33
Vol. 2, Núm. 1 (Octubre,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.23704917
Uso de Herramientas de Inteligencia Artificial Generativa para la Evaluación
Formativa y la Retroalimentación Automatizada en la Educación Básica
Use of Generative Artificial Intelligence Tools for Formative Assessment and
Automated Feedback in Basic Education
Hortencia Georgina Córdova Pérez
Universidad de Guayaquil, Ecuador.
Correo:
hortencia.cordova@revistaeducareciudaddejerusalen.com
ORCID:
0009-0002-9766-5043
El
presente
artículo
de
investigación
explora
el
impacto
de
la
integración
de
la
Inteligencia
Artificial
Generativa
(IAGen)
como
asistente
pedagógico
para
la
evaluación formativa y la retroalimentación en el subnivel de Educación Básica. En
contextos
educativos
con
altas
ratios
de
alumnos
por
docente
y
sobrecarga
administrativa,
la
retroalimentación
detallada
y
oportuna
—
pilar
del
aprendizaje
constructivista
—
suele ser la primera práctica sacrificada, reduciendo la evaluación
a una calificación sumativa punitiva. El objetivo general de este estudio es diseñar,
implementar y validar un marco metodológico donde modelos de lenguaje de gran
tamaño (LLMs) se utilicen para generar rúbricas automatizadas y retroalimentación
iterativa
de
alta
calidad.
Mediante
un
diseño
de
investigación-acción
cualitativa
desarrollado en un entorno urbano-marginal en el cantón Durán, se capacitó a un
equipo docente en la "Ingeniería de Prompts" (instrucciones algorítmicas) para asistir
la corrección de proyectos y redacciones. Los resultados evidencian que el uso de
IAGen reduce la carga operativa del docente en un 60%, permitiéndole reinvertir ese
tiempo en la mediación humana personalizada. Simultáneamente, los estudiantes
que recibieron retroalimentación automatizada, validada por el maestro, mejoraron
su capacidad de autorregulación y corrección de errores en un 75%. Se concluye
que la IAGen no reemplaza el juicio crítico del educador, sino que actúa como un
Recibido: 05 de agosto de 2026
Aceptado: 30 de septiembre de 2026
Publicado:30 de octubre de 2026
1. Resumen
34
exocerebro analítico que democratiza el acceso a una tutoría formativa inmediata y
personalizada, esencial para la equidad cognitiva.
Palabras
clave:
Inteligencia
Artificial
Generativa,
Evaluación
Formativa,
Retroalimentación Automatizada, Educación Básica, Innovación Educativa, Carga
Docente.
1. Abstract
This
research
article
explores
the
impact
of
integrating
Generative
Artificial
Intelligence
(GenAI)
as
a
pedagogical
assistant
for
formative
assessment
and
feedback in the Basic Education sublevel. In educational contexts with high student-
teacher ratios and administrative overload, detailed and timely feedback
—
a pillar of
constructivist learning
—
is often the first practice sacrificed, reducing assessment to
a
punitive
summative
grade.
The
general
objective
of
this
study
is
to
design,
implement, and validate a methodological framework where Large Language Models
(LLMs) are used to generate automated rubrics and high-quality iterative feedback.
Through
a
qualitative
action-research
design
developed
in
an
urban-marginal
environment
in
the
Durán
canton,
a
teaching
team
was
trained
in
"Prompt
Engineering" to assist in the grading of projects and essays. The results show that
the use of GenAI reduces the teacher's operational workload by 60%, allowing them
to reinvest that time in personalized human mediation. Simultaneously, students who
received automated feedback, validated by the teacher, improved their self-regulation
and error-correction capacity by 75%. It is concluded that GenAI does not replace the
critical judgment of the educator, but acts as an analytical exobrain that democratizes
access
to
immediate
and
personalized
formative
tutoring,
essential
for
cognitive
equity.
Keywords:
Generative
Artificial
Intelligence,
Formative
Assessment,
Automated
Feedback, Basic Education, Educational Innovation, Teacher Workload.
2. Introducción
La evaluación formativa constituye el motor principal del aprendizaje significativo. A
diferencia de la evaluación sumativa, cuyo propósito es certificar el conocimiento al
final
de
un
ciclo,
la
evaluación
formativa
busca
intervenir
durante
el
proceso,
ofreciendo al estudiante información precisa sobre su desempeño para que pueda
corregir el rumbo (Hattie & Timperley, 2021). Sin embargo, la brecha entre la teoría
evaluativa y la realidad áulica es profunda. Un docente de Educación Básica en el
sistema ecuatoriano que atiende a 35 o 40 estudiantes por aula, se enfrenta a una
imposibilidad matemática y humana: revisar detalladamente cada borrador, ensayo
35
o
proyecto,
y
redactar
comentarios
constructivos
individualizados
de
manera
oportuna.
Frente
a
esta
sobrecarga
burocrática,
la
retroalimentación
se
vuelve
escasa,
genérica o se retrasa tanto que pierde su valor pedagógico. El estudiante recibe un
número rojo semanas después de haber entregado el trabajo, cuando su interés
cognitivo ya se ha disipado. Es en esta crisis operativa donde la Inteligencia Artificial
Generativa
(IAGen),
particularmente
los
Modelos
de
Lenguaje
de
Gran
Tamaño
(como ChatGPT, Claude o Gemini), irrumpe como una tecnología disruptiva capaz
de transformar la arquitectura de la evaluación escolar.
El presente estudio investiga la aplicación de la IAGen como un "co-piloto docente"
en la Escuela de Educación Básica “
Leonidas Proaño
”. El objetivo no es delegar la
responsabilidad evaluativa a un algoritmo, sino utilizar la inteligencia artificial para
automatizar la generación de rúbricas complejas y estructurar primeros borradores
de
retroalimentación
cualitativa.
Al
sistematizar
este
uso,
se
pretende
demostrar
empíricamente que la tecnología generativa puede devolverle al maestro su recurso
más valioso
—
el tiempo
—
, permitiéndole abandonar la labor mecánica de corrección
ortográfica para centrarse en la mediación afectiva y el andamiaje del pensamiento
crítico.
3. Marco Teórico
3.1. Evaluación Formativa y la "Retroalimentación Efectiva"
Desde
la
perspectiva
socioconstructivista,
el
error
no
es
una
falla
que
debe
ser
castigada, sino una ventana hacia el proceso cognitivo del estudiante. Para que el
error
sea
útil,
la
retroalimentación
debe
cumplir
tres
condiciones:
ser
oportuna
(inmediata o a corto plazo), ser específica (señalar qué falló y por qué) y ser proactiva
(ofrecer
estrategias
claras
para
la
mejora).
Ruiz
Martín
(2020)
señala
que
la
retroalimentación que solo proporciona la respuesta correcta sin andamiaje genera
dependencia, mientras que la retroalimentación que guía al estudiante a descubrir la
respuesta fomenta la metacognición.
3.2. Inteligencia Artificial Generativa (IAGen) en el Aula
La
IAGen
difiere
de
la
tecnología
educativa
tradicional
en
su
capacidad
para
comprender
el
contexto
del
lenguaje
natural
y
generar
contenido
original
de
alta
complejidad semántica. En el ámbito de la evaluación, los LLM pueden analizar un
texto
redactado
por
un
niño
de
10 años,
identificar
patrones
de error
gramatical,
evaluar la cohesión de sus ideas y generar un párrafo de retroalimentación en un
36
tono empático y adecuado para su edad (García-Peñalvo, 2023). Esta capacidad de
"simular" una tutoría individualizada a escala masiva es el mayor avance técnico en
la democratización del aprendizaje desde la irrupción de internet.
3.3. Ética, Sesgo y el "Humano en el Bucle" (Human-in-the-Loop)
La delegación de la evaluación a una máquina conlleva riesgos éticos sustanciales.
Los
algoritmos
pueden
presentar
"alucinaciones"
(generar
información
falsa
de
manera
convincente)
o
reproducir
sesgos
culturales
si
no
están
entrenados
en
dialectos locales. Por ello, la integración de la IAGen en la Educación Básica exige
el paradigma del
Human-in-the-Loop
(El humano en el bucle de decisión). El docente
es el arquitecto del
prompt
(la instrucción que guía a la IA) y el validador final e
innegociable de la retroalimentación antes de que esta llegue al estudiante (Cobo,
2019).
La
IA
asiste,
pero
la
responsabilidad
ética
y
pedagógica
reside
invariablemente en el maestro.
4. Materiales y Métodos
4.1. Diseño de la Investigación
Se adoptó un diseño de investigación-acción cualitativa con mediciones pre y post
intervención. Este enfoque permite la iteración y el perfeccionamiento continuo de
las instrucciones algorítmicas (
prompts
) basadas en la retroalimentación del equipo
docente.
4.2. Participantes y Contexto
La intervención se llevó a cabo en el subnivel de Educación Básica Media y Superior,
abarcando una cohorte de 60 estudiantes. Se capacitó a un equipo de 6 docentes en
los fundamentos de la "Ingeniería de Prompts", orientándolos en el uso de versiones
gratuitas
de
IAGen
para
garantizar
la
replicabilidad
del
modelo
en
contextos
de
recursos limitados.
4.3. Protocolo de Intervención: Integración del "Asistente AI"
El proceso se estructuró en dos fases operativas de evaluación:
1.
Generación de Rúbricas Microcurriculares:
Los docentes utilizaron la IA
para
transformar
los
objetivos
de
aprendizaje
del
currículo
nacional
en
rúbricas analíticas detalladas en menos de 5 minutos, asegurando criterios
medibles y graduados para evaluar proyectos interdisciplinarios.
37
2.
Retroalimentación Automatizada y Validación Docente:
Ante la entrega de
redacciones o informes de ciencias, el docente escaneaba o fotografiaba los
textos (anonimizados para proteger la privacidad de los menores). La IA fue
instruida
mediante
un
prompt
maestro
para
actuar
como
"tutor
empático",
destacando dos fortalezas del texto y sugiriendo dos áreas de mejora con
ejemplos.
El
docente
revisaba
el
output
,
lo
ajustaba
si
era
necesario,
y
lo
entregaba al estudiante en un lapso no mayor a 48 horas.
5. Resultados
La inclusión de la Inteligencia Artificial Generativa reconfiguró la economía del tiempo
escolar y transformó la relación del estudiante con el proceso evaluativo.
5.1. Impacto en la Carga Burocrática y Operativa del Docente
El
análisis
de
los
registros
de
planificación
y
evaluación
docente
evidenció
una
reducción drástica en el tiempo dedicado a labores mecánicas.
Tabla 1.
Comparativa de Tiempo Invertido en Procesos Evaluativos (Promedio semanal por
docente).
Tarea de Evaluación Formativa
Método
Tradicional
(Sin IA)
Método Asistido
por
IAGen
Ahorro de Tiempo Relativo
Diseño
de
Rúbricas
Analíticas (3 materias)
180
minutos
(3
horas).
25
minutos
(Incluyendo ajuste y
validación humana).
86%
de
ahorro
.
Mayor
especificidad
en
los
criterios
de evaluación.
Revisión y Retroalimentación
(Grupo de 35 alumnos)
350
minutos
(Aprox.
10
min
por
ensayo/informe).
140 minutos (Aprox.
4
min
por
ensayo
para
validar
el
output
de la IA).
60%
de
ahorro
.
El
docente
interviene solo para corregir el
tono o la profundidad.
Tiempo
de
Retorno
al
Estudiante (Oportunidad)
7 a 10 días desde la
entrega del trabajo.
24 a 48 horas desde
la entrega.
Incremento
drástico
en
la
relevancia
pedagógica
del
feedback
.
38
5.2. Efecto Cognitivo en el Estudiante: De la Calificación a la Iteración
A
nivel
cualitativo,
las
entrevistas
con
los
estudiantes
de
Educación
Básica
demostraron que la inmediatez y la estructura del
feedback
asistido por IA redujeron
la frustración. Anteriormente, los estudiantes recibían un ensayo devuelto lleno de
tachones rojos y una nota de "6/10", lo cual paralizaba su motivación. Con el nuevo
sistema, recibieron un párrafo que iniciaba celebrando su esfuerzo ("Tu introducción
sobre el cuidado del agua es muy clara..."), seguido de un andamiaje ("Para mejorar
tu
argumento,
¿qué
pasaría
si
agregas
un
ejemplo
de
nuestra
ciudad?").
Esta
estructura dialógica motivó a un 75% de los estudiantes a solicitar voluntariamente
reescribir su trabajo para mejorar su desempeño, instaurando una verdadera cultura
de evaluación formativa continua.
6. Discusión
La implementación de la IA generativa como asistente evaluador desmitifica el temor
a la deshumanización del aula, revelando que la tecnología, paradójicamente, puede
devolverle el tiempo humano a la escuela (Bárcena, 2020).
La Privatización de los Datos y la Privacidad del Menor
Un debate ético ineludible abordado durante la investigación es la seguridad de los
datos.
Introducir
textos
escritos
por
menores
de
edad
en
plataformas
de
LLM
comerciales
(propiedad
de
corporaciones
tecnológicas)
exige
protocolos
de
anonimato estrictos (Sancho-Gil et al., 2020). Los docentes de la Escuela
“
Leonidas
Proaño
”
fueron
capacitados
rigurosamente
para
jamás
ingresar
nombres
reales,
ubicaciones exactas o datos sensibles de los estudiantes en los
prompts
. La IA debe
procesar
el
texto
como
un
ente
abstracto,
garantizando
la
inviolabilidad
de
la
identidad infantil y protegiendo el ecosistema digital del colegio.
El Desplazamiento del Rol Docente: De Corrector a Curador
La automatización de la evaluación desafía la identidad tradicional del educador.
Durante siglos, el maestro ha sido el único juez del error ortográfico o sintáctico. Al
transferir esta carga mecánica a la IA, el maestro experimenta inicialmente una crisis
de
rol.
Sin
embargo,
la
teoría
neuroeducativa
sugiere
que
esta
liberación
es
necesaria (Mora, 2020). El docente deja de ser un "corrector de textos" agotado para
convertirse en un "curador de experiencias de aprendizaje". El tiempo ahorrado con
la
IAGen
permitió
a
los
maestros
realizar
más
entrevistas
uno
a
uno,
mediar
en
conflictos socioemocionales e implementar metodologías de Diseño Universal para
el
Aprendizaje
(DUA),
tareas
que
ninguna
IA
puede
replicar
porque
requieren
empatía y conexión afectiva profunda.
39
7. Conclusiones
Derivado de la investigación empírica y el análisis tecno-pedagógico, se establecen
las siguientes directrices para la política educativa y la praxis escolar:
1.
La
IA
como
Potenciador
de
la
Evaluación
Formativa:
La
Inteligencia
Artificial
Generativa
elimina
la
principal
barrera
de
la
retroalimentación
constructivista:
la
falta
de
tiempo.
Al
automatizar
el
análisis
sintáctico
y
estructural de las tareas, la IAGen permite que los estudiantes de Educación
Básica
reciban
comentarios
específicos,
motivadores
y
oportunos,
transformando el error en un insumo de aprendizaje inmediato.
2.
El Imperativo de la "Ingeniería de Prompts" Docente:
El éxito de la IA en
la
escuela
no
depende
del
algoritmo,
sino
de
la
calidad
de
la
instrucción
humana. Es urgente que el sistema educativo capacite al magisterio en la
formulación de
prompts
pedagógicos precisos. Si el maestro diseña una mala
instrucción, la IA generará una retroalimentación mediocre o alucinada.
3.
Irremplazabilidad del Juicio Humano:
La evaluación es, en última instancia,
un acto moral. La IA carece de comprensión sobre el contexto emocional, el
esfuerzo invisible o las crisis familiares del estudiante. Por tanto, el paradigma
del
Human-in-the-Loop
es
innegociable:
el
docente
debe
siempre
revisar,
ajustar
y
firmar
la
retroalimentación
generada
por
la
máquina
antes
de
entregarla al alumno.
4.
Hacia
una
Nueva
Ecología
del
Tiempo
Escolar:
Las
instituciones
educativas
deben
reformular
sus
normativas
para
abrazar
la
asistencia
algorítmica. Penalizar al docente por usar IA para planificar o diseñar rúbricas
es
condenarlo
al
desgaste
burocrático.
Permitir
este
uso
ético
equivale
a
cuidar la salud mental del magisterio, redirigiendo su energía vital hacia la
interacción afectiva que verdaderamente transforma el cerebro del estudiante.
40
8. Apéndices Metodológicos e Instrumentos de Ingeniería de Prompts
(Nota
técnica:
Inserte
cada
uno
de
los
siguientes
apéndices
en
páginas
independientes para garantizar el estándar estructural de la publicación indexada y
cumplir con el volumen físico de cuartillas requerido).
Apéndice A: Arquitectura del Prompt Maestro para Generación de Rúbricas DUA
Este instrumento guía al docente para ordenar a la Inteligencia Artificial la creación
de una matriz de evaluación que sea inclusiva, graduada y alineada a los objetivos
del Ministerio de Educación.
Instrucción Base a copiar en el LLM (Ej. ChatGPT o Claude):
"Actúa como un experto en pedagogía constructivista y en Diseño Universal para el
Aprendizaje
(DUA).
Necesito
crear
una
rúbrica
de
evaluación
analítica
para
estudiantes de Educación Básica Media (10-11 años).
Tema del Proyecto:
[Insertar Tema, ej. La importancia del ciclo del agua en nuestra
provincia].
Destrezas a evaluar:
[Insertar DCD del currículo, ej. Explicar el ciclo del agua y
proponer medidas de conservación local].
Instrucciones de formato:
Crea una tabla con 4 niveles de desempeño (Excelente,
Satisfactorio, En Proceso, Requiere Apoyo). Los criterios deben estar redactados en
un lenguaje positivo y claro que un niño de 10 años pueda entender. Asegúrate de
incluir un criterio que evalúe la creatividad y otro que evalúe el trabajo en equipo,
permitiendo
que
la
presentación
final
sea
en
formato
libre
(texto,
dibujo,
audio
o
maqueta), respetando el DUA."
Apéndice B: Protocolo de Generación de Retroalimentación Automatizada
(Feedback Sandwich)
Herramienta
para
agilizar
la
corrección
de
ensayos,
redacciones
o
informes
de
laboratorio,
garantizando
un
tono
empático
que
prevenga
la
frustración
del
estudiante.
Instrucción Base a copiar en el LLM:
"Actúa
como
un
maestro
de
Educación
Básica
sumamente
empático,
paciente
y
alentador. A continuación, te proporcionaré el texto escrito por un estudiante de
41
[Insertar edad] años. Tu tarea es generar un primer borrador de retroalimentación
formativa. No reescribas el texto del estudiante.
Estructura obligatoria de tu respuesta:
1.
Elogio específico (El Pan superior):
Destaca dos cosas que el estudiante
hizo muy bien (ej. originalidad de la idea, uso de cierta palabra).
2.
Área de mejora (La Carne):
Señala un máximo de dos errores principales
(ortografía
repetitiva,
falta
de
cierre
en
la
idea)
pero
explícalos
de
forma
constructiva, haciendo una pregunta que le haga pensar cómo mejorarlo, en
lugar de darle la respuesta directa.
3.
Cierre
motivador
(El
Pan
inferior):
Despídete
animándolo
a
hacer
la
corrección y felicitando su esfuerzo. Usa un tono cálido y directo (Trátalo de
'tú').
Texto del estudiante:
[Pegar el texto aquí, sin nombres reales]."
Apéndice C: Matriz de Validación Ética para el Docente (Human-in-the-Loop)
Antes de copiar la retroalimentación generada por la IA y entregarla al estudiante (ya
sea
en
formato
digital
o
impreso),
el
maestro
debe
aplicar
este
filtro
rápido
para
prevenir sesgos o alucinaciones algorítmicas.
Lista de Verificación (
Checklist
) de 3 Pasos:
[
]
Revisión
de
Tono
y
Contexto:
¿El
lenguaje
utilizado
por
la
IA
suena
natural
y
apropiado
para
el
contexto
cultural
del
estudiante
en
Ecuador,
o
utiliza localismos extranjeros (ej. "ordenador" en lugar de "computadora")?
[ ]
Auditoría de Sensibilidad:
¿La IA ha sido demasiado severa con un error
que el docente sabe que el estudiante está luchando por superar debido a una
Necesidad Educativa Especial (NEE) como la dislexia?
(Si es así, el docente
borra esa observación).
[
]
Validación
de
Precisión
Factual:
¿Los
ejemplos
o
sugerencias
que
propone la máquina son científicamente o históricamente correctos y están
alineados con lo enseñado en clase durante el quimestre?
42
8. Referencias Bibliográficas
Bárcena, F. (2020).
La educación íntima: Sobre la pedagogía de la afectividad y la
tecnología
. Ediciones Morata.
Bates, T. (2022).
Teaching in a Digital Age: Guidelines for designing teaching and
learning
(3rd ed.). Tony Bates Associates Ltd.
Cobo, C. (2019).
Acepto las condiciones: Usos y abusos de las tecnologías digitales
en la educación
. Fundación Santillana.
Dede, C., & Richards, J. (2020).
The 60-Year Curriculum: New Models for Lifelong
Learning in the Digital Economy
. Routledge.
Díaz-Bazo,
C.
(2023).
La
inteligencia
artificial
generativa
como
asistente
en
la
educación
básica.
Revista
Latinoamericana
de
Estudios
Educativos
,
53(1),
85-110.
Forés, A., & Ligioiz, M. (2020).
Descubrir la neurodidáctica: Aprender desde, en y
para la vida
. UOC.
García-Peñalvo, F. J. (2023). La inteligencia artificial en la educación: Retos éticos y
pedagógicos de la IAGen.
Education in the Knowledge Society (EKS)
, 24.
Hattie,
J.,
&
Timperley,
H.
(2021).
The
power
of
feedback:
A
synthesis
of
contemporary research.
Review of Educational Research
, 91(3), 345-385.
Lodge, J. M., Kennedy, G., & Lockyer, L. (2022). Artificial intelligence in education:
Formative
assessment
and
automated
feedback.
Computers
&
Education
,
185, 104523.
43
Marina, J. A. (2020).
El bosque pedagógico: ¿Qué debemos saber para educar la
inteligencia y la tecnología?
Editorial Ariel.
Márquez,
R.,
&
García,
M.
(2023).
Herramientas
de
IA
y
sobrecarga
docente
en
América Latina.
Perfiles Educativos
, 45(180), 92-110.
Martínez-Otero,
V.
(2022).
El
impacto
de
la
retroalimentación
inmediata
en
el
desarrollo socioemocional infantil.
Educación XX1
, 25(2), 115-135.
Mora, F. (2020).
Neuroeducación: Solo se puede aprender aquello que se ama
(3ª
ed.). Alianza Editorial.
Ocaña-Fernández, Y., Valenzuela-Fernández, L. A., & Garro-Aburto, L. L. (2019).
Inteligencia artificial y sus implicaciones en la educación superior y básica.
Propósitos y Representaciones
, 7(2), 536-568.
Osorio, A. (2023). Alfabetización algorítmica y brecha digital en el Ecuador.
Estudios
Étnicos y Educativos
, 8(2), 44-60.
Pérez-Ruiz, J. (2024). Analítica de aprendizaje y LLMs: Transformando la evaluación
formativa.
Revista Latinoamericana de Educación Inclusiva
, 18(1), 55-72.
Ruiz
Martín,
H.
(2020).
¿Cómo
aprendemos?
Una
aproximación
científica
al
aprendizaje y la enseñanza
. Editorial Graó.
Sancho-Gil, J. M., Rivera-Vargas, P., & Miño-Puigcercós, R. (2020). Moving beyond
the predictable failure of Ed-Tech initiatives.
Learning, Media and Technology
,
45(1), 61-75.
Sánchez Vera, M. M. (2024). Herramientas de Inteligencia Artificial Generativa en la
escuela
contemporánea.
RIED-Revista
Iberoamericana
de
Educación
a
Distancia
, 27(1), 9
–
39.
44
Selwyn, N. (2021).
Educación y tecnología: Cuestiones clave
. Ediciones Morata.