Innovación Didáctica y Aprendizaje Activo con IA

Autores/as

Marisela Pilar Rueda Maldonado, ; Katherine Nataly Honores Solano, ; María Elena Conza Quezada, ; Jefferson Andree Gutiérrez Martínez, ; María Juana Yumi Yépez, ; Gina Yesenia Ontaneda Maldonado, ; Johanna Yesenia Nieves Valdiviezo,
DOI: https://doi.org/10.64973/edu.2025.2519

Palabras clave:

IA educativa, Diseño instruccional, ADDIE, DUA, REA

Sinopsis

Innovación Didáctica y Aprendizaje Activo con IA es una guía práctica para planificar, enseñar y evaluar con evidencia en Primaria y Secundaria, integra ADDIE (Análisis, Diseño, Desarrollo, Implementación, Evaluación) con DUA (representación, acción/expresión e implicación) y sitúa la IA como andamiaje, nunca como autora, encontrarás secuencias listas para Lengua, Matemática y Ciencias; pistas graduadas que mantienen la demanda cognitiva; rutas low (baja) /no-tech (nula tecnología) para contextos con conectividad limitada; y rúbricas de 1 página con pre–post equivalentes para tomar decisiones pedagógicas claras.
El libro prioriza la inclusión, la privacidad y la accesibilidad (lectura graduada, alt-text, formatos alternativos), y ofrece plantillas reutilizables: matriz O-A-E, ADDIE×DUA, guías de escenarios y modelos de informe en una página, está escrito para docentes, equipos directivos, coordinación TIC y bibliotecología educativa que desean resultados observables, trazabilidad y mejora continua, cada capítulo propone una acción aplicable hoy y un cierre con indicadores simples para escalar lo que funciona en tu centro.

Biografía del autor/a

Marisela Pilar Rueda Maldonado, Ministerio de Educación del Ecuador

Ingeniera en Contabilidad y Auditoría CPA, con doble maestría en Educación, mención Pedagogía, y en Contabilidad y Finanzas. Cuenta con más de diez años de experiencia en la docencia dentro del sistema educativo formal bajo la supervisión del Ministerio de Educación. Su labor profesional se centra en la enseñanza técnica en el área de Servicios, con especialidad en Contabilidad, dirigida a estudiantes de primero a tercero de bachillerato. Aplica metodologías activas y un enfoque competencial orientado a fortalecer el aprendizaje y la preparación profesional de los futuros bachilleres técnicos.

Katherine Nataly Honores Solano, Ministerio de Educación del Ecuador

Ingeniera en Gestión Empresarial y estudiante de la Maestría en Inteligencia Artificial en Educación. Acumula diez años de experiencia en el campo de la docencia dentro del Ministerio de Educación, específicamente en el Distrito 07D05 (Arenillas, Huaquillas, Las Lajas). Su campo ocupacional se orienta a la enseñanza en el nivel de bachillerato en el área de Servicios, con especialidad en Contabilidad. Además, desarrolla actividades de diseño curricular, capacitación docente y coordinación de programas de nivelación y preparación de postulantes para el acceso a la educación superior.

María Elena Conza Quezada, Ministerio de Educación del Ecuador

Licenciada en Ciencias de la Educación, Profesora de Biología, Química y Ciencias Naturales, con quince años de experiencia en el Ministerio de Educación, dedicada a la formación integral de estudiantes mediante el fomento del pensamiento crítico y los valores éticos en el aula. Sus intereses profesionales se centran en la didáctica de las ciencias naturales, la innovación educativa y el diseño de estrategias pedagógicas inclusivas orientadas a mejorar la calidad del aprendizaje. Comprometida con la mejora continua del sistema educativo ecuatoriano, desempeña su labor en la enseñanza de Ciencias Naturales en la básica superior y Biología en el nivel de bachillerato.

Jefferson Andree Gutiérrez Martínez, Ministerio de Educación del Ecuador

Licenciado en Ciencias de la Educación con mención en Lengua Inglesa y Lingüística, y Magíster en Enseñanza de Inglés como Lengua Extranjera. Cuenta con dos años de experiencia en colegios particulares y cinco años en el Ministerio de Educación, en el Distrito 07D05 (Arenillas, Huaquillas, Las Lajas). Posee certificación ITEP nivel B2. Su labor docente abarca todos los niveles en instituciones privadas, mientras que en el sector público se especializa en la enseñanza de inglés en básica superior y bachillerato. Participa de manera continua en programas de actualización profesional para fortalecer sus prácticas pedagógicas. Su campo ocupacional incluye docencia en educación básica y media en inglés, diseño curricular, capacitación docente, coordinación de programas de inglés y asesoría educativa.

María Juana Yumi Yépez, Ministerio de Educación del Ecuador

Licenciada en Ciencias de la Educación, Profesora de Biología, Química y Laboratorio, con dieciséis años de experiencia profesional en el Ministerio de Educación. A lo largo de su trayectoria, ha contribuido a la formación integral de los estudiantes, promoviendo el pensamiento crítico y la práctica de valores éticos dentro del aula. Sus intereses profesionales se orientan hacia la didáctica de las ciencias naturales, la innovación educativa y el desarrollo de estrategias pedagógicas inclusivas. Comprometida con la mejora continua de la calidad educativa, mantiene un proceso constante de actualización para aportar al fortalecimiento del sistema educativo ecuatoriano. Su campo ocupacional incluye la docencia de Ciencias Naturales en la básica superior y Biología en el nivel de bachillerato.

Gina Yesenia Ontaneda Maldonado, Ministerio de Educación del Ecuador

Licenciada en Administración de Empresas, con quince años de experiencia en el Ministerio de Educación, cinco de ellos en el Distrito 07D06 Santa Rosa y diez en el Distrito 07D05 (Arenillas, Huaquillas, Las Lajas). Participa de manera constante en cursos de actualización para fortalecer los procesos de enseñanza y aprendizaje. Su campo ocupacional se centra en la docencia de Matemática en todos los niveles de la básica superior y en el bachillerato.

Johanna Yesenia Nieves Valdiviezo, Ministerio de Educación del Ecuador

Licenciado en Ciencias de la Educación con mención en Inglés y Magíster en Enseñanza de Inglés como Lengua Extranjera, con dos años de experiencia en colegios particulares y catorce años en el Ministerio de Educación, actualmente en la Unidad Educativa Sara Serrano de Maridueña del Distrito 07D05 (Arenillas, Huaquillas, Las Lajas). Posee certificación CEFR nivel B2. Su labor docente en instituciones privadas ha abarcado todos los niveles, mientras que en el sector público se especializa en la enseñanza de inglés en la básica superior y el bachillerato. Participa activamente en procesos de capacitación y actualización docente orientados a optimizar las prácticas pedagógicas en el área de inglés. Su campo ocupacional comprende la docencia en inglés en todos los niveles de la básica superior y el bachillerato, así como diseño curricular, capacitación docente, coordinación de programas de inglés y asesoría educativa.

Referencias

Almeqdad, Q. I. (2023). The effectiveness of Universal Design for Learning: A systematic review of the literature and meta-analysis. Cogent Education, 10(1), 2218191. https://doi.org/10.1080/2331186X.2023.2218191

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21) (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922

Castellanos-Reyes, D., Camargo Salamanca, S. L., & Wiley, D. (2024). The impact of OER’s continuous improvement cycles on students’ performance: A longitudinal analysis of the RISE framework. International Review of Research in Open and Distributed Learning, 25(4), 128–147. https://doi.org/10.19173/irrodl.v25i4.7624

Chakraborty, S., Dann, C., Mandal, A., Dann, B., Paul, M., & Hafeez-Baig, A. (2021). Effects of rubric quality on marker variation in higher education. Studies in Educational Evaluation, 70, 100997. https://doi.org/10.1016/j.stueduc.2021.100997

Cho, K. W., & Permzadian, V. (2024). The impact of open educational resources on student achievement: A meta-analysis. International Journal of Educational Research, 126, 102365. https://doi.org/10.1016/j.ijer.2024.102365

Creative Commons. (2024). Recommended practices for attribution (TASL). https://wiki.creativecommons.org/wiki/Best_practices_for_attribution

Friedewald, M., Mordini, E., Le Métayer, D., & Ochoa, C. (2021). Data protection impact assessments in practice. In R. Leenes, R. van Brakel, S. Gutwirth, & P. De Hert (Eds.), Data protection and privacy: Data protection and democracy (pp. 395–414). Springer. https://doi.org/10.1007/978-3-030-95484-0_25

International Organization for Standardization. (2023). ISO/IEC 42001:2023—Artificial intelligence — Management system. https://www.iso.org/standard/81230.html

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Chen, D., Dai, W., Chan, H. S., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248. https://doi.org/10.1145/3571730

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1

National Institute of Standards and Technology. (2024). AI RMF: Generative AI Profile (NIST AI 600-1). https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

Norris, M. E., Swartz, M., & Kuhlmeier, V. A. (2023). The importance of copyright and shared norms for credit in Open Educational Resources. Frontiers in Education, 7, 1069388. https://doi.org/10.3389/feduc.2022.1069388

Organisation for Economic Co-operation and Development. (2019). Artificial intelligence in society. OECD Publishing. https://doi.org/10.1787/eedfee77-en

OER Commons. (2025). Public digital library of open educational resources. https://www.oercommons.org/

Rupp, V., & von Grafenstein, M. (2024). Clarifying “personal data” and the role of anonymisation in data protection law: Including and excluding data from the scope of the GDPR. Computer Law & Security Review, 52, 105932. https://doi.org/10.1016/j.clsr.2023.105932

Rusconi, L., & Squillaci, M. (2023). Effects of a Universal Design for Learning (UDL) training course on the development teachers’ competences: A systematic review. Education Sciences, 13(5), 466. https://doi.org/10.3390/educsci13050466

Tlili, A., Garzón, J., Salha, S., Huang, R., Xu, L., Burgos, D., Denden, M., Farrell, O., Farrow, R., Bozkurt, A., Amiel, T., McGreal, R., López-Serrano, A., & Wiley, D. (2023). Are open educational resources (OER) and practices (OEP) effective in improving learning achievement? A meta-analysis and research synthesis. International Journal of Educational Technology in Higher Education, 20, 54. https://doi.org/10.1186/s41239-023-00424-3

United Nations Educational, Scientific and Cultural Organization. (2023). Guidance for generative AI in education and research. https://unesdoc.unesco.org/ark:/48223/pf0000386693

Veale, M., & Zuiderveen Borgesius, F. (2021). Demystifying the Draft EU Artificial Intelligence Act—Analysing the good, the bad, and the unclear elements of the proposed approach. Computer Law Review International, 22(4), 97–112. https://doi.org/10.9785/cri-2021-220402

Weidinger, L., Uesato, J., Rauh, M., Griffin, C., Mishra, G., Huang, P.-S., … Gabriel, I. (2022). Taxonomy of risks posed by language models. In Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’22) (pp. 214–229). Association for Computing Machinery. https://doi.org/10.1145/3531146.3533088

Almeqdad, Q. I. (2023). The effectiveness of Universal Design for Learning: A systematic review of the literature and meta-analysis. Cogent Education, 10(1), 2218191. https://doi.org/10.1080/2331186X.2023.2218191

Fleckenstein, J., Leucht, M., & Zeuch, N. (2023). Automated feedback and writing: A multi-level meta-analysis. Frontiers in Artificial Intelligence, 6, 1162454. https://doi.org/10.3389/frai.2023.1162454

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., … Kasneci, G. (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

Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267

Liang, W., Ding, B., Yu, Y., Wang, Y., & Wang, T. (2024). Can Large Language Models provide useful feedback on essays? npj Science of Learning, 9, 26. https://doi.org/10.1038/s41539-024-00272-2

Mahalingappa, L., Zong, J., & Polat, N. (2024). The impact of captioning and playback speed on listening comprehension of multilingual English learners at varying proficiency levels. System, 120, 103192. https://doi.org/10.1016/j.system.2023.103192

Meyer, J., Jansen, T., Schiller, R., Liebenow, L. W., Steinbach, M., Horbach, A., & Fleckenstein, J. (2024). Using LLMs to bring evidence-based feedback into the classroom: AI-generated feedback increases secondary students’ text revision, motivation, and positive emotions. Computers and Education: Artificial Intelligence, 6, 100199. https://doi.org/10.1016/j.caeai.2023.100199

Shakeel, S. I., Al Mamun, M. A., & Haolader, M. F. A. (2023). Instructional design with ADDIE and rapid prototyping for blended learning. Education and Information Technologies, 28(6), 7601–7630. https://doi.org/10.1007/s10639-022-11471-0

Barbieri, C. A., Miller-Cotto, D., Clerjuste, S. N., & Chawla, K. (2023). A meta-analysis of the worked examples effect on mathematics performance. Educational Psychology Review, 35, 11. https://doi.org/10.1007/s10648-023-09745-1

De Veaux, R., Hoerl, R., Snee, R., & Velleman, P. (2022). Toward holistic data science education. Statistics Education Research Journal, 21(2), Article 2. https://doi.org/10.52041/serj.v21i2.40

del Olmo-Muñoz, J., González-Calero, J. A., Diago, P. D., Arnau, D., & Arevalillo-Herráez, M. (2023). Intelligent tutoring systems for word problem solving in COVID-19 days: Could they have been (part of) the solution? ZDM–Mathematics Education, 55, 287–303. https://doi.org/10.1007/s11858-022-01396-w

Feng, W., Lee, J., McNichols, H., Scarlatos, A., Smith, D., Otero Ornelas, N., Woodhead, S., & Lan, A. (2024). Exploring automated distractor generation for math multiple-choice questions via large language models (Findings of NAACL 2024). https://doi.org/10.48550/arXiv.2404.02124

Fernandez, N., Scarlatos, A., Feng, W., Woodhead, S., & Lan, A. (2024). DiVERT: Distractor Generation with Variational Errors Represented as Text for Math Multiple-choice Questions (arXiv:2406.19356). https://doi.org/10.48550/arXiv.2406.19356

Jiang, Z., Peng, H., Feng, S., Li, F., & Li, D. (2024). LLMs can find mathematical reasoning mistakes by Pedagogical Chain-of-Thought (arXiv:2405.06705). https://doi.org/10.48550/arXiv.2405.06705

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1

Rosenberg, J. M., Schultheis, E. H., Kjelvik, M. K., Reedy, A., & Sultana, O. (2022). Big data, big changes? The technologies and sources of data used in science classrooms. British Journal of Educational Technology, 53(5), 1179–1201. https://doi.org/10.1111/bjet.13245

Schorcht, S., Buchholtz, N., & Baumanns, L. (2024). Prompt the problem—Investigating the mathematics educational quality of AI-supported problem solving by comparing prompt techniques. Frontiers in Education, 9, 1386075. https://doi.org/10.3389/feduc.2024.1386075

Shimizu, Y., & Kang, H. (2025). Research on classroom practice and students’ errors in mathematics education: A scoping review of recent developments for 2018–2023. ZDM–Mathematics Education, 57, 695–710. https://link.springer.com/article/10.1007/s11858-025-01704-0

Son, T. (2024). Intelligent tutoring systems in mathematics education: A systematic literature review using the SAMR model. Computers, 13(10), 270. https://doi.org/10.3390/computers13100270

Takano, S., & Ichikawa, O. (2022). Automatic scoring of short answers using justification cues estimated by BERT. In Proceedings of the 17th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2022) (pp. 8–13). https://doi.org/10.18653/v1/2022.bea-1.2

U.S. Department of Education, Office of Educational Technology. (2023). Artificial Intelligence and the Future of Teaching and Learning. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf

Wang, H., Tlili, A., Huang, R., Cai, Z., Li, M., Yin, X., … Fei, C. (2023). Examining the applications of intelligent tutoring systems in real educational contexts: A systematic literature review from the social experiment perspective. Education and Information Technologies, 28(7), 7607–7638. https://doi.org/10.1007/s10639-022-11555-x

Witte, V., Schwering, A., & Frischemeier, D. (2025). Strengthening data literacy in K-12 education: A scoping review. Education Sciences, 15(1), 25. https://doi.org/10.3390/educsci15010025

Zhang, M., Baral, S., Heffernan, N., & Lan, A. (2022). Automatic short math answer grading via in-context meta-learning. In Proceedings of the 15th International Conference on Educational Data Mining (pp. 122–132). https://doi.org/10.5281/zenodo.6853032

Ramnarain, U., Ogegbo, A. A., Penn, M., Ojetunde, S., & Mdlalose, N. (2024). Pre-Service Science Teachers’ Intention to Use Generative Artificial Intelligence in Inquiry-Based Teaching. Journal of Science Education and Technology. https://doi.org/10.1007/s10956-024-10159-z

UNESCO. (2023). Guidance for generative AI in education and research. https://doi.org/10.54675/EWZM9535

Urdanivia Alarcón, D. A., Talavera-Mendoza, F., Rucano Paucar, F. H., Cayani Caceres, K. S., & Machaca Viza, R. (2023). Science and inquiry-based teaching and learning: A systematic review. Frontiers in Education, 8, 1170487. https://doi.org/10.3389/feduc.2023.1170487

Xu, S., Wang, X., & Zhang, Y. (2024). Enhancing scientific creativity through an inquiry-based approach. International Journal of Science Education. https://doi.org/10.1080/09500693.2024.2419987

Banda, H. J., Elechi, P. O., & Koul, R. B. (2021). Effect of integrating PhET simulations into physics instruction: A systematic review. Physical Review Physics Education Research, 17(2), 023108. https://doi.org/10.1103/PhysRevPhysEducRes.17.023108

Barbieri, C. A., Miller-Cotto, D., Clerjuste, S. N., & Chawla, K. (2023). A meta-analysis of the worked examples effect on mathematics performance. Educational Psychology Review, 35, 11. https://doi.org/10.1007/s10648-023-09745-1

Chakraborty, S., Dann, C., Mandal, A., Dann, B., Paul, M., & Hafeez-Baig, A. (2021). Effects of rubric quality on marker variation in higher education. Studies in Educational Evaluation, 70, 100997. https://doi.org/10.1016/j.stueduc.2021.100997

del Olmo-Muñoz, J., González-Calero, J. A., Diago, P. D., Arnau, D., & Arevalillo-Herráez, M. (2023). Intelligent tutoring systems for word problem solving in COVID-19 days: Could they have been (part of) the solution? ZDM–Mathematics Education, 55, 287–303. https://doi.org/10.1007/s11858-022-01396-w

Diab, H., Daher, W., Rayan, B., Issa, N., & Rayan, A. (2024). Transforming science education in elementary schools: The power of PhET simulations in enhancing student learning. Multimodal Technologies and Interaction, 8(11), 105. https://doi.org/10.3390/mti8110105

Elmoazen, R., Saqr, M., Khalil, M., & Wasson, B. (2023). Learning analytics in virtual laboratories: A systematic literature review of empirical research. Smart Learning Environments, 10(1), 23. https://doi.org/10.1186/s40561-023-00244-y

Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students’ performance. Frontiers in Artificial Intelligence, 6, 1162454. https://doi.org/10.3389/frai.2023.1162454

Jegstad, K. M. (2024). Inquiry-based chemistry education: A systematic review. Studies in Science Education, 60(2), 251–313. https://doi.org/10.1080/03057267.2023.2248436

Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267

Meyer, J., Jansen, T., Schiller, R., Liebenow, L. W., Steinbach, M., Horbach, A., & Fleckenstein, J. (2024). Using LLMs to bring evidence-based feedback into the classroom: AI-generated feedback increases secondary students’ text revision, motivation, and positive emotions. Computers and Education: Artificial Intelligence, 6, 100199. https://doi.org/10.1016/j.caeai.2023.100199

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1

UNESCO. (2023). Guidance for generative AI in education and research. https://doi.org/10.54675/EWZM9535

Urdanivia Alarcón, D. A., Talavera-Mendoza, F., Rucano Paucar, F. H., Cayani Caceres, K. S., & Machaca Viza, R. (2023). Science and inquiry-based teaching and learning: A systematic review. Frontiers in Education, 8, 1170487. https://doi.org/10.3389/feduc.2023.1170487

Wang, H., Tlili, A., Huang, R., Cai, Z., Li, M., Yin, X., … Fei, C. (2023). Examining the applications of intelligent tutoring systems in real educational contexts: A systematic literature review from the social experiment perspective. Education and Information Technologies, 28(7), 7607–7638. https://doi.org/10.1007/s10639-022-11555-x

Willis, J., Arnold, J., & DeLuca, C. (2023). Accessibility in assessment for learning: Sharing criteria for success. Frontiers in Education, 8, 1170454. https://doi.org/10.3389/feduc.2023.1170454

Witte, V., Schwering, A., & Frischemeier, D. (2025). Strengthening data literacy in K-12 education: A scoping review. Education Sciences, 15(1), 25. https://doi.org/10.3390/educsci15010025

108332

Descargas

Formato Digital

Publicado

noviembre 17, 2025
Derechos de autor 2025 EduLearn Academy SAS

Detalles sobre esta monografía

ISBN-13 (15)

978-9942-7393-7-7

Cómo citar

Rueda Maldonado, M. P., Honores Solano, K. N., Conza Quezada, M. E., Gutiérrez Martínez, J. A., Yumi Yépez, M. J., Ontaneda Maldonado, G. Y., & Nieves Valdiviezo, J. Y. (Eds.). (2025). Innovación Didáctica y Aprendizaje Activo con IA. EduLearn Academy SAS. https://doi.org/10.64973/edu.2025.2519