Review
Conditional
Gamification and Distributed Learning:
A
Proposed Theoretical-Pedagogical Model for
Adaptive
Educational Platforms
El
gaming condicional y el aprendizaje distribuido:
propuesta
de modelo teórico-pedagógico para
plataformas
educativas adaptativas
Dionisio
Gutiérrez Lira 1
ORCID: https://orcid.org/0009-0003-9291-2604
Universidad Veracruzana, Sistema de
Enseñanza Abierta. Xalapa-México 1
Autor de
correspondencia
digutierrez@uv.mx
Recibido: 31-08-2026
Aceptado: 19-10-2026
Disponible en línea: 20-10-2026
Abstract
Educational gamification and distributed learning had independent theoretical
foundations and evidence, but their integration into adaptive platforms through
playful access conditioned by academic performance remained insufficiently
articulated. The objective was to construct and theoretically substantiate a
conditional gaming model that integrated educational gamification, distributed
learning, and Self-Determination Theory, while establishing pedagogical,
technological, and ethical conditions for its future implementation. A
documentary review of scientific and institutional literature was conducted on
gamification, distributed practice, motivation, educational artificial
intelligence, learning analytics, and inclusive design, using sources selected
from academic databases and specialized repositories. As a result, a conceptual
architecture was formulated, composed of an academic layer, a playful layer,
and an adaptive assessment engine under teacher supervision. Preliminary
criteria were also defined for game selection, transparency, privacy, digital
equity, and prevention of motivational displacement. The article concluded that
the model presented theoretical plausibility for future empirical evaluation as
an integration strategy between distributed learning and playful experiences
conditioned by performance, without supporting claims of proven effectiveness,
operational viability, or demonstrated educational impact.
Keywords: Educational
gamification, distributed learning, conditional access, educational artificial
intelligence, instructional design.
Resumen
La gamificación educativa y el aprendizaje distribuido contaban con
fundamentos teóricos y evidencia independiente, pero su integración en
plataformas adaptativas mediante acceso lúdico condicionado al desempeño
académico permanecía insuficientemente articulada. El objetivo fue construir y
fundamentar teóricamente un modelo de gaming condicional que integrara
gamificación educativa, aprendizaje distribuido y Teoría de la
Autodeterminación, así como establecer condiciones pedagógicas, tecnológicas y
éticas para su futura implementación. Se realizó una revisión documental de
literatura científica e institucional sobre gamificación, práctica distribuida,
motivación, inteligencia artificial educativa, analítica de aprendizaje y
diseño inclusivo, seleccionada en bases de datos académicas y repositorios
especializados. Como resultado, se formuló una arquitectura conceptual
compuesta por capa académica, capa lúdica y motor de evaluación adaptativa con
supervisión docente, además de criterios preliminares sobre selección de juegos,
transparencia, privacidad, equidad digital y prevención del desplazamiento
motivacional. Se concluyó que el modelo presentó plausibilidad teórica para ser
evaluado como estrategia de integración entre aprendizaje distribuido y
experiencias lúdicas condicionadas al desempeño, sin que ello permitiera
afirmar todavía eficacia, viabilidad operativa o impacto educativo demostrado.
Palabras clave: Gamificación educativa,
aprendizaje distribuido, acceso condicional, inteligencia artificial educativa,
diseño instruccional.
Introducción
La consolidación de los dispositivos móviles como plataformas
privilegiadas del aprendizaje ha reconfigurado las formas en que los
estudiantes interactúan con los contenidos educativos. En ese escenario, las aplicaciones
educativas, los sistemas de gestión del aprendizaje y los entornos adaptativos
han ampliado las posibilidades de seguimiento, retroalimentación y
personalización del aprendizaje, pero también han hecho más visible la
necesidad de diseñar experiencias que sostengan la participación sin convertir
la tecnología en un simple mecanismo de control externo.
La investigación en ciencias cognitivas ha documentado la utilidad
del efecto de espaciado o práctica distribuida, entendido como la superioridad del
aprendizaje organizado en sesiones separadas frente al estudio concentrado en
una sola sesión. Este fundamento resulta pertinente para plataformas educativas
móviles porque permite estructurar el retorno periódico del estudiante al
contenido, no como recordatorio aislado, sino como parte de una arquitectura
temporal orientada a la retención y recuperación de información a largo plazo
(Greving & Richter, 2021; Zhou et al., 2025).
De manera paralela, la gamificación educativa, definida por
Deterding et al. (2011, p. 10) como el uso de elementos del diseño de juegos en
contextos que no son juegos, ha acumulado evidencia sobre su relación con la
motivación, la participación y el rendimiento académico. Sin embargo, dicha
evidencia no autoriza a sostener que cualquier mecánica lúdica produzca
resultados positivos por sí misma, ya que los efectos dependen de la
disciplina, el nivel educativo, la calidad del diseño instruccional y el modo
en que las recompensas se relacionan con el proceso de aprendizaje (Sailer &
Homner, 2020; Zeng et al., 2024).
La Teoría de la Autodeterminación aporta un tercer fundamento
indispensable para analizar esta problemática, porque permite distinguir entre
motivación controlada, regulación identificada y motivación intrínseca. Desde esta
perspectiva, un sistema que condicione el acceso al juego debe diseñarse con
especial cuidado para no transformar la actividad académica en un mero
requisito instrumental. La literatura sobre recompensas extrínsecas advierte
que estas pueden apoyar la percepción de competencia cuando comunican
información sobre el desempeño, pero también pueden desplazar la motivación
intrínseca cuando son percibidas como controladoras (Deci et al, 1999; Ryan
& Deci, 2000).
Aunque la literatura ha documentado de manera independiente los
efectos de la gamificación educativa, la práctica distribuida, la motivación
autodeterminada y la inteligencia artificial aplicada a la personalización del
aprendizaje, en las fuentes examinadas se identificó una limitada articulación
entre estos enfoques dentro de una misma arquitectura educativa en la que el
acceso lúdico se condicione al desempeño académico verificado. Esta formulación
no pretende demostrar la inexistencia universal de trabajos previos, sino
delimitar una brecha teórica observada en el corpus revisado y justificar la
construcción del modelo propuesto.
A partir de esa delimitación, la pregunta orientadora fue la
siguiente: ¿de qué manera puede integrarse el gaming condicional en una
aplicación de aprendizaje distribuido de forma que refuerce el trabajo
académico sin menoscabar la motivación intrínseca ni la autonomía del
estudiante? El objetivo fue construir y fundamentar teóricamente el modelo
C-GAL como propuesta de diseño instruccional que articule gamificación educativa,
aprendizaje distribuido y Teoría de la Autodeterminación, estableciendo sus
principales condiciones pedagógicas, tecnológicas y éticas de implementación
futura.
Se desarrolló una revisión documental de carácter
teórico-propositivo mediante literatura científica e institucional localizada
en Scopus, Web of Science, ERIC, SpringerLink, ScienceDirect y repositorios
especializados. Se priorizaron publicaciones recientes relacionadas con
gamificación educativa, aprendizaje distribuido, Teoría de la Autodeterminación,
inteligencia artificial, analítica de aprendizaje y diseño inclusivo,
complementadas con obras fundacionales pertinentes. Las fuentes fueron
seleccionadas por su relevancia conceptual, empírica o institucional y
organizadas según los fundamentos y dimensiones que sustentan la construcción
del modelo C-GAL.
Desarrollo
Fundamentos de la gamificación educativa
La gamificación educativa parte de la incorporación de elementos
propios del diseño de juegos en contextos que no son juegos, con el propósito
de favorecer participación, retroalimentación y compromiso. En el campo
educativo, su uso ha sido estudiado en cursos presenciales, ambientes
virtuales, sistemas de gestión del aprendizaje y plataformas móviles. La
evidencia disponible sugiere efectos favorables sobre resultados cognitivos,
motivacionales y conductuales, pero también muestra una marcada heterogeneidad
que impide asumir una eficacia automática o independiente del diseño pedagógico
(Sailer & Homner, 2020; Zeng et al., 2024).
Zeng et al. (2024) analizaron estudios experimentales publicados
entre 2008 y 2023 y reportaron un efecto positivo moderado de la gamificación
sobre el rendimiento académico. En la misma línea, Kurnaz y Koçtürk (2025)
examinaron investigaciones en educación básica y encontraron efectos positivos
sobre la motivación estudiantil, mientras que Dehghanzadeh et al. (2024)
subrayaron que la eficacia de la gamificación en educación básica depende de
las condiciones de implementación y del alineamiento con los objetivos de
aprendizaje. Estas revisiones permiten sostener que la gamificación puede ser
pedagógicamente útil, pero solo bajo condiciones de diseño coherentes con el
contenido y con las características del estudiantado.
Hou (2023) distingue entre aprendizaje basado en juegos y
gamificación. En el primero, el contenido educativo forma parte intrínseca de
la mecánica del juego; en la segunda, las mecánicas lúdicas se añaden a
procesos de aprendizaje existentes. Esta distinción resulta relevante para el
modelo C-GAL porque la propuesta no reduce el aprendizaje al juego ni convierte
todo contenido curricular en videojuego. En cambio, explora una integración en
la que la capa académica conserva su finalidad formativa y la capa lúdica
funciona como experiencia asociada, regulada y pedagógicamente delimitada.
La revisión de Lampropoulos et al. (2025) sobre gamificación en
sistemas de gestión del aprendizaje y la revisión de Triantafyllou et al.
(2025) sobre teorías, mecánicas y obstáculos de la gamificación muestran que el
problema central ya no consiste únicamente en incorporar puntos, insignias o
tablas de clasificación, sino en diseñar entornos que articulen mecánicas,
objetivos, retroalimentación, acompañamiento docente y condiciones
institucionales. Tomando como base estos señalamientos teóricos, advertimos una
primera restricción para C-GAL donde el juego no debe añadirse como premio
externo genérico, sino vincularse a decisiones instruccionales explícitas y
revisables.
Evidencia cognitiva y educativa sobre la práctica
distribuida
El efecto de espaciado o práctica distribuida refiere el fenómeno
por el cual los materiales estudiados en sesiones múltiples separadas por
intervalos temporales deliberados suelen retenerse con mayor eficiencia que los
materiales estudiados de manera concentrada. En este artículo se utiliza la
denominación de evidencia cognitiva y educativa, y no la de bases
neurocognitivas, porque las fuentes revisadas analizan principalmente
aprendizaje, retención y rendimiento mediante diseños educativos o
conductuales, sin presentar mediciones neurobiológicas directas.
Greving y Richter (2021) estudiaron el aprendizaje con materiales
textuales distribuidos y masificados, y discutieron mecanismos como la
variabilidad de codificación y la recuperación durante la fase de estudio.
Carpenter et al. (2022) sintetizaron la eficacia de la práctica espaciada y la
práctica de recuperación para el aprendizaje duradero, mientras que Dunlosky et
al. (2013) ubicaron estas técnicas entre las estrategias de mayor utilidad
demostrada dentro de la psicología cognitiva aplicada a la educación. La
evidencia más reciente revisada también incluye el estudio de Zhou et al.
(2025), que reportó ganancias en pruebas diferidas cuando se aplicó aprendizaje
espaciado en clases de física de educación secundaria.
Para C-GAL, este cuerpo de literatura no demuestra la eficacia del
modelo completo, pero sí fundamenta la conveniencia de que la capa académica se
estructure temporalmente mediante sesiones breves, recurrentes y adaptativas. En
una plataforma móvil, esto puede traducirse en algoritmos de repetición
espaciada que calculen intervalos de reexposición según el historial de
desempeño individual; así, el retorno periódico a la plataforma no se entiende
como simple frecuencia de uso, sino como una condición pedagógica que organiza
el contacto del estudiante con los contenidos.
Teoría de la Autodeterminación, autonomía y
riesgo de recompensa externa
La Teoría de la Autodeterminación de Ryan y Deci (2000) constituye
un marco psicológico útil para analizar la motivación en contextos gamificados.
Esta teoría sostiene que la motivación humana se distribuye en un continuo que
va desde la regulación externa hasta formas más autónomas de participación.
Para que la motivación se internalice de manera sostenida, deben satisfacerse
tres necesidades psicológicas básicas: autonomía, competencia y relación
social.
Este fundamento es crucial para el gaming condicional porque el
acceso al juego puede interpretarse de dos maneras muy distintas. Si el estudiante
percibe que la actividad académica es solo un obstáculo para obtener una
recompensa, el diseño puede generar dependencia de incentivos externos. En
cambio, si la retroalimentación comunica progreso, dominio y sentido de
competencia, y si el estudiante conserva márgenes reales de decisión, la
recompensa puede operar como un apoyo motivacional sin absorber por completo el
significado de la tarea académica.
La revisión sistemática de Ratinho y Martins (2023) muestra que la
gamificación puede contribuir a la autonomía cuando ofrece elecciones
significativas, a la competencia cuando incorpora retroalimentación inmediata y
a la relación social cuando integra interacciones colaborativas. Gao (2024)
profundiza esta discusión al plantear que el diseño gamificado puede favorecer
la motivación autónoma cuando se orienta a satisfacer las necesidades básicas
de la teoría, y Yang y Li (2025) muestran que los retos ajustados al nivel del
estudiante y la integración de vínculos sociales en la narrativa pueden favorecer
la motivación en juegos serios.
La implicación para C-GAL es doble porque, por una parte, la
condicionalidad no debe presentarse como castigo, bloqueo punitivo o vigilancia
del estudiante y por otra, debe incluir opciones dentro de restricciones, como lo
sería la elección de horarios, secuencia de tareas, rutas de refuerzo y, en su
caso, selección de juegos disponibles. Esta decisión no elimina el carácter
condicionado del modelo, pero evita que la estructura académica anule la libre
determinación del estudiante.
Recompensas contingentes al desempeño y
condicionalidad académica
Una distinción central para la propuesta es la diferencia entre
recompensas contingentes a la completitud y recompensas contingentes al
desempeño, así, las primeras se activan por entregar o finalizar una actividad,
sin considerar la calidad del trabajo realizado y las segundas se relacionan
con criterios de desempeño previamente establecidos y buscan comunicar al
estudiante información sobre su progreso. Para un modelo de acceso lúdico
condicionado, esta diferencia es esencial porque la condicionalidad no debería
incentivar únicamente la entrega instrumental.
El estudio de Park et al. (2019) comparó recompensas contingentes
al desempeño y recompensas contingentes a la completitud en un sistema de
aprendizaje basado en juegos, con actividades de vocabulario en inglés y un
juego de tiro con arco. Sus resultados sugieren que las recompensas vinculadas
al desempeño pueden asociarse con mayores niveles de aprendizaje y motivación
que las recompensas por simple completitud. Para el modelo C-GAL, esta
evidencia se utiliza únicamente como antecedente específico del principio de
condicionalidad basada en desempeño, sin extender sus resultados a la eficacia
global de la arquitectura propuesta.
Tarigan et al. (2025) también exploraron un mecanismo integrado
entre juegos educativos y recreativos, en el que el acceso a rondas de juego se
modulaba por el desempeño en ejercicios de vocabulario. Estos trabajos son
relevantes para C-GAL porque proporcionan evidencia empírica sobre el principio
general de condicionar el acceso lúdico al desempeño; sin embargo, no
demuestran todavía la eficacia del modelo C-GAL en su conjunto ni autorizan
afirmar que todo aumento de desempeño deba traducirse en mayor tiempo de juego.
Así podemos considerar que la escalabilidad motivacional se formula
en este manuscrito como una hipótesis de diseño y no como una consecuencia
probada de la Teoría de la Autodeterminación. El modelo propone explorar una
graduación del acceso lúdico en función del desempeño, pero la duración,
variedad y características de ese acceso deberán validarse empíricamente según
edad, nivel educativo, tipo de tarea, características del juego y posibles
efectos sobre la motivación intrínseca.
Inteligencia artificial, evaluación adaptativa
y supervisión docente
La convergencia entre gamificación educativa e inteligencia
artificial representa una línea emergente dentro de la tecnología educativa,
pero, sin el ánimo de realizar afirmaciones sin evidencia empírica, podemos
considerar que esta tendencia será irreversible, aunque su condición de
necesaria sería lo conveniente por probar durante esta temporalidad que
transitamos. Naseer et al. (2025) proponen un marco que integra mecánicas de
juego, nivelación, insignias, retroalimentación oportuna y personalización
impulsada por inteligencia artificial para responder a desafíos de
adaptabilidad, motivación y resultados de aprendizaje. Desde la perspectiva del
aprendizaje personalizado, Ikram et al. (2026) documentan que la inteligencia
artificial puede apoyar retroalimentación en tiempo real, ajuste flexible del
contenido y evaluación continua en entornos centrados en el estudiante.
En el ámbito de las políticas educativas, la Organisation for
Economic Co-operation and Development examina los usos de la inteligencia
artificial generativa en educación y plantea principios de uso responsable que
resultan pertinentes para cualquier motor de evaluación formativa (OECD, 2026).
De forma complementaria, el marco de competencias de inteligencia artificial
para docentes elaborado por Miao y Cukurova (2024) y el marco DigCompEdu de
Redecker (2017) permiten situar la propuesta en el desarrollo profesional
docente y no únicamente en la automatización tecnológica.
No obstante, el uso de inteligencia artificial en C-GAL debe ser
presentado como componente propuesto y sujeto a validación. La evaluación de
respuestas abiertas mediante inteligencia artificial deberá operar como apoyo a
la decisión docente y no como mecanismo autónomo de clasificación,
especialmente cuando el resultado determine condiciones de acceso dentro de la
plataforma. Para ello se requieren criterios previamente validados, revisión
humana en decisiones dudosas, mecanismos de apelación para el estudiante, análisis
de sesgos, trazabilidad de la retroalimentación y transparencia sobre el peso
que tiene cada componente evaluativo.
Esta precisión es indispensable porque el funcionamiento del modelo
depende de que la clasificación del desempeño sea suficientemente válida,
confiable y explicable. Un error algorítmico podría afectar simultáneamente la
evaluación académica y el mecanismo motivacional; por lo que consideramos que la
tecnología no debe sustituir la mediación pedagógica, sino ampliar la capacidad
docente de seguimiento, retroalimentación y ajuste.
Fundamentación del modelo C-GAL
El modelo C-GAL (Conditional Gaming for Academic Learning) se
formula como un marco de diseño instruccional orientado a plataformas
educativas de aprendizaje distribuido utilizables en dispositivos móviles. Su
finalidad es articular, dentro de un mismo ecosistema digital, una capa de
aprendizaje curricular distribuido y una capa de experiencias lúdicas cuyo
acceso se encuentre condicionado al cumplimiento académico verificado y
evaluado con criterios de calidad. En esta formulación, una capa no sustituye a
la otra; ambas se proponen como componentes transversales que deben guardar
correspondencia pedagógica.
A partir de la literatura examinada, el modelo integra en una misma
propuesta componentes que suelen abordarse de manera separada: práctica
distribuida, condicionalidad del acceso lúdico, motivación autodeterminada,
evaluación adaptativa y supervisión docente. Esta integración constituye el
aporte teórico central del manuscrito, sin afirmar originalidad universal ni
eficacia empírica demostrada. El modelo funciona, en esta etapa, como una
arquitectura conceptual susceptible de análisis, desarrollo tecnológico y
evaluación futura. El reto para quien presenta este modelo está en aplicarlo en
cursos universitarios de la facultad de Derecho del Sistema de Enseñanza
Abierta para la Universidad Veracruzana y poder pasar de lo teórico a lo
empíricamente evaluable.
El modelo descansa en cinco principios rectores. Primero, el aprendizaje
distribuido como arquitectura temporal: la plataforma organiza las actividades
curriculares en sesiones breves y recurrentes mediante un algoritmo de
repetición espaciada adaptativo. Segundo, la condicionalidad basada en el
desempeño: el acceso lúdico no se activa por la mera entrega, sino por el
cumplimiento de un nivel mínimo de calidad valorado mediante rúbricas,
evaluación automatizada o evaluación asistida con supervisión docente. Tercero,
la graduación del acceso lúdico como hipótesis de diseño: el tipo, duración o
variedad del juego podría modularse según el desempeño, aunque esta relación
requiere validación empírica. Cuarto, la elección dentro de restricciones: el
estudiante conserva márgenes de agencia en horario, secuencia de actividades y selección
de experiencias lúdicas. Quinto, la transparencia y guía docente: el ciclo debe
ser informativo, revisable y no punitivo.
Arquitectura funcional propuesta y ciclo de
aprendizaje-juego
La arquitectura funcional propuesta opera en dos capas integradas.
La capa académica alberga lecturas, cuestionarios de recuperación activa,
ejercicios de práctica, proyectos colaborativos y evaluaciones formativas
distribuidas temporalmente por un algoritmo adaptativo. La capa lúdica contiene
una biblioteca de juegos o experiencias breves cuyo acceso se activa de acuerdo
con condiciones de cumplimiento definidas por el diseño instruccional. El
componente de enlace entre ambas capas es el motor de evaluación formativa, que
no se concibe como juez automático, sino como sistema de apoyo a la
retroalimentación y a la toma de decisiones docentes.
La interfaz incluiría un tablero de progreso académico que muestre
actividades pendientes, tiempo estimado de trabajo, criterios de desempeño y
condiciones de acceso lúdico. El motor de evaluación podría operar en tres
niveles: evaluación automática de respuestas cerradas, evaluación asistida por
inteligencia artificial de respuestas abiertas y evaluación entre pares en
proyectos colaborativos. En todos los casos, los criterios deberían comunicarse
previamente al estudiante y estar sujetos a revisión docente, particularmente
cuando el resultado afecte el nivel de acceso lúdico.
El ciclo preliminar de aprendizaje-juego se organiza en cuatro
fases. En la activación, el estudiante recibe una notificación de sesión
distribuida con las actividades del día y los criterios de logro. En la fase
académica, completa las tareas asignadas y recibe retroalimentación formativa.
En el desbloqueo, si alcanza el nivel mínimo establecido, se habilita el acceso
lúdico correspondiente, comunicado como reconocimiento del trabajo académico y
no como premio arbitrario. En la fase de juego y consolidación, el estudiante
accede a la experiencia habilitada, que puede consistir en microactividades de
revisión curricular o recreación controlada, según los criterios pedagógicos
definidos.
Esta arquitectura debe entenderse como una propuesta operativa
inicial. No se sostiene que produzca automáticamente autorregulación,
motivación o continuidad del aprendizaje. Su valor radica en ofrecer una
organización conceptual que puede convertirse en prototipo, someterse a
evaluación de usabilidad, analizarse mediante estudios piloto y posteriormente
probarse con diseños cuasiexperimentales o experimentales.
Criterios para la selección de juegos y rol
docente
La selección de juegos constituye un componente pedagógico y ético,
no una decisión accesoria. En un primer nivel, deben excluirse juegos con
mecánicas predatorias, compras dentro de la aplicación, cajas de botín o diseños
orientados a maximizar el tiempo de pantalla a expensas del bienestar del
estudiante. También debe asegurarse la pertinencia etaria, la protección de
datos personales, la posibilidad de interrupción sin penalización y la
compatibilidad con contextos educativos diversos.
En un segundo nivel, se privilegian juegos que puedan favorecer
pensamiento lógico, resolución de problemas, creatividad, colaboración,
retroalimentación intrínseca y escalabilidad de dificultad. El criterio de
sesiones breves se mantiene como parámetro preliminar de diseño, no como regla
validada. En lugar de fijar normativamente un intervalo universal, se propone
explorar duraciones acotadas cuya extensión óptima deberá determinarse
empíricamente según edad, contexto educativo, tipo de tarea, naturaleza del
juego y condiciones de bienestar digital.
El docente ocupa tres funciones centrales. Como diseñador
curricular, define actividades académicas, niveles mínimos de desempeño,
rúbricas y criterios de acceso lúdico. Como analista del aprendizaje,
interpreta el panel de progreso, identifica rezagos, observa patrones de
participación y ajusta las condiciones del modelo. Como mediador reflexivo,
promueve espacios de metacognición para que el estudiante comprenda el valor
del aprendizaje más allá de la recompensa lúdica.
Estas funciones exigen competencias digitales, éticas y didácticas.
El marco de competencias de inteligencia artificial para docentes de Miao y
Cukurova (2024) precisa capacidades necesarias para seleccionar y mediar herramientas
asistidas por inteligencia artificial, mientras que DigCompEdu vincula dichas
competencias con evaluación, recursos digitales, enseñanza, aprendizaje y
empoderamiento del estudiante (Redecker, 2017). Por tanto, la implementación
futura de C-GAL requeriría formación docente y gobernanza institucional, no
solo desarrollo de software.
Limitaciones, consideraciones éticas y líneas
futuras
La principal limitación teórica del modelo es el riesgo de
desplazamiento motivacional. Si el diseño no es cuidadoso, el estudiante puede
interpretar la tarea académica como un peaje para acceder al juego, en
detrimento del sentido de aprendizaje. Este riesgo se relaciona con la
literatura sobre recompensas extrínsecas y exige que la condicionalidad
comunique competencia, ofrezca retroalimentación formativa, mantenga opciones
de elección y preserve el valor intrínseco de la actividad académica.
Una segunda limitación se refiere a la autonomía. Los entornos
rígidamente estructurados pueden frustrar la necesidad de agencia si el
estudiante no participa de manera significativa en las decisiones. La propuesta
responde mediante elección dentro de restricciones, pero este diseño también
requiere validación porque no basta con ofrecer opciones superficiales; las
decisiones disponibles deben ser pedagógicamente relevantes y comprensibles
para el estudiante.
Una tercera limitación es la equidad digital. El modelo supone
acceso a dispositivos, conectividad, alfabetización digital y condiciones
mínimas de uso, elementos que no se distribuyen de manera uniforme. Frente a
esta limitación, el Diseño Universal para el Aprendizaje 3.0 ofrece criterios
para reducir barreras de acceso y participación mediante múltiples formas de
representación, acción, expresión e implicación (Gravel et al., 2026). Una
implementación futura debería contemplar compatibilidad con dispositivos de
gama baja, funcionalidad sin conexión cuando sea posible, accesibilidad,
protección de estudiantes con necesidades educativas específicas y alternativas
no lúdicas equivalentes.
Las consideraciones éticas son inseparables del diseño tecnológico.
La revisión de Bulut y Ulusoy (2026) identifica privacidad de datos, sesgo
algorítmico y transparencia como desafíos en sistemas gamificados impulsados
por inteligencia artificial. La guía de UNESCO sobre inteligencia artificial
generativa en educación e investigación y las directrices éticas de la Comisión
Europea sobre inteligencia artificial y datos en la enseñanza proponen enfoques
centrados en la persona, transparencia, protección de datos y uso crítico de la
información (European Commission, 2022; Miao & Holmes, 2024).
En el plano regulatorio, el Reglamento de Inteligencia Artificial
de la Unión Europea advierte que los sistemas que inciden en acceso, evaluación
o trayectoria educativa pueden ser tratados como de alto riesgo, lo que exige
gobernanza reforzada (European Parliament & Council of the European Union,
2024). Respecto de la analítica de aprendizaje, Jisc (2015) ofrece criterios de
minimización, retención y responsabilidad institucional, mientras que Viberg et
al. (2024) muestran que la aceptación estudiantil de estas herramientas varía
por cultura, confianza y percepción de control. Para América Latina y México,
Bautista Godínez et al. (2024) sugieren que la adopción de analítica de
aprendizaje requiere atender condiciones organizativas, éticas e
infraestructurales situadas.
Las líneas futuras de investigación deben centrarse en evaluar el
modelo, no en asumir sus resultados. En primer lugar, se requieren estudios de
validez de contenido y usabilidad con docentes, estudiantes y especialistas en
diseño instruccional. En segundo término, conviene desarrollar prototipos
controlados para analizar comprensión de criterios, percepción de autonomía,
confianza en la retroalimentación y aceptación de la capa lúdica.
Posteriormente, podrían diseñarse estudios cuasiexperimentales o ensayos
controlados que comparen el modelo con plataformas no gamificadas o con
gamificación no condicionada. También resultan necesarios estudios longitudinales
sobre hábitos de estudio, autorregulación, bienestar digital y posibles efectos
no deseados de la recompensa lúdica.
Conclusión
La integración de la práctica distribuida, la gamificación
educativa y la Teoría de la Autodeterminación proporcionó una base conceptual
para formular el modelo C-GAL como una propuesta susceptible de evaluación
empírica en contextos educativos diversos. Consideramos que la fortaleza de lo
que se presenta radica en la presentación teórica y las condiciones mínimas que
deberían considerarse antes de cualquier implementación.
El camino para andar está previsto con el aporte conceptual donde
se articula dentro de una misma arquitectura, la distribución temporal del
aprendizaje, la condicionalidad del acceso lúdico basada en desempeño y la
preservación de la autonomía mediante decisiones reguladas. A ello se
integraron criterios de evaluación adaptativa, supervisión docente, selección
ética de juegos, protección de datos e inclusión digital, de modo que el juego
se comprendiera como componente pedagógico situado y no como incentivo externo
aislado.
El modelo también permitió identificar tensiones que deberán resolverse
en fases posteriores: el posible desplazamiento de la motivación intrínseca, la
confiabilidad de la evaluación asistida por inteligencia artificial, la equidad
en el acceso tecnológico, la transparencia de los criterios de desbloqueo y la
responsabilidad institucional sobre los datos educativos. Estas tensiones no
invalidan la propuesta y zanjan rutas para ulteriores trabajos que faciliten
probar la propuesta en casos reales y medibles.
Consideramos que el C-GAL debe entenderse como un marco teórico-propositivo
en etapa inicial. Su siguiente desarrollo requiere validación con expertos,
prototipado, estudios piloto, evaluación de experiencia de usuario y pruebas
empíricas que permitan determinar en qué condiciones, para qué niveles
educativos y con qué tipos de actividades podría resultar pedagógicamente
pertinente. Y como se ha mencionado supra, esta idea se une a un compromiso
ético e intelectual de materializarlo en el programa educativo previamente
referido.
Referencias
Bautista Godínez, T., Castañeda Garza, G., Pérez Mora,
R., Ceballos, H. G., Luna de la Luz, V., Moreno-Salinas, J. G., Zavala-Sierra,
I. R., Santos-Solórzano, R., Moreno Arellano, C. I., & Sánchez-Mendiola, M.
(2024). Perspectives and opportunities for learning
analytics integration: A qualitative study in Mexican universities. In Journal
of Learning Analytics, 11(1), (pp. 49–66). https://doi.org/10.18608/jla.2024.8125
Bulut, A., & Ulusoy, F. (2026). Artificial
intelligence in gamification: A systematic review. In Entertainment
Computing, 57, Article 101112. https://doi.org/10.1016/j.entcom.2026.101112
Carpenter, S. K., Pan, S. C., & Butler, A. C.
(2022). The science of effective learning with spacing and retrieval practice. In
Nature Reviews Psychology, 1(9), (pp. 496–511). https://doi.org/10.1038/s44159-022-00089-1
Deci, E. L., Koestner, R., & Ryan, R. M. (1999). A
meta-analytic review of experiments examining the effects of extrinsic rewards
on intrinsic motivation. In Psychological Bulletin, 125(6), (pp. 627–668).
https://doi.org/10.1037/0033-2909.125.6.627
Dehghanzadeh, H., Farrokhnia, M., Dehghanzadeh, H.,
Taghipour, K., & Noroozi, O. (2024). Using gamification to support learning
in K-12 education: A systematic literature review. In British Journal of
Educational Technology, 55(1), (pp. 34–70). https://doi.org/10.1111/bjet.13335
Deterding, S., Dixon, D., Khaled, R., & Nacke, L.
(2011). From game design elements to gamefulness: Defining “gamification.” In Proceedings
of the 15th International Academic MindTrek Conference: Envisioning Future
Media Environments (pp. 9–15). https://doi.org/10.1145/2181037.2181040
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M.
J., & Willingham, D. T. (2013). Improving students’ learning with effective
learning techniques: Promising directions from cognitive and educational
psychology. In Psychological Science in the Public Interest, 14(1), (pp.
4–58). https://doi.org/10.1177/1529100612453266
European Commission, Directorate-General for
Education, Youth, Sport and Culture. (2022). Ethical guidelines on the use
of artificial intelligence (AI) and data in teaching and learning for educators.
Publications Office of the European Union. https://doi.org/10.2766/153756
European Parliament, & Council of the European Union.
(2024). Regulation (EU) 2024/1689 of the European Parliament and of the
Council of 13 June 2024 laying down harmonised rules on artificial intelligence
(Artificial Intelligence Act). Publications Office of the European Union. https://op.europa.eu/es/publication-detail/-/publication/dc8116a1-3fe6-11ef-865a-01aa75ed71a1/language-en
Gao, F. (2024). Advancing gamification research and practice
with three underexplored ideas in self-determination theory. In TechTrends,
68, (pp. 661–671). https://doi.org/10.1007/s11528-024-00968-9
Gravel, J. W., Tucker-Smith, N., Rose, D. H., Fornauf,
B., Hughes, M. M., Lester, L., Rao, K., Singer, S., & Waitoller, F. R.
(2026). UDL Guidelines 3.0: A community-driven, research-based process toward
fulfilling the promise of Universal Design for Learning. In The
International Journal of Universal Design and Universal Design for Learning, 1(2).
https://doi.org/10.34874/PRSM.ijududl-vol1iss2.6592
Greving, C. E., & Richter, T. (2021). Beyond the
distributed practice effect: Is distributed learning also effective for
learning with non-repeated text materials? In Frontiers in Psychology, 12,
Article 685245. https://doi.org/10.3389/fpsyg.2021.685245
Hou, H.-T. (2023). Diverse development and future
challenges of game-based learning and gamified teaching research. In Education
Sciences, 13(4), Article 337. https://doi.org/10.3390/educsci13040337
Ikram, M., Hanefar, S. B. M., Saleem, S. M. U., &
Zulfiqar, F. (2026). Artificial intelligence in education: A systematic review
of personalized learning trends and future directions. In Frontiers in
Education, 11, Article 1782626. https://doi.org/10.3389/feduc.2026.1782626
Jisc. (2015). Code of practice for learning
analytics. https://www.jisc.ac.uk/guides/code-of-practice-for-learning-analytics
Kurnaz, M. F., & Koçtürk, N. (2025). A
meta-analysis of gamification’s impact on student motivation in K-12 education.
In Psychology in the Schools, 62(12), (pp. 4997–5009). https://doi.org/10.1002/pits.70056
Lampropoulos, G., Mukta, B. G., & Anastasiadis, T.
(2025). Gamification in learning management systems: A systematic literature
review. Information, 16(12), Article 1094. https://doi.org/10.3390/info16121094
Miao, F., & Cukurova, M. (2024). AI competency
framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
Miao, F., & Holmes, W. (2024). Guía para el uso
de IA generativa en educación e investigación. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000389227
Naseer, F., Khan, M. N., Addas, A., Awais, Q., &
Ayub, N. (2025). Game mechanics and artificial
intelligence personalization: A framework for adaptive learning systems. In Education
Sciences, 15(3), Article 301. https://doi.org/10.3390/educsci15030301
OECD. (2026). OECD digital education outlook 2026:
Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
Park, J., Kim, S., Kim, A., & Yi, M. Y. (2019).
Learning to be better at the game: Performance vs. completion contingent reward
for game-based learning. In Computers & Education, 139, (pp. 1–15). https://doi.org/10.1016/j.compedu.2019.04.016
Ratinho, E., & Martins, C. (2023). The role of
gamified learning strategies in student’s motivation in high school and higher
education: A systematic review. In Heliyon, 9(8), Article e19033. https://doi.org/10.1016/j.heliyon.2023.e19033
Redecker, C. (2017). European framework for the
digital competence of educators: DigCompEdu (Y. Punie, Ed.). Publications
Office of the European Union. https://doi.org/10.2760/159770
Ryan, R. M., & Deci, E. L. (2000).
Self-determination theory and the facilitation of intrinsic motivation, social
development, and well-being. In American Psychologist, 55(1), (pp. 68–78). https://doi.org/10.1037/0003-066X.55.1.68
Sailer, M., & Homner, L. (2020). The gamification
of learning: A meta-analysis. In Educational Psychology Review, 32(1), (pp.
77–112). https://doi.org/10.1007/s10648-019-09498-w
Tarigan, J. T., Zendrato, N., Isaias, P., &
Kommers, P. (2025). Learn, earn, and game on: Integrated reward mechanism
between educational and recreational games. Education Sciences, 15(9),
Article 1202. https://doi.org/10.3390/educsci15091202
Triantafyllou, S. A., Georgiadis, C. K., &
Sapounidis, T. (2025). Gamification in education and training: A literature
review. In International Review of Education, 71(3), (pp. 483–517). https://doi.org/10.1007/s11159-024-10111-8
Viberg, O., Kizilcec, R. F., Jivet, I., Martínez
Monés, A., Oh, A., Mutimukwe, C., Hrastinski, S., & Scheffel, M. (2024). Cultural differences in students’ privacy concerns in learning analytics
across Germany, South Korea, Spain, Sweden, and the United States. In Computers
in Human Behavior Reports, 14, Article 100416. https://doi.org/10.1016/j.chbr.2024.100416
Yang, J., & Li, R. (2025). The art and science of
serious game design: A quasi-experimental study based on self-determination
theory in traditional Chinese culture education. Frontiers in Psychology, 16,
Article 1536513. https://doi.org/10.3389/fpsyg.2025.1536513
Zeng, J., Sun, D., Looi, C.-K., & Fan, A. C. W.
(2024). Exploring the impact of gamification on students’ academic performance:
A comprehensive meta-analysis of studies from the year 2008 to 2023. In British
Journal of Educational Technology, 55(6), (pp. 2478–2502). https://doi.org/10.1111/bjet.13471
Zhou, Y., Hartley, R., Bernardelli, A., & Tolmie,
A. (2025). The impact of spaced learning within physics lessons in secondary
schools. PLoS ONE, 20(4),
Article e0321552. https://doi.org/10.1371/journal.pone.0321552
Financiación
El autor no
recibió financiación para el desarrollo de la presente investigación.
Conflicto de
Intereses
El autor
declara que no existe conflicto de intereses.
Contribución
de Autoría:
Conceptualización: Dionisio Gutiérrez
Lira. Curación de datos: Dionisio Gutiérrez Lira. Análisis formal:
Dionisio Gutiérrez Lira. Investigación: Dionisio Gutiérrez Lira. Metodología:
Dionisio Gutiérrez Lira. Administración del proyecto: Dionisio Gutiérrez
Lira. Recursos - materiales: Dionisio Gutiérrez Lira. Supervisión:
Dionisio Gutiérrez Lira. Validación: Dionisio Gutiérrez Lira. Visualización:
Dionisio Gutiérrez Lira. Redacción - borrador original: Dionisio
Gutiérrez Lira. Redacción - revisión y edición: Dionisio Gutiérrez Lira.
