El médico ensaya con actores. El profesor ensaya con sus alumnos

En 1963, un neurólogo de Los Ángeles llamado Howard Barrows pagó a una actriz para que fingiera una enfermedad delante de sus estudiantes. Quería ver cómo exploraban a un paciente sin que ningún paciente real pagara sus errores. Sesenta años después ningún médico se gradúa sin haber ensayado así. Un profesor universitario, en cambio, aprende a dar retroalimentación con el primer trabajo de fin de grado que le cae en la mesa. Alguien paga ese aprendizaje y no es el profesor.

Lleva quince años funcionando, con truco

La formación del profesorado tiene su propio paciente actor desde hace tiempo. Se llama TeachLivE, nació en la Universidad de Florida Central y hoy se vende como Mursion. El docente en prácticas entra en un aula virtual con cinco avatares adolescentes. Les explica una lección, les pide silencio, les corrige. Ersozlu y sus colegas (2021) contaron más de 80 universidades que lo usan y 102 estudios publicados. El truco está en otra sala: detrás de los avatares hay un intérprete humano que improvisa en tiempo real.

¿Y mejora la enseñanza? La respuesta más seria la ha dado Julie Cohen, de la Universidad de Virginia, con varios ensayos aleatorizados. Cohen, Wong, Krishnamachari y Erickson (2023) comparan dos grupos de futuros docentes que ensayan en el simulador. Uno reflexiona a solas entre sesiones. El otro recibe diez minutos de entrenamiento directivo: un experto le dice qué ha fallado, modela la conducta correcta y la ensaya con él. El segundo grupo mejora de forma grande y estadísticamente significativa. El primero apenas. Y hay un dato que casi nadie subraya: los estudiantes universitarios que no estaban matriculados en un programa de formación docente no mejoraron ni con entrenador.

Esto encaja con lo que sabemos de la simulación en general. Chernikova y sus colegas (2020) revisaron 145 estudios en medicina, magisterio y gestión y encontraron un tamaño del efecto de 0,85, uno de los mayores que se conocen en educación superior. Con un matiz: el efecto depende del andamiaje. Los novatos aprenden más con ejemplos resueltos. Los veteranos, con fases de reflexión. La simulación es el escenario. Lo que se hace alrededor es la obra.

Lo que cambia cuando el alumno es un modelo

El intérprete de Mursion cobra por hora. Ese es el cuello de botella que los modelos de lenguaje rompen. En 2023 Markel, Opferman, Landay y Piech presentaron GPTeach en Stanford: una tutoría de programación por chat con dos estudiantes simulados, uno perdido y otro que interrumpe. Lo probaron con asistentes noveles y después lo metieron en la formación de más de 800 docentes voluntarios del curso Code in Place. Su sucesor, EducaSim (Mohne, Vo, Demszky y Piech, 2026), añade voz y escaló a 1.300 docentes. Coste por sesión: céntimos.

Los estudios con futuros maestros van en la misma dirección. Zheng y Jiang (2025) pusieron a doce estudiantes de magisterio ante una clase simulada por un modelo. El ambiente les pareció realista y aplicable. La ilusión se rompía en momentos concretos: cuando el alumno simulado respondía con una corrección que ningún adolescente tiene. Ahí empieza el problema de fondo.

El estudiante simulado es demasiado bueno

Un modelo de lenguaje está entrenado para responder bien. Pedirle que haga de alumno que no entiende va contra su naturaleza. Yuan y sus colegas (2026) lo llaman la paradoja de la competencia. Martynova y sus colegas (2025) entrevistaron a profesores que habían dado tutorías a estudiantes simulados: lenguaje demasiado complejo, ninguna emoción, una atención que ningún adolescente mantiene, incoherencias lógicas. Un alumno que siempre entiende a la primera no enseña nada a quien lo tutoriza.

La medida más precisa la aportan Scarlatos, Lee, Woodhead y Lan (2026), de la Universidad de Massachusetts. Tomaron 2.000 tutorías reales de matemáticas con alumnos británicos de secundaria y compararon, turno a turno, lo que decía el alumno real con lo que decía el simulado. Los modelos solo instruidos acertaban más de lo que acierta un alumno real, preguntaban más y escribían casi tres veces más palabras. Un modelo pequeño afinado con esos diálogos se acercaba mucho más a los silencios, a las respuestas de dos palabras y a los «no lo sé». Ni unos ni otros lograban predecir qué error concreto cometería el alumno.

Cómo sería un aula sintética para profesorado universitario

Casi toda esta investigación se ha hecho con futuros maestros de primaria y secundaria o con asistentes de programación. El profesorado universitario, el que corrige trabajos de fin de grado, tutoriza tesis y da clase a doscientos alumnos, no tiene nada parecido. Y tiene situaciones que se prestan al ensayo mejor que una clase de fracciones. Pensemos en tres.

Para que esos tres escenarios sirvan, la evidencia anterior marca tres condiciones. La primera: los estudiantes simulados tienen que salir de diálogos reales de tutoría y de foros universitarios, anonimizados, y no de una instrucción que diga «compórtate como un alumno». Scarlatos y su equipo lo demuestran con cifras. La segunda: cada ensayo necesita un entrenador, humano o automático, que aplique el bucle de Cohen y no un informe genérico al final. La tercera: hay que medir si la destreza llega al aula real, porque hasta ahora casi todos los estudios solo miden la mejora dentro del simulador.

Del alumno simulado al gemelo digital

Hay una idea vecina que va más lejos, y hay que distinguirla. El aula sintética simula a un estudiante genérico durante una sesión. El gemelo digital pretende simular a un estudiante concreto durante toda su trayectoria: qué sabe, cómo aprende, dónde se atasca y qué pasaría si cambiamos la asignatura antes de que empiece. La diferencia es la misma que hay entre un paciente actor y una copia digital de su historia clínica.

¿Es posible? Dos estudios recientes dan una respuesta prudente. En Stanford, Park y sus colegas (2024) entrevistaron durante dos horas a 1.052 personas y construyeron un agente de cada una. Los agentes respondieron después a una encuesta social con un 85 % de la coherencia que las propias personas mostraban al repetirla dos semanas más tarde. En UC San Diego, Xu y sus colegas (2025) hicieron lo mismo con estudiantes: agentes que predicen cómo responderá cada alumno a las preguntas de una clase en línea. Acertaron en torno al 70 %, algo más que los modelos clásicos, con 301 estudiantes de un banco público y 60 de un taller propio.

La propuesta más completa que hemos encontrado es la de Kabashkin (2025). Describe un gemelo «con estado» que sigue al estudiante durante toda la vida académica. Tiene un controlador estratégico para su itinerario y otro operativo para avisos en tiempo real. Es un marco sin estudiantes reales, validado con datos sintéticos. Y ahí está nuestro reparo. Un gemelo que acierta el 70 % de las veces se equivoca con tres de cada diez alumnos. Si la universidad decide con él qué itinerario ofrecer a cada uno, esos tres pagan la predicción. El aula sintética se equivoca con un alumno que no existe. El gemelo digital se equivoca con uno que sí.

Para el profesorado universitario, la secuencia razonable nos parece esta: primero el aula sintética, que ya está madura y entrena al docente sin riesgo. Después, si llega, el gemelo. Con una condición: una persona revisa cada decisión antes de que afecte al estudiante. El reglamento europeo de IA ya lo exige a los sistemas que evalúan o encauzan el aprendizaje.

Nuestra posición es clara. El aula sintética para profesorado universitario es viable hoy y nadie la ha construido en español. El riesgo no está en la tecnología, que cuesta céntimos. Está en comprar un simulador con alumnos que entienden a la primera y sin nadie que corrija al docente, es decir, en pagar por el escenario y olvidarse de la obra. Si su facultad o su unidad de formación va a contratar uno, pida dos cosas antes de firmar: de qué diálogos reales salen los estudiantes simulados y quién hace de entrenador después de cada ensayo. Si no hay respuesta para las dos, lo que compra es un chat con disfraz.

Referencias