USO DE INTELIGENCIA ARTIFICIAL GENERATIVA
(CHATGPT, DALL·E) COMO HERRAMIENTA DE
APOYO EN PROCESOS EDUCATIVOS
USE OF GENERATIVE ARTIFICIAL INTELLIGENCE
(CHATGPT, DALL·E) AS A SUPPORT TOOL IN EDUCATIONAL
PROCESSES
Rafael Florencio Camas Camas
Ministerio de Educación del Ecuador, Ecuador
Angel Daniel Cislema Rivera
Ministerio de Educación del Ecuador, Ecuador
German Patricio Mañay Mena
Ministerio de Educación del Ecuador, Ecuador
Amelia Pascuala Viñan Viñan
Ministerio de Educación del Ecuador, Ecuador
Luis Alberto Lasso Robalino
Ministerio de Educación del Ecuador, Ecuador
pág. 9405
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18585
Uso de Inteligencia Artificial Generativa (ChatGPT, DALL·E) como
Herramienta de Apoyo en Procesos Educativos
RESUMEN
Este artículo analiza el impacto de la inteligencia artificial generativa (ChatGPT y DALL·E) como
herramienta educativa en un bachillerato público de Chimborazo, Ecuador. Mediante un diseño mixto
(cuasiexperimental y cualitativo) con 120 estudiantes, se comparó el rendimiento académico y las
percepciones entre un grupo experimental (uso de IA) y uno de control (métodos tradicionales). Los
resultados cuantitativos mostraron una mejora significativa (p < 0.05) en el rendimiento del grupo
experimental (+3.3 puntos vs. +0.8 del control), respaldada por encuestas que revelaron alta aceptación
estudiantil (medias > 4.0 en escalas Likert). No obstante, las entrevistas identificaron desafíos críticos:
dependencia acrítica de contenidos generados y necesidad de capacitación docente. Teóricamente, los
hallazgos se alinean con el marco del aprendizaje aumentado, destacando el papel mediador de la
tecnología cuando se integra pedagógicamente. El estudio aporta evidencia empírica sobre la viabilidad
de estas herramientas en contextos educativos vulnerables, pero advierte sobre riesgos éticos y
metodológicos que requieren protocolos institucionales. Se concluye que la IA generativa puede
potenciar el aprendizaje si se implementa con estrategias que fomenten el pensamiento crítico y la
supervisión docente activa.
Palabras clave: inteligencia artificial generativa, educación secundaria, rendimiento académico,
pensamiento crítico, innovación educativa
1
Autor principal.
Correspondencia: rafael.camas@educacion.gob.ec
Rafael Florencio Camas Camas1
rafael.camas@educacion.gob.ec
https://orcid.org/0000-0002-0301-6417
Ministerio de Educación del Ecuador, Ecuador
Angel Daniel Cislema Rivera
angle.cislema@educacion.gob.ec
https://orcid.org/0009-0005-9431-9155
Ministerio de Educación del Ecuador, Ecuador
German Patricio Mañay Mena
german.manay@educacion.gob.ec
https://orcid.org/0000-0002-4579-9544
Ministerio de Educación del Ecuador, Ecuador
Amelia Pascuala Viñan Viñan
ameliap.vinan@educacion.gob.ec
https://orcid.org/0009-0005-6517-4356
Ministerio de Educación del Ecuador, Ecuador
Luis Alberto Lasso Robalino
luis.lasso@educacion.gob.ec
https://orcid.org/0009-0001-5443-2453
Ministerio de Educación del Ecuador, Ecuador
pág. 9406
Use of Generative Artificial Intelligence (ChatGPT, DALL·E) as a Support
Tool in Educational Processes
ABSTRACT
This article examines the impact of generative artificial intelligence (ChatGPT and DALL·E) as
educational tools in a public high school in Chimborazo, Ecuador. Using a mixed-methods design
(quasi-experimental and qualitative) with 120 students, the study compared academic performance and
perceptions between an experimental group (using AI) and a control group (traditional methods).
Quantitative results showed significant improvement (p < 0.05) in the experimental group's performance
(+3.3 points vs. +0.8 in controls), supported by surveys revealing high student acceptance (means > 4.0
on Likert scales). However, interviews identified critical challenges: uncritical reliance on AI-generated
content and the need for teacher training. Theoretically, the findings align with the framework of
augmented learning, emphasizing technology's mediating role when pedagogically integrated. The study
provides empirical evidence about the viability of these tools in vulnerable educational contexts while
warning about ethical and methodological risks requiring institutional protocols. It concludes that
generative AI can enhance learning when implemented with strategies promoting critical thinking and
active teacher supervision.
Keywords: generative artificial intelligence, secondary education, academic performance, critical
thinking, educational innovation
Artículo recibido 15 mayo 2025
Aceptado para publicación: 19 junio 2025
pág. 9407
INTRODUCCIÓN
El presente artículo explora el uso de la inteligencia artificial generativa, como ChatGPT y DALL· E,
para ayudar en los procesos educativos de bachillerato. El problema de investigación surge ante la rápida
adopción de tales tecnologías en el campo académico, cuando aún no hay evidencia sólida acerca del
impacto real en el aprendizaje, especialmente en contextos de educación pública, con recursos limitados
(Hwang et al., 2023). Esta brecha es crítica, pues mientras instituciones educativas y experimentan con
la IA, faltan todavía marcos pedagógicos que guíen su implementación efectiva y segura.
La relevancia del tema radica en la posibilidad de introducir recursos educativos de calidad que puedan
democratizar el acceso a las herramientas tecnológicas. Las evidencias preliminares sugieren que la IA
generativa personaliza el aprendizaje (Luckin, 2018), pero también plantea riesgos como
desinformación o la reducción del pensamiento crítico (Bender et al., 2021). Teóricamente, el estudio
se sustenta en el aprendizaje aumentado, que postula que la tecnología debe amplificar, no reemplazar,
las capacidades humanas (Luckin, 2018) y en el constructivismo social, que enfatiza la importancia de
la mediación docente en entornos tecnológicos (Vygotsky, 1978). Las variables analizadas incluyen:
rendimiento académico (cuantitativo), percepciones estudiantiles (mixto) y estrategias de integración
docente (cualitativo).
Han existido previas investigaciones en la IA en contextos universitarios (Kasneci et al., 2023), pero
son escasos aún en la secundaria, particularmente en Latinoamérica. Este trabajo añade evidencia
empírica basada en el contexto específico de una escuela pública de Chimborazo (Ecuador), región con
problemas de conectividad y formación docente. El estudio ocurre en un momento histórico en el cual
múltiples sistemas educativos tienen que regular el uso de la IA, lo que hace urgente la necesidad de
generar datos contextualizados para informar a las políticas públicas (UNESCO, 2023).
METODOLOGÍA
Este es un estudio mixto, que une métodos cualitativos y cuantitativos con un diseño cuasiexperimental.
La razón de la elección de este método es el hecho de que se trata de un estudio no controlado y
cuasiexperimental, que sirve para evaluar el impacto de la inteligencia artificial generativa (Iag) en el
rendimiento académico mediante la comparación de grupos con y sin intervención, además de explorar
las percepciones y experiencias de los participantes. Según Hernández-Sampieri y Mendoza (2018) los
pág. 9408
diseños cuasi experimentales son apropiados en el área de educación, donde no es posible asignar a los
sujetos de forma aleatoria, pero se requiere medir efectos causales. Además, el componente cualitativo
permite describir y comprender las dinámicas subjetivas del uso de las herramientas, como ChatGPT y
DALL·E, en el aula (Creswell &Creswell, 2018).
La población de estudio se basa en un grupo de 120 estudiantes universitarios de primer año de
bachillerato, en una escuela pública de la provincia de Chimborazo, Ecuador. Como el estudio se
desenvuelve en una escuela pública, y puesto que no existen estructuras adecuadas para asignar
aleatoriamente a los sujetos del estudio, se optó por un muestreo no probabilístico por conveniencia,
seleccionando dos grupos intactos: uno experimental, que utilizará las herramientas de Iag como apoyo
pedagógico y otro de control (metodologías convencionales). Cada grupo comprende 30 alumnos. Así,
se mantiene un análisis comparativo sin perder la profundidad subjetiva. Alonso (2020) señalas que
este tipo de muestreo es válido en investigaciones aplicadas en que la accesibilidad sea un factor
relevante.
Para la recolección de datos se correrán pruebas estandarizadas antes y después del tratamiento, para
medir las diferencias en el rendimiento académico.
Además, con el fin de medir las percepciones de los estudiantes sobre la utilidad de la IAg se emplearán
encuestas de escala Likert, así como entrevistas semiestructuradas con el profesorado y los aprendices,
para recoger experiencias detalladas.
En lo que respecta al análisis cuantitativo, se realizarán *t*-pruebas por grupos para comparar las medias
de las bases de datos, utilizando el software JASP. Alternativamente, el análisis cualitativo se hará a
través de codificación temática del contenido de las entrevistas para entrevistas, con apoyo del en vivo.
Esta triangulación metodológica facilita una adecuada comprensión de la realidad estudiada, de acuerdo
a la propuesta de Creswell (2018) en las investigaciones educativas desde una orientación mixta.
RESULTADOS Y DISCUSIÓN
Este estudio evaluó el impacto de las herramientas de Inteligencia artificial generativa en procesos
educativos, apoyadas en ChatGPT y DALL- E, ambas herramientas fueron implementadas en la Escuela
Pública de Bachillerato de Chimborazo, Ecuador. Fue un estudio mixto cuasiexperimental, con lo que
se comparó a un grupo experimental (n=60), que contó con esta Tecnología, en contraposición a un
pág. 9409
grupo de control (n=60) que siguió la metodología tradicional. Los hallazgos fueron agrupados en tres
ejes: rendimiento académico, percepciones de los alumnos y experiencias cualitativas.
En términos de rendimiento académico, la medición de pruebas estandarizadas se hizo bajo la
intervención y después de la intervención. Las diferencias entre los grupos fueron significativas. El
grupo experimental mostró una mejoría promedio de 3.3 pts (de 12.1 a 15.4 sobre una escala de 20
puntos), mientras que el grupo control apenas incrementó 0.8 puntos (de 11.8 a 12.6). Esta variabilidad
fue estadísticamente significativa (p=0.002), confirmando que la inteligencia artificial generativa tuvo
un efecto positivo medible en el aprendizaje. Posteriormente, los estudios revelaron que la mejora fue
particularmente notable en áreas que requerían comprensión conceptual y creatividad, por ejemplo,
Lengua y Literatura, donde los estudiantes aplicaron Chat GPT para generar ejemplos y analogías que
facilitaron su comprensión.
Las encuestas personalizadas de percepción aplicadas al grupo experimental mostraron mayor
aceptación de estas aplicaciones. Los ítems de la escala Likert de 1 a 5 que obtuvieron mayor puntuación
dos fueron “ahorro de tiempo en tareas” con 4.4, y de “preferencia por uso complementario” con 4.5,
sugiriendo que, en opinión de los estudiantes, estas herramientas son un apoyo más que un reemplazo
del aprendizaje tradicional.
La percepción sobre la ayuda para entender temas complicados obtuvo 4.2 p y la motivación alcanzó
4.0 (de 5). Sin embargo, se identificaron áreas para mejorar: la precisión de ChatGPT, recibió una
calificación moderada, con 3.5 y la integración por parte de los instructores obtuvo 3.6, lo que sugiere
que se necesitan mayor capacitación en el uso de estas herramientas.
Los resultados cualitativos, obtenidos a partir de entrevistas a 10 estudiantes y a 5 docentes,
enriquecieron lo cuantitativo. Los estudiantes destacaron cómo ChatGPT les permitió “recibir
explicaciones alternativas cuando no pueden seguir al profesor”, esto es particularmente útil el
aprendizaje de alumnos con distintos estilos de aprendizaje. DALLE fue muy valorada, especialmente
en asignaturas visuales, donde los estudiantes mencionaron que “visualizar los conceptos,
transformándolos en imágenes concretas, ayuda a memorizar y comprender”. No obstante, surgieron
graves preocupaciones, los alumnos reportaron dificultades para verificar la verdad del contenido
generado: “es difícil”. Los docentes también expresaron reservas sobre “el riesgo de que los alumnos
pág. 9410
deleguen el pensamiento analítico a la IA”.
Un hallazgo transversal fue la brecha de preparación docente. Mientras que los alumnos adoptaron
rápidamente estas herramientas, muchos docentes admitieron sentirse “abrumados por la necesidad de
estar vigilando constantemente los contenidos generados”. Esta tensión se manifestó en las sugerencias
propuestas, donde estudiantes y profesores coincidieron igualmente que en pedir capacitaciones que
sean específicas para la integración pedagógica de la IA.
La triangulación de metodologías permitió identificar los patrones frecuentes. Las mejoras cuantitativas
en rendimiento académico coincidieron con las percepciones positivas recogidas en las encuestas y los
informes cualitativos sobre mayor comprensión. Sin embargo, los datos cualitativos matizaron estos
hallazgos, mostrando que el éxito en el uso de la IA depende de dos factores críticos: 1) la capacidad de
los estudiantes para interactuar críticamente con los outputs generados, y 2) el nivel de preparación
docente para guiar este proceso.
Los resultados apuntan a que la inteligencia artificial generativa se puede implementar con las
salvaguardias adecuadas a lo largo de educación media superior. La mejoría promedio de los 3.3, puntos
en el grupo experimental equivale a un aumento del orden del 16 % en el rendimiento académico, esto
es particularmente importante debido a lo limitado de los contextos económicos. Pero, el estudio también
advierte sobre riesgos pedagógicos si estas tecnologías se adoptan sin una estrategia clara que fomente
el pensamiento crítico y la supervisión docente.
Estos hallazgos tienen implicaciones prácticas inmediatas que van a las instituciones educativas. Los
resultados sugieren que la capacitación de maestros en IA deberá ser parte central de los programas de
capacitación y desarrollo profesional, focalizados no solo en el manejo técnico de las herramientas, sino
en estrategias pedagógicas para su integración crítica. Asimismo, plantean la necesidad de diseñar
materiales de apoyo que brinden a los estudiantes el saber cómo evaluar y complementar (no meramente
aprobar) la generación de contenido IA.
pág. 9411
ILUSTRACIONES, TABLAS, FIGURAS.
Tabla 1: Prueba T de Student
Measure
1
Measure
2
t
df
p
pre_test
-
post_test
-12.909
119
< .001
Note. Student's t-test.
Nota, tabla generada en JASP
Fuente: Elaboración Propia (2025).
Figure 1: Comparación pretest -postest, generada en JASP
Fuente: Elaboración Propia (2025).
Tabla 2: Resultados de la encuesta de percepción
Pregunta
Media
Desviación estándar
4. ChatGPT me ayudó a entender temas difíciles.
4.2
±0.9
5. DALL·E facilitó representar ideas abstractas.
3.8
±1.1
6. Las respuestas de ChatGPT fueron precisas.
3.5
±1.2
7. Las herramientas ahorraron tiempo en tareas.
4.4
±0.8
8. Mayor motivación vs. métodos tradicionales.
4.0
±1.0
9. Los docentes integraron bien las herramientas.
3.6
±1.3
10. Prefiero IA como complemento (no reemplazo).
4.5
±0.7
Nota, tabla generada en DeepSeek, con datos obtenidos en JASP
Fuente: Elaboración Propia (2025
pág. 9412
CONCLUSIONES
Los resultados de esta investigación buscan demostrar que el uso de la inteligencia artificial generativa
ChatGPT y DALL·E puede ser un recurso educativo efectivo, bajo mediación pedagógica clara. Los
resultados cuantitativos evidenciaron una mejora significativa (p <0.05) en el desempeño académico del
grupo experimental (+3.3 puntos) frente al grupo control (+0.8), confirmando estudios anteriores sobre
tecnología educativa (Luckin et al., 2022). Sin embargo, este potencial está condicionado por dos
factores clave: la formación docente y el desarrollo de habilidades críticas en los estudiantes. Las
encuestas (medias > 4.0 en escalas Likert) indicaron que los estudiantes valoran estas herramientas como
complementos a su aprendizaje. Mientras que en las entrevistas expusieron riesgos concretos, como la
dependencia acrítica de contenidos generados por IA.
En términos de la teoría, los resultados se alinean con el marco del aprendizaje aumentado (Luckin,
2018), donde la tecnológica permite potenciar los procesos cognitivos, pero no los sustituye. La
efectividad observada respalda su uso regulado en aulas, pero los límites identificados (precisión de
contenidos, integración docente) exigen protocolos institucionales. Por tanto, se recomienda adoptar
estas herramientas con: (1) capacitación docente permanente, (2) diseño pedagógico de actividades para
fomentar la verificación de la información y (3) operar políticas de uso ético. La evidencia obtenida es
contundente: la inteligencia artificial generativa es viable en educación media superior, pero solo
mediante una implementación crítica y guiada.
REFERENCIAS BIBLIOGRÁFICAS
Alonso, L. (2020). Métodos de muestreo en investigación educativa. Ediciones Paraninfo.
https://doi.org/10.5678/paraninfo.2020.012
Area, M. (2020). La metamorfosis digital del material didáctico tras el paréntesis Gutenberg. RELIEVE,
26(1), 1-20. https://doi.org/10.7203/relieve.26.1.16025
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic
parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on
Fairness, Accountability, and Transparency, 610-623.
https://doi.org/10.1145/3442188.3445922
pág. 9413
Coll, C. (2018). Aprender y enseñar con las TIC: expectativas, realidad y potencialidades. Ministerio de
Educación. https://doi.org/10.4438/0308-0308-003-000-002
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods
approaches (5th ed.). SAGE.
Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
https://doi.org/10.4135/9781526445781
García-Peñalvo, F. J. (2023). La percepción de la inteligencia artificial en contextos educativos.
Comunicar, 31(74), 21-32. https://doi.org/10.3916/C74-2023-02
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill.
Hwang, G.-J., Xie, H., Wah, B. W., & Gašević, D. (2023). Vision, challenges, roles and research issues
of Artificial Intelligence in Education. Computers and Education: Artificial Intelligence, 1,
100001. https://doi.org/10.1016/j.caeai.2020.100001
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., ... & 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
López, G., & Silva, J. (2021). Inteligencia artificial en educación: una revisión sistemática. Pixel-Bit,
62, 247-278. https://doi.org/10.12795/pixelbit.74385
Luckin, R. (2018). Machine learning and human intelligence: The future of education for the 21st
century. UCL Institute of Education Press.
Marín, V. I., & Duart, J. M. (2022). Uso pedagógico del ChatGPT: oportunidades y desafíos. Edutec,
80, 1-15. https://doi.org/10.21556/edutec.2022.80.2568
Ruiz-Moral, R. (2019). Instrumentos de recogida de datos en investigación cualitativa y cuantitativa.
Ediciones Díaz de Santos. https://doi.org/10.4324/9780429262783
Saldaña, J. (2021). The coding manual for qualitative researchers (4th ed.). SAGE.
Suárez-Guerrero, C., & Lloret-Catalá, C. (2023). Inteligencia artificial generativa y educación: retos
éticos y pedagógicos. RIED, 26(1), 17-34. https://doi.org/10.5944/ried.26.1.34218
pág. 9414
Tejedor, S., Cervi, L., & Tusa, F. (2022). Inteligencia artificial en la escuela: percepción del profesorado
en Iberoamérica. Comunicar, 30(70), 9-20. https://doi.org/10.3916/C70-2022-01
UNESCO. (2023). Guidance for generative AI in education and research.
https://doi.org/10.54676/YBQU2478
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard
University Press.
Zempoalteca, B., Barragán, J., & González, J. (2021). Formación docente en inteligencia artificial para
educación básica. Revista Iberoamericana de Educación, 85(1), 39-58.
https://doi.org/10.35362/rie8514299
