43
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19871033
Evaluación Formativa con Inteligencia Artificial: Automatización
Estratégica de la Retroalimentación Descriptiva para la Mitigación
del
Burnout
Docente
Formative Assessment with Artificial Intelligence: Strategic Automation of
Descriptive Feedback for the Mitigation of Teacher Burnout
Nancy Rocío Zambrano Figueroa
Escuela de Educación Básica Fiscal Manuel Gómez Abad
,
Durán-
Ecuador
nancy198427@hotmail.com
Recibido: 27 de febrero 2026 / Aceptado: 21 de marzo. 2026 / Publicado: 29 de
abril de 2026.
1. Resumen
El
presente
artículo
de
investigación
analiza
la
implementación
de
la
Inteligencia
Artificial Generativa (IAG) como instrumento para la optimización de la evaluación
formativa
en
el
nivel
de
Educación
Básica.
El
problema
central
que
motiva
este
estudio
es
la
contradicción
entre
la
exigencia
pedagógica
de
proveer
retroalimentación descriptiva, frecuente e individualizada, y la realidad del síndrome
de
desgaste
profesional
(
burnout
)
que
experimentan
los
docentes
debido
a
la
masificación
en
las
aulas
y
la
excesiva
carga
administrativa.
El
objetivo
de
la
investigación fue diseñar, aplicar y medir la eficacia de un protocolo estructurado de
ingeniería de instrucciones (
prompt engineering
) utilizando Modelos de Lenguaje de
Gran Escala (LLM) para generar comentarios de retroalimentación cualitativa. La
metodología empleada responde a un enfoque descriptivo y de investigación-acción,
analizando una muestra de casos prácticos de evaluación en el área de Lengua y
Literatura.
Los
resultados
demuestran
que,
al
utilizar
variables
de
entrada
predefinidas (logros y áreas de mejora), el docente puede reducir el tiempo dedicado
a la redacción de retroalimentación hasta en un 80%, manteniendo altos niveles de
precisión técnica, empatía y alineación con los estándares curriculares. Se concluye
que la IA actúa como un mediador sintáctico que amplifica la capacidad del docente
44
para sostener una evaluación verdaderamente formativa sin comprometer su salud
ocupacional, siempre bajo un marco de curaduría ética y protección de datos.
Palabras
clave:
Evaluación
Formativa,
Retroalimentación,
Inteligencia
Artificial,
Síndrome de Burnout, Innovación Educativa.
1. Abstract
This research article analyzes the implementation of Generative Artificial Intelligence
(GAI) as an instrument for the optimization of formative assessment at the Basic
Education
level.
The
central
problem
motivating
this
study
is
the
contradiction
between the pedagogical requirement to provide frequent, individualized descriptive
feedback and the reality of occupational burnout experienced by teachers due to
classroom overcrowding and excessive administrative burden. The objective of the
research was to design, apply, and measure the effectiveness of a structured prompt
engineering protocol using Large Language Models (LLMs) to generate qualitative
feedback comments. The methodology used responds to a descriptive and action-
research approach, analyzing a sample of practical assessment cases in the area of
Language
and
Literature. The
results
demonstrate
that
by
using
predefined
input
variables (achievements and areas for improvement), the teacher can reduce the time
spent
writing
feedback
by
up
to
80%,
while
maintaining
high
levels
of
technical
precision, empathy, and alignment with curricular standards. It is concluded that AI
acts as a syntactic mediator that amplifies the teacher's capacity to sustain a truly
formative assessment without compromising their occupational health, always under
a framework of ethical curation and data protection.
Keywords:
Formative
Assessment,
Feedback,
Artificial
Intelligence,
Burnout
Syndrome, Educational Innovation.
2. Introducción
La
evaluación
formativa
constituye
el
núcleo
neurálgico
de
los
procesos
de
enseñanza-aprendizaje
contemporáneos. A
diferencia
de
la
evaluación
sumativa,
cuyo fin es la calificación y la certificación, la evaluación formativa busca intervenir
durante el proceso cognitivo, proporcionando información que permita al estudiante
ajustar sus estrategias y al docente recalibrar su didáctica (Black & Wiliam, 2018).
Dentro de este paradigma, la retroalimentación descriptiva (
descriptive feedback
) se
erige como la herramienta más poderosa para incidir en el rendimiento académico.
Sin embargo, la aplicabilidad de este modelo en el contexto de la Educación Básica
en Ecuador enfrenta una barrera logística insalvable bajo métodos tradicionales: el
45
factor tiempo. Un docente responsable de un promedio de 35 a 40 estudiantes por
aula, con
una
carga
horaria
intensiva,
encuentra
materialmente
imposible
redactar
comentarios individualizados, empáticos y constructivos para cada tarea o proyecto.
Esta tensión sostenida entre el "deber ser" pedagógico y las limitaciones operativas
es uno de los
principales
detonantes
del
síndrome
de
desgaste
ocupacional
o
burnout
en
la
profesión docente.
La irrupción de la Inteligencia Artificial Generativa (IAG), liderada por herramientas
como
ChatGPT
(OpenAI),
ofrece
un
punto
de
inflexión
histórico.
Este
artículo
propone un desplazamiento del paradigma: el docente ya no debe actuar como el
redactor final de cada comentario evaluativo, sino como el estratega diagnóstico que
proporciona los datos críticos a la IA, la cual se encarga de estructurar el discurso
empático
y
formativo.
El
objetivo
de
este
estudio
es
establecer
un
andamiaje
metodológico
para
integrar
la
IA
en
los
procesos
de
evaluación
formativa,
garantizando
que
la
tecnología
libere
al
educador
de
la
fatiga
administrativa
sin
deshumanizar el vínculo pedagógico con el estudiante.
3. Marco Teórico
3.1. Teoría de la Retroalimentación Efectiva y Carga Cognitiva
Para
que
la
retroalimentación
sea
efectiva,
debe
responder
a
tres
preguntas
fundamentales propuestas por Hattie y Timperley (2021): ¿Hacia dónde voy? (
Feed
up
), ¿Cómo voy? (
Feed back
) y ¿Cuál es el siguiente paso? (
Feed forward
). Cumplir
con esta estructura requiere una alta carga cognitiva por parte del evaluador, quien
debe procesar los errores del estudiante, evitar el uso de lenguaje punitivo y formular
estrategias correctivas en un tono motivacional. Este esfuerzo intelectual repetido
decenas de veces en una sola jornada conduce a la fatiga por compasión y a la
simplificación
de
la
retroalimentación
(Ej.
reducirse
a
un
simple
"Buen
trabajo"
o
"Debes mejorar").
3.2. Inteligencia Artificial como "Espejo Sintáctico"
Los Modelos de Lenguaje de Gran Escala (LLM) no "comprenden" la pedagogía en
un sentido humano, pero son excepcionalmente eficientes en el procesamiento de
patrones de lenguaje natural (Molenaar, 2022). En el contexto evaluativo, la IA actúa
como
un
"espejo
sintáctico":
toma
observaciones
diagnósticas
breves
y
fragmentadas ingresadas por el docente (Ej.
Falta coherencia, buena ortografía, no
46
concluye la idea
) y las transforma en una narrativa estructurada basada en la técnica
del "sándwich de retroalimentación" (Refuerzo positivo, crítica constructiva, cierre
motivacional).
3.3. El Binomio
Human-in-the-Loop
(El Humano en el Bucle)
La automatización de la evaluación ha sido objeto de debate ético (Selwyn, 2020).
La premisa teórica de esta investigación se sustenta en el modelo
Human-in-the-
loop
, el cual decreta que la IA nunca debe evaluar por sí sola el trabajo del estudiante
ni emitir la calificación final. La IA es estrictamente un "asistente de redacción" que
elabora
el
borrador
de
la
retroalimentación
a
partir
del
juicio
crítico
previamente
establecido por el maestro.
4. Materiales y Métodos
4.1. Tipo de Estudio
La
investigación
se
enmarcó
en
un
diseño
descriptivo,
observacional
y
de
corte
transversal,
complementado
con
una
metodología
de
investigación-acción
en
el
contexto de la Educación Básica Media.
4.2. Instrumentos y Variables
Se
empleó
la
interfaz
de
ChatGPT
(modelo
GPT-4)
para
la
generación
de
datos
cualitativos.
Las
variables
independientes
fueron
los
prompts
(instrucciones)
estructurados, y las variables dependientes fueron el tiempo de redacción medido en
minutos y la calidad percibida del comentario (basada en la inclusión de elementos
motivacionales y correctivos claros).
4.3. Procedimiento Metodológico
El protocolo de experimentación constó de las siguientes fases:
1.
Diagnóstico Abreviado:
El docente analizó ensayos cortos redactados por
estudiantes de Educación Básica. En lugar de escribir el feedback completo,
el
docente
anotó
telegráficamente
en
una
matriz
de
Excel
tres
columnas:
Iniciales del estudiante, Puntos Fuertes y Áreas de Mejora.
2.
Ingeniería de la Instrucción:
Se construyó un
Prompt
Maestro diseñado para
parametrizar el tono, la extensión y la estructura del texto generado por la IA
(Ver Apéndice A).
47
3.
Procesamiento y Curaduría:
Los datos telegráficos se ingresaron al LLM. El
texto devuelto fue revisado por el docente, quien aprobó, editó o rechazó la
retroalimentación antes de entregarla al estudiante.
4.
Medición Cronometrada:
Se registró el tiempo invertido en todo el proceso
(lectura de la tarea, ingreso de datos a la IA, curaduría y entrega) y se comparó
con los tiempos históricos del método tradicional manual.
5. Resultados
La integración sistémica de la IAG en la evaluación formativa produjo resultados
concluyentes en dos dimensiones críticas: la optimización del recurso temporal y la
consistencia técnica del discurso pedagógico.
5.1. Cuantificación de la Eficiencia Temporal (Reducción del
Burnout
)
El análisis de tiempos reveló que la transición de la redacción manual a la generación
asistida por IA permite al docente procesar un volumen significativamente mayor de
evaluaciones sin experimentar fatiga sintáctica.
Tabla
1.
Estudio
comparativo
de
tiempos
en
el
proceso
de
Retroalimentación
Descriptiva para un grupo de 35 estudiantes.
Etapa
del
Proceso
Evaluativo
Método
Tradicional
(Manual)
Método Asistido
por IAG
D
iferencia
/
Optimización
Lectura
y
diagnóstico
del
trabajo
70
min
(2
min/estudiante)
70
min
(2
min/estudiante)
0%
(El
análisis
cognitivo
humano
se
mantiene).
Redacción
de
la
retroalimentación
descriptiva
140
min
(4
min/estudiante)
15
min
(Generación
en
bloque por IA)
- 89.2%
Curaduría humana y
revisión
de
coherencia
N/A
(Escrito
por
el autor)
25
min
(~40
seg/estudiante)
Ajuste
cualitativo.
Tiempo
Total
Invertido
210
Minutos
(3.5 horas)
110 Minutos (1.8
horas)
Ahorro neto del
47.6%
del
tiempo global.
48
Nota:
Los
datos
evidencian
que
el
ahorro
no
reside
en
la
lectura
del
trabajo
del
estudiante,
lo
cual
garantiza
la
validez
pedagógica,
sino
exclusivamente
en
la
mecanización de la redacción.
5.2. Evaluación Cualitativa de la "Empatía Artificial"
Un
hallazgo
imprevisto
fue
la
capacidad
del
LLM
para
mantener
un
tono
invariablemente empático. En el método tradicional, se observó empíricamente que
la
calidad
y
extensión
de
la
retroalimentación
docente
disminuía
a
medida
que
avanzaba la revisión de los exámenes (efecto de fatiga por evaluación). La IA, exenta
de este sesgo biológico, redactó el comentario número 35 con la misma profundidad,
nivel de detalle y tono motivacional que el comentario número 1.
6. Discusión
La automatización de la retroalimentación descriptiva a través de la IA plantea un
escenario
disruptivo
que
redefine
la
praxis
evaluativa.
De
acuerdo
con
García-
Peñalvo (2023), la disrupción no proviene de que la máquina evalúe mejor que el
humano, sino de que asume la "carga operativa", permitiendo al humano centrarse
en la mediación estratégica.
La Falsa Dicotomía entre Automatización y Personalización
Tradicionalmente, la
automatización en educación implicaba respuestas genéricas o de opción múltiple
(evaluación
mecanicista).
La
IAG
rompe
este
paradigma
permitiendo
una
"automatización personalizada". Al proveer a la IA de los parámetros específicos del
alumno
(logros
y
falencias),
el
resultado
es
un
texto
único,
adaptado
al
nivel
de
comprensión del niño. Esto democratiza el acceso a una evaluación de alta calidad;
los estudiantes de la Escuela de Educación Básica Particular “Ciudad de Jerusalén”
pueden recibir orientaciones detalladas que antes estaban limitadas por el cansancio
del profesor.
Salvaguardas
Éticas
y
Privacidad
de
Datos
Es
imperativo
abordar
los
riesgos
inherentes.
La
discusión
ética
central
recae
en
la
soberanía
de
los
datos
de
los
menores (UNESCO, 2024). Los docentes deben ser estrictamente capacitados para
ejercer la anonimización de datos. En ningún momento se debe ingresar al entorno
del
LLM
nombres
completos,
números
de
identificación,
información
médica
o
diagnósticos del Departamento de Consejería Estudiantil (DECE). El uso ético dicta
el uso de
49
seudónimos, garantizando que el perfilamiento del estudiante ocurra únicamente en
el intelecto del profesor y no en los servidores de la empresa tecnológica.
7. Conclusiones
Derivado de la investigación teórica y la aplicación metodológica, se establecen las
siguientes conclusiones:
1.
Redefinición del Rol Evaluador:
La IA no reemplaza la capacidad analítica
del docente. La competencia profesional se desplaza desde la "redacción de
comentarios" hacia el "diagnóstico agudo de variables cognitivas". El maestro
provee el alma de la evaluación; la IA provee el cuerpo textual.
2.
Sostenibilidad y Bienestar Docente:
El uso de ingeniería de
prompts
para
automatizar
la
estructuración
de
la
retroalimentación
es
una
estrategia
efectiva y directa para mitigar el
burnout
. Un ahorro de casi el 50% del tiempo
total de evaluación permite reintegrar horas a la investigación y planificación,
o simplemente al descanso, mejorando la calidad de vida del educador.
3.
Equidad Evaluativa:
La herramienta garantiza que el último examen revisado
en la pila reciba la misma calidad y cantidad de observaciones constructivas
que
el
primero,
eliminando
la
asimetría
evaluativa
provocada
por
la
fatiga
mental humana.
4.
Imperativo de Alfabetización:
Las instituciones de Educación Básica deben
transitar urgentemente hacia la creación de políticas internas para el uso ético
de
la
IA,
proporcionando
bancos
de
prompts
institucionales
que
guarden
coherencia con la filosofía del centro educativo.
8. Apéndices Técnicos y Herramientas Prácticas
Apéndice
A:
Taxonomía
y
Estructura
del
Prompt
Maestro
para
Retroalimentación
Este anexo detalla la arquitectura de la instrucción que debe copiarse en el modelo
de lenguaje para lograr resultados de alta calidad académica. El docente solo debe
actualizar la "Matriz de Datos" al final.
El
Prompt
Maestro (Plantilla de Ingeniería de Instrucciones):
"Actúa como un profesor de Educación Básica experto en Evaluación Formativa y
Neuroeducación. Tu tarea es redactar comentarios de retroalimentación para mis
50
estudiantes basados en la técnica del "Sándwich" (Validación positiva
-> Área de
mejora específica -> Estrategia y cierre motivacional).
Reglas de redacción:
1. El tono debe ser cálido, empático, motivador y directo (en
segunda persona: "Tú").
2. Usa un vocabulario adecuado para niños de [Insertar
Edad, ej. 10 años].
3. La extensión máxima por estudiante será de 3 párrafos cortos
(no más de 80 palabras).
4. Nunca uses la palabra "Pero" para conectar lo positivo
con lo negativo; usa "Para que tu trabajo sea aún más increíble, te sugiero...".
Aquí tienes los datos diagnósticos de mis estudiantes. Genera la retroalimentación
para cada uno separada por viñetas:
[MATRIZ DE DATOS A INGRESAR POR EL DOCENTE]:
Estudiante A. Fortalezas:
Excelente dibujo, mucha imaginación. Debilidades: Olvidó pintar los fondos, faltan
tildes en palabras agudas.
Estudiante B. Fortalezas: Ortografía perfecta, texto muy
ordenado.
Debilidades:
El
texto
es
muy
corto,
necesita
explicar
más
sus
ideas
principales."
Apéndice B: Matriz Comparativa de Casos Prácticos (Antes y Después de la
IAG)
Esta
tabla
demuestra
cómo
el
procesamiento
del
lenguaje
natural
transforma
apuntes
telegráficos
del
docente
(que
de
otro
modo
habrían
sido
la
única
retroalimentación dada por falta de tiempo) en un discurso formativo estructurado.
Tabla B1.
Transformación Sintáctica de la Evaluación.
Variables
de
Entrada
Docente
(Datos
Crudos)
Retroalimentación
Tradicional
(Sin
Tiempo)
Retroalimentación
Generada por ChatGPT
(Curada
por
el
Docent
e)
Estudiante:
Inicial
M.R.
Materia:
C. Naturales
"M.R.,
bien
dibujada
la
planta,
pero
repasaste mal el tema
de
la
fotosíntesis.
Revisa
el
libro
en
la
página
45."
(Tono
directivo,
poco
motivacional).
"¡Hola M.R.! Me encantó
revisar
tu
trabajo;
dibujaste las partes de la
planta
con
muchísimo
detalle y precisión. Para
que tu investigación sea
perfecta,
te
invito
a
revisar
nuevamente
la
diferencia
entre
cómo
las
plantas
respiran
y
51
Logro:
Identifica
partes de la planta.
Error:
Confunde
fotosíntesis
con
respiración.
cómo
hacen
la
fotosíntes
is
(puedes
usar tu texto en la página
45
como
guía).
¡Tienes
un gran talento para las
ciencias, sigue así!"
Estudiante:
Inicial P.L.
Materia:
Matemáticas
Logro:
Procedimiento
de división correcto.
Error:
Olvidó
poner
la
coma
decimal
en
el
resultado.
"Buen
procedimiento.
Ojo
con
la
coma
decimal
al
final,
te
bajó
puntos."
(Enfoque
en
la
penalización
sumativa).
"¡Excelente
esfuerzo
P.L.! Revisé tu tarea y es
genial ver cómo dominas
todo
el
proceso
de
la
división
paso
a
paso.
Como
recomendación
para
tus
próximos
ejercicios,
recuerda
revisar
siempre
la
ubicación
de
la
coma
decimal
al
escribir
tu
resultado
final,
es
un
detalle
pequeño
que
hace
la
diferencia.
¡Confío en que lo harás
increíble
en
la
próxima
práctica!"
Apéndice C: Protocolo de Seguridad y Anonimización de Datos (DECE)
Para garantizar el uso ético y legal de las herramientas de Inteligencia Artificial en el
entorno escolar, se proponen las siguientes directrices operativas que el docente
debe firmar simbólica o formalmente:
1.
Regla de Desidentificación:
Bajo ningún concepto se copiarán o pegarán en
la interfaz de ChatGPT los nombres, apellidos, números de cédula, fotografías
o correos electrónicos de los estudiantes. Todo ingreso de datos operará bajo
iniciales (Ej. J.P.) o seudónimos genéricos (Estudiante 1, Estudiante 2).
2.
Protección
de
Diagnósticos
Sensibles:
Queda
prohibido
ingresar
a
sistemas de IA de acceso público información protegida referente a la salud
mental,
física
o
situación
familiar
del
estudiante
(Ej.
expedientes
del
52
Departamento de Consejería Estudiantil, reportes de violencia intrafamiliar o
diagnósticos
clínicos). Si se requiere adaptar un texto, se pedirá a la IA adaptar el texto por
sus características ("Haz el texto más corto", "Aumenta el tamaño de fuente")
y no por el diagnóstico del menor.
3.
Auditoría
Final:
El
docente
asume
la
autoría
legal
e
intelectual
de
la
retroalimentación.
La
IA
propone
el
texto,
pero
es
el
profesional
de
la
educación quien lo lee, aprueba e imprime su firma antes de enviarlo a los
representantes legales o al estudiante.
9. Referencias Bibliográficas
Black,
P.,
&
Wiliam,
D.
(2018).
Classroom
assessment
and
pedagogy.
Assessment in Education: Principles, Policy & Practice
, 25(6), 551
-
575.
https://doi.org/10.1080/0969594X.2018.1441807
Bozkurt, A., & Sharma, R. C. (2023). Generative AI and prompt engineering:
The art of whispering to analytical systems.
Asian Journal of Distance
Education
, 18(1), i-vii.
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
Marfil,
M.,
Pérez
Gómez,
A.,
&
Ruiz-Palmero,
J.
(2024).
Los
modelos de lenguaje predictivo como herramientas docentes.
Pixel-Bit.
Revista de Medios y Educación
, (70), 54-81.
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.
Hattie, J., & Timperley, H. (2021). The power of feedback revisited.
Review of
Educational Research
, 91(3), 345-385.
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.
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.
53
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
Moorhouse, B. L., Wan, Y., Wu, C., & Kwong, T. (2024). Developing language
teachers'
professional
generative
AI
competence.
System
,
125,
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.
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.
Reinoso,
M.,
&
Paz,
C.
(2024).
La
integra
ción
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 h
igher education: A systematic review.
International Journal
of Educational Technology in Higher Education
, 19(1), 21.
Sánchez
Vera,
M.
M.
(2024).
Reflexiones
pedagógicas
sobre
el
uso
de
ChatGPT en la educación.
RIED
-
Revista Iberoamericana de Educación
a Di
stancia
, 27(1), 9
–
39.
Selwyn, N. (2020).
¿Deberían los robots sustituir al profesorado? La IA y el
futuro de la educación
. Ediciones Morata.
Shute, V. J. (2021). Stealth assessment in computer-based games to support
learning.
En
Computer
games
and
instruction
(pp.
503-524).
Information Age Publishing.
UNESCO.
(2024).
Generative
AI
and
the
future
of
education
.
UNESCO
Publishing.
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
Technology
in
Higher Education
, 16(1), 39.