INFLUENCIA DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL
APRENDIZAJE Y LA AUTORREGULACIÓN ACADÉMICA EN ESTUDIANTES DE LA
CARRERA DE EDUCACIÓN BÁSICA
THE INFLUENCE OF ARTIFICIAL INTELLIGENCE ON THE PERSONALIZATION OF
LEARNING AND ACADEMIC SELF-REGULATION AMONG EDUCATION BASICS
MAJOR STUDENTS
Autores:
¹Joselyn
Darleny
Pozo
Ponce,
²Larissa
Pierina
Quintana
Peña,
³Giovanna
Milena
Chavez Arteaga,
4
Alejandro Sebastián Baque Muñoz y
5
Carlos Alexander Chiluisa Millingalli.
¹ORCID ID:
https://orcid.org/0000-0003-3837-6663
²ORCID ID:
https://orcid.org/0009-0000-7962-5561
3
ORCID ID:
https://orcid.org/0000-0001-5144-8364
4
ORCID ID:
https://orcid.org/0000-0002-2678-7097
5
ORCID ID:
https://orcid.org/0000-0002-2149-5343
¹E-mail de contacto:
jpozop@uteq.edu.ec
²E-mail de contacto:
lquintanap
@uteq.edu.ec
³E-mail de contacto:
gchaveza@uteq.edu.ec
4
E-mail de contacto:
abaquem3@uteq.edu.ec
5
E-mail de contacto:
cchiluisam@uteq.edu.ec
Afiliación:
1*2*3*4*5*
Universidad Técnica Estatal de Quevedo, (Ecuador).
Artículo recibido: 19 de Agosto del 2026.
Artículo revisado: 21 de Agosto del 2026.
Artículo aprobado: 21 de Agosto del 2026.
¹Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).
²Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).
³Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).
4
Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).
5
Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).
Resumen
El
presente
estudio
tuvo
como
objetivo
describir la percepción de los estudiantes de la
carrera de Educación Básica de la Universidad
Técnica Estatal de Quevedo sobre la influencia
de la inteligencia artificial en la personalización
del
aprendizaje
y
en
el
desarrollo
de
su
autorregulación académica. La investigación se
desarrolló bajo un enfoque cuantitativo, de tipo
no
experimental,
con
diseño
transversal
y
alcance
descriptivo.
La
muestra
estuvo
conformada
por
65
estudiantes
de
octavo
semestre, seleccionados mediante muestreo no
probabilístico intencional,
a quienes se
aplicó
un cuestionario de 10 ítems validado por juicio
de expertos, cuyos datos se analizaron mediante
estadística
descriptiva.
Los
resultados
evidenciaron
una
valoración
alta
en
la
dimensión
de
personalización
del
aprendizaje
(media
general
de
3,86),
destacando
la
adaptación de contenidos y ritmos, así como la
retroalimentación
personalizada
como
las
funciones
mejor
percibidas.
En
contraste,
la
autorregulación
académica
obtuvo
una
valoración
media
(3,26),
siendo
la
autoevaluación y la reflexión la dimensión con
menor desarrollo, seguida de la planificación y
el
monitoreo.
Se
concluye
que
la
inteligencia
artificial
ha
sido
incorporada
principalmente
como un recurso externo que facilita y adapta
las
actividades
académicas,
mientras
que
su
aprovechamiento
como
mecanismo
de
autorregulación
sigue
siendo
limitado,
lo
que
evidencia la necesidad de un acompañamiento
docente más intencionado que oriente el uso de
estas
herramientas
hacia
la
planificación,
el
monitoreo y la reflexión sobre el propio proceso
de aprendizaje.
Palabras
clave:
Inteligencia
artificial,
Personalización
del
aprendizaje,
Autorregulación
académica,
Educación
superior, Retroalimentación educativa.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 177
Abstract
The objective of this study was to describe the
perceptions of students in the Basic Education
program
at
the
Quevedo
State
Technical
University regarding the influence of artificial
intelligence on the personalization of learning
and
the
development
of
their
academic
self-
regulation. The research was conducted using a
quantitative, non-experimental approach with a
cross-sectional
design
and
descriptive
scope.
The
sample
consisted
of
65
eighth-semester
students,
selected
through
purposive
non-
probabilistic sampling, who were administered
a
10-item
questionnaire
validated
by
expert
judgment;
the
data
were
analyzed
using
descriptive statistics. The results showed a high
rating in the dimension of personalized learning
(overall mean of 3.86), with the adaptation of
content
and
pace,
as
well
as
personalized
feedback,
standing
out
as
the
most
highly
perceived features. In contrast, academic self-
regulation
received
an
average
rating
(3.26),
with
self-assessment
and
reflection
being
the
least
developed
dimension,
followed
by
planning
and
monitoring.
It
is
concluded
that
artificial
intelligence
has
been
incorporated
primarily as an external resource that facilitates
and adapts academic activities, while its use as
a
mechanism
for
self-regulation
remains
limited.
This
highlights
the
need
for
more
intentional teacher guidance to direct the use of
these
tools
toward
planning,
monitoring,
and
reflection on the learning process itself.
Keywords:
Artificial
intelligence,
Personalized
learning,
Academic
self-
regulation,
Higher
education,
Educational
feedback.
Sumário
O presente estudo teve como objetivo descrever
a perceção dos estudantes do curso de Educação
Básica
da
Universidade
Técnica
Estatal
de
Quevedo
sobre
a
influência
da
inteligência
artificial na personalização da aprendizagem e
no
desenvolvimento
da
sua
autorregulação
académica.
A
investigação
foi
desenvolvida
com uma abordagem quantitativa, de tipo não
experimental,
com
um
desenho
transversal
e
alcance
descritivo.
A
amostra
foi
constituída
por
65
estudantes
do
oitavo
semestre,
selecionados
através
de
amostragem
não
probabilística
intencional,
aos
quais
foi
aplicado um questionário de 10 itens validado
por parecer de especialistas, cujos dados foram
analisados através de estatística descritiva. Os
resultados revelaram uma avaliação elevada na
dimensão
da
personalização
da
aprendizagem
(média geral de 3,86), destacando a adaptação
de conteúdos e ritmos, bem como o feedback
personalizado,
como
as
funções
mais
bem
percebidas. Em contrapartida, a autorregulação
académica obteve uma avaliação média (3,26),
sendo a autoavaliação e a reflexão a dimensão
com
menor
desenvolvimento,
seguida
do
planeamento e do acompanhamento. Conclui-se
que
a
inteligência
artificial
tem
sido
incorporada
principalmente
como
um
recurso
externo
que
facilita
e
adapta
as
atividades
académicas,
enquanto
a
sua
utilização
como
mecanismo
de
autorregulação
continua
a
ser
limitada, o que evidencia a necessidade de um
acompanhamento docente mais intencional que
oriente
a
utilização
destas
ferramentas
para
o
planeamento, o acompanhamento e a reflexão
sobre o próprio processo de aprendizagem.
Palavras-chave:
Inteligência
artificial,
Aprendizagem
personalizada,
Autorregulação acadêmica, Ensino superior,
Feedback educacional.
Introducción
En la última década, la inteligencia artificial ha
adquirido
una
presencia
creciente
en
los
sistemas de educación superior y ha comenzado
a
modificar
las
formas
en
que
se
diseñan,
desarrollan y evalúan los procesos de enseñanza
y aprendizaje. La expansión de los sistemas de
tutoría,
inteligente
en
las
plataformas
adaptativas,
los
asistentes
conversacionales
y
las
aplicaciones
de
inteligencia
artificial
generativa
ha
permitido
procesar
grandes
volúmenes de información sobre el desempeño,
las
interacciones
y
las
necesidades
de
los
estudiantes.
A
partir
de
estos
datos,
las
instituciones
pueden
ofrecer
contenidos
diferenciados,
retroalimentación
inmediata
y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 178
actividades ajustadas a los ritmos y niveles de
desempeño
individuales.
En
este
contexto,
la
inteligencia
artificial
no
se
constituye
únicamente
como
una
herramienta
de
automatización. Si no una tecnología capaz de
reconfigurar
la
experiencia
educativa
y
favorecer
modelos
formativos
más
flexibles,
personalizados
y
centrados
en
el
estudiante.
(Holmes et al., 2020; Luckin et al., 2021; Salas-
Pilco et al., 2022).
La
personalización
del
aprendizaje
se
fundamenta
en
la
posibilidad
de
adaptar
los
contenidos,
las
estrategias
didácticas,
los
recursos y los mecanismos de evaluación a las
características particulares de cada estudiante.
A
diferencia
de
los
modelos
de
enseñanza
tradicionales
sustentados
en
una
organización
homogénea
de
la
enseñanza,
los
sistemas
inteligentes
pueden
identificar
patrones
relacionados
con
el
progreso
académico,
las
dificultades
de
aprendizaje,
el
tiempo
de
dedicación
y
las
preferencias
de
interacción.
Esta
capacidad
favorece
la
construcción
de
trayectorias formativas diferenciadas y permite
que
los
estudiantes
reciban
apoyos
oportunos
conforme
a
sus
necesidades,
es
así
como
las
revisiones recientes sobre inteligencia artificial
en educación superior coinciden en señalar que
sus principales contribuciones se relacionan con
la
personalización,
la
automatización
de
determinados
procesos,
la
retroalimentación
continua
y
el
fortalecimiento
de
la
toma
de
decisiones basadas en evidencias. (Valderrama
et al., 2025; Acevedo et al., 2025).
No obstante, la personalización del aprendizaje
no
puede
entenderse
únicamente
como
la
adaptación
automática
de
contenidos,
puesto
que
su
alcance
educativo
depende
de
la
participación
activa
del
estudiante,
de
la
mediación
docente
y
de
la
capacidad
institucional para integrar las tecnologías dentro
de las propuestas pedagógicas coherentes. Una
plataforma
puede
recomendar
actividades
o
generar
respuestas
individualizadas,
pero
ello
no
garantiza
por
sí
mismo,
una
comprensión
profunda
ni
el
desarrollo
de
competencias
autónomas, pues, por esta razón, la influencia
de
la
inteligencia
artificial
de
analizarse
en
relación
con
procesos
cognitivos
y
metacognitivos
que
permitan
al
estudiante,
interpretar
la
información
recibida,
establecer
metas,
supervisar
su
progreso
y
tomar
decisiones
sobre
sus
propias
estrategias
de
aprendizaje.
En
el
contexto
latinoamericano,
la
incorporación de la inteligencia artificial en la
educación
superior
se
desarrolla
de
manera
desigual, dado que
en las universidades de la
región
presentan
diferencias
significativas
en
conectividad,
infraestructura
tecnológica,
disponibilidad
de
plataformas
digitales,
formación
docente
y
políticas
institucionales.
Cada una de estas condiciones producen niveles
heterogéneos
de
adopción
y
limitan
la
posibilidad
de
qué
todos
los
estudiantes
se
beneficien
de
las
mismas
oportunidades
de
aprendizaje
personalizadas.
Desde
esta
perspectiva
Acevedo
et
al.
(2025)
en
una
revisión sistemática sobre la educación superior
latinoamericana, identifican que la inteligencia
artificial
representa
simultáneamente
una
oportunidad
de
innovación
y
un
desafío
estructural debido a las brechas, existentes en
capacidades
técnicas,
recursos
institucionales,
gobernanza y sostenibilidad. De manera similar,
Campoverde
y
Campoverde
(2025),
señalan
que
las
universidades
ecuatorianas
enfrentan
dificultades vinculadas con la conectividad, la
preparación
del
profesorado,
la
protección
de
datos y la regulación institucional.
La
autorregulación
académica
se
constituye
como
una
competencia
esencial
para
el
aprendizaje universitario, desde la perspectiva
sociocognitiva de Zimmerman (2002) concibe
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 179
que la autorregulación académica es un proceso
cíclico,
mediante
el
cual
los
estudiantes
participan
activamente
en
la
planificación
de
sus
metas,
la
ejecución
y
supervisión
de
sus
estrategias y la autoevaluación de los resultados
obtenidos. Este proceso comprende tres fases y
interrelacionadas
las
cuales
son
la
previsión,
desempeño y autorreflexión, en la primera fase,
el estudiante analiza la tarea, establece objetivos
y
selecciona
estrategias;
en
la
segunda
fase
controla
su
atención,
esfuerzo
y
progreso,
mientras
que
en
la
tercera
fase
valora
sus
resultados y ajusta sus actuaciones futuras. En
esta misma línea Pintrich (2004) complementa
esta perspectiva, al destacar la interacción entre
los
procesos
cognitivos,
motivacionales,
conductuales y contextuales.
Dentro
de
este
marco,
la
relación
entre
inteligencia
artificial
y
autorregulación
académica
puede
establecerse
dado
que
las
herramientas inteligentes ofrecen información y
apoyos
que
acompañan
las
distintas
fases
del
aprendizaje
autorregulado.
Durante
la
planificación, estas herramientas pueden ayudar
a
organizar
tareas,
calendarizar,
actividades
y
formular metas; durante el desempeño pueden
proporcionar
explicaciones,
pistas,
ejercicios
adaptativos
y
retroalimentación
inmediata
y
durante
la
autorreflexión
estas
herramientas
tecnológicas
pueden
facilitar
la
revisión
del
progreso,
la
identificación
de
errores
y
la
valoración de los resultados. Sin embargo, estos
beneficios
sólo
se
concretan
cuando
el
estudiante conserva el control de sus decisiones
y utiliza la tecnología como apoyo para pensar,
contrastar y mejorar, no como un sustituto de su
esfuerzo
cognitivo.
Es
por
ello
que
el
uso
excesivamente
dependiente
de
los
asistentes
generativos
puede
reducir
la
elaboración
personal, debilitar la meta, cognición y afectar
la
integridad
académica
(Núñez
et
al.,
2024;
Filgueira
y
Berlanga,
2026).
La
evidencia
científica
reciente
muestra
que
la
inteligencia
artificial
puede
favorecer
experiencias
y
aprendizajes
más
personalizadas,
mejorar
la
percepción de la retroalimentación y apoyar a la
autonomía del estudiante. No obstante, también
revela que los resultados dependen del diseño
pedagógico del nivel de alfabetización digital y
de
la
orientación
docente.
Por
ello
lo
mencionado
por
Salas-Pilco
et
al.
(2022)
destacan
que
las
aplicaciones
de
inteligencia
artificial pueden fortalecer la participación y el
desempeño
estudiantil,
mientras
que
Valderrama
et
al.
(2025)
advierten
que
la
personalización tecnológica debe acompañarse
de formación docente, infraestructura adecuada
y
criterios
éticos.
Dentro
de
esa
misma
línea
Leiva
et
al.
(2026)
señalan
que
la
retroalimentación
generada
mediante
inteligencia
artificial
puede
ser
valorada
positivamente
por
estudiantes
universitarios,
aunque
requiere
supervisión
humana
para
contextualizar
las
recomendaciones
y
evitar
interpretaciones mecánicas.
A
pesar
del
crecimiento
de
la
producción
científica
sobre
inteligencia
artificial
en
educación
superior,
persiste
un
vacío
relacionado
con
el
análisis
conjunto
de
sus
efectos
percibidos
en
la
personalización
del
aprendizaje
y
la
autorregulación
académica,
pues
una
parte
importante
de
los
estudios
se
concentra
en
el
rendimiento
académico,
la
aceptación
tecnológica,
la
eficacia
de
plataformas
específicas
o la retroalimentación
automatizada.
Es
por
ello
que
son
todavía
algunas limitada investigaciones que examinan
si
los
estudiantes
reconocen
la
inteligencia
artificial, no sólo
como
aquel recurso externo
que adapta contenidos y facilita respuestas, sino
también
como
un
apoyo
para
planificar,
monitorear, autoevaluar y reflexionar sobre su
propio
aprendizaje.
Por
consiguiente,
la
investigación se articula en la necesidad de que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 180
la
innovación
tecnológica
permanezca
subordinada a finalidades pedagógicas, éticas y
formativas,
preservando
el
juicio
profesional
del
docente
y
la
responsabilidad
activa
del
estudiante.
Es
por
ello
que
a
partir
de
este
planteamiento, la investigación se orienta por la
siguiente
pregunta
¿cómo
perciben
los
estudiantes de la carrera de educación básica de
la Universidad Técnica Estatal de Quevedo la
influencia
de
la
inteligencia
artificial
en
la
personalización
de
aprendizaje
y
en
el
desarrollo de su autorregulación académica? en
correspondencia
con
esta
interrogante,
el
objetivo
del
estudio
consiste
en
describir
la
percepción de los estudiantes de dicha Carrera,
sobre la influencia de la inteligencia artificial,
en
la
personalización
del
aprendizaje
y
el
desarrollo del autorregulación académica.
Materiales y Métodos
La investigación se desarrolló bajo un enfoque
cuantitativo,
puesto
que
se
orientó
a
medir
y
describir
mediante
datos
numéricos.
La
percepción de los estudiantes sobre la influencia
en
la
inteligencia
artificial,
en
la
personalización
del
aprendizaje
y
la
autorregulación
académica.
De
acuerdo
con
Hernández
y
Mendoza
(2018)
este
enfoque
permite
analizar
fenómenos
mediante
la
recolección de datos cuantificables y el empleo
de
procedimientos
estadísticos,
bajo
esta
premisa
se
procuró
obtener
información
objetiva
y
sistemática,
sin
modificar
las
condiciones
del
contexto
educativo.
En
términos metodológicos, el estudio fue de tipo
no
experimental,
debido
a
que
las
variables
fueron observadas en su ambiente natural, sin
manipulación
deliberada,
el
diseño
correspondió a un corte de transversal, ya que
los datos se recolectaron en un único momento,
mientras
que
su
alcance
fue
descriptivo
al
caracterizar
las
percepciones
de
los
participantes, sin establecer relaciones causales.
En
consonancia
con
lo
anterior,
Hernández
y
Mendoza
(2018)
señalan
que
los
estudios
descriptivos permiten especificar propiedades,
características y perfiles de personas o grupos.
La
modalidad
fue
de
campo,
puesto
que
la
información
se
obtuvo
directamente
de
los
estudiantes en el contexto institucional donde se
desarrolla el fenómeno.
La
población
estuvo
constituida
por
los
estudiantes de la carrera de educación básica de
la
facultad
de
ciencias
de
la
educación
de
la
universidad
técnica
estatal
de
Quevedo.
La
muestra
quedó
integrada
por
65
estudiantes
matriculados
en
octavo
semestre
durante
el
periodo
de
recolección
de
información.
Se
aplicó o muestreo no probabilístico intencional,
cuya
selección
responde
a
criterios
definidos
por
el
investigador,
de
acuerdo
con
las
características
y
propósitos
del
estudio
(Arias
2012).
Tabla 1.
Criterios de Inclusión y Exclusión.
Criterios de Inclusión
Criterios de Exclusión
Estudiantes matriculados en
octavo semestre de la carrera de
Educación Básica durante el
período de estudio.
Estudiantes que no pertenecieran al
octavo semestre de la carrera de
Educación Básica.
Estudiantes que cursaran la
asignatura Investigación
Educativa durante la
recolección de datos.
Estudiantes que no estuvieran
matriculados en la asignatura
Investigación Educativa.
Estudiantes que hubieran
cursado asignaturas
relacionadas con tecnología
educativa o didáctica.
Participantes que no cumplieran
con la condición académica
definida para la muestra.
Participantes que otorgaran su
consentimiento informado.
Personas que no aceptaran
participar o retiraran su
consentimiento.
Cuestionarios respondidos
completamente.
Cuestionarios incompletos o con
respuestas inconsistentes.
Fuente: Elaboración propia
.
La técnica empleada fue la encuesta, entendida
como aquel procedimiento que permite obtener
información
directamente
de
un
grupo
de
sujetos
mediante
preguntas
previamente
estructuradas (Bernal 2016). Como instrumento
se
utilizó
un
cuestionario
de
10
ítems,
organizado
en
las
dimensiones
de
personalización
del
aprendizaje,
mediante
la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 181
inteligencia
artificial,
y
autorregulación
académica
con
opciones
de
respuestas:
(siempre, casi siempre, algunas veces y nunca).
En virtud de ello, el instrumento fue sometido a
juicio
de
expertos,
quienes
valoraron
su
claridad, pertinencia, coherencia, suficiencia y
relevancia.
El
procedimiento
comprendió
la
autorización
institucional,
la
socialización
del
propósito
investigativo,
la
firma
del
consentimiento
informado, la
aplicación del
cuestionario y la
sistematización de los datos. Posteriormente la
información
recolectada
se
procesó
mediante
estadística descriptiva, a través del cálculo de
frecuencias absolutas y relativas, y de la media
aritmética
por
ítem
y
por
dimensión;
para
la
interpretación
de
las
medias
se
empleó
una
escala de valoración de cinco categorías (Muy
bajo: 1,00-1,80; Bajo: 1,81-2,60; Medio: 2,61-
3,40; Alto: 3,41-4,20; Muy alto: 4,21-5,00), lo
que
permitió
describir
el
comportamiento
de
ambas
variables
en
función
del
objetivo
descriptivo
planteado,
en
última
instancia,
se
observaron
los
principios
de
participación
voluntaria,
anonimato,
confidencialidad
y
uso
académico de la información.
Resultados y Discusión
A
continuación,
se
presentan
los
resultados
obtenidos
a
partir
de
la
aplicación
del
cuestionario
a
65
estudiantes
de
octavo
semestre
de
la
carrera
de
Educación
Básica,
organizados por dimensión, de acuerdo con las
dos variables de estudio.
Personalización del aprendizaje mediante IA
Tabla 2.
Adaptación de contenidos y ritmos de aprendizaje (Personalización del aprendizaje mediante
IA).
Indicador
Alternativas de respuesta
Media Aritmética
S
Fr(%)
CS
Fr(%)
AV
Fr(%)
N
Fr(%)
Valor
Categoría
Percibe que las herramientas de IA ajustan
los contenidos de aprendizaje a su nivel de
conocimiento.
31
(47,7%)
13
(20,0%)
21
(32,3%)
0 (0,0%)
4,15
Alto
Reconoce que las herramientas de IA adaptan
el ritmo de las actividades a sus necesidades
de estudio.
27
(41,5%)
13
(20,0%)
25
(38,5%)
0 (0,0%)
4,03
Alto
Totales
58
(44,6%)
26
(20,0%)
46
(35,4%)
0 (0,0%)
4,09
Alto
Fuente: Elaboración propia.
Los
resultados
muestran
una
valoración
favorable por parte de los estudiantes respecto a
la capacidad de las herramientas de inteligencia
artificial para adaptar los contenidos y el ritmo
de
las
actividades
a
sus
necesidades
individuales.
La
media
aritmética
fue
determinada como una valoración alta teniendo
como apreciación (media = 4,09), lo que indica
una percepción positiva sobre el uso de la guía
como recurso de apoyo personalizado. Además,
cerca de siete de cada diez estudiantes señalaron
que
esta
adaptación
ocurre
siempre,
o
casi
siempre
evidenciando
que
esta
función
se
encuentra presente de manera frecuente en sus
experiencias académicas.
Este
resultado
permite
interpretar
que
la
inteligencia
artificial
está
siendo
reconocida,
principalmente
por
su
capacidad
para
ofrecer
experiencias y aprendizajes más ajustadas a las
características y ritmos de cada estudiante. La
valoración
alta
constituye
una
fortaleza
de
la
personalización del aprendizaje, ya que refleja
que
los
participantes
perciben
una
mayor
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 182
correspondencia
entre
las
actividades
propuestas y sus necesidades educativas, a pesar
de
ello
el
resultado
también
muestra
que
la
adaptación
no
se
presenta
con
la
misma
intensidad
en
todos
los
casos,
por
lo
que
su
efectividad
puede
depender
del
tipo
de
herramienta
utilizada,
de
la
frecuencia
de
interacción y de la manera en que se incorporan
estos
recursos
al
proceso
formativo.
Esta
dimensión
sirve
como
base
para
analizar
la
retroalimentación
personalizada, debido
a que
la
adaptación
de
contenido
requiere
información sobre el desempeño del estudiante.
Tabla 3.
Retroalimentación personalizada (Personalización del aprendizaje mediante IA).
Indicador
Alternativas de respuesta
Media Aritmética
S
Fr(%)
CS
Fr(%)
AV
Fr(%)
CN
Fr(%)
N
Fr(%)
Valor
Categoría
3. Recibe retroalimentación oportuna
sobre su desempeño académico a través
de herramientas de IA.
17 (26,2%)
25 (38,5%)
21
(32,3%)
0 (0,0%)
2 (3,1%)
3,85
Alto
Totales
17 (26,2%)
25 (38,5%)
21
(32,3%)
0 (0,0%)
2 (3,1%)
3,85
Alto
Fuente: Elaboración propia.
Un
comportamiento
similar
se
observa
en
la
dimensión
retroalimentación
personalizada
cuya
valoración
alcanzó
una
media
de
(3,85)
ubicada en la categoría alta, es por ello que el
resultado
evidencia
que
la
mayoría
de
los
estudiantes consideran que las herramientas de
inteligencia
artificial,
proporcionan
orientaciones o respuestas relacionadas con su
desempeño académico, la valoración
obtenida
confirma una tendencia favorable hacia el uso
de
la
IA
como
mecanismo
de
apoyo
para
identificar
errores,
aclarar
dudas
y
recibir
información
útil
durante
el
desarrollo
de
las
actividades de aprendizaje .
A
pesar
de
ello,
conviene
destacar
que
un
pequeño grupo de estudiantes (3,1%) manifestó
no recibir nunca retroalimentación oportuna a
través de estas herramientas, lo que indica que
el
aprovechamiento
de
esta
función
no
es
todavía
completamente
homogéneo
entre
el
estudiantado
y
que
existe
un
margen
para
fortalecer su uso. A partir de este resultado es
necesario examinar el uso de sistemas de tutoría
inteligente, en vista de que estos pueden ampliar
la
orientación
personalizada
mediante
interacciones más continuas y específicas.
Tabla 4.
Sistemas de tutoría inteligente (Personalización del aprendizaje mediante IA).
Indicador
Alternativas de respuesta
Media Aritmética
S
Fr(%)
CS
Fr(%)
AV
Fr(%)
N
Fr(%)
Valor
Categoría
4. Utiliza tutores o asistentes virtuales basados
en IA como apoyo en su proceso de
aprendizaje.
14 (21,5%)
16 (24,6%)
19 (29,2%)
16 (24,6%)
3,18
Medio
5. Encuentra orientación para resolver tareas
académicas mediante el uso de IA.
27 (41,5%)
17 (26,2%)
21 (32,3%)
0 (0,0%)
4,09
Alto
Totales
41 (31,5%)
33 (25,4%)
40 (30,8%)
16 (12,3%)
3,64
Alto
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 183
La
dimensión
sistemas
de
tutoría
inteligente
alcanzó
una
valoración
de
(3,64)
situándose
igualmente en la categoría alta; sin embargo, al
observar
sus
dos
indicadores
por
separado
aparece
una
diferencia
que
merece
atención.
Considerando que la orientación para resolver
tareas
académicas
mediante
inteligencia
artificial
alcanzó
una
valoración
de
(media=4,09),
ubicada
en
la
categoría
alta,
mientras
que
el
uso
específico
de
tutores
o
asistentes virtuales apenas alcanzó la categoría
media (media = 3,18), con casi una cuarta parte
de
los
estudiantes
(24,6%)
que
reconoció
no
utilizarlos
nunca.
La
diferencia
entre
ambos
indicadores
muestra
que
los
estudiantes
recurren
con
mayor
frecuencia
a
la
IA
para
obtener ayuda puntual que para utilizar sistemas
tutoriales
de
manera
sistemática.
Esto
representa
una
fortaleza
en
cuanto
a
la
disponibilidad
de
orientación
inmediata
para
resolver
actividades,
pero
también
evidencia
una debilidad relacionada con el bajo nivel de
incorporación
de tutores y asistentes virtuales
como
recursos
permanentes
de
acompañamiento. El resultado puede asociarse
con
un
conocimiento
limitado
de
estas
herramientas, una baja, frecuencia de uso o la
ausencia de estrategias académicas que orientan
su integración.
Tabla 5.
Planificación (Autorregulación académica).
Indicador
Alternativas de respuesta
Media Aritmética
S
Fr(%)
CS
Fr(%)
AV
Fr(%)
N
Fr(%)
Valor
Categoría
6. Establece metas claras de aprendizaje con
apoyo de herramientas de IA.
16
(24,6%)
16
(24,6%)
19
(29,2%)
14
(21,5%)
3,31
Medio
7. Organiza su tiempo de estudio con ayuda
de herramientas de IA.
12
(18,5%)
18
(27,7%)
20
(30,8%)
15
(23,1%)
3,18
Medio
Totales
28
(21,5%)
34
(26,2%)
39
(30,0%)
29
(22,3%)
3,25
Medio
Fuente: Elaboración propia.
Al
pasar
a
la
segunda
variable
de
estudio,
la
dimensión
planificación
obtuvo
un
valor
de
3,25,
ubicada
en
la
categoría
media.
Este
resultado evidencia que el uso de herramientas
de inteligencia artificial para establecer metas
de
aprendizaje,
organizar
actividades
y
distribuir
el
tiempo
de
estudio
todavía
no
se
encuentra
plenamente
consolidado
entre
los
estudiantes. Dado que aproximadamente uno de
cada cinco estudiantes señaló que nunca utiliza
herramientas
de
inteligencia
artificial
para
establecer metas de aprendizaje u organizar su
tiempo
de
estudio,
lo
que
evidencia
un
uso
menos
consolidado
de
la
IA
en
las
etapas
iniciales
del
proceso
autorregulatorio,
en
comparación con lo observado en la variable de
personalización.
Esto
sugiere
que
los
estudiantes
tienen
utilizar
la
tecnología,
principalmente
cuando
necesitan
recibir
información o resolver una tarea, pero recurre
menos
a
ella
para
anticipar
sus
objetivos,
organizar sus responsabilidades y estructurar su
proceso
de
estudio,
pese
a
ello
la
principal
dificultad se encuentra en la transformación de
la
IA
en
una
herramienta
de
planificación
intencional.
De
manera
muy
cercana,
la
dimensión monitoreo y supervisión registró una
valoración
de
(3,29)
también
dentro
de
la
categoría media. Esta valoración indica que los
estudiantes
utilizan
inteligencia
artificial
de
manera
moderada
para
revisar
su
progreso
académico, identificar dificultades y ajustar sus
estrategias
de
estudio.
El
resultado
refleja
la
existencia de prácticas de seguimiento, aunque
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 184
estas
todavía
no
se
desarrollan
de
forma
constante
ni
constituyen
un
procedimiento
habitual para la mayoría de los participantes. La
puntuación
obtenida
evidencia
que
la
IA
es
aprovechada de manera limitada para analizar el
avance personal y tomar decisiones durante el
proceso
de
aprendizaje,
a
diferencia
de
su
función como fuente de orientación inmediata
su uso para supervisar el desempeño exige una
participación
más
activa
del
estudiante
quien
debe
interpretar
la
información
recibida
y
utilizarla para modificar sus estrategias.
Tabla 6.
Monitoreo y supervisión (Autorregulación académica)
Indicador
Alternativas de respuesta
Media Aritmética
S
Fr(%)
CS
Fr(%)
AV
Fr(%)
N
Fr(%)
Valor
Categoría
8. Supervisa su propio progreso académico
mediante el uso de IA.
12
(18,5%)
21
(32,3%)
20
(30,8%)
12
(18,5%)
3,32
Medio
9. Ajusta sus estrategias de estudio a partir
de los resultados obtenidos con apoyo de IA.
12
(18,5%)
23
(35,4%)
15
(23,1%)
15
(23,1%)
3,26
Medio
Totales
24
(18,5%)
44
(33,8%)
35
(26,9%)
27
(20,8%)
3,29
Medio
Fuente: Elaboración propia.
Por ello, la categoría media representa un nivel
de
desarrollo
parcial,
pues
en
sus
resultados
existe
reconocimiento
de
la
utilidad
de
estas
herramientas,
pero
no
una
integración
sistemática en autorregulación académica. Esta
situación
conduce
al
análisis
de
la
autoevaluación
y
la
reflexión
dimensión
que
permite
determinar
si
los
estudiantes
valoran
críticamente sus aprendizajes y resultados.
Tabla 7.
Autoevaluación y reflexión (Autorregulación académica).
Indicador
Alternativas de respuesta
Media Aritmética
S
Fr(%)
CS
Fr(%)
AV
Fr(%)
N
Fr(%)
Valor
Categoría
10. Reflexiona sobre los aprendizajes y
resultados obtenidos gracias al uso de IA.
16 (24,6%)
17 (26,2%)
14 (21,5%)
18 (27,7%)
3,2
Medio
Totales
16 (24,6%)
17 (26,2%)
14 (21,5%)
18 (27,7%)
3,2
Medio
Fuente: Elaboración propia.
Por
último,
la
dimensión
autoevaluación
y
reflexión
presentó
la
media
más
baja
del
conjunto
de
dimensiones
analizadas
con
una
valoración de (3,20), manteniéndose dentro de
la categoría media. Este resultado muestra que
el
uso
de
la
inteligencia
artificial
para
reflexionar
sobre
los
aprendizajes,
valorar
los
resultados y reconocer aspectos de mejora, es
menos frecuente que su utilización para adaptar
contenidos, recibir retroalimentación u obtener
ayuda en las tareas. Sumado a ello, más de una
cuarta parte de los estudiantes específicamente
el
(27,7%)
indicó
no
reflexionar
nunca
sobre
sus
aprendizajes
ni
sobre
los
resultados
obtenidos
a
partir
de
la
información
que
les
proporciona
la
inteligencia
artificial,
lo
que
posiciona a esta dimensión como la de menor
desarrollo dentro de la variable autorregulación
académica.
Este
hallazgo
evidencia
una
debilidad
en
la
dimensión
reflexiva
de
la
autorregulación
académica,
debido
a
que
los
estudiantes
parecen
utilizar
la
guía,
principalmente
como
un
recurso
externo
que
facilita
la
resolución
de
actividades,
pero
en
menor
medida
como
apoyo
para
analizar
sus
propios
procesos
cognitivos
y
valorar
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 185
críticamente su desempeño.
La comparación
conjunta
evidencia
una
diferencia
sostenida
entre
las
variables,
teniendo
en
cuenta
que
la
personalización
del
aprendizaje
mediante,
ya
alcanzó
una
media
general
de
3,86
correspondiente a la categoría alta, mientras que
la
autorregulación
académica
obtuvo
3,26
ubicada en la categoría media. La distancia de
0,60
puntos
no
debe
interpretarse
como
una
relación
casual,
pero
si
como
un
patrón
descriptivo claro. Debido a que los resultados
demuestran que los estudiantes reconocen con
mayor
intensidad
las
funciones
mediante
las
cuales
la
IA,
adapta
contenidos,
ritmos
y
orientaciones,
mientras
que
muestran
una
incorporación más moderada de la herramienta
en la planificación, el seguimiento y la reflexión
sobre su propio aprendizaje.
El
patrón
permite
distinguir
dos
formas
de
relación con la IA en la primera el estudiante
recibe
un
servicio
de
apoyo
externo,
que
organiza información y adapta actividades, en
tanto
que
en
la
segunda
debe
emplear
la
herramienta
para
establecer
metas,
interpretar
evidencias
y
modificar
conscientemente
sus
estrategias.
Los
datos
muestran
mayor
consolidación
de
la
primera
forma
que
de
la
segunda, reflejando esta diferencia es coherente
con
la
naturaleza
de
las
funciones
analizadas
porque personalizar contenidos puede requerir
una interacción breve con el sistema, mientras
que autorregularse, exige continuidad, juicio y
participación del estudiante.
Los resultados obtenidos permiten sostener que
la inteligencia artificial está siendo incorporada
por
los
estudiantes,
principalmente
como
un
recurso de apoyo externo para facilitar y adaptar
las actividades académicas. La valoración alta
de
la
adaptación
de
contenidos
y
ritmos
de
aprendizaje junto con la percepción
favorable
de
la
retroalimentación
personalizada.
Evidencia que los participantes reconocen una
utilidad
concreta
en
aquellas
funciones
que
responden
de
manera
inmediata
a
sus
necesidades educativas. Este hallazgo coincide
con Aparicio y Aparicio (2024) quienes señalan
que
los
sistemas
de
aprendizaje
adaptativo
pueden ajustar los contenidos y las actividades
de acuerdo con las características individuales
del estudiante. De manera semejante Beltrán et
al.
(2025)
sostienen
que
la
integración
de
la
inteligencia
artificial
con
el
aprendizaje
adaptativo
favorece
experiencias
formativas
más
flexibles
e
inclusiva,
siempre
que
su
aplicación
se
encuentra
respaldada
por
condiciones
pedagógicas
e
institucionales
adecuadas.
En
este
sentido,
la
media
alta
alcanzada
en
adaptación
de
contenidos
y
ritmos
de
aprendizaje constituye uno de los hallazgos más
relevantes
del
estudio
porque
muestra
que
la
personalización es la función de la inteligencia
artificial. Con mayor reconocimiento entre los
encuestados.
Esta
tendencia
puede
explicarse
por
el
carácter
visible
y
práctico
de
dicha
herramienta,
dado
que
los
estudiantes
pueden
percibir
con
facilidad
los
cambios
en
la
presentación
de
la
información,
el
nivel
de
dificultad o la velocidad de desarrollo de una
actividad.
Asimismo,
la
retroalimentación
personalizada obtuvo una valoración alta, lo que
confirma
que
la
inmediata
de
las
respuestas
representa
un
beneficio
importante
para
los
procesos
formativos.
Respecto
a
esto
Cuevas
(2025) plantea que la retroalimentación apoya
en la inteligencia artificial, puede fortalecer la
motivación
y
favorecer
aprendizajes
más
significativos cuando se integra dentro de una
estrategia
de
evaluación
formativa.
Por
otra
parte, los resultados relativos a los sistemas de
tutoría
inteligente
muestran
una
diferencia
importante
entre
recibir
orientación
puntual
y
utilizar
asistentes
virtuales
de
manera
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 186
sistemática.
Los
estudiantes
valoran
favorablemente
la
ayuda
de
la
inteligencia
artificial
para
resolver
tareas,
aunque
el
uso
específico
de
tutores
virtuales
presenta
una
valoración
menor.
Esta
diferencia
permite
interpretar
que
las
tecnologías
se
utilizan
principalmente
para
atender
necesidades
inmediatas
y
concretas,
pero
todavía
no
se
encuentra
plenamente
integrada
como
un
mecanismo
permanente
de
acompañamiento
académico. Tal situación guarda relación con lo
expuesto
por
Lossio
et
al.
(2025)
quién
es
identifican
que
los
sistemas
tutoriales
pueden
contribuir
a
la
personalización
y
a
la
retroalimentación,
aunque
su
implementación
requiere planificación,
seguimiento y criterios
claros de uso. En consecuencia, el resultado no
evidencia un rechazo hacia la tutoría inteligente,
sino
una
incorporación
parcial
de
sus
posibilidades, dentro de las prácticas habituales
de los estudiantes.
A diferencia de los resultados observados en la
personalización
de
aprendizaje.
Las
dimensiones vinculadas con la autorregulación
académica se ubicaron en la categoría media. La
planificación, el monitoreo y la supervisión, así
como la autoevaluación y la reflexión presentan
niveles
inferiores
de
utilización
de
la
inteligencia artificial. Esta diferencia indica que
los estudiantes recurren con mayor frecuencia a
la tecnología, cuando esta les ofrece contenidos,
respuestas
u
orientaciones,
pero
la
emplean
como menor frecuencia para establecer metas,
controlar su progreso y valorar críticamente sus
propios
aprendizajes.
El
hallazgo
resulta
coherente
con
el
planteamiento
de
Panadero
(2022),
quien
explica
que
la
autorregulación
exige una participación activa del estudiante en
la planificación, ejecución y evaluación de su
proceso
formativo.
Desde
esta
perspectiva,
la
inteligencia
artificial
puede
proporcionar
información
útil,
pero
el
desarrollo
de
la
autorregulación
depende
de
la
capacidad
del
estudiante
para
interpretar
esa
información
y
transformarla
en
decisiones
conscientes
sobre
su
aprendizaje.
La
valoración
media
de
la
planificación
sugiere
que
la
inteligencia
artificial
aún
no
se
ha
consolidado
como
una
herramienta para organizar sistemáticamente el
tiempo,
establecer
objetivos
y
anticipar
las
actividades
académicas.
Del
mismo
modo,
el
nivel
medio
del
monitoreo
y
la
supervisión
evidencia
que
los
estudiantes
no
utilizan
de
manera constante la información generada por
estas para modificar sus estrategias de estudio.
Esta
situación
puede
relacionarse
con
una
práctica tecnológica
centrada en la resolución
de
tareas
y
no
necesariamente
en
la
gestión
integral
de
aprendizaje.
En
apoyo
de
esta
interpretación Núñez et al. (2024) sostienen que
la
inteligencia
artificial
puede
fortalecer
la
autonomía y el aprendizaje generativo, aunque
su
contribución
depende
del
desarrollo
de
competencias que permitan interactuar con ella
de forma crítica y reflexiva.
La autoevaluación y la reflexión constituyeron
a
dimensión
con
menor
valoración,
lo
que
representa
un
aspecto
especialmente
significativo.
Dentro
del
análisis
la
reflexión
requiere
que
el
estudiante
examine
sus
decisiones, reconozca sus avances, identifique,
dificultades y establezca acciones de mejora. En
este caso la frecuencia con que los participantes
utilizan la inteligencia artificial para estos fines
indica
que
todavía
predomina
un
uso
instrumental
de
la
tecnología.
Esta
tendencia
coincide
con
Filgueira
y
Berlanga
(2026)
quienes
advierten
qué
herramientas
como
ChatGPT
pueden
apoyar
la
búsqueda
de
información
y
la
resolución
de
problemas,
aunque
también
pueden
generar
dependencia
cuando
el
estudiante
delega,
procesos
intelectuales
que
debería
formar
parte
de
su
propia
experiencia
formativa.
La
diferencia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 187
general entre la personalización del aprendizaje
y la autorregulación académica también permite
analizar
el
papel
del
docente
dentro
de
estos
procesos.
Respecto
a
que
la
inteligencia
artificial
parece
tener
mayor
impacto
cuando
actúa
como
mediadora
de
contenidos
y
actividades,
mientras
que
su
contribución
disminuya cuando se requiere una participación
autónoma y reflexiva del estudiante. Por ello, la
intervención docente continúa siendo necesaria
para orientar el uso de estas herramientas hacia
propósitos
formativos
más
complejos.
Posso
(2025) sostiene que el docente debe asumir un
papel
estratégico
en
la
orientación
de
aprendizaje,
el
desarrollo
de
habilidades
y
la
formación
ética
en
contextos
mediados
por
inteligencia artificial. Del mismo modo, Lopez
et
al.
(2025)
destacan
la
importancia
de
la
formación
docente
para
fortalecer
las
competencias digitales y lograr una integración
pedagógica
pertinente.
Sosteniendo
que
los
hallazgos de la presente investigación respaldan
en esta perspectiva, ya que el desarrollo de la
autorregulación
no
parece
producirse
automáticamente
por
la
sola
presencia
de
herramientas tecnológicas.
Desde una perspectiva educativa, los resultados
sugieren
que
la
inteligencia
artificial
puede
contribuir
de
manera
significativa
a
la
personalización de las experiencias formativas,
pero su incorporación debe avanzar hacia usos
que
favorezcan
la
autonomía
intelectual
y
el
pensamiento reflexivo. Para ello, las actividades
académicas
deberían
incluir
momentos
explícitos
de
planificación,
seguimiento
y
autoevaluación en los que el estudiante utilice
la información generada por la tecnología para
tomar
decisiones
sobre
su
propio
proceso
de
aprendizaje.
En
concordancia
con
lo
anterior,
esta
orientación
coincide
con
Hernández
(2024)
quien
señala
que
la
inteligencia
artificial
aplicada
en
la
evaluación
universitaria
debe
superar la
automatización de la calificación
y
atender
dimensiones
relacionadas
con
la
retroalimentación,
la
tutoría,
la
aceptación
tecnológica
y
la
formación
docente.
En
términos
académicos.
El
aporte
de
estos
resultados
radica
en
mostrar
que
la
utilidad
percibida
de
la
inteligencia
artificial
no
se
distribuye
de
manera
uniforme
entre
las
distintas fases de aprendizaje, pues existe una
mayor apropiación de sus funciones externas y
una
incorporación
todavía
limitada
de
sus
posibilidades autorregulatorias.
En
definitiva,
los
hallazgos
permiten
comprender
que
la
relación
entre
inteligencia
artificial
y
aprendizaje
universitario
no
debe
analizarse únicamente desde la disponibilidad o
frecuencia de uso de las herramientas. También
es necesario considerar el propósito pedagógico
con el que los estudiantes las emplean y el nivel
de
participación
cognitiva
que
mantienen
durante
el
proceso.
La
personalización,
la
retroalimentación
y
la
orientación
representa
fortalezas
claramente
identificadas,
mientras
que la planificación, el monitoreo y la reflexión
requieren una integración más intencionada. En
correspondencia
con
Repiso
(2024)
la
inteligencia artificial debe mantenerse como un
recurso
de
apoyo
y
no,
sustituto
del
juicio
académico. De este modo, la evidencia obtenida
respalda
la
necesidad
de
construir
prácticas
educativas en las que las tecnologías amplíen
las oportunidades de aprendizaje sin reemplazar
la
responsabilidad
del
estudiante,
ni
la
mediación profesional del docente.
Conclusiones
Los
hallazgos
analizados
a
lo
largo
de
la
presente investigación permiten sostener que la
inteligencia
artificial
se
ha
incorporado
a
la
experiencia
formativa
universitaria,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 188
principalmente,
como
un
recurso
capaz
de
personalizar
el
aprendizaje
del
estudiante
ajustando
contenidos,
ritmos
y
formas
de
retroalimentación
a
sus
necesidades
particulares. Esta apropiación, sin embargo, no
se manifiesta con la misma intensidad en todas
las dimensiones del proceso educativo, puesto
que
su
incorporación
en
los
procesos
de
autorregulación académica, entendidos como la
capacidad
del
estudiante
para
planificar,
monitorear
y
evaluar
su
propio
aprendizaje
permanece todavía en una etapa incipiente de
consolidación.
A
partir
de
esta
constatación,
resulta
posible
afirmar
que
la
sola
disponibilidad
de
herramientas tecnológicas no garantiza, por sí
misma,
el
desarrollo
de
competencia
autorregulatorios,
en
la
medida
en
que
dicho
desarrollo
depende
de
factores
pedagógicos,
cognitivos
y
contextuales
qué
transcienden
la
dimensión instrumental de tecnología. En este
sentido, la inteligencia artificial parece ejercer
una influencia más consolidada sobre aquellas
funciones que responden de manera inmediata a
las necesidades del estudiante, mientras que su
contribución disminuye cuando se requiere una
participación más activa, consciente y reflexiva
por parte de quién aprende.
Está diferencia conduce, a su vez, a reconocer
que
la
consolidación
de
una
relación
pedagógicamente
significativa
entre
la
inteligencia
artificial
y
el
aprendizaje
universitario
depende,
en
mayor
medida
del
acompañamiento
docente
que,
del
desarrollo
tecnológico considerado de manera aislada. El
profesorado
conserva,
por
tanto,
un
rol
estratégico
y
insustituible
en
orientación
de
estas herramientas hacia propósitos formativos,
en
tanto
que
su
intervención
permite
contextualizar la información generada por los
sistemas inteligentes y traducirla en decisiones
pedagógicamente
pertinentes.
En
correspondencia
con
el
anterior,
puede
concluirse que los estudiantes reconocen en la
inteligencia
en
la
inteligencia
artificial,
una
herramienta
de
utilidad
para
personalizar
su
aprendizaje,
aunque
su
aprobación,
como
mecanismo
efectivo
de
autorregulación
académica,
continúa
siendo
limitada;
esta
simetría
entre
ambas
dimensiones
constituye,
precisamente, el principal aporte de la presente
investigación, al evidenciar que la influencia de
la
inteligencia
artificial
en
el
aprendizaje
universitario,
no
debe
analizarse
únicamente
desde la disponibilidad o la frecuencia de uso de
las
herramientas,
sino
también
desde
el
propósito pedagógico orienta su empleo y desde
el
nivel
de
participación
cognitiva
y
metacognitiva
que
el
estudiante
sostiene
a
lo
largo de su proceso formativo.
De lo expuesto se desprende la necesidad de que
las
instituciones
de
educación
superior
incorporen,
dentro
de
sus
propuestas
curriculares, estrategias didácticas, que integren
momentos
explícitos
de
planificación,
monitoreo
y
autoevaluación
mediados
por
inteligencia
artificial,
de
manera
que
el
estudiante utiliza la información generada por
estas
herramientas
para
tomar
decisiones
conscientes
sobre
su
propio
proceso
de
aprendizaje.
Sólo
mediante
esta
articulación
intencionada
entre
tecnología
y
mediación
pedagógica
será
posible
transformar
el
uso
instrumental de la inteligencia artificial en un
verdadero
soporte
para
la
autorregulación
del
aprendizaje.
En
términos
finales,
la
evidencia
analizada
permite
afirmar
que
la
inteligencia
artificial
debe
concebirse
como
un
recurso
complementario
al
proceso
de
enseñanza
y
aprendizaje, y no como un sustituto del juicio
académico,
ni
la
mediación
docente.
Esta
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 189
premisa
resulta
indispensable
para
garantizar
que la incorporación de estas tecnologías en la
evaluación y el acompañamiento de aprendizaje
universitario
responda
a
principios
pedagógicos,
éticos
e
institucionales
que
preserven
el
papel
central
del
estudiante
y
el
docente en la construcción de conocimiento.
Referencias Bibliográficas
Acevedo,
M.,
Cabezas,
N.,
La
Serna,
P.,
&
Araujo, S. (2025). Desafíos y oportunidades
de la inteligencia artificial en la educación
superior
latinoamericana:
Una
revisión
sistemática de la literatura. Zenodo, 1(1), 1-
22.
https://doi.org/10.5281/zenodo.15508755
Aparicio,
O.,
&
Aparicio,
W.
(2024).
Innovación
educativa
con
sistemas
de
aprendizaje
adaptativo
impulsados
por
inteligencia
artificial.
Revista
Internacional
de Pedagogía e Innovación Educativa, 4(2),
343-363.
https://doi.org/10.51660/ripie42222
Arias, F. (2012). El proyecto de investigación:
Introducción a la metodología científica (6.ª
ed.).
Episteme.
https://www.researchgate.net/publication/30
1894369_EL_PROYECTO_DE_INVESTI
GACION_6a_EDICION
Ayuso,
D.,
&
Gutiérrez,
P.
(2022).
La
inteligencia
artificial
como
recurso
educativo
durante
la
formación
inicial
del
profesorado. RIED. Revista Iberoamericana
de
Educación
a
Distancia,
25(2),
347-362.
https://doi.org/10.5944/ried.25.2.32332
Beltrán, M., Arcos, A., Viscarra, W., Barahona,
G., & Sánchez, A. (2025). Integración de la
inteligencia
artificial
y
el
aprendizaje
adaptativo
para
personalizar
la
experiencia
educativa.
Revista
Científica
de
Salud
y
Desarrollo
Humano,
6(1),
1882-1914.
https://doi.org/10.61368/r.s.d.h.v6i1.567
Bernal,
C.
(2016).
Metodología
de
la
investigación:
Administración,
economía,
humanidades
y
ciencias
sociales
(4.ª
ed.).
Pearson.
Campoverde,
E.,
&
Campoverde,
M.
(2025).
Desafíos y oportunidades de la inteligencia
artificial
en
la
educación
superior
ecuatoriana.
Ciencia
Latina
Revista
Científica Multidisciplinar, 9(3), 2684-2704.
https://doi.org/10.37811/cl_rcm.v9i3.17896
Cuevas,
H.
(2025).
Evaluación
formativa
e
inteligencia
artificial:
Estrategias
para
un
aprendizaje humano y eficaz. MLS Journals,
2(1),
126-141.
https://www.mlsjournals.com/Pedagogy-
Culture-Innovation/article/view/4153
Filgueira, C., & Berlanga, V. (2026). ChatGPT
en la formación universitaria: Impacto en la
adquisición de competencias en dirección de
empresas
y
marketing.
Edutec.
Revista
Electrónica de Tecnología Educativa, 96, 1-
18.
https://doi.org/10.21556/edutec.2026.96.438
5
Hernández,
N.
(2024).
Inteligencia
artificial
aplicada
a
la
evaluación
educativa
universitaria [Tesis doctoral, Universidad de
Salamanca].
https://hdl.handle.net/10366/159077
Hernández,
R.,
&
Mendoza,
C.
(2018).
Metodología
de
la
investigación:
Las
rutas
cuantitativa,
cualitativa
y
mixta.
McGraw-
Hill.
https://virtual.cuautitlan.unam.mx/rudics/?p
=2612
Holmes,
W.,
Bialik,
M.,
&
Fadel,
C.
(2020).
Artificial intelligence in education: Promises
and implications for teaching and learning.
Center for Curriculum Redesign.
Kroff,
F.
J.,
Coria,
D.
F.,
&
Ferrada,
C.
A.
(2024). Inteligencia artificial en la educación
universitaria:
Innovaciones,
desafíos
y
oportunidades. Revista Espacios, 45(5), 120-
129.
https://revistaespacios.com/a24v45n05/2445
0509.html
Leiva, M., Araya, I., Escobar, R., & Silva, F.
(2026).
Retroalimentación
de
aprendizajes
con
inteligencia
artificial
generativa
en
estudiantes
universitarios.
RIED.
Revista
Iberoamericana
de
Educación
a
Distancia,
29(1),
241-267.
https://doi.org/10.5944/ried.45547
López,
F.,
Angulo,
M.,
&
Sosa,
D.
(2025).
Formación
docente
en
IA
generativa:
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 190
Impacto ético y retos en educación superior.
Alteridad,
20(2),
166-177.
https://www.redalyc.org/journal/4677/4677
82177001/html/
Lossio, P., León, M., Carrasco, G., Puente, E.,
& Holgado, A. (2025). Revisión sistemática
sobre la influencia de la inteligencia artificial
en
los
sistemas
tutoriales
académicos.
Prohominum,
7(4),
416-425.
https://doi.org/10.47606/ACVEN/PH0406
Luckin,
R.,
Holmes,
W.,
Griffiths,
M.,
&
Forcier, L. B. (2021). Intelligence unleashed:
An
argument
for
artificial
intelligence
in
education.
Pearson.
https://oro.open.ac.uk/50104/1/Luckin%20e
t%20al.%20-%202016%20-
Núñez, M., Fernández, A., Díaz, L., & Aguado,
O. (2024). Aprendizaje generativo integral:
Un modelo para la educación superior ante
los
desafíos
de
la
inteligencia
artificial.
European
Public
&
Social
Innovation
Review,
9(1),
1-21.
https://dialnet.unirioja.es/servlet/articulo?co
digo=9861953
Panadero, E. (2022). A review of self-regulated
learning: Six models and four directions for
research.
Frontiers
in
Psychology,
13,
861491.
https://www.frontiersin.org/journals/psycho
logy/articles/10.3389/fpsyg.2017.00422/full
Pintrich, P. (2004). A conceptual framework for
assessing
motivation
and
self-regulated
learning
in
college
students.
Educational
Psychology
Review,
16,
385-407.
https://doi.org/10.1007/978-1-4419-1428-
6_28
Posso, R. (2025). El rol del docente en la era de
la
inteligencia
artificial:
Del
transmisor
de
contenido al desarrollador de habilidades y
valores del siglo XXI. MENTOR Revista de
Investigación Educativa y Deportiva, 4(11),
1-8.
https://doi.org/10.56200/mried.v4i11.10185
Repiso, R. (2024). La inteligencia artificial en
los procesos editoriales y la evaluación por
pares. Revista de Investigación e Innovación
en
Ciencias
de
la
Salud,
6(2),
1-4.
https://doi.org/10.46634/riics.317
Salas,
S.
Z.,
Xiao,
K.,
&
Oshima,
J.
(2022).
Artificial intelligence and learning analytics
in
teacher
education:
A
systematic
review.
Education
Sciences,
12(8),
569.
https://doi.org/10.3390/educsci12080569
Salas-Pilco,
S.
Z.,
Xiao,
K.,
&
Oshima,
J.
(2022).
Artificial
intelligence
and
new
technologies
in
inclusive
education
for
minority
students:
A
systematic
review.
Sustainability,
14(20),
13572.
https://doi.org/10.3390/su142013572
Valderrama,
G.,
Vallejo,
H.,
Lourdes,
E.,
&
Lara, D. (2025). Impacto de la inteligencia
artificial
en
la
transformación
de
los
procesos
de
enseñanza-aprendizaje
en
la
educación superior. Revista Tribunal, 5(12),
1-20.
https://doi.org/10.59659/revistatribunal.v5i1
2.190
Zimmerman,
B.
(2000).
Attaining
self-
regulation:
A
social
cognitive
perspective.
En
M.
Boekaerts,
P.
R.
Pintrich,
&
M.
Zeidner (Eds.), Handbook of self-regulation
(pp.
13-39).
Academic
Press.
https://doi.org/10.1016/B978-012109890-
2/50031-7
Zimmerman,
B.
(2002).
Becoming
a
self-
regulated learner: An overview. Theory Into
Practice,
41(2),
64-70.
https://doi.org/10.1207/S15430421TIP4102
_
.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0
Internacional.
Copyright
©
Joselyn
Darleny
Pozo
Ponce,
Larissa
Pierina
Quintana
Peña,
Giovanna
Milena
Chavez
Arteaga,
Alejandro
Sebastián
Baque
Muñoz
y
Carlos
Alexander
Chiluisa Millingalli.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 191
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Joselyn Darleny Pozo Ponce: 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.
Larissa Pierina Quintana Peña: 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.
Giovanna Milena Chavez Arteaga: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del proyecto
investigativo y revisión editorial del manuscrito antes de su publicación.
Alejandro Sebastián Baque Muñoz: 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.
Carlos Alexander Chiluisa Millingalli: 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.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 7.2
Edición Especial UTEQ 2026
Página 192
