Oct/25 En esta ocasión, Vargas Cano, consultor en tecnología educativa, aborda los principales enemigos del pensamiento crítico (sesgo de confirmación, pensamiento motivado y heurística de disponibilidad) descritos por Nickerson y Kunda, y explora cómo la IA, integrada con intención pedagógica en la educación superior, puede ayudar a reconocerlos y contrarrestarlos para fomentar un razonamiento más riguroso, equilibrado y abierto.
En un momento histórico marcado por la proliferación de información, la polarización ideológica y la automatización del conocimiento, las instituciones de educación superior enfrentan un desafío paradójico: nunca ha habido tanta información disponible, y nunca ha sido tan difícil pensar con claridad. El pensamiento crítico —esa capacidad para analizar, evaluar y reconstruir ideas con rigor, apertura y justicia— ya no es un lujo intelectual reservado para filósofos o científicos, sino una competencia esencial para la ciudadanía democrática, la investigación rigurosa y la ética profesional. Sin embargo, como han demostrado de manera contundente los psicólogos cognitivos Raymond S. Nickerson y Ziva Kunda, este tipo de pensamiento no surge de forma natural ni espontánea en los seres humanos. Por el contrario, está constantemente socavado por mecanismos mentales automáticos que, aunque evolutivamente útiles para la toma de decisiones rápidas, se vuelven obstáculos serios cuando se requiere juicio reflexivo, equilibrado y fundamentado. Entre estos mecanismos, tres destacan como los enemigos más persistentes del pensamiento crítico: el sesgo de confirmación, el pensamiento motivado y la heurística de disponibilidad. Lo más preocupante no es solo que estos sesgos existan, sino que operan de forma inconsciente incluso en contextos académicos supuestamente racionales, como las aulas universitarias, los comités de evaluación o los propios procesos de investigación. Afortunadamente, la inteligencia artificial (IA), cuando se integra con intención pedagógica, transparencia y humildad ética, puede convertirse en una aliada estratégica para visibilizar, cuestionar y contrarrestar estos patrones cognitivos en la educación superior.
El sesgo de confirmación, descrito por Nickerson (1998) como “un fenómeno ubicuo en muchas formas”, se refiere a la tendencia sistemática a buscar, interpretar, favorecer y recordar información que confirma nuestras creencias previas, mientras ignoramos, descartamos o minimizamos aquella que las contradice. Este sesgo no es señal de mala fe ni de ignorancia deliberada; más bien, es una consecuencia de la economía cognitiva: procesar información que encaja con lo que ya sabemos requiere menos esfuerzo mental. En el contexto universitario, este sesgo se manifiesta de múltiples maneras: un estudiante puede seleccionar exclusivamente fuentes bibliográficas que respaldan su hipótesis inicial, un investigador puede interpretar datos ambiguos a favor de su teoría preferida, o un docente puede valorar más positivamente los argumentos de estudiantes que comparten su ideología. El problema radica en que, al cerrarnos a perspectivas alternativas, impedimos el crecimiento intelectual y la corrección de errores. Aquí, la inteligencia artificial puede intervenir como un “espejo cognitivo”. Sistemas de retroalimentación automatizada —como tutores basados en modelos de lenguaje— pueden analizar ensayos, propuestas de investigación o debates en foros virtuales y señalar, con neutralidad y respeto, la ausencia de contraargumentos o la sobredependencia de fuentes afines. Por ejemplo, un sistema podría sugerir: “Cito cinco autores que coinciden en X. ¿consideró las objeciones planteadas por Y o Z? Aquí tiene tres fuentes relevantes que presentan una visión crítica.” Estas intervenciones no imponen conclusiones, sino que invitan a ensanchar el campo de análisis, promoviendo una actitud de indagación genuina en lugar de defensa ideológica.
Más profundo y resistente es el pensamiento motivado, un concepto central en la obra de Ziva Kunda (1990), que explica cómo nuestras emociones, identidades, deseos y necesidades psicológicas moldean inconscientemente nuestro razonamiento. A diferencia del sesgo de confirmación —que opera en la selección de información—, el pensamiento motivado influye en cómo evaluamos la credibilidad de esa información, cuánta evidencia exigimos y qué estándares de rigor aplicamos. Por ejemplo, una persona puede aceptar con poca evidencia una noticia que confirma sus temores políticos, pero exigir pruebas exhaustivas para creer una que los contradice. En el ámbito universitario, esto puede manifestarse cuando un estudiante rechaza hallazgos científicos sobre temas como el cambio climático, la desigualdad social o la eficacia de ciertas políticas públicas, no por carecer de comprensión, sino porque aceptarlos implicaría cuestionar valores familiares, identidades grupales o visiones del mundo profundamente arraigadas. En estos casos, la confrontación directa suele generar resistencia defensiva. La IA, sin embargo, puede crear espacios seguros de experimentación cognitiva. Simuladores de debate impulsados por inteligencia artificial permiten a los estudiantes adoptar roles opuestos a sus convicciones —por ejemplo, defender una política económica que rechazan— y recibir retroalimentación sobre la coherencia lógica, la solidez de las fuentes y la claridad de sus argumentos, independientemente de su postura personal. Asimismo, tutores virtuales empáticos pueden guiar preguntas metacognitivas: “¿Qué emociones surgen cuando lee este estudio? ¿Podrían estar influyendo en la evaluación de su validez?”. Estas estrategias no buscan neutralizar la subjetividad —algo imposible e indeseable en el pensamiento humano—, sino hacerla consciente, permitiendo al estudiante distinguir entre lo que desea creer y lo que la evidencia sugiere.
Finalmente, la heurística de disponibilidad, descrita originalmente por Tversky y Kahneman (1973), actúa como un atajo mental que nos lleva a juzgar la probabilidad, frecuencia o importancia de un evento en función de cuán fácilmente se nos ocurre un ejemplo. Este mecanismo es útil en contextos cotidianos —por ejemplo, al decidir si llevar paraguas tras recordar días lluviosos recientes—, pero se vuelve problemático cuando sustituye deliberadamente al análisis crítico. En la educación superior, este sesgo puede distorsionar tanto el aprendizaje como la investigación. Un estudiante puede sobreestimar la prevalencia de ciertos fenómenos sociales —como la violencia en protestas o el fraude electoral— porque han sido ampliamente cubiertos en redes sociales o en medios sensacionalistas, o subestimar riesgos reales —como enfermedades prevenibles— porque no han sido “viralizados”. La información más vívida, reciente o emocionalmente cargada domina el juicio, desplazando datos más representativos pero menos accesibles en la memoria. Aquí, la IA puede actuar como un corrector de perspectiva. Plataformas educativas inteligentes pueden integrar visualizaciones interactivas que contrasten percepciones comunes con estadísticas objetivas, o generar contraejemplos que desafíen asociaciones mentales automáticas. Por ejemplo, ante la afirmación “los inmigrantes cometen más crímenes”, un sistema de apoyo al aprendizaje podría mostrar, de forma contextualizada y no confrontacional, tasas comparativas ajustadas por población, fuentes metodológicas confiables y análisis históricos sobre cómo se construyen las categorías de “delincuencia” y “extranjería”. La IA, en este sentido, no sustituye el pensamiento crítico, sino que lo entrena, ofreciendo andamiaje cognitivo para superar los límites de la intuición.
Es fundamental reconocer que la inteligencia artificial no es una solución mágica ni un sustituto del juicio humano. Si se diseña sin principios éticos, sin diversidad en sus datos de entrenamiento o sin supervisión pedagógica, puede replicar e incluso amplificar los mismos sesgos que pretende combatir. Su valor radica no en su capacidad para “pensar por nosotros”, sino en su potencial para hacernos pensar mejor. Cuando se integra en entornos educativos que valoran la duda, el diálogo, la autocrítica y la humildad intelectual, la IA se convierte en un compañero de reflexión: uno que cuestiona con respeto, amplía horizontes, expone lagunas argumentativas y exige rigor sin imponer dogmas.
Los enemigos del pensamiento crítico descritos por Nickerson y Kunda son profundamente humanos, arraigados en la arquitectura misma de nuestra cognición, pero no invencibles. La universidad tiene la responsabilidad histórica —y ética— de formar mentes capaces de resistir sus propios prejuicios cognitivos, no solo para producir conocimiento válido, sino para participar en sociedades justas y democráticas. La inteligencia artificial, bien orientada, puede ser una herramienta poderosa en esa misión: no como oráculo infalible, sino como espejo que revela nuestros sesgos, puente hacia perspectivas ajenas y entrenador constante de la razón. En una era en la que la verdad misma parece negociable, cultivar —con ayuda de la tecnología, pero nunca en su lugar— una mente crítica, humilde, rigurosa y abierta es quizás la contribución más urgente y valiosa que la educación superior puede ofrecer al mundo.
Referencias
Kahneman, D., Slovic, P., & Tversky, A. (Eds.). (1982). Judgment under uncertainty: Heuristics and biases. Cambridge University Press. https://doi.org/10.1017/CBO9780511809477
Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498. https://doi.org/10.1037/0033-2909.108.3.480
Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220. https://doi.org/10.1037/1089-2680.2.2.175
Tversky, A., & Kahneman, D. (1973). Availability: A heuristic for judging frequency and probability. Cognitive Psychology, 5(2), 207–232. https://doi.org/10.1016/0010-0285(73)90033-9
