Inteligencia artificial, educación, aprendizaje y conocimiento. Una agenda personal para los próximos tiempos. (II): Metacognición generativa

 

Miguel Zapata-Ros, 2026

DOI: 10.13140/RG.2.2.32918.31045

3. Metacognición generativa/ Aprendizaje con IA/ IA como recurso de cognición generativa

A partir de un primer momento en que la actitud crtítica hacia el uso de la IA generativa fue predominante entre muchos teóricos, una idea se abrió paso ante la realidad del uso no solo entre aprendices sino entre profesionales e investigadores de las herramientas como ChatGPT u otras, fue que en la práctica estas herramientas constituían como una prótesis o una ortopedia del pensamiento, exclusivamente en términos voluntarios y controlados buscando la mayor influencia e impacto de los productos intelectuales elaborados. Y aceptado que esta practica no implicaba un menoscabo de lo elaborado, sino muy al contrario que aumentaba su potencia argumental o de prueba, suficientemente justificados. Esta aceptación y esta practica implica más allá de su aceptación un estudio y una tratamiento detallada de cómo se produce o ha de producirse en mejores condiciones, de como instruir a los alumnos y docentes ante esta realidad, en definitiva de, a largo plazo, crear una pedagogía del uso de la IA generativa, así como un estudio teórico, relacional y diferencial detallado que delimite cada uno de los procesos cognitivos implicados. Y como integrarlo, también en un plano no precipitado ni irreflexixo en un diseño instruccional adecuado.

Empecemos pues por incorporar algunos constructos ya claros, como son cognición extendida y cognición generativa y cognición gnertiva de alcance intermedio.

"cognición extendida", es decir, procesos caracterizados como cognitivos y constituidos por factores externos al cerebro-cuerpo del sujeto cognitivo.”

“cognición generativa”, explora la integración de tecnologías de IA generativa con procesos cognitivos humanos. El término “generativa” refleja la capacidad de la IA para producir iterativamente resultados estructurados.

 “cognición generativa de media intención” captura la naturaleza híbrida (humano-IA) potencial del proceso.
Pero cabría preguntarse “media ¿entre qué?”. La respuesta sería: entre las concepciones tradicionales de cómo es la creación (no la cognición, aquí se enlazan dos conceptos el de cognición en parte involuntaria y espontánea y la creación absolutamente voluntaria y dirigida). Por un lado tendríamos  creación  intencionada , entendida como dirigida desde dentro , y los procesos extendidos de creación que incorporan procesos exobiológicos al proceso creativo. 

En definitiva, la "cognición generativa de alcance intermedio" se concibe como un nuevo tipo de "cognición extendida", es decir, como procesos que son cognitivos pero constituidos por factores externos al cerebro-cuerpo del sujeto cognitivo.

 

De esta manera el marco conceptual que intentaremos ir desarrollando en un futuro, debe permitir la integración de aspectos sociocognitivos y componentes tecnológicas en una visión unificada.  Que de alguna forma deberá integrar el un planteamiento preformativo[1] (que todavía rechazamos calificar como enactivismo[2]) y enfoques de computación predictiva.

Para ello, es preciso antes una caracterización adecuada, además de lo dicho ahora, de los procesos cognitivos que se producen en interacción con la IA generativa.

Para empezar, intentaremos con esta propuesta de definición relacionar la cognición interna con la exocognición proporcionada por la IA generativa. Es la de cognición generativa intermedia:

Dado un agente cognitivo X, un sistema generativo Y (artificial o de otro tipo) y un producto cognitivo Z, la intervención mediada se produce cuando las intervenciones generativas producidas por Y se convierten en constituyentes de la generación intencional de Z por parte de X, por lo que X mantiene cierto sentido de agencia o autoría sobre Z.

La Figura  1 ilustra la definición y las diversas formas en que los procesos cognitivos basados ​​en fundamentos, encarnados y extendidos se interrelacionan entre sí y con los procesos generativos al ejecutar la cognición generativa. El agente X interactúa con el producto digital Z, que es generado parcialmente por Y, una tecnología generativa artificial.

Los distintos bucles agente-entorno generan diferentes aspectos de la cognición: la cognición procedimental implica bucles neurodinámicos que involucran áreas de procesamiento premotor y sensorial multimodales; la cognición cinestésica[3] y corporal implica retroalimentación[4] propioceptiva corporal y sinergias neuromusculares; la cognición preformativa[5] implica el acoplamiento con elementos ambientales[6]; la IA generativa (que no es un tipo de cognición en sí misma) produce estructuras digitales a través de bucles autorregresivos. La cognición generativa (como algo intermedio) reúne todos los componentes para la producción de obras intencionales y con propósito.

Los bucles intencionales creativos del individuo/persona física (bucle α) se entrelazan con los bucles del sistema generativo (bucle ß). Sin embargo, la mera concurrencia de ambos bucles por separado no basta para la cognición de intención generativa media; ambos deben interactuar, de modo que las intervenciones generativas del bucle ß se entrelazan con las del bucle α, sin que este último pierda su carácter intencional. El individuo físico, la persona, debe aceptar o adoptar las intervenciones del bucle ß como parte de su proceso creativo intencional. Entonces, todo el sistema se convierte en un caso de cognición generativa.

Figura 1

El por qué esto es así.

Esta cuestión rebasa en mucho nuestro original planteamiento. Es un tema de Psicologla Básica desde la perspectiva de la Psicología como ciencia cuyo objeto de estudio es la conducta y la mente de los organismos y ahora de las máquinas, pero especialmente del hombre. Es el método cientl.fico para obtener el conocimiento. Esto significa que los investigadores, entre ellos los psicólogos nos adherimos a ciertas reglas que exigen la medición pública y objetiva de la conducta derivada del conocimiento y de las ideas, la puesta a prueba de hipótesis formuladas correctamente y su contraste experimental. Y no es el caso ahora, pero lo dejamos abierto. Pero ahora abordaremos el tema con una breve pincelada, como corresponde a un post o a un preprint

Las personas estamos rodeadas de implementos para llegar más lejos y más rápido, ver mejor, conocer más,... Entonces ¿por qué no para pensar mejor?
A esta interrogante he llegado pensando en mi propia práctica. Ya frecuentemente, como otros, cuando escribo un artículo no busco en Google Académico o en las bases de datos de Scopus i o de La Web of Science, simplemente le pregunto a una IA y, aunque frecuentemente se equivoca lo ghago como una primera aproximación que luego valido acotando las referencias, desestimando algunas por irrelevantes, por ser de Wikipedia que frecuentemente se equivoca o simplemente por ser erróneas o no estar respaldadas. Pero aún así me ahorro mucho tiempo en una búsqueda sistemática hecha a mano. 

La idea de esa nueva cognición de forma sencilla podría explicarse mediante estas palabras que tomo del artículo (Barandiaran  et al, 2025):

"Estás rodeado de colegas en una conferencia. Estás a punto de explicar tu opinión sobre el filósofo francés Gilles Deleuze: «Es muy inspirador, pero su escritura es demasiado…» —no encuentras la palabra adecuada—, «… abstrusa», dice tu colega, «sí, su escritura es demasiado abstrusa (gracias)», continúas. Esa es la palabra que necesitabas, la que querías, pero no encontrabas. De hecho, opinas que Deleuze es abstruso; simplemente no podías generar la frase con fluidez y la completaste aceptando la sugerencia. La hiciste tuya. Al ritmo actual de evolución de las tecnologías generativas, no es descabellado plantear un escenario en el que conversaciones similares sean cada vez más generadas (sugeridas) por la IA (en lugar de tus colegas)."

O por implementos basados en IA que hagan posible salidas a situaciones como ésta.

Pero vayamos al núcleo de la cuestión ¿por qué y cómo el agente de la cognición, nuestro amigo del caso anterior, adopta e integra como suyos los tokens o intervenciones generadas por la IA? En una primera aproximación, en el contexto de los ejemplos como el citado, cuando sólo es una palabra o un concepto sugerido por un mecanismo de autocompletación de texto, la adopción puede atribuirse al poder predictivo de la generación que aceptamos como válido, incluso mejor que el nuestro la mayor parte de los casos. Incluso el agente de la cognición piensa que las palabras generadas son aquellas que él estaba a punto de usar o habría usado en otras circunstancias (con mayor claridad mental, más tiempo para pensar, etc.).

Pues bien, estas circunstancias pueden ampliarse aún más. En general pueden constituir un categoría abstracta: las inclusiones generativas pueden adoptarse, o incorporarse, si el agente de la cognición considera que la información sugerida generativamente ---que puede ser una definición, una conceptualización, un esquema o una referencia en un trabajo de investigación---  es una buena aproximación de lo que podría haber encontrado por sí mismo mediante una indagación o, y aquí entramos en un terreno complejo, si hubiera leído y comprendido[7] alguna teoría o autor adicional (por ejemplo, la obra de Gilles Deleuze, del ejemplo).

De hecho, al margen de lo que determinemos, la percepción es que los tokens generativos, las respuestas a los prompts, pueden incorporarse o hacerse "propios" por el agente cognitivo por proximidad cognitiva a lo que piensa o a lo que tiene intención de escribir, por familiaridad, por autoidentificación, o simplemente por confianza en la IA, por pereza o por temor a que las propias respuestas, sus estándares, sean inferiores a los producidos por el sistema de IA.

Sin embargo, más allá de esta respuesta o de esta percepción simple, hay mucha divergencia entre las respuestas, incluso dejan de ser simples tokens, que obtenemos en función de la formulación del prompt o de la secuencia de pomsts delimitando la respuesta. Esto constituye una técnica compleja rayando en un conjunto sistemático de habilidades o en un corpus como pueda ser una ingeniería del conocimiento. Es lo que vamos a tratar a continuación.

---

[1] El término performativo describe acciones, enunciados o comportamientos que, en lugar de limitarse a describir la realidad, la transforman o crean por el simple hecho de ejecutarlos. Procede de la lingüística y la filosofía, y hoy se utiliza también en sociología, artes y cultura, según  Austin (1975). 

[2] Sobre enactivismo hay un artículo muy interesante que puede servir de base a todo, es https://link.springer.com/article/10.1007/s11245-017-9484-6 :
“Los cognitivistas tuvieron dificultades para modelar o explicar la inteligencia flexible, sensible al contexto y de dominio general que caracteriza la cognición humana. Capacidades cognitivas intuitivamente básicas como el control motor y el reconocimiento perceptivo parecían particularmente resistentes a los esfuerzos cognitivistas. Además, entre los filósofos, existía una falta de consenso teórico sobre la mejor explicación de la noción de "representación", que constituye el núcleo del cognitivismo.”
Sin embargo consideramos precipitado incluir esta visión porque todavía no está suficientemente consolidada y es posible que se vea modificada o en parte rechazada por los desarrollos de la IA. También querríamos, como después diremos, vincular con algunas de las componentes consideradas como cinestésicas en el tratamiento que hemos dado hasta ahora en el Pensamiento Computacional.

 

[3] He dudado entre cognición corporal o cognición cinestésica. He optado por esta última en conexión con lo desarrollado para Pensamiento Computacional, porque pienso establecer la cinestesia como una componente para el prompting, de igual forma que lo hice para el PC

 

[4] Esto está vinculado con lo tratado sobre cinestesia en Pensamiento Computacional (Zapata-Ros, 2022 p.50)

 

[5] También he dudado entre cognición preformativa y cognición enactiva. Finalmente me parece prematuro lo segundo. El paradigma enactivista me parece no consolidado y en algún aspecto falto de consistencia. Esperaremos a ver cómo evoluciona la cosa en un terreno tan inestable como éste. Pero no lo descartamos todavía.

 

[6] A propósito de por qué en el grafico hemos utilizado cognición performativa (por la acción) en vez de cognición enactiva

Sobre enactivismo hay un artículo muy interesante que puede servir de base a todo, es https://link.springer.com/article/10.1007/s11245-017-9484-6 :
“Los cognitivistas tuvieron dificultades para modelar o explicar la inteligencia flexible, sensible al contexto y de dominio general que caracteriza la cognición humana. Capacidades cognitivas intuitivamente básicas como el control motor y el reconocimiento perceptivo parecían particularmente resistentes a los esfuerzos cognitivistas. Además, entre los filósofos, existía una falta de consenso teórico sobre la mejor explicación de la noción de "representación", que constituye el núcleo del cognitivismo.”
“Trabajo sobre redes neuronales conexionistas ^Nota2 sugirió que las explicaciones computacionales del comportamiento inteligente no necesitan recurrir a la producción y manipulación serial de estados representacionales discretos; en cambio, el comportamiento adaptativo puede surgir de la actividad de una red densamente interconectada de unidades interactivas. Es importante destacar que los patrones de conectividad que especifican la estructura de una red conexionista no tienen por qué ser rígidos ni estar predefinidos. En cambio, las redes conexionistas pueden ser sistemas autoorganizados ; la estructura que subyace a su comportamiento inteligente puede surgir como resultado del aprendizaje y la historia interactiva de la red. Los modelos conexionistas tuvieron un éxito notable en dominios que preocupaban a los cognitivistas, como el reconocimiento de patrones y el control sensoriomotor. Un tema emergente estrechamente relacionado fue el uso de herramientas de la teoría de sistemas dinámicos (TSD) para caracterizar la organización cognitiva.^Nota3. La teoría de sistemas dinámicos (TSD) proporciona un aparato formal y conceptual para describir el desarrollo de sistemas complejos compuestos por múltiples partes que interactúan estrechamente, incluyendo sistemas autoorganizados como (algunas) redes conexionistas. El lenguaje de la TSD caracteriza los sistemas en términos de un espacio multidimensional de estados posibles, ecuaciones que describen las formas en que el sistema puede transitar de un punto a otro en dicho espacio, y puntos teóricamente significativos en ese espacio, como los atractores: estados estables hacia los que la actividad del sistema tiende con frecuencia. De especial relevancia para la narrativa histórica que estamos construyendo aquí es el hecho de que estas caracterizaciones evitan hablar de representaciones discretas y estáticas, optando en cambio por una descripción global del estado y la actividad del sistema.”

 

[7] Y aquí podríamos entrar en temas de evaluación y sobre todo en lo que es comprender, aprender y elaborar, utilizando para ello lo que tantas veces he repetido sobre las condiciones que deben darse para considerar que un aprendizaje se ha producido, a partir de los trabajos de Gagné y de Merril sobre las condiciones y los principios del aprendizaje (Merrill, 2002a) (Gagne, 1974).

Referencias

Austin, J. L. (1975). How to do things with words. Harvard university press.

Barandiaran, XE, Pérez-Verdugo, M. Cognición media generativa e Inteligencia Artificial: cosar con cosar cosas . Síntesis 205 , 137 (2025). https://doi.org/10.1007/s11229-025-04961-4

Chen, C.-H., Law, V., & Huang, K. (2023). Adaptive scaffolding and engagement in digital game-based learning. Educational Technology Research and Development, 71(4), 1785–1798. https://doi.org/10.1007/s11423-023-10244-x

City St George’s, University of London. (s.f.). Research Centre for Adaptive Computing Systems and Machine Learning (ACS-ML). https://researchcentres.citystgeorges.ac.uk/acsml

Eager, B., & Brunton, R. (2023). Prompting Higher Education Towards AI-Augmented Teaching and Learning Practice. Journal of University Teaching & Learning Practice, 20(5). https://doi.org/10.53761/1.20.5.02

Gagne, R. M. (1974). Instruction and the conditions of learning. Psychology of school learning: Views of the learner, 1, 153-175. https://files.eric.ed.gov/fulltext/ED104859.pdf#page=153

 

Lee, U., Jung, H., Jeon, Y., Sohn, Y., Hwang, W., Moon, J., & Kim, H. (2023). Few-shot is enough: Exploring ChatGPT prompt engineering method for automatic question generation in english education. Education and Information Technologies. https://doi.org/10.1007/s10639-023-12249-8

Merrill, M. D. (2002a). First principles of instruction.Educational technology research and development,50(3), 43-59. http://csapoer.pbworks.com/f/First+Principles+of+Instruction+(Merrill,+2002).pdf

Merrill, M. D. (2002b). First principles of instruction. Educational Technology Research and Development, 50(3), 43-59.Instructional-Design Theories and Models, Volume III: Building a Common Knowledge Base.

Merrill, M. D. (2012).First principles of instruction. John Wiley & Sons.

Morgan, M. (enero 2025) Foro OpenAI Developer Community +3 https://community.openai.com/t/prompt-engineering-a-philosophy-and-mindset-that-takes-practice-to-master/1089176

Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in psychology, 8, 422.

Theophilou, E., Koyutürk, C., Yavari, M., Bursic, S., Donabauer, G., Telari, A., Testa, A., Boiano, R., Hernandez-Leo, D., Ruskov, M., Taibi, D., Gabbiadini, A., & Ognibene, D. (2023). Learning to Prompt in the Classroom to Understand AI Limits: A Pilot Study. In R. Basili, D. Lembo, C. Limongelli, & A. Orlandini (Eds.), AIxIA 2023 – Advances in Artificial Intelligence (pp. 481–496). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-47546-7_33

Zapata-Ros, M. (2015). Pensamiento computacional: Una nueva alfabetización digital. RED. Revista de educación a distancia, (46), 1-47.

Zapata-Ros, M. (2018). Pensamiento computacional. Una tercera competencia clave. El pensamiento computacional como una nueva alfabetización en las culturas digitales. Murcia: Universidad de Murcia, 4-87. https://osf.io/download/5hbcn

Zapata-Ros, M. (2019). Pensamiento computacional desenchufado. https://gredos.usal.es/handle/10366/143339

Zapata-Ros, M. (2022). El pensamiento computacional, la competencia clave en una nueva alfabetización. New York: Create Space. https://www.amazon.es/pensamiento-computacional-competencia-clave-alfabetizaci%C3%B3n/dp/B0BLFQX17N/ref=tmm_pap_swatch_0

Zapata-Ros, M. (2023). Evaluación educativa, edición cientifica y ChatGPT¿ Qué hacer. Preprint. https://osf.io/squhy https://doi.org/10.35542/osf.io/squhy