Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 323
LA INTELIGENCIA ARTIFICIAL Y EL APRENDIZAJE DE ESTUDIANTES DE
EDUCACIÓN BÁSICA DE LA UNIDAD EDUCATIVA JUAN MONTALVO EN LA CIUDAD
DE GUAYAQUIL
ARTIFICIAL INTELLIGENCE AND LEARNING OF BASIC EDUCATION STUDENTS OF
THE JUAN MONTALVO EDUCATIONAL UNIT IN THE CITY OF GUAYAQUIL
Autores: ¹Cindy Astrid Suárez Monserrate, ²Jairo Israel Ortíz Carreño, ³Milton Alfonso Criollo
Turusina.
¹ORCID ID: https://orcid.org/0009-0006-5829-615X
²ORCID ID: https://orcid.org/0009-0008-8433-8047
³ORCID ID: https://orcid.org/0000-0002-3394-1160
¹E-mail de contacto: csuarezm6@unemi.edu.ec
²E-mail de contacto: jortizc5@unemi.edu.ec
³E-mail de contacto: mcriollot2@unemi.edu.ec
Afiliación:
1*2*3*
Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 11 de Junio del 2026.
Artículo revisado: 13 de Junio del 2026.
Artículo aprobado: 13 de Junio del 2026.
¹Estudiante de Octavo semestre, de la carrera de Educación Básica modalidad en Línea de la Universidad Estatal de Milagro, (Ecuador).
²Estudiante de Octavo semestre, de la carrera de Educación Básica modalidad en Línea de la Universidad Estatal de Milagro, (Ecuador)
³Licenciado en Ciencias de la Educación, egresado de la Universidad de Guayaquil, (Ecuador). Magíster en Docencia Universitaria,
egresado de la Universidad César Vallejo, (Perú). Doctorante en Educación, en la Universidad César Vallejo, (Perú).
Resumen
La presente investigación tuvo como objetivo
determinar la correlación entre la inteligencia
artificial y el aprendizaje de los estudiantes de
Educación Básica de la Unidad Educativa
“Juan Montalvo” de la ciudad de Guayaquil
durante el año 2026. El estudio se desarrolló
bajo un enfoque cuantitativo, de tipo aplicada,
con diseño no experimental y alcance
correlacional asociativo. La población estuvo
conformada por 60 estudiantes de Educación
Básica y la muestra por 20 estudiantes de
décimo año, seleccionados mediante un
muestreo no probabilístico por conveniencia.
Para la recolección de información se empleó
la técnica de la encuesta y como instrumento un
cuestionario estructurado de 18 ítems con
escala tipo Likert. La confiabilidad del
instrumento fue determinada mediante el
coeficiente Alfa de Cronbach, obteniéndose un
valor de 0,918. Asimismo, la prueba de
normalidad de Shapiro-Wilk evidenció una
distribución normal de los datos (p = 0,089),
permitiendo la aplicación del coeficiente de
correlación de Pearson. Los resultados
mostraron una correlación positiva moderada
entre la inteligencia artificial y el aprendizaje (r
= 0,543; p = 0,013). Respecto a las dimensiones
analizadas, la personalización del aprendizaje
presentó una correlación positiva moderada no
significativa (r = 0,438; p = 0,053), al igual que
la motivación (r = 0,410; p = 0,072), mientras
que la retroalimentación evidenció una
correlación positiva moderada y significativa (r
= 0,521; p = 0,019). Se concluye que la
inteligencia artificial se relaciona
significativamente con el aprendizaje
estudiantil, siendo la retroalimentación la
dimensión que ejerce mayor influencia en el
fortalecimiento de los procesos de aprendizaje.
Palabras clave: Inteligencia artificial,
Aprendizaje, Personalización del
aprendizaje, Motivación,
Retroalimentación, Tecnología educativa,
Rendimiento académico, Innovación
educativa.
Abstract
The objective of this study was to determine the
correlation between artificial intelligence and
learning among elementary school students at
the “Juan Montalvo” School in the city of
Guayaquil during the year 2026. The study was
conducted using a quantitative, applied
approach, with a non-experimental design and a
correlational-associative scope. The population
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 324
consisted of 60 elementary school students, and
the sample comprised 20 tenth-grade students,
selected through non-probabilistic convenience
sampling. Data collection utilized a survey
technique, employing a structured
questionnaire with 18 items on a Likert scale.
The reliability of the instrument was determined
using Cronbach’s alpha coefficient, yielding a
value of 0.918. Additionally, the Shapiro-Wilk
normality test indicated a normal distribution of
the data (p = 0.089), allowing for the application
of Pearson’s correlation coefficient. The results
showed a moderate positive correlation between
artificial intelligence and learning (r = 0.543; p
= 0.013). With regard to the dimensions
analyzed, personalized learning showed a
moderate but non-significant positive
correlation (r = 0.438; p = 0.053), as did
motivation (r = 0.410; p = 0.072), while
feedback showed a moderate and significant
positive correlation (r = 0.521; p = 0.019). It is
concluded that artificial intelligence is
significantly related to student learning, with
feedback being the dimension that exerts the
greatest influence on strengthening learning
processes.
Keywords: Artificial intelligence, Learning,
Personalized learning, Motivation,
Feedback, Educational technology,
Academic performance, Educational
innovation.
Sumário
A presente investigação teve como objetivo
determinar a correlação entre a inteligência
artificial e a aprendizagem dos alunos do Ensino
Básico da Unidade Educativa «Juan Montalvo»,
na cidade de Guayaquil, durante o ano de 2026.
O estudo foi desenvolvido com uma abordagem
quantitativa, de caráter aplicado, com um
desenho não experimental e um alcance
correlacional associativo. A população foi
constituída por 60 alunos do Ensino Básico e a
amostra por 20 alunos do 10.º ano, selecionados
através de uma amostragem não probabilística
por conveniência. Para a recolha de informação,
utilizou-se a técnica do inquérito e, como
instrumento, um questionário estruturado de 18
itens com escala do tipo Likert. A fiabilidade do
instrumento foi determinada através do
coeficiente alfa de Cronbach, obtendo-se um
valor de 0,918. Da mesma forma, o teste de
normalidade de Shapiro-Wilk evidenciou uma
distribuição normal dos dados (p = 0,089),
permitindo a aplicação do coeficiente de
correlação de Pearson. Os resultados revelaram
uma correlação positiva moderada entre a
inteligência artificial e a aprendizagem (r =
0,543; p = 0,013). Em relação às dimensões
analisadas, a personalização da aprendizagem
apresentou uma correlação positiva moderada,
porém não significativa (r = 0,438; p = 0,053),
assim como a motivação (r = 0,410; p = 0,072),
enquanto o feedback apresentou uma correlação
positiva moderada e significativa (r = 0,521; p
= 0,019). Conclui-se que a inteligência artificial
está significativamente relacionada à
aprendizagem dos alunos, sendo o feedback a
dimensão que exerce maior influência no
fortalecimento dos processos de aprendizagem.
Palavras-chave: Inteligência artificial,
Aprendizagem, Educação básica,
Aprendizagem personalizada, Motivação,
Feedback, Tecnologia educacional,
Desempenho acadêmico, Inovação
educacional.
Introducción
A nivel internacional, la inteligencia artificial
ha adquirido una importancia significativa en
los sistemas educativos debido a su potencial
para transformar los procesos de enseñanza y
aprendizaje. Su incorporación en los entornos
escolares ha permitido desarrollar experiencias
educativas más personalizadas, dinámicas e
interactivas, favoreciendo el desarrollo de
competencias digitales y el fortalecimiento del
rendimiento académico de los estudiantes. En
España, Estrada et al. (2025), en la
investigación titulada La inteligencia artificial
en educación primaria: una revisión sistemática
(2000-2024), analizaron diversos estudios
internacionales relacionados con la aplicación
de la inteligencia artificial en la educación
primaria. Los resultados evidenciaron que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 325
aproximadamente el 72% de las investigaciones
reportaron mejoras significativas en el
rendimiento académico de los estudiantes,
mientras que el 68% señalaron incrementos en
la participación y el compromiso durante las
actividades de aprendizaje. Asimismo, los
autores identificaron que los sistemas de
aprendizaje adaptativo basados en inteligencia
artificial favorecen la personalización de los
contenidos y el seguimiento individualizado del
progreso estudiantil. Estos hallazgos
demuestran que la integración de tecnologías
inteligentes puede contribuir de manera
significativa al fortalecimiento de los procesos
educativos, permitiendo atender las necesidades
particulares de cada estudiante y promoviendo
aprendizajes más efectivos.
De igual manera, en México, Aguilar et al.
(2025) desarrollaron un estudio orientado a
analizar el impacto de la inteligencia artificial
en estudiantes del nivel medio superior. Los
resultados determinaron que más del 70% de los
estudiantes utilizaban herramientas de
inteligencia artificial como apoyo para el
desarrollo de actividades académicas,
evidenciándose mejoras en la comprensión de
contenidos y en la rapidez para resolver tareas
escolares. Sin embargo, también se identificó
que una parte de los participantes presentaba
una dependencia excesiva de estas herramientas
para la elaboración de trabajos académicos. Los
investigadores concluyeron que la inteligencia
artificial influye positivamente en el
aprendizaje cuando su uso se encuentra
acompañado de una adecuada orientación y
supervisión pedagógica, garantizando que los
estudiantes desarrollen habilidades de análisis,
reflexión y pensamiento crítico. En el contexto
latinoamericano, Cobos (2024), en Perú,
desarrolló la investigación titulada Impacto de
la Inteligencia Artificial en el Rendimiento
Académico de Estudiantes de Secundaria: Un
Estudio Correlacional, con el propósito de
analizar la relación entre el uso de herramientas
de inteligencia artificial y el desempeño
académico estudiantil. Los resultados revelaron
que el 65% de los estudiantes que utilizaban con
frecuencia herramientas de inteligencia
artificial obtuvieron mejores calificaciones
académicas en comparación con aquellos que
las empleaban ocasionalmente. Asimismo, el
70% de los participantes manifestó que estas
tecnologías facilitaron la comprensión de
contenidos complejos y la realización de tareas
escolares. El estudio determinó la existencia de
una correlación positiva entre el uso de la
inteligencia artificial y el rendimiento
académico, evidenciando que estas
herramientas pueden constituirse en recursos
pedagógicos valiosos para fortalecer el
aprendizaje cuando son utilizadas de manera
adecuada dentro del proceso educativo.
En el contexto ecuatoriano, Lima et al. (2024)
desarrollaron una investigación en instituciones
educativas de la Zona 3, con una muestra de 90
estudiantes, con el objetivo de evaluar la
influencia de estrategias didácticas basadas en
inteligencia artificial sobre el aprendizaje. Los
resultados evidenciaron una mejora
significativa en el rendimiento académico de los
participantes, obteniéndose valores estadísticos
de t (89) =3,21 y p=0,002, lo que demuestra la
efectividad de las estrategias implementadas.
Además, los autores concluyeron que la
inteligencia artificial favoreció el aprendizaje
colaborativo, incrementó la participación
estudiantil y fortaleció la interacción con los
contenidos académicos. No obstante,
identificaron como principal problemática la
resistencia inicial de algunos docentes frente a
la incorporación de nuevas tecnologías dentro
del aula, situación que limita el
aprovechamiento de los beneficios educativos
que ofrece la inteligencia artificial. A pesar de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 326
los avances evidenciados en diferentes
contextos educativos, en la ciudad de Guayaquil
aún existe limitada evidencia científica
relacionada con la influencia de la inteligencia
artificial en el aprendizaje de los estudiantes de
Educación Básica. En este sentido, surge la
necesidad de desarrollar la presente
investigación en la Unidad Educativa “Juan
Montalvo”, con la finalidad de analizar la
relación entre la inteligencia artificial y el
aprendizaje durante el año 2026, permitiendo
comprender cómo estas herramientas
tecnológicas están incidiendo en los procesos
educativos y contribuyendo al fortalecimiento
de los aprendizajes escolares.
La inteligencia artificial ha adquirido una
creciente relevancia en el ámbito educativo
debido a su capacidad para optimizar los
procesos de enseñanza y aprendizaje mediante
herramientas tecnológicas que facilitan la
personalización de contenidos, el acceso a la
información y la interacción entre los
estudiantes y los recursos digitales. Su
incorporación en los entornos educativos ha
permitido desarrollar experiencias de
aprendizaje más dinámicas, adaptativas y
centradas en las necesidades de los estudiantes.
Según Armijos et al. (2025), la inteligencia
artificial constituye una herramienta
tecnológica capaz de personalizar los procesos
educativos mediante la adaptación de
contenidos, el apoyo pedagógico y la
automatización de actividades de aprendizaje.
Por su parte, Urgiles et al. (2025) la definen
como un conjunto de sistemas y algoritmos
capaces de analizar información, identificar
patrones y generar respuestas automatizadas
que contribuyen a mejorar los procesos de
enseñanza y aprendizaje. Ambos enfoques
coinciden en destacar la capacidad de la
inteligencia artificial para adaptar los
contenidos educativos y favorecer aprendizajes
más significativos mediante la
retroalimentación personalizada. Asimismo,
Cevallos y Aguilar (2024) conceptualizan la
inteligencia artificial como una tecnología
educativa orientada a la personalización del
aprendizaje mediante herramientas inteligentes
que responden a las necesidades, características
y ritmos de aprendizaje de cada estudiante.
Los autores los autores Pezo y López, 2025),
sostienen que la inteligencia artificial constituye
una herramienta tecnológica capaz de fortalecer
los procesos educativos mediante la adaptación
de contenidos, la provisión de retroalimentación
inmediata, el incremento de la motivación
estudiantil y la innovación de las estrategias de
enseñanza. Desde esta perspectiva, la
inteligencia artificial favorece experiencias de
aprendizaje más dinámicas y personalizadas,
permitiendo responder a las necesidades
individuales de los estudiantes y optimizar el
proceso educativo.
Según Anchundia et al. (2024), la
personalización del aprendizaje es un enfoque
educativo potenciado por la inteligencia
artificial que permite adaptar contenidos,
actividades y recursos a las características,
necesidades y ritmo de aprendizaje de cada
estudiante. Mediante el análisis continuo del
desempeño académico, los sistemas inteligentes
ajustan las experiencias educativas de manera
individualizada, favoreciendo una enseñanza
más eficiente, inclusiva y centrada en el
estudiante, con el propósito de mejorar sus
resultados de aprendizaje.
Según Chila y Puyol (2024), la motivación en
entornos mediados por inteligencia artificial se
refiere al conjunto de estímulos que promueven
el interés, la participación y el compromiso del
estudiante con su proceso de aprendizaje. Los
autores sostienen que las herramientas basadas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 327
en inteligencia artificial generan experiencias
educativas más dinámicas, interactivas y
personalizadas, incrementando la disposición
de los estudiantes para aprender y favoreciendo
una actitud positiva hacia las actividades
académicas. En este sentido, la motivación
constituye un componente fundamental para
potenciar el aprendizaje y mejorar el
desempeño estudiantil mediante el uso de
tecnologías inteligentes.
La retroalimentación es el proceso mediante el
cual el estudiante recibe información oportuna,
específica y orientadora sobre su desempeño
académico con el propósito de identificar
errores, fortalecer conocimientos y mejorar su
aprendizaje. Según Guevara y Cadena (2025),
la inteligencia artificial permite generar
retroalimentación adaptativa, automatizada y
contextualizada en tiempo real, ajustándose a
las necesidades individuales de cada
estudiante. La Teoría del Conectivismo fue
propuesta por George Siemens en 2005 y
sostiene que el aprendizaje se construye
mediante la interacción entre personas, recursos
digitales y redes de información. Según el autor,
el conocimiento puede encontrarse tanto en los
individuos como en los sistemas tecnológicos,
siendo esencial la capacidad de establecer
conexiones para acceder y utilizar la
información. En relación con la Inteligencia
Artificial, esta teoría cobra relevancia porque
las herramientas inteligentes facilitan el acceso
a diversas fuentes de conocimiento y
promueven experiencias de aprendizaje
personalizadas. Asimismo, García y Crespo
(2025), destacan que la IA fortalece los
procesos de aprendizaje en entornos digitales,
favoreciendo la construcción del conocimiento
y la interacción educativa. La Teoría de los
Sistemas de Tutoría Inteligente fue desarrollada
por John R. Anderson en 1985 y sostiene que
los sistemas computacionales pueden cumplir
funciones similares a las de un tutor humano
mediante el análisis del desempeño y la
orientación personalizada del estudiante. En la
actualidad, la Inteligencia Artificial fortalece
este enfoque al proporcionar retroalimentación
inmediata, identificar errores y recomendar
actividades adaptadas a las necesidades de
aprendizaje. En este sentido, Guevara y Cadena
(2025) señalan que la retroalimentación basada
en Inteligencia Artificial contribuye a mejorar
los procesos de enseñanza y aprendizaje,
sustentando así su aplicación en el ámbito
educativo.
La Teoría del Aprendizaje Adaptativo fue
propuesta por John Carroll en 1963 y establece
que los estudiantes aprenden a distintos ritmos,
por lo que la enseñanza debe ajustarse a sus
características y necesidades individuales.
Actualmente, la Inteligencia Artificial permite
aplicar este enfoque mediante algoritmos que
analizan el desempeño estudiantil y
personalizan los recursos educativos. Al
respecto, Anchundia et al. (2024) afirman que
la IA favorece la adaptación dinámica de
contenidos según el progreso y las necesidades
de cada estudiante, fortaleciendo los procesos
de personalización del aprendizaje. El
aprendizaje es un proceso continuo mediante el
cual las personas adquieren, modifican y
aplican conocimientos, habilidades, actitudes y
valores a partir de la interacción con su entorno
y de las experiencias educativas vividas. En este
sentido, Ochoa y Balderas (2021) sostienen que
el aprendizaje se desarrolla de manera
permanente a lo largo de la vida, permitiendo la
actualización constante de saberes y el
fortalecimiento de competencias fundamentales
para el desarrollo personal, social y académico
de los estudiantes. Por su parte, Tapia (2022)
define el aprendizaje como una actividad
cognitiva compleja en la que la información es
procesada, analizada e interpretada para
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 328
transformarse en nuevos conocimientos. Desde
esta perspectiva, intervienen procesos mentales
como la comprensión, el razonamiento, la
memoria y la autorregulación, los cuales
facilitan la construcción significativa del
conocimiento y favorecen la resolución de
problemas en diversos contextos educativos.
Asimismo, Villacís y Alcívar (2024) consideran
que el aprendizaje constituye un proceso activo
y significativo mediante el cual los estudiantes
construyen conocimientos a través de su
participación en actividades educativas que
promueven la reflexión, el análisis y la
aplicación práctica de los contenidos. Las
autoras señalan que este proceso se fortalece
cuando se implementan estrategias didácticas
innovadoras que estimulan la autonomía, el
pensamiento crítico y la interacción del
estudiante con su entorno, favoreciendo una
comprensión más profunda y duradera de los
aprendizajes adquiridos.
La variable dependiente aprendizaje se sustentó
en el modelo teórico los planteamientos de
Olmedo Plata (2020), quien sostiene que el
aprendizaje debe analizarse de manera integral
considerando las dimensiones cognitiva,
procedimental y actitudinal. El autor explica
que el aprendizaje implica no solo la
adquisición de conocimientos, sino también el
desarrollo de habilidades para aplicar dichos
conocimientos y la formación de actitudes
favorables hacia el proceso educativo. Desde
esta perspectiva, el aprendizaje constituye un
proceso multidimensional que permite al
estudiante comprender, ejecutar y valorar los
contenidos desarrollados durante su formación
académica. Los procesos cognitivos
constituyen el conjunto de operaciones
mentales que intervienen en la adquisición,
procesamiento, almacenamiento y recuperación
de la información. Estos procesos incluyen
capacidades como la atención, memoria,
comprensión, razonamiento y metacognición,
las cuales permiten al estudiante construir
conocimientos significativos y utilizarlos para
resolver problemas en distintos contextos.
Contreras (2023), señala que el desarrollo de las
habilidades cognitivas favorece la organización
del pensamiento, la reflexión sobre el propio
aprendizaje y la consolidación de
conocimientos que contribuyen al rendimiento
académico y al aprendizaje autónomo.
El aprendizaje procedimental se relaciona con
la capacidad de aplicar conocimientos mediante
la ejecución de técnicas, estrategias y métodos
orientados a la resolución de problemas y al
cumplimiento de tareas específicas. Este tipo de
aprendizaje se evidencia en el desarrollo de
habilidades prácticas que permiten al estudiante
actuar de manera organizada y eficiente frente a
diversas situaciones educativas. Aguayo et al.,
(2024) sostienen que los procedimientos
empleados durante el aprendizaje favorecen la
comprensión de situaciones problemáticas, la
selección de estrategias adecuadas, la ejecución
de acciones y la evaluación de resultados,
fortaleciendo el desarrollo de competencias
aplicables a contextos reales.
Las actitudes, valores e intereses constituyen
elementos fundamentales en el proceso de
aprendizaje, ya que influyen en la manera en
que el estudiante participa y se compromete con
las actividades educativas. Aspectos como la
motivación, responsabilidad, perseverancia,
respeto y disposición para aprender favorecen el
desarrollo integral y la construcción de
relaciones positivas dentro del entorno escolar.
Según Ibañez et al., (2024), los factores
actitudinales mantienen una estrecha relación
con el estado emocional de los estudiantes,
influyendo directamente en su participación,
interacción social y desempeño académico. La
Teoría del Aprendizaje Significativo, propuesta
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 329
por David Ausubel (1963), sostiene que el
aprendizaje ocurre cuando los nuevos
conocimientos se relacionan de manera
sustancial con los saberes previos del
estudiante, favoreciendo una comprensión
profunda y duradera. Desde esta perspectiva, el
aprendizaje trasciende la memorización
mecánica y se convierte en un proceso de
construcción activa del conocimiento.
Asimismo, Halanoca (2024), destaca que el
aprendizaje significativo fortalece la
comprensión, retención y aplicación de los
contenidos al establecer conexiones entre
experiencias previas y nuevos saberes. Esta
teoría se vincula directamente con la variable
aprendizaje, ya que explica cómo los
estudiantes construyen conocimientos
significativos que facilitan su desarrollo
académico y personal.
La Teoría del Desarrollo Cognitivo, propuesta
por Jean Piaget (1936), sostiene que el
aprendizaje es un proceso activo mediante el
cual el estudiante construye conocimientos a
partir de la interacción con su entorno. Este
proceso se desarrolla mediante la asimilación y
acomodación, mecanismos que permiten
incorporar nueva información y reorganizar las
estructuras cognitivas. Según Barreto et al.
(2024), esta teoría continúa siendo un referente
para comprender el desarrollo de habilidades
cognitivas y la construcción progresiva del
conocimiento. Su relación con la variable
aprendizaje radica en que explica los procesos
mentales involucrados en la adquisición y
comprensión de nuevos saberes.
La Teoría Sociocultural del Aprendizaje,
desarrollada por Lev Vygotsky (1978), plantea
que el aprendizaje se construye mediante la
interacción social y la influencia del contexto
cultural. Esta teoría destaca la comunicación, la
colaboración y la mediación como elementos
esenciales para el desarrollo del conocimiento.
Asimismo, introduce el concepto de Zona de
Desarrollo Próximo, que explica cómo el
estudiante puede alcanzar aprendizajes
superiores con la orientación adecuada.
Rodríguez (2024) señala que este enfoque
mantiene vigencia en los procesos educativos
actuales al promover la construcción colectiva
del conocimiento. Su vinculación con la
variable aprendizaje radica en la importancia
que otorga a la interacción social para la
adquisición de conocimientos significativos.
La presente investigación es fundamental en el
ámbito social debido a que la inteligencia
artificial se ha convertido en una herramienta
cada vez más utilizada por niños y adolescentes
dentro de sus actividades académicas y
cotidianas. En la Unidad Educativa “Juan
Montalvo” de la ciudad de Guayaquil, muchos
estudiantes emplean recursos tecnológicos para
buscar información, realizar tareas y reforzar
sus conocimientos, por lo que resulta
importante conocer cómo estas herramientas
influyen en su aprendizaje. Además, el estudio
permitirá identificar de qué manera la
inteligencia artificial puede contribuir al
desarrollo de habilidades, la creatividad y la
participación de los estudiantes en el proceso
educativo. Asimismo, esta investigación busca
promover el uso responsable y adecuado de la
tecnología dentro del entorno escolar,
fortaleciendo así la calidad educativa y el
aprendizaje significativo de los estudiantes.
De acuerdo con Mendoza, et al. (2024), la
inteligencia artificial aplicada a la educación
favorece nuevas formas de aprendizaje, ya que
permite a los estudiantes acceder a información
de manera rápida, desarrollar habilidades
digitales y participar activamente en actividades
educativas innovadoras. También se señala que
el uso adecuado de herramientas tecnológicas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 330
puede mejorar la motivación y el interés de los
estudiantes por aprender, siempre que exista
una orientación responsable por parte de los
docentes y la institución educativa. Por lo tanto,
la presente investigación se relaciona con la
importancia de analizar cómo la inteligencia
artificial influye en el aprendizaje de los
estudiantes de Educación Básica y cómo puede
ser utilizada de manera positiva dentro del
ámbito escolar.
En el ámbito pedagógico es muy importante
porque permitirá comprender cómo la
inteligencia artificial puede influir en el proceso
de enseñanza-aprendizaje de los estudiantes de
Educación Básica de la Unidad Educativa “Juan
Montalvo” de la ciudad de Guayaquil.
Actualmente, los docentes enfrentan el desafío
de incorporar herramientas tecnológicas que
respondan a las necesidades e intereses de los
estudiantes, haciendo que las clases sean más
dinámicas, participativas y motivadoras. El
estudio ayudará a identificar de qué manera la
inteligencia artificial puede fortalecer las
estrategias pedagógicas, facilitar la
comprensión de contenidos y mejorar el
desarrollo de habilidades académicas y digitales
en los estudiantes. Además, permitirá promover
nuevas formas de enseñanza que contribuyan a
un aprendizaje más significativo y acorde con
las exigencias educativas actuales.
Según Pulido y Ramírez (2023), la integración
de la inteligencia artificial en la educación
favorece la innovación pedagógica, ya que
permite adaptar las actividades de aprendizaje a
las necesidades de los estudiantes y fortalecer la
participación dentro del aula. El uso adecuado
de herramientas tecnológicas contribuye al
desarrollo de competencias digitales, mejora la
motivación estudiantil y facilita el trabajo
docente mediante recursos interactivos y
dinámicos. Por ello, se hace énfasis en la
importancia de analizar cómo la inteligencia
artificial puede convertirse en un apoyo
pedagógico que beneficie tanto a docentes
como a estudiantes en el proceso educativo.
En el ámbito práctico porque permitirá conocer
cómo la inteligencia artificial puede ser
utilizada de manera adecuada dentro del
proceso educativo de los estudiantes de
Educación Básica de la Unidad Educativa “Juan
Montalvo” de la ciudad de Guayaquil. Los
resultados del estudio servirán como apoyo para
que docentes y directivos implementen
estrategias y recursos tecnológicos que faciliten
el aprendizaje, mejoren la participación
estudiantil y fortalezcan el desarrollo de
habilidades académicas y digitales. Asimismo,
esta investigación ayudará a identificar
prácticas educativas que contribuyan a un mejor
aprovechamiento de las herramientas de
inteligencia artificial dentro del aula,
favoreciendo un aprendizaje más dinámico,
creativo y acorde con las necesidades actuales
de los estudiantes.
El uso práctico de la inteligencia artificial en la
educación permite optimizar los procesos de
enseñanza y aprendizaje mediante herramientas
digitales que facilitan el acceso a la
información, la personalización de actividades
y la interacción de los estudiantes con los
contenidos educativos. Estas tecnologías
favorecen el desarrollo de competencias
digitales y contribuyen a mejorar el rendimiento
académico y la motivación estudiantil (Gómez,
2023). El presente artículo busca aportar
información útil que permita fortalecer el uso
pedagógico y práctico de la inteligencia
artificial dentro del contexto escolar. La
investigación es fundamental debido a la
creciente necesidad de analizar la incidencia de
la inteligencia artificial en el panorama
educativo contemporáneo, los recursos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 331
tecnológicos se han integrado en la cotidianidad
estudiantil, empleándose de manera recurrente
para la ejecución de tareas, la indagación de
contenidos y el desarrollo de diversas acciones
académicas. Por consiguiente, resulta
fundamental examinar de qué forma estas
herramientas inteligentes influyen en la
construcción del conocimiento y cómo pueden
optimizarse dentro de la praxis educativa. El
estudio adquiere relevancia al proporcionar
evidencia científica que permita fortalecer las
estrategias pedagógicas y fomentar una cultura
de responsabilidad tecnológica en el entorno
escolar.
De acuerdo con García (2024) la integración de
sistemas inteligentes en el ámbito educativo
constituye un requerimiento ineludible frente a
las transformaciones digitales y las emergentes
dinámicas de aprendizaje de la sociedad
moderna, estas tecnologías potencian la
enseñanza, incrementan el compromiso del
alumnado y dinamizan el acceso a materiales
educativos de vanguardia, siempre que medie
una mediación docente efectiva. Bajo esta
premisa, el actual trabajo investigativo se
considera pertinente al proponerse comprender
el impacto de la inteligencia artificial en los
aprendizajes escolares y su potencial uso
constructivo en favor de la comunidad
educativa. ¿Cuál es la correlación entre la
inteligencia artificial y el aprendizaje de
estudiantes de Educación Básica de la Unidad
Educativa “¿Juan Montalvo” en la ciudad de
Guayaquil, 2026? La presente investigación
tiene como objetivo general determinar la
correlación entre la inteligencia artificial y el
aprendizaje de los estudiantes de Educación
Básica de la Unidad Educativa “Juan
Montalvo” de la ciudad de Guayaquil durante el
año 2026. Para alcanzar este propósito, se
plantean varios objetivos específicos. En primer
lugar, se busca examinar la correlación entre la
personalización del aprendizaje facilitada por
las herramientas de inteligencia artificial y el
aprendizaje de los estudiantes del contexto
investigado. En segundo lugar, se pretende
determinar la correlación existente entre la
motivación generada por el uso de la
inteligencia artificial y el aprendizaje de los
sujetos estudiados. Finalmente, se propone
evaluar la correlación entre la retroalimentación
proporcionada por los sistemas de inteligencia
artificial y el aprendizaje de los individuos
participantes en la investigación.
En concordancia con los objetivos planteados,
la investigación se orienta a responder la
siguiente pregunta: ¿Existe correlación entre la
inteligencia artificial y el aprendizaje de los
estudiantes de Educación Básica de la Unidad
Educativa “Juan Montalvo” de la ciudad de
Guayaquil durante el año 2026? Con base en la
pregunta de investigación, se formula la
hipótesis de investigación (H₁), la cual establece
que existe una correlación significativa entre la
inteligencia artificial y el aprendizaje de los
estudiantes de Educación Básica de la Unidad
Educativa “Juan Montalvo” de la ciudad de
Guayaquil durante el año 2026. Por otra parte,
la hipótesis nula (H₀) plantea que no existe una
correlación significativa entre la inteligencia
artificial y el aprendizaje de los estudiantes de
dicha institución educativa en el período
señalado.
Materiales y Métodos
La presente investigación fue de tipo aplicada,
ya que buscó generar conocimientos orientados
a la comprensión de una problemática educativa
concreta relacionada con la inteligencia
artificial y el aprendizaje en estudiantes de
Educación Básica de la Unidad Educativa “Juan
Montalvo” en la ciudad de Guayaquil. Los
resultados obtenidos permitieron aportar
evidencia sobre la relación existente entre
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 332
ambas variables y contribuir a la toma de
decisiones en el ámbito educativo. La
investigación tuvo un enfoque cuantitativo,
debido a que se orientó a la recolección y
análisis de datos numéricos obtenidos mediante
la aplicación de un cuestionario estructurado a
estudiantes de Educación Básica. Este enfoque
permitió medir las variables Inteligencia
Artificial y Aprendizaje, así como determinar el
grado de relación existente entre ambas
mediante procedimientos estadísticos.
La investigación presentó un diseño no
experimental, ya que las variables de estudio no
fueron manipuladas por los investigadores, sino
observadas y analizadas tal como se
manifestaron en su contexto natural.y
analizando cómo se presentó la inteligencia
artificial y su relación con el aprendizaje, sin
intervenir ni alterar las condiciones existentes.
La investigación tuvo un alcance correlacional
asociativo, ya que buscó determinar la relación
existente entre la Inteligencia Artificial y el
Aprendizaje en estudiantes de Educación
Básica de la Unidad Educativa “Juan
Montalvo”. Asimismo, permitió establecer el
grado de asociación entre ambas variables, con
el propósito de identificar si los niveles de
inteligencia artificial se relacionan con los
niveles de aprendizaje de los estudiantes.
La población estuvo conformada por todos los
estudiantes de Educación Básica de la Unidad
Educativa “Juan Montalvo”, ubicada en la
ciudad de Guayaquil. De manera general, se
consideró un universo aproximado de 60
estudiantes pertenecientes a los diferentes
grados de Educación Básica durante el período
lectivo 2026. Esta población permitió delimitar
el contexto y definir los participantes
potenciales del estudio. La muestra estuvo
conformada por 20 estudiantes de 10mo año de
educación básica de la Unidad Educativa “Juan
Montalvo”, quienes constituyeron la unidad de
análisis de la investigación y proporcionaron la
información necesaria para el desarrollo de la
investigación mediante la aplicación del
instrumento seleccionado.
La técnica de muestreo empleada fue el
muestreo no probabilístico por conveniencia,
debido a que los participantes fueron
seleccionados considerando su accesibilidad y
disposición para participar en el estudio. Esta
estrategia permitió obtener una muestra viable y
representativa dentro de las posibilidades
logísticas de la investigación. La técnica
utilizada para la recolección de datos fue la
encuesta, ya que permitió obtener información
directa de los participantes de manera
sistemática y estructurada. Este método facilitó
la recopilación de percepciones relacionadas
con las variables de inteligencia artificial y
aprendizaje, asegurando una aplicación ágil,
objetiva y adecuada para el análisis cuantitativo
del estudio.
En la presente investigación se empleó la
técnica de la encuesta para la recolección de
información. Como instrumento de medición se
utilizó un cuestionario estructurado dirigido a
los estudiantes de Educación General Básica de
la Unidad Educativa “Juan Montalvo” de la
ciudad de Guayaquil durante el período 2026.
El cuestionario estuvo conformado por 18 ítems
distribuidos en función de las variables de
estudio: inteligencia artificial y aprendizaje.
Para evaluar la variable independiente
Inteligencia Artificial, se consideraron las
dimensiones personalización del aprendizaje,
motivación y retroalimentación, sustentadas en
el modelo teórico propuesto por Yagual y López
(2024). La dimensión personalización del
aprendizaje comprendió aspectos relacionados
con la adaptación de contenidos, la adecuación
al ritmo de aprendizaje y la atención a las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 333
necesidades individuales de los estudiantes. Por
su parte, la dimensión motivación incluyó
elementos vinculados con el interés por
aprender, la participación y el entusiasmo frente
a las tareas académicas. Finalmente, la
dimensión retroalimentación abordó aspectos
relacionados con la corrección inmediata de
errores, la orientación para mejorar el
aprendizaje y el seguimiento del desempeño
académico.
En cuanto a la variable dependiente aprendizaje,
el instrumento se fundamentó en las
dimensiones cognitiva, procedimental y
actitudinal propuestas por Olmedo Plata (2020).
La dimensión cognitiva evaluó la comprensión
de contenidos, la adquisición de conocimientos
y la capacidad de análisis de la información; la
dimensión procedimental se orientó a valorar la
aplicación de conocimientos, la resolución de
problemas y el desarrollo de habilidades;
mientras que la dimensión actitudinal consideró
el interés por aprender, la participación en las
actividades de clase y la responsabilidad
académica de los estudiantes.
La valoración de las respuestas se realizó
mediante una escala tipo Likert de cinco
alternativas, diseñada para identificar la
frecuencia con que se presentan las situaciones
planteadas en cada ítem. Las categorías de
respuesta fueron: Siempre (5), Casi siempre (4),
A veces (3), Casi nunca (2) y Nunca (1). En
cuanto al rigor científico del instrumento, se
evaluó su confiabilidad mediante el coeficiente
Alfa de Cronbach, obteniendo un valor de α =
0,918. Este resultado evidencia una muy buena
consistencia interna, lo que indica que los ítems
presentan un adecuado nivel de homogeneidad
y miden de manera coherente las variables
objeto de estudio. En consecuencia, el
instrumento se considera confiable para la
recolección de datos en la presente
investigación. Asimismo, se aplicó la prueba de
normalidad de Shapiro-Wilk con el propósito de
verificar la distribución de los datos. Los
resultados mostraron un nivel de significancia
de p = 0,089, valor superior al criterio
establecido de 0.05 (p > 0.05). Por tanto, se
concluye que los datos presentan una
distribución normal, lo que permite la
utilización de pruebas estadísticas paramétricas
para el análisis de la información.
El procesamiento de los datos se realizó
mediante la aplicación de un cuestionario
estructurado dirigido a los participantes del
estudio. Una vez recopilada la información, los
datos fueron codificados y registrados en una
matriz de datos en Microsoft Excel 2021, con la
finalidad de organizar las respuestas y verificar
su consistencia. Posteriormente, la base de
datos fue exportada al software estadístico IBM
SPSS Statistics versión 26, donde se efectuó el
análisis estadístico correspondiente. En primer
lugar, se evaluó la confiabilidad del instrumento
mediante el coeficiente Alfa de Cronbach,
obteniéndose un valor de α = 0,918 lo que
evidenció una muy buena consistencia interna.
Seguidamente, se realizó la prueba de
normalidad Shapiro-Wilk, debido a que la
muestra estuvo conformada por menos de 50
participantes, obteniéndose un nivel de
significancia superior a 0.05 (p = 0,089), lo que
indicó que los datos presentaban una
distribución normal.
Con base en este resultado, se aplicó estadística
inferencial paramétrica mediante el coeficiente
de correlación de Pearson para determinar la
relación entre las variables de estudio. La
presente investigación garantizará el
cumplimiento de los principios éticos que rigen
la investigación educativa. En primer lugar, se
considerará el consentimiento informado,
mediante el cual los estudiantes participantes y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 334
sus representantes legales recibirán información
clara sobre los objetivos, procedimientos y
finalidad del estudio antes de autorizar su
participación. Este principio permite que la
participación sea libre, consciente y voluntaria.
Al respecto, Cartagena et al. (2024) destacan
que el consentimiento informado constituye un
elemento fundamental para proteger los
derechos y la autonomía de los participantes en
los procesos de investigación científica.
Asimismo, se garantizará la confidencialidad de
la información, asegurando que los datos
obtenidos sean utilizados exclusivamente con
fines académicos y científicos. La identidad de
los participantes será resguardada mediante el
tratamiento anónimo de la información
recopilada. En este sentido, Campos et al.
(2024) señalan que la ética en la investigación
educativa exige proteger la privacidad de los
participantes y garantizar el uso responsable de
los datos, respetando los principios de
autonomía, beneficencia y no maleficencia.
Resultados y Discusión
A continuación, se presentan los resultados del
estudio. Objetivo 1: Examinar la correlación de
la personalización del aprendizaje y el
aprendizaje en los estudiantes del contexto
investigado.
Tabla 1. Relacionamiento entre la dimensión Personalización del aprendizaje y la variable
Aprendizaje.
Personalización del aprendizaje
Aprendizaje
Personalización del aprendizaje
1
0,438
Sig. (bilateral)
0,053
N
20
20
Aprendizaje
0,438
1
Sig. (bilateral)
0,053
N
20
20
Nota. La correlación no es significativa al nivel 0.05 (bilateral), debido a que p = .053 > .05.
Fuente: Elaboración propia.
Los resultados obtenidos mediante la prueba de
correlación de Pearson evidenciaron una
relación positiva moderada entre la dimensión
personalización del aprendizaje y la variable
aprendizaje (r = 0,438), lo que indica que los
estudiantes que perciben una mayor adaptación
de los contenidos, actividades y recursos
educativos a sus necesidades individuales
tienden a presentar mejores niveles de
aprendizaje. Sin embargo, el valor de
significancia obtenido (p = 0,053) fue
ligeramente superior al nivel establecido (α =
0,05), por lo que estadísticamente no se
confirma una relación significativa entre ambas
variables. A pesar de ello, la magnitud del
coeficiente permite identificar una tendencia
favorable que sugiere que la personalización del
aprendizaje mediada por inteligencia artificial
puede contribuir al fortalecimiento de los
procesos cognitivos y académicos de los
estudiantes. Estos resultados coinciden con los
hallazgos de Estrada et al. (2025), quienes
reportaron que el 72 % de las investigaciones
analizadas evidenciaron mejoras significativas
en el rendimiento académico gracias a la
personalización de los procesos de enseñanza
mediante inteligencia artificial, mientras que el
68 % señalaron incrementos en la participación
y el compromiso estudiantil. De manera similar,
Cobos Gutiérrez (2024) encontró que el 70 %
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 335
de los estudiantes manifestó que las
herramientas de inteligencia artificial
facilitaron la comprensión de contenidos y que
el 65 % obtuvo mejores resultados académicos
al utilizarlas con frecuencia. En conjunto, estos
antecedentes respaldan la tendencia positiva
observada en la presente investigación.
Desde el enfoque teórico, los hallazgos pueden
explicarse mediante la Teoría del Aprendizaje
Adaptativo de Carroll (1963), la cual sostiene
que los estudiantes aprenden a diferentes ritmos
y requieren estrategias ajustadas a sus
características y necesidades individuales. En
este sentido, la correlación positiva encontrada
sugiere que la adaptación de contenidos y
actividades favorece el desarrollo del
aprendizaje. Asimismo, Anchundia et al. (2024)
afirman que la inteligencia artificial permite
ajustar dinámicamente los recursos educativos
según el progreso y las necesidades de cada
estudiante, fortaleciendo los procesos de
personalización del aprendizaje. De igual
manera, los resultados se sustentan en la Teoría
del Conectivismo de Siemens (2005), la cual
plantea que el aprendizaje se construye
mediante la interacción con redes de
información, recursos digitales y tecnologías
inteligentes. Desde esta perspectiva, la
inteligencia artificial facilita experiencias
educativas personalizadas al proporcionar
acceso a información relevante y adaptada a las
necesidades del estudiante. Al respecto, García
y Crespo (2025) señalan que estas tecnologías
fortalecen la construcción del conocimiento y la
interacción educativa en entornos digitales. Por
ello, aunque la correlación obtenida no alcanzó
significancia estadística, la tendencia positiva
observada permite inferir que la personalización
del aprendizaje mediada por inteligencia
artificial constituye un factor con potencial para
fortalecer el aprendizaje estudiantil. La tabla 2
evidencia el objetivo 2: Determinar la
correlación de la motivación y el aprendizaje en
los sujetos estudiados.
Tabla 2. Relación entre la dimensión Motivación y la variable Aprendizaje
Personalización del aprendizaje
Aprendizaje
Motivación
1
.410
Sig. (bilateral)
.072
N
20
20
Aprendizaje
.410
1
Sig. (bilateral)
.072
N
20
20
Nota La correlación no es significativa al nivel 0.05 (bilateral)
Fuente: Elaboración propia.
Los resultados obtenidos mediante la prueba de
correlación de Pearson evidenciaron una
correlación positiva moderada entre la
dimensión motivación y la variable aprendizaje
(r = 0,410), lo que indica que los estudiantes con
mayores niveles de motivación hacia las
actividades apoyadas por inteligencia artificial
tienden a presentar mejores niveles de
aprendizaje. Sin embargo, el valor de
significancia obtenido (p = 0,072) fue superior
al nivel establecido de 0,05, por lo que
estadísticamente no se confirma una relación
significativa entre ambas variables. A pesar de
ello, la magnitud del coeficiente permite
identificar una tendencia favorable, sugiriendo
que la motivación promovida por herramientas
de inteligencia artificial puede contribuir al
fortalecimiento de los procesos de aprendizaje
en los estudiantes. Estos resultados coinciden
con los hallazgos de Estrada Molina et al.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 336
(2025), quienes señalaron que el 68 % de los
estudiantes incrementó su participación y
compromiso en las actividades académicas
gracias al uso de herramientas de inteligencia
artificial. Asimismo, Aguilar et al. (2025)
determinaron que más del 70 % de los
estudiantes mejoró la comprensión de
contenidos y el desarrollo de tareas escolares
mediante el uso de estas tecnologías. De igual
manera, Lima et al. (2024) concluyeron que las
estrategias didácticas basadas en inteligencia
artificial fortalecieron la participación
estudiantil y favorecieron el aprendizaje. En
conjunto, estos antecedentes respaldan la
tendencia positiva observada en la presente
investigación, aunque la correlación encontrada
no alcanzó significancia estadística.
Desde el enfoque teórico, los hallazgos pueden
explicarse mediante la Teoría del Aprendizaje
Significativo propuesta por Ausubel (1963), la
cual sostiene que el aprendizaje es más efectivo
cuando el estudiante muestra interés y relaciona
activamente los nuevos conocimientos con sus
saberes previos. En este sentido, una mayor
motivación favorece la participación, la
comprensión y la asimilación de los contenidos,
contribuyendo al desarrollo de aprendizajes más
significativos. Asimismo, Malanocha (2024)
señala que el aprendizaje significativo fortalece
la comprensión, retención y aplicación de los
conocimientos, aspectos estrechamente
relacionados con el desempeño académico de
los estudiantes. De igual manera, los resultados
se sustentan en la Teoría del Conectivismo
propuesta por Siemens (2005), la cual plantea
que el aprendizaje se construye mediante la
interacción con redes de información, recursos
digitales y entornos tecnológicos. Desde esta
perspectiva, la inteligencia artificial puede
incrementar la motivación estudiantil al ofrecer
experiencias de aprendizaje más dinámicas,
interactivas y personalizadas. Al respecto, Chila
y Puyol (2024) sostienen que las herramientas
basadas en inteligencia artificial favorecen el
interés, la participación y el compromiso de los
estudiantes con su proceso educativo. Por ello,
aunque la correlación obtenida no alcanzó
significancia estadística (p > 0,05), la tendencia
positiva observada permite inferir que la
motivación promovida por la inteligencia
artificial constituye un factor con potencial para
fortalecer el aprendizaje estudiantil. La tabla 3
muestra el objetivo 3: Evaluar la correlación de
retroalimentación y el aprendizaje en los
individuos investigados.
Tabla 3. Relación entre la dimensión Retroalimentación y la variable Aprendizaje
Personalización del aprendizaje
Aprendizaje
Retroalimentación
1
.521*
Sig. (bilateral)
.019
N
20
20
Aprendizaje
.521*
1
Sig. (bilateral)
.019
N
20
20
Nota. La correlación es significativa al nivel 0.05 (bilateral).
Fuente: Elaboración propia.
Los resultados obtenidos mediante la prueba de
correlación de Pearson evidenciaron una
correlación positiva moderada entre la
dimensión retroalimentación y la variable
aprendizaje (r = 0,521). Asimismo, el valor de
significancia obtenido (p = 0,019) fue inferior al
nivel establecido de 0,05, lo que demuestra que
la relación encontrada es estadísticamente
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 337
significativa. Estos hallazgos permiten inferir
que una retroalimentación oportuna,
personalizada y orientada a las necesidades de
los estudiantes favorece el fortalecimiento de
los procesos de aprendizaje, contribuyendo a la
comprensión de contenidos, la corrección de
errores y la mejora continua del desempeño
académico. Estos resultados coinciden con los
hallazgos de Estrada et al. (2025), quienes
reportaron que el 72 % de las investigaciones
analizadas evidenciaron mejoras significativas
en el rendimiento académico mediante sistemas
de inteligencia artificial que proporcionan
seguimiento personalizado y retroalimentación
continua. Asimismo, guardan relación con lo
encontrado por Lima et al. (2024), quienes
señalaron que más del 70 % de los estudiantes
incrementó su participación y mejoró sus
resultados de aprendizaje gracias al uso de
estrategias educativas apoyadas en inteligencia
artificial.
Del mismo modo, Guevara y Cadena (2025)
sostienen que la retroalimentación adaptativa y
contextualizada favorece el aprendizaje,
mientras que Pezo y López (2025) destacan que
la retroalimentación inmediata permite corregir
errores y reforzar conocimientos de manera
oportuna. En conjunto, estos antecedentes
respaldan la relación positiva y significativa
encontrada en la presente investigación. Desde
el enfoque teórico, los hallazgos se sustentan en
la Teoría de los Sistemas de Tutoría Inteligente
propuesta por Anderson (1985), la cual plantea
que los sistemas tecnológicos pueden
proporcionar orientación y retroalimentación
personalizada de acuerdo con las necesidades
de cada estudiante. En este sentido, la
correlación significativa encontrada evidencia
que la retroalimentación proporcionada por
herramientas de inteligencia artificial
contribuye a optimizar el proceso de
aprendizaje al ofrecer apoyo inmediato y
adaptado al desempeño individual. Asimismo,
Pezo y López (2025) señalan que la
retroalimentación inteligente favorece la
identificación de errores y el fortalecimiento
progresivo de los conocimientos adquiridos. De
igual manera, los resultados se relacionan con la
Teoría del Aprendizaje Significativo de
Ausubel (1963) y la Teoría del Conectivismo de
Siemens (2005). Ausubel sostiene que el
aprendizaje se fortalece cuando el estudiante
logra integrar los nuevos conocimientos con sus
saberes previos, proceso que puede potenciarse
mediante una retroalimentación constante y
orientadora. Por su parte, Siemens explica que
las tecnologías digitales facilitan el acceso
inmediato a información y orientación,
favoreciendo la construcción del conocimiento
a través de redes de aprendizaje. Por ello, la
evidencia empírica y teórica permite concluir
que la retroalimentación mediada por
inteligencia artificial constituye un factor
relevante para potenciar el aprendizaje de los
estudiantes en el contexto investigado. La
figura 1 muestra el objetivo
General: Determinar la correlación entre la
inteligencia artificial y el aprendizaje de
estudiantes de Educación Básica de la Unidad
Educativa “Juan Montalvo" en la ciudad de
Guayaquil, 2026.
Los resultados obtenidos mediante la prueba de
correlación de Pearson evidenciaron un
coeficiente de correlación de r = 0.543, lo cual
indica una correlación positiva moderada entre
la Inteligencia Artificial y el Aprendizaje.
Asimismo, se obtuvo un nivel de significancia
de p = 0.013, valor inferior al nivel crítico de
0.05, demostrando que la relación encontrada es
estadísticamente significativa. En
consecuencia, los resultados permiten afirmar
que, a medida que los estudiantes perciben
mayores beneficios asociados a la
personalización del aprendizaje, la motivación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 338
y la retroalimentación proporcionadas por
herramientas de Inteligencia Artificial, también
tienden a presentar mayores niveles de
aprendizaje cognitivo, procedimental y
actitudinal.
Figura 1. Relación entre la variable
Inteligencia Artificial y la variable Aprendizaje.
Fuente: Elaboración propia.
Por lo tanto, al obtenerse un valor de
significancia inferior a 0.05 (p = 0.013), se
acepta la hipótesis investigativa y se rechaza la
hipótesis nula, concluyéndose que existe una
correlación positiva moderada y
estadísticamente significativa entre la
Inteligencia Artificial y el Aprendizaje en los
estudiantes de Educación Básica de la Unidad
Educativa “Juan Montalvo” durante el año
2026. Los resultados encontrados guardan
relación con los planteamientos de Estrada
Molina et al. (2025), quienes determinaron que
la incorporación de la Inteligencia Artificial en
los procesos educativos mejora
significativamente el rendimiento académico y
favorece experiencias de aprendizaje más
personalizadas. De manera similar, la
correlación positiva encontrada en esta
investigación evidencia que el uso de
herramientas inteligentes contribuye al
fortalecimiento del aprendizaje estudiantil.
Asimismo, los hallazgos coinciden con Aguilar
et al. (2025), quienes reportaron que más del 70
% de los estudiantes que empleaban
herramientas de Inteligencia Artificial
manifestaban mejoras en la comprensión de
contenidos y en el desarrollo de actividades
académicas. Esta situación respalda la relación
positiva observada entre ambas variables en el
presente estudio.
De igual manera, los resultados son consistentes
con la investigación desarrollada por Cobos
(2024), quien identificó una correlación
positiva entre el uso frecuente de herramientas
de Inteligencia Artificial y el rendimiento
académico de estudiantes de secundaria. En
ambos estudios se evidencia que la Inteligencia
Artificial constituye un recurso pedagógico que
favorece el aprendizaje cuando es utilizada de
manera adecuada. Además, los resultados
concuerdan con Lima et al. (2024), quienes
demostraron que las estrategias didácticas
basadas en Inteligencia Artificial incrementan
la participación estudiantil, fortalecen el
aprendizaje colaborativo y mejoran el
desempeño académico.
Esta evidencia permite comprender por qué los
estudiantes que reportan mayores niveles de
interacción con herramientas de Inteligencia
Artificial presentan también mejores niveles de
aprendizaje. Desde el enfoque teórico, los
resultados respaldan el Conectivismo de
Siemens (2005), al evidenciar que la
Inteligencia Artificial facilita el acceso a
información y recursos digitales que favorecen
la construcción del conocimiento. Asimismo, se
relacionan con la Teoría de los Sistemas de
Tutoría Inteligente de Anderson (1985), debido
a que la retroalimentación personalizada
fortalece el aprendizaje. De igual manera,
sustentan la Teoría del Aprendizaje Adaptativo
de Carroll (1963), ya que la Inteligencia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 339
Artificial permite adaptar los contenidos a las
necesidades y ritmos de cada estudiante.
Finalmente, los hallazgos concuerdan con la
Teoría del Aprendizaje Significativo de
Ausubel (1963), puesto que estas herramientas
favorecen la comprensión y aplicación de
nuevos conocimientos, fortaleciendo el
aprendizaje significativo.
Conclusiones
Los resultados evidenciaron que la
personalización del aprendizaje mantiene una
relación positiva moderada con el aprendizaje (r
= 0,438); sin embargo, esta no alcanzó
significancia estadística (p = 0,053). A pesar de
ello, la tendencia observada permite inferir que
la adaptación de contenidos, actividades y
recursos mediante herramientas de inteligencia
artificial favorece el desarrollo de los procesos
de aprendizaje, al responder de manera más
adecuada a las necesidades y características
individuales de los estudiantes. En relación con
la motivación, se identificó una correlación
positiva moderada con el aprendizaje (r =
0,410), aunque sin significancia estadística (p =
0,072). Estos resultados sugieren que los
estudiantes que muestran mayor interés,
participación y compromiso en actividades
apoyadas por inteligencia artificial tienden a
alcanzar mejores niveles de aprendizaje, lo que
evidencia el potencial de estas tecnologías para
fortalecer la implicación activa de los
estudiantes en su proceso formativo.
Respecto a la retroalimentación, se encontró
una correlación positiva moderada y
estadísticamente significativa con el
aprendizaje (r = 0,521; p = 0,019). Este hallazgo
demuestra que la retroalimentación inmediata y
personalizada proporcionada por herramientas
de inteligencia artificial favorece la
comprensión de contenidos, la corrección
oportuna de errores y el mejoramiento continuo
del desempeño académico, constituyéndose en
la dimensión con mayor incidencia sobre el
aprendizaje dentro de la investigación. De
manera general, se concluye que existe una
correlación positiva moderada y
estadísticamente significativa entre la
inteligencia artificial y el aprendizaje de los
estudiantes de Educación Básica de la Unidad
Educativa “Juan Montalvo” de la ciudad de
Guayaquil durante el año 2026 (r = 0,543; p =
0,013). En consecuencia, se acepta la hipótesis
investigativa y se rechaza la hipótesis nula,
evidenciando que el uso de herramientas de
inteligencia artificial, especialmente a través de
la retroalimentación, contribuye al
fortalecimiento de los procesos cognitivos,
procedimentales y actitudinales vinculados al
aprendizaje estudiantil.
Referencias Bibliográficas
Aguayo, I., Reyes, B., & Reyes, P. (2024).
Factores procedimentales en la resolución de
problemas matemáticos con decimales.
Revista Andina de Educación, 8(1).
https://doi.org/10.32719/26312816.2024.8.1.
5
Aguilar, N., Hernández, A., González, G., &
Esquivel, U. (2025). El impacto de la
inteligencia artificial en el aprendizaje de
estudiantes del nivel medio superior. Ciencia
Latina Revista Científica Multidisciplinar,
10(1).
https://doi.org/10.37811/cl_rcm.v10i1.22544
Anchundia, J., Macías, R., & Tubay, L. (2024).
La personalización del aprendizaje:
estrategias de adaptación de contenido con
inteligencia artificial en entornos educativos.
Educación Y Vínculos. Revista De Estudios
Interdisciplinarios En Educación.
https://doi.org/10.33255/2591/1940
Armijos, R., Gutiérres, M., Crespo, B.,
Espinoza, L., & Púa, J. (2025). La
Inteligencia Artificial (IA) en la
Personalización del Aprendizaje en el Aula.
Ciencia Latina Revista Científica
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 340
Multidisciplinar, 9(1), 7590-7601.
https://doi.org/10.37811/cl_rcm.v9i1.16427
Barreto, W., Arévalo, J., Ulloa, J., Zavala, C.,
Andrade, N., & Paguay, M. (2024). Análisis
del aprendizaje infantil desde la teoría del
desarrollo cognitivo de Jean Piaget: un
enfoque etnográfico para evaluar la relación
entre la inteligencia y las etapas cognitivas.
Revista Latinoamericana De Ciencias
Sociales Y Humanidades,, 5(5).
https://doi.org/10.56712/latam.v5i5.2913
Campos, E., Díaz, L., & Cárdenas, D. (2025).
Ética de la Investigación Educativa. Ciencia
Latina Revista Científica Multidisciplinar,
9(3).
https://doi.org/10.37811/cl_rcm.v9i3.18418
Cartagena, E., Cuevas, L., & Vargas, D. (2024).
Conocimiento de los estudiantes sobre
consentimiento informado y su importancia
en investigación científica. Revista
Colombiana De Bioética, 19(1).
https://doi.org/10.37811/cl_rcm.v9i3.18418
Cevallos, V., & Aguilar, K. (2024). La
Inteligencia Artificialen lapersonalización
delaprendizaje enla Educación Básica
Superior en una Unidad Educativa
ecuatoriana. 7(2), 68-75.
https://www.researchgate.net/publication/38
7346770
Chila J., & Puyol, J. (2024). Motivación en el
aprendizaje del algebra abstracta, mediante la
inteligencia artificial. Revista Científica
Multidisciplinar G-Nerando,, 5(2).
https://doi.org/10.60100/rcmg.v5i2.347
Cobos, G. (2024). Impacto de la Inteligencia
Artificial en el Rendimiento Académico de
Estudiantes de Secundaria: Un Estudio
Correlacional. Puriq, 6.
https://doi.org/10.37073/puriq.6.740
Contreras, A. (2023). Procesos cognitivos y
metacognitivos en el proceso de enseñanza-
aprendizaje. Ingenio Y Conciencia Boletín
Científico De La Escuela Superior Ciudad
Sahagún,, 10(20).
https://doi.org/10.29057/escs.v10i20.10765
Estrada, O., Ruiz, J., Rodrigo, P., Zambrano
Acosta, J. M., & Chica Chica, L. F. (2025).
La inteligencia artificial en educación
primaria: una revisión sistemática (2000-
2024). Education in the Knowledge Society
(EKS), 26.
https://doi.org/10.14201/eks.32300
García, M, & Crespo J. (2025). La inteligencia
artificial en la educación: hacia un
aprendizaje personalizado. Revista
Iberoamericana De Investigación En
Educación, 9.
https://doi.org/10.58663/riied.vi9.224
Guevara, V., & Cadena, R. (2026).
Retroalimentación adaptativa basada en
inteligencia artificial en entornos educativos
virtuales: una revisión de literatura. Revista
de Investigación Multidisciplinaria
Iberoamer, RIMIicana, (1).
https://doi.org/10.69850/rimi.vi1.219
Halanoca, D. (2024). Aprendizaje Significativo
en la educación superior. Revista de
Investigación de Ciencias de la Educación,
Horizontes, 8(34).
https://doi.org/10.33996/revistahorizontes.v8
i34.828
Ibañez, C., Medina, E., & iménez, V. (2024). El
estado emocional y su impacto en el
aprendizaje actitudinal de estudiantes del
nivel primario. Revista InveCom, 5(1).
https://doi.org/10.5281/zenodo.12676536
Lima, A. X., LLerena, L. C., & Acosta
Rodríguez, M. (2024). La inteligencia
artificial como puente interdisciplinario:
Estrategias didácticas para el aprendizaje
colaborativo en la educación básica. Polo del
Conocomiento, 9(9).
https://doi.org/10.23857/pc.v9i9.8046
Ochoa, R., & Balderas, K. (2021). Educación
continua, educación permanente y
aprendizaje a lo largo de la vida:
coincidencias y divergencias conceptuales. 4.
https://doi.org/10.32719/26312816.2021.4.2.
8
Olmedo J. (2020). Estilos de aprendizaje y
rendimiento académico escolar desde las
dimensiones cognitiva, procedimental y
actitudinal. Revista De Estilos De
Aprendizaje, 13(26).
https://doi.org/10.55777/rea.v13i26.1540
Reyes, B., & Reyes, P. (2024). Factores
procedimentales en la resolución de
problemas matemáticos con decimales.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 5.3
Edición Especial V 2026
Página 341
Revista Andina de Educación, 8(1).
https://doi.org/10.32719/26312816.2024.8.1.
5
Rodríguez, W. (2024). Aprendizaje y
Desarrollo: Elaboraciones Contemporáneas a
Partir de la Tesis Vygotskiana de su Relación.
Revista De Psicología, 20(40).
https://doi.org/10.46553/RPSI.20.40.2024.p
87-107
Tapia, H. (2022). Aprendizaje cognoscitivo
impulsor de la autorregulación en la
construcción del conocimiento. Revista De
Ciencias Sociales.
https://doi.org/10.31876/rcs.v28i.38154
Urgiles, T., Gómez, K., Ipiales, O., Tinoco , D.
J., Calle, G.., & Castro, M. (2025). El impacto
de la inteligencia artificial en la
personalización del aprendizaje en la
Educación Básica: The impact of artificial
intelligence on personalized learning in
Primary Education. Revista Científica
Multidisciplinar G-Nerando, 6(1).
https://doi.org/10.60100/rcmg.v6i1.605
Villacis, L., & Alcívar, V. (2024). Aplicación
de las Técnicas didácticas en el proceso de
aprendizaje significativo en educación.
Revista Scientific, 9(31).
https://doi.org/10.29394/Scientific.issn.2542
-2987.2024.9.31.10.208-229
Yagual, S., & López, A. (2025). LATAM
Revista Latinoamericana de Ciencias
Sociales y Humanidades, Asunción,
Paraguay.ISSN en línea: 2789-3855, marzo,
2025, Volumen VI, Número 2 p 779.DOI:
https://doi.org/10.56712/latam.v6i2.366
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Cindy Astrid Suárez
Monserrate, Jairo Israel Ortíz Carreño y Milton
Alfonso Criollo Turusina.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Cindy Astrid Suárez Monserrate: conceptualización de la investigación, diseño metodológico, análisis formal de resultados, redacción del borrador
original y revisión final del manuscrito, validación metodológica, organización y tabulación de datos.
Jairo Israel Ortíz Carreño: apoyo en el análisis estadístico, revisión bibliográfica y corrección académica del manuscrito, aplicación de encuestas en la
institución educativa objeto de estudio, recolección de datos, supervisión del proceso investigativo, apoyo en la interpretación de resultados
y aprobación de la versión final del artículo.
Milton Alfonso Criollo Turusina: supervisión, metodología, validación, redacción, revisión y edición del manuscrito científico.
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.
