Ingeniería de prompts

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

La ingeniería de prompts — la práctica de diseñar y refinar entradas a grandes modelos de lenguaje para lograr los resultados deseados. En educación, la ingeniería de prompts cumple un papel doble: como habilidad de quien aprende (el estudiantado debe aprender a formular prompts eficaces) y como palanca de diseño del sistema (quienes desarrollan crean prompts que dan forma al comportamiento de la tutoría con IA).

Preguntas para reflexionar

• Es probable que haya escrito hace poco un prompt en una herramienta de IA. Piense ahora en esto: la forma en que lo formuló no es neutra, puede revelar cómo planificó, pensó y distribuyó su esfuerzo. ¿Qué podrían decir sus propios hábitos de formulación de prompts sobre cómo aborda los problemas?
• Un estudio encontró que las personas usuarias que formulan las peticiones con habilidad obtienen sistemáticamente mejor resultado que quienes expresan la misma intención con menos destreza. Si acepta que el «privilegio del prompt» es real, ¿el acceso justo a la IA se corrige mejor enseñando a todo el mundo a formular mejores prompts, o rediseñando el sistema para que no exija esa habilidad, y qué concesiones implica cada opción?
• ¿Es el prompting un «truco» que hay que memorizar o una habilidad intelectual genuina? Una línea de investigación lo trata como juicio profesional dentro de una disciplina (periodismo, derecho, medicina); otra lo trata como núcleo de la alfabetización en IA. ¿Qué visión se alinea con su propia experiencia de lo que realmente separa los buenos prompts de los malos?
• Los prompts bien diseñados pueden dar andamiaje al pensamiento del estudiantado, mientras que los mal usados pueden fomentar la delegación cognitiva. ¿Recuerda algún momento en que una respuesta de la IA pensara por usted? ¿Qué había en el prompt, o en su intención, que lo provocó, y podría haberse diseñado para hacer lo contrario?
• El prompting es a la vez una habilidad de quien aprende y una palanca de diseño del sistema: algunos tutores encaminan y seleccionan ahora automáticamente los prompts para la persona usuaria. A medida que el prompting pasa de la persona usuaria al sistema, ¿qué pierde el estudiantado y qué gana?
• Fíjese un objetivo pequeño antes de leer: tras aprender sobre ingeniería de prompts, decida una forma concreta de cambiar cómo escribe prompts en su propio trabajo, y qué resultado comprobará para saber que funcionó.

Introducción

La ingeniería de prompts es central para el uso eficaz de la IA generativa en educación. A diferencia de las interfaces de programación tradicionales, los LLM responden al lenguaje natural, pero la calidad, la exactitud y el valor pedagógico de esas respuestas dependen en gran medida del diseño del prompt. La investigación de esta base de conocimientos revela que el prompting no es un acto neutro: refleja cómo piensa, planifica y distribuye el esfuerzo cognitivo el estudiantado. Miles, Haber-Curran y Arar (2026) precisan qué abarca el término al distinguir la ingeniería de prompts, la optimización técnica de las entradas para el rendimiento, de la alfabetización en prompts, el trabajo retórico, ético y reflexivo de clarificar el propósito, leer críticamente el resultado y revisar con razones declaradas. Su Ciclo de Alfabetización en Prompts (Clarificar el Propósito, Elaborar el Prompt, Interactuar con el Resultado, Refinar el Prompt, Reflexionar) y una rúbrica de proceso de muestra hacen enseñable la distinción, y sostienen que una instrucción que optimiza solo los resultados deja intactas las dimensiones éticas y epistemológicas del uso de los LLM.

Cómo aparece la ingeniería de prompts en la investigación

• El prompting como rastro cognitivo: Misiejuk et al. muestran que los patrones de prompts revelan delegación cognitiva: el trabajo de alta calidad usa prompts ricos en contexto, corteses e instructivos, mientras que el trabajo de baja calidad muestra desacuerdo reactivo sin fundamento en el dominio.

• La profundidad mejora el producto, no la retención. En 22 estudiantes de posgrado, la proporción de prompts de búsqueda de explicación («por qué/cómo/explica») predijo de forma independiente la calidad de la tarea calificada por marcadores externos (β = 6,27) más allá del conocimiento de base y del volumen de prompts, aunque mostró una asociación nula con el recuerdo inmediato (Tsiligkiris (2026)).

• La competencia es la variable de estratificación, y es entrenable. En una encuesta a 380 estudiantes universitarios chinos, la competencia en ingeniería de prompts se correlacionó fuertemente con las ganancias académicas percibidas (r = .793) pero solo débilmente con la inequidad educativa percibida (r = −.131), y el capital digital familiar operó en gran medida a través de la competencia y no junto a ella. Un experimento intrasujeto mostró después que un andamiaje de cinco componentes —Rol, Objetivo, Entrada, Proceso, Salida— elevó la calidad valorada del resultado de 3,318 a 4,603 en cuatro familias de modelos. La lectura de equidad importa más que el tamaño del efecto: si el beneficio pasa por una habilidad, entonces quién recibe instrucción en prompting es una decisión de distribución (Li et al., 2026).

• La cognición del prompt sigue a la disciplina, no al estudiante. Chang y Li (2026) clasificaron 60.087 prompts de 116 cursos y encontraron que los perfiles por nivel de Bloom diferían según la disciplina: STEM con predominio de Aplicar (20,8%), ciencias sociales con predominio de Crear (33,8%), con una varianza a nivel de curso que superaba la varianza a nivel de estudiante.

• El prompting como alfabetización: la investigación Tracing GenAI literacy y la de alfabetización en prompting en K-12 enmarcan el prompting como un componente central de la Alfabetización en IA.

• Los prompts vagos dejan rastro en el diálogo. La firma del grupo de menor calidad fue un bucle de aclaración autorrepetitivo (IC→IC, Z = 3,25), atribuido a prompts vagos y a lecturas erróneas de la IA, y concentró la mayor brecha de frustración del estudio (2,12 frente a 3,82); depurar los prompts sobre registros auténticos apunta a ese bucle en el momento en que ocurre (Fang et al. (2026)).

• Los novatos recurren por defecto al ensayo y error, y culpan al modelo. En un seminario de lingüística del texto, diez personas novatas en IA generativa refinaron los prompts por ensayo y error, rara vez acudieron a ejemplos en contexto y atribuyeron abrumadoramente los malos resultados al LLM en lugar de a su propia formulación del prompt (Brocca y Garassino (2026)).

• Cuando el docente modela el prompt, el estudiantado lo reutiliza literalmente. Entre 310 prompts registrados de doce grupos STEAM de secundaria, la copia exacta de la instrucción del docente fue la postura más frecuente del estudiantado con un 47,1%, por delante de la indagación espontánea con un 28,7% (Zhao y Li (2026)).

• Un ciclo regulatorio supera a una fórmula de prompt. En un piloto cuasiexperimental con 42 estudiantes de grado, el estudiantado al que se enseñó el ciclo IDEA (Intención, Deconstrucción, Expresión, Adaptación) produjo prompts y resultados de mayor calidad que los compañeros a los que se enseñó el prompting Rol–Tarea–Contexto–Formato en las cinco categorías de tarea (ganancias ajustadas de prompt de +11,77 a +29,19 puntos) (Wang et al., 2026).

• El prompting como diseño de sistema: CoTAL usa ingeniería de prompts con una persona en el bucle para la puntuación de la evaluación formativa; el prompting basado en anclajes mejora la puntuación automatizada de ensayos.

• El prompting es la habilidad de entrada, no la disciplina. Gorsky (2026) enmarca la Alfabetización en IA de los profesionales del software como la capacidad de gestionar agentes en lugar de formularles prompts, y nombra el encuadre, la especificación, la ingeniería de contexto, la verificación, la orquestación multiagente y la auditabilidad como las habilidades que un plan de estudios debe evaluar (Gorsky (2026)).

• Encaminamiento adaptativo de prompts: Learning to Prompt trata la selección de prompts como parte del propio sistema de tutoría: un encaminamiento de prompts consciente de la materia sobre 14 rasgos pedagógicos, donde un encaminador estocástico selecciona el mejor prompt para cada conversación. Esto desplaza el prompting de una habilidad de quien aprende a una palanca adaptativa de diseño de sistema, mejorando la implicación y la eficiencia (conversión a ejercicio del 28,1% frente al 19,6% en una prueba A/B del mundo real).

• Modalidades de prompt: la investigación sobre entrada por voz frente a texto examina si la modalidad de prompting afecta a las ganancias de aprendizaje.

• El prompting más allá del texto: la ilustración científica. El prompting puede generar figuras de biología molecular y de fisicoquímica con rapidez, pero una representación localmente persuasiva puede seguir siendo errónea o portar sesgo de representación, de modo que el estudiantado debe interrogar las visualizaciones generadas por IA contra los principios químicos en lugar de confiar en ellas (Li et al. (2026)).

• Prompting con andamiaje: el andamiaje guiado con LLM y el andamiaje para la implicación crítica con IA generativa enseñan el prompting estructurado como intervención de aprendizaje.

• Prompting de coach con apoyo que se desvanece: en ARPG+, un coach en tiempo real diagnosticaba la calidad del prompt en seis dimensiones y desvanecía el apoyo a medida que crecía la competencia, elevando la calidad final del prompt a 7,82 frente a 5,95 con plantillas estáticas y 4,52 sin asistencia (Ye et al. (2026)).

• La descomposición de tareas tiene un óptimo: generar lecciones de formación de tutores en tres segmentos produjo las lecciones mejor valoradas (media de 14,67), mientras que una sola pasada obtuvo la puntuación más baja (10,67) y cinco segmentos volvieron a caer por debajo de tres: la descomposición moderada supera a ambos extremos (Lin et al. (2025)).

• Privilegio del prompt y equidad: Jin et al. muestran que la pericia en prompting está distribuida de forma desigual: las personas usuarias que formulan las peticiones con habilidad obtienen sistemáticamente mejor resultado que quienes expresan la misma intención con menos destreza. Su Prompt Equity Transformer desplaza la optimización de prompts de la persona usuaria al sistema de IA, y sostiene que el resultado equitativo debe diseñarse dentro del modelo en lugar de exigirse a las personas novatas.

• El refinamiento del prompt se estanca; a partir de ahí toma el relevo el ajuste fino. El diseño iterativo de prompts produjo ganancias decrecientes en la calidad de los ítems de evaluación de comprensión auditiva en L2, pero el ajuste fino de GPT-4.1 sobre el prompt optimizado —el prompt mantenido constante— produjo ítems más contextualizados y equilibrados, aislando la adaptación del modelo en lugar del oficio del prompt como siguiente palanca (Aryadoust y Wong, 2026).

• El prompting como juicio profesional situado. Más allá de la alfabetización y el diseño de sistema, el prompting puede enmarcarse como una práctica disciplinar. La taxonomía de Dierickx et al. para el periodismo trata la definición de tareas y el prompting como una forma de juicio profesional ejercida dentro de las normas epistémicas y éticas de un dominio: traducir el trabajo periodístico a tareas explícitas (recogida de noticias → construcción de sentido → edición → publicación/distribución) hace visibles los supuestos, las prioridades y las consideraciones éticas, y convierte el prompting en una herramienta pedagógica para la alfabetización crítica en IA. Su lógica se transfiere a otras profesiones intensivas en conocimiento (derecho, medicina, política pública).

• El diseño de prompts como especificación instruccional. Neto y sus colegas (2026) encuentran en su revisión sistemática sobre IA generativa en la educación sanitaria que el diseño de prompts funciona como una forma de especificación instruccional, codificando los objetivos cognitivos y los criterios de calidad implícitos en la autoría experta, aunque solo el 34,8% de los estudios alineó el contenido generado con marcos instruccionales y solo el 34,8% informó del prompting con suficiente detalle para reproducirlo. Looi, Liu y Sun (2026) muestran además cómo la arquitectura de prompts puede incrustar reglas pedagógicas (compuertas de corrección, fronteras antiespóiler, compuertas de despedida) para constreñir el comportamiento de tutoría de un Grandes modelos de lenguaje (LLM) en dominios procedimentales.

• Prompting guiado por rúbrica y consciente del rol. Yaşar et al. (2026) mostraron que el prompting guiado por rúbrica —tratar la rúbrica como una interfaz semántica entre la intención pedagógica humana y la inferencia de la máquina— llevó el acuerdo LLM-humano sobre el trabajo de diseño del estudiantado del 54,75% al 81,25% (alfa de Cronbach 0,393 → 0,798). Las rúbricas diseñadas para LLM deben equilibrar precisión y flexibilidad: demasiado vagas invitan a la interpretación libre, demasiado rígidas reducen el modelo a emparejamiento de patrones. El prompting consciente del rol —evaluar el mismo artefacto bajo prompts de docente, de revisor por pares y de evaluador de proyectos— produjo retroalimentación cualitativamente distinta y epistémicamente diferente, lo que muestra que el diseño de prompts moldea no solo la exactitud sino la postura evaluativa del resultado.

• El andamiaje del prompt puede alejar más al modelo del docente. Almousa et al. (2026) hicieron que siete modelos produjeran retroalimentación de escritura a nivel de párrafo bajo tres estrategias de prompting y encontraron que añadir nombres de categoría o ejemplos resueltos aumentaba la divergencia respecto de la distribución del docente en la mayoría de ellos, mejorando solo en Mistral-7B (de 0,2695 a 0,2398). La línea base de cero disparos se mantuvo más cercana, de modo que las instrucciones de tipo de foco son algo que hay que poner a prueba y no dar por supuesto.

• Prompting consciente del contexto para la evaluación. El prompting consciente del contexto de modelos de lenguaje preentrenados automatiza la codificación de habilidades de resoluón colaborativa de problemas a partir de datos de proceso, modelando las dependencias entre códigos de conducta y fusionando capacidades cognitivas y sociales. Esto permite un análisis estructado de la resolución colaborativa de problemas a escala y en tiempo real, superando la intensidad de trabajo de los esquemas de codificación manual.

• Plantillas basadas en roles y rúbricas de calidad para la planificación docente. Luo y Tahir (2025) desarrollan empíricamente un marco de prompts para la planificación de clases de artes STEAM infantil que empareja una plantilla Rol (R) – Instrucciones (I) – Objetivo Final (E) (adaptada de RISEN) con una rúbrica de optimización de «cuatro puntos y una línea»: estandarizada, práctica, atractiva y completa, más una dimensión de extensión. Aplicar la rúbrica para criticar y refinar los prompts mantuvo los planes generados aceptables para docentes de arte en ejercicio (valoraciones medias por encima de 4/5) a la vez que expuso carencias recurrentes (la personalización, las restricciones de seguridad infantil y el sesgo cultural) que el prompting de un solo disparo dejaba sin abordar, lo que muestra que las plantillas de prompts más los criterios de evaluación explícitos funcionan como un andamiaje de control de calidad para la generación en el aula.

• Un andamiaje de cinco partes, probado en cuatro familias de modelos. Los prompts Rol–Objetivo–Entrada–Proceso–Salida elevaron la calidad valorada del resultado de 3,318 a 4,603 (Δ = +1,285) en 400 pares emparejados, con mejora en todas las familias y la mayor ganancia en la línea base más débil (Li et al. (2026)).

• La alfabetización en prompts es una capacidad percibida y aun así predice la implicación. En 829 estudiantes de diseño de 40 clases intactas, la alfabetización en prompts autoinformada —seis ítems adaptados de autoinforme, no prompting observado— predijo la implicación en el aprendizaje con β = 0,539, IC del 95% [0,473, 0,595] (Han y Cao, 2026). La asociación se mantuvo con independencia de la dependencia funcional (p = 0,396) o emocional (p = 0,941). Solo la dependencia cognitiva, sustituir el juicio de la IA por el propio, la atenuó con claridad.

• El diseño de rol y de restricciones como variable independiente. Wang et al. (2026) comparan dos agentes construidos sobre el mismo modelo y plataforma a temperatura 0,3 cuya única diferencia es cómo el prompt especifica rol, habilidades y restricciones: un agente docente experto que responde desde una fuente de conocimiento de libro de texto acotada frente a un agente empático centrado en el estudiante programado para diagnosticar ideas erróneas y comprobar la comprensión. La sola diferencia de rol desplazó el rendimiento de aprendizaje, la carga cognitiva, la experiencia de flujo y la empatía percibida, lo que muestra que la especificación de rol es una decisión de diseño instruccional con efectos medibles y no un adorno estilístico (Agente pedagógico).

• El prompting como diseño de evaluación. Xiong et al. (2026) proyectan los modelos de estudiante, de evidencia y de tarea del Diseño Centrado en la Evidencia sobre las partes de un prompt de puntuación, derivando cinco principios: intencionalidad, trazabilidad, rendición de cuentas, iteración y equidad; sus prompts construidos con DCE puntuaron ensayos narrativos con más exactitud que las líneas base de cero disparos, pocos disparos y cadena de pensamiento.

• La identidad del modelo, y no la redacción del prompt, impulsa el acuerdo LLM-humano en la codificación. En la descomposición controlada de Keith et al. (2026), el tipo de prompt no fue significativo (F = 1,77, p = 0,136, η² parcial = 0,03) mientras que el factor modelo aportó un η² parcial = 0,19. Añadir definiciones o instrucciones detalladas perjudicó la detección de listados incluso cuando redujo los errores en los juicios de definición correcta, y el precio no siguió a la calidad: Gemini 2.5 Pro costó 178,13 dólares y aun así rindió por debajo de GPT-4.1 Full, de 56,77 dólares.

• Inyecte el nombre de la teoría, no sus textos completos. Zambrano et al. (2026) muestran que el prompting con el nombre de la teoría superó a los artículos aportados en utilidad (4,40 frente a 3,20) y concreción (3,80 frente a 2,40), mientras que los textos completos solo ganaron en alineación teórica (4,60 frente a 3,60).

Conexiones con conceptos más amplios

La ingeniería de prompts se conecta con el Andamiaje: los prompts bien diseñados pueden dar andamiaje al pensamiento del estudiantado en lugar de puentearlo. Se interseca con la Metacognición y la Alfabetización en IA, ya que el prompting eficaz exige comprender tanto las capacidades de la IA como los propios objetivos de aprendizaje. La investigación sobre delegación cognitiva vincula directamente la calidad del prompt a si el uso de la IA apoya o socava el aprendizaje.

• La habilidad de escritura impulsa el prompting, y ambas predicen el éxito del Vibe coding. En un estudio preregistrado de CHI 2026 (N = 100), Thorgeirsson, Weidmann y Su encontraron que la competencia en comunicación escrita predijo el rendimiento en vibe-coding orientado a la interfaz gráfica (r = 0,29), con la calidad del prompt evaluada por personas como variable mediadora del vínculo: evidencia de proceso de respuesta de que una prosa clara y estructurada se traduce en mejores prompts de programación en lenguaje natural. Tanto la habilidad de escritura como el rendimiento en informática fueron predictores independientes, y el rendimiento en informática (r = 0,39) aportó aproximadamente el doble de varianza única, de modo que mejorar solo el prompting difícilmente sustituirá por completo a los fundamentos de programación en el desarrollo nativo de LLM.

• La estrategia de prompting predice el rendimiento. Un estudio empírico con 128 estudiantes de ingeniería encontró que la Eficiencia en la Consulta a la IA (prompts claros y bien estructurados) y la resolución de problemas impulsada por la IA (integración estratégica del resultado de la IA en el razonamiento) fueron los predictores más fuertes del éxito académico, incluso tras controlar la nota media, lo que indica que el prompting es una habilidad enseñable que modela la eficacia con la que el estudiantado aprende con IA.

• El estilo de prompting, y no solo la calidad del prompt, sigue a los resultados. Los rasgos derivados de 1.540 sesiones de tutoría vincularon el cuestionamiento conceptual con el rendimiento en examen, mientras que las conductas de delegación de tareas se correlacionaron negativamente, pero esos mismos rasgos no lograron replicarse el semestre siguiente, de modo que son patrones de conducta y no habilidades estables (McNichols, Du y Lan (2026)).

• Una taxonomía utilizable, y qué categorías de prompt dan realmente rendimiento. Jacobsen et al. (2026) traducen las estrategias técnicas al modelo 3K (Kontext, Kernauftrag, Klarheit —contexto, tarea central, claridad): once categorías orientadas a la práctica, cada una con una rúbrica de bueno/medio/subóptimo, y cada una puesta a prueba como variación experimental sobre la retroalimentación generada para los objetivos de aprendizaje de docentes en formación. El lenguaje técnico específico del dominio fue la categoría decisiva: sustituir la terminología de la materia por paráfrasis cotidianas redujo significativamente la calidad de la retroalimentación en los tres modelos (β = −0,412), mientras que añadir ejemplos concretos y eliminar la instrucción de cadena de pensamiento no produjo ninguna diferencia significativa respecto de la línea base en el primer estudio; los ejemplos sí ayudaron cuando el análisis se repitió con las combinaciones de modelo y prompt de mejor rendimiento (β = 0,52). La calidad del prompt y la elección de modelo explicaron conjuntamente el 42,8% de la varianza en la calidad de la retroalimentación valorada, que es el argumento del artículo de que la ingeniería de prompts es una competencia medible y enseñable y no una preferencia estilística, y de que sus categorías no son intercambiables en tamaño de efecto.

• Mejores prompts redujeron la iteración sin elevar la calidad del resultado. El profesorado que recibió formación en IA antes de un experimento de preparación de clases escribió prompts más largos y detallados que necesitaron menos refinamiento, mientras que el profesorado sin formación usó prompts más cortos y requirió más iteraciones posteriores, y aun así las valoraciones de expertos a ciegas sobre los materiales resultantes fueron iguales (Appel et al., 2026). El oficio del prompt compró aquí menos rondas de corrección, no un primer borrador más sólido.

• El estudiantado señala la alineación de la intención como la dificultad, no la sintaxis. Al encuestar a 234 estudiantes universitarios chinos, Fan y Liu (2026) encontraron que refinar tras una salida deficiente era la capacidad más respaldada (72,2%) mientras que fijar restricciones a la salida era la menos respaldada (66,2%, con un 22,2% neutral). Las preferencias de estrategia apenas se movieron entre una tarea de investigación y un encargo creativo: de cuatro pares emparejados solo la especificación del formato de salida difirió tras la corrección (0,26 puntos, dz = 0,233, p ajustada por BH = 0,002). Una plantilla fija de rol, tarea y formato obtuvo el apoyo más débil de cualquier estrategia general, con un 59,4%. Entre el 12,8% que respondió a una pregunta abierta, la alineación de la intención apareció en el 40,0% de los comentarios, y añadir más detalle no arreglaba de forma fiable un intercambio atascado. Todo ello es autoinforme de un único cuestionario.

Concepciones erróneas

• «La calidad del prompt es un atributo del estudiantado.» La cognición del prompt sigue a la disciplina, no al estudiantado: Chang y Li (2026) clasificaron 60.087 prompts de 116 cursos y encontraron que la disciplina predecía la sofisticación del prompt. Enseñar al estudiantado a formular mejores prompts aborda una variación que reside en la materia.
• «El estudiantado desarrolla su propia práctica de prompting.» Cuando el docente modeló el prompt, el estudiantado lo reutilizó literalmente: entre 310 prompts registrados de doce grupos STEAM de secundaria, la copia exacta de la instrucción del docente fue frecuente. El modelado produce reproducción, y por eso es una palanca de diseño del sistema y no una competencia transferible.
• «El prompting es primero una competencia de quien aprende y después una propiedad del sistema.» Esto desplaza el prompting hacia una palanca de diseño adaptativo del sistema, con efectos medidos sobre la implicación y la eficiencia (28,1% frente a 19,6% de conversión de ejercicios). Las posibilidades de prompting de la interfaz movieron la conducta más de lo que lo hizo la instrucción sobre prompting.

Conceptos conectados

• Patrones pedagógicos — La capa de andamiaje dentro de las secuencias de uso estructurado
• Vibe coding
• Salvaguardas
• Andamiaje
• Alfabetización en IA
• IA agéntica
• Metacognición
• Diseño curricular
• Descarga cognitiva
• Escritura
• K-12
• IA generativa
• Diseño de aprendizaje
• Enseñanza de la informática
• Educación superior
• Tecnologías — Marco general: tecnologías y técnicas de IA (modelos, entrenamiento de LLM, robótica, RAG, agentes)

Artículos conectados

• Who benefits from LLMs? Prompt engineering competence and equity in higher education — la competencia en prompts predice las ganancias y media el capital digital familiar; un andamiaje de cinco partes es entrenable

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Los prompts de rol y restricciones del agente como variable de diseño en el aprendizaje de la física (Wang et al. 2026)

• How to train your dragon: Evaluating prompting and fine-tuning for GPT-based item generation in L2 listening assessment — Prompting frente a ajuste fino para la generación de ítems de comprensión auditiva en L2 con GPT (Aryadoust y Wong 2026)

• What students ask matters: LLM interaction depth, task quality, and immediate recall in higher education — Lo que el estudiantado pregunta importa: profundidad de la interacción con LLM, calidad de la tarea y recuerdo inmediato (Tsiligkiris 2026)

• ARPG+: a simulation-based study of real-time coaching for educational LLM prompting — ARPG+: coaching en tiempo real para el prompting educativo con LLM

• A Taxonomy of LLM-Supported Tasks for Critical AI Literacy in Journalism — Taxonomía de tareas de LLM basada en tareas para la alfabetización crítica en IA en el periodismo

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Privilegio del prompt: medición y mitigación de las disparidades de accesibilidad en el acceso a los LLM

• Principal Trait Analysis: Towards Deriving "Skills" in Human-AI Collaboration — Análisis de Rasgos Principales: rasgos de la colaboración humano-IA derivados de los datos

• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — Los LLM en la enseñanza de la lingüística del texto

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — El marco IDEA para el uso metacognitivamente regulado de la IA generativa

• Automatic Large Language Models Creation of Interactive Learning Lessons — Generación con LLM de lecciones interactivas de formación de tutores (Lin et al. 2025)

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module

• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline

• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting

• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring

• Cognitive offloading in student–AI collaboration: A longitudinal analysis of prompting strategies

• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing

• Translating UNESCO artificial intelligence guidelines to chemical education and its intersection with sustainable development goals — Las directrices de IA de la UNESCO traducidas a la educación química; deriva epistémica

• An empirical study of ChatGPT use in engineering education: Prompting and performance — Las conductas de prompting predicen el rendimiento de los estudiantes de ingeniería

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Implicación cognitiva por nivel de Bloom asociada a la disciplina en conversaciones entre estudiantes e IA (Chang y Li 2026)

• From evaluation to emulation: LLMs as agents of iterative pedagogical design — Los LLM como agentes de diseño pedagógico iterativo

• ChatGPT-assisted lesson planning for children's STEAM arts education: An experimental study on benefits, challenges, methods, and a prompt framework

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Ingeniería de prompts frente a alfabetización en prompts: un marco de participación centrado en el ser humano con IA generativa en cinco fases y un Ciclo de Alfabetización en Prompts de cinco pasos (Miles, Haber-Curran y Arar 2026)

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — La ingeniería de prompts y la selección de modelo como predictores de la calidad de la retroalimentación con IA (Jacobsen et al. 2026)

• Evaluating feedback focus and pedagogical adaptivity in LLM-generated feedback on student writing — Evaluación del Foco de la Retroalimentación y la Adaptatividad Pedagógica en la Retroalimentación Generada por LLM sobre la Escritura del Estudiantado

• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — Los grupos STEAM de secundaria copiaron literalmente la instrucción del docente en el 47,1% de los prompts

• Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring — Uso del Diseño Centrado en la Evidencia para guiar la ingeniería de prompts en medición: una ilustración con puntuación automatizada de ensayos

• Human–AI collaborative patterns in GenAI-supported instructional design among pre-service teachers: an analysis of interaction sequences and cognitive load — Los prompts vagos produjeron bucles de aclaración autorrepetitivos con la mayor brecha de frustración

• Generative artificial intelligence prompting strategies among Chinese university students across academic tasks — 234 estudiantes sobre qué les resulta difícil: la alineación de la intención, no la sintaxis del prompt

• Who benefits from LLMs? Prompt engineering competence and equity in higher education — la competencia en ingeniería de prompts como vía de equidad, con un experimento de andamiaje entre modelos (Li et al. 2026)

• Learning engagement and creative self-beliefs in generative AI-supported design education: self-reported prompt literacy and dimensions of AI dependence — la alfabetización en prompts como capacidad percibida que aun así predice la implicación