Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 83
PERCEPCIÓN ESTUDIANTIL SOBRE EVALUACIÓN DE COMPETENCIAS
AUTOMOTRICES CON INTELIGENCIA ARTIFICIAL EN EL SIMULADOR ELECTUDE:
ESTUDIO PILOTO
STUDENT PERCEPTION OF AUTOMOTIVE SKILLS ASSESSMENT WITH ARTIFICIAL
INTELLIGENCE IN THE ELECTUDE SIMULATOR: PILOT STUDY
Autores: ¹Galo Fernando Recalde Tugumbango, ²Santiago José Chele Delgado.
¹ORCID ID: https://orcid.org/0009-0006-8772-9831
²ORCID ID: https://orcid.org/0009-0000-4751-6707
¹E-mail de contacto: grecaldet@gmail.com
²E-mail de contacto: scheled@unemi.edu.ec
Afiliación:¹*²*Universidad Estatal de Milagro, (Ecuador).
Articulo recibido: 30 de Agosto del 2026.
Articulo revisado: 1 de Septiembre del 2026.
Articulo aprobado: 1 de Septiembre del 2026.
¹Ingeniero en Ingeniería Automotriz, graduado de la Universidad de las Fuerzas Armadas ESPE, (Ecuador). Maestrante de la Maestría en
Inteligencia Artificial para la Educación, en la Universidad Estatal de Milagro, (Ecuador).
²Licenciado en Educación Media, especialización Física y Matemáticas de la Universidad Estatal de Guayaquil, (Ecuador), con 20 años
de experiencia laboral. Ingeniero en Estadística e Informática de la Universidad, graduado de la Escuela Superior Politécnica del Litoral,
Guayaquil, (Ecuador). Magíster en Educación y mención en Modelos Educativos de la Universidad Tecnológica Empresarial de
Guayaquil, (Ecuador). Doctorante en Educación superior y mención en Educación de la Universidad César Vallejo, Piura, (Perú).
Resumen
El presente estudio tiene como objetivo evaluar
competencias procedimentales en mecánica
automotriz con criterios objetivos es un
problema sin resolver en los institutos
tecnológicos ecuatorianos. Los docentes
interpretan los registros del simulador Electude
con criterios propios y no estandarizados, lo
que genera inconsistencias evaluativas que el
estudiante no puede anticipar ni comprender.
Este estudio diseñó y aplicó el Cuestionario de
Percepción sobre Evaluación de Competencias
en Simuladores con Inteligencia Artificial
(CPECSIA) para medir la percepción de 25
estudiantes de Autotrónica, Electrotecnia
Automotriz y Electricidad Automotriz de un
instituto de educación superior de la provincia
de Pichincha, Ecuador, sobre la evaluación de
competencias técnicas mediada por
inteligencia artificial en ese simulador. El
enfoque fue cuantitativo, con diseño no
experimental descriptivo-exploratorio y corte
transversal. El instrumento, de 30 ítems
distribuidos en tres dimensiones, alcanzó un
alfa de Cronbach global de 0.965 con intervalos
de confianza al 95% de ancho inferior a 0.04,
lo que confirma su consistencia interna. La
Dimensión 1 enfocada en la interacción con el
simulador, fue la mejor valorada (M = 3.492,
nivel Alto), mientras que las Dimensiones 2 y
3 referentes a evaluación automática y
confianza en IA permanecieron en nivel
Moderado (M = 3.352 y M = 3.204). Los
estudiantes distinguen con claridad entre usar
el simulador y confiar en que los evalúa bien,
donde la primera experiencia es cotidiana y la
segunda les resulta opaca. Esa brecha
perceptiva, más que un problema técnico, es un
problema de comunicación pedagógica que el
sistema EVAUTO busca resolver mediante
retroalimentación formativa comprensible
generada con aprendizaje automático.
Palabras claves: Percepción estudiantil,
Evaluación, Inteligencia artificial,
Simulador Electude, Competencias
automotrices, Aprendizaje automático.
Abstract
The present study aims to assessing procedural
competencies in automotive mechanics with
objective criteria remains an unsolved problem
in Ecuador's higher technological institutes.
Teachers interpret Electude simulator records
using their own unstandardized criteria,
generating evaluation inconsistencies that
students can neither anticipate nor understand.
This study designed and applied the
Questionnaire on Perceptions of Competency
Assessment in Simulators with Artificial
Intelligence (CPECSIA) to measure the
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 84
perceptions of 25 students enrolled in
Autotronics, Automotive Electrotechnics, and
Automotive Electricity courses at a higher
technological institute in Pichincha province,
Ecuador, regarding AI-mediated technical
competency assessment in that simulator. The
study used a quantitative approach with a non-
experimental descriptive-exploratory design
and cross-sectional data collection. The 30-
item instrument, distributed across three
dimensions, achieved a global Cronbach's
alpha of 0.983 with 95% confidence intervals
narrower than 0.04, confirming its internal
consistency. Dimension 1 simulator interaction
was the highest rated (M = 3.492, High level);
Dimensions 2 and 3 automatic assessment and
AI trust remained at Moderate level (M = 3.352
and M = 3.204). Students clearly distinguish
between using the simulator and trusting that it
evaluates them well: the first experience is
routine; the second feels opaque to them. That
perceptual gap, more than a technical problem,
is a pedagogical communication problem that
the EVAUTO system addresses through
comprehensible formative feedback generated
with machine learning.
Keywords: Student perception, Artificial
intelligence assessment, Electude simulator,
Automotive competencies, Machine
learning.
Sumário
A avaliação de competências procedimentais
em mecânica automotiva com critérios
objetivos é um problema não resolvido nos
institutos tecnológicos equatorianos. Os
docentes interpretam os registros do simulador
Electude com critérios próprios e não
padronizados, o que gera inconsistências
avaliativas que o estudante não consegue
antecipar nem compreender. Este estudo
desenvolveu e aplicou o Questionário de
Percepção sobre Avaliação de Competências
em Simuladores com Inteligência Artificial
(CPECSIA) para medir a percepção de 25
estudantes das áreas de Autotrônica,
Eletrotécnica Automotiva e Eletricidade
Automotiva de um instituto de ensino superior
na província de Pichincha, Equador, sobre a
avaliação de competências técnicas mediada
por inteligência artificial nesse simulador. A
abordagem foi quantitativa, com delineamento
não experimental descritivo-exploratório e
corte transversal. O instrumento, composto por
30 itens distribuídos em três dimensões,
alcançou um alfa de Cronbach global de 0,965,
com intervalos de confiança de 95% e
amplitude inferior a 0,04, o que confirma sua
consistência interna. A Dimensão 1, focada na
interação com o simulador, foi a mais bem
avaliada (M = 3,492; nível Alto), enquanto as
Dimensões 2 e 3, referentes à avaliação
automática e à confiança na IA, situaram-se em
nível Moderado (M = 3,352 e M = 3,204). Os
estudantes distinguem claramente entre usar o
simulador e confiar que ele os avalia bem; a
primeira experiência é cotidiana, enquanto a
segunda lhes parece opaca. Essa lacuna de
percepção, mais do que um problema técnico, é
um problema de comunicação pedagógica que o
sistema EVAUTO busca resolver por meio de
feedback formativo compreensível, gerado com
aprendizado de máquina.
Palavras-chave: Percepção estudantil,
Avaliação com inteligência artificial,
simulador Electude, competências
automotivas, Aprendizado de máquina.
Introducción
La formación técnica en el área automotriz
constituye un pilar para el desarrollo económico
y tecnológico de la sociedad actual, de la mano
con la incorporación de profesionales capaces
de enfrentar los desafíos que presentan los
sistemas vehiculares modernos (Bautista y
Maliza, 2025). Esta exigencia se intensifica en
un campo que ha dejado atrás su concepción
puramente mecánica para convertirse en uno
multidisciplinario, donde convergen la
electrónica, el control computarizado y el
diagnóstico asistido por software, lo que ha
obligado a las instituciones de educación
superior tecnológica a renovar sus estrategias
didácticas y sus mecanismos de evaluación
mediante la incorporación de simuladores
virtuales. Electude se ha consolidado como uno
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 85
de los entornos digitales más utilizados en la
formación automotriz a nivel mundial, gracias a
un enfoque basado en simulación, gamificación
y aprendizaje interactivo, cuyo diseño modular
permite que los estudiantes desarrollen
competencias procedimentales mediante
actividades prácticas guiadas (Bautista y
Maliza, 2025).
La amplia adopción de la plataforma no ha
generado, sin embargo, evidencia científica
equivalente sobre su funcionamiento como
instrumento de medición de competencias.
Arias et al. (2024) reconocen, tras una revisión
documental, que los estudios dedicados
específicamente a Electude son escasos, lo cual
contrasta con el alcance de una plataforma que
ofrece a docentes y estudiantes un entorno de
aprendizaje virtual con un plan de estudio
integral para el diagnóstico, mantenimiento y
reparación de sistemas eléctricos de vehículos
ligeros y convencionales. La mayor parte de los
trabajos publicados se ha enfocado en medir la
aceptación estudiantil o el efecto del simulador
sobre el rendimiento académico general, sin
responder a una pregunta metodológicamente
más exigente: si los indicadores que el propio
simulador reporta, es decir puntuación, tiempo
invertido y número de intentos tienen capacidad
real para diagnosticar el nivel de dominio
técnico de cada estudiante (Sánchez y García,
2026). Esa pregunta importa, porque de su
respuesta depende que un docente pueda confiar
en el simulador como apoyo objetivo al proceso
evaluativo, y no únicamente como recurso de
práctica.
El aprendizaje automático supervisado ofrece
una vía concreta para responder esa pregunta, y
su potencial en entornos de simulación técnica
ya tiene antecedentes publicados. Munim et al.
(2025) desarrollaron un panel de analítica del
aprendizaje para el entrenamiento en
simuladores marítimos, en el que entrenaron 58
algoritmos a partir de los registros generados
por el simulador y concluyeron que el uso de
aprendizaje automático abre una dirección
nueva para la evaluación del entrenamiento en
simulación. Si ese potencial se confirma en el
dominio de la mecánica automotriz, el beneficio
sería concreto: los docentes contarán con un
instrumento diagnóstico capaz de
complementar su juicio evaluativo, y la
literatura ganaría evidencia empírica original
sobre una plataforma que apenas ha comenzado
a ser examinada en el contexto de la educación
tecnológica latinoamericana.
Fuentes et al. (2025) documentan que a pesar de
que el sistema educativo ecuatoriano ha ido
cambiando, aún enfrenta una adopción desigual
al momento de la integración sistemática de
herramientas tecnológicas y de inteligencia
artificial en la formación técnica, por factores
como la escasa capacitación docente y
limitaciones de infraestructura tecnológica.
Este estudio tiene como objetivo analizar la
percepción de estudiantes de mecánica
automotriz sobre la evaluación de competencias
técnicas mediada por inteligencia artificial en el
simulador Electude, mediante la aplicación
piloto del Cuestionario de Percepción sobre
Evaluación de Competencias en Simuladores
con Inteligencia Artificial (CPECSIA),
instrumento diseñado específicamente para este
contexto.
La medición se organiza en tres dimensiones: la
experiencia de interacción con el simulador
durante las sesiones de práctica, la valoración
de los mecanismos de evaluación automática
del desempeño, y la disposición a ser evaluado
por sistemas basados en inteligencia artificial.
La delimitación de estas tres dimensiones
encuentra respaldo en Nazaretsky et al. (2025)
quienes, en su estudio sobre la naturaleza
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 86
multidimensional de la confianza en tecnología
educativa con IA, desarrollaron y validaron con
665 estudiantes un instrumento que identifica
factores diferenciales relacionados con la
interacción con el sistema, la percepción de su
utilidad evaluativa y la confianza hacia las
decisiones automatizadas, estableciendo que la
percepción estudiantil hacia la IA educativa no
puede reducirse a una dimensión única ya que
requiere medición estructurada en constructos
independientes.
El propósito no es validar el instrumento en
sentido psicométrico confirmatorio, para lo que
se requeriría una muestra sustancialmente
mayor, sino obtener evidencia preliminar sobre
las percepciones predominantes en el grupo y
detectar los ítems que necesitan ajuste antes de
la aplicación definitiva, generando con ello el
diagnóstico de necesidades que fundamenta el
diseño del sistema de evaluación basado en
inteligencia artificial para el análisis de
competencias automotrices (EVAUTO) como
propuesta de solución tecnológico-pedagógica.
La relación entre percepción estudiantil,
tecnología educativa e inteligencia artificial no
es un tema nuevo, pero su exploración en
contextos de formación técnica automotriz con
simuladores específicos sí lo es. La mecánica
automotriz ya no es lo que era. El campo ha
absorbido electrónica, software de diagnóstico
y sistemas de control computarizado hasta el
punto en que formar un técnico competente
exige algo más que enseñarle a usar una llave.
Esa transformación ha empujado a los institutos
de educación superior tecnológica a repensar
cómo se enseña y, sobre todo, cómo se evalúa
(Rumiguano et al., 2025).
La formación técnica en mecánica automotriz
ha experimentado una transformación que va
más allá de la incorporación de nuevas
herramientas, ya que exige rediseñar la forma
en cómo se evalúan las competencias que los
estudiantes desarrollan durante la práctica. En
este contexto, los simuladores virtuales han
ganado terreno como entornos que permiten
reproducir procedimientos técnicos complejos
en condiciones controladas, generando al
mismo tiempo registros automáticos de la
actividad del estudiante que podrían usarse
como evidencia de su nivel de dominio (Vera et
al., 2024). La pregunta que articula este estudio
no es si los simuladores son útiles, porque eso
ya está documentado ampliamente, sino si los
estudiantes perciben que la evaluación que estos
sistemas producen sobre su desempeño es
válida, comprensible y, sobre todo, confiable.
La plataforma Electude se ha consolidado como
uno de los entornos digitales más utilizados en
la formación automotriz a nivel mundial,
gracias a un enfoque basado en simulación,
gamificación y aprendizaje interactivo que
permite desarrollar competencias
procedimentales mediante actividades prácticas
guiadas (Bautista y Maliza, 2025). Sin embargo,
la adopción masiva de una herramienta no
garantiza por sí sola que los datos que genera
sean percibidos como información evaluativa
útil. Almachi et al. (2024) demostraron, con 57
estudiantes de institutos técnicos ecuatorianos,
que la aplicación de Electude incide
positivamente en el rendimiento académico en
electromecánica automotriz; no obstante, su
estudio no exploró si los estudiantes
comprenden qué miden los indicadores
automáticos del sistema ni si confían en ellos
como reflejo de su competencia técnica real.
La percepción estudiantil hacia las tecnologías
de evaluación con inteligencia artificial no
puede tratarse como una variable secundaria.
Chele et al. (2026), en un estudio cuantitativo
con 60 estudiantes de bachillerato en Ecuador,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 87
documentaron que el 81.7% reporta haber
utilizado herramientas de IA en proyectos
académicos, pero que el 48.3% lo hace de forma
ocasional, sin que se haya consolidado una
apropiación pedagógica sistemática; los propios
autores concluyen que la efectividad de estas
herramientas depende de factores como la
capacitación docente, el diseño metodológico y
el nivel de apropiación tecnológica del
estudiante, factores que explican la presencia
significativa de percepciones neutrales en su
muestra. Esta tensión entre disposición hacia la
tecnología y comprensión real de su valor
evaluativo es exactamente la que este estudio
busca explorar en el contexto específico del
simulador Electude.
La heterogeneidad en la percepción estudiantil
sobre las herramientas de IA tiene respaldo
teórico sólido. Moreno et al. (2025) en una
revisión sistemática sobre estrategias
pedagógicas con herramientas de inteligencia
artificial, sostienen que su integración en
educación depende en gran medida de la
mediación pedagógica y el diseño didáctico, y
que su impacto no se manifiesta de forma
uniforme entre estudiantes con distintos niveles
de competencia digital. En esa misma línea,
Meza et al. (2025) señalan que la IA solo se
consolida como estrategia innovadora cuando
su incorporación responde a propósitos
formativos definidos que fortalecen la
autonomía y las habilidades analíticas del
estudiante; cuando ese propósito no está claro
para el estudiante, la herramienta produce
resultados neutros o percibidos como
irrelevantes, que es el patrón que los datos
piloto del CPECSIA detectan en la Dimensión
2 del instrumento. La confianza hacia los
sistemas de evaluación basados en inteligencia
artificial es un constructo multidimensional que
no puede reducirse a una sola escala de
aceptación o rechazo. Nazaretsky et al. (2025)
en el estudio de mayor rigor metodológico
disponible sobre este tema, desarrollaron y
validaron con 665 estudiantes un instrumento
que identifica factores diferenciales
relacionados con la percepción de utilidad del
sistema, la comprensión de cómo funciona y la
disposición a delegar decisiones evaluativas en
él; su hallazgo central es que los estudiantes no
evalúan la IA educativa en bloque, sino que
construyen juicios específicos sobre cada
aspecto del sistema con el que interactúan. Esa
estructura multidimensional es la que
fundamenta las tres dimensiones del CPECSIA:
interacción con el simulador (D1), percepción
sobre la evaluación automática del desempeño
(D2) y confianza en la evaluación basada en
inteligencia artificial (D3).
En las últimas dos décadas, se han propuesto
muchos marcos para evaluar la adopción de
tecnología, Nazaretsky et al. (2025) mencionan
que los más utilizados el Modelo de Aceptación
de Tecnología (TAM) de Davis y su extensión,
la Teoría Unificada de Aceptación y Uso de la
Tecnología (UTAUT), que explican la adopción
de tecnología a través de la expectativa de
rendimiento, la expectativa de esfuerzo y la
influencia social, enfatizando además que han
sido utilizados en contextos educativos para
predecir las intenciones de comportamiento de
los docentes y estudiantes hacia el uso de la
tecnología educativa impulsada por IA.
La preparación para trabajar con IA evaluativa
exige algo más que acceso a la tecnología.
Luckin et al. (2022) argumentan que la
capacidad real de aprovechar herramientas de
inteligencia artificial en educación depende de
que el usuario comprenda qué hace el sistema,
para qué sirven los datos que produce y cómo
esa información se relaciona con sus objetivos
de aprendizaje; sin esa comprensión, la
retroalimentación automática pierde su valor
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 88
formativo independientemente de la precisión
técnica del modelo, lo que sugiere que el
problema no es la evaluación con IA en sí
misma, sino la falta de un componente
pedagógico que traduzca los datos del sistema
en información comprensible y accionable para
el estudiante.
Materiales y Métodos
El estudio adoptó un enfoque cuantitativo
porque lo que se quiere medir, que corresponde
a la percepción de los estudiantes sobre la
evaluación automática en un simulador,
produce datos ordinales que se analizan mejor
con estadística descriptiva que con categorías
interpretativas (Hernández y Mendoza, 2018).
Este enfoque permite recolectar información
numérica de forma sistemática y objetiva,
identificar patrones en las respuestas del grupo
y describir el fenómeno en términos de
frecuencias, medias y dispersión (Calle, 2023).
No hay nada particularmente sofisticado en esa
decisión: el instrumento es una escala Likert,
los datos son números, y el análisis describe lo
que esos números dicen.
El diseño es no experimental de tipo
descriptivo-exploratorio. No se manipuló
ninguna variable ni se aplicó intervención
alguna; los estudiantes respondieron sobre su
experiencia real con el simulador tal como
ocurrió en el semestre (Hernández y Mendoza,
2018). El componente descriptivo permite
caracterizar con detalle estadístico las
percepciones del grupo en cada dimensión del
instrumento. El componente exploratorio
responde a una ausencia concreta en la
literatura: no existen estudios previos que hayan
medido cómo estudiantes de mecánica
automotriz ecuatorianos perciben la evaluación
automática basada en inteligencia artificial en el
simulador Electude (Zawacki et al., 2019), lo
que convierte a este trabajo en un primer
registro empírico de ese fenómeno. El corte es
transversal y la recolección se realizó en un
único momento del semestre, después de que
los estudiantes habían completado sesiones de
práctica con el simulador.
De acuerdo con Hernández y Mendoza (2018),
esa condición de aplicación no es arbitraria, ya
que responde a una experiencia vivida y
produce datos más útiles que responder sobre
una herramienta que apenas se conoce. La
población estuvo conformada por 25
estudiantes de primer, segundo y tercer nivel de
la carrera de Mecánica Automotriz de un
instituto tecnológico superior de la provincia de
Pichincha, Ecuador. La muestra, en cambio se
conformó por los 25 estudiantes ya
mencionados, con edades que oscilan entre los
17 y los 27 años y que provienen de tres
asignaturas del componente técnico automotriz
del instituto: Autotrónica, Electrotecnia
Automotriz y Electricidad Automotriz
La selección fue no probabilística por
conveniencia, basada en la accesibilidad y
disponibilidad de los participantes, criterio
ampliamente aplicado en estudios exploratorios
con poblaciones acotadas donde el objetivo no
es la generalización, sino la generación de
evidencia preliminar (Otzen y Manterola,
2017). Se incluyeron estudiantes activos que
habían usado el simulador al menos en una
sesión. Se excluyeron cuestionarios
incompletos o con patrones de respuesta
incongruentes. El instrumento fue el
Cuestionario de Percepción sobre Evaluación
de Competencias en Simuladores con
Inteligencia Artificial (CPECSIA), con 30 ítems
distribuidos en tres dimensiones: interacción
con el simulador (D1, 10 ítems), percepción
sobre la evaluación automática del desempeño
(D2, 10 ítems) y confianza en la evaluación con
IA (D3, 10 ítems). La escala de respuesta es
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 89
Likert de cinco niveles, de 1 (totalmente en
desacuerdo) a 5 (totalmente de acuerdo). La
separación en tres dimensiones no es arbitraria:
Nazaretsky et al. (2025) demostraron con 665
estudiantes que la percepción hacia tecnología
educativa con IA involucra factores
diferenciales que colapsan si se miden con una
escala única.
La validez de contenido fue revisada por el
investigador principal, evaluando pertinencia,
claridad y representatividad de cada ítem
respecto al constructo que mide. La recolección
de datos se realizó mediante la técnica de la
encuesta, aplicada de forma individual a través
de un formulario digital en Google Forms
durante el horario de clases, y consideraron
todos los estudiantes matriculados en el actual
periodo académico en las tres materias
mencionadas (Hernández y Mendoza, 2018).
El instrumento se aplicó vía Google Forms
durante el horario de clases. El formulario
comenzaba con una cláusula de consentimiento
informado que explicaba el propósito del
estudio, la voluntariedad de la participación, el
anonimato de las respuestas y su uso exclusivo
para fines académicos. No se solicitó ningún
dato de identificación personal. Las respuestas
fueron exportadas en formato de hoja de cálculo
para su análisis. Para el análisis de datos se
utilizó estadística descriptiva: media,
desviación estándar, coeficiente de variación y
distribución de frecuencias por ítem y por
dimensión mediante el software estadístico
SPSS versión 27, versión gratuita de 30 días
(IBM Corp., 2021). Esto para determinar la
relación entre las variables de estudio y
describir con precisión el estado de las
percepciones en el momento de la aplicación y
relacionar los resultados con las dimensiones
teóricas del instrumento.
Resultados y Discusión
Para el tratamiento de las variables, el primer
dato que llama la atención al revisar los
resultados es la confiabilidad con que el
instrumento CPECSIA funciona: el coeficiente
alfa de Cronbach global alcanzó 0.983, con
dimensiones que oscilan entre 0.958 y 0.969.
Esos valores resultan técnicamente aceptables,
ya que superan con amplitud el umbral de 0.80
que se establece como criterio de confiabilidad,
sino que además llegan acompañados de
intervalos de confianza al 95% con anchos
inferiores a 0.04, lo que indica que la estimación
es precisa (Feldt et al., 1987)
La Tabla 1 muestra que las tres dimensiones del
CPECSIA se comportaron de manera
equivalente: D1 y D3 alcanzaron α = 0.969,
mientras D2 obtuvo α = 0.958. A diferencia de
estudios similares sobre percepción hacia IA en
educación, como el de Bosquez Barcenes et al.
(2025), que reporta alfas entre 0.84 y 0.91, los
valores del CPECSIA son superiores. Eso puede
indicar que los ítems miden el constructo con
mayor coherencia interna, aunque alfas
cercanas a 1.0 también pueden reflejar cierto
grado de redundancia entre reactivos, algo que
habrá que examinar con análisis factorial en
aplicaciones con muestras más amplias
(Nunnally y Bernstein, 1994). Fueron
exportadas en formato de hoja de cálculo para
su análisis.
El análisis ítem por ítem confirma que ningún
reactivo representa un problema para el
instrumento. La Tabla 2 recoge la correlación
ítem-total corregida y el alfa que resultaría si
cada ítem fuera eliminado. El rango de
correlaciones va de 0.611 en I7 a 0.965 en I5, y
todos los valores superan el umbral de 0.30 que
Nunnally y Bernstein (1994) establecen como
mínimo para que un ítem sea considerado parte
coherente del constructo.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 90
Tabla 1. Coeficiente alfa de Cronbach por dimensión e instrumento completo.
Escala / Dimensión
Items
(α) Alfa de Cronbach
Interpretación
D1: Interacción con el simulador
10
0.969
Excelente
D2: Evaluación automática del desempeño
10
0.958
Excelente
D3: Confianza en evaluación con IA
10
0.969
Excelente
Escala global (30 ítems)
30
0.965
Excelente
Fuente: Elaboración propia.
El ítem I7, que pregunta si las prácticas en el
simulador generan en el estudiante un nivel de
exigencia similar al que sentiría si estuviera
trabajando en un vehículo real, es el de menor
correlación relativa: ese reactivo captura la
diferencia que sienten los estudiantes entre el
entorno simulado y la vida real. Además, es una
señal de que ese ítem mide algo ligeramente
distinto al resto dentro de su dimensión, lo que
resulta pedagógicamente valioso.
Tabla 2. Estadísticos descriptivos D1: Interacción y experiencia de aprendizaje en el simulador.
Ítem
M
TED %
ED %
NAD %
DA %
TDA %
Nivel
I1
3.44
24%
4%
0%
48%
24%
Alto
I2
3.60
16%
8%
4%
44%
28%
Alto
I3
3.32
24%
8%
4%
40%
24%
Moderado
I4
3.52
20%
4%
0%
56%
20%
Alto
I5
3.64
20%
4%
0%
44%
32%
Alto
I6
3.36
28%
0%
0%
52%
20%
Moderado
I7
3.64
16%
0%
12%
48%
24%
Alto
I8
3.36
20%
4%
12%
48%
16%
Moderado
I9
3.48
20%
4%
12%
36%
28%
Alto
I10
3.56
16%
4%
16%
36%
28%
Alto
Fuente: Elaboración propia.
En la figura 1, es posible observar que los ítems
I5 (M = 3.64) e I7 (M = 3.64) son los mejor
valorados de la dimensión. El ítem I5 refleja que
la posibilidad de practicar sin las restricciones
de tiempo y recursos del taller real es uno de los
aspectos más valorados del simulador, ya que
de acuerdo con Tabla 3, el 76% de los
participantes respondió De acuerdo o
Totalmente de acuerdo. El ítem I7 evidencia en
la tabla 3, que las prácticas generan un nivel de
exigencia percibido como similar al trabajo en
un vehículo real, con el 72% de respuestas
favorables y ningún estudiante en la posición En
desacuerdo. En el otro extremo, I3 (M = 3.32) e
I6 (M = 3.36) permanecen en nivel Moderado.
El ítem I3 es acerca de si el simulador
proporciona información suficiente al cometer
errores, concentra el 24% de respuestas en
Totalmente en desacuerdo y solo el 24% en
Totalmente de acuerdo, lo que indica que la
calidad del feedback ante errores es la
experiencia más heterogénea de esta dimensión.
Ese hallazgo coincide con lo documentado por
Holmes et al. (2022), quienes señalan que los
sistemas de IA para educación tienden a generar
retroalimentación genérica que no se adapta al
error específico del aprendiz.
Figura 1. Medias por ítem D1: Interacción y
experiencia de aprendizaje en el simulador.
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 91
Por otra parte, en la Figura 2 se muestra que el
76% respondió favorablemente (DA + TDA) en
que la interacción y experiencia de aprendizaje
con el simulador contribuye a una formación
adecuada donde es posible poner en práctica los
conocimientos a través de diferentes
simulaciones de problemas que podrían
encontrarse en la vida real, mientras que un 24%
de los estudiantes no perciben como beneficiosa
la práctica en el simulador.
Figura 2. Distribución porcentual de
respuestas Likert D1: Interacción y experiencia
de aprendizaje.
La Dimensión 2 obtuvo M = 3.352, nivel
Moderado. Es la dimensión con mayor variedad
interna: cuatro ítems alcanzan nivel Alto y seis
permanecen en nivel Moderado, lo que refleja
que la percepción sobre los mecanismos de
evaluación automática no es uniforme entre los
participantes.
Ese resultado tiene una explicación pedagógica
identificada en la literatura: la comparación
directa entre evaluación automática y juicio
docente activa en muchos estudiantes una
posición defensiva del rol del profesor,
independientemente de su opinión técnica sobre
la herramienta (Luckin et al., 2022). Lo que el
ítem I15 mide no es confianza en el sistema sino
la comodidad con la que los estudiantes
perciben cuando el docente los está observando
mientras realizan sus prácticas.
Tabla 3. Estadísticos descriptivos D2: Percepción sobre la evaluación automática del desempeño.
Ítem
M
TED %
ED %
NAD %
DA %
TDA %
Nivel
I11
3.36
16%
20%
4%
32%
28%
Moderado
I12
3.40
12%
20%
4%
44%
20%
Moderado
I13
3.20
20%
16%
12%
28%
24%
Moderado
I14
3.36
20%
8%
12%
36%
24%
Moderado
I15
3.12
20%
12%
16%
40%
12%
Moderado
I16
3.44
20%
0%
20%
36%
24%
Alto
I17
3.24
16%
20%
8%
36%
20%
Moderado
I18
3.52
16%
4%
16%
40%
24%
Alto
I19
3.44
20%
4%
16%
32%
28%
Alto
I20
3.44
20%
8%
12%
28%
32%
Alto
Fuente: Elaboración propia.
Los ítems I18 (M = 3.52) e I20 (M = 3.44) según
la figura 3 son los mejor valorados: el primero
indica que la retroalimentación automática al
terminar cada actividad motiva a mejorar; el
segundo, que el historial de prácticas ayuda a
identificar procedimientos con avance o
dificultad. El ítem I15 (M = 3.12) es el de menor
valoración en la dimensión al referirse a si el
registro automático parece más objetivo que la
evaluación docente y cuenta con un 32% de
respuestas en desacuerdo. La Figura 3 muestra
una percepción generalmente favorable sobre la
evaluación automática del desempeño. Los
participantes reconocen ventajas relacionadas
con la rapidez, objetividad y facilidad para
obtener información sobre los resultados. Sin
embargo, algunos aspectos pueden generar
ciertas reservas respecto a la precisión y
confiabilidad de estos sistemas. En conjunto,
los resultados sugieren que la evaluación
automática es valorada como una herramienta
útil, aunque resulta conveniente
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 92
complementarla con la valoración humana para
garantizar una evaluación más integral.
Figura 3. Medias por ítem D2: Percepción
sobre la evaluación automática del desempeño.
Fuente: Elaboración propia.
En la Figura 4, se observa que el 64% de los
estudiantes tiene una percepción positiva de
acuerdo con las características que el simulador
ofrece en cuanto a la información que esté
recopila y cómo la maneja para indicar los
aspectos a mejorar en el diagnostico automotriz,
seguido por un 20% que se mantiene neutro y
un 16% que siente que los indicadores de
desempeño que el simulador ofrece no son
suficientemente claros.
Figura 4. Distribución porcentual de
respuestas Likert D2: Percepción sobre la
evaluación automática del desempeño.
Fuente: Elaboración propia.
Tabla 4. Estadísticos descriptivos D3: Confianza en la evaluación basada en inteligencia artificial.
Ítem
M
TED %
ED %
NAD %
DA %
TDA %
Nivel
I21
3.00
24%
12%
16%
36%
12%
Moderado
I22
3.04
20%
20%
12%
32%
16%
Moderado
I23
3.12
24%
8%
12%
44%
12%
Moderado
I24
3.40
20%
8%
8%
40%
24%
Moderado
I25
3.28
16%
16%
8%
44%
16%
Moderado
I26
3.24
20%
12%
8%
44%
16%
Moderado
I27
3.32
20%
12%
4%
44%
20%
Moderado
I28
3.20
20%
4%
28%
32%
16%
Moderado
I29
3.12
28%
8%
12%
28%
24%
Moderado
I30
3.32
24%
4%
8%
44%
20%
Moderado
Fuente: Elaboración propia.
En la figura 5, el ítem I21 (M = 3.00) es el de
menor valoración de toda la dimensión:
consulta si el estudiante confiaría en una
evaluación generada por IA siempre que el
docente pudiera revisar los resultados. Aun así,
para este mismo ítem de acuerdo con la tabla 5,
el 48% respondió favorablemente (DA + TDA),
y únicamente el 24% en Totalmente en
desacuerdo. El ítem I24 (M = 3.40) en cambio
obtiene la media más alta de D3, mientras que
siguiendo la información de la tabla 5, en este
ítem el 64% de los participantes considera que
un sistema de IA puede detectar patrones en el
proceso de diagnóstico que un docente no
identificaría fácilmente durante la observación
directa. Ese dato demuestra que los estudiantes
no desconfían de la IA porque la perciben como
inferior al docente, sino porque no tienen
suficiente información sobre cómo funciona y
cómo toma sus decisiones. Esa distinción es la
que fundamenta el componente de
alfabetización evaluativa de la propuesta
EVAUTO y coincide con lo que Nazaretsky et
al. (2025) documentan sobre la naturaleza
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 93
multidimensional de la confianza en tecnología
educativa con IA.
Figura 5. Medias por ítem D3: Confianza en la
evaluación basada en inteligencia artificial.
Fuente: Elaboración propia.
En la figura 6, se muestra que un 60% confía en
que una evaluación basada en inteligencia
artificial sea aplicada en su proceso de
aprendizaje, mientras que un 16% mantiene una
postura neutra, dado que no han atravesado por
un proceso evaluativo de este estilo. Sin
embargo, un 24%, no perciben de forma
positiva el hecho de que estas herramientas
tecnológicas sean parte de su formación
estudiantil, tomen decisiones y generen
puntajes sin intervención docente.
Figura 6. Distribución porcentual de
respuestas Likert D3: Confianza en la
evaluación basada en inteligencia artificial.
Fuente: Elaboración propia.
En la tabla 5 presenta el panorama global de las
tres dimensiones. El patrón central es claro: D1
supera el umbral del nivel Alto, mientras D2 y
D3 se ubican en nivel Moderado, ambas con
medias superiores a 3.20.
Tabla 5. Medias, desviaciones y niveles por dimensión: CPECSIA (n = 25).
Dimensión
M
DE
Rango
Nivel
n
D1 Interacción con el simulador
3.492
1.286
1.00–5.00
Alto
25
D2 Evaluación automática del
desempeño
3.352
1.227
1.00–5.00
Moderado
25
D3 Confianza en evaluación con IA
3.204
1.278
1.00–5.00
Moderado
25
Puntuación global (30 ítems)
3.349
—
—
Moderado
25
Fuente: Elaboración propia.
La diferencia entre la dimensión mejor valorada
(D1, M = 3.492) y la menos valorada (D3, M =
3.204) es de 0.288 puntos en una escala de
cinco, lo que representa una brecha perceptiva
real, aunque no pronunciada. Los resultados de
la tabla 5, evidencian que la Dimensión 3
obtuvo la media más baja de las tres (M =
3.204), aunque se mantiene en el nivel
Moderado. El rasgo más llamativo de esta
dimensión no es su media global sino su
homogeneidad interna donde todos los ítems
permanecen en el rango Moderado, con medias
entre 3.00 (I21) y 3.40 (I24). Eso indica una
actitud consistente donde los estudiantes no
rechazan, pero tampoco aceptan plenamente
una evaluación mediada por IA. Los estudiantes
perciben con mayor claridad el valor del
simulador como herramienta de práctica (D1)
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 94
que como herramienta de evaluación (D2), y
muestran la posición más cautelosa ante la
evaluación con IA (D3). La percepción
favorable no se traduce automáticamente en
confianza evaluativa y la puntuación global de
M = 3.349 confirma que el instrumento capta
una percepción moderadamente positiva hacia
el conjunto de variables evaluadas, con margen
de mejora en las dimensiones de evaluación
automática y confianza en IA.
El primer resultado que merece interpretación
es el que menos sorprende estadísticamente
pero más dice sobre la situación real del aula: la
Dimensión 1 obtuvo la media más alta (M =
3.492, nivel Alto), mientras las dimensiones de
evaluación automática y confianza en IA
permanecieron en nivel Moderado. Ese
gradiente descendente refleja que los
estudiantes distinguen con bastante claridad
entre usar el simulador y confiar en lo que el
simulador dice sobre ellos. La primera
experiencia es cotidiana y tiene efecto visible
sobre su aprendizaje; la segunda es abstracta y,
para muchos participantes, desconocida en sus
criterios reales de funcionamiento.
Chele Delgado et al. (2026) documentan un
patrón análogo con estudiantes ecuatorianos de
bachillerato: el 81.7% usa herramientas de IA
en sus actividades académicas, pero el uso
predominantemente ocasional y las posturas
neutrales ante su utilidad revelan que la
adopción tecnológica no garantiza comprensión
ni apropiación pedagógica. El resultado más
pedagógicamente relevante de toda la
Dimensión 1 está en el ítem I3 (M = 3.32), que
consulta si el simulador proporciona
información suficiente cuando el estudiante
comete un error. Es el único ítem de la
dimensión que no alcanza nivel Alto, y su
distribución es la más dispersa del conjunto (DE
= 1.55), con el 24% en Totalmente en
desacuerdo y otro 24% en Totalmente de
acuerdo. Esa polarización indica que los
estudiantes tienen experiencias genuinamente
distintas con el feedback automático del
simulador.
Holmes et al. (2022) señalan que la mayoría de
los sistemas de IA para educación genera
retroalimentación genérica que no se adapta al
contexto específico del error ni al perfil del
aprendiz, lo que limita su valor pedagógico
incluso cuando el sistema técnicamente
funciona bien. El ítem I3 captura exactamente
esa limitación dado que hay estudiantes para
quienes el feedback del simulador es suficiente
mientras que para otros no lo es, y esa diferencia
probablemente depende del nivel de
competencia previo y de la capacidad de
interpretar la información que el sistema
entrega.
La Dimensión 2 (M = 3.352, nivel Moderado)
ofrece el hallazgo más matizado del estudio. El
ítem I15 referente a si el registro automático
parece más objetivo que la evaluación docente,
obtiene la valoración más baja de la dimensión
(M = 3.12) y concentra el 32% de respuestas en
posiciones de desacuerdo. Luckin et al. (2022)
documentan que la disposición de los
estudiantes hacia la evaluación automatizada no
depende únicamente de la precisión del sistema
sino de cómo perciben la relación entre esa
evaluación y el rol del docente. Cuando el
sistema se presenta como alternativa al juicio
experto, la resistencia aumenta, pero cuando se
presenta como complemento, disminuye.
Ese fenómeno explica por qué el ítem I18 (M =
3.52) sobre si la retroalimentación automática
motiva a mejorar en la siguiente práctica es el
mejor valorado de D2, dado que el simulador no
compite con el docente, sino que actúa como
herramienta de apoyo entre una sesión y la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 95
siguiente. Esto implica que para el diseño de
EVAUTO el sistema debe presentarse desde el
inicio como un complemento del juicio docente,
no como un evaluador autónomo. Moreno et al.
(2025) refuerzan este argumento al sostener que
la integración efectiva de herramientas de IA en
educación depende en gran medida del diseño
didáctico que las enmarca, no de sus
características técnicas.
La Dimensión 3 (M = 3.204, nivel Moderado)
confirma lo que Nazaretsky et al. (2025)
establecieron con 665 estudiantes, aquí la
confianza hacia la tecnología educativa con IA
es multidimensional y no puede inferirse de la
actitud general hacia la tecnología. Los diez
ítems de esta dimensión permanecen en nivel
Moderado sin excepción, con medias entre 3.00
y 3.40, lo que indica una posición
consistentemente cautelosa. El ítem I24 (M =
3.40) que menciona si la IA puede detectar
patrones en el proceso de diagnóstico que un
docente no identificaría fácilmente es el mejor
valorado de D3, con el 64% de respuestas
favorables.
Conclusiones
El instrumento CPECSIA demostró una
consistencia interna excelente en su aplicación
definitiva con 25 estudiantes, alcanzando un
alfa de Cronbach global de 0.965 con intervalos
de confianza al 95% de ancho inferior a 0.04.
Resultado que resuelve la pregunta más básica
que cualquier instrumento de nueva creación
debe responder antes de usarse: los ítems miden
lo mismo, y lo miden con suficiente cohesión
para sostener aplicaciones en muestras más
amplias. El patrón de percepciones identificado
revela que los estudiantes distinguen con
claridad entre usar el simulador y confiar en que
los evalúa bien. La Dimensión 1 alcanzó nivel
Alto (M = 3.492) mientras las Dimensiones 2 y
3 permanecieron en nivel Moderado (M = 3.352
y M = 3.204). Esa diferencia no es técnica, sino
pedagógica, ya que la interacción con el
simulador es una experiencia vivida y
verificable, mientras que la evaluación
automática y la IA evaluativa son procesos
cuyos criterios la mayoría de los participantes
no comprende.
El componente más urgente de la propuesta
EVAUTO no es el modelo predictivo sino la
retroalimentación formativa comprensible. El
ítem de menor valoración en D1 cuestiona si el
simulador explica suficientemente los errores
(I3, M = 3.32); el de menor valoración en todo
el instrumento cuestiona la disposición a confiar
en una evaluación con IA (I21, M = 3.00).
Ambos apuntan al mismo déficit: la tecnología
no comunica bien lo que hace y deja en claro
que los sistemas de IA para educación fallan
menos por imprecisión técnica que por
incapacidad de traducir sus resultados en
información útil para el aprendiz. Por lo que
EVAUTO sólo tendrá impacto real si, antes de
que el modelo clasifique el nivel competencial
de un estudiante, ese estudiante sabe qué miden
los indicadores del simulador, por qué esa
medición importa y cómo puede usar esa
información para mejorar su desempeño en el
taller.
Referencias Bibliográficas
Almachi, R., Mena, D., Ordóñez, R., y Reigosa,
A. (2024). Aplicación del simulador
ELECTUDE y el rendimiento académico en
la figura profesional electromecánica
automotriz. Tesla Revista Científica, 4(1),
e387. https://doi.org/10.55204/trc.v4i1.e387
Arias, E., León, T., Villavicencio, E., y Quizhpi,
K. (2024). La plataforma Electude en el
aprendizaje práctico de los estudiantes de la
carrera de Ingeniería Automotriz de la UNL.
Ciencia Latina Revista Científica
Multidisciplinar, 8(1), 9459–9476.
https://doi.org/10.37811/cl_rcm.v8i1.10261
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 96
Bautista, C., y Maliza, W. (2025). Impacto de
la plataforma Electude para el estudio de
electricidad y electrónica en electromecánica
automotriz. ConcienciaDigital, 8(4), 55–74.
https://doi.org/10.33262/concienciadigital.v
8i4.3566
Bosquez, V, Bedoya, I., Mora, M., y Martínez,
M. (2025). Percepción docente sobre
inteligencia artificial generativa en
educación superior: análisis de confianza,
utilidad y adopción pedagógica tras una
intervención formativa. Journal of Science
and Research, 11(XII CTIE y III CIVS).
https://doi.org/10.5281/zenodo.20291643
Calle, S. (2023). Diseños de investigación
cualitativa y cuantitativa. Ciencia Latina
Revista Científica—-----------
Multidisciplinar, 7(4), 1865–1879.
https://doi.org/10.37811/cl_rcm.v7i4.7016
Campuzano, J., Bazurto, G., & Sánchez, A.
(2026). Competencias digitales y
rendimiento académico en estudiantes de
Bachillerato General Unificado: evidencia
de la Unidad Educativa Particular Nazaret
del cantón Santo Domingo. Portal de la
Ciencia, 7(S1), 80-93, DOI:
https://doi.org/10.51247/pdlc.v7iEspecial1.
790
Chele, S., Martínez, N., y Castro, I. (2026).
Impacto de la inteligencia artificial
generativa en el desarrollo de competencias
innovadoras en estudiantes de bachillerato.
Revista InveCom ISSN En línea: 2739-0063,
6(4), 1-12.
https://doi.org/10.5281/zenodo.20671102
Chuquitarco, K., y Aguirre, P. (2025). La
inteligencia artificial como un aporte a la
formación de carreras técnicas de educación
superior. Ciencia y Educación, 6(10.2), 721–
729.
https://doi.org/10.5281/zenodo.17905450
Feldt, L., Woodruff, D., y Salih, F. (1987).
Statistical inference for coefficient alpha.
Applied Psychological Measurement, 11(1),
93–103.
https://doi.org/10.1177/0146621687011001
07
Fuentes, C., Tapia, O., y Tapia, D. (2025). Uso
de la inteligencia artificial en la evaluación
formativa y su incidencia en el desempeño
académico de los estudiantes. Revista Social
Fronteriza, 5(1), e–611.
https://doi.org/10.59814/resofro.2025.5(1)6
11
Hernández, R., y Mendoza, C. (2018).
Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-
Hill Education.
https://doi.org/10.22201/fesc.20072236e.20
19.10.18.6
Holmes, W., Bialik, M., y Fadel, C. (2022).
Artificial intelligence in education:
Promises, perils and practice. CIFE /
UNESCO.
IBM Corp. (2021). IBM SPSS Statistics para
Windows (Versión 27.0) [Software]. IBM
Corp. https://www.ibm.com/spss
Meza, A., Villegas, M., Jiménez, B., y Lozano
Larrea, R. (2025). La IA como estrategia
innovadora en la enseñanza de educación
superior. RECIMUNDO, 9(2), 928–936.
https://doi.org/10.26820/recimundo/9.(2).ab
ril.2025.928-936
Moreno, A., Salazar, I., y Escobar, S. (2025).
Innovación en estrategias pedagógicas
mediante herramientas de inteligencia
artificial: Revisión sistemática. Revista
Andina de Educación, 8(1).
https://doi.org/10.32719/26312816.543
Munim, Z., Kjeldsberg, F., Bustgaard, M.,
Bhagat, S., Haavardtun, P., Kim, T.-E.,
Lindroos, E., Thorvaldsen, H., Nyairo, F., y
Lampiola, J. (2025). Predictive performance
assessment in simulation training using
machine learning. International Journal of
Artificial Intelligence in Education, 35(3),
2154–2184. https://doi.org/10.1007/s40593-
025-00464-y
Luckin, R., Cukurova, M., Kent, C., y du
Boulay, B. (2022). Empowering educators to
be AI-ready. Computers and Education:
Artificial Intelligence, 3, 100076.
https://doi.org/10.1016/j.caeai.2022.100076
Nazaretsky, T., Mejia, P., Swamy, V., Frej, J., y
Käser, T. (2025). The critical role of trust in
adopting AI-powered educational
technology for learning: An instrument for
measuring student perceptions. Computers
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 97
and Education: Artificial Intelligence, 8,
100368.
https://doi.org/10.1016/j.caeai.2025.100368
Nunnally, J., y Bernstein, I. (1994).
Psychometric theory (3.ª ed.). McGraw-Hill.
Otzen, T., y Manterola, C. (2017). Técnicas de
muestreo sobre una población a estudio.
International Journal of Morphology, 35(1),
227–232. https://doi.org/10.4067/S0717-
95022017000100037
Rumiguano, M., Arcos, E, Maliza, W, &
Guaigua, J. (2025). Impacto de la evolución
tecnológica en la carrera de electromecánica
automotriz en el Instituto Tecnoecuatoriano
de Quito. ConcienciaDigital, 8(1), 110-131.
https://doi.org/10.33262/concienciadigital.v
8i1.3347
Ruíz, V., Murillo, D., Bejarano, J., y España, L.
(2025). Educación 4.0 en Ecuador: Cómo la
inteligencia artificial revoluciona el
aprendizaje. Revista Científica Tsafiki, 1(2),
267–272.
https://doi.org/10.70577/gyn7tm08
Sánchez, F., & García, G. (2026). Uso de
simuladores digitales en la formación de
competencias en electromecánica
automotriz. Arandu UTIC, 13(2), 1443–
1462.
https://doi.org/10.69639/arandu.v13i2.2275
Schei, O., Møgelvang, A., y Ludvigsen, K.
(2024). Perceptions and use of AI chatbots
among students in higher education: A
scoping review of empirical studies.
Education Sciences, 14(8), 922.
https://doi.org/10.3390/educsci14080922
Vera, R., Aldaz, A., y Maliza, W. (2024).
Aplicación del simulador Electude para el
aprendizaje significativo en el bachillerato
técnico figura profesional de
electromecánica automotriz. Dominio de las
Ciencias, 10(2), 1552–1567.
https://doi.org/10.23857/dc.v10i2.3893
Zawacki, O., Marín, V., Bond, M., y
Gouverneur, F. (2019). Systematic review of
research on artificial intelligence
applications in higher education: Where are
the educators? International Journal of
Educational Technology in Higher
Education, 16(1), artículo 39.
https://doi.org/10.1186/s41239-019-0171-0
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Galo Fernando
Recalde Tugumbango, Santiago José Chele
Delgado.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9
Septiembre del 2026
Página 98
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Galo Fernando Recalde Tugumbango: 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.
Santiago José Chele Delgado: 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.
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.