Lógica neutrosófica en la educación impulsada por inteligencia artificial
Primavera de 2023. Un tribunal federal en el bajo Manhattan.
El juez Castel le pide al abogado Steven Schwartz que demuestre que las seis sentencias que cita en su escrito existen. Varghese v. China Southern Airlines, Shaboon v. EgyptAir, Durden v. KLM. Cada una con número de expediente, resúmenes, consistencia interna de una opinión judicial real.
Ninguna de las seis existía.
Schwartz, antes de presentar el escrito, hizo lo que cualquier profesional cauteloso haría: le pidió a la herramienta que verificara su propio output. Se lo pidió dos veces. Le pidió el texto completo de un fallo para leerlo. En cada paso, la herramienta confirmó sus propias fabricaciones con nuevas fabricaciones.
Solo cuando el tribunal exigió los originales, la cascada colapsó.
Vota con honestidad. No habrá juicio. El primer paso del Aula Honesta es nombrar la incomodidad que ya sentimos.
El caso Schwartz no es excepcional. Es banal. Es la forma estándar de fallar con esta tecnología — y casi todos hemos estado más cerca del error de lo que admitimos.
Un modelo de lenguaje grande es un predictor probabilístico del siguiente token. No sabe lo que sabe. Produce texto que se parece al que produciría alguien que sabe — lo que casi siempre, pero no siempre, es lo mismo.
El ajuste fino enseña al modelo a decir «no lo sé», pero esa enseñanza monta sobre un motor sin representación nativa de su propia incertidumbre. Funciona casi siempre. Falla precisamente cuando más importa.
Dos valores. Verdadero o falso. No hay tercera opción.
Grados continuos. Pero falsedad y verdad quedan acopladas.
Separa apoyo y oposición. Pero excluye que ambas sean altas a la vez.
Tres dimensiones independientes. Admite lo que las otras prohíben.
Cinco zonas operativas que el docente puede enseñar.
No reemplaza las anteriores. Las contiene como casos particulares — y añade la situación que ninguna admitía: apoyo y oposición coexistiendo legítimamente, más indeterminación irreducible.
Toda afirmación recibe tres grados independientes en el intervalo [0, 1].
La evidencia que respalda la afirmación. ¿Qué la sostiene?
Lo legítimamente no resuelto. Lo que no sabemos que no sabemos.
La evidencia en contra. ¿Qué la refuta?
La independencia es la novedad. Es perfectamente coherente decir (T = 0.70, I = 0.50, F = 0.40): hay apoyo sustancial y refutación sustancial y una región genuinamente no resuelta. Las tres a la vez.
Mueva los deslizadores. Observe cómo cambia la zona — y, con ella, qué se debe hacer en el aula.
La evidencia converge. Las opiniones coinciden. No queda disputa relevante.
La evidencia existe pero no decide. Suele ser semántica o estructural.
Estudios de calidad en desacuerdo directo. Voces autoritativas opuestas.
El sistema —usuario, literatura, modelo— declara que no tiene información.
Hecho consolidado del campo. Buscar más evidencia tiene valor marginal bajo.
Las zonas son categorías operativas, no particiones metafísicas. Una afirmación puede vivir cerca de un límite — la tarea del docente no es forzar una asignación cristalina, sino enseñar a percibir la vecindad.
«Hay debate público sobre dependencia cognitiva por IA.»
Conclusión apresurada: esto es Contradicción.
Acción consecuente: busca «ambos lados del debate», puebla su base con opinión y estudios transversales tempranos.
«No existen estudios longitudinales de cinco años. La herramienta tiene apenas tres años de uso público amplio.»
Diagnóstico correcto: esto es Ignorancia I₁ — declarativa.
Acción consecuente: aplazar la pregunta, o rediseñarla. ¿Qué proxy transversal existe? ¿Qué sustituto longitudinal a dos años?
El debate público no es sustituto de la evidencia longitudinal. Y la diferencia entre estos dos errores explica por qué una tesis doctoral fracasa o avanza.
La salida de la Contradicción y la Ignorancia no se gana peleando dentro del desacuerdo. Se gana subiendo una capa.
Acumula evidencia a favor. Acumula evidencia en contra. Pesa los estudios. Cita autoridades.
Intenta resolver el desacuerdo dentro del desacuerdo mismo.
¿Por qué persiste? ¿Qué compromisos metodológicos cluster con cada lado?
¿Qué condiciones tendrían que cumplirse para resolverlo? ¿Qué experimento, qué dato, qué definición operativa?
En vez de discutir si «el aula invertida funciona», → preguntar bajo qué condiciones de contenido, nivel y diseño funciona; qué compromisos pedagógicos vienen empaquetados con cada hallazgo; qué experimento adjudicaría el desacuerdo.
Cada afirmación sustantiva recibe su vecindad epistémica explícita —su (T, I, F) y su zona— en lugar de un veredicto binario.
El trabajo representacional no es extra; es el trabajo.
Los estudiantes no nacen con la capacidad de habitar las zonas. Se cultiva en episodios estructurados.
El eje D₁–D₅ extiende a Bloom hacia la indeterminación.
Los umbrales que separan las zonas son parámetros de la comunidad de investigación, no del estudiante individual.
No es relativismo. Es la línea probabilista contra el laxismo.
Una taxonomía bidimensional. Cada objetivo de aprendizaje recibe un triple (Bloom, D, I).
| Eje D | Capacidad desarrollada | Ilustración pedagógica |
|---|---|---|
| D₁ | Reconoce su ignorancia | El estudiante puede decir «no sé», y distingue eso de «no me acuerdo». |
| D₂ | Localiza la indeterminación | Identifica qué parte de un argumento es lo no resuelto, no solo que algo no lo está. |
| D₃ | Caracteriza la zona | Distingue ambigüedad semántica de contradicción metodológica de ignorancia declarativa. |
| D₄ | Responde proporcionalmente | Sabe que la respuesta a la contradicción no es la misma que a la ignorancia. Actúa diferente en cada zona. |
| D₅ | Indeterminación generativa | Usa la zona no resuelta como motor de investigación, no como obstáculo a esquivar. |
Un programa doctoral que enseña hasta D₂ está graduando estudiantes que reconocen la indeterminación. Un programa que enseña hasta D₅ está graduando investigadores que la producen.
El artefacto operativo central del libro: un protocolo que convierte cualquier LLM en un tutor auditable.
El texto completo del system prompt está en el Apéndice B del libro. Funciona con GPT, Claude, Gemini y modelos abiertos. Se calibra una vez, se usa en todos los cursos.
El uso sostenido presenta resultados empíricos paradójicos. Con andamiaje pedagógico adecuado, la IA puede potenciar análisis crítico y argumentación. Pero su uso rutinario y no estructurado produce un declive en las capacidades cognitivas autónomas, atrofiando redes neuronales ejecutivas y generando dependencia algorítmica.
T = evidencia de mejora cognitiva · F = evidencia de atrofia cognitiva
La externalización cognitiva benéfica permite enfocarse en síntesis de orden superior (Melisa et al. 2025; Hong et al. 2025). En contraste directo, la evidencia neurofisiológica muestra que evitar las «dificultades deseables» reduce drásticamente la conectividad cortical e induce «deuda cognitiva» (Kosmyna et al. 2025; Choudhuri et al. 2026). Es la paradoja del rendimiento: la IA mejora el resultado a corto plazo y erosiona el razonamiento autónomo a medio plazo (Lodge & Loble 2026). No es viable producir una síntesis sobre un efecto unidireccional.
Considerando que la arquitectura cognitiva humana tiende a la ley del menor esfuerzo al delegar tareas, ¿cómo pueden las instituciones diseñar interfaces algorítmicas y estrategias pedagógicas de «fricción productiva» que imposibiliten la abdicación total del esfuerzo intelectual?
Escriba una afirmación que use habitualmente en su docencia o investigación. El sistema sugerirá en qué zona del Aula Honesta probablemente vive.
Reconocer la Claridad cuando es real. El Conocimiento Saturado cuando está justificado. La Ambigüedad cuando es legítima. La Contradicción cuando es productiva. La Ignorancia cuando es honesta.
Esa competencia no es mágica. Es la capacidad de leer una tripleta (T, I, F) y responder de forma que el vocabulario binario clásico no permite.
Dr. Maikel Yelandi Leyva-Vázquez · Dr. Florentin Smarandache
Universidad Bolivariana del Ecuador · University of New Mexico
The Honest Classroom: Neutrosophic Logic in AI-Driven Education
NSIA Publishing · 2026
Repositorio: github.com/mleyvaz/honest-classroom
mleyvaz@gmail.com
mleyvaz.github.io
ORCID: 0000-0002-9486-5093
Neutrosophic Sets and Systems · Neutrosophic Computing and Machine Learning