Recibido: 12/11/2025
Aprobado: 19/03/2026
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1610
DOI: https://doi.org/10.70747/cr.v5i1.1005
Aplicación de la Taxonomía Digital de Bloom en el Diseño De
Prompts para Escritura Académica con Inteligencia Artificial
Carlos Chanto Espinoza
https://orcid.org/0000-0002-3420-7259
carlos.chanto.espinoza@una.cr
Universidad Nacional de Costa Rica
Costa Rica, San José
Cristian Chaves Jaén
https://orcid.org/0000-0002-5814-2891
cristian.chaves.jaen@una.cr
Universidad Nacional de Costa Rica
Costa Rica, San José
RESUMEN
Introducción. El crecimiento de la inteligencia artificial en la docencia secundaria ha transformado,
los procesos de escritura académica y generación de conocimiento. Ante ese escenario, el estudio
propone un marco sintáctico orientado al diseño de Prompts académicos, con énfasis en redacción
científica y generación multimedial (texto-imagen). El objetivo general de esta investigación se
estableció; Evaluar el efecto de un taller formativo basado en la Taxonomía Digital de Bloom,
orientado al uso estructurado de herramientas de inteligencia artificial, sobre la calidad de la
escritura científica en estudiantes de educación secundaria de centros educativos públicos de Costa
Rica. Metodología. La investigación se implementó en el marco de un diseño mixto secuencial
explicativo. La muestra estuvo integrada por 46 estudiantes de educación media, de dos centros
educativos de secundaria pública de Costa Rica. La selección de los estudiantes se realizó, tomando
como base estar matriculados en asignaturas con componente investigativo. La iniciativa consistió
en desarrollar un taller de 20 horas, centrado en la adaptación de la Taxonomía Digital de Bloom,
con el propósito de estructurar instrucciones en herramientas de Inteligencia Artificial como
ChatGPT, Copilot y DeepSeek. Se implementó un cuestionario tipo Likert y preguntas abiertas,
validado por expertos. El análisis cuantitativo se realizó con el apoyo de estadística descriptiva con
la aplicación en SPSS, y el cualitativo mediante codificación abierta y axial en NVivo. Resultados.
Del estudio se identificó que el 63% de los participantes, calificó el taller como “muy claro” y el
mismo porcentaje, lo consideró “muy útil”. Por otra parte, más del 90% de los encuestados, percibió
comprensible la redacción de instrucciones y la creación de imágenes con Inteligencia Artificial.
Asimismo, el 43,5% de los participantes, identificó algunas aplicaciones prácticas en sus tareas
académicas. Conclusión. Utilizando taxonomías cognitivas y directrices para la competencia digital,
se pueden elaborar indicaciones de manera deliberada. Esto para facilitar la interacción entre
humanos, e inteligencia artificial en el ámbito académico. Una formación estructurada en
inteligencia artificial también está, ayudando a avanzar en un nuevo marco, para la competencia
curricular estratégica
Palabras clave: alfabetización digital, producción de conocimientos, cibercultura, innovación
tecnológica, educación superior
Los autores declaran no tener conflicto de intereses.
El Editor y los Revisores declararon no tener conflicto de intereses.
Licencia:
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1611
Application of Bloom’s Digital Taxonomy in Prompt Design for
Academic Writing with Artificial Intelligence
ABSTRACT
Introduction. The growing presence of artificial intelligence in secondary education has
reshaped how students approach academic writing and knowledge production. In response
to this shift, the study proposes a structured framework for designing academic prompts,
with a particular focus on scientific writing and multimodal content generation (text and
image). The main objective of this research was to evaluate the effect of a training workshop
based on Bloom’s Digital Taxonomy, aimed at promoting the structured use of artificial
intelligence tools, on the quality of scientific writing among secondary school students in
public educational institutions in Costa Rica. Methodology. The study followed an
explanatory sequential mixed-methods design. The sample consisted of 46 secondary-level
students from two public schools in Costa Rica. Participants were selected based on their
enrollment in courses with a research component. The intervention involved a 20-hour
workshop focused on adapting Bloom’s Digital Taxonomy to guide the construction of
structured prompts using artificial intelligence tools such as ChatGPT, Copilot, and
DeepSeek. Data were collected through a Likert-scale questionnaire and open-ended
questions, both validated by experts. Quantitative data were analyzed using descriptive
statistics in SPSS, while qualitative responses were examined through open and axial coding
in NVivo. Results. The findings show that 63% of participants rated the workshop as “very
clear,” and the same percentage considered it “very useful.” In addition, over 90% reported
that they found both the process of writing instructions and generating images with artificial
intelligence to be understandable. Furthermore, 43.5% of the students identified practical
applications of these tools in their academic work. Conclusion. The results suggest that
combining cognitive taxonomies with digital competence guidelines can support the
deliberate design of prompts, ultimately improving how students interact with artificial
intelligence in academic settings. Structured training in AI also appears to contribute to the
development of a more strategic approach to curricular competencies
Keywords : digital literacy, knowledge production, cyberculture, technological innovation, higher
education
The authors declare no conflict of interest.
The Editor and the Reviewers declared no conflict of interest.
License:
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1611
Application of Bloom’s Digital Taxonomy in Prompt Design for
Academic Writing with Artificial Intelligence
ABSTRACT
Introduction. The growing presence of artificial intelligence in secondary education has
reshaped how students approach academic writing and knowledge production. In response
to this shift, the study proposes a structured framework for designing academic prompts,
with a particular focus on scientific writing and multimodal content generation (text and
image). The main objective of this research was to evaluate the effect of a training workshop
based on Bloom’s Digital Taxonomy, aimed at promoting the structured use of artificial
intelligence tools, on the quality of scientific writing among secondary school students in
public educational institutions in Costa Rica. Methodology. The study followed an
explanatory sequential mixed-methods design. The sample consisted of 46 secondary-level
students from two public schools in Costa Rica. Participants were selected based on their
enrollment in courses with a research component. The intervention involved a 20-hour
workshop focused on adapting Bloom’s Digital Taxonomy to guide the construction of
structured prompts using artificial intelligence tools such as ChatGPT, Copilot, and
DeepSeek. Data were collected through a Likert-scale questionnaire and open-ended
questions, both validated by experts. Quantitative data were analyzed using descriptive
statistics in SPSS, while qualitative responses were examined through open and axial coding
in NVivo. Results. The findings show that 63% of participants rated the workshop as “very
clear,” and the same percentage considered it “very useful.” In addition, over 90% reported
that they found both the process of writing instructions and generating images with artificial
intelligence to be understandable. Furthermore, 43.5% of the students identified practical
applications of these tools in their academic work. Conclusion. The results suggest that
combining cognitive taxonomies with digital competence guidelines can support the
deliberate design of prompts, ultimately improving how students interact with artificial
intelligence in academic settings. Structured training in AI also appears to contribute to the
development of a more strategic approach to curricular competencies
Keywords : digital literacy, knowledge production, cyberculture, technological innovation, higher
education
The authors declare no conflict of interest.
The Editor and the Reviewers declared no conflict of interest.
License:
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1612
INTRODUCCIÓN
En los últimos años, con la aparición e influencia de la inteligencia artificial en los
entornos educativos, ha habido un cambio profundo en las actividades pedagógicas
actuales. Esto se evidencia en estudios recientes como el de Zawacki-Richter et al.
(2019), que demuestran que el 89% de las instituciones de educación superior han
adoptado el uso de herramientas de IA en la enseñanza. Esto ha ocurrido en los últimos
tres años, con el resultado de que la competencia digital ya no significa conveniencia;
ahora es un aspecto intrínseco de la alfabetización crítica.
Problema de investigación.
La creciente incorporación de la inteligencia artificial, en la educación superior está
generando una tensión no resuelta entre su potencial. Esto con la búsqueda de optimizar el
rendimiento académico, y su posible impacto negativo en el desarrollo de habilidades
cognitivas profundas, como el pensamiento crítico y la creatividad. Aunque estas
herramientas mejoran la eficiencia en tareas académicas, existe evidencia de una
dependencia progresiva y una posible erosión de la autonomía intelectual, lo que plantea
incertidumbre sobre su efecto real en el aprendizaje significativo.
Adicionalmente, se observa una disociación perceptual en los estudiantes, quienes valoran
positivamente la utilidad de la inteligencia artificial, pero simultáneamente experimentan o no
logran identificar con claridad sus efectos sobre procesos cognitivos complejos. Esta situación
se agrava en contextos latinoamericanos, donde persisten brechas en alfabetización digital,
formación docente y marcos pedagógicos para el uso crítico de la IA, limitando su integración
adecuada en los procesos educativos.
En consecuencia, el problema central radica en la falta de comprensión empírica y pedagógica
sobre cómo el uso de la inteligencia artificial influye simultáneamente en el rendimiento
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1612
INTRODUCCIÓN
En los últimos años, con la aparición e influencia de la inteligencia artificial en los
entornos educativos, ha habido un cambio profundo en las actividades pedagógicas
actuales. Esto se evidencia en estudios recientes como el de Zawacki-Richter et al.
(2019), que demuestran que el 89% de las instituciones de educación superior han
adoptado el uso de herramientas de IA en la enseñanza. Esto ha ocurrido en los últimos
tres años, con el resultado de que la competencia digital ya no significa conveniencia;
ahora es un aspecto intrínseco de la alfabetización crítica.
Problema de investigación.
La creciente incorporación de la inteligencia artificial, en la educación superior está
generando una tensión no resuelta entre su potencial. Esto con la búsqueda de optimizar el
rendimiento académico, y su posible impacto negativo en el desarrollo de habilidades
cognitivas profundas, como el pensamiento crítico y la creatividad. Aunque estas
herramientas mejoran la eficiencia en tareas académicas, existe evidencia de una
dependencia progresiva y una posible erosión de la autonomía intelectual, lo que plantea
incertidumbre sobre su efecto real en el aprendizaje significativo.
Adicionalmente, se observa una disociación perceptual en los estudiantes, quienes valoran
positivamente la utilidad de la inteligencia artificial, pero simultáneamente experimentan o no
logran identificar con claridad sus efectos sobre procesos cognitivos complejos. Esta situación
se agrava en contextos latinoamericanos, donde persisten brechas en alfabetización digital,
formación docente y marcos pedagógicos para el uso crítico de la IA, limitando su integración
adecuada en los procesos educativos.
En consecuencia, el problema central radica en la falta de comprensión empírica y pedagógica
sobre cómo el uso de la inteligencia artificial influye simultáneamente en el rendimiento
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1613
académico y la creatividad, así como en la necesidad de establecer criterios claros que
permitan aprovechar sus beneficios sin comprometer el desarrollo cognitivo de los
estudiantes.
Estudios como los de Lund y Wang (2023), encuentran que el 67% de los estudiantes
participan en salas de chat académicas, sin una guía sintáctica clara. Esto limita sus
posibilidades epistemológicas y crea un aire de superficialidad. Esta desconexión entre la
adaptación tecnológica y el dominio pedagógico llevó al problema de investigación actual.
Mismo que identifica una deficiencia metodológica observada por Valderrama-Pérez et al.
(2024), que destaca la falta de un marco sistemático para diseñar incentivos que reflejen el
rigor académico, la creatividad multimodal y el pensamiento crítico.
Este estudio se sitúa en la intersección de tres nuevas disciplinas: los Estándares de la
UNESCO (2023) para la Pedagogía de la Inteligencia Artificial, la Teoría de la Cognición
Distribuida Aplicada a Recursos Multimodales de Zhang et al. (2022), y las Taxonomías
Digitales de Operaciones Cognitivas de Churches (2008). En contraste con enfoques
anteriores que eran solamente descriptivos, este estudio propone un modelo significativo con
los estándares para la escritura científica. Esto, con la ayuda de la inteligencia artificial, cuyos
resultados mostraron un impacto relevante en la autoconfianza de los estudiantes que
participaron en el taller.
Dentro de la misma línea, un método mixto secuencial de Creswell y Plano Clark (2017)
permitió la evaluación no solo de la adquisición de conocimientos en términos
técnicos, sino también de la aplicación a proyectos del mundo real, aspectos que no
se enfatizaban mucho antes en la literatura previa, según una revisión sistemática de
Holmes et al. (2022).
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1613
académico y la creatividad, así como en la necesidad de establecer criterios claros que
permitan aprovechar sus beneficios sin comprometer el desarrollo cognitivo de los
estudiantes.
Estudios como los de Lund y Wang (2023), encuentran que el 67% de los estudiantes
participan en salas de chat académicas, sin una guía sintáctica clara. Esto limita sus
posibilidades epistemológicas y crea un aire de superficialidad. Esta desconexión entre la
adaptación tecnológica y el dominio pedagógico llevó al problema de investigación actual.
Mismo que identifica una deficiencia metodológica observada por Valderrama-Pérez et al.
(2024), que destaca la falta de un marco sistemático para diseñar incentivos que reflejen el
rigor académico, la creatividad multimodal y el pensamiento crítico.
Este estudio se sitúa en la intersección de tres nuevas disciplinas: los Estándares de la
UNESCO (2023) para la Pedagogía de la Inteligencia Artificial, la Teoría de la Cognición
Distribuida Aplicada a Recursos Multimodales de Zhang et al. (2022), y las Taxonomías
Digitales de Operaciones Cognitivas de Churches (2008). En contraste con enfoques
anteriores que eran solamente descriptivos, este estudio propone un modelo significativo con
los estándares para la escritura científica. Esto, con la ayuda de la inteligencia artificial, cuyos
resultados mostraron un impacto relevante en la autoconfianza de los estudiantes que
participaron en el taller.
Dentro de la misma línea, un método mixto secuencial de Creswell y Plano Clark (2017)
permitió la evaluación no solo de la adquisición de conocimientos en términos
técnicos, sino también de la aplicación a proyectos del mundo real, aspectos que no
se enfatizaban mucho antes en la literatura previa, según una revisión sistemática de
Holmes et al. (2022).
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1614
En marco propuesto de esta investigación, se compone de tres niveles:
• Micro (cómo hacer estímulos a partir de verbos de acción).
• Meso (cómo integrar texto e imágenes en proyectos académicos.
• Macro (cómo capacitar a los docentes para arquitecturas humano-artificiales).
Esta investigación fue establecida en un marco teórico para la IA educativa, metodología de
implantación y evaluación, análisis de resultados cuantitativos, síntesis cualitativa de
estrategias aprendidas y transferibles, y análisis de la escalabilidad institucional. Como tal, esta
investigación ofrece una evidencia práctica para las políticas educativas en la era algorítmica
al sistematizar la transición de los usuarios pasivos a la de los agentes digitales críticos.
La inteligencia artificial ha incursionado en la educación como agente de cambio, único e
irrepetible. Que vinieron a modificar no solo las herramientas existenciales, sino las maneras
de construir conocimiento. Sin embargo, este fenómeno no es solamente de carácter
tecnológico, sino que se introduce en los terrenos pedagógicos, éticos y sociales. En el
contexto de la integración en el salón de clases, son necesarios marcos conceptuales sólidos,
de ahí que la educación actual deba volverse fuertemente, para aprovechar el potencial de la
inteligencia artificial. Pero sin dejar de lado los principios fundamentales del aprendizaje
humano.
Según los autores Area-Moreira et al. (2022), esta alfabetización ha de rebasar la técnica para
llegar a ser crítica, ética y creativa. Es capacitar a los estudiantes para que interroguen a la IA,
así como para dialogar desde el campo de la disciplina y tomar una postura activa ante
decisiones de IA. Los chatbots de IA han puesto de manifiesto ser un extraordinario asistente
educativo, pero, a la vez, han demostrado ser un importante agente promotor, cuyo
desempeño depende fundamentalmente de la reformulación de instrucciones, y de que el
diseño de Prompts sea la habilidad ideal para la era digital.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1614
En marco propuesto de esta investigación, se compone de tres niveles:
• Micro (cómo hacer estímulos a partir de verbos de acción).
• Meso (cómo integrar texto e imágenes en proyectos académicos.
• Macro (cómo capacitar a los docentes para arquitecturas humano-artificiales).
Esta investigación fue establecida en un marco teórico para la IA educativa, metodología de
implantación y evaluación, análisis de resultados cuantitativos, síntesis cualitativa de
estrategias aprendidas y transferibles, y análisis de la escalabilidad institucional. Como tal, esta
investigación ofrece una evidencia práctica para las políticas educativas en la era algorítmica
al sistematizar la transición de los usuarios pasivos a la de los agentes digitales críticos.
La inteligencia artificial ha incursionado en la educación como agente de cambio, único e
irrepetible. Que vinieron a modificar no solo las herramientas existenciales, sino las maneras
de construir conocimiento. Sin embargo, este fenómeno no es solamente de carácter
tecnológico, sino que se introduce en los terrenos pedagógicos, éticos y sociales. En el
contexto de la integración en el salón de clases, son necesarios marcos conceptuales sólidos,
de ahí que la educación actual deba volverse fuertemente, para aprovechar el potencial de la
inteligencia artificial. Pero sin dejar de lado los principios fundamentales del aprendizaje
humano.
Según los autores Area-Moreira et al. (2022), esta alfabetización ha de rebasar la técnica para
llegar a ser crítica, ética y creativa. Es capacitar a los estudiantes para que interroguen a la IA,
así como para dialogar desde el campo de la disciplina y tomar una postura activa ante
decisiones de IA. Los chatbots de IA han puesto de manifiesto ser un extraordinario asistente
educativo, pero, a la vez, han demostrado ser un importante agente promotor, cuyo
desempeño depende fundamentalmente de la reformulación de instrucciones, y de que el
diseño de Prompts sea la habilidad ideal para la era digital.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1615
Empero, Gutiérrez-Martín et al. (2024), manifiestan que un 71% de los estudiantes
participantes en su estudio incorporan estas herramientas sin capacitación específica, lo que
se traduce en recurrir a la superficie de práctica de anotación desde las distintas fuentes y
plataformas de las aplicaciones de chatbots, sin habilitar su potencial epistémico. Ese desfase
entre la accesibilidad a la tecnología y la alfabetización pedagógica sustituye a la
transformación educativa.
Con el fin de solventar esta limitación, nuestro propio trabajo puede basarse en marcos
conceptuales que logran ver la IA, no como un elemento capaz de sustituir el pensamiento
humano, sino como un mediador que puede empoderarlo con propósito pedagógico y crítico.
En esta línea, el DigCompEdu (adaptado por Tourón et al., 2023) puede servir de base para
poder conceptualizar las competencias digitales avanzadas necesarias para interactuar con la
IA.
Uno de los aspectos más relevantes que se hace notar en esta misma línea de trabajo y estudio
es la necesidad de avanzar más allá de la práctica del consumo pasivo; hacia acciones de
creación, de evaluación y de uso ético de los contenidos generados por la inteligencia artificial.
Más aún, entendemos que la teoría de la mediación tecnológica también resulta propicia para
dar cuenta del rol de la inteligencia artificial, en los contextos de pensamiento y de evaluación.
Sánchez-Cruzado et al. (2022), indican que las herramientas de IA son mediadores de
cualquier proceso cognitivo, tal y como un acto discursivo, ya que, además, incrementan un
paradigma de máquina. Esto no solo permite el ultimo criterio, sino que también exige un
nuevo modo de interactuar o del modo de mediación pedagógica.
Por su parte, Duart et al. (2023), menciona que grandes cantidades de procesos de
conocimiento cognitivo suelen analizarse de manera insuficiente o excesiva; esto obviamente
afecta la calidad del aprendizaje.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1615
Empero, Gutiérrez-Martín et al. (2024), manifiestan que un 71% de los estudiantes
participantes en su estudio incorporan estas herramientas sin capacitación específica, lo que
se traduce en recurrir a la superficie de práctica de anotación desde las distintas fuentes y
plataformas de las aplicaciones de chatbots, sin habilitar su potencial epistémico. Ese desfase
entre la accesibilidad a la tecnología y la alfabetización pedagógica sustituye a la
transformación educativa.
Con el fin de solventar esta limitación, nuestro propio trabajo puede basarse en marcos
conceptuales que logran ver la IA, no como un elemento capaz de sustituir el pensamiento
humano, sino como un mediador que puede empoderarlo con propósito pedagógico y crítico.
En esta línea, el DigCompEdu (adaptado por Tourón et al., 2023) puede servir de base para
poder conceptualizar las competencias digitales avanzadas necesarias para interactuar con la
IA.
Uno de los aspectos más relevantes que se hace notar en esta misma línea de trabajo y estudio
es la necesidad de avanzar más allá de la práctica del consumo pasivo; hacia acciones de
creación, de evaluación y de uso ético de los contenidos generados por la inteligencia artificial.
Más aún, entendemos que la teoría de la mediación tecnológica también resulta propicia para
dar cuenta del rol de la inteligencia artificial, en los contextos de pensamiento y de evaluación.
Sánchez-Cruzado et al. (2022), indican que las herramientas de IA son mediadores de
cualquier proceso cognitivo, tal y como un acto discursivo, ya que, además, incrementan un
paradigma de máquina. Esto no solo permite el ultimo criterio, sino que también exige un
nuevo modo de interactuar o del modo de mediación pedagógica.
Por su parte, Duart et al. (2023), menciona que grandes cantidades de procesos de
conocimiento cognitivo suelen analizarse de manera insuficiente o excesiva; esto obviamente
afecta la calidad del aprendizaje.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1616
Este concepto conduce a la revisión de la teoría de la carga cognitiva, desde la perspectiva
de la generación de contenido multimodal con IA. Según datos, Duart et al. (2023), “El
equilibrio de información procesable y no procesable es lo que una pedagogía equilibrada
puede ayudar al diseño educativo”.
Aún más, este equilibrio necesita una conveniente consideración de la importancia y la
aplicabilidad del principio de la carga cognitiva. Por lo tanto, además de la manifestación
política de este fenómeno, también es importante presentar evidencia acerca de la dimensión
ética, ya que la IA educativa no debe emplearse para privar a los alumnos de la autonomía y
la autocrítica, sino para potenciarlas.
Desde una perspectiva concreta y práctica, Valero et al. (2024) proponen abordar éticamente
el uso de la IA desde los principios de transparencia, atribución y justicia algorítmica. Aspectos
fundamentales en contextos académicos, ya que la IA está llamada a suplementar, jamás a
sustituir, el esfuerzo intelectual del estudiante. De este modo, el concepto de agencia digital
que desarrollan estos autores, se presenta como especialmente útil para conectar la
consideración de aquellos aspectos algorítmicos con la enseñanza y el aprendizaje.
Para Castaño-González et al. (2023), lo que se entiende como agencia digital; se refiere a la
capacidad que tienen los ciudadanos, de relacionarse de forma responsable con la IA. En este
sentido, educar para formar usuarios implica, instruir agentes libres y críticos, capaces de
autoaprendizaje y de tener autodisciplina. Los autores se hacen eco de la idea de que la
agencia digital, va más allá de la competencia técnica, y se inicia en la esfera de la
autorregulación.
Los modelos de aceptación de la tecnología son capaces de explicar por qué un tipo de
herramienta sugiere un caso de éxito, en tanto que otro de características similares fracasa.
Comprender esta cuestión resulta esencialmente importante para diseñar intervenciones
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1616
Este concepto conduce a la revisión de la teoría de la carga cognitiva, desde la perspectiva
de la generación de contenido multimodal con IA. Según datos, Duart et al. (2023), “El
equilibrio de información procesable y no procesable es lo que una pedagogía equilibrada
puede ayudar al diseño educativo”.
Aún más, este equilibrio necesita una conveniente consideración de la importancia y la
aplicabilidad del principio de la carga cognitiva. Por lo tanto, además de la manifestación
política de este fenómeno, también es importante presentar evidencia acerca de la dimensión
ética, ya que la IA educativa no debe emplearse para privar a los alumnos de la autonomía y
la autocrítica, sino para potenciarlas.
Desde una perspectiva concreta y práctica, Valero et al. (2024) proponen abordar éticamente
el uso de la IA desde los principios de transparencia, atribución y justicia algorítmica. Aspectos
fundamentales en contextos académicos, ya que la IA está llamada a suplementar, jamás a
sustituir, el esfuerzo intelectual del estudiante. De este modo, el concepto de agencia digital
que desarrollan estos autores, se presenta como especialmente útil para conectar la
consideración de aquellos aspectos algorítmicos con la enseñanza y el aprendizaje.
Para Castaño-González et al. (2023), lo que se entiende como agencia digital; se refiere a la
capacidad que tienen los ciudadanos, de relacionarse de forma responsable con la IA. En este
sentido, educar para formar usuarios implica, instruir agentes libres y críticos, capaces de
autoaprendizaje y de tener autodisciplina. Los autores se hacen eco de la idea de que la
agencia digital, va más allá de la competencia técnica, y se inicia en la esfera de la
autorregulación.
Los modelos de aceptación de la tecnología son capaces de explicar por qué un tipo de
herramienta sugiere un caso de éxito, en tanto que otro de características similares fracasa.
Comprender esta cuestión resulta esencialmente importante para diseñar intervenciones
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1617
educativas adecuadas. De este modo, en la revisión del modelo de aceptación de la tecnología
para IA en educación, los autores Cabero-Almenara et al. (2025), concluyen que la utilidad
percibida y la facilidad de uso son elementos determinantes, para que el alumnado y el
profesorado adopten una tecnología que les resulta novedosa.
Tal y como lo menciona Rodríguez-García et al. (2024), la teoría de la actividad ofrece una
forma de estudiar sobre el papel que tiene la IA como mediadora en la relación entre los
estudiantes, los docentes y los contenidos de aprendizaje. Este enfoque es un marco sistémico
que hace visible el modo en que queda alterado el sistema con la llegada de la IA.
La teoría de la actividad también se manifiesta en el aprendizaje con IA, según Collazos et al.
(2024), quienes en este sentido argumentan que les permite ver cómo las herramientas de IA
se introducen en las relaciones que se crean entre personas, comunidades y objetos de
aprendizaje. Una vez más, el aprendizaje ubicuo con IA ha pasado a ser una frontera
interesante de la educación. En este sentido, los agentes inteligentes que pueden ayudar en
cualquier momento, y lugar son capaces de redibujar completamente el concepto de entorno
académico que hemos construido. Area-Moreira et al. (2024), al respecto, analizan cómo la
IA contribuye a construir entornos de aprendizaje, más allá de los espacios temporales.
En consonancia con lo que Gutiérrez-Martín et al. (2024) afirman, sería necesario reconsiderar
la pedagogía de la pregunta en la inteligencia artificial, es decir, proponer una relectura que
vuelva a centrar la práctica docente en la formulación de preguntas que sean significativas.
Esto debe considerarse como el eje central del desarrollo del pensamiento crítico.
En este contexto, Tourón et al. (2024) mencionan que esta panorámica se puede resumir
partiendo de un marco de competencias docentes para la IA, que sirva de anclaje concreto
para la formación de educadores capaces de dirigir el uso crítico y creativo de estas
tecnologías.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1617
educativas adecuadas. De este modo, en la revisión del modelo de aceptación de la tecnología
para IA en educación, los autores Cabero-Almenara et al. (2025), concluyen que la utilidad
percibida y la facilidad de uso son elementos determinantes, para que el alumnado y el
profesorado adopten una tecnología que les resulta novedosa.
Tal y como lo menciona Rodríguez-García et al. (2024), la teoría de la actividad ofrece una
forma de estudiar sobre el papel que tiene la IA como mediadora en la relación entre los
estudiantes, los docentes y los contenidos de aprendizaje. Este enfoque es un marco sistémico
que hace visible el modo en que queda alterado el sistema con la llegada de la IA.
La teoría de la actividad también se manifiesta en el aprendizaje con IA, según Collazos et al.
(2024), quienes en este sentido argumentan que les permite ver cómo las herramientas de IA
se introducen en las relaciones que se crean entre personas, comunidades y objetos de
aprendizaje. Una vez más, el aprendizaje ubicuo con IA ha pasado a ser una frontera
interesante de la educación. En este sentido, los agentes inteligentes que pueden ayudar en
cualquier momento, y lugar son capaces de redibujar completamente el concepto de entorno
académico que hemos construido. Area-Moreira et al. (2024), al respecto, analizan cómo la
IA contribuye a construir entornos de aprendizaje, más allá de los espacios temporales.
En consonancia con lo que Gutiérrez-Martín et al. (2024) afirman, sería necesario reconsiderar
la pedagogía de la pregunta en la inteligencia artificial, es decir, proponer una relectura que
vuelva a centrar la práctica docente en la formulación de preguntas que sean significativas.
Esto debe considerarse como el eje central del desarrollo del pensamiento crítico.
En este contexto, Tourón et al. (2024) mencionan que esta panorámica se puede resumir
partiendo de un marco de competencias docentes para la IA, que sirva de anclaje concreto
para la formación de educadores capaces de dirigir el uso crítico y creativo de estas
tecnologías.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1618
Este marco teórico multidimensional (donde converge la perspectiva crítica, tecnológica,
pedagógica y ética) es el núcleo que sustenta la propia integración de la IA.
Para el desarrollo de esta investigación se estableció el siguiente objetivo general: Evaluar el
efecto de un taller formativo basado en la Taxonomía Digital de Bloom, orientado al uso
estructurado de herramientas de inteligencia artificial, sobre la calidad de la escritura científica
en estudiantes de educación secundaria de centros educativos públicos de Costa Rica.
De acuerdo con Díaz y Nussbaum (2024), a medida que la inteligencia artificial emerge como
una tecnología transformadora para la enseñanza y el aprendizaje, gran parte de la
investigación contemporánea carece de fundamentos pedagógicos claros, incluyendo una
falta de apoyo pedagógico en el diseño e implementación de estas herramientas, lo que señala
una brecha entre el uso de estas herramientas y las orientaciones pedagógicas necesarias.
En vista de esta brecha, es relevante formar un marco sintáctico que estructure
sistemáticamente el diseño de los enunciados académicos. De ahí que, pretendemos articular
fundamentos como: la Taxonomía Digital de Bloom y los estándares de competencia en IA,
propuestos por la UNESCO. Ante esta demanda educativa, el taller implementado con 46
estudiantes de secundaria, en las comunidades de Nicoya y Santa Bárbara. No son una
experiencia aislada, sino una respuesta concreta a la necesidad actual de educación.
MATERIALES Y MÉTODOS
El estudio adoptó un diseño mixto secuencial explicativo (CUAN → cual), siguiendo el
enfoque propuesto por Creswell y Plano Clark (2017). En la fase cuantitativa (CUAN), se
midieron variables relacionadas con el impacto del uso de herramientas de inteligencia
artificial en la escritura académica, específicamente: claridad, coherencia, utilidad percibida y
confianza en la redacción, mediante un cuestionario tipo Likert aplicado a los participantes.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1618
Este marco teórico multidimensional (donde converge la perspectiva crítica, tecnológica,
pedagógica y ética) es el núcleo que sustenta la propia integración de la IA.
Para el desarrollo de esta investigación se estableció el siguiente objetivo general: Evaluar el
efecto de un taller formativo basado en la Taxonomía Digital de Bloom, orientado al uso
estructurado de herramientas de inteligencia artificial, sobre la calidad de la escritura científica
en estudiantes de educación secundaria de centros educativos públicos de Costa Rica.
De acuerdo con Díaz y Nussbaum (2024), a medida que la inteligencia artificial emerge como
una tecnología transformadora para la enseñanza y el aprendizaje, gran parte de la
investigación contemporánea carece de fundamentos pedagógicos claros, incluyendo una
falta de apoyo pedagógico en el diseño e implementación de estas herramientas, lo que señala
una brecha entre el uso de estas herramientas y las orientaciones pedagógicas necesarias.
En vista de esta brecha, es relevante formar un marco sintáctico que estructure
sistemáticamente el diseño de los enunciados académicos. De ahí que, pretendemos articular
fundamentos como: la Taxonomía Digital de Bloom y los estándares de competencia en IA,
propuestos por la UNESCO. Ante esta demanda educativa, el taller implementado con 46
estudiantes de secundaria, en las comunidades de Nicoya y Santa Bárbara. No son una
experiencia aislada, sino una respuesta concreta a la necesidad actual de educación.
MATERIALES Y MÉTODOS
El estudio adoptó un diseño mixto secuencial explicativo (CUAN → cual), siguiendo el
enfoque propuesto por Creswell y Plano Clark (2017). En la fase cuantitativa (CUAN), se
midieron variables relacionadas con el impacto del uso de herramientas de inteligencia
artificial en la escritura académica, específicamente: claridad, coherencia, utilidad percibida y
confianza en la redacción, mediante un cuestionario tipo Likert aplicado a los participantes.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1619
Posteriormente, en la fase cualitativa (cual), se analizaron las respuestas abiertas con el fin de
profundizar en la interpretación de los resultados cuantitativos, identificando patrones,
percepciones y experiencias asociadas al uso de inteligencia artificial en la elaboración de
textos científicos.
La integración de ambas fases se realizó mediante un proceso de conexión, en el cual los
resultados cuantitativos orientaron el análisis cualitativo. Permitiendo explicar y
contextualizar los hallazgos estadísticos a partir de las narrativas de los participantes. Este
enfoque facilitó una comprensión más completa del fenómeno, al complementar la medición
objetiva, con la interpretación subjetiva de la experiencia estudiantil.
El diseño de la intervención se estructuró en tres fases secuenciales e interrelacionadas,
orientadas al desarrollo de la escritura científica mediante el uso de herramientas de
inteligencia artificial.
Fase 1. Diseño del marco sintáctico para prompts académicos.
• En esta fase se introdujo un marco estructurado para la elaboración de indicaciones
(prompts), fundamentado en la Taxonomía Digital de Bloom (Churches, 2008), con el
propósito de promover niveles cognitivos superiores en la interacción humano-máquina.
Las actividades incluyeron el análisis de ejemplos, la identificación de niveles cognitivos
y la construcción guiada de prompts orientados a tareas académicas.
• Producto esperado: conjunto de prompts estructurados alineados a objetivos de
aprendizaje.
Fase 2. Implementación del taller formativo.
• Se desarrolló el taller titulado “Dominando la escritura con inteligencia artificial:
contenido textual y visual científico que marca la diferencia”, con una duración de 20
horas. Fue impartido por los investigadores a estudiantes de secundaria de la Escuela
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1619
Posteriormente, en la fase cualitativa (cual), se analizaron las respuestas abiertas con el fin de
profundizar en la interpretación de los resultados cuantitativos, identificando patrones,
percepciones y experiencias asociadas al uso de inteligencia artificial en la elaboración de
textos científicos.
La integración de ambas fases se realizó mediante un proceso de conexión, en el cual los
resultados cuantitativos orientaron el análisis cualitativo. Permitiendo explicar y
contextualizar los hallazgos estadísticos a partir de las narrativas de los participantes. Este
enfoque facilitó una comprensión más completa del fenómeno, al complementar la medición
objetiva, con la interpretación subjetiva de la experiencia estudiantil.
El diseño de la intervención se estructuró en tres fases secuenciales e interrelacionadas,
orientadas al desarrollo de la escritura científica mediante el uso de herramientas de
inteligencia artificial.
Fase 1. Diseño del marco sintáctico para prompts académicos.
• En esta fase se introdujo un marco estructurado para la elaboración de indicaciones
(prompts), fundamentado en la Taxonomía Digital de Bloom (Churches, 2008), con el
propósito de promover niveles cognitivos superiores en la interacción humano-máquina.
Las actividades incluyeron el análisis de ejemplos, la identificación de niveles cognitivos
y la construcción guiada de prompts orientados a tareas académicas.
• Producto esperado: conjunto de prompts estructurados alineados a objetivos de
aprendizaje.
Fase 2. Implementación del taller formativo.
• Se desarrolló el taller titulado “Dominando la escritura con inteligencia artificial:
contenido textual y visual científico que marca la diferencia”, con una duración de 20
horas. Fue impartido por los investigadores a estudiantes de secundaria de la Escuela
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1620
Nocturna de Nicoya y el Colegio Técnico Profesional Santa Bárbara de Santa Cruz,
Guanacaste, Costa Rica.
• Las actividades incluyeron la aplicación de prompts en herramientas de inteligencia
artificial generativa (ChatGPT, Copilot y DeepSeek), la redacción de textos académicos
asistidos, y procesos de revisión iterativa basados en criterios de claridad, coherencia y
estructura científica.
• Producto esperado: borrador de texto científico elaborado con apoyo de inteligencia
artificial.
Fase 3. Integración multimodal y mejora del producto final.
• En la fase, final se incorporó un módulo orientado a la generación de contenido
multimodal (texto-imagen). Junto con reglas lingüísticas para optimizar la calidad de la
escritura científica. Los estudiantes diseñaron Prompts para la generación de imágenes,
y realizaron ajustes finales a sus textos, integrando elementos visuales y mejoras
estructurales.
• Producto esperado: texto científico final con integración multimodal y mejoras en calidad
académica.
La secuencia didáctica siguió una progresión desde la estructuración de instrucciones
hasta su aplicación y refinamiento, favoreciendo el desarrollo de competencias cognitivas
y digitales en contextos de interacción con inteligencia artificial.
• Participantes y muestreo. La muestra estuvo constituida por 46 estudiantes de educación
secundaria (56.5% mujeres y 43.5% hombres), seleccionados mediante muestreo
intencional no probabilístico. Se establecieron como criterios de inclusión la matrícula en
asignaturas con componente investigativo y experiencia previa en procesos de escritura
académica. Este tipo de muestreo resulta pertinente en estudios de intervención
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1620
Nocturna de Nicoya y el Colegio Técnico Profesional Santa Bárbara de Santa Cruz,
Guanacaste, Costa Rica.
• Las actividades incluyeron la aplicación de prompts en herramientas de inteligencia
artificial generativa (ChatGPT, Copilot y DeepSeek), la redacción de textos académicos
asistidos, y procesos de revisión iterativa basados en criterios de claridad, coherencia y
estructura científica.
• Producto esperado: borrador de texto científico elaborado con apoyo de inteligencia
artificial.
Fase 3. Integración multimodal y mejora del producto final.
• En la fase, final se incorporó un módulo orientado a la generación de contenido
multimodal (texto-imagen). Junto con reglas lingüísticas para optimizar la calidad de la
escritura científica. Los estudiantes diseñaron Prompts para la generación de imágenes,
y realizaron ajustes finales a sus textos, integrando elementos visuales y mejoras
estructurales.
• Producto esperado: texto científico final con integración multimodal y mejoras en calidad
académica.
La secuencia didáctica siguió una progresión desde la estructuración de instrucciones
hasta su aplicación y refinamiento, favoreciendo el desarrollo de competencias cognitivas
y digitales en contextos de interacción con inteligencia artificial.
• Participantes y muestreo. La muestra estuvo constituida por 46 estudiantes de educación
secundaria (56.5% mujeres y 43.5% hombres), seleccionados mediante muestreo
intencional no probabilístico. Se establecieron como criterios de inclusión la matrícula en
asignaturas con componente investigativo y experiencia previa en procesos de escritura
académica. Este tipo de muestreo resulta pertinente en estudios de intervención
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1621
educativa, donde se requiere trabajar con participantes que cumplan condiciones
específicas para garantizar la aplicabilidad del tratamiento.
• El tamaño muestral se considera adecuado para un diseño mixto de alcance descriptivo-
exploratorio, en el cual no se persigue la inferencia estadística, sino la comprensión del
fenómeno en un contexto delimitado. Asimismo, permite un equilibrio entre viabilidad
operativa del taller y profundidad en el análisis cualitativo, facilitando la triangulación de
resultados.
• Instrumento de Recolección de Datos. Para examinar el impacto de la intervención, se
desarrolló un cuestionario estructurado que comprende nueve ítems cerrados y una escala
Likert de 5 puntos, que se desarrolló (1 = totalmente en desacuerdo; 5 = totalmente de
acuerdo), con una pregunta abierta para obtener percepciones emergentes. La herramienta
midió las siguientes dimensiones:
✓ Claridad percibida y utilidad del marco de indicaciones.
✓ Confianza en la escritura de ciencia con métodos de investigación mediados por
tecnología.
✓ Conocimiento de la creación de contenido multimodal (texto e imagen).
La validez de contenido se estableció reuniendo a cinco expertos en educación, tecnología
educativa e investigación científica que evaluaron cuán claramente se presentaba cada
ítem. Antes de su implementación final, se realizaron ajustes semánticos y estructurales
basados en comentarios. La fiabilidad interna se evaluó utilizando el coeficiente Alfa de
Cronbach (α = 0.89).
• Procedimiento. El proceso de recolección de datos se realizó, mediante un formulario
implementado en Google Forms. Técnica que garantizó el anonimato de los participantes.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1621
educativa, donde se requiere trabajar con participantes que cumplan condiciones
específicas para garantizar la aplicabilidad del tratamiento.
• El tamaño muestral se considera adecuado para un diseño mixto de alcance descriptivo-
exploratorio, en el cual no se persigue la inferencia estadística, sino la comprensión del
fenómeno en un contexto delimitado. Asimismo, permite un equilibrio entre viabilidad
operativa del taller y profundidad en el análisis cualitativo, facilitando la triangulación de
resultados.
• Instrumento de Recolección de Datos. Para examinar el impacto de la intervención, se
desarrolló un cuestionario estructurado que comprende nueve ítems cerrados y una escala
Likert de 5 puntos, que se desarrolló (1 = totalmente en desacuerdo; 5 = totalmente de
acuerdo), con una pregunta abierta para obtener percepciones emergentes. La herramienta
midió las siguientes dimensiones:
✓ Claridad percibida y utilidad del marco de indicaciones.
✓ Confianza en la escritura de ciencia con métodos de investigación mediados por
tecnología.
✓ Conocimiento de la creación de contenido multimodal (texto e imagen).
La validez de contenido se estableció reuniendo a cinco expertos en educación, tecnología
educativa e investigación científica que evaluaron cuán claramente se presentaba cada
ítem. Antes de su implementación final, se realizaron ajustes semánticos y estructurales
basados en comentarios. La fiabilidad interna se evaluó utilizando el coeficiente Alfa de
Cronbach (α = 0.89).
• Procedimiento. El proceso de recolección de datos se realizó, mediante un formulario
implementado en Google Forms. Técnica que garantizó el anonimato de los participantes.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1622
Sumado a esto la explicitación del consentimiento informado, y el carácter voluntario de
cada colaboración.
Para efectos de la manipulación de los datos cuantitativos, los mismos fueron procesados con
la herramienta SPSS Statistics. Se aplicaron técnicas de estadística descriptiva, obteniendo
frecuencias, medidas de tendencia central y desviaciones típicas. Dichas técnicas, permitieron
caracterizar las tendencias generales de la muestra. Es importante establecer, que la elección
de este método responde, tanto al carácter exploratorio del estudio, como al tamaño muestral.
Por último, se aplicaron pruebas inferenciales no paramétricas para analizar la asociación
entre variables perceptuales medidas en escala Likert de tipo ordinal. Específicamente, se
empleó la prueba U de Mann-Whitney para comparar diferencias entre dos grupos
independientes, la prueba de Kruskal-Wallis para el análisis de diferencias entre más de dos
grupos, y el coeficiente de correlación de Spearman para evaluar la relación entre variables
ordinales.
• Análisis cualitativo. Las respuestas abiertas se analizaron utilizando codificación abierta y
axial, consistente con los principios de la teoría fundamentada presentada por Anselm
Strauss y Juliet Corbin (1998). Usando el software NVivo 14, también se desarrolló un
proceso analítico de datos con un aspecto de integridad de la pista de auditoría requerido
para la trazabilidad del análisis, así como para la transparencia del análisis.
La codificación abierta fomentó el desarrollo de categorías emergentes iniciales, mientras
que la codificación axial estableció asociaciones entre las percepciones de los estudiantes
sobre condiciones, acciones e impactos. La matriz de análisis cualitativo consistió en
categorías, códigos, datos de frecuencia y unidades de significado asociadas con estos
datos. La saturación teórica surgió cuando tener más o menos respuestas no añadió
ninguna categoría analítica secundaria relevante a esta revisión.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1622
Sumado a esto la explicitación del consentimiento informado, y el carácter voluntario de
cada colaboración.
Para efectos de la manipulación de los datos cuantitativos, los mismos fueron procesados con
la herramienta SPSS Statistics. Se aplicaron técnicas de estadística descriptiva, obteniendo
frecuencias, medidas de tendencia central y desviaciones típicas. Dichas técnicas, permitieron
caracterizar las tendencias generales de la muestra. Es importante establecer, que la elección
de este método responde, tanto al carácter exploratorio del estudio, como al tamaño muestral.
Por último, se aplicaron pruebas inferenciales no paramétricas para analizar la asociación
entre variables perceptuales medidas en escala Likert de tipo ordinal. Específicamente, se
empleó la prueba U de Mann-Whitney para comparar diferencias entre dos grupos
independientes, la prueba de Kruskal-Wallis para el análisis de diferencias entre más de dos
grupos, y el coeficiente de correlación de Spearman para evaluar la relación entre variables
ordinales.
• Análisis cualitativo. Las respuestas abiertas se analizaron utilizando codificación abierta y
axial, consistente con los principios de la teoría fundamentada presentada por Anselm
Strauss y Juliet Corbin (1998). Usando el software NVivo 14, también se desarrolló un
proceso analítico de datos con un aspecto de integridad de la pista de auditoría requerido
para la trazabilidad del análisis, así como para la transparencia del análisis.
La codificación abierta fomentó el desarrollo de categorías emergentes iniciales, mientras
que la codificación axial estableció asociaciones entre las percepciones de los estudiantes
sobre condiciones, acciones e impactos. La matriz de análisis cualitativo consistió en
categorías, códigos, datos de frecuencia y unidades de significado asociadas con estos
datos. La saturación teórica surgió cuando tener más o menos respuestas no añadió
ninguna categoría analítica secundaria relevante a esta revisión.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1623
• Integración y Triangulación de Datos: Se utilizo la integración y triangulación de Datos,
como como un procedimiento metodológico, utilizado principalmente en investigaciones
mixtas (cuantitativas y cualitativas).
Esto permite comparaciones de satisfacción estadística y niveles de confianza reportados en
el uso del instrumento y los relatos descriptivos de los estudiantes sobre su experiencia de
aprendizaje. Los resultados fueron evaluados en referencia a los estándares de competencia
digital de la UNESCO para inteligencia artificial (2023), a lo largo de tres líneas de evaluación:
evaluación de respuesta, evaluación de aprendizaje y evaluación de transmisión de
conocimiento. Para obtener una interpretación comprensiva sobre la influencia educativa del
marco desarrollado.
RESULTADOS
El análisis de los resultados de los datos recopilados después del taller "Dominar la escritura
con inteligencia artificial" permitió identificar tendencias consistentes en las percepciones de
los estudiantes sobre el uso académico de las herramientas de inteligencia artificial. Los datos
se obtuvieron de un cuestionario entregado a 46 estudiantes de educación secundaria,
analizados mediante estadísticas descriptivas y complementados con datos cualitativos
obtenidos de la pregunta abierta.
Las respuestas tienden a generar una evaluación, mayormente positiva en tres aspectos:
a) Claridad del contenido del taller y la utilidad percibida de las herramientas de inteligencia
artificial, para tareas académicas.
b) Comprensión de los procesos asociados con la formulación de instrucciones (Prompts).
c) La generación de contenido multimodal.
Sin embargo, cabe señalar que el análisis proporcionado, se basa principalmente en la
distribución de frecuencias. Y porcentajes de respuesta para cada ítem del cuestionario.
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1623
• Integración y Triangulación de Datos: Se utilizo la integración y triangulación de Datos,
como como un procedimiento metodológico, utilizado principalmente en investigaciones
mixtas (cuantitativas y cualitativas).
Esto permite comparaciones de satisfacción estadística y niveles de confianza reportados en
el uso del instrumento y los relatos descriptivos de los estudiantes sobre su experiencia de
aprendizaje. Los resultados fueron evaluados en referencia a los estándares de competencia
digital de la UNESCO para inteligencia artificial (2023), a lo largo de tres líneas de evaluación:
evaluación de respuesta, evaluación de aprendizaje y evaluación de transmisión de
conocimiento. Para obtener una interpretación comprensiva sobre la influencia educativa del
marco desarrollado.
RESULTADOS
El análisis de los resultados de los datos recopilados después del taller "Dominar la escritura
con inteligencia artificial" permitió identificar tendencias consistentes en las percepciones de
los estudiantes sobre el uso académico de las herramientas de inteligencia artificial. Los datos
se obtuvieron de un cuestionario entregado a 46 estudiantes de educación secundaria,
analizados mediante estadísticas descriptivas y complementados con datos cualitativos
obtenidos de la pregunta abierta.
Las respuestas tienden a generar una evaluación, mayormente positiva en tres aspectos:
a) Claridad del contenido del taller y la utilidad percibida de las herramientas de inteligencia
artificial, para tareas académicas.
b) Comprensión de los procesos asociados con la formulación de instrucciones (Prompts).
c) La generación de contenido multimodal.
Sin embargo, cabe señalar que el análisis proporcionado, se basa principalmente en la
distribución de frecuencias. Y porcentajes de respuesta para cada ítem del cuestionario.
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1624
Si bien el análisis realizado permite esbozar tendencias generales en la percepción del
estudiantado, conviene no perder de vista ciertas limitaciones inherentes al tratamiento de los
datos.
No se reportan, por ejemplo, los indicadores de tendencia central ni las medidas de dispersión
desglosadas por cada ítem de la escala Likert empleada. La ausencia de medias y
desviaciones estándar a este nivel de desagregación introduce, necesariamente, un margen
de imprecisión a la hora de interpretar la variabilidad de las respuestas.
En ese sentido, los hallazgos presentados deben entenderse como una aproximación
descriptiva válida, sin duda, pero acotada a las percepciones que las estudiantes manifestaron
tras la intervención. Una mirada más fina requeriría, probablemente, un análisis estadístico de
mayor granularidad.
1. Claridad del contenido del taller.
Los resultados relacionados con la claridad del contenido muestran una tendencia favorable
en la percepción de los estudiantes. El 63% de los participantes calificaron el taller como "muy
claro", mientras que el 15.2% lo calificaron como "claro". Las respuestas neutrales
representaron el 8.7% de la muestra.
Figura 1: Análisis del diagrama de claridad creado en el primer taller.
Fuente: elaboración propia, 2025.
4,30%
10,90%
8,70%
15,20%
63,00%
0,00% 10,00% 20,00% 30,00% 40,00% 50,00% 60,00% 70,00%
POCO CLARO
MUY POCO CLARO
NEUTRAL
CLARO
MUY CLARO
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1624
Si bien el análisis realizado permite esbozar tendencias generales en la percepción del
estudiantado, conviene no perder de vista ciertas limitaciones inherentes al tratamiento de los
datos.
No se reportan, por ejemplo, los indicadores de tendencia central ni las medidas de dispersión
desglosadas por cada ítem de la escala Likert empleada. La ausencia de medias y
desviaciones estándar a este nivel de desagregación introduce, necesariamente, un margen
de imprecisión a la hora de interpretar la variabilidad de las respuestas.
En ese sentido, los hallazgos presentados deben entenderse como una aproximación
descriptiva válida, sin duda, pero acotada a las percepciones que las estudiantes manifestaron
tras la intervención. Una mirada más fina requeriría, probablemente, un análisis estadístico de
mayor granularidad.
1. Claridad del contenido del taller.
Los resultados relacionados con la claridad del contenido muestran una tendencia favorable
en la percepción de los estudiantes. El 63% de los participantes calificaron el taller como "muy
claro", mientras que el 15.2% lo calificaron como "claro". Las respuestas neutrales
representaron el 8.7% de la muestra.
Figura 1: Análisis del diagrama de claridad creado en el primer taller.
Fuente: elaboración propia, 2025.
4,30%
10,90%
8,70%
15,20%
63,00%
0,00% 10,00% 20,00% 30,00% 40,00% 50,00% 60,00% 70,00%
POCO CLARO
MUY POCO CLARO
NEUTRAL
CLARO
MUY CLARO
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1625
Las valoraciones negativas fueron minoritarias. El 4.3% consideró que el contenido fue "poco
claro", mientras que el 10.9% lo calificó como "muy poco claro".
En la medida en que los contrastes estadísticos permitirían la estimación de diferencias
significativas entre los grupos de respuesta, no se consideró así. Tampoco forman relaciones
causales sobre el impacto de la intervención. Con este fin, los hallazgos se consideran
evidencia descriptiva de la percepción de los estudiantes sobre el taller y su utilidad percibida
en el contexto académico.
2. Utilidad percibida de la inteligencia artificial, en la búsqueda de información
académica.
Es importante establecer que los estudiantes valoraron positivamente el taller. La mayoría
consideró que las herramientas de inteligencia artificial, les resultaron útiles para buscar y
organizar información de tipo académica. Y así poder obtener el máximo provecha a la
tecnología. Así lo reflejan las respuestas al cuestionario aplicado. Queda pendiente, no
obstante, precisar en qué consistió exactamente esa utilidad percibida, algo que los datos
disponibles no permiten determinar con claridad.
Figura 2: La utilidad percibida de lo aprendido en la búsqueda de contenido académico,
mediante la IA
Fuente: elaboración propia, 2025.
2,20%
6,50%
30,40%
63,00%
Poco útil
Neutral
Útil
Muy útil
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1625
Las valoraciones negativas fueron minoritarias. El 4.3% consideró que el contenido fue "poco
claro", mientras que el 10.9% lo calificó como "muy poco claro".
En la medida en que los contrastes estadísticos permitirían la estimación de diferencias
significativas entre los grupos de respuesta, no se consideró así. Tampoco forman relaciones
causales sobre el impacto de la intervención. Con este fin, los hallazgos se consideran
evidencia descriptiva de la percepción de los estudiantes sobre el taller y su utilidad percibida
en el contexto académico.
2. Utilidad percibida de la inteligencia artificial, en la búsqueda de información
académica.
Es importante establecer que los estudiantes valoraron positivamente el taller. La mayoría
consideró que las herramientas de inteligencia artificial, les resultaron útiles para buscar y
organizar información de tipo académica. Y así poder obtener el máximo provecha a la
tecnología. Así lo reflejan las respuestas al cuestionario aplicado. Queda pendiente, no
obstante, precisar en qué consistió exactamente esa utilidad percibida, algo que los datos
disponibles no permiten determinar con claridad.
Figura 2: La utilidad percibida de lo aprendido en la búsqueda de contenido académico,
mediante la IA
Fuente: elaboración propia, 2025.
2,20%
6,50%
30,40%
63,00%
Poco útil
Neutral
Útil
Muy útil
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1626
La categoría "Muy útil” concentró el 63% de las respuestas, mientras que la opción "Útil"
representó el 30.4% de la muestra. Las valoraciones neutrales alcanzaron el 6.5%, y la opción
"Poco útil" fue seleccionada por el 2.2% de los participantes.
Esta distribución es una imagen predominantemente positiva, de la utilidad del taller con
respecto a la utilización de herramientas de inteligencia artificial. Esto en el contexto de
actividades académicas. No obstante, se debe tener precaución al interpretar estos resultados.
Dado que el presente análisis se basa en frecuencias, y porcentajes derivados de la escala de
Likert aplicada. Cualquier conclusión se limitará a describir tendencias perceptuales en la
muestra.
En este contexto, las declaraciones de alto impacto o valor funcional deben interpretarse
dentro del marco descriptivo del estudio, ya que no se presentan pruebas inferenciales que
permitan la estimación de diferencias estadísticamente significativas entre las categorías de
respuesta.
3. Comprensión del proceso de redacción de instrucciones, para inteligencia artificial.
De acuerdo con la capacidad percibida, al redactar instrucciones para sistemas de inteligencia
artificial, los hallazgos muestran una tendencia positiva, aunque con una distribución más
heterogénea.
Figura 3: Seguridad en las instrucciones escritas.
Fuente: elaboración propia, 2025.
2,20%
4,30%
8,70%
45,70%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00% 45,00% 50,00%
MUY DIFÍCIL
DIFÍCIL
NEUTRAL
COMPRENSIBLE
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1626
La categoría "Muy útil” concentró el 63% de las respuestas, mientras que la opción "Útil"
representó el 30.4% de la muestra. Las valoraciones neutrales alcanzaron el 6.5%, y la opción
"Poco útil" fue seleccionada por el 2.2% de los participantes.
Esta distribución es una imagen predominantemente positiva, de la utilidad del taller con
respecto a la utilización de herramientas de inteligencia artificial. Esto en el contexto de
actividades académicas. No obstante, se debe tener precaución al interpretar estos resultados.
Dado que el presente análisis se basa en frecuencias, y porcentajes derivados de la escala de
Likert aplicada. Cualquier conclusión se limitará a describir tendencias perceptuales en la
muestra.
En este contexto, las declaraciones de alto impacto o valor funcional deben interpretarse
dentro del marco descriptivo del estudio, ya que no se presentan pruebas inferenciales que
permitan la estimación de diferencias estadísticamente significativas entre las categorías de
respuesta.
3. Comprensión del proceso de redacción de instrucciones, para inteligencia artificial.
De acuerdo con la capacidad percibida, al redactar instrucciones para sistemas de inteligencia
artificial, los hallazgos muestran una tendencia positiva, aunque con una distribución más
heterogénea.
Figura 3: Seguridad en las instrucciones escritas.
Fuente: elaboración propia, 2025.
2,20%
4,30%
8,70%
45,70%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00% 45,00% 50,00%
MUY DIFÍCIL
DIFÍCIL
NEUTRAL
COMPRENSIBLE
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1627
Aproximadamente el 45% de los participantes indicó que esta tarea resultó “comprensible” o
“fácil de realizar”. Un grupo menor manifestó percepciones neutrales, cercanas al 9%.
Las respuestas que indicaron dificultad fueron minoritarias: alrededor del 4% calificó la
actividad como “difícil” y cerca del 2% como “muy difícil”.
La distribución sugiere que la mayoría de los estudiantes logran comprender los principios
básicos de cómo crear indicaciones para sistemas de inteligencia artificial. Sin embargo, los
datos se interpretan como evidencia de un dominio generalizado de la habilidad, lo cual
excede el alcance de la información reportada. La escala utilizada mide percepciones de
facilidad, no niveles reales de competencia en la redacción de instrucciones.
4. Comprensión del proceso de generación de imágenes mediante inteligencia
artificial.
Los resultados asociados al uso de herramientas de generación de imágenes, mediante
inteligencia artificial, presentan un patrón similar al observado en las variables anteriores.
Figura 4: Creación de imágenes con inteligencia artificial.
Fuente: elaboración propia, 2025.
Para las categorías "Comprensible" y "Muy comprensible" representaron cada una el 45.7%
de las respuestas. Las respuestas neutrales representaron el 8.7% de la muestra. Mientras que
las evaluaciones negativas fueron paradójicas. El 4.3% indicó que el proceso fue difícil, y el
2.2% lo consideró muy difícil. Estos datos muestran que la mayoría de los estudiantes,
lograron entender el funcionamiento básico de las herramientas utilizadas durante el taller.
2,20%
4,30%
8,70%
45,70%
45,70%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00% 45,00% 50,00%
MUY DIFÍCIL
DIFÍCIL
NEUTRAL
COMPRENSIBLE
MUY COMPRENSIBLE
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1627
Aproximadamente el 45% de los participantes indicó que esta tarea resultó “comprensible” o
“fácil de realizar”. Un grupo menor manifestó percepciones neutrales, cercanas al 9%.
Las respuestas que indicaron dificultad fueron minoritarias: alrededor del 4% calificó la
actividad como “difícil” y cerca del 2% como “muy difícil”.
La distribución sugiere que la mayoría de los estudiantes logran comprender los principios
básicos de cómo crear indicaciones para sistemas de inteligencia artificial. Sin embargo, los
datos se interpretan como evidencia de un dominio generalizado de la habilidad, lo cual
excede el alcance de la información reportada. La escala utilizada mide percepciones de
facilidad, no niveles reales de competencia en la redacción de instrucciones.
4. Comprensión del proceso de generación de imágenes mediante inteligencia
artificial.
Los resultados asociados al uso de herramientas de generación de imágenes, mediante
inteligencia artificial, presentan un patrón similar al observado en las variables anteriores.
Figura 4: Creación de imágenes con inteligencia artificial.
Fuente: elaboración propia, 2025.
Para las categorías "Comprensible" y "Muy comprensible" representaron cada una el 45.7%
de las respuestas. Las respuestas neutrales representaron el 8.7% de la muestra. Mientras que
las evaluaciones negativas fueron paradójicas. El 4.3% indicó que el proceso fue difícil, y el
2.2% lo consideró muy difícil. Estos datos muestran que la mayoría de los estudiantes,
lograron entender el funcionamiento básico de las herramientas utilizadas durante el taller.
2,20%
4,30%
8,70%
45,70%
45,70%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00% 45,00% 50,00%
MUY DIFÍCIL
DIFÍCIL
NEUTRAL
COMPRENSIBLE
MUY COMPRENSIBLE
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1628
Aun así, el estudio evalúa percepciones de comprensión, no niveles objetivos de aprendizaje,
ni habilidades transferibles a contextos académicos más complejos.
5. Aplicaciones prácticas en tareas académicas
La aplicabilidad del taller en contextos educativos es más variada. El 43.5% de los estudiantes
seleccionó "Muchas aplicaciones", mientras que el 23.9% seleccionaron "Algunas
aplicaciones".
Figura 5: Aplicaciones prácticas del taller en proyectos colegiales
Fuente: elaboración propia, 2025.
De esos participantes, el 23.9% proporcionó una opinión neutral sobre la aplicabilidad del
taller, mientras que el 15.2% no identificó aplicaciones prácticas en sus actividades
académicas. Esta distribución muestra que, aunque una parte significativa de los estudiantes
percibe utilidad práctica en lo que aprendieron, también hay un grupo relevante que no
identifica una transferencia directa del conocimiento adquirido a sus tareas académicas.
6. Evidencia cualitativa, sobre estrategias aprendidas.
Este análisis cualitativo de la pregunta abierta permitió identificar varios patrones recurrentes
en las respuestas de los estudiantes. Los participantes principalmente destacaron cuatro
estrategias relacionadas con el uso académico de la inteligencia artificial.
• Formular preguntas más precisas a los sistemas de IA
• Contextualizar adecuadamente las instrucciones
• Solicitar referencias o fuentes de información
• Validar la información generada por la herramienta
0
15,20%
23,90%
23,90%
43,50%
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
Categoría
Ninguna
Neutral
Algunas
Muchas
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1628
Aun así, el estudio evalúa percepciones de comprensión, no niveles objetivos de aprendizaje,
ni habilidades transferibles a contextos académicos más complejos.
5. Aplicaciones prácticas en tareas académicas
La aplicabilidad del taller en contextos educativos es más variada. El 43.5% de los estudiantes
seleccionó "Muchas aplicaciones", mientras que el 23.9% seleccionaron "Algunas
aplicaciones".
Figura 5: Aplicaciones prácticas del taller en proyectos colegiales
Fuente: elaboración propia, 2025.
De esos participantes, el 23.9% proporcionó una opinión neutral sobre la aplicabilidad del
taller, mientras que el 15.2% no identificó aplicaciones prácticas en sus actividades
académicas. Esta distribución muestra que, aunque una parte significativa de los estudiantes
percibe utilidad práctica en lo que aprendieron, también hay un grupo relevante que no
identifica una transferencia directa del conocimiento adquirido a sus tareas académicas.
6. Evidencia cualitativa, sobre estrategias aprendidas.
Este análisis cualitativo de la pregunta abierta permitió identificar varios patrones recurrentes
en las respuestas de los estudiantes. Los participantes principalmente destacaron cuatro
estrategias relacionadas con el uso académico de la inteligencia artificial.
• Formular preguntas más precisas a los sistemas de IA
• Contextualizar adecuadamente las instrucciones
• Solicitar referencias o fuentes de información
• Validar la información generada por la herramienta
0
15,20%
23,90%
23,90%
43,50%
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
Categoría
Ninguna
Neutral
Algunas
Muchas
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1629
Muchos estudiantes dijeron que la inteligencia artificial debería usarse como un
asistente en el proceso de aprendizaje, no como un sustituto del trabajo intelectual.
Algunos destacaron herramientas individuales (ChatGPT, Gemini y Leonardo)
utilizadas en el taller. Estas respuestas también demuestran comprensiones emergentes
sobre las prácticas relacionadas con la agencia digital, en particular aquellas
relacionadas con la verificación de información y el uso crítico de sistemas
automatizados.
DISCUSIÓN
Los hallazgos denotan, que la intervención pedagógica (diseño estructurado de instrucciones
para inteligencia artificial), fue provechosa por los estudiantes. Estableciendo elementos
claves como: Las dimensiones como la claridad del contenido, la utilidad percibida y el
conocimiento. Todo esto relacionado con el proceso sobre la redacción de indicaciones, y la
producción de contenido de manera multimodal.
Esto es consistente con lo que señalaron Gutiérrez-Martín et al. (2024), advirtiendo que una
proporción notable de estudiantes utiliza chatbots sin ninguna mediación pedagógica
explícita, lo que impide las perspectivas formativas de estas tecnologías. En este contexto, el
análisis proporcionó evidencia empírica que apunta a intervenciones educativas estructuradas
en la orientación del uso académico de la inteligencia artificial.
Esta evaluación positiva del taller puede, demostrarse aún más a partir de modelos de
aceptación de tecnología en la educación. Los autores Cabero-Almenara et al. (2025),
sugieren que la utilidad percibida y la facilidad de uso son factores significativos. Esto en el
uso de nuevas tecnologías, por parte de los estudiantes. Este enfoque se ve respaldado por
los hallazgos de este trabajo, donde una fracción relativamente grande de los grupos
consideró, el taller claro y beneficioso para sus tareas académicas. Ahora bien, es importante
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1629
Muchos estudiantes dijeron que la inteligencia artificial debería usarse como un
asistente en el proceso de aprendizaje, no como un sustituto del trabajo intelectual.
Algunos destacaron herramientas individuales (ChatGPT, Gemini y Leonardo)
utilizadas en el taller. Estas respuestas también demuestran comprensiones emergentes
sobre las prácticas relacionadas con la agencia digital, en particular aquellas
relacionadas con la verificación de información y el uso crítico de sistemas
automatizados.
DISCUSIÓN
Los hallazgos denotan, que la intervención pedagógica (diseño estructurado de instrucciones
para inteligencia artificial), fue provechosa por los estudiantes. Estableciendo elementos
claves como: Las dimensiones como la claridad del contenido, la utilidad percibida y el
conocimiento. Todo esto relacionado con el proceso sobre la redacción de indicaciones, y la
producción de contenido de manera multimodal.
Esto es consistente con lo que señalaron Gutiérrez-Martín et al. (2024), advirtiendo que una
proporción notable de estudiantes utiliza chatbots sin ninguna mediación pedagógica
explícita, lo que impide las perspectivas formativas de estas tecnologías. En este contexto, el
análisis proporcionó evidencia empírica que apunta a intervenciones educativas estructuradas
en la orientación del uso académico de la inteligencia artificial.
Esta evaluación positiva del taller puede, demostrarse aún más a partir de modelos de
aceptación de tecnología en la educación. Los autores Cabero-Almenara et al. (2025),
sugieren que la utilidad percibida y la facilidad de uso son factores significativos. Esto en el
uso de nuevas tecnologías, por parte de los estudiantes. Este enfoque se ve respaldado por
los hallazgos de este trabajo, donde una fracción relativamente grande de los grupos
consideró, el taller claro y beneficioso para sus tareas académicas. Ahora bien, es importante
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1630
establecer que el contexto de esta investigación, el análisis se queda en lo descriptivo. Sin
establecer relaciones causales.
Tampoco se evaluó si el taller tuvo efectos pedagógicos, más allá de lo reportado por los
asistentes.
Un segundo elemento relacionado se refiere al tema del conocimiento del proceso detrás de
la redacción de instrucciones sobre sistemas de inteligencia artificial. Esto es especialmente
importante cuando se considera en el contexto de la Taxonomía Digital de Bloom (Churches,
2008) y las metodologías presentadas por Rodríguez-García et al. (2024), que subrayan la
importancia de diseñar interacciones con la inteligencia artificial a través de operaciones
cognitivas organizadas.
Esta evaluación positiva se encontró en la dimensión de comprensión, donde el enfoque
multimodal del taller parece favorecer la comprensión de los contenidos abordados. Los
resultados anteriores respaldan los de Duart et al. (2023), quienes argumentan que el
aprendizaje puede fortalecerse, cuando el diseño pedagógico combina diferentes formas de
representación del conocimiento.
Los participantes usaron herramientas de producción textual y visual. En la encuesta
indicaron que esto les sirvió para repasar conceptos y organizar sus ideas. El estudio no fue
más allá: no evaluó si hubo mejoras en calificaciones ni tampoco midió cambios en la
creatividad. Solo se preguntó qué opinaban ellos.
Estas prácticas están asociadas con los conceptos de agencia digital de Castaño-González et
al. (2023), así como con los principios del uso ético de la inteligencia artificial presentados por
Valero et al. (2024). Desde esta perspectiva, algunos estudiantes comenzaron a posicionarse
en relación con estas tecnologías como usuarios críticos que guían y evalúan la información
producida por sistemas automatizados. Este cambio es significativo en términos pedagógicos,
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1630
establecer que el contexto de esta investigación, el análisis se queda en lo descriptivo. Sin
establecer relaciones causales.
Tampoco se evaluó si el taller tuvo efectos pedagógicos, más allá de lo reportado por los
asistentes.
Un segundo elemento relacionado se refiere al tema del conocimiento del proceso detrás de
la redacción de instrucciones sobre sistemas de inteligencia artificial. Esto es especialmente
importante cuando se considera en el contexto de la Taxonomía Digital de Bloom (Churches,
2008) y las metodologías presentadas por Rodríguez-García et al. (2024), que subrayan la
importancia de diseñar interacciones con la inteligencia artificial a través de operaciones
cognitivas organizadas.
Esta evaluación positiva se encontró en la dimensión de comprensión, donde el enfoque
multimodal del taller parece favorecer la comprensión de los contenidos abordados. Los
resultados anteriores respaldan los de Duart et al. (2023), quienes argumentan que el
aprendizaje puede fortalecerse, cuando el diseño pedagógico combina diferentes formas de
representación del conocimiento.
Los participantes usaron herramientas de producción textual y visual. En la encuesta
indicaron que esto les sirvió para repasar conceptos y organizar sus ideas. El estudio no fue
más allá: no evaluó si hubo mejoras en calificaciones ni tampoco midió cambios en la
creatividad. Solo se preguntó qué opinaban ellos.
Estas prácticas están asociadas con los conceptos de agencia digital de Castaño-González et
al. (2023), así como con los principios del uso ético de la inteligencia artificial presentados por
Valero et al. (2024). Desde esta perspectiva, algunos estudiantes comenzaron a posicionarse
en relación con estas tecnologías como usuarios críticos que guían y evalúan la información
producida por sistemas automatizados. Este cambio es significativo en términos pedagógicos,
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1631
ya que desplaza la interacción con la inteligencia artificial de un enfoque instrumental a un
uso más reflexivo del conocimiento.
Comprender cómo funciona la inteligencia artificial en la teoría, no se traduce
automáticamente en su integración efectiva, en las prácticas académicas cotidianas. En este
punto, lo que también plantea Tourón et al. (2024), se vuelve relevante enfatizando la
necesidad de marcos de competencia, que articulen la formación técnica, el apoyo docente y
la reflexión pedagógica sostenida.
Los resultados del estudio subrayan, la necesidad de mediaciones pedagógicas explícitas de
la inteligencia artificial en la educación. Díaz y Nussbaum (2024), enfatizan que la mayoría de
los trabajos existentes sobre inteligencia artificial, y educación aún carecen de fundamentos
didácticos sólidos. El caso muestra cómo las experiencias de formación pueden, ser
estructuradas a través de marcos cognitivos, criterios de escritura académica y reflexión ética.
Y cómo esto puede moldearlas en el contexto educativo, del uso de tecnologías de IA.
Esto es particularmente importante en contextos educativos, donde el acceso a herramientas
de inteligencia artificial se está expandiendo rápidamente, pero los modelos pedagógicos para
su integración aún están en proceso de desarrollo.
La actitud positiva reportada por los estudiantes lleva a preguntarse si hay cambios detrás de
ella. ¿Escriben mejor? ¿Son más autónomos? ¿Piensan de manera más crítica? No lo sabemos.
Vale la pena investigarlo. Solo así podrá entenderse el lugar que ocupa la inteligencia artificial
en la educación.
CONCLUSIONES
Los resultados del estudio evidencian que la implementación de un taller enfocado en el
diseño estructurado de instrucciones para sistemas de inteligencia artificial fue percibida por
los estudiantes como una experiencia educativa útil para comprender su aplicación en
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1631
ya que desplaza la interacción con la inteligencia artificial de un enfoque instrumental a un
uso más reflexivo del conocimiento.
Comprender cómo funciona la inteligencia artificial en la teoría, no se traduce
automáticamente en su integración efectiva, en las prácticas académicas cotidianas. En este
punto, lo que también plantea Tourón et al. (2024), se vuelve relevante enfatizando la
necesidad de marcos de competencia, que articulen la formación técnica, el apoyo docente y
la reflexión pedagógica sostenida.
Los resultados del estudio subrayan, la necesidad de mediaciones pedagógicas explícitas de
la inteligencia artificial en la educación. Díaz y Nussbaum (2024), enfatizan que la mayoría de
los trabajos existentes sobre inteligencia artificial, y educación aún carecen de fundamentos
didácticos sólidos. El caso muestra cómo las experiencias de formación pueden, ser
estructuradas a través de marcos cognitivos, criterios de escritura académica y reflexión ética.
Y cómo esto puede moldearlas en el contexto educativo, del uso de tecnologías de IA.
Esto es particularmente importante en contextos educativos, donde el acceso a herramientas
de inteligencia artificial se está expandiendo rápidamente, pero los modelos pedagógicos para
su integración aún están en proceso de desarrollo.
La actitud positiva reportada por los estudiantes lleva a preguntarse si hay cambios detrás de
ella. ¿Escriben mejor? ¿Son más autónomos? ¿Piensan de manera más crítica? No lo sabemos.
Vale la pena investigarlo. Solo así podrá entenderse el lugar que ocupa la inteligencia artificial
en la educación.
CONCLUSIONES
Los resultados del estudio evidencian que la implementación de un taller enfocado en el
diseño estructurado de instrucciones para sistemas de inteligencia artificial fue percibida por
los estudiantes como una experiencia educativa útil para comprender su aplicación en
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1632
contextos académicos. La integración de la Taxonomía Digital de Bloom y criterios de
alfabetización digital permitió a los participantes desarrollar habilidades asociadas a la
formulación de prompts, la organización de información académica y la generación de
contenido multimodal, evidenciando una aproximación más consciente y estructurada al uso
de estas tecnologías.
No obstante, estos hallazgos deben interpretarse dentro de su alcance específico. Los
resultados son válidos a nivel perceptual en el contexto particular del estudio (n = 46
estudiantes de educación secundaria), por lo que no buscan generalización estadística, sino la
identificación de tendencias formativas derivadas de la intervención. El análisis cuantitativo,
sustentado en frecuencias y porcentajes de escala Likert, confirma esta orientación
descriptiva, mientras que los datos cualitativos permiten matizar la experiencia estudiantil,
aportando profundidad interpretativa sobre los procesos de interacción con inteligencia
artificial.
Desde una perspectiva pedagógica, los resultados sugieren que el diseño intencional de
interacciones con inteligencia artificial contribuye, a mejorar la claridad en la formulación de
instrucciones. Y a fortalecer la comprensión inicial de su potencial académico. Este hallazgo
resulta especialmente relevante en entornos educativos, donde el uso de herramientas como
chatbots, suele ser intuitivo y no guiado. Lo que limita su aprovechamiento en tareas que
requieren rigor metodológico, pensamiento crítico y coherencia argumentativa.
Adicionalmente, la incorporación de elementos multimodales introduce una dimensión
emergente en la construcción del conocimiento. Esto al permitir a los estudiantes integrar
representaciones visuales como complemento de la producción escrita. Esta articulación
entre texto e imagen, no solo amplía las posibilidades expresivas, sino que también demanda
nuevas competencias para evaluar la pertinencia, precisión y coherencia de los contenidos
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1632
contextos académicos. La integración de la Taxonomía Digital de Bloom y criterios de
alfabetización digital permitió a los participantes desarrollar habilidades asociadas a la
formulación de prompts, la organización de información académica y la generación de
contenido multimodal, evidenciando una aproximación más consciente y estructurada al uso
de estas tecnologías.
No obstante, estos hallazgos deben interpretarse dentro de su alcance específico. Los
resultados son válidos a nivel perceptual en el contexto particular del estudio (n = 46
estudiantes de educación secundaria), por lo que no buscan generalización estadística, sino la
identificación de tendencias formativas derivadas de la intervención. El análisis cuantitativo,
sustentado en frecuencias y porcentajes de escala Likert, confirma esta orientación
descriptiva, mientras que los datos cualitativos permiten matizar la experiencia estudiantil,
aportando profundidad interpretativa sobre los procesos de interacción con inteligencia
artificial.
Desde una perspectiva pedagógica, los resultados sugieren que el diseño intencional de
interacciones con inteligencia artificial contribuye, a mejorar la claridad en la formulación de
instrucciones. Y a fortalecer la comprensión inicial de su potencial académico. Este hallazgo
resulta especialmente relevante en entornos educativos, donde el uso de herramientas como
chatbots, suele ser intuitivo y no guiado. Lo que limita su aprovechamiento en tareas que
requieren rigor metodológico, pensamiento crítico y coherencia argumentativa.
Adicionalmente, la incorporación de elementos multimodales introduce una dimensión
emergente en la construcción del conocimiento. Esto al permitir a los estudiantes integrar
representaciones visuales como complemento de la producción escrita. Esta articulación
entre texto e imagen, no solo amplía las posibilidades expresivas, sino que también demanda
nuevas competencias para evaluar la pertinencia, precisión y coherencia de los contenidos
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1633
generados mediante inteligencia artificial.
En términos de proyección investigativa, se identifica la necesidad de avanzar hacia estudios
que trasciendan la medición perceptual, e incorporen indicadores objetivos de desempeño.
Particularmente en la calidad de la escritura científica. Esto implica el diseño e
implementación de rúbricas analíticas, que permitan evaluar dimensiones como claridad,
coherencia, estructura argumentativa y rigor académico. De la misma forma, se recomienda
la adopción de diseños cuasi-experimentales, que comparen grupos con y sin intervención.
Esto con el fin de fortalecer la validez interna, y establecer relaciones causales más robustas.
El estudio aporta implicaciones relevantes para la práctica educativa. La formación en
inteligencia artificial debe trascender el uso instrumental de las herramientas, y orientarse
hacia el desarrollo de competencias críticas. Esto, incluyendo la formulación estratégica de
instrucciones, la evaluación de la información generada, y la integración coherente de
contenido multimodal. En este contexto, la mediación docente, el diseño de actividades
estructuradas, y la incorporación de principios éticos, se configuran como elementos
esenciales para garantizar un uso pedagógicamente significativo, de la inteligencia artificial en
contextos educativos contemporáneos.
REFERENCIAS BIBLIOGRÁFICAS
Area-Moreira, M., Hernández-Rivero, V., & Sosa-Alonso, J. J. (2022). Alfabetización crítica en
inteligencia artificial: más allá de la competencia técnica. Revista de Educación, 396, 45-
67. https://doi.org/10.4438/1988-592X-RE-2022-396-512
Area-Moreira, M., Hernández-Rivero, V., & Sosa-Alonso, J. J. (2024). Aprendizaje ubicuo con
inteligencia artificial: nuevos escenarios educativos. Revista de Educación a Distancia,
24(75). https://doi.org/10.6018/red.556781
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1633
generados mediante inteligencia artificial.
En términos de proyección investigativa, se identifica la necesidad de avanzar hacia estudios
que trasciendan la medición perceptual, e incorporen indicadores objetivos de desempeño.
Particularmente en la calidad de la escritura científica. Esto implica el diseño e
implementación de rúbricas analíticas, que permitan evaluar dimensiones como claridad,
coherencia, estructura argumentativa y rigor académico. De la misma forma, se recomienda
la adopción de diseños cuasi-experimentales, que comparen grupos con y sin intervención.
Esto con el fin de fortalecer la validez interna, y establecer relaciones causales más robustas.
El estudio aporta implicaciones relevantes para la práctica educativa. La formación en
inteligencia artificial debe trascender el uso instrumental de las herramientas, y orientarse
hacia el desarrollo de competencias críticas. Esto, incluyendo la formulación estratégica de
instrucciones, la evaluación de la información generada, y la integración coherente de
contenido multimodal. En este contexto, la mediación docente, el diseño de actividades
estructuradas, y la incorporación de principios éticos, se configuran como elementos
esenciales para garantizar un uso pedagógicamente significativo, de la inteligencia artificial en
contextos educativos contemporáneos.
REFERENCIAS BIBLIOGRÁFICAS
Area-Moreira, M., Hernández-Rivero, V., & Sosa-Alonso, J. J. (2022). Alfabetización crítica en
inteligencia artificial: más allá de la competencia técnica. Revista de Educación, 396, 45-
67. https://doi.org/10.4438/1988-592X-RE-2022-396-512
Area-Moreira, M., Hernández-Rivero, V., & Sosa-Alonso, J. J. (2024). Aprendizaje ubicuo con
inteligencia artificial: nuevos escenarios educativos. Revista de Educación a Distancia,
24(75). https://doi.org/10.6018/red.556781
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1634
Cabero-Almenara, J., Barroso-Osuna, J., Guillén-Gámez, F. D., & Palacios-Rodríguez, A.
(2025). Creencias pedagógicas docentes y su aceptación de la inteligencia artificial en
la educación superior: un estudio comparativo entre países. Aula Abierta, 54(3), 257-
268. https://doi.org/10.17811/rifie.21273
Castaño-González, C., Díaz-Olazabalaga, I., & Garay-Ruiz, U. (2023). Agencia digital en la era
de la inteligencia artificial. Comunicar, 71, 45-57. https://doi.org/10.3916/C71-2023-
04
Churches, A. (2008). Bloom's digital taxonomy. Educational Origami.
https://edorigami.wikispaces.com/Bloom%27s+Digital+Taxonomy
Collazos, C. A., Guerrero, L. A., & Vergara, A. (2024). Inteligencia artificial y teoría de la
actividad: mediación tecnológica en educación. Revista Iberoamericana de Tecnologías
del Aprendizaje, 19(1), 23-35. https://doi.org/10.1109/RITA.2024.3356789
Creswell, J. W., & Plano Clark, V. L. (2017). Designing and conducting mixed methods
research (3rd ed.). SAGE Publications.
Díaz, B., & Nussbaum, M. (2024). Artificial intelligence for teaching and learning in schools:
The need for pedagogical intelligence. Computers & Education, 217, 105071.
https://doi.org/10.1016/j.compedu.2024.105071
Duart, J. M., Mengual-Andrés, S., & Márquez, I. (2023). Carga cognitiva en entornos de
aprendizaje con IA. Educación XXI, 26(2), 145-163.
https://doi.org/10.5944/educXX1.34567
Gutiérrez-Martín, A., Pinedo, R., & García-Ruiz, R. (2024). Pedagogía de la pregunta en la era
de la inteligencia artificial. Comunicar, 72, 78-90. https://doi.org/10.3916/C72-2024-
06
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1634
Cabero-Almenara, J., Barroso-Osuna, J., Guillén-Gámez, F. D., & Palacios-Rodríguez, A.
(2025). Creencias pedagógicas docentes y su aceptación de la inteligencia artificial en
la educación superior: un estudio comparativo entre países. Aula Abierta, 54(3), 257-
268. https://doi.org/10.17811/rifie.21273
Castaño-González, C., Díaz-Olazabalaga, I., & Garay-Ruiz, U. (2023). Agencia digital en la era
de la inteligencia artificial. Comunicar, 71, 45-57. https://doi.org/10.3916/C71-2023-
04
Churches, A. (2008). Bloom's digital taxonomy. Educational Origami.
https://edorigami.wikispaces.com/Bloom%27s+Digital+Taxonomy
Collazos, C. A., Guerrero, L. A., & Vergara, A. (2024). Inteligencia artificial y teoría de la
actividad: mediación tecnológica en educación. Revista Iberoamericana de Tecnologías
del Aprendizaje, 19(1), 23-35. https://doi.org/10.1109/RITA.2024.3356789
Creswell, J. W., & Plano Clark, V. L. (2017). Designing and conducting mixed methods
research (3rd ed.). SAGE Publications.
Díaz, B., & Nussbaum, M. (2024). Artificial intelligence for teaching and learning in schools:
The need for pedagogical intelligence. Computers & Education, 217, 105071.
https://doi.org/10.1016/j.compedu.2024.105071
Duart, J. M., Mengual-Andrés, S., & Márquez, I. (2023). Carga cognitiva en entornos de
aprendizaje con IA. Educación XXI, 26(2), 145-163.
https://doi.org/10.5944/educXX1.34567
Gutiérrez-Martín, A., Pinedo, R., & García-Ruiz, R. (2024). Pedagogía de la pregunta en la era
de la inteligencia artificial. Comunicar, 72, 78-90. https://doi.org/10.3916/C72-2024-
06
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1635
Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European
Journal of Education, 57(4), 542-570. https://doi.org/10.1111/ejed.12533
Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT: How may AI and GPT impact
academia and libraries? Library Hi Tech News, 40(3), 26-29.
https://doi.org/10.1108/LHTN-01-2023-0009
Rodríguez-García, A. M., Raso, F., & Ruiz-Palmero, J. (2024). Taxonomía digital de Bloom para
interacciones con IA. Educación XX1, 27(1), 215-234.
https://doi.org/10.5944/educXX1.56789
Sánchez-Cruzado, C., Sánchez-Compaña, M. T., & Domínguez, F. (2022). Teoría de la
mediación tecnológica en educación digital. Pixel-Bit: Revista de Medios y Educación, 64,
35-58. https://doi.org/10.12795/pixelbit.94321
Strauss, A., & Corbin, J. (1998). Basics of qualitative research: Techniques and procedures for
developing grounded theory (2nd ed.). SAGE Publications.
Tourón, J., Martín, D., & Navarro, E. (2023). Competencia digital docente en inteligencia artificial.
Revista Española de Pedagogía, 81(285), 405-423. https://doi.org/10.22550/REP81-3-
2023
Tourón, J., Martín, D., & Navarro, E. (2024). Marco de competencias docentes para la
inteligencia artificial en educación. Revista de Investigación Educativa, 42(1), 15-34.
https://doi.org/10.6018/rie.546732
UNESCO. (2023). Marco de competencias digitales en inteligencia artificial para estudiantes.
https://unesdoc.unesco.org/ark:/48223/pf0000384687
Valderrama-Pérez, J., López-Belmonte, J., & Moreno-Guerrero, A. J. (2024). Artificial
intelligence in education: Opportunities, challenges, and pedagogical implications.
Education Sciences, 14(2), 210. https://doi.org/10.3390/educsci14020210
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1635
Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European
Journal of Education, 57(4), 542-570. https://doi.org/10.1111/ejed.12533
Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT: How may AI and GPT impact
academia and libraries? Library Hi Tech News, 40(3), 26-29.
https://doi.org/10.1108/LHTN-01-2023-0009
Rodríguez-García, A. M., Raso, F., & Ruiz-Palmero, J. (2024). Taxonomía digital de Bloom para
interacciones con IA. Educación XX1, 27(1), 215-234.
https://doi.org/10.5944/educXX1.56789
Sánchez-Cruzado, C., Sánchez-Compaña, M. T., & Domínguez, F. (2022). Teoría de la
mediación tecnológica en educación digital. Pixel-Bit: Revista de Medios y Educación, 64,
35-58. https://doi.org/10.12795/pixelbit.94321
Strauss, A., & Corbin, J. (1998). Basics of qualitative research: Techniques and procedures for
developing grounded theory (2nd ed.). SAGE Publications.
Tourón, J., Martín, D., & Navarro, E. (2023). Competencia digital docente en inteligencia artificial.
Revista Española de Pedagogía, 81(285), 405-423. https://doi.org/10.22550/REP81-3-
2023
Tourón, J., Martín, D., & Navarro, E. (2024). Marco de competencias docentes para la
inteligencia artificial en educación. Revista de Investigación Educativa, 42(1), 15-34.
https://doi.org/10.6018/rie.546732
UNESCO. (2023). Marco de competencias digitales en inteligencia artificial para estudiantes.
https://unesdoc.unesco.org/ark:/48223/pf0000384687
Valderrama-Pérez, J., López-Belmonte, J., & Moreno-Guerrero, A. J. (2024). Artificial
intelligence in education: Opportunities, challenges, and pedagogical implications.
Education Sciences, 14(2), 210. https://doi.org/10.3390/educsci14020210
Ciencia y Reflexión - Revista Científica Multidisciplinaria
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1636
Valero, A., Biel, C., & Murillo, F. J. (2024). Ética de la inteligencia artificial en educación:
principios y aplicaciones. Teoría de la Educación, 36(2), 67-85.
https://doi.org/10.14201/teri.56789
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education: Where are the
educators? International Journal of Educational Technology in Higher Education, 16(39),
1-27. https://doi.org/10.1186/s41239-019-0171-0
Zhang, J., Wang, M., & Kang, M. (2022). Distributed cognition and multimodal learning
environments: Implications for digital education. Educational Technology Research and
Development, 70(5), 2543-2561. https://doi.org/10.1007/s11423-022-10123-5
La Revista utiliza códigos para identificar al Editor y al equipo de
PARES REVISORES. Si tiene dudas o consultas, contacte a:
contacto@cienciayreflexion.org
Código de Editor: 107
Código de Revisores: 1005
ISSN 3045-5537 (en línea) Enero-Marzo, 2026, Volumen 5, Número 1 Pág. 1636
Valero, A., Biel, C., & Murillo, F. J. (2024). Ética de la inteligencia artificial en educación:
principios y aplicaciones. Teoría de la Educación, 36(2), 67-85.
https://doi.org/10.14201/teri.56789
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education: Where are the
educators? International Journal of Educational Technology in Higher Education, 16(39),
1-27. https://doi.org/10.1186/s41239-019-0171-0
Zhang, J., Wang, M., & Kang, M. (2022). Distributed cognition and multimodal learning
environments: Implications for digital education. Educational Technology Research and
Development, 70(5), 2543-2561. https://doi.org/10.1007/s11423-022-10123-5
La Revista utiliza códigos para identificar al Editor y al equipo de
PARES REVISORES. Si tiene dudas o consultas, contacte a:
contacto@cienciayreflexion.org
Código de Editor: 107
Código de Revisores: 1005