La alfabetización académica asistida
por inteligencia artificial generativa: impacto en la calidad de la escritura
disciplinaria
Academic literacy assisted by generative artificial
intelligence: impact on the quality of disciplinary writing
Dr. José Manuel de Amo Sánchez-Fortún. Universidad de Almería. España.
Dr. Kevin Baldrich Rodríguez. Universidad
de Almería. España.
Recibido:
2025/02/12 Revisado: 2025/11/10 Aceptado: 2025/11/21 Publicado: 2026/01/01
Cómo citar este artículo:
De Amo Sánchez-Fortún, J.M.
& Baldrich Rodríguez, K. (2026). La alfabetización académica asistida por
inteligencia artificial generativa: impacto en la calidad de la escritura
disciplinaria [Academic literacy
assisted by generative
artificial intelligence: impact
on the quality
of disciplinary writing]. Pixel-Bit. Revista de
Medios y Educación, 75, Art. 2. https://doi.org/10.12795/pixelbit.113712
RESUMEN
El presente estudio examina
el impacto de la integración de herramientas de inteligencia artificial
generativa en el desarrollo de competencias de escritura académica, con un
énfasis particular en la alfabetización disciplinar y la representación multimodal
como pilares en la construcción y comunicación efectiva del discurso
científico. La investigación, de diseño cuasiexperimental y enfoque mixto,
involucró a 150 estudiantes universitarios, organizados en un grupo
experimental que utilizó exclusivamente herramientas de IAG y un grupo de
control que aplicó estrategias de composición escrita tradicionales. Se
emplearon la escala AIAS y el modelo de intervención PAIR para garantizar que
el uso de la tecnología complementara los procesos de pensamiento crítico y la
autoría del estudiante, en lugar de sustituirlos. Los resultados, obtenidos
mediante una rúbrica validada, evaluaron aspectos clave como coherencia y
cohesión textual, corrección gramatical, manejo adecuado de referencias
bibliográfica e integración de elementos visuales. Se evidenciaron mejoras
significativas en todos los aspectos evaluados, especialmente en la capacidad
para articular discursos académicos más estructurados y en la integración
efectiva de recursos multimodales. Estos hallazgos ponen de relieve el
potencial de la IAG no solo para optimizar los procesos de escritura, sino
también para fortalecer las competencias analíticas y ampliar los recursos
expresivos de los estudiantes en contextos académicos. La investigación
evidencia la necesidad de establecer marcos pedagógicos que regulen su
implementación, fomentando el pensamiento crítico y una formación integral en
la educación superior.
ABSTRACT
The present study examines the
impact of integrating generative artificial intelligence (AI) tools into the
development of academic writing skills, with a particular emphasis on
disciplinary literacy and multimodal representation as foundational pillars for
the construction and effective communication of scientific discourse. This
quasi-experimental, mixed-methods research involved 150 university students,
divided into an experimental group that exclusively used generative AI tools
and a control group that applied traditional writing strategies. The AIAS scale
and the PAIR intervention model were employed to ensure that the use of
technology complemented critical thinking processes and student authorship
rather than replacing them. Results, obtained through a validated rubric,
assessed key aspects such as textual coherence and cohesion, grammatical
accuracy, proper handling of bibliographic references, and integration of
visual elements. Significant improvements were observed across all evaluated
aspects, particularly in the ability to articulate more structured academic
discourse and effectively integrate multimodal resources. These findings
underscore the potential of generative AI not only to optimize writing
processes but also to enhance analytical skills and expand students' expressive
resources in academic contexts. The research highlights the need to establish
pedagogical frameworks to regulate its implementation, fostering critical
thinking and comprehensive education in higher education.
PALABRAS CLAVES· KEYWORDS
Inteligencia Artificial
Generativa, alfabetización académica, educación superior, calidad de la
escritura disciplinar
Generative Artificial Intelligence, academic literacy,
higher education, quality of disciplinary writing
1. Introducción
1.1. Escritura académica y
alfabetización disciplinar
La escritura académica se
configura como un instrumento clave para la integración y la participación
activa en la comunidad científica de cada disciplina (Biber y Gray, 2010; Carlino,
2013). Su dominio no solo implica la capacidad de comunicar de manera clara y
estructurada ideas complejas, sino también de contribuir al avance del
conocimiento disciplinar mediante prácticas discursivas ajustadas a los
estándares epistemológicos y retóricos de cada campo. En el ámbito
universitario, esta formación desempeña un papel crucial para el éxito
académico del estudiantado, al favorecer la apropiación de los discursos
propios de cada ámbito disciplinar, así como el aprendizaje autónomo y
significativo.
El dominio de la escritura
en contextos académicos formales representa un desafío complejo, que abarca
aspectos como la organización discursiva, el empleo adecuado de estructuras
lingüísticas propias del registro formal y la integración crítica y pertinente
de referencias bibliográficas (McKinley, 2013). Algunas investigaciones han
demostrado que la enseñanza explícita y sistemática de estrategias de redacción
contribuye significativamente al desarrollo de competencias escriturales
avanzadas (Fathi y Rahimi,
2024; Cassany y Castelló, 2010). Sin embargo, diversos factores, como la
escasez de tiempo, recursos limitados, insuficiente formación docente y la
falta de seguimiento continuo, dificultan la implementación efectiva de
prácticas pedagógicas centradas en el desarrollo de la escritura académica (Jin
et al., 2025). Estas dificultades resaltan la necesidad de explorar enfoques
pedagógicos alternativos y herramientas de apoyo que complementen el trabajo
docente y fortalezcan los procesos de enseñanza-aprendizaje en este ámbito.
La producción académica se
ha enriquecido históricamente mediante la incorporación de modos de
representación alternativos, como imágenes, gráficos y esquemas, que, al
integrarse con herramientas digitales, potencian la claridad expositiva y
contribuyen a una estructuración más eficaz del discurso (Kress y Leeuwen, 2020; Díaz-Cuevas y Rodríguez-Herrera, 2024). La
escritura multimodal, al combinar diversas formas de comunicación, facilita la
comprensión de conceptos complejos y promueve una interacción dinámica entre el
texto y sus lectores, lo que la convierte en una estrategia pedagógica de gran
relevancia en contextos educativos (Derga et al.,
2024; Walter, 2024). En este marco, los avances en inteligencia artificial
generativa (IAG) han ampliado las posibilidades para la revisión, optimización
y enriquecimiento textual, favoreciendo una integración ética y crítica de
estos recursos en los procesos de alfabetización disciplinar y formación
académica (Wang et al., 2024).
1.2. Integración de la
inteligencia artificial generativa en la escritura académica
La incorporación de la IAG
en los procesos de composición escrita ha sido objeto de análisis crítico
debido a su capacidad para mejorar la cohesión discursiva, corregir errores
gramaticales y estructurar las ideas de manera lógica (Goulart
et al., 2024; Acosta, 2024). Estudios recientes han examinado diferentes
herramientas (ChatGPT, Copilot
y Gemini…), evidenciando su capacidad para mejorar la organización y la
claridad de los textos, optimizando su calidad antes de alcanzar la versión
definitiva (Aladini et al., 2025; Teng, 2024).
El uso de la inteligencia
artificial generativa (IAG) en los procesos de enseñanza y aprendizaje exige un
planteamiento fundamentado en principios pedagógicos sólidos y una regulación
adecuada. Sin una orientación clara, estas tecnologías pueden fomentar la
dependencia en la generación automatizada de contenido, lo que podría limitar
el desarrollo de habilidades clave como la autonomía en el aprendizaje y la
capacidad argumentativa de los estudiantes (García-Peñalvo, 2024; Kalifa y Albadawy, 2024). Por este motivo, resulta fundamental
establecer marcos pedagógicos que no solo guíen el uso de estas herramientas,
sino que también promuevan la metacognición y el pensamiento crítico,
habilidades esenciales para que el alumnado sea capaz de analizar, valorar y seleccionar
de manera fundamentada la información generada por estas tecnologías (Huang y
Teng, 2025).
Además, el desarrollo de
modelos como la escala AIAS (Artificial Intelligence Assessment Scale) ha permitido
identificar niveles de uso en los que la IAG actúa como un recurso
complementario que refuerza las capacidades del estudiante sin reemplazarlas.
Estas estrategias han demostrado ser efectivas para favorecer un aprendizaje
más autónomo y significativo, consolidando la importancia de integrar estas
tecnologías de manera ética y crítica en los procesos educativos (Perkins et
al., 2024; Ayuso y Gutiérrez-Esteban, 2022). Este enfoque resalta la necesidad
de emplear la IAG como una herramienta que enriquezca las competencias del
alumnado y fomente su desarrollo integral en entornos académicos.
1.3. Beneficios, desafíos y
consideraciones éticas en el uso de la IAG en la educación superior
El empleo de inteligencia
artificial en la escritura disciplinar ha evidenciado un impacto positivo en
múltiples dimensiones. Entre sus contribuciones más destacadas se encuentran la
optimización del tiempo dedicado a la elaboración textual, la mejora en la
precisión gramatical y estilística, así como la mitigación de bloqueos
cognitivos que suelen limitar la generación de ideas durante la redacción
(Román-Acosta, 2023). Estas tecnologías, al proporcionar retroalimentación
inmediata y detallada, favorecen la detección autónoma de errores por parte de
los estudiantes, potenciando procesos de autorregulación y fortaleciendo su
confianza en la producción escrita (Wise et al.,
2024). Este enfoque no solo amplifica las oportunidades de aprendizaje
autónomo, sino que también posiciona a la inteligencia artificial como una
herramienta con alto potencial para el desarrollo de competencias avanzadas en
escritura académica.
No obstante, la
incorporación de la inteligencia artificial generativa (IAG) en contextos
educativos plantea el desafío de una posible dependencia excesiva de estas
herramientas, lo que podría limitar el desarrollo de habilidades fundamentales
como la argumentación y la originalidad en la escritura (Davis y Csáik, 2024; Fiorillo, 2024).
Este riesgo pone de relieve la necesidad de formar a los estudiantes en el uso
crítico de estas tecnologías, promoviendo prácticas que equilibren su
integración con el fortalecimiento de competencias cognitivas y creativas (Su
et al., 2024; Pigg, 2024).
Desde una perspectiva ética
y normativa, el empleo de tecnologías emergentes plantea dudas sobre la
transparencia de los modelos y los sesgos algorítmicos, lo que preocupa a la
comunidad científica por su impacto en la equidad y la confiabilidad (Ou et al., 2024). La asistencia de la IAG en la composición
escrita supone un reto para la integridad académica, particularmente en
relación con la asignación de autoría y las limitaciones de los sistemas
actuales para identificar textos generados con estas herramientas, lo que
complica la detección de posibles casos de plagio (Casheekar
et al., 2024). En respuesta a estas cuestiones, se han desarrollado propuestas
normativas que incluyen la implementación de políticas enfocadas en el uso
ético y responsable de estas tecnologías, junto con la promoción de programas
de alfabetización digital que incorporen principios de responsabilidad
(García-Peñalvo, 2024). Además, el diseño de estrategias pedagógicas que
orienten el uso crítico y estratégico de estas tecnologías resulta fundamental
para fortalecer la capacidad analítica del estudiante durante el proceso de
revisión y edición de textos generados por IA (García-Peñalvo et al., 2024; Ciaccio, 2023).
2. Objetivos
Objetivo general
Analizar el impacto del uso
de herramientas de IAG en el desarrollo de competencias de escritura
disciplinar en estudiantes universitarios.
Objetivos específicos
-
Evaluar
la calidad de los textos académicos generados con y sin el uso de herramientas
de IAG, considerando dimensiones como la coherencia, la cohesión, la precisión
terminológica, la argumentación y la adecuación a las convenciones
disciplinares, incluidas las referencias bibliográficas.
-
Examinar
el impacto de las herramientas de IAG en las distintas fases del proceso de
escritura disciplinar, abarcando la generación de ideas, la planificación, la
estructuración del texto, la revisión y la edición.
-
Explorar
las percepciones de los estudiantes respecto al uso de herramientas de IAG en
la escritura académica, analizando su utilidad percibida, la facilidad de uso y
su influencia en la confianza y autonomía durante el proceso de redacción.
-
Determinar
la relación entre el uso de herramientas de IAG y el desarrollo de competencias
en la escritura disciplinar, evaluando en qué medida estas contribuyen a una
mejor argumentación, una estructuración lógica y un uso adecuado del lenguaje
académico.
3. Metodología
La investigación adoptó un
enfoque mixto (cuantitativo-cualitativo) y un diseño cuasiexperimental con
grupos no equivalentes, adecuado para contextos educativos donde la asignación
aleatoria no es viable (Creswell, 2014; Shadish, Cook
y Campbell, 2002). El grupo experimental integró herramientas de IAG en el
proceso de escritura académica, mientras que el grupo de control empleó
estrategias convencionales.
La intervención se ajustó al
nivel 3 de la escala AIAS (Perkins et al., 2024), que define un uso formativo y
reflexivo de la IAG. Este nivel fue elegido por su pertinencia en contextos
educativos que buscan fortalecer la autonomía del estudiante y su competencia
escritora. En este marco, la IAG actúa como mediadora cognitiva, ofreciendo
retroalimentación y apoyo estructural sin sustituir la autoría ni el
pensamiento crítico. El aprendizaje se orienta, así, hacia el desarrollo de
competencias metacognitivas y discursivas, evitando la dependencia tecnológica.
De forma complementaria, se
aplicó el marco PAIR (Problema, Selección de IA, Interacción y Reflexión) como
estructura pedagógica de la intervención. Este modelo se tradujo en la práctica
mediante secuencias de trabajo en las que los estudiantes (1) identificaban una
necesidad concreta de escritura, (2) elegían la herramienta más adecuada para
resolverla, (3) interactuaban críticamente con la IAG valorando sus sugerencias
y (4) reflexionaban sobre los cambios realizados. Este proceso permitió
incorporar la IAG como recurso dialógico en el aprendizaje, promoviendo la
autorregulación, el pensamiento crítico y la conciencia sobre el propio proceso
de escritura.
3.1. Muestra
Participaron 150 estudiantes
de cuarto curso del Grado en Educación Primaria de la Universidad de Almería
(75 en el grupo experimental y 75 en el grupo de control). El tamaño muestral
se determinó mediante un análisis de potencia (α = 0.05, potencia = 0.80,
d = 0.50), que confirmó su suficiencia para detectar diferencias significativas
entre grupos (Cohen, 1988).
La selección fue no
probabilística por conveniencia, respetando la organización preexistente de los
grupos. Se excluyeron quienes tenían experiencia previa en el uso de IAG o no
completaron todas las fases. La tasa de abandono (3.3 %) fue estadísticamente
irrelevante.
Antes de la intervención, se
aplicó una prueba diagnóstica inicial, consistente en una breve tarea de
redacción académica sobre un tema general educativo. Los textos fueron
evaluados mediante la misma rúbrica utilizada en el estudio, con el fin de
comprobar la equivalencia inicial entre grupos. Los resultados confirmaron la
homogeneidad en las habilidades de escritura (t(148) =
0.87, p = 0.382), lo que garantizó la validez de la comparación posterior de
resultados.
Figura 1
Análisis de potencia estadística.
Fuente: elaboración propia.
3.2. Fases del estudio
El estudio se desarrolló en
tres fases: pretest, intervención y postest.
·
Pretest.
Se solicitó la elaboración de un ensayo argumentativo sin asistencia
tecnológica (“¿Cómo puede la IA mejorar la enseñanza y el aprendizaje?”). Los
textos fueron evaluados mediante una rúbrica diseñada ad hoc con seis
dimensiones: coherencia, cohesión, corrección lingüística, solidez
argumentativa, uso de referencias y calidad de los elementos visuales.
·
Intervención.
A lo largo de cuatro semanas se desarrollaron actividades de escritura
académica con metodologías diferenciadas. El grupo experimental empleó
herramientas como ChatGPT, Copilot,
Gemini, DeepSeek, Scopus
AI, Consensus, Canva y Napkin, exclusivamente para revisar, estructurar y
optimizar textos propios, conforme al nivel 3 de la escala AIAS. El grupo de
control siguió métodos tradicionales sin mediación tecnológica.
·
Postest. Se pidió la redacción de un nuevo ensayo
argumentativo (“¿Debería regularse el uso de IA en educación?”), evaluado con
la misma rúbrica. Además, el grupo experimental completó un cuestionario de
percepción y un registro de uso de herramientas (frecuencia, tiempo y tipo de
modificaciones).
3.3. Instrumentos de
análisis de datos
Se utilizaron tres
instrumentos principales: una rúbrica de evaluación de la escritura, un
cuestionario de percepción y un registro de uso de herramientas de IAG. Todos
fueron diseñados y validados por especialistas en Didáctica de la Lengua y la
Literatura y en evaluación educativa.
El análisis de la escritura
académica se realizó mediante una rúbrica que permitió valorar las producciones
del pretest y postest con precisión y consistencia.
La rúbrica incluyó seis dimensiones: coherencia y cohesión textual, corrección
gramatical y estilística, uso adecuado de referencias bibliográficas, calidad
de gráficos y tablas, integración de elementos visuales y claridad académica.
Cada dimensión se calificó en una escala Likert de 1 (muy bajo) a 5
(excelente).
El instrumento fue sometido
a un proceso de validación por juicio de expertos, que revisaron la claridad de
los criterios y su adecuación a los objetivos del estudio. El coeficiente alfa
de Cronbach (α = 0.91) confirmó un alto grado de consistencia interna y
precisión en la evaluación.
El cuestionario de
percepción se aplicó al grupo experimental con el fin de explorar las
valoraciones del alumnado sobre el uso de herramientas de IAG en la escritura
académica. Incluyó ítems con escala Likert (1–5) y preguntas abiertas que
abordaban aspectos como la facilidad de uso, la utilidad percibida, el impacto
en la confianza y creatividad, y las dificultades en la integración
tecnológica.
Antes de su aplicación, se
llevó a cabo una prueba piloto con 20 estudiantes de características similares
a la muestra, pero ajenos a la intervención. Esta fase permitió comprobar la
claridad y pertinencia de los ítems y ajustar la redacción de dos preguntas. El
cuestionario mostró una alta fiabilidad interna (α = 0.94).
Las respuestas abiertas se
analizaron mediante codificación temática inductiva (Braun & Clarke, 2006),
desarrollada en tres fases: lectura exploratoria, codificación abierta y
agrupación de categorías. A partir de este proceso se identificaron cuatro
categorías principales:
1. Facilitación del proceso escritural,
destacando que la IAG ayudó a organizar ideas y mejorar la estructura de los
textos.
2. Optimización del uso de referencias,
valorando la capacidad de la IA para gestionar citas y fuentes.
3. Incorporación de elementos multimodales,
con impacto positivo de gráficos y visualizaciones generadas con IA.
4. Desafíos en la adaptación a la IAG,
referidos a dificultades iniciales y a la evaluación de la fiabilidad de las
sugerencias.
Por último, el registro de
uso de herramientas documentó la frecuencia y el tiempo de utilización de cada
aplicación, así como las funcionalidades empleadas en la planificación,
redacción y revisión de los ensayos. Estos datos permitieron cuantificar la interacción
con la tecnología y analizar su influencia en la mejora de la producción
escrita.
3.4. Análisis de datos
Para el análisis de datos,
se utilizó el software SPSS (IBM SPSS Statistics for Windows, Version 28.0.),
aplicando diferentes pruebas estadísticas para evaluar la evolución en la
calidad de la escritura y la relación entre el uso de las herramientas de IAG y
los resultados obtenidos. En primer lugar, se llevó a cabo un análisis de
covarianza (ANCOVA) para comparar las puntuaciones obtenidas en el postest ajustando las diferencias iniciales del pretest,
asegurando que los efectos observados fueran atribuibles a la intervención y no
a variaciones previas en los grupos. El ANCOVA fue seleccionado debido a su
capacidad para controlar posibles sesgos y mejorar la precisión de los
resultados al reducir la variabilidad no explicada. Se verificaron los
supuestos de homogeneidad de pendientes y normalidad de residuos, garantizando
la validez del modelo estadístico. Además, se calcularon los valores de F-statistic y p-value, que
permitieron determinar la significancia de las diferencias encontradas.
Junto con el ANCOVA, se
realizaron análisis descriptivos para caracterizar la frecuencia y el tiempo de
uso de las herramientas de IAG en el grupo experimental. Se documentó el número
de interacciones con cada herramienta, el tiempo total dedicado y las funcionalidades
específicas empleadas. Para complementar los análisis cuantitativos, se llevó a
cabo un análisis cualitativo de las respuestas abiertas del cuestionario,
permitiendo identificar patrones en la percepción de los estudiantes respecto a
la utilidad de las herramientas, las dificultades encontradas y el impacto en
la confianza y creatividad al escribir textos académicos.
El uso combinado de métodos
cuantitativos y cualitativos permitió obtener una visión integral del impacto
de las herramientas de IAG en la escritura académica. La inclusión del ANCOVA
en el análisis estadístico fortaleció la fiabilidad de los resultados,
asegurando que las diferencias encontradas entre el grupo experimental y el
grupo de control fueran producto de la intervención y no de factores externos.
Además, la validación de los instrumentos empleados garantizó la consistencia y
precisión de los datos recogidos. Este enfoque permitió establecer de manera
rigurosa el impacto de la inteligencia artificial en la mejora de la escritura
académica, proporcionando evidencia tanto objetiva como subjetiva sobre la
percepción y el desempeño de los participantes a lo largo del estudio.
4. Resultados
Los resultados del estudio
evidencian diferencias estadísticamente significativas entre el grupo
experimental y el grupo de control en todas las dimensiones de la escritura
académica. El análisis de covarianza (ANCOVA), con las puntuaciones del pretest
como covariable, confirmó que el uso pedagógico de la IAG produjo mejoras
sustanciales y consistentes en la calidad de los textos, tanto en su dimensión
lingüística como discursiva y multimodal. La Tabla 1 presenta las medias,
desviaciones típicas y valores F del postest en cada
una de las dimensiones evaluadas.
Tabla 1
Comparación de medias por dimensiones de escritura académica (postest)
|
Dimensión evaluada |
Grupo control (M ± DT) |
Grupo experimental (M ± DT) |
F |
p |
|
Coherencia y cohesión |
3.5 ± 0.7 |
4.7 ± 0.5 |
52.41 |
<.001 |
|
Corrección gramatical y estilística |
3.6 ± 0.6 |
4.8 ± 0.4 |
58.33 |
<.001 |
|
Uso de referencias bibliográficas |
3.4 ± 0.7 |
4.7 ± 0.5 |
49.02 |
<.001 |
|
Integración de elementos visuales |
3.3 ± 0.8 |
4.7 ± 0.6 |
54.89 |
<.001 |
|
Claridad y estilo académico |
3.5 ± 0.7 |
4.8 ± 0.5 |
56.12 |
<.001 |
Tal como se observa en la
Figura 2, el grupo experimental presenta medias ajustadas significativamente
superiores en todas las dimensiones de la escritura académica, una vez
controladas las diferencias iniciales mediante el análisis de covarianza
(ANCOVA).
La separación constante
entre ambas líneas refleja una mejora global sostenida, especialmente en
coherencia y cohesión textual, corrección gramatical y uso de referencias.
Estas diferencias confirman que la integración pedagógica de la IAG mejoró la
calidad discursiva y estilística de los textos producidos. Las barras indican
los intervalos de confianza (95 %) de las medias ajustadas.
Figura 2
Comparación de medias ajustadas entre grupo experimental y grupo de control
(ANCOVA).
Fuente:
elaboración propia.
Uso de herramientas de IAG
El registro
de actividad del grupo experimental permitió analizar la frecuencia y duración
de uso de cada herramienta.
Como
muestra la Tabla 2, ChatGPT y Copilot fueron las más empleadas, seguidas por
Gemini y DeepSeek. Las herramientas de gestión de referencias (Scopus AI y
Consensus) y las de diseño visual (Canva y Napkin) registraron un uso moderado
pero constante, lo que evidencia una integración equilibrada entre funciones
lingüísticas, documentales y visuales.
Tabla 2
Frecuencia
y tiempo promedio de uso de herramientas de IAG (grupo experimental)
Fuente: elaboración propia.
Uso
de herramientas de IAG
El registro de actividad del
grupo experimental permitió analizar la frecuencia y duración de uso de cada
herramienta.
Como muestra la Tabla 2, ChatGPT y Copilot fueron las más
empleadas, seguidas por Gemini y DeepSeek. Las
herramientas de gestión de referencias (Scopus AI y Consensus) y las de diseño visual (Canva
y Napkin) registraron un uso moderado pero constante,
lo que evidencia una integración equilibrada entre funciones lingüísticas,
documentales y visuales.
Tabla 2
Frecuencia y tiempo promedio de uso de herramientas de IAG (grupo
experimental)
|
Herramienta |
Frecuencia
media (± DT) |
Tiempo
medio (min ± DT) |
|
ChatGPT |
9.2
± 2.1 |
125
± 15 |
|
Copilot |
7.8
± 1.9 |
110
± 14 |
|
Gemini |
6.5
± 1.6 |
95
± 12 |
|
DeepSeek |
5.9
± 1.8 |
85
± 10 |
|
Scopus
AI |
5.3
± 1.4 |
75
± 11 |
|
Consensus |
4.7
± 1.5 |
68
± 9 |
|
Canva |
4.5
± 1.2 |
62
± 8 |
|
Napkin |
3.8
± 1.0 |
55
± 7 |
Fuente: elaboración propia.
El patrón de uso muestra que
los estudiantes emplearon la IAG principalmente como recurso de apoyo en la
revisión, estructuración y optimización de sus textos, en coherencia con el
nivel 3 de la escala AIAS, que promueve un uso formativo y reflexivo de la
tecnología.
Percepciones
y análisis cualitativo
El cuestionario de
percepción aplicado al grupo experimental confirmó una valoración favorable y
generalizada del uso de herramientas de IAG en el proceso de escritura
académica.
El 95 % de los participantes
consideró que las herramientas facilitaron la generación y organización de
ideas, el 97 % percibió una mejora en la corrección gramatical y estilística, y
el 93 % destacó la contribución de los recursos visuales a la claridad y
presentación de los textos. Además, el 89 % afirmó que la IAG les ayudó a
gestionar mejor el tiempo de escritura y cumplir con los plazos de entrega.
El análisis temático de las
respuestas abiertas permitió identificar cinco categorías principales (ver
Tabla 3), que sintetizan las percepciones más representativas del alumnado.
Tabla 3
Síntesis de categorías cualitativas, evidencias y orientaciones pedagógicas
|
Categoría |
Definición |
Evidencias y códigos |
Relevancia |
Orientación pedagógica |
|
Organización
y estructuración del discurso |
Uso
de la IAG para planificar y ordenar ideas |
“esquema
previo”, “transiciones”, “mapa de ideas” |
Alta |
Promover
guías de planificación y reflexión metacognitiva. |
|
Mejora
gramatical y estilística |
Revisión
lingüística y adecuación al registro académico |
“tono
académico”, “coherencia terminológica” |
Alta |
Delimitar
la función de la IAG como apoyo, no sustituto. |
|
Gestión
de referencias |
Búsqueda
y formateo de fuentes académicas |
“verificación
de citas”, “formato APA” |
Alta |
Incluir
protocolos de trazabilidad y fiabilidad. |
|
Integración
de elementos visuales |
Uso
de gráficos y esquemas coherentes con el texto |
“resumen
gráfico”, “cohesión texto-figura” |
Media |
Diseñar
rúbricas para lectura crítica de recursos visuales. |
|
Dificultades
iniciales de uso |
Barreras
de usabilidad y comprensión de salidas |
“curva
de aprendizaje”, “opacidad de la herramienta” |
Focalizada |
Ofrecer
formación inicial y plantillas de prompts. |
Las percepciones del
alumnado confirman que la IAG se percibe fundamentalmente como un mediador
cognitivo que facilita la planificación, la revisión y la integración de
recursos, más que como un sustituto del proceso de escritura.
Los estudiantes reconocen tanto el potencial formativo de estas herramientas
como la necesidad de acompañamiento docente y reflexión crítica para garantizar
un uso ético, autónomo y consciente.
En conjunto, los resultados
cuantitativos, los registros de uso y las percepciones cualitativas convergen
en señalar que la integración didáctica y reflexiva de la IAG mejora de forma
significativa la competencia escritora del alumnado universitario.
El uso de la IA como mediadora cognitiva promueve la autorregulación, la
conciencia metalingüística y la capacidad de revisión crítica del texto propio,
siempre que se enmarque en estrategias pedagógicas que preserven la autoría, la
autonomía y la dimensión ética del aprendizaje académico.
5. Discusión y conclusiones
Los resultados de este estudio confirman que la
incorporación pedagógica de herramientas de IAG tiene un impacto positivo en la
calidad de la escritura académica universitaria, en línea con investigaciones
previas que destacan su potencial para mejorar la coherencia discursiva, la
precisión lingüística y la organización argumentativa de los textos (Amo
Sánchez-Fortún y Domínguez-Oller, 2024; Dai et al., 2023; García-Peñalvo, 2024;
Zheng et al., 2024). Las mejoras observadas en el grupo experimental, especialmente
en coherencia, corrección, uso de referencias e integración de elementos
visuales, evidencian que la IAG puede actuar como un mediador cognitivo eficaz
siempre que su uso se enmarque en una orientación formativa estructurada.
El empleo del nivel 3 de la escala AIAS y del modelo
PAIR (Problema, Selección, Interacción, Reflexión) resultó decisivo para
asegurar una integración pedagógica equilibrada de la tecnología. Este enfoque
permitió que la IAG funcionara como un recurso de apoyo al proceso de
pensamiento, y no como un sustituto del juicio académico. Así, los estudiantes
mantuvieron un rol activo en la planificación, revisión y validación de los
textos, evitando la automatización cognitiva. Este hallazgo coincide con las advertencias
de Wise et al. (2024) sobre los riesgos de una dependencia tecnológica
excesiva, que puede limitar la creatividad y el desarrollo de competencias
críticas si no se establecen marcos de uso guiado. En consonancia, Perkins et
al. (2024) señalan que un modelo de integración reflexiva ─como el
PAIR─ favorece la autonomía del estudiante y la toma de decisiones
informada sobre las aportaciones de la IA.
Desde un punto de vista epistemológico, los resultados
invitan a reconsiderar la noción de autoría académica en los entornos mediados
por inteligencia artificial. La tecnología no sustituye la voz del autor, sino
que la pone a prueba, al requerir una toma de decisiones constante sobre qué
aceptar, modificar o descartar. De este modo, la calidad del escrito no depende
solo del producto final, sino de la capacidad crítica con la que el autor
humano evalúa, ajusta y valida las sugerencias automatizadas. Esta interacción
configura un nuevo escenario de co-producción textual, donde la responsabilidad
cognitiva y la trazabilidad del proceso se convierten en ejes de la ética
académica contemporánea.
En términos pedagógicos, la integración de la IAG
favoreció la adquisición de habilidades metacognitivas. Los estudiantes no solo
mejoraron la organización discursiva y la cohesión textual ─tal como
señalan Teng (2024) y Ou et al. (2024)─, sino que también desarrollaron
una mayor conciencia sobre sus propias decisiones lingüísticas y estructurales.
Esta dimensión reflexiva es clave para prevenir la dependencia cognitiva y
consolidar una alfabetización académica crítica. Enseñar a distinguir entre lo
que la herramienta sugiere y lo que el criterio disciplinar valida se
convierte, por tanto, en una competencia central de la educación superior.
El estudio también evidenció un impacto positivo de la
IAG en el uso de referencias académicas. Las herramientas de recuperación y
gestión de información mejoraron la precisión y fiabilidad de las citas, lo que
facilitó la construcción de argumentos más sólidos y documentados.
Investigaciones recientes confirman este potencial de la IA para optimizar la
búsqueda y el procesamiento de fuentes (Dabis y Csáki, 2024; Goulart et al.,
2024), aunque advierten, al igual que este estudio, la necesidad de una verificación
sistemática y de una formación ética en la evaluación de sesgos y la opacidad
algorítmica. En este sentido, la alfabetización digital universitaria debe
incluir la enseñanza de protocolos de validación y trazabilidad de la
información generada por IA.
En el ámbito de la escritura multimodal, los
resultados muestran que la incorporación de elementos visuales y gráficos
─facilitada por herramientas como Canva o Napkin─ no solo
enriqueció la presentación de los textos, sino que fortaleció su argumentación,
al ofrecer representaciones complementarias de los conceptos. Este hallazgo
respalda las teorías de la multimodalidad que destacan la integración de
diversos modos de representación como componente esencial del discurso
académico contemporáneo (Kress y van Leeuwen, 2020; Xu et al., 2022). Así, la
alfabetización universitaria se amplía hacia una dimensión digital y multimodal
que redefine la relación entre texto, imagen y conocimiento.
Desde la perspectiva de los estudiantes, la IAG fue
percibida como útil y accesible, aunque requirió formación inicial para un uso
óptimo. Este resultado coincide con Ayuso-del Puerto y Gutiérrez-Esteban (2022)
y García-Peñalvo et al. (2024), quienes subrayan que la eficacia de las
tecnologías educativas depende en gran medida de la alfabetización digital de
los usuarios. Por ello, la integración de la IAG en la enseñanza universitaria
no puede limitarse a su dimensión instrumental: debe formar parte de un proyecto
educativo que incluya criterios de interpretación, ética y evaluación de
fiabilidad.
Finalmente, el comportamiento observado en los
participantes sugiere una interacción estratégica y reflexiva con la
tecnología: los estudiantes ajustaron y personalizaron las salidas generadas,
en lugar de aceptarlas de forma automática. Este uso consciente confirma el
potencial de la IAG como facilitador del pensamiento crítico y de la
autorregulación en el proceso de escritura (Kang et al., 2023; Pigg, 2024).
Además, el uso diferenciado de las herramientas según las fases del proceso
─textuales para la planificación y redacción; visuales para la
presentación─ coincide con los resultados de Díaz-Cuevas y
Rodríguez-Herrera (2024), que muestran cómo el impacto de la IA varía según la
tarea y el propósito del usuario.
En conclusión, este estudio demuestra que la IAG puede
desempeñar un papel transformador en la educación superior si se incorpora
dentro de marcos pedagógicos sólidos, como la escala AIAS y el modelo PAIR.
Bajo estas condiciones, las herramientas no reemplazan la autoría ni el
pensamiento crítico, sino que los amplifican. La IAG redefine así las prácticas
de alfabetización digital universitaria, orientándolas hacia una formación
integral que combine rigor disciplinar, ética de la producción académica y responsabilidad
en el uso de tecnologías generativas. En última instancia, aprender a escribir
con IA implica aprender a pensar con criterio, a dialogar con la tecnología y a
sostener la autonomía intelectual en entornos mediados por algoritmos: el nuevo
horizonte de la alfabetización académica en la era digital.
6. Limitaciones y líneas futuras
El presente estudio tiene
ciertas limitaciones que deben ser consideradas al interpretar sus resultados.
En primer lugar, la muestra utilizada fue no probabilística y estuvo conformada
por estudiantes de una única institución, lo que restringe la extrapolación de
los hallazgos a otros contextos educativos. Sería deseable que futuras
investigaciones incorporen muestras más amplias y diversas, incluyendo
estudiantes de diferentes universidades y disciplinas, para ampliar la
aplicabilidad de los resultados. En segundo lugar, la diversidad y evolución
constante de las herramientas de IAG representan un desafío. Aunque este
estudio incluyó herramientas representativas, el avance acelerado de estas
tecnologías requiere una evaluación continua para comprender su impacto en la
escritura académica de manera actualizada. Finalmente, la duración de la
intervención, limitada a cuatro semanas, impide analizar si los efectos
observados perduran en el tiempo. Diseños longitudinales podrían ser de gran
utilidad para explorar la evolución de las competencias escriturales en plazos
más prolongados.
Financiación
Esta investigación está financiada por el proyecto
«Transformación educativa: exploración del impacto de la inteligencia
artificial en el desarrollo de la lectura y la escritura de los estudiantes
universitarios» (PID2023-151419OB-I00), dentro de la convocatoria de proyectos
de I+D+i «Generación de conocimiento», del Programa Estatal de Fomento de la
Investigación Científica y Técnica y su Transferencia, como parte del Plan
Estatal de Investigación Científica, Técnica y de Innovación 2021-2023.
Ministerio de Ciencia, Innovación y Universidades. Agencia Estatal de
Investigación. 2024-2027.
Conflicto de interés
Los autores declaran no
tener ningún conflicto de interés.
Referencias
Acosta, D.R. (2024). Potential of artificial
intelligence in textual cohesion, grammatical precision, and clarity in
scientific writing. LatIA,
(2), 26. https://doi.org/10.62486/latia2024110
Aladini, A., Ismail,
S.M., Khasawneh, M.A.S., & Shakibaei,
G. (2025). Self-directed writing development across computer/AI-based tasks: Unraveling the traces on L2 writing outcomes, growth
mindfulness, and grammatical knowledge. Computers
in Human Behavior Reports, 17, 100566. https://doi.org/10.1016/j.chbr.2024.100566
Amo Sánchez-Fortún, J.M., & Domínguez-Oller, J.C.
(2024). Análisis sistémico de la alfabetización
discursiva en las prácticas académicas situadas: La escritura hipertextual en
trabajos de fin de grado. Revista de
Educación a Distancia (RED), 24(77).
https://doi.org/10.6018/red.574881
Ayuso-del P.D., &
Gutiérrez-Esteban, P. (2022). La Inteligencia Artificial como recurso educativo
durante la formación inicial del profesorado. RIED-Revista Iberoamericana de Educación a Distancia, 25(2), 347-358. https://doi.org/10.5944/ried.25.2.32332
Biber, D. & Gray, B. (2010). Challenging
stereotypes about academic writing: Complexity, elaboration, explicitness. Journal of English for Academic Purposes, 9(1),
2–20. https://doi.org/10.1016/j.jeap.2010.01.001
Carlino, P. (2013). Alfabetización académica: un
cambio necesario, algunas tensiones inevitables y ciertas estrategias posibles.
Educación en Contexto, 1(1), 1–15.
Casheekar, A., Lahiri,
A., Rath, K., Sanjay Prabhakar,
K.S. & Srinivasan, K. (2024). A contemporary review on chatbots, AI-powered
virtual conversational agents, ChatGPT: Applications, open challenges and
future research directions. Computer Science
Review, 52. https://doi.org/10.1016/j.cosrev.2024.100632
Cassany, D. & Castelló, M. (2010). Escribir y comunicar en contextos
científicos y académicos. Graó.
Ciaccio, E.J. (2023). Use of artificial intelligence
in scientific paper writing. Informatics
in Medicine Unlocked, 41, 101253. https://doi.org/10.1016/j.imu.2023.101253
Cohen, J. (1988). Statistical
power analysis for the behavioral science.
Lawrence Erlbaum Associates.
Creswell, J.W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods
Approaches. SAGE Publications.
Dabis, A., & Csáki, C. (2024). AI and ethics:
Investigating the first policy responses of higher education institutions to
the challenge of generative AI. Humanities
and Social Sciences Communications, 11(1),
1-13. https://doi.org/10.1057/s41599-024-03526-z
Dergaa, I., Chamari, K., Zmijewski, P. & Saad, H. B.
(2023). From human writing to artificial intelligence generated text: examining
the prospects and potential threats of ChatGPT in academic writing. Biology of sport, 40(2), 615-622. https://doi.org/10.5114/biolsport.2023.125623
Díaz-Cuevas, A. P. & Rodríguez-Herrera, J. (2024).
Usos de la inteligencia artificial en la
escritura académica: experiencias de estudiantes universitarios en 2023. Cuaderno de Pedagogía Universitaria, 21(42),
25-44. https://doi.org/10.29197/cpu.v21i42.595
Fathi, J. & Rahimi,
M. (2024). Utilising artificial intelligence-enhanced writing
mediation to develop academic writing skills in EFL learners: a qualitative
study. Computer Assisted Language
Learning, 1 40. https://doi.org/10.1080/09588221.2024.2374772
Fiorillo, L. (2024). Confronting the demonization of
AI writing: Reevaluating its role in upholding scientific integrity. Oral Oncology Reports, 12, 100685. https://doi.org/10.1016/j.oor.2024.100685
García-Peñalvo, F.J. (2024). Inteligencia artificial generativa y
educación: Un análisis desde múltiples perspectivas. Education in the Knowledge Society (EKS), 25, e31942-e31942. https://doi.org/10.14201/eks.31942
García-Peñalvo, F. J.,
Llorens-Largo, F. & Vidal, J. (2024). La nueva realidad de la educación
ante los avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9-39. https://doi.org/10.5944/ried.27.1.37716
Goulart, L., Matte, M. L., Mendoza, A., Alvarado,
L. & Veloso, I. (2024). AI or student writing? Analyzing
the situational and linguistic characteristics of undergraduate student writing
and AI-generated assignments. Journal of
Second Language Writing, 66, 101160. https://doi.org/10.1016/j.jslw.2024.101160
Huang, J., & Teng, M. F. (2025). Peer feedback and
ChatGPT-generated feedback on Japanese EFL students’ engagement in a foreign
language writing context. Digital Applied Linguistics, 2, 102469-102469. https://doi.org/10.29140/dal.v2.102469
Jin, F., Lin, C.H. & Lai, C. (2025). Modeling AI-assisted
writing: How self-regulated learning influences writing outcomes. Computers in Human Behavior,
165, 108538. https://doi.org/10.1016/j.chb.2024.108538
Khalifa, M. & Albadawy,
M. (2024). Using artificial intelligence in academic writing and
research: An essential productivity tool. Computer
Methods and Programs in Biomedicine Update, 5, 100145. https://doi.org/10.1016/j.cmpbup.2024.100145
Kress, G. & Van Leeuwen, T. (2020). Reading
images: The grammar of visual design. Routledge.
McKinley, J. (2013). Displaying critical thinking in
EFL academic writing: A discussion of Japanese to English contrastive rhetoric.
The East Asian Journal of Applied
Linguistics, 3(2), 133–157. https://doi.org/10.1075/eajal.3.2.04mck
Ou, A. W., Khuder, B.,
Franzetti, S., & Negretti, R. (2024).
Conceptualising and cultivating critical GAI literacy in doctoral academic
writing. Journal of Second Language
Writing, 66, Article 101156. https://doi.org/10.1016/j.jslw.2024.101156
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The Artificial Intelligence Assessment
Scale (AIAS): A framework for ethical integration of generative AI in
educational assessment. Journal of
University Teaching and Learning Practice, 21(06).
Pigg, S. (2024). Research writing with ChatGPT: A
descriptive embodied practice framework. Computers
and Composition, 71, 102830. https://doi.org/10.1016/j.compcom.2024.102830
Román-Acosta, D. D. (2023). Más allá de las palabras: Inteligencia
artificial en la escritura académica. Escritura
Creativa, 4(2), 36–43.
Shadish, W.R., Cook, T.D.,
& Campbell, D.T. (2002). Experimental
and Quasi-Experimental Designs for Generalized Causal Inference. Houghton
Mifflin.
Su, Y., Lin, Y. & Lai, C. (2023). Collaborating with
ChatGPT in argumentative writing classrooms. Assessing Writing, 57, 100752. https://doi.org/10.1016/j.asw.2023.100752
Teng, M.F. (2024). Metacognitive awareness and EFL
learners’ perceptions and experiences in utilizing ChatGPT for writing
feedback. European Journal of Education,
60, 1-16. https://doi.org/10.1111/ejed.12811
Trochim, W.M.K. (2006). Research Methods: The Essential Knowledge Base. Cengage Learning.
Walter, Y. (2024). Embracing the future of artificial
intelligence in the classroom: The relevance of AI literacy, prompt
engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21(15). https://doi.org/10.1186/s41239-024-00448-3
Wang, C., Wang, H., Li, Y., Dai, J., Gu, X., & Yu,
T. (2024). Factors influencing university students’ behavioral
intention to use GenAI: Integrating the theory of planned behavior
and AI literacy. International Journal of
Human–Computer Interaction, 1-23. https://doi.org/10.1080/10447318.2024.2383033
Wise, B., Emerson, L., Van Luyn, A., Dyson, B., Bjork,
C. & Thomas, S.E. (2024). A scholarly dialogue: writing scholarship,
authorship, academic integrity and the challenges of AI. Higher Education Research & Development, 43(3), 578-590. https://doi.org/10.1080/07294360.2023.2280195