Research Project

OBJETIVO 1. Documentar, analizar e interpretar las prácticas lectoras informativas asistidas con IA, en varias materias curriculares y lenguas, en la modalidad de leer para informarse.

Esperamos responder a preguntas como: ¿qué lee el alumno (libro de texto, prensa, ciencia, web)?, ¿en qué contextos (clase, deberes, ocio, tareas) y para qué funciones?, ¿cómo lo hace?, ¿qué IA y qué artefactos utiliza?, ¿con qué indicaciones?, ¿consigue entender mejor el texto?, ¿mejora realmente su comprensión?, ¿qué dificultades se presentan? o ¿qué efectividad y satisfacción obtiene?

En este OE1 exploraremos la utilidad de varios artefactos mediadores, como el oralizador, el resumen, los esquemas y el diálogo alumno-IA con preguntas y respuestas. Para el resumen, por ejemplo, esperamos averiguar qué indicaciones se dan a la IA para crear resúmenes (o si usan preferentemente los que ofrece la IA por defecto), si se piden aclaraciones o explicaciones, qué rasgos del resumen (extensión, registro, estilo) favorecen la comprensión, etc. (más detalle en 3.3.). En conjunto, documentaremos, tipologizaremos y caracterizaremos la utilidad de cada tipo de artefacto mediador.

OBJETIVO 2. Documentar, analizar e interpretar las funciones que desarrolla la lectura analítica durante la interacción con IA en la modalidad leer para generar contenido.

Esperamos responder a preguntas como: ¿cuántos turnos se requieren para generar contenido?, ¿qué volumen de escritura (indicaciones) y de lectura (resultados) contienen?, ¿qué reformulaciones de indicaciones (reprompts) formula el alumno y cómo se relacionan con la comprensión de resultados previos?, ¿qué categorías (error, audiencia, estilo, especificidad, estética, etc.) tiene en cuenta? o ¿qué nivel de autorregulación muestra durante este tipo de lectura?

En este OE2 exploraremos la comprensión lectora inserta entre las indicaciones encadenadas para generar contenidos en varios formatos (escritura, imagen, vídeo, conversación). La estrategia general es comparar las indicaciones sucesivas entre sí y con sus resultados, identificar las reformulaciones de prompts y los criterios subyacentes, la capacidad de comprender analíticamente el proceso y los aspectos a mejorar. Pero cada formato introduce particularidades: en el contenido escrito, la lectura es verbal; con imagen y vídeo, la lectura deviene multimodal y añade imagen estática y dinámica y habla (vídeo); con la conversación, la lectura se convierte en comprensión oral o en interacción, aunque el planteamiento metodológico sigue siendo válido. [Los alumnos que den indicaciones habladas a la IA serán grabados, transcritos y analizados con el mismo procedimiento metodológico.]

OBJETIVO 3. Recopilar, analizar y valorar las estrategias y las fuentes empleadas por el aprendiz para verificar los resultados de la IA, en las dos modalidades (informarse y generar contenido).

Esperamos responder a preguntas como: ¿confía el alumno en la IA o verifica sus resultados?, ¿a qué fuentes recurre (academia, periodismo, redes sociales, etc.) ?, ¿qué fiabilidad atribuye a cada tipo de fuente según el formato generado?, ¿en qué momento del proceso de generación se realiza la verificación y con qué resultados? o ¿cómo se manifiesta el pensamiento crítico en ambas modalidades?

En este OE3 exploraremos la actitud crítica y las estrategias usadas por el alumnado para combatir la desinformación. En la lectura para informarse, el foco es verificar que los artefactos mediadores no difieran del original. En la lectura para generar escritura, el foco es verificar la fiabilidad de los datos aportados. En la lectura para generar imágenes y vídeos, la desinformación potencial se incrementa y diversifica por varios motivos: 1) las indicaciones para generar imágenes y vídeos son mucho más extensas, detalladas y específicas, alejadas del lenguaje corriente; 2) los sesgos o incoherencias pueden adoptar formas variados e imprevistas (androcentrismo, etnocentrismo, incongruencias históricas, geográficas o narrativas, etc.); 3) algunas IA para generar vídeos (Fliki, Invideo) aportan guiones previos y aprovechan bancos propios de imágenes que pueden tener conexión incierta o contradictoria con la intención del autor. En resumen, la reutilización que hace la IA de materiales previos sin trazabilidad plantea riesgos graves a un alumnado sin formación previa en este campo.

OBJETIVO 4. Documentar y analizar la apropiación que hacen los aprendices de los resultados de la IA con relación a la versión final del contenido, en la modalidad de generar contenido.

Esperamos responder a preguntas como: ¿qué grado de variación hallamos entre la versión final de la IA y el trabajo entregado por el alumno?, ¿qué adaptaciones hace y con qué criterios?, ¿qué tipo de cambios (añadir palabras propias, ejemplos, cambiar el estilo, etc.) realiza?, ¿qué utilidad puede tener la expresión oral para facilitar esta apropiación?, o ¿qué grado de autonomía muestra tener el alumno?

En este OE4 exploraremos la agencia del aprendiz o su aportación personal al contenido generado, o sea, las adaptaciones, cambios, añadidos que realiza. El término apropiación se refiere aquí a la agencia del alumno, al conocimiento y la visión del mundo personal que puede (o no) imprimir al contenido artificial, para construir su identidad de lector-autor. Para este objetivo nos centraremos sobre todo en las tareas de generación de escritura, habla y vídeo hablado. Como se ha dicho, los resultados de la IA son “vacíos”, carecen de conexión con la identidad y los puntos de vista del usuario, por lo que el alumno debe apropiárselos de manera personal. Para este objetivo y el anterior (OE3) resulta esencial la adopción de una perspectiva de género e inclusividad.

Perspectiva teórica. Dada la novedad de la IA, su reciente llegada a la educación y las múltiples circunstancias que concurren en su uso (dispositivos, políticas, currículums, actitudes docentes, etc.), adoptamos una perspectiva antropológica lingüística, para recopilar datos abundantes, con una mirada ecológica y una perspectiva émica, de alumnado y profesorado. Nos situamos en una perspectiva teórica sociocultural, siguiendo los New Literacy Studies (Barton & Lee, 2013). Aunque esta orientación se iniciara en el letrismo analógico, trabajos más recientes abordan las prácticas verbales tecnológicas, multimodales y plurilingües, con la tecnología más reciente y con una perspectiva crítica (Gee, 2015).

Como lingüistas de formación, empleamos técnicas de la etnografía lingüística (Blommaert & Jie, 2010) y del análisis del discurso (Gee, 2010) para investigar los usos verbales en contextos educativos formales e informales, mediados por IA. En este marco, LeerIA propone un estudio de casos múltiples (Flyvbjerg, 2006) sobre las dos modalidades reseñadas de lectura. El campo de estudio es sobre todo la educación formal, pero dada la novedad de la IA en las aulas, si la exploración inicial no aporta datos suficientes, ampliaremos el campo de estudio fuera del aula, con las prácticas extraescolares e incluso ociosas que aporte el alumnado en la primera entrevista exploratoria.

Datos. La obtención de datos abundantes, frescos y significativos en las dos modalidades lectoras propuestas es un propósito central de LeerIA. En concreto, esperamos obtener:

1. Leer para informarse:

   • Entrevistas al alumnado sobre los contextos escolares y extraescolares de lectura, las IA y las estrategias utilizadas, los artefactos mediadores favoritos, el tipo de indicaciones dado, etc.

   • Historiales de uso de la IA con los artefactos mediadores de la propia herramienta.

   • Entrevistas breves al profesorado para conocer los contextos escolares de lectura, las tareas y los textos y la perspectiva y valoración docente de los mismos.

   • Grabaciones de pantalla en vídeo de la actividad del alumnado al leer (en caso de falta de datos con los tres primeros métodos).

2. Leer para generar contenidos:

   • Entrevistas al alumnado sobre los contextos de generación de contenido y sobre las funciones de la lectura (número de turnos de consulta, valoración y grado de satisfacción).

   • Historiales de uso de la IA con la información completa de cada consulta.

   • Entrevistas breves al profesorado para conocer los contextos escolares de uso de IA para generar contenido (objetivos del programa, criterios de éxito de la tarea, valoración personal).

   • Recopilación de las tareas de generación de contenido de clase (consignas, entregas del aprendiz, borradores).

Los investigadores que recopilarán datos llevarán un diario etnográfico con las anotaciones manuales de los datos previos o posteriores a la entrevista grabada que pueden ser relevantes. En conjunto, esperamos obtener datos hasta la saturación para los 4 OE. Una estimación inicial sumaría 60 entrevistas (5 por centro), bastantes más historiales (3 x alumno = 180), 24 docentes (2 x centro) y unas 48 tareas lectoras entre las dos modalidades (4 por centro), en 12 centros.

Técnicas. Estas son las principales técnicas que usaremos para recopilar datos:

• Entrevistas a alumnado y profesorado. Serán en profundidad (20-40’) y semiestructuradas, con guion previo general o específico, prioritariamente presenciales en el centro educativo y, de no ser posible, virtuales. Se grabarán con audio (presencial) o vídeo (virtual), se codificarán (fecha y lugar, datos del entrevistado, impresiones del entrevistador, etc.) y se transcribirán. Para la fase de diagnóstico (1.a) realizaremos entrevistas más generales y exploratorias, basadas en el contexto lector; para la fase de evaluación (3.a) realizaremos entrevistas más situadas con guion específico, basado en los resultados de la intervención (fase 2.ª) y en los historiales de uso (Block, 2024; Brown y Danaher, 2019).

• Historiales de la IA. Son portafolios o carpetas (logs) con los datos completos de cada consulta a la IA, en todos los formatos (escritura, habla, imagen, vídeo). El análisis de esta interacción humano-IA está ahora mismo en desarrollo con propuestas metodológicas específicas para la escritura en contextos educativos (Tang, 2025) e incluso para el habla (Zellou y Holliday, 2024).

• Grabación de pantalla. Grabar la pantalla del portátil de algunos alumnos cuando usan la IA para leer puede resultar relevante para acceder a datos (tiempo de lectura, autocorrecciones al teclear las indicaciones, etc.) que queden ocultos en los historiales y las entrevistas. Siguiendo a Kawaf (2019), buscaremos las condiciones menos intrusivas y más naturales para el alumno.

Emplearemos estos métodos y técnicas para procesar los datos recopilados:

• Análisis del contenido. Para analizar entrevistas, historiales, grabación de pantallas y diarios combinaremos el enfoque más objetivo del análisis de contenido, que etiqueta y levanta categorías neutras, con la técnica más sociocultural del short story approach (Barkhuizen, 2016) que, desde una perspectiva narratológica, selecciona episodios discursivos breves de los informantes, los relaciona con su identidad y perspectiva y construye una interpretación más situada socioculturalmente.

• Análisis discursivo. Usaremos análisis del discurso, desarrollado en las ciencias del lenguaje, con tradición y aplicaciones específicas para la educación (Warriner y Anderson, 2017). Para el componente verbal, serán útiles el análisis de la conversación, el análisis de inferencias y el análisis crítico, que vincula la identidad con el texto y su interpretación. Para el componente multimodal usaremos análisis multimodal (Jewitt ed. 2009; Zhao et al. ed., 2018).

• Triangulación. Los datos de las tres fuentes principales (entrevistas, historiales, tareas) se contrastarán para confirmar las interpretaciones y construir resultados más robustos con base a datos cuantitativos y cualitativos. Habitualmente contrastamos los análisis entre varios investigadores y en diferentes momentos para reducir el sesgo de subjetividad (inter-rater reliability).

Barkhuizen, G. (2016). A Short Story Approach to Analyzing Teacher (Imagined) Identities Over Time. TESOL Quarterly, 50(3), 655-683. doi.org/10.1002/tesq.311

Barton, D. y C. Gee. (2013). Language Online. Invest. Digital Texts & Practices. Routledge.

Block, D. (2024). Interviews in Applied Linguistics. Routledge.

Blommaert, J. y D. Jie. (2010). Ethnographic Fieldwork. Bristol: Multilingual Matters.

Brown, A. y F. A. Danaher. (2019). CHE Principles: facilitating authentic and dialogical semistructured interviews in educationl research. IJRME, 42/1: 76-90.

Gee, J. P. (2010). How to do discourse analysis: a toolkit. Routledge.

Gee, J. P. (2015). The New Literacy Studies. En J. Rowsell & K. Pahl (Eds.), The Routledge Handbook of Literacy Studies. Routledge. p. 35-48. doi.org/10.4324/9781315717647.ch2

Flyvbjerg, B. (2006). Five Misunderstanding about Case-Study Research. QI, 12 (2): 219-245.

Jewitt, C. ed. (2009). Handbook of Multimodal Analysis. Routledge.

Kawaf, F. (2019). Capturing digital experience: The method of screencast videography, IJRM, 36 (2). https://doi.org/10.1016/j.ijresmar.2018.11.002

Tang, K-S. (2025). AI-textuality: Expanding intertextuality to theorize human-AI interaction with generative artificial intelligence, Applied Linguistics, https://doi.org/10.1093/applin/amaf016

Warriner, D. y K. T. Anderson. (2017). Discourse Analysis in Educational Research. En K. King, JY. Lai & S. May ed. Research methods in language and education. Springer. 3ª 1-13.

Zellou, G. y Holliday, N. (2024). Linguistic analysis of human-computer interaction, Frontiers in Computer Science, 6. https://doi.org/10.3389/fcomp.2024.1384252

Zhao, S., et al. eds. (2018). Advancing multimodal and critical discourse studies: interdisciplinary research inspired by Theo van Leeuwen’s social semiotics. Routledge.