En la expresión plástica, el uso de la IA puede suponer una alternativa de gran interés para trabajar y reflexionar en torno a aspectos como la generación de imágenes a partir de palabras (órdenes o prompts que se indican a la IA), el análisis de imágenes o la mediación didáctica para explicar obras de arte ya existentes. De hecho, la creatividad, uno de los aspectos que más intensamente se trabaja en el terreno de la educación artística, es altamente cuestionada en la IA (López de Mantarás, 2016), ya que se impone el criterio de que lo que distingue al ser humano de la máquina.

En torno a este principio, surge el concepto de “creatividad computacional”, cuyo objetivo, según López de Mántaras (2016, p. 102) es “el estudio del desarrollo de software que presenta un comportamiento que sería considerado creativo en seres humanos”. Bajo esta definición, se permite estudiar la creatividad humana para ser aplicada a estas herramientas y que sirvan a los propios creadores como aliadas en sus procesos de desarrollo, clave para concebir nuevas formas de enseñar y aprender en el contexto de la creación artística y visual. Este punto es especialmente relevante dentro de la educación, ya que, ante el nivel de desarrollo tecnológico actual, uno de los principales desafíos es saber cómo se pueden emplear estas herramientas en beneficio de potenciar la creatividad, tan importante para los docentes, sin que el manejo de la IA sea un agravio (Vicente-Yagüe-Jara et. al, 2023).

Uno de los desafíos actuales en Educación es conseguir que la IA se abra como oportunidad didáctica, ofreciendo nuevas posibilidades e incorporarlas en las metodologías docentes, dejando de ser un riesgo o amenaza. Sin embargo, para tal fin es importante concienciar en torno a que “la IA no puede ser una fuente de inspiración para el aprendizaje, ya que, a diferencia de un profesor humano, esta no juega con la empatía en el proceso de enseñanza aprendizaje, donde la inspiración es fundamental” (Flores-Vivar, García-Peñalvo, 2023, p.44).

La creación de imágenes a partir de la IA se ha visto incrementada con la aparición de herramientas y programas especializados como Craiyon, DALL·E, Midjourney, Stable Diffusion, Jasper, NightCafe y DeepAI, que permiten generar recursos aplicables a ámbitos profesionales como el arte o diseño gráfico. De hecho, los principales cuestionamientos sobre el empleo de esta tecnología en la difusión de información son la causa, por un lado, de la ética en cuanto a la veracidad y, por otra parte, en relación a la amenaza que supone para ciertos profesionales como los fotógrafos y creativos visuales (Franganillo, 2023).

La puesta en práctica de nuevas metodologías a partir del manejo de la IA, ofrece resultados que permiten observar cómo enfocar de forma eficaz y productiva estos recursos. Tal es el caso de la investigación realizada por varios docentes sobre el uso de la inteligencia artificial (IA) para aprender a dibujar a partir de dibujos y grabados de Goya, usando la plataforma Stable Diffusion (Marín-Viadel et al., 2024). El estudio concluye que las instrucciones que los docentes iban generando permitieron que la IA aprendiera a dibujar inspirándose en la obra Goya, planteando posibilidades didácticas y creativas.

Respecto a la línea de investigación que planteamos, uno de los trabajos de gran interés para esta investigación es el llevado a cabo por Bansal et al. (2024), en el que se evalúa el desempeño de IA de imagen en parámetros como la calidad, la diversidad y la eficiencia. También aborda las limitaciones y los desafíos éticos. Otro de los trabajos de especial interés es el de Pise et al. (2024, p.776), que, tras su investigación, concluyen que “el generador de imágenes que utiliza tecnologías de IA permite a los

artistas crear arte visualmente cautivador basado en indicaciones textuales, democratizando el proceso creativo y mejorando la creatividad y la innovación humanas”. En una línea similar, enfocado al diseño, se sitúa el trabajo de Brisco et al. (2023, p.1838), donde identifican “si la IA moderna de texto a imagen podría usarse para reemplazar al diseñador en la etapa de generación de conceptos del proceso de diseño”. Con semejantes objetivos, relacionados con la generación de ideas en el diseño, se sitúa el trabajo de Ranscombe et al. (2024). Respecto a la generación de diseño de entornos virtuales, también es de interés el trabajo de Srivastava (2024).

Por tanto, desde la educación plástica y visual, la labor de los investigadores debe focalizarse en transmitir la necesaria capacidad crítica y reflexiva que se debe adoptar ante la IA, tanto como usuario, como espectador y receptor de este tipo de productos. Como nos recuerdan Huerta y Domínguez (2023), la IA puede favorecer una forma de entender la educación más eficaz, entendiendo el papel de las imágenes para comprender a la sociedad, de hecho “este avance tecnológico puede mejorar la calidad de la educación y la creatividad en la producción visual, enriqueciendo así la experiencia de aprendizaje y la expresión artística” (Huerta y Domínguez, 2023, p. 20).

Como se ha comentado, la utilización de la IA en todos los sectores productivos ha inducido a la modificación de la percepción de la información; sobre cómo se obtiene y cómo se utiliza, además de haber propiciado todo un aprendizaje sobre el cuestionamiento de lo que se lee y se ve. Esto ha ocasionado grandes cambios en la manera de manejar la información. Aquí destaca el sector educativo y el reto que se le presenta para integrar la IA de forma coherente y ética. El cómo se haga determinará la capacidad de la IA para aportar valor o perjudicar el aprendizaje. Las metodologías educativas están compuestas por las formas de ejercer la docencia para conseguir un fin educativo dentro de una disciplina y de una temática concreta. Esto las convierte en un vasto campo de acción sobre el que aplicar cambios metodológicos adaptados a estas nuevas maneras de manejar la información, obligando a diseñar estrategias para gestionar las intervenciones y los resultados que se obtienen, es decir, obliga a modificar las circunstancias en donde se aplicarán estos artefactos educativos emergentes.

Para llevar a cabo la investigación se plantearon dos preguntas desde las que orientar las acciones: ¿el uso de la IA generativa, dentro de una metodología activa de enseñanza, propicia la estructuración del pensamiento y la toma de decisiones?, ¿aporta la IA generativa suficiente consistencia para utilizarla como instrumento tecnológico para la creación de imágenes en un trasfondo educativo?

Desde estas premisas, el objetivo general que se planteó fue el de utilizar la IA generativa de texto y de imágenes dentro de un ecosistema educativo universitario controlado, integrándolas en las metodologías de enseñanza con la intención de averiguar si su uso para la creación favorecía o no el aprendizaje de los conceptos del lenguaje visual. Para esto se establecieron una serie de pautas que guiaron la investigación, pautas enmarcadas dentro de una asignatura relacionada con el lenguaje visual y plástico, y que definimos de la siguiente forma:

La investigación se realizó en un contexto universitario con estudiantes del Grado en Educación Primaria de la Facultad de Educación de la Universidad de Murcia. Se realizó en el seno de una asignatura relacionada con el desarrollo del lenguaje visual, en cuyos contenidos educativos figuran conocimientos sobre el acto perceptivo, los elementos del lenguaje visual y plástico, sus relaciones espacio-temporales, de temporalidad y de composición, así como conocimientos sobre el mensaje visual. Cuando se llevó a cabo la investigación, los participantes ya disponían de conocimientos suficientes relacionados con la creación y la forma de estructurar el mensaje con códigos, signos y símbolos, desde los fundamentos de la semiología de la imagen. Para la investigación, hubo un total de 97 participantes, que fueron organizados en 22 grupos de entre cuatro y cinco componentes, para facilitar la capacidad de trabajo y de análisis reflexivo, generando finalmente un total de 22 muestras de trabajos distintos.

Tomando como base metodológica la propuesta realizada por Ramón-Verdú (2023), se parte del azar para inducir a un proceso creativo, con el objetivo de fomentar “la autonomía creadora frente a la imposición formal; el lenguaje como instrumento creativo; la idea como precursora de la estructuración imaginativa; la metáfora, el símbolo y el signo como artefactos portadores de conceptos e ideas comunicativas” (Ramón- Verdú, 2023, p. 5).

Como variante, dentro de esta dinámica de actuación, se introduce la IA para tratarla como un elemento diferenciador por poseer una gran potencialidad para utilizarse dentro de las metodologías creativas de enseñanza tradicionales. De esta forma se le atribuye gran parte del peso final de la propuesta, mientras se desliza el interés hacia otros procesos cognitivos distintos al de la creatividad, como son el razonamiento, la planificación, la flexibilidad y la toma de decisiones. En la Figura 1 se muestra un esquema básico que representaría la secuencia de actuación. Como se puede observar, el inicio de la dinámica reside en una acción docente en donde se muestran y se analizan ejemplos de carteles seleccionados por su pertinencia, en relación con las temáticas que se han tratado en la enseñanza del lenguaje visual y plástico. También se asignan palabras creadas al azar a cada uno de los grupos intervinientes. A continuación, se elabora una sinopsis integrando estas tres palabras asignadas en un texto breve, para después, comenzar con la elaboración de texto y de imágenes a través de las distintas IA mencionadas, registrando las acciones que se han llevado a cabo.

Esta secuencia de actuación anterior, los elementos destacados con color rojizo siguen las fases establecidas en Ramón-Verdú (2023), en donde se construye una secuenciación del aprendizaje de la materia, previa a la intervención que se plantea a través de la IA. Estas fases se detallan en la Tabla 1.

Una vez realizado lo descrito en la Tabla 1, se aborda lo expresado en la Tabla 2, de manera que se elabora una historia mediante ChatGPT (Fase 4), para pasar posteriormente a la fase de creación plástica mediante Bing Image Creator (Fase 5).

Debemos enfatizar la importancia que tiene en estas fases la idea de “proceso”. Tanto en la Fase 4 como en la Fase 5, todas las acciones se deben documentar de forma precisa, ya que esta recogida de datos será la fuente que permitirá analizar posteriormente lo sucedido. Para ello, se estableció un protocolo en el que se recogían los resultados aportados por ChatGPT y por Bing Image Creator, en función de lo que se le había pedido que realizaran y las nuevas condiciones que se les proponía.

La creación de los textos mediante IA se basa en una dinámica de construcción en la que se introducen las características que se pretende que el texto posea, y se rectifican estas características en función de los resultados ofrecidos por la IA. Estos resultados, agrupados en fases según si el código se detecta en el primer resultado o en resultados sucesivos, son los que se pueden observar en la Tabla 3. Aquí se observa la codificación realizada mediante ATLAS.ti, el número que se da y en qué fase o momento aparece.

De forma simultánea a la codificación de los resultados ofrecidos por la IA, se aborda la codificación de las nuevas condiciones de revisión del texto generado. Procediendo de la misma manera que en la tabla anterior, estas condiciones de revisión, agrupadas en fases según si el código afecta al primer resultado o a resultados sucesivos, son los que se pueden observar en la Tabla 4.

Como se puede observar en las tablas que anteceden, hubo 143 asignaciones de códigos designando errores en distintos momentos de los textos, y 163 asignaciones de códigos para rectificar dichos errores detectados.

La creación de imágenes y el análisis del proceso parte de premisas similares a las de la creación de la historia que se ha visto anteriormente. La creación se aborda desde una dinámica basada en una petición y una respuesta, pero bajo un proceso particularmente distinto y diferenciador. Para crear una narrativa visual que recoja las ideas y pensamientos incluidos en los textos, se tiene que realizar una síntesis de dichas historias. Esta síntesis debe recoger los hitos, personajes o ideas que destaquen y que sean significativos dentro de la historia narrada, para que dirija la creación de la narrativa visual. De esta forma, identificando todo aquello que se considere representativo, se aborda la elaboración gráfica de lo narrado.

Como se ha comentado, la IA utilizada ha sido Bing Image Creator. Esta utiliza DALL·E 34. A través de un mensaje de texto, la IA generará un conjunto de imágenes que se aproximarán a lo que se expresa en los indicadores del mensaje, de forma que, mediante la construcción de frases descriptivas, se represente visualmente una aproximación de lo solicitado. A partir de ahí, se podrán editar las imágenes y descargarlas para su uso. Una de las principales limitaciones observadas para la construcción de las frases descriptivas ha sido la limitación a 480 caracteres en la versión gratuita de la herramienta, cuestión que inicialmente ha limitado bastante la definición de los indicadores para que reflejen una descripción precisa de la imagen.

Como se ha comentado anteriormente, fue 22 la muestra de trabajos recogidos. Dada la extensión del análisis en su conjunto, en la Tabla 5 se recoge una muestra representativa de cinco de los trabajos realizados, y en donde se especifica el indicador inicial proporcionado a la IA, cuantas repeticiones fueron necesarias para alcanzar una imagen adecuada, si hubo que editar la imagen final —representadas en la tabla por las abreviaturas Rep. y Ed. respectivamente—, además de las muestras de la imagen inicial y final. También se incluye un análisis del caso, centrado en la composición y el cromatismo.

Según los datos obtenidos de las acciones realizadas por los intervinientes (Tabla 3), se pueden establecer los errores más comunes realizados por la IA. La frecuencia de cada tipo de error, ordenándolos de mayor a menor frecuencia total, son los siguientes:

Los resultados están relacionados, principalmente, con la invención de acciones que no han sido definidas previamente, la omisión de información importante y la alteración de características establecidas previamente. También cobra importancia el hecho de que la IA no respete acciones que han sido aceptadas, variándolas sin ningún tipo de justificación aparente. Al parecer, también tiene problemas para representar sentimientos, ya sea porque los equivoca o porque los omite, aunque se le diga que lo represente. También resulta interesante que equivoque el lugar del suceso bastante a menudo, aunque se le informe de cuál es, así como omitir el nombre de los personajes, aunque se le haya dicho que lo incluyese. Los errores más frecuentes se producen en las primeras fases de codificación, especialmente en la segunda (47 errores) seguida por la primera (41 errores).

Los datos muestran una tendencia clara de mejora en la precisión a lo largo de las intervenciones. En las primeras etapas, los errores son muy frecuentes, especialmente los relacionados con la invención de la información y la omisión de detalles importantes. Sin embargo, durante el proceso, los errores disminuyen, lo que sugiere que los participantes logran ajustar su comprensión y precisión narrativa. Las primeras intervenciones son las más problemáticas, mientras que, hacia el final del proceso, los participantes demuestran un mayor control sobre la información y como deben describirla. Esto refuerza la idea de que la repetición y la práctica tienen un impacto positivo en la reducción de los errores.

Con relación a las nuevas condiciones de revisión de los textos (Tabla 4), la frecuencia de cada una de ellas, ordenadas de mayor a menor, es la siguiente:

Las acciones más frecuentes están relacionadas con la rectificación de información errónea (acción, momento del suceso, papel del personaje), así como la invitación a agregar nuevas acciones. Esto sugiere que los textos iniciales presentan muchas alteraciones en la secuencia de eventos y en las acciones de los personajes. En contraste, las correcciones más específicas (color, eliminación de personaje, rectificación de nombres) son las menos comunes. Es de destacar que las indicaciones para que se generen sentimientos (18 veces) es algo que está presente, al igual que como ocurrió en el momento de la detección de errores.

Las revisiones más frecuentes se producen en las primeras fases de codificación, especialmente en la segunda (56 codificaciones) seguida por la primera (55 codificaciones), disminuyendo de forma clara en las siguientes fases. A partir de la tercera revisión, hay una reducción progresiva, con un mínimo de una sola corrección en la octava. Al igual que ocurrió en la detección de errores, esta tendencia sugiere que los participantes comienzan con muchas modificaciones, lo que indica problemas iniciales con la precisión o la coherencia de la información. Sin embargo, a medida que avanzan las intervenciones, parece que logran indicar con mayor precisión, y que la IA va perfeccionando su salida.

En general, al igual que ocurrió en la fase de detección de errores, los datos reflejan una evolución positiva, demostrando que la práctica, el proceso y la revisión sistemática tienen un impacto significativo en la mejora del producto creado por la IA. Tanto los errores detectados, como las instrucciones para corregirlos, como es natural, evolucionan de forma paralela, lo que evidencia una evolución claramente positiva en la estrategia diseñada para la creación de textos mediante IA.

El análisis de las imágenes se realiza en función de la composición y del cromatismo que reflejan las imágenes generadas, dado que, analizar los procesos de elaboración plástica y su estructura espacial, desde el punto de vista del orden, la estructura y la significación (Villafañe, 2012), resulta de gran interés para estos investigadores. Cómo se organizan los elementos y cómo evolucionan dentro de un esquema de construcción paulatina, la composición planificada y las variaciones cromáticas elaboradas a partir de un texto, configuran una gran parte de la formación que se les ofrece a los participantes.

Una vez recopilados los datos del proceso de creación de imágenes, tal y como se ha podido ver en la Tabla 5, se pueden establecer una serie de elementos comunes que evidencian los procesos realizados en las 22 creaciones realizadas. Estos son los siguientes:

De forma general, se podría decir que el análisis de las imágenes revela un proceso de mejora visual y narrativa, fruto del proceso de análisis de los resultados y de las modificaciones que se han realizado. Muestra una evolución clara en términos de composición, cromatismo y coherencia narrativa. Las versiones finales no solo presentan mejoras en la disposición de elementos y en el uso del color, sino que también logran una mayor expresividad y conexión con la historia. Este proceso de afinamiento demuestra la importancia del diseño visual en la comunicación de ideas y emociones, subrayando cómo los detalles visuales pueden transformar significativamente la percepción que se tiene de una imagen y su mensaje.