¿Qué es el efecto protégé?
El efecto protégé (en inglés "protege effect", también escrito "protégé effect") es el hallazgo de que las personas aprenden el material de forma más completa cuando se preparan para enseñárselo a otra persona que cuando lo estudian solo para sí mismas. El término lo acuñaron Catherine Chase, Doris Chin, Marily Oppezzo y Daniel Schwartz en 2009, quienes escribieron que los estudiantes "make greater effort to learn for their TAs than they do for themselves" (se esfuerzan más por aprender para sus agentes que para sí mismos). Agrupada en decenas de experimentos, la ganancia es moderada, de aproximadamente g = 0.17 a 0.56 según qué síntesis leas, y depende en gran medida de saber de antemano que vas a enseñar.
El mecanismo no tiene misterio. Cuando sabes que otra persona dependerá de tu explicación, estudias de otra manera: organizas con más cuidado y sales a cazar los vacíos, porque tienes que anticipar dónde se va a confundir quien te lea. La lectura pasiva rara vez llega a ese nivel.
La mayoría de la gente lo intuye. Piensa en cualquier momento en el que has explicado un concepto a un colega. El acto de explicar te obligó a enfrentarte a los puntos borrosos de tu propia comprensión. Esa incomodidad es el efecto protégé en acción.
Lo que lo distingue de otras estrategias de aprendizaje es la dimensión social. No se trata solo de reformular el conocimiento, que se acerca más a la técnica Feynman. Se trata de reformular el conocimiento para otra persona. Si esa capa social aporta algo más allá de la reformulación es una de las preguntas genuinamente abiertas de esta literatura, y la sección sobre límites que viene más abajo es donde vive la respuesta honesta.
Lo que muestra la investigación: estudios y metaanálisis
Chase et al. (2009): el estudio original de los "agentes enseñables"
Chase y sus colegas publicaron "Teachable Agents and the Protege Effect: Increasing the Effort Towards Learning" en el Journal of Science Education and Technology. El estudio usó Betty's Brain, un sistema en el que los estudiantes enseñaban a un agente virtual construyendo mapas conceptuales sobre temas de ciencia.
Los estudiantes que creían estar enseñando a Betty dedicaron más tiempo a las actividades de aprendizaje y obtuvieron mejores puntuaciones que los estudiantes que usaban el mismo sistema para sí mismos. Conviene saber algo sobre el diseño: en el primer estudio ambos grupos ejecutaban el mismo software y solo se diferenciaban en lo que se les había dicho, y la muestra fue de 62 alumnos de octavo grado. Un segundo estudio replicó el efecto sobre el tiempo dedicado a la tarea con 24 alumnos de quinto grado y usó protocolos de pensamiento en voz alta para indagar el porqué. Es un hallazgo real con una base pequeña, no una cantidad establecida.
Nestojko et al. (2014): la expectativa por sí sola puede bastar
John Nestojko, Dung Bui, Nate Kornell y Elizabeth Bjork aislaron la variable de la expectativa de enseñar. Un grupo estudió un pasaje esperando un examen; el otro esperaba tener que enseñarlo. En realidad nadie enseñó.
En el experimento 1, el grupo con expectativa de enseñar recordó más del pasaje (d = 0.56), lo recordó de forma más eficiente (d = 0.79), agrupó su recuerdo siguiendo más de cerca la propia estructura de párrafos del texto (d = 0.65) y obtuvo mejores puntuaciones en una prueba de respuesta corta. El experimento 2 es la parte que suele omitirse: ahí el efecto principal de la expectativa no fue significativo (p = .389), y la ventaja en las ideas principales del pasaje fue solo marginal (p = .083). Un experimento influyente, y otro que en su mayor parte no lo replicó, en el mismo artículo.
Kobayashi (2019, 2024): ¿en cuánto?
Los estudios individuales muestran una dirección; los metaanálisis te dicen la magnitud. La síntesis de 2019 de Keiichi Kobayashi en Japanese Psychological Research agrupó 28 estudios y encontró g = 0.35 para prepararse a enseñar y g = 0.56 para prepararse y luego enseñar de verdad, ambos frente a estudiar sin expectativa de enseñar.
Su metaanálisis de 2024 en Educational Psychology Review agrupó 39 estudios y reportó g = 0.27 en conjunto, y encontró el moderador que más importa de todo este artículo. Enseñar después de estudiar con una expectativa previa de enseñanza dio g = 0.48. Enseñar después de estudiar sin esa expectativa dio g = -0.02, estadísticamente indistinguible de nada. Es la preparación, no la ejecución, la que hace el trabajo.
Otro artículo suyo de 2019 en Frontiers in Psychology analizó la interactividad y comparó la enseñanza cara a cara con formatos indirectos, como una clase grabada o una explicación escrita. Esperar enseñar cara a cara se agrupó en g = 0.50 frente a g = 0.27 para lo indirecto, y llevarlo a cabo de verdad alcanzó g = 0.84 para la enseñanza directa y g = 0.48 para la indirecta. Trata el 0.84 con cuidado: descansa sobre cuatro comparaciones de grupos, y el propio Kobayashi califica la evidencia de "still inadequate and subject to some exceptions" (todavía inadecuada y sujeta a algunas excepciones).
Ribosa y Duran (2022): la estimación más baja y conservadora
Jesus Ribosa y David Duran agruparon 23 estudios y 62 comparaciones en Educational Research Review y aterrizaron en g = 0.17, sin detectar sesgo de publicación. Importan dos matices. En sus estudios los aprendices generaban materiales de enseñanza, cosas como videoclases, preguntas de examen y textos didácticos, en lugar de enseñar a una persona, algo que Kobayashi considera una categoría solapada pero distinta. Y el beneficio aparece cuando eso se compara con intervenciones de las que no se esperaba que ayudaran, no con otras intervenciones de las que sí. Medida contra un control genuinamente activo, la ventaja no es estadísticamente significativa.
Koh, Lee y Lim (2018): es la recuperación la que hace el trabajo
Aloysius Koh, Sze Chi Lee y Stephen Lim probaron qué parte de la enseñanza impulsa el beneficio, en Applied Cognitive Psychology. Compararon cuatro grupos: enseñar de memoria, enseñar leyendo unos apuntes preparados, recuperar el material sin enseñar y un control aritmético.
En una prueba de comprensión una semana después, enseñar de memoria y la pura práctica de recuperación superaron a los otros dos, mientras que enseñar con los apuntes en la mano no fue mejor que el control. Cierra el libro y luego explica. Si enseñas con la fuente abierta, te saltas la recuperación y renuncias al beneficio. Fíjate en la otra mitad de ese resultado: la simple práctica de recuperación, sin enseñar nada, lo hizo igual de bien.
La evidencia de un vistazo
| Síntesis | Estudios agrupados | Estimación agrupada | La trampa |
|---|---|---|---|
| Kobayashi (2019), Japanese Psych. Research | 28 estudios | g = 0.35 preparándose, 0.56 preparándose y enseñando | El sesgo de publicación se evaluó solo con la N a prueba de fallos de Rosenthal, un método hoy muy criticado |
| Kobayashi (2019), Frontiers in Psychology | 44 comparaciones de grupos | g = 0.50 expectativa directa vs 0.27 indirecta | El titular de 0.84 para la enseñanza directa descansa sobre k = 4 |
| Kobayashi (2024), Educational Psych. Review | 39 estudios | g = 0.27 en conjunto; 0.48 con expectativa, -0.02 sin ella | Heterogeneidad I-cuadrado del 76 al 94%, así que la cifra agrupada única dice poco |
| Ribosa y Duran (2022), Educational Research Review | 23 estudios, 62 comparaciones | g = 0.17 | No significativo frente a un control activo; no se detectó sesgo de publicación |
| Bisra et al. (2018), Educational Psych. Review | 69 tamaños del efecto | g = 0.55 para la autoexplicación | La versión en solitario y sin audiencia puntúa al menos tan alto como la social |
| Chang et al. (2025), Educational Psych. Review | 32 estudios | g = 0.39 para los tutores en tutoría entre edades | Sin moderación por número de sesiones, tipo de tutor ni área temática |
Límites y moderadores: cuándo enseñar no ayuda
Toda revisión honesta de esta literatura tiene que informar de los fracasos, y hay suficientes como para cambiar la forma en que usas la técnica.
Esperar enseñar no sobrevive de forma fiable a una demora. Fiorella y Mayer (2013) enseñaron el efecto Doppler a estudiantes universitarios. Quienes se prepararon para enseñar superaron al control en una prueba de comprensión inmediata, pero en una prueba diferida a una semana, esperar enseñar no produjo ningún beneficio sobre el control. Su seguimiento de 2014 encontró que los estudiantes que enseñaron de verdad fueron los que mejor rindieron en la prueba diferida.
Renkl (1995) no encontró ningún beneficio en prepararse para enseñar ejemplos resueltos de probabilidad. Guerrero y Wiley (2021) es el artículo más sólido del otro lado, con unos 210 participantes por experimento, pero sus efectos son pequeños (eta cuadrado parcial de .02 en ambos) y su afirmación sobre la demora descansa en una interacción no significativa. Lachner y sus colegas, al revisar el área en Educational Psychology Review en 2022, abren preguntándose por qué varios estudios recientes "did not replicate this effect" (no replicaron este efecto).
Una audiencia en vivo no es claramente mejor que una imaginada. Esto va en contra del relato intuitivo. Wang, Lin y Chen (2021) pasaron a 597 estudiantes de secundaria por un cruce entre expectativa de enseñar y enseñanza a un compañero, enseñanza imaginada y ninguna enseñanza. La enseñanza imaginada mejoró la comprensión tanto inmediata como diferida; la enseñanza a un compañero solo mejoró la inmediata. Los autores aconsejan cautela en ambos sentidos. El análisis de interactividad de Kobayashi apunta en la dirección opuesta. El panorama está sin resolver, lo que significa que quien te diga que hace falta una audiencia real va por delante de la evidencia.
Varios estudios bien hechos no encuentran nada. Jacob, Lachner y Scheiter (2021) compararon explicar en voz alta, escribir en un editor, escribir en un chat de mensajería y un control de recuperación con 137 participantes: ninguna diferencia en el aprendizaje. Lo que sí difirió es instructivo. Explicar se valoró como más costoso en esfuerzo, más placentero y más interesante que recuperar, y produjo el mismo resultado. El esfuerzo y el disfrute no son evidencia de aprendizaje. Lachner, Jacob y Hoogerheide (2021) no encontraron ningún efecto de explicar en un experimento (N = 147), y en un segundo (N = 51) autoexplicarse superó a explicar a un estudiante ficticio.
Los docentes novatos tienden a contar en lugar de explicar. Roscoe y Chi (2007), en la Review of Educational Research, documentaron lo que llamaron un sesgo de transmisión de conocimiento: los tutores "simply revealed answers, summarized facts, or described procedures with little elaboration" (simplemente revelaban respuestas, resumían hechos o describían procedimientos con poca elaboración), y los tutores novatos juzgan mal su propia comprensión de lo que enseñan. El beneficio cognitivo viene de la elaboración, y el comportamiento por defecto se la salta.
Un daño documentado, en habilidades motoras. Daou y sus colegas (2019) hicieron que varias personas aprendieran a hacer putts de golf esperando o bien enseñarlo, o bien un examen. El grupo de enseñanza rindió mejor bajo poca presión y luego cayó al nivel del grupo de examen bajo presión alta. Una replicación con informe registrado y 156 participantes lo confirmó. Si estás aprendiendo algo que tendrás que ejecutar bajo presión, prepararte para enseñarlo puede no ser neutral.
Lo que no parece importar: la edad del aprendiz y el área temática. Ribosa y Duran describen el efecto como aparentemente estable entre niveles educativos y áreas de contenido, y Chang et al. (2025) no encontraron moderación por número de sesiones, tipo de tutor ni materia en 32 estudios de tutoría entre edades.
Así que la afirmación defendible es más estrecha que la popular. Comprometerse de antemano a explicar algo, y luego explicarlo de memoria, es un buen uso del tiempo de estudio. No es de forma fiable mejor que simplemente autoevaluarse, y el elemento social hace menos trabajo del que sugiere el relato.
Por qué funciona enseñar: los mecanismos cognitivos
Enseñar activa varios procesos a la vez, cada uno de los cuales mejora el aprendizaje por sí mismo. Cuál de ellos es el responsable real sigue siendo objeto de debate.
Práctica de recuperación
Koh, Lee y Lim propusieron la hipótesis de la práctica de recuperación: enseñar ayuda porque te obliga a sacar el material de la memoria, y la enseñanza en sí añade poco. Su condición de apuntes en la mano, que elimina la recuperación y conserva la enseñanza, es la prueba limpia, y no mostró ningún beneficio.
Cuidado con la fuerza con la que afirmas esto. Kobayashi evaluó la hipótesis en Frontiers in Psychology en 2022 y concluyó que "the currently available evidence is inadequate to assess the hypothesis" (la evidencia disponible actualmente es inadecuada para evaluar la hipótesis). La revisión de 2022 de Lachner y colegas trata la recuperación como un mecanismo candidato entre varios, no como la respuesta establecida.
Monitoreo metacognitivo
Enseñar te obliga a evaluar tu propia comprensión en tiempo real. A medida que explicas, vas comprobando si aquello se sostiene. Este tipo de automonitoreo es central en el aprendizaje autorregulado (Dunlosky y Metcalfe, 2009).
Cuando estudias para ti mismo puedes pasar por alto una comprensión borrosa. Cuando estudias para enseñar, esa falta de claridad se convierte en un problema que tienes que resolver.
Recuperación elaborativa
Prepararte para enseñar hace que reconstruyas razonamientos, generes ejemplos y construyas analogías en lugar de solo recordar hechos, la familia de actividades que Fiorella y Mayer (2016) agruparon bajo el aprendizaje generativo. Una advertencia sobre la evidencia que suele citarse aquí: Karpicke y Blunt (2011) mostraron en Science que la práctica de recuperación superaba al estudio elaborativo con mapas conceptuales, y su propia conclusión va en contra del encuadre de la elaboración, al atribuir la ganancia a "retrieval-specific mechanisms rather than by elaborative study processes" (mecanismos específicos de la recuperación, y no a procesos de estudio elaborativos).
La responsabilidad, con una salvedad
El relato popular dice que la dependencia de otra persona respecto de ti cambia lo que está en juego, y Biswas, Leelawong, Schwartz, Vye y el Teachable Agents Group de Vanderbilt (2005) trataron la responsabilidad como un principio de diseño para los agentes enseñables. Dos matices honestos. La expresión "responsibility effect" (efecto de la responsabilidad) no aparece en ese artículo y no es un término establecido en esta literatura. Y Chase et al. citan la observación como evidencia anecdótica de que los estudiantes desarrollaban un sentimiento de responsabilidad hacia sus agentes, que es como entró en la literatura.
La versión medida de la afirmación es más débil y más interesante. El análisis de interactividad de Kobayashi es compatible con que una audiencia real ayude; el experimento de 597 estudiantes de Wang, Lin y Chen apunta en el otro sentido. Trata la responsabilidad como un mecanismo plausible, no como uno demostrado.
Procesamiento organizativo
Para enseñar algo tienes que decidir qué va primero, qué depende de qué y qué se puede omitir. Nestojko et al. observaron una versión de esto: los participantes que esperaban enseñar recordaron el pasaje en un orden que seguía la estructura de párrafos del texto más de cerca que el grupo con expectativa de examen. Fíjate en qué es eso y qué no es. Es evidencia de una reestructuración hacia la organización de la fuente, no de la construcción de una jerarquía más profunda, y una segunda medida de organización en el mismo experimento no mostró ninguna diferencia.
La pirámide del aprendizaje: por qué el número del 90% es un mito
Probablemente hayas visto la pirámide del aprendizaje: un pulcro triángulo que asigna a cada actividad un porcentaje de retención, con "enseñar a otros" coronado en el 90% y la lectura en el 10%. Suele atribuirse a los National Training Laboratories de Bethel, Maine. Esta es la versión que circula:
| Actividad de aprendizaje | Tasa de retención afirmada |
|---|---|
| Clase magistral (escucha pasiva) | 5% |
| Lectura | 10% |
| Audiovisual | 20% |
| Demostración | 30% |
| Grupo de discusión | 50% |
| Práctica haciendo | 75% |
| Enseñar a otros | 90% |
Esos números no son reales. Kåre Letrud y Sigbjørn Hernes rastrearon la historia de la pirámide en Cogent Education (2018) y encontraron que versiones de ella llevan circulando en el debate educativo más de 160 años, y concluyeron que los modelos "did not originate from empirical research" (no se originaron en investigación empírica). Preguntados directamente por las cifras, en NTL respondieron: "Yes, we believe it to be accurate, but no, we no longer have, nor can we find, the original research that supports the numbers" (sí, creemos que es exacta, pero no, ya no tenemos, ni podemos encontrar, la investigación original que respalda los números), citado en Lalley y Miller (2007). Fíjate en la afirmación precisa. NTL dijo que la investigación no se puede localizar, no que nunca se hiciera. En cualquier caso, no hay nada que comprobar.
Las cifras sospechosamente redondas y equidistantes son la señal delatora. Los datos reales de memoria nunca se alinean en 10, 20, 30, 50.
Entonces, ¿por qué mostrar la pirámide? Porque el orden que implica, que la producción activa supera al consumo pasivo, tiene un respaldo amplio aunque los porcentajes sean ficción (Dunlosky et al., 2013; Karpicke y Blunt, 2011). Expresa el beneficio como un tamaño del efecto de aproximadamente 0.17 a 0.56, no como un 90%. Si ves la pirámide citada como dato duro, tómalo como una señal sobre la fuente.
Estudiar para uno mismo vs. estudiar para enseñar: una comparación directa
¿Qué cambia cuando pasas de "estoy estudiando esto para mí" a "estoy estudiando esto para enseñárselo a alguien"?
| Dimensión | Estudiar para uno mismo | Estudiar para enseñar |
|---|---|---|
| Organización de la información | Sigue el orden de la fuente de forma laxa | Reestructurada; el recuerdo sigue más de cerca la propia estructura de la fuente |
| Enfoque | Cobertura amplia, intenta absorberlo todo | Enfoque selectivo en conceptos clave y relaciones |
| Detección de vacíos | Baja; es fácil pasar por alto la confusión | Alta; los vacíos se convierten en obstáculos para explicar con claridad |
| Retención después de 1 semana | Referencia | Mayor solo si te comprometiste de antemano y explicas de memoria |
| Profundidad de la comprensión | De superficial a moderada | Más profunda, cuando la elaboración ocurre de verdad en lugar de la mera transmisión de conocimiento |
| Motivación | Extrínseca (aprobar el examen) | Prosocial (ayudar a otro a entender) |
| Estrategia de estudio | Releer, subrayar, tomar apuntes | Resumir, generar ejemplos, crear analogías |
| Corrección de errores | A menudo se aplaza o se ignora | Se aborda de inmediato; los errores confundirían al aprendiz |
La mentalidad de estudiar para enseñar no exige más tiempo. Exige una intención distinta, formada antes de empezar a leer. Ese orden no es una preferencia estilística: es la diferencia entre g = 0.48 y g = -0.02 en los datos de 2024 de Kobayashi.
El efecto protégé vs. la técnica Feynman
La técnica Feynman y el efecto protégé están relacionados pero son distintos, y la comparación es menos desigual de lo que suele presentarse.
La técnica Feynman te pide explicar un concepto en lenguaje sencillo como si se lo enseñaras a un principiante: elegir un concepto, explicarlo con llaneza, encontrar los vacíos y simplificar de nuevo. Tal como se practica normalmente es un ejercicio en solitario, sin ninguna persona real que dependa del resultado.
El efecto protégé añade la capa social. Pero este es el hallazgo que debería moderar la jerarquía habitual: la autoexplicación, la prima en solitario, se agrupa en g = 0.55 a lo largo de 69 tamaños del efecto (Bisra et al., 2018), lo que está en la parte alta del rango de aprender enseñando y por encima de la mayoría de sus estimaciones. La audiencia puede estar aportando menos de lo que sugiere el encuadre.
| Característica | Técnica Feynman | Efecto protégé |
|---|---|---|
| Audiencia | Imaginada o uno mismo | Persona real o audiencia pública |
| Responsabilidad | Solo interna | Social; alguien depende de tu precisión |
| Mecanismo principal | Autoexplicación, detección de vacíos | Recuperación más monitoreo metacognitivo |
| Ideal para | Comprensión profunda de conceptos individuales | Motivación sostenida y una razón para terminar |
| Base de evidencia | Se agrupa en g = 0.55 para la autoexplicación | Se agrupa en g = 0.17 a 0.56, con la expectativa como moderador clave |
| Componente social | Opcional | Presente, pero su valor añadido está en disputa |
La lectura práctica: haz las dos cosas, y no des por hecho que lo que funciona es la audiencia. Lo que ambos métodos comparten, la recuperación desde la memoria y la elaboración forzada, son las partes con el respaldo más fuerte. Una audiencia real se entiende mejor como un mecanismo de compromiso, lo que no es poca cosa, porque aprender en público es lo que hace que de verdad llegues a explicar.
¿Funciona el efecto protégé cuando tu alumno es una IA?
Dado que los agentes enseñables originales estaban guionizados, una pregunta obvia es si un modelo de lenguaje grande es un mejor protégé. La evidencia de 2024 a 2026 dice: todavía no, y la razón es concreta.
La prueba más limpia es un resultado nulo. Xu, Zhang, Tang y Lee (2026) asignaron al azar a 96 participantes en cuatro condiciones: explicar a un LLM que hacía de tutorando, de compañero, de contrincante, o un control casi pasivo. En la prueba posterior, ninguna condición superó al control (F(3,91) = 1.54, p = .21). El esfuerzo subió con claridad: el grupo del tutorando escribió 353.8 palabras de media frente a 121.3 del control. Simplemente no se convirtió en conocimiento. El grupo del tutorando también reportó la mayor presión de los tres roles de agente, 4.02 frente a 2.49 del compañero y 2.93 del contrincante, y nada mejor que el control pasivo, en 4.06. Eso es lo contrario del amortiguador protector del ego que describieron Chase et al. (2009), donde enseñar a un agente debía proteger al aprendiz del escozor de equivocarse.
Un artículo muy citado nombra el defecto y nunca mide el aprendizaje. Jin, Lee, Shin y Kim (CHI 2024) construyeron TeachYou y su tutorando basado en un LLM, AlgoBo, y reportaron que "LLMs' expansive knowledge as tutees discourages learners from teaching" (el amplio conocimiento de los LLM como tutorandos desanima a los aprendices a enseñar). Su nombre para ese modo de fallo es subenseñanza: los aprendices dejan de intentarlo porque el agente ya lo sabe. El artículo señala como limitación que no realizó ninguna prueba pre-post, y su intervención metacognitiva no mostró ninguna ganancia significativa.
Hay resultados positivos, y cada uno tiene su trampa. Chen, Wei, Le y Zhang (2025) encontraron que los estudiantes que enseñaron a un agente de ChatGPT puntuaron más alto en una prueba de conocimientos de programación (n = 41), pero la corrección del código no fue significativamente distinta, y la explicación de los propios autores es reveladora: ChatGPT tiende a producir código correcto, lo que elimina la práctica de depuración. El despliegue más grande, el estudio de un semestre de Wang y colegas en la EPFL (2026), con 453 estudiantes analizados y 3809 diálogos, encontró que el grupo de enseñanza necesitó alrededor de un 4.9 por ciento menos de intentos en los cuestionarios que una línea base de lectura. Fíjate en cuál es el resultado: intentos en cuestionarios, no una prueba de conocimientos, y costó 14.4 minutos de trabajo frente a 3.4. Alrededor de una cuarta parte de los diálogos contenía contenido externo pegado, y eso predijo un peor rendimiento.
La credibilidad no es el obstáculo. Rogers y colegas (2025) pasaron a 119 estudiantes por cuatro experimentos, uno de los cuales comparó un tutorando basado en un LLM con un cómplice humano que fingía ser novato. La inteligencia percibida no fue significativamente distinta. Los estudiantes se creen la actuación.
El modelo no se mantiene como novato. Este es el verdadero bloqueo. Song, Guo y Lin (2026) lo dicen sin rodeos: incluso cuando se les pide actuar como novatos, los LLM "can still produce expert-level explanations" (pueden seguir produciendo explicaciones de nivel experto), yéndose más allá del nivel de conocimiento previsto. Peor aún, capitulan. Do, Sonkar y Sachan (2026, un preprint) midieron con qué frecuencia los estudiantes simulados abandonan una idea equivocada y encontraron que el modelo más pequeño que probaron, Qwen3-4B, cambiaba su respuesta el 92 por ciento de las veces ante una retroalimentación que no dice más que "you're wrong" (te equivocas). Un tutorando que está de acuerdo con lo que sea que digas no puede mostrarte que tu explicación falló, y esa señal de fallo es justamente el objetivo.
También hay un hueco citable en esta literatura: nadie ha replicado la manipulación original de la responsabilidad con un tutorando basado en un LLM. Los artículos sobre agentes enseñables con LLM se apoyan en Chase et al. para el mecanismo sin ponerlo a prueba.
Qué hacer con eso. Usa un LLM como compañero de ensayo, no como protégé. Explica de memoria con la fuente cerrada, que es la parte con mejor evidencia, y luego pídele que encuentre los vacíos en lo que dijiste. Dile que mantenga una posición equivocada hasta que lo corrijas de verdad, y toma el acuerdo fácil como señal de que el ejercicio no está funcionando. Si quieres el efecto protégé propiamente dicho, la evidencia sigue apuntando a una persona.
Cinco formas de "enseñar" sin ser docente
No necesitas un aula ni alumnos para activar el efecto protégé. Lo que sí necesitas, según todo lo anterior, es decidir antes de leer que le vas a explicar esto a alguien, y luego explicarlo sin mirar.
1. Haz públicos tus subrayados
Cuando subrayas un pasaje con el subrayador web de Glasp y añades una nota que explica por qué importa, estás realizando un microacto de enseñanza. Tus subrayados aparecen en tu perfil público, donde otros aprendices pueden encontrarlos. Esa visibilidad desplaza tu procesamiento de "esto me resulta interesante" a "esto necesita ser lo bastante claro para otra persona".
El orden importa más que la herramienta. Decide que estás anotando para un lector antes de empezar el artículo, no después. Con el tiempo, la colección se convierte en un recurso de enseñanza: una lista de lectura curada con contexto que otros pueden seguir.
2. Escribe entradas de blog y resúmenes
Escribir un resumen para una audiencia fuerza el mismo trabajo organizativo y elaborativo que la enseñanza formal. Tienes que decidir qué es esencial, construir un flujo lógico y expresar las ideas con tus propias palabras. La audiencia no necesita ser grande.
Usar YouTube Summary para extraer los puntos clave de clases y charlas te da la materia prima. El aprendizaje ocurre cuando lo cierras y escribes tú mismo la explicación.
3. Únete a grupos de estudio o créalos
Los grupos de estudio con rotaciones de enseñanza activan el efecto de forma sistemática; los grupos donde todos leen en silencio, no. Asigna conceptos concretos de antemano, para que cada miembro sepa con días de antelación que es responsable de uno. Haz que cada persona enseñe sin apuntes mientras los demás hacen preguntas. Las preguntas hacen un trabajo real, porque obligan a quien enseña a elaborar en lugar de recitar.
4. Practica explicando a una IA, con expectativas realistas
El chat de IA de Glasp te permite ensayar una explicación sin reclutar a un humano. Ten claro qué te aporta eso. Como expone la sección anterior, la evidencia aleatorizada sobre enseñar a un tutorando basado en un LLM es por ahora nula, y el valor que puedes obtener de forma fiable es la recuperación y la detección de vacíos, no el mecanismo social.
Así que úsalo de esa manera. Cierra la fuente, explica el concepto de memoria y luego pídele a la IA que identifique qué te dejaste, en qué te equivocaste y qué seguiría preguntando un lector confundido. Llévale la contraria cuando esté de acuerdo demasiado rápido. Lo estás usando como examinador, no como alumno.
5. Comparte en plataformas comunitarias
Publicar tu aprendizaje en el feed comunitario pone tu comprensión frente a personas reales. Cuando alguien comenta, hace una pregunta u ofrece una lectura distinta, obtienes una retroalimentación que el estudio en solitario no puede producir. Si una audiencia en vivo aporta algo más allá de la explicación en sí sigue sin estar resuelto, como dice la sección de límites. Lo que sí hace de forma fiable es que llegues hasta el final.
Aprender en público: el efecto protégé a escala
Aprender en público es el efecto protégé aplicado a toda tu práctica. En lugar de estudiar en privado y enseñar de vez en cuando, compartes lo que lees por norma, lo que convierte la expectativa en la condición permanente de cómo lees, y no en algo que tienes que acordarte de invocar.
Ese es el argumento más fuerte a su favor. El moderador mejor respaldado de esta literatura es anticipar una audiencia antes de estudiar, y un hábito de compartir significa que nunca estudias sin una.
Glasp se construyó en torno a esto. Cuando exportas tus subrayados a una entrada de blog, los compartes o los dejas visibles en tu perfil, la anotación tiene que tener sentido para alguien que no estuvo ahí. Combina eso con el recuerdo activo y estarás ejercitando los dos mecanismos con mejor evidencia detrás.
Los beneficios van más allá de la retención individual. Tu aprendizaje público se convierte en una contribución a la inteligencia colectiva. Otros construyen sobre tus subrayados; tú encuentras nuevos ángulos a través de los suyos.
Preguntas frecuentes
¿Qué es el efecto protégé en palabras sencillas?
El efecto protégé es el hallazgo de que aprendes mejor el material cuando te preparas para enseñárselo a otra persona que cuando lo estudias solo para ti. Prepararte para enseñar te empuja a organizar el material, a notar tus propios vacíos y a recuperarlo de la memoria. Nestojko et al. (2014) mostraron que incluso esperar enseñar, sin llegar a enseñar nunca, mejoró el recuerdo en un experimento, aunque un segundo experimento del mismo artículo no encontró ningún efecto global.
¿En cuánto mejora el aprendizaje enseñar a otros?
La respuesta honesta es un rango de tamaños del efecto, no un porcentaje. El metaanálisis de 2019 de Kobayashi, con 28 estudios, encontró g = 0.35 para prepararse a enseñar y g = 0.56 para prepararse y enseñar. Su metaanálisis de 2024, con 39 estudios, encontró g = 0.27 en conjunto. La síntesis más conservadora, Ribosa y Duran (2022), encontró g = 0.17 y ninguna ventaja significativa sobre un control activo. Ignora la cifra del "90% de retención" de la pirámide del aprendizaje; Letrud y Hernes (2018) mostraron que no tiene ninguna fuente empírica.
¿Qué es lo que más determina que funcione?
El factor decisivo es si sabías de antemano que ibas a enseñar. En el metaanálisis de 2024 de Kobayashi, enseñar después de estudiar con una expectativa previa de enseñanza dio g = 0.48; enseñar después de estudiar sin ella dio g = -0.02. Decídelo antes de abrir el material, no después.
¿Es mejor enseñar que simplemente autoevaluarse?
A menudo no, y ese es el resultado menos reportado de esta literatura. Koh, Lee y Lim (2018) encontraron que la pura práctica de recuperación igualó a enseñar de memoria en una prueba de comprensión una semana después, y que ambas superaron a enseñar con los apuntes en la mano. La autoexplicación se agrupa en g = 0.55 (Bisra et al., 2018), por encima de la mayoría de las estimaciones para aprender enseñando. Si tu objetivo es solo la retención, el recuerdo activo es la vía más barata. Enseñar añade motivación, una audiencia y una razón para terminar.
¿En qué se diferencia el efecto protégé de la técnica Feynman?
La técnica Feynman consiste en explicar un concepto en lenguaje sencillo para encontrar tus vacíos de conocimiento, normalmente a solas. El efecto protégé añade una audiencia real o anticipada. Los mecanismos que comparten, la recuperación y la elaboración, son los que tienen la evidencia más fuerte; cuánto aporta la audiencia en sí sigue en disputa, ya que Wang, Lin y Chen (2021) encontraron que la enseñanza imaginada mejoraba la comprensión diferida mientras que la enseñanza real a un compañero no lo hacía.
¿Funciona el efecto protégé si enseñas a una IA?
Con la evidencia actual, no de forma fiable. La prueba aleatorizada más limpia (Xu et al., 2026, N = 96) no encontró ninguna ventaja de aprendizaje al explicar a un tutorando basado en un LLM en comparación con un control casi pasivo, aunque los participantes trabajaron claramente más. La razón principal es que los modelos de lenguaje no se mantienen como novatos: se van hacia explicaciones de nivel experto y aceptan cualquier corrección que les ofrezcas. Usa una IA para que te examine sobre una explicación que diste de memoria, que es la parte con evidencia detrás, en lugar de como un alumno al que enseñas.
¿Necesito ser experto para beneficiarme de enseñar a otros?
No, y hay un riesgo real en la dirección contraria. Chase et al. (2009) encontraron ganancias de aprendizaje en estudiantes de secundaria que no eran expertos en nada. Pero Roscoe y Chi (2007) documentaron que los tutores novatos caen por defecto en la transmisión de conocimiento, recitando hechos con poca elaboración, y juzgan mal su propia comprensión. El beneficio vive en la elaboración, así que oblígate a explicar el porqué, no solo el qué.
¿Cómo se relaciona el efecto protégé con el recuerdo activo?
Enseñar de memoria es una forma de recuerdo activo: recuperas, elaboras y monitoreas tu precisión. Ese solapamiento es probablemente la mayor parte del efecto. La hipótesis de la práctica de recuperación de Koh, Lee y Lim lo hace explícito, aunque la revisión de 2022 de Kobayashi concluyó que la evidencia todavía no es lo bastante fuerte para zanjarlo.
Conclusión: qué respalda realmente la evidencia
Aprender enseñando funciona, y funciona por razones menos místicas que las que afirma la versión popular. Agregada a lo largo de los buenos estudios, es una ganancia de modesta a moderada, en algún punto entre g = 0.17 y g = 0.56, y casi toda ella depende de decidir de antemano que tendrás que explicarle esto a alguien. Enseña con tus apuntes delante y no obtendrás nada. Que te digan que enseñes cuando ya has estudiado y no obtendrás nada. Comprométete primero y luego explica de memoria, y obtendrás un efecto real que se solapa en buena medida con la simple práctica de recuperación.
Es una afirmación más estrecha que "enseñar a otros te da un 90% de retención", y es más útil, porque te dice exactamente qué parte conservar.
La versión práctica es corta. Antes de leer algo, decide a quién se lo vas a explicar. Subraya con el subrayador web de Glasp como si estuvieras anotando para esa persona. Cierra la pestaña y explícalo de memoria, a un grupo de estudio, a una audiencia de blog o al feed comunitario. Usa el chat de IA de Glasp para interrogar la explicación que acabas de dar, en lugar de para enseñar a un alumno que ya sabe la respuesta. Convierte un YouTube Summary en tu propio argumento escrito en lugar de en una transcripción.
El compromiso va primero. Todo lo que la investigación respalda se deriva de ahí.
Referencias
Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., and Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30, 703-725. doi:10.1007/s10648-018-9434-x
Biswas, G., Leelawong, K., Schwartz, D., Vye, N., and The Teachable Agents Group at Vanderbilt (2005). Learning by teaching: A new agent paradigm for educational software. Applied Artificial Intelligence, 19(3-4), 363-392. doi:10.1080/08839510590910200
Chang, A., Mauer, E., Wanzek, J., Kim, S., Scammacca, N., and Swanson, E. (2025). Examining the academic effects of cross-age tutoring: A meta-analysis. Educational Psychology Review, 37. doi:10.1007/s10648-025-09997-z
Chase, C. C., Chin, D. B., Oppezzo, M. A., and Schwartz, D. L. (2009). Teachable agents and the protege effect: Increasing the effort towards learning. Journal of Science Education and Technology, 18(4), 334-352. doi:10.1007/s10956-009-9180-4
Chen, A., Wei, Y., Le, H., and Zhang, Y. (2025). Learning by teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education. British Journal of Educational Technology, 57(1), 163-184. doi:10.1111/bjet.70001
Cabral, D. A. R., Daou, M., Bacelar, M. F. B., Parma, J. O., and Miller, M. W. (2023). Does learning a skill with the expectation of teaching it impair the skill's execution under psychological pressure if the skill is learned with analogy instructions? Psychology of Sport and Exercise, 66, 102323. doi:10.1016/j.psychsport.2022.102323
Daou, M., Hutchison, Z. J., Bacelar, M. F. B., Rhoads, J. A., Lohse, K. R., and Miller, M. W. (2019). Learning a skill with the expectation of teaching it impairs the skill's execution under psychological pressure. Journal of Experimental Psychology: Applied, 25(2), 219-229. doi:10.1037/xap0000191
Do, H., Sonkar, S., and Sachan, M. (2026). Simulating students or sycophantic problem solving? On misconception faithfulness of LLM simulators. arXiv:2605.12748 [preprint].
Dunlosky, J., and Metcalfe, J. (2009). Metacognition. Thousand Oaks, CA: SAGE Publications.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., and Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4-58. doi:10.1177/1529100612453266
Fiorella, L., and Mayer, R. E. (2013). The relative benefits of learning by teaching and teaching expectancy. Contemporary Educational Psychology, 38(4), 281-288. doi:10.1016/j.cedpsych.2013.06.001
Fiorella, L., and Mayer, R. E. (2014). Role of expectations and explanations in learning by teaching. Contemporary Educational Psychology, 39(2), 75-85. doi:10.1016/j.cedpsych.2014.01.001
Fiorella, L., and Mayer, R. E. (2016). Eight ways to promote generative learning. Educational Psychology Review, 28(4), 717-741. doi:10.1007/s10648-015-9348-9
Guerrero, T. A., and Wiley, J. (2021). Expecting to teach affects learning during study of expository texts. Journal of Educational Psychology. doi:10.1037/edu0000657
Jacob, L., Lachner, A., and Scheiter, K. (2021). Does increasing social presence enhance the effectiveness of writing explanations? PLOS ONE, 16(4), e0250406. doi:10.1371/journal.pone.0250406
Jin, H., Lee, S., Shin, H., and Kim, J. (2024). Teach AI how to code: Using large language models as teachable agents for programming education. Proceedings of CHI 2024. doi:10.1145/3613904.3642349
Karpicke, J. D., and Blunt, J. R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772-775. doi:10.1126/science.1199327
Kobayashi, K. (2019). Interactivity: A potential determinant of learning by preparing to teach and teaching. Frontiers in Psychology, 9, 2755. doi:10.3389/fpsyg.2018.02755
Kobayashi, K. (2019). Learning by preparing-to-teach and teaching: A meta-analysis. Japanese Psychological Research, 61(3), 192-203. doi:10.1111/jpr.12221
Kobayashi, K. (2022). The retrieval practice hypothesis in research on learning by teaching: Current status and challenges. Frontiers in Psychology, 13, 842668. doi:10.3389/fpsyg.2022.842668
Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching: A meta-analytic approach. Educational Psychology Review, 36(1), Article 26. doi:10.1007/s10648-024-09871-4
Koh, A. W. L., Lee, S. C., and Lim, S. W. H. (2018). The learning benefits of teaching: A retrieval practice hypothesis. Applied Cognitive Psychology, 32(3), 401-410. doi:10.1002/acp.3410
Lachner, A., Hoogerheide, V., van Gog, T., and Renkl, A. (2022). Learning-by-teaching without audience presence or interaction: When and why does it work? Educational Psychology Review, 34(2), 575-607. doi:10.1007/s10648-021-09643-4
Lachner, A., Jacob, L., and Hoogerheide, V. (2021). Learning by writing explanations: Is explaining to a fictitious student more effective than self-explaining? Learning and Instruction, 74, 101438. doi:10.1016/j.learninstruc.2020.101438
Lalley, J. P., and Miller, R. H. (2007). The learning pyramid: Does it point teachers in the right direction? Education, 128(1), 64-79.
Letrud, K., and Hernes, S. (2018). Excavating the origins of the learning pyramid myths. Cogent Education, 5(1), 1518638. doi:10.1080/2331186X.2018.1518638
Nestojko, J. F., Bui, D. C., Kornell, N., and Bjork, E. L. (2014). Expecting to teach enhances learning and organization of knowledge in free recall of text passages. Memory and Cognition, 42(7), 1038-1048. doi:10.3758/s13421-014-0416-z
Renkl, A. (1995). Learning for later teaching: An exploration of mediational links between teaching expectancy and learning results. Learning and Instruction, 5(1), 21-36. doi:10.1016/0959-4752(94)00015-H
Ribosa, J., and Duran, D. (2022). Do students learn what they teach when generating teaching materials for others? A meta-analysis through the lens of learning by teaching. Educational Research Review, 37, 100475. doi:10.1016/j.edurev.2022.100475
Rogers, K., Davis, M., Maharana, M., Etheredge, P., and Chernova, S. (2025). Playing dumb to get smart: Creating and evaluating an LLM-based teachable agent within university computer science classes. Proceedings of CHI 2025. doi:10.1145/3706598.3713644
Roscoe, R. D., and Chi, M. T. H. (2007). Understanding tutor learning: Knowledge-building and knowledge-telling in peer tutors' explanations and questions. Review of Educational Research, 77(4), 534-574. doi:10.3102/0034654307309920
Song, J., Guo, Z., and Lin, J. (2026). Simulating novice students using machine unlearning and relearning in large language models. Proceedings of AIED 2026, Lecture Notes in Computer Science. doi:10.1007/978-3-032-29744-0_42
Wang, Y., Lin, L., and Chen, O. (2021). The benefits of teaching on comprehension, motivation, and perceived difficulty: Empirical evidence of teaching expectancy and the interactivity of teaching. British Journal of Educational Psychology, 91(4), 1275-1290. doi:10.1111/bjep.12416
Wang, C., Petrie, C., Stouras, M., Ettlin, N., George, A., Mejia-Domenzain, P., Swamy, V., Kaeser, T., and Svensson, O. (2026). Turning 500+ students into teachers: A semester-long study of an AI teachable agent in an undergraduate algorithms course. Proceedings of the Thirteenth ACM Conference on Learning @ Scale, 350-360. doi:10.1145/3774398.3811623
Xu, Z., Zhang, J., Tang, A., and Lee, Y.-C. (2026). Who you explain to matters: Learning by explaining to conversational agents with different pedagogical roles. Proceedings of CHI 2026. doi:10.1145/3772318.3790298
