Forma Descripción generada automáticamente
Forma Descripción generada automáticamente
Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 2, 2026, abril-junio
DOI: https://doi.org/10.71112/x761j132
DE LA PLANIFICACIÓN A LA AUTORREGULACIÓN CRÍTICA: ESTRATEGIAS
METACOGNITIVAS EN LA ESCRITURA EFL ASISTIDA POR INTELIGENCIA
ARTIFICIAL GENERATIVA EN EDUCACIÓN SUPERIOR
FROM PLANNING TO CRITICAL SELF-REGULATION: METACOGNITIVE
STRATEGIES IN EFL WRITING ASSISTED BY GENERATIVE ARTIFICIAL
INTELLIGENCE IN HIGHER EDUCATION
Dionelio Jesús Moreno Villalobos
Colombia
DOI: https://doi.org/10.71112/x761j132
2417 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
De la planificación a la autorregulación crítica: estrategias metacognitivas en la
escritura EFL asistida por inteligencia artificial generativa en educación superior
From planning to critical self-regulation: metacognitive strategies in EFL writing
assisted by generative artificial intelligence in higher education
Dionelio Jesús Moreno Villalobos
a,b,*
djmorenov@universidadean.edu.co
https://orcid.org/0009-0006-8046-1123
*Autor de correspondencia: djmorenov@universidadean.edu.co,
a
Universidad EAN, Colombia
b
Universidad Cuauhtémoc, México
RESUMEN
Este artículo analiza el papel de las estrategias metacognitivas en la escritura en inglés como
lengua extranjera mediada por inteligencia artificial generativa en educación superior. A partir
de una revisión documental orientada y de un análisis comparado de modelos de escritura
procesual, aprendizaje estratégico y autorregulación, se propone el constructo de
autorregulación crítica. El estudio sostiene que herramientas como ChatGPT pueden apoyar la
planificación, organización, revisión y autoevaluación del texto, siempre que su uso sea
pedagógicamente mediado y no sustituya la responsabilidad autoral del aprendiz. Como aporte
central, se presenta un modelo de cinco momentos: planificación consciente, interacción
estratégica, monitoreo crítico, revisión y toma de decisiones, y autoevaluación reflexiva. Se
concluye que la integración crítica de la IA puede fortalecer la autonomía, la voz discursiva y la
responsabilidad académica en EFL.
DOI: https://doi.org/10.71112/x761j132
2418 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Palabras clave: Estrategias metacognitivas; Escritura EFL; Inteligencia artificial generativa;
Autorregulación crítica; Educación superior
ABSTRACT
This article analyzes the role of metacognitive strategies in English as a Foreign Language
writing mediated by generative artificial intelligence in higher education. Drawing on an oriented
documentary review and a comparative analysis of process writing, strategic language learning,
and self-regulation models, the study proposes the construct of critical self-regulation. It argues
that tools such as ChatGPT may support planning, idea organization, revision, and self-
assessment, provided that their use is pedagogically mediated and does not replace learners'
authorial responsibility. As a central contribution, the article presents a five-stage model:
conscious planning, strategic interaction, critical monitoring, revision and decision-making, and
reflective self-assessment. The study concludes that the critical integration of generative AI can
strengthen autonomy, discursive voice, and academic responsibility in EFL writing.
Keywords: Metacognitive strategies; EFL writing; Generative artificial intelligence; Critical self-
regulation; Higher education
Recibido: 21 mayo 2026 | Aceptado: 4 junio 2026 | Publicado: 5 junio 2026
DOI: https://doi.org/10.71112/x761j132
2419 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
1.- INTRODUCCIÓN
La escritura en inglés como lengua extranjera (en adelante, EFL writing) continúa siendo
una de las competencias más complejas que deben desarrollar los estudiantes en educación
superior. No se trata únicamente del dominio de estructuras gramaticales o de un vocabulario
suficientemente amplio, sino de la capacidad para planificar ideas, jerarquizar información,
construir sentido, revisar la coherencia textual y evaluar la adecuación comunicativa del
producto final. Esta complejidad se intensifica cuando los estudiantes universitarios deben
producir textos académicos, argumentativos o profesionales en una lengua que aún están
consolidando, y cuando la tarea les exige sostener simultáneamente un control cognitivo,
lingüístico y discursivo (Flower y Hayes, 1981; Hayes, 1996; Delmastro y Di Pierro, 2009).
En los últimos años, la expansión de las herramientas de inteligencia artificial generativa
en particular, los modelos conversacionales de lenguaje a gran escala como ChatGPT ha
modificado de forma sustantiva las condiciones tradicionales de producción escrita. Los
estudiantes pueden ahora solicitar ideas, reformulaciones, explicaciones gramaticales,
corrección de errores, modelos de párrafos y retroalimentación inmediata sin la mediación
directa del docente (Kasneci et al., 2023; Barrot, 2023; Kohnke et al., 2023). Esta posibilidad
abre un campo pedagógico prometedor, pero plantea al mismo tiempo tensiones significativas:
dependencia tecnológica, debilitamiento de la voz autoral, delegación del esfuerzo cognitivo,
dificultades para distinguir entre ayuda legítima y sustitución de la producción, y uso poco
transparente de los textos generados (Warschauer et al., 2023; Cotton et al., 2024).
El problema central no radica únicamente en la presencia de la inteligencia artificial
generativa en el aula de EFL writing, sino en la forma en que los estudiantes la incorporan a su
proceso escritural. Cuando la herramienta se usa sin orientación metacognitiva, tiende a
reducirse a un mecanismo de producción rápida; cuando, en cambio, se integra mediante
estrategias explícitas de planificación, monitoreo, revisión y autoevaluación, puede convertirse
DOI: https://doi.org/10.71112/x761j132
2420 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
en un recurso de andamiaje capaz de fortalecer la autorregulación y la conciencia escritural
(Teng, 2024; Huang y Mizumoto, 2024). La discusión pedagógica, por tanto, debe desplazarse
desde la dicotomía prohibición/permisividad hacia el diseño de mediaciones que enseñen a los
estudiantes a dialogar críticamente con la herramienta.
Desde la perspectiva clásica de las estrategias metacognitivas (Flavell, 1979; Schraw y
Moshman, 1995; Wenden, 1998; Oxford, 1990), el aprendiz de una lengua extranjera no solo
debe producir textos, sino comprender cómo los produce, qué decisiones toma y por qué. Esta
dimensión adquiere relevancia inédita en la escritura asistida por inteligencia artificial
generativa, porque el estudiante debe desarrollar criterios para interactuar con la herramienta,
evaluar sus respuestas y responsabilizarse de las decisiones discursivas presentes en el texto
final. El presente artículo parte de la tesis central de que la mediación pedagógica
metacognitiva constituye una condición necesaria para que la inteligencia artificial generativa
fortalezca, en lugar de erosionar, la autonomía y la formación escritural de los estudiantes
universitarios.
A partir de este planteamiento, el artículo se orienta por la siguiente pregunta de
investigación: ¿cómo pueden las estrategias metacognitivas favorecer procesos de
autorregulación crítica en la escritura EFL asistida por inteligencia artificial generativa en
educación superior? El objetivo general es analizar el papel de las estrategias metacognitivas
en la escritura EFL mediada por inteligencia artificial generativa, con el fin de proponer un
modelo pedagógico orientado a la autorregulación crítica de los estudiantes universitarios.
Como objetivos específicos, el estudio busca: (a) examinar la relación conceptual entre
estrategias metacognitivas y proceso escritural en lengua extranjera; (b) describir las
posibilidades y los riesgos pedagógicos de la inteligencia artificial generativa en la producción
escrita EFL; (c) proponer una articulación entre planificación, monitoreo, revisión,
autoevaluación y uso crítico de IA generativa; y (d) diseñar un modelo orientador para la
DOI: https://doi.org/10.71112/x761j132
2421 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
integración pedagógica de estrategias metacognitivas en la escritura asistida por inteligencia
artificial.
La justificación del estudio reside en la necesidad de superar lecturas reduccionistas
frente a la inteligencia artificial generativa en educación superior. No basta con prohibir su uso
ni con asumir que toda interacción con la herramienta mejora automáticamente el aprendizaje.
La discusión pedagógica debe desplazarse hacia la calidad de la mediación, la
conciencia del estudiante y el diseño de tareas que hagan visible el proceso de escritura. El
artículo pretende contribuir, en este sentido, a la línea de investigación sobre alfabetización en
inteligencia artificial (Long y Magerko, 2020; Ng et al., 2021), mediación pedagógica en EFL y
autonomía del aprendiz, sin perder el anclaje en los modelos consolidados sobre proceso
escritural y metacognición. Esta contribución resulta particularmente pertinente en el contexto
latinoamericano de educación superior, donde la integración de tecnologías emergentes
coexiste con desigualdades estructurales de acceso y con trayectorias formativas heterogéneas
en lengua extranjera.
2.- Marco Teórico
2.1. La escritura EFL como proceso recursivo
La concepción procesual de la escritura, consolidada a partir de los aportes de Flower y
Hayes (1981) y reelaborada posteriormente por Hayes (1996), desplazó el foco de la
enseñanza desde el producto final hacia las operaciones cognitivas que el escritor despliega
durante la composición. Desde esta perspectiva, escribir implica un proceso recursivo de
planificación, traducción y revisión que opera en interacción constante con la memoria a largo
plazo del escritor y con el contexto de la tarea. Lo que distingue al escritor experto del escritor
novato no es únicamente el dominio del código lingüístico, sino la flexibilidad con la que
monitorea y ajusta su proceso (Bereiter y Scardamalia, 1987).
DOI: https://doi.org/10.71112/x761j132
2422 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
En el contexto de la lengua extranjera, esta complejidad se acentúa. Como han
sostenido Delmastro y Di Pierro (2009), la escritura en EFL exige entrenamiento formal y
práctica continua porque el aprendiz debe operar simultáneamente con un código lingüístico
que aún no domina y con las exigencias cognitivas y retóricas propias del género textual. Las
fases de la escritura: preescritura, composición, evaluación, revisión y edición se relacionan de
manera directa con procesos metacognitivos como la planificación, el monitoreo y la
autoevaluación, lo que justifica un enfoque pedagógico que haga visibles estas operaciones y
las convierta en objeto de enseñanza explícita.
Esta perspectiva tiene una consecuencia evaluativa importante: el texto final no es el
único objeto de valoración pedagógica. También importan las decisiones, los borradores, las
dudas, las correcciones y las estrategias que hacen posible la producción escrita. Cuando esta
mirada procesual se desplaza al escenario de la escritura asistida por inteligencia artificial
generativa, ofrece un punto de partida sólido para repensar tanto la enseñanza como la
evaluación: el proceso del estudiante incluye ahora interacciones con un sistema externo que
produce textos, y estas interacciones se convierten en operaciones cognitivas susceptibles de
ser planificadas, monitoreadas y evaluadas.
2.2. Estrategias metacognitivas y aprendizaje estratégico de lenguas
El concepto de metacognición, en su formulación clásica, remite al conocimiento y al
control que el sujeto tiene sobre sus propios procesos cognitivos (Flavell, 1979). Schraw y
Moshman (1995) distinguieron entre conocimiento metacognitivo: saber sobre el propio
aprendizaje, las tareas y las estrategias de regulación metacognitiva tales como planificar,
monitorear y evaluar el desempeño, distinción que ha resultado productiva en el campo del
aprendizaje de lenguas extranjeras.
En este campo, Oxford (1990) propuso una taxonomía influyente que ubicó las
estrategias metacognitivas entre las estrategias indirectas, junto con las afectivas y las
DOI: https://doi.org/10.71112/x761j132
2423 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
sociales. Las estrategias metacognitivas comprenden tres grandes operaciones: centrar el
aprendizaje (delimitar la tarea, prestar atención selectiva), organizarlo y planificarlo (establecer
metas, identificar el propósito), y evaluarlo (autosupervisión y autoevaluación). Wenden (1998)
profundizó esta línea distinguiendo entre conocimiento metacognitivo de la persona, de la tarea
y de la estrategia y estrategias metacognitivas propiamente dichas, y subrayó que ambas
dimensiones requieren intervención pedagógica explícita: no surgen espontáneamente del
simple ejercicio de la lengua.
Esta comprensión estratégica del aprendizaje dialoga con la teoría social cognitiva de
Bandura (1986), especialmente con la relación entre agencia personal, autoeficacia y
autorregulación de la conducta. Desde esta perspectiva, el estudiante no es un receptor pasivo
de apoyos externos, sino un sujeto que observa su desempeño, evalúa sus resultados, ajusta
sus decisiones y proyecta nuevas acciones en función de metas y creencias sobre su propia
capacidad. En la enseñanza de lenguas, Brown (2001) coincide en subrayar que la autonomía
del aprendiz y la conciencia estratégica no aparecen de manera automática, sino que requieren
ambientes pedagógicos en los que el estudiante aprenda a tomar decisiones informadas sobre
su proceso. De forma complementaria, Oxford (1992) destaca que las estrategias de
aprendizaje de lenguas adquieren valor cuando permiten al aprendiz organizar, monitorear y
evaluar su desempeño de manera consciente, especialmente en tareas de producción escrita
donde se articulan contenido, forma, registro y propósito comunicativo.
Esta intervención explícita es particularmente necesaria en escritura EFL. Las
estrategias metacognitivas pueden concretarse pedagógicamente en actividades como lluvia de
ideas, esquemas, mapas conceptuales, listas de cotejo, borradores sucesivos, coevaluación,
portafolios y reflexión posterior a la tarea. En la escritura asistida por inteligencia artificial
generativa, estas mismas estrategias pueden ampliarse mediante prompts reflexivos,
comparación de versiones, análisis de cambios sugeridos por la herramienta y justificación de
DOI: https://doi.org/10.71112/x761j132
2424 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
las decisiones tomadas por el aprendiz. La inteligencia artificial generativa, vista así, no
reemplaza la enseñanza metacognitiva; la vuelve más necesaria.
Desde una perspectiva sociocultural, esta mediación puede leerse en diálogo con
Vygotsky (1978), para quien el aprendizaje se construye mediante herramientas, signos e
interacciones que amplían las posibilidades de desarrollo del sujeto. En la escritura EFL
asistida por inteligencia artificial generativa, la herramienta no actúa como un simple recurso
externo: introduce apoyos lingüísticos, modelos de formulación y posibilidades de
retroalimentación que deben ser orientados pedagógicamente para funcionar como andamiajes
y no como sustitutos de la actividad escritural del aprendiz.
2.3. Inteligencia artificial generativa en la escritura EFL: posibilidades y tensiones
Los sistemas de inteligencia artificial generativa basados en modelos de lenguaje a gran
escala han transformado en pocos años las condiciones de producción escrita en lengua
extranjera. ChatGPT, en particular, se ha consolidado como una herramienta de uso masivo
entre estudiantes universitarios, quienes la utilizan para generar ideas, organizar argumentos,
revisar gramaticalmente, ampliar vocabulario, mejorar la cohesión textual y obtener
retroalimentación inmediata (Kasneci et al., 2023; Barrot, 2023; Teng, 2024). Estudios recientes
han reportado efectos positivos en motivación, autoeficacia y percepción de apoyo durante la
escritura EFL (Huang y Mizumoto, 2024; Teng, 2024; Yan, 2023).
En el plano más amplio de la educación superior, Crompton y Burke (2023) muestran
que la inteligencia artificial se está integrando como asistente del estudiante, tutor adaptativo,
apoyo a la evaluación y recurso para la labor docente. Esta diversidad de funciones confirma
que la IA no debe ser entendida únicamente como una herramienta de corrección textual, sino
como una mediación que transforma las formas de aprender, producir, revisar y evaluar. En
consecuencia, su incorporación en la escritura EFL exige criterios pedagógicos explícitos,
DOI: https://doi.org/10.71112/x761j132
2425 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
formación docente y políticas institucionales capaces de distinguir entre apoyo formativo,
automatización acrítica y delegación de la autoría.
Sin embargo, la literatura emergente advierte de manera consistente sobre tensiones
significativas. Warschauer et al. (2023) documentan que, si bien la inteligencia artificial
generativa ofrece andamiajes valiosos a los escritores de inglés como segunda o lengua
extranjera, también puede inducir homogeneización del discurso, pérdida de voz autoral y
delegación acrítica del esfuerzo cognitivo. Cotton et al. (2024) y Perkins (2023) plantean los
desafíos relacionados con la integridad académica, especialmente cuando el uso de la
herramienta no es declarado o cuando se confunden los límites entre asistencia legítima y
autoría delegada. Su et al. (2023), por su parte, han mostrado que la efectividad de la
herramienta depende fuertemente del diseño de las tareas y del nivel de competencia previa
del estudiante.
En conjunto, estos estudios sugieren que la pregunta pedagógicamente relevante no es
ya si los estudiantes deben usar inteligencia artificial generativa para escribir, sino qué tipo de
conciencia escritural activa o debilita su uso. La corrección automática, por sí sola, no garantiza
aprendizaje; el aprendizaje emerge cuando el estudiante comprende, evalúa y justifica los
cambios realizados. Esta constatación abre el espacio para introducir una categoría conceptual
que articule las exigencias cognitivas, lingüísticas y éticas del nuevo escenario: la
autorregulación crítica.
2.4. Autorregulación crítica: una categoría puente
La autorregulación del aprendizaje, formulada por Zimmerman (2002) como un proceso
cíclico de tres fases: forethought (planificación), performance (ejecución) y self-reflection
(autorreflexión), y enriquecida por Pintrich (2004) con dimensiones cognitivas, motivacionales,
conductuales y contextuales, ha sido un marco productivo para comprender cómo los
aprendices dirigen su propio proceso. Sin embargo, los modelos clásicos de autorregulación
DOI: https://doi.org/10.71112/x761j132
2426 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
fueron concebidos en escenarios en los que las fuentes externas de ayuda eran
predominantemente humanas (docentes, pares, materiales) o estáticas (textos, manuales). La
mediación con inteligencia artificial generativa introduce una fuente nueva: dinámica,
conversacional, lingüísticamente competente y, al mismo tiempo, potencialmente errática,
sesgada y sustitutiva.
En este contexto, este artículo propone el constructo de autorregulación crítica como
una extensión de la autorregulación clásica adaptada a la mediación con inteligencia artificial
generativa. A diferencia de la autorregulación clásica, centrada exclusivamente en la gestión
del propio aprendizaje , la autorregulación crítica incorpora explícitamente la relación del
estudiante con un agente tecnológico capaz de producir lenguaje. Por ello, no se limita a
planificar, monitorear y evaluar el proceso escritural, sino que exige valorar la pertinencia del
output generado, reconocer sus posibles sesgos, preservar la intención comunicativa propia y
asumir responsabilidad ética sobre las decisiones incorporadas al texto final.
Se entiende aquí, entonces, como la capacidad del estudiante para dirigir su proceso de
escritura, tomar decisiones conscientes, evaluar de manera reflexiva las ayudas generadas por
sistemas de inteligencia artificial, y asumir la responsabilidad ética sobre el texto final.
Incorpora, por tanto, tres dimensiones articuladas: una dimensión cognitiva (planificación,
monitoreo y evaluación del propio proceso), una dimensión interactiva (formulación de prompts,
análisis del output, gestión del diálogo con la herramienta) y una dimensión ética
(transparencia, autoría, integridad académica). La Figura 2, presentada más adelante, visualiza
la articulación de estas tres dimensiones.
La autorregulación crítica implica que el estudiante se interrogue sistemáticamente:
¿qué quiero comunicar?, ¿qué le estoy pidiendo a la herramienta?, ¿la respuesta representa mi
intención?, ¿qué cambios acepto, modifico o rechazo, y por qué?, ¿qué aprendí al comparar mi
borrador con la sugerencia generada?, ¿puedo explicar y defender las decisiones presentes en
DOI: https://doi.org/10.71112/x761j132
2427 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
mi versión final? La autorregulación crítica no es, en esta lectura, un atributo automático del
aprendiz; es una competencia que debe ser pedagógicamente enseñada, modelada y
evaluada.
Conviene precisar qué hace específica a la autorregulación crítica frente a constructos
próximos. En relación con la AI literacy (Long y Magerko, 2020; Ng et al., 2021), no designa el
conjunto general de competencias para comprender y usar sistemas de IA, sino la gestión
metacognitiva del propio proceso escritural mediado por IA. Frente a la prompt literacy (Knoth
et al., 2024), incorpora la formulación de instrucciones como componente operativo, pero la
supera al integrar decisiones cognitivas y éticas sobre el texto. Respecto de la autorregulación
clásica (Zimmerman, 2002; Pintrich, 2004), conserva su estructura cíclica, aunque regula ahora
la interacción con un agente dinámico capaz de apoyar o sustituir la producción del aprendiz. Y
frente a la critical AI literacy (Selwyn, 2022), comparte la mirada ética sobre la tecnología, pero
se concentra en la actividad escritural en lengua extranjera y en las decisiones concretas del
estudiante durante la producción textual.
2.5. Ética, integridad académica y alfabetización en inteligencia artificial
La integración pedagógica de la inteligencia artificial generativa en la escritura EFL no
puede prescindir de una discusión sobre ética e integridad académica. La UNESCO (Miao y
Holmes, 2023) ha planteado lineamientos preliminares que enfatizan los principios de
centralidad del aprendiz, transparencia, respeto a la diversidad y protección de datos. A nivel
institucional, Chan (2023) propone un marco integral de políticas de inteligencia artificial para la
enseñanza universitaria que combina dimensiones pedagógicas, gobernanza y alfabetización
digital.
La noción de AI literacy o alfabetización en inteligencia artificial (Long y Magerko, 2020;
Ng et al., 2021) resulta especialmente pertinente para el campo de la escritura EFL. Ser
alfabetizado en inteligencia artificial implica, entre otras competencias, comprender qué pueden
DOI: https://doi.org/10.71112/x761j132
2428 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
y qué no pueden hacer estos sistemas, reconocer sus limitaciones y sesgos, evaluar
críticamente sus outputs, y tomar decisiones informadas sobre cuándo, cómo y para qué
utilizarlos. Esta alfabetización es condición de posibilidad de la autorregulación crítica: sin un
conocimiento básico de qué es y cómo funciona un modelo generativo, el estudiante
difícilmente podrá ejercer una mediación reflexiva sobre sus respuestas.
3.- METODOLOGÍA
El presente artículo se inscribe en la tradición de los trabajos teórico-conceptuales con
propuesta pedagógica y se desarrolla como una revisión narrativa con enfoque hermenéutico-
propositivo. A diferencia de una revisión sistemática orientada a sintetizar evidencia empírica
mediante protocolos replicables, la revisión narrativa permite articular cuerpos teóricos
diversos, identificar tensiones conceptuales y construir un dispositivo analítico para un
fenómeno emergente cuya literatura aún se encuentra en consolidación (Greenhalgh, Thorne y
Malterud, 2018; Sukhera, 2022). Esta elección se justifica porque el artículo no busca estimar la
eficacia de una intervención, sino formular un constructo teórico y un modelo susceptible de
validación posterior.
El procedimiento se organizó en cuatro fases. En la primera, se seleccionó el corpus
documental mediante búsquedas en Scopus, Web of Science, ERIC, SciELO, Dialnet y Google
Scholar, con descriptores en español e inglés: metacognitive strategies, EFL writing, generative
artificial intelligence, ChatGPT, self-regulated learning, AI literacy, academic writing y higher
education. La ventana temporal fue amplia para las fuentes fundacionales (1979-2010) y
reciente para la literatura sobre IA generativa (2022-2025). Se privilegiaron artículos arbitrados,
capítulos académicos y documentos institucionales, excluyendo textos sin arbitraje o sin
implicaciones pedagógicas claras. El corpus final quedó conformado por 34 fuentes pertinentes
al núcleo argumentativo.
DOI: https://doi.org/10.71112/x761j132
2429 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
En la segunda fase se compararon los modelos de escritura procesual (Flower y
Hayes, 1981; Hayes, 1996), la teoría social cognitiva de la autorregulación y la autoeficacia
(Bandura, 1986), los enfoques centrados en el aprendiz (Brown, 2001), las estrategias
metacognitivas (Flavell, 1979; Oxford, 1990, 1992; Wenden, 1998; Schraw y Moshman, 1995),
los modelos cíclicos de autorregulación (Zimmerman, 2002; Pintrich, 2004) y la propuesta de
Delmastro y Di Pierro (2009). En la tercera fase se analizó literatura emergente sobre IA
generativa en escritura EFL y educación superior (Barrot, 2023; Crompton y Burke, 2023; Teng,
2024; Yan, 2023; Huang y Mizumoto, 2024; Warschauer et al., 2023; Su et al., 2023; Cotton et
al., 2024; Perkins, 2023).
En la cuarta fase se desarrolló una síntesis hermenéutica y propositiva, a partir de la
cual se elaboró el constructor de autorregulación crítica, se diseñó el Modelo de
Autorregulación Crítica para la Escritura EFL Asistida por Inteligencia Artificial Generativa y se
operacionalizó en dos instrumentos didácticos: un diario metacognitivo y una lista de cotejo. El
procedimiento no busca cerrar el debate sobre el uso de la IA en EFL writing, sino ofrecer un
marco conceptual articulado que pueda ser discutido, adaptado y validado empíricamente en
estudios posteriores.
4.- RESULTADOS
4.1. Justificación del modelo
Los modelos clásicos de autorregulación en particular, el modelo cíclico de tres fases
de Zimmerman (2002) ofrecen una arquitectura potente pero insuficiente para capturar la
especificidad de la escritura mediada por inteligencia artificial generativa. La fase de ejecución
(performance) en Zimmerman, por ejemplo, no diferencia entre operaciones internas del
escritor y operaciones de interacción con un agente externo dinámico y lingüísticamente
competente. De manera análoga, el modelo de Delmastro y Di Pierro (2009) integra de modo
DOI: https://doi.org/10.71112/x761j132
2430 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
riguroso estrategias metacognitivas y proceso escritural en EFL, pero fue formulado en un
escenario tecnológico anterior a la masificación de los modelos generativos.
El modelo aquí propuesto retoma el principio cíclico-recursivo de Zimmerman (2002),
conserva la integración entre proceso escritural y metacognición de Delmastro y Di Pierro
(2009), e introduce dos novedades: (a) una fase explícita de interacción estratégica con la
herramienta de inteligencia artificial, que se diferencia tanto de la planificación como del
monitoreo; y (b) una transversalización de la dimensión ética en todas las fases, no como
apéndice final, sino como criterio constitutivo de cada decisión.
4.2. Los cinco momentos del modelo
El modelo articula cinco momentos cuya relación es cíclica y recursiva: aunque se
presentan en secuencia para fines analíticos y didácticos, en la práctica escritural el estudiante
puede regresar a momentos anteriores tantas veces como el proceso lo requiera. La Figura 1
sintetiza visualmente la estructura del modelo y la Tabla 1 detalla el propósito pedagógico, la
pregunta metacognitiva orientadora y un ejemplo de uso de la inteligencia artificial para cada
momento.
DOI: https://doi.org/10.71112/x761j132
2431 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Figura 1
Modelo de Autorregulación Crítica para la Escritura EFL Asistida por Inteligencia Artificial
Generativa.
Nota. Elaboración propia.
DOI: https://doi.org/10.71112/x761j132
2432 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Tabla 1
Modelo de Autorregulación Crítica para la Escritura EFL Asistida por Inteligencia Artificial
Generativa
Propósito
pedagógico
Uso ilustrativo de
IA
Definir propósito
comunicativo,
audiencia, género
textual, ideas
iniciales y objetivos
lingüísticos antes de
recurrir a la
herramienta.
Solicitar posibles
esquemas o listas de
vocabulario sin
requerir el texto
completo.
Formular prompts
que apoyen el
proceso sin delegar
la autoría.
Pedir tres formas
posibles de organizar
las propias ideas, sin
solicitar la redacción
del párrafo.
DOI: https://doi.org/10.71112/x761j132
2433 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Propósito
pedagógico
Uso ilustrativo de
IA
Comparar la
respuesta de la
herramienta con la
intención
comunicativa, el nivel
real del aprendiz y
los criterios de la
tarea.
Analizar si la versión
generada modifica el
significado, el
registro o la voz del
escritor.
Aceptar, modificar o
rechazar sugerencias
con criterios
lingüísticos,
discursivos y éticos.
Usar la
retroalimentación
generada como una
fuente entre otras, no
como autoridad final.
Explicitar qué se
aprendió, qué se
corrigió y qué grado
de dependencia se
generó.
Redactar una breve
reflexión sobre cómo
la herramienta apoyó
vocabulario,
organización o
gramática.
Nota. Elaboración propia a partir de Flower y Hayes (1981), Oxford (1990), Zimmerman (2002),
Delmastro y Di Pierro (2009) y la literatura emergente sobre inteligencia artificial generativa en
EFL writing.
DOI: https://doi.org/10.71112/x761j132
2434 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
La autorregulación crítica que el modelo busca activar opera, como ya se anticipó, en la
intersección de tres dimensiones articuladas. La Figura 2 representa visualmente esta
articulación, mostrando cómo el constructo emerge solo cuando las tres dimensiones operan de
manera conjunta.
Figura 2
Dimensiones del constructo de autorregulación crítica.
Nota. Elaboración propia.
DOI: https://doi.org/10.71112/x761j132
2435 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Para visualizar cómo opera concretamente este modelo en la práctica escritural, la Figura
3 representa el flujo de mediación metacognitiva entre el escritor EFL, la herramienta de
inteligencia artificial generativa y el texto final. En este flujo, el filtro metacognitivo no es un
componente externo añadido al proceso, sino la operación central que el estudiante despliega
en cada interacción con la herramienta.
Figura 3
Flujo de mediación metacognitiva en la escritura EFL asistida por IA generativa.
Nota. Elaboración propia.
4.3. Articulación entre estrategias metacognitivas tradicionales y mediación con IA
generativa
Para hacer visible el desplazamiento conceptual que el modelo propone, la Tabla 2
contrasta las estrategias metacognitivas tradicionales con sus configuraciones específicas en
escritura EFL asistida por inteligencia artificial generativa, e identifica los principales riesgos
pedagógicos cuando estas estrategias se ausentan.
DOI: https://doi.org/10.71112/x761j132
2436 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Tabla 2
Articulación entre estrategias metacognitivas, escritura EFL tradicional, escritura asistida por IA
generativa y riesgos pedagógicos
Escritura EFL
tradicional
Riesgo pedagógico
sin autorregulación
crítica
Lluvia de ideas,
esquema, definición
de propósito y
audiencia.
Aceptación acrítica
de ideas externas sin
apropiación ni
análisis.
Revisión continua del
borrador propio
durante la escritura.
No detectar errores,
sesgos o
incoherencias del
output.
Autoevaluación,
coevaluación y
revisión docente.
Suponer que todo
texto generado por la
herramienta es
correcto o superior.
DOI: https://doi.org/10.71112/x761j132
2437 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Escritura EFL
tradicional
Riesgo pedagógico
sin autorregulación
crítica
Corrección de
gramática, cohesión,
coherencia y
vocabulario.
Pérdida de voz
propia, del nivel real
de producción o de la
intención
comunicativa.
Control del proceso
de escritura y
aprendizaje
autónomo.
Dependencia
tecnológica y
delegación del
esfuerzo cognitivo.
Nota. Elaboración propia.
5.- DISCUSIÓN
El modelo aquí propuesto tiene varias implicaciones pedagógicas que conviene
explicitar. En primer lugar, redefine el rol del docente de EFL writing: ya no solo enseña a
escribir, sino que enseña a dialogar críticamente con un sistema que escribe. Esto exige un
repertorio didáctico ampliado, que incluya el diseño de tareas mediadas por inteligencia
artificial, la enseñanza explícita de la formulación de prompts (lo que algunos autores han
comenzado a llamar prompt literacy), y la evaluación de procesos,no solo de productos
escriturales.
En segundo lugar, el modelo problematiza las formas tradicionales de evaluación. Si la
escritura final puede ser asistida por inteligencia artificial generativa, los criterios evaluativos no
pueden seguir centrándose exclusivamente en la corrección gramatical o léxica del producto.
DOI: https://doi.org/10.71112/x761j132
2438 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Se requieren formas evaluativas que capturen el proceso, como portafolios de aprendizaje,
diarios metacognitivos, defensas orales del texto producido o tareas evaluativas en condiciones
controladas (Moorhouse et al., 2023). La evaluación, en este escenario, debe valorar la
capacidad del estudiante para explicar, justificar y defender sus decisiones discursivas.
En tercer lugar, el modelo dialoga con la discusión sobre integridad académica sin
reducirse a ella. La autorregulación crítica no es solo una garantía contra el plagio o la
deshonestidad académica; es una formación integral en autonomía intelectual, responsabilidad
ética y conciencia escritural. La discusión, por tanto, debe trascender los protocolos de
detección y avanzar hacia el diseño de pedagogías que enseñen a habitar reflexivamente la
mediación tecnológica.
En contextos latinoamericanos de educación superior, esta discusión adquiere
especial relevancia, pues la integración de inteligencia artificial generativa convive con
desigualdades de acceso tecnológico, diferencias en niveles de competencia en inglés y
trayectorias formativas heterogéneas. Por ello, la autorregulación crítica no puede entenderse
únicamente como una habilidad individual del estudiante, sino también como resultado de
condiciones pedagógicas, institucionales y éticas que deben ser diseñadas y acompañadas.
Se identifican, asimismo, tensiones que el modelo no resuelve por sí solo. La primera
es la brecha de alfabetización en inteligencia artificial entre estudiantes con distinto nivel
socioeducativo y entre instituciones con distinto acceso a herramientas premium, lo que puede
reproducir desigualdades preexistentes. La segunda es la disparidad entre el nivel de
competencia EFL del estudiante y la calidad lingüística del output generado, que puede inducir
tanto frustración (en niveles avanzados) como dependencia (en niveles iniciales). La tercera es
el riesgo de homogeneización discursiva documentado por Warschauer et al. (2023): los
modelos generativos tienden a producir prosa estandarizada en inglés académico, lo que
puede erosionar la diversidad de voces y estilos en aulas culturalmente plurales.
DOI: https://doi.org/10.71112/x761j132
2439 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Estas tensiones no invalidan la propuesta, pero la sitúan en su justa medida: la
autorregulación crítica es una condición necesaria, no suficiente, para una integración
pedagógica responsable de la inteligencia artificial generativa en la escritura EFL.
Los instrumentos incluidos en los anexos no deben entenderse como formatos
cerrados, sino como dispositivos flexibles de mediación pedagógica. Su propósito es hacer
visible el proceso de escritura asistida por IA, favorecer la toma de decisiones conscientes y
ofrecer evidencia del grado de apropiación del estudiante frente al texto final.
6.- CONCLUSIONES
La escritura EFL asistida por inteligencia artificial generativa exige una renovación de
los enfoques tradicionales de enseñanza de la producción escrita. Si bien la herramienta puede
apoyar la planificación, la revisión y la mejora textual, su valor pedagógico depende de la
capacidad del estudiante para monitorear, evaluar y autorregular su proceso. Las estrategias
metacognitivas constituyen, en este sentido, un puente entre el uso instrumental de la
tecnología y el desarrollo de una escritura más autónoma, crítica y consciente.
El presente artículo ha propuesto el constructo de autorregulación crítica como
categoría conceptual capaz de articular las dimensiones cognitiva, interactiva y ética que la
mediación con inteligencia artificial generativa pone en juego. Sobre esa base, ha presentado el
Modelo de Autorregulación Crítica para la Escritura EFL Asistida por Inteligencia Artificial
Generativa, organizado en cinco momentos: planificación consciente, interacción estratégica,
monitoreo crítico, revisión y toma de decisiones, y autoevaluación reflexiva, e instrumentado
mediante un diario metacognitivo y una lista de cotejo de uso en aula.
Integrar la inteligencia artificial generativa en la educación superior no debería
reducirse a permitir o prohibir su uso, sino a diseñar experiencias pedagógicas que enseñen a
los estudiantes a dialogar críticamente con la herramienta, reconocer sus propios avances y
DOI: https://doi.org/10.71112/x761j132
2440 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
asumir responsabilidad sobre sus decisiones discursivas. Desde esta perspectiva, la
inteligencia artificial generativa no sustituye la enseñanza de la escritura: la vuelve más
necesaria, más explícita y más orientada hacia la formación de aprendices autónomos.
El presente artículo presenta limitaciones que deben ser reconocidas con
transparencia, aunque su carácter teórico-propositivo no constituye, en sí mismo, una debilidad,
sino una decisión deliberada de diseño investigativo. La construcción de un constructo
conceptual y de un modelo orientador precede lógica y metodológicamente a su validación
empírica: solo cuando una categoría ha sido formulada, diferenciada de constructos próximos y
operacionalizada en instrumentos concretos resulta posible someterla a contrastación en aula.
Reconocidas las limitaciones inherentes a esta primera fase: ausencia de contrastación
empírica directa, naturaleza narrativa y no sistemática de la revisión bibliográfica, profundidad
acotada del tratamiento ético y ausencia de análisis específico sobre brechas de acceso
tecnológico, el aporte del trabajo se localiza en haber formulado un dispositivo conceptual
articulado, internamente coherente y susceptible de operacionalización pedagógica en estudios
posteriores.
Como futuras líneas de investigación se plantean cuatro rutas: validar empíricamente
el modelo mediante estudios cualitativos o mixtos en cursos universitarios de EFL writing;
caracterizar la prompt literacy como competencia específica de aprendices de lengua
extranjera; diseñar y evaluar secuencias didácticas basadas en el modelo en distintos niveles
de competencia; e investigar políticas institucionales de inteligencia artificial generativa en
universidades latinoamericanas y sus efectos en prácticas docentes y estudiantiles.
Declaración de conflicto de interés
El autor declara no tener ningún conflicto de interés relacionado con esta investigación.
DOI: https://doi.org/10.71112/x761j132
2441 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Declaración de financiamiento
El autor declara que esta investigación no recibió financiamiento externo.
Declaración de contribución a la autoría
Dionelio Jesús Moreno Villalobos: conceptualización, investigación, metodología,
análisis formal, visualización, redacción del borrador original, revisión y edición de la redacción,
administración del proyecto, recursos y validación.
Declaración de uso de inteligencia artificial
El autor declara que utilizó herramientas de inteligencia artificial generativa únicamente
como apoyo para la revisión lingüística, la organización editorial preliminar y la mejora formal
del manuscrito. Estas herramientas no sustituyeron el proceso intelectual de autoría. La
conceptualización, selección de fuentes, análisis, argumentación, diseño del modelo, revisión
crítica y versión final son responsabilidad exclusiva del autor.
REFERENCIAS
Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory.
Prentice-Hall.
Barrot, J. S. (2023). Using ChatGPT for second language writing: Pitfalls and potentials.
Assessing Writing, 57, 100745. https://doi.org/10.1016/j.asw.2023.100745
Bereiter, C., & Scardamalia, M. (1987). The psychology of written composition. Lawrence
Erlbaum.
Brown, H. D. (2001). Teaching by principles: An interactive approach to language pedagogy (2.ª
ed.). Longman.
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching
and learning. International Journal of Educational Technology in Higher Education,
20(1), 38. https://doi.org/10.1186/s41239-023-00408-3
DOI: https://doi.org/10.71112/x761j132
2442 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring
academic integrity in the era of ChatGPT. Innovations in Education and Teaching
International, 61(2), 228-239. https://doi.org/10.1080/14703297.2023.2190148
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the
field. International Journal of Educational Technology in Higher Education, 20(1), 22.
https://doi.org/10.1186/s41239-023-00392-8
Delmastro, A. L., & Di Pierro, J. (2009). Modelo para la integración de estrategias
metacognitivas en el proceso de escritura en lengua extranjera. Laurus, 15(30), 11-41.
Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-
developmental inquiry. American Psychologist, 34(10), 906-911.
https://doi.org/10.1037/0003-066X.34.10.906
Flower, L., & Hayes, J. R. (1981). A cognitive process theory of writing. College Composition
and Communication, 32(4), 365-387. https://doi.org/10.2307/356600
Greenhalgh, T., Thorne, S., & Malterud, K. (2018). Time to challenge the spurious hierarchy of
systematic over narrative reviews? European Journal of Clinical Investigation, 48(6),
e12931. https://doi.org/10.1111/eci.12931
Hayes, J. R. (1996). A new framework for understanding cognition and affect in writing. En C.
M. Levy & S. Ransdell (Eds.), The science of writing: Theories, methods, individual
differences, and applications (pp. 1-27). Lawrence Erlbaum.
Huang, J., & Mizumoto, A. (2024). Examining the effect of generative AI on students' motivation
and writing self-efficacy. Digital Applied Linguistics, 1, 102324.
https://doi.org/10.29140/dal.v1.102324
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G.
DOI: https://doi.org/10.71112/x761j132
2443 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
(2023). ChatGPT for good? On opportunities and challenges of large language models
for education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. M. (2024). AI literacy and its implications for
prompt engineering strategies. Computers and Education: Artificial Intelligence, 6,
100225. https://doi.org/10.1016/j.caeai.2024.100225
Kohnke, L. M. A., Moorhouse, B. L., & Zou, D. (2023). ChatGPT for language teaching and
learning. RELC Journal, 54(2), 537-550. https://doi.org/10.1177/00336882231162868
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations.
En R. Bernhaupt et al. (Eds.), Proceedings of the 2020 CHI Conference on Human
Factors in Computing Systems (pp. 1-16). Association for Computing Machinery.
https://doi.org/10.1145/3313831.3376727
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research.
UNESCO. https://doi.org/10.54675/EWZM9535
Moorhouse, B. L., Yeo, M. A., & Wan, Y. (2023). Generative AI tools and assessment:
Guidelines of the world's top-ranking universities. Computers and Education Open, 5,
100151. https://doi.org/10.1016/j.caeo.2023.100151
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
Oxford, R. L. (1990). Language learning strategies: What every teacher should know. Newbury
House / Harper & Row.
Oxford, R. L. (1992). Language learning strategies in a nutshell: Update and ESL suggestions.
TESOL Journal, 2(2), 18-22.
DOI: https://doi.org/10.71112/x761j132
2444 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Perkins, M. (2023). Academic integrity considerations of AI large language models in the post-
pandemic era: ChatGPT and beyond. Journal of University Teaching and Learning
Practice, 20(2), 07. https://doi.org/10.53761/1.20.02.07
Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-regulated
learning in college students. Educational Psychology Review, 16(4), 385-407.
https://doi.org/10.1007/s10648-004-0006-x
Schraw, G., & Moshman, D. (1995). Metacognitive theories. Educational Psychology Review,
7(4), 351-371. https://doi.org/10.1007/BF02212307
Selwyn, N. (2022). The future of AI and education: Some cautionary notes. European Journal of
Education, 57(4), 620-631. https://doi.org/10.1111/ejed.12532
Su, Y., Lin, Y., & Lai, C. (2023). Collaborating with ChatGPT in argumentative writing
classrooms. Assessing Writing, 57, 100752. https://doi.org/10.1016/j.asw.2023.100752
Sukhera, J. (2022). Narrative reviews: Flexible, rigorous, and practical. Journal of Graduate
Medical Education, 14(4), 414-417. https://doi.org/10.4300/JGME-D-22-00480.1
Teng, M. F. (2024). "ChatGPT is the companion, not enemies": EFL learners' perceptions and
experiences in using ChatGPT for feedback in writing. Computers and Education:
Artificial Intelligence, 7, 100270. https://doi.org/10.1016/j.caeai.2024.100270
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Harvard University Press.
Warschauer, M., Tseng, W., Yim, S., Webster, T., Jacob, S., Du, Q., & Tate, T. (2023). The
affordances and contradictions of AI-generated text for writers of English as a second or
foreign language. Journal of Second Language Writing, 62, 101071.
https://doi.org/10.1016/j.jslw.2023.101071
Wenden, A. L. (1998). Metacognitive knowledge and language learning. Applied Linguistics,
19(4), 515-537. https://doi.org/10.1093/applin/19.4.515
DOI: https://doi.org/10.71112/x761j132
2445 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Yan, D. (2023). Impact of ChatGPT on learners in a L2 writing practicum: An exploratory
investigation. Education and Information Technologies, 28, 13943-13967.
https://doi.org/10.1007/s10639-023-11742-4
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice,
41(2), 64-70. https://doi.org/10.1207/s15430421tip4102_2
DOI: https://doi.org/10.71112/x761j132
2446 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
Anexo A. Diario metacognitivo para escritura EFL asistida por inteligencia artificial
generativa
Tabla A1
Diario metacognitivo para estudiantes
Momento
Preguntas para el estudiante
Antes de usar IA
What is my writing goal? What do I already
know about the topic? What kind of
help do I need?
Durante la interacción con IA
What prompt did I use? Was the answer
useful? Did it represent my intention?
Durante la revisión
Which AI suggestions did I accept, modify or
reject? Why?
Después de escribir
What did I learn about vocabulary, grammar,
organization or coherence?
Reflexión ética
Did I use AI as support or as a substitute for
my own work? Can I explain my final
text?
Nota. El diario se sugiere en inglés para reforzar la inmersión lingüística, aunque la reflexión
puede formularse también en lengua materna cuando el nivel del estudiante lo requiera.
Anexo B. Lista de cotejo para estudiantes
• ☐ I defined my purpose before asking AI for help.
• ☐ I wrote or planned my own ideas before using AI.
• ☐ I compared my draft with the AI suggestions.
• ☐ I accepted only the suggestions that improved my text.
DOI: https://doi.org/10.71112/x761j132
2447 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 2, 2026, abril-junio
• ☐ I rejected or modified suggestions that changed my meaning or voice.
• ☐ I can explain the final version of my text.
• ☐ I reflected on what I learned from the process.
• ☐ I acknowledged my use of AI in accordance with my institution's policy.