Mód. 1 · El giro multimodal · IA multimodal para la docencia universitaria

Sección 1.1Qué significa multimodal en la IA generativa

Cuando decimos que un sistema de IA generativa es multimodal afirmamos algo muy concreto: que puede recibir y producir información en más de un formato de representación. Los grandes modelos de lenguaje comenzaron trabajando solo con texto, pero las versiones actuales aceptan imágenes que describen, documentos que resumen, audio que transcriben y vídeo que analizan fotograma a fotograma. Y en la dirección contraria generan ilustraciones, diagramas, locuciones con voces naturales, música ambiental y clips de vídeo a partir de una instrucción escrita. La palabra clave es representación: la misma idea, por ejemplo el ciclo de Krebs, puede existir como párrafo, como diagrama circular, como explicación hablada o como animación. Cada una de esas formas es una modalidad, y cada modalidad llega al estudiante por vías perceptivas y cognitivas distintas.

Conviene distinguir desde el principio dos planos que a menudo se confunden. Generar en varias modalidades es una capacidad técnica: la herramienta produce una imagen o un audio cuando se lo pedimos. Enseñar con varias modalidades es una decisión didáctica: elegimos deliberadamente el formato que mejor sirve a un objetivo de aprendizaje concreto, para un grupo concreto, en un momento concreto del curso. La primera es cuestión de acceso a la tecnología y hoy está al alcance de cualquier docente con un navegador. La segunda es cuestión de criterio profesional y constituye el verdadero objeto de este curso. Un material puede ser técnicamente impecable, con voz cálida y animaciones fluidas, y al mismo tiempo resultar pedagógicamente ruinoso porque satura la atención de quien intenta aprender con él.

A lo largo del curso trabajaremos con cinco modalidades que cubren casi todo el espectro de materiales docentes. El texto sigue siendo la columna vertebral: apuntes, casos, consignas de actividad. La imagen estática incluye diagramas, infografías, ilustraciones y fotografías. La voz y el audio abarcan locuciones, pódcast y retroalimentación sonora. El vídeo suma la imagen en movimiento, los avatares y las capturas de pantalla narradas. Y lo interactivo, que en rigor combina las anteriores, añade la respuesta del sistema a las acciones del estudiante: simuladores, ejercicios autocorregidos, escenarios ramificados. Los módulos 2, 3 y 4 se dedican a producir imagen, audio y vídeo respectivamente, y el módulo 5 explora los cuadernos de síntesis que convierten documentos en pódcast conversacionales y en resúmenes visuales navegables.

Concepto · La tesis del curso

La multimodalidad no es un adorno. Cada modalidad que añadimos a un material tiene que ganarse el sitio demostrando que sirve al objetivo de aprendizaje. Cuando no lo hace, no es neutra: compite por una atención que es limitada y acaba saturándola. Esta idea, que desarrollaremos con la evidencia de Mayer y de Sweller, será el filtro de todas las decisiones de producción del resto del curso.

Para el profesorado universitario este giro cambia el papel que jugamos en la cadena de producción de materiales. Hasta hace poco éramos sobre todo seleccionadores: buscábamos el vídeo menos malo de un repositorio, la figura del manual con licencia adecuada, el pódcast que casi encajaba con el programa. Ahora podemos ser productores de materiales a la medida de nuestra asignatura y de nuestro alumnado. Esa ganancia de control trae consigo una responsabilidad nueva, porque la pregunta ya no es si podemos producir un vídeo, sino si ese vídeo hará que alguien comprenda mejor. Quien haya cursado nuestro Curso 06 sobre instrucciones pedagógicas y el marco DIOPA reconocerá el patrón: la herramienta amplifica el criterio de quien la usa, y lo amplifica en ambas direcciones.

Sección 1.2Por qué 2026 es el momento

Los tres últimos años han cerrado la brecha entre lo que un docente podía imaginar y lo que podía producir. Los generadores de imagen ya componen diagramas con texto legible y coherente, algo que en 2023 era su punto débil más citado. Las voces sintéticas han dejado atrás la entonación robótica: gestionan pausas, énfasis y hasta la respiración, en español peninsular y latinoamericano, hasta el punto de que distinguirlas de una locución humana exige atención deliberada. Y el vídeo generativo, la modalidad más exigente, produce ya escenas coherentes de varios segundos, avatares que sincronizan los labios con la locución y presentaciones narradas a partir de un simple guion. No hablamos de demostraciones de laboratorio, sino de herramientas comerciales estables, con planes educativos y controles de privacidad razonables.

El segundo factor es económico y quizá más decisivo que el tecnológico. Producir un vídeo docente de cinco minutos con calidad profesional exigía hasta hace poco un equipo completo: guionista, locutor, diseñador gráfico, editor de vídeo y varias jornadas de trabajo, con presupuestos que solo justificaban los materiales de uso masivo. Hoy ese mismo vídeo puede salir de la mesa de un docente en una tarde, con un coste marginal cercano al de una suscripción mensual. Lo mismo ocurre con un pódcast de repaso, con una serie de ilustraciones para un caso clínico o con un banco de diagramas de estilo coherente para toda una asignatura. La producción multimodal ha dejado de ser un privilegio de las grandes plataformas para convertirse en una competencia docente ordinaria.

Ejemplo · Una tarde de producción

Una profesora de fisiología prepara el tema de la sinapsis. En una misma tarde genera un diagrama del proceso con los rótulos en español, una locución de cuatro minutos que lo explica paso a paso y un breve vídeo con la animación del neurotransmisor cruzando el espacio sináptico. En 2022 ese paquete habría requerido semanas y un presupuesto de departamento. La pregunta relevante ya no es cómo producirlo, sino cuáles de esas tres piezas mejoran de verdad la comprensión y cuáles conviene descartar antes de publicarlas en el campus.

Precisamente porque producir es fácil, el riesgo ha cambiado de lugar. Hace cinco años el peligro era la escasez: asignaturas enteras sostenidas por documentos grises en PDF. Hoy el peligro es la abundancia sin criterio: campus virtuales que acumulan vídeos, audios e infografías generados en minutos, donde el estudiante no distingue lo esencial de lo decorativo. La atención de quien aprende no se ha ampliado ni un minuto, y la memoria de trabajo humana sigue teniendo la misma capacidad que en la época de la tiza. Por eso este curso dedica su primer módulo a la teoría antes que a las herramientas: necesitamos un marco para decidir, no solo un catálogo de aplicaciones que quedará obsoleto en un semestre.

Sección 1.3La base cognitiva: Mayer y Sweller

Richard Mayer lleva más de tres décadas sometiendo a experimento una pregunta simple: cuándo aprende más una persona con palabras e imágenes que con palabras solas. Su teoría cognitiva del aprendizaje multimedia descansa sobre tres supuestos con amplio respaldo empírico. Primero, procesamos la información por dos canales separados, uno visual y pictórico, otro auditivo y verbal, cada uno con su propia vía de entrada. Segundo, cada canal tiene una capacidad muy limitada: solo podemos mantener activos unos pocos elementos a la vez. Tercero, aprender no es recibir sino procesar de forma activa: seleccionar lo relevante, organizarlo en una estructura coherente e integrarlo con lo que ya se sabe. De esos tres supuestos se deriva todo lo demás, incluidas las razones por las que un material recargado enseña menos que uno sobrio.

Concepto · Doble canal, capacidad limitada

Una animación entra por el canal visual y una locución por el auditivo, de modo que se reparten la carga y pueden procesarse a la vez. En cambio, una animación acompañada de rótulos extensos obliga al canal visual a hacer dos trabajos simultáneos, mirar y leer, y alguno de los dos se resiente. Buena parte del diseño multimedia consiste, sencillamente, en repartir bien el trabajo entre los dos canales.

De la teoría se derivan principios de diseño verificados en cientos de experimentos. El principio multimedia constata que se aprende más con palabras e imágenes que con palabras solas, y es el que justifica el esfuerzo de este curso. El principio de coherencia ordena eliminar todo lo interesante pero irrelevante: la música de fondo, la anécdota simpática o la ilustración decorativa reducen el aprendizaje aunque gusten. El principio de contigüidad pide que el texto y la imagen relacionados aparezcan juntos en el espacio y en el tiempo, no la figura en una diapositiva y su explicación en la siguiente. El principio de modalidad recomienda que, cuando hay una imagen compleja en pantalla, la explicación llegue por la voz y no por texto escrito, para no congestionar el canal visual con dos tareas.

El principio de redundancia merece mención aparte porque contradice una intuición muy extendida: presentar la misma explicación escrita en pantalla y leída en voz alta no refuerza el mensaje, lo perjudica. Volveremos sobre él en la sección siguiente, porque es el error más frecuente en las aulas universitarias y también el más fácil de corregir. Antes conviene añadir la segunda pieza del marco teórico, la teoría de la carga cognitiva de John Sweller, que explica desde otro ángulo por qué ocurre todo lo anterior. Sweller parte del mismo cuello de botella, la memoria de trabajo, y distingue tres tipos de carga que compiten por ella mientras alguien estudia. La tabla siguiente las resume con la acción docente que corresponde a cada una.

Tipo de carga	Qué es	Qué podemos hacer
Intrínseca	La complejidad propia del contenido y de las relaciones entre sus elementos	No se elimina, se gestiona: secuenciar, trocear, partir de ejemplos resueltos
Extraña	El esfuerzo impuesto por un diseño deficiente del material, no por el contenido	Reducirla al mínimo: es la carga que atacan los principios de Mayer
Pertinente	El esfuerzo dedicado a construir y automatizar esquemas mentales	Fomentarla: autoexplicación, práctica de recuperación, comparación de casos

La consecuencia práctica es un presupuesto. La memoria de trabajo del estudiante es una cantidad fija que se reparte entre las tres cargas: cada elemento decorativo, cada transición aparatosa y cada texto redundante consume presupuesto en carga extraña, y ese gasto se resta directamente del que podría dedicarse a comprender el contenido y a construir esquemas. En una asignatura con alta carga intrínseca, pensemos en bioquímica o en derecho procesal, el margen disponible es todavía menor y el diseño sobrio se vuelve más importante, no menos. Esta forma de mirar los materiales, como administradores de un presupuesto atencional que no es nuestro, es probablemente el hábito profesional más valioso que puede dejarle este módulo.

Ejemplo · Dos versiones del mismo tema

Un profesor de derecho mercantil explica el concurso de acreedores. Versión A: diapositivas con párrafos completos que él mismo lee, un esquema animado con efectos de entrada y música suave de fondo. Versión B: un diagrama limpio de las fases del concurso mientras él narra, sin más texto en pantalla que los rótulos del diagrama, seguido de dos preguntas de autoexplicación. La versión B aplica coherencia, modalidad y carga pertinente. La versión A acumula carga extraña en cada una de sus decisiones.

Pregunta · Antes de seguir

Recupere mentalmente el último material multimedia que preparó para su asignatura. ¿Cuánto de lo que contenía servía al objetivo de aprendizaje y cuánto estaba ahí porque quedaba bien? Si la respuesta le incomoda un poco, este curso le va a resultar rentable.

Sección 1.4Cuándo la multimodalidad mejora y cuándo satura

Con el marco teórico en la mano podemos convertirlo en criterios operativos. Proponemos cuatro preguntas que aplicaremos, en este orden, antes de producir cualquier material durante el resto del curso. Primera: qué objetivo de aprendizaje concreto sirve esta pieza, formulado como algo que el estudiante hará y no como un tema que se cubre. Segunda: qué aporta la modalidad elegida que no aporte una más simple, porque si un diagrama estático explica el proceso igual de bien que un vídeo, el vídeo sobra. Tercera: qué carga extraña añade la pieza al conjunto donde va a vivir, que suele ser un campus virtual ya poblado de materiales. Y cuarta: quién queda fuera, es decir, qué necesita la pieza para resultar percibible y utilizable por todo el alumnado.

Atención · El error clásico de la redundancia

Diapositiva llena de texto que el docente, o un avatar generado, lee en voz alta palabra por palabra. El estudiante intenta leer a su ritmo mientras escucha a otro ritmo, y las dos corrientes verbales colisionan en el mismo procesamiento. El resultado, medido una y otra vez en los experimentos de Mayer, es que se aprende menos que con la locución sola o con el texto solo. Si va a narrar, deje en pantalla únicamente imágenes y palabras clave.

Este principio tiene una excepción importante que conviene dejar clara cuanto antes. Los subtítulos y las transcripciones no son redundancia perjudicial cuando funcionan como alternativa que cada estudiante activa según su necesidad: quien tiene una pérdida auditiva, quien estudia en una lengua que no domina o quien repasa en un tren ruidoso. La redundancia daña cuando fuerza a procesar dos corrientes idénticas a la vez, no cuando ofrece vías distintas para elegir una. Esa distinción entre duplicar y ofrecer alternativas es el corazón del diseño universal para el aprendizaje, que trataremos a fondo en el módulo 6 y que quienes hayan seguido nuestro Curso 14 sobre accesibilidad ya conocen bien. Producir multimodal y producir accesible son, bien entendidos, el mismo movimiento.

Rejilla de modalidades y usos docentes: cuándo elegir texto, imagen, audio, vídeo o material interactivo según el objetivo — **Modalidades y usos docentes.** Cada modalidad tiene objetivos donde rinde y objetivos donde estorba. *Fuente: elaboración propia a partir de Mayer (2021), IAforTeachers.com.*

La rejilla anterior resume la heurística general y la visualización siguiente permite explorarla en detalle. Hemos cruzado cinco objetivos docentes frecuentes con las cinco modalidades del curso y hemos valorado cada cruce a partir de la evidencia recogida por Mayer (2021) y por Clark y Mayer (2016). Ningún ajuste es una ley: un caso puede analizarse magníficamente en audio si el objeto de análisis es una entrevista, y un vídeo puede ser la peor opción para un procedimiento si dura veinte minutos sin pausas. Pulse cada círculo para leer la justificación del ajuste y, sobre todo, para discutirla: discrepar de una celda con argumentos cognitivos es exactamente el tipo de razonamiento que este curso quiere entrenar.

Espectro de modalidades por objetivo de aprendizaje

Pulse cualquier círculo de la rejilla para ver la justificación del ajuste entre esa modalidad y ese objetivo docente.

El tamaño y el color de cada círculo indican el grado de ajuste entre modalidad y objetivo. Elaboración propia a partir de Mayer (2021) y Clark y Mayer (2016).

Plantilla · Lista de comprobación antes de producir

Copie estas cinco preguntas donde planifique sus materiales y respóndalas por escrito antes de abrir cualquier herramienta. 1) ¿Qué hará el estudiante gracias a esta pieza? 2) ¿Qué modalidad más simple lograría lo mismo? 3) ¿Qué elemento puedo quitar sin perder significado? 4) ¿El texto y la imagen relacionados aparecen juntos en espacio y tiempo? 5) ¿Existe una alternativa percibible para quien no pueda ver u oír la pieza? Si alguna respuesta no le convence, todavía no toca producir.

Sección 1.5Síntesis y verificación

Este módulo ha asentado tres ideas que sostienen todo lo que viene después. Primera: multimodal describe una capacidad de las herramientas, pero enseñar con varias modalidades es una decisión didáctica que nadie puede delegar en la máquina. Segunda: 2026 es el momento porque la producción de imagen, voz y vídeo ha alcanzado calidad profesional a coste de suscripción, y eso traslada el cuello de botella de la técnica al criterio pedagógico. Tercera: ese criterio no hay que inventarlo desde cero, porque la teoría cognitiva del aprendizaje multimedia y la teoría de la carga cognitiva llevan décadas acumulando evidencia sobre cuándo una modalidad suma y cuándo satura la memoria de trabajo de quien aprende.

En los próximos módulos aplicaremos este filtro a cada modalidad concreta: la imagen generativa en el módulo 2, la voz y el audio en el 3, el vídeo y los avatares en el 4. Cada vez que una herramienta nos deslumbre, y va a ocurrir, volveremos a las cuatro preguntas de la sección anterior. Le proponemos leer este módulo como quien estrena unas gafas nuevas: a partir de ahora verá redundancia en las presentaciones ajenas, carga extraña en los campus virtuales y oportunidades de contigüidad en sus propios apuntes. Esa pequeña incomodidad permanente es la señal de que el marco está funcionando y de que empieza a mirar los materiales con ojos de diseñador del aprendizaje.

Verifica lo aprendido

¿Qué diferencia hay entre generar en varias modalidades y enseñar con varias modalidades?

Generar es la capacidad técnica de producir imagen, audio o vídeo con una herramienta. Enseñar con varias modalidades es la decisión didáctica de elegir el formato que mejor sirve a un objetivo de aprendizaje concreto. La primera está hoy al alcance de cualquiera, la segunda exige criterio profesional y es el objeto de este curso.

¿Cuáles son los tres supuestos de la teoría cognitiva del aprendizaje multimedia?

Doble canal (procesamos por una vía visual y pictórica y por otra auditiva y verbal), capacidad limitada (cada canal mantiene activos muy pocos elementos a la vez) y procesamiento activo (aprender exige seleccionar, organizar e integrar la información, no solo recibirla).

¿Por qué perjudica leer en voz alta el texto que ya está escrito en pantalla?

Porque obliga a procesar dos corrientes verbales idénticas a ritmos distintos que compiten entre sí. Es el principio de redundancia: se aprende más con la locución sola, acompañada de imágenes y palabras clave, que con la locución y el texto completo duplicados en pantalla.

¿Qué tipo de carga cognitiva debemos reducir y cuál debemos fomentar?

Debemos reducir la carga extraña, que proviene de un diseño deficiente y no aporta aprendizaje, y fomentar la pertinente, el esfuerzo dedicado a construir esquemas mediante autoexplicación o práctica de recuperación. La intrínseca no se elimina, se gestiona secuenciando y troceando el contenido.

Práctica · Auditoría de un material propio

Elija un material multimedia que ya use en su asignatura, una presentación, un vídeo o un documento con figuras. Aplíquele la lista de comprobación de la sección 1.4 y anote tres cambios concretos: algo que quitar por coherencia, algo que acercar por contigüidad y algo que narrar en vez de escribir por modalidad. Guarde la versión revisada: la usaremos como material de partida en la práctica del módulo 2.

Referencias

Clark, R. C. y Mayer, R. E. (2016). E-learning and the science of instruction: Proven guidelines for consumers and designers of multimedia learning (4.ª ed.). Wiley.

Mayer, R. E. (2021). Multimedia learning (3.ª ed.). Cambridge University Press.

Sweller, J., Ayres, P. y Kalyuga, S. (2011). Cognitive load theory. Springer.

UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.