Imagina caminar por un bosque muy frondoso. Mientras algunos árboles grandes absorben la mayor parte de la luz del sol, muchas plantas más pequeñas luchan por encontrar los rayos que necesitan para crecer. En la educación ocurre algo similar: la atención de los tutores, ese recurso tan valioso para el aprendizaje, no se distribuye equitativamente. Algunos estudiantes reciben abundante luz, mientras que otros quedan en la sombra.
Un reciente estudio de la Universidad de Stanford analizó más de 1 millón de interacciones en más de 5 mil tutorías virtuales y encontró que no todos los estudiantes reciben la misma atención durante las tutorías y las diferencias van más allá del rendimiento académico.
Mediante técnicas de procesamiento del lenguaje natural, una rama de la inteligencia artificial, los autores estudiaron las interacciones entre tutores y estudiantes que participaron de un programa de tutorías grupales y así descifraron los patrones de atención de los tutores. Para ello, clasificaron cada una de las intervenciones de los tutores según el tipo de:
1. Interacción: si el tutor buscaba dar contenido, crear un vínculo con el estudiante o gestionar la tutoría.
2. Destinatario: si el tutor se dirigía a uno u otro de los estudiantes, a ambos, o si el destinatario era ambiguo.
¿Ajustan los tutores su atención de acuerdo con las necesidades de los estudiantes?
El estudio confirma que, en términos generales, los estudiantes con menor desempeño reciben en promedio 2,3 puntos porcentuales (p.p.) más de atención que sus pares con mejor rendimiento (Gráfico 1). Esto ocurre en todos los tipos de interacción:
- Al explicar el contenido, los educadores brindan 1,25 p.p. extra de atención a los estudiantes más desventajados.
- Solo 0,12 p.p. adicionales se dedicaron a construir relaciones y 0,16 p.p. adicionales fueron sobre gestión de la sesión , por ejemplo, al dar instrucciones.
Estos resultados sugieren que, los educadores responden a las necesidades académicas de los estudiantes, prestando más atención a quienes más lo necesitan, especialmente dedicando más tiempo a explicar el contenido académico.
Gráfico 1. Resultados por nivel de desempeño inicial de los estudiantes y tipo de interacción
Fuente: Zhang et al. (2025)
Diferencias en la distribución de la atención
Si bien los educadores tienden a priorizar a los estudiantes con más dificultades, el estudio revela otros factores influyen en la cantidad de atención que recibe cada estudiante.
Más allá de su desempeño, las niñas reciben menos atención que los niños, especialmente cuando están en un grupo con un niño (5,2 p.p. menos de atención).
En parejas de un niño y una niña, si un niño tiene menor desempeño, recibe más atención que su compañera de grupo (9.1 p.p. más, casi un 50% más que a la niña). Pero, cuando la niña es quien tiene menor desempeño, recibe menos atención que el niño (1,3 p.p. menos). En los grupos del mismo género, los estudiantes varones de menor desempeño reciben más atención mientras que las niñas con menor desempeño no.
Gráfico 2. Resultados por nivel de desempeño inicial de los estudiantes y género
Fuente: Zhang et al. (2025)
En un grupos mixtos, de un estudiante angloparlante y uno que aprende inglés como segunda lengua, aquel con menor desempeño recibe más atención. Sin embargo, en las parejas de dos estudiantes no angloparlantes, recibe más atención el estudiante con mayor desempeño. Los estudiantes angloparlantes con bajo desempeño reciben más atención en cualquier contexto.
Gráfico 3. Resultados por nivel de desempeño inicial de los estudiantes y lengua materna
Estos hallazgos indican que, aunque los educadores intentan distribuir su atención según la necesidad, existen sesgos sistemáticos que afectan quién realmente recibe apoyo adicional.
El papel de la Inteligencia Artificial en esta investigación
Este estudio es un excelente ejemplo de cómo la inteligencia artificial (IA) está revolucionando la investigación educativa y permitiendo descubrir patrones ocultos en la enseñanza.
Análisis con procesamiento de lenguaje natural (NLP):
Los investigadores usaron modelos avanzados de IA, como RoBERTa-large, para analizar más de 1 millón de interacciones en tutorías y clasificar automáticamente cada intervención docente según su tipo de atención (contenido, relación, gestión). Sin IA, este tipo de análisis a gran escala habría sido prácticamente imposible.
Descubrimiento de sesgos con modelos de machine learning:
La IA permitió detectar patrones en la distribución de la atención, revelando cómo influyen diversos factores en la atención recibida por los estudiantes.
Este enfoque demuestra que la IA no solo sirve para optimizar procesos, sino que también puede ser una herramienta clave para generar evidencia sobre desigualdades educativas y diseñar mejores políticas públicas.
La IA ofrece, además, una oportunidad para mejorar la personalización del aprendizaje y apoyar a los docentes. Tal es el caso de Tutor CoPilot, que brinda asistencia en tiempo real a los tutores para mejorar sus estrategias pedagógicas y que ha mostrado resultados promisorios. La IA permitiría potencialmente incorporar recomendaciones a los tutores para mitigar las disparidades en su atención, contribuyendo a poner más foco en aquellos que necesitan más apoyo.
Conclusión: ¿cómo asegurar que todos los estudiantes reciban luz?
El estudio muestra que, aunque en teoría los docentes intentan apoyar a los estudiantes con mayor necesidad, en la práctica existen patrones de desigualdad que favorecen a ciertos grupos sobre otros.
La educación se parece al bosque. Si no aseguramos que la atención (luz) llegue a todos los estudiantes (árboles), en el ecosistema educativo se profundizan las desigualdades, limitando el potencial de muchos.
Este estudio también demuestra cómo la inteligencia artificial puede ayudarnos a detectar estas desigualdades y diseñar estrategias más efectivas para abordarlas. Con el avance de las herramientas IA, avanza también su potencial para mejorar la educación.
¿Cómo podemos hacer que la atención en la educación sea más equitativa? ¿Qué estrategias han funcionado en tu experiencia? ¿Cómo crees que la IA puede ayudar a diseñar mejores políticas educativas? ¡Déjanos tu opinión en los comentarios!
Leave a Reply