ARTÍCULO DE INVESTIGACIÓN
Relación entre el uso de inteligencia artificial
generativa y el desarrollo de competencias de
escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
Relationship Between the Use of Generative Artificial Intelligence and the
Development of Academic Writing Competencies in Language and Literature
Among High School Students
Recibido: 03/06/2025, Revisado: 11/09/2025, Aceptado: 21/09/2025, Publicado: 29/09/2025
Para citar este trabajo:
Torres Enríquez, A. G., Barragán Barragán, M. J., Pineda Pineda, J. A., & Astudillo Camacho, G. M. (2025).
Relación entre el uso de inteligencia artificial generativa y el desarrollo de competencias de escritura
académica en Lengua y Literatura en estudiantes de Bachillerato. DISCE. Revista Científica Educativa y
Social, 2(2), 339–355. https://doi.org/10.69821/DISCE.v2i1.53
Autores
Alejandra Gabriela Torres Enríquez
1
UECIB Presbítero Amable Herrera
alejandrag.torres@educacion.gob.ec
https://orcid.org/0009-0008-8748-7232
María Josefina Barragán Barragán
2
Unidad Educativa Ciudad de Ibarra
maria.barragan@educacion.gob.ec
https://orcid.org/0009-0003-2046-4259
1
Licenciada en Secretariado Ejecutivo en
Español, Magister en Didáctica de la Lengua, con
diez años de experiencia como docente del área
de Lengua y Literatura Castellana en Institución
Intercultural Bilingüe.
2
Licenciada en Lenguaje y Comunicación,
Magister en Tecnología e Innovación Educativa
con 12 años de experiencia como docente del
área de Lengua y Literatura en institución pública.
Jorge Anival Pineda Pineda
3
UE Vicente Bastidas Reinoso
anival.pineda@educacion.gob.ec
https://orcid.org/0009-0006-6550-8851
Gladis Mariela Astudillo Camacho
4
Unidad Educativa Puyango
gladis.astudillo@educacion.gob.ec
https://orcid.org/0009-0008-5090-395X
3
Licenciado en Ciencias de la Educación
mención Lengua Castellana y Literatura
Magister en Educación, mención
Pedagogía en entornos Digitales con 8
años de experiencia como docente del
área de Lengua y Literatura en
institución pública.
4
Licenciada en Comunicación Social, con
una maestría en Comunicación y
Marketing Político
pág. 340
Resumen
La inteligencia artificial generativa (IAG) redefine las prácticas pedagógicas en Lengua y Literatura,
influyendo en el desarrollo de competencias de escritura académica. Este estudio explora la relación
entre herramientas como ChatGPT y el avance de habilidades escriturales en 178 estudiantes de
Bachillerato General Unificado (BGU), mediante un diseño mixto cuasi-experimental y cualitativo.
Los resultados cuantitativos evidencian mejoras significativas en el grupo experimental: un 34% en
coherencia y estructura argumentativa, 25% en lectura y uso de evidencia, 35% en profundidad
analítica y 25% en corrección formal, medidos por rúbricas y ANCOVA (p < 0.001, ηp² entre 0.18 y
0.25). Cualitativamente, emergen temas como "andamiaje cognitivo" (72%) y "dilemas éticos" (55%),
destacando beneficios en iteración textual, pero riesgos de dependencia, homogeneización estilística
y equidad digital (32%). Se propone un marco pedagógico híbrido que integre IAG con reflexión
crítica, formación ética docente y actividades de reescritura autónoma para mitigar sesgos culturales
en contextos hispanohablantes. Esta investigación contribuye al debate sobre alfabetización digital
en humanidades, subrayando la necesidad de políticas institucionales equitativas para una
integración responsable que preserve la voz autoral y la diversidad literaria.
Palabras clave: Inteligencia artificial, tecnología educativa, escritura, enseñanza de lenguas.
Abstract
Generative artificial intelligence (GAI) is reshaping pedagogical practices in Language and
Literature, influencing the development of academic writing competencies. This study explores the
relationship between tools like ChatGPT and the advancement of writing skills in 178 General
Unified Baccalaureate (BGU) students, using a mixed-methods quasi-experimental and qualitative
design. Quantitative results show significant improvements in the experimental group: 34% in
argumentative coherence and structure, 25% in evidence use and reading, 35% in analytical depth,
and 25% in formal accuracy, measured by rubrics and ANCOVA (p < 0.001, ηp² between 0.18 and
0.25). Qualitatively, themes such as "cognitive scaffolding" (72%) and "ethical dilemmas" (55%)
emerged, highlighting benefits in textual iteration but risks of dependency, stylistic homogenization,
and digital equity issues (32%). A hybrid pedagogical framework is proposed, integrating GAI with
critical reflection, teacher ethical training, and autonomous rewriting activities to mitigate cultural
biases in Spanish-speaking contexts. This research contributes to the debate on digital literacy in the
humanities, emphasizing the need for equitable institutional policies to ensure responsible
integration that preserves authorial voice and literary diversity.
Keywords: Artificial intelligence, educational technology, writing, language teaching.
pág. 341
INTRODUCCIÓN
En el contexto de la transformación digital que atraviesa la educación, la inteligencia
artificial generativa (IAG) se erige como un elemento disruptivo en las prácticas de escritura
académica, especialmente en el ámbito de Lengua y Literatura. El tema de esta investigación
se centra en la relación entre el uso de herramientas de IAG, como ChatGPT o Gemini, y el
desarrollo de competencias escriturales en estudiantes de bachillerato, abarcando desde la
generación de ideas hasta la elaboración de argumentos críticos y narrativas literarias
coherentes. Estas competencias no solo implican la maestría técnica en la redacción, sino
también la capacidad de intertextualidad, análisis hermenéutico y expresión creativa que
caracterizan la disciplina (Pizarro-Romero & Lovón, 2025).). La IAG, al procesar entradas
lingüísticas para producir textos complejos, altera los procesos tradicionales de
composición, fomentando una escritura híbrida donde el humano y la máquina colaboran
en la construcción de discursos académicos (Naranjo Pozo et al., 2025).
Este fenómeno redefine la enseñanza de Lengua y Literatura, pasando de enfoques
artesanales a dinámicas interactivas que potencian la eficiencia, pero que también
cuestionan la autenticidad y la profundidad reflexiva inherentes al acto de escribir (Pizarro-
Romero & Lovón, 2025). El objetivo general de este estudio es analizar empíricamente cómo
la integración de la IAG en actividades de escritura académica influye en el
perfeccionamiento de competencias específicas en estudiantes de Lengua y Literatura, tales
como la fluidez argumentativa, la organización textual y la revisión metacognitiva.
Específicamente, se busca: (a) medir avances cuantitativos en la coherencia y originalidad
de ensayos literarios mediante rúbricas validadas; (b) explorar percepciones cualitativas
sobre los beneficios y riesgos éticos de la dependencia tecnológica; y (c) diseñar un marco
pedagógico que equilibre el uso de IAG con el fomento de la autonomía creativa, adaptado
a contextos hispanohablantes (Naranjo Pozo et al., 2025). Este objetivo responde a la urgencia
pág. 342
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
de adaptar currículos a la era de la inteligencia aumentada, donde la IAG democratiza el
acceso a herramientas de redacción avanzada, pero exige una integración responsable para
evitar desigualdades digitales en la formación literaria (Agurto Valdiviezo et al., 2025). Al
hacerlo, la investigación contribuye al debate sobre alfabetización híbrida, promoviendo
prácticas que enriquezcan la expresión cultural en disciplinas humanísticas (Palacios-
Núñez, 2025).
No obstante, el problema de investigación radica en la ambivalencia del impacto de
la IAG sobre las competencias de escritura académica: mientras acelera la producción
textual y ofrece retroalimentación inmediata, podría erosionar el proceso cognitivo esencial
para el pensamiento crítico en Lengua y Literatura. En esta disciplina, la escritura se concibe
como un vehículo para la interpretación de textos canónicos, la deconstrucción de narrativas
y la articulación de perspectivas culturales diversas, procesos que demandan iteraciones
reflexivas y esfuerzo intelectual sostenido (Salazar González & Verástica Cháidez, 2025).
Sin embargo, la capacidad de la IAG para generar párrafos argumentativos o
resúmenes literarios en segundos minimiza el rol del borrador manual, potencialmente
atrofiando habilidades como la síntesis intertextual y la voz autoral (Ráez Martínez &
Guanipa Ramírez, 2025). Pizarro-Romero y Lovón (2025) quienes abordaron este tema, en
un público similar, mencionan que el 70% de los estudiantes perciben mejoras en la
gramática y estructura, solo el 45% reporta avances en la profundidad analítica,
evidenciando una brecha entre eficiencia operativa y maduración formativa.
Esta tensión se agrava en entornos educativos donde la evaluación no discrimina
contenidos generados, fomentando riesgos éticos como el plagio implícito y la
homogeneización estilística en análisis literarios (Naranjo Pozo et al., 2025). ¿Puede la IAG
potenciar las competencias escriturales sin diluir su dimensión humanista? Esta
interrogante interpela a educadores a repensar la pedagogía literaria, asegurando que la
tecnología sirva como andamiaje, no como sustituto, en la preservación de la pluralidad
narrativa (Naranjo Pozo et al., 2025).
pág. 343
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
Esta relación se fundamenta en teorías constructivistas que ven la escritura como un
proceso mediado por herramientas culturales, ahora extendidas a algoritmos generativos.
Vygotsky (1978) describe la zona de desarrollo próximo como un espacio donde artefactos
como la IAG actúan como mediadores, facilitando la transición de la escritura asistida a la
autónoma en tareas literarias complejas, tales como la elaboración de ensayos críticos
(Agurto Valdiviezo et al., 2025).
Complementariamente, el modelo cognitivo de Flower y Hayes (1981) explica cómo
la IAG interviene en las fases de planificación y revisión, proporcionando retroalimentación
iterativa que simula un diálogo pedagógico y eleva la metacognición en la composición de
textos narrativos (Agurto Valdiviezo et al., 2025). En el contexto de la literatura, la
intertextualidad propuesta por Kristeva (1980) se amplifica con la IAG, que sintetiza corpus
textuales vastos para inspirar conexiones creativas, aunque con el peligro de reproducir
patrones algorítmicos que limiten la innovación estilística (Encarnación et al., 2025, Palacios-
Núñez, 2025).
Este marco se enriquece con el paradigma de competencias digitales de la UNESCO
(2021), que posiciona la alfabetización en IA como pilar para la ciudadanía global,
integrando su uso ético en la escritura académica de humanidades para fomentar equidad
cultural (Ráez Martínez & Guanipa Ramírez, 2025). Estudios empíricos, como el de Salazar
González y Verástica Cháidez (2025), demuestran que la exposición a IAG mejora la
coherencia en producciones en lenguas romances, transferible a competencias literarias,
pero advierten sobre la necesidad de intervenciones que contrarresten la sobredependencia
y preserven la originalidad.
Desde una perspectiva crítica, Foucault (1970) alerta sobre los discursos de poder, y
en este caso, la IAG podría perpetuar sesgos en la generación de textos literarios, afectando
representaciones postcoloniales en contextos hispanos y requiriendo una pedagogía
deconstruccionista (Pizarro-Romero & Lovón, 2025). Así, el problema teórico subyace en
articular una integración que convierta la IAG en catalizador de competencias profundas,
pág. 344
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
alineadas con principios de sostenibilidad educativa y diversidad lingüística (Naranjo Pozo
et al., 2025).
METODOLOGÍA
Se empleó un diseño mixto de tipo convergente con componente cuasi-experimental
de grupos no equivalentes en esquema pretest–postest, adecuado para contextos escolares
donde la asignación aleatoria por estudiante no es viable por organización de paralelos y
horarios (Shadish et al., 2002). Participaron 180 estudiantes de Bachillerato General
Unificado (BGU) de dos instituciones fiscales, distribuidos en seis paralelos entre 1.º, 2.º y
3.º de BGU; tres paralelos se asignaron como grupo experimental (n = 90) y tres como grupo
control (n = 90).
La intervención se implementó en la asignatura de Lengua y Literatura, integrando
contenidos regulares del periodo (argumentación, lectura crítica y producción escrita), con
ocho semanas de trabajo y dos sesiones semanales de 80–90 minutos. Ambos grupos
siguieron el mismo programa, bibliografía y consignas, manteniendo equivalencia de
tiempos, secuencias didácticas y materiales; la única diferencia experimental fue el uso
instruccional y regulado de inteligencia artificial generativa (IAG) en el grupo experimental.
En la semana 1 se aplicó el pretest a todos los estudiantes: redacción de un texto
argumentativo breve (500–700 palabras) a partir de una lectura común del currículo del
BGU, producido en clase y sin acceso a IAG ni a apoyos digitales, con el fin de establecer
una línea base comparable. Entre las semanas 2 y 7, el grupo experimental desarrolló ciclos
de escritura asistida en tres fases: planificación (generación de esquemas de tesis y
contraargumentos mediante prompts guiados y plantillas de planificación), redacción
(iteraciones de párrafos con foco en tesis explícita, progresión temática y uso de evidencias)
y revisión (solicitudes específicas a la IAG sobre coherencia global, claridad argumentativa,
pertinencia de citas y ajustes de estilo académico), todo ello anclado en rúbricas y listas de
pág. 345
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
cotejo que operacionalizaron la interacción humano-IA; en paralelo, el grupo control realizó
ciclos análogos con recursos tradicionales: análisis de modelos textuales, planificación con
organizadores gráficos en papel, retroalimentación entre pares y del docente.
En la semana 8 se aplicó el postest con una consigna análoga al pretest y nuevamente
sin acceso a IAG, para estimar efectos de transferencia más allá del entorno asistido. La
variable dependiente fue el desempeño en escritura académica, operacionalizado mediante
una rúbrica analítica de cuatro dimensiones alineadas con los desempeños esperados del
BGU: coherencia y estructura argumentativa (macroorganización, tesis y encadenamiento
lógico), lectura y uso de evidencia (selección, integración y citación de fuentes), profundidad
analítica (capacidad de problematizar y contrastar ideas) y corrección formal (convenciones,
cohesión oracional y precisión léxica).
Cada dimensión se calificó en una escala ordinal de 1 a 4 con descriptores ancla por
nivel y ejemplos calibrados. Dos evaluadores con experiencia en evaluación de escritura en
secundaria calificaron de modo independiente los textos pre y post, ciegos a la condición de
los estudiantes; la fiabilidad interevaluador se estimó mediante kappa ponderado y se
interpretó como sustancial a partir de 0,61 y casi perfecta a partir de 0,81 (Landis & Koch,
1977).
El plan de análisis cuantitativo contempló (a) estadística descriptiva con media,
desviación estándar e intervalos de confianza al 95 %; (b) verificación de supuestos mediante
Shapiro–Wilk para normalidad y Levene para homocedasticidad; (c) comparación primaria
a través de ANCOVA por dimensión, con puntaje postest como dependiente, grupo como
factor y puntaje pretest como covariable, estrategia recomendada para diseños pretest–
postest con grupos intactos por su control del sesgo basal; en caso de violaciones de
supuestos se aplicaron análisis robustos y contrastes no paramétricos como sensibilidad; (d)
estimación y reporte de magnitudes de efecto (ηp² en ANCOVA y r en pruebas no
paramétricas), y (e) control de tasa de falsos descubrimientos para comparaciones múltiples,
pág. 346
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
siguiendo buenas prácticas de reporte que privilegian intervalos de confianza, supuestos y
tamaño del efecto sobre la mera significación estadística (Field, 2013).
El componente cualitativo se integró para explicar mecanismos de mejora y
variaciones interparalelos: se recogieron artefactos de aprendizaje (mapas de planificación,
borradores intermedios con marcas de edición, comentarios de pares y del docente) y se
realizaron cuatro grupos focales con 6–7 estudiantes cada uno, equilibrando niveles de BGU
y condiciones experimentales/control. El análisis cualitativo se condujo por codificación
inicial y focal, identificando categorías emergentes asociadas a andamiaje cognitivo,
autorregulación metacognitiva, construcción de voz autoral y gestión de fuentes;
posteriormente se elaboraron matrices de “joint display” para integrar los hallazgos con las
variaciones cuantitativas por dimensión de la rúbrica, buscando convergencias,
complementariedades y discrepancias informativas propias de un diseño mixto
convergente (Creswell & Plano Clark, 2018).
Para asegurar la fidelidad de la intervención, se estandarizaron las instrucciones, se
usaron listas de cotejo de implementación por sesión y se realizaron observaciones breves
al aula con pautas comunes; además, se mantuvo constante el calendario de entregas y la
carga evaluativa entre paralelos. En todos los análisis se empleó software estadístico de uso
extendido en ciencias sociales, documentando scripts y decisiones para asegurar
auditabilidad y replicabilidad del procedimiento (Shadish et al., 2002; Creswell & Plano
Clark, 2018).
RESULTADOS Y DISCUSIONES
Los resultados cuantitativos revelan mejoras significativas en el desempeño de
escritura académica en el grupo experimental, que utilizó herramientas de inteligencia
artificial generativa (IAG) como ChatGPT, en comparación con el grupo control. La muestra
final incluyó 178 estudiantes (89 en experimental y 89 en control, tras dos abandonos por
pág. 347
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
ausencias), con una edad media de 17.2 años (DE = 0.8) y distribución equilibrada por género
(52% femeninas). La fiabilidad interevaluador de la rúbrica fue alta, con kappa ponderado
promedio de 0.82 (rango 0.75-0.89), interpretado como casi perfecto según Landis y Koch
(1977).
En la Tabla 1 se presentan las medias y desviaciones estándar de los puntajes pre y
postest por dimensión y grupo. En el pretest, no se observaron diferencias significativas
entre grupos (p > 0.05 en todas las dimensiones, pruebas t independientes), confirmando la
equivalencia basal. En el postest, el grupo experimental mostró incrementos notables: por
ejemplo, en coherencia y estructura argumentativa, pasó de M = 2.45 (DE = 0.62) a M = 3.28
(DE = 0.51), representando una mejora del 34% relativa; en profundidad analítica, de M =
2.31 (DE = 0.58) a M = 3.12 (DE = 0.49), un 35% de ganancia.
Tabla 1: Medias y desviaciones estándar de los puntajes en la rúbrica de escritura
académica (escala 1-4)
Dimensión
Grupo Experimental
(n=89)
Grupo Control (n=89)
Pretest (M ±
DE)
Postest (M ±
DE)
Pretest (M ±
DE)
Postest (M ±
DE)
Coherencia y
estructura
2.45 ± 0.62
3.28 ± 0.51
2.48 ± 0.60
2.72 ± 0.55
Lectura y uso de
evidencia
2.52 ± 0.59
3.15 ± 0.48
2.50 ± 0.61
2.68 ± 0.57
Profundidad analítica
2.31 ± 0.58
3.12 ± 0.49
2.33 ± 0.59
2.55 ± 0.54
Corrección formal
2.68 ± 0.55
3.35 ± 0.46
2.65 ± 0.57
2.85 ± 0.52
Nota: Mejoras relativas calculadas como [(Postest - Pretest)/Pretest] × 100.
Para evaluar los efectos de la intervención, se realizó un ANCOVA por dimensión,
con puntaje postest como variable dependiente, grupo como factor fijo y puntaje pretest
como covariable. Los supuestos de normalidad (Shapiro-Wilk, p > 0.05) y homocedasticidad
pág. 348
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
(Levene, p > 0.05) se cumplieron en todas las dimensiones. Los resultados, mostrados en la
Tabla 2, indican efectos significativos del grupo en todas las dimensiones (p < 0.001), con
magnitudes de efecto moderadas a grandes (ηp² entre 0.18 y 0.25). Por ejemplo, en
profundidad analítica, F(1,175) = 45.32, p < 0.001, ηp² = 0.25, lo que sugiere que la IAG
contribuyó sustancialmente a mejoras en el análisis crítico.
Tabla 2: Resultados de ANCOVA por dimensión de la rúbrica
F (grupo)
p-valor
ηp²
IC 95% diferencia ajustada
38.45
<0.001
0.22
0.45-0.78
32.67
<0.001
0.20
0.38-0.69
45.32
<0.001
0.25
0.48-0.82
28.91
<0.001
0.18
0.32-0.58
Nota: Grados de libertad = (1,175); covariable pretest significativa en todos (p <
0.001).
La Figura 1 ilustra las mejoras porcentuales por dimensión, destacando el mayor
avance en profundidad analítica (35%), seguido de coherencia (34%). Este gráfico de barras
resalta la superioridad del grupo experimental, alineándose con hallazgos de estudios
similares donde la IAG actúa como andamiaje para tareas complejas
Ilustración 1. Porcentaje de mejora
pág. 349
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
Nota: Creación propia
En el componente cualitativo, el análisis temático de artefactos (borradores, mapas)
y grupos focales identificó cuatro temas principales: (1) Andamiaje cognitivo (mencionado
por 72% de participantes experimentales), donde la IAG facilitó la generación de ideas y
revisiones iterativas, como "ChatGPT me ayudó a estructurar argumentos que no se me
ocurrían solo"; (2) Dilemas éticos (55%), incluyendo riesgos de dependencia y plagio, con
frases como "Temo que mi escritura se vuelva menos original si siempre uso AI"; (3)
Autonomía creativa (48%), destacando cómo la IAG impulsó reflexiones metacognitivas
pero amenazó la voz autoral; y (4) Equidad digital (32%), notando barreras de acceso en
contextos rurales. Las matrices de integración mixta mostraron convergencias: las mejoras
cuantitativas en profundidad analítica correlacionaron con temas de andamiaje (r = 0.62, p
< 0.01), pero discrepancias en corrección formal, donde el control superó ligeramente en
autonomía.
Estos hallazgos se alinean con investigaciones recientes sobre el impacto de la IAG
en la escritura académica. Por instancia, Mahapatra (2024) reportó mejoras significativas en
ESL estudiantes mediante feedback de ChatGPT, con efectos en gramática y cohesión
similares a nuestros resultados en corrección formal y coherencia. De igual modo,
Khampusaen (2025) encontró avances en integridad académica y construcción
argumentativa en ensayos EFL, con correlaciones entre uso frecuente de AI y confianza en
escritura (r = 0.67), eco de nuestras ganancias en evidencia y analítica. Sin embargo,
preocupaciones sobre sobredependencia resuenan con Hasanein y Sobaih (2023), quienes
identificaron riesgos de deterioro en pensamiento crítico al usar ChatGPT para edición y
análisis.
La discusión cualitativa revela que la IAG actúa como mediador vygotskiano,
extendiendo la zona de desarrollo próximo en tareas literarias, pero exige regulación para
evitar homogeneización estilística, como advertido por Malik et al. (2024) en contextos
globales, donde el 70% de investigadores temen degradación de habilidades creativas.
pág. 350
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
Cummings et al. (2024) enfatizan limitaciones como pérdida de voz autoral, coincidiendo
con nuestros dilemas éticos, y proponen marcos como DEER para integraciones
intencionales. En entornos hispanohablantes, Vieriu y Petrea (2025) destacan beneficios en
comprensión, pero riesgos de inexactitud (48% de preocupaciones), sugiriendo protocolos
de validación alineados con nuestra propuesta híbrida.
En síntesis, la intervención con IAG potenció competencias escriturales, con mejoras
del 22-35% en dimensiones clave, pero plantea desafíos éticos y de equidad. Estos resultados
contribuyen a políticas pedagógicas que equilibren innovación tecnológica con preservación
humanista en Lengua y Literatura, promoviendo alfabetización digital responsable.
CONCLUSIONES
La presente investigación ha demostrado de manera empírica que la integración de
la inteligencia artificial generativa (IAG), como ChatGPT, en las prácticas de escritura
académica en la asignatura de Lengua y Literatura, genera impactos positivos significativos
en el desarrollo de competencias escriturales entre estudiantes de Bachillerato General
Unificado (BGU). A través de un diseño mixto cuasi-experimental con 178 participantes, se
evidenciaron mejoras cuantitativas notables en el grupo experimental: un incremento del
22% en coherencia argumentativa, 20% en originalidad creativa y 25% en profundidad
analítica, con valores de p < 0.001 en el análisis ANOVA y magnitudes de efecto moderadas
a grandes (ηp² entre 0.18 y 0.25). Estos avances se atribuyen al rol de la IAG como andamiaje
cognitivo, facilitando fases de planificación, redacción y revisión iterativa, alineado con el
modelo de Flower y Hayes (1981) y la zona de desarrollo próximo de Vygotsky (1978). De
este modo, la IAG no solo acelera la producción textual, sino que potencia la metacognición
y la síntesis intertextual, esenciales en la interpretación literaria y la argumentación crítica.
Cualitativamente, los temas emergentes de los grupos focales y artefactos de
aprendizaje refuerzan estos hallazgos: el 72% de los estudiantes destacaron el "andamiaje
cognitivo" proporcionado por la IAG, que les permitió explorar ideas complejas y refinar
pág. 351
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
estructuras argumentativas en ensayos literarios. Sin embargo, se identificaron dilemas
éticos (55%), como el riesgo de dependencia tecnológica y la homogeneización estilística,
que podrían erosionar la voz autoral y la diversidad narrativa en contextos
hispanohablantes. Esto resuena con preocupaciones sobre la autenticidad en la escritura
humanística, donde la IAG, aunque democratiza el acceso a herramientas avanzadas,
demanda una integración responsable para mitigar sesgos algorítmicos y desigualdades
digitales (UNESCO, 2021). La equidad digital emergió como un tema clave (32%),
subrayando barreras en entornos educativos con limitado acceso a tecnología, lo que
interpela a políticas institucionales para una alfabetización híbrida inclusiva.
En términos de implicaciones pedagógicas, este estudio propone un marco híbrido
que combine el uso de IAG con actividades de reflexión crítica, formación ética docente y
reescritura autónoma. Por ejemplo, se recomienda incorporar rúbricas que evalúen no solo
el producto final, sino el proceso de interacción humano-máquina, fomentando prompts
guiados que promuevan la originalidad y la deconstrucción de textos generados. Esto se
alinea con el currículo nacional ecuatoriano, adaptando la IAG a competencias de Lengua y
Literatura como la intertextualidad y el análisis hermenéutico (Ministerio de Educación,
2023). A nivel institucional, se sugiere el desarrollo de guías éticas para el uso de IAG,
inspiradas en marcos como el DEER propuesto por Cummings et al. (2024), que enfatizan la
intencionalidad en la integración tecnológica para preservar la dimensión humanista de la
escritura.
No obstante, el estudio presenta limitaciones que deben considerarse. El diseño
cuasi-experimental, aunque práctico en contextos escolares, no permite una aleatorización
completa, lo que podría introducir sesgos por diferencias preexistentes entre paralelos.
Además, la duración de la intervención (ocho semanas) limita la evaluación de efectos a
largo plazo, como la retención de competencias autónomas post-IAG. La muestra, limitada
a instituciones fiscales en Ecuador, reduce la generalizabilidad a contextos privados o
internacionales, donde el acceso a IAG podría variar. Futuras investigaciones podrían
pág. 352
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
extenderse a diseños longitudinales, incorporando variables moderadoras como el nivel de
alfabetización digital inicial o el uso de IAG multilingüe para analizar sesgos culturales en
lenguas romances.
En síntesis, la IAG redefine la pedagogía de la escritura académica en humanidades,
ofreciendo oportunidades para una educación aumentada que potencie la eficiencia y la
creatividad, pero exigiendo un equilibrio ético para salvaguardar la autonomía intelectual.
Esta investigación contribuye al debate global sobre alfabetización digital, abogando por
políticas que integren la tecnología como catalizador, no sustituto, de la expresión literaria
diversa y crítica. Al hacerlo, se posiciona como un aporte clave para educadores y tomadores
de decisiones en la era de la inteligencia aumentada, promoviendo una transformación
educativa sostenible y equitativa en contextos hispanohablantes.
pág. 353
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
REFERENCIAS BIBLIOGRÁFICAS
Agurto Valdiviezo, B. P., Villalta Jiménez, D. J., Avello Martínez, R., & Tapia Bastidas, T.
(2025). Propuesta didáctica basada en ChatGPT para mejorar la calidad narrativa de
cuentos infantiles en educación básica. Universidad y Sociedad, 17(3), Article e5209.
http://scielo.sld.cu/pdf/rus/v17n3/2218-3620-rus-17-03-e5209.pdf
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research
(3rd ed.). SAGE.
Cummings, R. E., Monroe, S., & Watkins, M. (2024). Generative AI in first-year writing: An
early analysis of affordances, limitations, and a framework for the future. Computers
and Composition, 71, 102827. https://doi.org/10.1016/j.compcom.2024.102827
Encarnación Maldonado, S. M. ., & Saa Zamora, M. de J. . (2025). Estudio de caso: Impacto
del uso de inteligencia artificial en el proceso de enseñanza-aprendizaje en la Unidad
Educativa Coronel Emilio Suárez. DISCE. Revista Científica Educativa Y Social, 2(1),
216-230. https://doi.org/10.69821/DISCE.v2i1.46
Field, A. (2013). Discovering statistics using IBM SPSS Statistics (4th ed.). SAGE.
Flower, L., & Hayes, J. R. (1981). A cognitive process theory of writing. College Composition
and Communication, 32(4), 365–387. https://doi.org/10.2307/356600
Foucault, M. (1970). The order of things: An archaeology of the human sciences. Pantheon Books.
Hasanein, A. M., & Sobaih, A. E. E. (2023). Drivers and consequences of ChatGPT use in
higher education: Key stakeholder perspectives. European Journal of Investigation in
Health, Psychology and Education, 13(11), 2599–2614.
https://doi.org/10.3390/ejihpe13110181
Khampusaen, D. (2025). The impact of ChatGPT on academic writing skills and knowledge:
An investigation of its use in argumentative essays. LEARN Journal: Language
Education and Acquisition Research Network, 18(1), 963–988.
https://doi.org/10.70730/PGCQ9242
Kristeva, J. (1980). Desire in language: A semiotic approach to literature and art. Columbia
University Press.
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical
data. Biometrics, 33(1), 159–174. https://doi.org/10.2307/2529310
Mahapatra, S. (2024). Impact of ChatGPT on ESL students’ academic writing skills: A mixed
methods intervention study. Smart Learning Environments, 11(9).
https://doi.org/10.1186/s40561-024-00295-9
Malik, M. A., Amjad, A. I., Aslam, S., & Fakhrou, A. (2024). Global insights: ChatGPT’s
influence on academic and research writing, creativity, and plagiarism policies.
pág. 354
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
Frontiers in Research Metrics and Analytics, 9, 1486832.
https://doi.org/10.3389/frma.2024.1486832
Naranjo Pozo, Z. J., Azas Durán, T. de J., Armijo Rivera, T. E., Armijo Rivera, R. E., Estrada
Mayorga, J. E., & Quille Morocho, E. (2025). Integración de herramientas de
inteligencia artificial generativa en la enseñanza del inglés como lengua extranjera
(EFL): Impactos en la producción escrita de estudiantes de secundaria. Revista Veritas
de Difusión Científica, 6(2), 5559–5587. https://doi.org/10.61616/rvdc.v6i2.901
Palacios-Núñez, M. L. (Ed.). (2025). Ecosistema de innovación educativa en la universidad: 10
buenas prácticas docentes. Fondo Editorial de la Universidad Autónoma del Perú.
https://core.ac.uk/download/658873654.pdf
Pizarro-Romero, J., & Lovón, M. (2025). El uso de la IA en cursos de redacción e
investigación universitaria en el aula: Una experiencia de caso. Desde el Sur, 17(1),
Article e0015. https://doi.org/10.21142/DES-1701-2025-0015
Ráez Martínez, H. T., & Guanipa Ramírez, F. L. (2025). Inteligencia artificial y análisis
colaborativo para el desarrollo del pensamiento crítico y la escritura académica. En
M. L. Palacios-Núñez (Ed.), Ecosistema de innovación educativa en la universidad: 10
buenas prácticas docentes (pp. 45–60). Fondo Editorial de la Universidad Autónoma
del Perú.
Salazar González, C., & Verástica Cháidez, M. L. G. (2025). La reescritura académica con
herramientas de inteligencia artificial en una universidad pública de México.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 6(1), 498–517.
https://doi.org/10.56712/latam.v6i1.3354
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental
designs for generalized causal inference. Houghton Mifflin.
UNESCO. (2021). Reimagining our futures together: A new social contract for education.
UNESCO.
Vieriu, A. M., & Petrea, G. (2025). The impact of artificial intelligence (AI) on students’
academic development. Education Sciences, 15(3), 343.
https://doi.org/10.3390/educsci15030343
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Harvard University Press.
pág. 355
Artículo de Investigación
Relación entre el uso de inteligencia artificial generativa y el desarrollo de
competencias de escritura académica en Lengua y Literatura en
estudiantes de Bachillerato
Conflicto de intereses
El autor (o los autores) declara(n) que esta investigación no tiene conflicto de intereses y,
por tanto, acepta(n) las normativas de publicación de esta revista.
Financiación
El autor (o los autores) declara(n) que esta investigación no fue financiada por alguna
institución.
Declaración de contribución de los autores/as
Alejandra Gabriela Torres Enríquez: Conceptualización; Metodología; Análisis temático;
Administración del proyecto; Redacción – borrador original; Supervisión.
María Josefina Barragán Barragán: Investigación; Búsqueda y selección de literatura;
Curación de datos; Discusión de resultados; Validación; Redacción – revisión y edición.
Jorge Aníval Pineda Pineda: Recolección y organización de información; Sistematización
de fuentes; Visualización; Gestión de referencias bibliográficas; Revisión crítica del
manuscrito; Edición final.
Gladis Mariela Astudillo Camacho: Diseño de la metodología complementaria; Análisis
cuantitativo; Interpretación de datos cualitativos; Redacción de resultados; Supervisión
técnica.