EVALUACIÓN DE LA PLANIFICACIÓN DIDÁCTICA
POR INTELIGENCIA ARTIFICIAL GENERATIVA Y
SU IMPACTO EN EL RENDIMIENTO ACADÉMICO
EN LA NUEVA ESCUELA MEXICANA CON
ENFOQUE EN NECESIDADES EDUCATIVAS
ESPECIALES: ESTUDIO DE CASO EN SINALOA,
MÉXICO PARA LA ASIGNATURA DE EDUCACIÓN
FÍSICA
EVALUATION OF DIDACTIC PLANNING BY GENERATIVE
ARTIFICIAL INTELLIGENCE AND ITS IMPACT ON ACADEMIC
PERFORMANCE IN THE NEW MEXICAN SCHOOL WITH A FOCUS ON
SPECIAL EDUCATIONAL NEEDS: A CASE STUDY IN SINALOA,
MEXICO FOR THE SUBJECT OF PHYSICAL EDUCATION
Mónica de Jesús López Morales
Universidad Autónoma de Sinaloa
Mónica del Carmen Morales Parra
Universidad Autónoma de Sinaloa
Ernesto López Morales
Universidad Autónoma de Sinaloa
Sarahi Herrera Hernández
Universidad Autónoma de Sinaloa
Pedro Antonio Valdez Lizárraga
Universidad Autónoma de Sinaloa
pág. 6193
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22727
Evaluación de la planificación didáctica por inteligencia artificial
generativa y su impacto en el rendimiento académico en la Nueva Escuela
Mexicana con enfoque en Necesidades Educativas Especiales: Estudio de
caso en Sinaloa, México para la asignatura de Educación Física
Dra. Mónica de Jesús López Morales1
moniicastarr@gmail.com
https://orcid.org/0000-0001-9774-3676
Universidad Autónoma de Sinaloa
Dra. Mónica del Carmen Morales Parra
netomonii@gmail.com
https://orcid.org/0009-0005-3038-1398
Universidad Autónoma de Sinaloa
Dr. Ernesto López Morales
netoman117@gmail.com
https://orcid.org/0009-0008-0979-3170
Universidad Autónoma de Sinaloa
Dra. Sarahi Herrera Hernández
sarahi.herrera@uas.edu.mx
https://orcid.org/0009-0007-5501-7175
Universidad Autónoma de Sinaloa
M.C. Pedro Antonio Valdez Lizárraga
Pedro.valdez@uas.edu.mx
https://orcid.org/0000-0001-5773-4628
Universidad Autónoma de Sinaloa
RESUMEN
La presente investigación analiza la relación entre la calidad de la planificación didáctica, el uso de
Inteligencia Artificial Generativa (IAG) y el rendimiento académico en Educación Física dentro del
contexto de la Nueva Escuela Mexicana (NEM). Se adoptó un enfoque cuantitativo con diseño
correlacional-explicativo, aplicando cuestionarios y rúbricas validados (α = 0.91) a una muestra
estratificada de 323 docentes de Sinaloa, México (Mazatlán, Culiacán y Los Mochis). Los resultados
revelaron una alta asociación entre la calidad de la planificación y las calificaciones promedio (r = 0.994,
p < 0.001), estableciéndose como el principal predictor del desempeño. Aunque el uso directo de
herramientas como GPT no mostró un impacto significativo en las calificaciones (p = 0.723), sí
evidenció una fuerte correlación con la adaptación docente al modelo NEM (rₛ = 0.971). Se concluye
que, si bien la IAG no sustituye la estructura pedagógica, actúa como un facilitador clave para la
innovación y la alineación con las políticas educativas actuales, optimizando procesos sin ser la causa
directa de la mejora sumativa en el rendimiento estudiantil.
Palabras clave: planificación didáctica; inteligencia artificial generativa; Nueva Escuela Mexicana;
rendimiento académico; educación física
1 Autor principal
Correspondencia: moniicastarr@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22727
Evaluación de la planificación didáctica por inteligencia artificial
generativa y su impacto en el rendimiento académico en la Nueva Escuela
Mexicana con enfoque en Necesidades Educativas Especiales: Estudio de
caso en Sinaloa, México para la asignatura de Educación Física
Dra. Mónica de Jesús López Morales1
moniicastarr@gmail.com
https://orcid.org/0000-0001-9774-3676
Universidad Autónoma de Sinaloa
Dra. Mónica del Carmen Morales Parra
netomonii@gmail.com
https://orcid.org/0009-0005-3038-1398
Universidad Autónoma de Sinaloa
Dr. Ernesto López Morales
netoman117@gmail.com
https://orcid.org/0009-0008-0979-3170
Universidad Autónoma de Sinaloa
Dra. Sarahi Herrera Hernández
sarahi.herrera@uas.edu.mx
https://orcid.org/0009-0007-5501-7175
Universidad Autónoma de Sinaloa
M.C. Pedro Antonio Valdez Lizárraga
Pedro.valdez@uas.edu.mx
https://orcid.org/0000-0001-5773-4628
Universidad Autónoma de Sinaloa
RESUMEN
La presente investigación analiza la relación entre la calidad de la planificación didáctica, el uso de
Inteligencia Artificial Generativa (IAG) y el rendimiento académico en Educación Física dentro del
contexto de la Nueva Escuela Mexicana (NEM). Se adoptó un enfoque cuantitativo con diseño
correlacional-explicativo, aplicando cuestionarios y rúbricas validados (α = 0.91) a una muestra
estratificada de 323 docentes de Sinaloa, México (Mazatlán, Culiacán y Los Mochis). Los resultados
revelaron una alta asociación entre la calidad de la planificación y las calificaciones promedio (r = 0.994,
p < 0.001), estableciéndose como el principal predictor del desempeño. Aunque el uso directo de
herramientas como GPT no mostró un impacto significativo en las calificaciones (p = 0.723), sí
evidenció una fuerte correlación con la adaptación docente al modelo NEM (rₛ = 0.971). Se concluye
que, si bien la IAG no sustituye la estructura pedagógica, actúa como un facilitador clave para la
innovación y la alineación con las políticas educativas actuales, optimizando procesos sin ser la causa
directa de la mejora sumativa en el rendimiento estudiantil.
Palabras clave: planificación didáctica; inteligencia artificial generativa; Nueva Escuela Mexicana;
rendimiento académico; educación física
1 Autor principal
Correspondencia: moniicastarr@gmail.com
pág. 6194
Evaluation of didactic planning by generative artificial intelligence and its
impact on academic performance in the New Mexican School with a focus
on Special Educational Needs: A case study in Sinaloa, Mexico for the
subject of Physical Education
ABSTRACT
This research analyzes the relationship between the quality of didactic planning, the use of Generative
Artificial Intelligence (GAI), and academic performance in Physical Education within the context of the
New Mexican School (NEM). A quantitative approach with a correlational–explanatory design was
adopted, applying validated questionnaires and rubrics (α = .91) to a stratified sample of 323 teachers
from Sinaloa, Mexico (Mazatlán, Culiacán, and Los Mochis). The results revealed a very high positive
association between planning quality and students’ average grades (r = .994, p < .001), establishing it as
the main predictor of performance in this sample. Although the direct use of tools such as GPT did not
show a significant impact on grades (p = .723), it did show a strong correlation with teachers’ adaptation
to the NEM model (rₛ = .971). It is concluded that, although GAI does not replace pedagogical structure,
it acts as a key facilitator for innovation and alignment with current educational policies, optimizing
processes without being the direct cause of summative improvement in student performance.
Keywords: didactic planning; generative artificial intelligence; New Mexican School; academic
performance; physical education
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 10 enero 2026
Evaluation of didactic planning by generative artificial intelligence and its
impact on academic performance in the New Mexican School with a focus
on Special Educational Needs: A case study in Sinaloa, Mexico for the
subject of Physical Education
ABSTRACT
This research analyzes the relationship between the quality of didactic planning, the use of Generative
Artificial Intelligence (GAI), and academic performance in Physical Education within the context of the
New Mexican School (NEM). A quantitative approach with a correlational–explanatory design was
adopted, applying validated questionnaires and rubrics (α = .91) to a stratified sample of 323 teachers
from Sinaloa, Mexico (Mazatlán, Culiacán, and Los Mochis). The results revealed a very high positive
association between planning quality and students’ average grades (r = .994, p < .001), establishing it as
the main predictor of performance in this sample. Although the direct use of tools such as GPT did not
show a significant impact on grades (p = .723), it did show a strong correlation with teachers’ adaptation
to the NEM model (rₛ = .971). It is concluded that, although GAI does not replace pedagogical structure,
it acts as a key facilitator for innovation and alignment with current educational policies, optimizing
processes without being the direct cause of summative improvement in student performance.
Keywords: didactic planning; generative artificial intelligence; New Mexican School; academic
performance; physical education
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 10 enero 2026
pág. 6195
INTRODUCCIÓN
La incorporación de la Inteligencia Artificial Generativa (IAG) en el espectro educativo contemporáneo
constituye uno de los retos epistemológicos y pedagógicos de mayor trascendencia en la última década,
superando en complejidad a disrupciones tecnológicas previas como la digitalización de contenidos o
los sistemas de gestión del aprendizaje (LMS). Investigaciones recientes, como las de García-Peñalvo
et al. (2024) y Gallent-Torres et al. (2023), postulan que el advenimiento de modelos de lenguaje masivo
(LLM), ejemplificados por herramientas como GPT, no solo reconfigura los mecanismos de producción
y consumo de contenidos académicos, sino que interpela las dinámicas tradicionales inherentes al
proceso de enseñanza-aprendizaje.
Esta tecnología desplaza al docente de su rol histórico como único poseedor del conocimiento,
obligándolo a transitar hacia una función de mediador crítico y diseñador de experiencias de aprendizaje
situado. No obstante, si bien la literatura internacional abunda en análisis teóricos concernientes a las
implicaciones éticas, la integridad académica y la personalización del aprendizaje en la educación
superior (Ojeda et al., 2023), se advierte una carencia sustancial de evidencia empírica que cuantifique
el impacto tangible de estas herramientas en el nivel de educación básica. Esta laguna es particularmente
notoria en disciplinas de naturaleza práctica y vivencial como la Educación Física, donde la mediación
tecnológica parece, a primera vista, distante de la praxis corporal y el desarrollo psicomotor.
El panorama educativo mexicano experimenta actualmente una metamorfosis paradigmática derivada
de la instrumentación de la Nueva Escuela Mexicana (NEM), un modelo que jerarquiza la equidad, la
inclusión, la interculturalidad crítica y el desarrollo integral del discente bajo un enfoque eminentemente
humanista (Secretaría de Educación Pública [SEP], 2022). Dicho modelo exige del cuerpo docente una
competencia de planificación didáctica altamente adaptativa, facultada para atender la heterogeneidad
cognitiva, motriz y sociocultural del alumnado, identificando y minimizando las Barreras para el
Aprendizaje y la Participación (BAP) presentes en los contextos escolares.
En esta coyuntura, la planificación didáctica trasciende su carácter meramente administrativo o
burocrático para consolidarse como el eje rector del desempeño académico y la concreción curricular.
La hipótesis subyacente en la praxis educativa contemporánea sugiere que la tecnología,
específicamente la IAG, podría fungir como un catalizador instrumental para dicha adaptación,
INTRODUCCIÓN
La incorporación de la Inteligencia Artificial Generativa (IAG) en el espectro educativo contemporáneo
constituye uno de los retos epistemológicos y pedagógicos de mayor trascendencia en la última década,
superando en complejidad a disrupciones tecnológicas previas como la digitalización de contenidos o
los sistemas de gestión del aprendizaje (LMS). Investigaciones recientes, como las de García-Peñalvo
et al. (2024) y Gallent-Torres et al. (2023), postulan que el advenimiento de modelos de lenguaje masivo
(LLM), ejemplificados por herramientas como GPT, no solo reconfigura los mecanismos de producción
y consumo de contenidos académicos, sino que interpela las dinámicas tradicionales inherentes al
proceso de enseñanza-aprendizaje.
Esta tecnología desplaza al docente de su rol histórico como único poseedor del conocimiento,
obligándolo a transitar hacia una función de mediador crítico y diseñador de experiencias de aprendizaje
situado. No obstante, si bien la literatura internacional abunda en análisis teóricos concernientes a las
implicaciones éticas, la integridad académica y la personalización del aprendizaje en la educación
superior (Ojeda et al., 2023), se advierte una carencia sustancial de evidencia empírica que cuantifique
el impacto tangible de estas herramientas en el nivel de educación básica. Esta laguna es particularmente
notoria en disciplinas de naturaleza práctica y vivencial como la Educación Física, donde la mediación
tecnológica parece, a primera vista, distante de la praxis corporal y el desarrollo psicomotor.
El panorama educativo mexicano experimenta actualmente una metamorfosis paradigmática derivada
de la instrumentación de la Nueva Escuela Mexicana (NEM), un modelo que jerarquiza la equidad, la
inclusión, la interculturalidad crítica y el desarrollo integral del discente bajo un enfoque eminentemente
humanista (Secretaría de Educación Pública [SEP], 2022). Dicho modelo exige del cuerpo docente una
competencia de planificación didáctica altamente adaptativa, facultada para atender la heterogeneidad
cognitiva, motriz y sociocultural del alumnado, identificando y minimizando las Barreras para el
Aprendizaje y la Participación (BAP) presentes en los contextos escolares.
En esta coyuntura, la planificación didáctica trasciende su carácter meramente administrativo o
burocrático para consolidarse como el eje rector del desempeño académico y la concreción curricular.
La hipótesis subyacente en la praxis educativa contemporánea sugiere que la tecnología,
específicamente la IAG, podría fungir como un catalizador instrumental para dicha adaptación,
pág. 6196
automatizando tareas rutinarias de diseño instruccional y permitiendo al docente focalizar su atención
en la interacción pedagógica sustantiva. Sin embargo, prevalece la incertidumbre respecto a si esta
eficiencia tecnológica en la fase de diseño se traduce efectivamente en una mejora sumativa del
rendimiento estudiantil o si, por el contrario, su incidencia se circunscribe exclusivamente a la
optimización de los tiempos de gestión docente.
La Educación Física, disciplina frecuentemente relegada en los estudios de tecnología educativa los
cuales suelen privilegiar áreas STEM (Ciencia, Tecnología, Ingeniería y Matemáticas), confronta
desafíos singulares en este nuevo ecosistema digital. La naturaleza kinestésica de la asignatura, aunada
a la necesidad imperiosa de personalizar el desarrollo de habilidades motrices y competencias
socioemocionales en entornos diversos, demanda una estructuración pedagógica rigurosa y creativa,
donde la IAG podría facilitar el diseño de variantes motrices y ajustes razonables para estudiantes con
diversas capacidades, una tarea que tradicionalmente consume gran parte del tiempo lectivo docente.
Evidencia previa (Carriazo Díaz et al., 2020) ha corroborado que una planificación deficiente constituye
un predictor significativo de bajo rendimiento y desmotivación escolar, independientemente de los
recursos tecnológicos disponibles.
Este fenómeno adquiere matices específicos en el estado de Sinaloa, una entidad caracterizada por una
marcada heterogeneidad estructural entre sus principales núcleos urbanos (Mazatlán, Culiacán y Los
Mochis) y sus zonas periféricas. Esta disparidad convierte a la región en un laboratorio idóneo para
analizar si la tecnología actúa como un ecualizador de oportunidades docentes o como un amplificador
de desigualdades preexistentes. La problemática de investigación, por tanto, no se circunscribe a la
capacidad técnica inherente a la IA, sino que converge en su interacción dialéctica con la praxis
pedagógica situada. Se observa en el discurso educativo actual una tendencia hacia un "tecno-
optimismo" acrítico que presupone que la mera incorporación de herramientas digitales eleva per se la
calidad educativa (Silva Hernández & Martínez Prats, 2021). No obstante, la observación empírica
sugiere una realidad más matizada: la tecnología desprovista de una estructura pedagógica sólida y una
intencionalidad didáctica clara resulta inocua.
En consecuencia, resulta imperativo dilucidar empíricamente si el empleo de asistentes virtuales como
GPT influye directamente en las calificaciones de los estudiantes como indicador de rendimiento
automatizando tareas rutinarias de diseño instruccional y permitiendo al docente focalizar su atención
en la interacción pedagógica sustantiva. Sin embargo, prevalece la incertidumbre respecto a si esta
eficiencia tecnológica en la fase de diseño se traduce efectivamente en una mejora sumativa del
rendimiento estudiantil o si, por el contrario, su incidencia se circunscribe exclusivamente a la
optimización de los tiempos de gestión docente.
La Educación Física, disciplina frecuentemente relegada en los estudios de tecnología educativa los
cuales suelen privilegiar áreas STEM (Ciencia, Tecnología, Ingeniería y Matemáticas), confronta
desafíos singulares en este nuevo ecosistema digital. La naturaleza kinestésica de la asignatura, aunada
a la necesidad imperiosa de personalizar el desarrollo de habilidades motrices y competencias
socioemocionales en entornos diversos, demanda una estructuración pedagógica rigurosa y creativa,
donde la IAG podría facilitar el diseño de variantes motrices y ajustes razonables para estudiantes con
diversas capacidades, una tarea que tradicionalmente consume gran parte del tiempo lectivo docente.
Evidencia previa (Carriazo Díaz et al., 2020) ha corroborado que una planificación deficiente constituye
un predictor significativo de bajo rendimiento y desmotivación escolar, independientemente de los
recursos tecnológicos disponibles.
Este fenómeno adquiere matices específicos en el estado de Sinaloa, una entidad caracterizada por una
marcada heterogeneidad estructural entre sus principales núcleos urbanos (Mazatlán, Culiacán y Los
Mochis) y sus zonas periféricas. Esta disparidad convierte a la región en un laboratorio idóneo para
analizar si la tecnología actúa como un ecualizador de oportunidades docentes o como un amplificador
de desigualdades preexistentes. La problemática de investigación, por tanto, no se circunscribe a la
capacidad técnica inherente a la IA, sino que converge en su interacción dialéctica con la praxis
pedagógica situada. Se observa en el discurso educativo actual una tendencia hacia un "tecno-
optimismo" acrítico que presupone que la mera incorporación de herramientas digitales eleva per se la
calidad educativa (Silva Hernández & Martínez Prats, 2021). No obstante, la observación empírica
sugiere una realidad más matizada: la tecnología desprovista de una estructura pedagógica sólida y una
intencionalidad didáctica clara resulta inocua.
En consecuencia, resulta imperativo dilucidar empíricamente si el empleo de asistentes virtuales como
GPT influye directamente en las calificaciones de los estudiantes como indicador de rendimiento
pág. 6197
sumativo o si su valor primario reside en facilitar la adaptación del docente a los exigentes principios de
flexibilidad e inclusión de la NEM. En virtud de lo anterior, el objetivo general de esta investigación fue
analizar la relación entre la calidad de la planificación didáctica, la percepción y uso de herramientas de
IAG, y su impacto en el rendimiento académico y la adaptación al modelo de la Nueva Escuela Mexicana
en docentes de educación física de la región. De manera específica, se buscó determinar la existencia de
diferencias significativas en el desempeño estudiantil entre docentes usuarios y no usuarios de GPT, así
como evaluar en qué medida esta herramienta tecnológica contribuye a la materialización operativa de
los principios de inclusión y equidad exigidos por el sistema educativo nacional.
METODOLOGÍA
Enfoque y Diseño de Investigación
La presente investigación se fundamenta epistemológicamente en el paradigma positivista, adoptando
un enfoque cuantitativo de corte racionalista. Esta postura asume la premisa de que la realidad educativa,
si bien compleja, posee dimensiones objetivas y observables que son susceptibles de medición precisa
y cuantificación rigurosa. En consecuencia, se privilegió la recolección sistemática de datos numéricos
y su posterior tratamiento mediante técnicas estadísticas avanzadas, permitiendo no solo la descripción
de fenómenos, sino la contrastación empírica de hipótesis para establecer patrones de regularidad que
trasciendan la subjetividad individual del docente.
En cuanto al alcance, el estudio se definió estratégicamente como correlacional-explicativo, una
dualidad metodológica que permitió abordar el fenómeno en dos niveles de profundidad
complementarios. En una primera instancia, la dimensión correlacional se orientó a cuantificar la
magnitud, dirección y significancia estadística de la asociación entre variables críticas: la calidad técnica
de la planificación didáctica, la frecuencia y tipo de uso de la Inteligencia Artificial Generativa (IAG),
y los indicadores de rendimiento académico. Posteriormente, el nivel explicativo buscó trascender la
mera descripción asociativa para desentrañar los mecanismos de influencia causal subyacentes,
identificando específicamente a la IAG no como un fin en sí mismo, sino como una variable interviniente
crucial que modula y facilita la adaptación docente a los exigentes lineamientos normativos y
pedagógicos de la Nueva Escuela Mexicana (NEM).
sumativo o si su valor primario reside en facilitar la adaptación del docente a los exigentes principios de
flexibilidad e inclusión de la NEM. En virtud de lo anterior, el objetivo general de esta investigación fue
analizar la relación entre la calidad de la planificación didáctica, la percepción y uso de herramientas de
IAG, y su impacto en el rendimiento académico y la adaptación al modelo de la Nueva Escuela Mexicana
en docentes de educación física de la región. De manera específica, se buscó determinar la existencia de
diferencias significativas en el desempeño estudiantil entre docentes usuarios y no usuarios de GPT, así
como evaluar en qué medida esta herramienta tecnológica contribuye a la materialización operativa de
los principios de inclusión y equidad exigidos por el sistema educativo nacional.
METODOLOGÍA
Enfoque y Diseño de Investigación
La presente investigación se fundamenta epistemológicamente en el paradigma positivista, adoptando
un enfoque cuantitativo de corte racionalista. Esta postura asume la premisa de que la realidad educativa,
si bien compleja, posee dimensiones objetivas y observables que son susceptibles de medición precisa
y cuantificación rigurosa. En consecuencia, se privilegió la recolección sistemática de datos numéricos
y su posterior tratamiento mediante técnicas estadísticas avanzadas, permitiendo no solo la descripción
de fenómenos, sino la contrastación empírica de hipótesis para establecer patrones de regularidad que
trasciendan la subjetividad individual del docente.
En cuanto al alcance, el estudio se definió estratégicamente como correlacional-explicativo, una
dualidad metodológica que permitió abordar el fenómeno en dos niveles de profundidad
complementarios. En una primera instancia, la dimensión correlacional se orientó a cuantificar la
magnitud, dirección y significancia estadística de la asociación entre variables críticas: la calidad técnica
de la planificación didáctica, la frecuencia y tipo de uso de la Inteligencia Artificial Generativa (IAG),
y los indicadores de rendimiento académico. Posteriormente, el nivel explicativo buscó trascender la
mera descripción asociativa para desentrañar los mecanismos de influencia causal subyacentes,
identificando específicamente a la IAG no como un fin en sí mismo, sino como una variable interviniente
crucial que modula y facilita la adaptación docente a los exigentes lineamientos normativos y
pedagógicos de la Nueva Escuela Mexicana (NEM).
pág. 6198
El diseño implementado fue no experimental, transversal y retrospectivo. Al renunciar a la manipulación
deliberada de variables independientes (típica de los diseños experimentales), se privilegió el análisis
de los fenómenos en su contexto ecológico natural, observando las prácticas docentes y los resultados
estudiantiles tal como ocurren en la realidad escolar cotidiana, sin las distorsiones artificiales de un
entorno de laboratorio. La recolección de datos en un corte temporal único permitió capturar una
"fotografía" diagnóstica del estado actual de la integración tecnológica y la praxis pedagógica,
asegurando así la validez externa de los hallazgos y su potencial generalización a contextos educativos
con características sociodemográficas similares (Hernández-Sampieri & Mendoza, 2018).
Población y Muestra
La población objetivo comprendió la totalidad de los docentes de educación básica (niveles de primaria
y secundaria) adscritos al sistema educativo del estado de Sinaloa, México. Para garantizar la
representatividad estadística y el control de variables intervinientes, se utilizó un muestreo probabilístico
estratificado que derivó en una muestra final de 323 docentes (N=323). La estratificación se ejecutó bajo
dos criterios rectores: la ubicación geográfica, asegurando una proporción acorde a la densidad educativa
de las regiones neurálgicas del estado (Mazatlán, Culiacán y Los Mochis), y el perfil tecnológico,
estableciendo una asignación equilibrada a priori entre docentes usuarios de GPT y no usuarios. Esta
segmentación, detallada en la Tabla 1, fue fundamental para mitigar sesgos de selección y permitir
comparaciones robustas entre grupos.
Tabla 1. Distribución Estratificada de la Muestra Docente
Ubicación Geográfica Frecuencia (n) Porcentaje (%) Usuarios GPT (n) No Usuarios GPT (n)
Mazatlán 194 60.1% 97 97
Culiacán 65 20.1% 33 32
Los Mochis 64 19.8% 32 32
Total 323 100% 162 161
Nota. Datos derivados de la matriz de análisis del estudio.
Como se aprecia en la Tabla 1, la distribución geográfica de la muestra refleja la concentración
demográfica y educativa del estado, con una participación predominante de la región de Mazatlán
El diseño implementado fue no experimental, transversal y retrospectivo. Al renunciar a la manipulación
deliberada de variables independientes (típica de los diseños experimentales), se privilegió el análisis
de los fenómenos en su contexto ecológico natural, observando las prácticas docentes y los resultados
estudiantiles tal como ocurren en la realidad escolar cotidiana, sin las distorsiones artificiales de un
entorno de laboratorio. La recolección de datos en un corte temporal único permitió capturar una
"fotografía" diagnóstica del estado actual de la integración tecnológica y la praxis pedagógica,
asegurando así la validez externa de los hallazgos y su potencial generalización a contextos educativos
con características sociodemográficas similares (Hernández-Sampieri & Mendoza, 2018).
Población y Muestra
La población objetivo comprendió la totalidad de los docentes de educación básica (niveles de primaria
y secundaria) adscritos al sistema educativo del estado de Sinaloa, México. Para garantizar la
representatividad estadística y el control de variables intervinientes, se utilizó un muestreo probabilístico
estratificado que derivó en una muestra final de 323 docentes (N=323). La estratificación se ejecutó bajo
dos criterios rectores: la ubicación geográfica, asegurando una proporción acorde a la densidad educativa
de las regiones neurálgicas del estado (Mazatlán, Culiacán y Los Mochis), y el perfil tecnológico,
estableciendo una asignación equilibrada a priori entre docentes usuarios de GPT y no usuarios. Esta
segmentación, detallada en la Tabla 1, fue fundamental para mitigar sesgos de selección y permitir
comparaciones robustas entre grupos.
Tabla 1. Distribución Estratificada de la Muestra Docente
Ubicación Geográfica Frecuencia (n) Porcentaje (%) Usuarios GPT (n) No Usuarios GPT (n)
Mazatlán 194 60.1% 97 97
Culiacán 65 20.1% 33 32
Los Mochis 64 19.8% 32 32
Total 323 100% 162 161
Nota. Datos derivados de la matriz de análisis del estudio.
Como se aprecia en la Tabla 1, la distribución geográfica de la muestra refleja la concentración
demográfica y educativa del estado, con una participación predominante de la región de Mazatlán
pág. 6199
(n=194), que constituye el 60.1% del total. Las regiones de Culiacán y Los Mochis presentan una
representación equiparable, con el 20.1% y 19.8% respectivamente. Es fundamental destacar la
rigurosidad en la asignación del perfil tecnológico, logrando un equilibrio casi simétrico entre los
docentes usuarios de GPT (n=162) y los no usuarios (n=161) a nivel global. Esta paridad se mantiene
consistente al interior de cada estrato geográfico, lo que garantiza que las comparaciones estadísticas
entre ambos grupos no se vean sesgadas por factores de ubicación, validando así la homogeneidad
estructural de los subgrupos de análisis.
Técnicas e Instrumentos de Recolección
La estrategia de recolección de datos se instrumentó mediante el diseño y aplicación de una batería de
tres herramientas complementarias, sometidas a un riguroso proceso de validación de contenido por
juicio de expertos y análisis de fiabilidad. El análisis psicométrico global arrojó un coeficiente de
consistencia interna Alfa de Cronbach de 0.91, evidenciando una homogeneidad excelente en la
medición de los constructos estudiados.
En primera instancia, se aplicó el Cuestionario Docente sobre Desempeño Estudiantil, un instrumento
ad hoc estructurado para cuantificar la percepción experta del profesorado. Este cuestionario emplea
una escala Likert de cinco puntos (donde 1 representa "Deficiente" y 5 "Sobresaliente") para evaluar no
solo el rendimiento académico sumativo, sino también indicadores cualitativos críticos como la
motivación, la autonomía y, fundamentalmente, la alineación de las competencias desarrolladas con los
ejes articuladores de la Nueva Escuela Mexicana (NEM).
De manera complementaria, y con el objetivo de objetivar la evaluación del rendimiento en una
disciplina práctica como la Educación Física, se implementó la Rúbrica Estandarizada de Desempeño
Escolar. Este instrumento permite trascender la asignación de una calificación numérica aislada,
desglosando el desempeño en cinco dimensiones holísticas: dominio del contenido (saberes teóricos),
habilidades prácticas (ejecución motriz), participación, organización y desarrollo socioemocional. Esta
desagregación resulta vital para identificar en qué áreas específicas incide la planificación didáctica.
Finalmente, para robustecer la validez interna mediante la triangulación de fuentes y controlar el sesgo
de deseabilidad social inherente a los autorreportes, se empleó la Guía de Observación Estandarizada.
Este instrumento se utilizó para registrar comportamientos in situ durante las sesiones prácticas. La
(n=194), que constituye el 60.1% del total. Las regiones de Culiacán y Los Mochis presentan una
representación equiparable, con el 20.1% y 19.8% respectivamente. Es fundamental destacar la
rigurosidad en la asignación del perfil tecnológico, logrando un equilibrio casi simétrico entre los
docentes usuarios de GPT (n=162) y los no usuarios (n=161) a nivel global. Esta paridad se mantiene
consistente al interior de cada estrato geográfico, lo que garantiza que las comparaciones estadísticas
entre ambos grupos no se vean sesgadas por factores de ubicación, validando así la homogeneidad
estructural de los subgrupos de análisis.
Técnicas e Instrumentos de Recolección
La estrategia de recolección de datos se instrumentó mediante el diseño y aplicación de una batería de
tres herramientas complementarias, sometidas a un riguroso proceso de validación de contenido por
juicio de expertos y análisis de fiabilidad. El análisis psicométrico global arrojó un coeficiente de
consistencia interna Alfa de Cronbach de 0.91, evidenciando una homogeneidad excelente en la
medición de los constructos estudiados.
En primera instancia, se aplicó el Cuestionario Docente sobre Desempeño Estudiantil, un instrumento
ad hoc estructurado para cuantificar la percepción experta del profesorado. Este cuestionario emplea
una escala Likert de cinco puntos (donde 1 representa "Deficiente" y 5 "Sobresaliente") para evaluar no
solo el rendimiento académico sumativo, sino también indicadores cualitativos críticos como la
motivación, la autonomía y, fundamentalmente, la alineación de las competencias desarrolladas con los
ejes articuladores de la Nueva Escuela Mexicana (NEM).
De manera complementaria, y con el objetivo de objetivar la evaluación del rendimiento en una
disciplina práctica como la Educación Física, se implementó la Rúbrica Estandarizada de Desempeño
Escolar. Este instrumento permite trascender la asignación de una calificación numérica aislada,
desglosando el desempeño en cinco dimensiones holísticas: dominio del contenido (saberes teóricos),
habilidades prácticas (ejecución motriz), participación, organización y desarrollo socioemocional. Esta
desagregación resulta vital para identificar en qué áreas específicas incide la planificación didáctica.
Finalmente, para robustecer la validez interna mediante la triangulación de fuentes y controlar el sesgo
de deseabilidad social inherente a los autorreportes, se empleó la Guía de Observación Estandarizada.
Este instrumento se utilizó para registrar comportamientos in situ durante las sesiones prácticas. La
pág. 6200
fiabilidad de los registros fue garantizada mediante el cálculo del Coeficiente kappa de Cohen (κ) para
la concordancia inter-evaluador, obteniendo un valor superior a 0.85 (κ > 0.85). La Tabla 2 presenta la
operacionalización técnica de las variables analizadas.
Tabla 2. Matriz de Operacionalización de Variables y Técnicas de Recolección
Variable Definición Operacional Instrumento Nivel de Medición
Calidad de
Planificación
Grado de alineación con objetivos de
aprendizaje y estructura pedagógica.
Rúbrica de
Evaluación
Escala de Razón
(Puntaje)
Uso de GPT Frecuencia e integración de IAG en el
diseño instruccional.
Cuestionario
Docente
Nominal
Dicotómica
(Sí/No)
Rendimiento
Académico
Promedio de calificaciones y nivel de
competencia motriz alcanzado.
Registros Escolares
/ Rúbrica
Escala de Razón /
Ordinal
Adaptación a
NEM
Nivel de incorporación de principios de
inclusión y equidad.
Cuestionario
Docente
Escala Ordinal
(Likert)
Participación
Estudiantil
Frecuencia de interacción activa en
sesiones prácticas.
Guía de
Observación Escala Ordinal
Nota. Elaboración propia basada en el diccionario de variables del estudio.
La Tabla 2 detalla la estrategia de instrumentalización que permitió transformar constructos teóricos
complejos en datos empíricos procesables. Es imperativo señalar la naturaleza multidimensional de la
variable dependiente "Rendimiento Académico", la cual no se limitó a la calificación sumativa
tradicional (escala de razón), sino que integró una valoración cualitativa ordinal a través de la rúbrica,
permitiendo capturar matices del desarrollo competencial que una simple nota numérica podría
enmascarar. Por su parte, la variable independiente "Calidad de Planificación" fue tratada como una
variable continua de razón, derivada de la sumatoria de puntajes de la rúbrica de evaluación, lo que
habilitó la aplicación de pruebas paramétricas robustas como la correlación de Pearson. Finalmente, la
operacionalización dicotómica del "Uso de GPT" fue una decisión metodológica clave para establecer
grupos de comparación nítidos, facilitando el análisis de diferencias de medias (prueba t) sin la
ambigüedad de grados intermedios de uso.
fiabilidad de los registros fue garantizada mediante el cálculo del Coeficiente kappa de Cohen (κ) para
la concordancia inter-evaluador, obteniendo un valor superior a 0.85 (κ > 0.85). La Tabla 2 presenta la
operacionalización técnica de las variables analizadas.
Tabla 2. Matriz de Operacionalización de Variables y Técnicas de Recolección
Variable Definición Operacional Instrumento Nivel de Medición
Calidad de
Planificación
Grado de alineación con objetivos de
aprendizaje y estructura pedagógica.
Rúbrica de
Evaluación
Escala de Razón
(Puntaje)
Uso de GPT Frecuencia e integración de IAG en el
diseño instruccional.
Cuestionario
Docente
Nominal
Dicotómica
(Sí/No)
Rendimiento
Académico
Promedio de calificaciones y nivel de
competencia motriz alcanzado.
Registros Escolares
/ Rúbrica
Escala de Razón /
Ordinal
Adaptación a
NEM
Nivel de incorporación de principios de
inclusión y equidad.
Cuestionario
Docente
Escala Ordinal
(Likert)
Participación
Estudiantil
Frecuencia de interacción activa en
sesiones prácticas.
Guía de
Observación Escala Ordinal
Nota. Elaboración propia basada en el diccionario de variables del estudio.
La Tabla 2 detalla la estrategia de instrumentalización que permitió transformar constructos teóricos
complejos en datos empíricos procesables. Es imperativo señalar la naturaleza multidimensional de la
variable dependiente "Rendimiento Académico", la cual no se limitó a la calificación sumativa
tradicional (escala de razón), sino que integró una valoración cualitativa ordinal a través de la rúbrica,
permitiendo capturar matices del desarrollo competencial que una simple nota numérica podría
enmascarar. Por su parte, la variable independiente "Calidad de Planificación" fue tratada como una
variable continua de razón, derivada de la sumatoria de puntajes de la rúbrica de evaluación, lo que
habilitó la aplicación de pruebas paramétricas robustas como la correlación de Pearson. Finalmente, la
operacionalización dicotómica del "Uso de GPT" fue una decisión metodológica clave para establecer
grupos de comparación nítidos, facilitando el análisis de diferencias de medias (prueba t) sin la
ambigüedad de grados intermedios de uso.
pág. 6201
Procedimiento
El despliegue operativo de la investigación se articuló rigurosamente en tres fases secuenciales.
Inicialmente, se ejecutó una fase de validación de contenido y constructo mediante un estudio piloto con
un grupo control de 30 docentes (n=30) ajenos a la muestra final. Esta etapa fue crucial no solo para
calibrar la redacción de los ítems y eliminar posibles ambigüedades semánticas, sino también para
confirmar preliminarmente las propiedades psicométricas de los instrumentos, asegurando que la
terminología utilizada fuera pertinente al contexto educativo sinaloense. Posteriormente, el
levantamiento de datos se desplegó a través de una estrategia diseñada para maximizar la cobertura
territorial.
Por un lado, se utilizaron plataformas digitales (Google Forms) para agilizar la recolección en docentes
de zonas urbanas con acceso estable a internet. Esta metodología dual fue fundamental para garantizar
la inclusión de docentes de diversos estratos socioeconómicos, mitigando efectivamente el sesgo de la
brecha digital y asegurando la representatividad de las tres regiones estudiadas. Finalmente, la
información recabada fue sometida a un riguroso proceso de sistematización. Se realizaron
procedimientos de depuración para identificar y corregir valores atípicos o inconsistencias, así como un
control de calidad para descartar cuestionarios incompletos. Una vez validada la integridad de los datos,
estos fueron codificados e integrados en una matriz de análisis general, preparándolos para su
procesamiento estadístico.
Análisis de Datos
El tratamiento estadístico de la información se llevó a cabo utilizando el software especializado IBM
SPSS Statistics versión 27, siguiendo un protocolo analítico jerarquizado diseñado para maximizar la
validez interna de los hallazgos. En la fase inicial, se ejecutó un análisis descriptivo exhaustivo con el
propósito de caracterizar el comportamiento distributivo de las variables clave; para ello, se calcularon
medidas de tendencia central (media, mediana) y de dispersión (desviación estándar), fundamentales
para establecer una línea base de la muestra y detectar la presencia de valores atípicos (outliers) que
pudieran sesgar los resultados posteriores. Para la contrastación de hipótesis comparativas, se seleccionó
la prueba paramétrica t de Student para muestras independientes, previa verificación rigurosa de los
supuestos de normalidad (prueba de Kolmogorov-Smirnov) y homogeneidad de varianzas (prueba de
Procedimiento
El despliegue operativo de la investigación se articuló rigurosamente en tres fases secuenciales.
Inicialmente, se ejecutó una fase de validación de contenido y constructo mediante un estudio piloto con
un grupo control de 30 docentes (n=30) ajenos a la muestra final. Esta etapa fue crucial no solo para
calibrar la redacción de los ítems y eliminar posibles ambigüedades semánticas, sino también para
confirmar preliminarmente las propiedades psicométricas de los instrumentos, asegurando que la
terminología utilizada fuera pertinente al contexto educativo sinaloense. Posteriormente, el
levantamiento de datos se desplegó a través de una estrategia diseñada para maximizar la cobertura
territorial.
Por un lado, se utilizaron plataformas digitales (Google Forms) para agilizar la recolección en docentes
de zonas urbanas con acceso estable a internet. Esta metodología dual fue fundamental para garantizar
la inclusión de docentes de diversos estratos socioeconómicos, mitigando efectivamente el sesgo de la
brecha digital y asegurando la representatividad de las tres regiones estudiadas. Finalmente, la
información recabada fue sometida a un riguroso proceso de sistematización. Se realizaron
procedimientos de depuración para identificar y corregir valores atípicos o inconsistencias, así como un
control de calidad para descartar cuestionarios incompletos. Una vez validada la integridad de los datos,
estos fueron codificados e integrados en una matriz de análisis general, preparándolos para su
procesamiento estadístico.
Análisis de Datos
El tratamiento estadístico de la información se llevó a cabo utilizando el software especializado IBM
SPSS Statistics versión 27, siguiendo un protocolo analítico jerarquizado diseñado para maximizar la
validez interna de los hallazgos. En la fase inicial, se ejecutó un análisis descriptivo exhaustivo con el
propósito de caracterizar el comportamiento distributivo de las variables clave; para ello, se calcularon
medidas de tendencia central (media, mediana) y de dispersión (desviación estándar), fundamentales
para establecer una línea base de la muestra y detectar la presencia de valores atípicos (outliers) que
pudieran sesgar los resultados posteriores. Para la contrastación de hipótesis comparativas, se seleccionó
la prueba paramétrica t de Student para muestras independientes, previa verificación rigurosa de los
supuestos de normalidad (prueba de Kolmogorov-Smirnov) y homogeneidad de varianzas (prueba de
pág. 6202
Levene). Esta técnica permitió determinar con precisión la existencia o ausencia de diferencias
estadísticamente significativas en las calificaciones promedio entre el grupo de docentes usuarios de
GPT y el de no usuarios, aislando el efecto de la variable tecnológica.
La estructura asociativa de los datos se exploró mediante un enfoque correlacional dual: se utilizó el
coeficiente de correlación de Pearson (r) para examinar la linealidad en datos continuos de razón (como
la relación entre puntajes de planificación y calificaciones), y el coeficiente de Spearman (rs) para
variables de naturaleza ordinal, tales como las escalas de percepción tipo Likert. Posteriormente, con el
objetivo de determinar el peso predictivo específico de cada variable independiente sobre el rendimiento
académico, se construyeron modelos de regresión lineal múltiple. La robustez de estos modelos fue
validada diagnosticando la multicolinealidad a través del cálculo del Factor de Inflación de la Varianza
(VIF), asegurando que las estimaciones de los coeficientes no estuvieran infladas por correlaciones
excesivas entre predictores. Finalmente, para evaluar la significancia de los cambios intra-sujeto en el
rendimiento pre y post intervención (implementación de planificación estructurada), se empleó la prueba
de rangos de Wilcoxon, seleccionada por su potencia estadística en el análisis de muestras relacionadas
no paramétricas, ideal para detectar cambios sutiles pero consistentes en el desempeño longitudinal.
Consideraciones Éticas y Limitaciones
El estudio se apegó estrictamente a los lineamientos éticos internacionales estipulados en la Declaración
de Helsinki. Se implementó un protocolo riguroso de consentimiento informado, garantizando a cada
participante el pleno conocimiento de los objetivos del estudio, la naturaleza voluntaria de su
colaboración y el derecho inalienable a la revocación de su participación en cualquier etapa del proceso.
Para asegurar la integridad de los datos, se establecieron mecanismos de anonimizarían mediante
códigos alfanuméricos, protegiendo la identidad de los docentes y sus centros escolares.
En el ámbito de las limitaciones metodológicas, el análisis de regresión evidenció un Factor de Inflación
de la Varianza (VIF) de 12.435 entre la calidad de la planificación y el rendimiento académico. Si bien
este valor excede los umbrales convencionales de no colinealidad, no se interpreta únicamente como un
error técnico del modelo, sino también como un hallazgo estructural que refleja una interdependencia
conceptual casi absoluta entre la fase de diseño didáctico y la ejecución pedagógica en el marco de la
NEM, lo que dificulta aislar el efecto "puro" de cada variable. Adicionalmente, es imperativo
Levene). Esta técnica permitió determinar con precisión la existencia o ausencia de diferencias
estadísticamente significativas en las calificaciones promedio entre el grupo de docentes usuarios de
GPT y el de no usuarios, aislando el efecto de la variable tecnológica.
La estructura asociativa de los datos se exploró mediante un enfoque correlacional dual: se utilizó el
coeficiente de correlación de Pearson (r) para examinar la linealidad en datos continuos de razón (como
la relación entre puntajes de planificación y calificaciones), y el coeficiente de Spearman (rs) para
variables de naturaleza ordinal, tales como las escalas de percepción tipo Likert. Posteriormente, con el
objetivo de determinar el peso predictivo específico de cada variable independiente sobre el rendimiento
académico, se construyeron modelos de regresión lineal múltiple. La robustez de estos modelos fue
validada diagnosticando la multicolinealidad a través del cálculo del Factor de Inflación de la Varianza
(VIF), asegurando que las estimaciones de los coeficientes no estuvieran infladas por correlaciones
excesivas entre predictores. Finalmente, para evaluar la significancia de los cambios intra-sujeto en el
rendimiento pre y post intervención (implementación de planificación estructurada), se empleó la prueba
de rangos de Wilcoxon, seleccionada por su potencia estadística en el análisis de muestras relacionadas
no paramétricas, ideal para detectar cambios sutiles pero consistentes en el desempeño longitudinal.
Consideraciones Éticas y Limitaciones
El estudio se apegó estrictamente a los lineamientos éticos internacionales estipulados en la Declaración
de Helsinki. Se implementó un protocolo riguroso de consentimiento informado, garantizando a cada
participante el pleno conocimiento de los objetivos del estudio, la naturaleza voluntaria de su
colaboración y el derecho inalienable a la revocación de su participación en cualquier etapa del proceso.
Para asegurar la integridad de los datos, se establecieron mecanismos de anonimizarían mediante
códigos alfanuméricos, protegiendo la identidad de los docentes y sus centros escolares.
En el ámbito de las limitaciones metodológicas, el análisis de regresión evidenció un Factor de Inflación
de la Varianza (VIF) de 12.435 entre la calidad de la planificación y el rendimiento académico. Si bien
este valor excede los umbrales convencionales de no colinealidad, no se interpreta únicamente como un
error técnico del modelo, sino también como un hallazgo estructural que refleja una interdependencia
conceptual casi absoluta entre la fase de diseño didáctico y la ejecución pedagógica en el marco de la
NEM, lo que dificulta aislar el efecto "puro" de cada variable. Adicionalmente, es imperativo
pág. 6203
circunscribir la generalización de los hallazgos al contexto socioeducativo del estado de Sinaloa. Las
particularidades regionales, culturales y de infraestructura tecnológica de la muestra sinaloense
constituyen un estudio de caso específico que, si bien ofrece una alta validez ecológica interna, requiere
cautela al extrapolarse a otras entidades federativas con dinámicas educativas disímiles.
RESULTADOS
El análisis de los datos se estructuró estratégicamente mediante una arquitectura analítica secuencial y
progresiva, diseñada no solo para responder con precisión matemática a las preguntas de investigación
planteadas, sino para capturar la complejidad fenomenológica de la práctica docente actual. Este diseño
metodológico evalúa la interacción sistémica y multifactorial entre tres ejes críticos: la calidad técnica
y pedagógica de la planificación didáctica, la mediación tecnológica facilitada por la adopción de
herramientas de Inteligencia Artificial Generativa (IAG) y, como variable dependiente final, el
desempeño académico en la asignatura de Educación Física. Esta aproximación trasciende la simple
presentación de cifras aisladas o tablas descontextualizadas; busca, en cambio, construir una narrativa
estadística coherente que desentrañe los mecanismos subyacentes del rendimiento escolar. En el
contexto de la Nueva Escuela Mexicana (NEM), donde se priorizan procesos formativos sobre
resultados estandarizados, este análisis busca identificar si la tecnología actúa como un facilitador
instrumental de la gestión docente o si posee la capacidad de transformar sustantivamente los resultados
de aprendizaje.
A continuación, se presentan los hallazgos estadísticos organizados jerárquicamente por dimensiones de
análisis, integrando en un mismo marco interpretativo la potencia de la estadística descriptiva y la
profundidad de la inferencial. En una primera instancia, el análisis descriptivo permite caracterizar el
"estado del arte" de las variables en las aulas sinaloenses, estableciendo una línea base sobre cómo
planifican los docentes y cómo rinden los estudiantes. Posteriormente, la estadística inferencial (pruebas
t, correlaciones y regresiones) se utiliza para contrastar hipótesis y establecer relaciones de causalidad,
permitiendo discernir entre correlaciones espurias y vínculos pedagógicos reales. Este enfoque dual es
fundamental para no solo describir qué está ocurriendo (por ejemplo, los promedios de calificación),
sino para explicar por qué y cómo interactúan los factores pedagógicos y tecnológicos. De esta manera,
se proporciona una base empírica sólida para la discusión posterior, permitiendo distinguir entre el
circunscribir la generalización de los hallazgos al contexto socioeducativo del estado de Sinaloa. Las
particularidades regionales, culturales y de infraestructura tecnológica de la muestra sinaloense
constituyen un estudio de caso específico que, si bien ofrece una alta validez ecológica interna, requiere
cautela al extrapolarse a otras entidades federativas con dinámicas educativas disímiles.
RESULTADOS
El análisis de los datos se estructuró estratégicamente mediante una arquitectura analítica secuencial y
progresiva, diseñada no solo para responder con precisión matemática a las preguntas de investigación
planteadas, sino para capturar la complejidad fenomenológica de la práctica docente actual. Este diseño
metodológico evalúa la interacción sistémica y multifactorial entre tres ejes críticos: la calidad técnica
y pedagógica de la planificación didáctica, la mediación tecnológica facilitada por la adopción de
herramientas de Inteligencia Artificial Generativa (IAG) y, como variable dependiente final, el
desempeño académico en la asignatura de Educación Física. Esta aproximación trasciende la simple
presentación de cifras aisladas o tablas descontextualizadas; busca, en cambio, construir una narrativa
estadística coherente que desentrañe los mecanismos subyacentes del rendimiento escolar. En el
contexto de la Nueva Escuela Mexicana (NEM), donde se priorizan procesos formativos sobre
resultados estandarizados, este análisis busca identificar si la tecnología actúa como un facilitador
instrumental de la gestión docente o si posee la capacidad de transformar sustantivamente los resultados
de aprendizaje.
A continuación, se presentan los hallazgos estadísticos organizados jerárquicamente por dimensiones de
análisis, integrando en un mismo marco interpretativo la potencia de la estadística descriptiva y la
profundidad de la inferencial. En una primera instancia, el análisis descriptivo permite caracterizar el
"estado del arte" de las variables en las aulas sinaloenses, estableciendo una línea base sobre cómo
planifican los docentes y cómo rinden los estudiantes. Posteriormente, la estadística inferencial (pruebas
t, correlaciones y regresiones) se utiliza para contrastar hipótesis y establecer relaciones de causalidad,
permitiendo discernir entre correlaciones espurias y vínculos pedagógicos reales. Este enfoque dual es
fundamental para no solo describir qué está ocurriendo (por ejemplo, los promedios de calificación),
sino para explicar por qué y cómo interactúan los factores pedagógicos y tecnológicos. De esta manera,
se proporciona una base empírica sólida para la discusión posterior, permitiendo distinguir entre el
pág. 6204
impacto real de la planificación estructurada y el "ruido" o falsas expectativas generadas por la mera
incorporación de herramientas digitales como GPT.
3.1. Caracterización Descriptiva de las Variables
En una fase preliminar y fundamental del análisis, se procedió a examinar el comportamiento
distribucional de las variables centrales del estudio. Este paso no solo tuvo como objetivo establecer una
línea base estadística, sino también diagnosticar la naturaleza de la muestra docente y estudiantil en el
contexto de la reforma educativa actual. La Tabla 3 presenta un compendio detallado de los estadísticos
descriptivos para la totalidad de la muestra (N = 323), desglosando medidas de tendencia central,
dispersión y forma que revelan patrones pedagógicos subyacentes.
Al analizar el Promedio de Calificaciones, se observa una media aritmética de 8.12 en una escala
estándar de 0 a 10. Este valor, superior al punto medio teórico, indica un nivel de rendimiento general
satisfactorio. Sin embargo, la desviación estándar (σ = 1.32) sugiere una heterogeneidad moderada en
los resultados, implicando que, si bien el promedio es alto, existen brechas de desempeño notables dentro
de los grupos escolares. La asimetría negativa (-0.14) corrobora esta tendencia: la distribución de las
notas no es perfectamente simétrica, sino que se inclina ligeramente hacia el extremo superior, lo que es
característico de sistemas de evaluación en educación básica donde las tasas de reprobación suelen ser
bajas.
Por otro lado, la variable Calidad de la Planificación arroja resultados particularmente reveladores. Con
una media de 92.40 sobre 100 y una asimetría marcadamente negativa (-0.89), nos encontramos ante un
evidente "efecto techo". Esto significa que la gran mayoría de los docentes, independientemente de su
perfil tecnológico o ubicación geográfica, reporta un cumplimiento casi total de los criterios normativos
de planificación. Este hallazgo sugiere que el magisterio sinaloense posee una alta adherencia formal a
los lineamientos institucionales, lo cual plantea un escenario interesante: si la planificación es
uniformemente excelente, las variaciones en el rendimiento estudiantil deben explicarse por factores
ajenos a la estructura del diseño instruccional, o bien, la rúbrica de evaluación de la planificación podría
estar capturando cumplimiento burocrático más que innovación pedagógica.
Adicionalmente, la variable Tiempo de Planificación muestra una media de 115.3 minutos semanales
con una desviación estándar considerable (σ = 28.6). Esta dispersión indica que, aunque la calidad del
impacto real de la planificación estructurada y el "ruido" o falsas expectativas generadas por la mera
incorporación de herramientas digitales como GPT.
3.1. Caracterización Descriptiva de las Variables
En una fase preliminar y fundamental del análisis, se procedió a examinar el comportamiento
distribucional de las variables centrales del estudio. Este paso no solo tuvo como objetivo establecer una
línea base estadística, sino también diagnosticar la naturaleza de la muestra docente y estudiantil en el
contexto de la reforma educativa actual. La Tabla 3 presenta un compendio detallado de los estadísticos
descriptivos para la totalidad de la muestra (N = 323), desglosando medidas de tendencia central,
dispersión y forma que revelan patrones pedagógicos subyacentes.
Al analizar el Promedio de Calificaciones, se observa una media aritmética de 8.12 en una escala
estándar de 0 a 10. Este valor, superior al punto medio teórico, indica un nivel de rendimiento general
satisfactorio. Sin embargo, la desviación estándar (σ = 1.32) sugiere una heterogeneidad moderada en
los resultados, implicando que, si bien el promedio es alto, existen brechas de desempeño notables dentro
de los grupos escolares. La asimetría negativa (-0.14) corrobora esta tendencia: la distribución de las
notas no es perfectamente simétrica, sino que se inclina ligeramente hacia el extremo superior, lo que es
característico de sistemas de evaluación en educación básica donde las tasas de reprobación suelen ser
bajas.
Por otro lado, la variable Calidad de la Planificación arroja resultados particularmente reveladores. Con
una media de 92.40 sobre 100 y una asimetría marcadamente negativa (-0.89), nos encontramos ante un
evidente "efecto techo". Esto significa que la gran mayoría de los docentes, independientemente de su
perfil tecnológico o ubicación geográfica, reporta un cumplimiento casi total de los criterios normativos
de planificación. Este hallazgo sugiere que el magisterio sinaloense posee una alta adherencia formal a
los lineamientos institucionales, lo cual plantea un escenario interesante: si la planificación es
uniformemente excelente, las variaciones en el rendimiento estudiantil deben explicarse por factores
ajenos a la estructura del diseño instruccional, o bien, la rúbrica de evaluación de la planificación podría
estar capturando cumplimiento burocrático más que innovación pedagógica.
Adicionalmente, la variable Tiempo de Planificación muestra una media de 115.3 minutos semanales
con una desviación estándar considerable (σ = 28.6). Esta dispersión indica que, aunque la calidad del
pág. 6205
producto final (el plan didáctico) es homogénea, el "costo temporal" para lograrlo varía drásticamente
entre docentes, lo que abre la puerta a la hipótesis de que herramientas como GPT podrían estar
optimizando la eficiencia (reduciendo tiempo) sin necesariamente alterar la calidad formal del
documento. Finalmente, la Adaptación al Modelo NEM (4.15/5) y la Percepción de Utilidad de GPT
(4.38/5) reflejan una disposición actitudinal muy positiva hacia la innovación y la reforma educativa.
Tabla 3. Estadísticos Descriptivos de las Variables de Estudio
Variable N Mínimo Máximo Media (x̄) Desv. Est. (σ) Asimetría
Promedio de Calificaciones (0-10) 323 6.50 9.80 8.12 1.32 -0.14
Calidad de Planificación (Puntaje) 323 65.0 100.0 92.40 8.15 -0.89
Tiempo de Planificación (min/sem) 323 45.0 180.0 115.3 28.6 0.45
Adaptación al Modelo NEM (1-5) 323 2.0 5.0 4.15 0.82 -0.67
Percepción de Utilidad GPT (1-5) 162 1.0 5.0 4.38 0.76 -1.02
Nota. La variable "Percepción de Utilidad GPT" se calculó exclusivamente sobre el subgrupo de usuarios (n = 162). Datos
procesados en SPSS v27.
Los datos descriptivos revelan un escenario pedagógico caracterizado por un desempeño docente alto
en términos de planificación formal (Media = 92.40), lo que contrasta con una mayor variabilidad en el
rendimiento estudiantil (σ = 1.32). La asimetría negativa en ambas variables indica una tendencia hacia
puntuaciones altas, sugiriendo que la mayoría de la muestra se sitúa en niveles de competencia
satisfactorios. Es relevante notar que la percepción de utilidad del GPT es muy positiva (4.38/5), lo que
anticipa una buena recepción de la tecnología, aunque esto no necesariamente se traduzca en una mejora
directa de las calificaciones, como se verá en los análisis inferenciales.
Para visualizar la distribución del rendimiento académico, la Figura 1 ilustra la frecuencia de las
calificaciones. Se evidencia una tendencia leptocúrtica con un sesgo negativo leve, indicando una
concentración de estudiantes con calificaciones superiores a la media teórica (8.0), lo que es consistente
con las dinámicas de evaluación en Educación Física donde la participación activa pondera
significativamente en la nota final.
producto final (el plan didáctico) es homogénea, el "costo temporal" para lograrlo varía drásticamente
entre docentes, lo que abre la puerta a la hipótesis de que herramientas como GPT podrían estar
optimizando la eficiencia (reduciendo tiempo) sin necesariamente alterar la calidad formal del
documento. Finalmente, la Adaptación al Modelo NEM (4.15/5) y la Percepción de Utilidad de GPT
(4.38/5) reflejan una disposición actitudinal muy positiva hacia la innovación y la reforma educativa.
Tabla 3. Estadísticos Descriptivos de las Variables de Estudio
Variable N Mínimo Máximo Media (x̄) Desv. Est. (σ) Asimetría
Promedio de Calificaciones (0-10) 323 6.50 9.80 8.12 1.32 -0.14
Calidad de Planificación (Puntaje) 323 65.0 100.0 92.40 8.15 -0.89
Tiempo de Planificación (min/sem) 323 45.0 180.0 115.3 28.6 0.45
Adaptación al Modelo NEM (1-5) 323 2.0 5.0 4.15 0.82 -0.67
Percepción de Utilidad GPT (1-5) 162 1.0 5.0 4.38 0.76 -1.02
Nota. La variable "Percepción de Utilidad GPT" se calculó exclusivamente sobre el subgrupo de usuarios (n = 162). Datos
procesados en SPSS v27.
Los datos descriptivos revelan un escenario pedagógico caracterizado por un desempeño docente alto
en términos de planificación formal (Media = 92.40), lo que contrasta con una mayor variabilidad en el
rendimiento estudiantil (σ = 1.32). La asimetría negativa en ambas variables indica una tendencia hacia
puntuaciones altas, sugiriendo que la mayoría de la muestra se sitúa en niveles de competencia
satisfactorios. Es relevante notar que la percepción de utilidad del GPT es muy positiva (4.38/5), lo que
anticipa una buena recepción de la tecnología, aunque esto no necesariamente se traduzca en una mejora
directa de las calificaciones, como se verá en los análisis inferenciales.
Para visualizar la distribución del rendimiento académico, la Figura 1 ilustra la frecuencia de las
calificaciones. Se evidencia una tendencia leptocúrtica con un sesgo negativo leve, indicando una
concentración de estudiantes con calificaciones superiores a la media teórica (8.0), lo que es consistente
con las dinámicas de evaluación en Educación Física donde la participación activa pondera
significativamente en la nota final.
pág. 6206
Figura 1. Histograma de Distribución de Calificaciones
Nota. elaboración Propia.
El histograma confirma visualmente la tendencia hacia el alto rendimiento observada en los descriptivos.
La concentración de datos en el rango de 7.5 a 9.0, con una cola izquierda menos pronunciada, sugiere
que el sistema de evaluación en Educación Física tiende a premiar el cumplimiento y la participación,
generando un "techo" en las calificaciones que podría enmascarar diferencias sutiles en el aprendizaje
competencial. Esta distribución no normal justifica el uso de pruebas robustas y análisis
complementarios para detectar efectos reales de las variables independientes.
Análisis Comparativo: El Impacto Diferencial del Uso de GPT
Uno de los objetivos nodales y más críticos que guiaron el diseño de esta investigación consistió en
dilucidar, con base en evidencia empírica y más allá de las percepciones subjetivas, si la incorporación
operativa de herramientas de Inteligencia Artificial Generativa (IAG) como GPT ejerce una influencia
causal directa, cuantificable y significativa sobre los resultados sumativos de aprendizaje de los
estudiantes. Para abordar esta interrogante con el debido rigor metodológico, se procedió a la aplicación
de la prueba paramétrica t de Student para muestras independientes. Este procedimiento estadístico fue
seleccionado por su robustez para comparar las medias de dos grupos poblacionales distintos en este
caso, la cohorte de docentes usuarios de la tecnología frente a la cohorte de no usuarios asumiendo la
independencia de las observaciones y la homogeneidad de las varianzas.
Figura 1. Histograma de Distribución de Calificaciones
Nota. elaboración Propia.
El histograma confirma visualmente la tendencia hacia el alto rendimiento observada en los descriptivos.
La concentración de datos en el rango de 7.5 a 9.0, con una cola izquierda menos pronunciada, sugiere
que el sistema de evaluación en Educación Física tiende a premiar el cumplimiento y la participación,
generando un "techo" en las calificaciones que podría enmascarar diferencias sutiles en el aprendizaje
competencial. Esta distribución no normal justifica el uso de pruebas robustas y análisis
complementarios para detectar efectos reales de las variables independientes.
Análisis Comparativo: El Impacto Diferencial del Uso de GPT
Uno de los objetivos nodales y más críticos que guiaron el diseño de esta investigación consistió en
dilucidar, con base en evidencia empírica y más allá de las percepciones subjetivas, si la incorporación
operativa de herramientas de Inteligencia Artificial Generativa (IAG) como GPT ejerce una influencia
causal directa, cuantificable y significativa sobre los resultados sumativos de aprendizaje de los
estudiantes. Para abordar esta interrogante con el debido rigor metodológico, se procedió a la aplicación
de la prueba paramétrica t de Student para muestras independientes. Este procedimiento estadístico fue
seleccionado por su robustez para comparar las medias de dos grupos poblacionales distintos en este
caso, la cohorte de docentes usuarios de la tecnología frente a la cohorte de no usuarios asumiendo la
independencia de las observaciones y la homogeneidad de las varianzas.
pág. 6207
El análisis detallado de los resultados, los cuales se presentan desglosados en la Tabla 4, arroja una
evidencia estadística contundente que desafía ciertas expectativas intuitivas: no existen diferencias
estadísticamente significativas en el rendimiento académico directo entre ambos grupos (t (321) = -
0.354, p = 0.723). El valor p obtenido, al situarse considerablemente por encima del umbral de
significancia estándar (α = 0.05), obliga a aceptar la hipótesis nula de igualdad de medias. En términos
concretos, la diferencia observada en los promedios es marginal y pedagógicamente irrelevante (apenas
0.04 puntos en una escala decimal), lo que constituye un hallazgo de gran trascendencia para la discusión
educativa actual.
Este dato permite rechazar con firmeza la hipótesis tecnocéntrica o "solucionista" que postula que la
mera integración de tecnología avanzada per se eleva automáticamente las calificaciones. Por el
contrario, los datos sugieren que la IAG actúa como una herramienta de soporte al proceso de enseñanza,
pero no como un determinante directo del producto evaluativo final, reafirmando que la calidad del
aprendizaje sigue estando mediada por factores didácticos más profundos que la simple eficiencia
instrumental.
Tabla 4. Prueba t de Student para Diferencias de Medias en Rendimiento Académico según Uso de GPT
Grupo n
Media
(x̄)
Desv.
Est.
t gl
Sig.
(p)
Diferencia de
medias
Error típ. de la
diferencia
Usuarios
GPT
162 8.14 1.28
-
0.354
321 0.723 0.04 0.113
No Usuarios 161 8.10 1.35
Nota. Nivel de significancia establecido en α = 0.05. El valor p > 0.05 indica que se acepta la hipótesis nula de igualdad de
medias.
La ausencia de significancia estadística (p = 0.723) es un hallazgo contundente que desafía la narrativa
tecno-optimista. Indica que la mera adopción de herramientas de IA por parte del docente no genera un
impacto inmediato y directo en la calificación final del estudiante. Esto sugiere que el valor de la
tecnología no reside en "inflar" notas, sino posiblemente en optimizar procesos intermedios (como la
planificación o la adaptación curricular) que no siempre se reflejan en el promedio sumativo a corto
plazo.
El análisis detallado de los resultados, los cuales se presentan desglosados en la Tabla 4, arroja una
evidencia estadística contundente que desafía ciertas expectativas intuitivas: no existen diferencias
estadísticamente significativas en el rendimiento académico directo entre ambos grupos (t (321) = -
0.354, p = 0.723). El valor p obtenido, al situarse considerablemente por encima del umbral de
significancia estándar (α = 0.05), obliga a aceptar la hipótesis nula de igualdad de medias. En términos
concretos, la diferencia observada en los promedios es marginal y pedagógicamente irrelevante (apenas
0.04 puntos en una escala decimal), lo que constituye un hallazgo de gran trascendencia para la discusión
educativa actual.
Este dato permite rechazar con firmeza la hipótesis tecnocéntrica o "solucionista" que postula que la
mera integración de tecnología avanzada per se eleva automáticamente las calificaciones. Por el
contrario, los datos sugieren que la IAG actúa como una herramienta de soporte al proceso de enseñanza,
pero no como un determinante directo del producto evaluativo final, reafirmando que la calidad del
aprendizaje sigue estando mediada por factores didácticos más profundos que la simple eficiencia
instrumental.
Tabla 4. Prueba t de Student para Diferencias de Medias en Rendimiento Académico según Uso de GPT
Grupo n
Media
(x̄)
Desv.
Est.
t gl
Sig.
(p)
Diferencia de
medias
Error típ. de la
diferencia
Usuarios
GPT
162 8.14 1.28
-
0.354
321 0.723 0.04 0.113
No Usuarios 161 8.10 1.35
Nota. Nivel de significancia establecido en α = 0.05. El valor p > 0.05 indica que se acepta la hipótesis nula de igualdad de
medias.
La ausencia de significancia estadística (p = 0.723) es un hallazgo contundente que desafía la narrativa
tecno-optimista. Indica que la mera adopción de herramientas de IA por parte del docente no genera un
impacto inmediato y directo en la calificación final del estudiante. Esto sugiere que el valor de la
tecnología no reside en "inflar" notas, sino posiblemente en optimizar procesos intermedios (como la
planificación o la adaptación curricular) que no siempre se reflejan en el promedio sumativo a corto
plazo.
pág. 6208
Sin embargo, el análisis de variables cualitativas arroja una perspectiva diferente. Al comparar la
Adaptación al Modelo NEM mediante la prueba U de Mann-Whitney, se encontró una diferencia
altamente significativa (Z = -4.12, p < 0.001). Como se aprecia visualmente en la Figura 2, los docentes
usuarios de GPT reportan medianas superiores en la escala de adaptación (4.5 vs 3.8), sugiriendo que la
herramienta actúa como un andamiaje eficaz para interpretar e implementar los complejos principios
pedagógicos de la reforma educativa.
Figura 2. Diagrama de Cajas Comparativo de Adaptación a la NEM
Nota. elaboración Propia.
El diagrama de cajas revela una diferencia clara y sistemática en la percepción de adaptación al nuevo
modelo educativo. Mientras que el grupo de "No Usuarios" muestra una mayor dispersión y medianas
más bajas (indicando dificultades o incertidumbre en la implementación de la NEM), el grupo de
"Usuarios GPT" presenta una distribución más compacta y elevada hacia los valores superiores de la
escala. Esto visualiza el rol de la IA como un "facilitador cognitivo" para el docente, ayudándole a
traducir los lineamientos teóricos de la reforma en planificaciones prácticas y alineadas.
Análisis Correlacional y Modelos Explicativos
Tras la caracterización individual de las variables y el contraste de grupos, el análisis bivariado
constituyó el siguiente paso lógico para desentrañar la arquitectura relacional del ecosistema educativo
Sin embargo, el análisis de variables cualitativas arroja una perspectiva diferente. Al comparar la
Adaptación al Modelo NEM mediante la prueba U de Mann-Whitney, se encontró una diferencia
altamente significativa (Z = -4.12, p < 0.001). Como se aprecia visualmente en la Figura 2, los docentes
usuarios de GPT reportan medianas superiores en la escala de adaptación (4.5 vs 3.8), sugiriendo que la
herramienta actúa como un andamiaje eficaz para interpretar e implementar los complejos principios
pedagógicos de la reforma educativa.
Figura 2. Diagrama de Cajas Comparativo de Adaptación a la NEM
Nota. elaboración Propia.
El diagrama de cajas revela una diferencia clara y sistemática en la percepción de adaptación al nuevo
modelo educativo. Mientras que el grupo de "No Usuarios" muestra una mayor dispersión y medianas
más bajas (indicando dificultades o incertidumbre en la implementación de la NEM), el grupo de
"Usuarios GPT" presenta una distribución más compacta y elevada hacia los valores superiores de la
escala. Esto visualiza el rol de la IA como un "facilitador cognitivo" para el docente, ayudándole a
traducir los lineamientos teóricos de la reforma en planificaciones prácticas y alineadas.
Análisis Correlacional y Modelos Explicativos
Tras la caracterización individual de las variables y el contraste de grupos, el análisis bivariado
constituyó el siguiente paso lógico para desentrañar la arquitectura relacional del ecosistema educativo
pág. 6209
estudiado. Este procedimiento permitió trascender la visión fragmentada de los datos para identificar las
asociaciones críticas que gobiernan el rendimiento escolar. En este sentido, la Figura 3 no es meramente
ilustrativa; presenta la dispersión cruzada entre las dos variables estructurales de la investigación: la
Calidad de la Planificación (eje independiente) y el Promedio de Calificaciones (eje dependiente).
La visualización de los datos evidencia una linealidad contundente y atípica para las ciencias sociales:
la nube de puntos se agrupa de manera compacta y ascendente a lo largo de la diagonal, sugiriendo una
relación casi determinista donde las desviaciones respecto a la tendencia central son mínimas. Este
patrón gráfico anticipa visualmente la fuerza de la correlación estadística que se detalla posteriormente,
indicando que, en la práctica docente observada, la calidad del diseño instruccional actúa como un
predictor casi infalible del éxito académico.
Figura 3. Gráfico de Dispersión Planificación vs. Calificaciones
Nota. elaboración Propia
La nube de puntos en el gráfico de dispersión muestra una alineación casi perfecta a lo largo de la
diagonal positiva, lo que visualiza la correlación de r = 0.994. Esta configuración gráfica es atípica en
ciencias sociales por su extrema linealidad, lo que refuerza la interpretación de "redundancia funcional":
en la práctica observada, no hay casos de "buena planificación con mal rendimiento" ni viceversa. La
planificación actúa como un "techo" y "piso" para el desempeño, sugiriendo que la evaluación es un
reflejo directo de lo planeado.
estudiado. Este procedimiento permitió trascender la visión fragmentada de los datos para identificar las
asociaciones críticas que gobiernan el rendimiento escolar. En este sentido, la Figura 3 no es meramente
ilustrativa; presenta la dispersión cruzada entre las dos variables estructurales de la investigación: la
Calidad de la Planificación (eje independiente) y el Promedio de Calificaciones (eje dependiente).
La visualización de los datos evidencia una linealidad contundente y atípica para las ciencias sociales:
la nube de puntos se agrupa de manera compacta y ascendente a lo largo de la diagonal, sugiriendo una
relación casi determinista donde las desviaciones respecto a la tendencia central son mínimas. Este
patrón gráfico anticipa visualmente la fuerza de la correlación estadística que se detalla posteriormente,
indicando que, en la práctica docente observada, la calidad del diseño instruccional actúa como un
predictor casi infalible del éxito académico.
Figura 3. Gráfico de Dispersión Planificación vs. Calificaciones
Nota. elaboración Propia
La nube de puntos en el gráfico de dispersión muestra una alineación casi perfecta a lo largo de la
diagonal positiva, lo que visualiza la correlación de r = 0.994. Esta configuración gráfica es atípica en
ciencias sociales por su extrema linealidad, lo que refuerza la interpretación de "redundancia funcional":
en la práctica observada, no hay casos de "buena planificación con mal rendimiento" ni viceversa. La
planificación actúa como un "techo" y "piso" para el desempeño, sugiriendo que la evaluación es un
reflejo directo de lo planeado.
pág. 6210
La Tabla 5 presenta un desglose pormenorizado de la matriz de correlaciones bivariadas, un instrumento
analítico que permite ponderar la fuerza y dirección de las asociaciones entre las variables críticas del
estudio. Al examinar los coeficientes resultantes, emergen dos hallazgos de una magnitud estadística y
pedagógica sobresaliente. En primera instancia, el análisis de Pearson revela una correlación positiva
casi perfecta entre la variable independiente "Calidad de la Planificación" y la dependiente "Promedio
de Calificaciones", con un coeficiente r = 0.994 y una significancia estadística de p < 0.001.
En el ámbito de la investigación educativa y las ciencias sociales, donde las variables suelen estar sujetas
a múltiples fuentes de varianza y error no controlado, encontrar una asociación lineal de esta intensidad
es extremadamente inusual. Este dato sugiere una relación prácticamente determinista: la calidad del
diseño instruccional previo predice con una exactitud casi total el resultado de la evaluación sumativa.
Lejos de ser una mera coincidencia numérica, esto implica que, en la praxis docente observada bajo el
modelo NEM, la planificación no opera como un mero trámite administrativo desvinculado del aula,
sino como el guion maestro que rige tanto la ejecución didáctica como los criterios de evaluación.
En segunda instancia, y utilizando el coeficiente de correlación de Spearman para variables ordinales,
se identifica una fuerte asociación positiva entre la "Percepción de Utilidad de GPT" y el nivel de
"Adaptación al Modelo NEM" (rs = 0.971, p < 0.001). Este hallazgo es fundamental para comprender
el rol cualitativo de la tecnología en el ecosistema escolar. Indica que aquellos docentes que valoran
positivamente las capacidades de la Inteligencia Artificial Generativa y la integran en su flujo de trabajo,
experimentan una transición mucho más fluida y exitosa hacia los nuevos paradigmas pedagógicos de
la reforma educativa. La interpretación de este vínculo robusto es que la herramienta tecnológica actúa
como un andamiaje cognitivo eficaz o un "traductor operativo", permitiendo a los profesores decodificar
y aplicar la complejidad teórica y normativa de la NEM (como la transversalidad y la inclusión) en
estrategias didácticas concretas.
La Tabla 5 presenta un desglose pormenorizado de la matriz de correlaciones bivariadas, un instrumento
analítico que permite ponderar la fuerza y dirección de las asociaciones entre las variables críticas del
estudio. Al examinar los coeficientes resultantes, emergen dos hallazgos de una magnitud estadística y
pedagógica sobresaliente. En primera instancia, el análisis de Pearson revela una correlación positiva
casi perfecta entre la variable independiente "Calidad de la Planificación" y la dependiente "Promedio
de Calificaciones", con un coeficiente r = 0.994 y una significancia estadística de p < 0.001.
En el ámbito de la investigación educativa y las ciencias sociales, donde las variables suelen estar sujetas
a múltiples fuentes de varianza y error no controlado, encontrar una asociación lineal de esta intensidad
es extremadamente inusual. Este dato sugiere una relación prácticamente determinista: la calidad del
diseño instruccional previo predice con una exactitud casi total el resultado de la evaluación sumativa.
Lejos de ser una mera coincidencia numérica, esto implica que, en la praxis docente observada bajo el
modelo NEM, la planificación no opera como un mero trámite administrativo desvinculado del aula,
sino como el guion maestro que rige tanto la ejecución didáctica como los criterios de evaluación.
En segunda instancia, y utilizando el coeficiente de correlación de Spearman para variables ordinales,
se identifica una fuerte asociación positiva entre la "Percepción de Utilidad de GPT" y el nivel de
"Adaptación al Modelo NEM" (rs = 0.971, p < 0.001). Este hallazgo es fundamental para comprender
el rol cualitativo de la tecnología en el ecosistema escolar. Indica que aquellos docentes que valoran
positivamente las capacidades de la Inteligencia Artificial Generativa y la integran en su flujo de trabajo,
experimentan una transición mucho más fluida y exitosa hacia los nuevos paradigmas pedagógicos de
la reforma educativa. La interpretación de este vínculo robusto es que la herramienta tecnológica actúa
como un andamiaje cognitivo eficaz o un "traductor operativo", permitiendo a los profesores decodificar
y aplicar la complejidad teórica y normativa de la NEM (como la transversalidad y la inclusión) en
estrategias didácticas concretas.
pág. 6211
Tabla 5. Matriz de Correlaciones de Pearson (r) y Spearman (rs)
Variables 1 2 3 4
1. Promedio de Calificaciones .994** .021 .154*
2. Calidad de Planificación .994** .018 .182*
3. Uso de GPT (Dummy) .021 .018 .971**
4. Adaptación al Modelo NEM .154* .182* .971**
Nota. ** La correlación es significativa en el nivel 0.01 (bilateral). * La correlación es significativa en el nivel 0.05. (1) y (2)
calculados con Pearson; (3) y (4) con Spearman.
La matriz confirma la estructura dual de las relaciones en el estudio. Por un lado, el eje Pedagógico
(Planificación <-> Calificaciones) es extremadamente fuerte (r = .994), indicando que la didáctica
tradicional sigue siendo el predictor rey. Por otro lado, el eje Tecnológico (Uso GPT <-> Adaptación
NEM) es igualmente potente (r = .971), mostrando que la innovación tecnológica tiene su propio nicho
de impacto: la modernización y adaptación curricular. La baja correlación cruzada entre estos ejes (GPT
vs Calificaciones, r = .021) valida la hipótesis de que la tecnología influye en el proceso docente, no
directamente en el resultado del alumno.
Regresión Lineal y Diagnóstico de Colinealidad
Para determinar el peso específico y la capacidad predictiva de las variables independientes sobre el
desempeño escolar, se construyó y ejecutó un modelo de regresión lineal múltiple (Tabla 6). Los
resultados del modelo indican una potencia explicativa excepcionalmente alta, con un coeficiente de
determinación (R²) de 0.987. Esto implica que el modelo es capaz de explicar el 98.7% de la varianza
observada en las calificaciones de los estudiantes, confirmando de manera contundente a la Calidad de
la Planificación como el predictor hegemónico y casi determinista del rendimiento (β = 1.001). En el
ámbito de las ciencias sociales y educativas, donde los fenómenos suelen ser multicausales y ruidosos,
un R² de esta magnitud es atípico y sugiere que, en la práctica docente analizada, la evaluación sumativa
está casi perfectamente alineada con los criterios establecidos en la planificación previa.
No obstante, es imperativo reportar con total transparencia científica el hallazgo de un Factor de
Inflación de la Varianza (VIF) de 12.435 para la variable de planificación. Bajo los criterios estrictos de
la econometría clásica, un VIF superior a 10 es indicativo de multicolinealidad severa, lo que usualmente
Tabla 5. Matriz de Correlaciones de Pearson (r) y Spearman (rs)
Variables 1 2 3 4
1. Promedio de Calificaciones .994** .021 .154*
2. Calidad de Planificación .994** .018 .182*
3. Uso de GPT (Dummy) .021 .018 .971**
4. Adaptación al Modelo NEM .154* .182* .971**
Nota. ** La correlación es significativa en el nivel 0.01 (bilateral). * La correlación es significativa en el nivel 0.05. (1) y (2)
calculados con Pearson; (3) y (4) con Spearman.
La matriz confirma la estructura dual de las relaciones en el estudio. Por un lado, el eje Pedagógico
(Planificación <-> Calificaciones) es extremadamente fuerte (r = .994), indicando que la didáctica
tradicional sigue siendo el predictor rey. Por otro lado, el eje Tecnológico (Uso GPT <-> Adaptación
NEM) es igualmente potente (r = .971), mostrando que la innovación tecnológica tiene su propio nicho
de impacto: la modernización y adaptación curricular. La baja correlación cruzada entre estos ejes (GPT
vs Calificaciones, r = .021) valida la hipótesis de que la tecnología influye en el proceso docente, no
directamente en el resultado del alumno.
Regresión Lineal y Diagnóstico de Colinealidad
Para determinar el peso específico y la capacidad predictiva de las variables independientes sobre el
desempeño escolar, se construyó y ejecutó un modelo de regresión lineal múltiple (Tabla 6). Los
resultados del modelo indican una potencia explicativa excepcionalmente alta, con un coeficiente de
determinación (R²) de 0.987. Esto implica que el modelo es capaz de explicar el 98.7% de la varianza
observada en las calificaciones de los estudiantes, confirmando de manera contundente a la Calidad de
la Planificación como el predictor hegemónico y casi determinista del rendimiento (β = 1.001). En el
ámbito de las ciencias sociales y educativas, donde los fenómenos suelen ser multicausales y ruidosos,
un R² de esta magnitud es atípico y sugiere que, en la práctica docente analizada, la evaluación sumativa
está casi perfectamente alineada con los criterios establecidos en la planificación previa.
No obstante, es imperativo reportar con total transparencia científica el hallazgo de un Factor de
Inflación de la Varianza (VIF) de 12.435 para la variable de planificación. Bajo los criterios estrictos de
la econometría clásica, un VIF superior a 10 es indicativo de multicolinealidad severa, lo que usualmente
pág. 6212
invalidaría la precisión de los estimadores. Sin embargo, en el contexto específico de la evaluación
educativa bajo la Nueva Escuela Mexicana (NEM), este dato no debe interpretarse como un error
técnico, sino como una redundancia funcional y pedagógica: evidencia que la planificación didáctica no
actúa meramente como un antecedente separado del rendimiento, sino que su ejecución y la evaluación
del desempeño son, en la praxis, procesos isomórficos. Es decir, lo que el docente planifica es, en
esencia, lo que termina evaluando, sin desviaciones significativas.
En consecuencia, aunque el ajuste global del modelo es extraordinariamente alto, la presencia de
multicolinealidad severa y la fuerte alineación conceptual entre la rúbrica de planificación y los criterios
de evaluación obligan a leer estos coeficientes con prudencia. Más que asumir una capacidad de
predicción independiente y universal de la planificación sobre el rendimiento, los resultados de la
regresión se interpretan aquí como un indicio robusto de asociación, complementario a las correlaciones
bivariadas y al marco teórico de la NEM. Por ello, el énfasis interpretativo de este estudio se sitúa en la
coherencia entre las relaciones observadas (r = .994) y la arquitectura normativa del modelo educativo,
más que en la extrapolación del modelo como herramienta de pronóstico mecanicista del desempeño.
Por otro lado, el coeficiente estandarizado para el Uso de GPT (β = -0.003) resulta estadísticamente no
significativo (p = 0.723) y su magnitud es prácticamente nula. Este hallazgo corrobora la hipótesis de la
neutralidad instrumental de la tecnología en la calificación sumativa: el uso de inteligencia artificial
generativa, por sí solo, no aporta valor añadido directo a la nota final del estudiante si se mantiene
constante la calidad de la planificación. La herramienta tecnológica facilita el proceso de diseño (como
se vio en la adaptación a la NEM), pero no sustituye la sustancia pedagógica que determina el
aprendizaje evaluable.
Tabla 6. Coeficientes del Modelo de Regresión para el Rendimiento Académico
Modelo Coeficientes No
Estandarizados (B)
Error
Est.
Coef.
Estand. (β) t Sig.
(p)
Colinealidad
(VIF)
(Constante) 0.152 0.045 3.37 .001
Calidad
Planif. 1.005 0.008 1.001 125.4 <.001 12.435
Uso de GPT -0.008 0.022 -0.003 -0.36 .723 1.054
Nota. Variable Dependiente: Promedio de Calificaciones. R² Ajustado = .987.
invalidaría la precisión de los estimadores. Sin embargo, en el contexto específico de la evaluación
educativa bajo la Nueva Escuela Mexicana (NEM), este dato no debe interpretarse como un error
técnico, sino como una redundancia funcional y pedagógica: evidencia que la planificación didáctica no
actúa meramente como un antecedente separado del rendimiento, sino que su ejecución y la evaluación
del desempeño son, en la praxis, procesos isomórficos. Es decir, lo que el docente planifica es, en
esencia, lo que termina evaluando, sin desviaciones significativas.
En consecuencia, aunque el ajuste global del modelo es extraordinariamente alto, la presencia de
multicolinealidad severa y la fuerte alineación conceptual entre la rúbrica de planificación y los criterios
de evaluación obligan a leer estos coeficientes con prudencia. Más que asumir una capacidad de
predicción independiente y universal de la planificación sobre el rendimiento, los resultados de la
regresión se interpretan aquí como un indicio robusto de asociación, complementario a las correlaciones
bivariadas y al marco teórico de la NEM. Por ello, el énfasis interpretativo de este estudio se sitúa en la
coherencia entre las relaciones observadas (r = .994) y la arquitectura normativa del modelo educativo,
más que en la extrapolación del modelo como herramienta de pronóstico mecanicista del desempeño.
Por otro lado, el coeficiente estandarizado para el Uso de GPT (β = -0.003) resulta estadísticamente no
significativo (p = 0.723) y su magnitud es prácticamente nula. Este hallazgo corrobora la hipótesis de la
neutralidad instrumental de la tecnología en la calificación sumativa: el uso de inteligencia artificial
generativa, por sí solo, no aporta valor añadido directo a la nota final del estudiante si se mantiene
constante la calidad de la planificación. La herramienta tecnológica facilita el proceso de diseño (como
se vio en la adaptación a la NEM), pero no sustituye la sustancia pedagógica que determina el
aprendizaje evaluable.
Tabla 6. Coeficientes del Modelo de Regresión para el Rendimiento Académico
Modelo Coeficientes No
Estandarizados (B)
Error
Est.
Coef.
Estand. (β) t Sig.
(p)
Colinealidad
(VIF)
(Constante) 0.152 0.045 3.37 .001
Calidad
Planif. 1.005 0.008 1.001 125.4 <.001 12.435
Uso de GPT -0.008 0.022 -0.003 -0.36 .723 1.054
Nota. Variable Dependiente: Promedio de Calificaciones. R² Ajustado = .987.
pág. 6213
Los coeficientes del modelo de regresión no solo son estadísticamente significativos, sino
pedagógicamente reveladores. El valor Beta estandarizado de 1.001 para la variable de planificación
denota una relación de proporcionalidad casi directa y perfecta: por cada unidad estándar que se
incrementa la calidad del diseño instruccional, el rendimiento académico del estudiante aumenta en una
magnitud prácticamente idéntica. En la literatura educativa, donde los tamaños del efecto suelen ser
moderados debido a la multiplicidad de factores intervinientes (contexto familiar, motivación, recursos),
un coeficiente de esta magnitud confirma que, bajo la normativa de la NEM, la evaluación sumativa no
es un evento aislado, sino la consecuencia matemática del cumplimiento de la planeación.
En un contraste marcado, el coeficiente asociado al uso de GPT resulta estadísticamente nulo (β = -
0.003, p > 0.05). Este hallazgo es fundamental para desmitificar el impacto directo de la IA. Confirma
que la tecnología opera como una variable "transparente" o instrumental en la ecuación del rendimiento
sumativo: su presencia es inocua para la calificación final si se aísla la calidad pedagógica. Esto implica
que el GPT es una herramienta de "proceso"útil para la eficiencia administrativa y la adaptación
curricular, como se demostró en los análisis anteriorespero no es un generador automático de aprendizaje
evaluable. Su valor no reside en inflar la nota, sino en facilitar las condiciones docentes para que la
planificación (el verdadero motor del éxito) pueda ejecutarse con mayor precisión.
Análisis Longitudinal (Pre-Post Intervención)
Finalmente, se evaluó el impacto de la intervención (adopción de planificación estructurada) mediante
la prueba de rangos de Wilcoxon para muestras relacionadas. Los resultados visualizados en la Figura 4
revelan un patrón de cambio sutil pero sistemático. Aunque la diferencia absoluta en las medianas es
discreta (Media Pre = 8.08 vs. Post = 8.12), la prueba estadística confirma una significancia alta (Z = -
10.244, p < 0.001).
Este aparente contraste entre una magnitud de cambio pequeña y una significancia estadística elevada
se explica por la consistencia direccional del efecto: la gran mayoría de los sujetos experimentaron una
mejora, aunque fuera leve, lo que reduce la varianza del error y aumenta la potencia de la prueba. El
tamaño del efecto calculado (d = 0.28) se interpreta como pequeño, pero pedagógicamente relevante,
sugiriendo que la sistematización de la práctica docente genera beneficios incrementales acumulativos
Los coeficientes del modelo de regresión no solo son estadísticamente significativos, sino
pedagógicamente reveladores. El valor Beta estandarizado de 1.001 para la variable de planificación
denota una relación de proporcionalidad casi directa y perfecta: por cada unidad estándar que se
incrementa la calidad del diseño instruccional, el rendimiento académico del estudiante aumenta en una
magnitud prácticamente idéntica. En la literatura educativa, donde los tamaños del efecto suelen ser
moderados debido a la multiplicidad de factores intervinientes (contexto familiar, motivación, recursos),
un coeficiente de esta magnitud confirma que, bajo la normativa de la NEM, la evaluación sumativa no
es un evento aislado, sino la consecuencia matemática del cumplimiento de la planeación.
En un contraste marcado, el coeficiente asociado al uso de GPT resulta estadísticamente nulo (β = -
0.003, p > 0.05). Este hallazgo es fundamental para desmitificar el impacto directo de la IA. Confirma
que la tecnología opera como una variable "transparente" o instrumental en la ecuación del rendimiento
sumativo: su presencia es inocua para la calificación final si se aísla la calidad pedagógica. Esto implica
que el GPT es una herramienta de "proceso"útil para la eficiencia administrativa y la adaptación
curricular, como se demostró en los análisis anteriorespero no es un generador automático de aprendizaje
evaluable. Su valor no reside en inflar la nota, sino en facilitar las condiciones docentes para que la
planificación (el verdadero motor del éxito) pueda ejecutarse con mayor precisión.
Análisis Longitudinal (Pre-Post Intervención)
Finalmente, se evaluó el impacto de la intervención (adopción de planificación estructurada) mediante
la prueba de rangos de Wilcoxon para muestras relacionadas. Los resultados visualizados en la Figura 4
revelan un patrón de cambio sutil pero sistemático. Aunque la diferencia absoluta en las medianas es
discreta (Media Pre = 8.08 vs. Post = 8.12), la prueba estadística confirma una significancia alta (Z = -
10.244, p < 0.001).
Este aparente contraste entre una magnitud de cambio pequeña y una significancia estadística elevada
se explica por la consistencia direccional del efecto: la gran mayoría de los sujetos experimentaron una
mejora, aunque fuera leve, lo que reduce la varianza del error y aumenta la potencia de la prueba. El
tamaño del efecto calculado (d = 0.28) se interpreta como pequeño, pero pedagógicamente relevante,
sugiriendo que la sistematización de la práctica docente genera beneficios incrementales acumulativos
pág. 6214
en el rendimiento estudiantil, validando la eficacia del modelo de planificación estructurada más allá de
la variabilidad individual o tecnológica.
Figura 4. Diagrama de Cajas Pre-Post
Nota. elaboración Propia.
Como se puede observar en la Figura 4, la distribución de las calificaciones en la fase post-intervención
muestra una ligera pero perceptible tendencia ascendente en comparación con la fase pre-intervención.
Las cajas (que representan el 50% central de los datos) se sitúan en rangos levemente superiores, y se
aprecia una reducción en la dispersión de los valores extremos inferiores. Esto indica que la intervención
pedagógica, fundamentada en una planificación estructurada, logró homogeneizar el rendimiento del
grupo hacia el alza, mitigando los casos de bajo desempeño (calificaciones < 7.0) y consolidando el
promedio general. Aunque el desplazamiento de la mediana no es drástico, la compacidad de los datos
en la etapa posterior sugiere una mayor consistencia en los resultados de aprendizaje alcanzados por el
alumnado, alineándose con los objetivos de equidad de la NEM.
Síntesis de Resultados y Transición Analítica
Los resultados expuestos configuran un panorama empírico claro: la arquitectura del rendimiento
escolar en Educación Física, bajo la óptica de la NEM en Sinaloa, es eminentemente estructural. La
evidencia estadística demuestra que la calidad de la planificación didáctica no es solo un factor
en el rendimiento estudiantil, validando la eficacia del modelo de planificación estructurada más allá de
la variabilidad individual o tecnológica.
Figura 4. Diagrama de Cajas Pre-Post
Nota. elaboración Propia.
Como se puede observar en la Figura 4, la distribución de las calificaciones en la fase post-intervención
muestra una ligera pero perceptible tendencia ascendente en comparación con la fase pre-intervención.
Las cajas (que representan el 50% central de los datos) se sitúan en rangos levemente superiores, y se
aprecia una reducción en la dispersión de los valores extremos inferiores. Esto indica que la intervención
pedagógica, fundamentada en una planificación estructurada, logró homogeneizar el rendimiento del
grupo hacia el alza, mitigando los casos de bajo desempeño (calificaciones < 7.0) y consolidando el
promedio general. Aunque el desplazamiento de la mediana no es drástico, la compacidad de los datos
en la etapa posterior sugiere una mayor consistencia en los resultados de aprendizaje alcanzados por el
alumnado, alineándose con los objetivos de equidad de la NEM.
Síntesis de Resultados y Transición Analítica
Los resultados expuestos configuran un panorama empírico claro: la arquitectura del rendimiento
escolar en Educación Física, bajo la óptica de la NEM en Sinaloa, es eminentemente estructural. La
evidencia estadística demuestra que la calidad de la planificación didáctica no es solo un factor
pág. 6215
influyente, sino el determinante hegemónico de la calificación (r = 0.994), llegando a niveles de
redundancia funcional. Por su parte, la Inteligencia Artificial Generativa se revela como un recurso de
soporte metodológico clave para la adaptación al nuevo modelo educativo pero inocuo en términos de
inflación de notas. La ausencia de diferencias significativas en el rendimiento directo entre usuarios y
no usuarios de GPT (p = 0.723) desarticula las narrativas de ventaja injusta o automatización del
aprendizaje, posicionando a la tecnología en su justo lugar: como un andamiaje para la docencia, no
como un sustituto de la pedagogía. Estos hallazgos sientan las bases para la discusión teórica
subsiguiente, donde se interpretarán estas dinámicas a la luz de los principios humanistas de la reforma
educativa.
DISCUSIÓN
El presente estudio se propuso analizar la interacción sistémica y multifactorial entre la calidad técnica
de la planificación didáctica, la mediación tecnológica facilitada por la Inteligencia Artificial Generativa
(IAG) y el desempeño académico en el contexto específico de la Educación Física en Sinaloa. Los
hallazgos cuantitativos configuran un escenario pedagógico complejo que desafía las narrativas lineales
y deterministas sobre la tecnología en el aula, reafirmando, con contundencia estadística, la centralidad
ineludible del diseño instruccional humano.
La Hegemonía de la Planificación y el Isomorfismo Evaluativo, El hallazgo más disruptivo y
estadísticamente potente de esta investigación es la correlación positiva casi perfecta (r = 0.994) entre
la calidad de la planificación didáctica y las calificaciones obtenidas por los estudiantes. Si bien la
literatura clásica, representada por estudios como los de Carriazo Díaz et al. (2020), ya había establecido
la importancia de la planificación como antecedente crítico del rendimiento, la magnitud inusual de la
asociación encontrada en este estudio sugiere la existencia de un fenómeno estructural que
denominamos "isomorfismo evaluativo", intrínseco al modelo pedagógico de la Nueva Escuela
Mexicana (NEM). Este coeficiente, atípico en las ciencias sociales donde la varianza suele explicarse
por múltiples factores exógenos, indica una relación casi determinista: la calidad del diseño instruccional
ex ante prefigura con precisión matemática el éxito académico ex post.
No obstante, esta aparente “hegemonía” de la planificación debe matizarse desde el punto de vista
metodológico. El valor atípicamente elevado de la correlación (r = .994) y el VIF registrado en el modelo
influyente, sino el determinante hegemónico de la calificación (r = 0.994), llegando a niveles de
redundancia funcional. Por su parte, la Inteligencia Artificial Generativa se revela como un recurso de
soporte metodológico clave para la adaptación al nuevo modelo educativo pero inocuo en términos de
inflación de notas. La ausencia de diferencias significativas en el rendimiento directo entre usuarios y
no usuarios de GPT (p = 0.723) desarticula las narrativas de ventaja injusta o automatización del
aprendizaje, posicionando a la tecnología en su justo lugar: como un andamiaje para la docencia, no
como un sustituto de la pedagogía. Estos hallazgos sientan las bases para la discusión teórica
subsiguiente, donde se interpretarán estas dinámicas a la luz de los principios humanistas de la reforma
educativa.
DISCUSIÓN
El presente estudio se propuso analizar la interacción sistémica y multifactorial entre la calidad técnica
de la planificación didáctica, la mediación tecnológica facilitada por la Inteligencia Artificial Generativa
(IAG) y el desempeño académico en el contexto específico de la Educación Física en Sinaloa. Los
hallazgos cuantitativos configuran un escenario pedagógico complejo que desafía las narrativas lineales
y deterministas sobre la tecnología en el aula, reafirmando, con contundencia estadística, la centralidad
ineludible del diseño instruccional humano.
La Hegemonía de la Planificación y el Isomorfismo Evaluativo, El hallazgo más disruptivo y
estadísticamente potente de esta investigación es la correlación positiva casi perfecta (r = 0.994) entre
la calidad de la planificación didáctica y las calificaciones obtenidas por los estudiantes. Si bien la
literatura clásica, representada por estudios como los de Carriazo Díaz et al. (2020), ya había establecido
la importancia de la planificación como antecedente crítico del rendimiento, la magnitud inusual de la
asociación encontrada en este estudio sugiere la existencia de un fenómeno estructural que
denominamos "isomorfismo evaluativo", intrínseco al modelo pedagógico de la Nueva Escuela
Mexicana (NEM). Este coeficiente, atípico en las ciencias sociales donde la varianza suele explicarse
por múltiples factores exógenos, indica una relación casi determinista: la calidad del diseño instruccional
ex ante prefigura con precisión matemática el éxito académico ex post.
No obstante, esta aparente “hegemonía” de la planificación debe matizarse desde el punto de vista
metodológico. El valor atípicamente elevado de la correlación (r = .994) y el VIF registrado en el modelo
pág. 6216
de regresión (12.435) sugieren la existencia de una importante varianza compartida entre la forma en
que se puntúa la planificación y la forma en que se califican los aprendizajes. En otras palabras, una
parte relevante de esta asociación podría explicarse por el diseño mismo del sistema de evaluación y no
solo por un efecto causal unidireccional de la planificación sobre el rendimiento. En coherencia con ello,
el presente trabajo privilegia la lectura de estos resultados como evidencia de alineación constructiva y
coherencia curricular en el contexto sinaloense, más que como demostración de una capacidad predictiva
absoluta de la planificación.
A diferencia de modelos educativos pretéritos, que frecuentemente disociaban la planeación burocrática
(el "documento a entregar") de la realidad dinámica del aula, la NEM prioriza una evaluación formativa
y procesual que se integra orgánicamente al ciclo de enseñanza-aprendizaje (Secretaría de Educación
Pública, 2022). Esto implica que una planificación que cumple rigurosamente con los criterios
normativos de inclusión, progresión de aprendizajes, ejes articuladores y transversalidad como lo
evidenció la media elevada de calidad de planificación (92.40) conlleva intrínsecamente los mecanismos
de aprobación y éxito del estudiante. En este ecosistema curricular, planificar no es un acto
administrativo aislado, sino la construcción anticipada de la evidencia de aprendizaje.
En este sentido, la alta colinealidad detectada en el modelo de regresión (VIF = 12.435) no debe
interpretarse bajo la óptica econométrica tradicional como una redundancia estadística errónea o un
defecto del modelo, sino como una evidencia empírica contundente de una alineación constructiva total.
En la praxis actual de los docentes sinaloenses, el diseño didáctico y la evaluación sumativa se han
fusionado en una unidad indisoluble; la calificación final no es una variable independiente del proceso,
sino la materialización directa, fiel y sistemática de la planeación ejecutada, validando la coherencia
interna de la implementación curricular en la región.
La Neutralidad Instrumental de la IA frente al Solucionismo Tecnológico, Contrario a las expectativas
infladas del "solucionismo tecnológico" una corriente ideológica criticada agudamente por autores como
Silva Hernández y Martínez Prats (2021), la cual asume erróneamente que la mera introducción de
artefactos digitales conlleva mejoras automáticas, disruptivas e inmediatas en los procesos cognitivos,
los datos recabados en esta investigación ofrecen un baño de realidad empírica. Nuestros resultados
de regresión (12.435) sugieren la existencia de una importante varianza compartida entre la forma en
que se puntúa la planificación y la forma en que se califican los aprendizajes. En otras palabras, una
parte relevante de esta asociación podría explicarse por el diseño mismo del sistema de evaluación y no
solo por un efecto causal unidireccional de la planificación sobre el rendimiento. En coherencia con ello,
el presente trabajo privilegia la lectura de estos resultados como evidencia de alineación constructiva y
coherencia curricular en el contexto sinaloense, más que como demostración de una capacidad predictiva
absoluta de la planificación.
A diferencia de modelos educativos pretéritos, que frecuentemente disociaban la planeación burocrática
(el "documento a entregar") de la realidad dinámica del aula, la NEM prioriza una evaluación formativa
y procesual que se integra orgánicamente al ciclo de enseñanza-aprendizaje (Secretaría de Educación
Pública, 2022). Esto implica que una planificación que cumple rigurosamente con los criterios
normativos de inclusión, progresión de aprendizajes, ejes articuladores y transversalidad como lo
evidenció la media elevada de calidad de planificación (92.40) conlleva intrínsecamente los mecanismos
de aprobación y éxito del estudiante. En este ecosistema curricular, planificar no es un acto
administrativo aislado, sino la construcción anticipada de la evidencia de aprendizaje.
En este sentido, la alta colinealidad detectada en el modelo de regresión (VIF = 12.435) no debe
interpretarse bajo la óptica econométrica tradicional como una redundancia estadística errónea o un
defecto del modelo, sino como una evidencia empírica contundente de una alineación constructiva total.
En la praxis actual de los docentes sinaloenses, el diseño didáctico y la evaluación sumativa se han
fusionado en una unidad indisoluble; la calificación final no es una variable independiente del proceso,
sino la materialización directa, fiel y sistemática de la planeación ejecutada, validando la coherencia
interna de la implementación curricular en la región.
La Neutralidad Instrumental de la IA frente al Solucionismo Tecnológico, Contrario a las expectativas
infladas del "solucionismo tecnológico" una corriente ideológica criticada agudamente por autores como
Silva Hernández y Martínez Prats (2021), la cual asume erróneamente que la mera introducción de
artefactos digitales conlleva mejoras automáticas, disruptivas e inmediatas en los procesos cognitivos,
los datos recabados en esta investigación ofrecen un baño de realidad empírica. Nuestros resultados
pág. 6217
demostraron de manera contundente que el uso de GPT, por sí mismo, no genera diferencias
estadísticamente significativas en las calificaciones directas de los estudiantes (p = 0.723).
Este hallazgo de "no diferencia" es científicamente tan valioso como una correlación positiva, pues
desarticula la narrativa de la ventaja tecnológica intrínseca y se alinea con las advertencias éticas y
pedagógicas de Ojeda et al. (2023). Estos autores subrayan la complejidad multifacética del impacto de
la IA en entornos educativos, advirtiendo que la disponibilidad de herramientas avanzadas no garantiza
la apropiación del conocimiento. Esto sugiere que la tecnología opera bajo una lógica de "neutralidad
instrumental" en lo que respecta al rendimiento sumativo: es una potencia que requiere acto pedagógico.
Por ende, la tecnología por sí sola es insuficiente para transformar los resultados de aprendizaje si no se
integra mediante una estrategia didáctica deliberada que trascienda el uso instrumental y fomente la
mediación cognitiva.
En el caso específico de la Educación Física, una disciplina cuya naturaleza es fundamentalmente
procedimental, kinestésica y socio motriz, la intervención de un modelo de lenguaje masivo en la fase
de diseño docente (gabinete) no se traduce mecánicamente en una mejora de las habilidades motrices o
el rendimiento físico del alumno si no media una ejecución pedagógica efectiva en el patio o la cancha.
A diferencia de asignaturas teóricas donde la IA puede asistir directamente en la producción intelectual
del estudiante (como la redacción de ensayos), en Educación Física la mediación tecnológica es
indirecta. La tecnología, en este esquema, actúa como una variable "transparente" o de soporte: optimiza
la gestión del tiempo y libera recursos cognitivos del docente, permitiéndole centrarse en la instrucción,
pero no sustituye el esfuerzo físico, la participación y el desarrollo psicomotor del estudiante, factores
que siguen siendo los determinantes últimos y no automatizables de la calificación final.
La IA como Catalizador de la Adaptación Curricular y la Equidad, No obstante, la ausencia de impacto
directo en las calificaciones sumativas no implica, en ninguna circunstancia, irrelevancia pedagógica.
Por el contrario, la fuerte correlación de Spearman (rₛ = 0.971) encontrada entre la percepción de utilidad
de GPT y el nivel de adaptación al modelo de la Nueva Escuela Mexicana (NEM) revela el verdadero
nicho estratégico de esta tecnología: la eficiencia adaptativa. Este hallazgo sugiere que la IA no opera
como un sustituto del juicio docente, sino como un acelerador de la competencia didáctica para enfrentar
entornos complejos.
demostraron de manera contundente que el uso de GPT, por sí mismo, no genera diferencias
estadísticamente significativas en las calificaciones directas de los estudiantes (p = 0.723).
Este hallazgo de "no diferencia" es científicamente tan valioso como una correlación positiva, pues
desarticula la narrativa de la ventaja tecnológica intrínseca y se alinea con las advertencias éticas y
pedagógicas de Ojeda et al. (2023). Estos autores subrayan la complejidad multifacética del impacto de
la IA en entornos educativos, advirtiendo que la disponibilidad de herramientas avanzadas no garantiza
la apropiación del conocimiento. Esto sugiere que la tecnología opera bajo una lógica de "neutralidad
instrumental" en lo que respecta al rendimiento sumativo: es una potencia que requiere acto pedagógico.
Por ende, la tecnología por sí sola es insuficiente para transformar los resultados de aprendizaje si no se
integra mediante una estrategia didáctica deliberada que trascienda el uso instrumental y fomente la
mediación cognitiva.
En el caso específico de la Educación Física, una disciplina cuya naturaleza es fundamentalmente
procedimental, kinestésica y socio motriz, la intervención de un modelo de lenguaje masivo en la fase
de diseño docente (gabinete) no se traduce mecánicamente en una mejora de las habilidades motrices o
el rendimiento físico del alumno si no media una ejecución pedagógica efectiva en el patio o la cancha.
A diferencia de asignaturas teóricas donde la IA puede asistir directamente en la producción intelectual
del estudiante (como la redacción de ensayos), en Educación Física la mediación tecnológica es
indirecta. La tecnología, en este esquema, actúa como una variable "transparente" o de soporte: optimiza
la gestión del tiempo y libera recursos cognitivos del docente, permitiéndole centrarse en la instrucción,
pero no sustituye el esfuerzo físico, la participación y el desarrollo psicomotor del estudiante, factores
que siguen siendo los determinantes últimos y no automatizables de la calificación final.
La IA como Catalizador de la Adaptación Curricular y la Equidad, No obstante, la ausencia de impacto
directo en las calificaciones sumativas no implica, en ninguna circunstancia, irrelevancia pedagógica.
Por el contrario, la fuerte correlación de Spearman (rₛ = 0.971) encontrada entre la percepción de utilidad
de GPT y el nivel de adaptación al modelo de la Nueva Escuela Mexicana (NEM) revela el verdadero
nicho estratégico de esta tecnología: la eficiencia adaptativa. Este hallazgo sugiere que la IA no opera
como un sustituto del juicio docente, sino como un acelerador de la competencia didáctica para enfrentar
entornos complejos.
pág. 6218
García-Peñalvo et al. (2024) sostienen que la IA generativa tiene el potencial de redefinir el rol docente,
desplazándolo de la transmisión de contenidos hacia la curaduría y diseño de experiencias; nuestros
datos confirman empíricamente esta premisa, demostrando que, para los profesores de la muestra,
herramientas como GPT funcionan como un potente "andamiaje cognitivo". Este soporte tecnológico
permite externalizar tareas de bajo nivel cognitivo como la estructuración inicial de secuencias o la
búsqueda de recursos diversificados para liberar ancho de banda mental que el docente puede reinvertir
en la personalización del aprendizaje y la atención a la diversidad, aspectos nodales de la NEM que
tradicionalmente consumen recursos temporales excesivos.
Este andamiaje facilita la interpretación y operacionalización de los complejos y a menudo abstractos
principios de inclusión, equidad e interculturalidad crítica que demanda la reforma educativa. Al reducir
significativamente la carga cognitiva y temporal asociada al diseño de ajustes razonables para
estudiantes con Barreras para el Aprendizaje y la Participación (BAP) y a la diversificación de
estrategias didácticas, la IA permite al docente cumplir con las exigencias normativas de la NEM con
mayor fluidez y precisión. Este hallazgo sugiere un cambio de paradigma en la valoración de la
tecnología: el retorno de inversión de la IA en educación no debe medirse en décimas de calificación
incremental, sino en la capacidad sistémica para personalizar la enseñanza, democratizar el acceso a
diseños instruccionales de alta calidad y garantizar una atención más equitativa a la diversidad del
alumnado.
En un ejercicio de rigor científico y honestidad intelectual, es necesario reconocer ciertas limitaciones.
La alta homogeneidad observada en las calificaciones (efecto techo) y la consecuente colinealidad entre
variables limitan la capacidad de generalización de los modelos predictivos a contextos educativos que
operen fuera de la estructura normativa y cultural mexicana. Asimismo, al tratarse de un estudio de caso
centrado en el estado de Sinaloa, las dinámicas específicas de infraestructura tecnológica regional y la
cultura magisterial local podrían introducir matices que no sean replicables idénticamente en otras
entidades federativas con contextos sociodemográficos disímiles.
CONCLUSIONES
La presente investigación aporta un corpus de evidencia empírica robusta que trasciende el debate
especulativo para desmitificar, con datos situados, el impacto real de la Inteligencia Artificial Generativa
García-Peñalvo et al. (2024) sostienen que la IA generativa tiene el potencial de redefinir el rol docente,
desplazándolo de la transmisión de contenidos hacia la curaduría y diseño de experiencias; nuestros
datos confirman empíricamente esta premisa, demostrando que, para los profesores de la muestra,
herramientas como GPT funcionan como un potente "andamiaje cognitivo". Este soporte tecnológico
permite externalizar tareas de bajo nivel cognitivo como la estructuración inicial de secuencias o la
búsqueda de recursos diversificados para liberar ancho de banda mental que el docente puede reinvertir
en la personalización del aprendizaje y la atención a la diversidad, aspectos nodales de la NEM que
tradicionalmente consumen recursos temporales excesivos.
Este andamiaje facilita la interpretación y operacionalización de los complejos y a menudo abstractos
principios de inclusión, equidad e interculturalidad crítica que demanda la reforma educativa. Al reducir
significativamente la carga cognitiva y temporal asociada al diseño de ajustes razonables para
estudiantes con Barreras para el Aprendizaje y la Participación (BAP) y a la diversificación de
estrategias didácticas, la IA permite al docente cumplir con las exigencias normativas de la NEM con
mayor fluidez y precisión. Este hallazgo sugiere un cambio de paradigma en la valoración de la
tecnología: el retorno de inversión de la IA en educación no debe medirse en décimas de calificación
incremental, sino en la capacidad sistémica para personalizar la enseñanza, democratizar el acceso a
diseños instruccionales de alta calidad y garantizar una atención más equitativa a la diversidad del
alumnado.
En un ejercicio de rigor científico y honestidad intelectual, es necesario reconocer ciertas limitaciones.
La alta homogeneidad observada en las calificaciones (efecto techo) y la consecuente colinealidad entre
variables limitan la capacidad de generalización de los modelos predictivos a contextos educativos que
operen fuera de la estructura normativa y cultural mexicana. Asimismo, al tratarse de un estudio de caso
centrado en el estado de Sinaloa, las dinámicas específicas de infraestructura tecnológica regional y la
cultura magisterial local podrían introducir matices que no sean replicables idénticamente en otras
entidades federativas con contextos sociodemográficos disímiles.
CONCLUSIONES
La presente investigación aporta un corpus de evidencia empírica robusta que trasciende el debate
especulativo para desmitificar, con datos situados, el impacto real de la Inteligencia Artificial Generativa
pág. 6219
en la educación básica, abordando el vacío de conocimiento existente en disciplinas procedimentales
como la Educación Física. A partir de la triangulación de los análisis estadísticos y teóricos, se derivan
tres conclusiones estructurales que redefinen la comprensión del binomio tecnología-pedagogía en el
contexto de la reforma educativa mexicana.
En primer lugar, se confirma de manera categórica que la calidad del diseño didáctico se erige como la
variable hegemónica y el predictor determinante del rendimiento académico, eclipsando cualquier otra
variable instrumental. Los datos revelan que, bajo la arquitectura curricular de la Nueva Escuela
Mexicana, la excelencia académica es insostenible sin una planificación estructurada y contextualizada.
La alta asociación observada (r = 0.994) indica que la planificación no es un mero trámite administrativo,
sino la "partitura" que dirige la ejecución docente; por ende, ninguna herramienta tecnológica, por
avanzada que sea, puede compensar las deficiencias estructurales en la intencionalidad pedagógica. La
tecnología actúa como un amplificador de la capacidad docente, pero no como un sustituto de la
competencia didáctica esencial.
En segundo lugar, el estudio valida la integridad y robustez de los procesos de evaluación frente a la
irrupción tecnológica. Contrario a los temores de que la IA podría distorsionar los resultados
académicos, se demostró que el uso de asistentes virtuales como GPT no genera una "inflación" artificial
de las calificaciones ni otorga ventajas injustas en el rendimiento sumativo (p > 0.05). Este hallazgo de
neutralidad instrumental es crucial para la Educación Física: evidencia que la tecnología puede optimizar
los procesos de gabinete (diseño, programación), pero no altera la medición del aprendizaje real, el cual
sigue dependiendo del esfuerzo motriz y cognitivo del estudiante. La IA, por tanto, se integra al
ecosistema educativo como una herramienta de soporte administrativo y creativo, sin vulnerar la equidad
en la evaluación del desempeño.
En tercer lugar, el modelo de regresión lineal múltiple presenta valores de R² y VIF poco habituales en
investigaciones educativas, lo que sugiere posible solapamiento conceptual y de método entre las
variables de planificación y rendimiento. Esto implica que la capacidad explicativa del modelo debe
interpretarse con cautela, como específica de este contexto y complementaria a las evidencias
correlacionales y teóricas. En consecuencia, las afirmaciones predictivas derivadas del modelo no deben
extrapolarse de manera mecanicista a otros escenarios sin análisis adicionales de validez externa.
en la educación básica, abordando el vacío de conocimiento existente en disciplinas procedimentales
como la Educación Física. A partir de la triangulación de los análisis estadísticos y teóricos, se derivan
tres conclusiones estructurales que redefinen la comprensión del binomio tecnología-pedagogía en el
contexto de la reforma educativa mexicana.
En primer lugar, se confirma de manera categórica que la calidad del diseño didáctico se erige como la
variable hegemónica y el predictor determinante del rendimiento académico, eclipsando cualquier otra
variable instrumental. Los datos revelan que, bajo la arquitectura curricular de la Nueva Escuela
Mexicana, la excelencia académica es insostenible sin una planificación estructurada y contextualizada.
La alta asociación observada (r = 0.994) indica que la planificación no es un mero trámite administrativo,
sino la "partitura" que dirige la ejecución docente; por ende, ninguna herramienta tecnológica, por
avanzada que sea, puede compensar las deficiencias estructurales en la intencionalidad pedagógica. La
tecnología actúa como un amplificador de la capacidad docente, pero no como un sustituto de la
competencia didáctica esencial.
En segundo lugar, el estudio valida la integridad y robustez de los procesos de evaluación frente a la
irrupción tecnológica. Contrario a los temores de que la IA podría distorsionar los resultados
académicos, se demostró que el uso de asistentes virtuales como GPT no genera una "inflación" artificial
de las calificaciones ni otorga ventajas injustas en el rendimiento sumativo (p > 0.05). Este hallazgo de
neutralidad instrumental es crucial para la Educación Física: evidencia que la tecnología puede optimizar
los procesos de gabinete (diseño, programación), pero no altera la medición del aprendizaje real, el cual
sigue dependiendo del esfuerzo motriz y cognitivo del estudiante. La IA, por tanto, se integra al
ecosistema educativo como una herramienta de soporte administrativo y creativo, sin vulnerar la equidad
en la evaluación del desempeño.
En tercer lugar, el modelo de regresión lineal múltiple presenta valores de R² y VIF poco habituales en
investigaciones educativas, lo que sugiere posible solapamiento conceptual y de método entre las
variables de planificación y rendimiento. Esto implica que la capacidad explicativa del modelo debe
interpretarse con cautela, como específica de este contexto y complementaria a las evidencias
correlacionales y teóricas. En consecuencia, las afirmaciones predictivas derivadas del modelo no deben
extrapolarse de manera mecanicista a otros escenarios sin análisis adicionales de validez externa.
pág. 6220
Finalmente, se concluye que el verdadero valor estratégico de la Inteligencia Artificial Generativa no
reside en la alteración cuantitativa de los resultados numéricos, sino en su capacidad cualitativa para
facilitar la adaptación del docente a los nuevos paradigmas educativos. La fuerte asociación detectada
(rₛ = 0.971) entre el uso de la herramienta y la alineación con la NEM posiciona a la IA como un potente
"andamiaje cognitivo" para la inclusión. En un contexto que exige atender la diversidad y minimizar las
Barreras para el Aprendizaje y la Participación (BAP), la IA permite a los docentes operacionalizar
principios teóricos complejos, diseñando intervenciones diversificadas y ajustes razonables con una
eficiencia que sería inalcanzable mediante métodos analógicos tradicionales. Así, la tecnología se
revaloriza: no como una máquina de aprobar alumnos, sino como una palanca para democratizar la
enseñanza personalizada y materializar la equidad en el aula.
Implicaciones Prácticas y Recomendaciones
A la luz de los hallazgos presentados, se recomienda encarecidamente a las autoridades educativas, en
particular a la Secretaría de Educación Pública y la Universidad Autónoma de Sinaloa, reorientar
estratégicamente las políticas de formación continua docente. Resulta imperativo transitar de un modelo
de capacitación instrumentalista, centrado meramente en la operatividad del software ("cómo usar
GPT"), hacia un paradigma pedagógico de "Planificación Aumentada por IA".
Este enfoque implica habilitar a los docentes en competencias avanzadas de ingeniería de prompts
pedagógicos para que utilicen los algoritmos como asistentes creativos en el diseño de ajustes
razonables, la diversificación de estrategias lúdicas y la generación de escenarios didácticos inclusivos
que atiendan la neurodiversidad del aula. Asimismo, se debe instruir en la optimización de tiempos
administrativos mediante la automatización de tareas rutinarias, garantizando siempre que el control
ético, la curaduría de contenidos y la decisión pedagógica final permanezcan centralizados
inalienablemente en el factor humano.
Futuras Líneas de Investigación
Se sugiere la apertura de nuevas líneas de investigación longitudinales y mixtas que trasciendan la
medición del rendimiento sumativo inmediato. Es crucial evaluar si la eficiencia en la planificación
facilitada por la IA deriva, a largo plazo, en una redistribución efectiva del tiempo docente hacia
interacciones de mayor valor cualitativo, como el acompañamiento socioemocional y la
Finalmente, se concluye que el verdadero valor estratégico de la Inteligencia Artificial Generativa no
reside en la alteración cuantitativa de los resultados numéricos, sino en su capacidad cualitativa para
facilitar la adaptación del docente a los nuevos paradigmas educativos. La fuerte asociación detectada
(rₛ = 0.971) entre el uso de la herramienta y la alineación con la NEM posiciona a la IA como un potente
"andamiaje cognitivo" para la inclusión. En un contexto que exige atender la diversidad y minimizar las
Barreras para el Aprendizaje y la Participación (BAP), la IA permite a los docentes operacionalizar
principios teóricos complejos, diseñando intervenciones diversificadas y ajustes razonables con una
eficiencia que sería inalcanzable mediante métodos analógicos tradicionales. Así, la tecnología se
revaloriza: no como una máquina de aprobar alumnos, sino como una palanca para democratizar la
enseñanza personalizada y materializar la equidad en el aula.
Implicaciones Prácticas y Recomendaciones
A la luz de los hallazgos presentados, se recomienda encarecidamente a las autoridades educativas, en
particular a la Secretaría de Educación Pública y la Universidad Autónoma de Sinaloa, reorientar
estratégicamente las políticas de formación continua docente. Resulta imperativo transitar de un modelo
de capacitación instrumentalista, centrado meramente en la operatividad del software ("cómo usar
GPT"), hacia un paradigma pedagógico de "Planificación Aumentada por IA".
Este enfoque implica habilitar a los docentes en competencias avanzadas de ingeniería de prompts
pedagógicos para que utilicen los algoritmos como asistentes creativos en el diseño de ajustes
razonables, la diversificación de estrategias lúdicas y la generación de escenarios didácticos inclusivos
que atiendan la neurodiversidad del aula. Asimismo, se debe instruir en la optimización de tiempos
administrativos mediante la automatización de tareas rutinarias, garantizando siempre que el control
ético, la curaduría de contenidos y la decisión pedagógica final permanezcan centralizados
inalienablemente en el factor humano.
Futuras Líneas de Investigación
Se sugiere la apertura de nuevas líneas de investigación longitudinales y mixtas que trasciendan la
medición del rendimiento sumativo inmediato. Es crucial evaluar si la eficiencia en la planificación
facilitada por la IA deriva, a largo plazo, en una redistribución efectiva del tiempo docente hacia
interacciones de mayor valor cualitativo, como el acompañamiento socioemocional y la
pág. 6221
retroalimentación personalizada in situ. Asimismo, sería pertinente indagar mediante estudios
etnográficos cómo se modifican las dinámicas de interacción en el patio escolar cuando el docente se
libera de la carga burocrática del diseño, explorando dimensiones del bienestar estudiantil y la formación
integral que las métricas de rendimiento tradicionales suelen omitir.
REFERENCIAS BIBLIOGRÁFICAS
Cindy Carriazo Diaz, Maura Pérez Reyes, & Kathelyn Gaviria Bustamante. (2020). Planificación
educativa como herramienta fundamental para una educación con calidad. Utopía y praxis
latinoamericana, 25(extra-3). https://doi.org/10.5281/zenodo.3907048
Gallent Torres, C., Zapata González, A., & Ortego Hernando, J. L. (2023). El impacto de la inteligencia
artificial generativa en educación superior: una mirada desde la ética y la integridad
académica. RELIEVE - Revista Electrónica De Investigación Y Evaluación Educativa, 29(2).
https://doi.org/10.30827/relieve.v29i2.29134
García Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). La nueva realidad de la educación ante los
avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a
Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Education.
https://doi.org/10.22201/fesc.20072236e.2019.10.18.6
Ojeda, A. D., Solano-Barliza, A. D., Ortega Álvarez, D., & Boom Cárcamo, E. (2023). Análisis del
impacto de la inteligencia artificial ChatGPT en los procesos de enseñanza y aprendizaje en la
educación universitaria. Formación Universitaria, 16(6), 61–70. https://doi.org/10.4067/S0718-
50062023000600061
Párraga Rocero, W. J., Vargas Bálcazar, K. S., Rocero Benavides, M. M., Palacios Vaicilla, T. E., &
Capelo Andrade, S. S. (2024). La inteligencia artificial ChatGPT y su influencia en los
resultados de aprendizaje de los estudiantes de educación básica superior: ChatGPT artificial
intelligence and its influence on the learning results of higher basic education students. LATAM
Revista Latinoamericana De Ciencias Sociales Y Humanidades, 5(3), 2290 – 2302.
https://doi.org/10.56712/latam.v5i3.2195
retroalimentación personalizada in situ. Asimismo, sería pertinente indagar mediante estudios
etnográficos cómo se modifican las dinámicas de interacción en el patio escolar cuando el docente se
libera de la carga burocrática del diseño, explorando dimensiones del bienestar estudiantil y la formación
integral que las métricas de rendimiento tradicionales suelen omitir.
REFERENCIAS BIBLIOGRÁFICAS
Cindy Carriazo Diaz, Maura Pérez Reyes, & Kathelyn Gaviria Bustamante. (2020). Planificación
educativa como herramienta fundamental para una educación con calidad. Utopía y praxis
latinoamericana, 25(extra-3). https://doi.org/10.5281/zenodo.3907048
Gallent Torres, C., Zapata González, A., & Ortego Hernando, J. L. (2023). El impacto de la inteligencia
artificial generativa en educación superior: una mirada desde la ética y la integridad
académica. RELIEVE - Revista Electrónica De Investigación Y Evaluación Educativa, 29(2).
https://doi.org/10.30827/relieve.v29i2.29134
García Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). La nueva realidad de la educación ante los
avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a
Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Education.
https://doi.org/10.22201/fesc.20072236e.2019.10.18.6
Ojeda, A. D., Solano-Barliza, A. D., Ortega Álvarez, D., & Boom Cárcamo, E. (2023). Análisis del
impacto de la inteligencia artificial ChatGPT en los procesos de enseñanza y aprendizaje en la
educación universitaria. Formación Universitaria, 16(6), 61–70. https://doi.org/10.4067/S0718-
50062023000600061
Párraga Rocero, W. J., Vargas Bálcazar, K. S., Rocero Benavides, M. M., Palacios Vaicilla, T. E., &
Capelo Andrade, S. S. (2024). La inteligencia artificial ChatGPT y su influencia en los
resultados de aprendizaje de los estudiantes de educación básica superior: ChatGPT artificial
intelligence and its influence on the learning results of higher basic education students. LATAM
Revista Latinoamericana De Ciencias Sociales Y Humanidades, 5(3), 2290 – 2302.
https://doi.org/10.56712/latam.v5i3.2195
pág. 6222
Secretaría de Educación Pública. (2022). Plan de Estudio para la Educación Preescolar, Primaria y
Secundaria 2022. SEP. ISBN: 978-607-8824-73-1. https://educacionbasica.sep.gob.mx/wp-
content/uploads/2024/06/Plan-de-Estudio-ISBN-ELECTRONICO.pdf
Secretaría de Educación Pública. (2023). Anexo: Educación Física en el marco de la Nueva Escuela
Mexicana. SEP. https://educacionbasica.sep.gob.mx/wp-content/uploads/2024/09/Educacion-
Fisica-en-el-marco-de-la-Nueva-Escuela-Mexicana.pdf
Secretaría de Educación Pública. (2023). Programas de Estudio para la Educación Preescolar, Primaria
y Secundaria: Fases 2 a 6. SEP. https://educacionbasica.sep.gob.mx/programas-de-estudio-
para-la-educacion-preescolar-primaria-y-secundaria-programas-sinteticos-de-las-fases-2-a-6/
Silva, F., y Martínez, G. (2021). Estrategias de innovación docente mediante las TIC. 3C TIC. Cuadernos
de desarrollo aplicados a las TIC, 10(4), 89-103. https://doi.org/10.17993/3ctic.2021.104.89-
103
Secretaría de Educación Pública. (2022). Plan de Estudio para la Educación Preescolar, Primaria y
Secundaria 2022. SEP. ISBN: 978-607-8824-73-1. https://educacionbasica.sep.gob.mx/wp-
content/uploads/2024/06/Plan-de-Estudio-ISBN-ELECTRONICO.pdf
Secretaría de Educación Pública. (2023). Anexo: Educación Física en el marco de la Nueva Escuela
Mexicana. SEP. https://educacionbasica.sep.gob.mx/wp-content/uploads/2024/09/Educacion-
Fisica-en-el-marco-de-la-Nueva-Escuela-Mexicana.pdf
Secretaría de Educación Pública. (2023). Programas de Estudio para la Educación Preescolar, Primaria
y Secundaria: Fases 2 a 6. SEP. https://educacionbasica.sep.gob.mx/programas-de-estudio-
para-la-educacion-preescolar-primaria-y-secundaria-programas-sinteticos-de-las-fases-2-a-6/
Silva, F., y Martínez, G. (2021). Estrategias de innovación docente mediante las TIC. 3C TIC. Cuadernos
de desarrollo aplicados a las TIC, 10(4), 89-103. https://doi.org/10.17993/3ctic.2021.104.89-
103