¡Hola a todos los apasionados y apasionadas de la tecnología educativa! En esta nueva serie de siete artículos, que iremos publicando en mi blog de OriolTIC, analizaremos cómo está evolucionando el diseño pedagógico de los cursos online masivos y abiertos. Para ello, hemos analizado los últimos 5 años de publicaciones científicas.
Durante años, muchos MOOC se apoyaron principalmente en vídeos grabados, cuestionarios automatizados y foros de participación limitada. Esa descripción sigue siendo válida para una parte importante de la oferta, pero no debe convertirse en una caricatura de toda la educación en línea. La calidad de un MOOC depende menos de incorporar una tecnología concreta que de cómo se organizan las actividades, la retroalimentación, la presencia docente y la participación entre iguales. Vamos, lo que siempre insistimos al hablar del uso de tecnología en educación.
De la interacción básica a la participación diseñada
La literatura sobre educación en línea suele distinguir tres relaciones fundamentales: la interacción del estudiante con los contenidos, con el docente y con otros estudiantes. Este marco continúa siendo útil, aunque las plataformas actuales permiten ampliar esas formas de participación mediante anotaciones, actividades colaborativas, analíticas de aprendizaje, asistentes basados en IA y entornos virtuales.
La interacción con los contenidos puede enriquecerse cuando el vídeo se integra con preguntas, pausas, tareas de aplicación o espacios de discusión vinculados a momentos concretos de la explicación. No obstante, añadir una función técnica no garantiza por sí mismo un aprendizaje más profundo, la actividad debe estar conectada con los objetivos y con algún tipo de retroalimentación.
La interacción entre iguales adquiere especial relevancia en los tMOOC o MOOC orientados a la transferencia (de los que ya hablamos en el post: https://orioltic.com/2026/09/29/has-oido-hablar-de-los-tmooc-la-revolucion-de-la-transferencia-en-el-aprendizaje-en-linea/). En estos formatos, el alumnado trabaja con e-actividades, produce evidencias de aprendizaje, aplica los contenidos a problemas prácticos y puede participar en procesos de revisión entre pares. El estudio de Martínez-Pérez et al. (2022), realizado con 313 estudiantes de formación inicial del profesorado, muestra el interés de este tipo de diseño para trabajar competencias digitales. Su diseño no permite afirmar, sin embargo, que las e-actividades causen por sí solas una mejora general de la autonomía o de la retención.
La IA introduce otra posibilidad a través de asistentes que son capaces de responder preguntas, proponer explicaciones, generar ejemplos o formular preguntas de seguimiento. Su valor educativo depende de los límites que se establezcan. Un asistente que entrega respuestas terminadas puede facilitar la finalización de una tarea sin garantizar comprensión; uno diseñado para pedir justificaciones, comparar alternativas y devolver preguntas puede contribuir mejor a la reflexión. Singh (2026) plantea precisamente que el papel docente no desaparece, sino que debe centrarse en diseñar y supervisar las condiciones de colaboración entre personas y sistemas de IA.
Los entornos inmersivos añaden una dimensión espacial y avatarizada. Pueden favorecer actividades situadas, simulaciones y formas de comunicación diferentes de las que ofrece un foro convencional. Pero la inmersión no es sinónimo de aprendizaje. La revisión de Parrales-Bravo et al. (2026) subraya que los beneficios potenciales conviven con problemas de acceso, transferencia, inclusión y diseño pedagógico.
Qué dicen algunos estudios recientes
Un caso reciente es el de Li et al. (2026), que describe la implantación de un modelo denominado Smart MOOC con entorno basado en metaverso, asistentes de IA y analíticas de aprendizaje. En su comparación, realizada con 355 estudiantes, la finalización pasó aproximadamente del 27 % en una edición tradicional al 52 % en la edición Smart MOOC.
El dato es llamativo, pero debe interpretarse con prudencia. El estudio compara ediciones de un curso en momentos distintos, no un experimento aleatorizado. Además, los propios autores indican que se trata de una implementación exploratoria y que no se realizaron pruebas inferenciales. Por tanto, el resultado permite hablar de una asociación descriptiva y de una hipótesis prometedora, no afirmar que el metaverso o la IA hayan causado el aumento.
Otro trabajo, el de Althibyani (2024), utiliza el conjunto de datos OULAD para predecir resultados académicos mediante modelos de aprendizaje automático. El conjunto incluye 32.593 registros de estudiantes y variables demográficas, de evaluación, matriculación e interacción con el entorno virtual. El modelo Random Forest alcanzó una precisión del 95,7 % en la clasificación binaria examinada.
Este resultado no significa que la interacción diaria sea una causa del aprobado ni que el modelo funcione igual en cualquier MOOC. Una precisión predictiva depende de la definición del resultado, de las variables disponibles, de la división entre entrenamiento y prueba y del contexto de los datos. La utilidad práctica de estos sistemas exige, además, atender a los falsos positivos, los falsos negativos, la privacidad y el riesgo de etiquetar prematuramente al alumnado.
La investigación de Halawa, Greene y Mitchell (2014) ya mostraba que ciertos patrones de inactividad podían servir como señales tempranas de riesgo. En algunos análisis, la ausencia prolongada permitió identificar más del 90 % de los abandonos del grupo estudiado. Esa cifra no debe traducirse en que la inactividad prediga individualmente el abandono con un 90 % de exactitud: se trata de un resultado dependiente del modelo, la muestra y la definición de abandono.
También conviene observar los límites de los foros en la era de la IA generativa. Blomgren, Al-Husban y Kourkouli (2025) recogen preocupaciones de estudiantes de posgrado sobre la posibilidad de que las respuestas generadas artificialmente aumenten el volumen de publicaciones sin mejorar necesariamente el diálogo. La advertencia es relevante, aunque el trabajo no demuestra que este fenómeno se produzca de forma generalizada en todos los foros universitarios.
La tecnología no sustituye al diseño pedagógico
La etiqueta “MOOC 5.0” puede servir como recurso divulgativo para describir una posible evolución hacia cursos más adaptativos, conectados y apoyados por datos. Ahmad et al. (2022) la presentan como una hoja de ruta que relaciona MOOC, tecnologías de la Industria 5.0, analíticas, inteligencia artificial, realidad virtual y humanización de la enseñanza. No es, sin embargo, una categoría consolidada con una definición única aceptada por la comunidad científica.
Algo parecido ocurre con la metodología 4PADAFE. Ruiz-Rojas y Acosta-Vargas (2026) presentan un marco iterativo de siete fases para diseñar recursos y MOOC con apoyo de IA. Su estudio es cualitativo y exploratorio, con 20 estudiantes de Ingeniería de Sistemas que participaron en el diseño de un curso. Puede aportar ideas para el diseño instruccional, pero no permite concluir que la metodología mejore de forma general el aprendizaje o la retroalimentación personalizada.
Los marcos clásicos siguen ayudando a interpretar estos cambios. La Community of Inquiry (CoI) de Garrison, Anderson y Archer (1999) destaca la relación entre presencia docente, presencia social y presencia cognitiva. La teoría de la distancia transaccional de Moore (1989) recuerda que la distancia educativa no depende únicamente de la separación física, sino también de la estructura del curso, el diálogo y la autonomía del estudiante. Estos marcos no prescriben una herramienta concreta: ayudan a preguntar qué tipo de interacción se está diseñando y para qué finalidad.
El diseño también debe atender al contexto cultural. Ting y Wang (2026), en un estudio sobre educación superior en Hong Kong, muestran que las actividades transmedia abiertas pueden entrar en tensión con culturas educativas orientadas al rendimiento, la evaluación y la seguridad de las respuestas. La conclusión no es que un grupo cultural rechace necesariamente la innovación, sino que las propuestas abiertas necesitan instrucciones, criterios y apoyos ajustados al contexto.
Qué podemos afirmar y qué no
La evidencia disponible permite sostener que los MOOC pueden ampliar sus formas de interacción mediante actividades colaborativas, analíticas, asistentes de IA y entornos inmersivos. También permite afirmar que estas tecnologías introducen riesgos de sobrecarga, desigualdad de acceso, dependencia de respuestas automáticas y vigilancia excesiva.
Lo que todavía no permite afirmar con seguridad es que el metaverso, la IA o las analíticas produzcan automáticamente más aprendizaje, más pertenencia o más finalización. Esos resultados dependen de la tarea, la mediación docente, el contexto institucional, la preparación del alumnado, el diseño de la evaluación y la calidad de la experiencia tecnológica.
La cuestión importante no es si un MOOC incorpora IA o realidad virtual, sino qué actividad se propone, qué razonamiento debe realizar el estudiante, qué apoyo recibe, cómo se comprueba la comprensión y qué responsabilidad conserva la persona frente a la tecnología.
Nota metodológica
Este texto presenta una revisión narrativa y crítica de literatura académica y capítulos especializados publicados entre 2021 y 2026. No se presenta como una revisión sistemática (no se ha incluido, por ejemplo, un protocolo PRISMA) ni se detallan aquí una estrategia exhaustiva de búsqueda, un cribado reproducible o una evaluación formal del riesgo de sesgo. Las herramientas de IA pueden ayudar a localizar y organizar información, pero la selección de referencias, la lectura de las fuentes y la interpretación de los resultados requieren supervisión humana.
Referencias
Ahmad, I., Sharma, S., Singh, R., Gehlot, A., Priyadarshi, N., & Twala, B. (2022). MOOC 5.0: A roadmap to the future of learning. Sustainability, 14(18), 11199. https://doi.org/10.3390/su141811199
Althibyani, H. A. (2024). Predicting student success in MOOCs: A comprehensive analysis using machine learning models. PeerJ Computer Science, 10, e2221. https://doi.org/10.7717/peerj-cs.2221
Bates, T. (2019). Teaching in a digital age: Guidelines for designing teaching and learning (2.ª ed.). Tony Bates Associates Ltd.
Blomgren, C., Al-Husban, N., & Kourkouli, K. (2025). Reappraising discussion forums in graduate education for the GenAI era. En ICDE World Conference 2025 Full Paper Proceedings (pp. 84–95). Massey University.
Garrison, D. R., Anderson, T., & Archer, W. (1999). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2(2–3), 87–105. https://doi.org/10.1016/S1096-7516(00)00016-6
Gros, B., & Maina, M. (2022). Designing MOOCs with LITTLE. Cogent Education, 9(1), 2064411. https://doi.org/10.1080/2331186X.2022.2064411
Halawa, S., Greene, D., & Mitchell, J. (2014). Dropout prediction in MOOCs using learner activity features. eLearn Papers, 37, 1–10.
Li, Z., Wei, H. S., & Hu, D. P. (2026). Smart MOOCs integration: Enhancing interaction and learning outcomes through metaverse-powered instructional design. En Implementation Strategies and Effects of Massive Open Online Courses (MOOCs) (pp. 45–68). IntechOpen. https://doi.org/10.5772/intechopen.1015374
Martínez-Pérez, S., Cabero-Almenara, J., Barroso-Osuna, J., & Palacios-Rodríguez, A. (2022). T-MOOC for initial teacher training in digital competences: Technology and educational innovation. Frontiers in Education, 7, 846998. https://doi.org/10.3389/feduc.2022.846998
Moore, M. G. (1989). Three types of interaction. The American Journal of Distance Education, 3(2), 1–7. https://doi.org/10.1080/08923648909526659
Osuna-Acedo, S., Marta-Lazo, C., & Frau-Meigs, D. (2018). De sMOOC a tMOOC, el aprendizaje hacia la transferencia profesional: El proyecto europeo ECO. Comunicar, 26(55), 105–114. https://doi.org/10.3916/C55-2018-10
Parrales-Bravo, F., Tolozano-Benites, R., Jadán-Guerrero, J., Vasquez-Cevallos, L., & Gómez-Rodríguez, V. (2026). From virtual worlds to real-world equity: A scoping review of the metaverse as computer-assisted learning for STEM competencies. Computers, 15(4), 229. https://doi.org/10.3390/computers15040229
Ruiz-Rojas, L. I., & Acosta-Vargas, P. (2026). Transforming learning: Use of the 4PADAFE instructional design methodology and generative artificial intelligence in designing MOOCs for innovative education. Sustainability, 18(6), 2683. https://doi.org/10.3390/su18062683
Singh, A. B. (2026). Integrating AI in massive open online courses: Teachers’ roles in facilitating human–AI collaboration and critical engagement in MOOCs. En Implementation Strategies and Effects of Massive Open Online Courses (MOOCs) (pp. 1–22). IntechOpen. https://doi.org/10.5772/intechopen.1015315
Ting, T.-Y., & Wang, Y. (2026). From play to performance: Cultural–pedagogical frictions in transmedia edutainment in Hong Kong higher education. Education Sciences, 16(1), 72. https://doi.org/10.3390/educsci16010072
Nota metodológica
Este análisis forma parte de una revisión de literatura científica (2021-2026) desarrollada mediante el uso combinado de Gemini Notebook y búsquedas iterativas en Perplexity. Bajo el principio metodológico de «Human-in-the-Loop» (humano en el bucle), la síntesis analítica, el contraste de discrepancias teóricas y la curaduría pedagógica han estado permanentemente bajo la supervisión y criterio crítico del autor docente. Para la redacción me he ayudado de ChatGPT (5.6 Luna).
