11
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19870776
ChatGPT como asistente pedagógico: Optimización del diseño
instruccional, rúbricas y retroalimentación personalizada en la
Educación Básica
ChatGPT as a Pedagogical Assistant: Optimization of Instructional Design,
Rubrics, and Personalized Feedback in Basic Education
Bernardo Josue Encalada Escobar
Escuela de Educación Básica Particular Ciudad de Jerusalén
,
Durán-
Ecuador
Jencalada97@gmail.com
Recibido: 19 de febrero 2026 / Aceptado: 10 de marzo. 2026 /
Publicado: 29 de abril de 2026.
1. Resumen
El presente artículo analiza la integración de la Inteligencia Artificial Generativa (IAG),
específicamente
el
modelo
ChatGPT,
como
una
herramienta
de
asistencia
pedagógica en la labor docente de la Educación Básica. El marco teórico se sustenta
en la creciente carga administrativa que enfrentan los educadores y la necesidad de
optimizar
los
procesos
de
diseño
instruccional
mediante
tecnologías
disruptivas,
enmarcadas
en
el
modelo
TPACK
(Conocimiento
Técnico
Pedagógico
del
Contenido). El objetivo general fue evaluar la eficacia de ChatGPT en la creación de
recursos
educativos
clave:
rúbricas
de
evaluación
analítica,
planes
de
clase
alineados
al
currículo
nacional
y
retroalimentación
formativa
personalizada.
La
metodología empleada fue cualitativa, descriptiva y de investigación-acción, basada
en
el
análisis
de
casos
prácticos,
la
ingeniería
de
prompts
y
la
validación
de
contenido
por
pares
académicos.
Los
resultados
demuestran
que
el
uso
de
instrucciones estructuradas reduce hasta en un 75% el tiempo dedicado a tareas de
planificación burocrática, elevando simultáneamente la precisión de los instrumentos
de evaluación. Se concluye que ChatGPT no sustituye el criterio pedagógico, sino
que actúa como un co-diseñador que mitiga la fatiga cognitiva del docente,
12
permitiendo centrar los esfuerzos en la mediación en el aula y en la atención a las
necesidades individuales del estudiantado.
Palabras clave:
Inteligencia Artificial, Planificación Curricular, Evaluación Formativa,
Rúbricas, Innovación Educativa.
Abstract
This
article
analyzes
the
integration
of
Generative
Artificial
Intelligence
(GAI),
specifically the ChatGPT model, as a pedagogical assistance tool in the teaching
work of Basic Education. The
theoretical
framework
is
based
on
the
growing
administrative
burden
faced
by
educators and the need to optimize instructional design processes through disruptive
technologies,
framed
within
the
TPACK
(Technological
Pedagogical
Content
Knowledge)
model.
The
general
objective
was
to
evaluate
the
effectiveness
of
ChatGPT in creating key educational resources: analytical evaluation rubrics, lesson
plans aligned with the national curriculum, and personalized formative feedback. The
methodology
used
was
qualitative,
descriptive,
and
action-research
based
on
the
analysis
of
practical
cases,
prompt
engineering,
and
peer
content
validation. The
results demonstrate that the use of structured instructions reduces the time dedicated
to bureaucratic planning tasks by up to 75%, simultaneously raising the precision of
assessment instruments. It is concluded that ChatGPT does not replace pedagogical
judgment, but acts as a co-designer that mitigates the cognitive fatigue of the teacher,
allowing efforts to be focused on classroom mediation and attention to the individual
needs of the student body.
Keywords:
Artificial
Intelligence,
Curricular
Planning,
Formative
Assessment,
Rubrics, Educational Innovation.
2. Introducción
La educación contemporánea se encuentra en una encrucijada crítica. Por un lado,
las demandas de una sociedad basada en el conocimiento exigen que los docentes
diseñen
experiencias
de
aprendizaje
altamente
personalizadas,
inclusivas
y
centradas en el estudiante. Por otro lado, la realidad del sistema educativo impone
una carga administrativa y burocrática abrumadora, donde la planificación curricular,
el diseño de instrumentos de evaluación y la redacción de informes consumen un
porcentaje
desproporcionado
del
tiempo
del
profesional
de
la
educación.
En
el
contexto de la Educación Básica, donde el desarrollo cognitivo
y
socioemocional
requiere
una
mediación
humana
constante,
esta
sobrecarga
técnica
amenaza
la
calidad de la enseñanza.
13
Es en este escenario donde la Inteligencia Artificial Generativa (IAG), liderada por
Modelos de Lenguaje de Gran Escala (LLM) como ChatGPT, emerge no como una
herramienta de sustitución, sino de empoderamiento docente. Ocaña-Fernández et
al. (2019) anticipaban que la IA reconfiguraría las metodologías de enseñanza; hoy,
la evidencia sugiere que su impacto más inmediato y medible se encuentra en el
"back-office" pedagógico: la planificación y la evaluación.
El problema fundamental que aborda este estudio es la disonancia entre el tiempo
disponible del docente y el tiempo requerido para aplicar un diseño instruccional de
excelencia.
El
objetivo
general
de
esta
investigación
es
sistematizar
y
evaluar
metodológicamente
cómo
ChatGPT
puede
ser
utilizado
para
generar
rúbricas,
planes de clase y esquemas de retroalimentación en minutos, sin sacrificar el rigor
académico ni la alineación con los estándares curriculares. Los objetivos específicos
incluyen: a) definir estructuras de
prompts
(instrucciones) eficientes para contextos
educativos; b) medir el impacto en la reducción de tiempos de planificación; y c)
analizar críticamente los sesgos y limitaciones éticas de la herramienta en la práctica
docente.
3. Marco Teórico
3.1. El Ecosistema de la Inteligencia Artificial Generativa en la Educación
La Inteligencia Artificial ha evolucionado desde sistemas basados en reglas cerradas
hasta redes neuronales capaces de procesar y generar lenguaje natural. ChatGPT,
desarrollado
por
OpenAI,
opera
bajo
la
arquitectura
Generative
Pre-trained
Transformer
(GPT).
Su
relevancia
pedagógica
radica
en
su
capacidad
para
comprender
el
contexto
de
una
instrucción
compleja
y
generar
respuestas
coherentes. Según la UNESCO (2024), la alfabetización en IA se ha convertido en
una
competencia
fundamental
para
los
educadores,
quienes
deben
aprender
a
dialogar con las máquinas para potenciar la inteligencia humana.
3.2. Carga Cognitiva y Fatiga Administrativa Docente
El
diseño
de
una
clase
no
es
un
acto
improvisado;
requiere
la
articulación
de
destrezas
con
criterio
de
desempeño,
indicadores
de
evaluación,
estrategias
metodológicas
(como
el
ciclo
ERCA:
Experiencia,
Reflexión,
Conceptualización
y
Aplicación) y adaptaciones curriculares. Sweller (2020), en su Teoría de la Carga
Cognitiva,
postula
que
los
recursos
mentales
son
limitados.
Cuando
un
docente
agota sus recursos en la redacción mecánica de un plan en formato Word o en la
estructuración de tablas, disminuye su capacidad para innovar didácticamente en el
14
aula. La IA actúa como un "exoesqueleto cognitivo" que asume el procesamiento
mecánico de la información.
3.3. Evaluación Formativa y Retroalimentación
La evaluación formativa es el motor del aprendizaje constructivista. Sin embargo,
para que sea efectiva, la retroalimentación debe ser oportuna, específica y empática
(Hattie & Timperley, 2021). En aulas con 30 o más estudiantes, redactar comentarios
cualitativos individualizados es un reto logístico. Los LLM permiten automatizar la
estructuración de esta retroalimentación a partir de parámetros básicos ingresados
por el docente, garantizando que cada estudiante reciba una orientación clara sobre
sus logros y áreas de mejora.
4. Materiales y Métodos
4.1. Diseño de la Investigación
El
estudio
adoptó
un
diseño
descriptivo
con
enfoque
cualitativo
y
elementos
de
investigación-acción, llevado a cabo durante el primer trimestre del año lectivo. Se
establecieron
simulaciones
prácticas
de
planificación
educativa
centradas
en
los
subniveles de Educación Básica.
4.2. Instrumentos y Materiales Experimentales
El principal material experimental fue la interfaz de ChatGPT (versiones 3.5 y 4). Los
materiales
de
contraste
incluyeron
el
currículo
nacional
vigente,
formatos
institucionales de planificación microcurricular y manuales de estándares de calidad
educativa.
4.3. Procedimiento y Fases
La metodología se ejecutó en tres fases interdependientes:
1.
Fase de Ingeniería de Prompts (Diseño de Instrucciones):
Se desarrolló
una
taxonomía
de
comandos
estructurados.
Se
determinó
que
un
prompt
pedagógico efectivo debe contener cuatro vectores:
Rol
(Ej. "Actúa como un
docente
experto"),
Tarea
(Ej.
"Diseña
una
rúbrica"),
Contexto
(Ej.
"Para
estudiantes
de
5to
de
Básica
en
Ecuador")
y
Formato
(Ej.
"Presenta
la
información en una tabla").
2.
Fase de Generación de Insumos:
Se solicitó a la IA la creación de un plan
de
clase
basado
en
metodologías
activas
(el
juego
como
estrategia
pedagógica), tres rúbricas analíticas y un bloque de retroalimentación para
diferentes niveles de desempeño.
15
3.
Fase de Validación por Juicio de Experto:
Los productos generados por la
IA fueron analizados por el autor, aplicando criterios de coherencia disciplinar,
alineación curricular y factibilidad de aplicación en el aula.
5. Resultados
La
aplicación
estructurada
de
ChatGPT
arrojó
resultados
significativos
en
la
optimización
de
procesos.
Se
observó
que
la
IA
posee
una
alta
capacidad
para
organizar
información
compleja
en
formatos
tabulares
(tablas),
lo
cual
facilita
su
integración directa en los documentos institucionales.
5.1. Impacto en la Gestión del Tiempo
El
análisis
comparativo
del
tiempo
invertido
demostró
una
mejora
drástica
en
la
eficiencia operativa.
Tabla 1.
Comparativa de eficiencia temporal en la creación de recursos pedagógicos
(Método tradicional vs. Asistido por IA).
Recurso
Pedagógico
G
enerado
Tiempo
Promedio
Tradicional
Tiempo
con
ChatGPT
(incluye
revisión)
Reducción
del
Tiempo
(%)
Plan
de
Clase
(45
min)
con ciclo ERCA
45
-
60 minutos
8
-
10 minutos
80%
Rúbrica
Analítica
(4
criterios x 4 niveles)
35 - 45 minutos
4 - 5 minutos
88%
Plan
de
Adaptación
Curricular (Grado 2)
50
-
60 minutos
10
-
12 minutos
80%
Generación
de
Retroalimentación
(30
alumnos)
120
-
150
minutos
25 - 30 minutos
80%
Nota:
Los
tiempos
con
ChatGPT
incluyen
el
proceso
de
"curaduría",
es
decir,
la
revisión y ajuste manual realizado por el docente para garantizar la calidad final.
5.2. Precisión Semántica en Instrumentos de Evaluación
16
Al generar rúbricas, se evidenció que ChatGPT aplica correctamente taxonomías
cognitivas (Bloom o Marzano). A diferencia de las rúbricas humanas, que a menudo
sufren
de
saltos
bruscos
entre
niveles
de
calificación,
la
IA
logra
una
gradación
semántica suave (Ej. "identifica claramente" -> "identifica con apoyo" -> "presenta
dificultades para identificar").
6. Discusión
Los resultados obtenidos corroboran la hipótesis de que ChatGPT es un catalizador
para la innovación administrativa en la educación. Como señala Molenaar (2022),
nos dirigimos hacia un modelo de "tecnologías de aprendizaje híbridas humano-IA".
El
Docente
como
Curador
de
Contenido
Es
imperativo
discutir
el
concepto
de
"alucinación"
de
la
IA.
ChatGPT
puede
generar
información
plausible
pero
pedagógicamente incorrecta o desalineada con el currículo local. Por tanto, el rol del
educador transita de ser un "creador desde cero" a un "editor y curador crítico". La
experiencia del docente en la Educación Básica es insustituible para determinar si la
actividad lúdica sugerida por la IA es apropiada para el nivel de desarrollo psicomotriz
del grupo.
Ética
y
Privacidad
en
la
Retroalimentación
Un
hallazgo
crítico
durante
la
investigación fue la gestión de datos. Al generar retroalimentaciones, existe el riesgo
de vulnerar la privacidad de los estudiantes. Es una norma ética inquebrantable que
el docente
no debe ingresar nombres reales, diagnósticos médicos ni datos
sensibles
en
plataformas
de
IA
de
acceso
público.
Se
debe
trabajar
mediante
seudónimos
o
variables
numéricas
(Estudiante A,
Estudiante
B)
para
proteger
la
integridad del menor.
7. Conclusiones
Tras
el
desarrollo
de
la
investigación,
se
establecen
las
siguientes
conclusiones
principales:
1.
Optimización
Operativa:
La
integración
de
ChatGPT
bajo
la
técnica
de
ingeniería de
prompts
reduce el tiempo de diseño instruccional en más de un
80%, liberando horas de labor que el docente puede reinvertir en la interacción
socioafectiva con sus estudiantes y en la investigación.
2.
Estandarización
de
la
Calidad:
La
herramienta
democratiza
el
acceso
a
metodologías de evaluación complejas. Permite a docentes de diversas áreas
17
generar rúbricas analíticas de alta fiabilidad, mejorando la objetividad de las
calificaciones institucionales.
3.
Límites
de
la Autonomía
de
la
IA:
Se
concluye
enfáticamente
que
la
IA
carece
de
empatía
y
comprensión
del
contexto
sociocultural
del
aula.
Cualquier documento generado (plan de clase o adaptación) debe someterse
al filtro del juicio humano antes de su implementación.
4.
Líneas futuras:
Se sugiere a las instituciones educativas integrar programas
de formación continua enfocados en alfabetización en Inteligencia Artificial,
para evitar la brecha entre docentes que utilizan estas herramientas y aquellos
que mantienen prácticas puramente analógicas.
8. Apéndices
Apéndice A: Desarrollo Integral de un Plan de Clase Asistido por IA
Tema:
El
Juego
como
Estrategia
Pedagógica
para
la
Comprensión
Lectora.
Subnivel:
Educación Básica Media.
Duración:
45 Minutos.
El siguiente plan fue generado en 3 minutos utilizando ChatGPT y ajustado por el
investigador.
1. Objetivos de Aprendizaje:
Mejorar la fluidez lectora y la comprensión inferencial mediante actividades
lúdicas.
Fomentar el trabajo cooperativo y el respeto de turnos a través del juego de
roles.
2. Secuencia Didáctica (Ciclo ERCA):
Experiencia (10 min): "El Detective de las Palabras"
Actividad:
El docente esconde en el aula tarjetas con palabras clave de
un cuento. Los estudiantes deben buscar las tarjetas en grupos.
Rol
de
la
IA
en
la
planificación:
La
IA
sugirió
las
palabras
clave
adecuadas según el índice de legibilidad para la edad y estructuró las
pistas del juego.
Reflexión (10 min): El Círculo del Misterio
Actividad:
Sentados
en
círculo,
los
grupos
muestran
las
palabras
encontradas y formulan hipótesis sobre de qué tratará la historia.
18
Preguntas detonadoras generadas por IA:
¿Qué pasaría si la palabra
"misterio" se cambia por "alegría"? ¿En qué época creen que ocurre
esto?
Conceptualización (15 min): Lectura Compartida Dramatizada
Actividad:
Lectura del texto. A cada grupo se le asigna un efecto de
sonido
que
deben
hacer
cuando
escuchen
su
palabra
clave
(ej.
aplaudir, silbar).
Aplicación (10 min): Creación del Final Alternativo
Actividad:
Usando material concreto, los estudiantes dibujan o escriben
un final distinto en 3 líneas.
Apéndice B: Rúbricas Analíticas Generadas por Inteligencia Artificial
A continuación, se presentan modelos de rúbricas diseñadas para una evaluación
formativa rigurosa.
Tabla B1. Rúbrica para evaluar el Trabajo Cooperativo en el Aula.
Criterios
Excelente
(4
pts)
Satisfactorio
(3
pts)
En
Proceso
(2
pts)
Inicio (1 pt)
Participación
y Liderazgo
Participa
activamente,
propone
ideas
innovadoras
y
anima
a
sus
compañeros
a
participar.
Participa
en
la
mayoría
de
las
dinámicas
y
cumple
con
las
tareas
asignadas.
Participa
de
manera
intermitente,
requiere
recordatorios
del docente.
Su
participación es
nula
o
disruptiva
para
el grupo.
Resolución
de Conflictos
Escucha
con
empatía
las
ideas
contrarias
y
propone
soluciones
pacíficas
integradoras.
Escucha
a
sus
compañeros
y
acepta
los
acuerdos
de
la
mayoría.
Presenta
dificultades
para
aceptar
ideas distintas a
las suyas.
Impone
su
criterio
y
genera
conflictos
dentro
del
equipo
de
trabajo.
19
Gestión
del
Tiempo
Entrega
los
productos
antes
o
en
el
tiempo
establecido,
optimizando
los
recursos.
Entrega
el
producto final en
el
tiempo
justo
acordado.
Demuestra
demoras
que
afectan
parcialmente
el
resultado final.
No
logra
terminar
las
tareas
asignadas en el
tiempo
estipulado.
Tabla B2. Rúbrica para evaluar Comprensión Lectora.
Criterios
Excelente (4 pts)
Satisfactorio
(3
pts)
En Proceso (2
pts)
Inicio (1 pt)
Retención
de Detalles
Identifica
con
total
precisión
personajes,
escenarios
y
eventos
principales
y secundarios.
Identifica
los
eventos
principales
del
texto,
omitiendo
detalles
menores.
Confunde
algunos
eventos
o
personajes
de
la historia.
No
logra
recordar
de
qué
trataba
el
texto leído.
Inferencia
Deduce
de
manera
lógica la moraleja o
intenciones
no
explícitas
de
los
personajes.
Logra
realizar
deducciones
simples
con
algunas
pistas
del
docente.
Requiere
guía
constante
para
entender
mensajes
ocultos.
Solo
comprende
la
información
literal del texto.
Apéndice C: Banco de Prompts (Instrucciones) Validados para el Docente
Para garantizar la replicabilidad del estudio, se establecen las siguientes fórmulas de
entrada para la IA:
Prompt para Adaptación Curricular (Grado 2):
"Actúa como un psicopedagogo experto. Tengo un estudiante de 6to de Educación
Básica
diagnosticado
con
TDAH.
Necesito
adaptar
el
siguiente
tema
de
clase:
[Insertar Tema]. Genera 3 estrategias metodológicas específicas para mantener su
atención y un
instrumento
de
evaluación
basado
en
la
observación
estructurada.
Presenta
la
información de manera esquematizada."
20
Prompt para Generar Retroalimentación Escrita:
"Actúa
como
un
profesor
empático
y
motivador.
Escribe
un
párrafo
de
retroalimentación
de
máximo
4
líneas
para
un
estudiante.
Puntos
fuertes:
Gran
creatividad en sus dibujos y buena ortografía. Puntos de mejora: Necesita participar
más en las exposiciones orales. El tono debe ser constructivo y utilizar un lenguaje
comprensible para un niño de 10 años."
9. Referencias Bibliográficas
Crompton, H., & Burke, D. (2023).
Artificial intelligence in higher education: The state
of
the
field.
International
Journal
of
Educational
Technology
in
Higher
Education
, 20(22), 11
-
26.
https://doi.org/10.1186/s41239-023-00392-8
Fernández Marfil, M., Pérez Gómez, A., & Ruiz-Palmero, J. (2024). Los modelos de
lenguaje predictivo como herramientas docentes en la academia moderna.
Pixel-Bit.
Revista
de
Medios
y
Educación
,
(70),
54-81.
https://doi.org/10.12795/pixelbit.105452
Fitria,
T.
N.
(2023).
Artificial
intelligence
(AI)
technology
in
OpenAI
ChatGPT
application: A review of ChatGPT in writing English essay.
ELT Forum: Journal
of
English
Language
Teaching
,
12(1),
44-58.
https://doi.org/10.15294/elt.v12i1.64069
Flores, J., & García, F. (2023). Reflections on the ethics, potential, and challenges of
artificial intelligence in the framework of quality education (SDG4).
Comunicar
,
74(1), 37
-
47.
https://doi.org/10.3916/C74-2023-03
García-Peñalvo, F. J. (2023). La percepción de la Inteligencia Artificial en contextos
educativos tras el lanzamiento de ChatGPT: disrupción o pánico.
Education in
the Knowledge Society (EKS)
, 24, e31279.
https://doi.org/10.14201/eks.31279
Gimpel,
H.,
Hall,
K.,
Gehrke,
S.,
&
Schoch,
M.
(2023).
Unlocking
the
power
of
generative AI models and systems such as GPT-4 and ChatGPT for higher
education: A guide for students and lecturers
. Universidad de Hohenheim.
Grassini,
S.
(2023).
Shaping
the
future
of
education:
Exploring
the
potential
and
consequences
of
AI
and
ChatGPT
in
educational
settings.
Education
Sciences
, 13(7), 692.
https://doi.org/10.3390/educsci13070692
21
Hattie,
J.,
&
Timperley,
H.
(2021).
The
power
of
feedback
revisited.
Review
of
Educational
Research
,
91(3),
345-385.
https://doi.org/10.3102/00346543211004128
Jaramillo Domínguez, D. C., & Tene Pucha, J. E. (2022).
Explorando el uso de la
tecnología
educativa
en
la
Educación
Básica.
Podium
,
(41),
91
–
104.
https://doi.org/10.31095/podium.2022.v41.6
López-Regalado,
O.,
Núñez-Rojas,
N.,
López-Gil,
O.,
&
Sánchez-Rodríguez,
J.
(2024). Análisis del uso de la inteligencia artificial en la educación universitaria:
una revisión sistemática.
Pixel-Bit. Revista de Medios y Educación
, (70), 97-
122.
https://doi.org/10.12795/pixelbit.106336
Miao,
F.,
&
Holmes,
W.
(2023).
Inteligencia
artificial
y
educación:
Guía
para
las
personas
a
cargo
de
formular
políticas
.
UNESCO.
https://unesdoc.unesco.org/ark:/48223/pf0000385114
Molenaar,
I.
(2022).
Towards
hybrid
human-AI
learning
technologies.
European
Journal of Education
, 57(4), 632-645.
https://doi.org/10.1111/ejed.12527
Moorhouse,
B.
L.,
Wan,
Y.,
Wu,
C.,
Kohnke,
L.,
Ho,
T.
Y.,
&
Kwong,
T.
(2024).
Developing
language
teachers'
professional
generative AI
competence: An
intervention study
in an initial language teacher education course.
System
,
125, 103399.
https://doi.org/10.1016/j.system.2024.103399
Ocaña-Fernández, Y.,
Valenzuela-Fernández,
L. A.,
&
Garro-Aburto,
L.
L.
(2019).
Inteligencia artificial y sus implicaciones en la educación superior.
Propósitos
y
Representaciones
,
7(2),
536-568.
http://dx.doi.org/10.20511/pyr2019.v7n2.274
Perezchica-Vega,
J.,
Sepúlveda-Rodríguez,
J.,
&
Román-Méndez,
A.
(2024).
Inteligencia artificial generativa en la educación superior: usos y opiniones de
los
profesores.
European
Public
and
Social
Innovation
Review
,
9,
1
-
20.
https://doi.org/10.31637/epsir.24-1.1
Reinoso, M., & Paz, C. (2024). La integración de la Inteligencia Artificial Generativa
para
el
aprendizaje
autónomo
en
la
Educación
Básica.
Revista
Iberoamericana de Tecnología en Educación y Educación en Tecnología
, (35),
e12.
https://doi.org/10.24215/18509959.35.e12
Sánchez Vera, M. M. (2024). Reflexiones pedagógicas sobre el uso de ChatGPT en
la educación.
RIED-Revista Iberoamericana de Educación a Distancia
, 27(1),
9–39.
https://doi.org/10.5944/ried.27.1.37716
22
Selwyn, N. (2020).
¿Deberían los robots sustituir al profesorado? La IA y el futuro de
la educación
. Ediciones Morata.
UNESCO. (2024).
Generative AI and the future of education
. UNESCO Publishing.
https://www.unesco.org/en/articles/generative-ai-and-future-education
Zawacki-Richter,
O.,
Marín,
V.
I.,
Bond,
M.,
&
Gouverneur,
F.
(2020).
Systematic
review of research on artificial intelligence applications in higher education –
where are the educators?
International Journal of Educational Technology in
Higher Education
, 16(1), 39.
https://doi.org/10.1186/s41239-019-0171-0