23
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19870869
Gamificación Asistida por Inteligencia Artificial: Diseño de
Entornos Lúdicos Adaptativos para la Personalización del
Aprendizaje
Artificial Intelligence-Assisted Gamification: Designing Adaptive Playful
Environments for Learning Personalization
Suarez Zuñiga Carlos Efren
Escuela
de
Educación
Básica
Particular
Ciudad
de
Jerusalén,
Durán-Ecuador
carlosvarezuñiga83@hotmail.com
Recibido: 20 de febrero 2026 / Aceptado: 10 de marzo. 2026 / Publicado: 29 de
abril de 2026.
1. Resumen
El
presente
artículo
de
investigación
analiza
la
intersección
entre
la
Inteligencia
Artificial Generativa (IAG) y el diseño instruccional lúdico, proponiendo un modelo
para
la
creación
de
juegos
educativos
adaptativos
en
el
subnivel
de
Educación
Básica.
El
problema
central
radica
en
que
la
gamificación
tradicional
suele
ser
estática, obligando a todos los estudiantes a avanzar al mismo ritmo, lo que genera
frustración
en
alumnos
con
dificultades
y
aburrimiento
en
aquellos
con
altas
capacidades. El objetivo de este estudio es estructurar metodológicamente el uso de
modelos de lenguaje de gran escala (LLM) para diseñar narrativas ramificadas y
sistemas
de
evaluación
invisible
(
stealth
assessment
)
que
ajusten
su
nivel
de
dificultad en tiempo real según el desempeño del usuario. Mediante un enfoque de
investigación-acción
y
el
análisis
de
diseño
de
prompts
estructurados,
se
desarrollaron matrices de juegos de rol (RPG) educativos. Los resultados teóricos y
prácticos evidencian que la IA permite al docente reducir exponencialmente el tiempo
de
diseño
de
árboles
de
decisión
complejos,
viabilizando
una
verdadera
personalización
del
aprendizaje.
Se
concluye
que
el
juego
como
estrategia
pedagógica, potenciado por la IA, trasciende la mera motivación para convertirse en
un motor de desarrollo cognitivo adaptado a la Zona de Desarrollo Próximo de cada
24
estudiante.
Palabras
clave:
Inteligencia
Artificial,
Gamificación,
Aprendizaje
Adaptativo, Innovación Educativa, Diseño Instruccional.
Abstract
This
research
article
analyzes
the
intersection
between
Generative
Artificial
Intelligence (GAI) and playful instructional design, proposing a model for the creation
of adaptive educational games at the Basic Education level. The central problem is
that traditional
gamification is usually static, forcing all students to progress at the same pace, which
generates
frustration
in
students
with
difficulties
and
boredom
in
those
with
high
abilities. The objective of this study is to methodologically structure the use of large
language
models
(LLMs)
to
design
branching
narratives
and
stealth
assessment
systems that adjust their difficulty level in real time according to user performance.
Through an action-research approach and the analysis of structured prompt design,
educational role-playing game (RPG) matrices were developed. The theoretical and
practical results show that AI allows the teacher to exponentially reduce the design
time of complex decision trees, making true personalization of learning viable. It is
concluded that play as a pedagogical strategy, enhanced by AI, transcends mere
motivation to become an engine of cognitive development adapted to the Zone of
Proximal
Development
of
each
student.
Keywords:
Artificial
Intelligence,
Gamification, Adaptive Learning, Educational Innovation, Instructional Design.
2. Introducción
La concepción del juego como estrategia pedagógica ha sido ampliamente validada
por las neurociencias y la psicología del desarrollo. Autores clásicos como Piaget y
Vygotsky sentaron las bases para comprender que el entorno lúdico es el escenario
natural para la adquisición de competencias complejas. No obstante, la traslación de
estos principios al aula contemporánea enfrenta un desafío logístico insoslayable: la
heterogeneidad cognitiva del estudiantado.
La gamificación educativa, entendida como la aplicación de mecánicas de diseño de
juegos en contextos no lúdicos (Deterding et al., 2011), ha demostrado incrementar
la
motivación
extrínseca
e
intrínseca.
Sin
embargo,
en
su
aplicación
tradicional
analógica o digital básica, adolece de rigidez. Los sistemas de recompensas, niveles
y misiones suelen ser lineales. Si un estudiante domina una destreza rápidamente,
el juego pierde su capacidad de generar "flujo" (Csikszentmihalyi, 1990); a la inversa,
si
el
estudiante
presenta
rezagos,
el
sistema
lineal
se
convierte
en
una
barrera
punitiva.
25
La Inteligencia Artificial (IA) introduce una disrupción ontológica en este escenario: la
adaptabilidad paramétrica. Este documento explora cómo los educadores pueden
utilizar la IA generativa para diseñar entornos gamificados que actúen como tutores
inteligentes.
El
propósito
de
este
trabajo
es
proporcionar
un
andamiaje
teórico-
práctico
que
permita
a
los
docentes
estructurar
juegos
educativos
donde
la
dificultad,
la
narrativa
y
la
retroalimentación
se
modifiquen
dinámicamente,
respondiendo
de
forma individualizada a la curva de aprendizaje de cada discente.
3. Marco Teórico
3.1. Teoría del Flujo y la Zona de Desarrollo Próximo Dinámica
El éxito de cualquier entorno gamificado reside en su capacidad para mantener al
usuario en el "Canal de Flujo", un estado de inmersión total donde el nivel de desafío
de la tarea se equilibra perfectamente con el nivel de habilidad del sujeto (Nakamura
&
Csikszentmihalyi,
2014).
En paralelo,
la
Zona
de
Desarrollo
Próximo (ZDP)
de
Vygotsky postula que el aprendizaje ocurre en la brecha entre lo que el estudiante
puede hacer solo y lo que puede hacer con ayuda. La IA actúa como el mediador
experto ideal, calibrando el desafío microsegundo a microsegundo para mantener al
estudiante simultáneamente en estado de flujo y dentro de su ZDP.
3.2. Evaluación Invisible (Stealth Assessment)
Un
componente
vital
de
los
juegos
adaptativos
es
la
evaluación
invisible
(Shute,
2011). A diferencia de las pruebas estandarizadas que interrumpen el proceso de
aprendizaje
generando
ansiedad,
la
evaluación
invisible
recolecta
datos
sobre
la
toma
de
decisiones
del
jugador
durante
la
dinámica
lúdica.
La
integración
de
ChatGPT en la fase de diseño instruccional permite al docente crear matrices de
rúbricas
ocultas,
donde
cada
elección
en
un
juego
de
rol
narrativo
(RPG)
está
vinculada a un indicador de evaluación específico del currículo.
3.3. Algoritmia Generativa para Narrativas Ramificadas
Diseñar un juego de "Elige tu propia aventura" con múltiples finales y adaptaciones
de
dificultad
requiere
un
esfuerzo
de
redacción
y
lógica
masivo,
históricamente
inviable para un docente de Educación Básica. Los Modelos de Lenguaje de Gran
Escala (LLM) resuelven este cuello de botella. Mediante ingeniería de
prompts
, la IA
puede generar cientos de escenarios de ramificación, ajustando el vocabulario, la
26
complejidad sintáctica y el tipo de problema matemático o lingüístico integrado en la
historia, basándose en el perfil de entrada del jugador.
4. Materiales y Métodos
La
metodología
empleada
se
inscribe
en
un
diseño
descriptivo
y
proyectivo,
sustentado en la investigación-acción educativa. El estudio se enfocó en la fase de
"Diseño y Prototipado" de entornos gamificados para el nivel de Educación Básica
Media.
4.1. Instrumentos y Plataformas
Se utilizó ChatGPT (arquitectura GPT-4) como herramienta principal para la ideación
narrativa, la estructuración de árboles lógicos y la definición de mecánicas de juego
adaptativas. Se emplearon como insumos las Destrezas con Criterio de Desempeño
(DCD)
del
currículo
ecuatoriano
en
el
área
de
Ciencias
Naturales
y
Lengua
y
Literatura.
4.2. Procedimiento de Diseño Asistido por IA
El protocolo de diseño constó de tres etapas secuenciales:
1.
Definición Paramétrica del Juego:
Establecimiento del objetivo pedagógico,
la metáfora narrativa (Ej. Exploración espacial) y las mecánicas base.
2.
Generación
del
Árbol
de
Dificultad
Dinámica
(Dynamic
Difficulty
Adjustment - DDA):
Uso de
prompts
complejos para instruir a la IA a diseñar
tres
niveles
simultáneos
de
una
misma
misión
(Fácil/Concreto,
Medio/Analítico, Difícil/Inferencial).
3.
Matriz
de
Respuesta
Predictiva:
Creación
de
un
sistema
de
retroalimentación narrativa donde el fracaso en una misión no penaliza, sino
que desencadena una "misión de refuerzo" camuflada en la historia.
5. Resultados
El
uso
de
IAG
en
la
estructuración
de
la
gamificación
adaptativa
demostró
una
optimización radical de los procesos de diseño instruccional. El hallazgo principal es
que el docente ya no necesita programar software para crear un juego adaptativo;
puede estructurarlo a través de narrativa lógica generada por IA, aplicable tanto en
plataformas digitales sencillas (como Genially o formularios de Google ramificados)
como en juegos de rol de mesa en el aula (RPG
Tabletop
).
5.1. Optimización del Diseño de Ramificaciones
27
Tradicionalmente,
crear
un
caso
de
estudio
con
tres
niveles
de
dificultad
y
sus
respectivas retroalimentaciones requería un estimado de 4 a 5 horas de redacción.
Mediante la aplicación de los
prompts
diseñados en este estudio, el tiempo de
generación
se
redujo
a
un
promedio
de
15
minutos,
incluyendo
el
proceso
de
validación humana.
5.2. El Modelo de Evaluación Silenciosa Integrada
Se logró establecer un modelo funcional donde las opciones de respuesta (A, B, C)
en un escenario lúdico no representan simplemente "Correcto o Incorrecto", sino que
diagnostican el tipo de error cognitivo.
Ejemplo
generado:
Si
en
una
misión
espacial
el
estudiante
calcula
mal
el
oxígeno,
la
IA
diseña
la
historia
para
que
aterrice
de
emergencia
en
un
"Planeta de Pruebas", donde enfrentará problemas matemáticos de menor
complejidad para recuperar recursos, adaptando así el ritmo de aprendizaje
sin que el alumno perciba un castigo o retroceso.
6. Discusión
La
gamificación
impulsada
por
IA
representa
un
salto
cualitativo
en
la
didáctica.
Como apuntan Zawacki-Richter et al. (2020), la integración de sistemas inteligentes
traslada
el
peso
de
la
"transferencia
de
contenido"
hacia
la
"orquestación
de
experiencias".
En el contexto de las instituciones particulares y fiscales de Ecuador, donde las aulas
son
heterogéneas,
la
gamificación
adaptativa
combate
la
deserción
y
la
desmotivación. Al aplicar el juego como estrategia pedagógica bajo este modelo, se
atiende
tanto
al
estudiante
con
Necesidades
Educativas
Especiales
(NEE)
no
asociadas a la discapacidad (quien recibe un entorno que le brinda más andamiaje),
como
al
estudiante
con
dotación
superior
(quien
recibe
escenarios
que
exigen
pensamiento crítico avanzado), todo dentro de la misma narrativa compartida.
El Desafío Ético y la "Caja Negra"
Un aspecto crítico que requiere escrutinio es la
transparencia de los algoritmos adaptativos. Si un sistema decide autónomamente
reducir la dificultad a un estudiante, existe el riesgo de un "etiquetado algorítmico"
que limite sus oportunidades de alcanzar la excelencia. Por tanto, es indispensable
que
el
diseño
arquitectónico
de
estos
juegos
mantenga
al
docente
en
el
centro
(
Human-in-the-loop
), permitiéndole revisar las analíticas del juego y ajustar
28
manualmente
las
trayectorias
de
aprendizaje
si
la
IA
subestima
la
capacidad
de
resiliencia del alumno.
7. Conclusiones
1.
Viabilidad
del
Diseño
Instruccional
Avanzado:
La
Inteligencia
Artificial
Generativa democratiza la creación de gamificación adaptativa. Lo que antes
era dominio exclusivo de programadores y diseñadores de
E-learning
, hoy es
accesible para cualquier docente con competencias en ingeniería de
prompts
.
2.
Transformación del Error:
El modelo adaptativo redefine el fracaso escolar.
En el juego impulsado por IA, el error no genera una mala calificación estática,
sino
que
altera
las
variables
del
entorno
para
proporcionar
instrucción
correctiva inmediata, respetando el ritmo biológico y cognitivo del estudiante.
3.
Líneas
de
Investigación:
Se
hace
necesario
el
desarrollo
de
estudios
longitudinales y de campo que midan el impacto emocional a largo plazo de
los
estudiantes
expuestos
a
narrativas
ramificadas
adaptativas
frente
a
la
gamificación lineal tradicional.
8. Apéndices Técnicos y Matrices de Diseño Instruccional
Apéndice A: Matriz Estructural de Juego de Rol Educativo Adaptativo (RPG-
EDU)
Esta tabla representa el marco lógico generado con asistencia de IA para un juego
de
Ciencias
Naturales
(Tema:
Cadenas
Tróficas).
Evidencia
cómo
el
sistema
responde al ritmo del estudiante.
Tabla A1.
Matriz de Ramificación y Ajuste Dinámico de Dificultad (DDA)
Nivel
de
la
Historia
Acción del
Jugador
/
Decisión
Evaluación
Oculta
(Indicador
DCD)
Consecuencia
Narrativa
si
Acierta
(Aumenta
Dificultad)
Consecuencia
Narrativa
si
Falla
(Andamiaje/Disminuye
Dificultad)
Escena
1:
El
Ecosistema
Roto
Debe
seleccionar
qué
animal
falta
para
que
el
halcón
Identifica el
rol
de
los
consumidores
primarios
y
secundarios.
Ruta
Alfa:
El
halcón
prospera.
Desbloquea
la
"Misión
de
los
Súper
Ruta
Beta:
El
halcón
pierde
energía.
El
Guardabosques
(NPC)
interviene
y
ofrece
una
lupa
mágica.
Misión
de
rescate
simple:
29
sobreviva
en el valle.
Depredadores"
(Análisis de red
trófica
compleja con 5
especies).
emparejar
herbívoros
con sus plantas.
Escena
2
(Ruta
Alfa):
Invasión
Analizar
el
impacto
de
una
especie
invasora
en
la
gráfica
de
población.
Infiere
consecuencias
de
la
alteración
de
ecosistemas
a
partir de datos
visuales.
Ruta
Élite:
Salva
el
ecosistema
y
recibe
la
insignia
de
"Biólogo
Maestro".
Cierre
del
juego
con
reflexión
escrita.
Ruta
Delta:
La
especie
se
reproduce.
El
juego
pausa
la
simulación
temporalmente
para
ofrecer
una
infografía
interactiva
sobre
especies
invasoras
antes
del
siguiente
intento.
Escena
2
(Ruta
Beta):
Recuperación
Usando
la
"lupa",
clasificar
3
especies
en
la
pirámide
de energía.
Clasifica
organismos
según su nivel
trófico
(Conocimiento
básico).
Retorna
a
la
Ruta
Alfa
con
confianza
restaurada
y
un
ítem
de
protección.
Ruta
Gamma:
El
bosque
requiere
ayuda
urgente.
Minijuego
de
memoria
visual
con
conceptos básicos para
reforzar
vocabulario
técnico.
Apéndice
B:
Fórmulas
de
Prompt
Engineering
para
Generación
de
Gamificación
El siguiente protocolo de instrucciones (Prompts) fue desarrollado para que docentes
sin
conocimientos
de
programación
puedan
generar
el
contenido
de
los
juegos
descritos en el Apéndice A.
Estructura del Prompt Maestro para Diseño de Escenarios:
"Actúa
como
un
Diseñador
de
Juegos
Educativos
y
Pedagogo
experto
en
Aprendizaje Adaptativo. Tu objetivo es crear la estructura narrativa para un juego de
texto tipo 'Elige tu propia aventura' dirigido a estudiantes de 5to de Educación Básica
en
Ecuador.
Tema
Curricular:
[Insertar
Tema,
ej.
Fracciones].
Instrucciones:
1.
Diseña una Escena Inicial atractiva (Máximo 100 palabras).
2. Presenta un desafío
que evalúe la comprensión del tema.
3. Ofrece 3 opciones de respuesta. La Opción
A debe ser la correcta. La Opción B debe representar un error común procedimental.
La Opción C debe representar un error conceptual profundo.
4. Genera la
30
ramificación:
Si
elige
A,
presenta
el
siguiente
escenario
subiendo
el
nivel
de
complejidad (Nivel de Análisis). Si elige B o C, genera un escenario de apoyo que
actúe
como
retroalimentación
formativa
oculta
dentro
de
la
historia,
bajando
la
complejidad (Nivel de Comprensión literal) sin decirle al estudiante que se equivocó."
Apéndice
C:
Sistema
de
Puntuación
Basado
en
la
Persistencia
(Resiliencia
Cognitiva)
A
diferencia
de
las
rúbricas
tradicionales
que
descuentan
puntos
por
errores,
el
modelo propuesto evalúa la persistencia, basándose en la mentalidad de crecimiento
(Growth Mindset).
Tabla C1.
Rúbrica de Evaluación Invisible de la Resiliencia en el Entorno Gamificado
Criterio
de
Resiliencia
Nivel
Alto
de
Adaptabilidad
Nivel
Medio
de
Adaptabilidad
Nivel Inicial
Respuesta
al
Fracaso
en
Misiones
(Rutas
Beta/Gamma)
Tras
fallar,
lee
la
retroalimentación
narrativa
y
resuelve
la
misión
de
andamiaje
en
el
p
rimer intento.
Requiere
múltiples
intentos
en
la
misión
de
andamiaje,
pero
eventualmente
deduce
el
patrón
correcto.
Evita o abandona la
misión
de
andamiaje;
selecciona
opciones al azar sin
leer
la
narrativa
compensatoria.
Gestión
de
la
Complejidad
(Ruta
Alfa/Élite)
Mantiene
un
alto
nivel
de
atención
y
precisión
al
enfrentar escenarios
con
variables
múltiples
(Dificultad
progresiva).
Resuelve
problemas
complejos
pero
requiere consumir
"pistas"
o
"ayudas"
del
entorno lúdico.
Presenta
fatiga
cognitiva
rápida
ante
el
incremento
de
dificultad,
prefiriendo
escenarios
repetitivos.
Transferencia
de Aprendizaje
Aplica
conceptos
descubiertos
en
las
misiones de apoyo a
las
misiones
finales
del "Jefe" del nivel.
Aplica
los
conceptos
parcialmente,
olvidando
reglas
pre
vias del juego.
No logra relacionar
los
descubrimientos de
una escena con los
problemas
de
la
escena siguiente.
9. Referencias Bibliográficas
31
Bozkurt, A., & Sharma, R. C. (2020).
Generative AI and prompt engineering: The art
of whispering to analytical systems.
Asian Journal of Distance Education
, 15(1), i
-
vii.
Buckley,
P.,
&
Doyle,
E.
(2019).
Gamification
and
student
motivation.
Interactive
Learning
Environments
,
24(6),
1162-1175.
https://doi.org/10.1080/10494820.2014.964263
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).
https://doi.org/10.1186/s41239-023-00392-8
Csikszentmihalyi, M. (1990).
Flow: The Psychology of Optimal Experience
. Harper &
Row.
Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements
to
gamefulness:
defining
gamification.
Proceedings
of
the
15th
International
Academic MindTrek Conference
, 9-15.
García-Peñalvo, F. J. (2023).
La percepción de la In
teligencia Artificial en contextos
educativos tras el
lanzamiento de ChatGPT.
Education in the Knowledge Society
(EKS)
, 24.
https://doi.org/10.14201/eks.31279
Holmes,
W.,
& Tuomi,
I.
(2022).
State
of
the
art
and
practice
in AI
in
education.
European Journal of Education
, 57(4), 542-570.
https://doi.org/10.1111/ejed.12533
Hwang, G. J., & Chien, S. Y. (2022). Definition, roles, and potential research issues
of the metaverse in education: An artificial intelligence perspective.
Computers and
Education: Artificial Intelligence
, 3, 100082.
Kapp,
K.
M.
(2020).
The
Gamification
of
Learning
and
Instruction:
Game-based
Methods and Strategies for Training and Education
.
Pfeiffer.
Miao,
F.,
&
Holmes,
W.
(2023).
Inteligencia
artificial
y
educación:
Guía
para
las
personas a cargo de formular políticas
.
UNESCO.
Molenaar,
I.
(2022).
Towards
hybrid
human-AI
learning
technologies.
European
Journal of Education
, 57(4), 632-645.
https://doi.org/10.1111/ejed.12527
Nakamura, J., & Csikszentmihalyi, M. (2014). The concept of flow. En
Flow and the
foundations of positive psychology
(pp. 239-263). Springer.
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
32
Plass,
J.
L.,
Homer,
B.
D.,
&
Kinzer,
C.
K.
(2020).
Foundations
of
Game-Based
Learning.
Educational Psychologist
, 50(4), 258
-
283.
Reinoso, M., & Paz, C. (2024). La integración de la Inteligencia Artificial Generativa
para el aprendizaje autónomo.
Revista Iberoamericana de Tecnología en Educación
,
(35), e12.
Salen, K., & Zimmerman, E. (2019).
Rules of Play: Game Design Fundamentals
. MIT
Press.
Shute,
V.
J.
(2011).
Stealth
assessment
in
computer-based
games
to
support
learning.
En
Computer
games
and
instruction
(pp.
503-524).
Information
Age
Publishing.
Su, J., & Yang, W. (2023). Artificial intelligence in early childhood education: A scoping
review.
Computers
and
Education:
Artificial
Intelligence
,
4,
100149.
https://doi.org/10.1016/j.caeai.2023.100149
Toda, A. M., Klock, A. C. T., Oliveira, W., Palomino, P. T., Rodrigues, L., Shi, L., ...
&
Cristea, A. I. (2019). Analysing gamification elements in educational environments
using an existing Gamification taxonomy.
Smart Learning Environments
, 6(1), 1
-
14.
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.