Presentación del programa
La Maestría en Inteligencia Artificial aplicada a la Educación es un programa de posgrado diseñado para acompañar a docentes y profesionales de la educación en una transformación ineludible: la integración ética, crítica y pedagógicamente sólida de la inteligencia artificial (IA) en los procesos educativos.
La rápida expansión de herramientas basadas en IA está modificando la forma en que enseñamos, evaluamos y gestionamos los entornos educativos. Frente a estos cambios, esta maestría ofrece una formación rigurosa y actualizada, orientada tanto al desarrollo profesional como a la iniciación en la investigación educativa aplicada a contextos reales latinoamericanos —marcados por la diversidad cultural, las brechas digitales y las necesidades de innovación pedagógica.
El programa se estructura sobre tres pilares esenciales: innovación pedagógica, competencias digitales avanzadas y uso ético y responsable de tecnologías emergentes. Desde esta base, se analizan críticamente las oportunidades y desafíos que la IA plantea para la educación: personalización del aprendizaje, analítica educativa, automatización de tareas, diseño de entornos inmersivos y gestión de datos, así como los temas que más preocupan a la comunidad educativa global: privacidad, sesgos algorítmicos, autoría, transparencia y equidad.
La integración de la IA en la educación es una prioridad no solo en Europa: también forma parte de los planes y agendas educativas de países latinoamericanos y de organismos internacionales como la UNESCO, la CEPAL, el Banco Interamericano de Desarrollo (BID) y ministerios de educación de la región. En este contexto, la maestría prepara a sus egresados para desempeñarse como:
- Docentes innovadores, capaces de diseñar experiencias personalizadas, inclusivas y éticas apoyadas en IA.
- Investigadores/as en IA educativa, con habilidades para analizar datos, evaluar tecnologías emergentes y generar evidencia para la mejora educativa.
- Líderes educativos, preparados para impulsar procesos de transformación pedagógica y tecnológica en diversas instituciones y contextos formativos.
Orientación profesional
A lo largo del programa, el estudiantado aprenderá a:
- Integrar IA en el diseño de clases, cursos y experiencias de aprendizaje presenciales, virtuales e híbridas.
- Utilizar herramientas de aprendizaje automático, procesamiento de lenguaje natural, plataformas adaptativas y analíticas de aprendizaje.
- Implementar prácticas docentes actualizadas y fundamentadas en evidencia científica, adecuadas a los retos educativos de la región.
Orientación investigadora
Asimismo, la maestría capacita para:
- Diseñar investigaciones rigurosas en IA educativa aplicables a contextos escolares y comunitarios de América Latina, utilizando metodologías cualitativas, cuantitativas y mixtas.
- Analizar e interpretar datos educativos mediante técnicas avanzadas apoyadas en IA.
- Desarrollar un proyecto de investigación que contribuya a la mejora de la práctica docente y del sistema educativo desde una perspectiva crítica, inclusiva y situada.
A quién va dirigido
La maestría está dirigida a profesionales de la educación que deseen integrar la inteligencia artificial de manera ética, innovadora y pedagógicamente fundamentada en su práctica, así como a quienes buscan iniciar o fortalecer su trayectoria en investigación educativa vinculada a tecnologías emergentes.
Está especialmente orientada a personas tituladas en áreas educativas, tales como:
- Graduados/as o Diplomados/as en Magisterio, en cualquiera de sus especialidades.
- Licenciados/as o Graduados/as en Pedagogía.
- Licenciados/as o Graduados/as en Educación Social.
- Graduados/as o Diplomados/as en Educación Infantil.
- Graduados/as o Diplomados/as en Educación Primaria.
- Maestría en Educación.
- Maestría en Docencia Universitaria.
Asimismo, podrán acceder titulados/as universitarios/as cuya formación sea equivalente o afín a las anteriores, ya sea por pertenecer a nuevas titulaciones del sistema universitario o por proceder de sistemas educativos internacionales.
Requisitos de acceso
Se establece como requisito previo acreditar un nivel B2 del MCERL en lengua inglesa durante el proceso de reserva de plaza y antes de poder formalizar la matrícula (u otros asimilables a juicio competente de la universidad) mediante documentos expedidos por instituciones reconocidas oficialmente como las Escuelas Oficiales u otras entidades acreditadoras reconocidas por la universidad con una antigüedad no superior a 3 años. En el caso de que el postulante no pueda acreditar su nivel de inglés mediante este mecanismo, la propia universidad le realizará una prueba de nivel en la que deberá igualmente obtener, al menos, un nivel de B2.
Titulación
Al finalizar el programa, el estudiante obtendrá el título de Maestría en Inteligencia Artificial aplicada a la Educación expedido por la Universidad donde se haya matriculado.
Estructura del programa
La estructura de créditos del programa de Maestría en Inteligencia Artificial aplicada a la Educación se recoge en la siguiente tabla. Hay que reseñar que la duración es meramente orientativa, pues la metodología seguida integra el conocimiento y habilidades a adquirir en cada parte:
| CRÉDITOSa | |
|---|---|
| Bloque 1: Aprendizaje automático y PLN aplicados a entornos educativos | 13 |
| Bloque 2: Inteligencia Artificial para el aula inmersiva | 21 |
| Bloque 3: Big Data y Learning Analytics: personalización y evaluación de aprendizajes | 14 |
| Bloque 4: Desarrollo profesional y metodología de la investigación educativa | 13 |
| Bloque 5: Neurociencia educativa e IA | 19 |
| Bloque 6: Proyecto Final | 10 |
| TOTAL | 90 |
a. La equivalencia en créditos puede variar según la universidad donde se haya inscrito. Un (1) crédito ECTS (European Credit Transfer System) equivale a 10 + 15 horas. Si el alumno cursa el Programa matriculado en una universidad no perteneciente al Espacio Europeo de Educación Superior (EEES), la relación entre créditos - horas, puede variar.
Duración
La Maestría en Inteligencia Artificial aplicada a la Educación tiene 90 créditos.
La duración de la Maestría en Inteligencia Artificial aplicada a la Educación varía entre 12 y 17 meses, en función de la dedicación del estudiante. En este período de tiempo, el estudiante tiene que haber superado con éxito todas las actividades evaluadas y aprobado el Proyecto Final de Maestría.
Objetivos
Los objetivos de aprendizaje principales de la maestría son que los estudiantes sean capaces de:
- Interpretar datos educativos empleando métodos cualitativos, cuantitativos y mixtos, aplicando criterios éticos, de validez, ciberseguridad y protección de datos.
- Emplear redes neuronales, modelos adaptativos y técnicas de procesamiento del lenguaje natural para desarrollar tareas educativas como análisis de sentimientos, clasificación, tutoría académica y personalización del aprendizaje.
- Formular propuestas didácticas mediadas por IA —incluyendo tutoría inteligente, evaluación automatizada, analítica educativa y microaprendizaje— basadas en evidencia pedagógica y tecnológica.
- Aplicar metodologías activas sustentadas en tecnologías emergentes (realidad aumentada, realidad virtual, big data, IA generativa y entornos tridimensionales) en distintas áreas disciplinares.
- Construir experiencias de aprendizaje desde una perspectiva neurodidáctica, integrando contenidos, estrategias y entornos disruptivos que favorezcan la colaboración y la toma de decisiones.
- Orientar a equipos docentes en la adopción ética y pedagógica de la IA y de la neuroeducación, promoviendo la atención a la diversidad, la gestión emocional y la mejora de las prácticas de aula.
- Caracterizar los fundamentos de la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo, así como sus aplicaciones en entornos educativos presenciales, virtuales e híbridos.
- Describir los principios esenciales de la neuroeducación, abordando funcionamiento cerebral, plasticidad, funciones ejecutivas, modos de aprendizaje y análisis crítico de neuromitos.
- Integrar enfoques neuroeducativos en la personalización del aprendizaje, considerando la atención, la memoria, las emociones, la neurodiversidad y la brecha cognitiva del estudiantado.
- Desarrollar un Proyecto Final de Maestría que articule de manera coherente los conocimientos y habilidades adquiridos, orientado a la mejora de problemas reales en contextos educativos.
Salidas profesionales
La maestría prepara al estudiante para desempeñarse como:
- Docente innovador/a, capaz de incorporar IA, estrategias activas y recursos digitales avanzados en los procesos de enseñanza-aprendizaje.
- Coordinador/a de transformación educativa, responsable de impulsar proyectos de digitalización y mejora institucional basados en tecnologías emergentes.
- Diseñador/a de experiencias de aprendizaje mediadas por IA, especializado/a en crear contenidos adaptativos, actividades personalizadas y entornos virtuales o inmersivos.
- Consultor/a en tecnologías educativas, acompañando a instituciones, equipos docentes y proyectos formativos en la adopción ética y efectiva de soluciones basadas en IA.
- Analista de aprendizaje (Learning Analytics Specialist), dedicado/a a interpretar datos educativos para orientar decisiones pedagógicas y fortalecer la evaluación.
- Investigador/a en inteligencia artificial aplicada a la educación, desarrollando estudios, pilotos y proyectos de innovación orientados a la mejora de la calidad educativa.
Plan de estudios
El plan de estudios del Maestría en Inteligencia Artificial aplicada a la Educación consta de 90 créditos y está compuesto por las siguientes asignaturas:
| BLOQUE 1: APRENDIZAJE AUTOMÁTICO Y PLN APLICADOS A ENTORNOS EDUCATIVOS | ||
|---|---|---|
| # | ASIGNATURAS | CRÉDITOS |
| 1 | Aprendizaje Automático y Redes Neuronales | 7 |
| 2 | Procesamiento de Lenguaje Natural | 6 |
| TOTAL | 13 | |
| BLOQUE 2: INTELIGENCIA ARTIFICIAL PARA EL AULA INMERSIVA | ||
|---|---|---|
| # | ASIGNATURAS | CRÉDITOS |
| 1 | Diseño de Entornos Educativos con Inteligencia Artificial | 7 |
| 2 | Aplicaciones de la Inteligencia Artificial en el Aula Presencial y Virtual | 7 |
| 2 | Realidad Extendida e Inteligencia Artificial | 7 |
| TOTAL | 21 | |
| BLOQUE 3: BIG DATA Y LEARNING ANALYTICS: PERSONALIZACIÓN Y EVALUACIÓN DE APRENDIZAJES | ||
|---|---|---|
| # | ASIGNATURAS | CRÉDITOS |
| 1 | Del Dato a la Información | 7 |
| 2 | Evaluación del Aprendizaje e Inteligencia Artificial | 7 |
| TOTAL | 14 | |
| BLOQUE 4: DESARROLLO PROFESIONAL Y METODOLOGÍA DE LA INVESTIGACIÓN EDUCATIVA | ||
|---|---|---|
| # | ASIGNATURAS | CRÉDITOS |
| 1 | Desarrollo Profesional Docente | 6 |
| 1 | Seminario de Iniciación a la Investigación en Inteligencia Artificial aplicada a la Educación | 2 |
| 1 | Metodologías de Investigación en Inteligencia Artificial aplicada a la Educación | 5 |
| TOTAL | 13 | |
| BLOQUE 5: NEUROCIENCIA EDUCATIVA E IA | ||
|---|---|---|
| # | ASIGNATURAS | CRÉDITOS |
| 1 | Bases Biológicas y Genéticas del Cerebro | 7 |
| 2 | La Neurociencia en el Contexto Educativo | 6 |
| 3 | Neurociencia Educativa: Mitos y Evidencias | 6 |
| TOTAL | 19 | |
| BLOQUE 6: PROYECTO FINAL | ||
|---|---|---|
| # | ASIGNATURAS | CRÉDITOS |
| 1 | Proyecto Final de Maestría | 10 |
| TOTAL | 10 | |
*El número de créditos y la duración de la maestría puede variar en función de la universidad por la cual se titule
Descripción de las asignaturas
BLOQUE 1: APRENDIZAJE AUTOMÁTICO Y PLN APLICADOS A ENTORNOS EDUCATIVOS
- APRENDIZAJE AUTOMÁTICO Y REDES NEURONALES
¿Cómo funciona el aprendizaje automático? ¿Qué es el machine learning? Diferencia entre el aprendizaje automático y el aprendizaje profundo. Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo. Redes neuronales, procesamiento de datos y detección de objetos. Comparativa de funcionamiento entre redes neuronales y machine learning. Aplicaciones prácticas de la inteligencia artificial en diversos campos. aprendizaje automático, aprendizaje profundo y procesamiento del lenguaje natural (PLN): automatización de tareas, agentes virtuales, Chatbots, IA conversacional. Diseño de experiencias de aprendizaje personalizadas. Adaptación de contenidos según las necesidades del estudiante. Sistemas recomendadores.
- PROCESAMIENTO DE LENGUAJE NATURAL
Procesamiento del Lenguaje Natural (NLP). Modelos de lenguaje conversacional (LLM) Lenguaje natural y representación de contenidos. Análisis sintáctico y semántico. Creación y comprensión de textos. Aplicación de Sistemas de procesamiento del lenguaje natural en la enseñanza. Aprendizaje Automático, Lenguaje y Percepción: agentes Inteligentes e Interacción. Text Mining (minería de texto)
BLOQUE 2: INTELIGENCIA ARTIFICIAL PARA EL AULA INMERSIVA
- DISEÑO DE ENTORNOS EDUCATIVOS CON INTELIGENCIA ARTIFICIAL
Principios de la Inteligencia Artificial y su aplicación educativa; inteligencias generativas para coevolucionar y cocrear con la IA; análisis crítico de neuromitos y su impacto en la planificación y la instrucción; implementación efectiva de IA en entornos educativos y análisis de escenarios futuros; diseño neuroeducativo de programas, cursos y contenidos apoyados en IA; estrategias de aprendizaje en entornos disruptivos; desarrollo de itinerarios, prácticas y trayectorias personalizadas; creación de contenidos y actividades ajustadas a necesidades, ritmos y estilos de aprendizaje; integración curricular de la IA para promover autonomía y participación; evaluación y retroalimentación automatizada; y planificación tecnopedagógica de experiencias, lecciones y materiales con herramientas de IA.
- APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN EL AULA PRESENCIAL Y VIRTUAL
Tendencias en e-Learning (aprendizaje personalizado, microaprendizaje, gamificación y mobile learning); integración de la IA en el aula mediante plataformas adaptativas, tutoría inteligente y análisis de datos; metodologías activas apoyadas en tecnología (aula invertida, aprendizaje colaborativo, EAS y Visual Thinking); uso de tecnologías emergentes como realidad virtual y aumentada, videojuegos, simulaciones y metaverso; herramientas docentes para planificación, comunicación y creación de contenidos; programación y robótica educativa; e Inteligencia Artificial generativa para la producción de textos, imágenes, audio y el uso de chatbots y asistentes virtuales.
- REALIDAD EXTENDIDA E INTELIGENCIA ARTIFICIAL
Convergencia entre neurociencia, inteligencia artificial y realidad extendida: revisión crítica de marcos teóricos y hallazgos recientes. Aplicaciones de la IA para investigar procesos cognitivos (memoria, atención, toma de decisiones) y para el diseño de aprendizaje adaptativo. Análisis de algoritmos y plataformas de personalización educativa: potencial, limitaciones y debates éticos. Estrategias neuroeducativas apoyadas en realidad extendida: experiencias multisensoriales y su impacto en atención, memoria y motivación. Evaluación crítica de herramientas didácticas basadas en IA y RE (chatbots, learning analytics, entornos inmersivos). Diseño y análisis de experiencias educativas con IA y RE desde una perspectiva investigadora: líneas emergentes y retos. Tendencias emergentes en IA inmersiva.
BLOQUE 3: BIG DATA Y LEARNING ANALYTICS: PERSONALIZACIÓN Y EVALUACIÓN DE APRENDIZAJES
- DEL DATO A LA INFORMACIÓN
Cómo los datos educativos informan la enseñanza y la diferencia entre datos, información y conocimiento; estrategias de contextualización y análisis de datos; huella digital, privacidad y seguridad en el aprendizaje en línea; fundamentos de ciberseguridad y protección de datos en plataformas educativas; responsabilidad digital y derechos en entornos virtuales; Big Data y algoritmos de aprendizaje automático aplicados a la educación; minería de datos y predicción del rendimiento estudiantil; recolección, limpieza, procesamiento y visualización de datos para la toma de decisiones pedagógicas; herramientas de analítica educativa desde básicas hasta avanzadas; regulaciones sobre privacidad y seguridad (GDPR, FERPA y otras); consideraciones éticas en el uso de datos educativos; y desarrollo de políticas institucionales de privacidad y seguridad de la información.
- EVALUACIÓN DEL APRENDIZAJE E INTELIGENCIA ARTIFICIAL
Evaluación del aprendizaje en la era digital, desde la observación docente hasta el análisis automatizado; potencial, límites y desafíos de la evaluación con IA; modalidades diagnóstica, formativa, sumativa y de autoevaluación; analítica del aprendizaje para detectar necesidades, trayectorias y riesgo de abandono; personalización de itinerarios y retroalimentación mediante IA; métodos adaptativos y algoritmos que ajustan dificultad y contenido; evaluación automatizada con corrección de ensayos, rúbricas inteligentes y análisis semántico; tutores virtuales y retroalimentación inteligente; evaluación multimodal con análisis de voz, emociones y engagement; diseño y validación de instrumentos asistidos por IA; construcción algorítmica de preguntas; ética, equidad y sesgos en evaluación digital; y aplicaciones prácticas como evaluación por competencias, portfolios digitales y gamificación.
BLOQUE 4: DESARROLLO PROFESIONAL Y METODOLOGÍA DE LA INVESTIGACIÓN EDUCATIVA
- DESARROLLO PROFESIONAL DOCENTE
Redefiniendo la formación docente: Aprender IA o Aprender con IA. Rol del docente como arquitecto del cambio educativo. Habilidades y competencias digitales del profesorado. Reflexividad, capacidades digitales y resiliencia de los profesores: formación continua personalizada. Las emociones del profesorado: claves en el aprendizaje de sus estudiantes. Neuroeducación dentro de las aulas: guía de actuación. Creación y participación en comunidades de práctica en línea: creatividad distribuida en el contexto educativo. Colaboración creativa entre docentes y sistemas de IA: herramientas y plataformas. Gestión educativa e IA: emprendimiento, innovación y creatividad digital.
- SEMINARIO DE INICIACIÓN A LA INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL APLICADA A LA EDUCACIÓN
Iniciación investigadora y de alfabetización científica en inteligencia artificial aplicada a la educación. La investigación en inteligencia artificial aplicada a la educación. Lectura crítica y análisis de artículos científicos: estructura de un artículo científico; criterios de lectura crítica; identificación de marcos teóricos y estrategias metodológicas; herramientas básicas para el análisis de la literatura. Terminología, estructuras de publicación y fuentes de información científica: términos clave en inteligencia artificial aplicada a la educación; tipología de publicaciones científicas; bases de datos y repositorios académicos especializados; criterios de búsqueda y evaluación de fuentes; gestores de referencias bibliográficas y normativa de citación APA. Ética básica de la investigación y del uso de la evidencia científica.
- METODOLOGÍAS DE INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL APLICADA A LA EDUCACIÓN
Diseños de investigación en contextos educativos y socioeducativos; principios de investigación aplicada y coherencia entre problema, objetivos y diseño metodológico; métodos de recogida de datos cuantitativos, cualitativos y mixtos; triangulación y criterios de validez y fiabilidad; elaboración de propuestas metodológicas iniciales (formulación del problema, objetivos, hipótesis, preguntas, muestreo, instrumentos y técnicas de análisis); consideraciones éticas avanzadas en investigación con alumnado, docentes y comunidades; regulación sobre protección de datos y consentimiento informado; gestión responsable de información sensible y comunicación ética; prevención de sesgos cognitivos y culturales en la interpretación; y revisión del funcionamiento de protocolos y comités éticos en investigación educativa.
BLOQUE 5: NEUROCIENCIA EDUCATIVA E IA
- BASES BIOLÓGICAS Y GENÉTICAS DEL CEREBRO
El origen evolutivo del cerebro. El cerebro como parte del sistema nervioso Neuronas, neurotransmisores y redes neurales Genes y aprendizaje Plasticidad y epigenética. Anatomía y morfología funcional del cerebro. La formación del cerebro: desde la concepción a la adultez.
- LA NEUROCIENCIA EN EL CONTEXTO EDUCATIVO
La educación en contexto. Teorías del aprendizaje. Posición de la neurociencia en la educación. El método científico en neuroeducación. El aprendizaje desde la Neurociencia. La educación emocional. Emociones y Aprendizaje. ¿Qué es la inteligencia emocional?
- NEUROCIENCIA EDUCATIVA: MITOS Y EVIDENCIAS
Fundamentos epistemológicos de la neurociencia educativa como campo interdisciplinar, en diálogo con la psicología cognitiva y la educación. Análisis crítico de neuromitos y otras creencias pseudocientíficas en educación, a partir de revisiones sistemáticas, meta-análisis y estudios sobre alfabetización científica del profesorado. Estudio de procesos cognitivos, metacognitivos y de autorregulación (atención, memoria, funciones ejecutivas y monitoreo del aprendizaje) desde una perspectiva empírica y metodológica.Evaluación de estrategias pedagógicas con base científica y análisis crítico de programas y prácticas docentes fundamentadas en la evidencia. Análisis de la investigación sobre hábitos de vida, salud cerebral y aprendizaje (sueño, alimentación, actividad física, estrés, multitarea) y sus implicaciones educativas.