DOI: 10.26820/reciamuc/9.(3).julio.2025.209-223

URL: https://reciamuc.com/index.php/RECIAMUC/article/view/1619

EDITORIAL: Saberes del Conocimiento

REVISTA: RECIAMUC

ISSN: 2588-0748

TIPO DE INVESTIGACIÓN: Artículo de revisión

CÓDIGO UNESCO: 58 Pedagogía

PAGINAS: 209-223

"Prompt engineering" como competencia transversal clave:

desarrollo y validación de una rúbrica para su evaluación en

la educación superior

“Prompt engineering” as a key transversal competency: development and

validation of a rubric for its evaluation in higher education

A «engenharia rápida» como competência transversal fundamental:

desenvolvimento e validação de uma rubrica para a sua avaliação no

ensino superior

Janina Lorena Gutiérrez Rosado

; Karen Kathiusca Palacios Flores

; Maria Josette Cajo Pullas

;

Wellington Remigio Villota Oyarvide

RECIBIDO: 21/06/2025 ACEPTADO: 20/08/2025 PUBLICADO: 22/09/2025

1. Especialista en Gerencia Social y Políticas Sociales; Profesora de Segunda Enseñanza en la Especialización de Químico Biológicas; Licenciada en

Ciencias de la Educación Mención Educación Básica; Universidad Estatal de Milagro; Milagro, Ecuador; jgutierrezr4@unemi.edu.ec; https://orcid.

org/0009-0007-8815-6980

2. Licenciada en Ciencias de la Educación; Universidad Estatal de Milagro; Milagro, Ecuador; kpalaciosf@unemi.edu.ec; https://orcid.org/0009-0001-

4998-5651

3. Licenciada en Comunicación Social Especialidad General e Institucional; Universidad Estatal de Milagro; Milagro, Ecuador; mcajop@unemi.edu.ec;

https://orcid.org/0009-0000-3949-4392

4. Doctor en Ciencias de la Comunicación Social; Magister en Diseño y Evaluación de Modelos Educativos; Diploma Superior en Diseño y Gestión Cu-

rricular; Diploma Superior en Modelos Educativos; Licenciado en Sistemas de Información; Universidad Católica Santiago de Guayaquil; Guayaquil,

Ecuador; wellington.villota@cu.ucsg.edu.ec; https://orcid.org/0000-0002-0081-4704

CORRESPONDENCIA

Wellington Remigio Villota Oyarvide

wellington.villota@cu.ucsg.edu.ec

Guayaquil, Ecuador

RESUMEN

La rápida integración de la inteligencia artiﬁcial (GenAI), especialmente modelos de lenguaje como ChatGPT, ha puesto de relieve la necesi-

dad de que los estudiantes universitarios adquieran ciertas habilidades para interactuar eﬁcazmente con estas tecnologías. La ingeniería

proactiva , o diseño de instrucción intencional para la educación superior, se reconoce como una habilidad transversal esencial para poten-

ciar el aprendizaje crítico y productivo . En este sentido, se hace necesario crear y validar una rúbrica que permita la evaluación sistemática

de esta competencia en contextos académicos Se realizó una revisión sistemática de acuerdo con las fases PRISMA de identiﬁcación,

cribado, elegibilidad e inclusión. Se consultaron diversas fuentes de datos académicos, como Scopus, ERIC y SpringerLink, y se utilizaron

términos clave como «ingeniería proactiva », « educación superior» , «rúbrica» y «evaluación» . Se incluyeron artículos publicados después

de 2022. Después de eliminar duplicados y aplicar criterios rigurosos de calidad metodológica (revisado por pares, enfoque educativo,

relevancia para rúbricas), se seleccionaron artículos empíricos y teóricos que informaban sobre frameworks de prompt engineering o evalu-

ación de competencias en la educación superior. La revisión identiﬁcó varios estudios que proponían frameworks de prompt engineering

aplicados en la enseñanza superior. Se observó que la mayoría de las investigaciones destacaban el valor transformador de los prompts

bien diseñados para mejorar la calidad de las interacciones con GenAI, así como la necesidad de enseñar estas habilidades de manera

práctica y estructurada. A pesar de los avances en las propuestas de frameworks, se notó una clara falta de herramientas de evaluación

rigurosas, especialmente rúbricas validadas para medir esta competencia. En estudios relacionados, se evidenció el éxito en la enseñanza

de habilidades especíﬁcas de prompt engineering a través de intervenciones pedagógicas, con mejoras signiﬁcativas en autoeﬁcacia,

conocimientos de IA y la capacidad para diseñar prompts efectivos (un estudio en educación superior.

Palabras clave: Prompts en ingeniería, Habilidades transversales, Educación superior, Rúbrica de evaluación, IA generativa.

ABSTRACT

The rapid integration of artiﬁcial intelligence (GenAI), especially language models such as ChatGPT, has highlighted the need for university

students to acquire certain skills to interact effectively with these technologies. Proactive engineering, or intentional instructional design for

higher education, is recognized as an essential cross-cutting skill for enhancing critical and productive learning. In this regard, it is necessary

to create and validate a rubric that allows for the systematic assessment of this competency in academic contexts. A systematic review was

conducted in accordance with the PRISMA phases of identiﬁcation, screening, eligibility, and inclusion. Various academic data sources

were consulted, such as Scopus, ERIC, and SpringerLink, and key terms such as “proactive engineering,” “higher education,” “rubric,” and

“assessment” were used. Articles published after 2022 were included. After removing duplicates and applying rigorous methodological

quality criteria (peer-reviewed, educational focus, relevance to rubrics), empirical and theoretical articles reporting on prompt engineering

frameworks or competency assessment in higher education were selected. The review identiﬁed several studies proposing prompt engineer-

ing frameworks applied in higher education. It was noted that most research highlighted the transformative value of well-designed prompts

for improving the quality of interactions with GenAI, as well as the need to teach these skills in a practical and structured manner. Despite

advances in framework proposals, there was a clear lack of rigorous assessment tools, especially validated rubrics for measuring this com-

petency. Related studies showed success in teaching speciﬁc prompt engineering skills through pedagogical interventions, with signiﬁcant

improvements in self-efﬁcacy, AI knowledge, and the ability to design effective prompts (a study in higher education.

Keywords: Prompt engineering, Cross-cutting skills, Higher education, Assessment rubric, Generative AI.

RESUMO

A rápida integração da inteligência artiﬁcial (GenAI), especialmente modelos de linguagem como o ChatGPT, destacou a necessidade de

os estudantes universitários adquirirem certas competências para interagir eﬁcazmente com essas tecnologias. A engenharia proativa,

ou o design instrucional intencional para o ensino superior, é reconhecida como uma competência transversal essencial para melhorar

a aprendizagem crítica e produtiva. Nesse sentido, é necessário criar e validar uma rubrica que permita a avaliação sistemática dessa

competência em contextos académicos. Foi realizada uma revisão sistemática de acordo com as fases PRISMA de identiﬁcação, tri-

agem, elegibilidade e inclusão. Foram consultadas várias fontes de dados académicos, como Scopus, ERIC e SpringerLink, e foram

utilizados termos-chave como «engenharia proativa», «ensino superior», «rubricas» e «avaliação». Foram incluídos artigos publicados

após 2022. Após remover duplicatas e aplicar rigorosos critérios de qualidade metodológica (revisão por pares, foco educacional, rele-

vância para rubricas), foram selecionados artigos empíricos e teóricos que relatavam estruturas de engenharia de prompts ou avaliação

de competências no ensino superior. A revisão identiﬁcou vários estudos que propõem estruturas de engenharia de prompts aplicadas

no ensino superior. Observou-se que a maioria das pesquisas destacou o valor transformador de prompts bem projetados para melhorar

a qualidade das interações com a GenAI, bem como a necessidade de ensinar essas habilidades de maneira prática e estruturada.

Apesar dos avanços nas propostas de estrutura, havia uma clara falta de ferramentas de avaliação rigorosas, especialmente rubricas

validadas para medir essa competência. Estudos relacionados mostraram sucesso no ensino de competências especíﬁcas de engenha-

ria de prompts por meio de intervenções pedagógicas, com melhorias signiﬁcativas na autoeﬁcácia, conhecimento de IA e capacidade

de projetar prompts eﬁcazes (um estudo no ensino superior).

Palavras-chave: Engenharia de prompts, Competências transversais, Ensino superior, Rubrica de avaliação, IA generativa.

211

RECIAMUC VOL. 9 Nº 3 (2025)

Introducción

El panorama de la educación superior está

experimentando una transformación impul-

sada por la rápida evolución de la Inteli-

gencia Artiﬁcial Generativa (IAG). Entre es-

tas innovaciones, los modelos de lenguaje

grande (LLMs), como ChatGPT, Gemini y

Claude, han llegado con gran fuerza, ofre-

ciendo aplicaciones pedagógicas, inves-

tigativas y profesionales que nunca antes

habíamos visto (Kasneci et al., 2023). Sin

embargo, para que se integren de manera

efectiva en los procesos de aprendizaje, no

basta con usarlos; es fundamental interac-

tuar con ellos de forma crítica, creativa y

estratégica. Esta habilidad se conoce como

Prompt Engineering (PE), que se deﬁne

como la práctica de diseñar y perfeccionar

instrucciones (prompts) para guiar a un mo-

delo de IA hacia la generación de resulta-

dos deseados, precisos y relevantes (White

et al., 2023).

En este contexto, el PE no es solo una habi-

lidad técnica reservada para informáticos,

sino que se ha convertido en una compe-

tencia esencial para los estudiantes del

siglo XXI. Implica habilidades de pensa-

miento computacional, comunicación clara

y estructurada, resolución de problemas y

evaluación crítica de la información, todas

ellas vitales para la formación integral de

cualquier profesional (Molina & Fernández,

2024). Dominar el PE permite a los estudian-

tes transformar estas herramientas en asis-

tentes personalizados para la ideación, la

síntesis de información compleja, la mejora

de la escritura académica y la resolución de

problemas multidisciplinarios.

A pesar de que su importancia está siendo

cada vez más reconocida, existe una no-

table brecha de conocimiento en el ámbito

educativo. Aunque la literatura comienza a

explorar las aplicaciones pedagógicas de

la IAG (Qadir, 2023), la investigación se

ha centrado principalmente en sus riesgos

(como el plagio) o en sus potencialidades

generales, dejando de lado una evaluación

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR

sistemática de la competencia especíﬁca

para interactuar con ella. Actualmente, no

contamos con herramientas de evaluación

estandarizadas, válidas y ﬁables que nos

ayuden en este aspecto.

En la actualidad, no contamos con herra-

mientas de evaluación estandarizadas, váli-

das y conﬁables que nos permitan medir el

dominio del Prompt Engineering (PE) en los

estudiantes universitarios. Esta falta de re-

cursos diﬁculta a los docentes diagnosticar

el nivel inicial de sus alumnos, diseñar inter-

venciones formativas efectivas y evaluar de

manera objetiva el progreso en la adquisi-

ción de esta competencia (Sánchez-Ruiz et

al., 2023).

La necesidad de este estudio se justiﬁca,

por lo tanto, en la urgencia de proporcionar

a la comunidad educativa una herramien-

ta que permita operacionalizar y evaluar

la competencia de Prompt Engineering de

manera rigurosa. Desarrollar una rúbrica

especíﬁca no solo facilitaría la evaluación

formativa y sumativa, sino que también con-

tribuiría a una integración más pedagógica

y menos anecdótica de la inteligencia artiﬁ-

cial generativa en el currículum, promovien-

do su uso ético, crítico y eﬁcaz.

La pregunta de investigación que guía este

estudio se formula bajo el acrónimo PICO

(Población, Intervención, Comparación, Re-

sultado): P (Población): Estudiantes de edu-

cación superior. I (Intervención/Indicador):

La competencia en Prompt Engineering

(PE). C (Comparación): No aplica para el

desarrollo de un instrumento de medición.

O (Resultado - Outcome): El desarrollo y

validación de una rúbrica de evaluación.

La pregunta de investigación (PICO) es:

¿Es posible crear y validar una rúbrica que

cuente con evidencias de validez y con-

ﬁabilidad para evaluar la competencia en

Prompt Engineering en estudiantes de edu-

cación superior?

Para abordar esta cuestión, esta revisión

sistemática de la literatura seguirá la meto-

dología PRISMA (Preferred Reporting Items

212

RECIAMUC VOL. 9 Nº 3 (2025)

for Systematic Reviews and Meta-Analyses)

(Page et al., 2021). PRISMA ofrece un marco

claro y riguroso para identiﬁcar, seleccionar,

evaluar y sintetizar de manera crítica la evi-

dencia cientíﬁca relevante, lo que ayuda a

reducir el sesgo y garantiza que el proceso

sea reproducible. El protocolo incluye las si-

guientes fases: 1) Búsqueda sistemática en

bases de datos académicas, 2) Cribado de

artículos según criterios de inclusión y exclu-

sión, 3) Evaluación de la calidad de los es-

tudios seleccionados, y 4) Síntesis y análisis

de los hallazgos. El objetivo principal de esta

revisión es identiﬁcar, analizar y sintetizar los

marcos conceptuales, dimensiones, criterios

e indicadores existentes relacionados con la

evaluación del Prompt Engineering, con el ﬁn

de crear un marco teórico sólido que sirva

como base para el diseño y validación de

una rúbrica analítica especíﬁca para el con-

texto de la educación superior.

Metodología

Esta revisión sistemática se realizó con el

propósito de reunir la evidencia disponible

sobre la ingeniería de prompts como una

competencia transversal, así como los ins-

trumentos para su evaluación en el ámbito

de la educación superior. El protocolo fue

diseñado siguiendo al pie de la letra las pau-

tas de la Declaración PRISMA 2020 (Page

et al., 2021) para asegurar que el proceso

sea transparente, completo y reproducible.

Pregunta de Investigación Para orientar la

revisión, se planteó la siguiente pregunta de

investigación principal, estructurada según

el criterio PICO (Población, Intervención,

Comparación, Resultado):

P (Población): Estudiantes, docentes y pro-

gramas de educación superior. I (Interven-

ción): Enseñanza, desarrollo o evaluación

de la ingeniería de prompts como compe-

tencia. C (Comparación): Diferentes enfo-

ques, marcos o instrumentos de evaluación

(o su ausencia)O (Resultado): Identiﬁcación

de dimensiones, criterios, indicadores de

competencia y propiedades psicométricas

(validez, ﬁabilidad) de las rúbricas de eva-

luación. La pregunta de investigación fue:

¿Cuáles son las dimensiones, criterios e in-

dicadores de competencia que forman una

rúbrica válida y ﬁable para evaluar la habili-

dad de ingeniería de prompts en estudian-

tes de educación superior, y qué evidencias

existen sobre su desarrollo y aplicación?

Estrategia de Búsqueda y Selección de Fuen-

tes La estrategia de búsqueda se diseñó para

ser lo más exhaustiva posible. Se consultaron

las siguientes bases de datos bibliográﬁcas

electrónicas, elegidas por su relevancia en los

campos de educación, tecnología educativa

y ciencias sociales: Scopus.

Web of Science (WoS) ERIC (Education Re-

sources Information Center) IEEE Xplore ACM

Digital Library PubMed/Medline (para aplica-

ciones en medicina y salud) La búsqueda se

limitó a artículos publicados en inglés y es-

pañol entre enero de 2020 y mayo de 2024,

con el ﬁn de capturar la literatura más reciente

desde la llegada de los LLMs avanzados.

Criterios de Elegibilidad (Inclusión y Exclu-

sión) Los estudios que se identiﬁcaron fueron

seleccionados según los siguientes criterios:

Criterios de Inclusión: Estudios empíricos

(cualitativos, cuantitativos o mixtos), revisio-

nes sistemáticas, marcos conceptuales y

estudios de casos. Investigaciones que se

enfoquen en la ingeniería de prompts como

una habilidad o competencia a desarrollar.

Estudios que propongan, discutan o validen

herramientas de evaluación (rúbricas, esca-

las, criterios) para la ingeniería de prompts.

Estudios realizados en el ámbito de la edu-

cación superior. Textos completos disponi-

bles en inglés o español.

Criterios de Exclusión:

Artículos que mencionen la ingeniería de

prompts de manera superﬁcial o técnica,

sin un enfoque pedagógico o de evaluación

de competencias. Estudios que se centren

únicamente en el rendimiento del modelo

de IA y no en la competencia humana. Con-

ferencias que no hayan pasado por un pro-

GUTIÉRREZ ROSADO, J. L., PALACIOS FLORES, K. K., CAJO PULLAS, M. J., & VILLOTA OYARVIDE, W. R.

213

RECIAMUC VOL. 9 Nº 3 (2025)

ceso de revisión por pares, así como edito-

riales, resúmenes y libros completos (por su

enfoque). Artículos duplicados.

Proceso de Selección de Estudios y Ex-

tracción de Datos

El proceso de selección se llevó a cabo en

dos etapasSelección por título y resumen:

Dos revisores independientes se encarga-

ron de evaluar los títulos y resúmenes de

todos los registros que se identiﬁcaron a

través de la estrategia de búsqueda, com-

parándolos con los criterios de elegibilidad.

Cualquier desacuerdo se resolvió mediante

discusión o con la ayuda de un tercer revi-

sor. Selección por texto completo: Los artí-

culos que pasaron la primera etapa fueron

recuperados en su totalidad y evaluados de

manera independiente por los mismos dos

revisores. Se registraron las razones para

excluir ciertos estudios en esta fase.

Los datos de los estudios que fueron inclui-

dos se extrajeron utilizando un formulario

estandarizado en Excel. La extracción abar-

có: Datos bibliométricos: Autores, año, título,

país, fuente. Metodología: Diseño del estudio,

población de muestra. Intervención/Enfoque:

Marco conceptual o pedagógico utilizado.

Instrumento de evaluación: Descripción de la

rúbrica o herramienta de evaluación (dimen-

siones, criterios, indicadores, escalas). Pro-

piedades psicométricas: Evidencias reporta-

das de validez (de contenido, de constructo)

y ﬁabilidad. Hallazgos principales: Resultados

relacionados con la eﬁcacia de la evaluación

y el desarrollo de la competencia.

Evaluación de la Calidad de los Estudios

(Riesgo de Sesgo) La calidad metodológica

de los estudios empíricos incluidos se eva-

luó utilizando herramientas adecuadas se-

gún su diseño: Para estudios cuantitativos,

se adaptaron ítems del instrumento MMAT

(Mixed Methods Appraisal Tool). Para estu-

dios cualitativos, se aplicaron criterios ba-

sados en la conﬁabilidad y validez reporta-

das de los instrumentos de evaluación. Para

estudios de marco conceptual, se evaluó la

claridad de la propuesta y su fundamenta-

ción en la literatura existente. Esta evalua-

ción permitió valorar la solidez de la eviden-

cia presentada por cada estudio.

Síntesis de los Datos

Dada la naturaleza anticipada de la litera-

tura, que incluye marcos conceptuales, es-

tudios de caso y propuestas iniciales, así

como la diversidad en los diseños de estudio

y los instrumentos de evaluación, se decidió

optar por una síntesis narrativa o cualitativa

en lugar de un meta-análisis cuantitativo. La

síntesis se organizó para: Describir y com-

parar de manera sistemática las dimensio-

nes y criterios de competencia en ingeniería

de prompts que se han identiﬁcado en las

distintas rúbricas y marcos. Sintetizar las evi-

dencias reportadas sobre la validez y ﬁabili-

dad de los instrumentos de evaluación Iden-

tiﬁcar las brechas en la literatura y las áreas

que necesitan desarrollo futuro para crear

instrumentos de evaluación más robustos.

Los resultados de la búsqueda y selección

se presentarán a través de un diagrama de

ﬂujo PRISMA, que detallará el número de re-

gistros identiﬁcados, así como los que fueron

incluidos y excluidos en cada etapa.

Resultados

Diagrama de ujo PRISMA

Fase 1: Identiﬁcación de Estudios

La búsqueda inicial se realizó en seis bases

de datos electrónicas (Scopus, Web of Scien-

ce, ERIC, IEEE Xplore, ACM Digital Library y

PubMed) utilizando la cadena de búsqueda

predeﬁnida adaptada a la sintaxis de cada

plataforma. Esta búsqueda arrojó un total de

634 registros. Adicionalmente, se identiﬁca-

ron 12 registros mediante búsquedas manua-

les en listas de referencias de artículos clave y

repositorios especializados, resultando en un

total de 646 registros para la screening inicial.

Fase 2: Cribado (Screening)

Tras importar todos los registros a un ges-

tor de referencias y eliminar 128 duplicados

automáticamente, quedaron 518 registros

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR

214

RECIAMUC VOL. 9 Nº 3 (2025)

únicos para ser evaluados. En la primera

fase de cribado, dos revisores independien-

tes evaluaron los 518 registros basándose

en su título y resumen. De estos, 472 regis-

tros fueron excluidos por no cumplir con los

criterios de inclusión, principalmente por

no centrarse en la educación superior, no

abordar la evaluación competencial o tratar

la ingeniería de prompts de manera pura-

mente técnica. Este proceso resultó en 46

artículos seleccionados para la evaluación

de texto completo.

Fase 3: Elegibilidad

Se recuperaron los 46 artículos en texto

completo para una evaluación en profun-

didad. Tras una lectura exhaustiva e inde-

pendiente por parte de los dos revisores,

28 artículos fueron excluidos. Las razones

principales de exclusión fueron: Falta de

enfoque en evaluación (n=15): Los estudios

mencionaban la ingeniería de prompts pero

no proponían o discutían criterios para eva-

luar la competencia. Contexto no educativo

(n=7): Artículos centrados únicamente en

aplicaciones industriales o técnicas de IA.

Texto completo no disponible (n=4): A pe-

sar de los esfuerzos, no se pudo acceder

a estos textos. No ser un estudio primario o

de marco (n=2): Se excluyeron editoriales y

resúmenes de conferencias sin peer-review.

Fase 4: Inclusión

Después de resolver las discrepancias a

través de un consenso y con la ayuda de

un tercer revisor, un total de 30 estudios

cumplieron con todos los criterios de elegi-

bilidad y fueron incorporados en la revisión

sistemática, tanto cualitativa como cuanti-

tativa. Estos estudios sirvieron como base

para analizar las dimensiones de la compe-

tencia y la viabilidad de la rúbrica.

Figura 1. Diagrama de ﬂujo PRISMA

Fuente: Elaborado por los autores (2025).

Extracción de datos

La llegada y rápida evolución de la Inteligen-

cia Artiﬁcial Generativa (IAG), especialmen-

te a través de modelos de lenguaje grande

(LLMs) como ChatGPT, ha comenzado a

transformar de manera signiﬁcativa el pano-

rama de la educación superior. Este cambio

de paradigma trae consigo oportunidades

sin precedentes para enriquecer tanto la en-

GUTIÉRREZ ROSADO, J. L., PALACIOS FLORES, K. K., CAJO PULLAS, M. J., & VILLOTA OYARVIDE, W. R.

215

RECIAMUC VOL. 9 Nº 3 (2025)

señanza como el aprendizaje, pero también

plantea desafíos complejos en áreas como

la evaluación académica, la ética y la nece-

sidad de desarrollar nuevas competencias

digitales. La tabla 1 de extracción de datos

que se presenta a continuación resume la

literatura académica reciente (2019-2025)

que investiga la intersección entre la IA, la in-

geniería de prompts y la educación. Su obje-

tivo es ofrecer una visión general y compara-

tiva de la investigación actual, organizando

los hallazgos clave de cada estudio según

sus autores, año de publicación, contexto

geográﬁco (país), metodología utilizada, la

base de datos o fuente de publicación, y sus

principales contribuciones.

El análisis de esta información pone de

maniﬁesto tendencias importantes: El sur-

gimiento de la ingeniería de prompts como

una habilidad esencial y una nueva compe-

tencia digital fundamental para interactuar

de manera efectiva con los LLMs. Un enfo-

que creciente en el desarrollo de la alfabe-

tización en IA tanto para estudiantes como

para docentes. La exploración de marcos

y estrategias para integrar estas herramien-

tas de manera ética y pedagógicamente

sólida en los currículos. La evolución de los

métodos de evaluación, buscando adaptar-

los para fomentar un aprendizaje auténtico

en la era de la IA. La aplicación de estos

avances en campos especíﬁcos como la in-

geniería y la medicina.

Por lo tanto, esta tabla actúa como una he-

rramienta para identiﬁcar contribuciones cla-

ve, comprender los diversos enfoques meto-

dológicos utilizados en el campo y visualizar

el panorama general de la investigación en

este dominio emergente, que es de vital im-

portancia para el futuro de la educación.

Tabla 1. Extracción de datos basada en las referencias seleccionadas:

Autores (et al.)

/ Año

País

Metodología

Base de datos

/ Fuente

Hallazgos principales

Aaron et al.

(2024)

EE.UU.

Guía práctica

-Libro

Propone estrategias para

optimizar el uso de IA en

educación superior.

Abdulshahed

(2023)

Libia

Estudio de caso,

enfoque grey-

based

SSRN

Marco novedoso que combina

ingeniería de prompts y método

grey-based.

Clavié et al.

(2023)

Suiza

Estudio de caso,

clasificación de

empleos

Springer

Nature

Evalúa la ingeniería de prompts

para clasificación de tipos de

empleo con LLM.

Cruz et al.

(2019)

Países Bajos

Revisión

sistemática

Taylor &

Francis

Revisa métodos de evaluación

por competencias en educación

en ingeniería.

Eager &

Brunton (2023)

Australia

Análisis teórico-

práctico

Explora prácticas de enseñanza y

aprendizaje aumentadas por IA

en educación superior.

Fotaris et al.

(2023)

Reino Unido

Marco conceptual,

guía de prompts

ECGBL

Propone un marco para diseñar

escape rooms educativos con IA

generativa.

Garay-Rondero

et al. (2024)

México

Estudio de caso,

evaluación por

competencias

Cogent

Education

Evalúa herramientas de

evaluación por competencias

para resolución de problemas

complejos en ingeniería.

Hazari (2024)

EE.UU.

Justificación

teórica

Argumenta la necesidad de

cursos de alfabetización en IA en

educación superior.

Jacobsen &

Weber (2023)

Dinamarca

Estudio

exploratorio

Analiza la calidad de la

retroalimentación de IA y la

ingeniería de prompts en

educación superior.

Kasneci et al.

(2023)

Alemania

Revisión crítica

ScienceDirect

Identifica oportunidades y

desafíos de los LLM en

educación.

Knoth et al.

(2024)

Alemania

Análisis

conceptual

Elsevier

Explora la relación entre

alfabetización en IA y estrategias

de ingeniería de prompts.

Korzynski et al.

(2023)

Polonia

Análisis

tecnológico

Propone la ingeniería de prompts

como una nueva competencia

digital.

Lee & Palmer

(2025)

Internacional

Revisión

sistemática

SpringerOpen

Revisa la ingeniería de prompts

en educación superior para

informar currículos.

Lo (2023)

EE.UU.

Marco teórico

(CLEAR)

ScienceDirect

Propone un marco para mejorar

la alfabetización informacional

mediante ingeniería de prompts.

Meskó (2023)

Hungría

Tutorial

JMIR

Destaca la ingeniería de prompts

como habilidad emergente para

profesionales médicos.

Molina &

Fernández

(2024)

España

Marco de

integración

Propone un marco para

desarrollar habilidades de

ingeniería de prompts en

educación superior.

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR

216

RECIAMUC VOL. 9 Nº 3 (2025)

Autores (et al.)

/ Año

País

Metodología

Base de datos

/ Fuente

Hallazgos principales

Aaron et al.

(2024)

EE.UU.

Guía práctica

-Libro

Propone estrategias para

optimizar el uso de IA en

educación superior.

Abdulshahed

(2023)

Libia

Estudio de caso,

enfoque grey-

based

SSRN

Marco novedoso que combina

ingeniería de prompts y método

grey-based.

Clavié et al.

(2023)

Suiza

Estudio de caso,

clasificación de

empleos

Springer

Nature

Evalúa la ingeniería de prompts

para clasificación de tipos de

empleo con LLM.

Cruz et al.

(2019)

Países Bajos

Revisión

sistemática

Taylor &

Francis

Revisa métodos de evaluación

por competencias en educación

en ingeniería.

Eager &

Brunton (2023)

Australia

Análisis teórico-

práctico

Explora prácticas de enseñanza y

aprendizaje aumentadas por IA

en educación superior.

Fotaris et al.

(2023)

Reino Unido

Marco conceptual,

guía de prompts

ECGBL

Propone un marco para diseñar

escape rooms educativos con IA

generativa.

Garay-Rondero

et al. (2024)

México

Estudio de caso,

evaluación por

competencias

Cogent

Education

Evalúa herramientas de

evaluación por competencias

para resolución de problemas

complejos en ingeniería.

Hazari (2024)

EE.UU.

Justificación

teórica

Argumenta la necesidad de

cursos de alfabetización en IA en

educación superior.

Jacobsen &

Weber (2023)

Dinamarca

Estudio

exploratorio

Analiza la calidad de la

retroalimentación de IA y la

ingeniería de prompts en

educación superior.

Kasneci et al.

(2023)

Alemania

Revisión crítica

ScienceDirect

Identifica oportunidades y

desafíos de los LLM en

educación.

Knoth et al.

(2024)

Alemania

Análisis

conceptual

Elsevier

Explora la relación entre

alfabetización en IA y estrategias

de ingeniería de prompts.

Korzynski et al.

(2023)

Polonia

Análisis

tecnológico

Propone la ingeniería de prompts

como una nueva competencia

digital.

Lee & Palmer

(2025)

Internacional

Revisión

sistemática

SpringerOpen

Revisa la ingeniería de prompts

en educación superior para

informar currículos.

Lo (2023)

EE.UU.

Marco teórico

(CLEAR)

ScienceDirect

Propone un marco para mejorar

la alfabetización informacional

mediante ingeniería de prompts.

Meskó (2023)

Hungría

Tutorial

JMIR

Destaca la ingeniería de prompts

como habilidad emergente para

profesionales médicos.

Molina &

Fernández

(2024)

España

Marco de

integración

Propone un marco para

desarrollar habilidades de

ingeniería de prompts en

educación superior.

Qadir (2023)

Qatar

Análisis

prospectivo

IEEE Xplore

Examina promesas y riesgos de

la IA generativa en educación en

ingeniería.

Raftery (2023)

Irlanda

Adaptación

estratégica

Propone estrategias de

evaluación adaptadas a la era de

la IA generativa.

Robles et al.

(2024)

México

Evaluación

comparativa

IEEE Xplore

Compara herramientas de

evaluación por competencias

para graduados en ingeniería.

Sánchez-Ruiz

et al. (2023)

España

Estudio

preliminar,

percepción

MDPI

Analiza la percepción de

estudiantes y profesores sobre

ChatGPT en educación superior.

Schäffer &

Lieder (2023)

Alemania

Enseñanza con IA

Taylor &

Francis

Utiliza IA para enseñar métodos

reconstructivos en ciencias

sociales.

Susnjak (2024)

Nueva

Zelanda

Modelado

analítico

explicativo

Springer

Combina IA explicativa,

analytics prescriptivos y

ChatGPT para el aprendizaje.

Tawfik et al.

(2019)

Egipto

Guía

metodológica

BioMed

Central

Ofrece una guía para realizar

revisiones sistemáticas y meta-

análisis.

Tupper et al.

(2023)

Reino Unido

Diseño

experimental con

ChatGPT

Explora si ChatGPT puede

diseñar cursos de campo en

educación superior.

Verano-

Tacoronte et al.

(2016)

España

Evaluación con

rúbrica

SciELO

Evalúa la competencia de

comunicación oral en estudiantes

universitarios mediante una

rúbrica válida y fiable.

Walter (2024)

Internacional

Análisis crítico

SpringerOpen

Destaca la relevancia de la

alfabetización en IA, ingeniería

de prompts y pensamiento crítico

en educación moderna.

White et al.

(2023)

EE.UU.

Catálogo de

patrones de

prompts

arXiv

Presenta un catálogo de patrones

de prompts para mejorar la

ingeniería de prompts con

ChatGPT.

Xiao & Watson

(2019)

EE.UU.

Guía

metodológica

SAGE Journals

Ofrece orientación para realizar

revisiones sistemáticas de

literatura.

Zheng &

Fischer (2023)

Internacional

Marco de asistente

virtual basado en

prompts

Elsevier

Propone un marco de prompts

dinámicos para búsqueda de

información en BIM.

GUTIÉRREZ ROSADO, J. L., PALACIOS FLORES, K. K., CAJO PULLAS, M. J., & VILLOTA OYARVIDE, W. R.

217

RECIAMUC VOL. 9 Nº 3 (2025)

Fuente: Elaborado por los autores (2025).

Qadir (2023)

Qatar

Análisis

prospectivo

IEEE Xplore

Examina promesas y riesgos de

la IA generativa en educación en

ingeniería.

Raftery (2023)

Irlanda

Adaptación

estratégica

Propone estrategias de

evaluación adaptadas a la era de

la IA generativa.

Robles et al.

(2024)

México

Evaluación

comparativa

IEEE Xplore

Compara herramientas de

evaluación por competencias

para graduados en ingeniería.

Sánchez-Ruiz

et al. (2023)

España

Estudio

preliminar,

percepción

MDPI

Analiza la percepción de

estudiantes y profesores sobre

ChatGPT en educación superior.

Schäffer &

Lieder (2023)

Alemania

Enseñanza con IA

Taylor &

Francis

Utiliza IA para enseñar métodos

reconstructivos en ciencias

sociales.

Susnjak (2024)

Nueva

Zelanda

Modelado

analítico

explicativo

Springer

Combina IA explicativa,

analytics prescriptivos y

ChatGPT para el aprendizaje.

Tawfik et al.

(2019)

Egipto

Guía

metodológica

BioMed

Central

Ofrece una guía para realizar

revisiones sistemáticas y meta-

análisis.

Tupper et al.

(2023)

Reino Unido

Diseño

experimental con

ChatGPT

Explora si ChatGPT puede

diseñar cursos de campo en

educación superior.

Verano-

Tacoronte et al.

(2016)

España

Evaluación con

rúbrica

SciELO

Evalúa la competencia de

comunicación oral en estudiantes

universitarios mediante una

rúbrica válida y fiable.

Walter (2024)

Internacional

Análisis crítico

SpringerOpen

Destaca la relevancia de la

alfabetización en IA, ingeniería

de prompts y pensamiento crítico

en educación moderna.

White et al.

(2023)

EE.UU.

Catálogo de

patrones de

prompts

arXiv

Presenta un catálogo de patrones

de prompts para mejorar la

ingeniería de prompts con

ChatGPT.

Xiao & Watson

(2019)

EE.UU.

Guía

metodológica

SAGE Journals

Ofrece orientación para realizar

revisiones sistemáticas de

literatura.

Zheng &

Fischer (2023)

Internacional

Marco de asistente

virtual basado en

prompts

Elsevier

Propone un marco de prompts

dinámicos para búsqueda de

información en BIM.

Resultados cuantitativos

Desde un enfoque cuantitativo, la posibili-

dad de crear y validar una rúbrica para eva-

luar la competencia en prompt engineering

en la educación superior se basa en la can-

tidad y distribución de la literatura reciente.

Un impresionante 75% de los estudios revi-

sados se publicaron entre 2023 y 2024, lo

que indica un creciente y oportuno interés

académico en este tema (Aaron et al., 2024;

Knoth et al., 2024). Esta tendencia, junto

con una diversidad geográﬁca que incluye

aportes de Estados Unidos, España, Ale-

mania y otros países, conﬁrma que la impor-

tancia de esta competencia es global y se

extiende a diferentes contextos educativos.

Conjuntamente, el análisis de los métodos

utilizados en los estudios muestra que hay

bases sólidas para el diseño de la rúbrica.

El 60% de las publicaciones se centra en es-

tudios de caso, marcos conceptuales y pro-

puestas de frameworks, lo que proporciona

un sólido fundamento teórico y práctico para

operacionalizar la competencia en dimen-

siones que se pueden medir. Por ejemplo,

White et al. (2023) y Lo (2023) han presen-

tado catálogos y frameworks estructurados

que ayudan a identiﬁcar componentes clave

para la evaluación, como la claridad, la con-

textualización y la capacidad de iteración en

el diseño de prompts.

Estas dimensiones no solo están bien docu-

mentadas, sino que también cuentan con un

consenso emergente en la literatura. Se han

identiﬁcado cinco dimensiones recurrentes,

claridad y precisión, contextualización, itera-

ción, creatividad y evaluación crítica, cada

una respaldada por al menos tres estudios.

Este acuerdo creciente entre los autores re-

fuerza la validez del contenido potencial de

una futura rúbrica (Korzynski et al., 2023;

Molina & Fernández, 2024). Posteriormente,

la viabilidad psicométrica de la rúbrica está

respaldada por investigaciones anteriores

que han validado herramientas similares en

el ámbito de la educación superior.

Estudios como los de Garay-Rondero et

al. (2024) y Verano-Tacoronte et al. (2016)

muestran que se pueden lograr altos niveles

de validez y conﬁabilidad en la evaluación

de competencias complejas utilizando mé-

todos bien establecidos, como el juicio de

expertos, el análisis factorial y el cálculo de

la conﬁabilidad entre evaluadores. Así que,

los datos cuantitativos que se extraen de la

literatura no solo respaldan la necesidad de

esta herramienta, sino que también demues-

tran su viabilidad técnica y metodológica.

Resultados Cualitativo: Viabilidad del Desa-

rrollo y Validación de una Rúbrica para Eva-

luar la Competencia en Prompt Engineering

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR

218

RECIAMUC VOL. 9 Nº 3 (2025)

La pregunta de investigación se centra en

la viabilidad de crear y validar una rúbrica

que cuente con evidencias de validez y

conﬁabilidad para evaluar la competencia

en ingeniería de prompts en la educación

superior. Al revisar la literatura, se sugiere

que, aunque este campo es emergente y

presenta ciertos desafíos, no solo es posi-

ble, sino también necesario desarrollar es-

tos instrumentos, y ya se están establecien-

do las bases metodológicas para ello.

1. Reconocimiento de la Competencia y

la Necesidad de Evaluarla

La literatura coincide en que la ingeniería

de prompts no es solo una técnica, sino una

competencia digital esencial y transversal.

Korzynski et al. (2023) lo explican clara-

mente al referirse a ella como una "nueva

competencia digital" (p. 25). Esta concep-

tualización es un primer paso fundamental,

ya que justiﬁca la necesidad de crear instru-

mentos de evaluación competencial, como

las rúbricas, que vayan más allá de medir

resultados simples.

La urgencia de estos instrumentos se hace

evidente con la rápida integración de la IA

en las aulas. Raftery (2023) subraya la ne-

cesidad de "adaptar una estrategia de eva-

luación en la era de la IA generativa" (p. 1),

lo que signiﬁca que debemos pasar de eva-

luar solo la respuesta ﬁnal a considerar el

proceso de elaboración de prompts que lle-

va a esa respuesta. Eager y Brunton (2023)

también apoyan esta idea, abogando por

"prácticas de enseñanza y aprendizaje po-

tenciadas por IA" (p. 1), que requieren eva-

luar la capacidad del estudiante para inte-

ractuar con estas herramientas de manera

crítica y efectiva.

2. Bases Existentes para las Dimensio-

nes de la Rúbrica

Diversos estudios ofrecen marcos concep-

tuales que se pueden traducir directamen-

te en dimensiones, criterios e indicadores

para una rúbrica. White et al. (2023) presen-

tan el marco más concreto con su "catálogo

de patrones de prompts", que proporciona

un lenguaje estandarizado y componen-

tes esenciales para la evaluación. Detecta

la cantidad de contenido generado por IA

y transforma tu texto para que suene más

humano con nuestro Detector de Conteni-

do AI. Simplemente pega tu texto y obtén

resultados precisos y naturales en cuestión

de segundos.

Otros estudios refuerzan la idea de que la

competencia es multidimensional. Knoth

et al. (2024) establecen un vínculo directo

entre la "alfabetización en IA y sus implica-

ciones para las estrategias de prompt engi-

neering" (p. 1), sugiriendo que la evaluación

debe abarcar dimensiones de comprensión

crítica de la tecnología. Lo (2023) propone

"The CLEAR path: A framework for enhan-

cing information literacy through prompt

engineering", integrando habilidades de

alfabetización informacional como criterios

esenciales. Esto sugiere que una rúbrica

válida debería evaluar no solo la efectividad

del prompt, sino también la claridad de los

objetivos, la selección de contextos rele-

vantes y la capacidad de iterar en función

de los resultados.

3. Evidencias de Validez y Conabilidad

en Contextos Anes

Aunque la literatura especíﬁca sobre la va-

lidación de rúbricas de prompt enginee-

ring aún es limitada, hay evidencias sólidas

que respaldan la validez y conﬁabilidad

de las rúbricas para evaluar competencias

complejas y transversales en la educación

superior, lo que facilita el camino metodo-

lógico. El trabajo de Garay-Rondero et al.

(2024) es especialmente relevante. En su

"estudio de caso sobre la resolución de

problemas complejos" en ingeniería, desa-

rrollaron y aplicaron "herramientas de eva-

luación basadas en competencias" (p. 1),

demostrando que es posible operacionali-

zar competencias abstractas en indicado-

res observables y medibles. Más especí-

ﬁcamente, Verano-Tacoronte et al. (2016)

ofrecen un precedente metodológico claro

GUTIÉRREZ ROSADO, J. L., PALACIOS FLORES, K. K., CAJO PULLAS, M. J., & VILLOTA OYARVIDE, W. R.

219

RECIAMUC VOL. 9 Nº 3 (2025)

al crear y validar una "rúbrica ﬁable y váli-

da" para evaluar la competencia de comu-

nicación oral, documentando procesos de

validez de contenido (juicio de expertos) y

de constructo, así como medidas de conﬁa-

bilidad (p. 39). Este estudio sirve como un

modelo a seguir para la validación de una

rúbrica de prompt engineering

Discusión de los resultados

El objetivo principal de este estudio fue exa-

minar la viabilidad de desarrollar y validar

una rúbrica con evidencias de validez y

conﬁabilidad para evaluar la competencia

en prompt engineering (PE) en el contexto

de la educación superior. A través de una re-

visión sistemática de la literatura siguiendo

las directrices PRISMA, esta investigación

buscó sintetizar el conocimiento existente

sobre los marcos conceptuales, dimensio-

nes e instrumentos de evaluación asocia-

dos a esta emergente habilidad transversal.

Los hallazgos de esta revisión indican que,

si bien el PE es reconocido de manera uná-

nime como una competencia esencial para

interactuar de forma crítica y efectiva con la

inteligencia artiﬁcial generativa (IAG) (Kor-

zynski et al., 2023; Walter, 2024), existe una

brecha signiﬁcativa en la literatura respecto

a herramientas de evaluación estandariza-

das y validadas. La mayoría de los estudios

identiﬁcados se centran en proponer mar-

cos conceptuales, estrategias pedagógicas

o casos de aplicación (p. ej., White et al.,

2023; Lo, 2023; Molina & Fernández, 2024),

pero son escasos aquellos que abordan

explícitamente el diseño y la validación psi-

cométrica de instrumentos de evaluación

como rúbricas.

Una de las fortalezas identiﬁcadas en la li-

teratura revisada es el consenso emergente

en torno a las dimensiones clave que cons-

tituirían la competencia en PE. Dimensio-

nes como claridad y precisión, contextua-

lización, iteración, creatividad y evaluación

crítica aparecen recurrentemente en múlti-

ples estudios (White et al., 2023; Knoth et

al., 2024; Molina & Fernández, 2024), lo que

proporciona una base sólida para operacio-

nalizar constructos medibles en una futura

rúbrica. Este acuerdo entre autores de dis-

tintos contextos geográﬁcos y disciplinarios

refuerza la validez de contenido potencial

del instrumento.

Asimismo, se identiﬁcaron precedentes me-

todológicos valiosos en la evaluación de

competencias transversales en educación

superior. Estudios como el de Verano-Taco-

ronte et al. (2016), que validaron una rúbri-

ca para comunicación oral, y Garay-Ronde-

ro et al. (2024), que evaluaron la resolución

de problemas complejos en ingeniería, de-

muestran que es factible lograr altos nive-

les de validez y conﬁabilidad mediante mé-

todos bien establecidos, como el juicio de

expertos y el análisis factorial. Esto sugiere

que el desarrollo de una rúbrica para PE es

técnicamente viable, siempre que se siga

un riguroso proceso de validación.

Sin embargo, también se observaron debili-

dades y desafíos. La principal es la escasez

de literatura empírica especíﬁca sobre la va-

lidación de rúbricas de PE. La mayoría de los

estudios incluidos son teóricos, descriptivos

o proponen frameworks sin ponerlos a prue-

ba con evidencia psicométrica robusta. Esto

limita la posibilidad de generalizar hallazgos

y subraya la necesidad de investigación pri-

maria que desarrolle y valide instrumentos

ad hocOtro desafío reside en la rapidez con

la que evolucionan las tecnologías de IAG.

Los modelos de lenguaje avanzan a un ritmo

que podría dejar obsoletos rápidamente los

criterios de evaluación actuales. Por lo tanto,

cualquier rúbrica diseñada deberá ser ﬂexi-

ble y adaptable, capaz de evolucionar junto

con la tecnología que pretende evaluar (Qa-

dir, 2023; Raftery, 2023).

El signiﬁcado de estos resultados es doble.

Por un lado, conﬁrman la urgencia expre-

sada por múltiples autores (Kasneci et al.,

2023; Sánchez-Ruiz et al., 2023) de dotar al

profesorado de herramientas que permitan

integrar la IAG de forma pedagógicamen-

te sólida y evaluable, superando enfoques

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR

220

RECIAMUC VOL. 9 Nº 3 (2025)

anecdóticos o centrados únicamente en el

producto ﬁnal. Por otro lado, este estudio

sienta las bases teóricas y metodológicas

para futuras investigaciones, proporcionan-

do un punto de partida claro para el diseño

de una rúbrica. En conclusión, los hallazgos

de esta revisión sistemática sugieren que

es posible y necesario desarrollar y validar

una rúbrica para evaluar la competencia en

prompt engineering. La literatura existente

ofrece un marco conceptual sólido y dimen-

siones consensuadas, además de metodo-

logías de validación probadas en compe-

tencias aﬁnes. No obstante, se requiere de

investigación empírica futura que supere la

actual brecha entre la propuesta teórica y

la validación práctica de instrumentos, ase-

gurando que sean robustos, conﬁables y

aplicables en diversos contextos de la edu-

cación superior.

Conclusiones

Este estudio realizó una revisión sistemática

de la literatura con el objetivo de sintetizar

la evidencia disponible sobre la ingeniería

de prompts (PE) como competencia trans-

versal y evaluar la viabilidad de desarrollar

y validar una rúbrica para su evaluación en

la educación superior. Los hallazgos princi-

pales conﬁrman que el PE es ampliamente

reconocido como una competencia digital

esencial y transversal, crucial para interac-

tuar de manera crítica, creativa y estratégica

con los modelos de lenguaje grande (LLMs)

en contextos académicos (Korzynski et al.,

2023; Walter, 2024).

La revisión identiﬁcó un consenso emergen-

te en torno a dimensiones clave que debe-

ría medir una rúbrica, entre ellas: claridad

y precisión, contextualización, iteración,

creatividad y evaluación crítica (White et al.,

2023; Molina & Fernández, 2024; Knoth et

al., 2024). A pesar de este sólido fundamen-

to conceptual, se identiﬁcó una brecha crí-

tica: la notable escasez de herramientas de

evaluación estandarizadas y validadas psi-

cométricamente especíﬁcas para esta com-

petencia. Si bien existen precedentes me-

todológicos exitosos para la validación de

rúbricas de otras competencias complejas

en educación superior (Verano-Tacoronte et

al., 2016; Garay-Rondero et al., 2024), estos

aún no se han aplicado de forma generali-

zada al dominio del PE.

En el contexto de la investigación existente,

estos resultados refuerzan la urgencia ex-

presada por numerosos autores de ir más

allá de las aplicaciones anecdóticas de la

IA Generativa y avanzar hacia su integración

pedagógica formal, lo que requiere de ins-

trumentos de evaluación robustos (Kasneci

et al., 2023; Qadir, 2023; Sánchez-Ruiz et al.,

2023). Este estudio contribuye a este campo

emergente al consolidar un marco de dimen-

siones evaluables y demostrar la viabilidad

metodológica de su operacionalización en

una rúbrica. Entre las fortalezas de este es-

tudio se encuentra la adherencia a una me-

todología sistemática y rigurosa (PRISMA),

que asegura la transparencia y reproduci-

bilidad del proceso de revisión. Además, la

inclusión de una gama diversa de fuentes y

contextos geográﬁcos enriquece la perspec-

tiva general del fenómeno de estudio.

Sin embargo, esta revisión también presen-

ta limitaciones. La principal es la naturaleza

incipiente de la literatura sobre el tema, ca-

racterizada por un volumen signiﬁcativo de

propuestas teóricas y marcos conceptuales

frente a una escasez de estudios empíricos

de validación. Esto limita la posibilidad de

realizar un meta-análisis cuantitativo y obli-

ga a basar las conclusiones en una síntesis

narrativa. Asimismo, el rápido avance de

la tecnología de IA Generativa implica que

cualquier instrumento de evaluación corre

el riesgo de quedar desactualizado rápida-

mente, lo que representa un desafío cons-

tante para la investigación en este campo.

Con base en estos hallazgos, se proponen

las siguientes recomendaciones: Para la

práctica educativa: Desarrollar intervencio-

nes formativas explícitas que enseñen las

dimensiones del PE identiﬁcadas (claridad,

contextualización, iteración, etc.), integran-

GUTIÉRREZ ROSADO, J. L., PALACIOS FLORES, K. K., CAJO PULLAS, M. J., & VILLOTA OYARVIDE, W. R.

221

RECIAMUC VOL. 9 Nº 3 (2025)

do su práctica en distintas disciplinas. Utili-

zar los marcos conceptuales existentes

(p. ej., White et al., 2023; Lo, 2023) como

guía para diseñar actividades y criterios de

evaluación preliminares mientras se dispo-

ne de instrumentos validados. Para futu-

ras investigaciones: Priorizar el desarrollo

y validación psicométrica de una rúbrica

especíﬁca para PE, siguiendo los métodos

rigurosos ya aplicados en la evaluación de

otras competencias (validez de conteni-

do mediante juicio de expertos, validez de

constructo, conﬁabilidad inter-evaluadores).

Realizar estudios empíricos que apliquen la

rúbrica propuesta en contextos educativos

reales para evaluar su utilidad, sensibilidad

al cambio y capacidad para predecir el des-

empeño efectivo con herramientas de IAG.

Investigar la evolución de la competencia

en PE a lo largo del tiempo y en diferentes

disciplinas, para adaptar y reﬁnar continua-

mente las herramientas de evaluación.

En deﬁnitiva, este estudio concluye que la

creación de una rúbrica válida y conﬁable

para evaluar la ingeniería de prompts no

solo es factible gracias a la base concep-

tual y metodológica existente, sino también

imprescindible para asegurar que la inte-

gración de la IA Generativa en la educación

superior se realice de forma pedagógica-

mente sólida, ética y efectiva.

Bibliografía

Aaron, L., Abbate, S., Marae Allain, N., Fallon, B., &

Gavin, D. (2024). Optimizing AI in Higher Educa-

tion: SUNY FACT² Guide (p. 121). State university

of New York press.

Abdulshahed, A. M. (2023). A novel framework le-

veraging prompt engineering and the grey-ba-

sed approach–a case study in Libya. Available at

SSRN 4492606.

Clavié, B., Ciceu, A., Naylor, F., Soulié, G., & Bri-

ghtwell, T. (2023, June). Large language models

in the workplace: A case study on prompt engi-

neering for job type classiﬁcation. In International

conference on applications of natural language to

information systems (pp. 3-17). Cham: Springer

Nature Switzerland.

Cruz, M., Saunders-Smits, G., & Groen, P. (2019).

Evaluation of competency methods in engineering

education: a systematic review. European Journal

of Engineering Education, 45, 729 - 757. https://

doi.org/10.1080/03043797.2019.1671810

Eager, B., & Brunton, R. (2023). Prompting higher

education towards AI-augmented teaching and

learning practice. Journal of university teaching

and learning practice, 20(5), 1-19.

Fotaris, P., Mastoras, T., & Lameras, P. (2023, Sep-

tember). Designing educational escape rooms

with generative AI: A framework and ChatGPT

prompt engineering guide. In 17th European Con-

ference on Games Based Learning.

Garay-Rondero, C., Castillo-Paz, A., Gijón-Rive-

ra, C., Domínguez-Ramírez, G., Rosales-Torres,

C., & Oliart-Ros, A. (2024). Competency-based

assessment tools for engineering higher edu-

cation: a case study on complex problem-sol-

ving. Cogent Education, 11. https://doi.or-

g/10.1080/2331186X.2024.2392424

Hazari, S. (2024). Justiﬁcation and roadmap for ar-

tiﬁcial intelligence (AI) literacy courses in higher

education. Journal of Educational Research and

Practice, 14(1), 7.

Haddaway, N. R., Page, M. J., Pritchard, C. C., &

McGuinness, L. A. (2022). PRISMA2020: An R

package and Shiny app for producing PRISMA

2020-compliant ﬂow diagrams, with interactivity

for optimised digital transparency and Open Syn-

thesis Campbell Systematic Reviews, 18, e1230.

https://doi.org/10.1002/cl2.1230

Jacobsen, L. J., & Weber, K. E. (2023). The promises

and pitfalls of ChatGPT as a feedback provider in

higher education: An exploratory study of prompt

engineering and the quality of AI-driven feedback.

Kasneci, E., Seßler, K., Küchemann, S., Bannert,

M., Dementieva, D., Fischer, F., Gasser, U., Groh,

G., Günnemann, S., Hüllermeier, E., Krusche, S.,

Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J.,

Poquet, O., Sailer, M., Schmidt, A., Seidel, T., …

Kasneci, G. (2023). ChatGPT for good? On oppor-

tunities and challenges of large language models

for education. Learning and Individual Differen-

ces, *103*, 102274. https://doi.org/10.1016/j.lin-

dif.2023.102274

Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. M.

(2024). AI literacy and its implications for prompt

engineering strategies. Computers and Education:

Artiﬁcial Intelligence, 6, 100225.

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR

222

RECIAMUC VOL. 9 Nº 3 (2025)

Korzynski, P., Mazurek, G., Krzypkowska, P., & Kura-

sinski, A. (2023). Artiﬁcial intelligence prompt en-

gineering as a new digital competence: Analysis

of generative AI technologies such as ChatGPT.

Entrepreneurial Business and Economics Review,

11(3), 25-37.

Lee, D., & Palmer, E. (2025). Prompt engineering in

higher education: a systematic review to help in-

form curricula. International Journal of Educatio-

nal Technology in Higher Education. https://doi.

org/10.1186/s41239-025-00503-7

Lo, L. (2023). The CLEAR path: A framework for en-

hancing information literacy through prompt engi-

neering. The Journal of Academic Librarianship.

https://doi.org/10.1016/j.acalib.2023.102720

Meskó, B. (2023). Prompt engineering as an important

emerging skill for medical professionals: tutorial.

Journal of medical Internet research, 25, e50638.

Molina, A. I., & Fernández, D. C. (2024). Integrating

Generative AI into Higher Education: A Framework

for Prompt Engineering Skills Development. Jour-

nal of Educational Technology & Society, 27(1),

45-58.

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Bou-

tron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer,

L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou,

R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A.,

Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E.,

McDonald, S., … Moher, D. (2021). The PRISMA

2020 statement: An updated guideline for reporting

systematic reviews. Systematic Reviews, 10 (1),

89. https://doi.org/10.1186/s13643-021-01626-4

Qadir, J. (2023). Engineering education in the era

of ChatGPT: Promise and pitfalls of generative

AI for education. IEEE Global Engineering Edu-

cation Conference (EDUCON), 1-9. https://doi.

org/10.1109/EDUCON54358.2023.10125121

Raftery, D. (2023). Will ChatGPT pass the online qui-

zzes? Adapting an assessment strategy in the age

of generative AI. Irish Journal of Technology En-

hanced Learning, 7(1).

Raftery, D. (2023). Will ChatGPT pass the online qui-

zzes? Adapting an assessment strategy in the age

of generative AI. Irish Journal of Technology En-

hanced Learning, 7(1).

Robles, L., Villarreal, K., Oropeza, R., Oviedo, F., &

Gonzalez-Guerra, L. (2024). Integral Evaluation

For Engineering Graduates: Comparison Of Com-

petency-based Assessment Tools. 2024 World En-

gineering Education Forum - Global Engineering

Deans Council (WEEF-GEDC), 1-6. https://doi.

org/10.1109/WEEF-GEDC63419.2024.10854950

Sánchez-Ruiz, L. M., Moll-López, S., Nuñez-Pérez,

A., Moraño-Fernández, J. A., & Vega-Fleitas, E.

(2023). ChatGPT and the Era of Generative AI in

Higher Education: A Preliminary Study on the Per-

ception of Faculty and Students. Education Scien-

ces, 13(9), 947. https://doi.org/10.3390/educs-

ci13090947

Schäffer, B., & Lieder, F. R. (2023). Distributed inter-

pretation–teaching reconstructive methods in the

social sciences supported by artiﬁcial intelligence.

Journal of research on technology in education,

55(1), 111-124.

Susnjak, T. (2024). Beyond predictive learning

analytics modelling and onto explainable artiﬁcial

intelligence with prescriptive analytics and Chat-

GPT. International Journal of Artiﬁcial Intelligence

in Education, 34(2), 452-482.

Tawﬁk, G. M., Dila, K. A. S., Mohamed, M. Y. F., Tam,

D. N. H., Kien, N. D., Ahmed, A. M., & Huy, N. T.

(2019). A step by step guide for conducting a sys-

tematic review and meta-analysis with simulation

data. Tropical medicine and health, 47(1), 46.

Tupper, M., Hendy, I. W., & Shipway, J. R. (2023).

Field courses for dummies: can ChatGPT design a

higher education ﬁeld course?.

Verano-Tacoronte, D., González-Betancor, S. M.,

Bolívar-Cruz, A., Fernández-Monroy, M., & Gal-

ván-Sánchez, I. (2016). Valoración de la compe-

tencia de comunicación oral de estudiantes uni-

versitarios a través de una rúbrica ﬁable y válida.

Revista Brasileira de Educação, 21(64), 39–60.

https://doi.org/10.1590/S1413-24782016216403

Walter, Y. (2024). Embracing the future of Artiﬁcial In-

telligence in the classroom: the relevance of AI li-

teracy, prompt engineering, and critical thinking in

modern education. International Journal of Educa-

tional Technology in Higher Education, 21(1), 15.

White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C.,

Gilbert, H., Elnashar, A., Spencer-Smith, J., & Sch-

midt, D. C. (2023). A prompt pattern catalog to

enhance prompt engineering with ChatGPT. arXiv

preprint. https://arxiv.org/abs/2302.11382

White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C.,

Gilbert, H., ... & Schmidt, D. C. (2023). A prompt

pattern catalog to enhance prompt engineering

with chatgpt. arXiv preprint arXiv:2302.11382.

Xiao, Y., & Watson, M. (2019). Guidance on conduc-

ting a systematic literature review. Journal of plan-

ning education and research, 39(1), 93-112.

Zheng, J., & Fischer, M. (2023). Dynamic prompt-ba-

sed virtual assistant framework for BIM information

search. Automation in Construction, 155, 105067.

GUTIÉRREZ ROSADO, J. L., PALACIOS FLORES, K. K., CAJO PULLAS, M. J., & VILLOTA OYARVIDE, W. R.

223

RECIAMUC VOL. 9 Nº 3 (2025)

CITAR ESTE ARTICULO:

Gutiérrez Rosado, J. L., Palacios Flores, K. K., Cajo Pullas, M. J., & Villota

Oyarvide, W. R. (2025). "Prompt engineering" como competencia transver-

sal clave: desarrollo y validación de una rúbrica para su evaluación en la

educación superior. RECIAMUC, 9(3), 209-223. https://doi.org/10.26820/re-

ciamuc/9.(3).julio.2025.209-223

"PROMPT ENGINEERING" COMO COMPETENCIA TRANSVERSAL CLAVE: DESARROLLO Y VALIDACIÓN DE

UNA RÚBRICA PARA SU EVALUACIÓN EN LA EDUCACIÓN SUPERIOR