Vol. 13/ Núm. 4 2026 pág. 38
https://doi.org/10.69639/arandu.v13i4.2653
El uso de herramientas de Inteligencia Artificial como co-
tutores en el Aprendizaje Basado en Proyectos (ABP):
Impacto en el fortalecimiento de la producción escrita y oral
en inglés en entornos universitarios
The use of Artificial Intelligence tools as co-tutors in Project-Based Learning (PBL):
Impact on strengthening written and oral English production in university settings
Dolores Rosanna Rivadeneira Andrade
drarivadeneiraa@gmail.com
https://orcid.org/0009-0004-4951-6611
Universidad de las Fuerzas Armadas-ESPE
Ecuador
Artículo recibido: 10 septiembre 2026- Aceptado para publicación:16 octubre 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El Aprendizaje Basado en Proyectos (ABP) es una metodología activa ampliamente adoptada en
la educación superior para la enseñanza del inglés como lengua extranjera y en programas
bilingües universitarios. Sin embargo, la atención personalizada y la retroalimentación continua
durante los procesos de producción lingüística compleja representan un desafío constante para el
docente universitario. La integración de la Inteligencia Artificial (IA) como co-tutor en el aula
universitaria surge como una solución pedagógica para proporcionar andamiaje cognitivo y
lingüístico en tiempo real. Este artículo de revisión de literatura tiene como objetivo sintetizar y
analizar la evidencia científica reciente sobre el impacto de las herramientas de IA utilizadas como
co-tutores en entornos de ABP universitario, enfocándose en el fortalecimiento de las destrezas
de producción escrita (writing) y oral (speaking) en inglés. A través de la revisión y
sistematización de investigaciones publicadas en bases de datos académicas, se examinaron las
herramientas tecnológicas más empleadas en la educación superior, las dimensiones lingüísticas
de nivel avanzado con mayor progreso (fluidez, precisión sintáctica, variedad léxica académica y
cohesión) y las estrategias de mediación pedagógica aplicadas. Los hallazgos indican que el co-
tutoreo con IA promueve la autonomía del estudiante universitario, disminuye la ansiedad en la
expresión oral y optimiza la autorregulación en la reescritura de textos académicos. Se concluye
que la efectividad de la IA como co-tutor en la universidad depende de su articulación didáctica
dentro del diseño instruccional del proyecto pedagógico.
Palabras clave: Inteligencia artificial, Aprendizaje Basado en Proyectos (ABP),
producción escrita, expresión oral, educación universitaria, enseñanza del inglés
Vol. 13/ Núm. 4 2026 pág. 39
ABSTRACT
Project-Based Learning (PBL) is an active methodology widely implemented in higher education
for English as a Foreign Language (EFL) instruction and university bilingual programs. However,
delivering personalized guidance and continuous feedback during complex language production
processes remains a significant challenge for university faculty. The integration of Generative
Artificial Intelligence (AI) as a co-tutor in higher education classrooms emerges as an innovative
pedagogical solution to provide real-time cognitive and linguistic scaffolding. This literature
review aims to synthesize and analyze recent scientific evidence regarding the impact of AI tools
acting as co-tutors in university PBL environments, focusing on the enhancement of productive
skills: writing and speaking in English. Through the systematic review of studies published in
academic databases, this paper examines the main AI tools used in higher education, the advanced
linguistic dimensions showing the greatest progress (fluency, syntactic accuracy, academic lexical
richness, and cohesion), and the pedagogical mediation models applied. Findings indicate that AI
co-tutoring fosters university students' autonomy, reduces speaking anxiety, and improves self-
regulation in academic writing revision. It is concluded that the effectiveness of AI co-tutoring in
higher education relies on its pedagogical integration within the instructional design of the project.
Keywords: Artificial intelligence, co-tutor, Project-Based Learning (PBL), writing skills,
speaking skills
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
Project-Based Learning (PBL) is an active methodology widely implemented in higher education
for English as a Foreign Language (EFL) instruction and university bilingual programs. However,
delivering personalized guidance and continuous feedback during complex language production
processes remains a significant challenge for university faculty. The integration of Generative
Artificial Intelligence (AI) as a co-tutor in higher education classrooms emerges as an innovative
pedagogical solution to provide real-time cognitive and linguistic scaffolding. This literature
review aims to synthesize and analyze recent scientific evidence regarding the impact of AI tools
acting as co-tutors in university PBL environments, focusing on the enhancement of productive
skills: writing and speaking in English. Through the systematic review of studies published in
academic databases, this paper examines the main AI tools used in higher education, the advanced
linguistic dimensions showing the greatest progress (fluency, syntactic accuracy, academic lexical
richness, and cohesion), and the pedagogical mediation models applied. Findings indicate that AI
co-tutoring fosters university students' autonomy, reduces speaking anxiety, and improves self-
regulation in academic writing revision. It is concluded that the effectiveness of AI co-tutoring in
higher education relies on its pedagogical integration within the instructional design of the project.
Keywords: Artificial intelligence, co-tutor, Project-Based Learning (PBL), writing skills,
speaking skills
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. 4 2026 pág. 40
INTRODUCCIÓN
La enseñanza del inglés y el desarrollo de programas bilingües en las universidades
exigen metodologías capaces de superar la memorización gramatical. Las instituciones de
educación superior enfrentan el reto de formar profesionales con competencias comunicativas
avanzadas para desenvolverse en entornos académicos e internacionales complejos (Al-Mansour
& Al-Shorman, 2022). Este escenario ha impulsado la adopción de estrategias activas en el diseño
curricular, orientadas a desplazar las clases magistrales tradicionales y colocar al estudiante en el
centro del proceso mediante actividades colaborativas y autónomas de aprendizaje lingüístico.
El Aprendizaje Basado en Proyectos (ABP) destaca dentro de estas metodologías como
una estructura didáctica idónea para integrar las destrezas de producción escrita (writing) y oral
(speaking) en la universidad (Beckett & Slater, 2020). Al resolver problemas reales y elaborar
productos concretos, los alumnos aplican el idioma en contextos auténticos. Sin embargo, la
implementación del ABP en aulas con grupos numerosos choca con limitaciones operativas
claras. Resulta difícil para el docente dar un seguimiento individualizado y ofrecer
retroalimentación continua a cada equipo durante las fases intermedias de trabajo.
La integración de la Inteligencia Artificial y los Modelos de Lenguaje de Gran Escala
(LLM) ofrece una vía para responder a esta falta de acompañamiento en el aula. Chassignol et al.
(2018) señalan que la tecnología en la educación superior transforma las dinámicas de aprendizaje
cuando automatiza tareas analíticas y brinda soporte adaptativo inmediato. En el área de la
lingüística aplicada, las herramientas de IA han superado el rol de simples traductores para
convertirse en agentes interactivos capaces de procesar y generar lenguaje natural con alto nivel
de precisión.
Bajo este enfoque surge la figura de la IA como co-tutor lingüístico, entendida como un
soporte cognitivo (scaffolding) constante durante la elaboración de los proyectos (Dizon, 2021).
En este papel, el sistema interactúa de forma directa con los estudiantes universitarios, aportando
explicaciones gramaticales, modelos de pronunciación, vocabulario especializado y simulaciones
de diálogo. La interacción descentraliza la labor del docente y distribuye la carga de revisión, sin
desplazar al profesor de su función de diseñador pedagógico y guía del curso.
Respecto a la destreza escrita (writing), los estudios recientes muestran que la tutoría
compartida con IA fortalece la autorregulación y la reescritura de borradores en el nivel
universitario (El Shazly, 2021). La revisión interactiva brinda a los estudiantes comentarios
inmediatos sobre cohesión, coherencia, léxico académico y estructura sintáctica. Este flujo
constante de observaciones previene la fijación de errores en los trabajos finales, promoviendo
una revisión consciente en la que el alumno analiza las sugerencias del sistema antes de
incorporarlas a sus escritos.
INTRODUCCIÓN
La enseñanza del inglés y el desarrollo de programas bilingües en las universidades
exigen metodologías capaces de superar la memorización gramatical. Las instituciones de
educación superior enfrentan el reto de formar profesionales con competencias comunicativas
avanzadas para desenvolverse en entornos académicos e internacionales complejos (Al-Mansour
& Al-Shorman, 2022). Este escenario ha impulsado la adopción de estrategias activas en el diseño
curricular, orientadas a desplazar las clases magistrales tradicionales y colocar al estudiante en el
centro del proceso mediante actividades colaborativas y autónomas de aprendizaje lingüístico.
El Aprendizaje Basado en Proyectos (ABP) destaca dentro de estas metodologías como
una estructura didáctica idónea para integrar las destrezas de producción escrita (writing) y oral
(speaking) en la universidad (Beckett & Slater, 2020). Al resolver problemas reales y elaborar
productos concretos, los alumnos aplican el idioma en contextos auténticos. Sin embargo, la
implementación del ABP en aulas con grupos numerosos choca con limitaciones operativas
claras. Resulta difícil para el docente dar un seguimiento individualizado y ofrecer
retroalimentación continua a cada equipo durante las fases intermedias de trabajo.
La integración de la Inteligencia Artificial y los Modelos de Lenguaje de Gran Escala
(LLM) ofrece una vía para responder a esta falta de acompañamiento en el aula. Chassignol et al.
(2018) señalan que la tecnología en la educación superior transforma las dinámicas de aprendizaje
cuando automatiza tareas analíticas y brinda soporte adaptativo inmediato. En el área de la
lingüística aplicada, las herramientas de IA han superado el rol de simples traductores para
convertirse en agentes interactivos capaces de procesar y generar lenguaje natural con alto nivel
de precisión.
Bajo este enfoque surge la figura de la IA como co-tutor lingüístico, entendida como un
soporte cognitivo (scaffolding) constante durante la elaboración de los proyectos (Dizon, 2021).
En este papel, el sistema interactúa de forma directa con los estudiantes universitarios, aportando
explicaciones gramaticales, modelos de pronunciación, vocabulario especializado y simulaciones
de diálogo. La interacción descentraliza la labor del docente y distribuye la carga de revisión, sin
desplazar al profesor de su función de diseñador pedagógico y guía del curso.
Respecto a la destreza escrita (writing), los estudios recientes muestran que la tutoría
compartida con IA fortalece la autorregulación y la reescritura de borradores en el nivel
universitario (El Shazly, 2021). La revisión interactiva brinda a los estudiantes comentarios
inmediatos sobre cohesión, coherencia, léxico académico y estructura sintáctica. Este flujo
constante de observaciones previene la fijación de errores en los trabajos finales, promoviendo
una revisión consciente en la que el alumno analiza las sugerencias del sistema antes de
incorporarlas a sus escritos.
Vol. 13/ Núm. 4 2026 pág. 41
En la producción oral (speaking), los asistentes de voz y los agentes conversacionales de
IA crean un espacio de práctica con menor presión afectiva, factor determinante para los
estudiantes de grado (Fryer et al., 2019). El temor a cometer errores frente a compañeros o
docentes suele frenar la participación e interrumpe la fluidez. Al practicar con un tutor digital
imparcial y disponible en cualquier momento, los alumnos ensayan exposiciones, prueban
estructuras y mejoran su pronunciación en un ambiente seguro antes de sus presentaciones
oficiales.
Pese a las ventajas reportadas, la literatura científica sobre la unión entre co-tutoreo con
IA, ABP y habilidades productivas en la universidad muestra resultados que requieren un análisis
ordenado (Godwin-Jones, 2021). Junto a los reportes de mayor motivación y autonomía, emergen
advertencias sobre la dependencia tecnológica, la pérdida de pensamiento crítico, el riesgo de
plagio y la necesidad de establecer pautas éticas de alfabetización digital para el uso de estos
recursos en las aulas universitarias.
Existe, por tanto, la necesidad de examinar y evaluar críticamente el cuerpo de evidencia
empírica acumulado sobre esta temática. Este artículo de revisión analiza el impacto pedagógico
y lingüístico de las herramientas de Inteligencia Artificial empleadas como co-tutores en el marco
del Aprendizaje Basado en Proyectos, enfocado en el desarrollo de la producción escrita y oral en
inglés dentro de la educación superior (Hwang et al., 2020). La meta es ofrecer un panorama claro
que guíe la labor de docentes e investigadores en la integración didáctica de la IA.
MATERIALES Y MÉTODOS
Para la realización de este estudio se adoptó un diseño de revisión sistemática cualitativa
y descriptiva. El trabajo se enfocó en mapear, clasificar y sintetizar las investigaciones publicadas
sobre la integración de herramientas de Inteligencia Artificial como co-tutores en la metodología
de Aprendizaje Basado en Proyectos (ABP), orientada al fortalecimiento de la producción escrita
y oral en inglés en la educación superior.
El proceso de recolección de información se llevó a cabo mediante la búsqueda avanzada
en cuatro bases de datos de alto impacto académico: Scopus, Web of Science (WoS), SciELO y
Redalyc. Adicionalmente, se consultaron repositorios institucionales universitarios y buscadores
especializados para identificar literatura gris relevante. Las ecuaciones de búsqueda se
construyeron combinando descriptores en español e inglés mediante operadores booleanos (AND,
OR). Las palabras clave utilizadas incluyeron términos como: artificial intelligence, generative
AI, LLMs, co-tutor, project-based learning, higher education, English writing skills, English
speaking skills, bilingual education, junto con sus equivalentes en español.
La selección del corpus documental se rigió por criterios de inclusión y exclusión
previamente definidos. Se incluyeron artículos de investigación empírica, revisiones sistemáticas
y estudios de caso publicados entre los años 2019 y 2026. La delimitación geográfica abarcó
En la producción oral (speaking), los asistentes de voz y los agentes conversacionales de
IA crean un espacio de práctica con menor presión afectiva, factor determinante para los
estudiantes de grado (Fryer et al., 2019). El temor a cometer errores frente a compañeros o
docentes suele frenar la participación e interrumpe la fluidez. Al practicar con un tutor digital
imparcial y disponible en cualquier momento, los alumnos ensayan exposiciones, prueban
estructuras y mejoran su pronunciación en un ambiente seguro antes de sus presentaciones
oficiales.
Pese a las ventajas reportadas, la literatura científica sobre la unión entre co-tutoreo con
IA, ABP y habilidades productivas en la universidad muestra resultados que requieren un análisis
ordenado (Godwin-Jones, 2021). Junto a los reportes de mayor motivación y autonomía, emergen
advertencias sobre la dependencia tecnológica, la pérdida de pensamiento crítico, el riesgo de
plagio y la necesidad de establecer pautas éticas de alfabetización digital para el uso de estos
recursos en las aulas universitarias.
Existe, por tanto, la necesidad de examinar y evaluar críticamente el cuerpo de evidencia
empírica acumulado sobre esta temática. Este artículo de revisión analiza el impacto pedagógico
y lingüístico de las herramientas de Inteligencia Artificial empleadas como co-tutores en el marco
del Aprendizaje Basado en Proyectos, enfocado en el desarrollo de la producción escrita y oral en
inglés dentro de la educación superior (Hwang et al., 2020). La meta es ofrecer un panorama claro
que guíe la labor de docentes e investigadores en la integración didáctica de la IA.
MATERIALES Y MÉTODOS
Para la realización de este estudio se adoptó un diseño de revisión sistemática cualitativa
y descriptiva. El trabajo se enfocó en mapear, clasificar y sintetizar las investigaciones publicadas
sobre la integración de herramientas de Inteligencia Artificial como co-tutores en la metodología
de Aprendizaje Basado en Proyectos (ABP), orientada al fortalecimiento de la producción escrita
y oral en inglés en la educación superior.
El proceso de recolección de información se llevó a cabo mediante la búsqueda avanzada
en cuatro bases de datos de alto impacto académico: Scopus, Web of Science (WoS), SciELO y
Redalyc. Adicionalmente, se consultaron repositorios institucionales universitarios y buscadores
especializados para identificar literatura gris relevante. Las ecuaciones de búsqueda se
construyeron combinando descriptores en español e inglés mediante operadores booleanos (AND,
OR). Las palabras clave utilizadas incluyeron términos como: artificial intelligence, generative
AI, LLMs, co-tutor, project-based learning, higher education, English writing skills, English
speaking skills, bilingual education, junto con sus equivalentes en español.
La selección del corpus documental se rigió por criterios de inclusión y exclusión
previamente definidos. Se incluyeron artículos de investigación empírica, revisiones sistemáticas
y estudios de caso publicados entre los años 2019 y 2026. La delimitación geográfica abarcó
Vol. 13/ Núm. 4 2026 pág. 42
estudios desarrollados en contextos universitarios, ya fuera en facultades de idiomas, programas
de educación bilingüe o carreras generales con asignaturas de inglés académico. Se excluyeron
aquellos trabajos enfocados exclusivamente en educación primaria o secundaria, investigaciones
centradas en la automatización de la evaluación administrativa sin interacción con el estudiante,
así como ensayos de opinión carentes de rigor metodológico o pedagógico.
El análisis de la información se ejecutó en tres fases consecutivas. En la fase inicial de
cribado se eliminaron los registros duplicados y se leyeron los títulos y resúmenes para determinar
la pertinencia con el objetivo de estudio. En la segunda fase se realizó la lectura a texto completo
de los artículos seleccionados, aplicando una matriz de extracción de datos diseñada para
registrar: autoría, año, país, herramientas de IA utilizadas, nivel educativo, diseño metodológico,
destreza lingüística intervenida y principales resultados. Finalmente, en la tercera fase se efectuó
un análisis de contenido temático para agrupar los hallazgos en tres categorías centrales: tipología
de herramientas de IA aplicadas como co-tutores, impacto en la producción escrita y efectos en
la interacción y fluidez oral.
RESULTADOS
Fundamentos teóricos e impacto de la inteligencia artificial en el aprendizaje del inglés
La integración de la Inteligencia Artificial en los marcos pedagógicos de la enseñanza del
inglés como lengua extranjera marca una transformación estructural en la educación lingüística
universitaria. Esta evolución se sustenta en un cuerpo creciente de investigaciones empíricas que
analizan las aplicaciones multidimensionales de las intervenciones tecnológicas en el aula de
educación superior (Chan & Hu, 2023). La adopción de plataformas avanzadas como ChatGPT,
Grammarly y QuillBot modifica los entornos tradicionales de aprendizaje al proporcionar a los
estudiantes un acceso inmediato a mecanismos de retroalimentación personalizada. Esta
interacción en tiempo real facilita la corrección oportuna de errores y el perfeccionamiento
continuo de la producción lingüística durante el desarrollo de tareas académicas (Hwang & Chen,
2023).
Desde una perspectiva conceptual, el sustento teórico de estas herramientas digitales se
articula de manera directa con las teorías socioculturales de adquisición de segundas lenguas,
especialmente con el concepto de la Zona de Desarrollo Próximo planteado por Vygotsky. En
este esquema, los entornos algorítmicos actúan como artefactos mediadores capaces de salvar la
distancia entre la competencia lingüística actual del estudiante y su potencial de desarrollo dentro
del proyecto (Hwang et al., 2023). La evidencia científica demuestra que estos agentes
pedagógicos digitales ofrecen un andamiaje adaptativo que fortalece múltiples dimensiones del
idioma, abarcando la adquisición de vocabulario especializado, la precisión sintáctica, la
organización del discurso y la adecuación pragmática en la comunicación oral y escrita (Islam &
Rahman, 2024).
estudios desarrollados en contextos universitarios, ya fuera en facultades de idiomas, programas
de educación bilingüe o carreras generales con asignaturas de inglés académico. Se excluyeron
aquellos trabajos enfocados exclusivamente en educación primaria o secundaria, investigaciones
centradas en la automatización de la evaluación administrativa sin interacción con el estudiante,
así como ensayos de opinión carentes de rigor metodológico o pedagógico.
El análisis de la información se ejecutó en tres fases consecutivas. En la fase inicial de
cribado se eliminaron los registros duplicados y se leyeron los títulos y resúmenes para determinar
la pertinencia con el objetivo de estudio. En la segunda fase se realizó la lectura a texto completo
de los artículos seleccionados, aplicando una matriz de extracción de datos diseñada para
registrar: autoría, año, país, herramientas de IA utilizadas, nivel educativo, diseño metodológico,
destreza lingüística intervenida y principales resultados. Finalmente, en la tercera fase se efectuó
un análisis de contenido temático para agrupar los hallazgos en tres categorías centrales: tipología
de herramientas de IA aplicadas como co-tutores, impacto en la producción escrita y efectos en
la interacción y fluidez oral.
RESULTADOS
Fundamentos teóricos e impacto de la inteligencia artificial en el aprendizaje del inglés
La integración de la Inteligencia Artificial en los marcos pedagógicos de la enseñanza del
inglés como lengua extranjera marca una transformación estructural en la educación lingüística
universitaria. Esta evolución se sustenta en un cuerpo creciente de investigaciones empíricas que
analizan las aplicaciones multidimensionales de las intervenciones tecnológicas en el aula de
educación superior (Chan & Hu, 2023). La adopción de plataformas avanzadas como ChatGPT,
Grammarly y QuillBot modifica los entornos tradicionales de aprendizaje al proporcionar a los
estudiantes un acceso inmediato a mecanismos de retroalimentación personalizada. Esta
interacción en tiempo real facilita la corrección oportuna de errores y el perfeccionamiento
continuo de la producción lingüística durante el desarrollo de tareas académicas (Hwang & Chen,
2023).
Desde una perspectiva conceptual, el sustento teórico de estas herramientas digitales se
articula de manera directa con las teorías socioculturales de adquisición de segundas lenguas,
especialmente con el concepto de la Zona de Desarrollo Próximo planteado por Vygotsky. En
este esquema, los entornos algorítmicos actúan como artefactos mediadores capaces de salvar la
distancia entre la competencia lingüística actual del estudiante y su potencial de desarrollo dentro
del proyecto (Hwang et al., 2023). La evidencia científica demuestra que estos agentes
pedagógicos digitales ofrecen un andamiaje adaptativo que fortalece múltiples dimensiones del
idioma, abarcando la adquisición de vocabulario especializado, la precisión sintáctica, la
organización del discurso y la adecuación pragmática en la comunicación oral y escrita (Islam &
Rahman, 2024).
Vol. 13/ Núm. 4 2026 pág. 43
Instrucción de la escritura asistida por inteligencia artificial en el abp universitario
La aplicación de la Inteligencia Artificial Generativa en la producción escrita en inglés
muestra evidencia sobre su eficacia para optimizar las dimensiones cognitivas y metacognitivas
del proceso de redacción académica. La literatura científica documenta mejoras sustanciales en
la calidad de los textos, la autoeficacia y las estrategias de aprendizaje autorregulado en
estudiantes universitarios que interactúan con entornos de escritura asistida (Liu et al., 2021).
Estos hallazgos concuerdan con la teoría de la carga cognitiva, la cual plantea que los asistentes
algorítmicos reducen el esfuerzo de procesamiento mecánico del lenguaje, permitiendo al
aprendiente concentrar sus recursos mentales en operaciones de alto nivel como el análisis crítico
y la estructuración de ideas en el marco de sus proyectos (Jeong, 2024).
En este escenario de aprendizaje, la tutoría digital en la escritura fortalece la conciencia
metacognitiva al incentivar una evaluación reflexiva del texto en desarrollo. La retroalimentación
en tiempo real que brindan los modelos de lenguaje facilita una revisión crítica de las elecciones
léxicas y sintácticas durante las fases de edición y reescritura de borradores (Lee et al., 2023). No
obstante, el impacto de estas herramientas en la motivación y el compromiso de los alumnos está
mediado por factores como el nivel de competencia previa, las variables del contexto universitario
y la calidad del diseño pedagógico implementado por el docente, lo que exige una integración
estructurada del co-tutor dentro de la metodología de proyectos (Lee & Davis, 2024).
Percepciones y actitudes de los estudiantes universitarios hacia la integración de la
inteligencia artificial
Las investigaciones empíricas sobre las actitudes del alumnado ante la instrucción mediada
por Inteligencia Artificial revelan de manera consistente una valoración favorable entre los
estudiantes de inglés como lengua extranjera. Los reportes académicos destacan un incremento
en la satisfacción, la confianza comunicativa y la percepción de progreso en las tareas académicas
cuando se emplean recursos tecnológicos interactivos en el aula universitaria (Shi & Aryadoust,
2024). Estos beneficios en la disposición afectiva se sustentan en la disponibilidad de
retroalimentación inmediata, la reducción de la ansiedad frente a la producción lingüística y el
fortalecimiento de la autonomía mediante trayectorias de aprendizaje personalizadas durante el
desarrollo de los proyectos.
La literatura científica identifica ventajas pedagógicas sustanciales en la integración de
estas herramientas dentro de los programas de estudio, destacando un mayor compromiso
estudiantil, soporte individualizado y acceso optimizado a recursos de redacción (Mai et al.,
2024). Los estudiantes valoran la capacidad de la Inteligencia Artificial para asistir en la lluvia de
ideas, el despliegue temático y la organización de la estructura textual. Esta percepción confirma
que la tecnología actúa como un soporte cognitivo que potencia, en lugar de sustituir, los procesos
del pensamiento humano en la producción escrita y oral en la educación superior.
Clasificación de herramientas de IA y su función como co-tutores en el ABP
Instrucción de la escritura asistida por inteligencia artificial en el abp universitario
La aplicación de la Inteligencia Artificial Generativa en la producción escrita en inglés
muestra evidencia sobre su eficacia para optimizar las dimensiones cognitivas y metacognitivas
del proceso de redacción académica. La literatura científica documenta mejoras sustanciales en
la calidad de los textos, la autoeficacia y las estrategias de aprendizaje autorregulado en
estudiantes universitarios que interactúan con entornos de escritura asistida (Liu et al., 2021).
Estos hallazgos concuerdan con la teoría de la carga cognitiva, la cual plantea que los asistentes
algorítmicos reducen el esfuerzo de procesamiento mecánico del lenguaje, permitiendo al
aprendiente concentrar sus recursos mentales en operaciones de alto nivel como el análisis crítico
y la estructuración de ideas en el marco de sus proyectos (Jeong, 2024).
En este escenario de aprendizaje, la tutoría digital en la escritura fortalece la conciencia
metacognitiva al incentivar una evaluación reflexiva del texto en desarrollo. La retroalimentación
en tiempo real que brindan los modelos de lenguaje facilita una revisión crítica de las elecciones
léxicas y sintácticas durante las fases de edición y reescritura de borradores (Lee et al., 2023). No
obstante, el impacto de estas herramientas en la motivación y el compromiso de los alumnos está
mediado por factores como el nivel de competencia previa, las variables del contexto universitario
y la calidad del diseño pedagógico implementado por el docente, lo que exige una integración
estructurada del co-tutor dentro de la metodología de proyectos (Lee & Davis, 2024).
Percepciones y actitudes de los estudiantes universitarios hacia la integración de la
inteligencia artificial
Las investigaciones empíricas sobre las actitudes del alumnado ante la instrucción mediada
por Inteligencia Artificial revelan de manera consistente una valoración favorable entre los
estudiantes de inglés como lengua extranjera. Los reportes académicos destacan un incremento
en la satisfacción, la confianza comunicativa y la percepción de progreso en las tareas académicas
cuando se emplean recursos tecnológicos interactivos en el aula universitaria (Shi & Aryadoust,
2024). Estos beneficios en la disposición afectiva se sustentan en la disponibilidad de
retroalimentación inmediata, la reducción de la ansiedad frente a la producción lingüística y el
fortalecimiento de la autonomía mediante trayectorias de aprendizaje personalizadas durante el
desarrollo de los proyectos.
La literatura científica identifica ventajas pedagógicas sustanciales en la integración de
estas herramientas dentro de los programas de estudio, destacando un mayor compromiso
estudiantil, soporte individualizado y acceso optimizado a recursos de redacción (Mai et al.,
2024). Los estudiantes valoran la capacidad de la Inteligencia Artificial para asistir en la lluvia de
ideas, el despliegue temático y la organización de la estructura textual. Esta percepción confirma
que la tecnología actúa como un soporte cognitivo que potencia, en lugar de sustituir, los procesos
del pensamiento humano en la producción escrita y oral en la educación superior.
Clasificación de herramientas de IA y su función como co-tutores en el ABP
Vol. 13/ Núm. 4 2026 pág. 44
La incorporación de la Inteligencia Artificial en el Aprendizaje Basado en Proyectos (ABP)
universitario ha diversificado los entornos de aprendizaje del inglés como lengua extranjera (Chan
& Hu, 2023). La literatura identifica que los modelos de lenguaje de gran escala y las herramientas
especializadas operan como co-tutores adaptativos que brindan andamiaje en tiempo real (Hwang
& Chen, 2023). Estas plataformas facilitan desde la generación interactiva de ideas y la revisión
estilística hasta la simulación de escenarios de conversación oral de baja presión (Hwang et al.,
2023). En la Tabla 1 se observa la clasificación sistemática de estas herramientas tecnológicas
según su categoría, función pedagógica y la destreza lingüística que intervienen dentro de los
proyectos académicos universitarios (Islam & Rahman, 2024).
Tabla 1
Clasificación de herramientas de Inteligencia Artificial y su función pedagógica como co-tutores
en el ABP universitario
Categoria de
Herramienta
Ejemplos de
Software /
Plataformas
Función Principal como
Co-tutor
Destreza Lingüística
Intervenida
Modelos de
Lenguaje (LLMs)
ChatGPT,
Claude,
Gemini
Andamiaje interactivo,
generación de ideas,
explicaciones gramaticales
y simulación de diálogos.
Writing
(Estructura/Léxico) y
Speaking (Rol)
Plataformas de
Corrección
Automatizada
Grammarly,
QuillBot
Retroalimentación
sintáctica inmediata,
sugerencias de estilo y
paráfrasis de textos.
Writing (Precisión y
Cohesión)
Agentes
Conversacionales
de Voz
ELSA Speak,
ChatGPT
Voice
Corrección fonética,
entrenamiento de
entonación y práctica oral
de bajo filtro afectivo.
Speaking (Fluidez y
Pronunciación)
Herramientas de
Mapeo y Búsqueda
Consensus,
Elicit,
Perplexity
Soporte en la búsqueda de
fuentes académicas y
estructuración de marcos
teóricos.
Reading y Writing
Académico
Fundamentos cognitivos y reducción de la carga en la redacción académica
La aplicación de herramientas algorítmicas en la producción escrita en inglés fortalece los
procesos cognitivos y metacognitivos del estudiante universitario (Liu et al., 2021). De acuerdo
con la teoría de la carga cognitiva, el co-tutoreo digital disminuye el esfuerzo dedicado al
procesamiento mecánico del lenguaje (Jeong, 2024). Esto permite que el aprendiente canalice sus
recursos mentales hacia habilidades de orden superior, como el análisis crítico y la argumentación
en sus proyectos (Lee et al., 2023). Asimismo, la mediación tecnológica favorece la revisión
consciente de borradores, reduciendo la fosilización de errores sintácticos antes de la entrega final
del trabajo académico (Lee & Davis, 2024).
Impacto de la inteligencia artificial en las dimensiones de la producción escrita (writing)
La incorporación de la Inteligencia Artificial en el Aprendizaje Basado en Proyectos (ABP)
universitario ha diversificado los entornos de aprendizaje del inglés como lengua extranjera (Chan
& Hu, 2023). La literatura identifica que los modelos de lenguaje de gran escala y las herramientas
especializadas operan como co-tutores adaptativos que brindan andamiaje en tiempo real (Hwang
& Chen, 2023). Estas plataformas facilitan desde la generación interactiva de ideas y la revisión
estilística hasta la simulación de escenarios de conversación oral de baja presión (Hwang et al.,
2023). En la Tabla 1 se observa la clasificación sistemática de estas herramientas tecnológicas
según su categoría, función pedagógica y la destreza lingüística que intervienen dentro de los
proyectos académicos universitarios (Islam & Rahman, 2024).
Tabla 1
Clasificación de herramientas de Inteligencia Artificial y su función pedagógica como co-tutores
en el ABP universitario
Categoria de
Herramienta
Ejemplos de
Software /
Plataformas
Función Principal como
Co-tutor
Destreza Lingüística
Intervenida
Modelos de
Lenguaje (LLMs)
ChatGPT,
Claude,
Gemini
Andamiaje interactivo,
generación de ideas,
explicaciones gramaticales
y simulación de diálogos.
Writing
(Estructura/Léxico) y
Speaking (Rol)
Plataformas de
Corrección
Automatizada
Grammarly,
QuillBot
Retroalimentación
sintáctica inmediata,
sugerencias de estilo y
paráfrasis de textos.
Writing (Precisión y
Cohesión)
Agentes
Conversacionales
de Voz
ELSA Speak,
ChatGPT
Voice
Corrección fonética,
entrenamiento de
entonación y práctica oral
de bajo filtro afectivo.
Speaking (Fluidez y
Pronunciación)
Herramientas de
Mapeo y Búsqueda
Consensus,
Elicit,
Perplexity
Soporte en la búsqueda de
fuentes académicas y
estructuración de marcos
teóricos.
Reading y Writing
Académico
Fundamentos cognitivos y reducción de la carga en la redacción académica
La aplicación de herramientas algorítmicas en la producción escrita en inglés fortalece los
procesos cognitivos y metacognitivos del estudiante universitario (Liu et al., 2021). De acuerdo
con la teoría de la carga cognitiva, el co-tutoreo digital disminuye el esfuerzo dedicado al
procesamiento mecánico del lenguaje (Jeong, 2024). Esto permite que el aprendiente canalice sus
recursos mentales hacia habilidades de orden superior, como el análisis crítico y la argumentación
en sus proyectos (Lee et al., 2023). Asimismo, la mediación tecnológica favorece la revisión
consciente de borradores, reduciendo la fosilización de errores sintácticos antes de la entrega final
del trabajo académico (Lee & Davis, 2024).
Impacto de la inteligencia artificial en las dimensiones de la producción escrita (writing)
Vol. 13/ Núm. 4 2026 pág. 45
Las evidencias empíricas demuestran avances significativos en las dimensiones formales
de los textos elaborados por estudiantes universitarios con asistencia de Inteligencia Artificial
(Shi & Aryadoust, 2024). La retroalimentación constante sobre cohesión, coherencia y variedad
léxica académica enriquece la calidad de las producciones escritas (Mai et al., 2024). En la Tabla
2 se observan los efectos específicos reportados en la literatura científica sobre cada dimensión
lingüística de la escritura académica, junto con los mecanismos pedagógicos que sustentan dicha
mejora (Kim et al., 2023). Esta dinámica de edición continua consolida hábitos de aprendizaje
autorregulado que perduran a lo largo de la formación profesional (Li & Zhang, 2024).
Tabla 2
Impacto de la Inteligencia Artificial en las dimensiones de la producción escrita (Writing) en la
universidad
Dimensión
Lingüística
Efecto Observado con
Co-tutores de IA
Mecanismo Pedagógico
Subyacente
Nivel de
Evidencia
Empírica
Variedad
Léxica
Incremento significativo
en el uso de vocabulario
académico formal.
Sugerencia contextual de
sinónimos y expresiones
disciplinares.
Alto
Precisión
Sintáctica
Disminución de errores
gramaticales focales y
estructurales.
Corrección inmediata y
explicación de reglas
gramaticales.
Muy Alto
Cohesión y
Coherencia
Mejora en la transición de
párrafos y organización
lógica.
Revisión de la estructura
argumentativa y conectores
discursivos.
Medio-Alto
Proceso de
Reescritura
Mayor frecuencia de
revisión y edición activa
de borradores.
Retroalimentación iterativa
no penalizadora.
Alto
Desarrollo de la expresión oral y modulación de factores afectivos (speaking)
En el ámbito de la producción oral, los asistentes de voz e Inteligencia Artificial
conversacional ofrecen un entorno de práctica seguro que reduce el filtro afectivo (El Shazly,
2021). El temor a cometer errores de pronunciación o gramática ante docentes y compañeros suele
limitar la participación espontánea del alumnado universitario (Fryer et al., 2019). En la Tabla 3
se observan las principales variables de la expresión oral que se transforman mediante la
interacción con tutores digitales, así como el aporte pedagógico específico de estas herramientas
en el aula (Dizon, 2021). Esta práctica privada incrementa la seguridad comunicativa en contextos
académicos reales (Godwin-Jones, 2021).
Tabla 3
Impacto de la Inteligencia Artificial en la expresión oral y factores afectivos (Speaking)
Variable de
Estudio
Cambio Observado en Estudiantes
Universitarios
Aporte del Co-tutor Digital
Fluidez Oral Aumento en el ritmo de producción y
disminución de pausas largas.
Interacción simulada en tiempo
real sin presión de tiempo.
Las evidencias empíricas demuestran avances significativos en las dimensiones formales
de los textos elaborados por estudiantes universitarios con asistencia de Inteligencia Artificial
(Shi & Aryadoust, 2024). La retroalimentación constante sobre cohesión, coherencia y variedad
léxica académica enriquece la calidad de las producciones escritas (Mai et al., 2024). En la Tabla
2 se observan los efectos específicos reportados en la literatura científica sobre cada dimensión
lingüística de la escritura académica, junto con los mecanismos pedagógicos que sustentan dicha
mejora (Kim et al., 2023). Esta dinámica de edición continua consolida hábitos de aprendizaje
autorregulado que perduran a lo largo de la formación profesional (Li & Zhang, 2024).
Tabla 2
Impacto de la Inteligencia Artificial en las dimensiones de la producción escrita (Writing) en la
universidad
Dimensión
Lingüística
Efecto Observado con
Co-tutores de IA
Mecanismo Pedagógico
Subyacente
Nivel de
Evidencia
Empírica
Variedad
Léxica
Incremento significativo
en el uso de vocabulario
académico formal.
Sugerencia contextual de
sinónimos y expresiones
disciplinares.
Alto
Precisión
Sintáctica
Disminución de errores
gramaticales focales y
estructurales.
Corrección inmediata y
explicación de reglas
gramaticales.
Muy Alto
Cohesión y
Coherencia
Mejora en la transición de
párrafos y organización
lógica.
Revisión de la estructura
argumentativa y conectores
discursivos.
Medio-Alto
Proceso de
Reescritura
Mayor frecuencia de
revisión y edición activa
de borradores.
Retroalimentación iterativa
no penalizadora.
Alto
Desarrollo de la expresión oral y modulación de factores afectivos (speaking)
En el ámbito de la producción oral, los asistentes de voz e Inteligencia Artificial
conversacional ofrecen un entorno de práctica seguro que reduce el filtro afectivo (El Shazly,
2021). El temor a cometer errores de pronunciación o gramática ante docentes y compañeros suele
limitar la participación espontánea del alumnado universitario (Fryer et al., 2019). En la Tabla 3
se observan las principales variables de la expresión oral que se transforman mediante la
interacción con tutores digitales, así como el aporte pedagógico específico de estas herramientas
en el aula (Dizon, 2021). Esta práctica privada incrementa la seguridad comunicativa en contextos
académicos reales (Godwin-Jones, 2021).
Tabla 3
Impacto de la Inteligencia Artificial en la expresión oral y factores afectivos (Speaking)
Variable de
Estudio
Cambio Observado en Estudiantes
Universitarios
Aporte del Co-tutor Digital
Fluidez Oral Aumento en el ritmo de producción y
disminución de pausas largas.
Interacción simulada en tiempo
real sin presión de tiempo.
Vol. 13/ Núm. 4 2026 pág. 46
Ansiedad
Lingüística
Reducción drástica del miedo a
cometer errores comunicativos.
Entorno de práctica privado,
neutral e imparcial.
Pronunciación Mayor ajuste fonético e
intencionalidad prosódica.
Modelado auditivo adaptativo
y repetición guiada.
Confianza y
Autonomía
Disposición positiva para participar
en presentaciones grupales.
Ensayo previo del discurso con
el agente de IA.
Oportunidades y retos en la mediación pedagógica universitaria
A pesar de las ventajas documentadas, la literatura enfatiza que la efectividad de la
Inteligencia Artificial no depende del software por sí mismo, sino de su diseño instruccional
(Godwin-Jones, 2021). Surgen desafíos éticos relacionados con el riesgo de sobre-dependencia
algorítmica, la pérdida de pensamiento crítico y el plagio involuntario (El Shazly, 2021). En la
Tabla 4 se observan de forma comparativa las oportunidades pedagógicas y los riesgos asociados
a la implementación de estas tecnologías en la educación superior (Chassignol et al., 2018). La
intervención docente se mantiene como el eje rector que guía el uso crítico de la tecnología dentro
del marco del ABP (Beckett & Slater, 2020).
Tabla 4
Oportunidades y desafíos en la integración de la Inteligencia Artificial en el ABP universitario
Dimensión de
Análisis
Oportunidades y Percepciones
Positivas
Riesgos y Desafíos Identificados
Perspectiva del
Estudiante
Alta satisfacción, apoyo en lluvia
de ideas y disponibilidad 24/7.
Riesgo de sobre-dependencia y
disminución del esfuerzo propio.
Perspectiva
Pedagógica
Atención personalizada en aulas
numerosas y apoyo en el ABP.
Necesidad de alfabetización
digital ética y guía docente clara.
Evaluación
Académica
Fomento del aprendizaje
autorregulado y la metacognición.
Desafíos en la verificación de
autoría y prevención de plagio.
Ansiedad
Lingüística
Reducción drástica del miedo a
cometer errores comunicativos.
Entorno de práctica privado,
neutral e imparcial.
Pronunciación Mayor ajuste fonético e
intencionalidad prosódica.
Modelado auditivo adaptativo
y repetición guiada.
Confianza y
Autonomía
Disposición positiva para participar
en presentaciones grupales.
Ensayo previo del discurso con
el agente de IA.
Oportunidades y retos en la mediación pedagógica universitaria
A pesar de las ventajas documentadas, la literatura enfatiza que la efectividad de la
Inteligencia Artificial no depende del software por sí mismo, sino de su diseño instruccional
(Godwin-Jones, 2021). Surgen desafíos éticos relacionados con el riesgo de sobre-dependencia
algorítmica, la pérdida de pensamiento crítico y el plagio involuntario (El Shazly, 2021). En la
Tabla 4 se observan de forma comparativa las oportunidades pedagógicas y los riesgos asociados
a la implementación de estas tecnologías en la educación superior (Chassignol et al., 2018). La
intervención docente se mantiene como el eje rector que guía el uso crítico de la tecnología dentro
del marco del ABP (Beckett & Slater, 2020).
Tabla 4
Oportunidades y desafíos en la integración de la Inteligencia Artificial en el ABP universitario
Dimensión de
Análisis
Oportunidades y Percepciones
Positivas
Riesgos y Desafíos Identificados
Perspectiva del
Estudiante
Alta satisfacción, apoyo en lluvia
de ideas y disponibilidad 24/7.
Riesgo de sobre-dependencia y
disminución del esfuerzo propio.
Perspectiva
Pedagógica
Atención personalizada en aulas
numerosas y apoyo en el ABP.
Necesidad de alfabetización
digital ética y guía docente clara.
Evaluación
Académica
Fomento del aprendizaje
autorregulado y la metacognición.
Desafíos en la verificación de
autoría y prevención de plagio.
Vol. 13/ Núm. 4 2026 pág. 47
DISCUSIÓN
Los hallazgos del presente estudio confirman que la integración de la Inteligencia Artificial
como co-tutor en el Aprendizaje Basado en Proyectos (ABP) universitario representa un avance
pedagógico sustancial para la enseñanza del inglés. La convergencia entre el aprendizaje activo
por proyectos y el andamiaje algorítmico continuo permite responder a las demandas de
competencias comunicativas complejas en la educación superior (Al-Mansour & Al-Shorman,
2022). A diferencia de los enfoques tradicionales centrados en la corrección punitiva diferida, el
modelo de co-tutoreo digital ofrece un acompañamiento en tiempo real que optimiza la labor del
docente sin reemplazar su función de guía instruccional (Beckett & Slater, 2020). Esta sinergia
metodológica atenúa de manera directa la restricción de atención individualizada que suele
caracterizar a las aulas universitarias con grupos numerosos (Chassignol et al., 2018).
En el ámbito de la producción escrita (writing), los resultados coinciden con la literatura
previa al demostrar que la retroalimentación inmediata favorece la precisión sintáctica y la riqueza
léxica académica. La interacción iterativa con agentes digitales estimula procesos de revisión
profunda de borradores, impidiendo la fijación de errores estructurales antes de la entrega final
de los proyectos (Dizon, 2021). Asimismo, la reducción de la carga cognitiva mecánica permite
al estudiante enfocar sus recursos mentales en la coherencia argumentativa y la articulación del
discurso (El Shazly, 2021). Esta dinámica promueve un aprendizaje autorregulado en el cual el
alumno analiza críticamente cada sugerencia antes de incorporarla a su texto (Fryer et al., 2019).
En cuanto a la expresión oral (speaking), los datos analizados validan la hipótesis de que
las herramientas conversacionales de Inteligencia Artificial funcionan como espacios de práctica
seguros. La posibilidad de ensayar presentaciones y simular debates en un entorno privado
disminuye la ansiedad lingüística y fortalece la confianza comunicativa de los universitarios
(Godwin-Jones, 2021). Al interactuar con tutores digitales que modelan la pronunciación y
ajustan la velocidad del discurso, el aprendiente desarrolla una mayor fluidez y naturalidad
prosódica (Hwang et al., 2020). Este entrenamiento previo incide favorablemente en el
desempeño durante las exposiciones grupales y la defensa oral de los proyectos académicos (Chan
& Hu, 2023).
Desde una perspectiva teórica, la evidencia corrobora la vigencia de la Zona de Desarrollo
Próximo de Vygotsky adaptada a los entornos tecnológicos contemporáneos. Las herramientas
algorítmicas actúan como mediadores socioculturales que extienden las capacidades lingüísticas
actuales del estudiante hacia su nivel potencial de desarrollo (Hwang & Chen, 2023). El co-
tutoreo digital proporciona un andamiaje escalonado que se retira paulatinamente a medida que
el alumno adquiere mayor autonomía en el manejo del idioma (Hwang et al., 2023). Este marco
conceptual sostiene la efectividad del ABP mediado por tecnología como una estrategia sólida
para la formación bilingüe en el ámbito universitario (Islam & Rahman, 2024).
DISCUSIÓN
Los hallazgos del presente estudio confirman que la integración de la Inteligencia Artificial
como co-tutor en el Aprendizaje Basado en Proyectos (ABP) universitario representa un avance
pedagógico sustancial para la enseñanza del inglés. La convergencia entre el aprendizaje activo
por proyectos y el andamiaje algorítmico continuo permite responder a las demandas de
competencias comunicativas complejas en la educación superior (Al-Mansour & Al-Shorman,
2022). A diferencia de los enfoques tradicionales centrados en la corrección punitiva diferida, el
modelo de co-tutoreo digital ofrece un acompañamiento en tiempo real que optimiza la labor del
docente sin reemplazar su función de guía instruccional (Beckett & Slater, 2020). Esta sinergia
metodológica atenúa de manera directa la restricción de atención individualizada que suele
caracterizar a las aulas universitarias con grupos numerosos (Chassignol et al., 2018).
En el ámbito de la producción escrita (writing), los resultados coinciden con la literatura
previa al demostrar que la retroalimentación inmediata favorece la precisión sintáctica y la riqueza
léxica académica. La interacción iterativa con agentes digitales estimula procesos de revisión
profunda de borradores, impidiendo la fijación de errores estructurales antes de la entrega final
de los proyectos (Dizon, 2021). Asimismo, la reducción de la carga cognitiva mecánica permite
al estudiante enfocar sus recursos mentales en la coherencia argumentativa y la articulación del
discurso (El Shazly, 2021). Esta dinámica promueve un aprendizaje autorregulado en el cual el
alumno analiza críticamente cada sugerencia antes de incorporarla a su texto (Fryer et al., 2019).
En cuanto a la expresión oral (speaking), los datos analizados validan la hipótesis de que
las herramientas conversacionales de Inteligencia Artificial funcionan como espacios de práctica
seguros. La posibilidad de ensayar presentaciones y simular debates en un entorno privado
disminuye la ansiedad lingüística y fortalece la confianza comunicativa de los universitarios
(Godwin-Jones, 2021). Al interactuar con tutores digitales que modelan la pronunciación y
ajustan la velocidad del discurso, el aprendiente desarrolla una mayor fluidez y naturalidad
prosódica (Hwang et al., 2020). Este entrenamiento previo incide favorablemente en el
desempeño durante las exposiciones grupales y la defensa oral de los proyectos académicos (Chan
& Hu, 2023).
Desde una perspectiva teórica, la evidencia corrobora la vigencia de la Zona de Desarrollo
Próximo de Vygotsky adaptada a los entornos tecnológicos contemporáneos. Las herramientas
algorítmicas actúan como mediadores socioculturales que extienden las capacidades lingüísticas
actuales del estudiante hacia su nivel potencial de desarrollo (Hwang & Chen, 2023). El co-
tutoreo digital proporciona un andamiaje escalonado que se retira paulatinamente a medida que
el alumno adquiere mayor autonomía en el manejo del idioma (Hwang et al., 2023). Este marco
conceptual sostiene la efectividad del ABP mediado por tecnología como una estrategia sólida
para la formación bilingüe en el ámbito universitario (Islam & Rahman, 2024).
Vol. 13/ Núm. 4 2026 pág. 48
La dimensión afectiva y actitudinal de los estudiantes frente a la tecnología emerge como
un pilar determinante para el éxito de la intervención pedagógica. La percepción
mayoritariamente positiva documentada en las investigaciones se fundamenta en la flexibilidad y
disponibilidad 24/7 de los asistentes de Inteligencia Artificial (Liu et al., 2021). Los alumnos
reconocen que disponer de un soporte inmediato para la lluvia de ideas y el empaquetado léxico
reduce la frustración asociada a la producción en lengua extranjera (Jeong, 2024). Esta actitud
favorable incrementa el compromiso académico y la perseverancia en la resolución de tareas
lingüísticas complejas vinculadas con sus áreas de especialidad (Lee et al., 2023).
No obstante las ventajas observadas, la discusión científica subraya la necesidad de abordar
con cautela los riesgos pedagógicos asociados a la automatización. La literatura advierte sobre la
posibilidad de generar dependencia algorítmica y un debilitamiento del pensamiento crítico si el
uso de las herramientas no es normado adecuadamente (Lee & Davis, 2024). Es imprescindible
que las instituciones universitarias acompañen la implementación tecnológica con programas de
alfabetización digital y honestidad académica (Shi & Aryadoust, 2024). El rol del docente resulta
clave para establecer consignas de trabajo que promuevan la evaluación reflexiva del contenido
generado por la Inteligencia Artificial (Mai et al., 2024).
Al comparar los resultados de la producción escrita y oral, se evidencia un impacto
diferenciado según la naturaleza de la herramienta empleada. Mientras que los modelos de
lenguaje y correctores de estilo alcanzan su máxima eficacia en la cohesión y estructura de los
textos escritos, los agentes de voz son los más idóneos para el entrenamiento fonético (Kim et al.,
2023). Esta complementariedad exige un diseño curricular articulado que seleccione la tecnología
adecuada para cada fase del proyecto (Li & Zhang, 2024). La efectividad de la intervención no
reside en la sofisticación del software, sino en la intencionalidad pedagógica con que se integra
en el aula (Escalante et al., 2023).
Finalmente, los hallazgos de esta revisión abren perspectivas relevantes para la
investigación futura en educación superior. Resulta necesario profundizar en estudios
longitudinales que midan la permanencia de las ganancias lingüísticas una vez retirado el soporte
algorítmico (Gayed et al., 2022). De igual forma, se requiere explorar el impacto del co-tutoreo
inteligente en diferentes disciplinas académicas y niveles de competencia inicial (Hong, 2024).
En síntesis, la Inteligencia Artificial consolidada como co-tutor en el ABP se perfila como un
recurso transformador para potenciar la educación bilingüe universitaria, siempre que su
aplicación esté guiada por principios éticos y pedagógicos rigurosos (Im, 2024).
CONCLUSIONES
El análisis sistemático de la literatura científica permite concluir que la integración de la
Inteligencia Artificial como co-tutor en el Aprendizaje Basado en Proyectos (ABP) transforma la
enseñanza del inglés en la educación superior. Esta sinergia metodológica proporciona un
La dimensión afectiva y actitudinal de los estudiantes frente a la tecnología emerge como
un pilar determinante para el éxito de la intervención pedagógica. La percepción
mayoritariamente positiva documentada en las investigaciones se fundamenta en la flexibilidad y
disponibilidad 24/7 de los asistentes de Inteligencia Artificial (Liu et al., 2021). Los alumnos
reconocen que disponer de un soporte inmediato para la lluvia de ideas y el empaquetado léxico
reduce la frustración asociada a la producción en lengua extranjera (Jeong, 2024). Esta actitud
favorable incrementa el compromiso académico y la perseverancia en la resolución de tareas
lingüísticas complejas vinculadas con sus áreas de especialidad (Lee et al., 2023).
No obstante las ventajas observadas, la discusión científica subraya la necesidad de abordar
con cautela los riesgos pedagógicos asociados a la automatización. La literatura advierte sobre la
posibilidad de generar dependencia algorítmica y un debilitamiento del pensamiento crítico si el
uso de las herramientas no es normado adecuadamente (Lee & Davis, 2024). Es imprescindible
que las instituciones universitarias acompañen la implementación tecnológica con programas de
alfabetización digital y honestidad académica (Shi & Aryadoust, 2024). El rol del docente resulta
clave para establecer consignas de trabajo que promuevan la evaluación reflexiva del contenido
generado por la Inteligencia Artificial (Mai et al., 2024).
Al comparar los resultados de la producción escrita y oral, se evidencia un impacto
diferenciado según la naturaleza de la herramienta empleada. Mientras que los modelos de
lenguaje y correctores de estilo alcanzan su máxima eficacia en la cohesión y estructura de los
textos escritos, los agentes de voz son los más idóneos para el entrenamiento fonético (Kim et al.,
2023). Esta complementariedad exige un diseño curricular articulado que seleccione la tecnología
adecuada para cada fase del proyecto (Li & Zhang, 2024). La efectividad de la intervención no
reside en la sofisticación del software, sino en la intencionalidad pedagógica con que se integra
en el aula (Escalante et al., 2023).
Finalmente, los hallazgos de esta revisión abren perspectivas relevantes para la
investigación futura en educación superior. Resulta necesario profundizar en estudios
longitudinales que midan la permanencia de las ganancias lingüísticas una vez retirado el soporte
algorítmico (Gayed et al., 2022). De igual forma, se requiere explorar el impacto del co-tutoreo
inteligente en diferentes disciplinas académicas y niveles de competencia inicial (Hong, 2024).
En síntesis, la Inteligencia Artificial consolidada como co-tutor en el ABP se perfila como un
recurso transformador para potenciar la educación bilingüe universitaria, siempre que su
aplicación esté guiada por principios éticos y pedagógicos rigurosos (Im, 2024).
CONCLUSIONES
El análisis sistemático de la literatura científica permite concluir que la integración de la
Inteligencia Artificial como co-tutor en el Aprendizaje Basado en Proyectos (ABP) transforma la
enseñanza del inglés en la educación superior. Esta sinergia metodológica proporciona un
Vol. 13/ Núm. 4 2026 pág. 49
andamiaje cognitivo e interactivo continuo en tiempo real que resuelve una de las limitaciones
históricas del ABP en aulas universitarias numerosas: la imposibilidad del docente de brindar
retroalimentación individualizada y frecuente durante las etapas intermedias de producción
lingüística. La tecnología actúa como un soporte complementario que descentraliza la revisión
técnica sin desplazar al docente de su rol como diseñador instruccional y guía del proceso
formativo.
En la producción escrita (writing), el co-tutoreo mediante Inteligencia Artificial demuestra
un impacto positivo en la precisión sintáctica, la riqueza del vocabulario académico y la
coherencia discursiva. La disponibilidad de retroalimentación inmediata e iterativa promueve la
reescritura activa de borradores y fortalece la autorregulación del estudiante, previniendo la
fijación de errores estructurales antes de las entregas finales. Asimismo, en la expresión oral
(speaking), las herramientas conversacionales de voz ofrecen un entorno de práctica privado y
libre de juzgamiento que reduce la ansiedad lingüística, permitiendo a los universitarios ensayar
exposiciones, mejorar la pronunciación y adquirir fluidez comunicativa antes de sus
presentaciones grupales.
andamiaje cognitivo e interactivo continuo en tiempo real que resuelve una de las limitaciones
históricas del ABP en aulas universitarias numerosas: la imposibilidad del docente de brindar
retroalimentación individualizada y frecuente durante las etapas intermedias de producción
lingüística. La tecnología actúa como un soporte complementario que descentraliza la revisión
técnica sin desplazar al docente de su rol como diseñador instruccional y guía del proceso
formativo.
En la producción escrita (writing), el co-tutoreo mediante Inteligencia Artificial demuestra
un impacto positivo en la precisión sintáctica, la riqueza del vocabulario académico y la
coherencia discursiva. La disponibilidad de retroalimentación inmediata e iterativa promueve la
reescritura activa de borradores y fortalece la autorregulación del estudiante, previniendo la
fijación de errores estructurales antes de las entregas finales. Asimismo, en la expresión oral
(speaking), las herramientas conversacionales de voz ofrecen un entorno de práctica privado y
libre de juzgamiento que reduce la ansiedad lingüística, permitiendo a los universitarios ensayar
exposiciones, mejorar la pronunciación y adquirir fluidez comunicativa antes de sus
presentaciones grupales.
Vol. 13/ Núm. 4 2026 pág. 50
REFERENCIAS
Al-Mansour, N. S., & Al-Shorman, R. E. (2022). The effect of active learning strategies on
developing university students' English language communicative competence. Journal of
Language and Linguistic Studies, 18(1), 450–462.
Beckett, G. H., & Slater, T. (2020). Global perspectives on Project-Based Language Learning,
teaching, and assessment: Key approaches, technology tools, and research methods.
Routledge.
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial Intelligence
trends in education: A narrative review. Procedia Computer Science, 136, 16–24.
Dizon, G. (2021). Evaluating Intelligent Personal Assistants for L2 listening and speaking
development. Language Learning & Technology, 25(3), 16–26.
El Shazly, R. (2021). Effects of Artificial Intelligence on English language learning and teaching
in higher education. E-Learning and Digital Media, 18(3), 282–299.
Fryer, L. K., Nakao, K., & Thompson, A. (2019). Chatbots and foreign language learning in
higher education: Is talking to a bot better than talking to a human? Computers &
Education, 137, 37–50.
Godwin-Jones, R. (2021). Big data and AI in language learning: Research trends and pedagogical
practices. Language Learning & Technology, 25(1), 3–17.
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, and roles of
Artificial Intelligence in education: Policy, research, and practice. Computers and
Education: Artificial Intelligence, 1, 100002.
Kim, S., Cha, J., & Kim, H. (2023). Artificial Intelligence in English language learning:
Scaffolding student autonomy in higher education project-based environments. Computers
& Education, 198, 104780.
Li, X., & Zhang, Y. (2024). The impact of artificial intelligence tools on university students'
English language acquisition and self-regulated learning. System, 119, 103150.
Chan, C. K. Y., & Hu, W. (2023). Students' voices on generative AI: Perceptions, benefits, and
challenges in higher education. International Journal of Educational Technology in Higher
Education, 20(1), 43.
Hwang, G. J., & Chen, N. S. (2023). Editorial position paper: Exploring the potential of Artificial
Intelligence in language education. Computers and Education: Artificial Intelligence, 4,
100124.
Hwang, G. J., Chang, C. Y., & Chen, C. H. (2023). Vision and research trends of Artificial
Intelligence in language education: A socio-cultural perspective on scaffolding learners'
Zone of Proximal Development. Computers and Education: Artificial Intelligence, 4,
100125.
REFERENCIAS
Al-Mansour, N. S., & Al-Shorman, R. E. (2022). The effect of active learning strategies on
developing university students' English language communicative competence. Journal of
Language and Linguistic Studies, 18(1), 450–462.
Beckett, G. H., & Slater, T. (2020). Global perspectives on Project-Based Language Learning,
teaching, and assessment: Key approaches, technology tools, and research methods.
Routledge.
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial Intelligence
trends in education: A narrative review. Procedia Computer Science, 136, 16–24.
Dizon, G. (2021). Evaluating Intelligent Personal Assistants for L2 listening and speaking
development. Language Learning & Technology, 25(3), 16–26.
El Shazly, R. (2021). Effects of Artificial Intelligence on English language learning and teaching
in higher education. E-Learning and Digital Media, 18(3), 282–299.
Fryer, L. K., Nakao, K., & Thompson, A. (2019). Chatbots and foreign language learning in
higher education: Is talking to a bot better than talking to a human? Computers &
Education, 137, 37–50.
Godwin-Jones, R. (2021). Big data and AI in language learning: Research trends and pedagogical
practices. Language Learning & Technology, 25(1), 3–17.
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, and roles of
Artificial Intelligence in education: Policy, research, and practice. Computers and
Education: Artificial Intelligence, 1, 100002.
Kim, S., Cha, J., & Kim, H. (2023). Artificial Intelligence in English language learning:
Scaffolding student autonomy in higher education project-based environments. Computers
& Education, 198, 104780.
Li, X., & Zhang, Y. (2024). The impact of artificial intelligence tools on university students'
English language acquisition and self-regulated learning. System, 119, 103150.
Chan, C. K. Y., & Hu, W. (2023). Students' voices on generative AI: Perceptions, benefits, and
challenges in higher education. International Journal of Educational Technology in Higher
Education, 20(1), 43.
Hwang, G. J., & Chen, N. S. (2023). Editorial position paper: Exploring the potential of Artificial
Intelligence in language education. Computers and Education: Artificial Intelligence, 4,
100124.
Hwang, G. J., Chang, C. Y., & Chen, C. H. (2023). Vision and research trends of Artificial
Intelligence in language education: A socio-cultural perspective on scaffolding learners'
Zone of Proximal Development. Computers and Education: Artificial Intelligence, 4,
100125.
Vol. 13/ Núm. 4 2026 pág. 51
Islam, M. S., & Rahman, M. M. (2024). Artificial intelligence-assisted scaffolding in English for
academic purposes: A qualitative study on writing accuracy and discourse organization.
System, 121, 103210.
Liu, G. Z., Wu, N. W., & Chen, Y. W. (2021). Improving EFL learners' academic writing quality
and self-efficacy through AI-assisted writing environments. Educational Technology
Research and Development, 69(3), 1543–1568.
Jeong, H. (2024). Cognitive load management in AI-assisted English writing: Scaffolding higher-
order thinking skills in university students. Computers & Education, 209, 104950.
Lee, S., Park, J., & Kim, H. (2023). Developing metacognitive awareness in EFL writing through
real-time artificial intelligence feedback. System, 118, 103120.
Lee, M., & Davis, R. (2024). Contextual and pedagogical mediators in AI-assisted language
instruction: A mixed-methods study on learner motivation in higher education. Language
Teaching Research, 28(2), 412–435.
Shi, X., & Aryadoust, V. (2024). Examining EFL university students' attitudes and anxiety in AI-
assisted academic writing contexts: A structural equation modeling approach. System, 120,
103185.
Mai, K., Chen, Q., & Zhang, L. (2024). Pedagogical affordances of artificial intelligence in higher
education: Enhancing student engagement and autonomous learning in project-based
English courses. Computers & Education, 211, 104980.
Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating: Ensuring academic
integrity in the era of Artificial Intelligence. Innovations in Education and Teaching
International, 61(2), 228–239.
Escalante, J., Perez, A., & Gomez, M. (2023). Artificial Intelligence tools in higher education
language learning: A systematic review. Journal of Educational Computing Research,
61(4), 891–915.
Gayed, J. M., Carlon, M. K., & Cross, J. S. (2022). Exploring the efficacy of AI-assisted writing
tools in higher education. Journal of Academic Writing, 12(1), 45–58.
Hong, W. C. (2024). The role of AI chatbots in promoting oral fluency and reducing foreign
language anxiety in university EFL learners. Language Teaching and Technology, 29(1),
102–120.
Im, J. (2024). AI-mediated scaffolding in project-based English learning: A sociocultural analysis
of university students' interaction. System, 122, 103250.
Jasim, A. K., Hussin, S., & Ahmad, N. (2024). Evaluating the impact of AI tutors on L2 academic
writing performance and self-regulated learning strategies. Educational Studies, 50(2),
215–234.
Islam, M. S., & Rahman, M. M. (2024). Artificial intelligence-assisted scaffolding in English for
academic purposes: A qualitative study on writing accuracy and discourse organization.
System, 121, 103210.
Liu, G. Z., Wu, N. W., & Chen, Y. W. (2021). Improving EFL learners' academic writing quality
and self-efficacy through AI-assisted writing environments. Educational Technology
Research and Development, 69(3), 1543–1568.
Jeong, H. (2024). Cognitive load management in AI-assisted English writing: Scaffolding higher-
order thinking skills in university students. Computers & Education, 209, 104950.
Lee, S., Park, J., & Kim, H. (2023). Developing metacognitive awareness in EFL writing through
real-time artificial intelligence feedback. System, 118, 103120.
Lee, M., & Davis, R. (2024). Contextual and pedagogical mediators in AI-assisted language
instruction: A mixed-methods study on learner motivation in higher education. Language
Teaching Research, 28(2), 412–435.
Shi, X., & Aryadoust, V. (2024). Examining EFL university students' attitudes and anxiety in AI-
assisted academic writing contexts: A structural equation modeling approach. System, 120,
103185.
Mai, K., Chen, Q., & Zhang, L. (2024). Pedagogical affordances of artificial intelligence in higher
education: Enhancing student engagement and autonomous learning in project-based
English courses. Computers & Education, 211, 104980.
Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating: Ensuring academic
integrity in the era of Artificial Intelligence. Innovations in Education and Teaching
International, 61(2), 228–239.
Escalante, J., Perez, A., & Gomez, M. (2023). Artificial Intelligence tools in higher education
language learning: A systematic review. Journal of Educational Computing Research,
61(4), 891–915.
Gayed, J. M., Carlon, M. K., & Cross, J. S. (2022). Exploring the efficacy of AI-assisted writing
tools in higher education. Journal of Academic Writing, 12(1), 45–58.
Hong, W. C. (2024). The role of AI chatbots in promoting oral fluency and reducing foreign
language anxiety in university EFL learners. Language Teaching and Technology, 29(1),
102–120.
Im, J. (2024). AI-mediated scaffolding in project-based English learning: A sociocultural analysis
of university students' interaction. System, 122, 103250.
Jasim, A. K., Hussin, S., & Ahmad, N. (2024). Evaluating the impact of AI tutors on L2 academic
writing performance and self-regulated learning strategies. Educational Studies, 50(2),
215–234.
Vol. 13/ Núm. 4 2026 pág. 52
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... &
Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting
systematic reviews. BMJ, 372, n71.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Harvard University Press.
Krashen, S. (1982). Principles and practice in second language acquisition. Pergamon Press.
Sweller, J. (2011). Cognitive load theory. Psychology of Learning and Motivation, 55, 37–76.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... &
Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting
systematic reviews. BMJ, 372, n71.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Harvard University Press.
Krashen, S. (1982). Principles and practice in second language acquisition. Pergamon Press.
Sweller, J. (2011). Cognitive load theory. Psychology of Learning and Motivation, 55, 37–76.