BETA Este sitio está en versión beta. Seguimos añadiendo y revisando la información.
LINC Acceda a atención de salud mental en su idioma
Español
Un taller portátil para profesionales

Alfabetización en IA para servicios de primera línea a inmigrantes y refugiados

Un taller breve y portátil que ayuda al personal de primera línea de organizaciones que sirven a inmigrantes y refugiados a usar bien las herramientas de IA: con confianza para las tareas en las que la IA es buena, y con cuidado para las tareas en las que falla. No está ligado a ninguna agencia, así que cualquier organización puede realizarlo con su propio personal y sus propias políticas.

De qué trata esto

Este taller trata sobre la IA generativa: los chatbots y asistentes de escritura que producen texto, como ChatGPT, Claude, Gemini y Microsoft Copilot. No trata sobre todo tipo de IA. El punto son las herramientas en las que su personal y sus clientes ya están escribiendo.

Para quién es

Trabajadores de casos de asentamiento, navegadores de beneficios y recursos, personal de admisión de asistencia legal, docentes de ESL, navegadores de salud y voluntarios. No se presupone ningún conocimiento técnico.

Cómo realizarlo

La Parte 1 es la columna de seguridad. Dura entre 2 y 3 horas como taller completo, o puede elegir los módulos que necesite. La Parte 2 es una vía práctica más corta, de alrededor de una hora, que puede realizar en grupo o entregar como referencia. Imprima la tarjeta de reglas básicas del final para todo el equipo.

Este es un currículo prototipo de investigación. Es un material de capacitación, no un curso certificado, un protocolo clínico ni un sustituto de las políticas propias de su organización. Adáptelo a su sitio y a su supervisión antes de usarlo.

Cómo usar este taller

Empiece por la Parte 1

Realice los nueve módulos de seguridad en orden, o abra solo el que más necesite.

Lea la evidencia, realice la actividad

Cada módulo incluye la investigación que lo respalda y una breve actividad que un facilitador puede dirigir.

Llévelo a su equipo

Imprima la tarjeta de reglas básicas y comparta el kit de la Parte 2 con su personal.

Parte 1

Entender y usar la IA

Cinco módulos breves sobre lo que hace la herramienta, cómo verificarla y cómo mantener el uso seguro cuando termina el taller. Las páginas de profundización explican qué hace el modelo cuando responde, y después viene el kit práctico.

Usar la herramienta

Que perdure

Para profundizar

Qué hace realmente el modelo

Opcional. Dos páginas complementarias para quienes quieran saber qué hace un modelo cuando responde y en qué se diferencian los modelos entre sí.

Kit práctico

Abra el kit práctico

Ayudas cotidianas que ahorran tiempo, el trabajo entre idiomas, la IA agéntica en palabras sencillas, la nube y el intercambio de datos, el control de versiones y una lista de verificación para elegir una herramienta de forma responsable. Incluye la miniguía de instrucciones (prompts) y tarjetas de recetas listas para usar.

Trabajo diario

Suba de nivel

Gestiónelo bien

Analizar y comunicar

Parte 2

La IA y la ética

Cuatro módulos sobre el daño que esta tecnología puede causar a las personas que usted atiende. Primero los datos del cliente, luego el sesgo, luego de dónde salió la herramienta y qué cuesta, y por último la brecha lingüística y el derecho a un intérprete.

Imprima para su equipo Las reglas básicas de IA de nuestro equipo

Una tarjeta imprimible de una página: para qué usar la IA, qué verificar siempre y qué no ingresar nunca en una herramienta de IA, además del derecho a un intérprete. Imprímala y adáptela con las herramientas y los idiomas que usa su agencia.

Abrir la tarjeta imprimible →
Si su agencia quiere ir más allá: orientación y plantillas de políticas

Este taller cubre la misma base que comparten los currículos de IA para el sector no lucrativo: fundamentos en lenguaje sencillo, verificar cada resultado, proteger los datos del cliente, vigilar el sesgo, adoptar una política escrita de uso aceptable, mantener el uso alineado con la misión y centrado en las personas, y empezar con tareas de bajo riesgo antes del trabajo de casos de alto riesgo. Añade las partes que esos currículos suelen cubrir menos para los servicios a inmigrantes y refugiados: la brecha lingüística, la privacidad y la vigilancia ligadas al estatus migratorio, la desinformación en los idiomas de los clientes, y el derecho a un intérprete como obligación legal. Los recursos de abajo son puntos de partida confiables si su agencia quiere ir más allá o redactar su propia política.

  • Switchboard (centro de asistencia técnica de la Office of Refugee Resettlement). The Use of Artificial Intelligence in Resettlement Work. switchboardta.org
  • Legal Services Corporation. Considerations for Integrating Generative AI into Legal Aid. lsc.gov
  • Data and Society. Poverty Lawgorithms (Michele Gilman), con una sección sobre la vigilancia de inmigrantes. datasociety.net
  • NTEN. Artificial Intelligence Framework for an Equitable World. nten.org
  • NTEN. Generative AI Use Policy Template for the Social Sector (2024). nten.org (PDF)
  • TechSoup. How to Create a Generative AI Use Policy. techsoup.org
  • Project Evident y Stanford HAI. Equitable AI Adoption. projectevident.org
  • UNESCO. AI Competency Framework for Teachers (2024). unesco.org
Fuentes

Este taller es un currículo prototipo de investigación, no un curso certificado ni un protocolo clínico. Los hallazgos de abajo provienen de estudios revisados por pares, salvo donde se indica que son literatura gris. Algunos puntos sobre idiomas específicos se extrapolan del patrón general de que la IA rinde peor en idiomas de menos recursos; para muchos de los idiomas de sus clientes todavía no existe evidencia por idioma. Adapte este taller a las políticas de su agencia antes de usarlo.

  1. Abrajano, M., Garcia, M., Pope, A., Vidigal, R., Tucker, J. A., & Nagler, J. (2024). How reliance on Spanish-language social media predicts beliefs in false political narratives amongst Latinos. PNAS Nexus, 3(11), pgae442. https://doi.org/10.1093/pnasnexus/pgae442
  2. Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), 1–21. https://doi.org/10.1145/3449287
  3. Carlini, N., Tramèr, F., Wallace, E., Jagielski, M., Herbert-Voss, A., Lee, K., Roberts, A., Brown, T., Song, D., Erlingsson, Ú., Oprea, A., & Raffel, C. (2021). Extracting training data from large language models. In 30th USENIX Security Symposium (pp. 2633–2650). USENIX Association. https://arxiv.org/abs/2012.07805
  4. Carreras Tartak, J. A., Haimovich, A. D., Thomas, C. E., Bivens Moore, E., Slebonick, A., Haque, N., & Thomas, S. H. (2025). Evaluating the accuracy of Google Translate in emergency department discharge instructions. The Journal of Emergency Medicine, 79, 132–142. https://doi.org/10.1016/j.jemermed.2025.04.024
  5. Castellon-Lopez, Y. M., Klomhaus, A. M., Garcia, C., Marquez, D., Avila, H., Gravette, H., Lopez-Chang, R., Ortega, B., Norris, K. C., Brown, A. F., & Blanco, L. (2024). MivacunaLA (MyShotLA): A community-partnered mobile phone intervention to improve COVID-19 vaccination behaviors among low-income, Spanish-speaking, and immigrant Latino parents or caregivers. Vaccines, 12(5), 511. https://doi.org/10.3390/vaccines12050511
  6. Cervantes, L., Martin, M., Frank, M. G., Farfan, J. F., Kearns, M., Rubio, L. A., Tong, A., Matus Gonzalez, A., Camacho, C., Collings, A., Mundo, W., Powe, N. R., & Fernandez, A. (2021). Experiences of Latinx individuals hospitalized for COVID-19: A qualitative study. JAMA Network Open, 4(3), e210684. https://doi.org/10.1001/jamanetworkopen.2021.0684
  7. Chelli, M., Descamps, J., Lavoue, V., Trojani, C., Azar, M., Deckert, M., Raynier, J.-L., Clowez, G., Boileau, P., & Ruetsch-Chelli, C. (2024). Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews: Comparative analysis. Journal of Medical Internet Research, 26, e53164. https://doi.org/10.2196/53164
  8. Cronin, A., Kelly, A., Wrona, M., O’Donnell, P., Hassan, A., Myles, T., Fallon, T., & MacFarlane, A. (2025). The patient-safety implications of AI-based communication with migrants in general practice: A scoping review. BJGP Open. https://doi.org/10.3399/BJGPO.2025.0107
  9. Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93. https://doi.org/10.1093/jla/laae003
  10. Deng, Y., Zhang, W., Pan, S. J., & Bing, L. (2023). Multilingual jailbreak challenges in large language models. arXiv. https://arxiv.org/abs/2310.06474
  11. Diamond, L., Izquierdo, K., Canfield, D., Matsoukas, K., & Gany, F. (2019). A systematic review of the impact of patient–physician non-English language concordance on quality of care and outcomes. Journal of General Internal Medicine, 34(8), 1591–1606. https://doi.org/10.1007/s11606-019-04847-5
  12. Ecker, U. K. H., Lewandowsky, S., Cook, J., Schmid, P., Fazio, L. K., Brashier, N., Kendeou, P., Vraga, E. K., & Amazeen, M. A. (2022). The psychological drivers of misinformation belief and its resistance to correction. Nature Reviews Psychology, 1(1), 13–29. https://doi.org/10.1038/s44159-021-00006-y
  13. Ehrhart, M. G., Aarons, G. A., & Farahnak, L. R. (2014). Assessing the organizational context for EBP implementation: The development and validity testing of the Implementation Climate Scale (ICS). Implementation Science, 9(1), Article 157. https://doi.org/10.1186/s13012-014-0157-1
  14. Ettinger de Cuba, S., Miller, D. P., Raifman, J., Cutts, D. B., Bovell-Ammon, A., Frank, D. A., & Jones, D. K. (2023). Reduced health care utilization among young children of immigrants after Donald Trump’s election and proposed public charge rule. Health Affairs Scholar, 1(2), qxad023. https://doi.org/10.1093/haschl/qxad023
  15. Gaube, S., Suresh, H., Raue, M., Merritt, A., Berkowitz, S. J., Lermer, E., Coughlin, J. F., Guttag, J. V., Colak, E., & Ghassemi, M. (2021). Do as AI say: Susceptibility in deployment of clinical decision-aids. npj Digital Medicine, 4(1), Article 31. https://doi.org/10.1038/s41746-021-00385-9
  16. Gobezayehu, A. G., Mohammed, H., Dynes, M. M., Desta, B. F., Barry, D., Aklilu, Y., Tessema, H., Tadesse, L., Mikulich, M., Buffington, S. T., & Sibley, L. M. (2014). Knowledge and skills retention among frontline health workers: Community maternal and newborn health training in rural Ethiopia. Journal of Midwifery & Women’s Health, 59(Suppl 1), S21–S31. https://doi.org/10.1111/jmwh.12146
  17. Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089
  18. Gutman, C. K., Cousins, L., Gritton, J., Klein, E. J., Brown, J. C., Scannell, J., & Lion, K. C. (2018). Professional interpreter use and discharge communication in the pediatric emergency department. Academic Pediatrics, 18(8), 935–943. https://doi.org/10.1016/j.acap.2018.07.004
  19. Herring, J., & Barnow, B. (2025). Indirect effects of immigration enforcement on health care utilization among lawfully present older Hispanics. Social Science & Medicine, 384, 118540. https://doi.org/10.1016/j.socscimed.2025.118540
  20. Jacobs, M., Pradier, M. F., McCoy, T. H., Jr., Perlis, R. H., Doshi-Velez, F., & Gajos, K. Z. (2021). How machine-learning recommendations influence clinician treatment selections: The example of antidepressant selection. Translational Psychiatry, 11(1), Article 108. https://doi.org/10.1038/s41398-021-01224-x
  21. Jin, Y., Chandra, M., Verma, G., Hu, Y., De Choudhury, M., & Kumar, S. (2024). Better to ask in English: Cross-lingual evaluation of large language models for healthcare queries. Proceedings of the ACM Web Conference 2024, 2627–2638. https://doi.org/10.1145/3589334.3645643
  22. KFF. (2024–2025). KFF health information and trust tracking polls [Survey series]. Kaiser Family Foundation.
  23. Kim, S. S. Y., Liao, Q. V., Vorvoreanu, M., Ballard, S., & Vaughan, J. W. (2024). “I’m not sure, but…”: Examining the impact of large language models’ uncertainty expression on user reliance and trust. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 822–835). Association for Computing Machinery. https://doi.org/10.1145/3630106.3658941
  24. Menz, B. D., Modi, N. D., Sorich, M. J., & Hopkins, A. M. (2024). Health disinformation use case highlighting the urgent need for artificial intelligence vigilance: Weapons of mass disinformation. JAMA Internal Medicine, 184(1), 92. https://doi.org/10.1001/jamainternmed.2023.5947
  25. Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
  26. Oh, N., Kim, J., Park, S., An, S., Lee, E., Do, H., Baik, J., Gwon, S. M., Rhu, J., Choi, G. S., Park, S., Cho, J. Y., Lee, H. W., Lee, B., Jeong, E. S., Lee, J. M., Choi, Y., Kwon, J., Kim, K. D., . . . Chun, G. S. (2025). Large language model–assisted surgical consent forms in non-English language: Content analysis and readability evaluation. Journal of Medical Internet Research, 27, e73222. https://doi.org/10.2196/73222
  27. Petrov, A., La Malfa, E., Torr, P. H. S., & Bibi, A. (2023). Language model tokenizers introduce unfairness between languages. arXiv. https://arxiv.org/abs/2305.15425
  28. Roozenbeek, J., van der Linden, S., Goldberg, B., Rathje, S., & Lewandowsky, S. (2022). Psychological inoculation improves resilience against misinformation on social media. Science Advances, 8(34), eabo6254. https://doi.org/10.1126/sciadv.abo6254
  29. Spitale, G., Biller-Andorno, N., & Germani, F. (2023). AI model GPT-3 (dis)informs us better than humans. Science Advances, 9(26), eadh1850. https://doi.org/10.1126/sciadv.adh1850
  30. Van Veen, D., Van Uden, C., Blankemeier, L., Delbrouck, J.-B., Aali, A., Bluethgen, C., Pareek, A., Polacin, M., Reis, E. P., Seehofnerova, A., Rohatgi, N., Hosamani, P., Collins, W., Ahuja, N., Langlotz, C. P., Hom, J., Gatidis, S., Pauly, J., & Chaudhari, A. S. (2024). Adapted large language models can outperform medical experts in clinical text summarization. Nature Medicine, 30(4), 1134–1142. https://doi.org/10.1038/s41591-024-02855-5
  31. Wang, W., Tu, Z., Chen, C., Yuan, Y., Huang, J.-t., Jiao, W., & Lyu, M. R. (2023). All languages matter: On the multilingual safety of large language models. arXiv. https://arxiv.org/abs/2310.00905
  32. Wiltsey Stirman, S., Kimberly, J., Cook, N., Calloway, A., Castro, F., & Charns, M. (2012). The sustainability of new programs and innovations: A review of the empirical literature and recommendations for future research. Implementation Science, 7(1), Article 17. https://doi.org/10.1186/1748-5908-7-17
  33. Yoo, N., & Jang, S. H. (2026). Who is willing to use AI mental health chatbots? Perceived impact of AI in healthcare predicts acceptance, with higher willingness among immigrants. Computers in Human Behavior Reports, 22, 101111. https://doi.org/10.1016/j.chbr.2026.101111