Acceso usuarios
Antonio Matas Terrón
, José Manuel Ríos Ariza, Antonio Luque de la Rosa, José Jesús Sánchez Amate
La integración de la Inteligencia Artificial en la educación ha generado una amplia gama de perspectivas entre los actores educativos, a menudo capturadas a través de respuestas de encuestas abiertas. Sin embargo, los enfoques para analizar dichos datos bajo condiciones no ideales siguen siendo limitados. Este estudio examina la viabilidad de combinar respuestas abiertas con técnicas de "Procesamiento de Lenguaje Natural (PLN) ligero" para explorar el discurso sobre la IA en la educación superior. Con un diseño exploratorio de prueba de concepto, se contó con dos conjuntos de datos independientes de 31 estudiantes de Pedagogía de España y 35 docentes de Perú que respondieron a cuestiones abiertas similares sobre Inteligencia Artificial. Se recurrió a representaciones semánticas basadas en embeddings, derivadas de la ponderación de términos y la descomposición en valores singulares (SVD) truncada, junto con anclas semánticas y visualización exploratoria para analizar textos heterogéneos. Los resultados muestran que los flujos de trabajo semánticos ligeros pueden generar representaciones interpretables, apoyar la inspección basada en proximidad y permitir la exploración guiada por anclas incluso con muestras pequeñas. En concreto, los datos analizados revelan que, mientras el discurso estudiantil gravita hacia la utilidad pragmática y el aprendizaje autorregulado, la narrativa docente está dominada por la ética y la ansiedad regulatoria. Se concluye reflexionando sobre la capacidad de este enfoque como herramienta escalable para monitorizar el clima educativo en tiempo real.
The integration of Artificial Intelligence (AI) in education has prompted a wide array of perspectives among educational stakeholders, frequently captured through open-ended survey responses. However, approaches to analysing such data under non-ideal conditions remain limited. This study examines the feasibility of combining open-ended responses with "Light Natural Language Processing" techniques to explore the discourse on AI in higher education. Employing an exploratory proof-of-concept design, the research utilised two independent datasets comprising 31 Pedagogy students from Spain and 35 teachers from Peru, all of whom responded to open-ended questions regarding Artificial Intelligence. Semantic representations based on embeddings—derived from term weighting and truncated Singular Value Decomposition (SVD)—were employed alongside semantic anchors and exploratory visualisation to analyse heterogeneous texts. The results demonstrate that light semantic workflows can generate interpretable representations, support proximity-based inspection, and enable anchor-guided exploration, even with small sample sizes. Specifically, the analysed data reveal that while student discourse is oriented towards pragmatic utility and self-regulated learning, the teacher narrative is dominated by ethics and regulatory anxiety. The paper concludes by reflecting on the potential of this approach as a scalable tool for monitoring the educational climate in real time.
