La integración masiva de la Inteligencia Artificial en las escuelas ha ocurrido sin un marco regulatorio que proteja la autonomía cognitiva de los menores. Este documento advierte sobre los riesgos de la «externalización del pensamiento» y el manejo de datos privados. Las recomendaciones clave son: 1) Establecer un comité ético intersectorial (Educación y Ciencia) para validar herramientas de IA; 2) Legislar sobre la transparencia de los algoritmos educativos; y 3) Desarrollar un currículo nacional de «Literacidad Algorítmica» que enseñe a los estudiantes a auditar críticamente las respuestas de la IA.
Este estudio investiga la capacidad de las redes neuronales recurrentes (RNN), específicamente arquitecturas LSTM, para predecir estados de sobrecarga cognitiva en estudiantes de secundaria que utilizan interfaces de realidad extendida. Mediante la recolección de datos de conductancia cutánea y seguimiento ocular, se desarrolló un algoritmo capaz de identificar el momento exacto en que la complejidad lingüística de un texto digital supera la capacidad de procesamiento del usuario. Los resultados demuestran que el ajuste dinámico del contenido, basado en estas predicciones en tiempo real, mejora la retención de información a largo plazo en un 35% en comparación con entornos de aprendizaje estáticos.
