---
title: "PISA 2025 España: IA y distracción digital, con datos"
slug: pisa-2025-ia-y-distraccion-en-espana
kind: essay
summary: "Analicé los microdatos de PISA 2025 en España: la distracción digital en clase se asocia con peor nota; el uso de chatbots de IA no sigue un patrón simple."
publishedAt: 2026-09-10
updatedAt: 2026-09-20
---
import { Image } from "astro:assets";
import panelDistraccion from "../../assets/blog/posts/infografias/pisa-2025-panel-distraccion.png";
import panelIaResumir from "../../assets/blog/posts/infografias/pisa-2025-panel-ia-resumir.png";
import panelIaInvestigar from "../../assets/blog/posts/infografias/pisa-2025-panel-ia-investigar.png";
import panelIaRedactar from "../../assets/blog/posts/infografias/pisa-2025-panel-ia-redactar.png";
import panelIaAprender from "../../assets/blog/posts/infografias/pisa-2025-panel-ia-aprender.png";
{/*
Interlinking resuelto (content-builder, 2026-09-19 → cerrado 2026-09-20):
enlaces activos en la sección "Dos análisis hermanos en xiringase.com"
hacia los 2 artículos de xiringase.com (marca hermana, repo xiringase-web,
no este mismo repo). Coordinado por SendMessage con la sesión
xiringase-web-03: las 4 URLs (ast+es × 2 posts) fueron confirmadas por el
operador, verificadas en su preview local (200) y con publishedAt ya en
el pasado en las 3 piezas del triángulo (labs.tever.es 10-09, Post 1
10-09, Post 2 19-09) — sin ningún enlace roto por fecha futura entre
ellas.
*/}
**PISA** es una evaluación internacional de la OCDE que estudia hasta qué
punto el alumnado de 15 años puede aplicar conocimientos y competencias en
Lectura, Matemáticas y Ciencias: cada tres años, la OCDE evalúa a
estudiantes de 15 años de decenas de países, y junto al examen les pasa un
cuestionario sobre el clima de su clase y sus hábitos —entre ellos,
cuánta distracción por recursos digitales perciben en su clase de Ciencias y
cuánto usan chatbots de IA tipo ChatGPT para tareas escolares—. La edición
2025, con resultados publicados en septiembre de 2026, es la primera que
pregunta por el uso de estos chatbots.
Cada pocos meses circula una cifra que promete zanjar el debate sobre la IA
en las aulas: que usarla "bien" equivale a ganar un año escolar entero. La he
visto citada sin la fuente exacta más veces de las que puedo contar. Antes de
repetirla, quise comprobar qué dicen los microdatos, no el titular. Así que
descargué las respuestas individuales y anónimas de los 29.966 registros
españoles del PUF que analicé. Todo el proceso es
repetible por cualquiera con el dato original y el cuaderno que enlazo al
final del artículo.
Esto no es una pieza sobre una herramienta de terceros, como las auditorías
técnicas que ya he hecho en este cuaderno con [openDAW](/blog/opendaw-daw-en-el-navegador)
o [RACK-02](/blog/rack-02-generador-algoritmico-de-loops). Es la misma
actitud —abrir la caja, verificar con mis propias manos en vez de fiarme del
resumen de otro— aplicada a un dataset científico público en vez de a un
producto de software.
## Por qué analizar los microdatos, no solo el informe
La OCDE publica sus propios informes de PISA, con gráficos y conclusiones ya
elaboradas. Los informes oficiales responden preguntas concretas mediante
decisiones analíticas ya definidas; trabajar además con los microdatos
permite formular otras preguntas y reproducir el análisis. PISA también
publica esos microdatos: la respuesta de cada estudiante, sin identificar a
nadie, ya preparada, codificada y documentada por la propia OCDE —no un
volcado sin procesar— en un fichero llamado *Public Use File* (PUF) que
cualquiera puede descargar y analizar por su cuenta. Eso hice, con el
fichero de estudiantes que la propia OCDE aloja en su
[base de datos de PISA](https://www.oecd.org/en/data/datasets/pisa-2022-database.html)
([descarga directa del fichero exacto que usé](https://webfs.oecd.org/pisa2022/2025/CY09_MS_STU_PUF.zip),
formato SPSS, ~1 GB). PISA tiene ficha propia en este cuaderno, en
[/concepto/pisa](/concepto/pisa).
Trabajar con el dato original permite dos cosas que un informe ya hecho no
da: elegir exactamente qué comparar (en este caso, uso de chatbots de **IA**
en tareas escolares y distracción percibida por recursos digitales en
clase, frente a la nota en Ciencias) y comprobar por mi cuenta afirmaciones
que circulan sobre PISA antes de repetirlas sin más.
Una curiosidad del propio proceso de descarga, por honestidad con el dato:
la URL contiene `/pisa2022/`, aunque el fichero corresponde al ciclo 2025.
Confirmé que el contenido es realmente de la edición
2025 mirando dentro del propio fichero: trae una marca interna que dice
"2025", incluye preguntas sobre ChatGPT que no existían en 2022, y viene con
un bloque de datos exclusivo de esta edición que no existe en las
anteriores.
## Qué comparé y cómo
La pregunta de partida es sencilla: entre el alumnado español, ¿sacan peor
nota en Ciencias quienes perciben más distracción por recursos digitales en
su clase? ¿Y quienes más usan chatbots de IA para tareas escolares? Y si la
respuesta es sí en algún caso, ¿se mantiene si tengo en cuenta que el nivel
económico y cultural de la familia ya está fuertemente asociado con el
rendimiento, para no confundir una cosa con la otra?
Lo que usé del cuestionario, con sus 29.966 respuestas de España:
- **Cuánta distracción por recursos digitales perciben en su clase de
Ciencias.** El ítem exacto pregunta con qué frecuencia "el alumnado se
distrae usando recursos digitales (por ejemplo, móviles, páginas web,
apps)" en esa clase — es una pregunta sobre el clima general del aula, no
un autoinforme de "yo me distraigo", y no está limitada al móvil: el
móvil es solo uno de los ejemplos que da la pregunta entre paréntesis.
Cuatro respuestas posibles, de "en cada clase" a "nunca o casi nunca".
- **Cuánto usan chatbots de IA tipo ChatGPT, para cuatro tareas escolares
distintas**: resumir un texto, buscar información sobre un tema, redactar
un trabajo, o "ayudarme a aprender" en general — cada una con su propia
frecuencia, de "nunca" a "a diario". La pregunta es específica de
chatbots conversacionales para trabajo escolar (no cubre otro tipo de IA
generativa, como generadores de imagen) y no está limitada al aula: puede
ser un uso en casa, haciendo deberes. Analizo las finalidades por separado
porque representan usos distintos y no hay razón para asumir que
mantengan la misma relación con el rendimiento.
- **La nota en Ciencias.** Aquí un matiz técnico que prefiero contar en vez
de esconder: PISA no pretende estimar una nota precisa para cada
estudiante. Para las inferencias sobre la población proporciona diez
valores plausibles del rendimiento; el análisis debe repetirse con los
diez y combinar después los resultados.
- **El nivel económico y cultural de la familia (ESCS)**, para poder
ajustar por él y no confundir "usa mucho el chatbot" con "viene de una
familia con más recursos", que ya de por sí se asocia con mejor nota.
Este índice combina tres cosas: el nivel educativo de los progenitores,
su estatus ocupacional y las posesiones/recursos del hogar.
- **El peso de cada respuesta.** No todos los estudiantes cuentan igual en
el cálculo: cada uno lleva un factor de corrección para estimar
resultados de la población objetivo de acuerdo con el diseño muestral de
PISA, no solo a quien contestó la encuesta.
Con esos datos calculé la nota media en Ciencias de cada grupo (por ejemplo,
"quienes usan el chatbot a diario para resumir textos"): calculé las medias
ponderadas y sus intervalos de confianza al 95%, combinando los diez valores
plausibles y las 80 réplicas BRR-Fay, primero sin tocar nada más y después
ajustando por el nivel económico-cultural de la familia. El script que hice
para descargar y analizar el fichero es público y cualquiera puede repetir
el cálculo exacto sobre el fichero oficial de la OCDE.
Una salvedad sobre la muestra española, que conviene tener presente al leer
todo lo que sigue: la tasa de exclusión de estudiantes en España en esta
edición fue del 7,9%, por encima del estándar técnico del 5% establecido por
PISA, con aumentos especialmente marcados en
Cataluña (del 5,6% al 23,2%) y Murcia (del 4,1% al 12,7%). La propia ficha
oficial de país de la OCDE (ver bibliografía) lo advierte sin rodeos: "Es
muy probable que los elevados niveles de exclusiones de estudiantes den
lugar a un sesgo al alza." Los datos siguen considerándose comparables,
pero merece la pena leer las cifras que siguen con ese matiz en mente.
## El resultado: dos patrones muy distintos
### La distracción sí es un patrón claro: a más distracción percibida, peor nota
La puntuación media estimada en Ciencias disminuye de forma monotónica
conforme aumenta la frecuencia de distracción por recursos digitales que el
alumnado declara observar en su clase, sin ninguna excepción entre los
cuatro grupos. Dicho de forma más directa: cuanta más distracción perciben,
peor nota sacan de media.
- **Perciben distracción en cada clase** — puntuación media: **457.3**
(461.5 ajustada por ESCS)
- **Nunca o casi nunca la perciben** — puntuación media: **489.5**
(491.0 ajustada por ESCS)
Casi **32 puntos** de diferencia entre el grupo que más distracción percibe
y el que menos, en la estimación cruda. Ajustar por el nivel
económico-cultural de la familia reduce un poco la diferencia, pero no la
hace desaparecer: el patrón se mantiene igual de claro con y sin ese ajuste.
Un matiz honesto sobre ese ajuste: la muestra ajustada excluye en torno al
1,4% de estudiantes sin dato de ESCS, así que la diferencia entre las curvas
cruda y ajustada combina el ajuste estadístico real con ese cambio de
muestra. Para la distracción, de hecho, la mayor parte de ese desplazamiento
viene de excluir esos casos, no del ajuste en sí — con el matiz adicional de
que lo que mide esta pregunta es la percepción del alumnado sobre el clima
de su clase, no cuánto se distrae cada estudiante en particular.
Distracción por recursos digitales en clase de Ciencias, percibida por
el alumnado: la relación es clara y constante, con y sin ajustar por el
nivel económico-cultural de la familia. A menos distracción percibida,
mejor nota, sin excepciones.
### Con los chatbots de IA no pasa lo mismo
Aquí es donde el resultado se aparta de lo que yo mismo esperaba al empezar.
Para las cuatro tareas que pregunté —resumir un texto, buscar información,
redactar un trabajo, "ayudarme a aprender"— la puntuación media no cambia
de forma monotónica conforme aumenta la frecuencia de uso del chatbot. La
relación no es monotónica en ninguna de las cuatro, pero tampoco hay una
única forma que las unifique: cada tarea dibuja su propia curva, así que
merece la pena verlas una a una. (Los intervalos de confianza solapados
entre grupos no equivalen a un contraste de significación, y todo lo que
sigue es descriptivo, no causal — desarrollo ambos matices en el bloque de
limitaciones más abajo.)
**Resumir un texto.** Quien nunca o casi nunca usa el chatbot para esto
presenta, de los cinco grupos, la media estimada más alta (497,3 puntos en
crudo, 501,2 ajustada). Desde ahí, la nota baja con el uso ocasional ("1-2 veces al
año", 476,5), repunta con un uso más habitual (mensual, 488,1, y semanal,
481,6) sin llegar al nivel de "nunca", y cae a su punto más bajo con el uso
diario (470,5). No es una caída simple según se usa más el chatbot: es
"nunca" arriba del todo, un bache en el uso ocasional, un repunte parcial en
el uso mensual/semanal, y el mínimo en el uso diario.
Uso del chatbot para resumir un texto: la media estimada más alta está
en quien nunca o casi nunca lo usa para esto; la más baja, en quien lo
usa a diario. Entre ambos extremos, la relación no es monótona.
**Buscar información sobre un tema.** Aquí la media estimada más alta no la
tiene quien nunca usa el chatbot, sino quien lo usa una o dos veces por
semana — ese grupo presenta, de media, una puntuación superior a la de quien
no lo usa nunca. La media estimada más baja, en cambio, está en el uso
ocasional ("1-2 veces al año"); con el uso diario la nota baja respecto al
pico semanal, aunque sin llegar a ser tan baja como la del uso ocasional.
Uso del chatbot para buscar información: la media estimada más alta
está en quien lo usa una o dos veces por semana, por encima incluso de
quien nunca lo usa para esto; la más baja, en el uso muy ocasional.
**Redactar un trabajo.** De las cuatro, esta es la tarea con la curva más
simple: la nota baja ya desde "nunca" y se mantiene relativamente estable,
con pequeñas oscilaciones, entre el uso ocasional y el semanal, sin un pico
claro por encima de "nunca". El uso diario tiene la nota media más baja de
los cinco grupos, aunque sus intervalos de confianza se solapan visualmente
con los de "1-2 veces/semana" y "1-2 veces/mes" (ver limitaciones sobre qué
implica ese solapamiento).
Uso del chatbot para redactar trabajos: la nota media más baja está en
el uso diario; sus intervalos de confianza se solapan visualmente con
los de uso semanal y mensual, y este análisis no calcula un contraste
directo de esa diferencia.
**Uso del chatbot para "ayudarme a aprender".** Este ítem solo pregunta con
qué frecuencia se usa el chatbot con ese propósito declarado — no pregunta
por guía del profesorado ni por ningún tipo de reflexión, así que lo trato
como lo que es: una frecuencia de uso más, no una medida de uso "guiado" o
"reflexivo". Tampoco sigue una línea clara: la nota más baja está en el uso
muy ocasional y la más alta en el uso semanal, y el uso diario baja un poco
respecto al semanal. La diferencia entre "nunca" y el uso ocasional, eso sí,
tiene intervalos de confianza que se solapan visualmente (ver limitaciones).
Uso del chatbot para "ayudarme a aprender": tampoco esta tarea sigue una
línea clara; el pico está en el uso semanal.
El ajuste por ESCS modifica las estimaciones, pero no elimina el carácter no
monotónico de los patrones en ninguna de las cuatro tareas; por tanto, esas
diferencias no se explican únicamente por la variación socioeconómica
captada por ese índice. Aquí también aplica el mismo matiz sobre la muestra
ajustada: para el uso de IA, el efecto de excluir ese ~1,4% sin dato de ESCS y
el efecto del ajuste real son, en general, de magnitud similar — salvo en
dos categorías de uso muy poco frecuente (en "buscar información" y en
"ayudarme a aprender"), donde el ajuste por ESCS domina con claridad sobre
el efecto de la exclusión muestral.
## La idea con la que empecé, y que el dato no confirma
Empecé este análisis esperando que el uso del chatbot mostrara una relación
tan clara como la de la distracción: que usarlo para que la máquina haga el
trabajo por ti perjudicara la nota, y que usarlo con más criterio la
protegiera, en una relación fácil de dibujar como una línea. No es lo que
encuentro. Y hay algo
igual de importante que tengo que decir con la misma claridad: con este
tipo de dato, tomado en un único momento, **no puedo saber qué es la causa
y qué es la consecuencia**.
Hay varias explicaciones compatibles con estos resultados, y este diseño no
permite distinguir entre ellas. Por ejemplo:
- Puede que usar mucho el chatbot sea una **consecuencia** de ir ya mal en
clase (el estudiante que tiene más dificultades recurre más a la
herramienta), y no la causa de sacar peor nota.
- Determinados patrones de uso podrían ser un marcador de hábitos de
estudio, competencia digital o rendimiento previo, y no su causa: quien
ya sabe estudiar bien podría usar el chatbot de forma distinta a quien no,
sin que eso implique que ese patrón de uso sea la causa de la nota.
Con una sola foto fija —sin seguir a los mismos estudiantes a lo largo del
tiempo— no puedo descartar ninguna de ellas. Lo que muestran las medias
estimadas es un perfil no monotónico cuya forma depende de la tarea; este
diseño no permite explicar por qué.
## Sobre la cifra del "año escolar completo"
La cifra que abría este artículo —que usar el chatbot "bien" equivale a
ganar un año escolar entero frente a usarlo "mal"— circula atribuida a la
OCDE, pero casi siempre sin decir de dónde sale exactamente. Esta vez sí
localicé la fuente concreta: el informe oficial *PISA 2025 Results, Volume
I*, publicado por la OCDE el 8 de septiembre de 2026, documenta ese
benchmark de aproximadamente 20 puntos ≈ 1 año de aprendizaje en un recuadro
identificado como "Box I.2.2".
Con una precisión importante que conviene no pasar por alto: ese Box I.2.2
es un benchmark general para interpretar cambios de puntuación a través del
tiempo, entre ciclos de PISA — no algo que el capítulo del informe dedicado
específicamente a la IA aplique al hallazgo sobre frecuencia de uso de
chatbots. La combinación concreta que circula ("usar la IA bien o mal
equivale a un año escolar") es una conversión hecha por cobertura
secundaria de terceros, que junta dos partes distintas del informe — el
benchmark general de un lado, el hallazgo sobre IA del otro —, no algo que
la OCDE afirme literalmente en esos términos en su capítulo de IA.
Intenté recalcular esa conversión yo mismo con el fichero público (*Public
Use File*) y no pude: el benchmark de los 20 puntos no es una variable que
falte en el PUF 2025, es una estimación independiente que la OCDE
construye con una metodología propia sobre otros datos y ciclos, así que
no hay forma de reproducirla a partir de este fichero aislado. La cifra
tiene ahora una fuente concreta y localizable, pero sigue siendo algo que
no he verificado de forma independiente con mis propios medios —en la
bibliografía dejo la referencia exacta, con esa salvedad.
## Limitaciones de este análisis
Antes de las conclusiones, conviene reunir aquí las limitaciones del
diseño completas, en vez de la nota breve que ya acompaña a cada gráfico.
Es un
análisis transversal: una sola fotografía en el tiempo que no permite
establecer causalidad. Ambas variables proceden de respuestas declaradas
por el alumnado en el cuestionario, no de registros objetivos: el uso de
chatbots es autoinformado, mientras que la distracción recoge la
percepción del alumnado sobre el clima de su clase, no un autoinforme de
su propia distracción individual. El ajuste por ESCS reduce, pero no
elimina, la posible confusión con otras variables no medidas aquí. Varias
de las comparaciones entre
categorías de uso (por ejemplo, cuándo los intervalos de confianza se
solapan) son descriptivas, sin un contraste estadístico directo entre
grupos. Y los resultados se refieren específicamente a alumnado de 15 años
en España y a su rendimiento en Ciencias — no son generalizables sin más a
otras edades, países o materias.
## Qué me llevo de este análisis
Dos conclusiones, ninguna cómoda como titular fácil:
1. **La distracción por recursos digitales percibida en clase de Ciencias
se asocia con peor nota de forma clara y constante**, con y sin ajustar
por el nivel económico-cultural de la familia. Esto no sorprende,
pero ahora lo digo habiendo comprobado el dato yo mismo, no repitiendo
lo que dice otro.
2. **El uso de chatbots de IA en las tareas escolares no sigue ningún
patrón simple** — ni "cuanto más los uses, peor" ni "úsalos con
criterio y sacarás mejor nota" se sostienen como reglas sencillas. Las
medias estimadas muestran un perfil no monotónico, cuya forma cambia
según la tarea. Un diseño longitudinal permitiría estudiar mejor la
secuencia temporal; para estimar efectos causales con mayor solidez
serían necesarios diseños experimentales o cuasiexperimentales.
Sigo trabajando con datos abiertos porque prefiero equivocarme con
transparencia —enseñando exactamente qué comparé y cómo— a repetir una
cifra de otro que no he podido comprobar.
## Repite el análisis tú mismo
Los cálculos empíricos de este análisis —las medias, los intervalos de
confianza, los gráficos— pueden reproducirse de forma independiente con el
dato y el cuaderno de abajo, sin tener que confiar en mi palabra. Dos cosas
quedan a tu disposición:
**El dato original.** El fichero que analicé es el *Student Questionnaire
Data File* de PISA 2025, publicado por la propia OCDE:
- [Página oficial de la base de datos de PISA en la OCDE](https://www.oecd.org/en/data/datasets/pisa-2022-database.html)
(la OCDE sigue alojando ahí el ciclo 2025, con la curiosidad de la URL que
cuento más arriba).
- [Descarga directa del fichero exacto que usé](https://webfs.oecd.org/pisa2022/2025/CY09_MS_STU_PUF.zip)
(formato SPSS, ~1 GB, respuestas anónimas de más de 755.000 estudiantes de
91 países, incluidos los 29.966 registros españoles que uso aquí).
**El cuaderno con todo el proceso.** He publicado un
[cuaderno Jupyter descargable](/notebooks/pisa-2025-ia-y-distraccion-en-espana.ipynb)
con el análisis completo, de principio a fin: cómo extraer el subconjunto de
España del fichero de la OCDE, cómo comprobé que el dato era realmente del
ciclo 2025 y no de una edición anterior, la combinación de los diez valores
plausibles de rendimiento con el peso muestral y las réplicas de remuestreo
(BRR-Fay), el ajuste por nivel socioeconómico-cultural —incluida la
comparación de tres pasos (cruda con todos los casos, cruda restringida a
quienes tienen dato de ESCS, y ajustada) con la que separo el efecto de
excluir el ~1,4% sin ESCS del efecto real del ajuste—, y el código que
genera los cinco gráficos de este artículo. Está pensado para que cualquiera
—con conocimientos básicos de Python— pueda ejecutarlo sobre el mismo
fichero y comprobar que llega exactamente a las mismas cifras, o para que
lo adapte y compruebe otras preguntas sobre el mismo dataset.
## Dos análisis hermanos en xiringase.com
Este análisis es parte de una conversación más amplia sobre PISA 2025 y
tecnología que sigo en **xiringase.com**, la marca hermana de este
ecosistema. Dos piezas complementarias tratan el mismo dataset desde otros
ángulos: [PISA 2025 y la tecnología en el aula](https://xiringase.com/es/articulos/pisa-2025-tecnologia-aula),
sobre dispositivos y distracción digital en general, y
[PISA 2025 y la IA: por qué la pregunta correcta no es qué chatbot usas, sino cómo lo usas](https://xiringase.com/es/articulos/pisa-2025-ia-criterio-uso),
que retoma directamente el hallazgo de este análisis —la ausencia de un
patrón simple por tipo de tarea— para preguntarse qué significa eso para
el criterio con que se usa la IA en el aula.
## Bibliografía
- OCDE. [*PISA 2025 Database*](https://www.oecd.org/en/data/datasets/pisa-2025-database.html). Organización para la Cooperación y el Desarrollo Económicos.
- OCDE. [*PISA — Programme for International Student Assessment*](https://www.oecd.org/en/about/programmes/pisa.html). Página oficial del programa.
- OCDE. *PISA 2025 Results (Volume I)*. Publicado el 8 de septiembre de 2026. Fuente del benchmark de aproximadamente 20 puntos ≈ 1 año de aprendizaje mencionado en este artículo, documentado en el recuadro "Box I.2.2"; no recalculado con el PUF 2025 porque el benchmark procede de una estimación independiente basada en información de varios ciclos, no de una variable contenida en este fichero. Consultar el catálogo de publicaciones de PISA 2025 en [oecd.org](https://www.oecd.org/en/publications.html) para la edición exacta.
- OCDE. *PISA 2025 Results (Volume I) — Country Notes: Spain*. Fuente de la tasa de exclusión muestral de España (7,9%), del desglose por comunidad autónoma (Cataluña, Murcia) y de la advertencia explícita de la propia OCDE sobre el posible sesgo al alza que introduce esa exclusión.
- OCDE. [*PISA 2025 Database* — Student Questionnaire y Codebook & Compendia](https://www.oecd.org/en/data/datasets/pisa-2022-database.html). Fuente de la formulación y codificación exacta de los ítems `ST097Q06DA` (distracción por recursos digitales) y `ST438Q01DA`–`ST438Q04DA` (uso de chatbots de IA) descritos en este artículo.