19
ISSN 1390-7778 (Versión Impresa)
ISSN 2528-8148 (Versión Electrónica)
YACHANA
Revista CientífiCa
Volumen 15, Número 2, Julio-Diciembre 2026
Resumen
Uno de los principales problemas en el
desarrollo de clases de Matemáticas es la
improvisación debido a la falta de una pla-
nicación adecuada; esta situación reeja
una deciencia al no contar con una guía
estructurada y ajustada a las necesidades
del aula. El presente estudio busca analizar
la idoneidad de las planicaciones micro-
curriculares de Matemáticas elaboradas
con y sin apoyo de inteligencia articial,
contando con un enfoque cuantitativo,
con la intención de aplicar un tratamiento
estadístico a variables cualitativas ordi-
nales para medir la calidad de dichos do-
cumentos. Para el desarrollo, docentes de
matemáticas aplicaron rúbricas de análisis
documental a planicaciones desarrolla-
das con ChatGPT, Gemini, DeepSeek y
sin apoyo de IA; los datos obtenidos fue-
ron analizados con tablas de frecuencias
y pruebas no paramétricas de Friedman,
resultando en que planicar con Gemini o
ChatGPT es mejor alternativa en cuanto a
coherencia; para la pertinencia al contexto
es preferible utilizar los chatbots frente a
no usar IA, y en la alineación curricular se
muestra que Gemini, ChatGPT o no usar
IA son mejores opciones a implementar
que DeepSeek. En parámetros generales,
evaluando las planicaciones por com-
pleto, los resultados muestran que las
planicaciones realizadas con Gemini y
ChatGPT son mejores a las realizadas con
DeepSeek y en las que no se utilizó IA;
esto considerando la tendencia de los ran-
gos y las pruebas cruzadas. Se concluye
que estas herramientas tecnológicas pue-
den servir como apoyo al planicar, pero,
al no cumplir con la valoración máxima
evaluada, se recomienda su aplicación
bajo revisión docente.
Análisis comparativo de la calidad de
las planificaciones microcurriculares de
Matemáticas elaboradas con y sin inteligencia
artificial
Comparative analysis of the quality of mathematics
microcurricular plans developed with and without
articial intelligence
Pablo Fernando González-Jiménez
https://orcid.org/0009-0003-5840-549X
Universidad Nacional de Loja, Facultad de la Educación, el Arte y la Comunicación Departamento de Posgrado,
Loja-Ecuador, pablo.f.gonzalez@unl.edu.ec
Cristina Isabel Vivanco Ureña
https://orcid.org/0000-0003-4522-1707
Universidad Nacional de Loja, Facultad de la Educación, el Arte y la Comunicación Departamento de Posgrado,
Loja-Ecuador, civivancou@unl.edu.ec
Fabiola Elvira León Bravo
https://orcid.org/0000-0002-9405-1794
Universidad Nacional de Loja, Facultad de la Educación, el Arte y la Comunicación Departamento de Posgrado,
Loja-Ecuador, fabiola.leon@unl.edu.ec
10.62325/10.62325/yachana.v15.n2.2026.1023
Artículo de investigación
28/04/2026
31/07/2026
01/09/2025
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
20
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
Palabras clave: Inteligencia articial, Calidad, Planicación de la educación, Educación, Mate-
máticas..
Abstract
One of the main issues in the development of mathematics classes is improvisation due to the
lack of adequate planning; this situation reflects a deficiency in not having structured guidance
tailored to the needs of the classroom. This study aims to analyze the suitability of microcur-
ricular plans for mathematics developed with and without the support of artificial intelligence,
relying on a quantitative approach, with the intention of applying statistical treatment to ordinal
qualitative variables in order to measure the quality of such documents. For the development
of this purpose, mathematics teachers employed document analysis rubrics to plans developed
with ChatGPT, Gemini, DeepSeek, and without AI support. The data obtained was analyzed
using frequency tables and nonparametric Friedman tests, resulting that planning with Gemini
or ChatGPT is a better alternative in terms of coherence; for relevance to the context, using
chatbots is preferable to not using AI; and, in curricular alignment, it is shown that Gemini,
ChatGPT or not using AI are better options to implement than DeepSeek. In general parameters,
evaluating the entirety of planning, the results exhibit that the plans developed with Gemini and
ChatGPT are better than the ones carried out with DeepSeek and without the use of artificial
intelligence; by considering the trend of the ranges and cross-tests. It is concluded that these
technological tools can be useful as support when planning, but, since they do not meet the
maximum evaluated score, their application is recommended under instructor oversight.
Keywords: Artificial intelligence, Quality, Educational planning, Education, Mathematics.
Introducción
La educación enfrenta diversos desafíos
para adaptarse a las demandas de la socie-
dad actual debido al acelerado crecimiento
tecnológico. Cada día surgen nuevas inven-
ciones innovadoras que buscan apoyar los
procesos de enseñanza. Para hacer frente
a estos requerimientos, los docentes incor-
poran tecnologías a su labor con el propó-
sito de alcanzar una educación de calidad.
Para ello, se valen de diversas herramien-
tas que permiten organizar, complementar
y guiar el aprendizaje de los estudiantes.
Llevar una planeación sistemática sobre
cómo integrar herramientas tecnológicas a
la práctica docente es fundamental para su
correcta aplicación. En el contexto ecua-
toriano, las planicaciones microcurricu-
lares son las encargadas de organizar los
contenidos y recursos necesarios para el
desarrollo de las clases. No obstante, la
elaboración de este documento puede re-
sultar tediosa debido a la cantidad de cur-
sos asignados, sumada a la necesidad de
contemplar las directrices del currículo y
de crear componentes exibles (Ministerio
de Educación, 2019). En este sentido, Díaz
y Careaga (2021) presentan a la Inteligen-
cia Articial (IA) como una alternativa
para apoyar al docente en estos procesos
repetitivos, contribuyendo a la creación de
experiencias de aprendizaje exibles, per-
sonalizadas y efectivas, así como al acom-
pañamiento en los procesos de planica-
ción y evaluación.
Uno de los problemas recurrentes en el
desarrollo de las clases de Matemáticas es
21
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
la improvisación, producto de la falta de
una planicación adecuada. Para Espino-
za-Freire et al. (2020), una deciencia en
la preparación de los contenidos puede
estar ocasionada por limitaciones de tiem-
po, carga administrativa o dicultades en
el acceso a recursos. Al no contar con una
planicación ajustada a las necesidades del
contexto educativo, se comprometen as-
pectos fundamentales como el ritmo de la
clase, la motivación estudiantil, el uso ade-
cuado de recursos y la articulación con el
currículo durante el proceso de enseñanza.
El área de Matemáticas requiere la trans-
misión de contenidos de manera ordenada
y sistemática; por ello, las planicaciones
microcurriculares resultan indispensables
para el cumplimiento de este propósito. En
este marco, las herramientas basadas en in-
teligencia articial se presentan como una
alternativa viable para apoyar dicho pro-
ceso. Según Plúas et al. (2024), los chat-
bots aplicativos que utilizan inteligencia
articial en su funcionamiento poseen un
alto potencial para mejorar la planicación
microcurricular en términos de eciencia y
efectividad, por lo que se sugiere su inte-
gración al entorno educativo.
En los últimos años, la adopción de la inte-
ligencia articial se ha vuelto más notoria,
y su implementación se ha extendido a di-
versos campos, presentando un crecimien-
to exponencial en tipos y aplicaciones (De
Marcos, 2025). Actualmente, los sistemas
inteligentes experimentan su pico máximo
de uso, principalmente en la automatiza-
ción de procesos. En esta línea, investigar
sobre la elaboración de planicaciones
microcurriculares de Matemáticas, con y
sin apoyo de inteligencia articial, resul-
ta necesario para comparar la calidad de
ambas formas, con el propósito de facilitar
la labor docente y aportar a la innovación
pedagógica mediante la integración de he-
rramientas tecnológicas digitales acordes
a las demandas de la sociedad (Armijos et
al., 2025). De este modo, se brindan op-
ciones a la comunidad educativa para crear
planicaciones y tomar decisiones de me-
jora con base en la información obtenida
sobre el uso de esta tecnología, generando
aportes tanto para aplicaciones pedagógi-
cas como para futuras investigaciones.
En varios países se ha comenzado a pla-
nicar la integración de IA en políticas
educativas, bajo las recomendaciones de
la UNESCO (2022), los estados miembros
buscan capacitar a los usuarios sobre su
uso responsable evitando prácticas no éti-
cas en la enseñanza, la formación de do-
centes y el aprendizaje electrónico. Por su
parte, la Unión Europea desarrolla la Pro-
puesta de Reglamento en la que establecen
normas en materia de inteligencia articial
(Ley de inteligencia articial) referidos a
la educación y formación profesional don-
de proporcionan lineamientos a seguir para
una óptima aplicación (Tahirí, 2024).
Con respecto al contexto ecuatoriano, se
han desarrollado diversas investigaciones
orientadas al aprovechamiento de la inteli-
gencia articial en el ámbito educativo. Pa-
dilla et al. (2024) evidencian que la imple-
mentación de ChatGPT en la planicación
de contenidos educativos ofrece benecios
signicativos en términos de eciencia, al
reducir el tiempo promedio de planica-
ción de 8,75 horas a 3,92 horas, lo que re-
salta la ecacia de la inteligencia articial
frente a los métodos tradicionales.
En un estudio similar, Contreras (2023)
arman haber identicado diferencias al
contrastar la ecacia de las planicacio-
nes, observando que las elaboradas de
forma convencional se encuentran por de-
22
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
bajo de aquellas desarrolladas con apoyo
de ChatGPT, lo que denota resultados po-
sitivos en el uso de este chatbot. Asimis-
mo, Plúas et al. (2024) concluyen que la
eciencia de los planes de clase realizados
con ChatGPT es superior en comparación
con las formas convencionales. No obs-
tante, los estudios revisados se limitan al
uso de ChatGPT; esta situación constituye
la principal diferencia con el presente tra-
bajo, el cual amplía el análisis al añadir a
Gemini y DeepSeek.
Los antecedentes vistos dan paso a la pre-
sente investigación. Esta se diseña para
responder a si ¿existen diferencias sig-
nicativas en la calidad de las planica-
ciones microcurriculares de Matemáticas
elaboradas con y sin apoyo de Inteligencia
Articial según criterios técnicos y peda-
gógicos?, teniendo como objetivo analizar
la idoneidad de las planicaciones micro-
curriculares de Matemáticas elaboradas
con y sin apoyo de inteligencia articial,
del cual se derivan los siguientes objetivos
especícos: identicar las características
de calidad presentes en las planicaciones
microcurriculares de Matemáticas elabora-
das con y sin apoyo de IA, y comparar la
coherencia, pertinencia y alineación curri-
cular de las planicaciones microcurricu-
lares de Matemáticas elaboradas con y sin
apoyo de IA. Una vez planteado lo que se
pretende lograr, se desarrolla una revisión
de literatura acorde a los temas.
Las planicaciones microcurriculares se
derivan del tercer nivel de concreción cu-
rricular. Según el Ministerio de Educación
(2021), estas tienen como nalidad inte-
grar el currículo, los recursos y las formas
de evaluación mediante estrategias meto-
dológicas que garanticen el aprendizaje
de los estudiantes de acuerdo con las ne-
cesidades del contexto. Además, permiten
organizar contenidos, estructuras y tiem-
pos correspondientes a los distintos temas
abordados, actuando como una guía exi-
ble que facilita la articulación del currícu-
lo, al ser elaboradas directamente por los
docentes. En este sentido, la elaboración
de las planicaciones resulta esencial para
favorecer la comprensión de los conteni-
dos en función de los diversos contextos
educativos en los que se desarrollan (Chi-
lan et al., 2024).
De este documento se desprenden las acti-
vidades y los contenidos que se desarrollan
durante las clases. Al respecto, Calderón
(2019) señala que la planicación micro-
curricular posibilita una mejor gestión de
los contenidos establecidos en el Currículo
Nacional, al promover el diseño de estrate-
gias orientadas a una enseñanza contextua-
lizada según las características del grupo
al que va dirigida. En función de ello, se
seleccionan los recursos, técnicas e instru-
mentos necesarios para la enseñanza y la
evaluación de los aprendizajes. En la Tabla
1 se detallan sus principales elementos.
En los últimos años, se han realizado mo-
dicaciones en las planicaciones con el
propósito de ajustar los contenidos a las
realidades educativas y facilitar los pro-
cesos de aprendizaje; dichos cambios
han proporcionado mayor exibilidad al
currículo, a las formas de enseñanza y a
los materiales utilizados (Sánchez et al.,
2024). Para determinar la calidad de una
planicación microcurricular, se valora el
conjunto de sus propiedades inherentes.
En este sentido, Cordero y Pesantes (2023)
señalan que es posible medir su idoneidad
mediante el análisis de tres aspectos clave:
la manera en que se desarrollan los proce-
sos de enseñanza y aprendizaje, la forma
de diversicar el currículo y la capacidad
de transformar la información en plani-
23
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
ELEMENTOS DESCRIPCIÓN
Objetivos de área por subnivel
Consideran los logros a los que se pretende llegar en las
áreas de conocimiento, se seleccionan acorde a los objeti-
vos generales, su codicación depende del área, subnivel
y número de objetivo
Criterios de evaluación
Son los aprendizajes que se espera que los estudiantes lo-
gren en un nivel determinado, evalúan atributos delimita-
dos en los objetivos generales.
Destrezas con criterios de des-
empeño
Son los aprendizajes que se espera promover en los es-
tudiantes en un nivel determinado, su estudio comprende
aprendizajes generales promoviendo habilidades y compe-
tencias.
Indicadores de evaluación
Se seleccionan acorde a los criterios, describen los objeti-
vos que se deben alcanzar, los parámetros evaluativos se
elaboran acorde a los indicadores considerando aprendi-
zajes imprescindibles y deseables que deben ser desarro-
llados.
Estrategias metodológicas
Es el conjunto de métodos y técnicas que el docente em-
pleará para lograr aprendizajes en los estudiantes, estas se
llevan bajo un ciclo de aprendizaje considerando el Diseño
Universal de Aprendizaje – DUA
Recursos Apartado donde se registran los materiales que se tiene
previstos para el desarrollo de la planicación.
Actividades evaluativas
A partir de los criterios de evaluación, indicadores y con-
tenidos revisados, se propone las técnicas e instrumentos
para evaluar los aprendizajes obtenidos por los estudiantes
Aprendizaje interdisciplinar
Actividades a través de las cuales, se desarrollan los conte-
nidos propuestos para el aprendizaje interdisciplinar, con-
siderando su relación con demás áreas y objetivos
Adaptaciones curriculares para
NEE
Modicaciones realizadas a distintos elementos de la pla-
nicación microcurricular para responder a Necesidades
Educativas Especícas del estudiante, estas se realizan
acorde al grado que se presente tomando en cuenta las di-
ferencias y necesidades.
Tabla 1
Elementos de las planicaciones microcurriculares
Nota. Elaborada con base a documentos del Ministerio de Educación: Currículo (2016), Diseño Universal de
Aprendizaje (2022), Instructivo para la microplanificación (2021) e Inserciones curriculares (2024)
24
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
caciones aplicables a la práctica docente.
Esto permite identicar si una planica-
ción responde de manera efectiva a la rea-
lidad educativa.
Por consiguiente, evaluar las planica-
ciones implica considerar criterios que
garanticen su calidad. El Ministerio de
Educación (2016) recomienda analizar el
desarrollo de estas en función de la alinea-
ción curricular, la pertinencia y la coheren-
cia. La alineación curricular se reere a la
adopción de los lineamientos ministeriales
establecidos en el currículo; la pertinencia
hace alusión a la capacidad de responder
a las necesidades del entorno educativo;
mientras que la coherencia se relaciona
con la organización y articulación entre los
elementos que conforman la planicación.
A continuación, se desagregan estos crite-
rios.
El primero corresponde a la coherencia
entre los elementos que componen la pla-
nicación, la cual se logra mediante una
alineación ordenada y secuencial en la
construcción del documento. Esto implica
que los contenidos se desarrollen siguiendo
una línea congruente, a partir de un proce-
so sistemático de selección de sus compo-
nentes (Aguinsaca et al., 2023). Además,
la calidad de una planicación también de-
pende de la pertinencia de los instrumentos
de evaluación. Al respecto, Bravo (2024)
destaca la importancia de incluir indica-
dores de logro explícitos y comprensibles
en función de los objetivos propuestos;
dichos instrumentos deben diseñarse en
correspondencia con los contenidos y los
contextos de aplicación, garantizando su
validez y aplicabilidad.
El segundo criterio corresponde a la per-
tinencia pedagógica y contextual, la cual
implica que la planicación responda a las
características y necesidades del contexto
educativo en el que se desarrolla. Calde-
rón (2019) recomienda que los docentes
utilicen la creatividad al planicar, incor-
porando estrategias de enseñanza innova-
doras en función de los contenidos y de los
recursos disponibles. De igual manera, Es-
pinoza-Freire et al. (2022) señalan que es
fundamental que el profesorado estructure
la clase optimizando objetivos, evaluación
y tiempos, en concordancia con los reque-
rimientos educativos de los estudiantes,
con el n de mejorar la retención de los
conocimientos.
El criterio de alineación curricular respon-
de a lo propuesto en el Currículo Nacional.
Para el Ministerio de Educación (2016), la
alineación con el currículo del área de Ma-
temáticas se evidencia cuando la plani-
cación promueve la capacidad de razonar,
comunicar y aplicar relaciones entre ideas
y fenómenos de la realidad. Para cumplir
estos propósitos, se consideran como me-
dios los objetivos de área, los estándares
de aprendizaje, los criterios e indicadores
de evaluación y las destrezas con criterios
de desempeño. Asimismo, se contempla la
actualización de las competencias en el cu-
rrículo priorizado, los enfoques interdisci-
plinares y la adopción de los principios del
Diseño Universal de Aprendizaje (DUA)
(Mora et al., 2023).
La Inteligencia Articial (IA) es un área
cuyo propósito principal consiste en desa-
rrollar sistemas capaces de simular proce-
sos cognitivos que requieren razonamiento
para su ejecución. En este sentido, Luz y
Malbernat (2021) explican que se trata de
un campo de las ciencias computacionales
orientado a la investigación y desarrollo de
software capaz de reproducir ciertas capa-
cidades asociadas a la inteligencia humana
mediante la simulación de redes neurona-
25
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
les. Una de las principales clases de IA es
la inteligencia articial generativa; para
García et al. (2024), esta se enfoca en la
creación de contenido, especialmente au-
diovisual, a partir de la interpretación del
lenguaje humano. Entre las herramientas
que se basan en este tipo de tecnología se
encuentran los chatbots.
De este modo, la inteligencia articial y
la educación pueden convivir de manera
complementaria, ya que es posible atri-
buirle diversas aplicaciones cuyas carac-
terísticas resultan anes al desarrollo de
labores educativas. La inclusión de esta
tecnología puede ofrecer múltiples herra-
mientas para fortalecer los procesos de
enseñanza. Moreno (2019) señala que la
inteligencia articial tiene como objetivo
principal el desarrollo de programas que
permitan la creación de contenidos per-
sonalizados según las necesidades de los
estudiantes. Actualmente, una de las prin-
cipales formas de vincular la inteligencia
articial con la educación es a través de los
agentes conversacionales, conocidos como
chatbots, estos constituyen una de las pre-
sentaciones más comunes de esta tecnolo-
gía y su aplicación en prácticas educativas
se encuentra en crecimiento.
Como se ha mencionado, una de las apli-
caciones más reconocidas de la inteligen-
cia articial en el ámbito educativo son los
chatbots. Para Segovia-García (2024), es-
tos son programas diseñados para simular
conversaciones humanas a través del pro-
cesamiento del lenguaje natural; para de-
sarrollar conocimiento en distintas áreas,
son entrenados con grandes volúmenes de
información y se perfeccionan mediante
técnicas de aprendizaje automático. Entre
este tipo de sistemas, ChatGPT se posicio-
na como el más popular. Al respecto, Die-
go et al. (2023) indican que, a partir de su
aparición, han surgido plataformas simila-
res, entre las que destacan Gemini, Copi-
lot, cuyo motor se basa en GPT-4 desarro-
llado por OpenAI, y la alternativa creada
en China denominada DeepSeek.
En noviembre de 2022, OpenAI lanzó al
mercado el chatbot denominado ChatGPT
(Generative Pre-trained Transformer o
Transformador Preentrenado Generativo).
Su funcionamiento se basa en técnicas de
aprendizaje profundo, lo que le permite
generar textos similares a los producidos
por un ser humano. Su aparición supuso un
cambio signicativo tanto para el ámbito
educativo como para la sociedad en gene-
ral. Si bien ha estado rodeado de diversas
controversias, su potencial para apoyar
los procesos educativos resulta innegable
(Gordon, 2023).
En consecuencia, Google anunció en 2023
el lanzamiento de un nuevo modelo de in-
teligencia articial denominado Gemini,
cuya intención en el mercado es competir
con otras plataformas de características
similares. Fuentes et al. (2024) destacan
a esta herramienta por su exibilidad y
profundidad de comprensión; en el ámbi-
to educativo, resaltan el apoyo que puede
ofrecer al aprendizaje personalizado me-
diante la creación de contenido interactivo,
orientado a adaptar temas complejos a los
distintos estilos de aprendizaje.
De forma similar, China presentó Deep-
Seek como su alternativa a los chatbots ba-
sados en inteligencia articial. Según los
desarrolladores de DeepSeek (2025), sus
aplicaciones de inteligencia articial gene-
rativa se fundamentan en grandes modelos
de lenguaje que emplean redes neuronales
capaces de procesar el lenguaje natural
para generar contenido e interactuar con
los usuarios. Esta herramienta ha comen-
26
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
zado a ganar relevancia debido a su pre-
cisión en el procesamiento de información
analítica, lo que le permite analizar datos
y proponer soluciones personalizadas para
satisfacer necesidades especícas.
Por otro lado, el incremento de aplicacio-
nes basadas en inteligencia articial ha
generado diversas preocupaciones relacio-
nadas con las formas en que se utiliza esta
tecnología. Gómez-León (2022) plantea
problemáticas asociadas a la falta de éti-
ca en el uso de la inteligencia articial,
vinculándola con prácticas deshonestas.
Asimismo, se maniesta inquietud frente
a la automatización de tareas, debido a la
posibilidad de reemplazar funciones que
tradicionalmente eran desempeñadas por
seres humanos. Desde una perspectiva so-
cial, también existen temores relacionados
con la dependencia excesiva de estas he-
rramientas, lo que podría derivar en una
disminución de la interacción humana.
No obstante, la inteligencia articial resul-
ta útil como apoyo a las labores docentes,
ya que sus características permiten la au-
tomatización de determinados procesos,
agilizando el trabajo en comparación con
los métodos tradicionales. En este sentido,
Plúas et al. (2024) señalan que estas he-
rramientas son beneciosas para el diseño
de contenidos en la planicación curricu-
lar, al facilitar la creación de actividades,
lecciones y evaluaciones ajustadas a los
formatos requeridos. Además, destacan su
utilidad en la elaboración de documentos
institucionales como el Plan Curricular
Anual (PCA) y el Plan de Unidad Didác-
tica (PUD).
El uso de la inteligencia articial en la
planicación microcurricular apoya al
docente en la creación de experiencias
educativas acordes con los ritmos y esti-
los de aprendizaje individuales. Armijos
et al. (2025) señalan que, al integrar la IA
en el entorno educativo, es posible utilizar
datos proporcionados por el Departamen-
to de Consejería Estudiantil para diseñar
experiencias personalizadas, mediante la
creación de contenidos y actividades ade-
cuadas para estudiantes con necesidades
especícas. De este modo, se optimiza la
organización de la clase y se proporcionan
alternativas inmediatas para los procesos
de retroalimentación y evaluación.
Materiales y métodos
Este estudio se desarrolló bajo un enfoque
cuantitativo, aplicando un tratamiento es-
tadístico a variables cualitativas ordinales
con el n de medir la calidad de las pla-
nicaciones microcurriculares de Mate-
máticas elaboradas con y sin apoyo de in-
teligencia articial. Si bien se trabajó con
datos derivados de categorías cualitativas,
su procesamiento numérico mediante es-
calas permitió cumplir con las caracterís-
ticas propias del método seleccionado, de
acuerdo con la forma en que se presenta la
información y los requerimientos del estu-
dio (Arias, 2021).
El tipo de investigación asociado al estu-
dio es aplicado, ya que se orienta a la reso-
lución de problemas especícos mediante
la aplicación de conocimientos existentes
a situaciones prácticas (Haro et al., 2024).
En este contexto, se implementaron di-
versas herramientas de inteligencia arti-
cial como apoyo al trabajo docente. Para
la interpretación de los datos obtenidos se
empleó el análisis comparativo, dado que
permite validar si existen diferencias signi-
cativas entre las planicaciones analiza-
das a partir de los fenómenos contrastados,
identicando las disparidades presentes
entre productos o servicios. Este enfoque
27
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
fue utilizado para determinar en qué aspectos
dieren los objetos de estudio analizados.
Se empleó un alcance analítico para explo-
rar las propiedades, características y per-
les del fenómeno (Ramos-Galarza, 2020),
tarea realizada examinando las diferencias
y valoraciones de los docentes de Mate-
máticas acerca de las categorías inmersas
en las planicaciones realizadas con y sin
apoyo de inteligencia articial. Se anali-
zaron los datos mediante una prueba no
paramétrica de Friedman para variables
cualitativas y escalas ordinales conside-
rando que las variables son categóricas o
clasicatorias, permitiendo cuanticar e
interpretar los datos en concordancia con
el enfoque (Cienfuegos et al., 2022).
El estudio se desarrolló durante el Periodo
Académico Ordinario 2, el cual tuvo una
duración de dieciséis semanas. De acuerdo
con Vizcaíno et al. (2023), en el universo
de la investigación la población hace refe-
rencia a la totalidad de sujetos, eventos o
elementos implicados en el desarrollo de
los fenómenos estudiados, los cuales se ca-
racterizan por compartir rasgos comunes.
En este estudio, la población estuvo con-
formada por 16 docentes de Matemáticas
que cursan la Maestría en Pedagogía de
Matemática y Física.
La técnica empleada en la investigación
fue el análisis documental. Al respecto,
Herrera-Pérez, y Ochoa-Londoño (2022)
señalan que esta técnica permite ltrar
documentos acordes con la temática estu-
diada, con el n de extraer información re-
levante que contribuya al logro del objeto
de estudio. El instrumento utilizado fue la
cha de registro de datos, construida con
base en criterios previamente fundamenta-
dos sobre la calidad de las planicaciones
y mediada mediante una escala tipo Likert
para la recolección de información. Dicho
instrumento fue socializado a través de
medios digitales y alojado en Google For-
ms, lo que permitió recopilar los datos de
manera eciente y acorde con las caracte-
rísticas de la población participante.
Para el diseño de la cha de registro de da-
tos se consideraron los documentos ocia-
les emitidos por el Ministerio de Educación
del Ecuador. A partir de las deniciones,
los elementos que componen una plani-
cación fueron seccionados en compendios
más básicos y asignados por similitud a las
categorías de coherencia, pertinencia y ali-
neación curricular.
Con base en la selección y operacionali-
zación de las variables, se denieron 31
indicadores. Para su evaluación se empleó
una escala de Likert orientada a otorgar
atributos de calidad a las preguntas. La
pertinencia del instrumento fue asegurada
mediante la validación por juicio de exper-
tos, en el que participaron cuatro profesio-
nales con grado de magíster y experiencia
en el área.
Las planicaciones analizadas se elabora-
ron siguiendo el manual de uso propuesto
por Contreras (2023), en cuatro modalida-
des: sin uso de inteligencia articial, y con
apoyo de ChatGPT, Gemini y DeepSeek.
En todos los casos, se desarrolló como
contenido central el octavo estándar de
Matemática del quinto nivel (E.M.5.8.),
correspondiente a la resolución de sistemas
de ecuaciones mediante diversos métodos.
La investigación se estructuró en tres fa-
ses. En la primera se realizó un análisis
documental con el propósito de denir las
categorías de calidad a evaluar en las pla-
nicaciones elaboradas con y sin apoyo de
inteligencia articial. Posteriormente, se
28
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
diseñaron las planicaciones curriculares
propuestas a partir de una planicación
convencional proporcionada por un docen-
te. Finalmente, se ingresaron y registraron
los prompts establecidos en el manual de
planicación con inteligencia articial,
junto con los demás elementos necesarios,
para su aplicación en los distintos chatbots
utilizados.
La segunda fase se centró en la aplicación
de la cha de registro de datos a los do-
centes de Matemáticas. Se entregó a cada
participante las planicaciones elaboradas
con y sin apoyo de IA, y el instrumento
para evaluar su calidad, una vez concluida
la recolección de datos se generó una hoja
de cálculo adjunta al formulario para tabu-
lar y organizar la información. Posterior-
mente se ingresó los datos en el software
SPSS para aplicar los estadísticos corres-
pondientes (tablas de frecuencias, pruebas
de Friedman y post hoc) en base a las tres
categorías propuestas (coherencia, perti-
nencia y alineación curricular) y así dar
seguimiento al primer y segundo objetivos
especícos.
En la tercera fase de la investigación se im-
plementó el mismo tratamiento estadístico,
pero ahora englobando toda la estructura
de las planicaciones. Posteriormente, se
realizó la discusión de los resultados en
función de lo evidenciado en las pruebas
no paramétricas, analizando los niveles de
signicancia y los rangos obtenidos.
De este modo, se contribuyó a la concre-
ción del primer objetivo general al analizar
la idoneidad de las planicaciones micro-
curriculares de Matemáticas elaboradas
con y sin apoyo de inteligencia articial.
Finalizando con la redacción de las con-
clusiones en concordancia con las activi-
dades y objetivos propuestos.
Resultados y discusión
Los resultados se organizaron en función
de tres categorías de calidad que permiten
valorar una planicación microcurricular.
La coherencia se reere a la relación lógi-
ca, ordenada y consistente entre los com-
ponentes de la planicación, asegurando
la correspondencia entre objetivos, conte-
nidos, estrategias metodológicas, activida-
des y evaluación. La pertinencia alude al
grado en que la planicación responde a
las características, necesidades y condicio-
nes del contexto educativo, considerando
a los estudiantes y los recursos disponi-
bles. Por su parte, la alineación curricular
evalúa el nivel de correspondencia de los
elementos de la planicación con el currí-
culo, incluyendo los objetivos, destrezas
con criterios de desempeño y criterios de
evaluación. En conjunto, estas categorías
permiten juzgar de manera integral la ca-
lidad de una planicación microcurricular.
El análisis cuantitativo empezó con la ta-
bulación de las chas de registro de datos,
de la información proporcionada por los
encuestados al evaluar los cuatro mode-
los de planicaciones propuestas, de las
respuestas donde se obtuvieron 768 datos
correspondientes a 12 ítems evaluados
acerca de la coherencia, en la pertinencia
se contaron 704 correspondientes a las 11
preguntas realizadas y en la alineación cu-
rricular se tabulo 512 correspondientes a 8
incisos.
Para el primer objetivo especíco, identi-
car las características de calidad presentes
en las planicaciones microcurriculares de
Matemáticas elaboradas con y sin apoyo
de IA, se analizó las cualidades de cohe-
rencia, pertinencia y alineación curricular
empleando un análisis por tablas de fre-
cuencias en SPSS mostrando las valoracio-
29
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
nes de cada muestra en función a los ítems
evaluados. Para asegurar los atributos de
calidad, se toman las escalas bueno y ex-
celente como referencia, los resultados se
plasman en la Tabla 2.
Las valoraciones obtenidas acerca de la
coherencia son parejas, entre el dato más
alto y el bajo (40,6% de ChatGPT y 29,7%
de DeepSeek) de la escala excelente se en-
cuentra una mínima diferencia, en los por-
centajes de la pertinencia los valores son
más distantes (20,5% de Sin-IA y 40,9%
de ChatGPT) resaltando los puntos fuertes
de cada forma de planicar, en la alinea-
ción curricular destaca Gemini mostran-
do altos porcentajes de bueno y excelente
(60,9% y 32,0%) mientras que DeepSeek
se queda atrás con valoraciones del 37,5%
y 19,5% respectivamente.
Las tablas de frecuencias empleadas para
identicar las características de calidad
presentes en las planicaciones micro-
curriculares de Matemáticas mostraron
que planicar sin apoyo de IA tiene bue-
nas valoraciones en cuanto a su coheren-
cia (47,4% bueno y un 32,8% excelente),
ChatGPT es la mejor en coherencia y
pertinencia con los mayores porcentajes
de excelente (51,7% y 40,9%) similar a
lo planteado en los estudios de Padilla et
al. (2024) y Plúas et al. (2024) donde se
mencionan su capacidad para enlazar los
Tabla 2
Tabla de frecuencias de las características de calidad
Categoría evaluada Forma de planificar Escala
Bueno Excelente
Coherencia
A1-A12
Sin-IA 47,4% 32,8%
ChatGPT 52,6% 40,6%
Gemini 47,4% 34,4%
DeepSeek 39,1% 29,7%
Pertinencia
B1-B11
Sin-IA 46,0% 20,5%
ChatGPT 51,7% 40,9%
Gemini 55,7% 35,2%
DeepSeek 48,9% 34,7%
Alineación curricular
C1-C8
Sin-IA 51,6% 29,7%
ChatGPT 63,3% 29,7%
Gemini 60,9% 32,0%
DeepSeek 37,5% 19,5%
Nota. Distribución de valoraciones docentes según cada planificación y dimensión evaluada.
30
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
elementos en función a los contenidos y
escenarios propuestos. Sin embargo, para
lograr resultados similares la contextua-
lización de este chatbot se vuelve tediosa
porque además de los prompts ingresados
necesita de los documentos ministeriales
para obtener respuestas no simuladas (Me-
dina et al., 2025) y así lograr una correcta
cohesión entre los elementos.
La característica de calidad en la que re-
salta Gemini es la alineación curricular
con puntuaciones positivas de (60,9% y
32,0%), esto tiene sentido puesto que es
un chatbot pensado para desenvolverse
en ámbitos educativos (Méndez-Mantua-
no et al., 2025). En las demás categorías
también obtuvo valoraciones favorables,
evidenciando su capacidad para generar
respuestas educativas adaptativas, sim-
plicar contenidos complejos y proponer
actividades con un componente interactivo
(Fuentes et al., 2024).
A diferencia de ChatGPT, este chatbot
no necesita que se le ingrese documentos
como el currículo para codicar y contex-
tualizar los diferentes elementos dando
cierta facilidad de uso ya que únicamente
se requiere de los prompts para funcionar
de buena forma.
A las dos anteriores se suma DeepSeek que
resalta en pertinencia. Aunque está ligera-
mente debajo de los chatbots, mantiene
un buen porcentaje de aceptación (48,9%
y 34,7%) siendo capaz de analizar datos
para proponer soluciones personalizadas y
satisfacer necesidades especícas acorde a
sus capacidades para programación y tuto-
rías (Méndez-Mantuano et al., 2025; Sau-
cedo y Torres, 2025). Por otro lado, este
chatbot presentó limitaciones para contex-
tualizar la información debido a su capaci-
dad restringida para procesar documentos
extensos, lo que afecta la correcta codi-
cación de los elementos. En la versión
V3 se identicaron errores como server
busy y análisis parciales de los archivos
ingresados (Mohammad y Jeehaan, 2025).
En cuanto al segundo objetivo, comparar la
coherencia, pertinencia y alineación curri-
cular de las planicaciones microcurricu-
lares de Matemáticas elaboradas con y sin
apoyo de IA. Para establecer diferencias
entre las distintas formas de planicar al
equiparar las tres categorías propuestas,
se realizaron pruebas no paramétricas de
Friedman comparando sus distribuciones
de rangos al ser muestras relacionadas, para
cada característica se realizó una prueba in-
dividual, valorándolas con las siguientes
hipótesis: H₀ no hay diferencias signicati-
vas entre las planicaciones evaluadas y H₁
existen diferencias signicativas entre las
planicaciones evaluadas. A continuación,
se presentan los resultados obtenidos:
En la prueba de Friedman para la coheren-
cia, el parámetro de signicancia es menor
a 0,05 (<0,001), por ende, los resultados
sugieren la adopción de la hipótesis alter-
nativa, evidenciando diferencias signi-
cativas entre los grupos comparados. Por
lo tanto, se procedió a realizar una prue-
ba post hoc de comparaciones por parejas
para determinar qué planicaciones die-
ren entre sí, sus se detallan en la Tabla 3.
La signicancia de las comparaciones por
parejas se evalúa acorde a los rangos y a
las siguientes hipótesis:
H0: no hay diferencias signicativas entre
las parejas evaluadas.
H1: existen diferencias signicativas entre
las parejas evaluadas.
Los resultados evaluados se sujetan a un
31
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
ajuste mediante la corrección Bonferroni
(Sig. ajustada), estos indican que existen
diferencias signicativas entre utilizar
DeepSeek-ChatGPT y DeepSeek-Gemi-
ni (Sig. <0,001 y 0,048). En las demás
comparaciones no se registraron valores
inferiores a 0,05, por lo que se acepta la
hipótesis nula.
En cuanto a la prueba correspondiente a la
categoría de pertinencia, se emplean dos
hipótesis para evaluar los resultados,: no
hay diferencias signicativas entre las pla-
nicaciones evaluadas y : existen diferen-
cias signicativas entre las planicaciones
evaluadas. El nivel de signicancia encon-
trado <0,001 revela que existen diferen-
cias signicativas entres los grupos com-
parados, validando la hipótesis alternativa.
En función de estos resultados, se aplicó
la prueba post hoc correspondiente, cuyos
resultados se presentan en la Tabla 4.
Las comparaciones por pareja se evalúan
bajo dos hipótesis, H0: no hay diferencia
signicativa entre las parejas evaluadas;
H1: existen diferencias signicativas entre
las parejas evaluadas. Para los tres prime-
ros grupos con una signicancia ajustada
menor a 0,05 se acepta la hipótesis alter-
nativa H1, es decir, las formas de planicar
que presentaron diferencias signicativas
en sus valoraciones son: Sin-IA-Chat-
GPT, Sin-IA-Gemini y Sin-IA-DeepSeek,
las parejas que comparten una valoración
similar al elaborar planicaciones perti-
nentes (se acepta H0) corresponden a las
desarrolladas con: DeepSeek-Gemini,
DeepSeek-ChatGPT y Gemini-ChatGPT.
En la prueba para valorar la alineación
curricular de las planicaciones se obtu-
vo un valor de <0,001 correspondiente a
la hipótesis alternativa, lo que indica que
existen diferencias signicativas entre las
formas de planicar. En consecuencia, se
aplicó una prueba post hoc desarrollada en
la Tabla 5.
Tabla 3
Resultados de la prueba post hoc para la coherencia
Comparaciones por parejas
Muestra Estadístico
de prueba
Desv.
Error
Desv.
Estadístico
de prueba
Sig. Sig.
ajustadaa
DeepSeek-Sin-IA ,237 ,132 1,799 ,072 ,433
DeepSeek-Gemini ,333 ,132 2,530 ,011 ,048
DeepSeek-ChatGPT ,544 ,132 4,131 <0,001 <0,001
Sin-IA-Gemini -,096 ,132 -,731 ,465 1,000
Sin-IA-ChatGPT -,307 ,132 -2,332 ,020 ,118
Gemini-ChatGPT ,211 ,132 1,601 ,109 ,656
a. Los valores de significación se han ajustado mediante la corrección Bonferroni
para varias pruebas.
32
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
Tabla 4
Resultados de la prueba post hoc para la pertinencia
Comparaciones por parejas
Muestra Estadístico
de prueba
Desv.
Error
Desv.
Estadístico
de prueba
Sig. Sig.
ajustadaa
Sin-IA-DeepSeek -,526 ,138 -3,819 <0,001 ,001
Sin-IA-Gemini -,668 ,138 -4,851 <0,001 <0,001
Sin-IA-ChatGPT -,750 ,138 -5,450 <0,001 <0,001
DeepSeek-Gemini ,142 ,138 1,032 ,302 1,000
DeepSeek-ChatGPT ,224 ,138 1,631 ,103 ,618
Gemini-ChatGPT ,082 ,138 ,599 ,549 1,000
a. Los valores de significación se han ajustado mediante la corrección Bonferroni
para varias pruebas.
Tabla 5
Resultados de la prueba post hoc para la alineación curricular
Comparaciones por parejas
Muestra Estadístico
de prueba
Desv.
Error
Desv.
Estadístico
de prueba
Sig. Sig.
ajustadaa
DeepSeek-Sin-IA ,547 ,161 3,389 <0,001 ,004
DeepSeek-ChatGPT ,758 ,161 4,696 <0,001 <0,001
DeepSeek-Gemini ,820 ,161 5,083 <0,001 <0,001
Sin-IA-ChatGPT -,211 ,161 -1,307 ,191 1,000
Sin-IA-Gemini -,273 ,161 -1,694 ,090 ,541
ChatGPT-Gemini -,062 ,161 -,387 ,699 1,000
a. Los valores de significación se han ajustado mediante la corrección Bonferroni
para varias pruebas.
33
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
El valor se signicancia es descrito por
las hipótesis H0: no hay diferencias signi-
cativas entre las parejas evaluadas y H1:
existen diferencias signicativas entre las
parejas evaluadas. Las comparaciones por
pareja realizadas al evaluar las formas de
planicar en cuanto a su alineación cu-
rricular muestran que los pares de Deep-
Seek-Sin-IA, DeepSeek-ChatGPT y Deep-
Seek-Gemini dieren signicativamente
(todos con valores ajustados por debajo de
0,05), mientras que, para las comparacio-
nes de Sin-IA-ChatGPT, Sin-IA-Gemini,
ChatGPT-Gemini se acepta la hipótesis
nula: no hay diferencias signicativas en-
tre las parejas evaluadas.
El análisis cuantitativo realizado mediante
la prueba de Friedman muestra que exis-
ten contrastes al comparar la coherencia,
pertinencia y alineación curricular de las
planicaciones microcurriculares de Ma-
temáticas elaboradas con y sin apoyo de
IA, en las tres pruebas realizadas todas
obtuvieron un nivel de signicancia de
<0,001, lo que indica que hay diferencias
signicativas al planicar con un método
u otro. Para entender las disparidades de
los resultados obtenidos se realizó pruebas
post hoc revelando lo siguiente:
1. Coherencia entre sus compo-
nentes: los resultados contrasta-
dos con los rangos muestran que
planicar con Gemini o ChatGPT
es mejor alternativa para la cohe-
rencia ante DeepSeek, mientras
que, los pares restantes no presen-
tan diferencias signicativas. Si
bien no hay distinciones entre usar
la mayoría de parejas, se destaca
a Gemini y ChatGPT por los me-
jores resultados obtenidos en los
rangos, ya que, las planicaciones
realizadas con estas herramientas
muestran contenidos de forma or-
denada y secuencial, elaborados
acorde a una línea congruente en
semejanza a lo propuesto acerca
de la coherencia en Anguisaca et
al. (2023) y Bravo (2024). Cabe
destacar que estos resultados se
logran al contextualizar de buena
manera los chatbots, siendo indis-
pensable el rol docente en esta ac-
tividad, así como la contribución
de la IA.
2. Pertinencia al el contexto edu-
cativo: la prueba post hoc revela
diferencias al planicar con Deep-
Seek, Gemini y ChatGPT frete a
no emplear IA, los rangos resaltan
una mejor valoración de los tres
chatbots sugiriéndolos como una
mejor opción para relacionar la
planicación microcurricular al
contexto educativo optimizando
e incluyendo estrategias de ense-
ñanza innovadoras en función de
los contenidos y recursos a dis-
posición (Calderón, 2019; Espi-
noza-Freire et al., 2022), se hace
énfasis en el contenido de los
prompts empleados por los educa-
dores al listar los medios disponi-
bles.
3. Alineación curricular: al mo-
mento de realizar esta categoría
los rangos y la prueba post hoc
evidencian diferencias signicati-
vas al implementar Gemini, Chat-
GPT y no usar IA comparándolas
con DeepSeek, resaltando las tres
primeras como mejores alternati-
vas, llevando una relación funda-
mentada en el currículo, una co-
rrecta codicación y contener los
34
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
elementos actualizados (Mora et
al., 2023 y Sánchez et al., 2024),
retomando líneas anteriores se
resalta el papel del docente para
contextualizar a las IA y que así
no se presenten errores en esta ca-
tegoría.
Para dar cumplimiento al objetivo general
de analizar la idoneidad de las planica-
ciones microcurriculares de Matemáticas
elaboradas con y sin apoyo de inteligencia
articial, se evalúa la calidad de los docu-
mentos en general, para lo cual, se realizó
un procesamiento estadístico de todos los
ítems, contemplando los datos recopilados
en las tres categorías anteriormente revi-
sadas para tener una visión global, se les
dio un tratamiento estadístico mediante la
prueba de Friedman.
Los datos arrojados en SPSS acerca de la
idoneidad se interpretan en función de las
siguientes hipótesis: H₀: no hay diferencias
signicativas entre las planicaciones eva-
luadas y H₁: existen diferencias signicati-
vas entre las planicaciones evaluadas. En
el análisis global de las planicaciones, la
prueba de Friedman reveló diferencias sig-
nicativas al otorgar un valor de <0,01 a
los grupos evaluados, por lo que se acepta
la hipótesis alternativa, evidenciando dife-
rencias entre los grupos. De forma similar,
se procedió a realizar un análisis post hoc
para distinguir las formas de planicar que
dieren entre sí; la Tabla 6 recopila la in-
formación mencionada.
Los datos obtenidos de las comparaciones
por parejas se interpretan con las hipótesis:
H0: no hay diferencias signicativas entre
las parejas evaluadas.
H1: existen diferencias signicativas entre
las parejas evaluadas.
Tabla 6
Resultados de la prueba post hoc para la alineación curricular
Comparaciones por parejas
Muestra Estadístico
de prueba
Desv.
Error
Desv.
Estadístico
de prueba
Sig. Sig.
ajustadaa
DeepSeek-Sin-IA ,046 ,082 ,566 ,572 1,000
DeepSeek-Gemini ,391 ,082 4,771 <0,01 <0,01
DeepSeek-ChatGPT ,486 ,082 5,927 <0,01 <0,01
Sin-IA-Gemini -,345 ,082 -4,205 <0,01 <0,01
Sin-IA-ChatGPT -,440 ,082 -5,361 <0,01 <0,01
Gemini-ChatGPT ,095 ,082 1,156 ,248 1,000
a. Los valores de significación se han ajustado mediante la corrección Bonferroni
para varias pruebas.
35
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
Para las parejas de DeepSeek-ChatGPT,
DeepSeek-Gemini, Sin-IA-Gemini y Sin-
IA-ChatGPT los valores de signicancia
son menores a 0,0, por lo que se acepta la
hipótesis alternativa H1: existen diferen-
cias signicativas entre las parejas eva-
luadas, mientras que DeepSeek-Sin-IA y
Gemini-ChatGPT muestran valores supe-
riores a 0,05 correspondientes a H0, por lo
que no hay diferencias signicativas.
Las pruebas estadísticas (Friedman y post
hoc) para analizar todos los elementos im-
plicados tomando en cuenta los datos de to-
das categorías para comparar la idoneidad
de las planicaciones microcurriculares de
Matemáticas elaboradas con y sin apoyo
de inteligencia articial, muestran que las
planicaciones realizadas con Gemini y
ChatGPT son mejores a las realizadas con
DeepSeek y en las que no se utilizó IA.
Estos resultados permiten inferir que em-
plear IA al planicar tiene el potencial
necesario para apoyar la labor docente, en
particular los chatbots Gemini y ChatGPT
presentan mejoras en las tres categorías
evaluadas, los rangos superiores y las prue-
bas cruzadas evidencian las capacidades
para mejorar la eciencia y adaptabilidad
de las planicaciones microcurriculares
(Fuentes et al., 2024; Méndez-Mantuano
et al., 2025; Padilla et al., 2024; Plúas et
al., 2024). No obstante, este rendimiento
no signica la excelencia, las planica-
ciones generadas por IA aún presentan li-
mitaciones que requieren revisión y ajuste
por parte del docente para garantizar su
calidad, el aporte que pueden brindar debe
entenderse como un apoyo estratégico y no
como un sustituto del criterio profesional
del educador (Gómez-León, 2022; Medina
et al., 2025).
Conclusiones
Al identicar las características de calidad
en las planicaciones microcurriculares
de Matemáticas elaboradas con y sin apo-
yo de IA, se observó a ChatGPT como la
mejor opción al buscar una planicación
coherente y pertinente. Gemini destaca
con las medias más constantes en todas
las cualidades evaluadas y es la mejor en
la alineación curricular al considerar los
elementos sugeridos por currículo. Deep-
Seek resalta en pertinencia adhiriéndose
de buena forma al contexto educativo sien-
do útil para idear actividades. Por último,
planicar sin IA tiene su fuerte alineación
curricular codicando los elementos de la
planicación.
Comparando la coherencia, pertinencia y
alineación curricular de las planicaciones
microcurriculares de Matemáticas elabora-
das con y sin apoyo de IA se muestran dife-
rencias signicativas. Las pruebas cruzadas
para la coherencia y alineación curricular
sugieren a ChatGPT y Gemini como las
mejores alternativas por parte de los chat-
bots al enlazar correctamente los elementos
y cumplir con las directrices que plantea el
currículo. En cuanto a pertinencia los re-
sultados sugieren implementar cualquiera
de las IA porque adaptan de mejor forma
las actividades al contexto educativo. Por
otro lado, al comparar las planicaciones
realizadas sin inteligencia articial con las
demás no se encontraron disparidades su-
cientes para recomendar una forma u otra,
este análisis apunta que dichas herramien-
tas tecnológicas pueden servir como apoyo
a los docentes al planicar.
El análisis realizado acerca de la idoneidad
de las planicaciones microcurriculares de
Matemáticas elaboradas con y sin apoyo
de inteligencia articial muestra a Chat-
36
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
GPT y Gemini como las mejores alternati-
vas para planicar, con diferencias signi-
cativas sobre DeepSeek y no usar IA. Estas
herramientas demostraron capacidad para
adaptarse a la contextualización propuesta
y cumplir con la mayoría de los elementos
evaluados en el instrumento. Por otro lado,
al no cumplir con la totalidad de ítems se
recomienda su aplicación bajo la revisión
crítica del docente, como apoyo en la ela-
boración de planicaciones y no depender
en su totalidad de los chatbots.
Declaración de conicto de intereses:
Los autores declaran no tener potencia-
les conictos de interés con respecto a la
investigación, autoría y/o publicación de
este artículo
Declaración de aprobación ética o con-
sentimiento informado:
Toda la información extraída del estudio se
codicará para proteger el nombre de cada
sujeto. No se utilizarán nombres u otra in-
formación de identicación al discutir o
informar datos. Todos los sujetos dieron
su consentimiento informado para su in-
clusión antes de participar en el estudio.
Los investigadores mantendrán de forma
segura todos los archivos y datos recopi-
lados en un gabinete cerrado con llave en
la ocina de los investigadores principales.
Autoría y contribución de los autores:
Autor 1: Conceptualización, Curación de
datos, Análisis formal, Investigación, Me-
todología, Administración del proyecto,
Redacción – borrador original.
Autor 2: Revisión, Supervisión y Validación.
Autor 2: Revisión, Metodología y Validación.
Todos los autores leyeron y aprobaron la
versión nal de este artículo.
Referencias
Aguinsaca, D., Vivanco, C., León, F.,
Reyes, J. P. y Mejía, D. (2023). Pla-
nicación microcurricular en Mate-
mática con énfasis en el desarrollo
de competencias comunicacionales,
matemáticas, digitales y socioemocio-
nales. LATAM Revista Latinoameri-
cana De Ciencias Sociales Y Huma-
nidades, 4(2), 6291–6308. https://doi.
org/10.56712/latam.v4i2.1052
Arias, J. (2021). Guía para elaborar la
operacionalización de variables. Espa-
cio I+D: Innovación más Desarrollo,
10(28). https://espacioimasd.unach.
mx/index.php/Inicio/article/view/274
Armijos, D., Bósquez, J., Ponce, N., Pa-
ladines, G. y López, D. (2025). Plani-
cación curricular y el diseño inmer-
sivo de la IA enfocado en la atención
a estudiantes con necesidades educa-
tivas. Revista G-Nerando, 6(1), 707
–.717 https://doi.org/10.60100/rcmg.
v6i1.433
Bravo, C. (2024). Guía metodológica
para mejorar la planicación curri-
cular en los docentes de una unidad
educativa pública de Ecuador. [Tesis
de Posgrado, Universidad San Igna-
cio de Loyola]. https://hdl.handle.
net/20.500.14005/14261
Calderón, M. (2019). La planicación mi-
crocurricular: una herramienta para la
innovación de las prácticas educativas.
Rehuso, 4(2), 103-111. https://doi.
org/10.33936/rehuso.v4i2.2900
Chilan, G., Morán, N., Zavala, D. y Gue-
rrero, H. (2024). Planicación micro
curricular y su importancia en el pro-
ceso de enseñanza-aprendizaje de los
37
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
estudiantes de la Carrera Pedagogía de
los Idiomas Nacionales y Extranjeros.
Ciencia Latina Revista Cientíca Mul-
tidisciplinar, 8(4), 6033-6064. https://
doi.org/10.37811/cl_rcm.v8i4.12814
Cienfuegos, M., García, P. y González,
C. (2022). Lo cuantitativo y cua-
litativo desde un tratamiento esta-
dístico. RICSH Revista Iberoame-
ricana de las Ciencias Sociales y
Humanísticas, 11(21), 18-49. https://
doi.org/10.23913/ricsh.v11i21.275
Contreras, R. (2023). Análisis comparativo
de la planicación de clase tradicional
y la planicación asistida por Chat-
GPT [Tesis de Posgrado, Universidad
Nacional de Educación]. http://reposi-
torio.unae.edu.ec/handle/56000/3196
Cordero, M. y Pesantez, W. (2023). La ges-
tión pedagógica como factor asociado
a la calidad de educación en la Unidad
Educativa Sígsig. [Tesis de Posgrado,
Universidad del Azuay]. http://dspace.
uazuay.edu.ec/handle/datos/12652
De Marcos, A. (2025). Una doble histo-
ria de la inteligencia articial: avance
tecnológico y proceso de regulación
en Europa. Revista De Privacidad Y
Derecho Digital, 9(34), 26–89. https://
revista.proeditio.com/rpdd/article/
view/7857
DeepSeek. (2025). Especicaciones y fun-
cionalidades de DeepSeek Chat [Sitio
web]. DeepSeek. https://www.deep-
seek.com/especicaciones
Díaz, L. y Careaga, M. (2021). Análisis
acerca de la resolución de proble-
mas matemáticos en contexto: estado
del arte y reexiones prospectivas.
Revista espacios, 42(1). 131-145.
https://www.researchgate.net/publi-
cation/348711365_Analisis_acerca_
de_la_resolucion_de_problemas_ma-
tematicos_en_contexto_estado_del_
arte_y_reexiones_prospectivas
Diego, F., Morales, I. y Vidal, M. (2023).
Chat GPT: origen, evolución, retos e
impactos en la educación. Educación
Médica Superior, 37(2). http://ref.scie-
lo.org/nnvmzx
Espinoza-Freire, E., Quinde, D., Morocho,
E. y Ordoñez-Ayavaca, M. (2022).
Lesson planning, a fundamental tool
for eective teaching. Science Portal,
3(1), 48–59. https://doi.org/10.51247/
pdlc.v3i1.310
Fuentes, T., Domínguez, F. y Travieso,
C. (2024). La inteligencia articial
como herramienta lexicográca: estu-
dio analítico sobre el rendimiento de
chatgpt, copilot y gemini en unidades
léxicas del español. RLA. Revista de
lingüística teórica y aplicada, 62(1),
13-38. https://dx.doi.org//10.29393/
rla62-1iamf30001
García, F., Llorens-Largo, F. y Vidal, J.
(2024). La nueva realidad de la edu-
cación ante los avances de la inteli-
gencia articial generativa. RIED-Re-
vista Iberoamericana De Educación
a Distancia, 27(1), 9–39. https://doi.
org/10.5944/ried.27.1.37716
Gómez-León, M. (2022). Desarrollo de
la empatía a través de la Inteligencia
Articial Socioemocional. Papeles
del Psicólogo - Psychologist Papers,
43(3), 218. https://doi.org/10.23923/
pap.psicol.2996
Gordon, R. (2023). Chatbots e inteligen-
cia articial: aportes, innovaciones y
38
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
aplicación en el desarrollo de sistemas
de información empresarial. Visión
Antataura, 7(1), 132–147. https://doi.
org/10.48204/j.vian.v7n1.a3930
Haro, A., Chisag, E., Ruiz, J. y Caicedo, J.
(2024). Tipos y clasicación de las in-
vestigaciones: Types and classication
of investigations. LATAM Revista La-
tinoamericana De Ciencias Sociales Y
Humanidades, 5(2), 956 – 966. https://
doi.org/10.56712/latam.v5i2.1927
Herrera-Pérez, J. y Ochoa-Londoño, E.
(2022). Análisis de la relación en-
tre educación y tecnología. Cul-
tura Educación Sociedad, 13(2),
47–68. https://doi.org/10.17981/culte-
dusoc.13.2.2022.03
Luz, B. y Malbernat, L. (2021). Riesgos,
dilemas éticos y buenas prácticas en
inteligencia articial. En XXIII Wor-
kshop de Investigadores en Ciencias
de la Computación (155–159). La
Rioja. http://sedici.unlp.edu.ar/hand-
le/10915/119977
Medina, Ó., Soriano, A., Villajos, E., Silla,
I. y Ramos, A. (2025). Credibilidad
de los resultados generados por Chat-
GPT: Un estudio piloto entre estu-
diantes universitarios. X Congreso de
Innovación Educativa y Docencia en
Red. Valencia. https://doi.org/10.4995/
INRED2024.2024.18399
Méndez-Mantuano, M., Herrera, G., Ivon-
ne, R., Lisenya, M., y Alvarado, L.
(2025). Evaluación comparativa del
rendimiento de modelos de IA Gene-
rativa (ChatGPT o3, DeepSeek R1,
Gemini 2.5 Pro) en tareas académicas
y creativas. South Florida Journal of
Development, 6(7), e5571. https://doi.
org/10.46932/sfjdv6n7-027
Ministerio de Educación. (2016). Currícu-
lo de los niveles de educación obligato-
ria. https://educacion.gob.ec/wp-con-
tent/uploads/downloads/2016/03/
Curriculo1.pdf
Ministerio de Educación. (2019). Instruc-
tivo para elaborar las planicaciones
curriculares del Sistema Nacional de
Educación. https://www.calameo.com/
books/006175245fa6a38da596b
Ministerio de Educación. (2021). Currícu-
lo priorizado con énfasis en competen-
cias comunicacionales, matemáticas,
digitales y socioemocionales. https://
educacion.gob.ec/wp-content/uploads/
downloads/2021/12/Curriculo-priori-
zado-con-enfasis-en-CC-CM-CD-CS_
Elemental.pdf
Ministerio de Educación. (2021). Instructi-
vo para elaborar la planicación anual
y la microplanicación del sistema
nacional de Educación. https://educa-
cion.gob.ec/planicacion-curricular/
Ministerio de Educación. (2022). Diseño
Universal para el Aprendizaje para
atender a la diversidad. https://recur-
sos.educacion.gob.ec/wp-content/
uploads/eds/Atencion_a_la_diversi-
dad/GUIA_DIDACTICA_DUA.pdf
Ministerio de Educación. (2024). Inser-
ciones curriculares. https://educacion.
gob.ec/inserciones-curriculares/
Mohammad A. & Jeehaan A. (2025)
Understanding User Perceptions of
DeepSeek: A Mixed-Methods Sen-
timent and Thematic Analysis. Te-
chRxiv. doi.org/10.36227/techr-
xiv.174140724.41500096/v1
Mora, M., Mora, C., Lema, M. y Pilco, C.
(2023). Ecuadorian National Curricu-
39
Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones Análisis compArAtivo de lA cAlidAd de lAs plAnificAciones
microcurriculAres de mAtemáticAs elAborAdAs con y sin microcurriculAres de mAtemáticAs elAborAdAs con y sin
inteligenciA ArtificiAlinteligenciA ArtificiAl
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 19-39
González-Jiménez, P., Vivanco, C. & León, F.
lum: A historical look from teaching.
Tesla Revista Cientíca, 3(1), e136.
https://doi.org/10.55204/trc.v3i1.e136
Moreno, R. (2019). La llegada de la inte-
ligencia articial a la educación. Re-
vista de Investigación en Tecnologías
de la Información, 7(14), 260–270. ht-
tps://doi.org/10.36825/RITI.07.14.022
Padilla, R., Castro, S., Vera, M. y Meji-
llón, Y. (2024). Chatgpt como herra-
mienta para la planicación de con-
tenidos educativos. Conocimiento
Global, 9(2), 288-304. https://doi.
org/10.70165/cglobal.v9i2.422
Plúas, J., Soledispa, C., Limón, A. y Ji-
ménez, C. (2024). Chatgpt como he-
rramienta para la planicación micro-
curricular del currículo Ecuatoriano.
Conocimiento Global, 9(3), 41-62.
https://doi.org/10.70165/cglobal.
v9i3.438
Ramos-Galarza, C. A. (2020). Los Al-
cances de una investigación. Cien-
ciAmérica, 9(3), 1-6. https://doi.
org/10.33210/ca.v9i3.336
Sánchez, J., Reyes, M., Alejandro, M.,
Macías, M., y Palma, P. (2024). Adap-
taciones Curriculares con los Prin-
cipios del DUA en la Planicación
Microcurricular de la Asignatura de
Matemáticas. Ciencia Latina Revis-
ta Cientíca Multidisciplinar, 8(4),
4830-4845. https://doi.org/10.37811/
cl_rcm.v8i4.12709
Saucedo, E. y Torres, M. (2025). Explo-
rando las potencialidades de la Inteli-
gencia Articial en la planicación de
clases de matemáticas, de la teoría a
la resolución de problemas [Congreso
de Educación Matemática de América
Central y El Caribe. Santo Domingo,
República Dominicana. https://ponen-
cias.ciaem-redumate.org/cemacyc/ar-
ticle/view/310
Segovia-García, N. (2024). Optimiza-
ción de la atención estudiantil. Una
revisión del uso de chatbots de IA
en la educación superior. European
Public & Social Innovation Review,
9, 1–20. https://doi.org/10.31637/ep-
sir-2024-324
Tahirí, J. (2024). Una panorámica de los
sistemas de inteligencia articial des-
de la perspectiva del derecho admi-
nistrativo. Revista Aragonesa De Ad-
ministración Pública, (61), 137–168.
https://doi.org/10.71296/raap.120
UNESCO. (2022). Recomendación sobre
la ética de la inteligencia articial. ht-
tps://unesdoc.unesco.org/ark:/48223/
pf0000381137_spa
Vizcaíno, P., Cedeño, R., y Maldonado, I.
(2023). Metodología de la investiga-
ción cientíca: guía práctica. Ciencia
Latina Revista Cientíca Multidisci-
plinar, 7(4), 9723-9762. https://doi.
org/10.37811/cl_rcm.v7i4.7658
González-Jiménez, P., Vivanco, D. & León, F. (2026, julio-diciembre). Análisis comparativo de
la calidad de las planicaciones microcurriculares de Matemáticas elaboradas con y sin inte-
ligencia articial. YACHANA Revista Cientíca, 15(2), 19-39. 10.62325/10.62325/yachana.
v15.n2.2026.1023
Para referenciar este artículo utilice el siguiente formato: