125
REVISTA ECUATORIANA DE DESARROLLO
SOCIAL Y AMBIENTAL
Julio - Septiembre, 2026 | Vol. 1 | Núm. 3
ISSN: 3151-8303
La evaluación educativa ecuatoriana ante la inteligencia articial
generativa: Desafíos para la autenticidad del aprendizaje
Ecuadorian Educational Assessment in the Face of Generative Articial
Intelligence: Challenges for Learning Authenticity
1
Henry Fabricio Carrillo Chacón
Investigador independiente; Salcedo - Ecuador;
henry_carrillo@outlook.es
https://orcid.org/0009-
0008-9897-8168
2
Fátima Lourdes Vega Barberán
Investigadora independiente; Santo Domingo - Ecuador;
fatilour1695@gmail.com
https://orcid.org/0009-
0007-1800-3436
3
Diego Alexander Cevallos Torres
Investigador independiente; Latacunga - Ecuador;
diegocevallos2026@gmail.com
https://orcid.org/ 0009-
0008-3961-6984
4
María Lorena Torres Meza
Investigador independiente; Latacunga - Ecuador;
lorenatorres2026t@gmail.com
https://orcid.org/0009-
0000-5795-3433
Enviado: 21/07/2026 Aceptado: 29/07/2026 Publicado: 31/07/2026
Tipo de Investigación: Artículo de revisión Páginas: 125 - 142
DOI: https://doi.org/10.66646/redsa-2026/xx5c4v36
Conicto de Intereses Ninguno que declarar.
Correspondecia: Henry Fabricio Carrillo Chacón
Investigador independiente; Salcedo - Ecuador;
henry_carrillo@outlook.es
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
126
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
RESUMEN
La expansión de la inteligencia articial generativa desafía la capacidad de las evaluaciones tradicionales
para acreditar la autoría, la comprensión y el razonamiento del estudiantado. El objetivo fue analizar
los desafíos que estas tecnologías plantean a la autenticidad del aprendizaje en la evaluación educativa
ecuatoriana y derivar orientaciones pedagógicas compatibles con la normativa nacional. Se realizó una
revisión integrativa con búsqueda sistematizada y análisis documental normativo. El corpus conservado
por el equipo autoral reunió 30 documentos académicos, institucionales y normativos, seleccionados
de 130 registros mediante criterios explícitos de pertinencia, actualidad y acceso al texto completo. La
información se codicó temáticamente en seis categorías. Los resultados muestran que las tareas centradas
exclusivamente en productos nales son especialmente vulnerables a la delegación cognitiva; que los
detectores automáticos no ofrecen evidencia suciente para atribuir autoría; y que la respuesta pedagógica
más consistente combina trazabilidad del proceso, desempeño situado, diálogo oral, retroalimentación
y declaración transparente del uso de inteligencia articial. La normativa ecuatoriana proporciona bases
formativas y contextualizadas para este rediseño, aunque la literatura disponible no permite describir la
frecuencia real de tales prácticas en las instituciones del país. Se concluye que la autenticidad no depende
de prohibir toda asistencia tecnológica, sino de alinear el nivel de ayuda permitido con los resultados de
aprendizaje y de recoger evidencias complementarias del proceso y del desempeño.
Palabras clave:
inteligencia articial generativa; evaluación educativa; evaluación auténtica; integridad académica;
evaluación formativa; alfabetización en inteligencia articial.
ABSTRACT
The expansion of generative articial intelligence challenges the capacity of traditional assessment to
establish student authorship, understanding, and reasoning. This study analyzed the challenges these
technologies pose to learning authenticity in Ecuadorian educational assessment and derived pedagogical
guidelines consistent with national regulations. An integrative review with a systematized search and
normative document analysis was conducted. The corpus preserved by the authors comprised 30
academic, institutional, and regulatory documents selected from 130 records using explicit criteria of
relevance, recency, and full-text availability. The evidence was coded into six thematic categories. Results
show that tasks focused exclusively on nal products are particularly vulnerable to cognitive delegation;
automated detectors do not provide sucient evidence to attribute authorship; and the most consistent
pedagogical response combines process traceability, situated performance, oral dialogue, feedback,
and transparent disclosure of articial-intelligence use. Ecuadorian regulations provide formative and
contextual foundations for this redesign, although available literature does not establish how frequently
these practices occur in the country’s institutions. Learning authenticity therefore depends less on
prohibiting all technological assistance than on aligning permitted assistance with learning outcomes and
collecting complementary evidence of process and performance.
Keywords:
generative articial intelligence; educational assessment; authentic assessment; academic integrity;
formative assessment; articial intelligence literacy.
127
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
INTRODUCCIÓN
La inteligencia articial generativa (IAG) modicó
las condiciones bajo las cuales se producen textos,
imágenes, códigos, explicaciones y soluciones
académicas. A diferencia de herramientas digitales
orientadas principalmente a recuperar o presentar
información, los grandes modelos de lenguaje
pueden generar productos completos a partir
de instrucciones breves. Esta capacidad amplía
las oportunidades de apoyo, personalización
y retroalimentación, pero también debilita la
inferencia tradicional según la cual un producto
bien elaborado demuestra, por sí mismo, que
quien lo entrega domina el conocimiento evaluado
(Kasneci et al., 2023; Lo, 2023; Tlili et al., 2023).
El problema central no es la mera presencia de
una tecnología, sino la validez de la inferencia
evaluativa. Una calicación es defendible cuando
la evidencia recogida representa el aprendizaje
que se pretende valorar. Si una herramienta puede
redactar un ensayo, resolver un cuestionario o
elaborar una síntesis sin que el estudiante explique
las decisiones tomadas, el producto nal deja de
ser una evidencia suciente de comprensión.
La cuestión relevante pasa de preguntar si hubo
uso de IA a determinar qué parte del desempeño
corresponde al estudiante, qué asistencia estaba
autorizada y qué evidencias adicionales permiten
sostener el juicio docente.
La literatura reciente identica una tensión doble.
Por una parte, la IAG puede ofrecer explicaciones
adaptadas, ejemplos, retroalimentación preliminar
y apoyo a la ideación. Por otra, puede producir
información falsa, reproducir sesgos, facilitar
la delegación del esfuerzo intelectual y generar
incertidumbre sobre la autoría (Chan & Hu, 2023;
Crompton & Burke, 2023; UNESCO, 2023). Por
ello, los enfoques centrados únicamente en la
prohibición resultan insucientes: no distinguen
entre apoyo legítimo y sustitución cognitiva,
son difíciles de aplicar fuera del aula y pueden
desplazar el debate pedagógico hacia una vigilancia
técnicamente frágil.
La detección automática tampoco resuelve el
problema. Los clasicadores de texto generado por
IA han mostrado variaciones de desempeño, falsos
positivos y sesgos contra escritores no nativos de
inglés (Liang et al., 2023; Weber-Wul et al., 2023).
En consecuencia, una puntuación emitida por un
detector no debería tratarse como prueba autónoma
de falta académica. Una respuesta institucional
proporcional requiere evidencias múltiples, debido
proceso, diálogo con el estudiante y tareas cuyo
diseño haga visible el aprendizaje.
Estas transformaciones reactivan debates previos
sobre evaluación formativa y auténtica. La
evaluación formativa utiliza la evidencia para
ajustar la enseñanza y ayudar al estudiante a
cerrar la distancia entre su desempeño actual y el
esperado (Black & Wiliam, 1998; Sadler, 1989).
La evaluación auténtica, por su parte, demanda
desempeños intelectualmente signicativos,
contextualizados y semejantes a los usos reales
del conocimiento (Gulikers et al., 2004; Wiggins,
1990). Ambas perspectivas desplazan la atención
desde el producto aislado hacia la calidad del
proceso, el juicio, la aplicación y la capacidad de
explicar.
La validez constituye un criterio decisivo para
comprender el problema. Evaluar implica
interpretar una muestra de actuación y utilizarla
para formular una conclusión sobre conocimientos
128
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
o capacidades que no pueden observarse de manera
total. Esa conclusión pierde solidez cuando factores
ajenos al aprendizaje objetivo explican una parte
sustancial del resultado. En una tarea de escritura
autónoma, por ejemplo, la generación automática
del texto introduce una fuente de varianza que
impide saber si la organización, el vocabulario y
la argumentación proceden del estudiante. En una
actividad destinada a evaluar el análisis crítico de
respuestas de IA, en cambio, emplear la herramienta
forma parte legítima de la competencia. La misma
tecnología puede, por tanto, invalidar una tarea o
constituir su objeto de evaluación.
La autenticidad tampoco debe confundirse
con la ausencia de tecnología. En las prácticas
profesionales contemporáneas se utilizan
buscadores, correctores, traductores, sistemas de
análisis y asistentes generativos. Una evaluación
auténtica puede incorporar estas herramientas
cuando el propósito es valorar la capacidad de
seleccionar, vericar, adaptar y justicar sus
resultados. Lo indispensable es que la ayuda
disponible no oculte la competencia evaluada. De
ahí la necesidad de describir el nivel de asistencia
autorizado y de establecer qué decisiones deben
permanecer bajo control del estudiante.
En este artículo se utiliza el concepto de delegación
cognitiva para describir la transferencia a un sistema
automatizado de operaciones intelectuales que la
actividad pretendía desarrollar o comprobar. La
delegación no es necesariamente negativa: liberar
tareas rutinarias puede permitir mayor atención
a problemas complejos. Se vuelve problemática
cuando reemplaza la práctica deliberada necesaria
para aprender, cuando impide atribuir el desempeño
o cuando el estudiante acepta resultados sin
vericarlos. La diferencia entre apoyo y sustitución
depende del objetivo, del momento formativo, del
grado de control y de la capacidad para explicar y
corregir el producto.
La trazabilidad se entiende como la posibilidad de
reconstruir razonablemente cómo se elaboró una
respuesta. No exige vigilancia permanente ni al-
macenamiento invasivo de cada interacción. Puede
lograrse mediante propuestas iniciales, borradores,
decisiones comentadas, fuentes consultadas, ver-
siones sucesivas y una declaración breve de her-
ramientas empleadas. Su nalidad es pedagógica:
ofrecer al estudiante oportunidades para reexion-
ar sobre su proceso y al docente evidencia para ret-
roalimentarlo. Cuando se convierte en vigilancia
indiscriminada, la trazabilidad puede afectar la pri-
vacidad y deteriorar la conanza educativa.
En Ecuador, el marco educativo concibe la
evaluación como un proceso continuo orientado
a observar, valorar, registrar y retroalimentar el
aprendizaje. El Instructivo de evaluación estudiantil
plantea actividades contextualizadas, pertinentes
y exibles, mientras que la Ley Orgánica de
Educación Intercultural y su Reglamento sostienen
principios de calidad, inclusión y atención a las
necesidades del estudiantado (Asamblea Nacional
del Ecuador, 2021; Ministerio de Educación del
Ecuador, 2022; Presidencia de la República del
Ecuador, 2023). Estas disposiciones ofrecen un
punto de apoyo para rediseñar la evaluación ante
la IAG, aunque por sí solas no demuestran cómo
evalúan efectivamente todas las instituciones del
país.
La brecha entre orientación normativa y práctica
constituye, por tanto, una pregunta empírica aún
abierta. Gran parte de la evidencia sobre IAG
y evaluación proviene de educación superior
129
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
y de contextos internacionales (Bittle & El-
Gayar, 2025; Xia et al., 2024). Sus hallazgos son
conceptualmente útiles para educación básica y
bachillerato, pero su transferencia debe realizarse
con cautela debido a diferencias de edad,
autonomía, acceso tecnológico, formación docente
y regulación institucional.
A partir de este problema, el objetivo general fue
analizar los desafíos que plantea la inteligencia
articial generativa a la autenticidad del aprendizaje
en la evaluación educativa ecuatoriana, mediante
una revisión integrativa de literatura y normativa.
Los objetivos especícos fueron:
a. identicar los aportes teóricos y empíricos
sobre IAG y evaluación;
b. examinar los riesgos para la autoría, la
integridad y la validez de las evidencias;
c. relacionar la evaluación formativa y auténtica
con la normativa ecuatoriana; y
d. proponer orientaciones pedagógicas
aplicables y vericables. La pregunta
orientadora fue: ¿qué desafíos plantea la
IAG a la autenticidad del aprendizaje y
qué criterios pueden guiar el rediseño de la
evaluación educativa ecuatoriana?
METODOLOGÍA
Se desarrolló una revisión integrativa con búsqueda
sistematizada y análisis documental normativo.
Esta denominación reconoce que el corpus
combinó estudios empíricos, revisiones, propuestas
conceptuales, documentos institucionales y
normativa, por lo que no correspondía aplicar
un metaanálisis ni atribuir homogeneidad
metodológica a las fuentes. La revisión integrativa
permite reunir evidencia heterogénea para
construir explicaciones y orientaciones, siempre
que se expliciten la selección, extracción y
síntesis (Snyder, 2019). El ujo de identicación
y selección se informó mediante una adaptación
de PRISMA 2020; no se presenta el estudio como
una revisión sistemática de efectos ni como un
protocolo registrado (Page et al., 2021).
El corpus documental conservado por el equipo
autoral provino de búsquedas en Scopus, Web
of Science, ERIC, SciELO y Google Scholar,
complementadas con consulta dirigida en portales
editoriales y repositorios institucionales. Se
emplearon combinaciones en español e inglés de
los términos “inteligencia articial generativa”,
“evaluación educativa”, “evaluación auténtica”,
“evaluación formativa”, “integridad académica”,
“ChatGPT”, “generative articial intelligence”,
“educational assessment”, “authentic assessment” y
“academic integrity”. Las combinaciones centrales
fueron: (“generative articial intelligence” OR
ChatGPT) AND (“educational assessment” OR
“authentic assessment” OR “academic integrity”),
y sus equivalentes en español. La documentación
original no conservó el rendimiento desagregado
de cada base ni la fecha exacta de cada consulta;
esta carencia se reconoce como limitación y es
una razón adicional para denir el estudio como
revisión integrativa con búsqueda sistematizada.
Se incluyeron publicaciones en español o inglés
vinculadas directamente con IAG, evaluación,
autenticidad o integridad académica; estudios
y revisiones con texto completo disponible;
documentos institucionales de organismos
reconocidos; y normativa ecuatoriana vigente
relacionada con evaluación. El periodo prioritario
130
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
fue 2022-2026, coincidente con la expansión
pública de la IAG. Se conservaron trabajos
anteriores cuando eran indispensables para el marco
metodológico o para los conceptos de evaluación
formativa y auténtica. Se excluyeron duplicados,
resúmenes sin texto completo, artículos sobre IA
no generativa sin relación evaluativa, textos de
opinión sin desarrollo argumental o metodológico
y fuentes que no respondían a la pregunta de
revisión.
El registro documental informó 130 resultados
iniciales: 116 académicos y 14 institucionales o
normativos. Se eliminaron 40 registros antes del
cribado —22 duplicados y 18 fuera del periodo o del
alcance—. Se revisaron 90 títulos y resúmenes, de
los cuales 48 fueron excluidos por baja pertinencia.
Se buscaron 42 textos completos; cuatro no fueron
recuperados y 38 se evaluaron en elegibilidad.
Ocho se excluyeron: tres no abordaban evaluación,
dos se centraban en IA no generativa, dos eran
textos de opinión sin desarrollo suciente y uno
no aportaba resultados pertinentes. El corpus nal
quedó integrado por 30 documentos.
Extracción y análisis
Se utilizó una matriz con autoría, año, tipo de
fuente, nivel educativo, objeto, metodología,
hallazgos, limitaciones y utilidad para la pregunta.
La síntesis siguió un análisis temático de seis
momentos: familiarización, codicación inicial,
agrupación, revisión, denición y redacción
interpretativa (Braun & Clarke, 2006). Los códigos
se organizaron en seis categorías: fundamentos
metodológicos; posibilidades y riesgos de la
IAG; integridad y detección; transformación de
la evaluación; evaluación formativa y auténtica;
y normativa ecuatoriana. La valoración fue de
pertinencia y suciencia informativa, no una
puntuación uniforme de riesgo de sesgo, porque el
corpus combinó diseños no comparables.
La interpretación se desarrolló con tres reglas.
Primero, se distinguieron hallazgos empíricos
de argumentos conceptuales y orientaciones
institucionales. Segundo, se consideró convergencia
cuando varias fuentes de diferente tipo respaldaban
una misma dirección interpretativa, sin convertir
el número de menciones en una medida de efecto.
Tercero, las recomendaciones se formularon
únicamente cuando podían relacionarse con
un problema identicado y con principios de
evaluación formativa, autenticidad, equidad o
integridad. Debido a la diversidad del corpus, no
se calcularon tamaños de efecto, ponderaciones
estadísticas ni niveles agregados de certeza.
Consideraciones éticas y alcance
No se recopilaron datos personales ni se intervino
con participantes, por lo que no fue necesaria
aprobación de un comité de ética. Se respetaron la
atribución de fuentes y el principio de no presentar
inferencias documentales como mediciones de la
realidad escolar. Los resultados describen tendencias
del corpus y posibilidades normativas; no estiman
prevalencias, efectos causales ni frecuencia de
prácticas en instituciones ecuatorianas. La síntesis
también evitó presentar los detectores automáticos
como instrumentos diagnósticos y preservó la
distinción entre sospecha tecnológica, evidencia
académica y decisión institucional.
131
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
FIGURA 1
Flujo de identicación y selección documental
Nota. Adaptación del ujo PRISMA 2020 a partir de los registros conservados por el equipo autoral.
RESULTADOS
Los 30 documentos se distribuyeron en seis
categorías analíticas. La síntesis mostró que la
amenaza a la autenticidad no procede de una
propiedad aislada de la IAG, sino de la interacción
entre la capacidad de automatizar productos, el
diseño de la tarea, el grado de transparencia y la
diversidad de evidencias utilizadas para emitir el
juicio evaluativo.
TABLA 1
Síntesis temática del corpus documental
Categoría n Hallazgo convergente Implicación
Fundamentos
metodológicos 5Revisión integrativa, selección
transparente y análisis temático.
La heterogeneidad exige síntesis
cualitativa y límites explícitos.
IAG en
educación 10
Apoyo a explicación, ideación y
retroalimentación; riesgos de error,
sesgo y dependencia.
La utilidad depende del diseño
pedagógico y la alfabetización en
IA.
Integridad y
detección 4Autoría incierta; falsos positivos y
desempeño variable de detectores.
La detección automática no debe
ser prueba única.
Evaluación con
IAG 4Rediseño de tareas y niveles
explícitos de asistencia tecnológica.
Debe alinearse el uso permitido
con el resultado de aprendizaje.
132
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
Evaluación
formativa y
auténtica
4Proceso, desempeño situado,
retroalimentación y metacognición.
Estas perspectivas reducen la
dependencia del producto aislado.
Normativa
ecuatoriana 3
Evaluación continua,
contextualizada, exible y orientada
a la mejora.
Existe base normativa para
innovar, pero no evidencia de
implementación nacional.
La primera convergencia del corpus fue la
vulnerabilidad de tareas cuyo juicio depende
exclusivamente de un producto elaborado fuera
de observación docente. Ensayos genéricos,
resúmenes, respuestas declarativas y cuestionarios
domiciliarios pueden ser producidos o reformulados
con IAG. El riesgo no signica que todo producto
asistido sea inválido; signica que el docente
no puede inferir automáticamente comprensión
a partir de su calidad supercial. Kasneci et al.
(2023), Lo (2023) y Tlili et al. (2023) coinciden
en que los modelos pueden generar explicaciones
plausibles y lingüísticamente correctas incluso
cuando contienen errores o cuando el usuario no
comprende el contenido.
De esta convergencia emergió un cambio
conceptual: la autenticidad se relaciona con la
coherencia entre producto, proceso y desempeño.
Un producto puede considerarse evidencia parcial
cuando el estudiante conserva borradores, explica
sus decisiones, contrasta las respuestas de la
herramienta, reconoce sus limitaciones y demuestra
el aprendizaje en otro formato. La defensa oral,
la resolución de una variante del problema o la
aplicación a un contexto local funcionan como
evidencias complementarias, no como castigos por
usar tecnología.
La segunda categoría mostró que la integridad
académica no puede reducirse a una dicotomía
entre uso y no uso. La IAG participa en grados
diferentes: corrección lingüística, lluvia de ideas,
generación de ejemplos, búsqueda de alternativas,
elaboración parcial o producción total. La relevancia
ética de cada grado depende de la consigna. Una
ayuda que es legítima en una actividad destinada a
evaluar argumentación crítica puede invalidar otra
destinada a valorar escritura autónoma. Perkins
et al. (2024) y Furze et al. (2024) proponen hacer
explícitos los niveles de asistencia permitida y
relacionarlos con los resultados esperados.
El corpus respalda tres condiciones de
transparencia: informar antes de la tarea qué usos
están permitidos; solicitar una declaración breve
sobre herramientas, propósito y modicaciones;
y exigir responsabilidad del estudiante sobre la
exactitud y autoría del producto nal. Esta solución
evita equiparar toda asistencia con fraude y, al
mismo tiempo, impide que una declaración de uso
sustituya la demostración del aprendizaje.
Los estudios de Liang et al. (2023) y Weber-Wul
et al. (2023) convergen en que los detectores
presentan errores y no ofrecen certeza suciente
para adjudicar autoría. Su salida depende del
modelo evaluado, la longitud del texto, el idioma,
las modicaciones posteriores y el estilo de quien
escribe. Los falsos positivos pueden afectar de
manera desproporcionada a quienes utilizan
estructuras lingüísticas previsibles o escriben en
una lengua distinta de la materna.
133
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
El hallazgo implica que un porcentaje de
probabilidad no debe convertirse automáticamente
en sanción. Ante una duda razonable, corresponde
revisar evidencias de proceso, conversar con el
estudiante, solicitar explicación del contenido y
aplicar procedimientos institucionales. El detector,
si se utiliza, solo puede operar como señal inicial y
nunca como prueba autosuciente.
Evaluación formativa y auténtica como
respuesta
La literatura clásica y reciente coincidió en
desplazar el centro de la evaluación hacia
evidencias que permitan actuar sobre el
aprendizaje. Black y Wiliam (1998) y Sadler
(1989) sustentan la retroalimentación y el uso
pedagógico de la evidencia; Wiggins (1990) y
Gulikers et al. (2004) destacan tareas signicativas
y desempeño contextualizado. Frente a la IAG,
estas perspectivas adquieren una función adicional:
permiten observar razonamiento, transferencia,
criterio y autorregulación.
Las estrategias más consistentes fueron portafolios
de proceso, entregas escalonadas, anotación de
cambios, preguntas orales, proyectos locales,
estudios de caso, diarios metacognitivos,
coevaluación y tareas presenciales breves. Ninguna
estrategia garantiza por sí sola la autenticidad. Su
fuerza surge de combinar evidencias y asegurar que
la tarea exija decisiones que no puedan resolverse
mediante reproducción genérica.
Los documentos ecuatorianos revisados denen
la evaluación como continua y orientada a la
mejora, y promueven actividades contextualizadas
y retroalimentación oportuna (Ministerio de
Educación del Ecuador, 2022). Estos principios
son compatibles con el seguimiento del proceso,
la diversicación de evidencias y el rediseño de
tareas. La normativa no necesita ser interpretada
como una defensa de productos estandarizados;
permite justicar prácticas centradas en desempeño
y acompañamiento.
No obstante, el corpus ecuatoriano fue normativo y
no empírico. Por ello, el estudio no permite armar
cuántas instituciones disponen de políticas de IAG,
qué prácticas predominan ni cómo varían entre
zonas urbanas, rurales o niveles educativos. El
resultado defendible es que existe compatibilidad
normativa para innovar, no que dicha innovación
ya se encuentre implementada.
El análisis transversal permitió identicar cinco
condiciones que aparecen de manera recurrente
en las alternativas de rediseño: alineación,
transparencia, trazabilidad, triangulación y
proporcionalidad. La alineación exige que la
regla de uso de IAG responda al resultado de
aprendizaje. La transparencia comunica antes de
la tarea qué herramientas y acciones se permiten.
La trazabilidad conserva evidencias razonables
del proceso. La triangulación combina dos o
más formas de demostrar el aprendizaje. La
proporcionalidad evita controles más invasivos o
sanciones más severas que el riesgo observado.
La alineación fue la condición estructural. Cuando
el objetivo es producir un texto con independencia,
la generación automática debe restringirse y la
evidencia puede incluir escritura supervisada.
Cuando el objetivo es evaluar fuentes o argumentar,
la IAG puede generar un insumo que el estudiante
deba cuestionar. Cuando la competencia consiste
en colaborar responsablemente con sistemas de
IA, su uso debe integrarse de manera explícita.
La claridad del objetivo evita reglas generales
134
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
incapaces de responder a la diversidad de tareas.
La triangulación fortalece la inferencia sin convertir
cada evaluación en un procedimiento extenso. Un
proyecto puede combinar producto, bitácora y
defensa breve; un ensayo, esquema inicial, versión
nal y comentario metacognitivo; un problema,
solución escrita y explicación de una variante. Si
las evidencias convergen, el juicio gana solidez.
Si se contradicen, la discrepancia orienta nuevas
preguntas y retroalimentación antes de asumir una
falta.
La proporcionalidad también apareció vinculada
con la edad y el momento de aprendizaje.
Estudiantes que comienzan a desarrollar una
habilidad necesitan oportunidades de ejecución
autónoma y acompañamiento más directo. En
etapas posteriores, el uso crítico de herramientas
puede aproximarse a prácticas profesionales. Por
ello, una política institucional debe permitir que los
docentes ajusten la asistencia según nivel, propósito
y condiciones de acceso, manteniendo criterios
comunes de transparencia y responsabilidad.
Riesgos pedagógicos y oportunidades de
aprendizaje
La comparación de las categorías permitió organizar
los efectos de la IAG en cuatro dimensiones:
cognitiva, evaluativa, ética e institucional. En la
dimensión cognitiva, las oportunidades incluyen
acceso a explicaciones alternativas, generación de
ejemplos y apoyo para revisar ideas; los riesgos
comprenden aceptación acrítica, reducción de la
práctica necesaria y dependencia. En la dimensión
evaluativa, la herramienta facilita retroalimentación
y creación de escenarios, pero debilita la atribución
cuando la consigna no delimita su uso.
En la dimensión ética, el corpus destacó autoría,
atribución, sesgos, privacidad y responsabilidad.
Declarar la herramienta no libera al estudiante
de comprobar la información ni convierte
automáticamente el uso en legítimo. La
transparencia debe indicar para qué se utilizó,
qué partes fueron modicadas y quién asume la
decisión nal. También corresponde distinguir
entre una herramienta que procesa información
proporcionada por el usuario y otra que expone
datos a servicios externos con condiciones de
almacenamiento poco conocidas.
En la dimensión institucional, la principal
oportunidad es transformar la irrupción de la IAG
en un proceso de revisión de la calidad evaluativa.
La principal amenaza es responder mediante
reglas fragmentadas: prohibiciones diferentes
entre asignaturas, sanciones sin procedimiento y
dependencia de detectores. Las políticas efectivas
requieren principios comunes, márgenes de
decisión docente, ejemplos por área, mecanismos
de apelación y actualización periódica.
Los resultados no respaldan una sustitución
general de las evaluaciones escritas. La escritura
sigue siendo una práctica esencial para organizar
el pensamiento, construir argumentos y comunicar
conocimiento. Lo que cambia es la suciencia del
texto nal como evidencia exclusiva. Mantener la
escritura y complementarla con proceso, reexión
o desempeño permite proteger su valor educativo
sin ignorar las condiciones tecnológicas actuales.
135
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
TABLA 2
Matriz de decisiones para una evaluación auténtica con inteligencia articial generativa
Resultado evaluado Regla de uso de IAG Evidencias complementarias
Escritura autónoma No permitida o limitada a correc-
ción formal
Borradores, escritura supervisada y
explicación oral
Análisis crítico Permitida para generar una re-
spuesta que será auditada
Identicación de errores, contraste de
fuentes y justicación
Proyecto aplicado Permitida con declaración de uso Bitácora, producto contextualizado y
defensa del proyecto
Aprendizaje de IA Integrada como objeto y herra-
mienta
Calidad del prompt, vericación, re-
exión ética y producto
Retroalimentación Permitida como apoyo preliminar Cambios argumentados y decisión -
nal del estudiante
DISCUSIÓN
Los resultados permiten sostener que la IAG no
anula la evaluación, pero sí reduce la validez de
diseños que confunden uidez del producto con
aprendizaje. Esta interpretación coincide con
Kasneci et al. (2023) y Cotton et al. (2024): la
tecnología ofrece oportunidades educativas y,
simultáneamente, facilita formas de delegación
que las consignas tradicionales no hacen visibles.
El desafío consiste en denir qué capacidad
humana se evalúa y construir evidencia suciente
para atribuir el desempeño.
La principal contribución conceptual del estudio
es proponer una autenticidad relacional. La
autenticidad no reside únicamente en que una tarea
sea “realista”, sino en la relación vericable entre
el estudiante, el proceso, las ayudas empleadas
y el desempeño demostrado. En entornos con
IAG, una tarea contextualizada también puede
ser automatizada; por ello, la contextualización
debe acompañarse de trazabilidad, explicación y
transferencia. Esta ampliación complementa los
marcos de Wiggins (1990) y Gulikers et al. (2004)
sin abandonar sus fundamentos.
La segunda contribución es diferenciar asistencia
de sustitución cognitiva. El uso de IA puede apoyar
el aprendizaje cuando el estudiante compara
alternativas, detecta errores, mejora una explicación
o recibe retroalimentación que luego evalúa
críticamente. Se aproxima a la sustitución cuando
la herramienta ejecuta la capacidad que constituía
el objetivo de aprendizaje y el estudiante entrega
el resultado sin comprenderlo. Esta distinción evita
políticas absolutas y permite reglas proporcionales
a cada tarea.
La escala de evaluación con IA constituye una
referencia útil porque traduce esa proporcionalidad
en niveles comunicables (Furze et al., 2024; Perkins
et al., 2024). Sin embargo, su adopción no debe
reducirse a colocar una etiqueta en la consigna.
El docente necesita explicar qué acciones están
permitidas, cómo se declararán y qué evidencia
será evaluada. También debe prever condiciones
de equidad para estudiantes sin acceso estable a
herramientas pagadas o conectividad.
La evidencia sobre detectores obliga a separar
136
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
prevención, investigación y sanción. Un detector
puede alertar sobre una posible anomalía, pero
carece de la estabilidad necesaria para demostrar
falta por sí solo (Liang et al., 2023; Weber-Wul et
al., 2023). Una política responsable debe prohibir
decisiones automáticas, proteger la presunción de
buena fe, documentar el procedimiento y permitir
que el estudiante explique su trabajo. Esta cautela es
especialmente relevante en contextos multilingües
y con desigualdades de alfabetización académica.
Esta separación tiene consecuencias para el
debido proceso institucional. La prevención
corresponde al diseño de consignas, la formación
y la comunicación de reglas. La investigación
comienza cuando existen inconsistencias
concretas y debe reunir información contextual:
versiones, fuentes, explicación del contenido
y oportunidades de respuesta. La sanción solo
procede cuando la evidencia alcanza el estándar
previsto en la normativa interna. Mezclar estas
etapas conduce a respuestas improvisadas en las
que una señal probabilística se interpreta como
veredicto. Además de injusto, ese procedimiento
puede debilitar la relación pedagógica y generar
incentivos para ocultar el uso de herramientas.
Para Ecuador, el hallazgo central es la compatibilidad
entre el rediseño propuesto y el enfoque formativo
de la normativa. Seguimiento, retroalimentación,
contextualización y exibilidad pueden sostener
portafolios, proyectos y evaluaciones dialogadas.
No obstante, la revisión no autoriza a armar que
las prácticas escolares actuales sean homogéneas
ni que exista una política nacional especíca
sobre IAG. Convertir esa ausencia de evidencia
en una armación negativa reproduciría el mismo
problema de validez que el artículo critica.
En educación básica y bachillerato, la mediación
docente requiere una atención particular. Los
estudiantes todavía construyen hábitos de
autorregulación, criterios de autoría y capacidades
para comprobar información. Pedir una declaración
de uso sin enseñar a reconocer qué debe declararse
tendría un efecto limitado. Las actividades pueden
modelar el proceso: comparar una respuesta
generada con el texto curricular, localizar
armaciones no respaldadas, explicar por qué se
acepta o rechaza una sugerencia y reconstruir una
solución sin apoyo. Así, la alfabetización en IA
se integra al aprendizaje disciplinar en lugar de
convertirse en un contenido aislado.
La retroalimentación generada por IA merece
un tratamiento especíco. Puede ampliar la
oportunidad de recibir comentarios iniciales,
especialmente cuando el docente atiende grupos
numerosos. Sin embargo, su utilidad depende de la
calidad del criterio utilizado y de la capacidad del
estudiante para interpretar las sugerencias. No toda
recomendación mejora el texto ni toda corrección
respeta el propósito de la tarea. Una práctica
formativa consiste en solicitar que el estudiante
clasique las sugerencias, justique cuáles
incorpora y explique cuáles descarta. El objeto
evaluado deja de ser la obediencia al sistema y pasa
a ser el juicio ejercido sobre la retroalimentación.
La oralidad y el desempeño supervisado tampoco
deben presentarse como soluciones universales.
Las defensas orales pueden generar barreras
para estudiantes con ansiedad, discapacidad
comunicativa o necesidades lingüísticas; las
actividades presenciales pueden verse afectadas
por tiempo, tamaño del grupo y disponibilidad
de recursos. La diversicación debe ofrecer
modos equivalentes de demostrar comprensión,
137
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
con ajustes razonables y rúbricas transparentes.
La autenticidad se fortalece cuando aumenta la
calidad de la evidencia, no cuando se introduce una
dicultad ajena al resultado de aprendizaje.
En términos prácticos, las instituciones pueden
avanzar en cuatro niveles. Primero, acordar un
vocabulario común sobre asistencia permitida,
atribución y sustitución. Segundo, revisar las tareas
de mayor vulnerabilidad y combinar productos con
evidencia procesual. Tercero, formar a docentes y
estudiantes en vericación, privacidad, sesgos y
responsabilidad. Cuarto, establecer procedimientos
proporcionales para resolver dudas de autoría sin
depender de detectores. El marco de competencias
docentes de UNESCO organiza esta formación en
enfoque humano, ética, fundamentos, pedagogía y
desarrollo profesional (Miao & Cukurova, 2024).
El primer nivel puede concretarse mediante una
taxonomía institucional sencilla. Uso prohibido
indica que la competencia debe demostrarse sin
asistencia generativa; apoyo limitado permite
funciones especicadas, como revisión ortográca;
colaboración permite ideación o retroalimentación
con declaración; integración supone que la IAG
forma parte del objetivo. Estas categorías deben
acompañarse de ejemplos y revisarse por área,
porque una misma acción puede tener signicados
diferentes en Lengua, Matemáticas, Ciencias o
Educación Artística.
El segundo nivel demanda auditar las tareas y no
al estudiantado. Una auditoría pedagógica puede
preguntar si la consigna admite una respuesta
genérica, si exige información contextual, si
recoge decisiones intermedias, si permite vericar
la comprensión y si ofrece alternativas equitativas.
Las tareas vulnerables no siempre deben eliminarse:
pueden convertirse en secuencias. Un ensayo
domiciliario, por ejemplo, puede iniciar con una
discusión, continuar con un esquema comentado,
recibir retroalimentación y concluir con una breve
defensa o aplicación. La secuencia distribuye la
evidencia y mejora la retroalimentación.
El tercer nivel exige desarrollo profesional
continuo. La formación técnica sobre plataformas
envejece con rapidez; en cambio, los criterios
sobre validez, privacidad, sesgo, atribución y
diseño conservan mayor estabilidad. Los docentes
necesitan experimentar con herramientas,
analizar sus errores y adaptar consignas dentro de
comunidades profesionales. También requieren
respaldo institucional para evitar que cada caso
de posible uso indebido se resuelva de manera
individual y bajo presión.
El cuarto nivel debe incluir gobernanza de datos.
Algunas plataformas almacenan instrucciones,
documentos o interacciones, de modo que
introducir nombres, calicaciones, diagnósticos o
producciones identicables puede comprometer la
privacidad. Las instituciones deberían denir qué
información no puede cargarse, qué servicios están
autorizados, cómo se informa a las familias y qué
alternativas existen para quienes no consienten o
no tienen acceso. La evaluación auténtica no puede
construirse a costa de la protección de datos o de la
igualdad de oportunidades.
La equidad debe ser un criterio transversal. Exigir
herramientas especícas puede ampliar brechas
de acceso; prohibirlas de modo absoluto puede
impedir el desarrollo de competencias necesarias;
y permitirlas sin acompañamiento puede favorecer
a estudiantes con mayor autorregulación. Una
política justa ofrece alternativas equivalentes,
138
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
informa sobre el tratamiento de datos, evita
introducir información personal en plataformas
y valora el juicio del estudiante por encima de la
sosticación del sistema utilizado.
La sostenibilidad de las innovaciones dependerá
de que no incrementen de forma desproporcionada
la carga docente. Conservar cada interacción o
realizar defensas extensas para todas las tareas
sería inviable. Resultan más realistas las muestras
estratégicas, las entregas por hitos, las preguntas
breves de comprobación y el uso de rúbricas
compartidas. La institución puede concentrar la
triangulación intensiva en evaluaciones de mayor
peso y mantener procedimientos más ligeros en
actividades formativas de bajo riesgo.
El papel de las rúbricas también debe revisarse.
Criterios excesivamente generales, como claridad
o creatividad, pueden aplicarse a productos
generados sin revelar el aprendizaje. Una rúbrica
adaptada al contexto de IAG puede valorar
precisión conceptual, calidad de la vericación,
justicación de decisiones, integración de
evidencias, reconocimiento de límites y reexión
sobre el proceso. No se trata de añadir un
criterio tecnológico a todas las actividades, sino
de representar las capacidades que la consigna
realmente pretende desarrollar.
La coevaluación ofrece otra posibilidad formativa.
Cuando los estudiantes revisan productos y
procesos de sus pares con criterios explícitos,
deben identicar fortalezas, inconsistencias y
decisiones que requieren explicación. Esta práctica
puede desarrollar juicio evaluativo y ayudarles a
reconocer respuestas genéricas o poco sustentadas
sin convertirlos en vigilantes. Para funcionar,
necesita ejemplos, modelado docente, reglas de
respeto y protección de la información compartida.
La participación estudiantil en la construcción
de las normas puede aumentar su legitimidad.
Explicar por qué una ayuda está autorizada en una
tarea y restringida en otra permite comprender la
relación entre regla y aprendizaje. Los acuerdos
de aula pueden incluir formas de atribución,
preguntas sobre privacidad y procedimientos para
solicitar orientación. La participación no elimina la
responsabilidad institucional, pero transforma una
política percibida como control externo en un marco
comprensible de responsabilidad compartida.
Por último, el rediseño debe evaluarse. Implementar
portafolios, declaraciones o defensas no garantiza
mejoras si estas prácticas se convierten en requisitos
burocráticos. Las instituciones pueden analizar la
calidad de la evidencia obtenida, la comprensión
de las reglas, la carga de trabajo, la accesibilidad y
la percepción de justicia. La retroalimentación de
docentes y estudiantes permitirá ajustar el sistema
y evitar que una respuesta creada para proteger
la autenticidad termine reduciendo el tiempo
disponible para aprender.
El estudio presenta limitaciones. La documentación
disponible no conservó fechas y rendimientos
desagregados por base, lo que impide replicar
de forma exacta la búsqueda; no hubo protocolo
registrado ni evaluación uniforme del riesgo de
sesgo; el corpus combinó fuentes académicas,
conceptuales y normativas; y gran parte de la
evidencia empírica provino de educación superior
y contextos no ecuatorianos. Estas limitaciones
restringen la generalización, pero no invalidan
la síntesis conceptual. Futuras investigaciones
deben levantar datos con docentes y estudiantes
ecuatorianos, comparar niveles y territorios,
139
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
evaluar intervenciones de rediseño y estudiar la
validez y equidad de nuevas formas de evidencia.
CONCLUSIONES
La inteligencia articial generativa cuestiona
la suciencia de evaluaciones centradas
exclusivamente en productos nales. La calidad
lingüística o formal de una entrega ya no permite
inferir, sin evidencias adicionales, comprensión,
razonamiento o autoría. En respuesta al objetivo
general, el desafío para la evaluación ecuatoriana
consiste en fortalecer la relación entre producto,
proceso, ayudas declaradas y desempeño
demostrado.
Respecto al primer objetivo especíco, la literatura
muestra un balance entre oportunidades de apoyo
y riesgos de error, sesgo, dependencia y delegación
cognitiva. Sobre el segundo, los detectores
automáticos no constituyen prueba suciente de
autoría o falta académica; la integridad requiere
reglas previas, transparencia, evidencia múltiple y
procedimientos justos.
En relación con el tercer objetivo, la evaluación
formativa y auténtica ofrece fundamentos
para recoger borradores, diálogo, aplicación
contextualizada, retroalimentación y
metacognición. La normativa ecuatoriana es
compatible con estas prácticas, aunque el corpus
no permite armar su grado de implementación en
el país.
Finalmente, para cumplir el cuarto objetivo
se proponen cuatro orientaciones: alinear el
uso permitido de IAG con cada resultado de
aprendizaje; solicitar declaraciones breves y
vericables de uso; combinar el producto con
evidencias de proceso y desempeño; y formar a
la comunidad educativa en ética, vericación,
privacidad y alfabetización en IA. La autenticidad
no exige excluir toda tecnología, sino preservar
la agencia y la responsabilidad intelectual del
estudiante.
BIBLIOGRAFÍA
Asamblea Nacional del Ecuador. (2021).
Ley Orgánica Reformatoria de la Ley Orgánica
de Educación Intercultural. Registro Ocial,
Suplemento 434.
Bittle, K., & El-Gayar, O. (2025). Generative
AI and academic integrity in higher education:
A systematic review and research agenda.
Information, 16(4), 296. https://doi.org/10.3390/
info16040296
Black, P., & Wiliam, D. (1998). Assessment
and classroom learning. Assessment in Education:
Principles, Policy & Practice, 5(1), 7-74. https://
doi.org/10.1080/0969595980050102
Braun, V., & Clarke, V. (2006). Using
thematic analysis in psychology. Qualitative
Research in Psychology, 3(2), 77-101. https://doi.
org/10.1191/1478088706qp063oa
Chan, C. K. Y., & Hu, W. (2023). Students’
voices on generative AI: Perceptions, benets,
and challenges in higher education. International
Journal of Educational Technology in Higher
Education, 20, 43. https://doi.org/10.1186/s41239-
023-00411-8
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R.
(2024). Chatting and cheating: Ensuring academic
integrity in the era of ChatGPT. Innovations in
Education and Teaching International, 61(2), 228-
239. https://doi.org/10.1080/14703297.2023.2190
148
140
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
Crompton, H., & Burke, D. (2023). Articial
intelligence in higher education: The state of
the eld. International Journal of Educational
Technology in Higher Education, 20, 22. https://
doi.org/10.1186/s41239-023-00392-8
Furze, L., Perkins, M., Roe, J., & MacVaugh,
J. (2024). The AI Assessment Scale (AIAS)
in action: A pilot implementation of GenAI-
supported assessment. Australasian Journal of
Educational Technology, 40(4), 38-55. https://doi.
org/10.14742/ajet.9434
Gulikers, J. T. M., Bastiaens, T. J., &
Kirschner, P. A. (2004). A ve-dimensional
framework for authentic assessment. Educational
Technology Research and Development, 52, 67-
86. https://doi.org/10.1007/BF02504676
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., Pfeer, 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 Dierences, 103, 102274. https://doi.
org/10.1016/j.lindif.2023.102274
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E.,
& Zou, J. (2023). GPT detectors are biased against
non-native English writers. Patterns, 4(7), 100779.
https://doi.org/10.1016/j.patter.2023.100779
Lo, C. K. (2023). What is the impact of
ChatGPT on education? A rapid review of the
literature. Education Sciences, 13(4), 410. https://
doi.org/10.3390/educsci13040410
Miao, F., & Cukurova, M. (2024). AI
competency framework for teachers. UNESCO.
https://unesdoc.unesco.org/ark:/48223/
pf0000391104
Ministerio de Educación del Ecuador. (2022).
Instructivo de evaluación estudiantil de los servicios
educativos ordinarios. https://recursos.educacion.
gob.ec/wp-content/uploads/2022/curriculares/
Instructivo_de_Evaluacion_Estudiantil.pdf
Page, M. J., McKenzie, J. E., Bossuyt, P.
M., Boutron, I., Homann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzla, 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., ... Moher, D.
(2021). The PRISMA 2020 statement: An updated
guideline for reporting systematic reviews. BMJ,
372, n71. https://doi.org/10.1136/bmj.n71
Perkins, M., Furze, L., Roe, J., & MacVaugh,
J. (2024). The Articial Intelligence Assessment
Scale (AIAS): A framework for ethical integration
of generative AI in educational assessment. Journal
of University Teaching & Learning Practice, 21(6).
https://doi.org/10.53761/q3azde36
Presidencia de la República del Ecuador.
(2023). Reglamento General a la Ley Orgánica de
Educación Intercultural. Registro Ocial, Segundo
Suplemento 254.
Sadler, D. R. (1989). Formative assessment
and the design of instructional systems.
Instructional Science, 18, 119-144. https://doi.
org/10.1007/BF00117714
Snyder, H. (2019). Literature review
as a research methodology: An overview and
guidelines. Journal of Business Research, 104, 333-
339. https://doi.org/10.1016/j.jbusres.2019.07.039
141
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
Tlili, A., Shehata, B., Adarkwah, M. A.,
Bozkurt, A., Hickey, D. T., Huang, R., & 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, 15.
https://doi.org/10.1186/s40561-023-00237-x
UNESCO. (2023). Guidance for generative
AI in education and research. https://unesdoc.
unesco.org/ark:/48223/pf0000386693
Weber-Wul, D., Anohina-Naumeca, A.,
Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J.,
Popoola, O., Šigut, P., & Waddington, L. (2023).
Testing of detection tools for AI-generated text.
International Journal for Educational Integrity, 19,
26. https://doi.org/10.1007/s40979-023-00146-z
Wiggins, G. (1990). The case for authentic
assessment. Practical Assessment, Research, and
Evaluation, 2(1), Article 2. https://doi.org/10.7275/
b1-mm19
Xia, Q., Weng, X., Ouyang, F., Lin, T. J.,
& Chiu, T. K. F. (2024). A scoping review on
how generative articial intelligence transforms
assessment in higher education. International
Journal of Educational Technology in Higher
Education, 21, 40. https://doi.org/10.1186/s41239-
024-00468-z
142
REDSA | ISSN 3151-8303 | julio - septiembre, 2026 | Vol. 1 | Núm. 3
COMO CITAR:
Carrillo Chacón, H. F., Vega Barberán, F. L., Cevallos
Torres, D. A., & Torres Meza, M. L. (2026). La evaluación
educativa ecuatoriana ante la inteligencia articial
generativa: Desafíos para la autenticidad del aprendizaje.
REDSA Revista Ecuatoriana de Desarrollo Social
yAmbiental, 1(3) 125 - 142. https://doi.org/10.66646/
redsa-2026/xx5c4v36
DERECHOS DE AUTOR
Carrillo Chacón, H. F., Vega Barberán, F. L., Cevallos Torres, D. A., & Torres Meza, M. L.
(2026)
Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons de
Atribución No Comercial 4.0, que permite su uso sin restricciones, su distribución y
reproducción por cualquier medio, siempre que no se haga con nes comerciales y el trabajo
original sea elmente citado.
