88
Revista Científica Multidisciplinar
https://revistasaga.org/
e-ISSN
3073-1151
Enero-Marzo
, 2026
Vol.
3
, Núm.
1
,
88-94
https://doi.org/10.63415/saga.v3i1.322
Artículo de Investigación Original
.
Autocorrectores y erosión de la competencia ortográfica: Un estudio de
caso con estudiantes de posgrado dedicados a la docencia
Autocorrect and the erosion of orthography competence: A case study with graduate
students dedicated to teaching
Autocorretores e a erosão da competência ortográfica: Um estudo de caso com es-
tudantes de pós-graduação dedicados à docência
Sahara Araceli Pereyra López
1
, José Manuel Gámez Medina
1
1
Universidad Autónoma de Zacatecas, México
Recibido
: 2025-11-05 /
Aceptado
: 2025-12-20 /
Publicado
: 2026-01-03
RESUMEN
La integración de sistemas de asistencia a la escritura basados en Inteligencia Artificial (IA) ha transformado la
producción académica. Sin embargo, existe preocupación sobre el efecto de estas herramientas en la retención de
habilidades cognitivas. Este artículo presenta un estudio de caso exploratorio que analiza el impacto de la corrección
automática en la competencia ortográfica de estudiantes de posgrado que se dedican a la docencia (N = 12). Mediante un
diseño cuasi-experimental en cuatro fases, se detectó una disociación crítica: mientras el promedio de escritura asistida
fue excelente (
x̄
= 9.69), el dominio explícito de reglas gramaticales cayó drásticamente (
x̄
= 5.76). El 42 % de la muestra
reprobó la prueba teórica. Se concluye que la dependencia tecnológica genera una “competencia ilusoria”, donde el
docente pierde capacidad de transposición didáctica al delegar el procesamiento lingüístico al algoritmo.
Palabras clave:
autocorrector; competencia docente; descarga cognitiva; escritura académica; estudio de caso
ABSTRACT
The integration of Artificial Intelligence (IA)-based writing assistance systems has transformed academic production.
However, there is concern about the effect of these tools on the retention of cognitive skills. This article presents an
exploratory case study analyzing the impact of automatic correction on the orthographic competence of postgraduate
teachers (N = 12). Through a quasi-experimental design in four phases, a critical dissociation was detected: while the
average assisted writing score was excellent (
x̄
= 9.69), the explicit mastery of grammatical rules dropped drastically (
x̄
=
5.76). 42 % of the sample failed the theoretical test. It is concluded that technological dependence generates an “illusory
competence,” where the teacher loses the capacity for
didactic transposition by delegating linguistic processing to the
algorithm.
keywords
: academic writing; autocorrect; case study; cognitive offloading; teaching competence
RESUMO
A integração de sistemas de assistência à escrita baseados em Inteligência Artificial (IA) transformou a produção
acadêmica. No entanto, existe preocupação sobre o efeito destas ferramentas na retenção de habilidades cognitivas. Este
artigo apresenta um estudo de caso exploratório que analisa o impacto da correção automática na competência ortográfica
de docentes de pós-graduação (N = 12). Mediante um desenho quase-experimental em quatro fases, detectou-se uma
dissociação crítica: enquanto a média de escrita assistida foi excelente (
x̄
= 9,69), o domínio explícito de regras gramaticais
caiu drasticamente (
x̄
= 5,76). 42% da amostra reprovou no teste teórico. Conclui-se que a dependência tecnológica gera
uma "competência ilusória", onde o docente perde a capacidade de transposição didática ao delegar o processamento
linguístico ao algoritmo.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Enero-Marzo, 2026 | vol. 3 | núm. 1 | pág. 88-94
89
palavras-chave
: competência docente; corretor automático; descarga cognitiva; estudo de caso; escrita acadêmica
Forma sugerida de citar (APA):
Pereyra López, S. A., & Gámez Medina, J. M. (2026). Autocorrectores y erosión de la competencia ortográfica: Un estudio de caso con estudiantes de
posgrado dedicados a la docencia. Revista Científica Multidisciplinar SAGA, 3(1), 88-94.
https://doi.org/10.63415/saga.v3i1.322
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
INTRODUCCIÓN
La escritura académica en la educación
superior contemporánea está mediada por la
tecnología. Desde correctores básicos hasta
asistentes basados en Modelos de Lenguaje
Grande (LLMs), la interfaz entre pensamiento
y texto ha cambiado (Baron, 2021). Si bien
prometen eficiencia, plantean un dilema
pedagógico: ¿Son andamiaje (scaffolding) o
prótesis que inducen atrofia cognitiva?
La lengua española tiene reglas ortográficas
precisas, como las referentes a la acentuación
prosódica o gráfica de palabras. La no
aplicación de estas reglas fue tema de interés
para la realización de este estudio, ya que se
detectó una diferencia en la calidad ortográfica
de tareas entregadas por los alumnos de una
maestría, de modalidad a distancia, cuando
estas son realizadas en un procesador de texto
que tiene la función de autocorrección, a
cuando se escribe en aplicaciones o formatos
que no lo tienen.
En la formación de docentes de posgrado, la
precisión lingüística no es solo una
competencia instrumental, sino el vehículo de
la transposición didáctica. Si no se tiene dicha
precisión, no se transmitirá a los estudiantes la
buena práctica de su utilización.
Investigaciones recientes advierten sobre el
fenómeno del deskilling o des-capacitación
docente, generando ansiedad y dilemas éticos
sobre la seguridad y el uso apropiado de estas
herramientas (Cordero Monzón, 2025; Selim
et al., 2024).
El objetivo de este estudio fue analizar el
impacto de la corrección automática en la
competencia ortográfica de un grupo de
estudiantes de posgrado que se dedican a la
docencia.
La hipótesis planteada es que el uso
extendido de correctores genera una brecha
epistémica: docentes que producen textos
correctos sin comprender las reglas
ortográficas, fenómeno vinculado a la
"descarga cognitiva" (Risko & Gilbert, 2016).
A priori, se esperaría que la experiencia
profesional docente actuara como un factor
protector; sin embargo, este estudio pone a
prueba dicha asunción, investigando si la
“disociación cognitiva” afecta incluso a
quienes enseñan (Oakley et al., 2025).
Estado del Arte
Descarga Cognitiva y Atrofia Funcional. La
teoría del Cognitive Offloading establece que
los humanos tendemos a minimizar el esfuerzo
mental delegando procesos a herramientas
externas (Risko & Gilbert, 2016). Si bien esto
libera recursos, externalizar sub-tareas básicas
(como la ortografía) reduce drásticamente el
compromiso cognitivo (cognitive engagement)
necesario para el aprendizaje profundo
(Georgiou, 2025; Peng & Yeh, 2025). No se
trata necesariamente de una degeneración
biológica, sino de una atrofia funcional: la falta
de recuperación activa de reglas debilita los
esquemas mentales internos (Oakley et al.,
2025).
Autocorrectores
: Superficialidad y Repetición
de Errores. A diferencia de los LLMs que
pueden erosionar el razonamiento crítico
(Stadler et al., 2024), los autocorrectores
afectan la aten- ción al detalle. Ismael et al.
(2022) encontraron que los estudiantes vigilan
menos su escritura y aceptan sugerencias que
no comprenden. Más crítico aún es el hallazgo
de Gholizadeh y Rahimi (2023): los
estudiantes tienden a repetir sistemáticamente
los mismos errores una vez retirada la
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Enero-Marzo, 2026 | vol. 3 | núm. 1 | pág. 88-94
90
herramienta, validando la existencia de una
“competencia ilusoria” (Budiyono, 2025).
Sesgo de Automatización. El Automation
Bias ocurre cuando confiamos excesivamente
en sistemas automatizados. En escritura,
estudiantes dependientes de correctores
gramaticales muestran menor precisión en
autoedición cuando la herramienta no está
disponible (Strobl et al., 2023). La
Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura (UNESCO,
2023) ha advertido sobre la necesidad de
mantener las competencias humanas
fundamentales frente a la IA generativa.
Identificación del Vacío de Investigación. A
diferencia de la variable métrica que se
presenta más adelante, el vacío bibliográfico
(Research Gap) que este estudio aborda es la
falta de literatura sobre: (1) El impacto de la IA
en la competencia normativa de docentes de
posgrado hispanohablantes; y (2) La distinción
empírica entre desempeño asistido y
conocimiento declarativo de reglas (Floridi,
2023).
El Riesgo de Deskilling. Para un docente,
esto implica la pérdida de la capacidad para
explicar el “porqué” de una corrección a sus
alumnos, delegando la autoridad epistémica al
algoritmo (Selim et al., 2024). El vacío
bibliográfico (Research Gap) que este estudio
aborda es la falta de literatura que cuantifique
esta pérdida normativa en docentes de
posgrado hispanohablantes (Floridi, 2023).
METODOLOGÍA
Se optó por un enfoque de Estudio de Caso
debido a la naturaleza específica de la muestra:
un grupo intacto de maestría en Educación.
Este diseño permite profundizar en el
fenómeno de la disociación cognitiva en un
contexto real de formación docente.
Participantes
La muestra, fue por conveniencia
considerando a todos los alumnos de un grupo
de posgrado, consistió en 12 estudiantes, seis
mujeres y seis hombres, todos docentes activos
de diferentes niveles educativos, desde
educación básica hasta superior, y entre un
rango de edad de los 26 a 40 años. Se garantizó
el anonimato mediante codificación (Sujeto
01-12).
Procedimiento Experimental
Se implementó un diseño en cuatro fases
mediante la plataforma Moodle:
1.
Fase 1: Diagnóstico (V
1
). Escritura con
asistencia estándar.
2.
Fase 2: Práctica (V
2
). Módulos iterativos
con retroalimentación.
3.
Fase 3: Teoría (V
3
). Cuestionario sobre
reglas explícitas (palabras: Agudas, Graves
y Esdrújulas). El autocorrector es ineficaz
en esta fase.
4.
Fase 4: Posterior (V
4
). Tarea de redacción
final asistida.
Definición de Variables: El Delta de
Disociación
Denominaremos la variable dependiente
como Delta de Disociación (
). Esta métrica
cuantifica la brecha entre lo que el sujeto puede
hacer con ayuda y el conocimiento de las reglas
ortográficas:
= V
4
- V
3
Donde V
4
es la calificación en la fase
posterior (tarea de redacción final asistida) y
V
3
la calificación en la prueba teórica. Un valor
de
> 3.0 indica un alto riesgo de competencia
ilusoria (el sujeto escribe bien, pero no sabe
por qué).
RESULTADOS
En esta sección se presentan y analizan los
datos. En primer lugar, la Tabla 1 detalla el
desempeño individual de cada docente. La
tabla revela la disociación crítica entre su
producción asistida y su conocimiento teórico,
permitiendo identificar a los sujetos en riesgo.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Enero-Marzo, 2026 | vol. 3 | núm. 1 | pág. 88-94
91
Tabla 1
Cálculo del Delta de Disociación (∆) por Sujeto
ID Sujeto Práctica (V
4
) Teoría (V
3
)
Delta (Δ)
Estado
Sujeto 01
9.80 10.00 -0.20 Consolidado
Sujeto 02
9.96 10.00 -0.04 Consolidado
Sujeto 03
9.10
9.99
-0.89
Consolidado
Sujeto 04
9.98
8.06 1.92 Consolidado
Sujeto 05
9.98
7.22 2.76 Consolidado
Sujeto 06
9.97
6.66 3.31 Alto riesgo
Sujeto 07
9.57
5.00 4.57 Alto riesgo
Sujeto 08
9.97
3.89 6.08 Alto riesgo
Sujeto 09
9.00
3.33 5.67 Alto riesgo
Sujeto 10
9.63
3.31 6.32 Alto riesgo
Sujeto 11
9.47
1.67
7.80
Crítico
Sujeto 12
9.89
0.00
9.89
Crítico
Nota: El Sujeto 12 no
presentó la prueba teórica. Se mantiene el valor 0.00 como “abandono de tarea”.
Fuente: Elaboración propia
Derivado del análisis individual expuesto
en la tabla anterior, la Figura 1 permite
visualizar inmediatamente la brecha de
rendimiento en los participantes clasificados
con “Alto riesgo” y “Crítico”. La barra azul
representa la competencia aparente (asistida),
mientras que la roja revela el conocimiento
real.
Figura 1
Ca
sos Críticos con Δ > 5.0
Nota. Visualización del Delta de Disociación. Nótese el colapso del conocimiento teórico frente a la
estabilidad práctica. Fuente: Elaboración propia.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Enero-Marzo, 2026 | vol. 3 | núm. 1 | pág. 88-94
92
Por último, para contextualizar estos
hallazgos específicos con la tendencia general
del grupo, la Tabla 2 resume los estadísticos
descriptivos. El contraste es evidente: la media
en escritura asistida (V
1
, V
4
) supera el 9.6,
mientras que la teoría (V
3
) cae a 5.76.
Tabla 2
Estadísticos Descriptivos por Fase (N = 12)
Variable
Media
(
x̄
)
Desv. Est. (
)
Rango
Diagnóstico (V
1
) 9.67
0.31 9.00
–
10.00
Práctica (V
2
)
9.91
0.20 9.50
–
10.00
Teoría (V
3
)
5.76
3.37 0.00
–
10.00
Posterior (V
4
)
9.69
0.34
9.00
–
9.98
Fuente: Elaboración propia
DISCUSIÓN
Los resultados de este estudio de caso
confirman que el desempeño asistido no es un
indicador fiable de la competencia cognitiva
real. El Delta promedio de 3.93 revela una
brecha sustancial. La asistencia tecnológica,
aunque mejora el producto final, puede ocultar
deficiencias profundas. El hallazgo de que el
42% de la muestra reprobó la prueba teórica
sugiere una "erosión silenciosa" del
conocimiento gramatical.
El autocorrector funcionó como una
prótesis que sustituye el procesamiento mental,
generando un “descompromiso cognitivo”
(Georgiou, 2025). Los docentes escribieron
correctamente delegando la vigilancia
epistémica a la herramienta, un fenómeno
alineado con las discusiones globales sobre la
pasividad en la era de la IA generativa
(Bozkurt et al., 2023).
Los casos críticos ilustran la atrofia
funcional por falta de “práctica de
recuperación” activa (Oakley et al., 2025). Al
ser docentes en activo, esta incapacidad
normativa señala un proceso de deskilling:
pierden la capacidad de enseñar el error porque
ya no pueden detectarlo sin asistencia (Forbes
& Guest, 2025).
Se observa que la dependencia de
herramientas automatizadas permite a los
docentes producir textos de alta calidad
superficial sin la necesidad de procesar
cognitivamente las reglas que rigen dicha
calidad. Esto valida la hipótesis de la
"competencia ilusoria": una percepción de
autoeficacia inflada por la prótesis tecnológica.
CONCLUSIONES
Existe una disociación severa entre calidad
de producto y competencia normativa en el 42
% de la muestra. La eficacia del autocorrector
enmascara deficiencias y consolida la atrofia
funcional, lo que representa un riesgo crítico
de des-capacitación (deskilling) para el
profesorado.
Siguiendo las directrices internacionales
sobre el uso ético y las políticas de IA
(UNESCO, 2021, 2023) no se sugiere una
renuncia al soporte tecnológico, sino una
reorientación hacia la “Alfabetización Crítica”.
El docente debe transitar de usuario pasivo a
auditor epistémico, manteniendo la autoridad
técnica para validar las sugerencias del
algoritmo.
Se recomienda reintroducir la enseñanza
explícita de reglas ortográficas y gramaticales
en la formación docente, reduciendo la
dependencia exclusiva de correctores
automáticos durante las fases de aprendizaje.
Entre las limitaciones del estudio se
encuentra el tamaño reducido de la muestra (N
= 12), propio de un estudio de caso, lo que
impide la generalización estadística masiva,
aunque proporciona validez interna sobre el
fenómeno en contextos de posgrado. Se
sugiere replicar el estudio con mayores
poblaciones y comparar distintos tipos de
asistencia (correctores vs. LLMs). Asimismo,
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Enero-Marzo, 2026 | vol. 3 | núm. 1 | pág. 88-94
93
se sugiere investigar el impacto de la
“alfabetización crítica” como variable
moderadora en la atrofia funcional.
REFERENCIAS BIBLIOGRÁFICAS
Baron, N. S. (2021). How we read now: Strategic
choices for print, screen, and audio.
Oxford University Press.
https://doi.org/10.1093/oso/97801900840
97.001.0001
Bozkurt, A., Xiao, J., Lambert, S., Pazurek, A.,
Crompton, H., Koseoglu, S., Farrow, R.,
Bond, M., Nerantzi, C., Honeychurch, S.,
Bali, M., Dron, J., Mir, K., Stewart, B.,
Costello, E., Mason, J., Stracke, C. M.,
Romero-
Hall, E., Koutropoulos, A., …
Jandrić, P. (2023). Speculative futures on
ChatGPT and generative artificial
intelligence (AI): A collective reflection
from the educational landscape. Asian
Journal of Distance Education, 18(1).
https://doi.org/10.5281/zenodo.7833361
Budiyono, H. (2025). Exploring long-term impact
of AI writing tools on independent writing
skills: A case study of Indonesian language
education students. International Journal
of Information and Education Technology,
15(5), 2306.
https://doi.org/10.18178/ijiet.2025.15.5.23
06
Cordero Monzón, M. A. (2025). Gestión ética y
seguridad en el uso de inteligencia artificial
por estudiantes universitarios. RIDE
Revista Iberoamericana para la
Investigación y el Desarrollo Educativo,
15(29).
https://doi.org/10.23913/ride.v15i29.2134
Floridi, L. (2023). The ethics of artificial
intelligence. Oxford University Press.
https://doi.org/10.1093/oso/97801988128
45.001.0001
Forbes, S., & Guest, O. (2025). To improve
literacy, improve equality in education, not
large language models. Cognitive Science,
49(4), e70058.
https://doi.org/10.1111/cogs.70058
Georgiou, G. (2025). ChatGPT produces more
“lazy” thinkers: Evidence of cognitive
engagement decline. arXiv.
https://doi.org/10.48550/arxiv.2507.00181
Gholizadeh, G., & Rahimi, M. (2023). The
mediating role of academic self-regulation
in the relationship between autocorrect use
and vocabulary size. Contemporary
Educational Technology, 15(4), ep456.
https://doi.org/10.30935/cedtech/12937
Ismael, K., Saeed, K., Ibrahim, A., & Fatah, D.
(2022). Effects of auto-correction on
students’ writing skill at three different
universities in Sulaimaniyah City. Arab
World English Journal, 13(1).
https://doi.org/10.24093/awej/call8.16
Oakley, B., Johnston, M., Chen, K., Jung, E., &
Sejnowski, T. (2025). The memory
paradox: Why our brains need knowledge
in an age of AI. arXiv.
https://doi.org/10.48550/arxiv.2506.11015
Peng, J., & Yeh, S. (2025). Cognitive offloading in
short-term memory tasks: Trust toward
tools as a moderator. International Journal
of Human
–
Computer Interaction, 41,
13382
–
13393.
https://doi.org/10.1080/10447318.2025.24
74449
Risko, E. F., & Gilbert, S. J. (2016). Cognitive
offloading. Trends in Cognitive Sciences,
20(9), 676
–
688.
https://doi.org/10.1016/j.tics.2016.07.002
Selim, R., Basu, A., Anto, A., Foscht, T., &
Eisingerich, A. (2024). Effects of large
language model
–
based offerings on the
well-being of students: Qualitative study.
JMIR Formative Research, 8.
https://doi.org/10.2196/64081
Stadler, M., Bannert, M., & Sailer, M. (2024).
Cognitive ease at a cost: LLMs reduce
mental effort but compromise depth in
student scientific inquiry. Computers in
Human Behavior, 160, 108386.
https://doi.org/10.1016/j.chb.2024.108386
Strobl, S., et al. (2023). Automation bias in AI-
assisted decision making. In Proceedings
of the CHI Conference on Human Factors
in Computing Systems.
https://doi.org/10.1145/3544548.3581198
UNESCO. (2021). AI and education: Guidance for
policy-makers.
https://unesdoc.unesco.org/ark:/48223/pf0
000376709
UNESCO. (2023). Guidance for generative AI in
education and research.
https://unesdoc.unesco.org/ark:/48223/pf0
000386693
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Enero-Marzo, 2026 | vol. 3 | núm. 1 | pág. 88-94
94
DECLARACIÓN DE CONFLICTO DE INTERESES
Los autores declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Pereyra López, S. A., & Gámez Medina, J. M. (2026)
Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons de Atribución No
Comercial 4.0, que permite su uso sin restricciones, su distribución y reproducción por cualquier
medio, siempre que no se haga con fines comerciales y el trabajo original sea fielmente citado.
El texto final, datos, expresiones, opiniones y apreciaciones contenidas en esta publicación es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el pensamiento de la revista.