pág. 5480
PERCEPCIONES Y RETOS DEL DOCENTE DE
INGLÉS ANTE LA INTELIGENCIA ARTIFICIAL: DE
LA ASISTENCIA TECNOLÓGICA A LA
AUTONOMÍA PEDAGÓGICA
PERCEPTIONS AND CHALLENGES OF THE ENGLISH
TEACHER IN THE FACE OF ARTIFICIAL INTELLIGENCE:
FROM TECHNOLOGICAL ASSISTANCE TO PEDAGOGICAL
AUTONOMY
Alma Delia García Ensástegui
Universidad Autónoma del Estado de México
Virna Velázquez Vilchis
Universidad Autónoma del Estado de México
Ernesto Joel Dorantes Coronado
Universidad Autónoma del Estado de México
Manuel Alfredo Garduño Oropeza
Universidad Autónoma del Estado de México
Rafael Valentín Mendoza Méndez
Universidad Autónoma del Estado de México
pág. 5481
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25523
Percepciones y Retos del Docente de Inglés ante la Inteligencia Artificial: de
la Asistencia Tecnológica a la Autonomía Pedagógica
Alma Delia García Ensástegui1
Universidad Autónoma del Estado de México
Virna Velázquez Vilchis
Universidad Autónoma del Estado de México
Ernesto Joel Dorantes Coronado
Universidad Autónoma del Estado de México
Manuel Alfredo Garduño Oropeza
Universidad Autónoma del Estado de México
Rafael Valentín Mendoza Méndez
rvmendozam@uaemex.mx
Universidad Autónoma del Estado de México
RESUMEN
El presente artículo analiza las percepciones y retos de los docentes de lengua inglesa ante la irrupción
de la Inteligencia Artificial (IA) en instituciones de educación superior y media superior. Bajo un
enfoque cuantitativo descriptivo y un diseño no experimental, se aplicó un cuestionario a 39 docentes
(N=39) de los sectores público (UAEMéx) y privado. La confiabilidad del instrumento reportó un
coeficiente Alfa de Cronbach global de 0.869 y un nivel refinado de 0.911. Los resultados revelan que,
si bien existe una base sólida de competencia digital general, la adopción de la IA es selectiva y mediada
por la autorregulación. Se identifica un ejercicio pleno del rol de "diseñador" de materiales (100% de
frecuencia alta), contrastando con un rol de "evaluador" significativamente más cauteloso (35.9%). Un
hallazgo central es el alto valor otorgado a la autonomía pedagógica (84.6%), vinculada al lenguaje
interior como mecanismo neuropsicológico para discernir la pertinencia tecnológica. Se concluye que
la innovación con IA en el aula de idiomas surge primordialmente de la iniciativa personal y el
compromiso ético del docente, ante un respaldo institucional aún limitado.
Palabras clave: inteligencia artificial, enseñanza de lenguas, roles docentes, autonomía pedagógica,
lenguaje interior
1
Autor principal
Correspondencia: rvmendozam@uaemex.mx
pág. 5482
Perceptions and Challenges of the English Teacher in the Face of Artificial
Intelligence: From Technological Assistance to Pedagogical Autonomy
ABSTRACT
This article analyzes the perceptions and challenges of English language teachers regarding the
emergence of Artificial Intelligence (AI) in higher and upper-secondary education institutions. Using a
descriptive quantitative approach and a non-experimental design, a questionnaire was administered to
39 teachers (N=39$) from both public (UAEMéx) and private sectors. The instrument's reliability
yielded a global Cronbach's Alpha of 0.869 and a refined level of 0.911. The results reveal that, while
there is a solid foundation of general digital competence, AI adoption is selective and mediated by self-
regulation. A full exercise of the "designer" role in material creation was identified (100% high
frequency), contrasting with a significantly more cautious "evaluator" role (35.9%). A central finding is
the high value placed on pedagogical autonomy (84.6%), linked to inner language as a
neuropsychological mechanism for discerning technological relevance. It is concluded that AI
innovation in the language classroom primarily stems from the personal initiative and ethical
commitment of the teacher, in the face of still limited institutional support.
Keywords: artificial intelligence, language teaching, teacher roles, pedagogical autonomy, inner
language
Artículo recibido 13 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 5483
INTRODUCCIÓN
Debido a que las teorías pedagógicas clásicas se están fusionando con la Inteligencia Artificial (IA), la
enseñanza de idiomas extranjeros en las instituciones educativas está experimentando una
transformación sin precedentes; y esto tiene implicaciones que van mucho más allá de la enseñanza de
un tipo diferente de idioma. Históricamente, el proceso de aprendizaje de un segundo idioma (L2) se ha
conceptualizado desde diferentes perspectivas tanto conductuales como cognitivas y socioculturales, de
tal manera que la se ha visto que la interacción y la participación social son vitales para facilitar el
proceso de enseñanza efectiva.
El aprendizaje según diversos autores se basa en la construcción de nuevos conocimientos, pero
apoyándose en el conocimiento ya existente, lo que ayuda a promover un papel activo e independiente
del estudiante en sus estudios esto desde un enfoque constructivista. Así desde este punto de vista, el
enfoque comunicativo es teóricamente es idóneo, ya que ayuda a desarrollar las cuatro habilidades
lingüísticas (receptivas: escuchar y leer; productivas: escribir y hablar) bajo el principio del lenguaje
como un medio crucial para la comunicación.
Con los avances tecnológicos recientes, esta pedagogía ha pasado del aprendizaje de idiomas asistido
por computadora (CALL), al aprendizaje de idiomas asistido por dispositivos móviles (MALL) por la
oportunidad de ubicuidad de los dispositivos móviles además de su portabilidad y conectividad para
experiencias inmersivas y personalizadas. Pero la reciente aparición de la IA generativa en el presente
está remodelando este trabajo de enseñanza.
Diferentes investigaciones actuales muestran que la IA generativa puede promover el aprendizaje ya
que ayuda a reducir las tasas de error y permite a los estudiantes trabajar a su propio ritmo. Tal como
señala Mendoza Méndez (2026), la IA es un recurso pedagógico valioso si su uso es reflexivo,
contextualizado y ajustado de acuerdo con los programas académicos. En este contexto, la posición y
competencia del docente es importante para pasar del modelo de conferencia a aquellos modelos de
aprendizaje cooperativos y abarcadores.
Autores como Yan Li, Xinyan Zhou y Thomas K.F. Chiu (2025) afirman que el docente necesita asumir
los roles de presentador, diseñador, facilitador, evaluador y proveedor de recursos. En esta taxonomía
que plantea el autor, el evaluador no solo debe dar una calificación, sino también realizar una evaluación
pág. 5484
exhaustiva del rendimiento académico, para satisfacer el nivel de necesidad individual del estudiante,
algo que depende de la sensibilidad pedagógica del docente.
La adopción de estos roles trasciende la mera adopción de competencias técnicas; su práctica se
configura, ante todo, como un proceso continuo de autorregulación. Bajo esta óptica, el habla interior
no actúa solo como una función cognitiva pasiva, sino que se define como una competencia
neuropsicológica activa. Es mediante esta capacidad que el docente modula su conducta y estructura
tareas de alta complejidad, lo cual sustenta la autonomía pedagógica observada en los datos.
Esto ya aplicado en la enseñanza, es verdaderamente importante, particularmente para determinar el uso
ético y situado dentro de un marco pedagógico el uso de la IA en la enseñanza y sirve como un
mecanismo de habla autónomo, donde el docente puede controlar su propia práctica en presencia de
incertidumbre tecnológica. A esa capa adicional de complicación pedagógica sumémosle problemas
logísticos y administrativos, como el factor tiempo de la gestión de nuevos recursos y competencias de
índole tecnológico que han surgido extraordinariamente fuera del horario laboral del docente.
Mientras autores internacionales como Liu, Zhang y Zhang (2024) subrayan la importancia de la
motivación en entornos digitales, los educadores luchan por reconciliar esta revolución tecnológica con
la preservación de su propia independencia. Por lo tanto, el objetivo de este documento es investigar
qué percepciones y problemas enfrentan los profesores que imparten la materia de inglés en relación
con la IA generativa, al implementar estos procesos de autorregulación mencionados y habla interna
para la orientación pedagógica, con el fin de encontrar un compromiso entre la asistencia de la tecnología
y la integridad académica.
METODOLOGÍA
Enfoque y Diseño
El estudio se enmarca dentro del paradigma cuantitativo, adoptando un alcance descriptivo y una
estructura no experimental de corte transversal. Con este diseño, se buscó delimitar las percepciones y
el grado de integración que los docentes de lengua inglesa manifiestan respecto a la Inteligencia
Artificial (IA) dentro de su práctica pedagógica, observando cómo se produce su transición desde
tecnologías ya técnicamente dominadas hacia herramientas emergentes.
pág. 5485
Participantes
La muestra se integró por 39 docentes que imparten la materia de inglés en instituciones de educación
superior y media superior, tanto de carácter públicas como privadas. Los participantes esta situados en
un rango de edad de entre 25 y 63 años, con una predominancia del género femenino, que representó
aproximadamente el 79% de la muestra.
La selección de los perfiles consideró a profesionales con experiencia en diversos niveles educativos,
incluyendo bachillerato, licenciatura, posgrado y cursos libres de idiomas. Se incluyó personal
académico de la Facultad de Lenguas de la Universidad Autónoma del Estado de México (UAEMéx),
el Centro de Enseñanza de Lenguas (CELe) de la misma institución, así como docentes de diversas
facultades y de una institución particular donde se imparte la Licenciatura en Lengua Inglesa. Los
participantes fueron seleccionados debido a su familiaridad previa con entornos de aprendizaje asistido
por ordenador (CALL) y móvil (MALL), lo que permite observar la transición hacia la IA desde una
base tecnológica ya consolidada en su práctica docente.
Instrumento
Se aplicó un cuestionario en formato digital de 20 reactivos principales, con una escala de tipo Likert
de cinco puntos, donde 1 corresponde a "Nunca" y 5 a "Siempre". El instrumento se estructuró en cuatro
dimensiones teóricas que permiten medir diferentes facetas de la relación entre el docente y la
tecnología:
• D1: Uso de Tecnología General (Reactivos 1-3): Esta dimensión se encarga de medir la
frecuencia y facilidad de uso de herramientas digitales y plataformas educativas convencionales.
• D2: Integración Pedagógica de la IA (Reactivos 4-11): Esta dimensión se encarga de evaluar
el uso de herramientas como ChatGPT, Grammarly y Copilot en el diseño de materiales y la
mediación del aprendizaje.
• D3: Autonomía y Ética (Reactivos 12-16): Esta dimensión analiza la percepción de
dependencia tecnológica, la preservación de la autonomía pedagógica y la gestión ética de la
IA.
pág. 5486
• D4: Desarrollo Profesional e Innovación (Reactivos 17-20): Esta dimensión se encarga de
explorar el interés por la actualización constante y el aprovechamiento de apoyos
institucionales.
La confiabilidad del instrumento se hizo mediante el uso del método estadístico coeficiente Alfa de
Cronbach, donde se obtuvo valor global de 0.869, lo que representa una alta consistencia interna.
Además, se aplicó un segundo análisis de refinamiento, eliminando reactivos con baja correlación
técnica para purificar la escala de adopción, donde se alcanzó un coeficiente de 0.911.
Por dimensiones, los valores de fiabilidad fueron: D1 (= 0.850), D2 (= 0.928), D3 (=0.257) y D4
(=0.728). Es importante destacar que el bajo valor obtenido en la Dimensión 3 es estadísticamente
coherente con los hallazgos de la investigación, ya que refleja una diferenciación cognitiva marcada
entre el "uso operativo" de la tecnología y el "pensamiento crítico" en la parte de la autonomía docente,
lo cual valida la necesidad de un análisis cualitativo y diferenciado para esta variable.
Procedimiento
La recopilación de datos se gestionó mediante un muestreo no probabilístico por conveniencia,
aplicando el instrumento vía correo electrónico digital de los participantes. Tambien se estableció
contacto directo con la academia de inglés de la Facultad de Lenguas y la dirección del Centro de
Enseñanza de Lenguas (CELe) de la UAEMéx. La invitación además abarcó a docentes universitarios
de distintas facultades y preparatorias, incluyendo a una institución educativa privada con programas de
licenciatura en lengua inglesa.
El objetivo de esta disposición buscó contrastar contextos institucionales diferenciados —públicos y
privados— para así captar la pluralidad de diversas experiencias frente al desafío de integrar inteligencia
artificial en el aula. Una vez que se recopiló la información, los datos se sometieron a un procesamiento
sistemático que permitió realizar el análisis descriptivo y estadístico correspondiente.
RESULTADOS
Perfil Sociodemográfico y Contexto Profesional
La totalidad de la muestra se conformó por 39 docentes de la materia de inglés de diversas instituciones.
el grupo está compuesto principalmente por mujeres con un predominio del 79%, frente a una
pág. 5487
representación de hombres del 21%, concentrándose la mayoría en el rango de edad entre los 40 y los
55 años.
Desde el ámbito profesional, los participantes laboran en contextos variados que abarcan tanto la
enseñanza universitaria —en instituciones públicas como privadas— como el nivel medio superior; se
destaca específicamente la vinculación con la academia de inglés y el Centro de Enseñanza de Lenguas
(CELe) de la UAEMéx. Su actividad profesional, se enfoca principalmente en la docencia del inglés
general, aunque también hay vinculadas a la traducción y la lingüística aplicada.
Tabla 1 Representatividad por género.
Género
n
%
Femenino
31
79.5
Masculino
8
20.5
Total
39
100
Se observa una marcada predominancia del género femenino en la muestra, representando el 79.5%
(=31) de los participantes, frente a un 20.5% (=8) del género masculino. Esta distribución es
consistente con las tendencias demográficas observadas en la enseñanza de lenguas en los niveles
educativos analizado.
Tabla 2 Rangos de edad
n
%
31
79.5
8
20.5
39
100
pág. 5488
Los rangos de edad se ven representados por una madurez profesional ya que el 79.5% de los docentes
se sitúa en el rango de los 40 a 55 años. El 20.5% restante se distribuye entre docentes jóvenes y aquellos
en etapa de jubilación, lo que aporta una perspectiva de experiencia consolidada al estudio.
Tabla 3 Tipos de institución
Tipo de Institución
n
%
Pública (UAEMéx)
28
71.8
Privada
11
28.2
Total
39
100
El 71.8% (=28) de los encuestados labora en el sector público, específicamente en la Universidad
Autónoma del Estado de México (UAEMéx). Por su parte, el 28.2% (=11) desempeña sus funciones
en instituciones del sector privado, lo que permite una comparación entre ambos modelos de gestión.
Tabla 4 Nivel Educativo
Nivel Educativo
n
%
Licenciatura
15
38.5
Cursos libres / Bachillerato
24
61.5
Total
39
100
Se observa que el 38.5% de los docentes imparte clases en programas de Licenciatura, mientras que la
mayoría (61.5%) se concentra en la enseñanza de cursos libres de idiomas y nivel medio superior
(bachillerato), cubriendo así un espectro amplio de la formación lingüística.
Competencia Tecnológica General frente a la Adopción de IA
Los datos que se presentan reflejan que los docentes cuentan con una competencia digital consolidada
en términos generales. Cuando se evalúa el uso de herramientas convencionales y plataformas de gestión
pág. 5489
educativa (LMS), las respuestas registran niveles altos, correspondientes a puntuaciones entre 4 y 5 en
la escala Likert.
En contraste, al analizar la integración específica de soluciones basadas en Inteligencia Artificial —
como ChatGPT, Grammarly o Copilot, entre otras — los resultados encontrados indican un uso más
moderado y disperso. Esta divergencia nos muestra una brecha funcional: ya que mientras el manejo
técnico de los entornos virtuales está asegurado, la integración cognitiva de la IA sigue siendo marginal
en la dinámica directa con el estudiante. Por tanto, podemos decir que, para muchos docentes, la
tecnología asistida se mantiene como un complemento y no como un eje central del diseño instruccional
cotidiano.
Tabla 5 Niveles de competencia digital general en el profesorado (N=39).
Variable (Niveles 4 y 5)
n
%
Uso regular de herramientas digitales (Q1)
28
71.8
Manejo de plataformas educativas/LMS (Q2)
32
82.1
Tecnología para facilitar la enseñanza (Q3)
38
97.4
Tabla 6 Niveles de adopción e integración de Inteligencia Artificial (N=39).
Variable (Niveles 4 y 5)
n
%
Uso de herramientas de IA aplicables (Q4)
31
79.5
Incorporación de IA en las sesiones de clase (Q5)
17
43.6
Descripción e interpretación de los hallazgos:
Se observa una base sólida de competencia digital entre los encuestados. Como se detalla en la Tabla 5,
el uso de herramientas tecnológicas convencionales y plataformas de gestión educativa (LMS) se sitúa
en niveles altos y muy altos, destacando que el 97.4% (n=38) utiliza la tecnología para facilitar la
pág. 5490
enseñanza y evaluación, mientras que el 82.1% (n=32) manifiesta facilidad en el manejo de plataformas
institucionales.
Al examinar la integración de herramientas específicas como ChatGPT, Grammarly o Copilot, entre
otras, aquí los datos revelan que hay una adopción moderada y fragmentada (Tabla 6). Surge una clara
discrepancia si bien el 79.5% de los docentes conoce y emplea estas tecnologías para un uso general,
solamente un 43.6% (n=17) realmente logra incorporarlas de manera concreta en sus sesiones de clases.
Esta diferencia que se observa nos sugiere que, aunque los maestros de inglés han adquirido competencia
funcional sobre las plataformas, su uso pedagógico aún se contempla de manera clara; más bien la IA
se percibe más como un complemento que como un elemento estructural del proceso formativo en el
salón de clases.
Aplicaciones Pedagógicas: El Rol de Diseñador vs. Evaluador
En el análisis de la docencia con la inteligencia artificial (IA) se observa una clara diferencia al
identificar los roles de su uso. Los resultados encontrados muestran que los docentes encuestados tienen
una marcada preferencia por usar la IA en actividades de apoyo en planificación, y en generación de
contenidos y actividades.
En el rol de diseñador se observa un uso más frecuente de esta herramienta, los docentes hacen uso de
ella más para crear materiales didácticos, y diseñar actividades más alineadas a las necesidades
específicas de sus alumnos (reactivo 6), esto se reflejó en puntuaciones más altas en la escala de uso del
instrumento.
Mientras tanto en el rol de evaluador podemos observar un patrón diferente. En este contexto para las
tareas de evaluación se observa un uso más reducido. No se observa la misma confianza en el uso de la
IA para la revisión de contenidos, su bajo índice de uso se ve manifestado por los bajos porcentajes
encontrados por lo que se puede determinar que muchos maestros mantienen una prudencia respecto a
delegarle de manera completa la valoración formativa.
Esto nos muestra una distinción fundamental en la percepción del valor añadido: ya que mientras la IA
es aceptada como una herramienta para la creación de contenido y la adaptación curricular (el "cómo
enseñar"), se le percibe con mayor reserva su capacidad para una valoración crítica y que sea capaz de
pág. 5491
determinar el conocimiento adquirido (el "qué se ha aprendido"), cerrando, el docente emplea la IA mas
como asistente creativo, pero no como árbitro de la calidad del conocimiento adquirido del alumno.
Aplicaciones Pedagógicas: El Rol de Diseñador vs. Evaluador
Tabla 7 Desempeño en el Rol de Diseñador: Creación de materiales con IA (N=39).
Nivel de Frecuencia (Reactivo 6)
n
%
Frecuentemente / Siempre (4 y 5)
39
100.0
A veces (3)
0
0.0
Nunca / Rara vez (1 y 2)
0
0.0
Total
39
100
Tabla 8 Desempeño en el Rol de Evaluador: Retroalimentación y corrección con IA (N=39).
Nivel de Frecuencia (Reactivo 7)
n
%
Frecuentemente / Siempre (4 y 5)
14
35.9
A veces (3)
18
46.2
Nunca / Rara vez (1 y 2)
7
17.9
Total
39
100
Descripción e interpretación de los hallazgos:
La distribución encontrada del uso de la inteligencia artificial entre los docentes, según los roles
mencionados, muestra una disparidad en su adopción: mientras que todos los encuestados se sitúan
principalmente como diseñadores de contenidos, en contraste apenas una quinta parte se identifica como
evaluadores activos. La Tabla 7 que se muestra arriba nos señala que el 100% de los profesores usa la
pág. 5492
IA de una manera regular para la elaboración de materiales, actividades y recursos adaptados a sus
estudiantes —un uso que, en este contexto, se asocia directamente con la función de diseño pedagógico.
En contraste, la Tabla 8 nos está mostrando una marcada disminución en el uso de la IA para las tareas
de evaluación. Se observan solo 14 docentes (35.9%) que son los que las usan de manera frecuente para
corregir textos o generar retroalimentación automática, mientras que el 64.1% restante apenas si la
utiliza o de plano no la incorpora en su práctica. Esta brecha no se debe únicamente a una falta de interés,
sino a una resistencia estructurada detectada frente a la idea de delegarle a los algoritmos decisiones
que, en el quehacer docente, se consideran fundamentales para el desarrollo cognitivo y emocional del
estudiante. Es entonces que el proceso de evaluación, en este sentido, no se percibe como una tarea que
se pueda automatizar, sino más bien como un proceso que exige juicio, empatía y un entendimiento
profundo del contexto pedagógico —cualidades que, por el momento, los docentes consideran
intransferibles a las máquinas.
Autonomía Pedagógica, Ética e Innovación
Los hallazgos encontrados nos muestran que la autonomía pedagógica constituye uno de los valores más
significativos para los maestros que participaron. El Reactivo 12 muestra que, para la mayoría de los
docentes, existe la idea de limitar la dependencia tecnológica para mantener su criterio profesional
intacto. Esto responde a un mecanismo de autorregulación interna donde el maestro hace uso de su juicio
interno para evaluar cuándo y cómo integrar la tecnología en cada fase del proceso educativo, evitando
que esta reemplace la decisión profesional.
Respecto al componente ético, las respuestas al Reactivo 14 sugieren una preferencia por el
acompañamiento para mejorar, no solo para sancionar el uso de la IA. Más bien antes que imponer
sanciones o vigilar mediante castigos por plagio (Reactivo 15), los profesores se inclinan por guiar a los
estudiantes hacia un uso responsable.
pág. 5493
Autonomía Pedagógica, Ética e Innovación
Tabla 9 Preservación de la autonomía pedagógica frente a la IA (N=39).
Nivel de Acuerdo (Reactivo 12)
n
%
Muy de acuerdo / De acuerdo (4 y 5)
33
84.6
Neutral (3)
6
15.4
En desacuerdo / Muy en desacuerdo (1 y 2)
0
0.0
Total
39
100
El análisis confirma que la autonomía pedagógica es un pilar central en el trabajo del docente. Según
los resultados obtenidos que se muestran en la Tabla 9, el 84.6% (n=33) de los maestros manifiesta una
conducta para limitar su dependencia de la inteligencia artificial. Esto es importante ya que revela que
el docente actúa como un filtro crítico frente a la tecnología. No se comporta como un receptor pasivo,
usa su autorregulación cognitiva para monitorear y limitar el uso de estas herramientas, con el fin de
que a su juicio profesional prevalezca sobre la lógica del algoritmo.
Tabla 10 Perspectiva ética: Guía pedagógica vs. Control punitivo (N=39).
Variable (Frecuencia 4 y 5)
n
%
Guía a estudiantes en uso responsable (Q14)
35
89.7
Supervisión para evitar plagio (Q15)
19
48.7
La Tabla 10 muestra que el liderazgo pedagógico (89.7%) se posiciona como una práctica predominante
frente al control punitivo (48.7%). Esta diferencia revela que los docentes entienden la ética no solo
como un mecanismo de seguridad, sino como un proceso de acompañamiento. Más que depender de la
detección del plagio, priorizan construir una cultura de integridad académica mediante la guía directa.
Tabla 11 Interés en actualización constante y aprovechamiento de apoyos institucionales.
Variable (Niveles 4 y 5)
n
%
Interés en actualización constante (Q20)
37
94.9
Aprovechamiento de apoyos institucionales (Q17)
12
30.8
pág. 5494
Los datos de la Tabla 11 evidencian una tensión significativa entre el deseo de capacitarse y los recursos
con los que cuentan. Casi toda la muestra (94.9%) subraya un fuerte interés en actualizarse en temas de
inteligencia artificial, pero apenas un tercio de ella (30.8%) cuenta con apoyos institucionales que
consideran efectivos para ello. Este contraste indica que el dinamismo educativo no nace de políticas
centralizadas, sino del compromiso individual, ya que el docente termina asumiendo la carga más grande
en su formación técnica y ética lineamientos claros por parte de las instituciones.
Aplicaciones pedagógicas de la IA: Diseño de materiales vs. Evaluación y Retroalimentación
El siguiente apartado examina cómo los profesores aplican la inteligencia artificial en dos actividades
centrales de su labor docente: el diseño de recursos didácticos y la evaluación del desempeño. Estas
funciones se vinculan, respectivamente, con un rol de diseñador y otro de evaluador dentro del contexto
educativo.
Tabla 12 Frecuencia de uso de IA para el diseño de materiales y actividades (N=39).
Nivel de Frecuencia (Reactivo 6)
n
%
Frecuentemente / Siempre (4 y 5)
39
100.0
A veces (3)
0
0.0
Nunca / Rara vez (1 y 2)
0
0.0
Total
39
100
La adopción pedagógica de la IA no es uniforme en todas las dimensiones. Según lo registrado en la
Tabla 7, el 100% de los docentes encuestados se sitúa en los niveles más altos de frecuencia cuando se
evalúa su rol como Diseñador. Esto sugiere que, en esta función la IA es utilizada como un Co-diseñador
(UNESCO, 2023), capaz de ayudarles a generar contenidos, materiales didácticos y actividades
adaptadas a las necesidades concretas de los grupos. Pero este hallazgo no implica que exista una
integración automática en otras dimensiones pedagógicas.
pág. 5495
Es importante centrar nuestro análisis en que el problema radica en si se percibe la tecnología como una
herramienta para aumentar la eficiencia operativa del profesor, o si se comprende como un elemento
capaz de transformar las dinámicas educativas en el aula.
Tabla 13 Frecuencia de uso de IA para brindar retroalimentación y corrección (N=39).
Nivel de Frecuencia (Reactivo 7)
n
%
Frecuentemente / Siempre (4 y 5)
14
35.9
A veces (3)
18
46.2
Nunca / Rara vez (1 y 2)
7
17.9
Total
39
100
Los datos de la Tabla 13, que detalla la frecuencia de uso de la IA para brindar retroalimentación y
corrección (𝑁=39), revelan una postura cautelosa respecto a usar esta tecnología en rol de evaluador ya
que solo el 35.9% (𝑛=14) de los docentes participantes emplea la IA con cierta regularidad para corregir
textos o automatizar comentarios; comparado con lo que en contraste, el 64.1% opta solamente por un
uso ocasional o prácticamente nulo. Esto sugiere que la retroalimentación y el juicio sobre el desempeño
académico del estudiante se mantienen como funciones humanas críticas, cuya ejecución exige una
sensibilidad pedagógica y un manejo del contexto que los algoritmos aún no logran sustituir plenamente.
Y así mientras los docentes de inglés aprovechan la IA para estimular su capacidad creativa y como
herramienta de planificación, mantiene una reserva a delegar la autoridad evaluativa. De este modo, el
docente preserva la esencia de su mediación al evitar que la evaluación se convierta en un proceso
técnico, y asi asegura su papel central en el proceso formativo.
DISCUSIÓN
Los resultados de esta investigación revelan una evolución compleja en la enseñanza del idioma inglés:
si bien el dominio de tecnologías tradicionales como CALL y MALL funciona como una plataforma
técnica, esta no garantiza una adopción automática de la Inteligencia Artificial (IA). Y mientras en el
pág. 5496
estudio se observa que los docentes reportan niveles de competencia digital entre altos y muy altos, la
frecuencia con la que integran herramientas como ChatGPT o Copilot en su enseñanza se observa
notablemente menor. Esto sugiere que la IA se percibe todavía como una innovación en fase de
exploración y no como un componente curricular.
Un hallazgo importante es que se valida la taxonomía de roles propuesta por Li, Zhou y Chiu
(2024/2025). Los datos demostraron que los docentes se posicionan en los roles de diseñador y
proveedor de recursos didácticos, empleando la IA para la creación de materiales didácticos para sus
clases. Sin embargo se observa, reticencia a adoptar el rol de evaluador apoyado por IA, lo que muestra
que aun con las capacidades de estas tecnologías el juicio valorativo y la retroalimentación académica
las mantienen como funciones críticas, percibidas como procesos que requieren sensibilidad y el
contexto humano del docente. Este comportamiento se alinea con la visión de Mendoza Méndez (2026),
quien propone que la IA debe funcionar como un recurso reflexivo y adaptado, evitando su papel como
sustituto de la mediación pedagógica directa.
La tendencia hacia la preservación de la autonomía pedagógica se construye como el eje diferenciador
de este estudio. Esta resistencia a la dependencia tecnológica encuentra cobijo en el papel del lenguaje
interno como regulador del comportamiento: el docente entonces no actúa de manera pasiva ante la
herramienta, sino que utiliza expertos para planificar, monitorear y decidir el grado de intervención
tecnológica en el aula. Esta "resistencia profesional" es un acto de autorregulación cognitiva que le
permite que la tecnología permanezca al servicio del propósito educativo: el desarrollo de la
competencia comunicativa humana.
En el ámbito institucional, los resultados evidencian una discrepancia entre el interés personal por la
actualización constante y el apoyo real percibido por parte de las universidades y preparatorias, tanto
públicas como privadas. Los retos de tiempo y la falta de capacitación señalados por los participantes
coinciden con las vicisitudes descritas por Peláez-Sánchez y Velásquez-Durán (2023) y Briceño Núñez
et al. (2024) en el contexto nacional. Frente a los beneficios teóricos de la IA para maximizar resultados
(Luckin, 2010), la realidad de esta muestra indica que el docente debe invertir un tiempo extraordinario
en la gestión de estos recursos, lo cual limita una integración más profunda y ética.
pág. 5497
Finalmente, la preferencia de los docentes por guiar éticamente a sus estudiantes en lugar de ejercer un
control punitivo apunta hacia modelos de aprendizaje más colaborativos. Esto refuerza la idea de que el
éxito de la IA en la enseñanza de lenguas no depende de la sofisticación técnica del software, sino de la
capacidad docente para ejercer su autonomía y regular el uso de estas herramientas mediante un criterio
profesional sólido y una planificación reflexiva.
CONCLUSIONES
El análisis realizado indica que el uso de la IA (Inteligencia Artificial) en la enseñanza del inglés no es
solo una transformación instrumental, sino más bien una transición compleja influenciada por la
adopción previa de tecnología y los mecanismos de autorregulación del personal docente. En primer
lugar, la evidencia estableció que la alta competencia digital observada es más que anecdótica: se debe
a una trayectoria consolidada en entornos de aprendizaje de idiomas asistido por computadora (CALL)
y aprendizaje de idiomas asistido por dispositivos móviles (MALL). Sin embargo, esta adopción no es
arbitraria; el cuerpo docente también está utilizando su base tecnológica para investigar nuevas
características de la IA, aunque constantemente condiciona su implementación a criterios pedagógicos
precisos y a la conservación de su propia identidad profesional. En segundo lugar, los hallazgos revelan
una reorientación radical de la identidad del docente, que está en línea con las taxonomías de Li, Zhou
y Chiu (2024). Los docentes han logrado sin duda asumir los roles de diseñadores y proveedores de
recursos para ofrecer contenido completamente personalizado asistido por la generación de IA. Pero
todavía hay una fuerte resistencia hacia el evaluador automatizado. Esta vacilación implica que el papel
del juicio crítico en el rendimiento académico y en la retroalimentación se consideran tareas importantes
que son fundamentalmente humanas y no pueden ser reemplazadas, y apoya el argumento de Mendoza
Méndez (2026) de que hay una necesidad de una intervención tecnológica reflexiva más allá de la
automatización. El principal descubrimiento de este estudio es que la negativa a depender demasiado de
la IA surge como un fuerte caso de autonomía pedagógica, incrustada en la autorregulación cognitiva.
A través de su propio diálogo —el lenguaje interno— el docente ejecuta un sistema de discurso
autodirigido, en el cual planifica y monitorea su práctica. Esto mantiene a la tecnología como un
habilitador de la competencia comunicativa, en lugar de un producto final que anularía en última
instancia la mediación humana. Esta autonomía, por lo tanto, es el mecanismo que permite que la
pág. 5498
integridad del proceso educativo perdure a pesar de las presiones de la automatización. Finalmente,
aparece una desconexión considerable entre el compromiso individual y el apoyo institucional. Los
docentes a menudo demuestran un liderazgo ético proactivo —guiando activamente a sus estudiantes,
buscando actualizaciones constantes— pero se encuentran enfrentados a barreras sistémicas: falta de
tiempo y ausencia de programas de formación estructurados en experiencia técnica o ética en sus propias
instituciones. El grado en que la innovación de la IA tiene éxito en los contextos analizados depende
tanto de los esfuerzos extraordinarios del personal docente que se necesita una respuesta institucional
más coordinada y efectiva para que esta transición digital se consolide de manera equitativa y sostenible.
REFERENCIAS BIBLIOGRÁFICAS
Briceño Núñez, C. E., Pernia Molina, R., Teixeira Robles, Y. M., & Juárez Viloria, C. N. (2024).
Enfoque holístico en la enseñanza de idiomas: usos de la inteligencia artificial en contextos
universitarios. DIDAC, (84), 30–43. https://doi.org/10.48102/didac.2024.84_JUL-DIC.210
Li, Y., Zhou, X., & Chiu, T. K. F. (2025). Systematics review on artificial intelligence chatbots and
ChatGPT for language learning and research from self-determination theory (SDT): What are
the roles of teachers? Interactive Learning Environments, 33(3), 1850–1864.
Liu, G. L., Zhang, Y., & Zhang, R. (2024). Examining the relationships among motivation, informal
digital learning of English, and foreign language enjoyment: An explanatory mixed-method
study. ReCALL, 36(1), 72–88. https://doi.org/10.1017/S0958344023000204
Macías-Borrego, M. (2024). Análisis de errores e inteligencia artificial: Evaluación preliminar de la
producción escrita en inglés como lengua extranjera. I+D Revista de Investigaciones, 19(1).
https://sievi.udi.edu.co/ojs/index.php/ID/article/view/458
Olmo-Cazevieille, F., & Stîngă, P. A. (2022). ¿Cómo identificar los factores incidentes en el
aprendizaje? Investigación aplicada al alumnado rumano de ELE. marcoELE. Revista de
Didáctica Español Lengua Extranjera, (34).
Peláez-Sánchez, I. C., & Velásquez-Durán, A. (2023). The impact of Duolingo in developing students’
linguistic competence: An aspect of communicative language competences. Educação e
Pesquisa, 49, 1–20.
pág. 5499
Valero-Franco, C., & Berns, A. (2024). Desarrollo de apps de realidad virtual y aumentada para
enseñanza de idiomas: un estudio de caso. RIED-Revista Iberoamericana de Educación a
Distancia, 27(1).
Briceño Núñez, C. E., Pernia Molina, R., Teixeira Robles, Y. M., & Juárez Viloria, C. N. (2024).
Enfoque holístico en la enseñanza de idiomas: usos de la inteligencia artificial en contextos
universitarios. DIDAC, (84), 30–43. https://doi.org/10.48102/didac.2024.84_JUL-DIC.210
Li, Y., Zhou, X., & Chiu, T. K. F. (2025). Systematics review on artificial intelligence chatbots and
ChatGPT for language learning and research from self-determination theory (SDT): What are
the roles of teachers? Interactive Learning Environments, 33(3), 1850–1864.
https://doi.org/10.1080/10494820.2024.2400090
Liu, G. L., Zhang, Y., & Zhang, R. (2024). Examining the relationships among motivation, informal
digital learning of English, and foreign language enjoyment: An explanatory mixed-method
study. ReCALL, 36(1), 72–88. https://doi.org/10.1017/S0958344023000204
Mendoza Méndez, R. V. (2026). Impacto de la inteligencia artificial en estudiantes. Universidad
Autónoma del Estado de México. https://doi.org/10.37811/cl_rcm.v9i6.21835
Peláez-Sánchez, I. C., & Velásquez-Durán, A. (2023). The impact of Duolingo in developing students’
linguistic competence: An aspect of communicative language competences. Educação e
Pesquisa, 49, 1–20. https://doi.org/10.1590/S1678-4634202349252467eng