Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
845
Artículo Cientíco
Evaluación formativa mediada por inteligencia artificial
generativa en Educación General Básica.
Formative Assessment Mediated by Generative Artificial Intelligence in Basic
General Educatio.n
Sánchez-Vásquez, María Cristina
1
; Sánchez-Vásquez, María Eugenia
2
; Sánchez-Sánchez,
Diana Katerine
3
; Vera-Vera, Ney Agustin
4
.
1
U. E. Juan Antonio Vergara Alcívar; Ecuador, Portoviejo; https://orcid.org/0009-
0001-7062-3639; mariac.sanchez@docentes.educacion.edu.ec
2
U. E. Soberanía Esmeraldeña; Ecuador, La Concordia; https://orcid.org/0009-0004-
8686-1860; eugesanchez523@gmail.com
3
Escuela de Educación Básica San Eloy; Ecuador, Portoviejo;
https://orcid.org/0009-0001-9178-0756;
diana.sanchez@docentes.educacion.edu.ec
4
Universidad Técnica de Manabí; Ecuador, Junín; https://orcid.org/0009-0008-3594-
3128; nvera0129@utm.edu.ec
1
Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n2/318
Resumen: La evaluación formativa mediada por inteligencia artificial generativa
constituye un campo emergente en Educación General Básica, debido a su potencial
para fortalecer la retroalimentación, la personalización del aprendizaje y la toma de
decisiones docentes. Este estudio tuvo como objetivo analizar la producción científica
reciente sobre sus aportes pedagógicos, riesgos éticos y condiciones de
implementación. Se desarrolló una revisión bibliográfica documental, descriptiva-
analítica y cualitativa, basada en 17 estudios publicados entre 2021 y 2026,
organizados en una matriz de 12 campos. Los resultados evidenciaron que la IA
generativa puede apoyar la retroalimentación inmediata, el diseño de rúbricas, la
identificación de dificultades y la autorregulación estudiantil, siempre que exista
mediación docente. Se concluye que su valor formativo no depende de la
automatización, sino de su integración crítica, ética y pedagógicamente orientada.
Palabras clave: evaluación formativa; inteligencia artificial generativa; Educación
General Básica; retroalimentación; mediación docente.
Abstract: Formative assessment mediated by generative artificial intelligence
constitutes an emerging field in Basic General Education because of its potential to
strengthen feedback, learning personalization, and teachers’ decision-making. This
study aimed to analyze recent scientific production on its pedagogical contributions,
ethical risks, and implementation conditions. A documentary, descriptive-analytical,
and qualitative literature review was conducted, based on 17 studies published
between 2021 and 2026 and organized through a 12-field documentary matrix. The
findings showed that generative AI can support immediate feedback, rubric design,
identification of learning difficulties, and student self-regulation, provided that teacher
mediation is maintained. It is concluded that its formative value does not depend on
automation itself, but on its critical, ethical, and pedagogically guided integration into
teaching and assessment practices.
Keywords: formative assessment; generative artificial intelligence; Basic General
Education; feedback; teacher mediation
Cita: Sánchez-Vásquez, M. C.,
Sánchez-Vásquez, M. E.,
Sánchez-Sánchez, D. K., & Vera-
Vera, N. A. (2026). Evaluación
formativa mediada por inteligencia
artificial generativa en Educación
General Básica. Innova Science
Journal, 4(2), 845-
856. https://doi.org/10.63618/omd
/isj/v4/n2/318
Recibido: 20/12/2025
Aceptado: 20/04/2026
Publicado: 30/04/2026
Copyright: © 2026 por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional. (CC
BY-NC).
(https://creativecommons.org/lice
nses/by-nc/4.0/)
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
846
Artículo Cientíco
1. Introducción
La educación contemporánea se encuentra en una etapa de transición pedagógica
marcada por la expansión de tecnologías inteligentes, plataformas adaptativas y
sistemas capaces de generar texto, retroalimentación y recursos didácticos en tiempo
real. En este escenario, la inteligencia artificial generativa deja de ser un asunto
exclusivamente técnico y empieza a ubicarse en el centro de las decisiones educativas,
especialmente cuando se vincula con la enseñanza, la evaluación y el acompañamiento
del aprendizaje. Kasneci et al. (2023) sostienen que los grandes modelos de lenguaje
abren posibilidades para personalizar contenidos, apoyar la interacción educativa y
ampliar los recursos disponibles para docentes y estudiantes; sin embargo, también
advierten que su uso exige alfabetización crítica, criterios éticos y comprensión de sus
límites. Esta tensión convierte a la inteligencia artificial generativa en un campo
pertinente para la investigación educativa actual, no por su novedad tecnológica, sino
por su capacidad de reconfigurar prácticas pedagógicas sensibles.
Desde una mirada amplia, la evaluación constituye uno de los núcleos más decisivos
del proceso educativo, porque permite reconocer avances, dificultades, ritmos y
necesidades de aprendizaje. En particular, la evaluación formativa adquiere relevancia
porque no se orienta únicamente a calificar resultados, sino a producir evidencias útiles
para mejorar la enseñanza y apoyar la autorregulación del estudiante. Xuan et al. (2022)
identifican que la evaluación formativa tiene efectos positivos, aunque moderados, en el
rendimiento lector de estudiantes K-12, y subrayan que su efectividad depende de
factores como la diferenciación pedagógica, la participación del estudiante y la
adaptación cultural de las estrategias. En la misma línea, Sortwell et al. (2024) muestran
que la evaluación formativa en educación básica y secundaria presenta efectos
favorables sobre el aprendizaje, aunque con variaciones según el tipo de intervención,
la calidad metodológica y el contexto de aplicación.
El vínculo entre evaluación formativa e inteligencia artificial se fortalece porque ambas
dimensiones convergen en un mismo punto: la necesidad de generar retroalimentación
oportuna, comprensible y accionable. Swiecki et al. (2022) plantean que las prácticas
tradicionales de evaluación suelen ofrecer fotografías parciales del desempeño
estudiantil, por lo que la inteligencia artificial puede contribuir a construir miradas más
continuas, contextualizadas y adaptativas del aprendizaje. No obstante, Hopfenbeck et
al. (2023) precisan que la inteligencia artificial no debe reemplazar las prácticas
docentes de evaluación formativa, sino facilitar procesos como la retroalimentación, la
autoevaluación, la coevaluación y el uso pedagógico de evidencias. Esta afirmación es
clave para el presente estudio, porque sitúa la mediación tecnológica dentro de una
lógica pedagógica, no dentro de una lógica de sustitución profesional.
En un nivel más específico, la inteligencia artificial generativa introduce nuevas
posibilidades para la Educación General Básica, al permitir la elaboración de
comentarios personalizados, preguntas orientadoras, rúbricas, ejemplos graduados,
reformulación de instrucciones y apoyos diferenciados según niveles de desempeño.
Alfarwan (2025) señala que la investigación sobre inteligencia artificial generativa en
educación K-12 aún se encuentra en consolidación y requiere más evidencia sobre usos
reales en el aula, más allá de percepciones generales o debates abstractos. Lin y Tan
(2025), por su parte, describen la inteligencia artificial generativa en K-12 como un
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
847
Artículo Cientíco
sistema donde objetivos, actividades, roles y resultados educativos evolucionan de
manera interdependiente. Esta lectura resulta especialmente útil para Educación
General Básica, porque el aprendizaje escolar no depende solo del acceso a una
herramienta, sino de cómo el docente organiza la tarea, interpreta la respuesta generada
y acompaña la mejora del estudiante.
A pesar de sus posibilidades, el uso de inteligencia artificial generativa en evaluación
formativa plantea un problema científico relevante: todavía no existe suficiente claridad
sobre las condiciones pedagógicas, éticas y metodológicas que permiten convertir la
retroalimentación automatizada en una experiencia realmente formativa. Farrokhnia et
al. (2024) advierten que ChatGPT y herramientas similares ofrecen oportunidades
educativas, pero también presentan amenazas relacionadas con la comprensión
limitada del contexto, la integridad académica, la discriminación algorítmica y la
reducción de habilidades cognitivas superiores. Tlili et al. (2023) también muestran que
el entusiasmo por los chatbots educativos convive con preocupaciones sobre precisión,
dependencia, sesgos y uso acrítico de la información. Por ello, el problema no consiste
únicamente en saber si la inteligencia artificial generativa “sirve” para evaluar, sino en
determinar cuándo, cómo, con qué criterios y bajo qué supervisión docente puede
aportar a una evaluación formativa justa, contextualizada y pedagógicamente válida.
La pertinencia de este estudio se justifica en la necesidad de revisar críticamente la
literatura reciente para evitar dos extremos igualmente débiles: la adopción acrítica de
la inteligencia artificial como solución automática y el rechazo absoluto que desconoce
sus usos pedagógicos emergentes. Zhang et al. (2026) reconocen que la inteligencia
artificial generativa puede favorecer el rendimiento académico, la motivación y la
personalización del aprendizaje en K-12, pero también advierten riesgos vinculados con
contenidos erróneos, dependencia tecnológica, dificultades de comprensión y
privacidad. Maksimchuk et al. (2025) refuerzan esta perspectiva al sostener que la
inteligencia artificial generativa puede apoyar la evaluación formativa en K-12 mediante
retroalimentación y aplicaciones prácticas, siempre que se mantenga el juicio docente y
un sistema equilibrado de evaluación. En consecuencia, una revisión bibliográfica sobre
este tema permite ordenar evidencias, identificar vacíos y proponer criterios para una
integración responsable en Educación General Básica.
El presente trabajo tiene como objetivo principal analizar la producción científica reciente
sobre la evaluación formativa mediada por inteligencia artificial generativa en Educación
General Básica, con énfasis en sus aportes pedagógicos, riesgos éticos y condiciones
de implementación docente. Se parte del supuesto de que la inteligencia artificial
generativa puede enriquecer la evaluación formativa cuando se emplea como mediación
orientada a mejorar la retroalimentación, la autorregulación y la toma de decisiones
pedagógicas; no obstante, su valor educativo depende de la calidad de los criterios de
evaluación, de la supervisión profesional del docente y de la protección de principios
como equidad, transparencia, privacidad y pertinencia contextual. Así, esta revisión no
busca celebrar la tecnología, sino comprender críticamente su lugar dentro de una
evaluación que sigue siendo, ante todo, una práctica humana de acompañamiento,
mejora y justicia educativa.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
848
Artículo Cientíco
2. Materiales y Métodos
La investigación se desarrolló bajo un diseño documental, de tipo revisión bibliográfica,
nivel descriptivo-analítico y modalidad cualitativa, orientado a examinar la producción
científica reciente sobre evaluación formativa mediada por inteligencia artificial
generativa en Educación General Básica. El estudio se apoyó en un procedimiento de
búsqueda, selección y síntesis inspirado en las recomendaciones de transparencia de
la declaración PRISMA 2020, propuesta por Page et al. (2021), debido a que este
protocolo permitió organizar con mayor claridad las fases de identificación, cribado,
elegibilidad e inclusión de documentos. Para delimitar el campo de análisis, se utilizaron
como descriptores principales las expresiones: “evaluación formativa”, “formative
assessment”, “inteligencia artificial generativa”, “generative artificial intelligence”,
“ChatGPT”, “large language models”, “Educación General Básica”, “basic education” y
“K-12 education”. La búsqueda se realizó en bases académicas y repositorios de amplia
circulación científica, como Scopus, Web of Science, ERIC, SciELO, Redalyc, Google
Scholar y bases editoriales de acceso abierto, considerando que la literatura reciente
reconoce el crecimiento acelerado de investigaciones sobre IA generativa en educación
K-12, aunque con vacíos todavía visibles en prácticas reales de aula y evaluación
formativa.
La población documental estuvo conformada por artículos científicos, revisiones
sistemáticas, revisiones bibliográficas, capítulos académicos y documentos
especializados publicados entre 2021 y 2026, en idioma español, inglés o portugués,
relacionados con inteligencia artificial generativa, evaluación formativa,
retroalimentación, autorregulación del aprendizaje y educación básica. Se incluyeron
estudios que abordaron de manera explícita el uso pedagógico de herramientas
generativas en contextos escolares, procesos de retroalimentación, diseño de rúbricas,
acompañamiento docente, personalización del aprendizaje o análisis ético de la IA en
educación. Se excluyeron documentos centrados exclusivamente en educación
superior, textos de opinión sin respaldo metodológico, publicaciones duplicadas,
trabajos sin acceso al resumen o al texto completo, estudios sobre inteligencia artificial
no generativa y documentos que trataron la evaluación únicamente desde una
perspectiva sumativa o estandarizada. También se eliminaron registros que, luego de la
lectura del título, resumen y palabras clave, no presentaron relación directa con el
problema científico del estudio. Esta delimitación resultó pertinente porque
investigaciones recientes, como las de Maksimchuk et al. (2025), han señalado que la
IA generativa puede apoyar la evaluación formativa en K-12 mediante retroalimentación,
diseño de tareas y acompañamiento del aprendizaje, pero siempre con mediación
docente y criterios éticos claros.
El procedimiento metodológico se organizó en cinco fases: primero, se definieron las
palabras clave y ecuaciones de búsqueda mediante operadores booleanos; segundo,
se identificaron los documentos disponibles en las bases seleccionadas; tercero, se
realizó una depuración inicial por año, idioma, tipo de publicación y pertinencia temática;
cuarto, se efectuó una lectura analítica de los textos seleccionados; y quinto, se
sistematizó la información en una matriz documental con campos referidos a autor, año,
país o contexto, objetivo, metodología, nivel educativo, relación con la evaluación
formativa, uso de IA generativa, principales hallazgos, riesgos señalados y aporte al
presente estudio. El análisis se realizó mediante codificación temática, agrupando los
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
849
Artículo Cientíco
aportes en tres categorías centrales: contribuciones pedagógicas, riesgos éticos y
condiciones de implementación docente. En cuanto a los aspectos éticos, no se trabajó
con seres humanos, datos sensibles ni intervención directa en instituciones educativas;
por tanto, no se requirió consentimiento informado ni autorización institucional. Sin
embargo, se respetaron los principios de integridad académica, citación responsable,
trazabilidad de fuentes y uso transparente de la información, especialmente porque la
literatura reciente advierte que la IA generativa en educación requiere atención a la
privacidad, dependencia tecnológica, precisión de la información y protección del juicio
profesional docente.
3. Resultados
Esta sección puede dividirse por subtítulos. Debe proporcionar una descripción concisEl
análisis documental permitió identificar 17 estudios publicados entre 2021 y 2026 que
aportaron evidencia directa o complementaria sobre la evaluación formativa mediada
por inteligencia artificial generativa en Educación General Básica. El corpus
seleccionado integró revisiones sistemáticas, metaanálisis, artículos empíricos, estudios
conceptuales y trabajos de reflexión académica. La evidencia mostró que el tema se
encontró en una fase de consolidación, debido a que la evaluación formativa ya contaba
con una base empírica sólida en K-12, mientras que la inteligencia artificial generativa
apareció como una mediación emergente que todavía requería criterios pedagógicos,
éticos y metodológicos más precisos. Xuan et al. (2022), Yao et al. (2024) y Sortwell et
al. (2024) confirmaron la relevancia de la evaluación formativa en el aprendizaje escolar,
mientras que Alfarwan (2025), Zhang et al. (2026) y Martin et al. (2024) ubicaron la
inteligencia artificial como un campo de expansión reciente dentro de la educación K-
12.
3.1. Caracterización del corpus documental revisado
La revisión permitió agrupar los estudios en cuatro núcleos temáticos: a) investigaciones
sobre evaluación formativa en K-12; b) estudios sobre inteligencia artificial en educación
escolar; c) publicaciones centradas en IA generativa, ChatGPT o modelos de lenguaje;
y d) trabajos que vincularon de forma directa la IA generativa con retroalimentación,
acompañamiento o evaluación formativa. Esta organización permitió reconocer que la
literatura más fuerte no se concentró únicamente en herramientas tecnológicas, sino en
la relación entre retroalimentación, toma de decisiones pedagógicas, autorregulación
del aprendizaje y mediación docente. En este sentido, la matriz compacta permitió
visualizar los aportes centrales de cada documento, como se muestra en la tabla 1.
Tabla 1.
Matriz documental compacta de estudios incluidos sobre evaluación formativa e
inteligencia artificial generativa
Nº
Referencia
abreviada
Contexto/nivel
Diseño o tipo
de estudio
Aporte principal al presente
estudio
1
Maksimchuk
et al. (2025)
K-12
Paper de
congreso
Vinculó directamente IA
generativa y evaluación
formativa, destacando
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
850
Artículo Cientíco
feedback, diseño de tareas y
juicio docente.
2
Meyer et al.
(2024)
Secundaria
Estudio
empírico
Evidenció que el feedback
generado por LLM mejoró
revisión textual, motivación y
emociones positivas.
3
Steiss et al.
(2024)
Escritura escolar
Estudio
comparativo
Comparó feedback humano y
ChatGPT según criterios de
claridad, precisión, tono y
mejora.
4
Cheah et al.
(2025)
K-12
Encuesta
docente
Mostró preparación, prácticas
y barreras de docentes para
integrar IA generativa.
5
Alfarwan
(2025)
K-12
Revisión
sistemática
Identificó usos, impactos y
vacíos de la IA generativa en
educación escolar.
6
Zhang et al.
(2026)
K-12
Revisión
sistemática
Sistematizó tendencias,
beneficios y desafíos de la IA
generativa en educación K-12.
7
Martin et al.
(2024)
K-12
Revisión
sistemática
Delimitó aplicaciones de IA en
aprendizaje, evaluación,
enseñanza y analítica escolar.
8
Crompton y
Burke (2024)
Educación general
Revisión
sistemática
Analizó usos educativos de
ChatGPT y sus desafíos para
docentes y estudiantes.
9
Kasneci et al.
(2023)
Educación general
Artículo
conceptual
Explicó oportunidades y
riesgos de los grandes
modelos de lenguaje en
educación.
10
Luckin et al.
(2022)
Formación docente
Artículo
conceptual
Fundamentó la preparación
docente para comprender y
usar IA con sentido educativo.
11
Xuan et al.
(2022)
K-12
Metaanálisis
Confirmó efecto positivo,
aunque moderado, de la
evaluación formativa en
lectura.
12
Yao et al.
(2024)
K-12
Metaanálisis
Confirmó la utilidad de la
evaluación formativa en el
rendimiento académico
escolar.
13
Sortwell et al.
(2024)
K-12
Revisión de
metaanálisis
Mostró efectos positivos
variables de la evaluación
formativa en el aprendizaje.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
851
Artículo Cientíco
14
Proaño
Sánchez et al.
(2025)
Educación básica
Revisión
sistemática
Aportó evidencia en español
sobre IA generativa,
competencias y escenarios
interdisciplinarios.
15
Chiluisa
Aimara et al.
(2025)
Ecuador/Educación
básica
Artículo
aplicado
Relacionó IA, retroalimentación
en tiempo real y progreso
académico en educación
básica.
16
Trujillo
Casadiego
(2024)
Aula escolar
Artículo de
reflexión
Analizó ChatGPT como apoyo
para retroalimentación
personalizada y autonomía
estudiantil.
17
Zapata-Ros
(2024)
Iberoamérica
Artículo
teórico
Problematizó la IA generativa
como reto para la evaluación y
la pedagogía.
Nota: Elaborado por los autores
En la tabla 1 se observó que la producción científica revisada no presentó una
distribución homogénea. Los estudios sobre evaluación formativa en K-12 ofrecieron
una base empírica más consolidada, especialmente mediante metaanálisis y revisiones
de metaanálisis, mientras que los estudios sobre inteligencia artificial generativa se
concentraron en revisiones recientes, experiencias iniciales y análisis de oportunidades
y riesgos. Este resultado indicó que el campo todavía se encontraba en una etapa de
transición: existía claridad sobre la importancia de evaluar formativamente, pero la
mediación con IA generativa aún necesitaba más estudios empíricos en Educación
General Básica, especialmente en contextos latinoamericanos.
3.2. Aportes pedagógicos identificados
Los resultados mostraron que el aporte pedagógico más recurrente de la inteligencia
artificial generativa se relacionó con la retroalimentación inmediata, personalizada y
orientada a la mejora. Meyer et al. (2024) reportaron que el feedback generado por
modelos de lenguaje incrementó el desempeño en revisión textual, la motivación hacia
la tarea y las emociones positivas en estudiantes de secundaria; este hallazgo resultó
relevante porque la evaluación formativa dependió, en gran medida, de que el estudiante
recibiera información comprensible para mejorar su producción. Steiss et al. (2024)
también evidenciaron que ChatGPT pudo producir retroalimentación formativa valorable
cuando se evaluó con criterios como claridad, precisión, tono de apoyo y orientación a
la mejora.
Otro resultado relevante fue que la IA generativa amplió las posibilidades de apoyo al
docente en tareas asociadas con la evaluación: generación de preguntas, construcción
de rúbricas, identificación de errores frecuentes, adaptación de instrucciones y
elaboración de comentarios diferenciados. Maksimchuk et al. (2025) destacaron que la
IA generativa pudo fortalecer prácticas de evaluación formativa en K-12 siempre que se
conservara el juicio docente y un sistema equilibrado de evaluación. De forma
complementaria, Trujillo (2024) señaló que ChatGPT favoreció la retroalimentación
personalizada, la identificación de patrones de error y la autonomía del estudiante; sin
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
852
Artículo Cientíco
embargo, este aporte se interpretó como mediación pedagógica y no como sustitución
del acompañamiento humano.
3.3. Riesgos, límites y tensiones éticas
El análisis también permitió identificar riesgos que condicionaron el valor educativo de
la inteligencia artificial generativa. Entre los más frecuentes se encontraron la
producción de respuestas incorrectas, los sesgos algorítmicos, la dependencia
tecnológica, la privacidad de datos, el plagio, la reducción del pensamiento crítico y la
posibilidad de que la retroalimentación automatizada se aceptara sin revisión docente.
Kasneci et al. (2023) advirtieron que los grandes modelos de lenguaje ofrecieron
beneficios para personalización e interacción educativa, pero exigieron nuevas
alfabetizaciones para comprender sus límites. Farrokhnia et al. (2024) añadieron que
ChatGPT presentó fortalezas como respuestas personalizadas y en tiempo real, aunque
también amenazas asociadas con exactitud, integridad académica y uso acrítico.
En los estudios revisados en español se repitió una preocupación similar: la IA
generativa podía enriquecer el aprendizaje, pero su incorporación en educación básica
exigía infraestructura, formación docente, criterios éticos y acompañamiento
institucional. Proaño et al. (2025) identificaron oportunidades para el desarrollo de
competencias cognitivas e interdisciplinarias, aunque también señalaron cuestiones
éticas emergentes. Chiluisa et al. (2025) relacionaron la IA con retroalimentación en
tiempo real y progreso académico, pero reconocieron desafíos vinculados con
infraestructura y capacitación. Estos hallazgos resultaron importantes porque
conectaron el debate global con realidades educativas más cercanas a América Latina
y Ecuador.
3.4. Condiciones de implementación docente
Los resultados evidenciaron que la mediación docente fue la condición más importante
para que la IA generativa aportara a la evaluación formativa. Cheah et al. (2025)
mostraron que la integración cotidiana de GenAI en K-12 todavía presentó barreras
relacionadas con preparación, prácticas docentes y contexto escolar. Luckin et al. (2022)
reforzaron esta idea al plantear que la preparación para la IA no consistió solo en
aprender herramientas, sino en desarrollar una comprensión contextualizada de la
tecnología, sus usos y sus efectos en profesiones concretas. Por ello, la evidencia
revisada sugirió que el docente necesitó actuar como diseñador de criterios, curador de
respuestas, intérprete de evidencias y garante ético del proceso evaluativo.
La síntesis de resultados permitió establecer que la IA generativa tuvo mayor valor
cuando se integró en una secuencia evaluativa clara: definición de criterios de logro,
recolección de evidencias, generación de retroalimentación, revisión docente,
participación del estudiante y ajuste de la enseñanza. Hopfenbeck et al. (2023)
sostuvieron que la IA podía apoyar la evaluación formativa a escala, especialmente en
el aula, pero este apoyo debía comprenderse dentro de prácticas pedagógicas
responsables. En consecuencia, el resultado central de la revisión fue que la IA
generativa no funcionó como una solución autónoma para evaluar mejor, sino como una
mediación que dependió de la calidad de los criterios, de la supervisión docente y de la
participación activa del estudiante.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
853
Artículo Cientíco
En conjunto, los resultados respondieron al objetivo del estudio al mostrar que la
evaluación formativa mediada por inteligencia artificial generativa en Educación General
Básica se configuró como un campo promisorio, pero todavía inestable en términos de
evidencia empírica específica. La literatura revisada permitió sostener que sus
principales aportes se ubicaron en la retroalimentación personalizada, la eficiencia
docente, la detección temprana de dificultades y el fortalecimiento de la autorregulación;
mientras que sus límites se asociaron con sesgos, privacidad, dependencia,
desigualdad de acceso y pérdida de profundidad pedagógica. Así, el hallazgo integrador
fue que la IA generativa solo adquirió valor formativo cuando se subordinó a una
intención pedagógica clara, humanizada y éticamente supervisada.
4. Discusión
Los resultados de esta revisión confirman que la evaluación formativa mediada por
inteligencia artificial generativa constituye un campo pertinente, pero todavía en
consolidación dentro de la Educación General Básica. La evidencia revisada permite
interpretar que la fortaleza del tema no reside únicamente en la novedad tecnológica,
sino en su relación con un problema pedagógico persistente: cómo ofrecer
retroalimentación oportuna, comprensible y útil para mejorar el aprendizaje. En este
sentido, Xuan et al. (2022) y Yao et al. (2024) sostienen que la evaluación formativa
tiene efectos positivos en el aprendizaje K-12, aunque estos varían según la calidad de
la intervención, el contexto y la forma en que el docente utiliza la evidencia. De manera
complementaria, Sortwell et al. (2024) muestran que los efectos de la evaluación
formativa pueden ser favorables, pero no deben interpretarse de forma automática ni
homogénea. Estos antecedentes permiten valorar los hallazgos del presente estudio
con prudencia: la IA generativa no crea por sí misma una evaluación más formativa; su
aporte aparece cuando fortalece procesos ya pedagógicamente intencionados, como la
retroalimentación, la revisión de errores, la autoevaluación y el ajuste de la enseñanza.
En relación con la hipótesis de trabajo, los resultados respaldan la idea de que la
inteligencia artificial generativa puede enriquecer la evaluación formativa cuando
funciona como mediación docente y no como reemplazo del criterio profesional. Meyer
et al. (2024) evidencian que la retroalimentación generada por modelos de lenguaje
puede aumentar la revisión textual, la motivación y las emociones positivas de
estudiantes de secundaria; Steiss et al. (2024) también muestran que ChatGPT puede
producir retroalimentación formativa valorable cuando se analiza según criterios de
claridad, precisión, orientación a la mejora y tono de apoyo. Sin embargo, Hopfenbeck
et al. (2023) advierten que la IA debe facilitar, no sustituir, las prácticas docentes de
evaluación formativa, mientras que Maksimchuk et al. (2025) insisten en la importancia
del juicio docente y de sistemas evaluativos equilibrados. Desde esta perspectiva, el
alcance del estudio se ubica en una zona crítica: la IA generativa puede ampliar la
frecuencia, variedad y personalización del feedback, pero su calidad formativa depende
de que el docente revise, contextualice y transforme la respuesta automática en una
orientación pedagógica significativa.
Las limitaciones identificadas muestran que la integración de IA generativa en
Educación General Básica todavía enfrenta desafíos importantes de evidencia, ética y
formación docente. Alfarwan (2025) señala que la investigación sobre IA generativa en
K-12 crece con rapidez, pero aún requiere más estudios empíricos situados en aulas
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
854
Artículo Cientíco
reales; Cheah et al. (2025) confirma que la preparación, las prácticas y las barreras
docentes siguen siendo factores decisivos para su implementación. A ello se suman los
riesgos señalados por Kasneci et al. (2023) y Farrokhnia et al. (2024), quienes advierten
sobre sesgos, errores, dependencia tecnológica, integridad académica y necesidad de
alfabetización crítica. Por tanto, las futuras investigaciones deberían avanzar hacia
diseños empíricos, longitudinales y contextualizados en educación básica,
especialmente en América Latina, para examinar cómo la IA generativa afecta la
retroalimentación, la autorregulación, la equidad y la toma de decisiones docentes. En
consecuencia, este estudio aporta una lectura crítica del campo: la IA generativa puede
ser una aliada de la evaluación formativa, pero solo cuando se subordina a criterios
pedagógicos, éticos y humanos claramente definidos.
5. Conclusiones
La revisión bibliográfica permitió cumplir el objetivo de analizar la producción científica
reciente sobre la evaluación formativa mediada por inteligencia artificial generativa en
Educación General Básica, identificando que su valor no depende de la automatización
de la evaluación, sino de su capacidad para ampliar las oportunidades de
retroalimentación, personalización, seguimiento del aprendizaje y apoyo a la toma de
decisiones docentes. Los resultados permiten concluir que la IA generativa puede
convertirse en una mediación pedagógica relevante cuando se integra a procesos
formativos con criterios claros, revisión humana y sentido ético; sin embargo, pierde
valor educativo cuando se utiliza como sustituto del juicio profesional, como corrector
automático o como recurso aislado de la planificación didáctica. El principal aporte de
esta investigación consiste en ordenar críticamente un campo emergente y mostrar que
la evaluación formativa con IA generativa exige una articulación equilibrada entre
tecnología, pedagogía y responsabilidad docente. En consecuencia, la Educación
General Básica requiere avanzar hacia modelos de implementación donde la IA apoye
la retroalimentación inmediata, la autorregulación estudiantil y la identificación temprana
de dificultades, sin debilitar la interacción humana que sostiene el aprendizaje escolar.
Esta conclusión reafirma que la innovación evaluativa no se legitima por el uso de
herramientas avanzadas, sino por su contribución real a una enseñanza más justa,
contextualizada y orientada a la mejora continua.
Referencias Bibliográficas
Alfarwan, A. (2025). Generative AI use in K-12 education: A systematic review. Frontiers
in Education, 10. https://doi.org/10.3389/feduc.2025.1647573
Cheah, Y. H., Lu, J., y Kim, J. (2025). Integrating generative artificial intelligence in K-12
education: Examining teachers’ preparedness, practices, and barriers. Computers
and Education: Artificial Intelligence, 8, 100363.
https://doi.org/10.1016/j.caeai.2025.100363
Chiluisa-Aimara, M. S., Castro-Campos, N. G., Garzón-Paredes, E. A., y Núñez-Gordon,
B. I. (2025). Inteligencia artificial en la evaluación formativa de la educación básica:
Estrategias para mejorar el progreso académico de los estudiantes. Polo del
Conocimiento, 10(4), 680–697. https://doi.org/10.23857/pc.v10i4.9340
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
855
Artículo Cientíco
Crompton, H., y Burke, D. (2024). The Educational Affordances and Challenges of
ChatGPT: State of the Field. TechTrends, 68(2), 380–392.
https://doi.org/10.1007/s11528-024-00939-0
Farrokhnia, M., Banihashem, S. K., Noroozi, O., y Wals, A. (2024). A SWOT analysis of
ChatGPT: Implications for educational practice and research. Innovations in
Education and Teaching International, 61(3), 460–474.
https://doi.org/10.1080/14703297.2023.2195846
Hopfenbeck, T. N., Zhang, Z., Sun, S. Z., Robertson, P., y McGrane, J. A. (2023).
Challenges and opportunities for classroom-based formative assessment and AI: A
perspective article. Frontiers in Education, 8.
https://doi.org/10.3389/feduc.2023.1270700
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F.,
Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G.,
Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., …
Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large
language models for education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Lin, X., y Tan, H. (2025). A Systematic Review of Generative AI in K–12: Mapping Goals,
Activities, Roles, and Outcomes via the 3P Model. Systems, 13(10).
https://doi.org/10.3390/systems13100840
Luckin, R., Cukurova, M., Kent, C., y du Boulay, B. (2022). Empowering educators to be
AI-ready. Computers and Education: Artificial Intelligence, 3, 100076.
https://doi.org/10.1016/j.caeai.2022.100076
Maksimchuk, M., Roeber, E., y Store, D. (2025). Generative AI in the K–12 Formative
Assessment Process: Enhancing Feedback in the Classroom. En J. Wilson, C.
Ormerod, y M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in
Measurement and Education Conference (AIME-Con): Full Papers (pp. 107–110).
National Council on Measurement in Education (NCME).
https://aclanthology.org/2025.aimecon-main.12/
Martin, F., Zhuang, M., y Schaefer, D. (2024). Systematic review of research on artificial
intelligence in K-12 education (2017–2022). Computers and Education: Artificial
Intelligence, 6, 100195. https://doi.org/10.1016/j.caeai.2023.100195
Meyer, J., Jansen, T., Schiller, R., Liebenow, L. W., Steinbach, M., Horbach, A., y
Fleckenstein, J. (2024). Using LLMs to bring evidence-based feedback into the
classroom: AI-generated feedback increases secondary students’ text revision,
motivation, and positive emotions. Computers and Education: Artificial Intelligence,
6, 100199. https://doi.org/10.1016/j.caeai.2023.100199
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C.
D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson,
E., McDonald, S., … Alonso-Fernández, S. (2021). Declaración PRISMA 2020: Una
guía actualizada para la publicación de revisiones sistemáticas. Revista Española
de Cardiología, 74(9), 790–799. https://doi.org/10.1016/j.recesp.2021.06.016
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.02 | Abril – Jun | 2026 |www.innovasciencejournal.omeditorial.com
856
Artículo Cientíco
Proaño-Sánchez, A. Y., Ambuludi-Abrigo, M. G., Román-Laínez, F. R., Córdova-
Vivanco, M. J., y Guaycha-Maza, A. R. (2025). Inteligencia Artificial Generativa en
la Educación Básica: Oportunidades y Consideraciones para el Diseño de
Escenarios Interdisciplinarios. Estudios y Perspectivas Revista Científica y
Académica, 5(2), 1563–1580. https://doi.org/10.61384/r.c.a...v5i2.1226
Sortwell, A., Trimble, K., Ferraz, R., Geelan, D. R., Hine, G., Ramirez-Campillo, R.,
Carter-Thuiller, B., Gkintoni, E., y Xuan, Q. (2024). A Systematic Review of Meta-
Analyses on the Impact of Formative Assessment on K-12 Students’ Learning:
Toward Sustainable Quality Education. Sustainability, 16(17).
https://doi.org/10.3390/su16177826
Steiss, J., Tate, T., Graham, S., Cruz, J., Hebert, M., Wang, J., Moon, Y., Tseng, W.,
Warschauer, M., y Olson, C. B. (2024). Comparing the quality of human and
ChatGPT feedback of students’ writing. Learning and Instruction, 91(101894).
https://doi.org/10.1016/j.learninstruc.2024.101894
Swiecki, Z., Khosravi, H., Chen, G., Martinez-Maldonado, R., Lodge, J. M., Milligan, S.,
Selwyn, N., y Gašević, D. (2022). Assessment in the age of artificial intelligence.
Computers and Education: Artificial Intelligence, 3, 100075.
https://doi.org/10.1016/j.caeai.2022.100075
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., y
Agyemang, B. (2023). What if the devil is my guardian angel: ChatGPT as a case
study of using chatbots in education. Smart Learning Environments, 10(1), 15.
https://doi.org/10.1186/s40561-023-00237-x
Trujillo-Casadiego, H. E. (2024). Inteligencia Artificial en el aula: Transformando la
evaluación formativa con ChatGPT. Revista Universitaria de Informática RUNIN,
(18), 16–21.
Xuan, Q., Cheung, A., y Sun, D. (2022). The effectiveness of formative assessment for
enhancing reading achievement in K-12 classrooms: A meta-analysis. Frontiers in
Psychology, 13. https://doi.org/10.3389/fpsyg.2022.990196
Yao, Y., Amos, M., Snider, K., y Brown, T. (2024). The Impact of Formative Assessment
on K-12 Learning: A Meta-Analysis. Educational Research and Evaluation, 29, 452–
475. https://doi.org/10.1080/13803611.2024.2363831
Zapata-Ros, M. (2024). IA generativa y ChatGPT en Educación: Un reto para la
evaluación y ¿una nueva pedagogía? Revista Paraguaya de Educación a Distancia
(REPED), 5(1), 12–44.
Zhang, T., Lai, Y. C., y Yu, P. L. H. (2026). Generative artificial intelligence in K-12
education: A systematic review. Research and Practice in Technology Enhanced
Learning, 21, 034–034. https://doi.org/10.58459/rptel.2026.21034
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
