Gustavo Quintero Barreto Universidad del Istmo (UDelIstmo), Ciudad de Panamá (Panamá)
Aura L. López de Ramos Centro de Investigación Educativa AIP (CIEDU AIP), Ciudad de Panamá (Panamá)
Keywords
Inteligencia artificial, educación superior, evaluación, tecnología educativa, competencia digital, modelos de lenguaje
Abstract
La integración de modelos de lenguaje de gran escala en la educación superior ha generado un creciente interés por evaluar la calidad y confiabilidad de sus respuestas en tareas académicas. Sin embargo, persiste una carencia de estudios comparativos que combinen métricas algorítmicas con la percepción de expertos humanos y que consideren el diseño del prompt como variable clave del rendimiento. Este estudio analiza comparativamente el desempeño de ChatGPT 4.5 y Gemini 2.5 en tareas educativas e investigativas mediante un enfoque metodológico mixto explicativo-secuencial. En la fase cuantitativa, las respuestas generadas por cada modelo ante prompts estructurados con técnicas ASPECCT, CLEAR y Chain of Thought fueron evaluadas en siete parámetros de calidad (precisión terminológica, adecuación epistémica, contextualización disciplinar, tipo de razonamiento, nivel cognitivo, claridad y sintaxis). En la fase cualitativa, 78 evaluadores con perfiles académicos diferenciados valoraron las respuestas mediante rúbricas especializadas. Los resultados evidencian que Gemini 2.5 obtuvo el mejor desempeño promedio general (92.68/100), con ventaja significativa en contextualización disciplinar y niveles cognitivos, mientras que ChatGPT 4.5 mostró mayor estabilidad en análisis de datos cuantitativos. El análisis cualitativo reveló una actitud de confianza cautelosa entre los evaluadores, quienes reconocen a los modelos como codiseñadores textuales potentes, pero epistemológicamente frágiles. Se concluye que la eficacia de la IA generativa en contextos académicos depende críticamente del diseño del prompt, la supervisión experta y la adaptación disciplinar, posicionando la ingeniería de prompts como una competencia clave para el uso riguroso de estos sistemas.
References
Al-Thani, S. N., Anjum, S., Bhutta, Z. A., Bashir, S., Majeed, M. A., Khan, A. S. y Bashir, K. (2025). Comparative performance of ChatGPT, Gemini, and final-year emergency medicine clerkship students in answering multiple-choice questions: implications for the use of AI in medical education. International Journal of Emergency Medicine, 18(1), 146. https://doi.org/10.1186/s12245-025-00949-6
Albadarin, Y., Saqr, M., Pope, N. y Tukiainen, M. (2024). A systematic literature review of empirical research on ChatGPT in education. Discover Education, 3(1), 60. https://doi.org/10.1007/s44217-024-00138-2
Ali, M., Harbieh, I. y Haider, K. H. (2025). Bytes versus brains: A comparative study of AI-generated feedback and human tutor feedback in medical education. Medical Teacher, 48(1), 131–141. https://doi.org/10.1080/0142159X.2025.2519639
Avello-Martínez, R., Gajderowicz, T. y Gómez-Rodríguez, V. G. (2024). ¿ChatGPT es útil para que los estudiantes de posgrado adquieran conocimientos sobre narración digital y reduzcan su carga cognitiva? Un experimento. Revista de Educación a Distancia (RED), 24(78), 8. https://doi.org/10.6018/red.604621
Bas Graells, G., Tinoco Devia, R., Salinas Leyva, L. C. y Sevilla Molina, J. (2024). Systematic review of taxonomies of risks associated with Artificial Intelligence. Analecta Política, 14(26), 01–25. https://doi.org/10.18566/apolit.v14n26.a08
Berghea, F., Berghea, E. C., Daia, C. O., Ciuc, D. y Dinca, G. V. (2025). In the search for the perfect prompt in medical AI queries. Frontiers in Artificial Intelligence, 8, 1689178. https://doi.org/10.3389/frai.2025.1689178
Cain, W. (2023). Prompting Change: Exploring Prompt Engineering in Large Language Model AI and Its Potential to Transform Education. TechTrends, 68(1), 47–57. https://doi.org/10.1007/s11528-023-00896-0
Escalante, J., Pack, A. y Barrett, A. (2023). AI-generated feedback on writing: insights into efficacy and ENL student preference. International Journal of Educational Technology in Higher Education, 20(1), 57. https://doi.org/10.1186/s41239-023-00425-2
García-Peñalvo, F. J. (2024). Inteligencia artificial generativa y educación: Un análisis desde múltiples perspectivas. Education in the Knowledge Society (EKS), 25, e31942. https://doi.org/10.14201/eks.31942
Google LLC. (2025). Google Cloud for faculty. https://cloud.google.com/edu/faculty
Guan, Q. y Han, Y. (2025). From AI to authorship: Exploring the use of LLM detection tools for calling on “originality” of students in academic environments. Innovations in Education and Teaching International, 62(5), 1514–1528. https://doi.org/10.1080/14703297.2025.2511062
Holmes, W., Bialik, M. y Fadel, C. (2019). Inteligencia artificial en la educación: Promesas e implicaciones para la enseñanza y el aprendizaje. Centro para el Rediseño Curricular. https://discovery.ucl.ac.uk/id/eprint/10139722
ISO. (2011). ISO/IEC 25010:2011: Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models. https://www.iso.org/standard/35733.html
Jara, I. y Ochoa, J. M. (2020). Usos y efectos de la inteligencia artificial en educación. Banco Interamericano de Desarrollo. https://doi.org/10.18235/0002380
Kim, J., Yu, S., Detrick, R. y Li, N. (2024). Exploring students’ perspectives on Generative AI-assisted academic writing. Education and Information Technologies, 30(1), 1265–1300. https://doi.org/10.1007/s10639-024-12878-7
Lee, D. y Palmer, E. (2025). Prompt engineering in higher education: a systematic review to help inform curricula. International Journal of Educational Technology in Higher Education, 22(1), 7. https://doi.org/10.1186/s41239-025-00503-7
Liu, Y., Park, J. y McMinn, S. (2024). Using generative artificial intelligence/ChatGPT for academic communication: Students’ perspectives. International Journal of Applied Linguistics, 34(4), 1437–1461. https://doi.org/10.1111/ijal.12574
Lo, L. S. (2023). The CLEAR path: A framework for enhancing information literacy through prompt engineering. The Journal of Academic Librarianship, 49(4), 102720. https://doi.org/10.1016/j.acalib.2023.102720
López Trinidad, N., Lara Inocencio, G., Silverio Hurtado, M. y Pascual Peralta, J. (2026). La inteligencia artificial en la educación: vacíos, tendencias y desafíos éticos. Una revisión de literatura (2019–2024). Comunicar, 34(84), 42–56. https://doi.org/10.5281/zenodo.18113730
Meyer, J. G., Urbanowicz, R. J., Martin, P. C. N., O’Connor, K., Li, R., Peng, P.-C., Bright, T. J., et al. (2023). ChatGPT and large language models in academia: opportunities and challenges. BioData Mining, 16(1), 20. https://doi.org/10.1186/s13040-023-00339-9
Mohammadi, M., Tajik, E., Martinez-Maldonado, R., Sadiq, S., Tomaszewski, W. y Khosravi, H. (2025). Artificial intelligence in multimodal learning analytics: A systematic literature review. Computers and Education: Artificial Intelligence, 8, 100426. https://doi.org/10.1016/j.caeai.2025.100426
Niño-Carrasco, S. A., Castellanos-Ramírez, J. C., Perezchica Vega, J. E. y Sepúlveda Rodríguez, J. A. (2025). Percepciones de estudiantes universitarios sobre los usos de inteligencia artificial en educación. Revista Fuentes, 27(1), 94–106. https://doi.org/10.12795/revistafuentes.2025.26356
Ouyang, F., Wu, M., Zheng, L., Zhang, L. y Jiao, P. (2023). Integration of artificial intelligence performance prediction and learning analytics to improve student learning in online engineering course. International Journal of Educational Technology in Higher Education, 20(1), 4. https://doi.org/10.1186/s41239-022-00372-4
Shen, M., Shen, Y., Liu, F. y Jin, J. (2025). Prompts, privacy, and personalized learning: integrating AI into nursing education—a qualitative study. BMC Nursing, 24(1), 470. https://doi.org/10.1186/s12912-025-03115-8
Singh, S. y Strzelecki, A. (2025). Academics as adopters of generative AI: an application of diffusion of innovations theory. Education and Information Technologies, 31(2), 621–645. https://doi.org/10.1007/s10639-025-13835-8
Wang, S., Xu, T., Li, H., Zhang, C., Liang, J., Tang, J., Yu, P. S., et al. (2025). Large Language Models for Education: A survey and outlook. IEEE Signal Processing Magazine, 42(6), 51–63. https://doi.org/10.1109/MSP.2025.3594309
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. En Advances in Neural Information Processing Systems 35 (NeurIPS 2022) (pp. 24824–24837). proceedings.com. https://doi.org/10.52202/068431-1800
Yan, L., Sha, L., Zhao, L., Li, Y., Martinez-Maldonado, R., Chen, G., Li, X., et al. (2023). Practical and ethical challenges of large language models in education: A systematic scoping review. British Journal of Educational Technology, 55(1), 90–112. https://doi.org/10.1111/bjet.13370
Zawacki-Richter, O., Marín, V. I., Bond, M. y Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Fundref
Los autores expresan su agradecimiento a la Universidad del Istmo (UDelIstmo) por el financiamiento recibido para llevar a cabo el proyecto “Análisis de buenas prácticas en diseño de prompts y su impacto en el rendimiento de modelos LLM”, correspondiente al PdT N.º PRO-CII-D-03-25. También reconocen el apoyo institucional y académico del Centro de Investigación Educativa AIP (CIEDU AIP), así como la colaboración de la Universidad Monteávila (UMA), la Universidad Pedagógica Experimental Libertador (UPEL) y la Universidad Internacional de Ciencia y Tecnología (UNICyT), cuya participación fue fundamental para el desarrollo, el análisis y la difusión de los resultados de esta investigación.
Crossmark
Technical information
Received: 2026-03-25 | Reviewed: 2026-05-05 | Accepted: 2026-05-25 | Online First: 2026-10-01 | Published: 2026-10-05
Metrics
Metrics of this article
Views: 38099
Abstract readings: 36810
PDF downloads: 1289
Full metrics of Comunicar 77
Views: 459033
Abstract readings: 446071
PDF downloads: 12962
Cited by
Cites in Web of Science
Currently there are no citations to this document
Cites in Scopus
Currently there are no citations to this document
Cites in Google Scholar
Currently there are no citations to this document
Descarga
Métricas alternativas
Cómo citar
Gustavo Quintero Barreto., Aura L. López de Ramos., Yuly Esteves González., Nelly Meléndez. (2026). Respuestas educativas de IA: Calidad y confiabilidad en ChatGPT y Gemini. Comunicar, 34(87). 10.5281/zenodo.23185063
Share
Oxbridge Publishing House
4 White House Way
B91 1SE Sollihul Reino Unido
Administración 
Redacción
