33
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19870958
Inteligencia Artificial para la Inclusión Educativa: Herramientas de
Accesibilidad Generativa para Estudiantes con TDAH, Dislexia y
TEA
Artificial Intelligence for Educational Inclusion: Generative Accessibility Tools
for Students with ADHD, Dyslexia, and ASD
Juana Emilia Fernández Álvarez
Escuela de Educación Básica Fiscal Manuel Gómez Abad, Durán-
Ecuador
emilia.fernandez@educacion.gob.ec
Recibido: 27 de febrero 2026 / Aceptado: 18 de marzo. 2026 / Publicado: 29 de
abril de 2026.
1. Resumen
El presente artículo de investigación aborda el impacto de la Inteligencia Artificial
Generativa (IAG) como tecnología de asistencia para la inclusión educativa en el
subnivel
de
Educación
Básica.
El
problema
radica
en
la
dificultad
operativa
que
enfrentan
los
docentes
para
diseñar
adaptaciones
curriculares
individualizadas
(Grado
2
y
3)
para
aulas
neurodiversas,
específicamente
para
estudiantes
con
Trastorno por Déficit de Atención e Hiperactividad (TDAH), Dislexia y Trastorno del
Espectro Autista (TEA). El objetivo general fue diseñar y evaluar metodológicamente
protocolos
de
prompt
engineering
(ingeniería
de
instrucciones)
en
modelos
de
lenguaje de gran escala (LLM) para automatizar la creación de recursos accesibles.
Mediante un enfoque de investigación-acción y un diseño descriptivo, se validó la
generación
de
historias
sociales,
fragmentación
de
textos
(
chunking
)
y
ajustes
sintácticos.
Los
resultados
evidencian
una
reducción
del
85%
en
el
tiempo
de
planificación de materiales adaptados, elevando la precisión técnica de los mismos.
Se concluye que la IA trasciende la automatización administrativa para convertirse
en
un
ecualizador
cognitivo,
permitiendo
al
docente
garantizar
el
derecho
a
una
educación equitativa sin comprometer su bienestar ocupacional.
Palabras clave:
Educación Inclusiva, Inteligencia Artificial, TDAH, Dislexia, Autismo,
Diseño Universal para el Aprendizaje (DUA).
34
1. Abstract
This research article addresses the impact of Generative Artificial Intelligence (GAI)
as an assistive technology for educational inclusion at the Basic Education level. The
problem lies in the operational difficulty faced by teachers in designing individualized
curricular adaptations (Grade 2 and 3) for neurodiverse classrooms, specifically for
students with Attention Deficit Hyperactivity Disorder (ADHD), Dyslexia, and Autism
Spectrum Disorder (ASD). The general objective was to design and methodologically
evaluate prompt engineering protocols in large language models (LLMs) to automate
the creation of accessible resources. Through an action-research approach and a
descriptive
design,
the
generation
of
social
stories,
text
chunking,
and
syntactic
adjustments were validated. The results show an 85% reduction in the planning time
of
adapted
materials,
raising
their
technical
precision.
It
is
concluded
that
AI
transcends administrative automation to become a cognitive equalizer, allowing the
teacher
to
guarantee
the
right
to
equitable
education
without
compromising
their
occupational well-being.
Keywords:
Inclusive
Education,
Artificial
Intelligence,
ADHD,
Dyslexia,
Autism,
Universal Design for Learning (UDL).
2. Introducción
La educación inclusiva ha transitado de ser un paradigma teórico a un mandato ético
y legal en los sistemas educativos contemporáneos. Sin embargo, la brecha entre la
política de inclusión y la práctica en el aula sigue siendo significativa. En Ecuador,
los docentes de Educación Básica se enfrentan diariamente al reto de mediar el
aprendizaje
en
aulas
altamente
heterogéneas,
donde
conviven
estudiantes
con
desarrollo
neurotípico
y
aquellos
con
Necesidades
Educativas
Especiales
(NEE)
asociadas o no a la discapacidad, tales como el TDAH, la Dislexia y el TEA.
El Diseño Universal para el Aprendizaje (DUA) establece que el currículo debe ser
inherentemente flexible; no obstante, la creación de múltiples vías de acceso a la
información demanda un tiempo de planificación que excede la jornada laboral del
educador.
Es
en
este
punto
de
tensión
estructural
donde
la
Inteligencia Artificial
Generativa
interviene.
Históricamente,
las
tecnologías
de
asistencia
(lectores
de
pantalla, correctores ortográficos) han sido reactivas. Hoy, modelos como ChatGPT
permiten una asistencia proactiva y generativa (Miao & Holmes, 2023).
35
El objetivo de esta investigación es demostrar cómo la IAG puede ser orquestada
por el docente para crear herramientas de accesibilidad personalizadas en minutos.
Se busca transitar de un modelo de "integración" (donde el alumno se adapta al
sistema)
a
uno
de
"inclusión
real"
(donde
el
sistema,
asistido
por
IA,
se
adapta
dinámicamente al perfil neurocognitivo del estudiante).
3. Marco Teórico
3.1. Neurodiversidad y Barreras Cognitivas en el Aula
La neurodiversidad plantea que las variaciones neurológicas son formas naturales
de la diversidad humana.
TDAH:
Los estudiantes presentan disfunciones en las funciones ejecutivas,
específicamente en la memoria de trabajo y el control inhibitorio. Requieren
que la información sea estructurada en bloques cortos (
microlearning
) y con
retroalimentación inmediata.
Dislexia:
Dificultad específica del aprendizaje de origen neurobiológico. Las
barreras
se
presentan
en
la
decodificación
fonológica.
Requieren
adaptaciones
tipográficas,
reducción
de
la
carga
sintáctica
y
alternativas
multimodales.
TEA (Nivel 1):
Presentan rigidez cognitiva y dificultades en la cognición social
y pragmática. Requieren anticipación, rutinas visuales predecibles y "historias
sociales" para decodificar situaciones áulicas.
3.2. La IA como Herramienta de Ecualización Cognitiva
La
literatura
reciente
destaca
que
los
LLM
poseen
una
notable
capacidad
de
"traducción intralingüística" (Crompton & Burke, 2023). Esto significa que la IA no
solo
traduce
entre
idiomas,
sino
entre
"niveles
cognitivos"
o
"estilos
de
procesamiento". Un texto denso de Ciencias Naturales puede ser introducido en la
IA
y,
mediante
un
comando
específico,
ser
reescrito
eliminando
oraciones
subordinadas
complejas,
destacando
conceptos
clave
en
negrita
e
integrando
analogías basadas en los intereses específicos del estudiante (Ej. explicar la mitosis
usando piezas de LEGO).
3.3. El Diseño Universal para el Aprendizaje (DUA) Asistido por IA
El DUA se basa en tres redes neuronales: reconocimiento (el "qué" del aprendizaje),
estratégicas (el "cómo") y afectivas (el "por qué"). La IA potencia el primer principio
36
al ofrecer múltiples formas de representación. Un solo documento matriz elaborado
por
el docente puede ser derivado por la IA en tres formatos accesibles simultáneamente,
asegurando que todos los estudiantes alcancen la misma Destreza con Criterio de
Desempeño (DCD) a través de vías diferenciadas.
4. Materiales y Métodos
4.1. Diseño y Contexto de la Investigación
Se
empleó
un
diseño
descriptivo
con
enfoque
cualitativo,
fundamentado
en
la
investigación-acción.
El
campo
de
estudio
se
enmarcó
en
las
planificaciones
de
Educación
Básica
Media,
enfocándose
en
la
elaboración
de
Documentos
Individuales de Adaptación Curricular (DIAC) de Grado 2 y 3.
4.2. Procedimiento: Ingeniería de
Prompts
Inclusivos
Se
desarrollaron
protocolos
de
interacción
con
la
IA
(ChatGPT-4)
categorizados
según el perfil neurocognitivo objetivo.
1.
Fase de Diagnóstico de Barreras:
Análisis del texto original y determinación
de los obstáculos de acceso (ej. vocabulario abstracto, párrafos largos).
2.
Fase de Transformación Algorítmica:
Aplicación de fórmulas de instrucción
(
prompts
) estructuradas. Se determinaron tres algoritmos de transformación:
Simplificación Sintáctica
(Para Dislexia).
Fragmentación y Gamificación Estructural
(Para TDAH).
Anticipación Narrativa
(Para TEA).
3.
Fase
de
Curaduría
Humana:
Revisión
pedagógica
de
los
materiales
generados para asegurar la pertinencia cultural y el rigor científico.
5. Resultados
La investigación evidenció que la capacidad de la IA para procesar lenguaje natural
permite democratizar la educación especial dentro del aula regular.
5.1. Impacto Operativo en el Diseño de Adaptaciones Curriculares
La creación manual de adaptaciones significativas de materiales de lectura es una
de las tareas más demandantes. La Tabla 1 ilustra la eficiencia obtenida.
37
Tabla 1.
Comparativa de tiempos de producción de materiales accesibles.
Tipo
de
Material
/
Adaptación
Perfil
de
Destino
Tiempo
Tradicional
Tiempo
con IAG
Porcentaje
de
Optimización
Reescritura de texto
expositivo
(2
páginas)
Dislexia
45 min
3
min
93.3%
Creación de Historia
Social para anticipar
un
evento
(Ej.
simulacro)
TEA
30 min
2 min
93.3%
División de proyecto
en
micro
-
tareas
(
Checklist
)
TDAH
20 min
2 min
90.0%
5.2. Evaluación de la Calidad de la Transformación Textual
Al someter textos académicos a la IA con el
prompt
de adaptación para dislexia, el
sistema logró:
Reducir
el
índice
de
niebla
(complejidad
lectora)
sin
alterar
el
concepto
fundamental.
Sustituir automáticamente palabras polisémicas por términos unívocos.
Estructurar el texto en viñetas cortas, facilitando el rastreo visual.
6. Discusión
La introducción de la IAG en el diseño de adaptaciones curriculares representa un
cambio
de
paradigma.
Como
señala
Selwyn
(2020),
la
tecnología
no
debe
reemplazar el juicio humano, pero sí debe asumir el trabajo mecánico. En el caso de
las aulas ecuatorianas, donde los departamentos de Consejería Estudiantil (DECE)
suelen estar saturados, empoderar al docente de aula con herramientas de IA resulta
vital.
Precauciones y Limitaciones Técnicas
Resulta imperativo discutir el concepto de
"personalización excesiva" o "efecto burbuja". Si la IA simplifica sistemáticamente
todos los textos para un estudiante con dislexia sin un plan de andamiaje progresivo,
se corre el riesgo de limitar su desarrollo lector a largo plazo. La adaptación debe ser
una
38
muleta temporal, no permanente. Por consiguiente, el docente debe programar la IA
para incrementar sutilmente la complejidad del vocabulario mes a mes.
Asimismo, se reitera la norma ética fundamental: en la interacción con el LLM, el
profesional
no
debe
ingresar
diagnósticos
clínicos
acompañados
de
datos
de
identificación personal de los menores (Nombres, apellidos o cédulas).
7. Conclusiones
1.
Ecualización de Oportunidades:
ChatGPT y otras herramientas generativas
actúan como potentes ecualizadores cognitivos. Permiten al docente de aula
regular
diseñar
en
minutos
adaptaciones
de
Grado
2
y
3,
garantizando
el
acceso a la información para el neurodivergente.
2.
Mitigación del
Burnout
Docente:
La automatización de la fragmentación de
textos y la generación de historias sociales reduce drásticamente la carga de
trabajo
invisible
del
educador,
previniendo
el
síndrome
de
desgaste
profesional.
3.
Hacia un DUA Dinámico:
La IA permite materializar los principios del Diseño
Universal para el Aprendizaje de forma dinámica. Un mismo contenido puede
ser
entregado
simultáneamente
en
tres
formatos
textuales
y
organizativos
diferentes,
atendiendo
a
la
realidad
heterogénea
de
la
Educación
Básica
contemporánea.
8. Apéndices Técnicos: Protocolos de Accesibilidad Asistida
Apéndice
A:
Matriz
de
Prompts
(Instrucciones)
para
Generación
de
Adaptaciones Curriculares
La presente matriz detalla los comandos validados que el educador debe introducir
en la interfaz de IA para obtener resultados con rigor pedagógico.
Tabla A1.
Fórmulas Estructurales de Interacción por Perfil Neurocognitivo
Perfil
del
Estudiante
Objetivo
Pedagógico
Fórmula
del
Prompt
de
Alto
Impacto
para IA
39
Estudiante
con TDAH
Minimizar
la
fatiga
ejecutiva y asegurar
la
finalización
de
tareas
de
largo
aliento.
"Actúa
como
especialista
en
TDAH.
Toma
este
proyecto
escolar
[Insertar
Instrucciones del Proyecto]. Divídelo en
una lista de verificación (Checklist
) de 5
pasos cortos. Para cada paso, incluye un
límite
de
tiempo
(técnica
Pomodoro)
y
una mini
-
recompensa motivacional. Usa
un tono animado y directo."
Estudiante
con Dislexia
Eliminar barreras de
decodificación
en
textos
expositivos
densos.
"Actúa
como
psicopedagogo
experto.
Toma
el
siguiente
texto
de
Historia
[Insertar
Texto].
Reescríbelo
bajo
los
siguientes parámetros: 1. Oraciones de
máximo
15
palabras.
2.
Estructura
de
Sujeto-Verbo-Predicado.
3.
Evita
metáforas
y
usa
lenguaje
literal.
4.
Organiza la información en una lista con
viñetas.
Resalta
en
negrita
el
concepto
principal de cada viñeta."
Estudiante
con
TEA
(Nivel 1)
Reducir la ansiedad
ante
cambios
de
rutina
o
actividades
grupales nuevas.
"Actúa
como
un
experto
en
Autismo.
Escribe una 'Historia
Social' en primera
persona
para
un
niño
de
9
años.
La
situación
es:
[Ej.
'Mañana
habrá
un
simulacro de sismo y sonará una alarma
fuerte']. Explica qué va a pasar, por qué
es
seguro,
qué
acciones
exactas
debe
tomar
y
qué
puede
hacer
si
se
siente
abrumado (E
j. usar audífonos). Lenguaje
literal y tranquilizador."
Apéndice B: Ejemplo Comparativo de Adaptación de Texto Asistida por IA (DCD
de Ciencias Naturales)
Este
apéndice
demuestra
la
aplicación
real
del
Prompt
para
un
estudiante
con
dificultades de procesamiento lector (Dislexia).
Texto Original (Tomado del Libro de Texto Base - Grado 6):
40
"La
fotosíntesis
es
un
proceso
anabólico
fundamental
y
extraordinariamente
complejo que llevan a cabo los organismos autótrofos, mediante el cual, gracias a la
captura de la energía luminosa proveniente del sol a través de la clorofila contenida
en
los
cloroplastos,
logran
transformar
la
materia
inorgánica,
específicamente
el
dióxido de carbono y el agua, en materia orgánica rica en energía química, como la
glucosa,
liberando
paralelamente
oxígeno
como
subproducto
hacia
la
atmósfera
terrestre."
(70 palabras, sintaxis compleja, múltiples subordinadas).
Texto Adaptado y Generado por IA en 3 Segundos (Aplicando Parámetros de
Apéndice A):
¿Qué
es
la
fotosíntesis?
Es
la
forma
en
que
las
plantas
preparan
su
propio
alimento.
¿Qué usan las plantas para cocinar este alimento?
Agua:
La toman del suelo.
Dióxido de carbono:
Un gas que está en el aire.
Sol:
La luz les da energía.
¿Qué fabrican las plantas?
Hacen su comida, llamada
glucosa
.
Sueltan
oxígeno
al aire. ¡Ese es el oxígeno que nosotros respiramos!
(Análisis Técnico: El índice de complejidad lectora disminuyó, se eliminó la jerga no
esencial
para
el
nivel
básico
("proceso
anabólico"),
se
introdujo
estructura
de
preguntas y respuestas cortas, y se aplicó formato visual).
Apéndice C: Estructuración Visual de Rutinas (Gamificación y TEA)
Uso
de
la
IA
para
generar
esquemas
tabulares
que
luego
el
docente
solo
debe
imprimir y entregar al estudiante como soporte de funciones ejecutivas.
Tabla C1.
Rutina Visual de Clase Generada por IA (Adaptación Grado 2).
Orden
¿Qué
vamos
a
hacer?
¿Cuánto
tiempo?
¿Qué
necesito
tener
en
mi
mesa?
Mi meta de hoy
41
1
Escuchar
la
lectura
de la profesora.
10 Minutos
Cuaderno
cerrado,
manos
cruzadas.
Estar
tranquilo
y escuchar.
2
Trabajo en equipo (2
personas).
15 Minutos
Lápiz
y
hoja
de
trabajo.
Hablar
con
voz
baja.
3
Pausa
activa
(Estiramiento).
5 Minutos
De pie al lado de
mi silla.
Seguir
el
ritmo
de la música.
4
Evaluación
individual.
15 Minutos
Borrador y lápiz.
Intentar
responder todo.
9. Referencias Bibliográficas
Akgun,
S.,
&
Greenhow,
C.
(2022). Artificial
intelligence
in
education: Addressing
ethical
challenges
in
K-12
settings.
AI
and
Ethics
,
2(3),
431-440.
https://doi.org/10.1007/s43681-021-00096-7
AlAgha, I. (2023). Generative AI in education: Exploring the potentials of ChatGPT in
supporting
inclusive
learning.
Journal
of
Educational
Technology
Systems
,
52(1), 3-21.
Castaneda, L., & Selwyn, N. (2023). More than tools? Making sense of the ongoing
digitizations
of
higher
education.
International
Journal
of
Educational
Technology in Higher Education
, 20(1), 1-10.
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
Fernández-Batanero, J. M., Montenegro-Rueda, M., Fernández-Cerero, J., & García-
Martínez,
I.
(2022).
Assistive
technology
for
the
inclusion
of
students
with
disabilities:
A
systematic
review.
Educational
Technology
Research
and
Development
, 70(5),
1911
-
1930.
García-Peñalvo, F. J. (2023). La percepción de la Inteligencia Artificial en contextos
educativos
tras
el
lanzamiento
de
ChatGPT.
Education
in
the
Knowledge
Society (EKS)
, 24, e31279.
Hwang, G. J., & Tu, Y. F. (2021). Roles and research trends of artificial intelligence in
mathematics
education:
A
bibliometric
mapping
analysis
and
systematic
review.
Mathematics
, 9(6), 584.
42
Knox, J. (2020). Artificial intelligence and education in China.
Learning, Media and
Technology
, 45(3), 298-311.
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.
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.
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.
Pérez-Gutiérrez, E., & Sánchez-Macías, A. (2023). Inclusión educativa y tecnologías
de la información y la comunicación: Un análisis crítico.
Revista Electrónica de
Investigación Educativa
, 25, e11.
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
, (35), e12.
Salas-Pilco,
S.
Z.,
&
Yang,
Y.
(2022).
Artificial
intelligence
applications
in
Latin
American
higher
education:
A
systematic
review.
International
Journal
of
Educational T
echnology in Higher Education
, 19(1), 21.
Selwyn, N. (2020).
¿Deberían los robots sustituir al profesorado? La IA y el futuro de
la educación
. Ediciones Morata.
Southgate,
E.
(2020).
Artificial
intelligence,
emerging
technology
and
educational
marginalisation
. En
Artificial Intelligence in Education
(pp. 53-62). Springer.
UNESCO. (2024).
Generative AI and the future of education
. UNESCO Publishing.
Wang, Y., & Wang, Y. (2023). Evaluating the application of artificial intelligence in
special education.
Journal of Special Education Technology
, 38(2), 145-156.
Zawacki-Richter,
O.,
Marín,
V.
I.,
Bond,
M.,
&
Gouverneur,
F.
(2020).
Systematic
review of research on artificial intelligence applications in higher education.
International Journal of Educational Techno
logy in Higher Education
, 16(1),
39.