Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL GENERATIVA EN EL  
APRENDIZAJE DE PROGRAMACIÓN EN BACHILLERATO  
INTEGRATION OF GENERATIVE ARTIFICIAL INTELLIGENCE IN PROGRAMMING  
LEARNING IN HIGH SCHOOL  
Autores: ¹Ángel Leandro Alcívar Cedeño, ²Julio Ernesto Ramírez y ³Steven Arturo Torres  
Burgos.  
¹ORCID ID: https://orcid.org/0009-0008-0759-3116  
²ORCID ID: https://orcid.org/0000-0002-1064-3275  
3ORCID ID: https://orcid.org/0000-0001-9299-3254  
¹E-mail de contacto: aalcivarc13@unemi.edu.ec  
²E-mail de contacto: jramirezr23@unemi.edu.ec  
³E-mail de contacto: storresb5@unemi.edu.ec  
Afiliación: 1*2*3*Universidad Estatal de Milagro, (Ecuador).  
Artículo recibido: 10 de Agosto del 2026.  
Artículo revisado: 12 de Agosto del 2026.  
Artículo aprobado: 12 de Agosto del 2026.  
¹Ingeniero en Sistemas, graduado de la Universidad Laica Eloy Alfaro de Manabí, (Ecuador).  
²Licenciado en Educación Básica con énfasis en Ciencias Naturales y Educación Ambiental de la UNAC, (Ecuador). Corporación  
Universitaria Adventista, Medellín, Antioquia, (Colombia).  
³Licenciado en Cultura Física, graduado de la Universidad de Guayaquil, (Ecuador). Magíster en Pedagogía de la Cultura Física mención  
Educación Física Inclusiva. Doctor en Educación Física por CECEIX, (México).  
Resumen  
grupo  
experimental  
obtuvo  
puntuaciones  
La irrupción de la inteligencia artificial  
generativa (IAG) en los entornos escolares ha  
planteado interrogantes metodológicas que la  
investigación empírica no ha resuelto todavía  
con suficiencia en el nivel de bachillerato. El  
presente estudio examino el efecto de la  
integración sistemática de herramientas de IAG,  
concretamente ChatGPT y GitHub Copilot,  
sobre el rendimiento en programación, el  
pensamiento computacional, la autoeficacia y la  
motivación intrínseca de estudiantes de segundo  
año de Bachillerato General Unificado de  
unidades educativas particulares de Manta,  
significativamente mayores en el postest de  
programación y en las dimensiones de  
autoeficacia y motivación. El tamaño del efecto  
resulto  
grande  
para  
las  
tres  
variables  
dependientes. Las implicaciones para la  
práctica docente en contextos latinoamericanos  
de educación secundaria privada se analizan a  
la luz de los hallazgos y de la literatura  
internacional reciente.  
Palabras  
clave:  
Inteligencia  
artificial  
generativa,  
Programación,  
Bachillerato,  
Pensamiento computacional, Autoeficacia.  
Ecuador.  
Se  
adopto  
un  
diseño  
Abstract  
cuasiexperimental con grupos intactos, pretest y  
postest, distribuidos en un grupo experimental  
(n = 44) y un grupo de control (n = 42). Durante  
ocho semanas, el grupo experimental recibió  
una propuesta pedagógica que integraba las  
herramientas de IAG en la enseñanza de Python  
y algoritmia; el grupo de control trabajo bajo la  
modalidad instruccional convencional. Los  
instrumentos incluyeron una prueba objetiva de  
The  
emergence  
of  
generative  
artificial  
intelligence (GenAI) in school environments  
has raised methodological questions that  
empirical research has not yet sufficiently  
answered at the high school level. This study  
examined  
integration  
ChatGPT and GitHub Copilot, on programming  
achievement, computational thinking, self-  
efficacy, and intrinsic motivation of second-  
year Bachillerato General Unificado students  
from private educational institutions in Manta,  
Ecuador. A quasi-experimental design with  
intact groups, pretest and posttest, was adopted,  
the  
of  
effect  
GenAI  
of  
the  
systematic  
specifically  
tools,  
programación  
(POPy-25),  
la  
Escala  
de  
Autoeficacia en Programación Computacional  
(APC-16) y el Inventario de Motivación hacia  
las TIC (IMT-18). Los resultados del análisis de  
covarianza (ANCOVA) evidenciaron que el  
Página 727  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
with an experimental group (n = 44) and a  
incluíram um teste objetivo de programação  
(POPy-25), a Escala de Autoeficácia em  
Programação de Computadores (APC-16) e o  
Inventário de Motivação em TIC (IMT-18). Os  
control group (n = 42). Over eight weeks, the  
experimental group received a pedagogical  
proposal integrating GenAI tools in the teaching  
of Python and algorithms; the control group  
worked under the conventional instructional  
modality. Instruments included an objective  
resultados  
da  
análise  
de  
covariância  
grupo  
pontuações  
(ANCOVA)  
experimental  
mostraram  
obteve  
que  
o
programming  
Computational  
Scale (APC-16), and the Motivation Inventory  
toward ICT (IMT-18). ANCOVA results  
showed that the experimental group obtained  
test  
Programming  
(POPy-25),  
the  
significativamente mais altas no pós-teste de  
programação e nas dimensões de autoeficácia e  
motivação. Os tamanhos de efeito foram  
grandes para as três variáveis dependentes. As  
implicações para a prática docente em contextos  
de ensino médio privado na América Latina são  
analisadas à luz desses achados e da literatura  
internacional recente.  
Self-Efficacy  
significantly  
higher  
posttest  
scores  
in  
programming and in the self-efficacy and  
motivation dimensions. Effect sizes were large  
for all three dependent variables. Implications  
for teaching practice in Latin American private  
secondary education contexts are analyzed in  
light of the findings and recent international  
literature.  
Palavras-chave:  
Inteligência  
artificial  
generativa, Programação, Ensino médio,  
Pensamento computacional, Autoeficácia.  
Introducción  
Keywords: Generative artificial intelligence,  
Programming, High school, Computational  
thinking, Self-efficacy.  
La enseñanza de la programación en la  
educación secundaria ha transitado, en las  
últimas dos décadas, desde un espacio  
curricular  
residual  
hasta  
convertirse  
en  
Sumário  
competencia básica en numerosos sistemas  
educativos iberoamericanos. Ecuador no es una  
excepción, el Currículo Nacional vigente para el  
Bachillerato General Unificado incorpora la  
asignatura de Tecnologías de la Información y  
Comunicación como eje obligatorio, con  
contenidos que incluyen fundamentos de lógica  
computacional y escritura de código en  
lenguajes de propósito general. Sin embargo, la  
distancia entre las prescripciones curriculares y  
las practicas efectivas de aula sigue siendo  
considerable, sobre todo en regiones con acceso  
O
surgimento  
da  
inteligência  
artificial  
generativa (IAG) no ambiente escolar tem  
suscitado questões metodológicas que a  
pesquisa  
responder de forma suficiente no nível do  
ensino médio. Este estudo examinou o efeito da  
integração sistemática de ferramentas de IAG  
especificamente, ChatGPT e GitHub Copilot  
sobre o desempenho em programação, o  
pensamento computacional, a autoeficácia e a  
motivação intrínseca de alunos do segundo ano  
empírica  
ainda  
não  
conseguiu  
do  
ensino  
médio  
(Bachillerato  
General  
Unificado) de escolas particulares de Manta,  
Equador. Adotou-se um delineamento quase-  
experimental com grupos intactos, incluindo  
tecnológico  
ecuatoriana.  
heterogéneo  
como  
la  
costa  
pré-testes  
e
pós-testes,  
com  
os  
alunos  
distribuídos em um grupo experimental (n = 44)  
e um grupo de controle (n = 42). Durante um  
período de oito semanas, o grupo experimental  
En ese escenario, la inteligencia artificial  
generativa ha irrumpido como un elemento  
disruptivo que no había sido previsto en los  
diseños curriculares vigentes. Desde noviembre  
de 2022, cuando OpenAI lanzo ChatGPT al  
público general, la conversación sobre el rol de  
seguiu  
uma  
abordagem  
pedagógica que  
integrava ferramentas de IAG ao ensino de  
Python e algoritmos, enquanto o grupo de  
controle seguiu um método de instrução  
convencional.  
Os  
instrumentos  
utilizados  
Página 728  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
la IA en educación se aceleró de manera  
que el material de aprendizaje elaborado con  
ChatGPT puede segmentar a los alumnos en  
grupos de conocimiento segun su desempeño en  
tiempo real, lo que incrementa la motivación y  
la efectividad del aprendizaje. No obstante, la  
propia revisión sistemática de los autores,  
publicada en 2025, concluye que los estudios  
sobre IAG en educación K-12, es decir, en la  
educación primaria y secundaria, representan  
todavía una minoría dentro de la producción  
científica disponible, y que los diseños  
cuasiexperimentales con grupos de control son  
especialmente escasos (Alfarwan, 2025). Esta  
brecha es, precisamente, la que motiva el  
presente estudio.  
inusitada. García et al. (2024) analizaron de  
forma sistemática la producción científica  
surgida en los primeros seis meses tras ese  
lanzamiento y concluyeron que el impacto de  
estas tecnologías en los procesos de enseñanza  
y aprendizaje es ya innegable, aunque  
advirtieron que las posiciones extremas, tanto  
las que magnifican sus bondades como las que  
auguran consecuencias catastróficas para la  
integridad académica, carecen de sustento  
empírico suficiente. Lo que la evidencia va  
consolidando, con mayor precisión, es que el  
efecto de la IAG depende menos de la  
herramienta en sí y más de como el docente la  
integra en la propuesta pedagógica.  
En América Latina, la literatura específica sobre  
IAG y programación en bachillerato es  
incipiente pero creciente. Chávez et al. (2023)  
advirtieron que la brecha entre la disponibilidad  
de herramientas de IAG y la capacidad  
institucional para integrarlas pedagógicamente  
es particularmente aguda en países con sistemas  
En el ámbito especifico de la programación  
informática, los estudios con mayor impacto  
provienen  
de  
contextos  
universitarios  
anglosajones. Denny et al. (2024), en su  
revisión publicada en Communications of the  
ACM,  
documentaron  
de código  
que  
los  
modelos  
resolver  
generativos  
pueden  
educativos  
estratificados.  
Desde  
una  
ejercicios de nivel introductorio con porcentajes  
de acierto que superan a los de muchos  
estudiantes, lo que pone en cuestión los  
enfoques evaluativos tradicionales. En forma  
complementaria, Yilmaz y Karaoglan (2023)  
condujeron un estudio experimental con  
universitarios turcos y demostraron que el uso  
guiado de ChatGPT durante el aprendizaje de  
perspectiva latinoamericana, García et al.  
(2024) analizaron el uso de herramientas de IA  
para la personalización del aprendizaje en  
educación superior ecuatoriana y encontraron  
que, si bien las percepciones de los docentes son  
generalmente favorables, la ausencia de marcos  
metodológicos validados constituye el principal  
obstáculo para una integración efectiva. Este  
hallazgo subraya la necesidad de desarrollar y  
evaluar propuestas pedagógicas concretas,  
diseñadas para el contexto latinoamericano, que  
vayan más allá de las recomendaciones  
generales.  
programación  
significativos  
produce  
en el  
incrementos  
pensamiento  
computacional, la autoeficacia y la motivación.  
Su trabajo es, probablemente, el referente  
experimental más directo que existe hasta la  
fecha sobre el problema que el presente estudio  
aborda en un nivel educativo distinto.  
Jauhiainen y Garagorry (2024) se aproximaron  
al nivel escolar y mostraron, en un experimento  
con 110 estudiantes de primaria finlandeses,  
Alfaro y Porras (2024), trabajando con  
estudiantes de secundaria en Costa Rica,  
identificaron  
que  
la  
mayoría  
utilizaba  
herramientas de IA con fines de apoyo al  
aprendizaje, pero también reportaron tensión  
Página 729  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
entre el uso instrumental de estas herramientas  
metodológicos  
validados  
para  
integrar  
y los dilemas éticos que suscitan, especialmente  
en relación con la autenticidad del trabajo  
académico. Esta tensión no es exclusiva del  
herramientas de IAG de forma que reforzaran  
las habilidades de programación sin sustituir el  
razonamiento algorítmico del estudiante. La  
improvisación y el uso esporádico de ChatGPT  
como buscador sofisticado eran las modalidades  
predominantes. Los estudiantes de segundo año  
de Bachillerato exhiben dificultades recurrentes  
contexto  
latinoamericano,  
aunque  
adopta  
matices particulares en sistemas educativos  
donde la evaluación por competencias convive  
con prácticas de enseñanza todavía muy  
centradas en la transmisión de contenidos. La  
investigación de Alasgarova y Rzayev (2024)  
agrego otro ángulo relevante al demostrar, con  
estudiantes de bachillerato azerbaiyanos, que  
las herramientas de IA pueden modular la  
motivación de los adolescentes de maneras que  
no siempre son predecibles desde los marcos  
teóricos clásicos.  
en  
el  
aprendizaje  
de  
programación,  
particularmente en la depuración de errores, la  
escritura de algoritmos y la comprensión de la  
lógica condicional e iterativa. Estas dificultades  
han sido documentadas en la literatura  
internacional como propias de los aprendices  
novatos, La programación exige un tipo de  
pensamiento abstracto y sistemático que no se  
desarrolla espontáneamente y que requiere  
A nivel metodológico, la mayoría de los  
estudios revisados presentan dos limitaciones  
recurrentes: ausencia de grupo de control y  
dependencia excesiva de instrumentos de  
percepción o encuesta. La revisión sistemática  
de Alfarwan (2025) corrobora que solo una  
fracción de los estudios sobre IAG en educación  
escolar emplearon diseños con pretest y postest,  
lo que dificulta atribuir causalmente los  
cambios observados a la intervención. El  
presente estudio fue diseñado precisamente para  
cubrir ese vacío metodológico.  
exposición  
a
ejemplos,  
retroalimentación  
inmediata y practica guiada. Las herramientas  
de IAG, al menos en teoría, podrían atender esas  
necesidades de forma más personalizada que la  
instrucción magistral tradicional. Sin embargo,  
la pregunta de si lo hacen efectivamente en el  
nivel  
de  
bachillerato,  
bajo  
condiciones  
controladas, carece aún de respuesta empírica  
en el contexto ecuatoriano.  
Se formula el problema en los siguientes  
términos, dado el contexto descrito, existe una  
necesidad no cubierta de evidencia empírica  
rigurosa sobre los efectos de la integración de  
herramientas de IAG en el aprendizaje de  
programación en el bachillerato particular de  
Manta. La pregunta de investigación central es:  
¿cuál es el efecto de la integración sistemática  
de herramientas de IAG, bajo una secuencia  
pedagógica diseñada con criterio metodológico,  
sobre el rendimiento en programación, el  
pensamiento computacional, la autoeficacia y la  
motivación intrínseca de los estudiantes? La  
pertinencia de esta investigación se sostiene en  
tres dimensiones. La primera es teórica: el  
Las unidades educativas particulares de Manta  
operan en un contexto tecnológicamente  
privilegiado dentro del panorama educativo  
ecuatoriano,  
infraestructura  
desarrollada,  
la  
ciudad  
digital  
cuenta  
con  
relativamente  
laboratorios  
colegios  
con  
actualizados y conectividad estable, y una  
comunidad docente con acceso a procesos de  
formación continua en TIC. Pese a estas  
condiciones,  
la  
observación  
sistemática  
realizada por el equipo investigador durante el  
ciclo lectivo 2024-2025 evidencio que los  
docentes de TIC no disponían de marcos  
estudio  
contribuye  
a
caracterizar  
los  
Página 730  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
mecanismos mediante los cuales la IAG  
generativa en el aprendizaje de programación  
de estudiantes de segundo año de Bachillerato  
General Unificado de unidades educativas  
particulares de Manta, durante el periodo  
lectivo 2024-2025. Los objetivos específicos  
interviene en el aprendizaje de programación en  
educación secundaria, un nivel educativo  
subrepresentado en la literatura, tal como lo  
documentaron (Alfarwan, 2025). Al operar en  
un nivel educativo y contexto cultural distintos  
de los estudiados previamente, los resultados  
permiten poner a prueba la transferibilidad de  
los hallazgos existentes y, en su caso, matizarlos  
o enriquecerlos. La segunda dimensión es  
metodológica. El diseño cuasiexperimental con  
pretest y postest aporta evidencia controlada  
que permite atribuir con mayor rigor los  
son:  
(a)  
comparar  
el  
rendimiento  
en  
programación del grupo experimental y el  
grupo de control en el pretest y el postest; (b)  
evaluar el efecto de la intervención sobre el  
pensamiento computacional y la autoeficacia en  
programación; (c) analizar las variaciones en la  
motivación intrínseca hacia la asignatura de  
TIC tras la implementación de la propuesta  
pedagógica; y (d) describir la intervención  
pedagógica desarrollada, de modo que pueda  
ser replicada o adaptada por docentes de  
contextos similares.  
cambios  
observados  
a
la  
intervención  
pedagógica, diferencia sustancial frente a los  
estudios de caso o las encuestas de percepción  
que predominan en la literatura latinoamericana  
sobre IAG y educación. Además, el empleo de  
instrumentos validados y el uso del ANCOVA  
como técnica analítica responden a las  
recomendaciones metodológicas que la propia  
comunidad científica ha formulado para este  
campo emergente.  
Materiales y Métodos  
El estudio adopto un enfoque metodológico  
mixto con predominancia cuantitativa. El  
componente cuantitativo siguió un diseño  
cuasiexperimental  
con  
grupos  
intactos,  
mediciones de pretest y postest, y grupo de  
control no equivalente, en coherencia con los  
esquemas que Hernández y Mendoza (2018)  
denominan como los más adecuados cuando no  
es posible la asignación aleatoria de los  
participantes a los grupos de tratamiento.  
La tercera dimensión es práctica. Los resultados  
del estudio orientan decisiones curriculares e  
institucionales en un contexto donde los  
colegios particulares de Manta han expresado  
interés en actualizar sus prácticas de enseñanza  
de TIC. La secuencia pedagógica evaluada  
puede ser adoptada o adaptada por docentes de  
contextos similares, lo que convierte a la  
investigación en un recurso de transferencia de  
conocimiento aplicable en el corto plazo.  
Gallent et al. (2023) argumentaron que toda  
integración de IAG en educación debe ir  
acompañada de una reflexión explicita sobre  
ética e integridad académica, y el diseño  
adoptado en este estudio incorpora esa  
dimensión como criterio estructural, no como  
apéndice. El objetivo general es determinar el  
efecto de la integración sistemática de  
El  
componente  
cualitativo,  
de  
alcance  
descriptivo y complementario, se ejecutó  
mediante el registro sistemático de las sesiones  
de intervención y la recolección de notas de  
campo, con el propósito de contextualizar la  
interpretación de los datos cuantitativos y  
capturar dinámicas del proceso que los  
instrumentos  
recoger.  
estandarizados  
elección  
no  
podrían  
diseño  
La  
del  
cuasiexperimental responde a razones tanto  
epistémicas como éticas. Desde el punto de  
vista epistémico, cuando el objeto de estudio  
involucra una intervención pedagógica en  
herramientas  
de  
inteligencia  
artificial  
Página 731  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
grupos escolares reales, el control total de las  
suficiencia de horas de exposición para la  
intervención. La población de referencia estuvo  
condiciones del experimento es imposible sin  
alterar artificialmente el entorno natural de  
aprendizaje. Desde el punto de vista ético,  
reasignar estudiantes a grupos distintos de los  
conformada  
por  
todos  
los  
estudiantes  
matriculados en el segundo año de Bachillerato  
General Unificado de las unidades educativas  
particulares de Manta que impartían TIC en el  
quimestre de referencia. Conforme a los  
registros de la Coordinación Zonal de  
Educación 4, el universo estimado era de  
aproximadamente 380 estudiantes distribuidos  
en doce colegios privados.  
que  
habían  
sido  
conformados  
institucionalmente habría perturbado dinámicas  
relacionales y organizativas que la escuela  
había construido durante el año. La decisión de  
optar por grupos intactos fue validada por los  
comités  
de  
revisión  
ética  
de  
las  
tres  
instituciones participantes. Para compensar la  
posible falta de equivalencia inicial entre  
grupos, el pretest fue incorporado como  
covariable en el análisis estadístico posterior,  
siguiendo la lógica del ANCOVA.  
De  
ese  
universo  
dos  
se  
seleccionaron  
que  
intencionalmente  
instituciones  
cumplieron los siguientes criterios de inclusión:  
(a) disponer de laboratorio de computación con  
al menos una computadora por estudiante y  
acceso a internet de banda ancha; (b) contar con  
docentes titulados en informática o TIC con tres  
o más años de experiencia en el nivel; y (c)  
expresar voluntad institucional para participar,  
formalizando su adhesión mediante carta de  
compromiso. Fueron excluidas las instituciones  
que ya tenían implementado algún programa  
formal de uso de IA, a fin de evitar efectos de  
contaminación del tratamiento.  
El horizonte temporal del estudio es transversal  
con medición longitudinal acotada, los datos se  
recogieron en dos momentos, al inicio y al final  
de la intervención, sin seguimiento posterior.  
Esta limitación se reconoce explícitamente y  
orienta una de las recomendaciones para  
investigaciones futuras. El nivel de alcance es  
explicativo, en tanto la combinación de diseño  
controlado y análisis estadístico inferencial  
permite ir más allá de la descripción para  
formular enunciados sobre relaciones causales,  
aunque con las reservas propias de los estudios  
cuasiexperimentales.  
La muestra final quedo integrada por 86  
estudiantes,  
experimental (n = 44) y de control (n = 42). La  
asignación de grupos la condición  
distribuidos  
en  
dos  
grupos:  
a
El estudio se realizó en tres unidades educativas  
particulares de Manta, cantón de la provincia de  
Manabí, durante el segundo quimestre del año  
lectivo 2025-2026, comprendido entre los  
meses de febrero y junio de 2025. Manta es el  
segundo puerto de mayor tráfico comercial del  
experimental o de control se realizó al nivel de  
curso, dos secciones de segundo año, Las  
edades de los participantes oscilaron entre los  
15 y los 17 años. Se obtuvo consentimiento  
informado de todos los participantes y  
autorización parental para los menores de 18  
años, en cumplimiento con los principios éticos  
de la investigación educativa. La Tabla 1  
describe la composición demográfica de ambos  
grupos. El primer instrumento fue la Prueba  
Objetiva de Programación en Python (POPy-  
25), diseñada ad hoc para este estudio con base  
Ecuador  
y
concentra  
una  
proporción  
significativa de colegios privados con nivel  
socioeconómico medio. La asignatura de TIC se  
imparte en todas las instituciones del nivel  
bachillerato con una carga horaria de cuatro  
periodos semanales, lo que garantizo la  
Página 732  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
en los contenidos del currículo nacional de TIC  
original desarrollado y validado por Yilmaz y  
Karaoglan (2023). La adaptación implicó  
traducción directa e inversa y un piloto con 30  
estudiantes de bachillerato de una institución  
ajena a la muestra. Consta de 16 ítems con  
escala Likert de cinco opciones (1 = Totalmente  
en desacuerdo; 5 = Totalmente de acuerdo),  
organizados en dos dimensiones: autoeficacia  
general en programación (8 ítems, p. ej., “Soy  
capaz de resolver un programa en Python  
cuando encuentro un error de lógica”) y  
autoeficacia especifica ante errores de código (8  
ítems, p. ej., “Puedo identificar porque mi  
programa no produce el resultado esperado”).  
El coeficiente alfa de Cronbach del instrumento  
adaptado fue de 0.87 en la prueba piloto y de  
0.85 en la aplicación definitiva.  
de segundo de bachillerato. Consta de 30 ítems  
distribuidos en tres dimensiones: fundamentos  
del lenguaje (10 ítems: tipos de datos, variables,  
operadores), estructuras de control (10 ítems:  
condicionales simples y anidados, bucles for y  
while) y funciones con parámetros (10 ítems:  
definición, argumentos, retorno de valores).  
Cada ítem correcto otorga un punto, con  
puntuación total entre 0 y 30. Los ítems son de  
selección múltiple con cuatro opciones, una de  
las cuales es la correcta.  
Tabla 1. Características demográficas de los  
grupos experimental y de control.  
Grupo  
experimental  
(n=44)  
Grupo de  
control  
(n=42)  
Total  
(n=86)  
Variable  
Edad promedio  
(años)  
15.8  
15.9  
15.85  
Desv. típica edad  
Sexo masculino (%)  
Sexo femenino (%)  
Experiencia previa  
programación (%)  
Dispositivo propio  
en casa (%)  
0.74  
54.5  
45.5  
0.71  
52.4  
47.6  
0.73  
53.5  
46.5  
El tercer instrumento fue el Inventario de  
Motivación hacia las TIC (IMT-18), construido  
para este estudio sobre la base del marco teórico  
de la teoría de la autodeterminación. Contiene  
18 ítems en escala Likert de cinco puntos,  
organizados en tres sub-escalas: motivación  
34.1  
88.6  
61.4  
35.7  
85.7  
59.5  
34.9  
87.2  
60.5  
Uso previo de  
ChatGPT (%)  
Nota. Los datos provienen del cuestionario de caracterización  
aplicado en la primera semana. La experiencia previa en  
programación refiere a haber cursado un taller extracurricular o  
asignatura optativa antes del bachillerato.  
intrínseca  
(6  
ítems,  
p.  
ej.,  
“Practico  
programación porque me resulta interesante en  
si misma”), motivación extrínseca regulada por  
identificación (6 ítems, p. ej., “Aprendo a  
programar porque valoro lo que puede  
aportarme en el futuro”) y motivación  
extrínseca regulada externamente (6 ítems, p.  
ej., “Hago las tareas de TIC para no tener  
problemas con el docente”). La confiabilidad  
global fue de alfa = 0.84. Los tres instrumentos  
se aplicaron en forma digital, a través de la  
plataforma Google Forms, en el pretest y el  
postest. La intervención tuvo una duración de  
ocho semanas efectivas de clase, con una  
frecuencia de cuatro horas semanales en el  
laboratorio de computación, para un total de 32  
Fuente: Elaboración propia.  
El instrumento fue validado mediante juicio de  
tres expertos en informática, siguiendo el  
procedimiento del índice de validez de  
contenido (IVC) propuesto por Lawshe (1975).  
El IVC global obtenido fue de 0.88, por encima  
del umbral de 0.70 recomendado por la  
literatura metodológica. La confiabilidad,  
estimada con el coeficiente KR-20 en una  
prueba piloto con 25 estudiantes ajenos a la  
muestra, fue de 0.81, lo que indica una adecuada  
consistencia interna para pruebas objetivas en  
ciencias  
instrumento fue la Escala de Autoeficacia en  
Programación Computacional (APC-16),  
computacionales.  
El  
segundo  
horas  
de  
contacto  
directo.  
El  
grupo  
experimental siguió una secuencia didáctica  
estructurada en cinco fases cíclicas, exploración  
adaptada al español a partir del instrumento  
Página 733  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
guiada, producción asistida por IAG, revisión  
critica para el éxito de las integraciones  
tecnológicas (Alfarwan, 2025).  
crítica del código generado, enriquecimiento  
autónomo y evaluación formativa. El grupo de  
control recibió instrucción convencional basada  
en exposición docente, ejercicios del libro de  
texto institucional y practicas individuales en el  
IDE IDLE de Python, sin acceso a herramientas  
de IAG.  
En las semanas 1 y 2, los estudiantes del grupo  
experimental  
conocieron  
ChatGPT  
y
aprendieron a formular prompts específicos  
para obtener explicaciones de código Python. El  
docente modelaba el proceso, escribía un  
prompt en la pizarra, mostraba la respuesta de  
la IA y luego guiaba una discusión sobre la  
pertinencia y exactitud de esa respuesta. A  
partir de la semana 3, los estudiantes  
comenzaron a utilizar GitHub Copilot en el IDE  
Ambos grupos fueron instruidos por los mismos  
docentes de planta de cada institución. Todos  
los docentes asistieron a un taller de  
capacitación inicial de ocho horas antes del  
comienzo del estudio; los docentes del grupo  
experimental recibieron un módulo adicional de  
seis horas sobre integración pedagógica de IAG,  
diseñado por el equipo investigador. Este  
módulo incluyó: (a) principios de aprendizaje  
activo con asistentes de código; (b) estrategias  
de cuestionamiento metacognitivo; y (c)  
criterios para diferenciar las tareas evaluadas  
con y sin apoyo de IA. La capacitación docente  
es una variable que la literatura identifica como  
Visual  
Studio  
Code,  
instalado  
en  
los  
laboratorios de las instituciones participantes.  
El docente del grupo experimental pautaba  
ejercicios de complejidad creciente que la IA no  
podía resolver directamente, lo que obligaba a  
los estudiantes a descomponer el problema  
antes de solicitar asistencia. La Tabla 2 describe  
las fases de la intervención y las actividades  
asociadas.  
Tabla 2. Fases de la intervención pedagógica con herramientas de IAG.  
Semana  
Fase  
Actividad principal  
Herramienta IAG  
Introducción a ChatGPT; elaboración de prompts; lectura critica  
de respuestas; sintaxis básica Python  
1-2  
Exploración guiada  
ChatGPT (GPT-4o)  
Escritura de funciones y estructuras de control con sugerencias  
de GitHub Copilot; aceptación selectiva de código  
Identificación de alucinaciones en código generado;  
comparación entre versiones; corrección manual argumentada  
Proyecto integrador individual: programa funcional sin apoyo de  
IAG durante la evaluación  
3-4  
5-6  
7
Producción asistida  
Revisión critica  
GitHub Copilot  
ChatGPT + corrección manual  
Sin herramienta IAG  
Enriquecimiento autónomo  
Evaluación y cierre  
Postest; retroalimentación entre pares; sesión de metacognición  
sobre el proceso de aprendizaje  
Google Forms + debate  
estructurado  
8
Fuente: Elaboración propia.  
El análisis cuantitativo siguió una secuencia de  
cuatro pasos. En primer lugar, se aplicó  
estadística descriptiva para caracterizar las  
distribuciones de las variables en ambos grupos  
y en ambos momentos de medición, reportando  
medias, desviaciones típicas, valores mínimos y  
máximos. En segundo lugar, se evaluó la  
normalidad de las distribuciones con la prueba  
de Shapiro-Wilk, adecuada para el tamaño  
muestral del estudio. La homogeneidad de  
varianzas entre grupos se verifico con la prueba  
de Levene. En tercer lugar, la equivalencia  
inicial entre grupos fue examinada mediante la  
prueba  
t
de  
Student  
para  
muestras  
independientes aplicada a los datos del pretest.  
La técnica central de análisis fue el análisis de  
covarianza  
(ANCOVA),  
donde  
las  
puntuaciones del postest constituyeron la  
Página 734  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
variable dependiente, la condición de grupo  
de categorías verificada por dos investigadores  
de forma independiente, siguiendo el protocolo  
de acuerdo entre codificadores con kappa de  
Cohen (kappa = 0.81).  
(experimental/control) fue el factor fijo y las  
puntuaciones del pretest actuaron como  
covariable. Esta elección permite aislar el efecto  
de la intervención de las diferencias previas  
entre grupos.  
Resultados y Discusión  
La prueba de Shapiro-Wilk no rechazo la  
hipótesis de normalidad para ninguna de las  
variables en ninguno de los grupos (todos los p  
> .05). La prueba de Levene confirmo la  
homogeneidad de varianzas en el pretest para  
las tres variables, rendimiento en programación  
(F(1,84) = 0.43, p = .514), autoeficacia (F(1,84)  
= 0.67, p = .416) y motivación (F (1,84) = 1.12,  
p = .293). Estos resultados validan el uso de  
pruebas paramétricas. La comparación de  
medias de pretest tampoco revelo diferencias  
significativas entre grupos para ninguna de las  
tres variables (todos los p > .40), lo que  
confirma la equivalencia inicial entre el grupo  
experimental y el grupo de control. La Tabla 3  
presenta la estadística descriptiva completa del  
pretest y el postest.  
Se verifico el supuesto de homogeneidad de  
pendientes de regresión, que es el supuesto  
crítico del ANCOVA, calculando la interacción  
entre la covariable y el factor: la interacción no  
resulto significativa en ninguna de las variables  
(todos los p > .10), lo que valida el modelo. El  
tamaño del efecto se estimó con eta cuadrado  
parcial (hp2), con los criterios de Cohen (1988):  
hp2 < 0.06 efecto pequeño, entre 0.06 y 0.14  
efecto mediano, superior a 0.14 efecto grande.  
El poder estadístico se calculó a posteriori con  
el paquete pwr de R. El nivel de significación  
estadística fue de alfa = .05. Para el  
procesamiento de los datos se utilizaron SPSS  
26.0 y R 4.3.0. El análisis cualitativo de los  
registros de observación fue realizado mediante  
codificación temática inductiva, con saturación  
Tabla 3. Estadísticos descriptivos del pretest y el postest por grupo y variable.  
Variable  
Grupo  
Experimental  
Control  
Pre-M  
13.82  
13.64  
48.73  
47.90  
55.41  
54.88  
Pre DE  
Post M  
22.41  
17.12  
66.89  
54.38  
73.16  
61.02  
Post DE  
Ganancia  
+8.59  
d Cohen  
1.14  
--  
Rendimiento  
programación (max=30)  
2.91  
2.76  
2.88  
3.04  
+3.48  
Autoeficacia APC-16  
(max=80)  
Experimental  
Control  
7.14  
6.23  
+18.16  
+6.48  
1.08  
--  
7.31  
7.67  
Motivacion IMT-18  
(max=90)  
Experimental  
Control  
8.02  
7.45  
+17.75  
+6.14  
0.97  
--  
8.17  
8.44  
Fuente: Elaboración propia.  
El ANCOVA mostro un efecto principal  
significativo del grupo sobre el rendimiento en  
programación en el postest, controlando el  
pretest como covariable: F(1,83) = 52.34, p <  
.001, hp2 = .387. El tamaño del efecto es  
fue de 5.22 puntos sobre 30, con un intervalo de  
confianza del 95 % que oscila entre 4.37 y 6.07.  
El poder estadístico a posteriori fue de .99. El  
covariable  
pretest  
presento  
un  
efecto  
significativo sobre el postest (F (1,83) = 28.19,  
p < .001), lo que confirma que las habilidades  
grande.  
La  
media  
ajustada  
del  
grupo  
experimental fue de 22.38 puntos (EE = 0.41)  
frente a 17.16 puntos del grupo de control (EE  
= 0.43). La diferencia entre medias ajustadas  
iniciales  
de  
programación  
predicen  
el  
rendimiento final con independencia del grupo.  
Página 735  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Al desagregar por dimensión de la prueba, las  
(hp2 = .363), lo que resulta coherente con las  
actividades de la intervención, que pusieron  
diferencias fueron significativas en las tres:  
fundamentos del lenguaje (F (1,83) = 31.44, p <  
.001), estructuras de control (F (1,83) = 47.28,  
p < .001) y funciones con parámetros (F (1,83)  
= 38.92, p < .001). La dimensión de estructuras  
de control mostro el mayor tamaño del efecto  
especial  
énfasis  
en  
la  
construcción  
y
verificación de bucles y condicionales. La Tabla  
4 presenta los resultados del ANCOVA para las  
tres variables dependientes.  
Tabla 4. Resultados del ANCOVA para las tres variables dependientes del estudio.  
Variable dependiente  
Rendimiento en programación  
Autoeficacia (APC-16)  
Motivación intrínseca (IMT-  
18)  
SC  
gl  
CM  
F
p
hp2  
.387  
.371  
Poder  
.99  
582.14  
4361.07  
1
582.14  
4361.07  
52.34  
48.89  
< .001  
< .001  
1
.99  
3904.22  
--  
1
1
3904.22  
--  
44.61  
< .001  
Si  
.350  
--  
.99  
--  
Covariable: Pretest  
p < .05  
Fuente: Elaboración propia.  
Respecto a la autoeficacia, los resultados del  
ANCOVA revelaron un efecto principal del  
grupo estadísticamente significativo y de  
tamaño grande: F (1,83) = 48.89, p < .001, hp2  
= .371. La media ajustada del grupo  
experimental en el postest fue de 66.82 puntos  
sobre 80 (EE = 0.94), frente a 54.44 del grupo  
de control (EE = 0.97). Esta diferencia equivale  
a 12.38 puntos, con un intervalo de confianza  
del 95 % entre 10.44 y 14.32 puntos.  
Este resultado puede interpretarse como que el  
grupo experimental desarrollo una mayor  
confianza general en programación, pero que la  
seguridad para afrontar errores específicos, una  
habilidad más sofisticada, requiere exposición  
más prolongada para consolidarse. El propio  
Yilmaz y Karaoglan (2023) señalaron que la  
autoeficacia ante la depuración de código es la  
dimensión que más tiempo requiere para  
desarrollarse bajo apoyo de IAG.  
La motivación intrínseca mostro el segundo  
mayor tamaño del efecto entre las variables  
dependientes: F (1,83) = 44.61, p < .001, hp2 =  
.350. La media ajustada del postest del grupo  
experimental fue de 73.09 puntos sobre 90 (EE  
= 1.14), frente a 61.08 del grupo de control (EE  
= 1.18). De particular importancia es que la sub-  
escalas de motivación extrínseca regulada  
Tabla 5. Ganancias por dimensión en la Escala  
de  
Autoeficacia  
en  
Programación  
Computacional (APC-16),  
Dimensión  
(rango teórico:  
8-40)  
GE  
GE  
GC  
Dif.  
GE-GC  
postest  
Pretest  
M(DE)  
24.31  
Postest  
M(DE)  
42.17  
Postest  
M(DE)  
32.91  
(4.12)  
21.47  
Autoeficacia  
general (8 items)  
Autoeficacia ante  
errores (8 ítems)  
Total, APC-16  
(16 ítems, max =  
80)  
9.26 **  
3.25 *  
(3.72)  
24.42  
(3.41)  
24.72  
(4.01)  
(3.87)  
(4.44)  
externamente  
no  
mostro  
diferencias  
48.73  
(7.14)  
66.89  
(6.23)  
54.38  
(7.67)  
12.51  
**  
significativas entre grupos en el postest ajustado  
(p = .207), lo que indica que la intervención no  
incremento la motivación de tipo instrumental  
ni la dependencia externa de los estudiantes  
hacia las herramientas de IA. La Tabla 6  
presenta las ganancias por sub-escalas. Los  
registros cualitativos de observación revelaron  
patrones de interacción con valor interpretativo  
Nota. GE = grupo experimental; GC = grupo de control. *p < .05;  
**p < .001. Las diferencias se basan en las medias postest  
ajustadas por ANCOVA.  
Fuente: Elaboración propia.  
La dimensión de autoeficacia ante errores  
registro una ganancia inferior a la de  
autoeficacia general, aunque aún significativa.  
Página 736  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
que los datos cuantitativos no capturan de  
contextos universitarios y lo identificaron como  
uno de los riesgos pedagógicos más relevantes  
de la integración no mediada de asistentes de  
código. El presente estudio confirma que el  
patrón se reproduce en el bachillerato y que la  
mediación docente lo puede revertir en un  
tiempo relativamente breve. La fase de revisión  
crítica fue valorada por los propios docentes  
como el momento de mayor complejidad  
cognitiva de toda la secuencia, y fue también el  
que genero mayor participación entre los  
estudiantes. La identificación de alucinaciones,  
es decir, fragmentos de código sintácticamente  
válidos, pero semánticamente incorrectos o  
manera directa. En las sesiones de las semanas  
1 y 2, los estudiantes mostraron alta curiosidad  
hacia ChatGPT, pero tendían a formular  
preguntas amplias y poco específicas. El  
docente del grupo experimental intervino  
sistemáticamente para modelar la elaboración  
de prompts estructurados: en lugar de escribir  
'hazme un programa en Python', el estudiante  
aprende a escribir 'escribe una función Python  
que reciba una lista de números enteros y  
devuelva el promedio.  
Tabla 6. Ganancias por sub-escalas del  
Inventario de Motivación hacia las TIC (IMT-  
18).  
contextualmente  
inadecuados,  
activo  
habilidades de depuración que rara vez emergen  
en la enseñanza convencional de Python a este  
nivel. En las sesiones de cierre reflexivo, varios  
estudiantes manifestaron que aprender a  
GE  
Pretest  
M(DE)  
GE  
Postest  
M(DE)  
GC  
Postest  
M(DE)  
Sub-escalas  
(rango: 6-30)  
p
(ANCOVA)  
Motivación  
intrínseca (6  
ítems)  
Motivación  
identificada  
(6 ítems)  
19.31  
(3.14)  
25.64  
(2.97)  
21.07  
(3.41)  
< .001 **  
.002 **  
desconfiar  
del  
código  
generado  
18.82  
(3.27)  
24.91  
(3.01)  
21.14  
(3.62)  
automáticamente les había ensenado más sobre  
lógica de programación que los ejercicios del  
libro de texto.  
Motivación  
externa (6  
ítems)  
Total, IMT-  
18 (18 ítems,  
max = 90)  
17.28  
(3.41)  
22.61  
(3.14)  
18.81  
(3.77)  
.207 n.s.  
< .001 **  
55.41  
(8.02)  
73.16  
(7.45)  
61.02  
(8.44)  
Esta observación apunta a un efecto pedagógico  
de orden superior que los instrumentos  
cuantitativos no capturan en su totalidad. La  
Tabla 7 sintetiza los principales patrones  
cualitativos observados. Los hallazgos del  
estudio permiten afirmar que la integración  
sistemática de herramientas de IAG, bajo una  
secuencia pedagógica diseñada con criterio  
metodológico, produce ganancias significativas  
y de tamaño grande en el rendimiento de  
programación, la autoeficacia y la motivación  
intrínseca de estudiantes de bachillerato. Esta  
conclusión no es trivial. La revisión sistemática  
de Jauhiainen y Garagorry (2024) mostro que  
las evidencias sobre el impacto de la IAG en  
educación K-12 son heterogéneas, algunos  
estudios reportan beneficios netos, otros no  
encuentran diferencias significativas entre  
grupos, y unos pocos señalan efectos negativos  
Nota. ms. = no significativo. La motivación extrínseca regulada  
externamente no registro diferencias significativas entre grupos en  
el postest, lo que indica que la intervención no incremento la  
motivación instrumental ni la dependencia de herramientas  
externas.  
Fuente: Elaboración propia.  
Este desplazamiento cognitivo, de la solicitud  
vaga a la especificación precisa, es en sí mismo  
un aprendizaje de lógica computacional. Las  
semanas 3 y 4 evidenciaron el patrón que la  
literatura denomina aceptación acrítica, la  
mayoría de los estudiantes aceptaba las  
sugerencias de GitHub Copilot sin leerlas con  
detenimiento. Solo el 38% revisaba el código  
antes de ejecutarlo en la primera sesión de la  
fase, porcentaje que ascendió al 71% en la  
segunda sesión tras la intervención docente  
orientada al cuestionamiento. Denny et al.  
(2024) documentaron este mismo patrón en  
Página 737  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
asociados a la dependencia tecnológica. La  
supera los valores reportados por Yilmaz y  
Karaoglan (2023) en su estudio experimental  
divergencia probablemente no refleja una  
ineficacia inherente de las herramientas, sino la  
heterogeneidad de los diseños de integración y  
la presencia o ausencia de mediación docente  
explicita. La magnitud del efecto obtenido en el  
rendimiento en programación (hp2 = .387)  
con  
universitarios  
turcos,  
aunque  
la  
comparación directa requiere cautela dado que  
los niveles educativos, los idiomas, los  
contenidos de programación y los instrumentos  
difieren entre estudios.  
Tabla 7. Patrones de interacción y hallazgos cualitativos por fase de la intervención.  
Semana  
Patrón predominante  
Desafío docente  
Hallazgo relevante  
Los estudiantes con menor experiencia  
previa mostraron el mayor incremento  
relativo de interés al recibir  
Alta curiosidad; preguntas amplias  
y poco estructuradas hacia el  
chatbot  
Guiar la elaboración de prompts  
específicos y progresivos  
1-2  
retroalimentación inmediata  
El porcentaje de estudiantes que revisaba  
el código antes de ejecutarlo subió del  
38% al 71% entre la sesión 1 y la sesión  
2 de la fase  
Emergencia espontanea de estrategias de  
depuración colaborativa entre pares;  
comparación activa de versiones de  
código  
El 82% de los proyectos finales  
cumplieron los criterios de originalidad;  
el 18% restante requirió revisión y ajuste  
antes de la evaluación  
Aceptación acrítica de sugerencias  
de GitHub Copilot en la primera  
sesión  
Promover el cuestionamiento sistemático  
del código sugerido antes de ejecutarlo  
3-4  
5-6  
7-8  
Mayor disposición al análisis  
crítico; identificación activa de  
errores semánticos  
Gestionar la frustración ante código con  
errores lógicos generados por IA  
Programación autónoma de mayor  
complejidad; transferencia de  
aprendizajes sin apoyo de IAG  
Garantizar la originalidad y autonomía  
de los proyectos finales;  
retroalimentación formativa diferenciada  
Nota. Los porcentajes provienen del conteo sistematizado de observaciones de campo y no constituyen estadísticos inferidos a la población general.  
Los registros fueron codificados por dos investigadores con un acuerdo Inter jueces de kappa = .81.  
Fuente: Elaboración propia.  
Lo que si resulta coherente entre ambos trabajos  
es la dirección del efecto y la relevancia de la  
dimensión computacional: tanto en el contexto  
universitario analizado por dichos autores como  
en el bachillerato, la exposición a herramientas  
de IAG bajo instrucción guiada se asocia con  
mejoras en el pensamiento algorítmico, no solo  
en la capacidad de producir código correcto. La  
diferencia de impacto entre las dimensiones de  
motivación merece interpretación. Que la  
motivación extrínseca regulada externamente  
no mostrara diferencias significativas entre  
grupos en el postest indica que la intervención  
no incremento la dependencia instrumental de  
los estudiantes hacia las herramientas de IA. Al  
contrario, las formas más autónomas de  
motivación, la intrínseca y la identificada,  
ofrecen novedad, competencia percibida e  
internalización del valor de la tarea. Chiu  
(2024), en su agenda de investigación para la  
educación superior con IAG, señala que uno de  
los efectos más prometedores de la integración  
bien diseñada es el incremento de la motivación  
autónoma, y el presente estudio extiende ese  
hallazgo al nivel de bachillerato. El resultado  
sobre autoeficacia ante errores merece atención  
particular. La ganancia del grupo experimental  
fue significativa pero inferior a la de  
autoeficacia general, lo que sugiere que la  
confianza para afrontar errores de código, la  
habilidad de depuración propiamente dicha es la  
dimensión de la autoeficacia que más tiempo  
requiere para consolidarse. Ocho semanas de  
intervención fueron suficientes para producir  
ganancias significativas, pero probablemente  
no para alcanzar el nivel de automaticidad que  
se observaría tras un semestre completo de  
integración. Esta interpretación es coherente  
fueron  
las  
que  
Esta  
se  
incrementaron  
configuración es  
significativamente.  
consistente con lo que predice la teoría de la  
autodeterminación cuando las actividades  
Página 738  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
con la distinción, establecida en la literatura de  
la aceptación pasiva del código generado. En el  
presente estudio, esa dinámica se materializo en  
la fase de revisión crítica, que fue la de mayor  
impacto cualitativo según los registros de  
observación.  
psicología del aprendizaje, entre autoeficacia de  
tarea, que responde rápidamente a los éxitos  
iniciales, y autoeficacia de proceso, que  
requiere exposición sostenida a situaciones de  
dificultad controlada.  
Este resultado converge con la observación de  
Denny et al. (2024) de que el verdadero valor  
pedagógico de los generadores de código reside  
en el proceso de cuestionamiento critico que el  
docente debe provocar, no en la eficiencia con  
que la herramienta resuelve los ejercicios.  
Desde la perspectiva iberoamericana, Gallent et  
al. (2023) señalaron que la ética en el uso de la  
IAG no es un obstáculo para la integración  
tecnológica sino, justamente, una de sus  
condiciones de posibilidad. El diseño de la  
intervención del presente estudio incorporo esa  
Los efectos encontrados en esta investigación  
son consistentes con los patrones reportados por  
estudios en niveles educativos superiores.  
Yilmaz y Karaoglan (2023) encontraron que el  
uso de ChatGPT en un curso universitario de  
programación  
incremento  
el  
pensamiento  
computacional, la autoeficacia y la motivación  
del grupo experimental respecto al de control,  
con tamaños del efecto moderados a grandes.  
La diferencia más notable entre ese estudio y el  
presente es que los estudiantes de bachillerato  
de Manta partían de un nivel de expertise  
considerablemente menor, lo que puede  
explicar en parte las mayores ganancias  
absolutas observadas: los aprendices novatos  
tienen más margen de mejora.  
perspectiva  
desde  
el  
inicio,  
diseñando  
explícitamente las condiciones de uso ético y  
diferenciando las tareas en que el apoyo de la  
IA era esperado de aquellas en que la  
producción autónoma era evaluada.  
Wu y Zhang (2025) en su estudio con 500  
estudiantes de secundaria de Nueva Zelanda,  
encontraron que las aplicaciones de IAG  
producen un efecto sustancial sobre la  
capacidad de innovación (beta = .862) y la  
El hecho de que el 82% de los proyectos finales  
cumpliera los criterios de originalidad validar  
esta opción diseñar como viable y efectiva. El  
estudio presenta limitaciones que deben  
considerarse al interpretar y generalizar los  
resultados. La primera limitación es el tamaño  
muestral moderado, aunque fue suficiente para  
alcanzar un poder estadístico superior al 99%  
dado el tamaño del efecto encontrado, restringe  
literaria  
digital.  
Aunque  
las  
variables  
dependientes difieren de las del presente  
estudio, ambas investigaciones coinciden en  
que el grupo etario del bachillerato, que  
comprende adolescentes entre los 15 y 17 años,  
muestra una capacidad de respuesta a la  
integración de IAG comparable o superior a la  
de estudiantes universitarios, contrariamente a  
lo que algunos autores han sugerido. La  
literatura sobre programación en particular,  
revisada por Denny et al. (2024), también  
muestra que las herramientas de IAG producen  
los mayores beneficios cuando se integran de  
forma que obligan al estudiante a ir más allá de  
la  
generalizabilidad  
a
instituciones  
de  
características socioeconómicas distintas o a  
ciudades con menor dotación tecnológica. La  
segunda limitación es inherente al diseño  
cuasiexperimental con grupos intactos, aunque  
el ANCOVA controlo las diferencias iniciales  
entre grupos a través de las puntuaciones del  
pretest, no es posible descartar por completo la  
influencia de variables no medidas, como el  
efecto del docente especifico, el clima de aula o  
Página 739  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
la historia grupal de cada sección. La tercera  
autónomas de motivación sin potenciar la  
dependencia instrumental indica que es posible  
integrar herramientas de IAG sin sacrificar los  
objetivos de formación crítica y autonomía  
intelectual que son propios del nivel de  
limitación es la duración de la intervención.  
Ocho semanas son suficientes para evaluar  
efectos a corto plazo, pero no garantizan que los  
aprendizajes se consoliden en el tiempo.  
Estudios longitudinales con mediciones de  
seguimiento a tres o seis meses serían  
necesarios para determinar la persistencia de los  
efectos. La cuarta limitación es la restricción  
contextual, la investigación se circunscribe a  
tres unidades educativas particulares de Manta.  
Sus conclusiones no deben extrapolarse  
bachillerato.  
Esta  
conclusión  
desafía  
la  
dicotomía entre uso de IA y aprendizaje  
autentico que permea parte del debate educativo  
contemporáneo y sugiere que la tensión real no  
se ubica en la herramienta sino en el diseño  
pedagógico que la enmarca.  
automáticamente  
a
instituciones  
Para la práctica docente en unidades educativas  
particulares de Manta, la evidencia apunta a que  
fiscomisionales, fiscales o a zonas rurales del  
Ecuador, donde las condiciones de acceso  
tecnológico son distintas. La quinta limitación  
es la posible reactividad al instrumento, algunos  
estudiantes pueden haber respondido los  
cuestionarios de autoeficacia y motivación  
según lo que percibieron como socialmente  
esperado, especialmente en el postest.  
la  
adopción  
de  
marcos  
pedagógicos  
estructurados para la integración de IAG, con  
especial atención a las fases de revisión critica  
y producción autónoma, produce resultados  
superiores a la improvisación o al uso  
esporádico. La formación docente previa a la  
implementación  
operativa que no puede soslayarse: el docente  
que no comprende cómo funciona la  
emerge  
como  
condición  
Conclusiones  
Los hallazgos del presente estudio llevan a  
sostener que la integración sistemática de  
herramienta ni cuáles son sus limitaciones no  
puede guiar a sus estudiantes para que la  
utilicen de forma productiva y ética.  
herramientas  
de  
inteligencia  
artificial  
generativa en la enseñanza de programación,  
cuando se sustenta en una secuencia pedagógica  
que contempla fases de producción critica,  
revisión activa del código y evaluación  
Futuras investigaciones deberían explorar si los  
efectos observados se mantienen en el tiempo  
mediante diseños longitudinales, si se replican  
en instituciones fiscomisionales o fiscales con  
distintos niveles de acceso tecnológico, y si el  
tipo especifico de herramienta de IAG  
empleada, comparando por ejemplo modelos de  
código especializado con modelos de lenguaje  
general, produce diferencias en los resultados.  
La investigación sobre la ética del uso de la IA  
en contextos escolares latinoamericanos sigue  
siendo un campo de producción necesaria y  
urgente que la comunidad académica apenas  
comienza a habitar con la profundidad empírica  
que el tema merece.  
autónoma,  
produce  
efectos  
positivos  
sobre  
y
estadísticamente  
significativos  
el  
rendimiento académico, la autoeficacia y la  
motivación intrínseca de los estudiantes de  
bachillerato. Estos efectos no son consecuencia  
de la mera exposición a la tecnología, sino el  
resultado de una mediación docente deliberada  
que orienta el uso de la IAG hacia el desarrollo  
del pensamiento algorítmico y la autonomía  
cognitiva. La distinción entre motivación  
autónoma y motivación instrumental resulta  
pedagógicamente  
relevante.  
Que  
la  
intervención haya incrementado las formas más  
Página 740  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Referencias Bibliográficas  
Macías, J. (2024). Análisis al uso de  
herramientas de inteligencia artificial para la  
Alasgarova, R., & Rzayev, J. (2024). The role  
of artificial intelligence in shaping high  
school students' motivation. International  
Journal of Technology in Education and  
personalización  
educación superior.  
Multidisciplinar  
del  
aprendizaje  
Revista  
G-ner@ndo,  
en  
la  
Científica  
5(1).  
https://doi.org/10.60100/rcmg.v5i1.214  
García-Peñalvo, F. J., Llorens-Largo, F., &  
Vidal, J. (2024). La nueva realidad de la  
educación ante los avances de la inteligencia  
Science,  
8(2),  
311–324.  
https://doi.org/10.46328/ijtes.553  
Alfaro-Salas, H., & Porras, J. A. D. (2024).  
Percepciones y aplicaciones de la IA entre  
estudiantes de secundaria. Revista Docentes  
artificial  
generativa.  
RIED.  
Revista  
Iberoamericana de Educación a Distancia,  
2.0,  
17(1),  
200–215.  
27(1),  
9–39.  
https://doi.org/10.37843/rted.v17i1.458  
Alfarwan, A. (2025). Generative AI use in K–  
12 education: A systematic review. Frontiers  
https://doi.org/10.5944/ried.27.1.37716  
Hernández-Sampieri, R., & Mendoza, C. P.  
(2018). Metodología de la investigación: Las  
rutas cuantitativa, cualitativa y mixta.  
McGraw-Hill.  
in  
Education,  
10,  
1647573.  
https://doi.org/10.3389/feduc.2025.1647573  
Chávez, M. E., Labrada, E., Carbajal, E.,  
Jauhiainen, J. S., & Garagorry Guerra, A.  
(2024). Generative AI and education:  
Dynamic personalization of pupils' school  
learning material with ChatGPT. Frontiers in  
Pineda, E., &  
Inteligencia  
fortalecer la educación superior. LATAM  
Revista Latinoamericana de Ciencias  
Alatristre, Y.  
generativa  
(2023).  
para  
artificial  
Education,  
9,  
1288723.  
Sociales y Humanidades, 4(3), 767–784.  
https://doi.org/10.3389/feduc.2024.1288723  
Lawshe, C. H. (1975). A quantitative approach  
to content validity. Personnel Psychology,  
https://doi.org/10.56712/latam.v4i3.1113  
Chiu,  
T.  
K.  
(2024).  
Future  
research  
recommendations for transforming higher  
education with generative AI. Computers and  
Education: Artificial Intelligence, 6, 100197.  
https://doi.org/10.1016/j.caeai.2023.100197  
Cohen, J. (1988). Statistical power analysis for  
the behavioral sciences (2nd ed.). Lawrence  
Erlbaum Associates.  
Denny, P., Prather, J., Becker, B. A., Finnie-  
Ansley, J., Hellas, A., Leinonen, J., Luxton-  
Reilly, A., Reeves, B. N., Santos, E. A., &  
Sarsa, S. (2024). Computing education in the  
era of generative AI. Communications of the  
28(4),  
563–575.  
https://doi.org/10.1111/j.1744-  
6570.1975.tb01393.x  
Wu, D., & Zhang, J. (2025). Generative  
artificial intelligence in secondary education:  
Applications and  
innovation skills and digital literacy. PLOS  
ONE, 20(5), e0323349.  
effects  
on students’  
https://doi.org/10.1371/journal.pone.032334  
9
Yilmaz, R., & Karaoğlan Yilmaz, F. G. (2023).  
The effect of generative artificial intelligence  
ACM,  
67(2),  
56–67.  
(AI)-based  
tool  
use  
on  
students'  
https://doi.org/10.1145/3624720  
computational thinking skills, programming  
self-efficacy and motivation. Computers and  
Education: Artificial Intelligence, 4, 100147.  
https://doi.org/10.1016/j.caeai.2023.100147  
Gallent-Torres, C., Zapata-González, A., &  
Ortego-Hernando, J. L. (2023). El impacto de  
la inteligencia artificial generativa en  
educación superior: Una mirada desde la  
ética y la integridad académica. RELIEVE.  
Revista Electrónica de Investigación y  
Esta obra está bajo una licencia de  
Creative Commons Reconocimiento-No Comercial  
4.0 Internacional. Copyright © Ángel Leandro  
Alcívar Cedeño, Julio Ernesto Ramírez, Steven  
Arturo Torres Burgos.  
Evaluación  
Educativa,  
29(2).  
https://doi.org/10.30827/relieve.v29i2.29134  
García Caicedo, S., Reyes Vélez, N., Solórzano  
Zambrano, A., Quiñónez Godoy, N., & Vega  
Página 741  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Declaraciones éticas y editoriales del artículo  
Contribución de los autores (Taxonomía CRediT)  
Ángel Leandro Alcívar Cedeño: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de  
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.  
Julio Ernesto Ramírez: curación y organización de los datos, participación en la recolección de información, validación de los resultados obtenidos y  
elaboración de representaciones gráficas y visualización de los datos.  
Steven Arturo Torres Burgos: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los  
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.  
Declaración de conflicto de intereses  
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del  
presente artículo.  
Declaración de financiamiento  
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de  
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.  
Declaración del editor  
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia  
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la  
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo  
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.  
Declaración de los revisores  
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,  
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus  
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.  
Declaración ética de la investigación  
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad  
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse  
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.  
Declaración sobre el uso de inteligencia artificial  
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción  
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la  
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito  
ni sustituyen la responsabilidad académica de los investigadores.  
Disponibilidad de datos  
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las  
normas éticas y de confidencialidad establecidas por la investigación.  
Página 742