Libro de Actas del III Congreso Latinoamericano y del Caribe e Investigación en Educación Superior- LatinSoTL- 2025

1265 La retroalimentación formativa ha sido ampliamente reconocida como una herramienta pedagógica fundamental para mejorar la escritura y fomentar la reflexión metacognitiva (Weigle, 2002; Ferris, 2010; van Beuningen, 2010; Ferris & Hedgcock, 2014). Sin embargo, entregar comentarios formativos de calidad de manera sistemática y oportuna es un reto persistente en contextos educativos masivos, donde la carga docente limita el seguimiento individualizado (Hyland & Hyland, 2006; Shute, 2008). Estudios previos han demostrado que la efectividad del feedback se relaciona con su oportunidad, claridad, especificidad y pertinencia respecto de los objetivos del texto (Bitchener & Ferris, 2012; Ellis, 2009; Brooks et al., 2024). La literatura ha tipificado distintos tipos de retroalimentación correctiva: la directa, que proporciona la forma correcta del error; la indirecta, que indica su presencia pero deja la corrección al estudiante; y la metalingüística, que añade explicaciones o claves gramaticales (Ellis, 2009). También se distinguen formas holísticas, que abordan el texto como un todo en términos de coherencia, cohesión y adecuación, y enfoques analíticos, más centrados en dimensiones específicas del desempeño (Hyland & Hyland, 2006). Investigaciones recientes concluyen que una combinación de estrategias, como retroalimentación indirecta acompañada de explicaciones metalingüísticas, puede fomentar tanto la conciencia metalingüística como mejoras sostenidas en la precisión gramatical (Ferris, 2010; Mao et al., 2024). Asimismo, los estudiantes valoran especialmente el feedback que es oportuno y que equilibra elogios específicos, sugerencias claras y orientación concreta hacia la mejora (Austen & Malone, 2018; Brooks et al., 2024). En este contexto, las tecnologías basadas en inteligencia artificial generativa,como los modelos GPT, han comenzado a explorarse como una alternativa complementaria a la retroalimentación humana. Su mayor ventaja radica en la inmediatez, la posibilidad de interacción personalizada y la consistencia formal de sus respuestas y su adaptabilidad a distintos niveles de dominio (Han & Li, 2024; Ricart, 2024; Zhan & Yan, 2025). Estas herramientas pueden entregar comentarios en un tono dialogado, con explicaciones y sugerencias que favorecen la comprensión y el compromiso del estudiante con la revisión de sus textos (Song & Song, 2023). Además, extienden las oportunidades de feedback más allá del aula y fomentan la autonomía y el aprendizaje personalizado (Holmes et al., 2019; Luckin, 2020; Williamson & Eynon, 2020). Sin embargo, estas ventajas deben leerse con cautela. Aunque la IA es eficaz en la detección de errores gramaticales y de léxico, presenta limitaciones para evaluar elementos discursivos complejos, como la construcción argumentativa, la originalidad y la adecuación sociocultural (Wang et al., 2024). De hecho, sin mediación humana, existe el riesgo de que el feedback automatizado sea percibido como una corrección mecánica o sea utilizado de manera superficial (Zhan & Yan, 2025). Para que este tipo de retroalimentación sea realmente formativa, debe integrarse en un diseño pedagógico deliberado, con principios claros de especificidad, contextualización y supervisión docente (Moorhouse & Wong, 2025). En este sentido, múltiples autores coinciden en que la retroalimentación generada por IA no debe reemplazar la interacción didáctica, sino complementarla de forma estratégica (Ossa & Willatt, 2023). Su integración eficaz requiere fomentar la literacidad en retroalimentación —la capacidad del estudiante para interpretar, valorar y actuar sobre los comentarios— como una competencia fundamental para el aprendizaje autónomo (Carless & Boud, 2018). Esta sinergia entre tecnología y presencia docente contribuye no solo a mejorar el proceso de escritura, sino también a