Conceptos
Escritura
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Escritura — el uso de herramientas de IA para la enseñanza de la escritura, la evaluación, la retroalimentación y el estudio de cómo la IA generativa reconfigura el propio proceso de escritura. La educación de la escritura es uno de los dominios más afectados por la IA, porque los LLM destacan precisamente en las actividades en las que se centra la enseñanza de la escritura: la generación de texto, la revisión y la evaluación. La investigación en esta área abarca la calificación automatizada, la calidad de la retroalimentación con IA, el apoyo al proceso de escritura, la escritura en segunda lengua, la integridad académica y la pregunta más profunda de cómo la IA cambia lo que significa escribir y ser quien escribe.
Preguntas para reflexionar
- Si la escritura es una forma de pensar y no solo un producto, ¿qué ocurre en tu pensamiento que un párrafo final producido por la IA simplemente borra? Cuando escribes, ¿qué ocurre en tu pensamiento que un párrafo final producido por la IA simplemente borra?
- Un encuadre habitual es «la IA como herramienta» o, en el extremo opuesto, «la IA como amenaza para la autoría». Hay una tercera visión: la escritura como un entrelazamiento humano-IA en el que la agencia se distribuye. ¿Cuál de estos encuadres coincide con tu propia experiencia de escribir con o sin IA, y qué implica cada uno para cómo enseñarías?
- La investigación encontró que delegar las capas más profundas de la escritura — el razonamiento y la lógica argumentativa — perjudica más tu escritura independiente que delegar capas superficiales como la gramática. Piensa en tu último texto escrito con ayuda de IA. ¿Qué capa delegaste realmente, y qué predice eso sobre lo que puedes hacer ahora por tu cuenta?
- La retroalimentación de escritura con IA no es lingüísticamente neutra: personalizarla con la raza, la lengua o la discapacidad de un estudiante puede desviarla en direcciones alineadas con estereotipos, como elogiar en exceso o retener la crítica. Si has recibido o dado retroalimentación con IA «personalizada», ¿cómo detectarías que una herramienta estaba suavizando su crítica para cierto estudiantado?
- La orientación de diseño que se da aquí es «acompañar, no redactar»: que la IA haga preguntas y critique esquemas, pero que exija a quien aprende producir primero la prosa. ¿Por qué permitir que quien aprende redacte antes de que intervenga la IA podría proteger la autoría y el juicio de un modo que una herramienta que escribe el borrador no podría?
- Un hallazgo: el estudiantado a menudo dice «está bien porque…» para racionalizar el uso de la IA, lo que traslada el asunto de la vigilancia del plagio hacia la ética y la alfabetización en IA. Si diseñaras un curso de escritura, ¿cómo integrarías en él la honestidad y el juicio ético sobre la IA, en lugar de depender de la detección o el castigo?
Introducción
La escritura no es solo un producto, sino un proceso cognitivo, social y retórico. Por eso el impacto de la IA en la educación de la escritura es tan trascendental y tan discutido: la IA puede ser un andamiaje que ayude al estudiantado a redactar, revisar y recibir una retroalimentación que de otro modo no obtendría, pero también puede desplazar el trabajo cognitivo — y el público humano — que convierten la escritura en una actividad de aprendizaje. La investigación enmarca de forma consistente la IA en la escritura como un complemento centrado en las personas de los procesos sociales y cognitivos de la escritura, y no como un sustituto. Donde el foco es el inglés en concreto — el inglés con fines académicos (EAP) y la enseñanza de la lengua inglesa (EFL/ESL/L2) —, véase la página de concepto dedicada a la educación en inglés, que distingue la investigación específica del inglés y del registro académico de la escritura general y el aprendizaje general de lenguas.
Cómo aparece la IA en la educación de la escritura en la investigación
-
Evaluación automatizada de ensayos: los sistemas de evaluación automatizada de ensayos como la evaluación automatizada de ensayos basada en anclas y AIAWE evalúan la escritura del estudiantado a escala, lo que plantea preguntas sobre la validez de constructo y la reducción de la escritura a características medibles. Para la escritura argumentativa breve (unas 150–200 palabras) en español, la concordancia de la calificación con IA varía bruscamente según la dimensión de la rúbrica (Curi et al., 2026): los ítems orientados a la estructura y el registro — introducción, conclusión, registro, concordancia nominal, concordancia sujeto-verbo — alcanzaron en la edición de 2025 una concordancia moderada corregida por azar con quienes califican de forma humana, mientras que los ítems lingüísticos de nivel micro (vocabulario, sintaxis, puntuación, conectores, argumentación) se mantuvieron en el rango de aceptable a leve. Esto sugiere que la asistencia de los LLM es más defendible para los rasgos macro del discurso y que las convenciones lingüísticas de bajo nivel deberían mantener herramientas deterministas o revisión humana.
-
Un sesgo que depende de la calidad. Los calificadores GPT y Llama estándar concordaron débilmente con evaluadores humanos (QWK 0,17–0,28 frente a 0,72 entre dos personas), puntuaron de más los ensayos cortos y poco desarrollados y de menos los más largos y sólidos por errores superficiales menores (Mathew et al. (2026)).
-
Puntuar más muestras, no modelos más grandes. En un estudio de cribado universal de 3.º a 6.º grado, las puntuaciones de juicio comparativo con LLM convergieron con las rúbricas de quienes investigan (r = .59–.73) y promediar las tres oleadas de cribado elevó la validez de criterio (β = .68–.74 para la escala de artes del lenguaje, AUC = .82–.86 para la competencia), mientras que una mayor capacidad o coste del modelo aportó poco (Mercer y Reed (2026)).
La concordancia es una propiedad de los textos, no de quien califica: Li (2026) puntuó 60 publicaciones de marketing del estudiantado con reglas deterministas, un LLM y un híbrido de pesos iguales — el LLM lideró con ICC(2,1) = 0,435, mientras que el 0,266 del híbrido conservaba el sesgo negativo de las reglas — y añadir 15 anclas de baja calidad elevó el LLM a .846.
-
Retroalimentación de escritura: la investigación sobre la calidad de la retroalimentación con IA (IA generativa frente a retroalimentación docente, retroalimentación cuidadosa, retroalimentación repetida con IA) examina si la retroalimentación con IA mejora la escritura y cómo se compara con la humana. El modelo PAIRR (Revisión entre pares y con IA + reflexión) combina la IA con la evaluación entre pares y encuentra que la retroalimentación con IA es más útil en un proceso centrado en las personas. Un cuasiexperimento de 8 semanas con 61 escritores chinos de L2 (Tang et al., 2026) da forma concreta a esa afirmación centrada en las personas: la retroalimentación del profesorado aportó muchos más elementos (316 frente a 185 en la primera tarea) y repriorizó hacia la organización y la argumentación, pero su ventaja en las revisiones entregadas se diluyó de 4,06 a 2,73 puntos en cuanto una segunda tarea exigió cambios estructurales, mientras que la retroalimentación entre pares asistida por IA mantuvo un foco más estrecho y estable y se puso por delante (3,89 puntos, con una media de revisión de la tarea 2 de 89,82 frente a 88,35 del grupo de control, una diferencia pequeña que no alcanzó significación). Ninguno de los dos modos movió la complejidad sintáctica, así que los autores abogan por una división del trabajo híbrida «IA-Pares-Profesorado»: la IA para marcar errores y orientar el contenido, los pares para negociar las revisiones, el profesorado para la sintaxis compleja y la argumentación.
-
Emparejar la IA con la retroalimentación entre pares eleva la implicación y las puntuaciones de escritura. En un curso chino de inglés como lengua extranjera de 10 semanas, añadir la retroalimentación de ChatGPT antes de la revisión entre pares aumentó la implicación conductual, afectiva y cognitiva (η² parcial de 0,28 a 0,32) y mejoró las cuatro dimensiones de escritura del IELTS, sobre todo el logro en la tarea (d = 1,41) y los recursos léxicos (d = 1,28) (Liu (2026)).
-
La retroalimentación con IA no se adapta a las etapas de escritura como lo hace el profesorado. Almousa et al. (2026) encontraron que el profesorado cambiaba significativamente en cinco tipos de foco de retroalimentación entre las etapas del borrador —el elogio subía del 26,9% inicial al 84,9% en los borradores finales—, mientras que el modelo más cercano se movía en tres tipos y el más pequeño en ninguno, y ningún modelo reprodujo la diferenciación que hacía el profesorado entre estudiantes de mayor y menor rendimiento.
-
Revisión y posicionamiento dialógico: mientras que la mayoría de la investigación sobre retroalimentación de escritura pregunta si una revisión mejoró el texto, Zhao y Ji (2026) preguntan qué postura adopta el texto revisado. Al codificar 168 ensayos argumentativos de inglés como lengua extranjera con la Teoría de la Valoración —primeros borradores, revisiones tras la retroalimentación entre pares y revisiones con ChatGPT-4 de esos mismos borradores—, encontraron que las tres condiciones eran estadísticamente indistinguibles en cuánto lenguaje de Compromiso usaban, pero estaban configuradas de forma distinta: las revisiones con retroalimentación entre pares se volvieron más contractivas (más Contra y Refuerzo, menos Apertura), mientras que las revisiones con IA mantuvieron una mezcla más equilibrada de Contrato/Expansión que combinaba un contraargumento más fuerte con una cautela continuada. Su lectura es que una revisión con IA es más útil como texto de contraste con el que el estudiantado compara su propia revisión que como respuesta modelo, y que la retroalimentación con IA sobre la argumentación puede mejorar la prosa mientras cierra en silencio el espacio dialógico de quien escribe, una dimensión que ninguna rúbrica actual captura.
-
Apoyo al proceso de escritura y agencia: la investigación sobre la brecha de agencia y la investigación sobre la titularidad por etapas exploran cómo la IA cambia el proceso de escritura desde la planificación hasta la revisión, y cómo se ve afectada la agencia del estudiantado cuando la IA participa en distintas etapas.
-
El razonamiento debe conectarse con la revisión. Maike, un chatbot socrático que diagnostica argumentos y orienta las preguntas sin generar el texto del ensayo, produjo más diálogo a nivel de ideas (56% frente a 44% de los turnos) que un chatbot de control (Favero et al. (2026)). Las transiciones de las ideas discutidas a las ediciones se asociaron positivamente con las ganancias de puntuación, y alrededor del 40% de los 65 estudiantes de secundaria mejoraron sus ensayos.
-
Perspectivas poshumanistas: un enfoque poshumanista de la alfabetización en IA reformula la escritura como un entrelazamiento humano-IA en el que la agencia se distribuye, y desafía tanto la antropomorfización acrítica de la IA como su desestimación como mera herramienta: una visión relacional y no transaccional de la alfabetización en IA.
-
Escritura en L2 / multilingüe: la evaluación de la escritura en L2, la investigación sobre diversidad lingüística y la investigación sobre la titularidad por etapas abordan cómo la IA apoya (o limita) a quienes escriben en segunda lengua y de forma multilingüe, incluido el riesgo de reforzar las normas del inglés académico estándar. La muestra de L2 más joven de la investigación procede de un programa de nueve semanas de escritura de opinión apoyada por IA generativa con 301 estudiantes de 5.º y 6.º grado en el este de China (Lu et al., 2026), que elevó el yo ideal de escritura en L2 y la resiliencia académica y mejoró el uso de la lengua puntuado por rúbrica, mientras dejaba sin cambios la organización y las puntuaciones totales: el apoyo de la IA movió dimensiones específicas de la escritura y no la capacidad de escribir en su conjunto.
-
Sesgo en la retroalimentación personalizada (Marked Pedagogies): Tan et al. (2026) muestran que las herramientas de retroalimentación de escritura con LLM no son lingüísticamente neutras: personalizar la retroalimentación con la raza, la etnia, la designación de estudiante de inglés, la discapacidad de aprendizaje, el rendimiento o la motivación de un estudiante la desplaza sistemáticamente en direcciones alineadas con estereotipos — incluidos el sesgo de retroalimentación positiva y el sesgo de retención de retroalimentación (abuso del elogio, críticas menos sustantivas, supuestos de capacidad limitada) hacia el estudiantado marcado por su raza, su lengua o su discapacidad, incluso cuando el ensayo es idéntico. Esto convierte la «personalización» misma en un vector de sesgo que las herramientas de retroalimentación de escritura deben auditar y controlar.
-
Integridad académica: la evidencia de encuesta complica directamente el encuadre de vigilancia: entre 504 estudiantes de sociología (Kuznetsov et al., 2026), el 65 por ciento había usado IA generativa para trabajos de curso, pero solo el 3 por ciento para generar el texto de una tarea y el 2 por ciento para producir un borrador completo, mientras que el miedo a cometer una falta académica fue la segunda preocupación más común (28 por ciento) y alrededor de una cuarta parte informó de no haber recibido ninguna orientación (19 por ciento) o de haber recibido una que le pareció poco clara. Con esta evidencia, el problema de la educación de la escritura es la ambigüedad sobre el uso permitido, y no la generación de texto generalizada. Nash y Burriss (2026) muestran cómo se produce esa ambigüedad en el aula. Al codificar, entre 27 docentes de artes del lenguaje en formación, las políticas sobre IA de aula que habían redactado, encontraron que 26 de 27 permitían algún uso de IA generativa, pero abrumadoramente en términos especificados por el docente, con 22 de 27 permitiendo la IA para la ideación y la lluvia de ideas y prohibiéndola para componer frases, párrafos o trabajos. Los límites rara vez se operacionalizaban — una participante permitía la IA «para poner en marcha tu pensamiento» y declaraba «aquí es donde debe trazarse la línea» sin decir dónde —, y muchas políticas prohibían a la vez entregar texto de IA y hacían al estudiantado responsable del texto de IA que entregaba, una contradicción que deja al estudiantado sin poder cumplir. Veintidós de las 27 políticas guardaban silencio sobre la lectura en su conjunto, dejando el trabajo de comprensión asistido por IA sin ninguna orientación.
-
El límite se mueve con la tarea, no con la herramienta. De 192 registros de prácticas, la edición fue Responsable en 21 de 22, mientras que la redacción fue Responsable en 11, Controvertida en 9 y Problemática en 13, así que la capacidad evaluada y no la herramienta fija la categoría (Tie, Gil Ortega y Zhao (2026)). Solo cuatro estudios definieron un límite, diseñaron una intervención en torno a él y comprobaron si las decisiones se ajustaban a él.
-
La política diverge en cinco sitios. Al entrevistar a 20 estudiantes de grado, Kim y sus colegas localizan cinco sitios distintos de política sobre IA —la intención del profesorado, la política formal, la interpretación del estudiantado, la autopolítica y la práctica— y catalogan 23 racionalizaciones, en su mayoría ad hoc y a posteriori, que explican por qué las reglas de un sitio rara vez moldean la conducta en otro (Kim et al. (2026)).
-
La calificación es donde la orientación se agota. En entrevistas con 24 profesores universitarios de escritura de China continental, Hong Kong, Macao y Singapur, seis declararon que no había ninguna norma institucional sobre si pueden calificar el trabajo del estudiantado con IA, y la consecuencia fue tener colegas que se niegan por principio junto a colegas que ya lo hacen (Wu y Lam (2026)).
-
El cumplimiento puede enmascarar la ausencia de indagación (borrado académico). A partir de 49 relatos de educadores, Nwagboso y Atuba (2026) nombran el borrado académico —una fluidez que satisface todos los criterios superficiales mientras elude el trabajo epistémico de la argumentación— y rastrean su causa hasta la cultura de la evaluación, donde las rúbricas que premian el pulido hacen del uso de la IA la respuesta racional y no una falta de conducta.
-
Corbin et al. (2026) rastrean ese factor más atrás: el ensayo evaluado ya se había convertido en un informe de investigación —tesis, evidencia, conclusión reformulada—, abandonando el intento ensayístico cuyo valor residía en el pensamiento que la escritura producía.
-
La mayor prueba aleatorizada de apoyo estructurado de ChatGPT a la escritura está en inglés como lengua extranjera. Wardat y Akour (2026) aleatorizaron a 300 estudiantes de grado jordanos de cuatro universidades y midieron una ventaja ajustada de 9,964 puntos sobre la enseñanza convencional (η² parcial = 0,545), sin prueba posterior diferida.
La escritura como pensamiento
Como la escritura es un proceso cognitivo, la investigación sobre IA y escritura se conecta con la descarga cognitiva (¿el apoyo de la IA a la escritura puentea el pensamiento?), la metacognición (¿mejora la retroalimentación con IA la autoevaluación?), el aprendizaje autorregulado (¿regula el estudiantado su uso de la retroalimentación con IA?) y la alfabetización en IA (¿puede el estudiantado evaluar críticamente la escritura generada por IA?). La investigación sobre el andamiaje del pensamiento crítico y la retroalimentación con IA para el pensamiento crítico muestra que el valor pedagógico de la IA en la escritura depende de si provoca reflexión y juicio en lugar de sustituir la respuesta.
La autoría del ensayo siguió el volumen de indicaciones en una tarea de síntesis —el 80% del texto escrito por quien aprende en el grupo de indicaciones mínimas frente al 2% en el de indicaciones más intensas—, mientras que la densidad de conectores correlacionó negativamente con el conocimiento previo y no con el número de indicaciones (r = -0,30, p = 0,007; Poquet et al., 2026).
Una validación de dos olas con estudiantes chinos de inglés como lengua extranjera (EFA N = 305; CFA N = 342) separa seis dimensiones regulatorias y añade la regulación ambiental —comprobar el contenido generado, filtrar los recursos sugeridos y limitar la dependencia—, una faceta que las escalas existentes de escritura en L2 no incluían (Wang, Zhang y Zhang (2026)).
Chen (2026) afina esto con un relato sensible a las capas de la descarga cognitiva en la escritura académica asistida por IA generativa: delegar las capas más profundas (el razonamiento, la lógica argumentativa) conlleva una asociación negativa más fuerte con la calidad de la escritura independiente sin IA y con el pensamiento de orden superior que delegar las capas superficiales (gramática, vocabulario). La colaboración abierta con IA produjo el mejor producto respaldado, pero los peores resultados independientes, mientras que un apoyo acotado con reflexión preservó la competencia: evidencia de que el apoyo de la IA generativa a la escritura no es uniformemente dañino, sino que su efecto depende de qué capa cognitiva delegue el estudiantado.
- Condicionar la salida de la IA a una implicación previa devuelve el esfuerzo a quien escribe. Con 398 participantes, Su et al. (2026) encontraron que quienes escribían componían durante 28,02 minutos frente a 23,26 con un chatbot abierto, y luego evaluaban pasajes más rápido (17,41 frente a 22,21 minutos) con igual exactitud y sin tiempo adicional de tarea. Donde Chen sitúa el coste en qué capa se delega, este diseño decide cuándo puede hablar el modelo.
Lu et al. (2027) extienden este razonamiento a la composición multimodal por parte de escritores más jóvenes. Hacer que 60 estudiantes de 5.º grado externalizaran sus narrativas como imágenes y vídeos cortos generados por IA produjo ganancias sostenidas autoinformadas en interpretación, análisis, evaluación y explicación — las facetas que ejercita la resemiotización multimodal —, pero ninguna ganancia en inferencia. Hacer explícito visualmente el significado rebajó la exigencia de inferir el significado implícito del texto, exactamente el mecanismo de descarga que describe Chen; solo una discusión estructurada entre pares restauró las ocasiones de inferir. El estudio advierte que la composición con IA multimodal ayuda a los escritores jóvenes a reflexionar sobre la claridad y la coherencia, a la vez que puede descremar el trabajo inferencial que preserva la escritura solo textual: una consideración de diseño para el profesorado de escritura que combina recursos visuales de IA con la retroalimentación entre pares.
Un patrón específico de cada dimensión se repite en esta literatura, y es un diagnóstico útil. En el programa de escritura en L2 de primaria, la implicación emocional y conductual aumentó mientras que la cognitiva y la metacognitiva no lo hicieron, y los autores señalan la disminución del automonitoreo durante la escritura como un riesgo explícito del apoyo con IA generativa (Lu et al., 2026). El disfrute y la actividad centrada en la tarea no son, por tanto, evidencia de que esté ocurriendo un procesamiento más profundo: la misma distinción que traza la investigación sobre la descarga cuando pregunta qué capa del trabajo cognitivo ha delegado un estudiante.
Un metaanálisis de 2026 (Teng, 2026) de 11 efectos a nivel de estudio extraídos de 31 estudios refuerza el diagnóstico desde la dirección opuesta. Informa de una ventaja media grande para la enseñanza de la escritura apoyada por IA generativa (g = 0,80), pero con una heterogeneidad lo bastante alta como para que una nueva implementación pudiera plausiblemente no mostrar ningún beneficio, y el único moderador robusto fue la clasificación del riesgo de sesgo y no ningún rasgo pedagógico: la calidad del estudio, y no el diseño didáctico, explicaba la mayor parte de la varianza. La misma síntesis encuentra que la IA generativa es consistentemente más fuerte en los rasgos de orden inferior (gramática, diversidad léxica, fluidez de la frase), mientras que los efectos de orden superior sobre la argumentación y la coherencia siguen siendo inconsistentes, que es precisamente la brecha de capas en el centro del problema de diseño.
Diseñar el apoyo de la IA a la escritura: acompañar, no redactar
Como la escritura no tiene una única respuesta correcta, las herramientas de escritura con IA exigen un diseño distinto al de los tutores con respuestas verificables. La orientación de diseño (véase el ejemplo desarrollado del acompañante de escritura con IA en la pregunta frecuente sobre diseñar un tutor de IA) se centra en preservar la autoría y el juicio evaluativo en lugar de producir texto acabado:
- Rastrear capacidades de escritura, no solo puntuaciones de ensayos. El modelo de quien aprende de un acompañante de escritura puede rastrear la argumentación (especificidad de la tesis, alineación entre afirmación y evidencia, contraargumento), la organización, la integración de la evidencia, la revisión y el estilo, de modo que la retroalimentación se dirija a capacidades que persisten entre ensayos.
- Anclar la retroalimentación en la tarea. Recuperar el enunciado real, la rúbrica, las lecturas del curso, las convenciones de cita y de género y la política de uso de IA, para que la retroalimentación se refiera a la tarea concreta en lugar de inventar expectativas genéricas.
- Tratar de forma distinta las etapas de la escritura. La participación de la IA en la planificación reduce menos la titularidad percibida que en la redacción, y la redacción generada por IA produce la mayor caída de titularidad. Así, un acompañante puede hacer preguntas y criticar esquemas en la planificación, mientras exige a quien aprende producir primero la prosa en la redacción.
- Hacer la retroalimentación priorizada y reflexiva. Cada ronda puede ofrecer una fortaleza que preservar, un problema de alto impacto, una pregunta que exija el juicio de quien escribe y un objetivo de revisión concreto, y el acompañante debería pedir a quienes aprenden que valoren si están de acuerdo con una sugerencia, desarrollando el juicio evaluativo en lugar de la obediencia.
- Enseñar el proceso, y no solo la herramienta. Una unidad de proceso y género de cinco semanas que construyó la planificación, el análisis de género y la revisión en torno a la escritura multimodal apoyada por IA elevó los tres resultados en un cuasi-experimento con 32 estudiantes de séptimo grado (texto informativo r = 0,66; multimodal r = 0,84; escritura asistida por IA r = 0,86) (Günay y Özden, 2026).
- Preservar la voz autoral y proteger frente a la homogeneización. El acompañante debería distinguir errores, problemas de claridad, elecciones retóricas y preferencias de estilo, y no «corregir» automáticamente estas últimas, sobre todo en el caso de quienes escriben de forma multilingüe y de estilos retóricos no estándar.
Dos síntesis recientes matizan hasta qué punto se sigue esta orientación de diseño en la práctica. Una revisión de 23 estudios empíricos de personalización (Luo, 2026) encuentra que, aunque los objetivos se han desplazado hacia los procesos de escritura y las habilidades de orden superior, la vía técnica dominante sigue siendo la ingeniería de prompts (13 de 23 estudios) orientada a optimizar la calidad de la salida, con la teoría del aprendizaje confinada a la interfaz, de modo que el sistema se comporta «en gran medida de forma ajena a la teoría»: un desajuste que ayuda a explicar la dependencia excesiva y la revisión superficial que notifican esos mismos estudios. Su reformulación consiste en tratar la personalización como arquitectura y no como redacción: secuenciar etapas, retener respuestas e incorporar bucles de revisión. Un flujo de trabajo estructurado en cinco partes, probado durante 11 semanas con 53 estudiantes saudíes de grado de inglés como lengua extranjera (Alshehri et al., 2026), muestra la alternativa en la práctica: el estudiantado enmarca problemas y diseña prompts, redacta, revisa, verifica afirmaciones y citas contra bases de datos académicas y regula su propia dependencia, registrando qué acepta o rechaza y por qué. La competencia en escritura y el pensamiento crítico digital subieron juntos en esa condición (15,23 frente a 11,91 y 89,84 frente a 56,18 en la posprueba), mientras que el grupo de control sin IA apenas se movió, aunque el resultado de una sola sede y en parte autoinformado es un límite superior preliminar y no un efecto establecido.
Una revisión de alcance de 51 estudios de retroalimentación con IA generativa en segunda lengua encontró que las medidas de calidad de la escritura a menudo no guardaban relación con la retroalimentación que se había pedido al modelo, y que emparejar la IA con la retroalimentación del profesorado superaba a cualquiera de las dos fuentes por separado (Crosthwaite y Sun (2026)). Esos estudios son abrumadoramente anglófonos, 46 de 51, y el chino y el árabe como primeras lenguas dominantes del estudiantado.
Esta postura de acompañar y no redactar es la expresión en el dominio de la escritura del principio general, «acompañar en lugar de servir de muleta»: identificar la actividad cognitiva que produce aprendizaje (planificar, redactar, evaluar, revisar) y diseñar la IA para sostenerla sin quitársela a quien aprende.
Conexiones
La educación de la escritura se conecta con la evaluación automatizada de ensayos, la calidad de la retroalimentación con IA, la integridad académica, la descarga cognitiva, la alfabetización en IA, el aprendizaje de lenguas, la evaluación formativa, la evaluación entre pares, la metacognición, el aprendizaje autorregulado y la educación superior. Es un dominio donde las capacidades y los riesgos de la IA son ambos muy visibles, lo que lo convierte en un sitio rico para estudiar cómo la IA transforma la pedagogía, la evaluación y la propia naturaleza de la autoría y la agencia.
Qué exige la IA generativa a la tarea
Al Nafjan (2026) propone el Marco de Alineación entre Rigor y Compromiso (RCAF), que sitúa la implicación en la tarea de escritura y en la enseñanza que la rodea y no en la herramienta (Rigor, commitment, and generative AI: a conceptual framework for student engagement in EAP writing). El rigor académico es la exigencia que una tarea plantea al esfuerzo cognitivo sostenido y al razonamiento disciplinar, y el marco lo divide en exigencia cognitiva, autenticidad epistémica y responsabilidad de desempeño. El compromiso docente se define de forma estrecha, como compromiso con el aprendizaje del estudiantado puesto en acto mediante la capacidad de respuesta instruccional, el apoyo relacional y el andamiaje crítico, y no como un rasgo que una persona docente tiene o no tiene. El autor es explícito en que el RCAF es proposicional y no ha sido validado empíricamente, así que es un vocabulario de diseño para programas de escritura y no un efecto probado.
Para el diseño de tareas, la afirmación es que el rigor y el compromiso interactúan en lugar de sumarse. Se prevé que una exigencia alta con un apoyo escaso empuje al estudiantado hacia la ocultación y los juegos de detección, mientras que la calidez sin exigencia deja que una salida fluida pase por aprendizaje. Solo se prevé que la configuración de alta exigencia y alto apoyo produzca una implicación profunda, con el juicio evaluativo haciendo el trabajo de decidir cuándo una salida es útil, insuficiente o engañosa. Como la IA generativa puede producir prosa académica aceptable, el marco impone a la evaluación de la escritura una obligación concreta: exigir borradores y revisiones visibles para que el desempeño siga ligado al pensamiento que se supone que representa.
Implicaciones para el profesorado de escritura
-
Enmarcar la IA como complemento, y no como sustituto, del proceso de escritura. La investigación trata de forma consistente la IA como un andamiaje para redactar, revisar y dar retroalimentación, a la vez que protege el trabajo cognitivo y el público humano que convierten la escritura en una actividad de aprendizaje: acompañar en lugar de servir de muleta.
-
Hacer de la IA generativa algo que el estudiantado interrogue en lugar de entregar. En el módulo de primer año de analista de negocios de Alam y Jackson, la IA generativa se permitía dentro de límites que prohibían entregar texto generado y listas de referencias formateadas por IA, y, cuando el estudiantado la usó, algunos contestaron contraargumentos y rechazaron borradores en lugar de aceptarlos. Los autores consideran que la herramienta encaja bien con los contraargumentos, las estructuras alternativas y las correcciones lingüísticas, y mal con el juicio y la valoración de la evidencia que la evaluación pretendía calificar (Alam y Jackson, 2026).
-
Usar la retroalimentación con IA dentro de un proceso centrado en las personas. PAIRR encuentra que la retroalimentación con IA es más útil combinada con la revisión entre pares y la reflexión; diseñe bucles de retroalimentación que mantengan en el centro al profesorado y al público de pares.
-
El estudiantado quiere a la persona en el extremo de altas consecuencias. Yildirim-Erbasli et al. (2026) hallaron que el 81,7 por ciento de 93 estudiantes de grado prefería la calificación humana para un trabajo final que valía el 40 por ciento de la nota, confiaba en la IA para la gramática y la mecánica pero no para la escritura creativa, y quería que una persona revisara la calificación de la IA.
-
Auditar la retroalimentación automatizada en busca de sesgo. Marked Pedagogies muestra que la retroalimentación con LLM se desplaza en direcciones alineadas con estereotipos cuando se personaliza con atributos del estudiantado: vigile el sesgo positivo y el de retención, y deje explícito que la personalización puede ser un vector de sesgo.
-
Proteger el trabajo cognitivo de la escritura. Vigile la dependencia excesiva que puentea la planificación, la revisión y la autoevaluación; use la IA en etapas elegidas (titularidad por etapas) para proteger la agencia del estudiantado.
-
Diseñar para empoderar en lugar de para imponer. Un estudio PLS-SEM con 327 estudiantes chinos de grado de inglés como lengua extranjera (Li y Zhang, 2026) puso a prueba las dos palancas que el profesorado de escritura realmente tiene y encontró que solo una funciona. La alfabetización en ingeniería de prompts con IA predijo con fuerza la competencia percibida, la seguridad psicológica y la motivación intrínseca, y las tres necesidades psicológicas mediaron parcialmente su vínculo con la implicación en la revisión profunda, con la motivación intrínseca como el factor individual más potente de la revisión profunda. Los mandatos externos no tuvieron ningún efecto directo. La traducción práctica es que exigir una revisión profunda no la produce: puede que el requisito impositivo sea necesario para que la revisión ocurra, pero la profundidad viene de construir la capacidad de prompting del estudiantado y la motivación intrínseca y la seguridad psicológica que se derivan de ella.
-
Abordar la integridad académica de forma constructiva. Pasar de vigilar el uso de la IA a construir la alfabetización en IA y un encuadre de uso ético que permita al estudiantado usar la IA sin incurrir en faltas involuntarias.
-
La detección no es una estrategia de integridad para la escritura. Bassett et al. (2026) sostienen que las puntuaciones de los detectores no pueden cumplir el estándar de balance de probabilidades que exigen los casos de integridad, y que la dicotomía humano-o-IA malinterpreta el trabajo creado con IA en lugar de por IA, y recomiendan que las instituciones muevan el presupuesto de la detección y la vigilancia hacia el diseño de la evaluación y la alfabetización en IA.
-
«La retroalimentación y la calificación son resultados independientes.» No lo son, y el orden importa: cuando se les indicó una calificación que contradecía el trabajo, los 22 modelos de referencia escribieron retroalimentación cuyo tono seguía la calificación indicada, y para ocho el desplazamiento por punto fue al menos tan grande como el que acompañaba a la calidad del trabajo. La medida es una regla de palabras validada en respuestas de tutoría, así que lee el tono y no el contenido. Genere o compruebe la calificación antes de escribir la retroalimentación.
-
«La corrección anónima es solo un gesto de equidad.» Es también un control experimental, y eliminarlo movió las notas. Las respuestas calificadas con una etiqueta de logro verdadera o intercambiada en el prompt difirieron entre 0,28 y 0,75 puntos en una escala de diez en todos los modelos probados, y el desplazamiento pasó por la descripción del estudiante y no por el trabajo (rho agrupada = +0,84). Un corrector al que se le indica el expediente del estudiante no está calificando solo el ensayo. Retener el contexto de quien aprende es el equivalente automatizado de la corrección anónima.
-
«Pedir un párrafo y pedir un ensayo son el mismo tipo de ayuda.» Los datos de rastreo los separan. En 361 mensajes registrados de 77 estudiantes universitarios de ensayo, las solicitudes que entregaban a la vez la planificación, la redacción y la revisión fueron la categoría más grande: 137 consultas de ese tipo de más de la mitad de las personas participantes. Dentro de ella, 20 pidieron un ensayo completo y 15 de las 77 (19,5%) entregaron ensayos sin ninguna palabra escrita por su cuenta. Pedir un párrafo en torno a una idea fue la categoría más pequeña, con 10 participantes. Codificar cada consulta contra el proceso de escritura muestra lo que un ensayo terminado no puede.
El relato de aula más completo de ese rediseño es el despliegue de PAIRR. Stillman et al. (2026) informan de 13 secciones de 10 cursos intensivos en escritura y 654 estudiantes en 2024, que abarcan escritura de desarrollo, composición de primer año, escritura profesional y cursos de escritura en STEM. El estudiantado leyó primero sobre modelos de lenguaje, después intercambió retroalimentación entre pares y solo entonces pidió a un chatbot retroalimentación guiada por la rúbrica. El prompt decía «No reescribas mi trabajo por mí». El argumento de los autores a favor de la secuencia es lo que el curso puede controlar: un modelo situado como una voz periférica no puede apoderarse del borrador sin que la rúbrica del profesorado lo note.
-
Separar la ideación de la expresión. Webb-Davies, Ratner y Bassett proponen una captura no calificada y observada del razonamiento —habla, notas o un mapa— antes de una entrega calificada escrita en casa con la IA permitida, con el argumento de que la producción de prosa y el razonamiento disciplinar son constructos separables (Webb-Davies et al., 2026).
-
Los detectores miden el pulido, no la autoría. En 135.389 pares de manuscritos editados, un mismo texto humano se acercaba o se alejaba de «IA» según el detector y la intensidad de la edición, así que la escritura no nativa editada profesionalmente se marca de forma sistemática (Park et al. (2026)).
-
Evaluar el proceso, no solo el ensayo. Winstone, Gravett y Elkington proponen mantener la tarea y añadir ventanas a cómo se construyó —borradores, registros, reflexión sobre las decisiones— con un lenguaje de rúbrica que acredite la revisión y el error; su ejemplo trabajado reduce un ensayo de 2.500 palabras a 1.500 más 1.000 palabras de evidencia del proceso, de modo que la calificación se mantiene igual (Winstone et al., 2026).
Concepciones erróneas
«El apoyo de la IA a la escritura es solo escritura más rápida.» La escritura es un proceso cognitivo, social y retórico, no meramente una salida, y por eso la IA puede desplazar justo el trabajo mental que hace de la escritura una actividad de aprendizaje. La orientación de diseño que se sigue es acompañar, no redactar: que el sistema cuestione y critique los esquemas mientras quien aprende produce la prosa. Una herramienta que genera el borrador ha eliminado el pensamiento que la tarea existía para desarrollar, por bueno que sea el borrador.
«Una mejor evaluación de la escritura necesita un modelo más grande.» Necesita más muestras. En un estudio de cribado universal de los cursos 3 a 6, las puntuaciones de juicio comparativo de los LLM convergieron con las rúbricas de los investigadores en r = 0,59–0,73, y promediar las tres oleadas de cribado elevó la validez de criterio a β = 0,68–0,74: una mejora que viene del diseño y no de la escala. Recurrir a un modelo mayor cuando el problema de fiabilidad es el muestreo es la palanca equivocada.
«La retroalimentación de la IA y la de los pares son sustitutos.» Se combinan. En un curso chino de EFL de 10 semanas, añadir la retroalimentación de ChatGPT antes de la revisión entre pares elevó la implicación conductual, afectiva y cognitiva (η² parcial de 0,28 a 0,32) y mejoró las puntuaciones de escritura en todos los casos. La secuencia es la que hace el trabajo: la pasada de la IA preparó al estudiantado para la pasada entre pares en lugar de sustituirla.
«El estudiantado actúa sobre la retroalimentación de la IA cuando se le ofrece.» La adopción es selectiva. Weston y Long (2026) siguieron a dos equipos de grado de biología que revisaban la introducción de una propuesta con la retroalimentación de IA construida por la docente: se atendieron 10 de 22 comentarios, las eliminaciones superaron a las adiciones, y los comentarios que exigían juzgar la coherencia o el respaldo de las afirmaciones se ignoraron por completo.
«Un modelo puede sustituir el patrón de retroalimentación del profesorado.» En la evidencia no lo ha hecho. El seguimiento de un docente a lo largo de las etapas del borrador encontró un movimiento significativo en cinco tipos de foco de retroalimentación —con el Elogio subiendo del 26,9% en los borradores iniciales al 84,9% en los finales—, mientras que el modelo más cercano se movió en tres y el más pequeño en ninguno, y ningún modelo replicó el patrón. La retroalimentación del profesorado redistribuye el énfasis según la etapa del borrador; la de los modelos tiende a mantener su distribución. Tratar la segunda como equivalente pierde la trayectoria.
Conceptos conectados
- Evaluación automatizada de ensayos
- Calidad de la retroalimentación de la IA
- Integridad académica
- Descarga cognitiva
- Alfabetización en IA
- Aprendizaje de lenguas
- Educación superior
- Metacognición
- Grandes modelos de lenguaje (LLM)
- IA generativa
- Evaluación formativa
- Evaluación entre pares
- Aprendizaje autorregulado
- Experiencia del estudiantado
- Alfabetización en retroalimentación
- Retroalimentación
- La IA en las disciplinas
- Enseñanza del inglés (EAP / EFL / ESL)
- Evaluación
- Agencia de quien aprende
- Reflexión
Artículos conectados
-
Thinking Is Not Writing: Designing AI Chatbots to Connect Reasoning and Revision — Pensar no es escribir: diseñar chatbots de IA que conecten el razonamiento y la revisión
-
Generative artificial intelligence in writing assessment: University professors’ perspectives and recommendations — 24 profesores de escritura sobre calificar con IA: beneficios para la retroalimentación, deriva en las puntuaciones, ninguna norma institucional
-
Generative AI and L2 Written Feedback Studies: A Scoping Review — Revisión de alcance de 51 estudios: lagunas de transparencia en los prompts y por qué la IA más el profesorado supera a cada uno por separado
-
Writing the rules for generative machines: Tensions and entanglements in preservice teachers' classroom AI policies — Políticas de aula sobre IA de docentes en formación: tensiones y entrelazamientos
-
A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Un marco con intervención humana para la calificación asistida por IA en la evaluación de escritura a gran escala
-
Validity of Large Language Model Comparative Judgment for Universal Writing Screening — Validez del juicio comparativo con grandes modelos de lenguaje para el cribado universal de escritura
-
Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)
-
Coach not crutch: Evidence that AI can improve writing skill despite reducing effort — Las herramientas de escritura con IA pueden mejorar la habilidad de escribir pese a reducir el esfuerzo (Lira et al. 2025)
-
LLMs Do Not Grade Essays Like Humans — Los LLM no califican ensayos como las personas (Mathew et al. 2026)
-
Peer and AI review + reflection (PAIRR): A human-centered approach to formative assessment — Revisión entre pares y con IA + reflexión (PAIRR)
-
A posthumanist approach to AI literacy — Un enfoque poshumanista de la alfabetización en IA
-
Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting — Evaluación automatizada de ensayos basada en anclas
-
AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — AIAWE: evaluación automatizada de la escritura
-
The agency gap in AI-supported writing: How reactive and proactive agent designs shape multimodal reasoning — La brecha de agencia en la escritura asistida por IA
-
From Planning to Revision: How AI Writing Support at Different Stages Alters Ownership — De la planificación a la revisión: el apoyo de la IA a la escritura en distintas etapas
-
Comparing Generative AI and teacher feedback: Student perceptions of usefulness and trustworthiness — Comparar la retroalimentación de la IA generativa y del profesorado
-
"It's OK Because.": The Wild West of Student Rationalization of AI Use in Academic Writing — «Está bien porque…»: el salvaje oeste de la racionalización del estudiantado
-
The care-full craft of feedback in an age of generative AI — Enfoques de retroalimentación cuidadosa
-
Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs — Evaluación autorreferencial de la escritura en L2
-
AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Sistemas de retroalimentación entre pares con IA
-
Student Evaluation of Repeated AI Feedback Across a Semester of Writing — Evaluación del estudiantado de la retroalimentación repetida con IA
-
Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — Usar la retroalimentación generada por IA para mejorar el pensamiento crítico
-
Marked pedagogies: Examining linguistic biases in personalized automated writing feedback — Marked Pedagogies: sesgos lingüísticos en la retroalimentación automatizada y personalizada de escritura
-
Heads we win, tails you lose: AI detectors in education — Cara gano yo, cruz pierdes tú: los detectores de IA en educación (Bassett et al. 2026)
-
Academic erasure: The disappearance of complexity under AI-supported writing — Borrado académico: la desaparición de la complejidad bajo la escritura asistida por IA
-
More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Composición multimodal con IA y pensamiento crítico en la escritura de primaria (Lu et al. 2027)
-
Student Use of and Views on GenAI for Writing — Uso y opiniones del estudiantado sobre la IA generativa para escribir (Kuznetsov, Sheely y Baker 2026)
-
Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement, and performance: A mixed methods study — Un programa de escritura apoyado por IA generativa para la motivación, la implicación y el rendimiento en L2 en primaria (Lu et al. 2026)
-
Agreement and error in automated scoring of student marketing posts — Concordancia y error en la calificación automatizada de publicaciones de marketing del estudiantado
-
Empowerment over enforcement: unpacking the psychological drivers of AI-assisted deep revision in EFL writing — La alfabetización en prompting y la motivación intrínseca impulsan la revisión profunda, mientras que los mandatos externos no tienen efecto directo (Li y Zhang 2026)
-
Evaluating feedback focus and pedagogical adaptivity in LLM-generated feedback on student writing — Evaluar el foco de la retroalimentación y la adaptabilidad pedagógica en la retroalimentación generada por LLM sobre la escritura del estudiantado
-
Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — Retroalimentación del profesorado frente a retroalimentación entre pares asistida por IA como andamiajes heterogéneos en L2 en un cuasiexperimento de 8 semanas (Tang et al. 2026)
-
Effectiveness of GenAI in enhancing writing performance: a meta-analysis — Metaanálisis del rendimiento en escritura con IA generativa: efecto agrupado grande, magnitud frágil, la metodología por encima de la pedagogía (Teng 2026)
-
Customizing AI for writing pedagogy: a systematic review of pedagogical goals, theoretical principles, and technical design — Revisión sistemática de la personalización de la escritura con IA y el desajuste entre teoría y diseño (Luo 2026)
-
From tool to scaffold: Structured human–AI collaboration and its effects on academic writing and digital critical thinking among Saudi EFL learners — Colaboración estructurada humano-IA en la escritura académica y el pensamiento crítico digital (Alshehri et al. 2026)
-
Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — Las revisiones humanas y con IA del mismo borrador adoptan posturas dialógicas distintas: la retroalimentación entre pares cierra el espacio dialógico, la revisión con IA lo mantiene equilibrado (Zhao y Ji 2026)
-
Who Thinks First? Designing Productive Friction with Engage-to-Unlock GenAI — Engage-to-Unlock: condicionar la salida de la IA a una implicación previa redistribuyó el esfuerzo hacia la escritura sin coste de tiempo ni de exactitud (N = 398)
-
Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — Una escala de AAR con IA generativa en seis dimensiones para la escritura en L2, con la regulación ambiental (gobernanza de la herramienta) como dimensión distintiva
-
AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — Emparejar la IA con la retroalimentación entre pares eleva la implicación y las puntuaciones de escritura
-
When Do Undergraduate Students Prefer AI? Insights into AI Scoring and Feedback — El estudiantado quiere a la persona en el extremo de altas consecuencias
-
Biology Undergraduates' Use of AI-Enabled Feedback to Revise Scientific Writing: Recipience and Barriers — Uso de la retroalimentación habilitada por IA por parte de estudiantes de grado de biología para revisar escritura científica: recepción y barreras (Weston y Long 2026)
-
Responsible student use of generative AI in academic writing: a scoping review of boundaries, educational approaches, and evidence gaps — Uso responsable de la IA generativa por parte del estudiantado en la escritura académica: una revisión de alcance de límites, enfoques educativos y lagunas de evidencia
-
The Effect of the Process–Genre Approach on AI-assisted and Multimodal Writing — Un cuasi-experimento con 32 estudiantes: la instrucción de proceso y género elevó la escritura informativa, multimodal y asistida por IA (Günay y Özden 2026)
-
Beyond agreement: a benchmark of how language models grade student work, and how they fail — Más allá de la concordancia: 22 correctores con prompt se enfrentan a sondas cuya respuesta correcta se conoce, y a la mayoría se les puede convencer (Porcaro 2026)
-
Learner context changes an LLM grader's marks on identical work: a within-item ablation on six models — El contexto de quien aprende cambia las notas de un corrector LLM sobre trabajos idénticos, medido en una ablación intra-ítem con seis modelos (Porcaro 2026, artículo VI)
-
An Empirical Study to Understand How Students Use ChatGPT for Writing Essays — Delegación medida a partir de rastros: 137 consultas de tarea completa, 15 estudiantes que entregan ensayos sin palabras escritas (Jelson et al. 2026)
-
Rigor, commitment, and generative AI: a conceptual framework for student engagement in EAP writing — Rigor y compromiso docente como las dos dimensiones de la implicación en la escritura en la era de la IA generativa
-
Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — 13 secciones, 10 cursos, 654 estudiantes: el despliegue insignia de PAIRR y su prompt de solo retroalimentación
-
Process-Oriented Collaborative Essays: Empowering Undergraduate Students Through Assessment Redesign in the Age of Generative AI — Ensayos colaborativos orientados al proceso: iteración y colaboración calificadas, con la IA generativa permitida dentro de límites
-
Voice-First Written Assessment: Restoring Evidence of Reasoning Through Structural Redesign — Una evaluación escrita en dos etapas que asegura el razonamiento bajo observación antes de calificar una entrega hecha en casa
-
Black Box Assessment: Rethinking Integrity and Learning for a Time of Generative AI — Evaluación de caja negra: ventanas al proceso, el error como evidencia y la integridad mediante la visibilidad
Preguntas frecuentes relacionadas
Recursos relacionados
- ClarityUna Agent Skill de código abierto y un editor de navegador privado que convierten dieciocho reglas para escribir con más claridad en modos de borrador, reescritura y revisión para la prosa.
- Writing and Rhetoric Studies in the Loop: A GenAI Prompt LibraryUna colección de acceso abierto y revisada por pares de dieciséis prompts de IA generativa probados, cada uno escrito por un especialista en escritura y retórica para mantener el juicio disciplinar experto dentro del bucle del prompting.