DIOPA: un marco para diseñar instrucciones con criterio pedagógico

Resumen

La integración de la inteligencia artificial generativa en la docencia universitaria ha generado una proliferación de listas de instrucciones prefabricadas que prometen resultados inmediatos pero carecen de fundamento pedagógico. Este artículo presenta DIOPA, un marco heurístico de cinco fases para el diseño de instrucciones dirigidas a modelos de lenguaje desde un criterio pedagógico explícito. El marco surge de la convergencia entre tres líneas de trabajo: el diseño instruccional (alineación constructiva, diseño inverso, taxonomía revisada de Bloom), la ingeniería de instrucciones tal como se practica en contextos técnicos y más de un año de práctica docente sostenida con modelos de lenguaje en educación superior. Las cinco fases, Definir la intención pedagógica, Identificar las operaciones cognitivas, Orientar el contexto, Planificar restricciones productivas y Ajustar mediante iteración deliberada, no constituyen una receta sino un proceso de pensamiento transferible a cualquier disciplina. El artículo introduce el concepto de instrucción como unidad mínima de diseño pedagógico, lo diferencia del prompt genérico, desarrolla cada fase con ejemplos aplicados, propone cinco criterios de calidad para evaluar instrucciones diseñadas con el marco y explicita sus limitaciones como propuesta profesional aún sin validación empírica robusta. DIOPA se publica como marco abierto y evolutivo, orientado a ofrecer al profesorado universitario hispanohablante una alternativa fundamentada a las recetas descontextualizadas que dominan el discurso actual sobre IA y educación.

Palabras clave: diseño de instrucciones, inteligencia artificial generativa, educación superior, marco pedagógico, formación del profesorado, DIOPA, ingeniería de instrucciones.

Introducción al marco

Llevo más de un año dándole vueltas a una pregunta que parece sencilla pero no lo es: ¿cómo debería un docente universitario formular instrucciones para un modelo de lenguaje? No me refiero a la pregunta técnica, que tiene respuestas abundantes y cada vez más sofisticadas. Me refiero a la pregunta pedagógica: ¿qué proceso de pensamiento debería recorrer un profesional de la enseñanza antes de escribir una sola palabra dirigida a una máquina?

La pregunta importa porque la respuesta más habitual es profundamente insatisfactoria. Consiste en ofrecer listas de instrucciones prefabricadas: «los 10 mejores prompts para educación», «50 prompts que todo docente necesita». Estas listas comparten un defecto estructural: son descontextualizadas. Una instrucción que produce resultados brillantes para un profesor de biología molecular en São Paulo puede ser completamente inútil para una profesora de derecho procesal en Salamanca. El contexto lo es todo. Y las recetas, por definición, lo ignoran.

DIOPA es la respuesta que propongo a esa pregunta. Antes de entrar en las fases, conviene definirlo con precisión.

DIOPA es un marco heurístico para diseñar instrucciones dirigidas a modelos de lenguaje desde un criterio pedagógico explícito. No propone una fórmula universal ni una instrucción perfecta: organiza las decisiones docentes que conviene tomar antes, durante y después de interactuar con la IA generativa.

Heurístico significa, en este contexto, que no garantiza una respuesta perfecta, pero ayuda a tomar mejores decisiones. Su valor no está en automatizar el juicio docente, sino en hacerlo más visible, más ordenado y más revisable. No es otra receta. Es un proceso de pensamiento.

Una distinción fundamental recorre todo el marco: en DIOPA, la instrucción no se entiende como una orden técnica enviada a un modelo, sino como una unidad mínima de diseño pedagógico. Una instrucción bien formulada traduce una intención docente en condiciones operativas para que el modelo produzca algo educativamente útil. Eso la diferencia de un prompt genérico del mismo modo en que una actividad de aprendizaje bien diseñada se diferencia de «haced algo sobre el tema 3».

Marcos similares a DIOPA: posicionamiento en el panorama actual

DIOPA no aparece en un vacío. Durante los últimos tres años se han publicado varios marcos que comparten parte de su intención: ofrecer al profesorado una estructura sistemática para diseñar instrucciones dirigidas a modelos de lenguaje. Conviene situarlo entre ellos para clarificar qué aporta y qué deuda tiene con cada uno.

La revisión bibliográfica reciente identifica al menos cinco marcos con propósitos próximos. CRETA+R (Pixel-Bit, 2026[enlace]) propone un proceso de seis pasos —contexto, rol, ejemplos, tarea, ajustar, refinar— centrado más en la formulación técnica del prompt que en la decisión pedagógica previa. El GenAI Intent & Orientation Model (Pike et al., 2024[enlace]) identifica la intención y la orientación como vectores clave, pero está pensado para diseñadores instruccionales, no para docentes que toman decisiones en su aula. TPACK+XK (Mishra et al., 2023[enlace]) extiende el clásico TPACK añadiendo un componente de conocimiento contextual sobre IA, lo que resulta valioso pero opera en un nivel más abstracto: describe qué debe saber el docente, no qué proceso debe seguir cuando se sienta a escribir una instrucción. Higher Order Prompting (Jackson, 2025[enlace]) aplica directamente la taxonomía revisada de Bloom al diseño de prompts, una intuición que DIOPA recoge en su fase I, aunque sin convertirla en marco completo. El Scholarly Prompting Framework (SSRN, 2026 [enlace]) se centra en el prompting como competencia académica, con un componente metacognitivo explícito que DIOPA también incorpora, pero orientado más a la investigación que a la práctica docente cotidiana.

La siguiente tabla resume las dimensiones que diferencian a DIOPA del resto:

Tabla 1. Marcos próximos a DIOPA y dimensiones diferenciadoras.

DIOPA se posiciona, por tanto, en una intersección poco poblada. Es de los pocos marcos explícitamente centrados en el docente como sujeto de decisión (no en el diseñador instruccional ni en el desarrollador), y de los pocos que incorporan la iteración deliberada como fase con función metacognitiva propia, no como mero «refinamiento técnico» del prompt. Esa doble apuesta, situar al docente en el centro y convertir la revisión en parte del diseño, es lo que justifica añadir un marco más a un panorama ya poblado. No por novedad, sino por el ángulo desde el que mira.

El problema con las recetas

Durante estos meses he observado cómo colegas de distintas universidades y disciplinas interactuaban con modelos de lenguaje. El patrón se repetía con una consistencia reveladora: quienes obtenían resultados mediocres compartían un rasgo común. No era falta de competencia digital ni desconocimiento de la herramienta. Era ausencia de proceso. Abrían el modelo, escribían lo primero que se les ocurría, evaluaban el resultado con decepción y concluían que «la IA no sirve para educación» o, peor, que «sirve, pero solo para cosas básicas».

En el otro extremo, quienes obtenían resultados genuinamente útiles tampoco seguían recetas. Lo que hacían, muchas veces de forma intuitiva, era algo más interesante: pensaban antes de escribir. Definían qué querían conseguir, identificaban para quién era el resultado, establecían límites y revisaban lo que obtenían con ojo crítico. Hacían, en definitiva, lo que cualquier docente experimentado hace cuando diseña una actividad de aprendizaje: aplicar criterio profesional.

El problema, por tanto, no es que las listas de instrucciones sean inútiles siempre. Es que resultan insuficientes cuando sustituyen el criterio docente en lugar de complementarlo. La pregunta se reformuló entonces: ¿es posible sistematizar ese proceso de pensamiento sin convertirlo en otra receta? ¿Podemos ofrecer una estructura lo bastante flexible como para adaptarse a cualquier disciplina, pero lo bastante concreta como para ser útil desde el primer uso?

De la intuición al marco

DIOPA no nació de un momento eureka ni de una revisión sistemática con metodología impecable. Nació del cruce entre tres líneas de trabajo que, en algún momento, empezaron a converger. Estas son las corrientes, expresadas en una infografía:

La clave está en esa convergencia. DIOPA toma del diseño instruccional la lógica de alineación pedagógica: quien ha trabajado con alineación constructiva (Biggs) reconocerá en DIOPA una lógica familiar, primero el objetivo, después el diseño. Del diseño inverso (Wiggins y McTighe) toma la costumbre de pensar primero en el resultado pedagógico deseado antes de decidir cómo conseguirlo. De la taxonomía revisada de Bloom (Anderson y Krathwohl, 2001) toma la idea de que el contenido no es información aislada, sino actividad cognitiva: recordar, comprender, aplicar, analizar, evaluar o crear.

De la ingeniería de instrucciones toma la precisión comunicativa. Las guías de OpenAI, Anthropic y Google ofrecen recomendaciones valiosas: ser específico, dar contexto, proporcionar ejemplos, iterar. Funcionan, pero están pensadas para desarrolladores, no para docentes. Les falta la capa pedagógica que transforma una instrucción técnicamente correcta en una instrucción educativamente pertinente.

De la práctica docente, la tercera línea y quizá la más determinante, toma la sensibilidad contextual que ningún manual técnico puede sustituir. Cientos de horas usando modelos de lenguaje para crear materiales, diseñar actividades, generar retroalimentación y preparar evaluaciones. De esa práctica emergieron patrones claros: las instrucciones que funcionaban bien compartían cinco características. Las que fallaban carecían, como mínimo, de dos o tres de ellas.

Las cinco fases de DIOPA

DIOPA no nace como un acrónimo atractivo, sino como una secuencia de decisiones docentes. Cada letra nombra una operación necesaria para transformar una petición genérica en una instrucción pedagógicamente orientada.

La visualización anterior muestra el marco en su conjunto. La tabla que sigue lo descompone con más precisión: qué pregunta responde cada fase, qué función pedagógica cumple y, sobre todo, qué ocurre cuando se omite (columna 4). Esta última columna es la más importante: convierte cada decisión en una decisión con consecuencias.

D — Definir la intención pedagógica

Todo comienza aquí. Antes de escribir una sola palabra dirigida al modelo, responde con claridad: ¿qué quiero conseguir con este resultado? No qué quiero que el modelo «haga», sino qué función pedagógica cumplirá lo que genere. ¿Es una rúbrica que mis estudiantes usarán para autoevaluar su trabajo? ¿Es un caso práctico que provocará discusión en el aula? ¿Es retroalimentación formativa sobre un ensayo?

La diferencia entre «genera una actividad sobre cambio climático» y «necesito una actividad que permita al estudiantado comprender las relaciones entre causas, consecuencias e intervenciones posibles» no es una diferencia de extensión. Es una diferencia de intención. La primera formulación es un deseo. La segunda es un diseño.

Coincidimos con Holmes y sus colaboradores (2023) cuando argumentan que el diseño pedagógico subyacente determina si la tecnología amplifica el aprendizaje o simplemente automatiza prácticas ineficaces. DIOPA comienza por la intención precisamente porque sin ella todo lo demás carece de dirección.

I — Identificar las operaciones cognitivas

¿Qué quiero que el resultado del modelo ayude a activar en mis estudiantes? Esta pregunta obliga a pensar más allá del contenido. No es lo mismo generar una lista de conceptos clave (nivel de recuerdo) que diseñar una actividad donde los estudiantes deban comparar dos perspectivas teóricas y argumentar cuál explica mejor un fenómeno (nivel de evaluación).

La taxonomía de Bloom revisada sigue siendo una herramienta útil aquí, no como corsé clasificatorio sino como brújula. Si quiero que la actividad generada active pensamiento de orden superior, la instrucción debe reflejarlo explícitamente. Un modelo de lenguaje no adivina el nivel cognitivo que perseguimos. Se lo indicamos o genera contenido en el nivel más frecuente de sus datos de entrenamiento, que tiende a ser comprensión y aplicación básica.

O — Orientar el contexto

El modelo necesita saber para quién es el resultado, en qué disciplina se enmarca, qué nivel de profundidad se espera y cuáles son las convenciones del campo. Sin contexto, genera contenido genérico. Con contexto, genera contenido que puede ser realmente útil.

Un matiz que a menudo se pasa por alto: para docentes que trabajamos en contextos hispanohablantes, orientar el contexto incluye especificar la variante lingüística y las referencias culturales pertinentes. Un modelo entrenado predominantemente con textos anglosajones necesita que le digamos explícitamente desde dónde hablamos. Incluir «en español internacional y con enfoque de aula universitaria» no es un detalle estilístico: es una decisión pedagógica que afecta a la calidad y pertinencia del resultado.

P — Planificar restricciones

Parece contradictorio, pero las restricciones mejoran los resultados. Limitar la extensión, acotar el vocabulario, definir el formato de salida, indicar qué fuentes usar o evitar: cada restricción reduce el espacio de respuestas posibles y aumenta la probabilidad de obtener algo genuinamente útil.

Consideremos la diferencia. «Genera preguntas de examen sobre fotosíntesis» produce un resultado amplio y probablemente superficial. «Genera cinco preguntas de opción múltiple sobre fotosíntesis para estudiantes de primer curso de Biología. Cada pregunta debe evaluar comprensión o aplicación, no memorización. Formato: enunciado + cuatro opciones + respuesta correcta + retroalimentación explicativa de 40 palabras máximo.» La diferencia no es sutil.

A — Ajustar mediante iteración deliberada

La primera respuesta de un modelo de lenguaje raramente es la mejor. DIOPA incorpora la iteración como fase explícita, no como parche.

Ajustar no significa regenerar al azar. Significa diagnosticar qué dimensión de la respuesta no cumple la intención pedagógica: precisión conceptual, nivel cognitivo, claridad, formato, utilidad docente o adecuación al contexto. Una vez identificado el problema, la instrucción se reformula con un diagnóstico concreto: «los descriptores del nivel suficiente son demasiado vagos; reformula usando verbos observables». Eso es iteración deliberada. Pulsar «regenerar» esperando algo mejor por azar no lo es.

Burns (2026) señala que el modelo óptimo de trabajo con IA educativa es el de «vigor híbrido» humano-máquina, donde el docente mantiene un papel esencial en supervisar y guiar el uso del modelo. La fase de ajuste encarna ese principio: el docente no delega el criterio en la máquina, sino que lo ejerce activamente sobre lo que la máquina produce.

DIOPA en acción: de una petición genérica a una instrucción pedagógica

La siguiente visualización muestra, paso a paso, cómo una instrucción genérica se transforma en una instrucción pedagógicamente precisa al recorrer las cinco fases de DIOPA. Cada fase añade una capa de criterio.

Petición inicial:

«Genera una actividad sobre cambio climático.»

Instrucción final con DIOPA:

«Genera una actividad sobre cambio climático para que el estudiantado comprenda las relaciones entre causas, consecuencias e intervenciones posibles. La actividad debe activar análisis, comparación y argumentación. Está dirigida a estudiantes de 2.º curso de Educación, en español internacional y con enfoque de aula universitaria. Incluye un estudio de caso breve, tres preguntas abiertas, una rúbrica analítica de cuatro criterios y evita respuestas memorísticas. Si la propuesta resulta demasiado descriptiva, reházala para aumentar la complejidad cognitiva y mejorar la claridad de la rúbrica.»

Esta instrucción no es mejor por ser más larga. Es mejor porque cada fragmento cumple una función pedagógica. La siguiente visualización lo muestra con precisión: no hay nada accidental en una instrucción bien diseñada.

Cómo evaluar si una instrucción funciona

Si DIOPA enseña a diseñar instrucciones, también debe ofrecer criterios para evaluarlas. Proponemos cinco:

1. Pertinencia pedagógica. La instrucción responde a una intención educativa reconocible. No es una petición vaga ni un ejercicio técnico desconectado del aprendizaje. Si no puedo explicar para qué sirve lo que pido, la instrucción falla en lo más básico.
2. Adecuación cognitiva. La instrucción activa el tipo de pensamiento esperado. Si quiero análisis y obtengo definiciones, la instrucción no ha comunicado el nivel cognitivo necesario. Bloom revisada sigue siendo la brújula más fiable aquí.
3. Contextualización. La instrucción se ajusta a disciplina, nivel, lengua, grupo y situación. Una instrucción sin contexto produce un resultado sin contexto. Para docentes en contextos hispanohablantes, esto incluye especificar la variante lingüística y el enfoque cultural.
4. Restricción productiva. La instrucción delimita sin empobrecer. Cada restricción bien formulada acota lo posible hacia lo útil. Si el resultado es demasiado amplio o demasiado genérico, probablemente faltan restricciones.
5. Revisabilidad. La instrucción permite detectar errores, ajustar y mejorar. Si tras revisar el resultado no puedo identificar qué cambiar en la instrucción para obtener algo mejor, el problema no es el modelo: es que la instrucción no tiene estructura suficiente para ser iterada.

Estos cinco criterios permiten evaluar cualquier instrucción sin importar la disciplina ni el modelo utilizado. Funcionan como rúbrica del propio proceso de diseño.

Lo que DIOPA es y lo que no es

Conviene ser explícito sobre el alcance del marco. Para ello elaboramos una infografía que da una visión general de lo que es y de lo que no es:

DIOPA no es una fórmula mágica que garantiza resultados perfectos. No sustituye el conocimiento disciplinar del docente, la experiencia pedagógica acumulada ni el juicio profesional sobre lo que es adecuado para un grupo concreto de estudiantes. No es un marco cerrado ni una escala validada empíricamente.

Lo que sí es: un marco de práctica profesional fundamentado. Su valor inicial reside en su coherencia con principios consolidados del diseño instruccional, en su compatibilidad con recomendaciones actuales sobre interacción con modelos de lenguaje y en su utilidad práctica, comprobada durante más de un año, para ordenar decisiones docentes. Su validación futura dependerá de estudios de caso, documentación de usos y análisis de resultados en contextos educativos reales.

Las cinco fases son un punto de partida, no un destino. Si la práctica revela que falta una fase o que alguna necesita subdividirse, el marco deberá evolucionar. La rigidez es el enemigo del diseño, también del diseño de marcos.

Por qué publicarlo ahora

Podría haber esperado más datos, más validación, más certeza. Pero la velocidad a la que el profesorado universitario está adoptando (o rechazando) la IA generativa no permite esos lujos. Cada semana, colegas toman decisiones sobre cómo integrar estas herramientas en su docencia. Lo hacen con las referencias que tienen disponibles, que en la mayoría de los casos son listas de recetas descontextualizadas o formaciones corporativas que priorizan el deslumbramiento sobre el criterio.

DIOPA no pretende ser la referencia definitiva. Pretende ser una referencia útil, fundamentada y adaptable que ofrezca al profesorado algo que las listas de instrucciones no pueden ofrecer: un proceso de pensamiento. No qué escribir, sino cómo pensar antes de escribir.

DIOPA se publica como una invitación. No para clausurar la conversación sobre IA generativa y docencia, sino para elevar su nivel. Si lo pruebas, documéntalo. Si lo adaptas, compártelo. Si lo discutes, mejor. IAforTeachers existe para eso: un espacio donde el profesorado universitario hispanohablante trabaje con IA desde el rigor, no desde el entusiasmo vacío.

El conocimiento que no circula no transforma nada.

Lo que sigue no es un resumen. Es el marco completo en una sola imagen: la intención antes que la herramienta, el criterio antes que la receta, la iteración antes que la delegación:

Bibliografia consultada

Antu, A., et al. (2025). Human-in-the-loop assessment with AI: Implications for teacher training in higher education. Frontiers in Education, 10, 1710992. https://doi.org/10.3389/feduc.2025.1710992

Bora, E., & Kölemen, N. (2024). AI-integrated instructional design in higher education: A systematic exploration. Contemporary Issues in Technology and Teacher Education, 24(4). https://citejournal.org/volume-25/issue-4-25/general/ai-integrated-instructional-design-in-higher-education

Burns, M. (2026). What the research shows about generative AI in tutoring. Brookings Institution. https://www.brookings.edu/articles/what-the-research-shows-about-generative-ai-in-tutoring/

Burns, M., & Winthrop, R. (2026). A new direction for students in an AI world: Prosper, prepare, protect. Brookings Institution. https://www.brookings.edu/articles/a-new-direction-for-students-in-an-ai-world-prosper-prepare-protect/

Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20, Art. 22. https://doi.org/10.1186/s41239-023-00392-8digitalcommons.odu+1

Crompton, H., & Burke, D. (Eds.). (2024). Artificial intelligence applications in higher education: Theories, ethics, and case studies for universities. Routledge. https://doi.org/10.4324/9781003440178

Debnath, R., et al. (2025). A systematic review of approaches and educational applications of prompt engineering. Journal of Educational Technology Systems. https://doi.org/10.1177/07356331251365189

García Aretio, L., et al. (2024). Análisis de las guías de uso de inteligencia artificial en educación superior. Revista de Educación a Distancia, 24(77). https://produccioncientifica.ucm.es/documentos/67eae26d2815b874c8adad0cinvestiga.upo+1

Hamilton, R. J., et al. (2026). A scoping literature review of prompt engineering for bridging higher education and generative AI. Computers & Education: Artificial Intelligence. https://doi.org/10.1016/j.caeai.2026.100433

Hang, X., et al. (2024). Prompt engineering frameworks and their educational value in higher education. International Journal of Teaching and Learning in Higher Education, 36(1), 1–15. https://itlj.utm.my/index.php/itlj/article/download/204/175

Holmes, W., & Porayska-Pomsta, K. (Eds.). (2023). The ethics of artificial intelligence in education: Practices, challenges, and debates. Routledge. https://www.routledge.com/The-Ethics-of-Artificial-Intelligence-in-Education/Holmes-Porayska-Pomsta/p/book/9781032118987

Jackson, P. (2025). Higher order prompting: Applying Bloom's revised taxonomy to the use of large language models in higher education. Studies in Technology Enhanced Learning, 5(1). https://stel.pubpub.org/pub/04-01-jackson

Learning about AI: A systematic review of reviews on AI literacy. (2025). Journal of Educational Technology Systems. https://doi.org/10.1177/07356331251342081

LLM-generated competence-based e-assessment items for higher education mathematics: Methodology and evaluation. (2024). Frontiers in Education, 9, 1427502. https://doi.org/10.3389/feduc.2024.1427502

Martínez-García, A., et al. (2026). No es magia, es prompting: el diseño de prompts como competencia emergente en la formación docente. Píxel-Bit. Revista de Medios y Educación, 75. https://recyt.fecyt.es/index.php/pixel/article/view/115487recyt.fecyt+1

Memarian, B., & Doleck, T. (2024). Human-in-the-loop in artificial intelligence in education: A review and entity-relationship (ER) analysis. Computers in Human Behavior: Artificial Humans, 2(1), 100053. https://doi.org/10.1016/j.chbah.2024.100053sciencedirect+1

Mishra, P., & Islam, R. (2024). The design of a TPACK survey for Gen AI: A preliminary study. SITE 2024. https://punyamishra.com/wp-content/uploads/2024/03/Islam-Mishra-SITE24.pdf

Mishra, P., Warr, M., & Islam, R. (2023). TPACK in the age of ChatGPT and generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235–251. https://doi.org/10.1080/21532974.2023.2247480

Pike, D., McGowin, B. M., Bond, M. A., Cox, L. A., II, y Williams, D. (2024). Framing generative AI in education with the GenAI Intent and Orientation Model. EDUCAUSE Review. https://er.educause.edu/articles/2024/6/framing-generative-ai-in-education-with-the-genai-intent-and-orientation-model

Selwyn, N. (2022). On the limits of artificial intelligence in education. Postdigital Science and Education, 4(2), 324–339. https://doi.org/10.1007/s42438-022-00360-3

Sharples, M. (2023). Towards social generative AI for education: Theory, practices and ethics. Learning: Research and Practice, 9(2), 159–167. https://doi.org/10.1080/23735082.2023.2261037

UNESCO. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693

Valverde-Caro, M., et al. (2025). "Prompt engineering" como competencia transversal clave: desarrollo y validación de una rúbrica para su evaluación en la educación superior. RECIAMUC, 9(1). https://reciamuc.com/index.php/RECIAMUC/article/download/1619/2641

Williamson, B. (2024). The social life of AI in education. International Journal of Artificial Intelligence in Education, 34, 97–104. https://doi.org/10.1007/s40593-023-00342-5

Fernando Santamaría
IAforTeachers.com · 2026
Licencia CC BY-NC-SA 4.0