IAG: conceptes del procés d'aprenentatge
Aquesta entrada de blog és la quarta d'una sèrie sobre IAG en educació. Les entrades anteriors van cobrir com funcionen els LLM i les seves limitacions, les competències digitals docents (DigCompEdu, UNESCO, GenAI-TPACK) i les oportunitats i reptes pràctics de la IAG a l'aula.
Ara el focus es desplaça cap a dues preguntes clau: com afecta la IAG els processos cognitius de l'aprenentatge, i quin paper ha de tenir en el desenvolupament del pensament crític.
En aquesta entrada aprofundim en aquestes dimensions clau. Veurem que, si bé la IAG pot alleujar la càrrega cognitiva, el seu paper ha de ser el de suport o amplificador de les capacitats humanes, mai el de substitut: delegar-hi completament impedeix que s'activin els processos de pensament d'ordre superior necessaris per a un aprenentatge real i profund. Perquè la IAG ja és a les aules —a la butxaca dels estudiants, en les seves rutines— i la millor manera de gestionar-la no és ignorar-la, sinó entendre-la prou bé per posar-la al servei d'una educació més rica, crítica i humana.
La IAG i l'aprenentatge profund
1. La teoria de la càrrega cognitiva:
Parlar d'intel·ligència artificial a l'educació sense parlar de com funciona la ment humana seria com construir una casa sense fonaments. La teoria de la càrrega cognitiva («Cognitive Load Theory» o CLT), formulada pel psicòleg educatiu australià John Sweller a finals dels anys vuitanta, ens proporciona precisament aquests fonaments teòrics.
El punt de partida de la teoria és aparentment senzill però d'una profunditat enorme: la memòria de treball humana té una capacitat limitada per processar informació. Podem mantenir entre cinc i nou elements d'informació actius simultàniament, i quan aquest límit se supera, la comprensió i l'aprenentatge es ressenteixen. L'aprenentatge efectiu no depèn tant del contingut en si mateix com de la manera com s'organitza i es presenta aquesta informació.
La teoria busca optimitzar el disseny instructiu perquè l’estudiant pugui dedicar l’esforç cognitiu a comprendre, integrar i automatitzar nous esquemes mentals.
Els tres tipus de càrrega cognitiva
La teoria distingeix tres tipus de càrrega que actuen simultàniament sobre la nostra memòria de treball:
Càrrega intrínseca: fa referencia a la complexitat inherent del contingut. Aprendre a resoldre equacions diferencials té una càrrega intrínseca alta; aprendre a sumar, baixa. El docent no pot eliminar-la, però pot ajudar l'estudiant a gestionar-la mitjançant una seqüència d'aprenentatge ben dissenyada.
Càrrega extrínseca: prové de la manera com la informació és presentada o estructurada. Si un text és innecessàriament complex, si les instruccions són confuses o si el format visual està mal organitzat, augmenta la càrrega extrínseca sense cap guany per a l'aprenentatge. Aquesta és la carrega que el bon disseny instruccional pot i ha de reduir.
Càrrega germana: és el cor de tot. Es tracta de l'esforç mental que l'estudiant dedica a comprendre profundament, a establir connexions significatives entre els coneixements nous i els preexistents, i a construir esquemes mentals duradors. És la càrrega "bona", la que volem maximitzar.
💡 La clau pedagògica L'objectiu dels docents és clàssic però no per això menys vigent: reduir la càrrega extrínseca innecessària i alliberar recursos cognitius perquè l'estudiant pugui dedicar-los a la càrrega germana. Cal tenir present, no obstant, que alguns enfocaments didàctics com l'aprenentatge basat en problemes o l'aprenentatge autoregulat poden requerir certa càrrega extrínseca intencional com a motor de la reflexió. |
📚 Lectures recomanades — Càrrega cognitiva Gkintoni, E., Antonopoulou, H., Sortwell, A., & Halkiopoulos, C. (2025). Challenging Cognitive Load Theory: The role of educational neuroscience and artificial intelligence in redefining learning efficacy. Brain Sciences, 15(2), 203. Sweller, J., Van Merrienboer, J. J. G., & Paas, F. (1998). Cognitive Architecture and Instructional Design. Educational Psychology Review. Article fundacional de la CLT. Mayer, R. E. (2009). Multimedia Learning (2a ed.). Cambridge University Press. Aplica la CLT al disseny d'entorns multimèdia i e-learning. Paas, F., Renkl, A., & Sweller, J. (2003). Cognitive Load Theory and Instructional Design: Recent Developments. Educational Psychologist, 38(1), 1-4. |
2. La càrrega cognitiva en l'era de la IAG
La teoria de la càrrega cognitiva no és nova, però en l'era de la IAG adquireix una rellevància que no tenia fins ara. Les eines generatives com ChatGPT, Claude, Gemini o Copilot poden fer quelcom que cap tecnologia educativa anterior no havia fet amb tanta eficàcia: substituir el procés cognitiu de l'estudiant.
Pensem-ho un moment. Quan un estudiant fa servir una calculadora per resoldre una operació aritmètica, allò que fa és externalitzar un càlcul. La comprensió conceptual és seva. Però quan un estudiant demana a la IAG que li expliqui un concepte, li redacti un assaig o li generi les idees clau d'un tema, pot estar externalitzant el procés de comprensió mateix.
El perill del deute cognitiu
Hem de tenir en compte que la IAG genera respostes probabilístiques, no pensament crític. Si els estudiants accepten les respostes de la IAG sense qüestionar-les, es converteixen en espectadors passius del seu propi procés d'aprenentatge.
El que els autors anomenen "deute cognitiu" es pot originar per tres vies:
El mal disseny pedagògic: activitats que permeten delegar en la IAG la part més exigent cognitivament, sense que l'estudiant hagi de posar res seu.
La manca de cultura crítica: estudiants que no han desenvolupat l’hàbit d’avaluar, contrastar i qüestionar la informació que reben, sigui d'una IA o d'una altra font.
La comoditat humana davant l'esforç: la tendència natural de cercar el camí més fàcil, que s'amplifica quan l'alternativa es tan accessible i convincent com una IA generativa.
⚠️ Cas pràctic: el risc de la «millora» automàtica Imaginem un estudiant de quart de grau que ha d'entregar un treball de recerca. Escriu un primer esborrany i el passa per ChatGPT perquè el "millori". La IA retorna un text més fluid, més ben estructurat, sense errors ortogràfics. El problema: si l'estudiant no revisa críticament les modificacions, si no en comprova la precisió conceptual, si no les integra al seu marc de pensament propi, el resultat final pot semblar millor però el seu aprenentatge ha retrocedit. Ha obtingut un producte sense haver transitat el procés. |
📚 Lectura recomanada Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task (arXiv:2506.08872). |
3. L'ús no cognitiu de la IAG: quan automatitzar té sentit
No tota interacció amb la IAG és igual de preocupant des del punt de vista cognitiu. És important distingir entre usos que automatitzen tasques perifèriques i usos que desplacen el pensament central.
Què entenem per us no cognitiu?
L'ús no cognitiu és aquell que se centra en tasques que no requereixen una profunditat cognitiva significativa per part de l'estudiant. Alguns exemples:
Generar presentacions amb contingut que ja s'ha treballat i comprès prèviament.
Corregir errors ortogràfics i gramaticals en un text ja redactat pel propi estudiant.
Formatar o estructurar visualment un document.
Obtenir un glossari inicial de termes desconeguts d'un text nou.
Generar un resum de primers passos per abordar un problema ja enunciat.
Aquests usos poden ser perfectament legítims si s'entenen com a eines d'alliberament de recursos cognitius per a tasques més complexes. Aquesta descàrrega cognitiva pot disminuir la càrrega intrínseca o extrínseca, però també podria disminuir la càrrega germana, la qual cosa afectaria l’aprenentatge profund, pot afavorir l’ús superficial i pot fer que l’estudiant perdi la seva estructura mental de la informació.
El perill arriba quan es converteixen en la norma sense pensament: quan la presentació la fa la IA perquè l'estudiant no ha volgut pensar el contingut, o quan el resum el genera la IA perquè l'estudiant no ha llegit el text original.
💡 Cas pràctic: l’ús legítim de la IAG com a eina Un grup d'estudiants de Medicina ha de preparar una exposició sobre un síndrome metabòlic complex. Han llegit la literatura, han debatut entre ells, han construït un esquema conceptual propi. Ara usen la IAG per transformar aquell esquema en unes diapositives visualment atractives. Aquí la IAG actua com una eina que els permet arribar més amunt: el coneixement és seu, la comprensió és seva, i la IAG els estalvia temps en una tasca tècnica però no central. La càrrega germana ja s'ha produït; ara s'aprofiten els recursos alliberats. |
4. L'ús cognitiu de la IAG: la IA com a amplificadora
Aquí rau el nucli de tot. L'ús cognitiu de la IAG és aquell en què l'eina funciona com un amplificador de les capacitats humanes, no com a substituta. La IAG no pensa per l'estudiant, sinó que el desafia, l'interpel·la, el provoca a pensar més profundament.
Què significa processar, estructurar, reflexionar i aplicar?
Si l'ús no cognitiu es queda a la superfície, l'ús cognitiu implica transitar tot el cicle de la taxonomia de Bloom en la seva versió revisada:
Processar: no limitar-se a llegir la resposta de la IAG, sinó analitzar-la, descompondre-la, identificar-ne les parts.
Estructurar: reorganitzar la informació rebuda en esquemes propis, crear connexions amb el coneixement pre-existent.
Reflexionar: preguntar-se què falta, què no està del tot bé, què discrepa amb altres fonts.
Aplicar: usar les idees en contextos nous, transferir el coneixement a problemes reals.
Crear: generar productes nous que no hauria pogut generar la IA sola: anàlisis originals, posicions crítiques, propostes innovadores.
La metacognició com a competència clau
Un element molt important és la metacognició i l'autorregulació. Que l'estudiant no només aprengui amb la IAG, sinó que pugui pensar sobre el seu propi procés d'aprenentatge. Que el faci servir per reflexionar sobre les seves llacunes, per autoavaluar el seu progrés, per revisar les seves estratègies.
Això vol dir dissenyar activitats en què l'estudiant:
Genera una resposta pròpia primer, i després la compara amb la resposta de la IAG.
Identifica les diferències i justifica amb quin està d'acord i per què.
Registra el seu procés de pensament (diari d'aprenentatge, eportfoli reflexiu).
Reformula la resposta de la IAG amb les seves pròpies paraules i la contrasta amb fonts acadèmiques.
💡 Cas pràctic: el diàleg socràtic amb la IAG Un estudiant de Psicologia estudia el concepte de distància psicològica (Construal Level Theory). En lloc de demanar a la IA que li expliqui el concepte, li planteja: "Soc un estudiant de 3r de Psicologia. Fes-me cinc preguntes que m'ajudin a comprovar si he entès realment la Construal Level Theory." La IA genera les preguntes; l'estudiant les respon; la IA en dona feedback. Després, l'estudiant escriu un breu text reflexiu: "Això que no sabia era... Això que he reformulat millor és..." Aquí la IAG actua com a tutor socràtic. La càrrega germana és màxima: l'estudiant pensa, avalua, revisa i construeix. |
📚 Lectura recomanada Iqbal, J., Hashmi, Z. F., Asghar, M. Z., & Abid, M. N. (2025). Generative AI tool use enhances academic achievement in sustainable education through shared metacognition and cognitive offloading among preservice teachers. Scientific Reports, 15, 16610. |
5. Orientacions pràctiques per al professorat universitari
Donat el marc teòric, la pregunta que es fan molts docents és: "D'acord, però com ho aplico a la meva assignatura?" A continuació es presenten cinc orientacions concretes que us poden ajudar.
Orientació 1: Dissenyar activitats que exigeixin aportació pròpia
La regla més senzilla: cap activitat hauria de permetre que la IAG fes el treball complet sense intervenció real de l'estudiant. Això no vol dir prohibir la IA, sinó dissenyar tasques on la IA no tingui prou context per respondre bé sense la veu de l'estudiant.
Exemples concrets:
Demanar que l'estudiant inclogui la seva experiència personal o professional com a part ineludible de la resposta.
Dissenyar preguntes que requereixi posició pròpia argumentada i documentada.
Incloure una fase de debat on l'estudiant hagi de defensar i matisar les seves idees.
Orientació 2: Incorporar fases de modificació i reflexió posterior
Una de les estratègies més potents és convertir la resposta de la IA en material de treball, no en producte final. Això implica:
Comparar la resposta de la IA amb la pròpia elaboració inicial.
Justificar per escrit què es manté, què es modifica i per què.
Avaluar críticament la precisió de la resposta de la IAG contrastant-la amb fonts primàries.
Orientació 3: Formular prompts que activin el pensament d'ordre superior
No tots els prompts són iguals des del punt de vista cognitiu. Un prompt del tipus "Explica'm la teoria X" és molt diferent d'un del tipus "Planteja'm tres objeccions a la teoria X i ajuda'm a pensar si són vàlides".
El professorat pot:
Ensenyar explícitament a l'alumnat a formular prompts que plantegin reptes de síntesi, valoració i creació.
Proporcionar plantilles de prompts cognitius: "Actua com a examinador... Fes-me preguntes de nivell universitari... Identifica les contradiccions entre...".
Incorporar la qualitat del prompt com a criteri d'avaluació.
Orientació 4: Establir criteris clars de quan és acceptable la descàrrega cognitiva
Cal tenir una conversa transparent amb l'alumnat sobre què es considera us legítim de la IAG a l'assignatura. Recomanem formular-ho en forma de guia d'us que distingeixi explícitament:
Usos permesos sense restricció: correcció ortogràfica, formats visuals, generar bibliografies inicials, traduir textos per facilitar-ne la comprensió.
Usos permesos amb justificació: resumir textos llargs per extreure'n els arguments principals (sempre amb lectura prèvia del text).
Usos no permesos: delegar la redacció de la totalitat del treball, substituir la lectura directa de les fonts, generar argumentacions que no són pròpies.
Orientació 5: Avaluar el procés, no només el producte
Si només avaluem el producte final, no tenim manera de saber si l'estudiant ha après o només ha aconseguit un bon resultat gràcies a la IA. Incorporar elements d'avaluació del procés permet recuperar aquella informació pedagògicament valuosa:
Portafolis o diaris reflexius que documentin el camí d'aprenentatge.
Entregues progressives (esborrany, revisió, versió final) amb les traces del procés.
Defenses orals on l'estudiant ha d'explicar i matisar les seves idees.
Inclusió obligatòria del registre de la interacció amb la IA com a annex de l'entrega.
6. Dues propostes d'integració: marc teòric en acció
Us presentem dues propostes concretes que materialitzen els principis anteriors.
Proposta 1: El protocol ICE-IA (Jordi Codina)
El professor Jordi Codina ha proposat un model d'integració de la IAG a la creació de treballs acadèmics que posa en el centre la idea d'interacció critica progressiva humà-IA.
La idea fonamental és evitar la "descàrrega cognitiva" que no ajuda a l'aprenentatge profund. Per això, el protocol proposa que l'estudiant:
Elabori primer una resposta pròpia, sense IA, sobre el tema o problema.
Consulti la IAG per ampliar, contrastar o qüestionar la seva pròpia elaboració.
Identifiqui explícitament què li ha aportat la IA que no tenia, i què hi aporta ell/ella que la IA no té.
Generi un producte final que integri ambdues veus amb posició critica clara.
El valor pedagògic d'aquest protocol és alt perquè obliga l'estudiant a tenir una posició pròpia prèvia al diàleg amb la IAG. Això maximitza la càrrega germana en activar els esquemes preexistents abans de rebre la informació nova.
📚 Més informació: |
Proposta 2: Marc d'integració d'IA i multimèdia (Khanyisile Twabu)
La investigadora Khanyisile Twabu proposa un marc que situa la IA en la intersecció de dues teories cognitives robustes: la teoria de la càrrega cognitiva (Sweller) i la teoria cognitiva de l'aprenentatge multimèdia (Mayer). Això és especialment rellevant en contextos d'educació a distància i e-learning, on l'aprenentatge es produeix en entorns digitals rics en estímuls.
El marc identifica quatre quadrants d'integració:
Human-AI Collaborative Learning: la IA dona suport a educadors i mentors sense substituir-los.
AI-Enhanced Cognitive Load Management: la IA ajusta dinàmicament el contingut per optimitzar el nivell de càrrega cognitiva de cada estudiant.
Traditional Teaching Methods: reconeixement del valor de la docència tradicional i la seva limitació sense integració d'IA.
AI-Mediated Schema Creation: la IA alinea els continguts amb les estructures de coneixement previ de l'estudiant per facilitar-ne la integració.
El marc de Twabu és especialment útil per dissenyar materials d'e-learning i MOOCs que tinguin en compte com la combinació de text, imatge, àudio i interactivitat afecta la càrrega cognitiva total del l'estudiant.
📚 Més informació: Twabu, K. (2025). Enhancing the cognitive load theory and multimedia learning framework with AI insight. Discover Education, 4, 160. |
Conclusió: la IA com a mirall del nostre disseny pedagògic
La intel·ligència artificial generativa no és bona ni dolenta en si mateixa per a l'aprenentatge. És un mirall que amplifica allò que ja estava al disseny pedagògic. Si les nostres activitats eren superficials, la IA les farà més superficials encara. Si eren profundes i exigents, la IA pot ser una aliada poderosa per aprofundir-les encara més.
El repte del professorat universitari no és decidir si permet o prohibeix la IAG, sinó dissenyar situacions d'aprenentatge on l’ús de la IA activi, no redueixi, la càrrega germana.
Això requereix aprofundir en el disseny instruccional, tenir conversacions explicites amb l’alumnat sobre l'ús crític de les eines, i estar disposats a evolucionar les nostres pràctiques d'avaluació. És més feina, cert. Però és exactament la feina que no pot fer per nosaltres cap intel·ligència artificial.
Desenvolupar el pensament crític
Però optimitzar la càrrega cognitiva no és suficient si no anem un pas més enllà. Fins aquí hem vist com la IAG pot alleujar o obstaculitzar els processos interns d'aprenentatge, i com el disseny instruccional és la clau per orientar aquest impacte. Ara bé, fins i tot quan la IAG s'usa com a amplificadora del pensament —i no com a substituta—, sorgeix una pregunta ineludible: com podem confiar en allò que ens genera? La càrrega germana, aquell esforç de comprensió profunda que volem maximitzar, perd tot el seu valor si l'estudiant no és capaç de jutjar la qualitat, la fiabilitat i la pertinència del que rep. Dit d'una altra manera: activar el pensament d'ordre superior implica, necessàriament, desenvolupar la capacitat de pensar críticament sobre les pròpies eines que fem servir per aprendre. És aquí on entra en joc la segona dimensió d'aquesta entrada: desenvolupar el pensament crític davant de la intel·ligència artificial generativa.
Quan les màquines s'equivoquen.
Hem d'admetre que la situació és inèdita. Disposem d'eines capaços de generar textos acadèmics coherents, respondre preguntes complexes i sintetitzar informació en qüestió de segons. I, malgrat tot, aquestes eines no són infal·libles. Les eines de la intel·ligència artificial generativa (IAG) produeixen, amb una freqüència que pot sorprendre, inexactituds, biaixos i al·lucinacions: des de dades estadístiques incorrectes fins a referències bibliogràfiques inventades que semblen del tot plausibles.
Ens trobem, doncs, davant d'un repte pedagògic de primer ordre: com acompanyem l'alumnat —i també nosaltres mateixos com a docents— perquè no fem servir aquestes eines de manera acrítica? Com transformem l'estudiant d'usuari passiu a agent reflexiu que sap jutjar, contrastar i decidir amb criteri?
Articularem aquesta part de l’entrada de blog a partir d’un marc basat en quatre grans eixos, cadascun dels quals explorarem aquí en profunditat, acompanyat de supòsits pràctics per a la docència universitària, preguntes-guia per fomentar la reflexió de l'alumnat i una selecció de recursos i lectures.
Quatre eixos per al pensament crític davant de la IAG 1. Avaluació crítica de la informació generada per la IAG Verificar la precisió factual · Profunditat i complexitat · Coherència lògica · Fonts i evidències 2. Consciència dels biaixos en la IAG Identificar i qüestionar els biaixos algorítmics 3. Anàlisi contextual: saber quan utilitzar la IAG Usos productius i contextos inadequats 4. Autonomia intel·lectual: mantenir la pròpia veu Preservar la identitat intel·lectual i creativa |
1. Avaluació crítica de la informació generada per la IAG
L'avaluació crítica és la capacitat de jutjar sistemàticament la fiabilitat, precisió, rellevància i qualitat de la informació que produeixen les eines d'IAG. No es tracta de rebutjar automàticament els resultats de la IA —això seria tan poc rigorós com acceptar-los de manera cega—, sinó de sotmetre'ls a un escrutini rigorós abans d'acceptar-los o d'incorporar-los a la feina pròpia.
El pensament crític digital implica recollir, analitzar, qüestionar i avaluar la informació provinent de fonts tecnològiques perquè l'alumnat pugui extreure conclusions pròpies, raonades i fonamentades en evidències. Aquesta habilitat afavoreix la presa de decisions objectives i la construcció d'una opinió argumentada, i converteix l'estudiant d'usuari passiu a agent reflexiu capaç de decidir, argumentar i justificar l'ús de la IAG en el seu procés d'aprenentatge.
📚 Lectura recomanada Codina, L. (4 de noviembre de 2025). Critical thinking and artificial intelligence in academia: A qualitative matrix analysis procedure for evaluating AI systems. LluisCodina.com. https://www.lluiscodina.com/critical-thinking-artificial-intelligence/ |
Dins d'aquest primer eix, identifiquem quatre components clau que es detallen a continuació:
1.1 Verificar la precisió factual
La verificació de la precisió factual és el primer pas per assegurar la fiabilitat de la informació generada per la IAG. Tot i que aquestes eines poden oferir textos aparentment convincents i ben redactats, sovint incorporen errors, dades desactualitzades o informació fabricada. Un text que soni bé no és necessàriament un text cert.
El docent i l'estudiant crític han de desenvolupar la capacitat de comprovar xifres, noms propis, cronologies i estadístiques amb fonts primàries i contrastades, especialment quan es tracta de qüestions acadèmiques o professionals. Per posar-la en pràctica, cal adoptar estratègies sistemàtiques de contrast: comparar les afirmacions de la IA amb bases de dades acadèmiques, repositoris institucionals o publicacions revisades per parells.
En contextos educatius, es pot fomentar aquest component mitjançant activitats en què l'alumnat hagi de contrastar afirmacions fetes per una IA amb fonts verificades, analitzar incoherències o detectar al·lucinacions en els textos generats. D'aquesta manera, l'aprenentatge no només se centra en el contingut sinó també en el desenvolupament de competències d'avaluació crítica i verificació informacional.
🛠️ Supòsit pràctic: Cerca d'al·lucinacions en un text acadèmic Nivell: Grau / Màster | Durada estimada: 45-60 minuts Descripció: El professor/a presenta a l'aula un text de 400-600 paraules generat per ChatGPT o similar sobre un tema de la matèria (p. ex., «els orígens de la psicologia conductista», «les causes de la Primera Guerra Mundial» o «els principals algoritmes de machine learning»). El text inclou intencionadament 4-5 errors de precisió factual: dates incorrectes, citació d'un article inexistent, estadística falsa, etc. Tasca:
Discussió en comú: Es fa una posada en comú on s'identifiquen patrons: quin tipus d'errors ha comès la IA? Dates? Atribucions? Dades numèriques? Existència de publicacions? Quines estratègies han estat més eficaces per detectar-los? Valor pedagògic: Aquesta activitat desenvolupa simultàniament la competència de cerca i verificació d'informació, l'alfabetització informacional i la consciència crítica envers les limitacions de la IA. A més, és transferible: l'alumnat no aprèn una habilitat puntual, sinó un hàbit de verificació aplicable a qualsevol futur ús de la IAG. |
📚 Lectura recomanada Hou, C., Zhu, G., & Vidya Sudarshan. (2025). The role of critical thinking on undergraduates' reliance behaviours on generative AI in problem‐solving. British Journal of Educational Technology, 56(5), 1919-1941. |
1.2 Avaluació de la profunditat i complexitat
La IAG tendeix a produir respostes clares, estructurades i aparentment completes. Però sovint manca de profunditat conceptual o de sensibilitat per captar la complexitat dels fenòmens humans, socials o culturals. Una resposta que aborda tots els apartats que se li demanen no és necessàriament una resposta profunda.
L'avaluació de la profunditat i la complexitat consisteix a examinar si el text ofereix una anàlisi rica, amb matisos i perspectives múltiples, o si, altrament, redueix qüestions complexes a simplificacions excessives. La IA acostuma a evitar la controvèrsia, a presentar «totes les perspectives» de manera equidistant sense prendre posicions ni aprofundir en cap, i a ometre sovint el context cultural, històric o geopolític que dona sentit a un fenomen.
Per treballar aquesta competència, es pot proposar a l'alumnat que compari textos generats per IAG amb articles acadèmics o amb produccions humanes de diferent nivell d'anàlisi, per identificar diferències en la profunditat, el raonament o la contextualització. També és molt útil convidar els estudiants a reformular respostes inicials de la IAG per ampliar-ne el grau de complexitat: afegint exemples i contraexemples, introduint veus crítiques, assenyalant llacunes analítiques.
🛠️ Supòsit pràctic: De la superfície a la profunditat: reformulació crítica Nivell: Màster / Postgrau | Durada estimada: 30 minuts + treball autònom L'estudiant demana a una eina d'IAG una explicació d'un concepte clau de la matèria (p. ex., «Explica la teoria de la justícia de Rawls», «Quines són les causes de la crisi de 2008?»). Tot seguit:
|
📚 Lectura recomanada Al-Mawee, W., Khasawneh, K., & Al-Azawei, A. (2024). Automatic Grading of Short-Answer Questions: A Systematic Review. International Journal of Emerging Technologies in Learning (iJET), 19(04), 4–27. https://doi.org/10.3991/ijep.v14i2.53379 |
1.3 Anàlisi de la coherència lògica
Un text pot semblar formalment correcte i seguir totes les convencions de l'escriptura acadèmica, però contenir, alhora, incoherències o errors de raonament. L'anàlisi de la coherència lògica implica examinar la relació entre idees, la consistència del discurs i la solidesa dels arguments que la IA presenta.
Això inclou identificar contradiccions internes, circularitats argumentatives o fal·làcies com ara generalitzacions indegudes, falses dicotomies o arguments disfressats de raonament objectiu. Desenvolupar aquesta capacitat ajuda a reconèixer quan una resposta és convincent només en aparença i a mantenir una actitud racional i analítica davant dels resultats generats automàticament.
Per exercitar aquesta anàlisi, es poden proposar activitats en les quals l'usuari o l'alumnat revisi textos generats per IAG i marqui inconsistències o errors de raonament, tot justificant-ne la detecció. També es pot demanar a la IAG que reformuli un argument amb més coherència o que expliqui pas a pas el seu raonament, per veure si és lògicament consistent. Aquest tipus de pràctiques enforteixen el pensament crític i fomenten una lectura més profunda dels discursos, evitant la confiança cega en la forma aparentment impecable dels textos generats.
🛠️ Supòsit pràctic: Detectant fal·làcies en argumentacions generades per IA Nivell: Grau (3r-4t) / Màster | Durada estimada: 50 minuts El professor/a genera amb una eina d'IAG un text argumentatiu sobre un tema polèmic de la disciplina (p. ex., «Hauria de ser obligatòria la vacunació?», «Els algoritmes de recomanació fomenten la polarització?»). El text conté deliberadament 3-4 fal·làcies lògiques.
Recurs útil: la pàgina web Your Logical Fallacy Is ofereix un catàleg visual i accessible de 24 fal·làcies lògiques. |
📚 Lectura recomanada van Niekerk, J., & Delport, P. M. J. (2024). Addressing the use of generative AI in academic writing. Computers and Education Artificial Intelligence, 6, 100342. |
1.4 Identificació de fonts i evidències
La identificació de fonts i evidències és una dimensió clau per avaluar la credibilitat del contingut produït per la IAG. Molts sistemes generatius proporcionen respostes sense citar cap font o, fins i tot, inventen referències que semblen versemblants: articles amb títols plausibles, autors que existeixen però que no han escrit allò que se'ls atribueix, DOIs inventats. Per això, és essencial distingir entre afirmacions basades en proves empíriques i opinions no fonamentades, i valorar la qualitat i actualitat de les referències quan es proporcionen.
Cal formar els estudiants a revisar si els textos inclouen fonts verificables, comprovant-ne l'existència i fiabilitat, i aprenent a reconèixer patrons d'invenció de cites. L'ús de cercadors acadèmics com Google Scholar, Dialnet, JSTOR o Scopus per confirmar la presència real de les fonts citades per la IA és una pràctica imprescindible. Aquesta activitat pot anar acompanyada d'una reflexió sobre l'autoria i la responsabilitat acadèmica: si es fa servir un text de la IA com a punt de partida, qui en valida la fiabilitat?
🛠️ Supòsit pràctic: L'arxiu de fonts: verificació sistemàtica de referències Nivell: Qualsevol nivell universitari | Durada estimada: 20-30 minuts Com a part de qualsevol treball on l'alumnat pugui fer servir IAG, s'afegeix un requeriment obligatori:
Eines recomanades per a la verificació: Google Scholar, Dialnet, Scopus, JSTOR. |
🤔 Preguntes per a la reflexió Per a la reflexió de l'alumnat — Avaluació crítica:
|
📚 Lectures i recursos recomanats Sobre avaluació crítica de la informació i alfabetització informacional:
|
2. Consciència dels biaixos en la IAG
Si hi ha un aspecte especialment rellevant —i sovint subestimat— en l'educació sobre IAG, i és què les respostes de la IA no són neutres ni objectives. Els models generatius aprenen a partir de grans quantitats de dades que reflecteixen desigualtats, estereotips i desequilibris culturals o lingüístics presents en la societat. El model aprèn del que hi ha a internet i als recursos textuals disponibles —que no representen totes les cultures, idiomes i perspectives de manera equitativa— i, per tant, pot reproduir o fins i tot amplificar aquests biaixos.
La consciència dels biaixos en la IAG és una competència fonamental per a un ús crític i responsable d'aquestes tecnologies en l'àmbit educatiu i acadèmic. Treballar aquesta consciència implica analitzar exemples concrets de sortides esbiaixades i discutir l'impacte social d'aquestes limitacions. Quan l'estudiant aprèn a identificar i qüestionar aquests biaixos, adquireix una mirada més crítica que afavoreix la inclusió, la justícia cognitiva i la responsabilitat en l'ús educatiu i acadèmic de la IAG.
El problema no és trivial. A títol il·lustratiu: si demanem a alguns models d'IAG que generin imatges de «directors d'empresa» o «científics», el resultat tindrà un perfil demogràfic clarament infrarrepresentat de dones i de persones de color. Si demanem una explicació sobre les causes de la pobresa, sovint les respostes tendiran a destacar factors individuals (manca d'esforç, educació deficient) per davant de factors estructurals (desigualtats sistèmiques, polítiques econòmiques). Si demanem contingut en català o en altres llengües minoritzades, la qualitat pot ser substancialment inferior a la que s'obté en anglès.
🛠️ Supòsit pràctic: Quins biaixos has trobat avui a la IA? Nivell: Qualsevol | Durada estimada: 40 minuts Aquesta activitat parteix d'una pregunta simple per conduir a una reflexió profunda sobre el biaix algorítmic.
|
🤔 Preguntes per a la reflexió Per a la reflexió de l'alumnat — Consciència dels biaixos:
|
📚 Lectures i recursos recomanats Sobre biaixos algorítmics i ètica de la IA:
|
3. Anàlisi contextual: saber quan utilitzar la IAG
Una de les competències menys treballades explícitament —però potser una de les més determinants— és la capacitat de discernir en quins contextos, tasques i moments del procés d'aprenentatge és apropiat utilitzar la IAG, i en quins el seu ús pot ser contraproduent, èticament qüestionable o acadèmicament inadequat.
Aquesta habilitat no és binària («la IA sí» versus «la IA no»), sinó que requereix una reflexió sobre la relació cost-benefici cognitiu: Què guanyo usant la IAG aquí (temps, idees, claredat)? Però també: Què perdo si delego aquesta tasca (oportunitat d'aprenentatge, desenvolupament de competències)? Usar la IAG aquí em mantindrà o em minvarà l'autonomia intel·lectual? Seré capaç de fer això sol en el futur?
3.1 Usos productius de la IAG
Hi ha tasques on la IAG pot ser una aliada valuosa per a l'aprenentatge i la producció acadèmica:
Fase exploratòria: generar idees inicials, fer brainstorming, explorar diferents perspectives sobre un tema.
Clarificació conceptual: obtenir explicacions inicials de conceptes complexos, especialment com a punt de partida (no com a font definitiva).
Suport lingüístic: millorar la redacció, corregir la gramàtica, traduir textos, adaptar el registre d'un escrit.
Generació d'exemples: crear casos pràctics o escenaris per comprendre millor un tema.
Estructura i organització: ajudar a organitzar idees o crear esquemes d'un treball.
Pràctica i feedback inicial: generar exercicis de pràctica o obtenir retroalimentació preliminar sobre un esborrany.
3.2 Reconeixement de contextos inadequats
Al mateix temps, hi ha contextos on l'ús de la IAG pot ser contraproduent o directament inadequat:
Substitució del pensament propi: deixar que la IAG pensi per nosaltres en tasques dissenyades específicament per desenvolupar competències de raonament.
Contingut creatiu original: delegar a la IA l'expressió personal, la veu pròpia o la creativitat autèntica quan precisament l'objectiu és que l'alumne les exerciti.
Decisions ètiques complexes: delegar en la IAG decisions que requereixen judici moral humà, valors personals i responsabilitat.
Informació crítica: confiar en la IAG per a qüestions de salut, legals o de seguretat sense verificació professional.
Temes delicats: confiar en la IAG per a assessorament emocional o qüestions personals delicades.
🛠️ Supòsit pràctic: El semàfor de la IAG: contextualitzant l'ús Nivell: Qualsevol | Format: Activitat de discussió / debat estructurat Abans d'una unitat o bloc de continguts, el professor/a proposa una llista de 8-10 tasques típiques de la matèria (redactar un assaig, resoldre un problema matemàtic, fer un comentari de text, crear un pla de recerca, traduir un document, dissenyar un experiment, etc.). En grups, els estudiants classifiquen cada tasca en tres categories, usant la metàfora del semàfor: VERD (IAG recomanada): l'ús de la IA afegeix valor sense comprometre l'aprenentatge. GROC (IAG amb condicions): l'ús és possible però requereix supervisió crítica i justificació. VERMELL (IAG desaconsellada o prohibida): l'ús de la IA contradiu els objectius d'aprenentatge o els criteris ètics. La posada en comú permet al docent explicitar els criteris d'ús de la IAG a l'assignatura i generar un diàleg sobre els límits i les possibilitats, en lloc d'imposar normes de manera unilateral. |
🤔 Preguntes per a la reflexió Per a la reflexió de l'alumnat — Anàlisi contextual: L'alumnat ha de reflexionar sobre la relació cost-benefici cognitiu:
|
📚 Lectures i recursos recomanats Sobre l'ús estratègic i contextual de la IA en l'educació:
|
4. Autonomia intel·lectual: mantenir la pròpia veu
El darrer eix aborda el que podríem anomenar la qüestió de la identitat intel·lectual en l'era de la IA: com mantenim el control sobre el nostre propi procés d'aprenentatge i desenvolupament intel·lectual, usant la IAG com a eina que serveixi per els nostres objectius sense substituir-nos com a agents pensants i creadors?
La veu personal és un aspecte essencial en l'ús de la IAG, especialment en contextos acadèmics i creatius. La veu personal reflecteix la manera única com cada persona estructura les seves idees, selecciona el vocabulari i el registre, utilitza recursos expressius com l'humor o la ironia i estableix connexions originals entre conceptes. També posa de manifest inquietuds, interessos i perspectives pròpies que donen autenticitat al discurs.
Quan es treballa amb eines d'IAG, existeix el risc que aquesta singularitat es dilueixi. Els models tendeixen a produir textos amb un to neutre i formal, una estructura previsible i un estil homogeni, sovint mancat de personalitat. El text resultant pot ser correcte i fins i tot elegant, però no és teu. Davant d'això, cal fomentar que l'alumnat revisi críticament les produccions generades per la IAG i les reformuli per mantenir-hi la seva veu: incorporant matisos propis, exemples personals i maneres d'expressar-se que reflecteixin la seva identitat comunicativa i intel·lectual.
Parlem, en definitiva, d'autonomia intel·lectual: la capacitat de mantenir el control sobre el propi procés d'aprenentatge i desenvolupament intel·lectual, usant la IAG com a eina que serveix els nostres objectius, sense que ens substitueixi com a agents pensants i creadors. Aquesta autonomia inclou la capacitat de transferir competències: si avui l'alumne usa la IA per redactar, serà capaç de redactar sense la IA demà?
🛠️ Supòsit pràctic: Recuperar la veu: del text de la IA al text propi Nivell: Qualsevol | Durada estimada: 45 minuts Aquesta activitat treballa explícitament la distinció entre usar la IA com a eina i deixar que la IA usurpi la veu pròpia.
|
🛠️ Supòsit pràctic: Diari de metacognició sobre l'ús de la IAG Nivell: Màster / Postgrau | Format: Activitat longitudinal (tot el semestre) Al llarg del semestre, l'estudiant manté un diari reflexiu (format lliure: text, vídeo, àudio) on registra setmanalment el seu ús de la IAG a l'assignatura. Per a cada entrada:
Al final del semestre, l'estudiant fa una síntesi del seu recorregut i proposa el seu propi «protocol personal d'ús de la IAG» per a futurs aprenentatges. Aquesta activitat pot tenir una part del pes avaluatiu de l'assignatura. |
🤔 Preguntes per a la reflexió Per a la reflexió periòdica de l'alumnat — Autonomia intel·lectual:
|
📚 Lectures i recursos recomanats Sobre autonomia intel·lectual, veu i identitat en l'era de la IA:
|
Conclusió: cap a una docència crítica en l'era de la IA
Al llarg d'aquesta segona part d’entrada del blog hem explorat quatre eixos per desenvolupar el pensament crític davant de la IAG: avaluar la informació generada, identificar biaixos, saber quan usar la IA i mantenir l'autonomia intel·lectual. Però més que una llista de competències, allò que subjuga a tots quatre és una actitud: la del docent i l'estudiant que no cedeix el pensament, que manté la responsabilitat sobre el que aprèn i sobre el que produeix.
El rol com a professorat universitari no és pas prohibir o glorificar la IA generativa, sinó ajudar l'alumnat a relacionar-se amb ella amb criteri. Això implica dissenyar tasques que requereixin pensar, no tan sols produir; crear espais d'aula on la reflexió sobre l'ús de la IA sigui tan important com el contingut de la matèria; i modelar nosaltres mateixos l'actitud crítica que volem transmetre.
Les preguntes de reflexió proposades en cada secció no són un instrument de control, sinó una brúixola per a l'aprenentatge autoregulat. Si aconseguim que els nostres estudiants se les facin de manera habitual —i que ens les fem nosaltres mateixos com a docents—, haurem fet quelcom molt més important que ensenyar a usar una eina: haurem contribuït a formar professionals i ciutadans capaços de pensar amb intel·ligència pròpia en un món cada cop amb més presencia de la IA.
En resum: els quatre eixos del pensament crític davant de la IAG
|
Recursos i lectures recomanades
Sobre la teoria de la càrrega cognitiva
Sweller, J. (1988). Cognitive Load During Problem Solving. Cognitive Science. — Article original fundacional.
Mayer, R. E. (2009). Multimedia Learning. Cambridge University Press. — Imprescindible per a entorns digitals.
Centre for Education Statistics and Evaluation NSW (2017). Cognitive Load Theory in Practice. — Guia practica per a docents.
Sobre IAG i educació
UNESCO (2023). Guidance for Generative AI in Education and Research. — Marc de referencia internacional.
Mollick, E. & Mollick, L. (2023). Using AI to Implement Effective Teaching Strategies. SSRN. — Proposta practica molt citada.
Bender, E. M. et al. (2021). On the Dangers of Stochastic Parrots. FAccT. — Lectura critica imprescindible.
Sobre metacognició i autorregulació
Zimmerman, B. J. (2002). Becoming a Self-Regulated Learner. Theory into Practice. — Marc clàssic d'autorregulació.
Flavell, J. H. (1979). Metacognition and Cognitive Monitoring. American Psychologist. — El concepte de metacognicio a la seva formulació clàssica.
Recursos en català i castellà
Codina, J. (2024). El protocol ICE-IA per a treballs acadèmics. — Blog de Lluis Codina, referent sobre IA i recerca.
Generalitat de Catalunya (2024). Marc d'us de la IA generativa a l'educació. — Orientacions del departament d'educació.
Entrada de blog basada en els continguts formatius de l'Institut de Desenvolupament Professional (IDP) de la Universitat de Barcelona ,específicament en les píndoles formatives sobre Competència docent en Intel·ligència Artificial Generativa, creades per Joan-Tomàs Pujolà.
Material elaborat amb finalitats docents i divulgatives. Els recursos externs enllaçats pertanyen als seus respectius autors.
