Percepción estudiantil sobre el uso ético de la inteligencia artificial generativa en bachillerato: un estudio cuasi-experimental
DOI:
https://doi.org/10.69639/arandu.v13i2.2236Palabras clave:
inteligencia artificial generativa, ética académica, percepción estudiantil, bachillerato, uso responsableResumen
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 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.
Descargas
Citas
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. 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
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Cristhian Manolo Yugsi Flores, Mauricio Guillermo Báuz Saravia, Dayron Rumbaut Rangel, Lorenzo Cevallos Torres

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Deprecated: json_decode(): Passing null to parameter #1 ($json) of type string is deprecated in /var/www/revista/revista.ojs/plugins/generic/citations/CitationsPlugin.inc.php on line 49














