Vol. 13/ Núm. 2 2026 pág. 912
https://doi.org/10.69639/arandu.v13i2.2236
Percepción estudiantil sobre el uso ético de la inteligencia
artificial generativa en bachillerato: un estudio cuasi-
experimental
Student Perceptions of the Ethical Use of Generative Artificial Intelligence in High
School: A Quasi-Experimental Study
Cristhian Manolo Yugsi Flores
cmyugsif@ube.edu.ec
https://orcid.org/0009-0005-1442-4845
Universidad Bolivariana del Ecuador
Ecuador - Quito
Mauricio Guillermo Báuz Saravia
mgbauzs@ube.edu.ec
https://orcid.org/0009-0003-3587-746X
Universidad Bolivariana del Ecuador
Ecuador – Quito
Dayron Rumbaut Rangel
drumbautr@ube.edu.ec
https://orcid.org/0009-0001-9087-0979
Universidad Bolivariana del Ecuador
Ecuador – Durán
Lorenzo Cevallos Torres
ljcevallost@ube.edu.ec
https://orcid.org/0000-0002-7211-2891
Universidad Bolivariana del Ecuador
Ecuador - Durán
Artículo recibido:18 marzo 2026- Aceptado para publicación:20 abril 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La inteligencia artificial generativa (IAG) ha transformado el entorno educativo al ofrecer
herramientas capaces de producir textos, explicaciones y soluciones automatizadas, lo que ha
generado tensiones en torno a la integridad académica, especialmente en el nivel de bachillerato.
El objetivo de este estudio fue describir la percepción de los estudiantes sobre el uso ético de la
IAG en la asignatura de Pensamiento Computacional y evaluar el efecto de una intervención
didáctica orientada al desarrollo de competencias de transparencia, verificación y autoría
responsable. El estudio se desarrolló en tres fases. En la primera, se aplicó un pretest mediante un
instrumento para diagnosticar prácticas iniciales, identificando conductas de riesgo como la
delegación total de tareas y el ocultamiento del uso de la herramienta, así como prácticas
protectoras relacionadas con la verificación de la información. En la segunda fase, se
implementó una intervención pedagógica basada en alfabetización digital, análisis de casos y
Vol. 13/ Núm. 2 2026 pág. 913
reflexión crítica. En la tercera fase, se aplicó un postest con el mismo instrumento para evaluar
cambios en la percepción estudiantil. Los resultados evidenciaron una mejora significativa en el
índice de uso ético en los estudiantes que participaron en la intervención, en comparación con
aquellos que no recibieron orientación. Se concluye que el uso ético de la IAG puede
desarrollarse como competencia mediante estrategias pedagógicas intencionadas, y que las
instituciones educativas requieren políticas claras de trazabilidad, citación y evaluación auténtica
para promover un aprendizaje profundo y responsable.
Palabras clave: inteligencia artificial generativa, ética académica, percepción estudiantil,
bachillerato, uso responsable
ABSTRACT
Generative artificial intelligence (GAI) has transformed the educational environment by offering
tools capable of producing automated texts, explanations, and solutions, which has generated
tensions around academic integrity, particularly at the high school level. The objective of this
study was to describe students’ perceptions of the ethical use of GAI in the Computational
Thinking subject and to evaluate the effect of a didactic intervention aimed at developing
competencies in transparency, verification, and responsible authorship. The study was conducted
in three phases. In the first phase, a pretest was administered using an instrument to diagnose
initial practices, identifying risk behaviors such as full task delegation and concealment of tool
use, as well as protective practices related to information verification. In the second phase, a
pedagogical intervention was implemented, based on digital literacy, case analysis, and critical
reflection. In the third phase, a posttest was applied using the same instrument to evaluate
changes in students’ perceptions. The results showed a significant improvement in the ethical
use index among students who participated in the intervention, compared to those who did not
receive guidance. It is concluded that the ethical use of GAI can be developed as a competency
through intentional pedagogical strategies, and that educational institutions require clear policies
on traceability, citation, and authentic assessment to promote deep and responsible learning.
Keywords: generative artificial intelligence, academic ethics, student perception,
secondary education, responsible use
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
reflexión crítica. En la tercera fase, se aplicó un postest con el mismo instrumento para evaluar
cambios en la percepción estudiantil. Los resultados evidenciaron una mejora significativa en el
índice de uso ético en los estudiantes que participaron en la intervención, en comparación con
aquellos que no recibieron orientación. Se concluye que el uso ético de la IAG puede
desarrollarse como competencia mediante estrategias pedagógicas intencionadas, y que las
instituciones educativas requieren políticas claras de trazabilidad, citación y evaluación auténtica
para promover un aprendizaje profundo y responsable.
Palabras clave: inteligencia artificial generativa, ética académica, percepción estudiantil,
bachillerato, uso responsable
ABSTRACT
Generative artificial intelligence (GAI) has transformed the educational environment by offering
tools capable of producing automated texts, explanations, and solutions, which has generated
tensions around academic integrity, particularly at the high school level. The objective of this
study was to describe students’ perceptions of the ethical use of GAI in the Computational
Thinking subject and to evaluate the effect of a didactic intervention aimed at developing
competencies in transparency, verification, and responsible authorship. The study was conducted
in three phases. In the first phase, a pretest was administered using an instrument to diagnose
initial practices, identifying risk behaviors such as full task delegation and concealment of tool
use, as well as protective practices related to information verification. In the second phase, a
pedagogical intervention was implemented, based on digital literacy, case analysis, and critical
reflection. In the third phase, a posttest was applied using the same instrument to evaluate
changes in students’ perceptions. The results showed a significant improvement in the ethical
use index among students who participated in the intervention, compared to those who did not
receive guidance. It is concluded that the ethical use of GAI can be developed as a competency
through intentional pedagogical strategies, and that educational institutions require clear policies
on traceability, citation, and authentic assessment to promote deep and responsible learning.
Keywords: generative artificial intelligence, academic ethics, student perception,
secondary education, responsible use
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 2 2026 pág. 914
INTRODUCCIÓN
En los últimos años, la inteligencia artificial generativa se ha incorporado con rapidez a
los entornos educativos, ofreciendo capacidades para producir textos, explicaciones y soluciones
que reconfiguran la manera en que los estudiantes aprenden y elaboran tareas. Esta presencia
masiva ha intensificado el debate sobre integridad académica, especialmente en niveles escolares
donde la autoría, la citación y la verificación aún se encuentran en consolidación. En
consecuencia, el desafío central no es únicamente tecnológico, sino formativo: establecer criterios
para que la IAG funcione como apoyo al aprendizaje y no como sustituto del esfuerzo cognitivo.
(UNESCO, 2023, p. 19)
Para comprender este fenómeno, es preciso definir que la IAG es una tecnología capaz
de generar diversos tipos de contenido de manera automática en respuesta a instrucciones escritas
o prompts. Como señala la UNESCO (2024), estas herramientas deben orientarse a potenciar las
habilidades humanas y no suplantar el razonamiento. Sin embargo, (Cortés, 2025) la ingeniería
de prompts, que consiste en elaborar instrucciones concretas para obtener resultados
significativos, se ha convertido en el punto de partida que define lo que el usuario pretende
obtener. En este contexto, surge la interrogante sobre cómo está afectando el uso de la IAG al
desarrollo de las tareas académicas.
El problema se vuelve más visible cuando la IAG se utiliza para generar productos finales
sin trazabilidad, favoreciendo prácticas como copia literal, delegación total de actividades o
estrategias para ocultar su uso. Estas conductas erosionan la honestidad académica y limitan el
desarrollo de habilidades superiores, pues el estudiante obtiene resultados sin pasar por procesos
de análisis, contraste y toma de decisiones. Por ello, la transparencia—declarar el uso de IAG y
justificar su aporte—aparece como criterio operativo para distinguir apoyo legítimo de
suplantación de autoría. (Perkins, 2023, p. 1)
Para (Chávez-Boza & Erazo-Moreta, 2024) es fundamental entender como la IA
generativa puede ayudar a desarrollar las habilidades que en la programación son indispensables
y que a la vez resulten efectivas, éticas y atiendan la preocupación principal sobre la integridad
académica (p. 7). En asignaturas vinculadas con pensamiento computacional, el impacto es aún
más sensible debido a que los modelos pueden generar pseudocódigo y código funcional, lo que
dificulta la distinción entre aprendizaje auténtico y entrega automatizada. La literatura destaca
que los modelos de lenguaje presentan oportunidades para personalizar explicaciones, pero
también riesgos de dependencia y de reproducción de errores o sesgos. En ese sentido, el diseño
de actividades debe promover verificación, depuración y explicación del razonamiento detrás de
las soluciones. (Kasneci et al., 2023, p. 5).
Desde un enfoque de política educativa tal y como lo menciona la (UNESCO, 2024) las
herramientas de IA deben estar para potenciar las habilidades del ser humano tanto las sociales
INTRODUCCIÓN
En los últimos años, la inteligencia artificial generativa se ha incorporado con rapidez a
los entornos educativos, ofreciendo capacidades para producir textos, explicaciones y soluciones
que reconfiguran la manera en que los estudiantes aprenden y elaboran tareas. Esta presencia
masiva ha intensificado el debate sobre integridad académica, especialmente en niveles escolares
donde la autoría, la citación y la verificación aún se encuentran en consolidación. En
consecuencia, el desafío central no es únicamente tecnológico, sino formativo: establecer criterios
para que la IAG funcione como apoyo al aprendizaje y no como sustituto del esfuerzo cognitivo.
(UNESCO, 2023, p. 19)
Para comprender este fenómeno, es preciso definir que la IAG es una tecnología capaz
de generar diversos tipos de contenido de manera automática en respuesta a instrucciones escritas
o prompts. Como señala la UNESCO (2024), estas herramientas deben orientarse a potenciar las
habilidades humanas y no suplantar el razonamiento. Sin embargo, (Cortés, 2025) la ingeniería
de prompts, que consiste en elaborar instrucciones concretas para obtener resultados
significativos, se ha convertido en el punto de partida que define lo que el usuario pretende
obtener. En este contexto, surge la interrogante sobre cómo está afectando el uso de la IAG al
desarrollo de las tareas académicas.
El problema se vuelve más visible cuando la IAG se utiliza para generar productos finales
sin trazabilidad, favoreciendo prácticas como copia literal, delegación total de actividades o
estrategias para ocultar su uso. Estas conductas erosionan la honestidad académica y limitan el
desarrollo de habilidades superiores, pues el estudiante obtiene resultados sin pasar por procesos
de análisis, contraste y toma de decisiones. Por ello, la transparencia—declarar el uso de IAG y
justificar su aporte—aparece como criterio operativo para distinguir apoyo legítimo de
suplantación de autoría. (Perkins, 2023, p. 1)
Para (Chávez-Boza & Erazo-Moreta, 2024) es fundamental entender como la IA
generativa puede ayudar a desarrollar las habilidades que en la programación son indispensables
y que a la vez resulten efectivas, éticas y atiendan la preocupación principal sobre la integridad
académica (p. 7). En asignaturas vinculadas con pensamiento computacional, el impacto es aún
más sensible debido a que los modelos pueden generar pseudocódigo y código funcional, lo que
dificulta la distinción entre aprendizaje auténtico y entrega automatizada. La literatura destaca
que los modelos de lenguaje presentan oportunidades para personalizar explicaciones, pero
también riesgos de dependencia y de reproducción de errores o sesgos. En ese sentido, el diseño
de actividades debe promover verificación, depuración y explicación del razonamiento detrás de
las soluciones. (Kasneci et al., 2023, p. 5).
Desde un enfoque de política educativa tal y como lo menciona la (UNESCO, 2024) las
herramientas de IA deben estar para potenciar las habilidades del ser humano tanto las sociales
Vol. 13/ Núm. 2 2026 pág. 915
como cognitivas y no ser un suplente del razonamiento y criticidad de los estudiantes, por tanto,
se recomienda evitar prohibiciones generalizadas y, en su lugar, establecer orientaciones claras
sobre privacidad, equidad, trazabilidad y derechos de autor.
La guía internacional enfatiza que la IAG debe potenciar capacidades humanas y proteger
la agencia del estudiante, manteniendo la responsabilidad académica como eje. Estas
consideraciones son relevantes en bachillerato por la brecha de alfabetización digital y por la
necesidad de acompañamiento docente. (UNESCO, 2023, p. 30)
En el plano metodológico, la evaluación de intervenciones educativas con pretest–postest
permite estimar cambios atribuibles a estrategias pedagógicas, siempre que se controle la
comparabilidad inicial y se reporten tamaños del efecto. Asimismo, la medición mediante escalas
requiere verificar consistencia interna; el alfa de Cronbach es útil cuando los ítems son
homogéneos y el constructo es unidimensional, de lo contrario se recomienda reportar subescalas
o coeficientes alternativos. (Doval et al., 2023, p. 7).
En este contexto, el presente estudio tuvo como objetivo describir la percepción de
estudiantes de bachillerato respecto al uso ético de la IAG y evaluar el efecto de una intervención
didáctica enfocada en transparencia, verificación y autoría. El trabajo aporta evidencia
cuantitativa para orientar lineamientos pedagógicos y de evaluación en Pensamiento
Computacional, con énfasis en prácticas que promuevan aprendizaje profundo y reduzcan
conductas de riesgo.
Un factor que complejiza el problema es la preparación desigual de los docentes para
orientar el uso ético de la IAG, particularmente en contextos donde la formación docente en
tecnologías emergentes es limitada. En Ecuador, se ha reportado que un número considerable de
docentes enfrenta dificultades para integrar estas herramientas debido a brechas de alfabetización
digital y desconocimiento de su funcionamiento, lo que reduce la capacidad institucional para
enseñar criterios de citación, trazabilidad y uso responsable. Como consecuencia, los estudiantes
pueden normalizar prácticas como copiar y pegar respuestas, omitir referencias o confiar en
resultados no verificados en otras fuentes, sin que exista una guía pedagógica consistente. Esta
situación convierte la ética del uso de la IAG en un desafío educativo y no solo tecnológico, pues
exige que el sistema escolar defina reglas claras y estrategias formativas. En tal escenario, evaluar
la percepción estudiantil ayuda a identificar necesidades concretas de intervención (Cordero-
Mendieta et al., 2025).
MATERIALES Y MÉTODOS
Tipo de estudio
Se desarrolló un estudio cuantitativo con diseño cuasi-experimental de dos grupos
(experimental y control) y mediciones repetidas pretest–postest. El objetivo fue estimar el efecto
de una intervención pedagógica centrada en el uso ético de la IA generativa sobre un Índice de uso
como cognitivas y no ser un suplente del razonamiento y criticidad de los estudiantes, por tanto,
se recomienda evitar prohibiciones generalizadas y, en su lugar, establecer orientaciones claras
sobre privacidad, equidad, trazabilidad y derechos de autor.
La guía internacional enfatiza que la IAG debe potenciar capacidades humanas y proteger
la agencia del estudiante, manteniendo la responsabilidad académica como eje. Estas
consideraciones son relevantes en bachillerato por la brecha de alfabetización digital y por la
necesidad de acompañamiento docente. (UNESCO, 2023, p. 30)
En el plano metodológico, la evaluación de intervenciones educativas con pretest–postest
permite estimar cambios atribuibles a estrategias pedagógicas, siempre que se controle la
comparabilidad inicial y se reporten tamaños del efecto. Asimismo, la medición mediante escalas
requiere verificar consistencia interna; el alfa de Cronbach es útil cuando los ítems son
homogéneos y el constructo es unidimensional, de lo contrario se recomienda reportar subescalas
o coeficientes alternativos. (Doval et al., 2023, p. 7).
En este contexto, el presente estudio tuvo como objetivo describir la percepción de
estudiantes de bachillerato respecto al uso ético de la IAG y evaluar el efecto de una intervención
didáctica enfocada en transparencia, verificación y autoría. El trabajo aporta evidencia
cuantitativa para orientar lineamientos pedagógicos y de evaluación en Pensamiento
Computacional, con énfasis en prácticas que promuevan aprendizaje profundo y reduzcan
conductas de riesgo.
Un factor que complejiza el problema es la preparación desigual de los docentes para
orientar el uso ético de la IAG, particularmente en contextos donde la formación docente en
tecnologías emergentes es limitada. En Ecuador, se ha reportado que un número considerable de
docentes enfrenta dificultades para integrar estas herramientas debido a brechas de alfabetización
digital y desconocimiento de su funcionamiento, lo que reduce la capacidad institucional para
enseñar criterios de citación, trazabilidad y uso responsable. Como consecuencia, los estudiantes
pueden normalizar prácticas como copiar y pegar respuestas, omitir referencias o confiar en
resultados no verificados en otras fuentes, sin que exista una guía pedagógica consistente. Esta
situación convierte la ética del uso de la IAG en un desafío educativo y no solo tecnológico, pues
exige que el sistema escolar defina reglas claras y estrategias formativas. En tal escenario, evaluar
la percepción estudiantil ayuda a identificar necesidades concretas de intervención (Cordero-
Mendieta et al., 2025).
MATERIALES Y MÉTODOS
Tipo de estudio
Se desarrolló un estudio cuantitativo con diseño cuasi-experimental de dos grupos
(experimental y control) y mediciones repetidas pretest–postest. El objetivo fue estimar el efecto
de una intervención pedagógica centrada en el uso ético de la IA generativa sobre un Índice de uso
Vol. 13/ Núm. 2 2026 pág. 916
ético (escala 1–5) construido a partir de ítems tipo Likert. La condición experimental incorporó
orientaciones explícitas de transparencia, verificación y autoría, mientras que el grupo control
mantuvo estrategias tradicionales de trabajo académico. El enfoque cuasi experimental se eligió
por tratarse de un contexto escolar real, donde la asignación se realiza por grupos intactos
Población y muestra
La población objetivo correspondió a estudiantes de bachillerato que cursaron la
asignatura de Pensamiento Computacional en una institución educativa de la ciudad de Quito.
La muestra fue de carácter no probabilístico intencional y estuvo conformada por 40 estudiantes
distribuidos en dos grupos de 20 participantes cada uno. Los criterios de inclusión fueron:
pertenecer al nivel de bachillerato, cursar la asignatura de Pensamiento Computacional,
participar en las mediciones pretest y postest, y completar el instrumento en ambas ocasiones.
Todos los participantes completaron las dos mediciones, lo que garantizó la integridad de los
datos sin pérdida de casos ni reemplazos. Dado el tamaño moderado de la muestra, los efectos
reportados se interpretan con los correspondientes intervalos de confianza y tamaños del efecto,
reconociendo las limitaciones propias de muestras pequeñas.
Escenario o contexto:
El estudio se ubicó en bachillerato, en la asignatura de Pensamiento Computacional,
donde se desarrollan tareas que incluyen razonamiento algorítmico, resolución de problemas y
elaboración de productos computacionales. Este contexto presenta riesgos específicos asociados
al uso de la IAG, como la generación automática de soluciones incluyendo explicaciones,
pseudocódigo o código funcional, por lo que exige criterios explícitos de verificación y
explicación del proceso, a fin de proteger la integridad académica y el aprendizaje auténtico.
Instrumentos
Se aplicó una encuesta tipo Likert (1–5) con ítems sobre conductas de riesgo (copia y
pega, delegación total, ocultamiento del uso de IAG) y prácticas protectoras (verificación en
fuentes adicionales), además de reactivos situacionales de respuesta nominal. A partir de estos
ítems se construyó un Índice de uso ético como promedio de siete ítems con recodificación
inversa de las conductas de riesgo.
El cuestionario estuvo conformado por 10 preguntas distribuidas en tres dimensiones:
• Conductas de uso (5 preguntas)
• Transparencia académica (3 preguntas)
• Casos situacionales (2 preguntas)
ético (escala 1–5) construido a partir de ítems tipo Likert. La condición experimental incorporó
orientaciones explícitas de transparencia, verificación y autoría, mientras que el grupo control
mantuvo estrategias tradicionales de trabajo académico. El enfoque cuasi experimental se eligió
por tratarse de un contexto escolar real, donde la asignación se realiza por grupos intactos
Población y muestra
La población objetivo correspondió a estudiantes de bachillerato que cursaron la
asignatura de Pensamiento Computacional en una institución educativa de la ciudad de Quito.
La muestra fue de carácter no probabilístico intencional y estuvo conformada por 40 estudiantes
distribuidos en dos grupos de 20 participantes cada uno. Los criterios de inclusión fueron:
pertenecer al nivel de bachillerato, cursar la asignatura de Pensamiento Computacional,
participar en las mediciones pretest y postest, y completar el instrumento en ambas ocasiones.
Todos los participantes completaron las dos mediciones, lo que garantizó la integridad de los
datos sin pérdida de casos ni reemplazos. Dado el tamaño moderado de la muestra, los efectos
reportados se interpretan con los correspondientes intervalos de confianza y tamaños del efecto,
reconociendo las limitaciones propias de muestras pequeñas.
Escenario o contexto:
El estudio se ubicó en bachillerato, en la asignatura de Pensamiento Computacional,
donde se desarrollan tareas que incluyen razonamiento algorítmico, resolución de problemas y
elaboración de productos computacionales. Este contexto presenta riesgos específicos asociados
al uso de la IAG, como la generación automática de soluciones incluyendo explicaciones,
pseudocódigo o código funcional, por lo que exige criterios explícitos de verificación y
explicación del proceso, a fin de proteger la integridad académica y el aprendizaje auténtico.
Instrumentos
Se aplicó una encuesta tipo Likert (1–5) con ítems sobre conductas de riesgo (copia y
pega, delegación total, ocultamiento del uso de IAG) y prácticas protectoras (verificación en
fuentes adicionales), además de reactivos situacionales de respuesta nominal. A partir de estos
ítems se construyó un Índice de uso ético como promedio de siete ítems con recodificación
inversa de las conductas de riesgo.
El cuestionario estuvo conformado por 10 preguntas distribuidas en tres dimensiones:
• Conductas de uso (5 preguntas)
• Transparencia académica (3 preguntas)
• Casos situacionales (2 preguntas)
Vol. 13/ Núm. 2 2026 pág. 917
Tabla 1
Cuestionario 10 reactivos distribuidos en tres dimensiones: Conductas de uso, transparencia
académica y Casos situacionales
Nro. Pregunta / Ítem del Cuestionario Dimensión / Descripción
1 Frecuencia con la que usas IA
generativa (ChatGPT, Gemini,
Conducta de uso: Frecuencia
general.
Copilot, etc.) para tareas.
2 Copio y pego la respuesta de la IA en
mi tarea sin cambiar nada
Conducta de uso: Actitud de
riesgo
3 Le pido a la IA que haga toda la Conducta de uso: Actitud de
tarea (investigación + respuesta
final) y solo la presento.
riesgo (delegación total).
4 Pido a la IA que imite mi estilo Conducta de uso: Actitud de
para que el docente no se dé
cuenta.
riesgo (ocultamiento).
5 Verifico en otras fuentes (libro, web
confiable, clase) lo que me responde
la IA.
Transparencia académica:
Práctica protectora.
6 Usar IA y no mencionarlo es lo
mismo que copiar de internet sin
citar.
Transparencia académica:
Práctica protectora (percepción
de plagio).
7 Si una tarea es para aprender,
entregar un texto hecho por IA
reduce mi aprendizaje.
Transparencia académica:
Práctica protectora (conciencia
de aprendizaje).
8 Es aceptable usar IA para tareas
aunque el docente haya dicho “no
usar IA”.
Conducta de uso: Actitud de
riesgo (incumplimiento de
normas).
9 El docente pide: “Explique con sus
palabras qué es un algoritmo y dé
un ejemplo propio”. Tú:
Caso situacional: Estrategia
ante consigna de autoría propia.
10 Si la IA me da una solución, y no Caso situacional: Acción ante
coincide con lo visto en clase, yo... discrepancia de información.
La fiabilidad se estimó mediante el coeficiente alfa de Cronbach en las subescalas de
composición homogénea, evitando inferencias de unidimensionalidad cuando el instrumento
integra dimensiones de distinta naturaleza.
Procedimiento
La encuesta se aplicó durante el mes de diciembre de 2025, previa coordinación con los
directivos y docentes de la institución. El procedimiento se desarrolló en tres fases.
En la primera fase se gestionaron los permisos institucionales y se informó a la
comunidad educativa sobre los objetivos del estudio y las condiciones de participación. Se
difundió el enlace al cuestionario digital (Google Forms) en horarios previamente establecidos
con la institución, garantizando condiciones homogéneas para todos los estudiantes. Se aseguró
Tabla 1
Cuestionario 10 reactivos distribuidos en tres dimensiones: Conductas de uso, transparencia
académica y Casos situacionales
Nro. Pregunta / Ítem del Cuestionario Dimensión / Descripción
1 Frecuencia con la que usas IA
generativa (ChatGPT, Gemini,
Conducta de uso: Frecuencia
general.
Copilot, etc.) para tareas.
2 Copio y pego la respuesta de la IA en
mi tarea sin cambiar nada
Conducta de uso: Actitud de
riesgo
3 Le pido a la IA que haga toda la Conducta de uso: Actitud de
tarea (investigación + respuesta
final) y solo la presento.
riesgo (delegación total).
4 Pido a la IA que imite mi estilo Conducta de uso: Actitud de
para que el docente no se dé
cuenta.
riesgo (ocultamiento).
5 Verifico en otras fuentes (libro, web
confiable, clase) lo que me responde
la IA.
Transparencia académica:
Práctica protectora.
6 Usar IA y no mencionarlo es lo
mismo que copiar de internet sin
citar.
Transparencia académica:
Práctica protectora (percepción
de plagio).
7 Si una tarea es para aprender,
entregar un texto hecho por IA
reduce mi aprendizaje.
Transparencia académica:
Práctica protectora (conciencia
de aprendizaje).
8 Es aceptable usar IA para tareas
aunque el docente haya dicho “no
usar IA”.
Conducta de uso: Actitud de
riesgo (incumplimiento de
normas).
9 El docente pide: “Explique con sus
palabras qué es un algoritmo y dé
un ejemplo propio”. Tú:
Caso situacional: Estrategia
ante consigna de autoría propia.
10 Si la IA me da una solución, y no Caso situacional: Acción ante
coincide con lo visto en clase, yo... discrepancia de información.
La fiabilidad se estimó mediante el coeficiente alfa de Cronbach en las subescalas de
composición homogénea, evitando inferencias de unidimensionalidad cuando el instrumento
integra dimensiones de distinta naturaleza.
Procedimiento
La encuesta se aplicó durante el mes de diciembre de 2025, previa coordinación con los
directivos y docentes de la institución. El procedimiento se desarrolló en tres fases.
En la primera fase se gestionaron los permisos institucionales y se informó a la
comunidad educativa sobre los objetivos del estudio y las condiciones de participación. Se
difundió el enlace al cuestionario digital (Google Forms) en horarios previamente establecidos
con la institución, garantizando condiciones homogéneas para todos los estudiantes. Se aseguró
Vol. 13/ Núm. 2 2026 pág. 918
en todo momento el cumplimiento de los principios éticos de la investigación educativa: la
participación fue voluntaria, se garantizó la confidencialidad y el anonimato de las respuestas, y
se incluyó un apartado de consentimiento informado al inicio del cuestionario, en concordancia
con la Ley Orgánica de Protección de Datos Personales (LOPDP) del Ecuador, vigente desde
mayo de 2021.
En esta fase se aplicó el pretest en condiciones equivalentes a ambos grupos. El grupo
experimental recibió una intervención breve basada en transparencia (declarar el uso de IAG),
verificación (contrastar con fuentes y con los contenidos de clase), citación y autoría, y uso
responsable de prompts como apoyo al razonamiento, sin sustituirlo. El grupo control trabajó con
estrategias tradicionales (búsqueda guiada, lectura y retroalimentación) sin integración
instruccional de IAG.
En la segunda fase se implementó una intervención pedagógica orientada al uso ético de
la inteligencia artificial, la cual incluyó actividades de alfabetización digital, análisis de casos,
reflexión crítica sobre el uso de herramientas generativas y desarrollo de habilidades para la
formulación adecuada de prompts. Esta intervención tuvo como finalidad concientizar a los
estudiantes sobre los límites éticos del uso de la IA, promoviendo su utilización como herramienta
de apoyo al aprendizaje y no como sustituto del esfuerzo intelectual.
En la tercera fase se aplicó el postest con el mismo instrumento utilizado en el pretest,
con el propósito de evaluar los cambios en la percepción y el comportamiento de los estudiantes
tras la intervención. La totalidad de los 40 participantes completó esta medición, lo que permitió
realizar comparaciones directas entre grupos sin pérdida de datos.
Análisis de datos
Se depuraron y codificaron las variables, calculándose puntajes e índices por estudiante.
Se reportó estadística descriptiva (medias, desviaciones estándar y frecuencias) y fiabilidad (alfa
de Cronbach por subescala). Para el análisis inferencial se verificaron los supuestos de
normalidad (Shapiro–Wilk) y homocedasticidad (Levene), y se aplicó la prueba t de muestras
independientes para comparar el postest y la ganancia (Δ = post − pre) entre grupos,
complementada con un ANOVA mixto (Tiempo × Grupo). Se reportaron tamaños del efecto (d
de Cohen, g de Hedges y ηp²) con apoyo de software reproducible (JASP y Python).
En conjunto, la metodología empleada permitió diagnosticar las prácticas iniciales de los
estudiantes y evidenciar cambios en su percepción tras la intervención, consolidando un enfoque
cuantitativo que aporta validez interna al estudio y sienta bases para futuras investigaciones sobre
ética en el uso de inteligencia artificial en la educación secundaria.
en todo momento el cumplimiento de los principios éticos de la investigación educativa: la
participación fue voluntaria, se garantizó la confidencialidad y el anonimato de las respuestas, y
se incluyó un apartado de consentimiento informado al inicio del cuestionario, en concordancia
con la Ley Orgánica de Protección de Datos Personales (LOPDP) del Ecuador, vigente desde
mayo de 2021.
En esta fase se aplicó el pretest en condiciones equivalentes a ambos grupos. El grupo
experimental recibió una intervención breve basada en transparencia (declarar el uso de IAG),
verificación (contrastar con fuentes y con los contenidos de clase), citación y autoría, y uso
responsable de prompts como apoyo al razonamiento, sin sustituirlo. El grupo control trabajó con
estrategias tradicionales (búsqueda guiada, lectura y retroalimentación) sin integración
instruccional de IAG.
En la segunda fase se implementó una intervención pedagógica orientada al uso ético de
la inteligencia artificial, la cual incluyó actividades de alfabetización digital, análisis de casos,
reflexión crítica sobre el uso de herramientas generativas y desarrollo de habilidades para la
formulación adecuada de prompts. Esta intervención tuvo como finalidad concientizar a los
estudiantes sobre los límites éticos del uso de la IA, promoviendo su utilización como herramienta
de apoyo al aprendizaje y no como sustituto del esfuerzo intelectual.
En la tercera fase se aplicó el postest con el mismo instrumento utilizado en el pretest,
con el propósito de evaluar los cambios en la percepción y el comportamiento de los estudiantes
tras la intervención. La totalidad de los 40 participantes completó esta medición, lo que permitió
realizar comparaciones directas entre grupos sin pérdida de datos.
Análisis de datos
Se depuraron y codificaron las variables, calculándose puntajes e índices por estudiante.
Se reportó estadística descriptiva (medias, desviaciones estándar y frecuencias) y fiabilidad (alfa
de Cronbach por subescala). Para el análisis inferencial se verificaron los supuestos de
normalidad (Shapiro–Wilk) y homocedasticidad (Levene), y se aplicó la prueba t de muestras
independientes para comparar el postest y la ganancia (Δ = post − pre) entre grupos,
complementada con un ANOVA mixto (Tiempo × Grupo). Se reportaron tamaños del efecto (d
de Cohen, g de Hedges y ηp²) con apoyo de software reproducible (JASP y Python).
En conjunto, la metodología empleada permitió diagnosticar las prácticas iniciales de los
estudiantes y evidenciar cambios en su percepción tras la intervención, consolidando un enfoque
cuantitativo que aporta validez interna al estudio y sienta bases para futuras investigaciones sobre
ética en el uso de inteligencia artificial en la educación secundaria.
Vol. 13/ Núm. 2 2026 pág. 919
Tabla 2
Resumen de estadísticos descriptivos, contrastes de hipótesis y tamaños del efecto para el Índice
de uso ético
Momento /
Prueba
Grupo Experimental
(n=20)
Grupo
Control
(n=20)
Estadístico de
contraste
p-valor Tamaño del
Efecto
Línea base
(Pretest)
M = 3.286 (DE = 0.440) M = 3.171
(DE = 0.534)
t(38) = 0.739 .464 d = 0.233
(Pequeño)
Evaluación
final (Postest)
M = 3.729 (DE = 0.425) M = 3.121
(DE = 0.508)
t(38) = 4.100 < .001 g = 1.271
(Grande)
Ganancia
(Δ = post - pre)
M = 0.443 (DE = 0.236) M = -0.050
(DE = 0.149)
t(38) = 7.907 < .001 g = 2.451
(Muy
grande)
Interacción
(Tiempo ×
Grupo)
— — F(1, 38) =
62.51
< .001 ηp² = 0.622
(Grande)
Nota. M = Media; DE = Desviación Estándar; g = g de Hedges; ηp² = eta cuadrado parcial
RESULTADOS
En la comparación basal (pretest) no se observaron diferencias estadísticamente
significativas entre grupos en el Índice de uso ético: experimental M=3.286 (DE=0.440) y control
M=3.171 (DE=0.534), t(38)=0.739, p=.464. Esto confirmó equivalencia inicial y redujo el riesgo
de sesgo por desigualdad de partida.
Tabla 3
Comparación de medias, ganancias y tamaños del efecto entre grupos
Momento /
Indicador
Grupo Experimental
(n=20)
Grupo Control
(n=20)
Valor t
(gl)
p g de
Hedges
Pretest (Basal) 3.286 (0.440) 3.171 (0.534) 0.739
(38)
.464 0.233
Postest (Final) 3.729 (0.425) 3.121 (0.508) 4.100
(38)
<
.001
1.271
Ganancia () 0.443 (0.236) -0.050 (0.149) 7.907
(38)
<
.001
2.451
Nota. Los valores entre paréntesis corresponden a la Desviación Estándar (DE). La ganancia () representa la
diferencia aritmética individual entre el postest y el pretest
Para el postest, la verificación de supuestos mostró normalidad por Shapiro–Wilk en
ambos grupos (experimental W=0.930, p=.154; control W=0.952, p=.401) y homocedasticidad
por Levene (F=1.224, p=.276); por tanto, se reportó la prueba t estándar con varianzas asumidas.
Se observó una diferencia significativa a favor del grupo experimental: M=3.729 (DE=0.425)
frente a M=3.121 (DE=0.508), t(38)=4.100, p < .001, con diferencia media de 0.607 (IC95%
[0.307, 0.907]). Tras la intervención, el análisis del postest reveló una diferencia
estadísticamente significativa y de gran magnitud a favor del grupo experimental,
evidenciando una mejora sustancial en el Índice de uso ético (M=3.729 vs. 3.121; t(38)=4.10;
p< .001; g=1.27). Estos datos confirman que los estudiantes que recibieron orientación explícita
Tabla 2
Resumen de estadísticos descriptivos, contrastes de hipótesis y tamaños del efecto para el Índice
de uso ético
Momento /
Prueba
Grupo Experimental
(n=20)
Grupo
Control
(n=20)
Estadístico de
contraste
p-valor Tamaño del
Efecto
Línea base
(Pretest)
M = 3.286 (DE = 0.440) M = 3.171
(DE = 0.534)
t(38) = 0.739 .464 d = 0.233
(Pequeño)
Evaluación
final (Postest)
M = 3.729 (DE = 0.425) M = 3.121
(DE = 0.508)
t(38) = 4.100 < .001 g = 1.271
(Grande)
Ganancia
(Δ = post - pre)
M = 0.443 (DE = 0.236) M = -0.050
(DE = 0.149)
t(38) = 7.907 < .001 g = 2.451
(Muy
grande)
Interacción
(Tiempo ×
Grupo)
— — F(1, 38) =
62.51
< .001 ηp² = 0.622
(Grande)
Nota. M = Media; DE = Desviación Estándar; g = g de Hedges; ηp² = eta cuadrado parcial
RESULTADOS
En la comparación basal (pretest) no se observaron diferencias estadísticamente
significativas entre grupos en el Índice de uso ético: experimental M=3.286 (DE=0.440) y control
M=3.171 (DE=0.534), t(38)=0.739, p=.464. Esto confirmó equivalencia inicial y redujo el riesgo
de sesgo por desigualdad de partida.
Tabla 3
Comparación de medias, ganancias y tamaños del efecto entre grupos
Momento /
Indicador
Grupo Experimental
(n=20)
Grupo Control
(n=20)
Valor t
(gl)
p g de
Hedges
Pretest (Basal) 3.286 (0.440) 3.171 (0.534) 0.739
(38)
.464 0.233
Postest (Final) 3.729 (0.425) 3.121 (0.508) 4.100
(38)
<
.001
1.271
Ganancia () 0.443 (0.236) -0.050 (0.149) 7.907
(38)
<
.001
2.451
Nota. Los valores entre paréntesis corresponden a la Desviación Estándar (DE). La ganancia () representa la
diferencia aritmética individual entre el postest y el pretest
Para el postest, la verificación de supuestos mostró normalidad por Shapiro–Wilk en
ambos grupos (experimental W=0.930, p=.154; control W=0.952, p=.401) y homocedasticidad
por Levene (F=1.224, p=.276); por tanto, se reportó la prueba t estándar con varianzas asumidas.
Se observó una diferencia significativa a favor del grupo experimental: M=3.729 (DE=0.425)
frente a M=3.121 (DE=0.508), t(38)=4.100, p < .001, con diferencia media de 0.607 (IC95%
[0.307, 0.907]). Tras la intervención, el análisis del postest reveló una diferencia
estadísticamente significativa y de gran magnitud a favor del grupo experimental,
evidenciando una mejora sustancial en el Índice de uso ético (M=3.729 vs. 3.121; t(38)=4.10;
p< .001; g=1.27). Estos datos confirman que los estudiantes que recibieron orientación explícita
Vol. 13/ Núm. 2 2026 pág. 920
desarrollaron criterios de integridad más sólidos que aquellos bajo estrategias tradicionales
El tamaño del efecto para la diferencia en el postest fue grande (d=1.296; g=1.271;
r=0.554), lo que indicó relevancia práctica. Como análisis complementario, la ganancia
(Δ=post−pre) fue mayor en el grupo experimental (M=0.443, DE=0.236) que en el control
(M=−0.050, DE=0.149), t(38)=7.907, p < .001, con diferencia de 0.493 (IC95% [0.367, 0.619])
y tamaño del efecto muy grande (g=2.451).
El ANOVA mixto (Tiempo×Grupo) confirmó diferencias globales por grupo,
F(1,38)=51.38, p < .001, ηp²=0.575, y por tiempo, F(1,38)=39.72, p < .001, ηp²=0.511. La
interacción Tiempo×Grupo fue significativa, F(1,38)=62.51, p < .001, ηp²=0.622, lo que indicó
que la evolución del índice difirió entre condiciones, con un incremento mayor en el grupo
experimental.
Tabla 4
Resumen del ANOVA Mixto: Efectos de interacción Tiempo × Grupo
Efecto gl F p
Grupo (Entre-sujetos) 1, 38 51.38 < .001 0.575
Tiempo (Intra-sujetos) 1, 38 39.72 < .001 0.511
Tiempo × Grupo 1, 38 62.51 < .001 0.622
Nota: ηp2 Eta cuadrado parcial. Un valor superior a 0.14 se considera un efecto grande en ciencias sociales.
En la subescala homogénea de conductas de riesgo (copia y pega, delegación total e
imitación de estilo; pretest), el alfa de Cronbach fue α=0.672, valor coherente con lo esperado en
subescalas breves de carácter exploratorio, donde la restricción del número de ítems limita
estructuralmente el coeficiente (Doval et al., 2023).
Tabla 5
Estadísticos descriptivos y prueba t de muestras independientes para el índice de uso ético en el
postest
Variable Grupo n M DE t(gl) p Dif.
medias
g
Índice uso ético
(postest)
Experimental 20 3.729 0.425 4.100
(38)
<
.001
0.607 1.271
Índice uso ético
(postest)
Control 20 3.121 0.508 4.100
(38)
<
.001
0.607 1.271
Nota. Diferencia de medias calculada como (Experimental − Control). IC95% de la diferencia: [0.307, 0.907].
DISCUSIÓN
Los hallazgos de esta investigación demuestran que la ética de uso de la IAG es una
competencia desarrollable. La superioridad del grupo experimental en el postest (g=1.27) y la
interacción significativa Tiempo × Grupo (ηp²=0.62) sugieren que la intervención pedagógica
logró modificar trayectorias de comportamiento que las estrategias tradicionales no pudieron
neutralizar (M_control=3.121; p < .001) confirmando así que la IAG se incorporó a la
elaboración de tareas en bachillerato y que su uso se expresó en un continuo entre apoyo formativo
desarrollaron criterios de integridad más sólidos que aquellos bajo estrategias tradicionales
El tamaño del efecto para la diferencia en el postest fue grande (d=1.296; g=1.271;
r=0.554), lo que indicó relevancia práctica. Como análisis complementario, la ganancia
(Δ=post−pre) fue mayor en el grupo experimental (M=0.443, DE=0.236) que en el control
(M=−0.050, DE=0.149), t(38)=7.907, p < .001, con diferencia de 0.493 (IC95% [0.367, 0.619])
y tamaño del efecto muy grande (g=2.451).
El ANOVA mixto (Tiempo×Grupo) confirmó diferencias globales por grupo,
F(1,38)=51.38, p < .001, ηp²=0.575, y por tiempo, F(1,38)=39.72, p < .001, ηp²=0.511. La
interacción Tiempo×Grupo fue significativa, F(1,38)=62.51, p < .001, ηp²=0.622, lo que indicó
que la evolución del índice difirió entre condiciones, con un incremento mayor en el grupo
experimental.
Tabla 4
Resumen del ANOVA Mixto: Efectos de interacción Tiempo × Grupo
Efecto gl F p
Grupo (Entre-sujetos) 1, 38 51.38 < .001 0.575
Tiempo (Intra-sujetos) 1, 38 39.72 < .001 0.511
Tiempo × Grupo 1, 38 62.51 < .001 0.622
Nota: ηp2 Eta cuadrado parcial. Un valor superior a 0.14 se considera un efecto grande en ciencias sociales.
En la subescala homogénea de conductas de riesgo (copia y pega, delegación total e
imitación de estilo; pretest), el alfa de Cronbach fue α=0.672, valor coherente con lo esperado en
subescalas breves de carácter exploratorio, donde la restricción del número de ítems limita
estructuralmente el coeficiente (Doval et al., 2023).
Tabla 5
Estadísticos descriptivos y prueba t de muestras independientes para el índice de uso ético en el
postest
Variable Grupo n M DE t(gl) p Dif.
medias
g
Índice uso ético
(postest)
Experimental 20 3.729 0.425 4.100
(38)
<
.001
0.607 1.271
Índice uso ético
(postest)
Control 20 3.121 0.508 4.100
(38)
<
.001
0.607 1.271
Nota. Diferencia de medias calculada como (Experimental − Control). IC95% de la diferencia: [0.307, 0.907].
DISCUSIÓN
Los hallazgos de esta investigación demuestran que la ética de uso de la IAG es una
competencia desarrollable. La superioridad del grupo experimental en el postest (g=1.27) y la
interacción significativa Tiempo × Grupo (ηp²=0.62) sugieren que la intervención pedagógica
logró modificar trayectorias de comportamiento que las estrategias tradicionales no pudieron
neutralizar (M_control=3.121; p < .001) confirmando así que la IAG se incorporó a la
elaboración de tareas en bachillerato y que su uso se expresó en un continuo entre apoyo formativo
Vol. 13/ Núm. 2 2026 pág. 921
y conductas de riesgo. La presencia de prácticas como delegación total u ocultamiento del uso,
identificadas en el diagnóstico inicial, evidenció que el problema educativo no se limita a la
disponibilidad tecnológica, sino a la ausencia de criterios compartidos de autoría, trazabilidad y
verificación. En coherencia con orientaciones internacionales, el uso responsable requiere integrar
alfabetización crítica, advertencias sobre sesgos y validación de información como parte explícita
del currículo (UNESCO, 2023).
Las conductas de ocultamiento observadas en el pretest reforzaron la necesidad de
entender la transparencia como criterio operativo de integridad académica. En ese sentido,
políticas de aula que exijan declarar el tipo de asistencia recibida —borrador, corrección o
depuración— y defender el trabajo oralmente pueden reducir la suplantación de autoría y
fortalecer la responsabilidad académica (Perkins, 2023).
El desempeño superior del grupo experimental en el postest, con tamaño del efecto
grande, y la interacción significativa Tiempo×Grupo sostuvieron que la ética de uso constituyó
una competencia desarrollable mediante intervención didáctica.
Esta evidencia muestra que siempre que se requiere de manera obligatoria la
comparación, la justificación y el análisis del producto los modelos de lenguaje pueden apoyar el
aprendizaje como andamiaje, (Kasneci et al., 2023). Al introducir tareas que exijan a los alumnos
a explicar su razonamiento y demostrar su comprensión al tema tratado, reduce la dependencia de
la tecnología y se evita el aprendizaje pasivo.
Los resultados mostraron, además, que las estrategias tradicionales orientadas al grupo de
control no eliminaron por sí solas los incentivos de uso instrumental de la IAG, en particular
cuando se concentraron las instrucciones en productos finales que son fáciles de generar. El
enfoque experimental propuso rediseñar las evaluaciones con el objetivo de priorizar procesos,
evidencias de trabajo y transferencia contextual. Esta orientación coincidió con marcos que
sugieren que las evaluaciones auténticas y trazables, que incluyen bitácoras, versionado y defensa
oral, sean consideradas como pruebas de autoría y aprendizaje (UNESCO, 2023).
Se comprobó que la consistencia interna fue satisfactoria en la evaluación de la subescala
homogénea de conductas de riesgo, lo que corrobora que el alfa es informativo cuando los ítems
comparten contenido y dirección. Sin embargo, combinar dimensiones distintas —
comportamientos, creencias y verificación— en una única puntuación puede reducir la fiabilidad
y dar lugar a interpretaciones equivocadas. Por tal razón, se propuso que en aplicaciones futuras
se reporten subescalas independientes y se complementen con estimadores alternativos (como el
omega de McDonald) y análisis factorial (Doval et al., 2023; Zakariya, 2022).
Como limitaciones, se reconoció que los datos provinieron de autorreporte y que el
tamaño moderado de la muestra (n=20 por grupo) exigió interpretar los efectos con cautela,
acompañando los estadísticos de los correspondientes intervalos de confianza. Además, como la
normalidad de la ganancia (Δ) no se mantuvo en el grupo control, su interpretación tuvo que ser
y conductas de riesgo. La presencia de prácticas como delegación total u ocultamiento del uso,
identificadas en el diagnóstico inicial, evidenció que el problema educativo no se limita a la
disponibilidad tecnológica, sino a la ausencia de criterios compartidos de autoría, trazabilidad y
verificación. En coherencia con orientaciones internacionales, el uso responsable requiere integrar
alfabetización crítica, advertencias sobre sesgos y validación de información como parte explícita
del currículo (UNESCO, 2023).
Las conductas de ocultamiento observadas en el pretest reforzaron la necesidad de
entender la transparencia como criterio operativo de integridad académica. En ese sentido,
políticas de aula que exijan declarar el tipo de asistencia recibida —borrador, corrección o
depuración— y defender el trabajo oralmente pueden reducir la suplantación de autoría y
fortalecer la responsabilidad académica (Perkins, 2023).
El desempeño superior del grupo experimental en el postest, con tamaño del efecto
grande, y la interacción significativa Tiempo×Grupo sostuvieron que la ética de uso constituyó
una competencia desarrollable mediante intervención didáctica.
Esta evidencia muestra que siempre que se requiere de manera obligatoria la
comparación, la justificación y el análisis del producto los modelos de lenguaje pueden apoyar el
aprendizaje como andamiaje, (Kasneci et al., 2023). Al introducir tareas que exijan a los alumnos
a explicar su razonamiento y demostrar su comprensión al tema tratado, reduce la dependencia de
la tecnología y se evita el aprendizaje pasivo.
Los resultados mostraron, además, que las estrategias tradicionales orientadas al grupo de
control no eliminaron por sí solas los incentivos de uso instrumental de la IAG, en particular
cuando se concentraron las instrucciones en productos finales que son fáciles de generar. El
enfoque experimental propuso rediseñar las evaluaciones con el objetivo de priorizar procesos,
evidencias de trabajo y transferencia contextual. Esta orientación coincidió con marcos que
sugieren que las evaluaciones auténticas y trazables, que incluyen bitácoras, versionado y defensa
oral, sean consideradas como pruebas de autoría y aprendizaje (UNESCO, 2023).
Se comprobó que la consistencia interna fue satisfactoria en la evaluación de la subescala
homogénea de conductas de riesgo, lo que corrobora que el alfa es informativo cuando los ítems
comparten contenido y dirección. Sin embargo, combinar dimensiones distintas —
comportamientos, creencias y verificación— en una única puntuación puede reducir la fiabilidad
y dar lugar a interpretaciones equivocadas. Por tal razón, se propuso que en aplicaciones futuras
se reporten subescalas independientes y se complementen con estimadores alternativos (como el
omega de McDonald) y análisis factorial (Doval et al., 2023; Zakariya, 2022).
Como limitaciones, se reconoció que los datos provinieron de autorreporte y que el
tamaño moderado de la muestra (n=20 por grupo) exigió interpretar los efectos con cautela,
acompañando los estadísticos de los correspondientes intervalos de confianza. Además, como la
normalidad de la ganancia (Δ) no se mantuvo en el grupo control, su interpretación tuvo que ser
Vol. 13/ Núm. 2 2026 pág. 922
considerada complementaria y compararse con métodos sólidos en investigaciones futuras. Por
último, se propuso expandir el instrumento y abstenerse de aplicar el alfa de manera mecánica
cuando no se dan las condiciones para una interpretación válida; además, se recomendó reforzar
la validez del constructo por medio de la triangulación de evidencias.
CONCLUSIONES
El empleo de IAG enfocado en la asignatura de Pensamiento Computacional a nivel
bachillerato implica prácticas protectoras y conductas arriesgadas, por lo que se requiere una
intervención formativa en lugar de una prohibitiva. Los resultados iniciales de la inferencia
mostraron que los grupos eran similares; sin embargo, la prueba posterior reveló diferencias
significativas a favor del grupo experimental. Esto apunta a que establecer directrices claras
respecto a la transparencia, la verificación y la autoría contribuye a un uso más responsable de la
IAG.
Los resultados apoyan la implementación de políticas de aula y de instrumentos de
evaluación que se enfocan en los procesos, los cuales pueden ayudar a disminuir el aprendizaje
superficial y la dependencia tecnológica.
Es importante, además, considerar que la normativa pedagógica debe priorizar la
trazabilidad, la protección de los datos y la exposición del razonamiento, acorde a los marcos
internacionales para gobernar la inteligencia artificial en educación.
Recomendaciones
• Crear una política de transparencia que obligue a declarar el uso de herramientas de IAG
y que incluya, sin excepción, pruebas de verificación en los trabajos asignados a
estudiantes de bachillerato y a nivel general.
• Cumplimiento de normas de ética incluidas en rúbricas: criterios de autoría, normas de
citación, contraste de fuentes y capacidad de defensa verbal del producto.
• Rediseñar tareas hacia evaluación auténtica: productos contextualizados y evidencia del
proceso (bitácora, versionado, pruebas).
• Capacitación a docente en IAG: uso pedagógico, riesgos (alucinaciones, sesgos,
privacidad) y diseño de consignas resistentes a sustitución.
• Monitoreo formativo: aplicar pretest diagnósticos y retroalimentación periódica para
reducir conductas de riesgo.
considerada complementaria y compararse con métodos sólidos en investigaciones futuras. Por
último, se propuso expandir el instrumento y abstenerse de aplicar el alfa de manera mecánica
cuando no se dan las condiciones para una interpretación válida; además, se recomendó reforzar
la validez del constructo por medio de la triangulación de evidencias.
CONCLUSIONES
El empleo de IAG enfocado en la asignatura de Pensamiento Computacional a nivel
bachillerato implica prácticas protectoras y conductas arriesgadas, por lo que se requiere una
intervención formativa en lugar de una prohibitiva. Los resultados iniciales de la inferencia
mostraron que los grupos eran similares; sin embargo, la prueba posterior reveló diferencias
significativas a favor del grupo experimental. Esto apunta a que establecer directrices claras
respecto a la transparencia, la verificación y la autoría contribuye a un uso más responsable de la
IAG.
Los resultados apoyan la implementación de políticas de aula y de instrumentos de
evaluación que se enfocan en los procesos, los cuales pueden ayudar a disminuir el aprendizaje
superficial y la dependencia tecnológica.
Es importante, además, considerar que la normativa pedagógica debe priorizar la
trazabilidad, la protección de los datos y la exposición del razonamiento, acorde a los marcos
internacionales para gobernar la inteligencia artificial en educación.
Recomendaciones
• Crear una política de transparencia que obligue a declarar el uso de herramientas de IAG
y que incluya, sin excepción, pruebas de verificación en los trabajos asignados a
estudiantes de bachillerato y a nivel general.
• Cumplimiento de normas de ética incluidas en rúbricas: criterios de autoría, normas de
citación, contraste de fuentes y capacidad de defensa verbal del producto.
• Rediseñar tareas hacia evaluación auténtica: productos contextualizados y evidencia del
proceso (bitácora, versionado, pruebas).
• Capacitación a docente en IAG: uso pedagógico, riesgos (alucinaciones, sesgos,
privacidad) y diseño de consignas resistentes a sustitución.
• Monitoreo formativo: aplicar pretest diagnósticos y retroalimentación periódica para
reducir conductas de riesgo.
Vol. 13/ Núm. 2 2026 pág. 923
REFERENCIAS
Chávez-Boza, B. M., & Erazo-Moreta, O. R. (204). Integración de la inteligencia artificial
generativa para el aprendizaje de fundamentos de programación: una revisión
sistemática de la literatura. Revista Mexicana de investigación e intervención educativa.
Obtenido de https://pablolatapisarre.edu.mx/revista/index.php/rmiie/article/view/78/67
Cordero-Mendieta, L., Pachar-Laso, E., & Granados-Romero, J. (2025). La ética en la aplicación
de la inteligencia artificial para la creación de trabajos académicos por estudiantes de
tercer año de bachillerato. 593 Digital Publisher CEIT, 10(3), 302–312.
https://doi.org/10.33386/593dp.2025.3.3150
Cortés, F. (2025). Ingeniería de Prompts La Guía Definitiva para Dominar la Interacción con la
IA. Obtenido de
https://www.google.com.ec/books/edition/Ingenier%C3%ADa_de_Prompts/ESk-
EQAAQBAJ?hl=es&gbpv=0&kptab=overview
Del Prete, E. (2024). Small Compendium on Hypothesis Test, Experimental Design and Power
Analysis (with Tips on Practical Cases). (Version 1.1) [PDF]. Telethon Institute of
Genetics and Medicine.
https://bioinformatics.tigem.it/materials/Statistical_Small_Compendium_ver1.1.pdf
Doval, E., Viladrich, C., & Angulo-Brunet, A. (2023). Coefficient Alpha: The Resistance of a
Classic. Psicothema, 35(1), 5–20. https://doi.org/10.7334/psicothema2022.321
Goss-Sampson, M. A. (2025). Statistical Analysis in JASP: A guide for students (JASP 0.19.3)
[PDF]. https://jasp-stats.org/wp-content/uploads/2025/07/Statistical-Analysis-in-JASP-A-
guide-for-students-2025.pdf
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller,
J., Kuhn, J., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges
of large language models for education. Learning and Individual Differences, 103,
102274. https://doi.org/10.1016/j.lindif.2023.102274
Kennedy, I. (2022). Sample Size Determination in Test-Retest and Cronbach Alpha Reliability
Estimates. British Journal of Contemporary Education, 2(1), 17–29.
https://doi.org/10.52589/BJCE-FY266HK9
Perkins, M. (2023). Academic integrity considerations of AI large language models in the post-
pandemic era: ChatGPT and beyond. Journal of University Teaching & Learning
Practice, 20(2). https://doi.org/10.53761/1.20.02.07
UNESCO. (2023). Guidance for generative AI in education and research [PDF]. United Nations
Educational, Scientific and Cultural Organization.
REFERENCIAS
Chávez-Boza, B. M., & Erazo-Moreta, O. R. (204). Integración de la inteligencia artificial
generativa para el aprendizaje de fundamentos de programación: una revisión
sistemática de la literatura. Revista Mexicana de investigación e intervención educativa.
Obtenido de https://pablolatapisarre.edu.mx/revista/index.php/rmiie/article/view/78/67
Cordero-Mendieta, L., Pachar-Laso, E., & Granados-Romero, J. (2025). La ética en la aplicación
de la inteligencia artificial para la creación de trabajos académicos por estudiantes de
tercer año de bachillerato. 593 Digital Publisher CEIT, 10(3), 302–312.
https://doi.org/10.33386/593dp.2025.3.3150
Cortés, F. (2025). Ingeniería de Prompts La Guía Definitiva para Dominar la Interacción con la
IA. Obtenido de
https://www.google.com.ec/books/edition/Ingenier%C3%ADa_de_Prompts/ESk-
EQAAQBAJ?hl=es&gbpv=0&kptab=overview
Del Prete, E. (2024). Small Compendium on Hypothesis Test, Experimental Design and Power
Analysis (with Tips on Practical Cases). (Version 1.1) [PDF]. Telethon Institute of
Genetics and Medicine.
https://bioinformatics.tigem.it/materials/Statistical_Small_Compendium_ver1.1.pdf
Doval, E., Viladrich, C., & Angulo-Brunet, A. (2023). Coefficient Alpha: The Resistance of a
Classic. Psicothema, 35(1), 5–20. https://doi.org/10.7334/psicothema2022.321
Goss-Sampson, M. A. (2025). Statistical Analysis in JASP: A guide for students (JASP 0.19.3)
[PDF]. https://jasp-stats.org/wp-content/uploads/2025/07/Statistical-Analysis-in-JASP-A-
guide-for-students-2025.pdf
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller,
J., Kuhn, J., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges
of large language models for education. Learning and Individual Differences, 103,
102274. https://doi.org/10.1016/j.lindif.2023.102274
Kennedy, I. (2022). Sample Size Determination in Test-Retest and Cronbach Alpha Reliability
Estimates. British Journal of Contemporary Education, 2(1), 17–29.
https://doi.org/10.52589/BJCE-FY266HK9
Perkins, M. (2023). Academic integrity considerations of AI large language models in the post-
pandemic era: ChatGPT and beyond. Journal of University Teaching & Learning
Practice, 20(2). https://doi.org/10.53761/1.20.02.07
UNESCO. (2023). Guidance for generative AI in education and research [PDF]. United Nations
Educational, Scientific and Cultural Organization.
Vol. 13/ Núm. 2 2026 pág. 924
https://unesdoc.unesco.org/ark:/48223/pf0000386693
UNESCO. (2024). Guía para el uso de IA generativa en educación e investigación. Francia.
Obtenido de https://unesdoc.unesco.org/ark:/48223/pf0000389227
Zakariya, Y. F. (2022). Cronbach’s alpha in mathematics education research: Its
appropriateness, overuse, and alternatives in estimating scale reliability. Frontiers in
Psychology, 13, 1074430. https://doi.org/10.3389/fpsyg.2022.1074430
https://unesdoc.unesco.org/ark:/48223/pf0000386693
UNESCO. (2024). Guía para el uso de IA generativa en educación e investigación. Francia.
Obtenido de https://unesdoc.unesco.org/ark:/48223/pf0000389227
Zakariya, Y. F. (2022). Cronbach’s alpha in mathematics education research: Its
appropriateness, overuse, and alternatives in estimating scale reliability. Frontiers in
Psychology, 13, 1074430. https://doi.org/10.3389/fpsyg.2022.1074430