1. Introducción y problema

En el tramo de 3 a 6 años —jardín, preescolar, CENDI, escuela infantil— se ha instalado un paquete de tres artefactos que pretenden valer por calidad de la interacción pedagógico-relacional. El primero es un sistema que puntúa videos CLASS: un pipeline multimodal o de lenguaje que estima Positive Climate, Negative Climate o Instructional Support y declara que el aula «ya tiene calidad medida por IA». El segundo es un wearable que avisa «responde ahora»: un dispositivo bug-in-ear o pulsera que incrementa oportunidades de respuesta del docente y presenta la alerta como si fuera sensibilidad relacional. El tercero es un modelo que clasifica turnos de habla: un algoritmo que cuenta o etiqueta turnos adulto–niño y entrega el conteo como si fuera reciprocidad pedagógica. Los tres son visibles y baratos en tiempo de coordinación. Permiten exhibir que el centro «ya hace calidad de interacción con inteligencia artificial». El salto —de obtener un score, recibir una alerta o acumular turnos a afirmar que hay calidad de proceso— no está autorizado ni por la evidencia de observación automatizada ni por lo que Starting Strong y CLASS miden cuando hay Emotional Support, Classroom Organization e Instructional Support en la vida diaria del aula.

La tesis de este artículo es restrictiva. Un sistema que puntúa videos CLASS, un wearable que avisa «responde ahora» o un modelo que clasifica turnos de habla no constituyen calidad de la interacción pedagógico-relacional en educación inicial. En esta etapa la calidad de proceso es sensibilidad, reciprocidad y andamiaje —el serve-and-return del Center on the Developing Child; las dimensiones Emotional Support (ES), Classroom Organization (CO) e Instructional Support (IS) de CLASS; el ancla de interacciones diarias significativas de OECD Starting Strong—; no un dashboard de puntuación, una alerta de oportunidad de respuesta ni un conteo automático de turnos. OECD (2021), en Starting Strong VI, analiza currículos de veintiséis países —cincuenta y seis currículos— y ancla la calidad de ECEC en las interacciones cotidianas adulto–infante, no en artefactos de medición. Eso no autoriza a traducir «hay score CLASS automatizado» como «hay calidad de proceso». Autoriza a preguntar qué se midió: a menudo, correlación con juicios humanos en segmentos de quince minutos, no la sensibilidad sostenida cuando un niño de cuatro años ofrece un «serve» y el adulto responde, amplía y andamia.

El problema se agrava por tres confusiones de categoría que las fichas de producto no mencionan y que este artículo separa con rigor. Primera: calidad de proceso no es documentación pedagógica —portafolios, paneles o bitácoras digitales que registran lo ocurrido—. Segunda: no es educación socioemocional (SEL) como programa de competencias emocionales globales. Tercera: no es funciones ejecutivas como control inhibitorio, memoria de trabajo y flexibilidad cognitiva. Gómez y Strasser (2021) y Gómez-Muzzio y Strasser (2025) se citan aquí solo para distinguir turnos conversacionales de calidad de interacción pedagógica: los turnos predicen desarrollo socioemocional, pero un clasificador de turnos no es, por existir, el oficio de sensibilidad y andamiaje en la sala. Este trabajo no recicla artículos de documentación, SEL o funciones ejecutivas. La pregunta es de calidad de proceso: qué cuenta como interacción pedagógico-relacional cuando un centro de inicial «hace IA y calidad de interacción». Confundir el producto —score, wearable, clasificador— con el proceso es el error que este trabajo nombra. Ramakrishnan, Zylich, Ottmar, LoCasale-Crouch y Whitehill (2023) demuestran viabilidad de estimación multimodal de Positive Climate y Negative Climate; Whitehill y LoCasale-Crouch (2024) conectan juicios de enunciado con scores CLASS de Instructional Support. Inferencia pedagógica, marcada como tal: el mercado de «IA para la calidad de interacción en inicial» hereda esa distribución evaluativa y la convierte en promesa de calidad. Convierte la medición automatizada y la alerta en el todo del oficio relacional.

Las contribuciones son tres: reconstruir el estado del arte que separa calidad de proceso (serve-and-return; CLASS ES/CO/IS; OECD Starting Strong) de la puntuación, la alerta y el conteo de turnos; examinar tres familias de casos empíricos; y ofrecer cuatro pruebas para decidir cuándo un jardín puede afirmar que hay calidad de interacción pedagógico-relacional, y no solo un sistema que puntúa videos, un wearable o un clasificador de turnos.

2. Estado del arte: de la calidad de proceso al artefacto que se exhibe

Conviene separar cuatro estratos que el mercado de «IA para la calidad de interacción en inicial» suele mezclar. El primero es el constructo de calidad de proceso de 3 a 6 años como sensibilidad, reciprocidad y andamiaje en interacciones diarias —serve-and-return; Emotional Support, Classroom Organization e Instructional Support; OECD Starting Strong— (Center on the Developing Child at Harvard University, s. f.; OECD, 2021, 2023; Finders et al., 2021; Howard et al., 2024; von Suchodoletz et al., 2023; Paschall et al., 2023). El segundo es el oficio relacional que la cultiva —noticing docente, respuesta contingente, organización del aula y apoyo instruccional mediado— (LoCasale-Crouch et al., 2023; NAEYC, 2022). El tercero es la evidencia de observación automatizada CLASS, coaching bug-in-ear, clasificación de turnos y mapeos de IA en ECE (Ramakrishnan et al., 2023; Whitehill y LoCasale-Crouch, 2024; Green et al., 2023; Ferjan Ramírez et al., 2021; Chen, 2024; Su y Yang, 2022; Ljungcrantz, 2026). El cuarto es el marco de derechos, de sistemas y de práctica apropiada al desarrollo, que trata al infante de 3–6 años como sujeto de interacciones de proceso, no como vector de features para un pipeline de scoring (UNESCO, 2021; Miao y Holmes, 2023; European Commission, 2022; U.S. Department of Education, 2023).

En el estrato del constructo, OECD (2021) fija que la calidad de ECEC se juega en interacciones significativas cotidianas y analiza cómo veintiséis países articulan ese mandato en cincuenta y seis currículos. OECD (2023) sitúa la digitalización en usos con sentido pedagógico, no en un feed de alertas que sustituya la reciprocidad. El Center on the Developing Child (s. f.) define serve-and-return como la secuencia en la que el infante inicia —serve— y el adulto responde de modo contingente, amplía y sostiene el intercambio. Finders, Budrevich, Duncan, Purpura, Elicker y Schmitt (2021), con 684 infancias de preescolar, muestran que las dimensiones CLASS no son intercambiables: la media de Classroom Organization se asocia positivamente con matemáticas; la variabilidad intra-día de CO se asocia negativamente con alfabetización; la media de Instructional Support se asocia negativamente con lenguaje en sus modelos. Estatus: hallazgo de que calidad de proceso es multidimensional y sensible a la variabilidad, no a un único score. Howard, Lewis, Walter, Verenikina y Kervin (2024), en revisión sistemática de noventa estudios y ochocientas setenta asociaciones con infancias de 3 a 5 años, hallan poco apoyo a índices globales de calidad de interacción y mejor consistencia en algunas dimensiones —por ejemplo, supporting play—, con bajo apoyo de instructional support incluso cuando se alinea con outcomes cognitivos. Inferencia: un dashboard que resume «calidad CLASS» en un número no cubre, por existir, sensibilidad, reciprocidad y andamiaje.

En el estrato del oficio, LoCasale-Crouch, Romo-Escudero, Clayback, Whittaker, Hamre y Melo (2023) asignan aleatoriamente a sesenta y un educadores de toddler a control o al curso Effective Classroom Interactions for Toddler Educators (ECI-TE): quienes completan el curso muestran mayores habilidades de noticing y mayor calidad de interacciones educador–infante, con tamaño de efecto medio. Estatus: hallazgo de desarrollo profesional orientado a notar y enactar interacciones efectivas. No es hallazgo de que un wearable que empuja «responde ahora» reproduzca ese oficio. NAEYC (2022) exige práctica apropiada al desarrollo: la calidad se verifica en relaciones, no en artefactos de medición. Inferencia: un score automatizado no anda con el infante. Un adulto que nota el serve y responde sí.

En el estrato de artefactos, Ramakrishnan et al. (2023) presentan ACORN: machine learning multimodal para estimar CLASS Positive Climate y Negative Climate; reportan r = 0,55 para PC y r = 0,63 para NC en segmentos de quince minutos del corpus UVA Toddler (n = 300 segmentos), con AUC = 0,70 en momentos de Positive Climate. Whitehill y LoCasale-Crouch (2024) combinan Whisper, Llama 2 y bag-of-words para Instructional Support: correlación de Pearson hasta 0,48 frente a IRR humana hasta 0,55, agregando juicios de enunciado a un score CLASS IS de quince minutos en toddler y pre-K. Green, Olsen y Nandakumar (2023) prueban coaching bug-in-ear en Head Start para aumentar opportunities to respond (OTR) en matemáticas con cuatro docentes: relación funcional en dos de cuatro; mantenimiento bajo. Ferjan Ramírez, Hippe y Kuhl (2021) advierten que medidas automáticas de turnos conversacionales padre–infante no equivalen a juicios manuales. Estatus: hallazgo de factibilidad de scoring, de coaching de OTR y de precaución metrológica sobre turnos; no hallazgo de que score, alerta o clasificador constituyan calidad de proceso. Chen (2024), Su y Yang (2022) y Ljungcrantz (2026) mapean IA en ECE sin equivalerla a calidad de interacción pedagógico-relacional de jardín.

En el estrato de sistemas, UNESCO (2021) exige supervisión humana. Miao y Holmes (2023) fijan validación pedagógica y umbrales de edad para IA generativa. La Comisión Europea (2022) y el Departamento de Educación de Estados Unidos (2023) coinciden en no sustituir el juicio profesional. von Suchodoletz et al. (2023) metaanalizan asociaciones entre calidad ECEC y outcomes infantiles, reforzando que la calidad importa y que no se reduce a un artefacto. Paschall et al. (2023), con 2 114 estudiantes Head Start, identifican perfiles donde el mayor agrupa clima emocional positivo con bajo instructional support: hallazgo de que las dimensiones no viajan juntas. Inferencia: un niño de cuatro años no es el insumo de un pipeline de scoring ni el destinatario pasivo de una alerta wearable. Es el protagonista de un serve-and-return que un adulto garante ejerce con sensibilidad, reciprocidad y andamiaje.

3. Método de revisión

Se realizó una revisión narrativa crítica, no un metaanálisis primario. El propósito no fue estimar un tamaño de efecto homogéneo de la observación automatizada, sino articular un argumento de categoría pedagógica con fuentes verificadas. Criterios de inclusión: (a) 2021–2026, con transferencia explícitamente marcada cuando la muestra no es de 3–6; (b) calidad de proceso, interacciones adulto–niño, serve-and-return, CLASS (ES/CO/IS), observación automatizada, coaching bug-in-ear, turnos conversacionales o IA en educación inicial; (c) relevancia para jardín, preescolar, CENDI o 3–6 años; (d) revista con pares, DOI o informe de NAEYC, UNESCO, OECD, Comisión Europea, Center on the Developing Child o departamento de educación; (e) DOI o página editorial verificable. Se excluyeron como objeto central los ejes ya usados en esta serie —documentación pedagógica, SEL como programa sustituto, funciones ejecutivas, tutoría generativa, brechas, privacidad, DUA, STEM, numeracidad, evaluación formativa, familia–escuela, formación continua— aunque algunos aparecen como límite de categoría.

La búsqueda se ejecutó el 28 de agosto de 2026 (slot 01:02 America/Mexico_City) en páginas DOI, Springer, Elsevier, Wiley, SAGE, IEEE Xplore, OECD iLibrary, UNESDOC, JAIR, NAEYC, Zenodo, Harvard Center on the Developing Child y sitios editoriales. Cada fuente se verificó contra al menos una de esas páginas. Se distinguieron hallazgo empírico, marco conceptual o normativo, e inferencia pedagógica marcada como tal. Se priorizó la distinción calidad de proceso / documentación / SEL / funciones ejecutivas, y la precaución de Ferjan Ramírez et al. (2021) sobre turnos automáticos frente a juicios manuales.

4. Caso 1. Puntuar videos CLASS, alertar «responde ahora» o clasificar turnos no constituye calidad de interacción

Ramakrishnan, Zylich, Ottmar, LoCasale-Crouch y Whitehill (2023) publican en IEEE Transactions on Affective Computing el sistema ACORN que mejor nombra el primer artefacto cuando se lo presenta como calidad de interacción. Entrenan machine learning multimodal para estimar CLASS Positive Climate y Negative Climate. En el corpus UVA Toddler, con trescientos segmentos de quince minutos, reportan correlación r = 0,55 con Positive Climate y r = 0,63 con Negative Climate, y AUC = 0,70 para detectar momentos de Positive Climate. Estatus de la evidencia. Hallazgo empírico de estimación automatizada: el sistema se aproxima a juicios humanos en dos dimensiones de clima emocional. No es hallazgo de que instalar un scorer CLASS desarrolle o garantice Emotional Support, Classroom Organization e Instructional Support en la vida del aula, ni de que sensibilidad, reciprocidad y andamiaje estén cubiertos. El dato que el mercado no cita es el techo: correlaciones moderadas y un AUC de detección de momentos, no equivalencia con calidad de proceso vivida. Inferencia pedagógica, marcada como tal: este es el gesto que un jardín copia cuando «hace calidad con IA que puntúa videos». Se graba, se puntúa, se exhibe el dashboard. Lo que hay es un artefacto de observación. La calidad de proceso, en OECD (2021) y en el Center on the Developing Child (s. f.), pide serve-and-return contingente, no un r de 0,55 con Positive Climate.

Whitehill y LoCasale-Crouch (2024) saturan el retrato del primer artefacto desde Instructional Support. Combinan transcripción Whisper, Llama 2 y bag-of-words; agregan juicios a nivel de enunciado hasta un score CLASS IS de quince minutos en toddler y pre-K. La correlación de Pearson alcanza hasta 0,48 frente a fiabilidad interjueces humana hasta 0,55. Estatus: hallazgo de conexión entre predicción global y feedback específico de enunciado. No es hallazgo de que un modelo de lenguaje constituya andamiaje instruccional. Inferencia, marcada como tal: acercarse a la IRR humana en un segmento no autoriza declarar «ya hay Instructional Support de calidad». Autoriza a decir que hay estimación. Finders et al. (2021) muestran, además, que IS y CO no se comportan igual respecto de outcomes: un score único aplana esa heterogeneidad.

Green, Olsen y Nandakumar (2023) nombran el segundo artefacto. En un Head Start, usan coaching bug-in-ear para aumentar opportunities to respond en matemáticas con cuatro docentes. Documentan relación funcional en dos de cuatro y mantenimiento bajo. Estatus: hallazgo de que una alerta o coaching en oído puede incrementar OTR en algunos casos, con frágil mantenimiento. No es hallazgo de que un wearable que dice «responde ahora» sea sensibilidad relacional o serve-and-return. Inferencia: OTR es una oportunidad de respuesta académica; sensibilidad es notar el serve del niño —verbal, gestual, lúdico— y devolverlo con contingencia afectiva y cognitiva. Ferjan Ramírez, Hippe y Kuhl (2021) cierran el tercer artefacto con una advertencia metrológica: medidas automáticas de turnos conversacionales no equivalen a medidas manuales. Estatus: hallazgo de desacuerdo entre automático y manual. Inferencia: un clasificador de turnos puede contar eventos acústicos; no demuestra reciprocidad pedagógica ni andamiaje. Chen (2024), Su y Yang (2022) y Ljungcrantz (2026) confirman crecimiento de IA en ECE sin evidencia de que score, alerta o clasificador sustituyan el oficio. Inferencia: un CENDI que entrega «calidad CLASS generada por IA» o «turnos suficientes según el modelo» ha hecho medición o conteo. La calidad de proceso se verifica en si el adulto respondió al serve, organizó el aula con calidez y andamió el pensamiento. No se verifica en el AUC del scorer.

5. Caso 2. Lo que el jardín sí hace cuando hay calidad de proceso: sensibilidad, reciprocidad y andamiaje

El Center on the Developing Child at Harvard University (s. f.) define el serve-and-return como marco vigente de interacción: el infante inicia; el adulto nota, responde, nombra, espera y sostiene el intercambio. Estatus: marco conceptual institucional verificable en la página editorial del centro. No es hallazgo de IA. Inferencia pedagógica, marcada como tal: este es el objeto que un centro de inicial puede llamar calidad de interacción pedagógico-relacional. La reciprocidad no es un conteo de turnos: es contingencia afectiva y cognitiva. Un wearable que empuja «responde ahora» sin leer el serve puede aumentar OTR y, a la vez, interrumpir el ritmo del niño. Un scorer CLASS puede puntuar clima positivo en video y no haber capturado si el adulto amplió el pensamiento del niño en el rincón de juego.

OECD (2021) satura el marco desde política comparada: en veintiséis países y cincuenta y seis currículos, Starting Strong VI sostiene que la calidad se juega en interacciones diarias significativas. OECD (2023) añade que la digitalización debe empoderar sin sustituir esas interacciones. Estatus: marco de sistemas. Inferencia: un jardín no puede tratar «ya medimos CLASS con IA» como equivalente de haber transformado las interacciones cotidianas. LoCasale-Crouch et al. (2023) aportan el puente empírico del oficio: el curso ECI-TE mejora noticing y calidad de interacciones en educadores de toddler (N = 61; efecto medio), precisamente porque forma la mirada profesional, no porque automatice el score. Estatus: hallazgo de RCT de desarrollo profesional. Inferencia: noticing es condición de sensibilidad; un dashboard no nota por el docente.

Finders et al. (2021), con 684 infancias, muestran que Emotional Support, Classroom Organization e Instructional Support tienen relaciones diferenciadas con readiness: media de CO con matemáticas; variabilidad de CO con alfabetización (negativa); media de IS con lenguaje (negativa en sus especificaciones). Howard et al. (2024) refuerzan, en noventa estudios, que índices globales de calidad de interacción tienen poco apoyo y que dimensiones específicas —como supporting play— muestran mayor consistencia, mientras instructional support tiene bajo apoyo incluso alineado con outcomes cognitivos. Estatus: hallazgo empírico y de síntesis sobre multidimensionalidad y límites de IS como predictor. Inferencia: cuando hay calidad de proceso en inicial, hay ES (clima emocional, sensibilidad, respeto), CO (organización, productividad, manejo de conducta) e IS (desarrollo de conceptos, feedback de calidad, modelado lingüístico) ejercidos en tiempo real por adultos; no un promedio aplanado. Paschall et al. (2023), con 2 114 Head Start, hallan un perfil mayoritario de clima emocional positivo con bajo instructional support: las dimensiones no se compran en paquete. von Suchodoletz et al. (2023) metaanalizan que la calidad ECEC se asocia con outcomes infantiles, sin autorizar a reducir esa calidad a un artefacto de scoring. NAEYC (2022) exige que la práctica sea apropiada al desarrollo: el niño de 3–6 años es sujeto de relación, no de pipeline. Inferencia: sensibilidad, reciprocidad y andamiaje se verifican en el patio, la mesa y la transición —cuando el adulto sostiene el serve-and-return—, no en el log del wearable ni en el JSON del clasificador de turnos.

6. Caso 3. Interacciones de proceso no son documentación, ni SEL, ni funciones ejecutivas

La primera frontera de categoría es la documentación pedagógica. Un panel digital, un portafolio o un registro anecdótico pueden conservar trazas de lo ocurrido; no constituyen, por sí solos, la calidad de las interacciones de proceso que OECD (2021) ancla en el encuentro diario. Estatus: inferencia pedagógica anclada en el marco Starting Strong, marcada como tal. Este artículo no convierte la documentación en objeto central: la nombra para prohibir la equivalencia. Un sistema que puntúa videos CLASS tampoco es documentación de sentido: es estimación psicométrica automatizada. Confundir «tenemos evidencia en pantalla» con «hay reciprocidad en la sala» es el error de categoría que el mercado explota.

La segunda frontera es SEL. Gómez y Strasser (2021), con 43 díadas, muestran que turnos conversacionales a los 18 meses predicen competencias socioemocionales a los 30 meses. Gómez-Muzzio y Strasser (2025), con 33 casos, muestran que turnos a los 30 meses explican entre 14,4 % y 20,3 % de la varianza socioemocional a los 77 meses. Estatus: hallazgo empírico sobre turnos y desarrollo socioemocional. Inferencia pedagógica, marcada como tal y con uso restrictivo: estos estudios se retienen solo para distinguir. Un clasificador de turnos puede heredar la fama predictiva de los turnos sobre SEL y venderse como «calidad de interacción». No lo es. Calidad de proceso en este artículo es sensibilidad, reciprocidad y andamiaje en CLASS ES/CO/IS y serve-and-return, no un programa de competencias socioemocionales ni un proxy SEL basado en conteo. Este trabajo no recicla un artículo SEL: usa la evidencia de turnos para mostrar el salto ilegítimo del conteo automático a la declaración de calidad pedagógico-relacional. Ferjan Ramírez et al. (2021) refuerzan el corte: automático ≠ manual.

La tercera frontera son las funciones ejecutivas. Este artículo no convierte calidad de interacción en control inhibitorio, memoria de trabajo o flexibilidad cognitiva. Paschall et al. (2023) y Finders et al. (2021) se retienen por perfiles y dimensiones CLASS, no por FE. von Suchodoletz et al. (2023) se retienen por asociaciones calidad–outcomes, no por entrenamiento ejecutivo. Inferencia: cuando un producto promete «mejora la atención ejecutiva porque mide turnos» o «desarrolla autorregulación porque puntúa CLASS», se ha cruzado a otro constructo. La calidad de proceso puede asociarse empíricamente con muchos outcomes; no se identifica con ellos. Chen (2024), Su y Yang (2022) y Ljungcrantz (2026) mapean IA en ECE; Miao y Holmes (2023) fijan límites de edad y validación. Inferencia: el único uso de IA coherente con 3–6 años permanece del lado del adulto que nota, responde y andamia —como apoyo para formación en noticing o para feedback profesional diferido—, sometido a validación pedagógica. No entra como scorer autónomo, wearable que sustituye el juicio ni clasificador de turnos que declara calidad cumplida.

7. Marco inferencial: cuatro pruebas para afirmar que hay calidad de proceso, no un artefacto

El marco que sigue es inferencia pedagógica de este artículo, anclada en los casos y en los instrumentos verificados. No es un nuevo estándar internacional. Distingue cuatro pruebas. Si un jardín, preescolar, CENDI o escuela infantil no las pasa, no puede declarar que un sistema que puntúa videos CLASS, un wearable que avisa «responde ahora» o un modelo que clasifica turnos de habla constituyen calidad de la interacción pedagógico-relacional.

7.1. Prueba del serve-and-return contingente, no del score de clima. El Center on the Developing Child (s. f.) define la secuencia serve–respuesta–ampliación. Ramakrishnan et al. (2023) estiman Positive/Negative Climate con r moderadas y AUC = 0,70. Inferencia: la evidencia de calidad se verifica en si el adulto notó el serve del niño y respondió con contingencia. Si la «evidencia» del centro es un dashboard ACORN o un score de Positive Climate, el centro ha hecho estimación, no reciprocidad.

7.2. Prueba de Emotional Support, Classroom Organization e Instructional Support en situación real, no del promedio aplanado. Finders et al. (2021) documentan relaciones diferenciadas de ES/CO/IS y variabilidad intra-día. Howard et al. (2024) documentan poco apoyo a índices globales y bajo apoyo de IS. Paschall et al. (2023) documentan perfiles con clima positivo y bajo IS. Whitehill y LoCasale-Crouch (2024) alcanzan Pearson hasta 0,48 en IS automatizado. Inferencia: calidad de proceso exige las tres dimensiones ejercidas, no un número que las colapsa. Un modelo que aproxima IS no demuestra andamiaje de conceptos en la mesa de trabajo.

7.3. Prueba de la sensibilidad y el noticing docente, no de la alerta OTR. LoCasale-Crouch et al. (2023) mejoran noticing y calidad de interacción mediante formación. Green et al. (2023) incrementan OTR con bug-in-ear en 2/4 docentes, con mantenimiento bajo. Inferencia: «responde ahora» puede elevar oportunidades de respuesta académica sin elevar sensibilidad al serve del niño. Sensibilidad es lectura del otro; OTR es frecuencia de prompt.

7.4. Prueba de la distinción de categoría y del juicio profesional, no del catálogo de producto. Ferjan Ramírez et al. (2021) impiden equivaler turnos automáticos a juicios manuales. Gómez y Strasser (2021) y Gómez-Muzzio y Strasser (2025) se usan solo para mostrar que turnos predicen SEL, no que un clasificador sea calidad de proceso. UNESCO (2021), Miao y Holmes (2023), la Comisión Europea (2022), el Departamento de Educación de Estados Unidos (2023), NAEYC (2022) y OECD (2021, 2023) exigen supervisión humana, validación pedagógica, práctica apropiada al desarrollo e interacciones de proceso. Inferencia: un centro no puede tratar al infante como vector de features para scoring, alerta o conteo. La calidad de proceso no se cumple puntuando mejor el video. Se cumple respondiendo al serve, organizando el aula con calidez y andamiando el pensamiento con adultos que sostienen el oficio.

El marco admite el digital cuando se subordina a formación docente y a observación profesional validada (LoCasale-Crouch et al., 2023; Whitehill y LoCasale-Crouch, 2024, como apoyo a feedback, no como calidad declarada). Rechaza declarar calidad de interacción por scorer CLASS, wearable de alerta o clasificador de turnos (Ramakrishnan et al., 2023; Green et al., 2023; Ferjan Ramírez et al., 2021).

8. Discusión

Tres tensiones organizan la discusión. La primera es entre exhibir un artefacto de medición y ejercer calidad de proceso. Es hallazgo que ACORN estima clima emocional con correlaciones moderadas (Ramakrishnan et al., 2023); que LLMs y BoW aproximan Instructional Support con Pearson hasta 0,48 (Whitehill y LoCasale-Crouch, 2024); y que bug-in-ear puede mover OTR en algunos docentes (Green et al., 2023). Es marco que la calidad se juega en interacciones diarias (OECD, 2021; Center on the Developing Child, s. f.; NAEYC, 2022). No es hallazgo de que score, alerta o clasificador produzcan el oficio que LoCasale-Crouch et al. (2023) forman como noticing. Los tres artefactos miden o empujan lo que la ingeniería sabe entregar y declaran lo que solo la reciprocidad autorizaría.

La segunda es entre conteo de turnos y reciprocidad pedagógica. Ferjan Ramírez et al. (2021) muestran desacuerdo automático–manual. Gómez y Strasser (2021) y Gómez-Muzzio y Strasser (2025) muestran valor predictivo de turnos para SEL —uso restrictivo aquí—. Inferencia: insistir en que el jardín «ya tiene calidad de interacción» porque el modelo cuenta turnos suficientes es una pedagogía invertida. Se toma un proxy correlacional con desarrollo socioemocional y se lo hace valer por Emotional Support, Classroom Organization e Instructional Support. El infante queda como emisor de turnos; el adulto, como supervisor del clasificador.

La tercera es entre índice global y multidimensionalidad. Howard et al. (2024) y Finders et al. (2021) desaconsejan tratar la calidad como un solo número. Paschall et al. (2023) muestran perfiles desbalanceados. Inferencia: el único uso de IA coherente con 3–6 años permanece del lado del adulto que nota y responde, sometido a validación pedagógica y a las guías de UNESCO, Comisión Europea y Departamento de Educación de Estados Unidos. Un scorer autónomo porque el sistema necesita un producto no lo es.

9. Límites

Esta revisión es narrativa. No aplica PRISMA ni estima efectos combinados primarios. Ramakrishnan et al. (2023) estiman PC/NC, no las tres dimensiones CLASS completas como calidad vivida. Whitehill y LoCasale-Crouch (2024) alcanzan correlaciones por debajo o cerca de la IRR humana, no equivalencia pedagógica. Green et al. (2023) son cuatro docentes Head Start con mantenimiento bajo. LoCasale-Crouch et al. (2023) son sesenta y un educadores de toddler en un RCT de curso online, no de IA scoring. Finders et al. (2021) son 684 en un contexto estadounidense. Howard et al. (2024) sintetizan noventa estudios heterogéneos. Paschall et al. (2023) son perfiles Head Start. Gómez y Strasser (2021) y Gómez-Muzzio y Strasser (2025) son muestras pequeñas (N = 43 y N = 33) y se usan solo para distinguir turnos/SEL de calidad de proceso. Ferjan Ramírez et al. (2021) son turnos padre–infante, con transferencia marcada a aula. Chen (2024), Su y Yang (2022) y Ljungcrantz (2026) mapean IA en ECE, no calidad CLASS de jardín. NAEYC, UNESCO, OECD y el Center on the Developing Child son de marco. No se localizaron ensayos latinoamericanos de IA que comparen serve-and-return mediado por adulto frente a scorer autónomo o wearable de alerta en CENDI. Las inferencias de la sección 7 son hipótesis de categoría pedagógica, no evidencia de implementación.

10. Conclusiones

Un sistema que puntúa videos CLASS, un wearable que avisa «responde ahora» o un modelo que clasifica turnos de habla no constituyen calidad de la interacción pedagógico-relacional en un centro de educación inicial. La evidencia verificada no autoriza esa declaración. ACORN estima Positive Climate y Negative Climate con r = 0,55 y r = 0,63 en trescientos segmentos de quince minutos, con AUC = 0,70 (Ramakrishnan et al., 2023). Whisper, Llama 2 y BoW alcanzan Pearson hasta 0,48 en Instructional Support frente a IRR humana hasta 0,55 (Whitehill y LoCasale-Crouch, 2024). Bug-in-ear mueve OTR en dos de cuatro docentes, con mantenimiento bajo (Green et al., 2023). Las medidas automáticas de turnos no equivalen a las manuales (Ferjan Ramírez et al., 2021). En cambio, cuando hay calidad de proceso en inicial, hay sensibilidad, reciprocidad y andamiaje: serve-and-return (Center on the Developing Child, s. f.); interacciones diarias en veintiséis países y cincuenta y seis currículos (OECD, 2021); dimensiones CLASS diferenciadas y variables (N = 684; Finders et al., 2021); noticing formado en educadores de toddler (N = 61; LoCasale-Crouch et al., 2023); poca justificación de índices globales y bajo apoyo de IS en síntesis de noventa estudios (Howard et al., 2024); perfiles que separan clima emocional de instructional support (N = 2 114; Paschall et al., 2023). Las interacciones de proceso se distinguen de documentación, de SEL —aunque los turnos predicen SEL (Gómez y Strasser, 2021; Gómez-Muzzio y Strasser, 2025)— y de funciones ejecutivas. Las guías vigentes exigen interacciones de proceso, supervisión humana, validación pedagógica y no sustituir el juicio profesional (OECD, 2021, 2023; NAEYC, 2022; UNESCO, 2021; Miao y Holmes, 2023; European Commission, 2022; U.S. Department of Education, 2023).

Donde las fuentes no miden un jardín, este artículo no lo afirma. Donde miden scoring, alerta OTR o clasificación de turnos, no las traduce en calidad de interacción pedagógico-relacional. Acompañar a niñas y niños de tres a seis años en calidad de proceso es ejercer sensibilidad ante el serve, reciprocidad en el return y andamiaje en Emotional Support, Classroom Organization e Instructional Support. Lo demás es dashboard de observación, alerta wearable y conteo algorítmico de turnos. No es calidad de la interacción pedagógico-relacional, y no debe presentarse como lo que no es.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Referencias

  1. Center on the Developing Child at Harvard University. (s. f.). Serve and return. https://developingchild.harvard.edu/key-concept/serve-and-return/
  2. Chen, J. J. (2024). A scoping study on AI affordances in early childhood education: Mapping the global landscape, identifying research gaps, and charting future research directions. Journal of Artificial Intelligence Research, 81, 701–740. https://doi.org/10.1613/jair.1.16882
  3. European Commission. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in teaching and learning for educators. Publications Office of the European Union. https://doi.org/10.2766/153756
  4. Ferjan Ramírez, N., Hippe, D. S., y Kuhl, P. K. (2021). Comparing automatic and manual measures of parent–infant conversational turns: A word of caution. Child Development, 92(2), 672–681. https://doi.org/10.1111/cdev.13495
  5. Finders, J. K., Budrevich, A., Duncan, R. J., Purpura, D. J., Elicker, J., y Schmitt, S. A. (2021). Variability in preschool CLASS scores and children’s school readiness. AERA Open, 7. https://doi.org/10.1177/23328584211038938
  6. Gómez, E., y Strasser, K. (2021). Language and socioemotional development in early childhood: The role of conversational turns. Developmental Science, 24(5), e13109. https://doi.org/10.1111/desc.13109
  7. Gómez-Muzzio, E., y Strasser, K. (2025). Conversational turns at early childhood predicts socioemotional development at school age. Social Development, 34(4), e70019. https://doi.org/10.1111/sode.70019
  8. Green, A. L., Olsen, A. A., y Nandakumar, V. (2023). Increasing teacher opportunities to respond in a Head Start program using a bug-in-ear coaching model. Early Childhood Education Journal, 52(6), 1107–1119. https://doi.org/10.1007/s10643-023-01498-4
  9. Howard, S. J., Lewis, K. L., Walter, E., Verenikina, I., y Kervin, L. K. (2024). Measuring the quality of adult–child interactions in the context of ECEC: A systematic review on the relationship with developmental and educational outcomes. Educational Psychology Review, 36, 6. https://doi.org/10.1007/s10648-023-09832-3
  10. Ljungcrantz, L. (2026). The interaction of AI and early childhood education. A state-of-the-art review 2020–2024. Early Childhood Education Journal, 54, 3565–3581. https://doi.org/10.1007/s10643-025-02079-3
  11. LoCasale-Crouch, J., Romo-Escudero, F., Clayback, K., Whittaker, J., Hamre, B., y Melo, C. (2023). Results from a randomized trial of the Effective Classroom Interactions for toddler educators professional development intervention. Early Childhood Research Quarterly, 65, 217–226. https://doi.org/10.1016/j.ecresq.2023.06.005
  12. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  13. NAEYC. (2022). Developmentally appropriate practice in early childhood programs serving children from birth through age 8 (4.ª ed.). NAEYC. https://www.naeyc.org/resources/pubs/books/dap-fourth-edition
  14. OECD. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  15. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  16. Paschall, K. W., Barnett, M. A., Mastergeorge, A. M., Li, X., y Vasquez, M. B. (2023). A new look at teacher interactional quality: Profiles of individual teacher–child relationship and classroom teaching quality among Head Start students. Early Education and Development, 34(5), 1172–1190. https://doi.org/10.1080/10409289.2022.2094159
  17. Ramakrishnan, A., Zylich, B., Ottmar, E., LoCasale-Crouch, J., y Whitehill, J. (2023). Toward automated classroom observation: Multimodal machine learning to estimate CLASS Positive Climate and Negative Climate. IEEE Transactions on Affective Computing, 14(1), 664–679. https://doi.org/10.1109/TAFFC.2021.3059209
  18. Su, J., y Yang, W. (2022). Artificial intelligence in early childhood education: A scoping review. Computers and Education: Artificial Intelligence, 3, 100049. https://doi.org/10.1016/j.caeai.2022.100049
  19. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  20. U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. U.S. Department of Education. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
  21. von Suchodoletz, A., Lee, D. S., Henry, J., Tamang, S., Premachandra, B., y Yoshikawa, H. (2023). Early childhood education and care quality and associations with child outcomes: A meta-analysis. PLOS ONE, 18(5), e0285985. https://doi.org/10.1371/journal.pone.0285985
  22. Whitehill, J., y LoCasale-Crouch, J. (2024). Automated evaluation of classroom Instructional Support with LLMs and BoWs: Connecting global predictions to specific feedback. Journal of Educational Data Mining, 16(1), 34–60. https://doi.org/10.5281/zenodo.10974824