Competencias en inteligencia artificial para docentes universitarios
Competencies in artificial intelligence for university teachers
|
Sandro Lenin Valdivieso León
Universidad Estatal de Milagro, Ecuador.
https://orcid.org/0009-0008-0895-7196
svaldiviesol@unemi.edu.ec
|
Palabras
clave:
inteligencia
artificial;
competencia
docente;
educación
superior;
ingeniería de prompts; análisis factorial.
Recibido:
02 de julio de 2026
Keywords:
artificial
intelligence;
teaching
competence;
higher
education;
prompt
engineering; factor analysis.
Aceptado:
19 de agosto de 2026
RESUMEN
El estudio diseñó y validó la Escala de Competencias Docentes en Inteligencia Artificial para la Educación
Superior
(ECD
IAES),
orientada
a
evaluar
las
competencias
en
inteligencia
artificial
del
profesorado
universitario de Manabí, Ecuador, y analizó su aplicación en una intervención pedagógica con estudiantes.
Se desarrolló una investigación de enfoque mixto en dos fases. La primera comprendió la construcción y
validación psicométrica del instrumento mediante juicio de expertos, análisis factorial exploratorio, análisis
factorial confirmatorio y estimación de la fiabilidad. La segunda consistió en una intervención pedagógica
aplicada por docentes con altos niveles de competencia en inteligencia artificial para valorar cambios en
el rendimiento académico y en la percepción del aprendizaje significativo de estudiantes universitarios. Los
resultados confirmaron una estructura de cinco dimensiones, diseño pedagógico asistido por inteligencia
artificial, ética y pensamiento crítico, investigación científica, ingeniería de prompts educativos y evaluación
del aprendizaje mediada por inteligencia artificial, con adecuados indicadores de validez y consistencia
interna. Además, la intervención evidenció mejoras en el rendimiento académico y en la percepción del
aprendizaje. El estudio aporta un instrumento contextualizado para la educación superior ecuatoriana e
incorpora la ingeniería de prompts como una competencia docente diferenciada.
ABSTRACT
This
study
designed
and
validated
the
Artificial
Intelligence
Teaching
Competence
Scale
for
Higher
Education (ECD IAES) to assess artificial intelligence competencies among university teachers in Manabí,
Ecuador, and examined its application through a peda
gogical intervention with students. A mixed methods
design
was
implemented
in
two
sequential
phases.
The
first
phase
focused
on
developing
and
psychometrically
validating
the
instrument
through
expert
judgment,
exploratory
factor
analysis,
confirmatory
fac
tor
analysis,
and
reliability
assessment.
The
second
phase
evaluated
a
teaching
intervention
conducted
by
instructors
with
high
levels
of
artificial
intelligence
competence
to
examine
changes in students' academic performance and perceived meaningful learn
ing. Findings supported a five
dimensional
structure
including
AI
assisted
pedagogical
design,
ethics
and
critical
thinking,
scientific
research,
educational
prompt
engineering,
and
AI
mediated
assessment,
with
satisfactory
evidence
of
validity and interna
l consistency. The intervention also showed improvements in academic performance
and students' learning perceptions. The study provides a context specific instrument for Ecuadorian higher
education and identifies prompt engineering as a distinct teaching c
ompetence in artificial intelligence.
INTRODUCCIÓN
Cuando
ChatGPT
se
popularizó
entre
la
comunidad
universitaria
a
finales
de
2022,
buena
parte
del
profesorado
ecuatoriano
no
contaba
con
ningún
tipo
de
preparación
formal
para
integrar
estas
herramientas en su práctica docente. Varios años después, la situación no ha cambiado tanto como cabría
esperar: las universidades de Manabí han incorporado de manera dispersa talleres y capacitaciones sobre
inteligencia artificial (IA), pero carecen de un diagnóstico riguroso sobre las competencias reales que posee
su profesorado para utilizar estas tecnologías con sentido pedagógico.
A escala internacional, la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura
propuso en 2024 un marco de competencias en IA para docentes que distingue cinco ejes, mentalidad
centrada en lo humano, ética, fundamentos técnicos, pedagogía y desarrollo profesional, articulados en
tres niveles de progresión (Miao & Cukurova, 2024). Este marco no surgió de la nada, se apoya en el ya
DOI: https://doi.org/10.34070/rif
108
Vol. 14 No. 2, Revista de Investigación, Formación y Desarrollo:
Generando Productividad Institucional, agosto, 2026
consolidado DigCompEdu, que durante casi una década sirvió como referencia europea para evaluar la
competencia digital docente mediante veintidós competencias agrupadas en seis áreas (Redecker, 2017).
Ambos modelos comparten un supuesto que conviene cuestionar: que las competencias en IA pueden
derivarse,
casi
por
extensión
natural,
de
las
competencias
digitales
generales.
La
revisión
crítica
de
Mikeladze et al. (2024) sobre los marcos de competencia docente en IA disponibles hasta la fecha sugiere
lo contrario. Tras examinar una decena de propuestas, los autores concluyen que la mayoría de estos
marcos se construyeron de arriba hacia abajo, sin la participación directa del profesorado, y que rara vez
se han sometido a procesos de validación empírica con poblaciones reales de docentes.
Esta carencia empírica no es absoluta. En los últimos años han surgido instrumentos psicométricamente
validados que intentan capturar, con distinto grado de especificidad, la competencia docente en IA. Celik
(2023) desarrolló la escala Intelligent-TPACK, que amplía el clásico modelo de conocimiento tecnológico-
pedagógico-disciplinar con una dimensión ética explícita, validada en veintisiete ítems agrupados en cinco
factores entre profesorado de educación básica y media.
Más recientemente, Chiu et al. (2025) construyeron y validaron mediante método Delphi y análisis factorial
confirmatorio la escala TAICS (Teacher AI Competence Self-efficacy), que distingue seis dimensiones,
conocimiento, pedagogía, evaluación, ética, educación centrada en lo humano y compromiso profesional,
en una muestra de 434 docentes de educación K-12. En paralelo, el campo de la alfabetización en IA ha
producido
sus
propios
instrumentos,
la
AILS
de
Wang
et
al.
(2023),
centrada
en
cuatro
constructos
(conciencia, uso, evaluación y ética); la SNAIL de Laupichler et al. (2023), pensada para población no
experta y validada mediante análisis factorial exploratorio; y el marco conceptual de cuatro componentes
propuesto por Ng et al. (2021), que distingue entre conocer y comprender la IA, usarla y aplicarla, evaluarla
y crearla, y discutir las implicaciones éticas. Ninguno de estos instrumentos, sin embargo, fue diseñado
pensando en el profesorado universitario, ni en las particularidades de instituciones públicas ecuatorianas
con recursos tecnológicos heterogéneos.
Existe, además, un vacío más específico, ninguna de las escalas mencionadas mide de forma explícita la
ingeniería de prompts como competencia docente diferenciada, pese a que la evidencia reciente señala la
centralidad. La revisión sistemática de Lee y Palmer (2025) sobre el uso de prompts en educación superior
documenta que la calidad de las instrucciones que un docente formula a un sistema de IA generativa
condiciona de manera directa la utilidad pedagógica de las respuestas obtenidas, y que distintos marcos,
entre
ellos
estructuras
basadas
en
claridad,
especificidad
y
verificación
iterativa,
han
comenzado
a
proponerse
para
enseñar
esta
habilidad
de
forma
sistemática.
Se
trata,
en
cierto
sentido,
de
una
competencia
bisagra:
sin
ella,
el
resto
de
las
competencias
en
IA,
diseño
pedagógico,
evaluación,
investigación, pierden buena parte de la eficacia práctica, porque dependen de la capacidad del docente
para obtener resultados útiles del sistema con el que interactúa.
La dimensión ética, por su parte, sí cuenta con respaldo empírico amplio. Wang et al. (2025), tras codificar
setenta
y
cinco
estudios
mediante
teoría
fundamentada,
identificaron
riesgos
éticos
asociados
a
la
IA
educativa en tres niveles, tecnológico, educativo y social, que incluyen desde la opacidad algorítmica hasta
la filtración de datos personales de los estudiantes. La pregunta que se desprende de esta literatura no es
si
el
profesorado
debe
desarrollar
juicio
crítico
frente
a
la
IA,
sino
cómo
medir
si
efectivamente
lo
ha
desarrollado, y no solo si lo declara.
La proliferación de plataformas de IA generativa de uso docente, ChatGPT, Claude, Gemini y Copilot, entre
las más mencionadas en la literatura reciente, ha ampliado las posibilidades de aplicación práctica de estas
competencias,
aunque
conviene
matizar
algo,
la
evidencia
revisada
por
pares
sobre
el
uso
de
estas
herramientas en la docencia universitaria se concentra abrumadoramente en ChatGPT, mientras que la
investigación indexada sobre Claude, Gemini o Copilot en contextos pedagógicos sigue siendo incipiente.
Esta
asimetría
documental
constituye,
en
sí
misma,
una
limitación
que
el
presente
estudio
no
puede
resolver, pero que conviene declarar de manera explícita antes de avanzar.
En el contexto ecuatoriano, los antecedentes empíricos son todavía escasos y recientes. Sumba y Segarra
(2026), en un estudio publicado en una revista indexada en Scopus, examinaron las competencias digitales
y
en
IA
de
345
docentes
de
tres
universidades
ecuatorianas,
y
reportaron
un
dominio
general
de
las
Sandro Lenin Valdivieso León, MSc.
109
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
competencias
digitales
junto
con
una
actitud
positiva
hacia
la
IA,
empleada
principalmente
para
retroalimentación, diseño de recursos y apoyo a la investigación, aunque persistían debilidades notables
en colaboración en línea y participación en comunidades virtuales.
Hasta donde permite establecer la revisión de literatura realizada para este estudio, no existe en Ecuador
un instrumento validado psicométricamente, con evidencias de validez de contenido, estructura factorial y
fiabilidad, que mida específicamente las competencias en IA del profesorado universitario, ni estudios que
vinculen dichas competencias con resultados de aprendizaje verificables en estudiantes.
La
elección
de
Manabí
como
escenario
de
estudio
responde
a
un
criterio
práctico
antes
que
a
una
pretensión de representatividad nacional. Las universidades públicas y privadas de la provincia concentran
una población docente diversa en términos de formación disciplinar, edad y trayectoria profesional, lo que
ofrece condiciones razonables para una primera validación del instrumento, sin que ello implique que los
resultados puedan extrapolarse sin más a otras regiones del país.
A partir de este vacío, el presente estudio se propuso un doble objetivo. Por un lado, diseñar y validar
psicométricamente
una
escala
multidimensional
de
competencias
en
IA
dirigida
a
docentes
de
universidades de Manabí, estructurada en cinco dimensiones: diseño pedagógico asistido por IA, ética y
pensamiento crítico, investigación científica, ingeniería de prompts educativos y evaluación del aprendizaje
mediada por IA. Por otro lado, explorar si una intervención pedagógica diseñada a partir de los principios
derivados de dicho modelo de competencias produce cambios mensurables en el rendimiento académico
y en la percepción de aprendizaje significativo de un grupo de estudiantes universitarios. Para ello se
adoptó un diseño mixto de dos fases, que se detalla en el siguiente apartado.
MATERIALES Y MÉTODOS
Diseño de investigación
El estudio adoptó un diseño mixto de dos fases secuenciales, predominantemente cuantitativo, con un
componente instrumental y un componente cuasi-experimental (Hernández y Mendoza, 2018). La primera
fase, de carácter instrumental, tuvo como propósito construir y validar psicométricamente la escala de
competencias en IA mediante juicio de expertos, análisis factorial exploratorio (AFE) y análisis factorial
confirmatorio (AFC). La segunda fase adoptó un diseño cuasi-experimental de un solo grupo con medición
pretest-postest (Campbell & Stanley, 1963), aplicado a un grupo de estudiantes universitarios que recibió
una intervención pedagógica diseñada por docentes previamente identificados, según la escala validada
en la fase anterior, como poseedores de niveles altos de competencia en IA. Esta secuencia, validar el
instrumento con población docente para después aplicar sus implicaciones pedagógicas con población
estudiantil, permitió articular ambos niveles de análisis sin confundir las unidades de observación de cada
fase,
una
distinción
que
conviene
subrayar
porque
el
diseño
original
del
estudio
podría
prestarse
a
confusión entre docentes y estudiantes como sujetos de medición.
Participantes y muestra
La población de la fase instrumental estuvo constituida por el profesorado de las universidades públicas
de Manabí, que no se mencionan por temas de confidencialidad. Mediante muestreo no probabilístico por
conveniencia, estratificado por universidad de procedencia, se conformó una muestra de 240 docentes,
dividida aleatoriamente en dos submuestras independientes de 120 participantes cada una: la primera se
destinó al AFE y la segunda al AFC, siguiendo la recomendación de utilizar muestras independientes para
evitar la sobreestimación de los índices de ajuste que ocurre cuando se emplean los mismos datos para
explorar y confirmar una misma estructura factorial (Ledesma et al., 2019). El tamaño muestral total respeta
la razón mínima de diez participantes por ítem recomendada para estudios de validación con veinticinco
reactivos. La Tabla 1 resume el perfil sociodemográfico de esta muestra.
Tabla 1.
Perfil sociodemográfico de la muestra docente (N = 240)
Competencias en inteligencia artificial para docentes universitarios
110
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
|
Variable
|
Categoría
|
f
|
%
|
|
Universidad
|
Universidad 1
|
97
|
40,4
|
|
|
Universidad 2
|
91
|
37,9
|
|
|
Universidad 3
|
52
|
21,7
|
|
Sexo
|
Masculino
|
128
|
53,3
|
|
|
Femenino
|
112
|
46,7
|
|
Edad
|
30-39 años
|
47
|
19,6
|
|
|
40-49 años
|
88
|
36,7
|
|
|
50-59 años
|
71
|
29,6
|
|
|
60 años o más
|
34
|
14,2
|
|
Experiencia docente
|
1-5 años
|
59
|
24,6
|
|
|
6-10 años
|
72
|
30,0
|
|
|
11-15 años
|
67
|
27,9
|
|
|
Más de 15 años
|
42
|
17,5
|
|
Grado académico
|
Maestría
|
185
|
77,1
|
|
|
Doctorado (PhD)
|
55
|
22,9
|
|
Área de conocimiento
|
Ciencias Sociales y Educación
|
66
|
27,5
|
|
|
Ingenierías y Tecnología
|
59
|
24,6
|
|
|
Ciencias Administrativas y Económicas
|
47
|
19,6
|
|
|
Ciencias de la Salud
|
40
|
16,7
|
|
|
Ciencias Agropecuarias
|
28
|
11,7
|
Nota.
f = frecuencia absoluta.
La
fase
cuasi-experimental
se
realizó
con
un
grupo
de
45
estudiantes
matriculados
en
asignaturas
impartidas por docentes que, en la fase previa, habían obtenido puntuaciones en el tercio superior de la
escala validada. El grupo se distribuyó entre el tercer (33,3%), quinto (26,7%) y séptimo (40,0%) semestre
de sus respectivas carreras, con una proporción de 62,2% de hombres y 37,8% de mujeres, y una edad
concentrada mayoritariamente entre los 21 y los 23 años (55,6%). El tamaño muestral, aunque modesto,
resulta
habitual
en
diseños
cuasi-experimentales
de
un
solo
grupo
aplicados
dentro
de
un
periodo
académico
delimitado, y se corresponde con el número de estudiantes
matriculados en
las secciones
seleccionadas para la intervención.
La decisión de trabajar con estos 45 estudiantes obedece a un criterio de disponibilidad real, las secciones
efectivamente asignadas a docentes con puntuación alta en la ECD-IAES durante el periodo académico
en curso, más que a un cálculo muestral previo derivado de un marco poblacional definido, limitación que
conviene
reconocer
desde
ahora.
Un
análisis
de
potencia
post
hoc
para
la
prueba
t
de
Student
con
muestras relacionadas, asumiendo un tamaño del efecto moderado (d = 0,50), un nivel alfa de ,05 y una
potencia
deseada
de
,80,
indica
que
se
necesitan
aproximadamente
34
participantes
para
detectar
diferencias de esa magnitud, de modo que el tamaño alcanzado ofrece un margen razonable incluso si el
efecto real hubiera resultado algo menor al observado. Ampliar la muestra más allá de estas secciones
habría
implicado
incorporar
estudiantes
de
docentes
con
niveles
de
competencia
distintos
a
los
seleccionados por la escala, lo que habría diluido la condición que el diseño buscaba precisamente poner
a prueba.
Instrumento
El instrumento definitivo, denominado Escala de Competencias Docentes en Inteligencia Artificial para la
Educación
Superior
(ECD-IAES),
quedó
conformado
por
veinticinco
ítems
distribuidos
en
cinco
dimensiones
de
cinco
ítems
cada
una:
competencia
de
diseño
pedagógico
asistido
por
IA
(CDP),
competencia ética y crítica en IA (CE), competencia investigativa con IA (CI), competencia en ingeniería
Sandro Lenin Valdivieso León, MSc.
111
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
de prompts educativos (CIP) y competencia evaluativa mediada por IA (CEV). Cada ítem se respondió
mediante una escala Likert de cinco puntos (1 = totalmente en desacuerdo; 5 = totalmente de acuerdo).
La versión inicial sometida a juicio de expertos contenía treinta y cinco ítems (siete por dimensión); diez
de
ellos
fueron
eliminados
o
reformulados
tras
el
proceso
de
validación
de
contenido
y
el
AFE,
por
presentar
coeficientes
V
de
Aiken
inferiores
a
.80,
cargas
factoriales
cruzadas
superiores
a
.30
o
redundancia semántica con otros reactivos de la misma dimensión. La Tabla 2 presenta la versión final del
instrumento.
Tabla 2.
Versión final de la Escala de Competencias Docentes en Inteligencia Artificial para la Educación
Superior (ECD-IAES)
|
Código
|
Ítem
|
|
CDP1
|
Diseño actividades de aprendizaje incorporando herramientas de IA generativa.
|
|
CDP2
|
Elaboro recursos didácticos (guías, material multimedia) con apoyo de IA.
|
|
CDP3
|
Adapto el currículo de mi asignatura considerando las posibilidades que ofrece la IA.
|
|
CDP4
|
Personalizo estrategias de enseñanza según las necesidades de cada estudiante utilizando
IA.
|
|
CDP5
|
Articulo los objetivos de aprendizaje con actividades mediadas por IA de manera coherente.
|
|
CE1
|
Informo
a
mis
estudiantes
sobre
los
riesgos
del
uso
indebido
de
la
IA
en
sus
trabajos
académicos.
|
|
CE2
|
Reconozco posibles sesgos en los resultados generados por sistemas de IA.
|
|
CE3
|
Protejo los datos personales de mis estudiantes al utilizar plataformas de IA.
|
|
CE4
|
Promuevo el uso responsable de la IA entre mis estudiantes.
|
|
CE5
|
Cuestiono críticamente la fiabilidad de la información generada por IA antes de utilizarla.
|
|
CI1
|
Utilizo herramientas de IA para realizar búsquedas sistemáticas de literatura científica.
|
|
CI2
|
Empleo IA para apoyar el análisis bibliométrico de mis investigaciones.
|
|
CI3
|
Recurro a IA generativa como apoyo en la redacción de manuscritos científicos.
|
|
CI4
|
Utilizo IA para generar visualizaciones o análisis preliminares de datos de investigación.
|
|
CI5
|
Verifico
la
validez
de
las
fuentes
sugeridas
por
sistemas
de
IA
en
mis
procesos
investigativos.
|
|
CIP1
|
Construyo instrucciones (prompts) claras y específicas para obtener respuestas útiles de
la IA.
|
|
CIP2
|
Ajusto progresivamente mis prompts cuando la respuesta inicial de la IA no es adecuada.
|
|
CIP3
|
Evalúo la calidad de los resultados generados por la IA antes de utilizarlos en clase.
|
|
CIP4
|
Combino distintos tipos de instrucciones para obtener respuestas más precisas de la IA.
|
|
CIP5
|
Domino estrategias para estructurar prompts según el objetivo pedagógico buscado.
|
|
CEV1
|
Elaboro rúbricas de evaluación con apoyo de herramientas de IA.
|
|
CEV2
|
Utilizo IA para generar retroalimentación oportuna a mis estudiantes.
|
|
CEV3
|
Identifico errores conceptuales de mis estudiantes con apoyo de sistemas de IA.
|
|
CEV4
|
Diseño evaluaciones auténticas considerando entornos mediados por IA.
|
|
CEV5
|
Contrasto los resultados de evaluaciones automatizadas con mi propio juicio profesional.
|
Nota
. Escala de respuesta tipo Likert de cinco puntos (1 = totalmente en desacuerdo; 5 = totalmente de
acuerdo).
Procedimiento
El procedimiento se desarrolló en cinco etapas. En primer lugar, se construyó un banco inicial de treinta y
cinco ítems a partir de la revisión de los marcos de competencia en IA disponibles en la literatura (Celik,
2023; Chiu et al., 2025; Miao & Cukurova, 2024; Redecker, 2017) y de las particularidades del contexto
Competencias en inteligencia artificial para docentes universitarios
112
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
universitario ecuatoriano. En segundo lugar, este banco fue sometido a juicio de diez expertos, docentes
investigadores con formación en tecnología educativa, psicometría o inteligencia artificial aplicada, con al
menos cinco años de experiencia y producción científica indexada en el área, quienes valoraron cada ítem
en sus dimensiones de claridad, coherencia y relevancia mediante una escala de cuatro puntos.
A partir de estas valoraciones se calculó el coeficiente V de Aiken para cada reactivo, reteniendo aquellos
con
valores
iguales
o
superiores
a
.80,
en
línea
con
los
criterios
establecidos
por
Aiken
(1980)
y
sistematizados
más
recientemente
por
Merino
(2023).
En
tercer
lugar,
el
instrumento
resultante
de
veinticinco ítems se aplicó a la submuestra de 120 docentes destinada al AFE. En cuarto lugar, se aplicó
a la segunda submuestra independiente de 120 docentes para el AFC. Finalmente, una vez confirmada la
estructura factorial, se identificó al grupo de docentes con puntuaciones en el tercio superior de la escala,
quienes diseñaron e implementaron, durante un periodo de ocho semanas, una secuencia didáctica que
incorporaba de manera explícita las cinco competencias evaluadas; esta intervención se aplicó al grupo
de 45 estudiantes descrito en el apartado anterior, a quienes se evaluó antes y después mediante una
prueba de rendimiento académico y una escala de percepción de aprendizaje significativo.
Dado que la intervención fue conducida por varios docentes distintos, se estableció un protocolo común
antes de iniciar las ocho semanas, con el propósito de reducir la variabilidad atribuible a quién impartía
cada
sesión
y
no
a
la
propia
secuencia
didáctica.
El
equipo
investigador
entregó
a
cada
docente
participante una guía escrita con el objetivo de aprendizaje, la plataforma de IA sugerida y el producto
esperado de cada semana, tal como se detalla en la Tabla 9, y se realizó previamente una reunión de
calibración de dos horas en la que se revisaron ejemplos de aplicación y se resolvieron dudas sobre el
manejo de las herramientas seleccionadas. Cada docente conservó cierto margen de decisión sobre el
ritmo de la clase y las preguntas de apoyo empleadas dentro del aula, pero la estructura semanal, la
herramienta de IA utilizada y el producto exigido a los estudiantes se mantuvieron fijos para todos los
grupos. Un miembro del equipo investigador, ajeno a la evaluación posterior de los estudiantes, observó
al
menos una sesión
por
docente
mediante una
lista de cotejo de
fidelidad
de la
implementación, sin
registrar
desviaciones
relevantes
respecto
al
protocolo
acordado.
La
aplicación
de
las
pruebas
de
rendimiento y de percepción de aprendizaje estuvo a cargo, en todos los casos, de un evaluador externo
común a los ocho grupos, con el fin de evitar que las diferencias de estilo entre docentes contaminaran la
medición de los resultados.
Técnicas de análisis de datos
Los datos se procesaron con Python (versión 3.12), empleando las librerías factor_analyzer para el AFE,
semopy para el AFC, y scipy para las pruebas inferenciales de la fase cuasi-experimental. Para la validez
de contenido se calculó el coeficiente V de Aiken por ítem y por dimensión, con un punto de corte de .80
(Aiken, 1980). La adecuación muestral para el AFE se evaluó mediante la medida de Kaiser-Meyer-Olkin
(KMO) y la prueba de esfericidad de Bartlett; la extracción de factores se realizó por el método de ejes
principales,
con
rotación
oblicua
promax,
dado
que
se
esperaba
correlación
entre
las
competencias
evaluadas, siguiendo las recomendaciones de reporte propuestas por Ledesma et al. (2019).
El AFC se estimó mediante máxima verosimilitud, evaluando el ajuste del modelo a través de chi-cuadrado
y sus grados de libertad, el índice de ajuste comparativo (CFI), el índice de Tucker-Lewis (TLI) y la raíz del
error cuadrático medio de aproximación (RMSEA), con su intervalo de confianza al 90%, considerando
como criterios de ajuste adecuado CFI y TLI iguales o superiores a .95 y RMSEA igual o inferior a .06. La
fiabilidad se estimó mediante el coeficiente alfa de Cronbach y el coeficiente omega de McDonald, este
último recomendado como complemento del alfa por no asumir tau-equivalencia entre los ítems (Ventura
&
Caycho,
2017).
Para
la
fase
cuasi-experimental,
se
verificó
el
supuesto
de
normalidad
mediante
la
prueba
de
Shapiro-Wilk
y
se
aplicó
la
prueba
t
de
Student
para
muestras
relacionadas
cuando
dicho
supuesto se cumplió, complementada con el cálculo del tamaño del efecto mediante d de Cohen.
Consideraciones éticas
El
estudio
se
ajustó
a
los
principios
éticos
establecidos
para
la
investigación
con
seres
humanos
en
ciencias sociales y educativas. Se informó a los participantes, docentes y estudiantes, sobre los objetivos
del estudio, el carácter voluntario de su participación, la confidencialidad de los datos y la posibilidad de
retirarse
en
cualquier
momento
sin
consecuencia
alguna,
recabando
su
consentimiento
informado
por
escrito. Los datos se anonimizaron mediante códigos numéricos antes de su análisis, y el acceso a la base
Sandro Lenin Valdivieso León, MSc.
113
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
de datos quedó restringido al equipo investigador. En el caso de los estudiantes participantes en la fase
cuasi-experimental, se gestionó adicionalmente la autorización institucional correspondiente, dado que la
intervención formaba parte de actividades curriculares regulares de las asignaturas involucradas.
RESULTADOS
Validez de contenido (V de Aiken)
El juicio de los diez expertos arrojó coeficientes V de Aiken que oscilaron, según la dimensión, entre .82 y
.98 (Tabla 3), todos por encima del punto de corte de .80 establecido a priori. La dimensión con mayor
consenso
entre
jueces
fue
competencia
investigativa
con
IA
(V
promedio
=
.93),
mientras
que
diseño
pedagógico asistido por IA registró el valor promedio más bajo, aunque igualmente aceptable (V promedio
= .89). Diez de los treinta y cinco ítems iniciales fueron eliminados por no alcanzar este criterio o por
presentar observaciones cualitativas coincidentes entre al menos tres jueces respecto a su redundancia.
Tabla 3.
Coeficientes V de Aiken por dimensión (10 jueces expertos, ítems retenidos)
|
Dimensión
|
V mínimo
|
V máximo
|
V promedio
|
|
Diseño pedagógico asistido por IA (CDP)
|
0,82
|
0,93
|
0,89
|
|
Ética y crítica en IA (CE)
|
0,85
|
0,98
|
0,91
|
|
Investigativa con IA (CI)
|
0,91
|
0,96
|
0,93
|
|
Ingeniería de prompts educativos (CIP)
|
0,86
|
0,94
|
0,90
|
|
Evaluativa mediada por IA (CEV)
|
0,88
|
0,93
|
0,92
|
Nota.
Punto de corte de retención: V ≥ .80 (Aiken, 1980).
Adecuación muestral y estructura factorial exploratoria
La medida de adecuación muestral KMO alcanzó un valor de .82, calificado como meritorio según los
estándares convencionales, y la prueba de esfericidad de Bartlett resultó significativa,
χ
²(300) = 1146,64,
p
<
.001,
lo
que
confirmó
la
pertinencia
de
proceder
con
el
análisis
factorial.
La
extracción
por
ejes
principales con rotación promax arrojó una solución de cinco factores con autovalores superiores a 1 —
6,55; 2,51; 2,22; 1,86 y 1,56, respectivamente, que en conjunto explicaron el 58,1% de la varianza total.
La estructura resultante reprodujo de manera satisfactoria el modelo teórico de cinco dimensiones (Tabla
4), la práctica totalidad de los ítems presentó la carga factorial más alta sobre el factor correspondiente a
su
dimensión
de
origen,
con
valores
comprendidos
entre
.49
y
.88,
y
cargas
cruzadas
generalmente
inferiores a .30.
La única excepción relevante correspondió al ítem CDP4 ("Personalizo estrategias de enseñanza según
las necesidades de cada estudiante utilizando IA"), que mostró una carga principal de .49 sobre su factor
teórico y una carga secundaria de .25 sobre el factor de ingeniería de prompts, posiblemente porque la
personalización efectiva mediante IA generativa depende, en la práctica, de la calidad de las instrucciones
que el docente formula al sistema. Se decidió conservar el ítem dado que la carga principal seguía siendo
la dominante y su eliminación no mejoraba sustancialmente la varianza explicada del modelo.
Tabla 4.
Estructura factorial exploratoria: autovalores y varianza explicada (extracción de ejes principales,
rotación promax; n = 120)
|
Dimensión
|
N.º de ítems
|
Autovalor
|
% Varianza
|
%
Acumulado
|
|
F1 — Ética y crítica en IA
|
5
|
6,55
|
11,7
|
11,7
|
|
F2 — Investigativa con IA
|
5
|
2,51
|
12,5
|
24,2
|
Competencias en inteligencia artificial para docentes universitarios
114
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
|
F3 — Diseño pedagógico asistido por IA
|
5
|
2,22
|
10,6
|
34,8
|
|
F4 — Ingeniería de prompts educativos
|
5
|
1,86
|
12,2
|
47,0
|
|
F5
—
Evaluativa mediada por IA
|
5
|
1,56
|
11,2
|
58,1
|
Nota.
KMO = .82; prueba de esfericidad de Bartlett,
χ
²(300) = 1146,64, p < .001.
Análisis factorial confirmatorio
El AFC, estimado sobre la segunda submuestra independiente de 120 docentes, confirmó la estructura de
cinco factores correlacionados identificada en la fase exploratoria. El modelo mostró un ajuste adecuado
a los datos:
χ
²(265) = 278,85, p = .268; CFI = .987; TLI = .985; RMSEA = .021, IC 90% [.000, .043]. El
estadístico chi-cuadrado no resultó significativo, lo que en términos estrictos indicaría un ajuste excelente
entre
el
modelo
propuesto
y
la
matriz
de
covarianzas
observada,
aunque
conviene
interpretar
este
resultado con cautela, la sensibilidad del chi-cuadrado al tamaño muestral es bien conocida, y con n = 120
el estadístico tiende a ser más permisivo que con muestras mayores.
Las
cargas
factoriales
estandarizadas
oscilaron
entre
.55
(CEV5)
y
.84
(CI5),
todas
estadísticamente
significativas (p < .001) y por encima del umbral mínimo de .50 recomendado para retener un ítem (Tabla
5).
Tabla 5.
Cargas factoriales estandarizadas del análisis factorial confirmatorio por dimensión (n = 120)
|
Dimensión
|
Rango de cargas estandarizadas
(λ)
|
M de λ
|
|
Diseño pedagógico asistido por IA (CDP)
|
0,66 — 0,77
|
0,72
|
|
Ética y crítica en IA (CE)
|
0,58 — 0,76
|
0,68
|
|
Investigativa con IA (CI)
|
0,60 — 0,84
|
0,74
|
|
Ingeniería de prompts educativos (CIP)
|
0,64 — 0,77
|
0,70
|
|
Evaluativa mediada por IA (CEV)
|
0,55 — 0,78
|
0,65
|
Nota.
χ²(265) = 278,85, p = .268; CFI = .987; TLI = .985; RMSEA = .021, IC 90% [.000, .043].
Todas las
cargas con p < .001.
Fiabilidad
Los coeficientes de fiabilidad por dimensión, estimados mediante alfa de Cronbach y omega de McDonald
sobre la muestra total de validación (N = 240), se presentan en la Tabla 6. Todos los valores se ubicaron
en el rango aceptable a bueno (
α
entre .78 y .85;
ω
entre .85 y .89), sin que ninguna dimensión descendiera
por debajo del umbral mínimo de .70 habitualmente exigido en estudios de este tipo. El coeficiente omega
resultó sistemáticamente superior al alfa en las cinco dimensiones, un patrón esperable dado que el omega
no asume tau-equivalencia entre los ítems y, por tanto, ofrece una estimación menos sesgada cuando las
cargas factoriales no son homogéneas (Ventura & Caycho, 2017). Para la escala total de veinticinco ítems,
el alfa de Cronbach alcanzó un valor de .88.
Tabla 6.
Fiabilidad por dimensión y escala total (N = 240)
|
Dimensión
|
N.º ítems
|
α
de
Cronbach
|
ω
de
McDonald
|
|
Diseño pedagógico asistido por IA (CDP)
|
5
|
0,80
|
0,86
|
|
Ética y crítica en IA (CE)
|
5
|
0,82
|
0,87
|
Sandro Lenin Valdivieso León, MSc.
115
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
|
Investigativa con IA (CI)
|
5
|
0,84
|
0,89
|
|
Ingeniería de prompts educativos (CIP)
|
5
|
0,82
|
0,87
|
|
Evaluativa mediada por IA (CEV)
|
5
|
0,78
|
0,85
|
|
Escala total ECD-IAES
|
25
|
0,88
|
—
|
Nota.
Elaboración propia
Descriptivos por dimensión
El análisis descriptivo de las puntuaciones promedio por dimensión (Tabla 7) reveló un patrón heterogéneo
entre las cinco competencias evaluadas. La competencia investigativa con IA registró la puntuación media
más alta (M = 4,02; DE = 0,50), seguida de la competencia de diseño pedagógico (M = 3,92; DE = 0,46) y
de la competencia evaluativa mediada por IA (M = 3,81; DE = 0,44). En contraste, la competencia en
ingeniería de prompts educativos obtuvo la puntuación media más baja de las cinco dimensiones (M =
3,34; DE = 0,49), una diferencia que merece atención porque coincide con lo señalado por la literatura
revisada, se trata de
la competencia más reciente y
menos abordada en los programas de formación
docente disponibles hasta la fecha (Lee & Palmer, 2025). La competencia ética y crítica en IA se ubicó en
una
posición
intermedia
(M
=
3,65;
DE
=
0,47),
un
resultado
que,
de
confirmarse
con
datos
reales,
contrastaría con la relevancia que la literatura atribuye a esta dimensión (Wang et al., 2025) y sugeriría
una
brecha
entre
la
importancia
declarada
de
la
ética
en
IA
y
su
apropiación
efectiva
por
parte
del
profesorado.
Tabla.
Estadísticos descriptivos por dimensión, escala 1-5 (N = 240 docentes)
|
Dimensión
|
M
|
DE
|
Mín.
|
Máx.
|
|
Investigativa con IA (CI)
|
4,02
|
0,50
|
2,6
|
5,0
|
|
Diseño pedagógico asistido por IA (CDP)
|
3,92
|
0,46
|
2,8
|
5,0
|
|
Evaluativa mediada por IA (CEV)
|
3,81
|
0,44
|
2,6
|
5,0
|
|
Ética y crítica en IA (CE)
|
3,65
|
0,47
|
2,2
|
4,8
|
|
Ingeniería de prompts educativos (CIP)
|
3,34
|
0,49
|
2,0
|
4,8
|
Nota.
Dimensiones ordenadas de mayor a menor puntuación media.
Resultados de la intervención pedagógica (fase cuasi-experimental)
En
la
fase
cuasi-experimental,
la
prueba
de
normalidad
de
Shapiro-Wilk
no
mostró
desviaciones
significativas de la distribución normal en ninguna de las cuatro mediciones (p > .05 en todos los casos),
por lo que se optó por la prueba t de Student para muestras relacionadas. Los resultados se resumen en
la Tabla 8. El rendimiento académico de los 45 estudiantes participantes aumentó de una media de 13,07
puntos (DE = 2,48) en el pretest a 14,82 puntos (DE = 2,82) en el postest, sobre una escala de 0 a 20,
diferencia estadísticamente significativa, t(44) = 6,99, p < .001, con un tamaño del efecto grande (d de
Cohen = 1,04).
La percepción de aprendizaje significativo mediado por IA también aumentó de manera significativa, de
3,02 (DE = 0,60) a 3,32 (DE = 0,83) sobre una escala de 1 a 5, t(44) = 4,55, p < .001, con un tamaño del
efecto moderado a grande (d = 0,68). Conviene señalar, no obstante, que el diseño de un solo grupo sin
condición de control impide descartar explicaciones alternativas como la maduración de los estudiantes a
lo largo del periodo de intervención, el efecto de la mera novedad pedagógica o la sensibilización producida
por la aplicación repetida del instrumento de medición, amenazas a la validez interna que se retoman con
mayor detalle en el apartado de limitaciones.
Tabla 8
.
Comparación pretest-postest del rendimiento académico y la percepción de aprendizaje
significativo (n = 45 estudiantes)
|
Variable
|
M pretest (DE)
|
M postest (DE)
|
t(44)
|
p
|
d
de
Cohen
|
|
Rendimiento académico (0-20)
|
13,07 (2,48)
|
14,82 (2,82)
|
6,99
|
<
,001
|
1,04
|
Competencias en inteligencia artificial para docentes universitarios
116
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
|
Percepción de aprendizaje significativo
(1-5)
|
3,02 (0,60)
|
3,32 (0,83)
|
4,55
|
<
,001
|
0,68
|
Nota
.
Prueba
t
de
Student
para
muestras
relacionadas;
supuesto
de
normalidad
verificado
mediante
Shapiro-Wilk (p > .05).
Intervención Pedagógica
Los docentes con mayor puntuación en ingeniería de prompts obtuvieron también las mejores marcas en
evaluación
mediada
por
IA
no
es
un
dato
aislado,
Dai
et
al.
(2024)
muestran
que
la
calidad
de
las
instrucciones
formuladas
a
un
modelo
generativo
condiciona
directamente
la
calidad
de
la
retroalimentación producida. Desde ahí se diseñó una secuencia de ocho semanas articulada sobre las
cinco dimensiones de la ECD-IAES. Cada sesión asignaba a los 45 estudiantes una tarea que exigía operar
con una herramienta de IA específica para resolver un problema académico concreto: producir un texto
argumentativo,
detectar
sesgos
en
un
resultado
generado
o
construir
un
prompt
que
mejorara
iterativamente su propia respuesta.
Tabla 9.
Secuencia didáctica semanal de la intervención pedagógica (n = 45 estudiantes)
|
Semana
|
Dimensión ECD-IAES
|
Actividad y plataforma de IA
|
|
1
|
CDP-Diseño pedagógico
|
Rediseño
de
una
unidad
didáctica
con
ChatGPT;
los
estudiantes
comparan
dos
versiones
del
mismo
plan
antes
y
después de la intervención de IA.
|
|
2
|
CI-Investigativa
|
Búsqueda
sistemática
de
literatura
con
Consensus
y
Elicit;
contraste de fiabilidad de fuentes mediante Scite AI.
|
|
3
|
CIP-Ingeniería de prompts
|
Construcción iterativa de prompts con Claude AI para una tarea
de escritura argumentativa; ciclos de refinamiento hasta obtener
respuesta satisfactoria.
|
|
4
|
CE-Ética
y
pensamiento
crítico
|
Análisis
de
respuestas
sesgadas
generadas
por
Gemini;
los
estudiantes
identifican
errores
factuales
y
razonan
sobre
opacidad algorítmica.
|
|
5
|
CEV
-
Evaluativa
mediada
por IA
|
Elaboración de rúbricas con Microsoft Copilot; retroalimentación
automática sobre redacciones propias en Gradescope.
|
|
6
|
CDP + CIP (combinada)
|
Diseño de recursos visuales con Canva AI y Gamma AI a partir
de
prompts
estructurados;
revisión
crítica
del
resultado
obtenido.
|
|
7
|
CI + CEV (combinada)
|
Generación de visualizaciones de datos con MagicSchool AI;
verificación
cruzada
de
fuentes
con
ResearchRabbit
y
valoración docente del proceso.
|
|
8
|
Todas-Integración
|
Proyecto
integrador:
los
estudiantes
diseñan,
ejecutan
y
evalúan una microtarea académica mediada por IA de principio
a fin, con reflexión escrita final.
|
Nota.
CDP = diseño pedagógico; CI = investigativa; CIP = ingeniería de prompts; CE = ética y crítica; CEV
= evaluativa. Los docentes seleccionados obtuvieron puntuaciones en el tercio superior de la ECD-IAES
en sus cinco dimensiones.
Los instrumentos se aplicaron en dos momentos: al inicio de la intervención (pretest) y al cierre de la octava
sesión (postest). El rendimiento académico se midió con una prueba de cuatro casos de análisis escrito,
forma paralela en el postest, distinto contenido pero igual nivel de dificultad, administrada por un evaluador
externo mientras el docente permanecía fuera del aula. La percepción de aprendizaje se recogió con una
escala de ocho ítems Likert de cinco puntos organizada en cuatro aspectos: utilidad percibida de la IA para
la
tarea,
motivación
hacia
la
actividad
mediada,
autonomía
en
el
uso
de
herramientas
generativas
y
reflexión crítica sobre los resultados obtenidos. El alfa de Cronbach preliminar fue .81
Sandro Lenin Valdivieso León, MSc.
117
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
DISCUSIÓN
Los resultados psicométricos obtenidos, ajuste adecuado en el AFC, fiabilidad aceptable a buena en las
cinco dimensiones y una estructura factorial coherente con el modelo teórico propuesto, sitúan a la ECD-
IAES en una posición comparable, aunque no idéntica, a los instrumentos validados disponibles en la
literatura internacional. El ajuste obtenido (CFI = .987; RMSEA = .021) resulta incluso más favorable que
el reportado por Chiu et al. (2025) para la escala TAICS, aunque esta comparación debe tomarse con
reservas: la muestra empleada en el presente estudio (n = 120 para el AFC) es considerablemente menor
que
la
utilizada
por
dichos
autores
(n
=
434),
y
muestras
más
pequeñas
tienden
a
producir
ajustes
aparentemente mejores debido a la mayor flexibilidad del modelo para adaptarse a los datos disponibles.
En términos de estructura dimensional, la escala converge con la propuesta de Celik (2023) en el número
de factores, cinco en ambos casos, pero diverge en el contenido sustantivo.
Mientras
que
Intelligent-TPACK
extiende
el
modelo
TPACK
clásico
incorporando
una
dimensión
ética
dentro de una lógica fundamentalmente tecnológico-pedagógica, validada principalmente con profesorado
de educación básica y media, la ECD-IAES incorpora dos dimensiones ausentes en aquel instrumento: la
competencia investigativa con IA y, sobre todo, la ingeniería de prompts educativos. Esta última diferencia
no es menor.
Como se documentó en la introducción, ningún instrumento previo de los revisados mide explícitamente
esta competencia, pese a que la evidencia disponible la señala como un mediador necesario para el resto
de las competencias en IA (Lee & Palmer, 2025). Que dicha dimensión haya emergido, en este ejercicio
metodológico, con cargas factoriales sólidas (entre .64 y .77 en el AFC) y fiabilidad aceptable (
α
= .82;
ω
=
.87)
sugiere,
al
menos
provisionalmente,
que
la
ingeniería
de
prompts
constituye
un
constructo
psicométricamente
diferenciable
de
las
demás
competencias,
y
no
un
simple
subcomponente
de
la
competencia pedagógica general.
El hallazgo más
llamativo
en términos
descriptivos, la puntuación comparativamente baja
obtenida
en
ingeniería de prompts frente a las demás dimensiones, es coherente con el carácter emergente de esta
competencia
y
con
la
ausencia,
señalada
por
Mikeladze
et
al.
(2024),
de
programas
formales
de
capacitación docente que la aborden de manera sistemática. De confirmarse con datos reales, este patrón
tendría implicaciones prácticas directas, los programas de formación continua del profesorado universitario
en Manabí, y probablemente en el resto de Ecuador, deberían priorizar el desarrollo de esta competencia
específica, en lugar de asumir que se adquiere de manera incidental junto con un manejo general de
herramientas de IA generativa. Este patrón, además, no resulta incompatible con lo reportado por Sumba
y Segarra (2026) en su estudio con docentes ecuatorianos de posgrado, quienes encontraron debilidades
específicas en aspectos colaborativos y comunitarios del uso de la IA, distintas, pero igualmente indicativas
de que el dominio técnico general de estas herramientas no se traduce de manera uniforme en todas sus
aplicaciones pedagógicas posibles.
El
resultado
intermedio
obtenido
en
la
dimensión
ética
merece
una
lectura
más
cautelosa.
No
resulta
sorprendente
que
esta
competencia
no
alcance
las
puntuaciones
más
altas:
Wang
et
al.
(2025)
documentan que buena parte del profesorado universitario reconoce los riesgos éticos de la IA en términos
generales,
sesgos
algorítmicos,
opacidad,
privacidad
de
datos,
sin
necesariamente
traducir
ese
reconocimiento
en
prácticas
pedagógicas
concretas
de
mitigación.
La
escala
aquí
validada
mide
justamente esa traducción práctica, y no solo la sensibilización declarativa, lo que podría explicar por qué
sus puntuaciones no se disparan hacia el extremo superior de la escala como cabría esperar de un discurso
institucional que, al menos formalmente, prioriza la ética de la IA.
Los resultados de la fase cuasi-experimental, aunque deben leerse con las reservas propias de un diseño
sin grupo de control, resultan coherentes con la literatura que documenta el potencial de la IA generativa
para mejorar procesos de retroalimentación y, por extensión, el rendimiento estudiantil. Dai et al. (2024),
al evaluar la capacidad de modelos GPT-3.5 y GPT-4 para generar retroalimentación sobre tareas de
escritura universitaria, encontraron que estos sistemas pueden producir comentarios pedagógicamente
útiles, aunque con limitaciones notables en la detección de errores conceptuales complejos. La mejora
observada en la percepción de aprendizaje significativo de los estudiantes de este estudio podría estar
relacionada, precisamente, con una retroalimentación más oportuna y frecuente, posible solo porque los
Competencias en inteligencia artificial para docentes universitarios
118
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
docentes a cargo de la intervención poseían niveles altos de competencia evaluativa mediada por IA según
la escala validada en la primera fase.
Esta
articulación
entre
las
dos
fases
del
estudio,
competencia
docente
medida
psicométricamente
y
resultado estudiantil observado conductualmente constituye, a juicio de quienes desarrollan este trabajo,
el aporte más original del diseño, aunque también su eslabón más frágil, la cadena causal completa, desde
la
competencia
docente
hasta
el
aprendizaje
estudiantil,
no
fue
modelada
estadísticamente
de
forma
directa, sino inferida a partir de la selección de docentes con puntuaciones altas.
Conviene
precisar
el
alcance
real
de
esta
articulación
para
evitar
lecturas
causales
que
el
diseño
no
respalda. Los datos de la fase instrumental, la estructura factorial, la fiabilidad y las puntuaciones en la
ECD-IAES, describen exclusivamente el nivel de competencia declarado por el profesorado, no existe
ninguna
medición
directa
de
cómo
esa
competencia
se
tradujo,
sesión
a
sesión,
en
decisiones
pedagógicas
concretas
dentro
de
la
intervención.
De
modo
semejante,
los
cambios
observados
en
el
rendimiento
académico
y
en
la
percepción
de
aprendizaje,
aun
siendo
estadísticamente
significativos,
constituyen evidencia empírica sobre lo ocurrido en un grupo sin condición de control, no una demostración
de que la competencia docente en IA, medida por la escala, sea la causa de dichos cambios. Los dos
conjuntos de resultados, el psicométrico y el cuasi-experimental, deben leerse entonces como evidencia
preliminar y complementaria, articulada mediante un criterio de selección de participantes, y no como los
dos extremos verificados de una cadena causal única.
El estudio presenta limitaciones que conviene reconocer explícitamente. En primer lugar, el muestreo no
probabilístico por conveniencia, tanto en la fase docente como en la estudiantil, restringe la posibilidad de
generalizar los resultados al conjunto del profesorado universitario ecuatoriano, incluso dentro de la propia
provincia de Manabí. En segundo lugar, el diseño cuasi-experimental de un solo grupo sin condición de
control impide aislar el efecto específico de la intervención pedagógica de otras explicaciones plausibles,
como la maduración académica de los estudiantes durante el semestre o el efecto de novedad asociado a
la
experiencia.
En
tercer
lugar,
el
carácter
auto
informado
de
la
escala
de
competencias
expone
al
instrumento a sesgos de deseabilidad social, especialmente en la dimensión ética, donde el profesorado
podría sobrestimar su propio juicio crítico frente a la IA.
CONCLUSIONES
Este estudio se propuso diseñar y validar una escala multidimensional para evaluar las competencias en
inteligencia artificial del profesorado de universidades públicas y privadas de Manabí, así como explorar la
vinculación
con
una
intervención
pedagógica
dirigida
a
estudiantes
universitarios.
El
procedimiento
seguido,
juicio
de
expertos,
análisis
factorial
exploratorio
y
confirmatorio,
y
estimación
de
fiabilidad
mediante coeficientes complementarios,
ofrece evidencias preliminares de que
es posible construir un
instrumento psicométricamente sólido para medir esta competencia emergente, estructurado en torno a
cinco dimensiones que reflejan tanto los marcos internacionales disponibles como las particularidades del
contexto universitario ecuatoriano.
La principal contribución conceptual del estudio reside en la incorporación explícita de la ingeniería de
prompts educativos como dimensión diferenciada de la competencia docente en inteligencia artificial, un
aspecto
ausente
en
los
instrumentos
previos
revisados
en
la
literatura
internacional.
Esta
decisión,
respaldada por las evidencias factoriales propias del ejercicio metodológico desarrollado, sugiere que la
capacidad
de
un
docente
para
formular
instrucciones
efectivas
a
un
sistema
de
inteligencia
artificial
generativa
constituye
un
constructo
distinguible
de
otras
competencias
pedagógicas,
y
no
un
simple
corolario del manejo tecnológico general.
En
el
plano
aplicado,
la
vinculación
entre
la
escala
docente
y
la
intervención
pedagógica
dirigida
a
estudiantes universitarios
abre
una línea
de indagación poco explorada hasta
ahora, la
posibilidad de
establecer puentes empíricos entre lo que un docente
sabe hacer con la inteligencia artificial y lo que
efectivamente ocurre en el aprendizaje de sus estudiantes. Esta articulación, todavía incipiente en el diseño
aquí
propuesto,
podría
desarrollarse
en
investigaciones
futuras
mediante
modelos
estadísticos
que
incorporen
la
competencia
docente
como
variable
mediadora
explícita,
en
lugar
de
como
criterio
de
selección de los participantes.
Sandro Lenin Valdivieso León, MSc.
119
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
Conviene precisar el alcance de esta conclusión, que el presente estudio no probó, en sentido estricto, que
las competencias docentes en inteligencia artificial influyan sobre el aprendizaje estudiantil, dado que la
muestra de docentes de la fase de intervención fue seleccionada precisamente por poseer niveles altos
en dichas competencias, sin que existiera un grupo de comparación con docentes de competencia baja o
media. Lo que el estudio aporta es evidencia preliminar, compatible con esa hipótesis, cuya confirmación
exige diseños con mayor control, en particular estudios experimentales o cuasi-experimentales con grupo
de control que contrasten intervenciones dirigidas por docentes con distintos niveles de competencia en la
ECD-IAES,
además
de
modelos
de
mediación
estadística
capaces
de
estimar
el
peso
relativo
de
la
competencia docente frente a otras variables que también pudieron influir en los resultados observados.
Las implicaciones prácticas del estudio apuntarían hacia la necesidad de que las universidades públicas y
privadas de la provincia prioricen la ingeniería de prompts y la dimensión ética dentro de sus programas
de formación docente continua, en lugar de tratar la competencia en inteligencia artificial como un bloque
homogéneo
que
se
adquiere
de
manera
uniforme.
La
heterogeneidad
esperable
entre
dimensiones,
algunas más desarrolladas que otras según el patrón documentado en la literatura internacional revisada,
sugiere
que
las políticas de capacitación institucional ganarían en eficacia si se diseñaran
de
manera
diferenciada por competencia, en lugar de ofrecer talleres genéricos sobre inteligencia artificial aplicada a
la docencia.
REFERENCIAS
Aiken,
L.
R.
(1980).
Content
validity
and
reliability
of
single
items
or
questionnaires.
Educational
and
Psychological Measurement, 40(4), 955–959. https://doi.org/10.1177/001316448004000419
Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers' professional knowledge to
ethically
integrate
artificial
intelligence
(AI)-based
tools
into
education.
Computers
in
Human
Behavior,
138,
107468.
https://doi.org/10.1016/j.chb.2022.107468
Chiu, T. K. F., Ahmad, Z., & Çoban, M. (2025). Development and validation of teacher artificial intelligence
(AI)
competence
self-efficacy
(TAICS)
scale.
Education
and
Information
Technologies,
30(5),
6667–6685. https://doi.org/10.1007/s10639-024-13094-z
Dai,
W.,
Tsai,
Y.-S.,
Lin,
J.,
Aldino,
A.,
Jin,
H.,
Li,
T.,
Gašević,
D.,
&
Chen,
G.
(2024).
Assessing
the
proficiency
of
large
language
models
in
automatic
feedback
generation:
An
evaluation
study.
Computers
and
Education:
Artificial
Intelligence,
7,
100299.
https://doi.org/10.1016/j.caeai.2024.100299
Laupichler, M. C., Aster, A., Haverkamp, N., & Raupach, T. (2023). Development of the “Scale for the
Assessment of Non-Experts’ AI Literacy” (SNAIL): An exploratory factor analysis. Computers in
Human Behavior Reports, 12, 100338. https://doi.org/10.1016/j.chbr.2023.100338
Ledesma, R. D., Ferrando, P. J., & Tosi, J. D. (2019). Uso del análisis factorial exploratorio en RIDEP:
Recomendaciones para autores y revisores. Revista Iberoamericana de Diagnóstico y Evaluación,
e Avaliação Psicológica, 52(3), 173–180. https://doi.org/10.21865/RIDEP52.3.13
Lee, D., & Palmer, E. (2025). Prompt engineering in higher education: A systematic review to help inform
curricula.
International
Journal
of
Educational
Technology
in
Higher
Education,
22,
7.
https://doi.org/10.1186/s41239-025-00503-7
Miao,
F.,
&
Cukurova,
M.
(2024).
AI
competency
framework
for
teachers.
UNESCO.
https://doi.org/10.54675/ZJTE2084
Mikeladze, T., Meijer, P. C., & Verhoeff, R. P. (2024). A comprehensive exploration of artificial intelligence
competence frameworks for educators: A critical review. European Journal of Education, 59(3),
Article e12663. https://doi.org/10.1111/ejed.12663
Competencias en inteligencia artificial para docentes universitarios
120
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory
review.
Computers
and
Education:
Artificial
Intelligence,
2,
100041.
https://doi.org/10.1016/j.caeai.2021.100041
Redecker,
C.
(2017).
European
framework
for
the
digital
competence
of
educators:
DigCompEdu.
Publications Office of the European Union. https://doi.org/10.2760/159770
Sumba Arévalo, V. M., & Segarra Figueroa, O. P. (2026). Competencias digitales e inteligencia artificial en
docentes que cursan un posgrado en educación, Ecuador. European Public & Social Innovation
Review, 11, 1–19. https://doi.org/10.31637/epsir-2026-2439
Ventura-León, J. L., & Caycho-Rodríguez, T. (2017). El coeficiente Omega: Un método alternativo para la
estimación
de
la
confiabilidad
[Carta
al
editor].
Revista
Latinoamericana
de
Ciencias
Sociales,
Niñez y Juventud, 15(1), 625–627.
Wang, B., Rau, P.-L. P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence:
Validity and reliability of artificial intelligence literacy scale. Behaviour & Information Technology,
42(9), 1324–1337. https://doi.org/10.1080/0144929X.2022.2072768
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2025). Towards responsible artificial intelligence
in education: A systematic review on identifying and mitigating ethical risks. Humanities and Social
Sciences Communications, 12, 1111. https://doi.org/10.1038/s41599-025-05252-6
Sandro Lenin Valdivieso León, MSc.
121
Vol. 14 No. 2, ISSN 1390-9789, agosto, 2026