupueste por intención, no por tema. No todo merece aprenderse. Si nunca va a tener que producirlo sin ayuda, deje que lo produzca el modelo. Reserve el modo tutor para el pequeño conjunto de cosas en las que su capacidad sin asistencia es el activo real. El marco para decidirlo está en la habilidad de evaluación, y la cuestión más amplia de los límites en debería dejar que la IA decida.
Examínese según el calendario, no según la sensación. La plantilla de recuerdo diferido es todo el método en un solo prompt. Dispárela al final de cada sesión para el día siguiente y respóndala antes de abrir ninguna fuente. Si no puede, no lo aprendió, sintiera lo que sintiera la sesión.
Para el aparato más amplio sobre esto: lo que dice la evidencia sobre el aprendizaje ordena las propias técnicas de estudio, tutores de IA 2026 compara qué productos están construidos para enseñar en lugar de para responder, y la práctica deliberada en la era de la IA cubre la capa de repetición.
El CEO y el estudiante
Esta es la expresión más limpia de la doble mirada que atraviesa toda la publicación.
Un CEO delega con agresividad y hace bien. El trabajo que no necesita sus manos no debería tenerlas, y negarse a delegar no es diligencia, es un cuello de botella que usted mismo construyó. La mayor parte del uso de IA debería ser exactamente eso: entregar, revisar el resultado, seguir adelante.
Un estudiante se niega a delegar lo único que es suyo. No el producto, la capacidad. Porque la capacidad determina si siquiera puede revisar el producto, que es precisamente la razón por la que los autores de Bastani señalan la productividad a largo plazo como lo que está en juego: la IA generativa “es falible y los usuarios deben comprobar sus salidas”, y no se puede comprobar lo que nunca se aprendió.
El método socrático es la manera de sostener ambas posiciones a la vez. Delegue el trabajo. Niéguese a delegar el aprendizaje. Las plantillas de arriba son solo la mecánica de trazar esa línea cada día, en una herramienta cuyo ajuste por defecto consiste en borrarla.
Preguntas frecuentes
¿Usar IA hace de verdad que se aprenda menos?
Depende por completo del diseño de la interacción. En el ensayo de PNAS, los estudiantes con una interfaz tipo ChatGPT sin restricciones durante la práctica sacaron un 17 por ciento menos en un examen sin asistencia que quienes nunca tuvieron acceso. Para los estudiantes que usaron una versión con salvaguardas, los autores informan de que el efecto negativo quedó en gran medida mitigado, sin ventaja en el examen frente al control. Es decir, el uso sin restricciones produjo daño medible; el uso con salvaguardas no.
¿Qué es el prompting socrático?
Una forma de interactuar con un modelo de IA en la que nunca le deja completar un paso que usted podría intentar. Establece un contrato de entrada, presenta su propio intento antes de preguntar nada, trabaja un paso por intercambio y termina cada sesión con una prueba de recuerdo diferido que usted no escribió.
¿Puede un prompt convertir de verdad ChatGPT en un buen tutor?
Parcialmente. El ensayo de PNAS halló que las salvaguardas a nivel de prompt mitigaron en gran medida una pérdida de aprendizaje del 17 por ciento, sin que se reportara ventaja en el examen frente al grupo de control. El ensayo de Harvard que sí produjo grandes ganancias usó secuenciación a nivel de plataforma y soluciones paso a paso suministradas de antemano, no solo un prompt de sistema. Espere que un prompt evite el daño de forma fiable y que produzca ganancias de forma inconstante.
¿Por qué la explicación se siente como comprensión cuando no lo es?
Por la ilusión de profundidad explicativa, documentada por Rozenblit y Keil en doce estudios. Las personas sobreestiman sistemáticamente con qué precisión y coherencia entienden los mecanismos, y la ilusión es más fuerte exactamente para el conocimiento explicativo y en entornos que suministran explicaciones fluidas en tiempo real. La prueba consiste en producir la explicación uno mismo con la fuente cerrada.
¿Cuánto debería durar una sesión socrática?
El tiempo mediano en la tarea del ensayo de Harvard fue de 49 minutos frente a una clase de 60, con un 70 por ciento de estudiantes por debajo de la hora. Es un techo razonable para un concepto. La restricción vinculante no es la duración sino si produjo antes de recibir.
¿Merece la pena hacer esto con todo lo que aprendo?
No. Resérvelo para material en el que su capacidad sin asistencia sea el activo, es decir, cosas que después tendrá que producir, juzgar o defender sin la herramienta abierta. Para todo lo demás, deje que el modelo haga el trabajo y revise el resultado.
Fuentes
- Bastani, Bastani, Sungu, Ge, Kabakcı y Mariman, La IA generativa sin barreras puede dañar el aprendizaje: evidencia de las matemáticas de secundaria, Proceedings of the National Academy of Sciences, volumen 122, número 26, 2025
- Kestin, Miller, Klales, Milbourne y Ponti, La tutoría con IA supera al aprendizaje activo en el aula: un ensayo controlado aleatorizado que introduce un diseño novedoso basado en la investigación en un entorno educativo auténtico, Scientific Reports, volumen 15, artículo 17458, 2025
- VanLehn, La eficacia relativa de la tutoría humana, los sistemas tutoriales inteligentes y otros sistemas de tutoría, Educational Psychologist, volumen 46, número 4, 2011
- Roediger y Karpicke, Test-enhanced learning: hacer pruebas de memoria mejora la retención a largo plazo, Psychological Science, volumen 17, número 3, 2006
- Rozenblit y Keil, Los límites malentendidos de la ciencia popular: una ilusión de profundidad explicativa, Cognitive Science, volumen 26, número 5, 2002
- Kosmyna y colegas, Your Brain on ChatGPT: acumulación de deuda cognitiva al usar un asistente de IA en una tarea de redacción, preimpresión de arXiv, 2025, no revisada por pares
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
