El ABC de la inteligencia artificial en la Nueva Escuela Mexicana
IA para lenguajes y comunicación multimodal
Palabras clave:
Tecnología educativa, inteligencia artificial, nueva escuela mexicanaResumen
El ABC de la Inteligencia Artificial en la Nueva Escuela Mexicana es una guía práctica pensada para acompañar a docentes en el descubrimiento y uso de tecnologías basadas en IA dentro del aula. Cada tecnología presentada ha sido seleccionada por su relevancia educativa y accesibilidad, y se organiza en capítulos temáticos según las disciplinas del campo del lenguaje, desde la lectura crítica hasta la comunicación multimodal. Cada herramienta se presenta en cuatro secciones claras: una breve evaluación general de la tecnología, una explicación de para qué puede usarla el/la docente, orientaciones sobre cuándo y cómo integrarla en el aula, y un apartado final con ventajas pedagógicas y precauciones. Esta estructura permite que el lector identifique rápidamente el potencial educativo de cada aplicación, sin necesidad de conocimientos técnicos previos. El propósito del libro no es solo ofrecer un catálogo de recursos, sino fomentar un uso reflexivo, contextual y éticamente informado de la IA en la enseñanza. Se invita al docente a explorar, adaptar y evaluar cada herramienta según las necesidades de sus estudiantes, su asignatura y el entorno educativo en el que trabaja. En este sentido, El ABC no es un manual rígido, sino una caja de herramientas flexible, con sentido pedagógico y visión crítica.
Citas
Alikhani, H., & Choi, Y. (2021). Multimodal transformer for unaligned multimodal language sequences. Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics, 6550–6563.
Al-Qudah, M. M., Tahat, M. O., & Al-Babili, S. (2021). Survey on multimodal assistive interaction for people with hearing and visual impairments. IEEE Access, 9, 122746–122766.
Archer, A., Harvey, M., & Keyack, I. (2015). Inclusivity for students with dyslexia: The impact of assistive technology. British Journal of Educational Technology, 46(3), 789–792.
Avendaño Porras, V. del C., Albores, I. A., & Trejo Catalá, J. H. (2022). Actitudes docentes de profesores de educación básica ante la integración de las TIC en la región indígena Tsotsil de los Altos de Chiapas. Revista RELEP: Educación y Pedagogía en Latinoamérica, 2(1), 57–66.
Avendaño Porras, V. del C., Bohórquez Olaya, C. I., & Lara-Buitagro, P. A. (2022). Escala para medir la significación del pensamiento complejo en entornos virtuales de aprendizaje de instituciones de educación superior. Ra Ximhai: Revista Científica de Sociedad, Cultura y Desarrollo Sostenible, 18(1), 179–192.
Avendaño Porras, V. del C., & Hernández Hernández, M. R. (2022). Enseñanza de lenguas originarias a estudiantes de enfermería por medio de web conferencing en una universidad del sur de México. Ra Ximhai: Revista Científica de Sociedad, Cultura y Desarrollo Sostenible, 18(1), 193–208.
Avendaño Porras, V. del C., & Hernández Hernández, M. R. (2022). Ergonomía digital y su influencia en el aprovechamiento académico de las clases virtuales en enfermería. Diálogos sobre educación. Temas actuales en investigación educativa, 13(24), 1–15.
Avendaño Porras, V. del C. A., & Albores, I. A. (2022). Scale to measure the uses of CAT tools in university teachers during the COVID-19 pandemic in segregated territories. Journal of Positive Psychology and Wellbeing, 6(1), 2390–2403.
Avendaño Porras, V. del C. A., Albores, I. A., & Correal Cuervo, S. A. (2025). Practical dimensions of the metaverse in distance education: Case study with indigenous students from a community in Mexico. Turkish Online Journal of Distance Education, 26(1), 193–203.
Baker, R. S. J., & Fellows, A. (2016). Big data and education. In G. Siemens & R. Brown (Eds.), Handbook of Learning Analytics (pp. xx–xx). Society for Learning Analytics Research.
Baltrušaitis, T., Ahuja, C., & Morency, L. P. (2019). Multimodal machine learning: A survey and taxonomy. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(2), 423–443.
Baltrušaitis, T., Robinson, P., & Morency, L. P. (2016). OpenFace: An open source facial behavior analysis toolkit. Proceedings of the IEEE WACV Workshop.
Barocas, S., Hardt, M., & Narayanan, A. (2019). Fairness and Machine Learning. fairmlbook.org.
Bateman, J. A. (2014). Multimodality and Genre: A Foundation for the Systematic Analysis of Multimodal Documents. Palgrave.
Bateman, J. A., & Schäffner, C. (2010). Multimodal Texts: A Resource for Students. Routledge.
Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
Brass, C., Zuber, B., & Henning, G. (2019). Multimodal transport instructions for people with visual impairments. ACM SIGACCESS Accessibility and Computing, 46(2), 235–248.
Brault, M. W. (2012). Americans with Disabilities: 2010. U.S. Census Bureau.
Chen, P.-S., & Chen, J.-M. (2018). Augmented reality for cultural heritage: Application in the New Taipei City Museum. Multimedia Tools and Applications, 77, 13115–13136.
Christensen, C. M., Wang, H., & Caldera, L. (2018). Disruptive innovation and distance learning. International Review of Education, 64, 585–600.
Coates, H., James, R., & Baldwin, G. (2005). A critical examination of online learning participation rates and outcomes. Distance Education, 26(1), 39–53.
Dreon, O., Kerper, R. M., & Landis, J. (2011). Interactive video in the classroom. InSight: A Journal of Scholarly Teaching, 6, 19–33.
Eubanks, V. (2018). Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor. St. Martin’s Press.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).
González Zúñiga, T. H., Avendaño Porras, V. del C., & Gutiérrez López, K. M. (2024). La intersección de la tecnología y la tradición: Un análisis etnográfico de la integración de la inteligencia artificial en los Altos de Chiapas. Revista Euroamericana de Antropología, 14, 223–239.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign.
Holmes, W., & Porayska-Pomsta, K. (2018). Ethics of AI in education: Towards a community-wide framework. International Journal of Artificial Intelligence in Education, 28(2), 193–203.
Huang, P. Y., et al. (2019). Unifying embeddings of sentences and events for multimodal intelligence. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 4405–4417.
Jewitt, C. (Ed.). (2013). The Routledge Handbook of Multimodal Analysis. Routledge.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389–399.
Jurafsky, D., & Martin, J. H. (2021). Speech and Language Processing (3.ª ed.). Pearson.
Kelly, M. N., & Flanagan, M. N. (2015). Designing digital media for children with autism. Communications of the ACM, 58(1), 34–38.
Kress, G. (2010). Multimodality: A Social Semiotic Approach (2.ª ed.). Routledge.
Kress, G., & van Leeuwen, T. (2006). Reading Images: The Grammar of Visual Design (2.ª ed.). Routledge.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444.
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson.
Machin, D., & Mayr, A. (2012). How to Do Critical Discourse Analysis (2.ª ed.). SAGE.
Mayer, R. E. (2009). Multimedia Learning (2.ª ed.). Cambridge University Press.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2).
Moll, J., Ramaly, E., & Raman, R. (2020). Designing speech recognition interfaces for users with dysarthria. ACM Transactions on Accessible Computing, 13(1), Article 4.
Noble, S. U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. NYU Press.
O’Halloran, K., Tan, S., Smith, B., & Podlasov, A. (2016). Artificial intelligence as a semiotic mediator: Multimodality in AI applications. Discourse, Context & Media, 10, 36–46.
O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.
Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe: Global vectors for word representation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, 1532–1543.
Porras, V. D. C. A. (2024). La adicción a la inteligencia artificial: Evaluación de prevalencia y factores de riesgo en estudiantes de posgrado. Enfoques, 5(1), 66–88.
Porras, V. D. C. A. (2024). Taxonomía de aprendizaje conectivo IA-Net: Propuesta para la enseñanza basada en inteligencia artificial y red. Varela, 24(67), 73–82.
Porras, V. D. C. A. (2024). Uso de la inteligencia artificial para la generación de retroalimentación personalizada en la evaluación del aprendizaje universitario. Revista Electrónica de Educación Inclusiva y Familia-REEDINFA, 1(1), 93–104.
Poria, S., Cambria, E., Bajpai, R., & Hussain, A. (2017). A review of affective computing: From unimodal analysis to multimodal fusion. Information Fusion, 37, 98–125.
Plehanova, V., Broadbent, J., Wood, D., & Ross, C. (2020). Using AI to personalise learning: Challenges and possibilities. British Journal of Educational Technology, 51(4), 1115–1132.
Descargas
Publicado
Versiones
- 2025-06-29 (2)
- 2025-06-29 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Dr. Víctor del Carmen Avendaño Porras
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
