Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
Evolución de la gamificación estática a la creación asistida por  
inteligencia artificial en educación superior  
Evolution from static gamification to artificial intelligence-assisted  
creation in higher education  
Amén-Mora Paúl Geovanny  
Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.  
Rincón-Zambrano Rodrigo Alexander  
Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.  
Almendariz-Parrales Emílio José  
Santos-Mera Lisbeth Madelayne  
Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.  
RESUMEN  
Introducción: la gamificación digital se ha consolidado en la educación superior, pero su diseño  
exige que el docente redacte cada ítem y configure manualmente las mecánicas de juego. La  
inteligencia artificial (IA) generativa ha comenzado a transformar ese proceso. Metodología:  
revisión de alcance según el marco de Arksey y O’Malley y la guía PRISMA-ScR, con búsquedas  
en SciSpace, Google Académico, SciELO, Redalyc y Dialnet (2015-2026); los estudios se  
analizaron temáticamente por periodos. Resultados: en los dieciocho estudios incluidos, la  
creación asistida por IA se concentra desde 2023 y sigue dos líneas: el docente que le delega  
ítems, narrativas, retos y recursos visuales, y el estudiante que diseña actividades lúdicas con  
ella. Los ítems generados alcanzan una calidad comparable a la humana cuando se anclan en  
objetivos o materiales del curso, aunque requieren revisión docente; las narrativas pierden  
coherencia sin curaduría humana, y el ahorro de tiempo se afirma, pero ningún estudio lo mide.  
Conclusiones: la evolución no sustituye al docente diseñador, sino que desplaza su trabajo de la  
redacción a la curaduría. Se proponen ocho criterios para valorar herramientas de creación  
gamificada asistida por IA, aplicados de forma ilustrativa a una plataforma usada en una  
universidad ecuatoriana. El estudio tributa al proyecto de investigación “Simulador hotelero  
gamificado con IA para la inserción laboral juvenil en zonas turísticas de Jipijapa” y fundamenta  
el proyecto de vinculación “Tareas dirigidas y apoyo psicopedagógico para fortalecer el  
aprendizaje de los alumnos en la Educación Básica Pública de Jipijapa. Fase IV 2026”.  
Palabras claves: gamificación; inteligencia artificial generativa; educación superior; diseño  
instruccional; generación automática de preguntas.  
Información del manuscrito:  
Fecha de recepción: 14 de agosto de 2026.  
Fecha de aceptación: 15 de octubre de 2026.  
Fecha de publicación: 15 de noviembre de 2026.  
486  
Amén-Mora et al. (2026)  
ABSTRACT  
Introduction: digital gamification has become established in higher education, but its design  
requires teachers to write every item and configure game mechanics manually. Generative  
artificial intelligence has begun to transform this process. Methodology: scoping review following  
the Arksey and O’Malley framework and the PRISMA-ScR guideline, with searches in SciSpace,  
Google Scholar, SciELO, Redalyc and Dialnet (2015-2026), complemented by reference  
checking; studies were analysed thematically by period. Results: in the eighteen included studies,  
AI-assisted creation is concentrated from 2023 onward and follows two lines: teachers who  
delegate the writing of items, narratives, challenges, visual assets and even game programming  
to AI, and students who design game-based activities with AI as a learning strategy. Generated  
items reach a quality comparable to human-written ones when generation is anchored in course  
objectives or materials, although they require teacher review; generated narratives lose  
coherence without human curation, and time savings are claimed but not measured in any study.  
Conclusions: this evolution does not replace the teacher as designer; it shifts the teacher’s work  
from writing to curation. Eight criteria are proposed to assess AI-assisted gamified authoring tools,  
illustratively applied to a platform used at an Ecuadorian university. The study contributes to the  
research project “Simulador hotelero gamificado con IA para la inserción laboral juvenil en zonas  
turísticas de Jipijapa” and provides theoretical grounding for the outreach project “Tareas dirigidas  
y apoyo psicopedagógico para fortalecer el aprendizaje de los alumnos en la Educación Básica  
Pública de Jipijapa. Fase IV 2026”.  
Keywords: gamification; generative artificial intelligence; higher education; instructional design;  
automatic question generation.  
1. INTRODUCCIÓN  
La gamificación, entendida como el uso de elementos de diseño de juegos en  
contextos que no son de juego (Deterding et al., 2011), se ha incorporado de  
forma sostenida en la educación superior. Las revisiones sobre su aplicación  
universitaria reportan beneficios en la participación, la motivación y las actitudes  
hacia el aprendizaje (Subhash & Cudney, 2018; Zainuddin et al., 2020), y el  
metaanálisis de Sailer y Homner (2020) encontró efectos positivos sobre  
resultados cognitivos, motivacionales y conductuales. Las plataformas de  
cuestionarios en tiempo real se convirtieron en la forma más difundida de esta  
estrategia: la revisión de Wang y Tahir (2020) sobre Kahoot! documentó efectos  
favorables sobre el desempeño y la dinámica del aula, junto con dificultades  
técnicas y presión por el tiempo de respuesta.  
En la mayor parte de estas experiencias, el docente asume la totalidad del  
diseño: redacta cada pregunta, define las respuestas y los distractores,  
construye la narrativa y configura las reglas de puntuación en la plataforma. En  
este artículo se denomina gamificación estática a esa modalidad, en la que el  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
contenido del juego se elabora manualmente y permanece fijo una vez publicado.  
Su principal limitación no es pedagógica, sino de costo, porque diseñar una  
propuesta gamificada coherente exige tiempo y esfuerzo considerables, lo que  
restringe su uso sostenido (Pérez-López & Navarro-Mateos, 2025).  
La automatización de una parte de ese trabajo no es nueva. Antes de los  
modelos de lenguaje de gran escala, la generación automática de preguntas se  
basaba en reglas, plantillas y técnicas de procesamiento del lenguaje natural. La  
revisión sistemática de Kurdi et al. (2020) mostró que esos sistemas producían  
sobre todo preguntas de recuerdo factual, con escaso control de la dificultad y  
evaluaciones heterogéneas, lo que limitó su paso al aula. La aparición de la  
inteligencia artificial generativa (IAG) a finales de 2022 cambió la escala del  
problema, porque los modelos de lenguaje redactan ítems, distractores,  
narrativas y reglas a partir de una instrucción en lenguaje natural o de un  
documento del curso. Las propias plataformas de gamificación incorporaron  
generadores de este tipo; Kahoot!, por ejemplo, permite convertir archivos PDF,  
apuntes o artículos en cuestionarios jugables (Kahoot!, s. f.).  
Este cambio plantea preguntas que la investigación todavía no ha integrado. Las  
revisiones disponibles sobre IA y profesorado se han centrado en la aceptación  
y la intención de uso (Nikolic et al., 2024; Xue et al., 2025), y no en la manera en  
que se transforma el proceso de diseño de actividades. Las revisiones sobre  
aprendizaje basado en juegos con IA, por su parte, se han ocupado de la IA  
dentro del juego, como andamiaje, ajuste adaptativo de la dificultad o personajes  
no jugadores (Kaşarcı & Yurt, 2026), y no de su papel en la creación de las  
actividades. A la vez, la evidencia sobre la planificación docente con IAG muestra  
ahorro de tiempo sin pérdida de calidad de los materiales (Roy et al., 2024), pero  
también que el tiempo ganado tiende a reasignarse a otras exigencias  
profesionales (Carson et al., 2026). Falta una síntesis que describa la transición  
de la autoría manual a la creación asistida por IA en la gamificación universitaria:  
qué tareas se delegan, con qué insumos, quién diseña y qué resultados se  
reportan. Ese mapa es necesario para que docentes e instituciones elijan  
herramientas con criterios pedagógicos y no solo comerciales.  
488  
Amén-Mora et al. (2026)  
En consecuencia, el objetivo general de este estudio es analizar la evolución de  
la creación de actividades gamificadas en educación superior, desde la autoría  
manual hasta la generación asistida por inteligencia artificial, a partir de la  
literatura científica publicada entre 2015 y 2026. Como corresponde a una  
revisión, el análisis no mide variables, sino que se organiza en cuatro categorías:  
la modalidad de autoría (manual, automática basada en reglas o asistida por  
IAG), las tareas de diseño delegadas a la IA y los insumos empleados, el rol de  
quien diseña (docente o estudiante) y los resultados reportados sobre calidad,  
tiempo y participación. Se trata de una revisión de alcance (scoping review), un  
tipo de estudio adecuado para mapear un campo emergente, con diseños  
heterogéneos y con parte de su producción publicada en actas de congresos.  
Este estudio tributa al proyecto de investigación “Simulador hotelero gamificado  
con IA para la inserción laboral juvenil en zonas turísticas de Jipijapa”, de la  
Universidad Estatal del Sur de Manabí, que diseña escenarios de simulación  
gamificados con apoyo de la inteligencia artificial. Los criterios que se derivan de  
esta revisión, en particular la generación anclada en los contenidos formativos,  
la revisión docente de lo generado y la coherencia entre la narrativa y las tareas,  
orientan el diseño y la validación de esos escenarios. Asimismo, sus resultados  
se incorporan como fundamento teórico del proyecto de vinculación “Tareas  
dirigidas y apoyo psicopedagógico para fortalecer el aprendizaje de los alumnos  
en la Educación Básica Pública de Jipijapa. Fase IV 2026”, dado que las tareas  
dirigidas requieren actividades de refuerzo motivadoras y ajustadas al nivel de  
cada estudiante: la línea de estudiantes universitarios que diseñan actividades  
lúdicas con IA, identificada en esta revisión, y la necesidad de curar lo generado  
ofrecen pautas para que los estudiantes de la Carrera de Educación que  
participan en el proyecto elaboren con IA ese tipo de actividades sin delegar en  
ella el criterio pedagógico.  
489  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
2. METODOLOGÍA  
a) Enfoque del estudio  
El estudio tiene un enfoque cualitativo y corresponde a una revisión de alcance  
de la literatura, de carácter descriptivo, orientada a mapear la producción  
científica sobre la creación de actividades gamificadas en educación superior y  
su transición hacia la generación asistida por IA.  
b) Método  
La revisión siguió el marco metodológico de Arksey y O’Malley (2005), con las  
actualizaciones de Peters et al. (2020), y se reporta según la extensión PRISMA  
para revisiones de alcance (PRISMA-ScR; Tricco et al., 2018). Las preguntas se  
formularon con el esquema población-concepto-contexto: la población  
comprende a docentes y estudiantes de educación superior; el concepto, la  
creación de actividades gamificadas, manual o asistida por IA; y el contexto, la  
educación superior de cualquier país y modalidad. Se plantearon cuatro  
preguntas de revisión:  
1
. ¿Cómo ha evolucionado la creación de actividades gamificadas en  
educación superior, desde la autoría manual hasta la generación asistida  
por IA?  
2
. ¿Qué tareas de diseño se delegan a la IA (ítems, narrativa, reglas,  
retroalimentación) y a partir de qué insumos (textos, archivos PDF,  
sílabos, objetivos de aprendizaje)?  
3
. ¿Qué resultados se reportan sobre el tiempo de elaboración, la calidad de  
los ítems y la participación estudiantil?  
4
. ¿Qué características debería reunir una herramienta de gamificación  
asistida por IA según la evidencia disponible?  
c) Fases del estudio  
El estudio se desarrolló en cuatro fases:  
490  
Amén-Mora et al. (2026)  
•
Fase de búsqueda. Se realizó en dos etapas. En la primera se identificaron,  
mediante búsqueda dirigida, revisiones sistemáticas y metaanálisis sobre  
gamificación digital en educación superior, que permiten caracterizar la  
autoría manual sin revisar uno por uno los miles de estudios sobre plataformas  
de cuestionarios. En la segunda se recuperaron estudios primarios sobre la  
creación de actividades gamificadas asistida por IA. La cadena en inglés de  
la Tabla 1 se ejecutó en el motor de búsqueda académica SciSpace, en sus  
modalidades básica y de texto completo, y en Google Académico mediante la  
misma herramienta. La cadena en español y portugués se ejecutó en SciELO,  
con operadores booleanos, y se repitió sin el bloque de nivel educativo como  
prueba de sensibilidad; en Redalyc, con la cadena completa sin operadores  
de truncamiento; y en Dialnet, que no admite operadores booleanos, mediante  
cuatro consultas simplificadas. En los libros colectivos recuperados se revisó  
el índice y se evaluó cada capítulo por separado. Scopus y Web of Science  
no se consultaron por falta de acceso institucional. La cadena en inglés  
recuperó uno de los dos estudios semilla (Durgungoz & Durgungoz, 2025),  
pero no el otro (López-Galisteo & Borrás-Gené, 2025), que se incorporó por  
otros métodos junto con los estudios identificados en una búsqueda  
exploratoria previa.  
•
Fase de evaluación. Los registros de todas las fuentes se unificaron y se  
eliminaron los duplicados. El cribado por título y resumen y la evaluación a  
texto completo los realizó un revisor con apoyo de asistentes de inteligencia  
artificial, aplicando los criterios de inclusión y exclusión; los casos dudosos se  
discutieron con el resto del equipo y se resolvieron por consenso. La  
extracción de datos, en cambio, la realizaron los cuatro autores con una matriz  
común, previo pilotaje conjunto y validación cruzada.  
•
Fase de análisis. Para la extracción de los datos de los 18 estudios primarios  
y las 5 revisiones incluidas, el equipo diseñó una matriz estandarizada  
compartida y la aplicó de forma colaborativa entre los cuatro autores. Para  
asegurar la consistencia del registro, se realizó un pilotaje inicial con tres  
artículos extraídos de forma conjunta, que permitió calibrar y unificar los  
criterios de la matriz. Los documentos restantes se extrajeron mediante  
validación cruzada abierta: la información registrada se revisó de forma  
iterativa y las discrepancias de interpretación, por ejemplo en la categorización  
491  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
de las tareas delegadas a la IA o en la valoración de los resultados sobre  
calidad, se discutieron en sesiones de trabajo y se resolvieron por consenso  
de los cuatro autores. La extracción inicial de los estudios en español y  
portugués se apoyó en un agente de IA, y sus registros fueron verificados por  
el equipo contra el texto completo. De cada estudio se extrajeron tres grupos  
de datos: a) datos bibliográficos y de contexto: autores, año, país, contexto y  
disciplina, y características de los participantes; b) dimensiones tecnológicas  
y lúdicas: herramienta y modelo de IA, insumo proporcionado al modelo  
(textos, objetivos, apuntes), tareas de diseño delegadas a la IA y tipo de  
mecánica de juego; y c) resultados y viabilidad: grado de revisión o edición  
humana posterior, resultados sobre tiempo de elaboración, calidad  
pedagógica, participación y rendimiento, y limitaciones declaradas por los  
autores de cada estudio.  
•
Fase de síntesis. La información se organizó mediante análisis temático por  
categorías y por dos periodos: hasta 2022, con autoría manual y generación  
automática basada en reglas, y desde 2023, con IAG. Los rasgos que se  
repitieron en los estudios se convirtieron en una lista de criterios para valorar  
herramientas de creación gamificada asistida por IA.  
Tabla 1. Cadenas de búsqueda por etapa y base de datos  
Etapa y bases  
Cadena de búsqueda (título, resumen y palabras clave)  
Etapa 1: revisiones previas  
("gamif*") AND ("higher education" OR "universit*") AND ("systematic  
review" OR "scoping review" OR "meta-analysis")  
(búsqueda dirigida)  
Etapa 2, en inglés  
SciSpace: búsqueda  
("gamif*" OR "game-based learning" OR "educational game*" OR  
"serious game*" OR "quiz*") AND ("generative AI" OR "generative  
(
básica y de texto completo; artificial intelligence" OR "large language model*" OR "ChatGPT" OR "AI-  
Google Académico)  
generated" OR "automatic question generation" OR "automated question  
generation") AND ("higher education" OR "universit*" OR "college" OR  
"
undergraduate*" OR "tertiary")  
Etapa 2, en español y  
portugués (SciELO y  
Redalyc con la cadena  
completa; Dialnet con  
consultas simplificadas)  
("gamificación" OR "ludificación" OR "aprendizaje basado en juegos" OR  
"gamificação") AND ("inteligencia artificial generativa" OR "ChatGPT" OR  
"generación automática de preguntas" OR "inteligência artificial  
generativa") AND ("educación superior" OR "universidad*" OR "ensino  
superior")  
Nota. La cadena en inglés se ejecutó en SciSpace con el filtro de años 2015-2026, en formato  
TITLE-ABS-KEY; la herramienta recuperó hasta 100 registros por modalidad y 20 de Google  
Académico. En Redalyc se omitieron los operadores de truncamiento (*). En Dialnet, que no  
admite operadores booleanos, se emplearon cuatro consultas simplificadas: Q1 (“gamificación  
492  
Amén-Mora et al. (2026)  
inteligencia artificial universidad”), Q2 (“gamificación chatgpt educación superior”), Q3  
(
“aprendizaje basado en juegos inteligencia artificial”) y Q4 (“ludificación chatgpt universidad”).  
Elaboración propia.  
Proceso de selección de estudios (PRISMA-ScR)  
Figura 1. Diagrama de flujo PRISMA-ScR del proceso de selección  
Nota. Proceso de identificación, cribado e inclusión de estudios. Elaboración propia.  
La Figura 1 sintetiza el proceso de selección. La búsqueda identificó 303  
registros: 100 en la búsqueda básica de SciSpace, 100 en su búsqueda de texto  
completo, 20 en Google Académico, 2 en SciELO, 46 en Redalyc y 35 en Dialnet.  
Tras eliminar 145 duplicados, se cribaron 158 registros por título y resumen, de  
los que se descartaron 107 por tratarse de revisiones, ensayos o editoriales sin  
datos, estudios de otro nivel educativo o trabajos sin relación con la creación de  
actividades lúdicas con IA. Se buscaron 51 informes a texto completo, de los que  
3
no pudieron recuperarse. De los 48 evaluados se excluyeron 34: 8 por  
corresponder a otro nivel educativo, a un contexto no universitario o a una  
coincidencia solo terminológica; 13 por emplear la IA como tutor, asistente o  
493  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
fuente de consulta sin crear actividades lúdicas; 11 por no aportar datos  
empíricos, tratarse de revisiones o duplicar un estudio ya registrado; y 2 por ser  
libros colectivos sin capítulos pertinentes. Quedaron 14 informes, que  
corresponden a 14 estudios, porque dos informes describen el mismo sistema  
(Moreira et al., 2025; Paiva et al., 2026) y un libro colectivo aportó dos capítulos  
elegibles (Estévez Mendoza, 2026; González Pulido, 2026). La búsqueda en  
español y portugués aportó siete de esos estudios, cinco de los cuales no se  
habían identificado por otras vías. Por otros métodos (búsqueda exploratoria  
previa y revisión de referencias) se identificaron 4 estudios primarios y 5  
revisiones de la etapa 1, que cumplieron los criterios. El corpus final quedó  
integrado por 18 estudios primarios y 5 revisiones de la etapa 1.  
d) Fuentes y muestra  
Por falta de acceso institucional a Scopus y Web of Science, la búsqueda en  
inglés se ejecutó en SciSpace, un motor de búsqueda académica, en sus  
modalidades básica y de texto completo, y en Google Académico mediante la  
misma herramienta; la búsqueda en español y portugués se ejecutó en SciELO,  
Redalyc y Dialnet, para recoger la producción iberoamericana. La búsqueda  
dirigida y la revisión de referencias de los estudios incluidos se emplearon como  
fuentes complementarias. El periodo abarcó de enero de 2015 a noviembre de  
2026, lo que permite contrastar la etapa de autoría manual con la posterior a la  
aparición de la IAG. La búsqueda identificó 303 registros y el corpus final quedó  
integrado por dieciocho estudios primarios y cinco revisiones.  
e) Criterios de inclusión y exclusión  
Se incluyeron los estudios que cumplían las siguientes condiciones:  
•
ser estudios empíricos (cuantitativos, cualitativos o mixtos), estudios de caso  
o desarrollos de herramientas con alguna forma de evaluación;  
haberse realizado en educación superior;  
•
•
describir la creación de actividades gamificadas, cuestionarios de juego,  
salas de escape u otras propuestas lúdicas;  
494  
Amén-Mora et al. (2026)  
•
haberse publicado entre 2015 y 2026, en revistas o actas con revisión por  
pares o como capítulos de libros académicos, en español, inglés o  
portugués.  
Se excluyeron los estudios realizados solo en educación básica o secundaria,  
aquellos en que la IA actuaba como tutor o asistente conversacional sin crear  
actividades, las tesis, los textos de opinión o editoriales sin datos y los  
documentos sin texto completo disponible. En los libros colectivos, la unidad de  
análisis fue el capítulo.  
f) Procedimiento general  
La búsqueda final de la literatura en todas las bases de datos se completó el 2  
de octubre de 2026. Tras el cribado, los estudios incluidos se codificaron en la  
matriz de extracción y se agruparon por periodo y por rol de quien diseña. El  
análisis temático se realizó de forma inductiva sobre las cuatro categorías  
definidas en la introducción, y los rasgos recurrentes se sintetizaron en una lista  
de criterios que, en la discusión, se aplica a la plataforma ORBIT como caso  
ilustrativo.  
3
. RESULTADOS Y DISCUSIÓN  
La revisión de alcance incluyó dieciocho estudios primarios sobre creación de  
actividades gamificadas asistida por IA en educación superior, publicados entre  
2023 y 2026, y cinco revisiones de la etapa 1 sobre gamificación universitaria.  
De los estudios primarios, uno se publicó en 2023, tres en 2024, diez en 2025 y  
cuatro en 2026. Ocho se publicaron en revistas, seis en actas de congresos y  
cuatro como capítulos de libros colectivos. La Tabla 2 resume sus  
características.  
Tabla 2. Características de los estudios primarios incluidos  
Estudio  
Contexto y  
participantes  
Quién diseña y Tareas delegadas a  
Resultados  
principales  
herramienta  
la IA e insumo  
Fotaris et al.  
Primer año de  
Química  
Docente;  
ChatGPT con el  
Ideas, narrativa y  
retos de una sala de una guía de  
Propone un marco y  
(
2023)  
(
pregrado)  
escape sobre la  
instrucciones (prompts)  
tabla periódica, con  
para diseñar salas de  
495  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
Estudio  
Contexto y  
participantes  
Quién diseña y Tareas delegadas a  
Resultados  
principales  
herramienta  
la IA e insumo  
marco  
Room2Educ8  
instrucciones por  
fases de diseño  
escape con IA; la IA  
aporta ideas y  
personalización  
Doughty et al. Seis cursos de  
Docente;  
sistema basado  
en GPT-4  
Preguntas de opción 651 ítems generados  
múltiple a partir del frente a 449 humanos:  
contexto del curso y lenguaje claro,  
(
2024)  
programación en  
Python  
de los objetivos de  
distractores de calidad  
cada módulo  
y buena alineación con  
los objetivos; algunos  
ítems con más de una  
respuesta correcta  
Kelly et al.  
2024)  
Curso de  
pregrado de  
Ciencias de la  
Computación con basado en un  
Docente;  
cuestionario  
gamificado  
Preguntas  
generadas a partir  
de las  
transcripciones de  
los contenidos del  
aula invertida  
Propone una  
(
evaluación lúdica  
previa a la clase que,  
además, permite a los  
estudiantes plantear  
dudas de forma  
anónima  
aula invertida  
modelo de  
lenguaje  
Vu et al.  
2024)  
Asignatura de  
Finanzas  
Corporativas,  
Academia de  
Banca de Vietnam  
Docente;  
ChatGPT 3.5  
con patrones de resultados de  
instrucción  
Banco de preguntas Valoración ciega por  
(
a partir de los  
docentes y estudiantes,  
con resultados iniciales  
favorables sobre la  
calidad de las  
aprendizaje y el  
contenido de la  
asignatura  
preguntas  
Durgungoz y  
Durgungoz  
Módulo en línea  
de educación  
especial  
Docente; ítems  
generados con  
IA en Quizizz  
Cuestionarios  
gamificados  
semanales  
La mayoría de ítems  
fue utilizable sin  
cambios, una parte  
requirió ajustes y otra  
se descartó; la  
(
2025)  
participación subió al  
inicio y luego descendió  
López-  
Galisteo y  
Borrás-Gené  
Cinco escenarios  
de distintas  
disciplinas (20  
Asistente GPT  
especializado  
(GamifIcA Edu)  
Diseño completo de  
actividades  
gamificadas y juegos una rúbrica; menor  
Respuestas pertinentes  
y coherentes según  
(
2025)  
pruebas)  
serios, con una base adaptabilidad fuera de  
de conocimiento  
propia  
la gamificación  
Pérez-López  
y Navarro-  
Mateos  
Asignatura  
Docentes;  
ChatGPT frente  
Definición de  
gamificación y  
Confunde gamificación  
con puntos, insignias y  
tablas; la narrativa no  
universitaria de  
Fundamentos de  
la Educación  
Física  
a una propuesta propuesta narrativa  
artesanal basada en una serie vincula la meta con las  
(
2025)  
de televisión  
tareas; útil para superar  
la página en blanco  
Palazón-  
Herrera y  
Sánchez-  
Marroquí  
74 estudiantes de Estudiantes en  
Música (grado de formación  
Primaria y máster docente; IAG  
de profesorado)  
Diseño de recursos  
gamificados tipo  
breakout  
Mejoran el  
conocimiento y el uso  
de la IAG y la calidad  
técnica y visual de los  
recursos; uso más  
crítico; alta carga de  
trabajo en algunas  
fases  
(
2025)  
496  
Amén-Mora et al. (2026)  
Estudio  
Contexto y  
participantes  
Quién diseña y Tareas delegadas a  
Resultados  
principales  
herramienta  
la IA e insumo  
Peña-  
Jiménez  
2025)  
Asignatura de  
Cultivos  
Celulares, grado  
en Biotecnología  
Docente;  
Personajes,  
La nota media pasó de  
6,09 a 8,09 entre  
parciales, sin grupo de  
comparación;  
satisfacción de 4,86  
sobre 5  
Leonardo AI y  
Bing Image  
Creator, con  
Genially  
animaciones y  
escenarios de un  
videojuego de  
autoevaluación; las  
preguntas y la  
narrativa las redactó  
el docente  
(
Ramos  
31 estudiantes de Estudiantes, con Preguntas de opción El 86,8 % se declaró  
Melero (2025) primer curso de  
Marketing (8  
un GPT  
configurado por  
el docente  
múltiple para un  
campeonato por  
equipos, a partir de  
motivado o muy  
motivado; el alumnado  
pidió que el docente  
revisara las preguntas  
equipos)  
(EulogIA, basado los apuntes  
en GPT-4)  
cargados en el GPT; antes de competir  
exportación a  
Moodle  
Rodríguez-  
Rivera et al.  
47 estudiantes de Estudiantes;  
Educación Social IAG, Genially y  
HeroForge  
Narrativa,  
El trabajo colaborativo  
ayudó a superar  
dificultades técnicas;  
reconocen la  
personajes y retos  
de salas de escape  
digitales  
(
2025)  
aplicabilidad del diseño  
en mediación  
Santillán  
Trujillo et al.  
2800 estudiantes  
universitarios de  
varios países  
Estudiantes  
como  
cocreadores;  
IAG y agentes  
Narrativas  
Mejoras declaradas en  
participación y  
comprensión, sin  
estadísticos de  
transmedia y  
fanzines digitales  
gamificados  
(
2025)  
iberoamericanos,  
en cursos abiertos virtuales  
contraste detallados  
transmedia  
afectivos, sin  
especificar la  
herramienta  
Wan et al.  
2025)  
Curso de  
Estudiantes; IAG Contenido, narrativa Mayores ganancias en  
(
aprendizaje-  
servicio de  
Finanzas  
Personales (Hong dirigidos a  
Kong); grupos con personas  
para diseñar  
juegos  
educativos  
y desarrollo de  
juegos sobre  
conceptos  
aplicación del  
conocimiento,  
pensamiento crítico y  
autoeficacia que el  
grupo sin IAG  
financieros  
y sin IAG  
mayores  
Wild y  
Neymeyer  
Docentes de  
distintas áreas de personalizados  
Docentes; bots  
Materiales para  
minijuegos  
Los minijuegos  
apoyados por IA se  
(
2025)  
educación  
(Custom GPTs)  
independientes de la presentan como una  
superior;  
entrevistas  
semiestructuradas  
asignatura  
vía para reducir las  
barreras de adopción  
del aprendizaje basado  
en juegos  
Estévez  
Derecho Procesal Docente;  
Sala de escape  
Todos los equipos  
Mendoza  
Penal, grado en  
Derecho y doble  
grado con ADE  
ChatGPT y  
AIbuilder, con  
Genially  
virtual sobre un caso completaron el reto en  
(
2026)  
penal real; no se  
precisa qué parte  
generó la IA  
torno a una hora; no se  
evaluó el aprendizaje ni  
la contribución de la IA  
(
54 equipos en  
dos cursos)  
González  
Grado en  
Docentes;  
Código completo de Errores y contenidos no  
Pulido (2026) Criminología,  
ChatGPT Plus y  
Gemini,  
juegos web de  
escape, a partir de  
solicitados que  
exigieron varias rondas  
497  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
Estudio  
Contexto y  
participantes  
Quién diseña y Tareas delegadas a  
Resultados  
principales  
herramienta  
la IA e insumo  
aulas de 80 a 90  
estudiantes  
mediante  
un guion de unas  
siete páginas, la  
legislación y los  
apuntes  
de revisión; tiempo  
elevado de ajuste de  
las instrucciones  
programación  
asistida (vibe  
coding)  
Rodríguez-  
Rivera et al.  
107 estudiantes  
de Educación  
Social; diseño  
Estudiantes; IAG Narrativa, enigmas y Mejoras en conciencia  
para co-diseñar  
una sala de  
reflexión guiada  
sobre la IA, juicio  
(
2026)  
evaluativo y reflexión  
ética; más motivación,  
aprendizaje percibido y  
trabajo en equipo que  
el grupo control  
cuasiexperimental escape digital  
Paiva et al.  
2026);  
Piloto de dos  
semanas en dos  
Agente integrado Cuestionarios  
773 interacciones  
registradas; integración  
(
en Moodle  
adaptativos a partir  
Moreira et al. instituciones de  
(GamiBot) con  
generación  
aumentada por  
recuperación  
de los materiales del en el flujo de trabajo del  
(
2025)  
educación  
superior  
curso, con insignias  
y recompensas  
sistema de gestión del  
aprendizaje  
Nota. Síntesis de los estudios primarios incluidos. Elaboración propia.  
Evolución de la modalidad de autoría. Las revisiones de la etapa 1 describen  
una gamificación universitaria basada en elementos como puntos, insignias,  
tablas de clasificación y cuestionarios en tiempo real, cuyo contenido elabora el  
docente de forma manual (Subhash & Cudney, 2018; Wang & Tahir, 2020;  
Zainuddin et al., 2020). La generación automática basada en reglas existía en  
ese periodo, pero se orientó a preguntas de recuerdo factual y casi no llegó a la  
práctica gamificada (Kurdi et al., 2020). Ninguno de los estudios primarios del  
corpus es anterior a 2023: la creación asistida por IA en la gamificación  
universitaria aparece con la IAG y se concentra en 2025, lo que confirma que se  
trata de un campo emergente.  
Rol de quien diseña. El corpus muestra dos líneas diferenciadas. En la primera,  
el docente delega en la IA parte del diseño para ahorrar trabajo: la redacción de  
ítems y cuestionarios (Doughty et al., 2024; Durgungoz & Durgungoz, 2025; Kelly  
et al., 2024; Paiva et al., 2026; Vu et al., 2024), los materiales de minijuegos (Wild  
&
Neymeyer, 2025), los recursos visuales (Peña-Jiménez, 2025), la narrativa y  
los retos (Fotaris et al., 2023; Pérez-López & Navarro-Mateos, 2025) o la  
propuesta completa, en un caso incluida su programación (González Pulido,  
2026; López-Galisteo & Borrás-Gené, 2025). En otro estudio, la docente empleó  
la IA para elaborar una sala de escape sin precisar qué parte generó (Estévez  
498  
Amén-Mora et al. (2026)  
Mendoza, 2026). En la segunda línea, son los estudiantes quienes diseñan  
actividades lúdicas con IA como estrategia de aprendizaje (Palazón-Herrera &  
Sánchez-Marroquí, 2025; Ramos Melero, 2025; Rodríguez-Rivera et al., 2025,  
2026; Santillán Trujillo et al., 2025; Wan et al., 2025); en tres de estos seis  
estudios se trata de futuros profesionales de la educación, y en uno de ellos los  
estudiantes trabajan con un asistente configurado previamente por el docente  
(Ramos Melero, 2025). En esta segunda línea, el objetivo no es ahorrar tiempo,  
sino desarrollar competencias digitales, de diseño y de juicio crítico sobre la IA.  
Tareas delegadas e insumos. Las tareas delegadas se agrupan en tres niveles  
de complejidad: la generación de ítems de opción múltiple, la creación de  
narrativas y retos, y el diseño completo de la propuesta, que en un caso llegó a  
la programación de juegos web (González Pulido, 2026). A ellos se suma la  
generación de recursos visuales, como personajes y escenarios (Peña-Jiménez,  
2025; Rodríguez-Rivera et al., 2026). Los insumos también varían. Algunos  
estudios parten de una instrucción libre al modelo (Pérez-López & Navarro-  
Mateos, 2025); otros, de los objetivos o resultados de aprendizaje y el contexto  
del curso (Doughty et al., 2024; Vu et al., 2024), de las transcripciones de los  
contenidos de clase (Kelly et al., 2024), de los materiales del curso mediante  
generación aumentada por recuperación (Paiva et al., 2026), de una base de  
conocimiento especializada en gamificación (López-Galisteo & Borrás-Gené,  
2025) o de un guion detallado acompañado de la legislación y los apuntes  
(González Pulido, 2026). La conversión directa de documentos del curso en  
cuestionarios jugables, que las plataformas comerciales ya ofrecen (Kahoot!, s.  
f.), aparece en dos estudios: uno genera las preguntas a partir de transcripciones  
de clase (Kelly et al., 2024) y otro a partir de los apuntes que el docente carga  
en un GPT personalizado, con exportación posterior a Moodle (Ramos Melero,  
2025). En ninguno de los estudios incluidos la plataforma de juego genera las  
actividades directamente a partir del sílabo de la asignatura.  
Resultados sobre calidad. Cuando la generación se ancla en objetivos o  
materiales del curso, la calidad de los ítems resulta comparable a la de los  
redactados por docentes, aunque persisten errores como ítems con más de una  
respuesta correcta (Doughty et al., 2024). En un banco de preguntas generado  
con ChatGPT para una asignatura de finanzas, la valoración ciega de docentes  
499  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
y estudiantes arrojó resultados iniciales favorables (Vu et al., 2024). En el estudio  
de Durgungoz y Durgungoz (2025), la mayoría de los ítems generados se usó  
sin cambios, pero una parte necesitó ajustes y otra se descartó, y los expertos  
señalaron la necesidad de supervisión humana en la demanda cognitiva y la  
calidad de la retroalimentación. Las narrativas muestran más debilidades: la  
propuesta generada por ChatGPT confundió la gamificación con la acumulación  
de puntos, insignias y tablas, y no vinculó la meta del juego con las tareas del  
curso (Pérez-López & Navarro-Mateos, 2025). Los estudiantes que codiseñaron  
salas de escape detectaron textos genéricos, fórmulas repetidas e imprecisiones  
en las imágenes que tuvieron que corregir (Rodríguez-Rivera et al., 2026), y al  
programar juegos web el modelo introdujo erratas y contenidos no solicitados  
que obligaron a varias rondas de revisión (González Pulido, 2026).  
Resultados sobre tiempo y participación. El ahorro de tiempo es la  
justificación más frecuente de la creación asistida por IA, pero ningún estudio  
incluido lo midió de forma sistemática; se presenta como potencial o como  
percepción. Wild y Neymeyer (2025), por ejemplo, plantean los minijuegos  
apoyados por IA como respuesta al tiempo de preparación que frena el  
aprendizaje basado en juegos, sin cuantificarlo. El único estudio que describe  
con detalle el esfuerzo docente apunta en sentido contrario: redactar y depurar  
las instrucciones para programar los juegos exigió un tiempo elevado, aunque la  
logística resultó menor que la de una sala de escape física para grupos  
numerosos (González Pulido, 2026). En cuanto a la participación, los  
cuestionarios generados con IA produjeron un aumento inicial seguido de un  
descenso, lo que sugiere que la novedad se agota sin estrategias de adaptación  
(Durgungoz & Durgungoz, 2025), mientras que el agente integrado en Moodle  
registró 773 interacciones en un piloto de dos semanas (Paiva et al., 2026). En  
un videojuego de autoevaluación con recursos visuales generados por IA, la nota  
media subió de 6,09 a 8,09 entre parciales, aunque sin grupo de comparación  
(Peña-Jiménez, 2025). En la línea de estudiantes diseñadores, los resultados  
incluyen mejoras en motivación, trabajo en equipo y conciencia crítica sobre la  
IA (Rodríguez-Rivera et al., 2026), mayores ganancias en aplicación del  
conocimiento, pensamiento crítico y autoeficacia que sin IAG (Wan et al., 2025),  
500  
Amén-Mora et al. (2026)  
una alta motivación declarada (Ramos Melero, 2025) y una mejor calidad de los  
recursos diseñados, aunque con una carga de trabajo elevada en algunas fases  
(Palazón-Herrera & Sánchez-Marroquí, 2025). Santillán Trujillo et al. (2025)  
informan mejoras en participación y comprensión en una muestra amplia, pero  
sin detallar los contrastes estadísticos ni la herramienta empleada.  
A partir de los rasgos que se repitieron en los estudios, se elaboró una lista de  
ocho criterios para valorar herramientas de creación gamificada asistida por IA  
(Tabla 3).  
Tabla 3. Criterios para valorar herramientas de creación gamificada asistida por IA  
Criterio  
Descripción  
Estudios en que se basa  
1. Generación anclada  
Genera a partir de objetivos de  
Doughty et al. (2024); Kelly et  
en el curso  
aprendizaje o materiales del curso, no solo al. (2024); Paiva et al. (2026);  
de una instrucción libre  
Ramos Melero (2025); Vu et al.  
(
2024)  
2. Revisión docente  
Permite revisar, editar o descartar cada  
Doughty et al. (2024);  
antes de publicar  
ítem antes de que llegue a los estudiantes Durgungoz y Durgungoz  
(2025); González Pulido  
(2026); Pérez-López y Navarro-  
Mateos (2025); Ramos Melero  
(
2025)  
3
. Control del nivel  
Permite indicar o verificar el nivel cognitivo Kurdi et al. (2020); Durgungoz  
de los ítems, más allá del recuerdo factual y Durgungoz (2025)  
cognitivo  
4
. Coherencia entre  
La narrativa o la mecánica se vincula con  
las tareas y los objetivos del curso  
Fotaris et al. (2023); Pérez-  
López y Navarro-Mateos  
meta y tareas  
(
2025)  
5
. Retroalimentación  
Ofrece retroalimentación inmediata y de  
calidad, revisable por el docente  
Durgungoz y Durgungoz (2025)  
Durgungoz y Durgungoz  
formativa  
6. Participación  
Incluye mecanismos para mantener la  
sostenida  
participación más allá de la novedad inicial (2025); Paiva et al. (2026)  
7
. Uso de los datos de  
Aprovecha los resultados de los  
estudiantes para detectar dificultades o  
riesgo académico  
Durgungoz y Durgungoz (2025)  
desempeño  
8. Guía pedagógica e  
Reduce la dependencia de la ingeniería de González Pulido (2026); López-  
integración institucional  
instrucciones y se integra en los entornos  
institucionales  
Galisteo y Borrás-Gené (2025);  
Paiva et al. (2026); Ramos  
Melero (2025); Wild y  
Neymeyer (2025)  
Nota. Criterios derivados del análisis temático del corpus. Elaboración propia.  
501  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
Discusión  
Los resultados indican que la evolución de la gamificación estática a la creación  
asistida por IA no elimina el trabajo docente, sino que cambia su naturaleza: el  
docente pasa de redactar cada elemento a seleccionar, corregir y dar coherencia  
a lo que genera el modelo. Esta lectura coincide con la revisión de Nikolic et al.  
(2024), en la que el profesorado universitario valoraba la eficiencia de la IAG  
pero expresaba reservas sobre su exactitud y fiabilidad. También coincide con el  
caso analizado por Pérez-López y Navarro-Mateos (2025), en el que la IA ayudó  
a superar la página en blanco, pero la coherencia y la carga emocional de la  
propuesta dependieron del juicio humano.  
El hallazgo más relevante para la práctica es la distancia entre el ahorro de  
tiempo que se atribuye a la IA y el que efectivamente se mide. Fuera de la  
gamificación, un ensayo aleatorizado con docentes de ciencias encontró que la  
planificación con ChatGPT redujo el tiempo de preparación sin afectar la calidad  
de los materiales (Roy et al., 2024), y un estudio mixto en escuelas primarias  
reportó una reducción mayor, aunque el tiempo ganado tendía a reasignarse a  
otras tareas (Carson et al., 2026). En la gamificación universitaria, en cambio, el  
ahorro se afirma pero no se cuantifica, y no se descuenta el tiempo que exige  
revisar y corregir lo generado; el único estudio que lo describe señala que  
preparar instrucciones detalladas y depurar las salidas fue costoso (González  
Pulido, 2026). Esta es la principal línea de investigación pendiente.  
Evidencia reciente refuerza esta lectura. En un estudio con 19 docentes de una  
universidad a distancia alemana, los ítems de opción múltiple generados con un  
flujo de agentes de IA presentaron más defectos de redacción que los elaborados  
por los propios docentes, incluso después de que estos los editaran; además,  
los docentes intervinieron poco sobre los borradores generados y el tiempo por  
tarea no difirió entre las condiciones (Menze et al., 2026). Los autores interpretan  
esa escasa edición como un sesgo de automatización, en el que la fluidez del  
texto generado induce a aceptarlo sin una revisión suficiente. Si este hallazgo se  
confirma en otros contextos, implica que la revisión docente, que todos los  
502  
Amén-Mora et al. (2026)  
estudios incluidos consideran necesaria, no ocurre de forma espontánea y debe  
apoyarse en criterios explícitos como los de la Tabla 3.  
La segunda línea identificada, en la que los estudiantes diseñan con IA, amplía  
el alcance del tema. En ella la IA no reemplaza al diseñador, sino que se  
convierte en un objeto de aprendizaje: los estudiantes, entre ellos futuros  
profesionales de la educación, desarrollan juicio crítico sobre la herramienta  
mientras la usan (Palazón-Herrera & Sánchez-Marroquí, 2025; Rodríguez-Rivera  
et al., 2026; Wan et al., 2025). Esta línea responde a uno de los vacíos señalados  
por Xue et al. (2025), quienes advirtieron la escasa atención que la investigación  
sobre adopción de IA ha dado a los docentes en formación.  
Para valorar la aplicabilidad de los criterios de la Tabla 3, estos se aplicaron a  
ORBIT, una plataforma de actividades gamificadas usada por docentes de la  
Universidad Estatal del Sur de Manabí mediante sus cuentas institucionales.  
ORBIT (Operativa de Retos Basados en Interacción Tecnológica) es una  
aplicación web desarrollada por el primer autor de este artículo, que publica las  
actividades directamente en Google Classroom. Permite crear una decena de  
tipos de actividades (sala de escape, sopa de letras, crucigrama, ordenar,  
clasificar, relacionar, cuestionarios individuales y un concurso por equipos en  
tiempo real) y agruparlas en rutas de aprendizaje con criterio de dominio. Desde  
sus editores, el docente puede generar el contenido con Gemini (Google) a partir  
de un tema, un texto pegado o un PDF, indicando de forma opcional el objetivo  
y el nivel; la propuesta resultante debe revisarse y aplicarse antes de guardarla.  
Los estudiantes también pueden crear actividades, lo que acerca la plataforma  
a la segunda línea identificada en la revisión. Entre abril y noviembre de 2026 se  
registraron 248 docentes y 2328 estudiantes con cuenta institucional; 137  
docentes crearon al menos una actividad (1068 en total) y 2218 estudiantes  
participaron en alguna. La Tabla 4 resume la valoración.  
Tabla 4. Aplicación ilustrativa de los criterios a la plataforma ORBIT  
Criterio Evidencia observada en ORBIT Valoración  
1. Generación anclada en el El docente elige la fuente: un tema, un texto Cumple  
curso  
pegado (hasta 60 000 caracteres) o un PDF,  
del que se extrae el texto en el navegador;  
puede añadir el objetivo de aprendizaje y el  
503  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
Criterio  
Evidencia observada en ORBIT  
Valoración  
nivel. No lee el sílabo ni los recursos del aula  
virtual de forma automática, ni procesa PDF  
escaneados.  
2
. Revisión docente antes  
La propuesta de la IA se muestra aparte del Cumple  
formulario; el docente la revisa, decide si la  
aplica y puede editarla después. Aplicar no  
guarda ni publica. El servidor, además,  
rechaza las propuestas que incumplen las  
reglas del juego (cantidad pedida, duplicados,  
pistas que revelan la respuesta).  
de publicar  
3. Control del nivel cognitivo Las preguntas llevan una dificultad de 1 a 3 que Cumple parcialmente  
asigna el propio modelo, y el docente puede  
escribir el nivel y el objetivo en texto libre. No  
hay un control explícito del nivel cognitivo ni  
una verificación posterior; los formatos de  
ordenar, clasificar y relacionar exigen, en todo  
caso, algo más que el recuerdo.  
4. Coherencia entre meta y Las rutas de aprendizaje agrupan actividades Cumple parcialmente  
tareas  
bajo un objetivo, y la IA puede proponer un plan  
de tres a cinco actividades con un foco para  
cada una, que el docente revisa. No genera  
narrativas, y la coherencia entre meta y tareas  
depende de la revisión docente.  
5
. Retroalimentación  
En ordenar, clasificar, relacionar y crucigrama, Cumple parcialmente  
la IA redacta una explicación por elemento que  
el estudiante ve al equivocarse y que el  
docente puede editar; los intentos son  
ilimitados hasta alcanzar el dominio. Las  
preguntas generadas para la sala de escape y  
los cuestionarios no incluyen explicación.  
formativa  
6
. Participación sostenida  
. Uso de los datos de  
Combina puntos de experiencia por asignatura, Cumple (efecto no  
niveles y ligas, rutas con progreso visible, verificable)  
reintentos hasta el dominio y partidas en vivo  
por equipos. No se ha medido si sostienen la  
participación más allá de la novedad.  
7
El docente consulta intentos y dominio por Cumple parcialmente  
actividad y por estudiante, sigue el avance de  
cada ruta, exporta resultados en CSV y puede  
sincronizar la nota con Google Classroom. La  
plataforma no detecta de forma automática  
dificultades ni estudiantes en riesgo.  
desempeño  
8
. Guía pedagógica e  
La generación usa formularios con campos Cumple parcialmente  
fijos (fuente, objetivo, nivel, cantidad) en lugar  
de instrucciones libres, y el modelo empleado  
es transparente para el docente. Se integra con  
las cuentas institucionales y con Google  
Classroom. Cada docente debe aportar su  
propia clave de la API de Gemini, lo que añade  
una barrera de entrada.  
integración institucional  
Nota. Valoración realizada por los autores a partir de la documentación técnica y del  
funcionamiento de la versión desplegada en noviembre de 2026; el primer autor es el  
504  
Amén-Mora et al. (2026)  
desarrollador de la plataforma. Los datos de uso proceden de recuentos agregados y anónimos  
de la base de datos de la plataforma, consultada el 10 de noviembre de 2026. No constituye una  
evaluación de su efectividad. Elaboración propia.  
La aplicación muestra que los criterios pueden usarse sobre una herramienta  
concreta y que separan con claridad lo que está resuelto de lo que no. ORBIT  
cumple los criterios de generación anclada en el curso y de revisión docente  
antes de publicar, porque la propuesta de la IA no llega al estudiante sin que el  
docente la aplique, la guarde y la publique, y porque el servidor descarta las  
salidas que incumplen las reglas de cada juego. Incluye también mecanismos de  
participación sostenida, aunque su efecto no se ha medido. Los datos de uso  
apuntan en la misma dirección que la literatura revisada: la generación de rutas  
con IA, disponible desde octubre de 2026, la emplearon 40 docentes para crear  
56 rutas, pero las actividades de los cuatro juegos que la IA genera en esas rutas  
acumulan apenas 51 sesiones de juego, frente a varios miles en los juegos que  
los docentes elaboran manualmente. Generar contenido resultó más sencillo que  
llevarlo al aula. Cumple de forma parcial los cinco criterios restantes: la dificultad  
la asigna el modelo sin control del nivel cognitivo, no se generan narrativas, las  
explicaciones faltan en los juegos de preguntas, los datos de desempeño no se  
emplean para detectar riesgo académico y la exigencia de una clave propia de  
Gemini limita su adopción institucional. Para su uso en la UNESUM, esto significa  
que la plataforma reduce la redacción, pero no la curaduría: la calidad  
pedagógica de cada actividad sigue dependiendo de que el docente revise lo  
generado. Como el primer autor es su desarrollador, esta valoración debe leerse  
como una prueba de los criterios y no como evidencia de la efectividad de la  
herramienta, que exige estudios con docentes y estudiantes.  
Este estudio tiene limitaciones. La búsqueda no se ejecutó en Scopus ni en Web  
of Science por falta de acceso institucional, sino en SciSpace y Google  
Académico, que ordenan los resultados por relevancia y limitan el número de  
registros recuperados por consulta, y en SciELO, Redalyc y Dialnet; en Dialnet  
la cadena tuvo que dividirse en consultas simplificadas, por lo que pueden  
haberse omitido estudios pertinentes. Tres informes no pudieron recuperarse a  
texto completo. El cribado inicial lo realizó un solo revisor con apoyo de  
asistentes de IA, por lo que no se calculó un índice de concordancia entre  
evaluadores; para reducir este sesgo, los casos dudosos y la extracción de datos  
505  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
se resolvieron por consenso de los cuatro autores. Además, el campo es reciente  
y parte de la evidencia procede de actas de congresos, de capítulos de libros  
colectivos y de estudios con muestras pequeñas o sin grupo de comparación, lo  
que impide estimar efectos; algunos estudios no precisan qué parte del diseño  
generó la IA (Estévez Mendoza, 2026) ni la herramienta empleada (Santillán  
Trujillo et al., 2025). Por último, la rapidez con que las plataformas incorporan  
funciones de IA hace que algunas herramientas analizadas cambien antes de  
que se publique su evaluación.  
4
. CONCLUSIONES  
La creación de actividades gamificadas en educación superior ha pasado de una  
autoría manual, en la que el docente redactaba y configuraba cada elemento, a  
una creación asistida por IA que aparece en la literatura a partir de 2023 y se  
concentra en 2025. Esta evolución no elimina el trabajo docente, sino que lo  
desplaza de la redacción a la curaduría del contenido generado.  
La calidad de lo que genera la IA depende de lo que se le entrega: los ítems  
anclados en objetivos o materiales del curso alcanzan una calidad comparable a  
la humana, mientras que las narrativas generadas a partir de instrucciones libres  
pierden coherencia pedagógica. En todos los casos, la revisión docente antes de  
publicar sigue siendo necesaria.  
Se recomienda que las investigaciones futuras midan de forma objetiva el tiempo  
de elaboración, incluido el que exige revisar y corregir lo generado, y que  
comparen la calidad pedagógica de las actividades creadas con y sin IA  
mediante diseños con grupo de comparación.  
El tema trasciende el ahorro de tiempo. Cuando los estudiantes, en especial los  
futuros docentes, diseñan actividades lúdicas con IA, la herramienta se convierte  
en objeto de aprendizaje y favorece el juicio crítico sobre su uso, lo que vincula  
la gamificación asistida por IA con la formación inicial docente y la alfabetización  
en IA.  
Es previsible que la generación de actividades a partir de documentos del curso  
se vuelva una función estándar de las plataformas. Por ello, el valor diferencial  
506  
Amén-Mora et al. (2026)  
de una herramienta dependerá cada vez menos de su capacidad de generar  
contenido y cada vez más de cómo apoya la revisión docente, la coherencia  
pedagógica y el uso de los datos de desempeño, aspectos que recogen los  
criterios propuestos en este estudio.  
REFERENCIAS  
Arksey, H., & O’Malley, L. (2005). Scoping studies: Towards a methodological  
framework. International Journal of Social Research Methodology, 8(1),  
19–32. https://doi.org/10.1080/1364557032000119616  
Carson, J., Benfield, H., & Anderson, M. (2026). Embedding AI in lesson  
planning: Evidence from a multi-school research project. Proceedings of  
the International Conference on Networked Learning,  
15.  
https://doi.org/10.54337/nlc.v15.10863  
Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design  
elements to gamefulness: Defining “gamification”. En Proceedings of the  
15th International Academic MindTrek Conference (pp. 9–15). ACM.  
https://doi.org/10.1145/2181037.2181040  
Doughty, J., Wan, Z., Bompelli, A., Qayum, J., Wang, T., Zhang, J., Zheng, Y.,  
Doyle, A., Sridhar, P., Agarwal, A., Bogart, C., Keylor, E., Kultur, C.,  
Savelka, J., & Sakr, M. (2024). A comparative study of AI-generated (GPT-  
4) and human-crafted MCQs in programming education. En Proceedings  
of the Australasian Computing Education Conference (ACE 2024). ACM.  
https://doi.org/10.1145/3636243.3636256  
Durgungoz, A., & Durgungoz, F. C. (2025). Exploring effortless AI-generated  
gamified quizzes in an online special education module: Evaluating  
question quality, student engagement, and its potential to identify at-risk  
students.  
Education  
and  
Information  
Technologies.  
https://doi.org/10.1007/s10639-025-13765-5  
Estévez Mendoza, L. M. (2026). Del aula al caso criminal: El escape room como  
estrategia docente en Derecho procesal penal. En I. González Pulido  
(Coord.), Innovación docente con IA en Derecho Procesal: aplicación de  
los LLM y del vibe coding (pp. 55–79). Colex.  
Fotaris, P., Mastoras, T., & Lameras, P. (2023). Designing educational escape  
rooms with generative AI: A framework and ChatGPT prompt engineering  
guide. Proceedings of the European Conference on Games Based  
Learning, 17(1), 180–189. https://doi.org/10.34190/ecgbl.17.1.1870  
507  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
González Pulido, I. (2026). Crimicoding: Uso de la IA para la gamificación en  
asignaturas de Derecho Procesal. En I. González Pulido (Coord.),  
Innovación docente con IA en Derecho Procesal: aplicación de los LLM y  
del vibe coding (pp. 103–131). Colex.  
Kahoot! (s. f.). How to create kahoots with ChatGPT. Kahoot! Help Center.  
https://support.kahoot.com/hc/en-us/articles/36769571498397  
Kaşarcı, İ., & Yurt, E. (2026). Effectiveness of AI-supported game-based learning:  
A systematic review of outcomes, challenges, and future directions.  
Behavioral Sciences, 16(7), 1050. https://doi.org/10.3390/bs16071050  
Kelly, K., Wu, B., & Liebe, C. (2024). Gamification powered by a large language  
model to enhance flipped classroom learning in undergraduate computer  
science. Proceedings of the European Conference on Games Based  
Learning, 18(1). https://doi.org/10.34190/ecgbl.18.1.2630  
Kurdi, G., Leo, J., Parsia, B., Sattler, U., & Al-Emari, S. (2020). A systematic  
review of automatic question generation for educational purposes.  
International Journal of Artificial Intelligence in Education, 30(1), 121–204.  
https://doi.org/10.1007/s40593-019-00186-y  
López-Galisteo, A. J., & Borrás-Gené, O. (2025). The creation and evaluation of  
an AI assistant (GPT) for educational experience design. Information,  
16(2), 117. https://doi.org/10.3390/info16020117  
Menze, D., Radović, S., & Seidel, N. (2026). AI-assisted MCQ creation increases  
item-writing flaws through automation bias: Evaluation of a workflow of  
multiple AI agents with teachers. Frontiers in Computer Science, 8,  
1831250. https://doi.org/10.3389/fcomp.2026.1831250  
Moreira, M., Paiva, J., Pinto, M., & Queirós, R. (2025). Gamibot: Um chatbot  
educativo gamificado com integração no Moodle para suporte  
personalizado  
à
aprendizagem.  
Prática,  
8(3).  
https://doi.org/10.34630/pel.v8i3.6372  
Nikolic, S., Wentworth, I., Sheridan, L., Moss, S., Duursma, E., Jones, R. A., Ros,  
M., & Middleton, R. (2024). A systematic literature review of attitudes,  
intentions and behaviours of teaching academics pertaining to AI and  
generative AI (GenAI) in higher education: An analysis of GenAI adoption  
using the UTAUT framework. Australasian Journal of Educational  
Technology, 40(6), 56–75. https://doi.org/10.14742/ajet.9643  
Paiva, J. C., Queirós, R., Simões de Almeida, R., Terroso, T., & Pinto, M. (2026).  
Bridging generative AI and gamification in Moodle: Design and evaluation  
508  
Amén-Mora et al. (2026)  
of GamiBot. En F. Portela, L. Matos y T. Guimarães (Eds.), 7th  
International Computer Programming Education Conference (ICPEC  
026) (pp. 17:1–17:14). Schloss Dagstuhl – Leibniz-Zentrum für  
2
Informatik. https://doi.org/10.4230/OASIcs.ICPEC.2026.17  
Palazón-Herrera, J., & Sánchez-Marroquí, J. (2025). Impacto de la inteligencia  
artificial generativa en el diseño de recursos musicales gamificados.  
Electronic Journal of Music in Education, (56), 268–285.  
https://leemejournal.com/menuscript/index.php/leeme/article/view/554/50  
8
Peña-Jiménez, D. (2025). Innovación educativa: Gamificación en Biotecnología  
con inteligencia artificial generativa. En M. D. Vivas Urias & M. A. Ruiz  
Rosillo (Coords.), Inteligencia artificial generativa. Buenas prácticas  
docentes en educación superior (pp. 165–178). Octaedro.  
https://octaedro.com/wp-content/uploads/2025/05/9788410282575.pdf  
Pérez-López, I. J., & Navarro-Mateos, C. (2025). ¿Qué sabe ChatGPT de  
gamificación en educación? De la IA a la artesanía. Alteridad, 20(2), 203–  
217. https://doi.org/10.17163/alt.v20n2.2025.04  
Peters, M. D. J., Marnie, C., Tricco, A. C., Pollock, D., Munn, Z., Alexander, L.,  
McInerney, P., Godfrey, C. M., & Khalil, H. (2020). Updated  
methodological guidance for the conduct of scoping reviews. JBI Evidence  
Synthesis, 18(10), 2119–2126. https://doi.org/10.11124/JBIES-20-00167  
Ramos Melero, R. (2025). Gamificación y generación de preguntas para  
autoevaluación con inteligencia artificial. En M. D. Vivas Urias & M. A. Ruiz  
Rosillo (Coords.), Inteligencia artificial generativa. Buenas prácticas  
docentes  
en  
educación  
superior  
(pp.  
87–100).  
Octaedro.  
https://octaedro.com/wp-content/uploads/2025/05/9788410282575.pdf  
Rodríguez-Rivera, P., Manzano-León, A., Rodríguez Ferrer, J. M., & Montoya  
Rodríguez, M. M. (2026). Aprendizaje e innovación con IA generativa:  
Creación colaborativa de escape rooms en la educación superior. Páginas  
de Educación, 19(2), e5073. https://doi.org/10.22235/pe.v19i2.5073  
Rodríguez-Rivera, P., Rodríguez-Ferrer, J. M., & Manzano-León, A. (2025).  
Designing digital escape rooms with generative AI in university contexts:  
A qualitative study. Multimodal Technologies and Interaction, 9(3), 20.  
https://doi.org/10.3390/mti9030020  
Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in  
lesson preparation: A Teacher Choices trial. Evaluation report. Education  
Endowment  
Foundation.  
https://educationendowmentfoundation.org.uk/projects-and-  
509  
Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa  
REICOMUNICAR. Vol. 9, Núm. 18 (Ed. Julio – Diciembre 2026) ISSN: 2737-6354.  
Evolución de la gamificación estática a la creación asistida por inteligencia artificial en  
educación superior.  
evaluation/projects/choices-in-edtech-using-generative-ai-chatgpt-for-  
ks3-science-lesson-preparation-2024-teacher-choices-trial  
Sailer, M., & Homner, L. (2020). The gamification of learning: A meta-analysis.  
Educational  
Psychology  
Review,  
32(1),  
77–112.  
https://doi.org/10.1007/s10648-019-09498-w  
Santillán Trujillo, M., Ramírez Uceda, J. M., de Castro Lozano, C., & Enríquez  
Alulema, Á. (2025). Aprendizaje significativo entorno a la IA generativa:  
Gamificación para experiencias educativas. Comunicar, 33(82), 245–256.  
https://doi.org/10.5281/zenodo.16387609  
Subhash, S., & Cudney, E. A. (2018). Gamified learning in higher education: A  
systematic review of the literature. Computers in Human Behavior, 87,  
192–206. https://doi.org/10.1016/j.chb.2018.05.028  
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher,  
D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang,  
C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G.,  
Garritty, C., … Straus, S. E. (2018). PRISMA extension for scoping  
reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal  
Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850  
Vu, S. T., Truong, H. T., Do, O. T., Le, T. A., & Mai, T. T. (2024). A ChatGPT-  
based approach for questions generation in higher education. En  
Proceedings of the 1st ACM Workshop on AI-Powered Q&A Systems for  
Multimedia. ACM. https://doi.org/10.1145/3643479  
Wan, K., Woo, Y. Y., & Ho, G. T. S. (2025). Enhancing service-learning through  
generative AI: A mixed-method study on educational game design in a  
finance  
course.  
Cogent  
Education,  
12(1),  
2592370.  
https://doi.org/10.1080/2331186X.2025.2592370  
Wang, A. I., & Tahir, R. (2020). The effect of using Kahoot! for learning – A  
literature review. Computers Education, 149, 103818.  
https://doi.org/10.1016/j.compedu.2020.103818  
&
Wild, A., & Neymeyer, F. (2025). From barriers to bridges: AI-powered mini-  
games for accessible game-based learning. Proceedings of the European  
Conference  
on  
Games  
Based  
Learning,  
19(2).  
https://doi.org/10.34190/ecgbl.19.2.4189  
Xue, L., Ghazali, N., & Mahat, J. (2025). Artificial intelligence (AI) adoption among  
teachers: A systematic review and agenda for future research.  
510  
Amén-Mora et al. (2026)  
International Journal of Technology in Education, 8(3), 802–824.  
https://doi.org/10.46328/ijte.1191  
Zainuddin, Z., Chu, S. K. W., Shujahat, M., & Perera, C. J. (2020). The impact of  
gamification on learning and instruction: A systematic review of empirical  
evidence.  
Educational  
Research  
Review,  
30,  
100326.  
https://doi.org/10.1016/j.edurev.2020.100326  
511