Justificación

Qué debe lograr esta sección

• Pertinencia: por qué la escuela rural multigrado necesita un modelo de mediación situada.
• Aporte doctoral: un modelo educativo con fundamentos legal, pedagógico, filosófico, tecnológico y metodológico, no un software.
• Vínculo con ODS 4, 5 y 16, con UNAD 5.0 y con la apropiación social (TRL, CRL, BRL) solo como lectura de madurez.

Pertinencia y aporte

Tu versión en construcción

Escribe aquí debajo, con tus palabras. Lo que escribas fuera de los recuadros cuenta como tu voz en el panel de tu tesis. Tus reflexiones de voz sobre las lecturas que alimentan esta sección llegan solas al apartado que corresponde.

Tu versión del 29 de septiembre

Tu justificación anterior defendía TUTOR(IA) como «solución». Reescríbela para que el aporte sea el modelo de mediación.

Tu texto · proyecto reformulado (29 sep 2026)

JUSTIFICACIÓN

El aula multigrado, entorno educativo en el cual estudiantes de varios grados y edades se forman dentro de un mismo ambiente y bajo la guía de un solo docente, utilizado el modelo Escuela Nueva, aunque fue una oportunidad histórica de innovación en los años 70 y 80, hoy presenta rigideces en sus guías que dificultan la atención a la neurodiversidad y los ritmos de aprendizaje reales del territorio (Orozco Orozco, 2026).

La presente investigación se justifica en la necesidad imperiosa de reconfigurar la arquitectura de los entornos de aprendizaje para la ruralidad profunda, superando la visión asistencialista de la tecnología como un simple “parche” de conectividad. Desde una dimensión epistemológica y contextual, el estudio reivindica el aula multigrado no como un déficit estructural, sino como un territorio de oportunidad para la personalización. Aunque el modelo Escuela Nueva representó una innovación histórica, hoy evidencia rigideces en sus guías que dificultan la atención a la neurodiversidad y a los ritmos reales del territorio (Orozco-Orozco y Rivera-Sepúlveda, 2026). Al co-construir el ecosistema TUTOR(IA) con los docentes, esta tesis valida su “saber situado”, generando conocimiento pedagógico situado que trasciende la imposición de modelos estandarizados urbanos y aporta evidencia empírica sobre cómo la inteligencia artificial (IA) puede adaptarse a la complejidad ecológica de la escuela rural (Espitia Cruz, 2022; Bronfenbrenner, 1979).

En su dimensión pedagógica y tecnológica, la investigación ofrece una solución tangible a la sobrecarga administrativa y funcional que enfrenta el docente multigrado. La operacionalización manual del Diseño Universal para el Aprendizaje (DUA) resulta humanamente insostenible para un solo maestro; por tanto, proponer un “copiloto” pedagógico offline, basado en Modelos de Lenguaje Pequeños (SLMs) y Aplicaciones Web Progresivas (PWA), permite automatizar la creación de materiales multimodales y la retroalimentación formativa inmediata (Chen y Wang, 2024; Zhou et al., 2024). Al liberar al docente de la planificación masiva, el modelo le permite recuperar su rol esencial de mediación socioemocional y cultural, reduciendo drásticamente el tecnoestrés y el burnout digital (Duan y Zhao, 2024; Vargas y Rojas, 2025). Además, al integrar principios de la heutagogía y el Modelo Heutagógico Unadista Solidario 5.0 (Forero Lozano y Mora Alfonso, 2026), el ecosistema no solo personaliza el contenido, sino que fomenta la autodeterminación, la metacognición y las habilidades para la vida, mitigando el riesgo de dependencia cognitiva y pasividad algorítmica (Hase y Kenyon, 2000; UNICEF, 2025).

Desde una perspectiva ética y social, la tesis es crucial para garantizar la soberanía de los datos y los derechos de la niñez en la era digital. Los modelos de IA predominantes, alojados en la nube y entrenados con sesgos urbanos, reproducen dinámicas de “colonialismo de datos” que vulneran la privacidad y marginan las identidades culturales del campo (Selwyn y Johnson, 2024). Al diseñar una arquitectura descentralizada y 100% local, TUTOR(IA) mitiga el sesgo algorítmico, asegura la trazabilidad pedagógica sin extracción de datos y se alinea estrictamente con los mandatos de la UNESCO (2023) sobre IA humanocéntrica, las directrices de UNICEF (2025) para una IA centrada en la niñez, y la Política Nacional de Inteligencia Artificial de Colombia (Departamento Nacional de Planeación, 2025).

Finalmente, la dimensión metodológica y de sostenibilidad organizacional justifica el uso de la Investigación Basada en el Diseño (DBR) con ciclos iterativos. La literatura advierte que las innovaciones tecnológicas en contextos vulnerables suelen fracasar al detenerse en la fase de prototipo, por falta de apropiación social y soporte institucional (Ravi y Janodia, 2022; Johnson et al., 2023). Esta investigación evita el ciclo de “prototipos abandonados” al integrar, desde su génesis, estrategias de alfabetización en IA, gobernanza local de los datos y mecanismos de soporte entre pares. Al empoderar al docente rural como diseñador instruccional (evolucionando su competencia hacia marcos como el I-TPACK y DAIC) y al establecer protocolos de escalabilidad, se garantiza que el ecosistema tenga continuidad institucional y capacidad de transferencia a otros territorios vulnerables (Yue et al., 2024; Andreini et al., 2022).

En síntesis, TUTOR(IA) no es solo un desarrollo de software, sino una intervención integral que armoniza la madurez tecnológica, la pertinencia pedagógica, la apropiación social y la sostenibilidad institucional. Su realización aporta directamente al cumplimiento de los Objetivos de Desarrollo Sostenible (ODS 4, 9 y 10), demostrando que es posible construir una inteligencia artificial educativa resiliente, ética y profundamente inclusiva, capaz de transformar las trayectorias de aprendizaje en los contextos más desafiantes de la geografía colombiana.