{"id":1519,"date":"2026-02-18T20:17:40","date_gmt":"2026-02-18T20:17:40","guid":{"rendered":"https:\/\/mathresearch.utsa.edu\/wp\/?p=1519"},"modified":"2026-04-02T19:23:26","modified_gmt":"2026-04-02T19:23:26","slug":"1519","status":"publish","type":"post","link":"https:\/\/mathresearch.utsa.edu\/wp\/?p=1519","title":{"rendered":""},"content":{"rendered":"\n
\"Logo<\/figure><\/div>\n\n\n\n

This post in English<\/a><\/p>\n\n\n\n

Academia EL\u00c9VATE: Aprende a Usar IA en tu Docencia<\/h4>\n\n\n\n

\"NSFLa Universidad de Texas en San Antonio ofrece un taller de verano de acceso abierto de ocho sesiones, m\u00e1s una sesi\u00f3n prerrequisito, sobre la integraci\u00f3n de herramientas de Inteligencia Artificial (IA) con la ense\u00f1anza, del 9 de julio al 11 de agosto de 2026.<\/p>\n\n\n\n

La Academia EL\u00c9VATE (Evidence-Led Evaluation & AI Tools for Education; Evaluaci\u00f3n guiada por evidencia y herramientas de IA para la educaci\u00f3n) forma parte de un proyecto financiado por la Fundaci\u00f3n Nacional para la Ciencia (NSF) de EE.UU. (Beca #2518973<\/a>) enfocado en mejorar el aprendizaje y el \u00e9xito estudiantil en \u00c1lgebra Universitaria, Prec\u00e1lculo y C\u00e1lculo. Aunque el enfoque del proyecto patrocinado es la ense\u00f1anza de matem\u00e1ticas, el taller est\u00e1 abierto a docentes de cualquier \u00e1rea. <\/p>\n\n\n\n

No se requiere experiencia previa en programaci\u00f3n. EL\u00c9VATE est\u00e1 disponible a nivel global v\u00eda transmisi\u00f3n web.<\/p>\n\n\n\n

El Objectivo del Proyecto<\/h4>\n\n\n\n

La inteligencia artificial se ha convertido en una herramienta esencial para casi todas las personas en la mayor\u00eda de las actividades. Ya sea para responder preguntas simples o desarrollar productos intelectuales sofisticados, t\u00e9cnicos y\/o creativos. Sin duda, ha permeado la educaci\u00f3n.<\/p>\n\n\n\n

Las preguntas m\u00e1s importantes entre educadores hoy son: \u00bfC\u00f3mo usar la IA de manera efectiva para mejorar el aprendizaje? \u00bfC\u00f3mo evitar la externalizaci\u00f3n del razonamiento y el aprendizaje a la m\u00e1quina?<\/em> EL\u00c9VATE aborda estas preguntas mediante un taller estructurado en el que se presentan t\u00e9cnicas probadas y novedosas, tanto tecnol\u00f3gicas como pedag\u00f3gicas. <\/p>\n\n\n\n

Usaremos una estrategia multiagente (por ejemplo, agentes de tutor\u00eda, retroalimentaci\u00f3n y evaluaci\u00f3n trabajando en conjunto). Las y los participantes aprender\u00e1n a desarrollar y desplegar agentes de IA mediante c\u00f3digo Python y\/o a trav\u00e9s de una plataforma de aprendizaje llamada ALICE (Adaptive Learning for Interdisciplinary Collaborative Environments; Aprendizaje Adaptativo para Entornos Colaborativos Interdisciplinarios, respaldada por el Premio NSF Beca 1645325<\/a>, 2016\u20132019), que personaliza rutas de aprendizaje para el estudiantado, orienta a los estudiantes, identifica brechas de comprensi\u00f3n y ofrece a la docencia datos accionables para informar su ense\u00f1anza.<\/p>\n\n\n\n

Las y los participantes de EL\u00c9VATE ser\u00e1n elegibles para participar en aulas piloto, incluyendo una evaluaci\u00f3n rigurosa de los resultados del estudiantado expuesto al uso pedag\u00f3gico de la IA. La evaluaci\u00f3n incluir\u00e1 evaluaciones comunes y medidas de razonamiento\/transferencia. <\/p>\n\n\n\n

Para un piloto deben cumplirse dos condiciones: (i) el\/la docente debe impartir al menos dos secciones del mismo curso en el mismo semestre: una con IA y otra sin IA (esto nos permite cuantificar el efecto de la IA), y (ii) debe haber al menos otro\/a docente impartiendo el mismo curso (esto nos permite cuantificar efectos del\/de la instructor\/a). <\/p>\n\n\n\n

Privacidad, seguridad y uso responsable de la IA<\/h4>\n\n\n\n

El uso de ALICE es obligatorio para que los resultados de los pilotos sean comparables. ALICE est\u00e1 alojada en UTSA, con datos estudiantiles cifrados; las claves de cifrado se establecen y son propiedad de administradores institucionales designados. Solo personal previamente validado, con permisos institucionales, puede acceder a los registros estudiantiles correspondientes. <\/p>\n\n\n\n

Para pilotos que involucren m\u00faltiples instituciones, utilizaremos los acuerdos interinstitucionales y procesos de revisi\u00f3n apropiados (por ejemplo, acuerdos de uso\/compartici\u00f3n de datos, seg\u00fan sea necesario) para respaldar el manejo de informaci\u00f3n estudiantil alineado con FERPA.<\/p>\n\n\n\n

Cuando se usan modelos de lenguaje grandes (LLM) en actividades de EL\u00c9VATE, utilizamos (i) LLM alojados localmente y (ii) LLM comerciales configurados con pol\u00edticas de retenci\u00f3n cero de datos.<\/p>\n\n\n\n

Elegibilidad<\/h4>\n\n\n\n

Debe ser docente en una universidad acreditada. Durante el registro se le pedir\u00e1 usar su correo institucional y la URL de su instituci\u00f3n. <\/p>\n\n\n\n

C\u00f3mo participar<\/h4>\n\n\n\n

EL\u00c9VATE se llevar\u00e1 a cabo del 9 de julio al 11 de agosto de 2026. De 10:00 a. m. a 12:00 p. m. los mi\u00e9rcoles y viernes en ingl\u00e9s, y de 10:00 a. m. a 12:00 p. m. los martes y jueves en espa\u00f1ol.<\/p>\n\n\n\n

Reg\u00edstrese aqu\u00ed (sin costo): EL\u00c9VATE<\/a> – Formulario de Inscripci\u00f3n<\/a> A inicios de mayo recibir\u00e1 instrucciones para prepararse para el taller. <\/p>\n\n\n\n

Qu\u00e9 cubre EL\u00c9VATE<\/h4>\n\n\n\n

La Sesi\u00f3n 0 cubre la \u00e9tica de la IA. Las y los participantes deben completar esta sesi\u00f3n antes de iniciar el taller. Las otras ocho sesiones avanzan desde fundamentos hasta aplicaci\u00f3n en el aula:<\/p>\n\n\n\n

Las dos primeras sesiones se enfocan en habilidades pr\u00e1cticas. Construir\u00e1 un agente de IA simple desde cero usando herramientas de API, y luego aprender\u00e1 c\u00f3mo estas herramientas pueden ayudar con la preparaci\u00f3n de clases, la calificaci\u00f3n y la tutor\u00eda individualizada. Estas sesiones asumen que se inicia desde cero en el desarrollo con IA\u2026 ese es el objetivo.<\/p>\n\n\n\n

Las sesiones tres y cuatro abordan desaf\u00edos instruccionales espec\u00edficos: incorporar IA en tareas de escritura en cursos de matem\u00e1ticas (s\u00ed, escritura en matem\u00e1ticas) y en otras materias, y usar IA para agilizar flujos de trabajo de an\u00e1lisis de datos. Trabajar\u00e1 con datos reales de estudiantes recopilados en UTSA.<\/p>\n\n\n\n

Las sesiones restantes se enfocan en su propia ense\u00f1anza. Evaluar\u00e1 la alineaci\u00f3n curricular en un curso que planea pilotear en oto\u00f1o, explorar\u00e1 c\u00f3mo guiar al estudiantado para usar la IA como herramienta de indagaci\u00f3n, dise\u00f1ar\u00e1 actividades de aprendizaje activo integradas con IA y aprender\u00e1 a evaluar si estos enfoques realmente est\u00e1n ayudando a sus estudiantes.<\/p>\n\n\n\n

Talleres: 8 de julio\u201311 de agosto de 2026<\/h4>\n\n\n\n

Las descripciones a continuaci\u00f3n est\u00e1n sujetas a ajustes.<\/p>\n\n\n\n

Sesi\u00f3n 0: \u00c9tica de los agentes de IA en educaci\u00f3n (Debe completarse antes del taller; los temas de esta sesi\u00f3n se usar\u00e1n a lo largo de todas las dem\u00e1s sesiones del taller)<\/strong>: Esta sesi\u00f3n fundamental establecer\u00e1 el marco \u00e9tico para el uso responsable de agentes de IA en entornos educativos. Las y los participantes aprender\u00e1n a distinguir la invalidaci\u00f3n (la violaci\u00f3n de restricciones f\u00e1cticas, l\u00f3gicas, normativas o estructurales) del concepto m\u00e1s estrecho de \u201calucinaci\u00f3n\u201d. La sesi\u00f3n examinar\u00e1 siete categor\u00edas de riesgo \u00e9tico: propagaci\u00f3n epist\u00e9mica (c\u00f3mo circulan los errores a trav\u00e9s de la investigaci\u00f3n y la ense\u00f1anza), responsabilidad y autor\u00eda, procedencia y reproducibilidad, confidencialidad, sesgo y equidad, seguridad y sostenibilidad. El profesorado estudiar\u00e1 casos concretos que involucran datos estudiantiles protegidos, flujos de trabajo multiagente y los l\u00edmites de la responsabilidad humana cuando la IA asiste en calificaci\u00f3n, retroalimentaci\u00f3n y generaci\u00f3n de contenido. Se prestar\u00e1 atenci\u00f3n particular a la orientaci\u00f3n federal que proh\u00edbe el uso de IA en contextos de revisi\u00f3n por pares y al manejo de informaci\u00f3n estudiantil alineado con FERPA. Las y los participantes se ir\u00e1n con una lista de verificaci\u00f3n de gobernanza y plantillas de divulgaci\u00f3n aptas para adopci\u00f3n inmediata en sus cursos e investigaci\u00f3n.<\/p>\n\n\n\n

Sesi\u00f3n 1: Creaci\u00f3n paso a paso de un agente de IA: <\/strong>Esta sesi\u00f3n introductoria guiar\u00e1 a las y los participantes a trav\u00e9s del proceso de construir agentes de IA usando APIs. Dise\u00f1ado para personas con poca o ninguna experiencia en programaci\u00f3n, el seminario proporcionar\u00e1 un marco pr\u00e1ctico, paso a paso, para crear un agente b\u00e1sico de IA. El objetivo principal ser\u00e1 desmitificar el desarrollo de IA y empoderar a las y los asistentes para aprovechar estas herramientas con confianza.<\/p>\n\n\n\n

Sesi\u00f3n 2: Agentes de IA en actividades instruccionales: <\/strong>Este seminario demostrar\u00e1 c\u00f3mo los LLM pueden transformar tareas de ense\u00f1anza. El profesorado aprender\u00e1 a usar IA para generar materiales de clase, calificar tareas y crear sistemas de tutor\u00eda impulsados por IA adaptados a lecciones espec\u00edficas. Al automatizar tareas rutinarias, estas herramientas permitir\u00e1n a las y los educadores enfocarse en interacciones significativas con el estudiantado, marcando un avance importante en metodolog\u00edas de ense\u00f1anza.<\/p>\n\n\n\n

Sesi\u00f3n 3: Tareas de escritura con IA: <\/strong>Esta sesi\u00f3n explorar\u00e1 estrategias efectivas para incorporar IA en tareas de escritura dentro de cursos de matem\u00e1ticas. El profesorado aprender\u00e1 m\u00e9todos para aprovechar herramientas de IA a fin de apoyar al estudiantado en estructurar argumentos claros y l\u00f3gicos, definir conceptos con precisi\u00f3n y articular el razonamiento al resolver problemas matem\u00e1ticos. Se demostrar\u00e1n t\u00e9cnicas pr\u00e1cticas para mantener la integridad acad\u00e9mica mientras se utiliza IA para mejorar la productividad del estudiantado y fomentar una comprensi\u00f3n conceptual m\u00e1s profunda mediante actividades de escritura reflexiva.<\/p>\n\n\n\n

Sesi\u00f3n 4: IA en an\u00e1lisis de datos: <\/strong>Este seminario resaltar\u00e1 la aplicaci\u00f3n de LLM en la automatizaci\u00f3n de flujos de trabajo complejos de an\u00e1lisis de datos. Las y los participantes estudiar\u00e1n datos de estudiantes recopilados en UTSA durante el periodo 2022\u20132025. Estas herramientas mostrar\u00e1n su potencial para simplificar tareas de codificaci\u00f3n intrincadas, permitiendo que investigadores se enfoquen en la interpretaci\u00f3n y el descubrimiento.<\/p>\n\n\n\n

Sesi\u00f3n 5: Evaluaci\u00f3n de la alineaci\u00f3n curricular con LLM: <\/strong>Esta sesi\u00f3n explorar\u00e1 c\u00f3mo los LLM pueden usarse para evaluar y optimizar la alineaci\u00f3n curricular entre cursos. Las y los participantes evaluar\u00e1n la alineaci\u00f3n curricular en el curso en el que realizar\u00e1n el piloto en el semestre de oto\u00f1o, y aprender\u00e1n c\u00f3mo la IA puede fortalecer, validar y\/o identificar inconsistencias en los objetivos del curso, materiales de instrucci\u00f3n y estrategias de evaluaci\u00f3n.<\/p>\n\n\n\n

Sesi\u00f3n 6: Uso de LLM para apoyar la indagaci\u00f3n del estudiantado: <\/strong>Este seminario se enfocar\u00e1 en empoderar al estudiantado para usar LLM como herramientas de indagaci\u00f3n y exploraci\u00f3n. Las y los participantes examinar\u00e1n estrategias para integrar LLM en modelos de aprendizaje basados en la indagaci\u00f3n para el curso en el que realizar\u00e1n el piloto en el semestre de oto\u00f1o, permitiendo que los estudiantes formulen preguntas, exploren respuestas y profundicen su comprensi\u00f3n de temas complejos. Actividades pr\u00e1cticas destacar\u00e1n buenas pr\u00e1cticas para promover una participaci\u00f3n estudiantil efectiva con la IA.<\/p>\n\n\n\n

Sesi\u00f3n 7: Apoyo al aprendizaje activo con IA: <\/strong>Las y los participantes explorar\u00e1n c\u00f3mo las tecnolog\u00edas de IA pueden mejorar pr\u00e1cticas de aprendizaje activo. El seminario cubrir\u00e1 formas de incorporar LLM en actividades para el curso en el que realizar\u00e1n el piloto en el semestre de oto\u00f1o, como resoluci\u00f3n de problemas en grupo, ense\u00f1anza entre pares y simulaciones interactivas. El profesorado obtendr\u00e1 ideas para dise\u00f1ar lecciones integradas con IA que promuevan el pensamiento cr\u00edtico y la colaboraci\u00f3n.<\/p>\n\n\n\n

Sesi\u00f3n 8: Evaluaci\u00f3n de c\u00f3mo los conjuntos de LLM apoyan al estudiantado: <\/strong>Esta sesi\u00f3n examinar\u00e1 el potencial de los conjuntos de LLM (ensembles), combinaciones de m\u00faltiples agentes de IA, para apoyar necesidades de aprendizaje diversas. El profesorado aprender\u00e1 a analizar la efectividad de estos conjuntos cuando se despliegan en el aula. Se compartir\u00e1n m\u00e9todos pr\u00e1cticos de evaluaci\u00f3n para medir su impacto en los resultados de aprendizaje del estudiantado.<\/p>\n\n\n\n

\n\n\n\n

EL\u00c9VATE<\/em> cuenta con el apoyo de la National Science Foundation bajo la beca #2518973<\/a><\/em>, \u201cSupporting Student Learning and Success in Early Undergraduate Mathematics Courses via AI-Enhanced Education\u201d. El programa NSF IUSE: EDU apoya proyectos de investigaci\u00f3n y desarrollo para mejorar la efectividad de la educaci\u00f3n STEM para todo el estudiantado..<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

This post in English Academia EL\u00c9VATE: Aprende a Usar IA en tu Docencia La Universidad de Texas en San Antonio ofrece un taller de verano de acceso abierto de ocho sesiones, m\u00e1s una sesi\u00f3n prerrequisito, sobre la integraci\u00f3n de herramientas de Inteligencia Artificial (IA) con la ense\u00f1anza, del 9 de julio al 11 de agosto de 2026. La Academia EL\u00c9VATE […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1519","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=\/wp\/v2\/posts\/1519","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1519"}],"version-history":[{"count":2,"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=\/wp\/v2\/posts\/1519\/revisions"}],"predecessor-version":[{"id":1523,"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=\/wp\/v2\/posts\/1519\/revisions\/1523"}],"wp:attachment":[{"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1519"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1519"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mathresearch.utsa.edu\/wp\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1519"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}