Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de  
Microsoft Excel en estudiantes de bachillerato  
Automated feedback using ChatGPT for Microsoft Excel learning in high  
school students  
Barcia-Pincay Olivia Narcisa  
Unidad Educativa Particular Redemptio. Ecuador.  
Correo: Olivia.barcia7391@gmail.com  
ORCID ID: https://orcid.org/0009-0006-6738-9366  
Avello-Martínez Raidell  
Universidade da Coruña. España.  
Correo: raidell.avello@udc.es  
ORCID ID: https://orcid.org/0000-0001-7200-632X  
López-Fernández Raúl  
Universidad Bolivariana de Ecuador. Ecuador.  
Correo: rlopezf@ube.edu.ec  
ORCID ID: https://orcid.org/0000-0001-5316-2300  
RESUMEN  
El presente estudio tuvo como objetivo analizar los cambios observados en el  
desempeño técnico en Microsoft Excel y en la motivación y autonomía percibidas por  
estudiantes de bachillerato tras una intervención basada en retroalimentación  
automatizada mediante ChatGPT. Se desarrolló un estudio cuantitativo con diseño  
preexperimental de un solo grupo, con medición pretest-postest, en una muestra no  
probabilística e intencional de 28 estudiantes de primero de Bachillerato General  
Unificado de la institución educativa Jipijapa, Ecuador. Para la recolección de datos se  
utilizaron dos instrumentos: la Prueba de Desempeño en Excel (PDE), compuesta por  
2
0 ítems de ejecución práctica, y la Escala de Motivación y Autonomía frente al Uso de  
IA en el Aprendizaje de Excel (EMA-IAE), integrada por 12 ítems tipo Likert. La  
intervención se desarrolló durante cinco semanas mediante actividades prácticas en  
Excel apoyadas por ChatGPT como herramienta de retroalimentación inmediata y  
explicativa. Los resultados evidenciaron mejoras en indicadores clave del desempeño  
técnico, especialmente en la inserción de filas, el uso de la función PROMEDIO() y la  
función SI(), así como incrementos en el interés por aprender Excel con IA, la utilidad  
percibida de la herramienta y la percepción de aprendizaje a ritmo propio. Además, se  
identificó una correlación positiva moderada-alta entre el desempeño técnico y la  
motivación/autonomía percibidas (ρ = 0.62; p < .01). Se concluye que la integración  
supervisada de ChatGPT como herramienta de retroalimentación automatizada se  
asoció con mejoras observadas en el aprendizaje procedimental de Excel y en variables  
motivacionales vinculadas al aprendizaje autónomo, aunque estos hallazgos deben  
interpretarse con cautela debido al carácter preexperimental del estudio.  
Palabras claves: retroalimentación automatizada; inteligencia artificial; ChatGPT;  
Microsoft Excel; bachillerato; aprendizaje procedimental.  
ABSTRACT  
The aim of this study was to analyze observed changes in technical performance in  
Microsoft Excel and in perceived motivation and autonomy among high school students  
Información del manuscrito:  
Fecha de recepción: 16 de marzo de 2026.  
Fecha de aceptación: 04 de mayo de 2026.  
Fecha de publicación: 11 de junio de 2026.  
811  
Barcia-Pincay et al. (2026)  
after an intervention based on automated feedback through ChatGPT. A quantitative  
study was conducted using a one-group pre-experimental pretest-posttest design with a  
non-probabilistic purposive sample of 28 first-year high school students from an  
educational institution in Jipijapa, Ecuador. Two instruments were used for data  
collection: the Excel Performance Test (EPT), composed of 20 practical performance  
items, and the Motivation and Autonomy Scale for the Use of AI in Excel Learning (EMA-  
IAE), consisting of 12 Likert-type items. The intervention lasted five weeks and involved  
practical Excel activities supported by ChatGPT as a tool for immediate and explanatory  
feedback. The results showed improvements in key indicators of technical performance,  
particularly row insertion, the use of the AVERAGE() function, and the IF() function, as  
well as increases in interest in learning Excel with AI, perceived usefulness of the tool,  
and perceived self-paced learning. In addition, a moderate-to-high positive correlation  
was found between technical performance and perceived motivation/autonomy (ρ = 0.62;  
p < .01). It is concluded that the supervised integration of ChatGPT as an automated  
feedback tool was associated with observed improvements in procedural Excel learning  
and in motivational variables related to autonomous learning, although these findings  
should be interpreted with caution due to the pre-experimental nature of the study.  
Keywords: automated feedback; artificial intelligence; ChatGPT; Microsoft Excel; high  
school; procedural learning.  
1. INTRODUCCIÓN  
El dominio de herramientas de hoja de cálculo constituye una competencia digital  
aplicada de especial relevancia en la educación media, no solo por su utilidad  
instrumental, sino también por su vinculación con tareas de organización de  
información, cálculo, modelización y análisis de datos (Pilay, 2021). En este  
marco, Microsoft Excel ocupa un lugar central, ya que permite trabajar con  
operaciones, referencias, funciones y estructuras lógicas que trascienden el uso  
básico de software ofimático. No obstante, su aprendizaje no depende  
únicamente del acceso a la tecnología, sino de la comprensión de  
procedimientos específicos y de la capacidad del estudiante para detectar y  
corregir errores durante la ejecución de tareas técnicas. Precisamente por ello,  
la enseñanza de hojas de cálculo no puede reducirse a una lógica meramente  
operativa, sino que requiere atender componentes conceptuales  
procedimentales que suelen generar dificultades persistentes en los aprendices  
Tort, 2010).  
y
(
La literatura sobre enseñanza de hojas de cálculo muestra que estas dificultades  
no se concentran únicamente en el manejo superficial de comandos, sino en  
habilidades cognitivamente más exigentes, como el uso de referencias, la  
812  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
construcción de fórmulas y la aplicación de funciones. En esa línea, Liberatore y  
Chapman (2019) identificaron, a partir de analíticas de lectura y tareas, que  
ciertas microhabilidades de Excel, especialmente las relacionadas con funciones  
y referencias, concentran mayores niveles de error y más intentos fallidos. De  
forma convergente, Reinhardt y Pillay (2005) encontraron que muchos de los  
problemas de los estudiantes novatos se localizan en la escritura de ecuaciones  
y en el uso de funciones de hoja de cálculo, lo que sugiere que el aprendizaje de  
Excel exige apoyos pedagógicos más focalizados que la simple exposición a la  
herramienta. Asimismo, en contextos de educación secundaria, Gasigwa et al.  
(2022) reportaron que la integración sistemática de Excel en la enseñanza de  
estadística se asoció con mejores resultados de aprendizaje, reforzando así la  
pertinencia educativa de esta herramienta, aunque sin resolver por sí sola el  
problema de cómo apoyar de manera más efectiva su aprendizaje  
procedimental.  
En paralelo, la investigación sobre retroalimentación educativa ha mostrado que  
su efecto depende menos de su mera presencia que de su calidad, contenido y  
oportunidad. Hattie y Timperley (2007) advirtieron que la retroalimentación puede  
tener un papel decisivo en el aprendizaje cuando ofrece información útil para  
cerrar la brecha entre el desempeño actual y el esperado. De forma consistente,  
la metaanálisis de Wisniewski et al. (2020) confirmó un efecto positivo global del  
feedback sobre el aprendizaje, aunque también mostró una considerable  
heterogeneidad entre tipos de retroalimentación. En aprendizajes  
procedimentales como el de Excel, esta conclusión resulta particularmente  
relevante, ya que la retroalimentación inmediata, específica y orientada a la tarea  
parece más prometedora que formas generales o tardías de corrección.  
En este contexto, la inteligencia artificial generativa ha comenzado a ser  
considerada como una vía para ofrecer retroalimentación escalable, inmediata y  
potencialmente personalizada. La evidencia reciente es sugerente, aunque  
todavía desigual. Kestin et al. (2025), en un ensayo controlado aleatorizado con  
estudiantes universitarios, encontraron que un tutor de IA cuidadosamente  
diseñado produjo mayores ganancias de aprendizaje que una clase presencial  
de aprendizaje activo, además de mayores niveles de compromiso y motivación.  
813  
Barcia-Pincay et al. (2026)  
Sin embargo, otros trabajos insisten en que estos beneficios no deben asumirse  
como automáticos, pues dependen del diseño pedagógico de la interacción, de  
la calidad de las indicaciones y de salvaguardas éticas y didácticas en su  
implementación (Gaona-Toledo et al., 2025; Lindsay et al., 2025; Zapata-Rivera  
et al., 2024). Esta cautela es especialmente importante cuando la IA se incorpora  
a contextos escolares y a tareas técnicas en las que el error, la comprensión del  
procedimiento y la autorregulación del estudiante tienen un papel central.  
Pese a ese avance, sigue siendo limitada la evidencia empírica sobre el uso de  
retroalimentación automatizada mediante IA conversacional en el aprendizaje  
procedimental de herramientas como Microsoft Excel, especialmente en  
contextos de bachillerato. La revisión sistemática de Létourneau et al. (2025)  
sobre sistemas de tutoría inteligente en K-12 muestra que el área ha crecido,  
pero también que los resultados siguen siendo heterogéneos y altamente  
dependientes de las características pedagógicas de los sistemas. En  
consecuencia, existe un espacio claro para estudios que examinen si una  
intervención basada en retroalimentación automatizada mediante IA puede  
asociarse con mejoras observables en el desempeño técnico en Excel y,  
además, cómo se relaciona con la motivación y la autonomía percibidas por los  
estudiantes.  
A partir de este marco, el presente estudio se justifica por su foco en una  
competencia digital aplicada, por su interés en un nivel educativo menos  
explorado que la educación superior y por su intento de articular dos dimensiones  
que suelen estudiarse por separado: el desempeño técnico y la experiencia  
motivacional del estudiante ante el uso de IA. Desde una formulación prudente y  
coherente con un diseño preexperimental, la contribución esperable del trabajo  
no es demostrar una eficacia causal concluyente, sino aportar evidencia empírica  
inicial sobre los cambios observados en el aprendizaje de Excel tras una  
intervención con retroalimentación automatizada mediante ChatGPT y sobre su  
relación con variables de motivación y autonomía.  
814  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
2. MARCO TEÓRICO  
2.1. Aprendizaje de hojas de cálculo y dificultades procedimentales  
La enseñanza de hojas de cálculo ha sido subestimada con frecuencia al tratarse  
como un contenido meramente instrumental. Sin embargo, la literatura  
especializada sugiere que trabajar con Excel implica comprender estructuras  
lógicas, referencias, tipos de datos, fórmulas y criterios de validación, por lo que  
su aprendizaje comparte rasgos con otros entornos de resolución de problemas  
y modelización. En esta línea, Tort (2010) sostuvo que la alfabetización en hojas  
de cálculo debe diseñarse curricularmente en torno a conceptos básicos,  
prácticas de construcción eficiente y actitudes de autocontrol del error, y no como  
simple entrenamiento en comandos aislados. Esta perspectiva resulta relevante  
porque desplaza la enseñanza de Excel desde una visión operativa hacia una  
concepción más cercana al pensamiento computacional y al modelado de  
información.  
Esa perspectiva se ve reforzada por la evidencia empírica sobre dificultades  
concretas. Liberatore y Chapman (2019), a partir de analíticas de lectura y tareas  
en un entorno interactivo, identificaron que las mayores dificultades se  
concentraban en habilidades específicas, especialmente en funciones más  
avanzadas y manejo de referencias. De forma convergente, Reinhardt y Pillay  
(2005) encontraron que muchos de los problemas de los aprendices novatos se  
localizaban en la escritura de ecuaciones y en el uso de funciones de hoja de  
cálculo, con variaciones asociadas al conocimiento matemático previo y a ciertas  
características del perfil del estudiante. Dicho de otro modo, no todos los  
contenidos de Excel presentan la misma complejidad pedagógica, y los errores  
recurrentes tienden a agruparse en microhabilidades que requieren apoyo  
oportuno y focalizado. Esto tiene implicaciones directas para el presente estudio,  
porque justifica centrar la intervención en operaciones, fórmulas, funciones  
básicas y funciones lógicas, en lugar de tratar Excel como una habilidad unitaria  
e indiferenciada.  
Desde una perspectiva más aplicada, la utilidad educativa de Excel también ha  
sido documentada en contextos escolares. Gasigwa et al. (2022) reportaron que  
815  
Barcia-Pincay et al. (2026)  
la integración de Excel en la enseñanza de estadística en secundaria produjo  
mejores resultados en el grupo experimental que en el grupo de comparación.  
Aunque ese estudio no analiza retroalimentación automatizada ni IA generativa,  
sí aporta evidencia de que el trabajo con Excel puede mejorar el rendimiento  
cuando se incorpora de manera intencional a la enseñanza. Su utilidad para este  
manuscrito no reside en demostrar el efecto de la IA, sino en reforzar la  
relevancia de Excel como contenido formativo legítimo en niveles  
preuniversitarios y en mostrar que su enseñanza puede beneficiarse de  
estrategias pedagógicas específicas.  
2.2. Retroalimentación formativa y aprendizaje técnico  
La literatura clásica y reciente coincide en que la retroalimentación no actúa  
como una intervención homogénea. Hattie y Timperley (2007) argumentaron que  
su efectividad depende del tipo de información que ofrece, del nivel al que se  
dirige y del modo en que orienta la acción posterior del estudiante. Su propuesta  
distingue entre retroalimentación centrada en la tarea, en el proceso, en la  
autorregulación y en la persona, y muestra que no todas producen el mismo valor  
educativo. Esa idea fue reafirmada por la metaanálisis de Wisniewski et al.  
(2020), que integró 435 estudios y 994 tamaños de efecto, encontrando un efecto  
medio global positivo del feedback sobre el aprendizaje, aunque acompañado de  
una heterogeneidad muy alta entre tipos de retroalimentación. Este hallazgo es  
decisivo para el presente artículo: no basta con afirmar que “dar feedback”  
mejora el aprendizaje; es necesario justificar por qué la retroalimentación  
inmediata, específica y centrada en la tarea puede resultar especialmente  
adecuada para una destreza técnica como Excel.  
En aprendizajes procedimentales, la retroalimentación cumple al menos tres  
funciones críticas. En primer lugar, reduce la persistencia del error cuando el  
estudiante formula una operación o una función de manera incorrecta. En  
segundo lugar, favorece la comprensión del procedimiento y no solo la corrección  
del resultado final. En tercer lugar, puede apoyar la autorregulación cuando  
permite revisar, comparar y ajustar intentos sin esperar una validación diferida  
del docente (Agurto Valdiviezo et al., 2025). Este razonamiento conecta  
directamente con el presente estudio, donde la intervención se centra en  
816  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
actividades prácticas de Excel y en el uso de ChatGPT como apoyo correctivo y  
explicativo. En este punto, la lógica no es solo tecnológica, sino pedagógica: el  
valor del feedback automatizado depende de su capacidad para intervenir en el  
momento en que el estudiante aún puede revisar y reconstruir su procedimiento.  
2.3. IA generativa, tutoría y feedback automatizado  
La literatura reciente sobre IA generativa en educación muestra un crecimiento  
acelerado, aunque todavía con evidencia desigual y una fuerte dependencia del  
diseño instruccional. El estudio de Kestin et al. (2025) es particularmente  
relevante porque ofrece un punto de comparación metodológicamente sólido: en  
un ensayo controlado aleatorizado con 194 estudiantes en un curso universitario,  
el grupo que trabajó con un tutor de IA obtuvo mejores resultados de aprendizaje  
que el grupo de aprendizaje activo presencial, invirtió menos tiempo y reportó  
mayor compromiso y motivación. Sin embargo, el propio estudio subraya que  
esos resultados no derivan de la IA por sí sola, sino de un tutor cuidadosamente  
estructurado, con andamiaje secuencial, control de errores y alineación explícita  
con principios pedagógicos.  
Ese matiz es fundamental porque evita una lectura ingenua de la IA. Zapata-  
Rivera et al. (2024), en el editorial del monográfico sobre IA generativa en  
educación, destacan el potencial de estos sistemas para personalizar contenido,  
apoyo y tutoría, pero también subrayan la necesidad de investigar su impacto  
sobre emociones, motivación y experiencia de aprendizaje. En una línea  
complementaria, Lindsay et al. (2025) advierten que el desarrollo de sistemas de  
feedback automatizado con IA requiere criterios de diseño responsable, debido  
a riesgos de sesgo, simplificación excesiva, desajuste con contextos minoritarios  
y obsolescencia del contenido. Por tanto, la IA no debe presentarse como  
solución autosuficiente, sino como una infraestructura de apoyo pedagógico  
cuyo valor depende de cómo se integra en la tarea, del tipo de mediación que  
ofrece y de las salvaguardas éticas y didácticas que acompañan su uso.  
817  
Barcia-Pincay et al. (2026)  
2.4. Evidencia comparativa y condiciones de efectividad  
La evidencia comparativa disponible no permite sostener que el feedback de IA  
sea siempre superior al feedback humano. El estudio de Alnemrat et al. (2025),  
por ejemplo, mostró mejora del desempeño en escritura argumentativa en los  
distintos grupos analizados, al tiempo que distinguió ventajas diferenciales entre  
fuentes de retroalimentación: la IA destacó por su inmediatez y consistencia,  
mientras que el docente aportó contextualización, confianza interpersonal y  
conocimiento fino del alumno. Esa tensión es especialmente útil para este  
manuscrito porque permite evitar una narrativa tecnológica triunfalista. Lo  
defendible, a la luz de esta evidencia, es que la IA puede aportar valor cuando  
la tarea requiere respuesta inmediata, práctica reiterada y apoyo explicativo bajo  
demanda, especialmente en contextos donde el docente no puede ofrecer  
retroalimentación individual continua.  
Además, la revisión sistemática de Létourneau et al. (2025) sobre tutores  
inteligentes en K-12 señala que la efectividad de estos sistemas depende de  
condiciones pedagógicas y contextuales concretas, y no simplemente de su  
carácter “inteligente”. Los autores muestran que los resultados positivos existen,  
pero también que se vuelven menos concluyentes cuando los sistemas se  
comparan con alternativas no inteligentes bien diseñadas. Esta observación es  
importante para el presente estudio, porque sitúa el posible valor de ChatGPT  
no en una supuesta superioridad inherente, sino en su uso como herramienta de  
apoyo situada, supervisada y orientada a tareas específicas. En el mismo  
sentido, la literatura reciente sobre IA generativa en educación insiste en que sus  
beneficios dependen de la alfabetización crítica de los estudiantes, del rol activo  
del docente y de la forma concreta en que se diseñan las interacciones  
pedagógicas (Lindsay et al., 2025; Zapata-Rivera et al., 2024). Por ello, una  
lectura rigurosa del problema no debe preguntarse únicamente si la IA “funciona”,  
sino bajo qué condiciones puede apoyar de manera válida el aprendizaje  
procedimental y la autorregulación del estudiante.  
818  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
3. METODOLOGÍA  
Diseño de investigación  
El estudio se desarrolló bajo un enfoque cuantitativo, dado que buscó examinar  
cambios observados en el desempeño técnico en Microsoft Excel y en las  
percepciones de motivación y autonomía de los estudiantes tras una intervención  
apoyada en retroalimentación automatizada mediante ChatGPT. Se empleó un  
diseño preexperimental de un solo grupo con medición pretest-postest,  
apropiado para contextos educativos en los que no es posible conformar grupos  
equivalentes o realizar asignación aleatoria, pero se requiere obtener evidencia  
empírica inicial sobre una intervención pedagógica. En este marco, el pretest  
permitió establecer la línea base del desempeño y de las percepciones  
estudiantiles, mientras que el postest permitió valorar los cambios observados  
después de la intervención. Además, el estudio incorporó un componente  
correlacional orientado a explorar la relación entre el desempeño técnico en  
Excel y la motivación y autonomía percibidas frente al uso de IA.  
Contexto y participantes  
La población estuvo conformada por 460 estudiantes matriculados en primero de  
Bachillerato General Unificado de la institución educativa Unidad Educativa  
Particular Redemptio, ubicada en Jipijapa, Ecuador. A partir de esta población,  
se seleccionó una muestra no probabilística e intencional de 28 estudiantes. La  
selección respondió a criterios de accesibilidad y a la posibilidad de implementar  
la intervención dentro del espacio curricular de Informática. Como criterios de  
inclusión se consideraron: a) estar legalmente matriculado en el nivel  
correspondiente; b) participar regularmente en las clases de Informática; y c)  
disponer de acceso operativo a un equipo durante las sesiones de trabajo.  
Instrumentos  
La Prueba de Desempeño en Excel (PDE) se utilizó como instrumento principal  
para medir el nivel de dominio procedimental de los estudiantes antes y después  
de la intervención. Fue elaborada específicamente para esta investigación con  
base en criterios de pertinencia curricular y alineación con competencias  
819  
Barcia-Pincay et al. (2026)  
digitales del nivel de bachillerato. La prueba estuvo compuesta por 20 ítems de  
ejecución práctica distribuidos en cuatro dimensiones: operaciones básicas,  
fórmulas aritméticas y referencias, funciones básicas y funciones intermedias.  
Cada ítem debía resolverse directamente en la hoja de cálculo y se calificó  
mediante un sistema dicotómico (1 = correcto; 0 = incorrecto), lo que permitió  
obtener una puntuación global y compararla entre el pretest y el postest. El  
instrumento fue sometido a valoración por 3 docentes de experiencia de la  
institución para valorar su pertinencia, claridad y coherencia de los ítems.  
Posteriormente, se estimó su consistencia interna mediante el coeficiente alfa de  
Cronbach, obteniéndose un valor de 0.87, interpretado como evidencia de alta  
fiabilidad interna.  
Para medir las percepciones estudiantiles respecto al uso de retroalimentación  
automatizada mediante IA se utilizó la Escala de Motivación y Autonomía frente  
al Uso de IA en el Aprendizaje de Excel (EMA-IAE). La escala estuvo conformada  
por 12 ítems distribuidos en cuatro dimensiones: motivación intrínseca,  
percepción de competencia, autonomía y actitud hacia la IA educativa. Los ítems  
se respondieron mediante una escala tipo Likert de cinco opciones, desde 1  
(totalmente en desacuerdo) hasta 5 (totalmente de acuerdo). Al igual que la PDE,  
la EMA-IAE fue revisada por 3 docentes de experiencia de la institución. Sus  
resultados permitieron caracterizar la disposición estudiantil frente al uso de IA  
antes y después de la intervención y explorar su relación con el desempeño  
técnico en Excel.  
Procedimiento e intervención  
La investigación se desarrolló durante cinco semanas. En la primera semana se  
aplicaron los instrumentos en modalidad de pretest con el fin de establecer la  
línea base del estudio. Los estudiantes resolvieron inicialmente la PDE y, a  
continuación, respondieron la EMA-IAE. Los resultados preliminares permitieron  
identificar dificultades recurrentes y orientar la planificación de la intervención.  
Durante la segunda y tercera semanas se implementó la fase central de la  
intervención mediante sesiones prácticas de Excel apoyadas por ChatGPT como  
herramienta de retroalimentación formativa inmediata. En la primera sesión se  
820  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
trabajaron operaciones básicas y manipulación de datos, incluyendo formato de  
celdas, inserción de filas y columnas, ajuste de dimensiones y ordenamiento y  
filtrado de información. En la segunda sesión se abordaron fórmulas aritméticas  
y referencias, con énfasis en suma, resta, multiplicación, división, referencias  
relativas y absolutas, así como identificación y corrección de errores frecuentes.  
En la tercera sesión se trabajaron funciones básicas, como SUMA(),  
PROMEDIO(), MAX(), MIN() y CONTAR(), mientras que en la cuarta sesión se  
desarrollaron funciones intermedias y lógicas, como SI(), CONTAR.SI(),  
SUMAR.SI(), BUSCARV() y SI.ERROR(). En estas actividades los estudiantes  
utilizaron ChatGPT para consultar dudas, revisar fórmulas, obtener explicaciones  
sobre errores y contrastar procedimientos.  
La cuarta semana se destinó a consolidación y práctica autónoma supervisada.  
Los estudiantes desarrollaron un proyecto integrador en el que aplicaron los  
contenidos trabajados, utilizando ChatGPT como apoyo para revisar fórmulas,  
corregir errores y optimizar procedimientos. Durante esta fase, el docente  
supervisó el uso de la herramienta para asegurar que la retroalimentación se  
empleara como apoyo al aprendizaje y no como sustitución del razonamiento del  
estudiante.  
En la quinta semana se aplicaron nuevamente ambos instrumentos. La PDE se  
administró como postest para valorar cambios en el desempeño técnico en Excel  
y la EMA-IAE se reaplicó para identificar variaciones en la motivación, la  
percepción de competencia, la autonomía y la actitud hacia la IA educativa tras  
la intervención  
Análisis de datos  
Los datos obtenidos mediante la PDE y la EMA-IAE fueron analizados mediante  
estadística descriptiva e inferencial utilizando el software libre Jamovi. En primer  
lugar, se calcularon frecuencias, porcentajes, medias y medidas de dispersión  
para caracterizar el desempeño técnico y las percepciones estudiantiles en los  
momentos pretest y postest. En segundo lugar, se compararon las puntuaciones  
obtenidas antes y después de la intervención para identificar cambios  
observados en ambas variables. Finalmente, se examinó la relación entre el  
821  
Barcia-Pincay et al. (2026)  
desempeño técnico en Excel y la motivación/autonomía percibidas mediante el  
coeficiente de correlación de Spearman, criterio consistente con la naturaleza  
ordinal de la escala EMA-IAE y con el interés del estudio por explorar  
asociaciones entre variables. El nivel de significación estadística se estableció  
en p < .05.  
Consideraciones éticas  
La participación de los estudiantes fue de carácter voluntario y la aplicación de  
los instrumentos se realizó en el contexto de las actividades académicas  
previstas para la asignatura, bajo condiciones controladas de laboratorio. Dado  
que el estudio involucró estudiantes de bachillerato y uso de una herramienta de  
inteligencia artificial en un entorno educativo, la versión final del manuscrito debe  
explicitar con claridad el procedimiento de consentimiento informado, la  
autorización institucional correspondiente, las medidas de confidencialidad y  
resguardo de datos, así como los criterios establecidos para el uso pedagógico  
y supervisado de ChatGPT. Esta precisión no aparece suficientemente  
desarrollada en el borrador actual y debe incorporarse antes de someter el  
artículo a evaluación.  
4. RESULTADOS Y DISCUSIÓN  
Los resultados evidencian cambios favorables entre el pretest y el postest tanto  
en el desempeño técnico en Microsoft Excel como en las percepciones  
estudiantiles sobre el uso de la inteligencia artificial como apoyo al aprendizaje.  
Para ofrecer una visión sintética de los principales hallazgos, la Figura 1 integra  
los seis indicadores clave reportados en el estudio. En los ítems del PDE se  
presenta el porcentaje de respuestas correctas, mientras que en los indicadores  
seleccionados de la EMA-IAE se muestra el porcentaje de estudiantes ubicados  
en las categorías de acuerdo o totalmente de acuerdo. En conjunto, la figura  
permite apreciar una tendencia general de mejora en todos los indicadores  
considerados.  
En relación con el desempeño técnico en Excel, se observaron incrementos  
consistentes en los tres ítems seleccionados del PDE. En el caso de la inserción  
822  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
de filas, el porcentaje de respuestas correctas pasó de 35.7% en el pretest a  
78.6% en el postest, lo que representa una ganancia de 42.9 puntos  
porcentuales. De forma similar, en el manejo de la función PROMEDIO(), el  
desempeño aumentó de 28.6% a 67.9%, con una mejora de 39.3 puntos. El  
mayor incremento se registró en el uso de la función SI(), donde el porcentaje de  
respuestas correctas pasó de 21.4% a 71.4%, equivalente a una ganancia de  
50.0 puntos porcentuales. En conjunto, estos datos sugieren un avance  
importante en habilidades procedimentales de distinta complejidad, desde  
operaciones básicas hasta funciones lógicas.  
Este patrón de resultados es relevante porque la mejora no se limitó a tareas  
elementales. También se observó progreso en funciones que exigen mayor  
comprensión de la sintaxis y de la lógica de cálculo en Excel, lo que sugiere que  
la retroalimentación automatizada mediante ChatGPT pudo haber contribuido no  
solo a corregir errores puntuales, sino también a fortalecer la comprensión  
operativa de procedimientos más complejos. No obstante, dado que el estudio  
se desarrolló con un diseño preexperimental de un solo grupo, estos cambios  
deben interpretarse como mejoras observadas tras la intervención y no como  
evidencia concluyente de causalidad.  
En cuanto a las percepciones estudiantiles medidas mediante la EMA-IAE,  
también se registró una evolución positiva en los tres indicadores seleccionados.  
El porcentaje de estudiantes que manifestó acuerdo con el ítem referido al interés  
por aprender Excel mediante IA aumentó de 42.8% a 71.4%, lo que equivale a  
una ganancia de 28.6 puntos porcentuales. A su vez, la utilidad percibida de la  
IA para apoyar el aprendizaje pasó de 39.4% a 78.6%, con una mejora de 39.2  
puntos. Finalmente, la percepción de poder aprender Excel a su propio ritmo  
aumentó de 32.2% en el pretest a 64.3% en el postest, es decir, una ganancia  
de 32.1 puntos porcentuales. Estos resultados indican que, además del avance  
técnico, la intervención estuvo acompañada por un cambio favorable en la  
valoración que los estudiantes hicieron del uso de la IA como apoyo pedagógico.  
En términos comparativos, los mayores incrementos porcentuales se observaron  
en el dominio de la función SI() y en la utilidad percibida de la IA. Este hallazgo  
refuerza la idea de que la retroalimentación inmediata y explicativa puede  
823  
Barcia-Pincay et al. (2026)  
resultar especialmente valiosa en tareas donde los estudiantes suelen presentar  
mayores dificultades conceptuales y procedimentales. Del mismo modo, el  
aumento en la percepción de aprendizaje a ritmo propio apunta a un  
fortalecimiento de la autonomía percibida, coherente con el uso de una  
herramienta disponible de forma inmediata para resolver dudas, revisar fórmulas  
y corregir procedimientos durante la tarea.  
Finalmente, el análisis correlacional mostró una relación positiva moderada-alta  
entre el desempeño en Excel medido con la PDE y la motivación/autonomía  
percibidas medidas con la EMA-IAE (ρ = 0.62; p < .01). Este resultado indica  
que, dentro del grupo estudiado, los estudiantes con mayores niveles de  
motivación y autonomía percibidas tendieron también a obtener mejores  
resultados en el desempeño técnico. Aunque esta asociación no permite  
establecer relaciones causales, sí aporta evidencia consistente con la idea de  
que el componente motivacional y la percepción de control sobre el aprendizaje  
están vinculados al progreso en tareas procedimentales apoyadas por  
retroalimentación automatizada.  
Figura 1. Comparación pretest–postest de indicadores clave del desempeño en Excel y de la  
percepción estudiantil sobre el uso de IA.  
824  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
5. CONCLUSIONES  
Los resultados del presente estudio muestran mejoras observadas en el  
desempeño técnico en Microsoft Excel después de la intervención,  
especialmente en tareas relacionadas con operaciones básicas, funciones  
estadísticas y funciones lógicas, así como incrementos en el interés por aprender  
con IA, en la utilidad percibida de la herramienta y en la percepción de  
autonomía. En términos generales, este patrón es coherente con la literatura que  
destaca el valor de la retroalimentación oportuna, específica y centrada en la  
tarea para favorecer el aprendizaje. Hattie y Timperley (2007) ya habían  
señalado que la retroalimentación puede influir de forma poderosa en el  
aprendizaje, aunque su efecto depende del tipo de información ofrecida y de  
cómo orienta la acción posterior del estudiante. En la misma línea, Wisniewski et  
al. (2020) mostraron un efecto positivo global del feedback, pero también una  
elevada heterogeneidad, lo que implica que no basta con “dar retroalimentación”,  
sino que importa su calidad, oportunidad y ajuste a la tarea. Los resultados de  
este estudio sugieren que, en un contenido procedimental como Excel, la  
posibilidad de recibir explicaciones inmediatas y correctivas mediante ChatGPT  
pudo haber contribuido a reducir errores y favorecer la comprensión operativa de  
los procedimientos.  
La mejora observada en funciones como PROMEDIO() y, sobre todo, SI(),  
resulta especialmente relevante porque coincide con trabajos que muestran que  
las dificultades en hojas de cálculo no se concentran únicamente en acciones  
elementales, sino en habilidades que exigen comprender sintaxis, referencias y  
lógica de formulación. En ese sentido, Liberatore y Chapman (2019) identificaron  
que ciertas microhabilidades de hoja de cálculo, entre ellas el uso de funciones  
y referencias, concentran más intentos fallidos y mayores señales de dificultad.  
De forma complementaria, Tort (2010) sostuvo que la enseñanza de hojas de  
cálculo debe ir más allá del uso instrumental y atender estructuras conceptuales  
que suelen generar errores recurrentes. Desde esa perspectiva, el patrón  
encontrado en este estudio es plausible: la retroalimentación automatizada  
parece haber sido más útil allí donde la tarea exigía comprensión procedimental  
y no solo ejecución mecánica.  
825  
Barcia-Pincay et al. (2026)  
Los resultados también dialogan con la literatura reciente sobre tutoría con IA  
generativa, aunque con una diferencia importante de escala y solidez  
metodológica. Kestin et al. (2025), encontraron que un tutor de IA  
cuidadosamente diseñado produjo mayores ganancias de aprendizaje que una  
clase presencial de aprendizaje activo, además de mayores niveles de  
compromiso y motivación. Aunque ese estudio se desarrolló en educación  
superior y con un diseño experimental mucho más robusto que el del presente  
trabajo, aporta un punto de apoyo relevante: la IA puede favorecer el aprendizaje  
cuando no opera como respuesta automática descontextualizada, sino como  
andamiaje pedagógico estructurado. En el presente estudio, el aumento  
simultáneo en indicadores técnicos y motivacionales es consistente con esa  
línea, pero debe interpretarse de forma más prudente, ya que aquí no hubo grupo  
de comparación ni asignación aleatoria. Por tanto, lo defendible no es afirmar  
que ChatGPT demostró superioridad o eficacia concluyente, sino que su uso se  
asoció con mejoras observadas en un contexto escolar real.  
En cuanto a la dimensión motivacional, el aumento en el interés, la utilidad  
percibida y la percepción de aprendizaje a ritmo propio es congruente con  
estudios que describen la IA como un recurso potencialmente valioso para  
ofrecer apoyo inmediato, flexible y escalable. La revisión sistemática de  
Létourneau et al. (2025), centrada en sistemas de tutoría inteligente en  
educación K-12, concluye que los efectos sobre aprendizaje y rendimiento  
suelen ser positivos, aunque se atenúan cuando se comparan con sistemas no  
inteligentes y siguen dependiendo del diseño pedagógico de la intervención. A  
ello se suma la literatura reciente sobre IA generativa en educación, que destaca  
oportunidades en personalización, tutoría y apoyo a la autorregulación, pero  
también insiste en que estos beneficios no son automáticos ni homogéneos  
(Lindsay et al., 2025; Zapata-Rivera et al., 2024). En este estudio, el incremento  
de la percepción de autonomía sugiere que los estudiantes experimentaron a  
ChatGPT no solo como fuente de respuesta, sino como herramienta de  
acompañamiento disponible durante la tarea. Sin embargo, esa interpretación  
debe mantenerse en el plano de la inferencia razonable y no de la prueba causal  
directa.  
826  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
La correlación positiva moderada-alta entre desempeño técnico  
y
motivación/autonomía percibidas refuerza la idea de que el aprendizaje  
procedimental no puede entenderse únicamente como adquisición de destrezas  
técnicas. En este caso, los estudiantes que reportaron mayores niveles de  
motivación y autonomía tendieron también a alcanzar mejores resultados en la  
PDE. Este hallazgo es coherente con la idea de que el feedback no solo opera a  
nivel cognitivo, sino también a nivel autorregulatorio y afectivo (Hattie &  
Timperley, 2007; Wisniewski et al., 2020). No obstante, aquí conviene ser  
especialmente cautelosos: la correlación no permite establecer dirección causal,  
y menos aún en un estudio con una sola muestra local y sin control. En otras  
palabras, el resultado es compatible tanto con la hipótesis de que una mejor  
experiencia con la IA favoreció el desempeño, como con la posibilidad de que  
quienes se desempeñaron mejor percibieran también mayor utilidad y  
autonomía. El manuscrito debe dejar esa ambigüedad explícita para no  
sobreinterpretar el hallazgo.  
A la vez, los resultados de este estudio deben leerse a la luz de una tensión que  
la literatura reciente ya ha comenzado a documentar: la retroalimentación de IA  
puede ser útil, pero no está exenta de límites. Alnemrat et al. (2025), al comparar  
feedback de IA y feedback docente en escritura argumentativa, encontraron  
mejora en los grupos, pero sin evidencia suficiente para sostener una  
superioridad general del feedback automatizado frente al humano. Ese trabajo  
es importante porque relativiza cualquier lectura triunfalista: la IA no reemplaza  
automáticamente al docente, sino que puede funcionar como complemento  
escalable, especialmente cuando existe supervisión pedagógica y un diseño  
claro de la interacción. Esta lectura es particularmente pertinente para este  
estudio, donde el docente supervisó el uso de ChatGPT durante la intervención.  
En consecuencia, una discusión sólida no debería presentar la IA como sustituto  
de la mediación humana, sino como un recurso de apoyo que puede ampliar la  
disponibilidad y la inmediatez de la retroalimentación en tareas técnicas.  
Finalmente, los hallazgos del presente trabajo aportan evidencia preliminar en  
un campo todavía poco explorado: el uso de retroalimentación automatizada con  
IA conversacional para el aprendizaje procedimental de Excel en bachillerato. No  
827  
Barcia-Pincay et al. (2026)  
obstante, esa contribución debe formularse con moderación. Las principales  
limitaciones del estudio, muestra pequeña, selección intencional, ausencia de  
grupo control, posible efecto de práctica por aplicación repetida de los  
instrumentos y dependencia parcial de autoinforme en la EMA-IAE, impiden  
sostener afirmaciones fuertes de generalización o causalidad. Por ello, más que  
demostrar una eficacia definitiva, este estudio sugiere que la integración  
supervisada de ChatGPT como herramienta de retroalimentación merece ser  
investigada con diseños más robustos, muestras mayores y comparaciones  
directas con feedback docente, otras herramientas de apoyo o grupos control sin  
IA. Ese es, precisamente, el tipo de siguiente paso que la literatura reciente sobre  
tutores inteligentes y sistemas generativos está reclamando (Létourneau et al.,  
2025; Lindsay et al., 2025).  
REFERENCIAS  
Agurto Valdiviezo, B. P., Villalta Jiménez, D. J., Avello Martínez, R., & Tapia  
Bastidas, T. (2025). Propuesta didáctica basada en ChatGPT para  
mejorar la calidad narrativa de cuentos infantiles en educación básica.  
Revista  
http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2218-  
6202025000300042&lng=es&nrm=iso&tlng=es  
Universidad  
y
Sociedad,  
17(3).  
3
Alnemrat, A., Aldamen, H., Almashour, M., Al-Deaibes, M., & AlSharefeen, R.  
2025). AI vs. teacher feedback on EFL argumentative writing: A  
quantitative study. Frontiers in Education, 10.  
https://doi.org/10.3389/feduc.2025.1614673  
(
Gaona-Toledo, S. M., Avello-Martínez, R., & Tapia-Bastidas, T. (2025). ChatGPT  
como mediador de retroalimentación para mejorar la competencia  
narrativa en estudiantes de Educación General Básica. Revista Mexicana  
de Investigación  
e
Intervención Educativa, 4(3), 216-223.  
https://doi.org/10.62697/rmiie.v4i3.236  
Gasigwa, T., Maniraho, D. J. F., & Habimana, D. O. (2022). Effectiveness of Excel  
Software Integration in Teaching and Learning Statistics on Students’  
Performance in Selected Kicukiro District Upper Secondary Schools in  
Rwanda. The Journal of Research Innovation and Implications in  
Education https://www.jriiejournal.com/wp-  
(JRIIE),  
6(3).  
content/uploads/2022/08/JRIIE-6-3-021.pdf  
828  
Revista Científica Multidisciplinaria HEXACIENCIAS. Vol. 6, Núm. 11. (ene - jun 2026) ISSN: 3028-8657  
Retroalimentación automatizada mediante ChatGPT para el aprendizaje de Microsoft Excel en  
estudiantes de bachillerato.  
Hattie, J., & Timperley, H. (2007). The Power of Feedback. Review of Educational  
Research, 77(1), 81-112. https://doi.org/10.3102/003465430298487  
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring  
outperforms in-class active learning: An RCT introducing a novel research-  
based design in an authentic educational setting. Scientific Reports, 15(1),  
17458. https://doi.org/10.1038/s41598-025-97652-6  
Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen,  
J., & Léger, P. M. (2025). A systematic review of AI-driven intelligent  
tutoring systems (ITS) in K-12 education. NPJ Science of Learning, 10(1),  
29. https://doi.org/10.1038/s41539-025-00320-7  
Liberatore, M. W., & Chapman, K. (2019, junio 15). Identifying Challenging  
Spreadsheet Skills Using Reading and Homework Analytics from an  
Interactive Textbook. 2019 ASEE Annual Conference & Exposition.  
https://peer.asee.org/identifying-challenging-spreadsheet-skills-using-  
reading-and-homework-analytics-from-an-interactive-textbook  
Lindsay, E. D., Zhang, M., Johri, A., & Bjerva, J. (2025). The Responsible  
Development of Automated Student Feedback with Generative AI. 2025  
IEEE Global Engineering Education Conference (EDUCON), 1-10.  
https://doi.org/10.1109/EDUCON62633.2025.11016572  
Pilay, Y. H. C. (2021). FORTALECIMIENTO DEL CONOCIMIENTO  
TECNOLÓGICO A TRAVES DE LAS APLICACIONES OFIMÁTICAS  
PARA LOS ESTUDIANTES DE BACHILLERATO EN CIENCIAS DE LA  
UNIDAD EDUCATIVA FISCAL “ALEJO LASCANO” DEL CANTÓN  
JIPIJAPA: FORTALECIMIENTO DEL CONOCIMIENTO TECNOLÓGICO  
A TRAVÉS DE LAS APLICACIONES OFIMÁTICAS. UNESUM - Ciencias.  
Revista  
Científica  
Multidisciplinaria,  
5(1),  
103-112.  
https://doi.org/10.47230/unesum-ciencias.v5.n1.2021.325  
Reinhardt, N., & Pillay, T. (2005). An Analysis of learning difficulties experienced  
by first time spreadsheet users. Alternation, 12(1b), 429-453.  
https://doi.org/10.10520/AJA10231757_527  
Tort, F. (2010). Teaching Spreadsheets: Curriculum Design Principles.  
https://eusprig.org/wp-content/uploads/1009.2787.pdf  
Wisniewski, B., Zierer, K., & Hattie, J. (2020). The Power of Feedback Revisited:  
A Meta-Analysis of Educational Feedback Research. Frontiers in  
Psychology, 10. https://doi.org/10.3389/fpsyg.2019.03087  
829  
Barcia-Pincay et al. (2026)  
Zapata-Rivera, D., Torre, I., Lee, C.-S., Sarasa-Cabezuelo, A., Ghergulescu, I.,  
&
Libbrecht, P. (2024). Editorial: Generative AI in education. Frontiers in  
Artificial Intelligence, 7. https://doi.org/10.3389/frai.2024.1532896  
830