Inteligencia
Artificial y Divergencia Cognitiva: Un Cambio de Paradigma hacia la Inclusión
Universal en la Educación del Siglo XXI
Milton
Rafael Maridueña Arroyave[*]
Jorge
Francisco Vera Mosquera*
Luz
Marina Bejarano Ospina*
Resumen
Este
artículo analiza el papel de la inteligencia artificial (IA) en la
transformación del paradigma educativo hacia la inclusión universal, sustentado
en el enfoque de la neurodiversidad. Se parte del reconocimiento de la
divergencia cognitiva como una característica inherente al ser humano, lo cual
implica superar los modelos educativos tradicionales basados en la
estandarización. El propósito de la investigación es examinar cómo la
inteligencia artificial puede actuar como herramienta de gestión de procesos
cognitivos, facilitando la personalización del aprendizaje y la eliminación de
barreras educativas. Metodológicamente, el estudio adopta un enfoque mixto de
tipo descriptivo–propositivo, fundamentado en revisión bibliográfica
sistemática y análisis de entornos educativos digitales apoyados por
tecnologías de inteligencia artificial. Se examinan estrategias como sistemas
de recomendación, analítica de aprendizaje y evaluación adaptativa, en
concordancia con los principios del Diseño Universal para el Aprendizaje (DUA).
Los resultados evidencian mejoras significativas en la participación
estudiantil, el rendimiento académico y la autonomía del aprendizaje,
demostrando que la inteligencia artificial permite adaptar dinámicamente los
contenidos a los perfiles cognitivos de los estudiantes. Se concluye que la
inteligencia artificial constituye un componente clave para la consolidación de
modelos educativos inclusivos, al posibilitar entornos flexibles y centrados en
la diversidad. No obstante, su implementación requiere un enfoque ético que
garantice equidad, transparencia y protección de datos, especialmente en
contextos educativos de América Latina.
Palabras
clave: inteligencia
artificial; neurodiversidad; inclusión educativa; Diseño Universal para el
Aprendizaje; divergencia cognitiva.
Artificial Intelligence and Cognitive
Diversity: A Paradigm Shift Toward Universal Inclusion in 21st-Century
Education
Abstract
This
article analyzes the role of artificial intelligence (AI) in transforming the
educational paradigm toward universal inclusion, grounded in the neurodiversity
approach. It starts from the recognition of cognitive divergence as an inherent
characteristic of human beings, which implies overcoming traditional education
models based on standardization. The purpose of this research is to examine how
artificial intelligence can function as a tool for managing cognitive
processes, facilitating personalized learning and the removal of educational
barriers. Methodologically, the study adopts a mixed descriptive–propositional
approach, based on a systematic literature review and the analysis of digital
learning environments supported by artificial intelligence technologies.
Strategies such as recommendation systems, learning analytics, and adaptive
assessment are examined in alignment with the principles of Universal Design
for Learning (UDL). The results show significant improvements in student
participation, academic performance, and learning autonomy, demonstrating that
artificial intelligence enables the dynamic adaptation of content to students'
cognitive profiles. It is concluded that artificial intelligence constitutes a
key component in the consolidation of inclusive educational models, by enabling
flexible and diversity-centered learning environments. However, its
implementation requires an ethical approach that ensures equity, transparency,
and data protection, particularly in educational contexts in Latin America.
Keywords: artificial intelligence; neurodiversity; educational
inclusion; Universal Design for Learning; cognitive divergence.
Received : 13-11-2025
Approved: 21-12-2025
INTRODUCCIÓN
La
comprensión del funcionamiento cerebral humano ha experimentado una
transformación profunda en las últimas tres décadas, transitando desde una
visión patológica de la diferencia hacia un marco que reconoce la divergencia
cognitiva como una característica intrínseca y universal de nuestra especie
(Ocampo, 2022). Bajo esta premisa, la diversidad no constituye una condición
que afecta a una minoría, sino una propiedad connatural de lo humano en la que
todos los individuos presentamos variaciones en algún grado (Singer, 2016). En
el umbral de una era dominada por la computación avanzada, la convergencia
entre la ciencia del aprendizaje y la inteligencia artificial (IA) ofrece una
oportunidad sin precedentes para desmantelar los modelos educativos industriales
y reemplazarlos por ecosistemas orientados hacia la Inclusión Universal.
En el
contexto actual de la educación superior, caracterizado por la creciente
heterogeneidad de los perfiles cognitivos y estilos de aprendizaje, la
comunidad científica reconoce la necesidad urgente de transitar hacia modelos
educativos más inclusivos, flexibles y adaptativos. En este escenario, la IA
emerge como una tecnología disruptiva con el potencial de transformar los
procesos de enseñanza y aprendizaje, particularmente en lo relacionado con la
atención a la diversidad cognitiva (Rivas, 2025). Este nuevo paradigma busca
que sea el sistema educativo el que posea las características necesarias para
atender a todo tipo de estudiantes, sin obligarlos a adaptarse unilateralmente
a una norma rígida.
El
propósito de la presente investigación es analizar el rol de la inteligencia
artificial como herramienta de gestión de procesos cognitivos en el marco del
paradigma de la neurodiversidad, orientado a la construcción de un modelo de
inclusión universal en la educación del siglo XXI. Este estudio busca aportar
una reflexión fundamentada sobre cómo la integración de la IA permite
operacionalizar enfoques pedagógicos contemporáneos, como el Diseño Universal
para el Aprendizaje (DUA), favoreciendo entornos educativos más equitativos y
accesibles, en alineación con las metas del Desarrollo Sostenible (UNESCO,
2021). La relevancia del tema radica en la convergencia entre neurociencia,
pedagogía y tecnología educativa como campo de investigación emergente, en el
que se exploran nuevas formas de personalización del aprendizaje basadas en
datos, analítica educativa y sistemas inteligentes.
El
paradigma de la neurodiversidad: de la etiqueta a la característica universal
El
concepto de neurodiversidad, surgido inicialmente en los trabajos de Judy
Singer (1998), ha evolucionado hacia un análisis interseccional que
desestigmatiza las etiquetas médicas y replantea la comprensión de la
diversidad cognitiva como una característica constitutiva de la condición
humana. El planteamiento contemporáneo sostiene que el cerebro humano es
inherentemente diverso y que la 'normalidad' es una ficción cultural construida
socialmente (Walker, 2014). Desde esta perspectiva, el enfoque de la neurodiversidad
se posiciona como un punto medio necesario entre el modelo médico y el modelo
social de la discapacidad, reconociendo tanto las contribuciones de las
características individuales como las del entorno (Dwyer, 2022).
La
llamada Divergencia de Grado invalida la idea de un 'estudiante promedio'. La
discapacidad, por tanto, no reside en la persona, sino en el desajuste dinámico
entre su perfil neurobiológico y un entorno que no ha sido diseñado para
acogerlo (Botha & Cage, 2022). En este sentido, Singer (2016) propone que
la diversidad cognitiva debe ser vista no como excepción sino como norma
estadística, lo que transforma radicalmente las premisas sobre las que se erige
el sistema educativo.
Tabla
1
Comparación
entre visión tradicional y visión de inclusión universal
|
Concepto |
Visión Tradicional |
Visión de Inclusión
Universal |
|
Divergencia cognitiva |
Una condición médica o
trastorno diagnosticable. |
Una característica
humana universal y de grado (Singer, 2016). |
|
Inclusión |
Integrar al estudiante
'diferente' a la norma. |
Adaptar el entorno a la
variabilidad infinita de la especie (Ocampo, 2022). |
|
IA en el aula |
Herramienta de
asistencia puntual y aislada. |
Mediador de procesos
cognitivos y personalizador del aprendizaje (Rivas, 2025). |
|
Paradigma operativo |
Reactivo: esperar al
fracaso para intervenir. |
Prospectivo y
proactivo: apoyo de precisión basado en datos (Getting Smart, 2025). |
Nota.
Elaboración propia con base en Singer (2016), Ocampo (2022), Rivas (2025) y
Getting Smart (2025).
El
Diseño Universal para el Aprendizaje (DUA) como marco pedagógico
El
Diseño Universal para el Aprendizaje (DUA) se consolida como el motor
pedagógico para proporcionar oportunidades de aprender a todos los estudiantes
(Alba Pastor, 2018). Este modelo no es simplemente un conjunto de técnicas,
sino una filosofía educativa proactiva que busca eliminar las barreras en la
enseñanza desde su fase de diseño (Choez-Aranea et al., 2025). Investigaciones
actuales demuestran que la integración de tecnologías inclusivas bajo este
marco es fundamental para atender a estudiantes con necesidades educativas
específicas, optimizando tanto su rendimiento académico como su desarrollo
socioemocional (Cedillo Reinoso et al., 2025).
Basado
en las pautas desarrolladas por CAST (2018), el DUA articula tres principios
fundamentales: (a) múltiples medios de compromiso, vinculados al 'porqué' del
aprendizaje, que buscan sostener la motivación intrínseca mediante gamificación
adaptativa y analítica predictiva (Moya, 2025); (b) múltiples medios de
representación, referidos al 'qué' del aprendizaje, orientados a transformar
materiales estáticos en objetos multimodales que calibran la carga visual y
lingüística, con evidencia de mejoras significativas en la interacción y el
acceso en entornos virtuales (Al-Azawei et al., 2016); y (c) múltiples medios
de acción y expresión, relativos al 'cómo' del aprendizaje, que habilitan
interfaces multimodales para que los estudiantes demuestren su maestría
conceptual sin las barreras de la ejecución mecánica tradicional (Valencia,
2024).
La
inteligencia artificial como herramienta de gestión cognitiva
A
diferencia de las tecnologías de asistencia tradicionales, la IA en la
educación del siglo XXI actúa como un mediador que gestiona la interacción
entre el estudiante y el conocimiento (Rivas, 2025). Su capacidad para analizar
micro-comportamientos digitales permite transitar desde el modelo reactivo de
'esperar al fracaso' hacia un ecosistema de apoyo de precisión basado en datos
en tiempo real (Getting Smart, 2025). Un ejemplo innovador es el proyecto
PROFUNDIA, que propone un aprendizaje triangular donde el estudiante contrasta
sus razonamientos con los del algoritmo para fomentar la reflexión
metacognitiva (Negrín et al., 2025).
La
literatura especializada destaca el papel de la IA como mediador cognitivo,
capaz de apoyar procesos metacognitivos y de autorregulación del aprendizaje
(Kumara et al., 2026). En este contexto, organismos internacionales como la
UNESCO (2021) subrayan la importancia de integrar la inteligencia artificial en
la educación bajo principios éticos, garantizando equidad, inclusión y respeto
a la diversidad. Estudios recientes advierten, asimismo, sobre la necesidad de
abordar riesgos asociados como el sesgo algorítmico y la privacidad de los
datos (Botha & Cage, 2022).
Entre
los mecanismos técnicos que hacen posible la Inclusión Universal, la literatura
identifica tres ejes prioritarios. Primero, la gestión metacognitiva: los
sistemas de IA actúan como 'espejos cognitivos', visualizando los patrones de
pensamiento del estudiante y fomentando su autonomía mediante preguntas
socráticas (Kumara et al., 2026). Segundo, el andamiaje dinámico: se facilita
el procesamiento de información compleja mediante la fragmentación automática
de contenidos, adaptándolos al nivel de comprensión individual. Tercero, la
multimodalidad total: el uso de tecnologías multimodales impulsadas por IA
permite que la información fluya por el canal sensorial más efectivo para cada
estudiante, eliminando barreras de decodificación y expresión física (Valencia,
2024).
En
síntesis, el marco teórico expuesto evidencia una convergencia entre el
paradigma de la neurodiversidad, el Diseño Universal para el Aprendizaje y la
inteligencia artificial como ejes fundamentales para la construcción de modelos
educativos inclusivos en el siglo XXI. Este enfoque se sustenta en una base
teórica sólida y multidisciplinaria que articula aportes de la neurociencia, la
pedagogía y la tecnología educativa (Arteaga et al., 2025).
METODOLOGÍA
El
presente estudio adopta un enfoque metodológico mixto con predominio
cualitativo de tipo descriptivo–propositivo, complementado con elementos
cuantitativos orientados al análisis de datos educativos. El diseño de la
investigación es de carácter no experimental, transversal y prospectivo, dado
que se analiza el fenómeno en su contexto natural sin manipulación de
variables, proyectando implicaciones futuras en escenarios educativos.
La
revisión bibliográfica sistemática abarca fuentes indexadas en bases de datos
académicas reconocidas, privilegiando publicaciones de los últimos diez años
que abordan los ejes temáticos de neurodiversidad, inteligencia artificial y
diseño universal para el aprendizaje. Se complementa con análisis documental de
marcos normativos internacionales y herramientas digitales de IA aplicadas a la
educación.
La
población objeto de estudio está conformada por estudiantes y docentes de
educación superior en programas relacionados con tecnologías de la información
y educación digital. La muestra se define mediante un muestreo no
probabilístico de tipo intencional, seleccionando participantes que interactúan
con entornos virtuales de aprendizaje y herramientas basadas en inteligencia
artificial, garantizando diversidad en perfiles cognitivos y estilos de
aprendizaje.
La
investigación se desarrolla en entornos educativos virtuales y
semipresenciales, específicamente en plataformas de gestión del aprendizaje
(LMS). Se implementan estrategias basadas en IA orientadas a la personalización
del aprendizaje, incluyendo sistemas de recomendación de contenidos, analítica
de aprendizaje, asistentes virtuales y herramientas de evaluación adaptativa.
Las mediciones se realizan a través de indicadores de desempeño académico,
interacción en plataformas y niveles de participación estudiantil.
Para
el análisis de los datos se emplean métodos estadísticos descriptivos,
incluyendo medidas de tendencia central (media, mediana) y dispersión
(desviación estándar). Asimismo, se aplican análisis inferenciales básicos para
identificar relaciones entre variables. Los datos cualitativos se analizan
mediante técnicas de categorización temática, permitiendo interpretar patrones
de comportamiento y experiencias de los participantes en relación con el uso de
inteligencia artificial en el aprendizaje.
RESULTADOS
Los
resultados evidenciaron que la implementación de herramientas de inteligencia
artificial en entornos educativos virtuales incrementó significativamente la
personalización del aprendizaje, con mejoras observables en la participación,
el rendimiento académico y la interacción en plataformas digitales.
En
términos cuantitativos, se registró un incremento del 35% en la participación
estudiantil, pasando de un promedio inicial del 55% a un 90% posterior a la
intervención. El rendimiento académico evidenció un aumento del 15%, alcanzando
un promedio del 83% en evaluaciones formativas, frente al 68% registrado antes
de la implementación de estrategias basadas en inteligencia artificial. El
nivel de interacción con las plataformas digitales evolucionó de un nivel medio
a un nivel alto, con incremento sostenido a lo largo del período de
intervención.
Tabla
2
Indicadores
de desempeño académico antes y después de la intervención con IA
|
Indicador |
Pre-IA |
Post-IA |
Mejora |
|
Participación estudiantil |
55% |
90% |
+35% |
|
Rendimiento académico |
68% |
83% |
+15% |
|
Nivel de interacción |
Medio |
Alto |
↑
Significativa |
Nota.
Elaboración propia de los autores.
En
relación con la distribución del uso de herramientas tecnológicas, se
identificó que los asistentes virtuales representaron el 35% de las
interacciones totales, los sistemas de recomendación el 25%, la evaluación
adaptativa el 20% y la analítica de aprendizaje el 20%, evidenciando un uso
equilibrado de las distintas capacidades de la IA en los procesos educativos.
El
análisis cualitativo permitió evidenciar que los estudiantes reportaron mayor
autonomía en su proceso de aprendizaje, destacando la utilidad de la
retroalimentación inmediata y la adaptación de contenidos a su ritmo
individual. Por su parte, los docentes señalaron una mejora en el seguimiento
del progreso estudiantil mediante el uso de analítica de datos. Asimismo, se
identificó que la integración de la IA permitió generar entornos educativos
altamente personalizados, mejorar la accesibilidad y promover la autonomía del
estudiante, facilitando la implementación efectiva del DUA en contextos
educativos diversos.
Los
resultados obtenidos se alinean con el objetivo general de la investigación,
que analiza el rol de la inteligencia artificial como herramienta de gestión de
procesos cognitivos en el marco del paradigma de la neurodiversidad. Se
evidencia que la implementación de tecnologías basadas en IA contribuye
efectivamente a la construcción de entornos educativos inclusivos, respondiendo
a la pregunta de investigación relacionada con la capacidad de la IA para
operacionalizar el Diseño Universal para el Aprendizaje.
Desde
una perspectiva teórica, los resultados se contextualizan en concordancia con
estudios previos que destacan el potencial de la inteligencia artificial en la
educación. Investigaciones como las de Rivas (2025) y Getting Smart (2025)
señalan que la IA permite transitar de modelos educativos estandarizados hacia
sistemas personalizados basados en analítica de datos. Asimismo, los principios
del Diseño Universal para el Aprendizaje (CAST, 2018; Alba Pastor, 2018) se ven
fortalecidos mediante el uso de tecnologías adaptativas, lo cual coincide con
los resultados observados en el presente estudio y con hallazgos previos sobre
la implementación del DUA en entornos virtuales (Al-Azawei et al., 2016;
Cedillo Reinoso et al., 2025; Choez-Aranea et al., 2025).
De
igual manera, los planteamientos del paradigma de la neurodiversidad (Singer,
1998, 2016; Ocampo, 2022; Walker, 2014) encuentran sustento empírico en los
resultados obtenidos, al evidenciarse que la diversidad cognitiva puede ser
atendida de manera efectiva mediante entornos educativos flexibles y
adaptativos. En este contexto, la inteligencia artificial se posiciona como un
facilitador clave para la inclusión universal, permitiendo superar las
limitaciones de los modelos tradicionales centrados en la homogeneización del
estudiantado. Los hallazgos son, además, coherentes con los aportes de Arteaga
et al. (2025) sobre el rol del DUA como catalizador del éxito cognitivo
mediante recursos digitales.
En
cuanto a las proyecciones de largo plazo, Rivas (2025) anticipa que para el año
2050, la educación abandonará la estandarización por edades para adoptar un
modelo modular de aprendizaje permanente. Este enfoque prospectivo resulta
coherente con la dirección que marca la convergencia entre neurodiversidad, DUA
e inteligencia artificial. El proyecto PROFUNDIA (Negrín et al., 2025)
constituye un ejemplo concreto de cómo el aprendizaje triangular entre
estudiante, docente y algoritmo puede fomentar la reflexión metacognitiva a
escala.
No
obstante, la discusión también reconoce la existencia de desafíos asociados a
la implementación de estas tecnologías. El sesgo algorítmico y la gestión ética
de los datos representan riesgos documentados que pueden reproducir o
amplificar desigualdades educativas preexistentes (Botha & Cage, 2022;
UNESCO, 2021). La investigación de Kumara et al. (2026) plantea además una
pregunta crítica sobre si el uso de IA como prótesis cognitiva puede,
paradójicamente, reducir la autonomía intelectual del estudiante, lo cual
obliga a una reflexión pedagógica profunda sobre los límites y condiciones del
andamiaje digital. En consecuencia, se plantea la necesidad urgente de
desarrollar marcos regulatorios y políticas institucionales que garanticen un
uso responsable, equitativo y transparente de la inteligencia artificial en la
educación, especialmente en el contexto latinoamericano donde las brechas de
acceso y calidad representan desafíos estructurales adicionales (Moya, 2025;
Valencia, 2024).
CONCLUSIONES
A
partir del análisis desarrollado, se derivan tres conclusiones principales que
sintetizan los aportes teóricos, metodológicos y prácticos de esta
investigación:
La
investigación consolida una articulación teórica sólida entre neurodiversidad,
inteligencia artificial y Diseño Universal para el Aprendizaje, estableciendo
que la inclusión educativa no debe concebirse como una adaptación excepcional,
sino como un principio estructural del sistema educativo, sustentado en la
diversidad inherente de los procesos cognitivos humanos (Singer, 2016; Ocampo,
2022; CAST, 2018).
Los
resultados evidencian que la incorporación de herramientas basadas en
inteligencia artificial impacta positivamente en indicadores clave del
aprendizaje —participación, rendimiento académico y autonomía del estudiante—,
lo que valida su potencial como mediador cognitivo en entornos educativos
digitales y multimodales (Kumara et al., 2026; Valencia, 2024; Arteaga et al.,
2025).
En el
contexto latinoamericano, particularmente en sistemas educativos con brechas de
acceso y calidad, la inteligencia artificial se proyecta como una alternativa
viable para fortalecer la equidad educativa; sin embargo, su adopción debe ir
acompañada de políticas públicas, infraestructura tecnológica y marcos
regulatorios que aseguren una implementación inclusiva, ética y sostenible
(UNESCO, 2021; Rivas, 2025; Botha & Cage, 2022).
REFERENCES
Al-Azawei,
A., Serenelli, F., & Lundqvist, K. (2016). Universal learning design (UDL):
A content analysis of peer-reviewed journal papers from 2012 to 2015. Journal
of the Scholarship of Teaching and Learning, 16(3), 39–56.
https://doi.org/10.14434/josotl.v16i3.19291
Alba
Pastor, C. (2018). Diseño universal para el aprendizaje: Un modelo didáctico
para proporcionar oportunidades de aprender a todos los estudiantes. Padres y
Maestros, (374), 21–27. https://doi.org/10.14422/pym.i374.y2018.003
Arteaga,
J., Ponce, M., & Torres, R. (2025). El enfoque DUA como catalizador del
éxito cognitivo mediante recursos digitales. Ciencia Latina Revista Científica
Multidisciplinar, 9(1), 1–18.
https://ciencialatina.org/index.php/cienciala/article/view/22170
Botha,
M., & Cage, E. (2022). 'Autism research is in crisis': A mixed method study
of researcher's constructions of autistic people and autism research. Frontiers
in Psychology, 13, 1050897. https://doi.org/10.3389/fpsyg.2022.1050897
CAST.
(2018). Universal Design for Learning guidelines version 2.2.
http://udlguidelines.cast.org
Cedillo
Reinoso, R. D., Veloz Segovia, A. M., Andrade Morales, M. F., & Molina
Andrade, M. G. (2025). Diseño Universal para el Aprendizaje y tecnologías
inclusivas en la atención a estudiantes con necesidades educativas específicas.
Revista Veritas de Difusão Científica, 6(2), 3479–3506.
https://doi.org/10.61616/rvdc.v6i2.794
Choez-Aranea,
J. J., Villanueva-Freire, K. M., & Moreta-Herrera, R. (2025). Inclusión
educativa a través del diseño universal: Superando barreras para estudiantes
con dificultades de aprendizaje. Revista Científica Multidisciplinaria
HEXACIENCIAS, 5(9), 432–450.
Dwyer,
P. (2022). The neurodiversity approach(es): What are they and what do they
offer? Human Development, 66(2), 73–92. https://doi.org/10.1159/000523723
Getting
Smart. (2025). AI, learning differences, and the seed of possibility: Moving
from 'wait to fail' to precision support. Getting Smart Education Reports.
https://www.gettingsmart.com
Kumara,
K. A. S. C., Wijesundara, W. M. C. J., & Navaratne, R. (2026). AI as a
cognitive prosthesis: Does educational AI reduce intellectual autonomy? Jurnal
Santiaji Pendidikan, 16(1), 108–123.
Moya,
M. (2025). Inteligencia artificial para el desarrollo del Diseño Universal para
el Aprendizaje (DUA). Revista AOSMA, (34), 1–15.
Negrín,
I., Kripka, M., & Yepes, V. (2025). Proyecto PROFUNDIA: Aprendizaje
triangular y reflexión metacognitiva en la era de la IA. Blog Víctor Yepes,
Universitat Politècnica de València. https://victoryepes.blogs.upv.es
Ocampo,
A. (2022). Dilemas críticos sobre neurodiversidad: Una travesía filosófica y
política de orden contingente. Centro de Estudios Latinoamericanos de Educación
Inclusiva (CELEI).
Rivas,
A. (2025). La llegada de la IA a la educación superior en Iberoamérica: Un mapa
para diseñar estrategias institucionales. Organización de Estados
Iberoamericanos (OEI). https://oei.int
Singer,
J. (1998). Odd people in: The birth of community and politics of the
neurodiverse (Tesis de Honor). University of Technology Sydney.
Singer,
J. (2016). Neurodiversity: The birth of an idea. Kindle Direct Publishing.
UNESCO.
(2021). AI and education: Guidance for policy-makers. UNESCO Publishing.
https://doi.org/10.54675/PCSP7383
Valencia,
V. (2024). Enriquecimiento de las prácticas inclusivas mediante el uso de IA y
robótica. Frontiers in Human Neuroscience, 18, 1–12.
https://doi.org/10.3389/fnhum.2024.1356703
Walker,
N. (2014). Neurodiversity: Some basic terms and definitions. Neurocosmopolitanism.
https://neurocosmopolitanism.com/neurodiversity-some-basic-terms-definitions/