Inteligencia Artificial generativa como herramienta de retroalimentación del aprendizaje: revisión integrativa de evidencia, oportunidades y desafíos
Authors:
- Cristian Alexander Herrera CevallosCCCristian Alexander Herrera Cevallos
- Karen Paola Quiñónez ValenciaKVKaren Paola Quiñónez Valencia
- Jenny Antonieta Méndez VivarJVJenny Antonieta Méndez Vivar
- Luis Alexander Cabezas GallegosLGLuis Alexander Cabezas Gallegos
- Irina Jacqueline Carvajal AlcívarIAIrina Jacqueline Carvajal Alcívar
Open Access
- 1 July 2026
- journal article
- Published by Center and Development of Research Projects in Ciencia Interdisciplinaria Internacional
- Vol. 4 (3) , 1297-1311
Abstract
La incorporación de la Inteligencia Artificial generativa (IAGen) en educación ha generado una transformación progresiva en las prácticas de enseñanza, aprendizaje y evaluación, particularmente en aquellas actividades que requieren interacción continua, revisión de productos y retroalimentación formativa. En este contexto, los modelos de lenguaje de gran escala han adquirido relevancia debido a su capacidad para analizar producciones académicas y proporcionar respuestas personalizadas en tiempo reducido. El objetivo de este artículo fue analizar críticamente la evidencia disponible sobre el uso de Inteligencia Artificial generativa como herramienta de retroalimentación del aprendizaje, con énfasis en sus efectos sobre el desempeño académico, la revisión de producciones, la autorregulación y la calidad de la retroalimentación. Se desarrolló una revisión integrativa de literatura científica reciente, complementada con revisiones sistemáticas, metaanálisis y documentos internacionales sobre el uso educativo de la IA generativa. La síntesis evidencia resultados favorables, aunque heterogéneos. La investigación reciente muestra que la IAGen puede contribuir a mejorar la calidad de las revisiones, la precisión lingüística, la productividad escrita, la participación y determinados resultados de aprendizaje. Un metaanálisis de 68 estudios reportó un efecto positivo global de magnitud moderada sobre los resultados de aprendizaje (SMD = 0,45; IC95 % [0,43; 0,47]), acompañado de elevada heterogeneidad (I² = 95 %). Paralelamente, revisiones específicas sobre retroalimentación mediante modelos de lenguaje señalan que la IA presenta mayores fortalezas en identificación de errores y aspectos estructurales, mientras que la retroalimentación docente mantiene ventajas en cuestiones de argumentación, contextualización, priorización de mejoras y orientación dialógica. Se concluye que la IAGen posee mayor valor educativo cuando funciona como mecanismo complementario dentro de un modelo de retroalimentación híbrida, en el que la tecnología aporta inmediatez, disponibilidad y capacidad de iteración, mientras que el docente conserva la responsabilidad de contextualizar, validar y profundizar el proceso de aprendizaje.Keywords
This publication has 8 references indexed in Scilit:
- Large language models for formative feedback in writing instruction: a systematic review of classroom interventions, feedback quality, and student outcomesFrontiers in Education, 2026
- Mapping the landscape of AI-driven feedback in education: a scoping reviewFrontiers in Education, 2026
- LLM-generated formative feedback in education: A qualitative systematic literature reviewComputers and Education Open, 2026
- Effect of generative artificial intelligence on university students learning outcomes: A systematic review and meta-analysisEducational Research Review, 2025
- The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studiesEducational Research Review, 2025
- The impact of ChatGPT feedback on the development of EFL students’ writing skillsCogent Education, 2024
- The PRISMA 2020 statement: an updated guideline for reporting systematic reviewsBMJ, 2021
- The Power of FeedbackReview of Educational Research, 2007