Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 110
PERSONALIZACIÓN CON IA GENERATIVA: EFECTOS EN LA COGNICIÓN DE ORDEN
SUPERIOR EN UNIVERSITARIOS
GENERATIVE AI PERSONALIZATION: EFFECTS ON HIGHER-ORDER COGNITION IN
UNIVERSITY STUDENTS
Autores: ¹Liz Mercedes Velásquez Reinozo, ²Blanca del Cisne Jiménez Gaona, ³Amarilis Lissette
Torres Macias y
4
Egidio Yobanny Salgado Chévez.
¹ORCID ID: https://orcid.org/0009-0006-1957-791X
²ORCID ID: https://orcid.org/0009-0004-9802-1543
²ORCID ID: https://orcid.org/0009-0003-7857-491X
4
ORCID ID: https://orcid.org/0000-0002-4130-0566
¹E-mail de contacto: lvelasquezr2@unemi.edu.ec
²E-mail de contacto: atorresm30@unemi.edu.ec
³E-mail de contacto: atorresm30@unemi.edu.ec
4
E-mail de contacto: echevez@unemi.edu.ec
Afiliación: ¹*²*³*
4
*Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 1 de Abril del 2026
Artículo revisado: 3 de Abril del 2026
Artículo aprobado: 5 de Abril del 2026
¹Ingeniería en Alimentos de la Universidad Técnica Estatal de Quevedo (Ecuador). Maestrante de la Maestría en Educación mención en
Docencia e Investigación Superior de la Universidad Estatal de Milagro, (Ecuador).
2
Profesora de Segunda Enseñanza Universidad Nacional de Loja, (Ecuador). Licenciada en Ciencias de la Educación Especialidad Idioma
Inglés, graduada de la Universidad Nacional de Loja, (Ecuador). Magíster en Pedagogía de los Idiomas Nacionales y Extranjeros
Especialidad Idioma Inglés de la UTPL, (Ecuador). Doctora en Ciencias de la Educación mención Investigación Educativa de la UNL,
(Ecuador). Maestrante de la Maestría en Educación Superior de la Universidad Católica Santiago de Guayaquil, (Ecuador). Maestrante
de la Maestría en Investigación en Educación Superior de la Universidad Estatal de Milagro, (Ecuador).
3
Licenciada en Psicología de la Universidad Técnica de Babahoyo, (Ecuador). Maestrante de la Maestría en Investigación en Educación
Superior de la Universidad Estatal de Milagro, (Ecuador).
4
Profesor de Segunda Enseñanza en la especialización de Físico Matemáticas, graduado de la Universidad de Guayaquil, (Ecuador), con
15 años de experiencia laboral. Licenciado en Ciencias de la Educación mención Físico Matemática, graduado de la universidad Estatal
de Milagro, (Ecuador). Licenciado en Psicología, graduado de la Universidad Estatal de Milagro, (Ecuador). Magíster en Educación
Básica, graduado de la Universidad Estatal de Milagro, (Ecuador). Magíster en Educación de Bachillerato con mención en Pedagogía de
la Matemática, graduado de la Universidad Estatal de Milagro, (Ecuador). Actualmente docente investigador de la Universidad Estatal de
Milagro, (Ecuador).
Resumen
El objetivo del estudio es analizar la incidencia
de la personalización del aprendizaje mediante
Inteligencia Artificial Generativa en el
desarrollo de habilidades cognitivas de orden
superior en estudiantes universitarios. La
investigación tiene un enfoque cuantitativo, no
experimental, transversal y correlacional.
Participaron 224 estudiantes de facultades de
Educación y Humanidades de universidades
ecuatorianas públicas, cofinanciadas y privadas,
seleccionados mediante muestreo no
probabilístico por conveniencia. Las
estadísticas descriptivas mostraron promedios
entre 3.50 y 3.73 y medianas de 4.00 en todos
los ítems. Entre el 57,6% y el 73,2% de los
participantes otorgó un valor de 4 o 5 al aporte
de la Inteligencia Artificial Generativa a
procesos cognitivos de orden superior tales
como análisis crítico, evaluación de argumentos
y creación de propuestas originales. La prueba
de correlación de rangos de Spearman mostró
una asociación positiva alta y estadísticamente
significativa entre el Índice de Personalización
y el Índice de Habilidades de Orden Superior (ρ
= .712, p < .001; IC 95% [.647, .767]), lo que
confirma la hipótesis del estudio.
Palabras clave: Inteligencia artificial,
Personalización de la educación, Habilidades
cognitivas, Taxonomía de Bloom,
Autorregulación.
Abstract
The objective of this study is to analyze the
impact of personalized learning through
Generative Artificial Intelligence on the
development of higher-order cognitive skills in
university students. The research employs a
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 111
quantitative, non-experimental, cross-sectional,
and correlational approach. Participants
included 224 students from Education and
Humanities faculties at public, co-financed, and
private Ecuadorian universities, selected
through non-probability convenience sampling.
Descriptive statistics showed average scores
between 3.50 and 3.73 and median scores of
4.00 across all items. Between 57.6% and
73.2% of participants rated the contribution of
Generative Artificial Intelligence to higher-
order cognitive processes, such as critical
analysis, argument evaluation, and the creation
of original proposals, as 4 or 5. Spearman's rank
correlation test showed a strong and statistically
significant positive association between the
Personalization Index and the Higher-Order
Skills Index (ρ = .712, p < .001; 95% CI [.647,
.767]), confirming the study hypothesis.
Keywords: Artificial intelligence,
Personalized education, Cognitive skills,
Bloom's Taxonomy, Self-regulation.
Sumário
O objetivo deste estudo é analisar o impacto da
aprendizagem personalizada por meio de
Inteligência Artificial Generativa no
desenvolvimento de habilidades cognitivas de
ordem superior em estudantes universitários. A
pesquisa emprega uma abordagem quantitativa,
não experimental, transversal e correlacional.
Os participantes incluíram 224 estudantes das
faculdades de Educação e Humanidades de
universidades públicas, cofinanciadas e
privadas do Equador, selecionados por meio de
amostragem de conveniência não
probabilística. As estatísticas descritivas
mostraram pontuações médias entre 3,50 e 3,73
e mediana de 4,00 em todos os itens. Entre
57,6% e 73,2% dos participantes avaliaram a
contribuição da Inteligência Artificial
Generativa para processos cognitivos de ordem
superior, como análise crítica, avaliação de
argumentos e criação de propostas originais,
com notas 4 ou 5. O teste de correlação de
Spearman demonstrou uma forte associação
positiva e estatisticamente significativa entre o
Índice de Personalização e o Índice de
Habilidades de Ordem Superior (ρ = 0,712, p <
0,001; IC 95% [0,647, 0,767]), confirmando a
hipótese do estudo.
Palavras-chave: Inteligência artificial,
Educação personalizada, Habilidades
cognitivas, Taxonomia de Bloom,
Autorregulação.
Introducción
La integración de la Inteligencia Artificial
Generativa en la Educación Superior representa
uno de los hitos tecnológicos más disruptivos de
los últimos años. Cuando los chatbots basados
en modelos de lenguaje de gran tamaño se
masificaron, reconfiguraron el ecosistema de
aprendizaje al desplazar la tecnología educativa
hacia un modelo de andamiaje dinámico
(Gonsalves, 2024). Esta transformación puede
reducir al estudiante a un consumidor pasivo o
catalizar procesos constructivos donde el
discente interviene en la generación del
conocimiento (Torrez, 2025). Cuando la
Inteligencia Artificial se limita a responder
preguntas, debilita el desarrollo de habilidades
cognitivas de orden superior; analizar, evaluar y
crear, centrales en la función formativa
universitaria (Gonsalves, 2024).
Aunque la IA puede ofrecer una especie de
tutoría a los alumnos de una forma más
personalizada y en tiempo real, también tiene el
potencial de incrementar el riesgo de fluidez
disposicional sin aprendizaje. Lozada et al.
(2023) que se refiere a la situación en que la
facilitación cognitiva produce una ilusión de
control, y el alumno se ausenta de los
mecanismos de la acción que permiten un
aprendizaje significativo y duradero (Vásquez
et al., 2024). Para que ese riesgo se convierta en
un aprendizaje de calidad, se espera que el
alumno se autorregule y asuma el control y la
meta de sus interacciones (Pintrich, 2004). La
Taxonomía Revisada de Bloom puede servir
para identificar si la personalización a través de
la IA en el aprendizaje solo da la oportunidad de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 112
desarrollar la cognición a niveles bajos
(recordar y comprender), o si también desarrolla
niveles altos (Anderson y Krathwohl, 2001).
Para este trabajo, se ha optado por fundamentar
la personalización del aprendizaje en el Modelo
de Aprendizaje Autorregulado de Pintrich
(2004). Este autor postula que la
autorregulación no es un proceso puramente
interno, sino que implica el monitoreo y control
de las variables ambientales para optimizar la
cognición (Pintrich, 2004). Los discentes que
poseen un alto nivel de autorregulación utilizan
la Inteligencia Artificial Generativa de formas
más efectivas, depurando su entorno de estudio,
transformando la información compleja en
estructuras más simples y disminuyendo su
propia carga cognitiva a través de
modificaciones adaptativas de control
instructivo (Gkintoni et al., 2025).
Complementando esta visión, la Teoría
Cognitivo-Afectiva-Social del Aprendizaje en
Entornos Digitales (CASTLE) postulada por
Schneider et al. (2022) justifica la efectividad
de esta personalización a través de un
Andamiaje Dialógico. De acuerdo con esta
teoría, las señales sociales y la interfaz
conversacional de la Inteligencia Artificial
Generativa activan esquemas que facilitan el
aprendizaje: la Inteligencia Artificial es
percibida como un agente socialmente situado
que proporciona retroalimentación inmediata,
elemento que Pintrich (2004) considera vital
para el monitoreo del progreso académico
(Schneider et al., 2022; Pintrich, 2004). La
Taxonomía Revisada de Bloom Anderson y
Krathwohl, (2001) permite distinguir con
precisión si la personalización mediada por
Inteligencia Artificial Generativa promueve
únicamente procesos cognitivos de orden
inferior recordar y comprender o si
efectivamente cataliza procesos de orden
superior como analizar, evaluar y crear
conocimiento nuevo (Anderson y Krathwohl,
2001). Adicionalmente, estudios recientes
confirman que la Inteligencia Artificial
Generativa puede mejorar significativamente el
pensamiento de orden superior cuando se
integra de forma estructurada en intervenciones
educativas, siendo el efecto más pronunciado en
resolución de problemas y evaluación crítica
(Liu et al., 2025; Zhang et al., 2025).
Investigaciones sobre autorregulación en
contextos educativos digitales demuestran que
el uso efectivo de tecnologías emergentes
requiere habilidades metacognitivas
desarrolladas y estrategias de monitoreo
constante del proceso de aprendizaje
(Villamarín et al., 2024).
Además, la literatura sobre metacognición y
aprendizaje digital advierte sobre la paradoja de
la fluidez: la facilidad con la que la Inteligencia
Artificial produce respuestas elaboradas y
coherentes podría inducir una ilusión de
competencia en los estudiantes (Sánchez,
2025), cuando en realidad carecen de una
asimilación conceptual profunda y duradera del
contenido, fenómeno que Rozenblit y Keil
(2002) denominaron “ilusión de profundidad
explicativa” (Sánchez, 2025; Rozenblit y Keil,
2002). En este sentido, el presente estudio tiene
el siguiente interrogante: ¿cuán cercana o lejana
está la personalización del aprendizaje a través
de la IA Generativa para el desarrollo de la
cognición de orden superior en estudiantes
universitarios ecuatorianos? En coherencia con
esta pregunta, se plantea la hipótesis de que
existe una relación estadísticamente
significativa y positiva entre el nivel de
personalización del aprendizaje mediada por
Inteligencia Artificial Generativa y el desarrollo
de habilidades cognitivas de orden superior. El
presente estudio analiza la incidencia de la
personalización mediante Inteligencia Artificial
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 113
Generativa en el desarrollo de habilidades
cognitivas de orden superior, planteando
relación estadísticamente relevante entre las dos
variables.
Materiales y Métodos
La presente investigación se inscribe bajo un
paradigma positivista con un enfoque
cuantitativo. El diseño es no experimental, de
corte transversal y alcance correlacional
(Hernández et al., 2014, citado en Vázquez,
2025). Esta elección se fundamenta en la
necesidad de observar el fenómeno de la
personalización mediada por Inteligencia
Artificial Generativa en su entorno natural, los
espacios de aprendizaje autónomo, sin
manipular deliberadamente las variables. La
investigación estuvo dirigida a estudiantes de
pregrado de la Facultad de Educación y
Humanidades de universidades públicas,
subsidiadas y privadas del Ecuador. Se utilizó
un método de muestreo no probabilístico y de
conveniencia (n = 224 estudiantes). Para
participar en este caso se debían cumplir dos
condiciones: los estudiantes debían estar
inscritos de forma continua en el curso
académico actual y los estudiantes debían haber
utilizado algún tipo de Inteligencia Artificial
Generativa para fines académicos al menos una
vez en los últimos seis meses.
Se elaboró una encuesta donde la técnica de
captura fue mediante Google Forms. El
instrumento fue elaborado ad hoc, integrando la
tríada teórica de autorregulación del contexto
(Pintrich, 2004), Andamiaje Dialógico
(Schneider et al, 2022), Taxonomía Revisada de
Bloom (Anderson y Krathwohl, 2001). Los
ítems fueron distribuidos en dos variables: (i)
Estrategias de Personalización mediadas por
Inteligencia Artificial, las cuales contaron con
escalas de frecuencia e intensidad; y (ii)
Desarrollo de Habilidades Cognitivas de Orden
Superior, que incluyeron escalas de
transformación y autonomía para atenuar el
sesgo de la deseabilidad social.
Todos los ítems emplean escala Likert de 1
(totalmente en desacuerdo) a 5 (totalmente de
acuerdo). La validez de contenido del
instrumento fue evaluada mediante juicio de
expertos (cinco especialistas en tecnología
educativa e investigación cuantitativa),
aplicando el coeficiente V de Aiken para cada
ítem. Los valores obtenidos oscilaron entre .80
y 1.00, superando el umbral mínimo de .75
recomendado en la literatura (Aiken, 1985), lo
que confirma la pertinencia, claridad y
suficiencia de los reactivos para medir los
constructos definidos en la tríada teórica. Para
el análisis de datos se emplearon estadísticos
descriptivos (media, mediana, desviación
estándar y distribución de frecuencias) y, con el
fin de contrastar la hipótesis correlacional del
estudio, se aplicó el coeficiente de correlación
de Spearman (𝜌), dada la naturaleza ordinal de
los datos y la ausencia de distribución normal
verificada mediante la prueba de Kolmogórov-
Smirnov (p < .05). El nivel de significancia
adoptado fue 𝛼 = .05.
Resultados y Discusión
En esta sección se exponen los resultados
obtenidos del análisis de los datos recabados
mediante el instrumento aplicado a los 224
estudiantes universitarios participantes. La
presentación se organiza en cuatro apartados:
estadísticos de fiabilidad del instrumento,
estadísticos descriptivos por ítem, prueba de
correlación de Spearman para contrastar la
hipótesis del estudio, y distribución de
frecuencias por ítem. La consistencia interna
fue evaluada mediante el coeficiente alfa de
Cronbach (véase Tabla 1). Los resultados
muestran un valor de .924 para los 8 elementos,
lo que indica una fiabilidad excelente.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 114
Tabla 1. Estadísticos de fiabilidad del
instrumento
Alfa de Cronbach
N de elementos
.924
8
Fuente: Elaboración propia
El instrumento fue aplicado a N = 224
estudiantes. La eliminación por lista se basa en
todas las variables del procedimiento. El
coeficiente alfa de Cronbach obtenido fue de
.924 para los ocho elementos del instrumento,
indicando fiabilidad excelente (α > .90).
Cuantitativamente, este valor supera los
umbrales de aceptabilidad (.70) y excelencia
(.90) establecidos en la literatura (Nunnally,
1978). Cualitativamente, la elevada
consistencia interna confirma que los ítems
miden de manera coherente los constructos de
personalización del aprendizaje y desarrollo de
habilidades cognitivas de orden superior,
avalando la solidez de la tríada teórica: Pintrich
(2004), Schneider et al. (2022) y Anderson y
Krathwohl (2001).
Tabla 2. Estadísticos descriptivos de los ítems del instrumento
Ítem
M
Mdn
DE
Ajuste personalizado a nivel y ritmo de estudio (ítem 1)
3.50
4.00
1.104
Retroalimentación mejora estrategias de aprendizaje (ítem 2)
3.73
4.00
1.101
IA ayuda a desglosar información académica compleja (ítem 3)
3.66
4.00
1.187
Personalización fomenta verificación con fuentes externas (ítem 4)
3.59
4.00
1.093
Interacción permite justificar conclusiones académicas (ítem 5)
3.61
4.00
1.099
Personalización estimula creación de propuestas originales (ítem 6)
3.52
4.00
1.120
IA mejora habilidades de alto nivel (analizar, evaluar, crear) (ítem 7)
3.50
4.00
1.152
Contribuye a aprendizaje significativo y duradero (ítem 8)
3.60
4.00
1.058
Nota. M = media; Mdn = mediana; DE = desviación estándar. Escala: 1 = totalmente en desacuerdo; 5 = totalmente de acuerdo. N =
224.
Fuente: Elaboración propia
La Tabla 2 presenta los estadísticos descriptivos
para cada uno de los ocho ítems. Todos
contaron con N = 224 respuestas válidas y cero
datos perdidos. Las medias oscilan entre 3,50 y
3,73 (en una escala del 1 al 5), con una mediana
de 4,00 en todos los ítems y desviaciones
estándar entre 1,058 y 1,187. El ítem que obtuvo
mayor promedio fue “retroalimentación como
mejora de estrategias” (M = 3.73), mientras que
los ítems que tuvieron menor promedio fueron
“ajuste personalizado” y “pensamiento de alto
nivel” (M = 3.50). Estos resultados cualitativos
se corresponden con el Andamiaje Dialógico
propuesto por Schneider et al. (2022): la
retroalimentación inmediata destaca como el
mecanismo que tiene más valor, lo que propone
que los estudiantes ven a la Inteligencia
Artificial Generativa principalmente un agente
para el ajuste metacognitivo en tiempo real. La
menor puntuación de los ítems referidos a
habilidades de orden superior apunta a la
coexistencia de perfiles de uso divergentes. Para
contraste las hipótesis del estudio que sugiere
hay una relación que puede ser establecida de
forma positiva y considerada de forma
significativa con un nivel estadístico, se
construyeron dos puntuaciones que presentan
una suma de sus componentes: a) Índice de
Personalización (IP), que es el promedio de los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 115
ítems 1, 2 y 4, que se relacionan con las
estrategias de adaptación y retroalimentación; y
b) Índice de HOTS (IHOTS), que es el
promedio de los ítems 5, 6, 7 y 8, que se
relacionan con los niveles de análisis, de
evaluación y de crear.
Los criterios de asignación de ítems a los
índices, han sido de naturaleza teórica y
estadística. El IP, se refiere a los ítems que
comprenden los componentes de la
personalización como la retroalimentación y la
evaluación de las estrategias (ítem 2 y 4) y la
estimulación del contraste crítico con fuentes
externas (ítem 4) y la inclusión de los elementos
ajustados al ítem. Estos tres ítems se sustentan
en el Modelo de Aprendizaje Autorregulado de
Pintrich (2004) y en el Andamiaje Dialógico de
Schneider et al. (2022) que conceptualizan la
personalización como la regulación del
contexto y las estrategias del aprendizaje. Los
IHOTS corresponden a un nivel superior de la
Taxonomía de Bloom (Anderson y Krathwohl,
2001) para justificar conclusiones (ítem 5, nivel
evaluar), crear originales (ítem 6, nivel crear),
mejorar el pensamiento analítico-evaluativo-
creativo (ítem 7), y lo perdurable y significativo
(ítem 8).
En el punto 3, que se refiere al desglose y
análisis de información compleja, se exime de
ambos índices debido a su naturaleza
transversal y concepto: aunque analítico
(cognitivo de orden superior, nivel 4 de Bloom),
también es simultáneamente un andamiaje de
IA Generativa, por lo que se considera ambiguo
en su asignación a una variable. En términos
estadísticos, su inclusión en cualquiera de los
dos índices habría disminuido la consistencia
interna del constructo correspondiente. Por ello,
el ítem 3 fue analizado de forma independiente
como variable complementaria, y su
distribución, la más polarizada del instrumento
(DE = 1.187), se examina en la sección de
resultados como hallazgo con relevancia
pedagógica propia. Dado que la prueba de
Kolmogórov-Smirnov evidenció una
distribución no normal en ambas variables
(𝐷
224
= .142, p < .001; 𝐷
224
= .161, p < .001,
respectivamente), se aplicó la correlación por
rangos de Spearman. Los resultados se
presentan en la Tabla 3.
Tabla 3. Correlación de Spearman entre el
Índice de Personalización (IP) y el Índice de
HOTS (IHOTS)
Variables
𝝆
p
N
Interpretación
IP ---
IHOTS
.712
<
.001
224
Positiva alta
Nota. IP = Índice de Personalización (promedio ítems 1, 2,
4); IHOTS = Índice de HOTS (promedio ítems 5, 6, 7, 8).
p < .001 (bilateral). IC 95% [.647, .767] (bootstrapped,
1000 muestras). N = 224.
Fuente: Elaboración propia
Los resultados permiten rechazar la hipótesis
nula con un nivel de confianza del 99.9%, y
presentan una correlación positiva
estadísticamente significativa muy alta (ρ =
.712, p < .001; IC 95 % [.647, .767]). De
acuerdo a Cohen (1988), ρ = .712 es una
correlación muy fuerte. Este es el primer hecho
que muestra que la personalización del
aprendizaje asistido con IA Generativa y el
desarrollo de del orden superior de las
capacidades cognitivas coevolucionan, de
modo que cuanto más estratégica y/o adaptativa
es la IA, mayor es la capacidad de crear, evaluar
o analizar. Este hallazgo está de acuerdo a lo
que Pintrich (2004) ha considerado sobre la
autorregulación como un elemento mediador, y
a lo que los investigadores Liu et al. (2025) y
Zhang et al. (2025) han reportado en sus
metaanálisis. Los resultados muestran que hay
una correlación positiva alta y estadísticamente
significativa entre el Índice de Personalización
y el Índice de HOTS (ρ = .712, p < .001), por lo
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 116
que se puede rechazar la hipótesis nula y se
puede afirmar que existe una relación
estadísticamente significativa entre el nivel de
personalización del aprendizaje mediada por
Inteligencia Artificial Generativa y el desarrollo
de habilidades cognitivas de orden superior en
los estudiantes universitarios de la muestra. Las
Tablas 4 a 11 presentan la distribución completa
de frecuencias absolutas, porcentajes,
porcentajes válidos y porcentajes acumulados
para cada uno de los ocho ítems del
instrumento.
Tabla 4. Ajuste personalizado a nivel y ritmo de
estudio
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
20
8.9
8.9
8.9
2. En
desacuerdo
12
5.4
5.4
14.3
3. Ni de
acuerdo ni
en
desacuerdo
63
28.1
28.1
42.4
4. De
acuerdo
93
41.5
41.5
83.9
5.
Totalmente
de acuerdo
36
16.1
16.1
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
El 57.6% de los participantes otorgó valores
favorables (4 o 5), con categoría modal "de
acuerdo" (41.5%); el 14.3% expresó desacuerdo
y el 28.1% se posicionó neutralmente. Estos
resultados sugieren que una mayoría percibe
que la Inteligencia Artificial Generativa se
adapta a sus necesidades cognitivas
individuales, alineándose con el componente de
regulación del contexto del Modelo de Pintrich
(2004). El porcentaje de respuestas negativas
apunta a que un segmento del estudiantado aún
no experimenta esta funcionalidad adaptativa de
forma efectiva, posiblemente por patrones de
uso poco estratégicos que demandan
orientación pedagógica.
Tabla 5. La retroalimentación de la IA me
ayuda a ajustar y mejorar mis estrategias de
aprendizaje
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
20
8.9
8.9
8.9
2. En
desacuerdo
7
3.1
3.1
12.1
3. Ni de
acuerdo ni
en
desacuerdo
33
14.7
14.7
26.8
4. De
acuerdo
118
52.7
52.7
79.5
5.
Totalmente
de acuerdo
46
20.5
20.5
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
Este ítem tuvo la mayor cantidad de respuestas
positivas en el instrumento con un 73.2% que
calificó entre 4 y 5 y el menor porcentaje de
respuestas negativas de un total de 12.0%.
52.7% de la categoría modal fue “de acuerdo”.
Este resultado pone de manifiesto la centralidad
del Andamiaje Dialógico (Schneider et al.,
2022): los estudiantes comprenden que la
Inteligencia Artificial no es un mero
instrumento de consulta, es un instrumento de
retroalimentación metacognitiva, pues facilita
la identificación de carencias en la comprensión
y la modificación de las estrategias de estudio.
Desde el punto de vista de Pintrich (2004), la
relevancia de este hallazgo es clara, pues la
retroalimentación formativa es uno de los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 117
pilares en los que se apoya la autorregulación
académica.
Tabla 6. El uso de IA generativa me ayuda a
desglosar y analizar información académica
compleja de manera más profunda
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
24
10.7
10.7
10.7
2. En
desacuerdo
12
5.4
5.4
16.1
3. Ni de
acuerdo ni
en
desacuerdo
28
12.5
12.5
28.6
4. De
acuerdo
112
50.0
50.0
78.6
5.
Totalmente
de acuerdo
48
21.4
21.4
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
En la polarización de la distribución
correspondiente a la Asistencia Artificial en los
análisis, la mayor parte fueron valoraciones
positivas, ya que el 71.4% de los encuestados
dio una valoración de 4-5, y el 10.7% calificó
con una valoración de 1, que representó mayor
oposición. La mayor brecha polarizada entre los
de acuerdo y los en desacuerdo se refiere a que
hay una proporción de 50% de acuerdo y 16.1%
en desacuerdo, y, comparativamente con otros
ítems, esta brecha tiene el mayor polarizado. La
polarización se evidencia en el aspecto
pedagógico. Los estudiantes que se manifiestan
en contra parecen mostrar el fenómeno de la
"inversa del andamiaje". Lo que se buscaría es
que la Asistencia Artificial Ayuda a la
Analítica, en lugar de ayudar a realizar el
análisis, pueda estar reemplazando los procesos
cognitivos que se requieren para el aprendizaje.
Lo que se espera es que estén provocando
“fluidez sin aprendizaje” (Lozada et al, 2023).
Este fenómeno es lo que esperamos que pocos
alumnos como 1-4 no logren, sin embargo,
represente una diferencia pedagógica mayor.
Esta parece ser una de las áreas a trabajar. La
deconstrucción del problema debe ser
progresiva. Primero, el estudiante debe
enfrentarse con el problema cognitivo sin la
ayuda de ninguna herramienta de Inteligencia
Artificial y, luego, debe utilizar la herramienta
para validar o invalidar lo que ha analizado. Es
importante que las intervenciones pedagógicas
se diferencien en función del perfil de uso
debido a la gran variabilidad existente.
Tabla 7. La personalización de la IA fomenta
que cuestione la veracidad de la información y
la contraste con fuentes bibliográficas externas
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
17
7.6
7.6
7.6
2. En
desacuerdo
17
7.6
7.6
15.2
3. Ni de
acuerdo ni
en
desacuerdo
45
20.1
20.1
35.3
4. De
acuerdo
107
47.8
47.8
83.0
5.
Totalmente
de acuerdo
38
17.0
17.0
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
El 64.8% valoró en 4 o 5 la capacidad de la
Inteligencia Artificial para estimular el
contraste crítico con fuentes externas; el 15.2%
expresó desacuerdo y el 20.1% se posicionó
neutralmente. La desviación estándar (DE =
1.093) es de las menores del instrumento,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 118
indicando mayor homogeneidad. Casi dos
tercios perciban que la Inteligencia Artificial
fomenta la verificación con fuentes externas
constituye un indicador relevante de
pensamiento evaluativo, nivel cuarto de la
Taxonomía Revisada de Bloom (Anderson y
Krathwohl, 2001). El porcentaje de neutralidad
sugiere que este beneficio depende del tipo de
interacción que el estudiante establece con la
herramienta.
Tabla 8. La interacción con la IA me permite
justificar mis conclusiones académicas de una
forma más fundamentada y crítica
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
17
7.6
7.6
7.6
2. En
desacuerdo
13
5.8
5.8
13.4
3. Ni de
acuerdo ni
en
desacuerdo
54
24.1
24.1
37.5
4. De
acuerdo
96
42.9
42.9
80.4
5.
Totalmente
de acuerdo
44
19.6
19.6
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
El 62.5% valoró favorablemente la interacción
con la Inteligencia Artificial para justificar
conclusiones de forma crítica y fundamentada
(valores 4-5); en desacuerdo estuvo el 13.4% y
el 24.1% se ubicó en el centro. La justificación
de la evaluación de los argumentos académicos
es indicador de orden superior en la Taxonomía
Revisada de Bloom (Anderson y Krathwohl,
2001). La alta taza de neutralidad indica que
este tipo de beneficio no se da en forma
generalizable. En este sentido, quienes obtienen
mayor provecho argumentativo son los que
formulan preguntas críticas y dialogan con la
IA, a diferencia de quienes sólo piden la
respuesta definitiva, lo que hace necesario
implementar determinadas estrategias
pedagógicas que encaucen interacciones
dialógicas más, productivas.
Tabla 9. La personalización del aprendizaje
con IA estimula mi capacidad para crear
propuestas, textos o proyectos originales
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
18
8.0
8.0
8.0
2. En
desacuerdo
21
9.4
9.4
17.4
3. Ni de
acuerdo ni
en
desacuerdo
49
21.9
21.9
39.3
4. De
acuerdo
99
44.2
44.2
83.5
5.
Totalmente
de acuerdo
37
16.5
16.5
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
Este ítem concentra el mayor porcentaje de
respuestas negativas del instrumento (17.4% en
valores 1-2), distinguiéndose como el ítem con
mayor resistencia percibida; el 60.7% valoró
favorablemente la capacidad creativa, el
porcentaje favorable más bajo entre los ítems de
Habilidades Cognitivas de Orden Superior. La
dimensión creativa —nivel más elevado de la
Taxonomía Revisada de Bloom (Anderson y
Krathwohl, 2001). Resulta la más difícil de
activar mediante mediación tecnológica. La
creación genuina implica síntesis, originalidad
e integración de conocimientos dispares,
procesos que la Inteligencia Artificial puede
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 119
facilitar como andamiaje inicial pero no
sustituir. El elevado porcentaje negativo podría
indicar que algunos estudiantes perciben que la
Inteligencia Artificial inhibe su creatividad al
ofrecerles propuestas ya elaboradas.
Tabla 10. Siento que el uso de la IA mejora mis
habilidades de pensamiento de alto nivel
(analizar, evaluar y crear) más allá de solo
darme respuestas rápidas
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
21
9.4
9.4
9.4
2. En
desacuerdo
18
8.0
8.0
17.4
3. Ni de
acuerdo ni
en
desacuerdo
53
23.7
23.7
41.1
4. De
acuerdo
93
41.5
41.5
82.6
5.
Totalmente
de acuerdo
39
17.4
17.4
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
En términos cuantitativos, este ítem muestra
una distribución trimodal: el 58.9% valora
positivamente la mejora de habilidades de orden
superior (valores 4-5), el 23.7% se mantiene en
una posición neutral y el 17.4% muestra
desacuerdo; la desviación estándar (1.152)
refleja la mayor dispersión entre los ítems de
orden superior. La distribución trimodal
muestra la convivencia de tres tipos de usuarios:
los que usan la Inteligencia Artificial para
potenciar su pensamiento crítico, los que están
en un punto medio, sin relacionar la herramienta
con su desarrollo cognitivo y los que creen que
la Inteligencia Artificial los libera de pensar.
Esta heterogeneidad resulta de particular
relevancia para la concepción de intervenciones
pedagógicas diferenciadas, puesto que cada
perfil exige estrategias de andamiaje diversas.
Tabla 11. Considero que la personalización
mediante IA contribuye a que logre un
aprendizaje significativo y duradero en mi
formación
Categoría
f
%
%
válido
%
acumulado
1.
Totalmente
en
desacuerdo
16
7.1
7.1
7.1
2. En
desacuerdo
14
6.3
6.3
13.4
3. Ni de
acuerdo ni
en
desacuerdo
49
21.9
21.9
35.3
4. De
acuerdo
109
48.7
48.7
83.9
5.
Totalmente
de acuerdo
36
16.1
16.1
100.0
Total
224
100.0
100.0
Fuente: Elaboración propia
Presenta la desviación estándar más baja del
instrumento (DE = 1.058), lo que muestra el
conjunto más homogéneo; el 64.8% calificados
con 4 o 5 la contribución de la Inteligencia
Artificial al aprendizaje significativo y
duradero, con concentración modal en el valor
4 (48.7%). La mayoría de los encuestados
considera que el aprendizaje con IA Generativa
es significativo y perdurable, lo que implica que
esta tecnología no solo activa procesos
cognitivos de orden superior en el corto plazo,
sino que también facilita la consolidación de los
conocimientos. Dilt que portelismo más en esta
homogeneidad del mismo, se puede entender
como la generalización de la desacierta, que, en
el caso de esta tecnología, es menos
dependiente de elevado del uso individual, lo
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 120
que confirma la hipótesis central del estudio.
Los resultados de esta investigación permiten
sostener que, en términos generales, los
estudiantes universitarios ecuatorianos perciben
que la personalización del aprendizaje mediada
por Inteligencia Artificial Generativa impacta
positivamente en el desarrollo de habilidades
cognitivas de orden superior, aunque con
matices importantes que enriquecen y
cuestionan algunos supuestos teóricos previos.
La elevada fiabilidad del instrumento (𝛼 = .924)
garantiza la consistencia interna de las
mediciones. Desde el enfoque del Modelo de
Aprendizaje Autorregulado de Pintrich (2004),
la percepción mayoritariamente positiva sobre
la capacidad de la Inteligencia Artificial
Generativa para ajustarse al ritmo y
conocimientos previos (M = 3.50; 57.6% en
valores 4-5) puede interpretarse como evidencia
de que los estudiantes con mayor
autorregulación emplean la Inteligencia
Artificial de forma más estratégica, lo que es
coherente con Gkintoni et al. (2025; Pintrich,
2004; Gkintoni et al., 2025).
El ítem con mayor valoración (M = 3.73) es el
referido a la retroalimentación como
herramienta para mejorar estrategias de
aprendizaje, confirmando el rol central del
Andamiaje Dialógico (Schneider et al., 2022).
La retroalimentación inmediata de la
Inteligencia Artificial Generativa actúa como
agente socialmente situado que facilita la
autorregulación metacognitiva en tiempo real,
superando la restricción temporal de la
retroalimentación tradicional. La polarización y
dispersión presentada en la Tabla 6, junto con
los elevados negativos en la Tabla 9 (17.4% en
valores 1-2), sugieren que, al menos
parcialmente, los estudiantes se estarían
confrontando con la paradoja de la “fluidez sin
aprendizaje” (Lozada et al, 2023) o la “pereza
metacognitiva” identificada por Sánchez (2025)
(Lozada et al., 2023; Sánchez, 2025). Este
riesgo pedagógico requiere de las instituciones,
que construyan marcos de uso estratégico que
guíen las interacciones hacia lo productivo en el
plano cognitivo.
La correlación positiva alta y significativa entre
el Índice de Personalización y el Índice de
HOTS (𝜌 = .712, p < .001) confirma
estadísticamente la hipótesis del estudio, y es
consistente con los hallazgos de Gkintoni et al.
(2025) respecto al papel del uso estratégico de
la Inteligencia Artificial Generativa en la
activación de procesos cognitivos de orden
superior (Gkintoni et al., 2025). Investigaciones
recientes confirman estos resultados: un
metaanálisis sobre ChatGPT demostró un efecto
moderado positivo en el desarrollo del
pensamiento de orden superior (tamaño del
efecto = 0.457), siendo más pronunciado en
resolución de problemas (Liu et al., 2025).
Otro estudio longitudinal encontró que los
efectos son más fuertes cuando las
intervenciones duran entre 8-16 semanas y
cuando los estudiantes poseen altas capacidades
de autorregulación (Zhang et al., 2025). Una
gran cantidad de otros estudios han analizado
los efectos de la Inteligencia Artificial
Generativa (IAI) sobre el aprendizaje superior y
han determinado que la IAI puede volver la
experiencia de aprendizaje más rica de manera
que brinde la oportunidad de generar el tipo de
retroalimentación formativa y que se adapte a
las distintas necesidades de cada estudiante en
tiempo real y a cada estudiante (Baidoo y
Owusu, 2023; Yan, 2024). La distribución
trimodal del ítem sobre la mejora de habilidades
de alto nivel (Tabla 10), evidencia de forma
clara la existencia de, al menos, tres tipos de
usuarios: aquellos que utilizan la IAI para el
desarrollo de su pensamiento crítico (58,9%),
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 121
aquellos que se encuentran en una posición
neutral (23,7%) y aquellos que consideran que
hay una ausencia o un impacto negativo
(17,4%). Esta heterogeneidad se vuelve
relevante desde la óptica del diseño de
intervenciones pedagógicas diferenciadas. La
personalización a través de IAI, genera un
aumento en la motivación intrínseca y en el
rendimiento académico. Sin embargo, dicho
efecto se ve moderado por la alfabetización
digital, así, los estudios recientes destacan que
los estudiantes con mayores habilidades
digitales obtienen mayores beneficios (Zhang et
al., 2025).
Conclusiones
El presente estudio examinó la relación entre la
personalización del aprendizaje mediada por
Inteligencia Artificial Generativa y el desarrollo
de habilidades cognitivas de orden superior en
224 estudiantes universitarios ecuatorianos. A
partir del análisis descriptivo e inferencial de los
datos obtenidos con un instrumento de alta
fiabilidad (𝛼 = .924), se formulan las siguientes
conclusiones: La personalización del
aprendizaje mediada por Inteligencia Artificial
Generativa se asocia positivamente y de forma
estadísticamente significativa con el desarrollo
de habilidades cognitivas de orden superior.
Los valores de tendencia central (medias entre
3.50 y 3.73; medianas de 4.00), las
distribuciones de frecuencias (entre 57.6% y
73.2% en valores 4 y 5), y la correlación de
Spearman entre el Índice de Personalización y
el Índice de HOTS (𝜌 = .712, p < .001) indican
que la mayoría de los participantes valora la
Inteligencia Artificial Generativa como una
herramienta que contribuye al análisis, la
evaluación y la creación de conocimiento. La
Retroalimentación Instantánea se perfila como
el mecanismo de la Inteligencia Artificial
Generativa más valorado (M = 3.73; 73.2% en
valores 4-5), hallazgo que reafirma la relevancia
del Andamiaje Dialógico como marco teórico
explicativo.
Se observan indicios de heterogeneidad en los
patrones de uso. La polarización que muestra la
Tabla 6, los altos porcentajes negativos de la
Tabla 9, y la distribución trimodal de la Tabla
10, son indicadores de una posible convivencia
de perfiles de uso estratégico y dependiente, lo
que configura un riesgo pedagógico que las
instituciones deben enfrentar mediante políticas
de uso crítico y de capacitación docente. Cuarta.
El potencial de la Inteligencia Artificial
Generativa para promover habilidades
cognitivas de orden superior no es intrínseco a
la tecnología, sino que está mediado por el nivel
de autorregulación del estudiante (Pintrich,
2004).
Las instituciones deben transitar de políticas
reactivas hacia estrategias propositivas que
orienten el uso de la Inteligencia Artificial
Generativa hacia metas formativas de alto nivel
cognitivo. Las limitaciones incluyen la
dependencia en la autoevaluación, que puede
incluir el sesgo de deseabilidad social, así como
el muestreo de conveniencia. La investigación
futura, en adición a lo ya señalado, debería
incluir la triangulación de los datos perceptuales
con medidas objetivas del rendimiento
cognitivo, así como ampliar el muestreo
utilizando algún criterio probabilístico y mayor
diversidad en el contexto geográfico e
institucional. Los resultados del estudio tienen
implicaciones pedagógicas concretas para el
profesor universitario que trascienden las
recomendaciones institucionales generales. En
el diseño curricular, los datos indican que el
profesor debe incluir la Inteligencia Artificial
Generativa en las actividades de aprendizaje, no
como una herramienta de consulta de acceso
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 122
libre, sino como un elemento que debe ser
señalado de forma explícita.
La polarización referida al ítem 3 y la
distribución trimodal del ítem 7 indican que la
heterogeneidad de perfiles identificada permite
la diferenciación de estrategias de andamiaje:
para los estudiantes que delegan el análisis en la
herramienta, resulta pertinente la aplicación de
secuencias de andamiaje inverso (primero sin
IA y luego con IA como contraste), y para los
que ya la utilizan estratégicamente, el desafío se
concentra en favorecer su desplazamiento hacia
los niveles de evaluación y creación a través de
tareas de síntesis y producción original. En
tercer lugar, el diseño de rúbricas de evaluación
debe incluir de forma diferenciada, en los
niveles de pensamiento de la IA Generativa, el
uso crítico de la herramienta, diferenciando al
estudiante que se apoya en la IA para ampliar su
argumentación y al que la utiliza en el sentido
de suplantar la argumentación. De esta forma,
la evaluación incide en la autorregulación y
desestima la dependencia acrítica.
Referencias Bibliográficas
Aiken, L. (1985). Three coefficients for
analyzing the reliability and validity of
ratings. Educational and Psychological
Measurement, 45(1), 131-142.
https://doi.org/10.1177/0013164485451012
Anderson, L., & Krathwohl, D. (2001). A
taxonomy for learning, teaching, and
assessing: A revision of Bloom's taxonomy
of educational objectives. Longman.
https://quincycollege.edu/wp-
content/uploads/Anderson-and-
Krathwohl_Revised-Blooms-Taxonomy.pdf
Gonsalves, C. (2024). Generative AI’s impact
on critical thinking: Revisiting Bloom’s
taxonomy. Journal of Marketing Education,
1-16.
https://doi.org/10.1177/0273475324130598
0
Torrez, J. (2025). La inteligencia artificial
generativa en la educación superior: Entre el
apoyo y la dependencia. Revista Científica
Tecnológica, 8(3), 110-119.
https://doi.org/10.5377/recientec.v8i3.2187
1
Vásquez, F., Vega, D., Defaz, M., Vasco, C., &
López, J. (2024). Estrategias educativas por
medio de herramientas digitales basadas en
inteligencia artificial: Revisión bibliográfica.
Ciencia Latina Revista Científica
Multidisciplinar, 7(6), 5691-5708.
https://doi.org/10.37811/clrcm.v7i6.9110
Lozada, R., López, E., Espinoza, M., Arias, N.,
& Quille, G. (2023). Los riesgos de la
inteligencia artificial en la educación.
Ciencia Latina Revista Científica
Multidisciplinar, 7(5), 7219-7234.
https://doi.org/10.37811/clrcm.v7i5.8301
Pintrich, P. (2004). A conceptual framework for
assessing motivation and self-regulated
learning in college students. Educational
Psychology Review, 16(4), 385-407.
https://doi.org/10.1023/B:EDPR.000004902
3.56165.ef
Gkintoni, E., Dimakos, I., & Halkiopoulos, C.
(2025). Cognitive load and self-regulated
learning in digital environments:
Implications for AI-mediated instruction.
Journal of Educational Technology
Research, 12(1), 45-62.
https://doi.org/10.1007/s10648-025-09987-
4
Schneider, S., Beege, M., Nebel, S.,
Schnaubert, L., & Rey, G. (2022). The
cognitive-affective-social theory of learning
in digital environments (CASTLE).
Educational Psychology Review, 34(1), 1-
38. https://doi.org/10.1007/s10648-021-
09626-5
Sánchez, M. (2025). Pereza metacognitiva y
descarga cognitiva en la era de la IA
generativa: Riesgos y uso responsable.
Investigación en Educación Médica, 14(56),
6-9.
https://doi.org/10.22201/fm.20075057e.202
5.56.25743
Rozenblit, L., & Keil, F. (2002). The
misunderstood limits of folk science: An
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 123
illusion of explanatory depth. Cognitive
Science, 26(5), 521-562.
https://doi.org/10.1207/s15516709cog2605_
1
Vázquez, E. (2025). Pensamiento crítico de
estudiantes universitarios y el uso del Chat
GPT. LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades, 6(6), 1-9.
https://doi.org/10.56712/latam.v6i6.4905
Villamarín, P., Pillajo, M., Ocampo, P., Pillajo,
A., & Tipanta, D. (2024). El aprendizaje
autorregulado en el aula: Revisión de su
impacto y estrategias de aplicación. Revista
Veritas de Difusión Científica, 5(3), 719-
730. https://doi.org/10.61616/rvdc.v5i3.229
Liu, Y., Chen, X., & Wang, Z. (2025). The
effect of ChatGPT on students' learning
performance, learning perception, and
higher-order thinking: Insights from a meta-
analysis. Humanities and Social Sciences
Communications, 12, 247.
https://doi.org/10.1057/s41599-025-04787-
y
Zhang, H., Liu, M., & Anderson, T. (2025).
Does generative artificial intelligence
improve students' higher-order thinking? A
meta-analysis. Educational Technology
Research and Development, 73(2), 145-168.
https://doi.org/10.1007/s11423-025-10457-
2
Kumar, A., Singh, P., & Patel, R. (2025). AI-
personalised learning in higher education: A
study on learning outcomes and student
motivation. International Journal of
Research and Innovation in Social Science,
9(6), 234-251.
https://doi.org/10.47772/IJRISS.2025.90602
2
Baidoo, D., & Owusu, L. (2023). Education in
the era of generative artificial intelligence
(AI): Understanding the potential benefits of
ChatGPT in promoting teaching and
learning. Journal of AI, 7(1), 52-62.
https://doi.org/10.61969/jai.1337500
Yan, D. (2024). Impact of generative AI on
higher educational learning: Advance
learning experience with AI chatbots
(ChatGPT). World Journal of Advanced
Engineering Technology and Sciences,
11(1), 77-85.
https://doi.org/10.30574/wjaets.2024.11.1.0
077
Esta obra está bajo una licencia
de Creative Commons Reconocimiento-No
Comercial 4.0 Internacional. Copyright © Liz
Mercedes Velásquez Reinozo, Blanca del Cisne
Jiménez Gaona, Amarilis Lissette Torres Macias y
Egidio Yobanny Salgado Chévez.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4
Abril del 2026
Página 124
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Liz Mercedes Velásquez Reinozo: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Blanca del Cisne Jiménez Gaona: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Amarilis Lissette Torres Macias: provisión de recursos académicos y materiales para el desarrollo del estudio.
Egidio Yobanny Salgado Chévez: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
