Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 774
INTELIGENCIA ARTIFICIAL Y PERSONALIZACIÓN DEL APRENDIZAJE
UNIVERSITARIO PARA EL DESARROLLO DE COMPETENCIAS PROFESIONALES
ARTIFICIAL INTELLIGENCE AND PERSONALIZED COLLEGE LEARNING FOR THE
DEVELOPMENT OF PROFESSIONAL SKILLS
Autores: ¹Mesías Gabriel Vargas Sánchez, ²José Paul Santos Ycaza, ³Diego Francisco Mora
Yépez, ⁴Paola Salomé Padilla Valle.
¹ORCID ID: https://orcid.org/0000-0001-8163-5582
²ORCID ID: https://orcid.org/0009-0005-0694-1383
³ORCID ID: https://orcid.org/0009-0002-1043-3718
⁴ORCID ID: https://orcid.org/0009-0007-6124-9183
¹E-mail de contacto: gabo_vargas@yahoo.es
²E-mail de contacto: paulsantosy@gmail.com
³E-mail de contacto: diego.mora@upec.edu.ec
⁴E-mail de contacto: ps.padillav@uea.edu.ec
Afiliación:
1*2*
Autor Independiente, (Ecuador).
3
*Universidad Politécnica Estatal del Carchi, (Ecuador).
4*
Universidad Estatal
Amazónica, (Ecuador).
Artículo recibido: 15 de Septiembre del 2026.
Artículo revisado: 1 de Octubre del 2026.
Artículo aprobado: 1 de Octubre del 2026.
¹Ingeniero de Empresas, graduado de la Universidad Técnica de Ambato, (Ecuador). Magíster en Gestión Empresarial Basada en Métodos
Cuantitativos, graduado de la Universidad Técnica de Ambato, (Ecuador).
²Médico Cirujano General, graduado de la Universidad de Guayaquil, (Ecuador). Cirujano con 20 años experiencia profesional.
³Magíster en Educación con mención en Docencia e Investigación en Educación Superior, graduado de la Universidad Estatal de Milagro,
(Ecuador). Máster Universitario en Gestión de Riesgos Financieros. Docente con 7 años de experiencia profesional.
⁴Ingeniera Bioquímica, graduada de la Universidad Técnica de Ambato, (Ecuador). Máster en Biomateriales por la Universidad
Complutense de Madrid, (España).
Resumen
La incorporación de inteligencia artificial en
educación superior planteó oportunidades de
personalización, aunque también exigió
preservar autonomía, equidad y sentido
pedagógico. El estudio analizó la contribución
de la inteligencia artificial a la personalización
del aprendizaje universitario para comprender
sus posibilidades en el desarrollo de
competencias profesionales. Se desarrolló una
investigación cualitativa, descriptiva y
bibliográfica, examinada mediante métodos
teórico, inductivo-deductivo, analítico-
sintético y análisis documental. Los hallazgos
mostraron que sistemas adaptativos,
retroalimentación inmediata, seguimiento
académico y recursos individualizados
favorecieron trayectorias flexibles y
capacidades vinculadas con pensamiento
crítico, autonomía, resolución de problemas,
alfabetización digital y juicio ético;
paralelamente, dependencia tecnológica,
sesgos algorítmicos, privacidad, desigualdad
de acceso y preparación docente insuficiente
condicionaron tales beneficios. Se concluyó
que la personalización apoyada por inteligencia
artificial adquirió valor formativo cuando
mantuvo mediación docente, agencia
estudiantil y propósitos profesionales
definidos, configurándose como alternativa
pertinente para enriquecer experiencias
universitarias sin sustituir procesos cognitivos
ni debilitar capacidades humanas necesarias
para el desempeño profesional.
Palabras clave: Inteligencia artificial,
Personalización del aprendizaje, Educación
universitaria, Competencias profesionales,
Aprendizaje adaptativo.
Abstract
The incorporation of artificial intelligence into
higher education presented opportunities for
personalization, although it also required
preserving autonomy, equity, and pedagogical
purpose. The study analyzed the contribution
of artificial intelligence to the personalization
of university learning to understand its
potential for the development of professional
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 775
competencies. A qualitative, descriptive, and
bibliographic study was conducted, examined
using theoretical, inductive-deductive,
analytical-synthetic, and documentary analysis
methods. The findings showed that adaptive
systems, immediate feedback, academic
monitoring, and individualized resources
fostered flexible learning paths and skills
related to critical thinking, autonomy, problem-
solving, digital literacy, and ethical judgment;
at the same time, technological dependence,
algorithmic biases, privacy concerns, unequal
access, and insufficient faculty preparation
limited these benefits. It was concluded that
personalization supported by artificial
intelligence acquired educational value when it
maintained teacher mediation, student agency,
and defined professional goals, emerging as a
relevant alternative for enriching university
experiences without replacing cognitive
processes or undermining the human
capabilities necessary for professional
performance.
Keywords: Artificial intelligence,
Personalized learning, Higher education,
Professional competencies, Adaptive
learning.
Sumário
A incorporação da inteligência artificial no
ensino superior trouxe oportunidades de
personalização, embora também tenha exigido
a preservação da autonomia, da equidade e do
sentido pedagógico. O estudo analisou a
contribuição da inteligência artificial para a
personalização da aprendizagem universitária,
a fim de compreender suas possibilidades no
desenvolvimento de competências
profissionais. Foi realizada uma pesquisa
qualitativa, descritiva e bibliográfica,
examinada por meio de métodos teóricos,
indutivo-dedutivos, analítico-sintéticos e de
análise documental. Os resultados mostraram
que sistemas adaptativos, feedback imediato,
acompanhamento acadêmico e recursos
individualizados favoreceram trajetórias
flexíveis e capacidades relacionadas ao
pensamento crítico, autonomia, resolução de
problemas, alfabetização digital e julgamento
ético; paralelamente, a dependência
tecnológica, os vieses algorítmicos, a
privacidade, a desigualdade de acesso e a
preparação insuficiente do corpo docente
condicionaram tais benefícios. Concluiu-se que
a personalização apoiada pela inteligência
artificial adquiriu valor formativo quando
manteve a mediação docente, a autonomia dos
alunos e objetivos profissionais definidos,
configurando-se como uma alternativa
pertinente para enriquecer as experiências
universitárias sem substituir processos
cognitivos nem enfraquecer as capacidades
humanas necessárias para o desempenho
profissional.
Palavras-chave: Inteligência artificial,
Personalização da aprendizagem, Educação
universitária, Competências profissionais,
Aprendizagem adaptativa.
Introducción
La inteligencia artificial ha desplazado la
personalización educativa desde ajustes
generales hacia experiencias que responden al
desempeño, necesidades y trayectorias del
estudiante universitario. Sistemas adaptativos,
tutorías inteligentes y análisis automatizado
permiten seleccionar contenidos, ofrecer
retroalimentación inmediata y reconocer
patrones de aprendizaje, ampliando las
posibilidades de una formación diferenciada
(Córdova et al., 2026).
Esta transformación adquiere relevancia
profesional porque el uso de técnicas
inteligentes favorece la orientación académica,
el pensamiento crítico y el desarrollo de
capacidades aplicables al desempeño laboral
(Forero y Negre, 2024). La incorporación
universitaria de IA muestra una expansión que
no equivale a aprovechamiento formativo
suficiente. En estudiantes de educación
superior, el 63,26 % consideró beneficiosa la IA
para aprender y el 58,71 % recomendó
emplearla también en la enseñanza; sin
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 776
embargo, solo el 35,23 % estimó posible
desarrollar proyectos de IA sin ayuda. Esta
distancia entre valoración positiva y autonomía
tecnológica revela una dificultad para convertir
el uso instrumental en capacidades transferibles
a futuras exigencias profesionales (Núñez et al.,
2023).
Parte de esta dificultad procede de condiciones
educativas que limitan una incorporación
consistente: desigual acceso tecnológico,
preparación insuficiente, protección de datos y
escasa transparencia algorítmica condicionan el
potencial de los sistemas personalizados. La
diversidad de conocimientos, estilos e intereses
estudiantiles exige respuestas diferenciadas,
aunque esa adaptación puede perder valor
cuando la tecnología sustituye procesos
cognitivos que deberían fortalecerse. Arroba et
al. (2026), advierten que la dependencia
excesiva puede restringir pensamiento crítico,
creatividad y habilidades sociales de manera
independiente.
El problema aumenta cuando la personalización
se concentra en adaptar contenidos o acelerar
respuestas sin establecer cómo esas
experiencias favorecen competencias
vinculadas con la actuación profesional. La
evidencia revisada reconoce que la inteligencia
artificial puede mejorar contenidos, orientar
profesionalmente al estudiante y desarrollar
pensamiento crítico; también identifica
carencias docentes que dificultan su
implementación óptima. Persiste, entonces,
todavía una brecha científica entre las
posibilidades tecnológicas y la comprensión de
su contribución formativa efectiva en la
universidad (Forero y Negre, 2024).
El fenómeno se delimita en el uso de
inteligencia artificial para personalizar el
aprendizaje de estudiantes universitarios y su
relación con el desarrollo de competencias
profesionales. Aunque la documentación sobre
adaptación de contenidos, retroalimentación y
apoyo educativo, permanece insuficientemente
esclarecido cómo estas aplicaciones favorecen
capacidades transferibles al desempeño
profesional, qué condiciones pedagógicas
intervienen y qué limitaciones condicionan su
aprovechamiento formativo.
En el plano metodológico, una revisión
cualitativa, documental, sistémica y descriptiva
permitirá organizar evidencia, comparar
hallazgos e identificar patrones, límites y vacíos
mediante criterios explícitos de análisis
educativo. Su aporte práctico ofrecerá
referentes para orientar decisiones docentes
sobre selección y uso pedagógico de
herramientas inteligentes, procurando que las
experiencias personalizadas respondan a
necesidades estudiantiles y mantengan
correspondencia con capacidades requeridas
para el ejercicio profesional. Esta lectura podrá
apoyar el diseño de actividades universitarias
pertinentes, sin reducir la formación a
automatización ni sustituir el juicio pedagógico.
La novedad científica se expresa en la necesidad
de examinar la personalización mediada por
inteligencia artificial no únicamente como
finalidad tecnológica, sino como proceso
formativo cuya pertinencia se interpreta según
su capacidad para favorecer competencias
profesionales. Forero y Negre (2024),
identificaron aplicaciones de IA capaces de
mejorar orientación profesional, contenidos y
pensamiento crítico, base que permite analizar
conjuntamente adaptación educativa, formación
universitaria y preparación para el desempeño
profesional. Los beneficiarios directos serán
estudiantes y docentes universitarios;
indirectamente, instituciones de educación
superior y sectores profesionales dispondrán de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 777
referentes educativos fundamentados. Bajo esta
delimitación, el objetivo general será analizar la
contribución de la inteligencia artificial a la
personalización del aprendizaje universitario
para comprender sus posibilidades en el
desarrollo de competencias profesionales.
En correspondencia los objetivos específicos
serán: Caracterizar los fundamentos y
aplicaciones de la inteligencia artificial
vinculados con la personalización del
aprendizaje universitario; Identificar las
competencias profesionales que pueden
favorecerse mediante experiencias
universitarias de aprendizaje personalizado
apoyadas por inteligencia artificial y Examinar
las posibilidades y limitaciones de la
personalización mediante inteligencia artificial
para el desarrollo de competencias
profesionales en estudiantes universitarios.
La inteligencia artificial puede comprenderse
como un campo computacional orientado a
reproducir mediante sistemas automatizados
operaciones asociadas con la inteligencia
humana, entre ellas aprender, interpretar
información, reconocer patrones y tomar
decisiones (Biswaprakash y Kumar, 2025).
Pacha et al. (2024), señalan que estos sistemas
ejecutan tareas tradicionalmente vinculadas con
capacidades humanas, mientras su aplicación
educativa incorpora adaptabilidad, análisis de
datos y retroalimentación. Tales características
convierten la IA en un recurso capaz de
intervenir dinámicamente sobre procesos
formativos según evidencias del desempeño
estudiantil.
Su configuración tecnológica admite una
clasificación basada en los mecanismos que
permiten aprender a partir de información y
experiencia. Carbonell et al. (2023), distinguen
aprendizaje automático, aprendizaje profundo y
aprendizaje por refuerzo: el primero procesa
datos y acciones previas mediante algoritmos;
el segundo desarrolla operaciones de mayor
complejidad inspiradas en redes neuronales; el
tercero aprende mediante decisiones
secuenciales orientadas a maximizar resultados.
Esta diversidad funcional amplía las
posibilidades educativas al procesar
información, anticipar respuestas y ajustar
decisiones automatizadas.
Desde su funcionalidad educativa, la IA
comprende sistemas de tutoría inteligente,
algoritmos adaptativos, agentes
conversacionales y plataformas orientadas al
autoaprendizaje, cuyas diferencias dependen
del tipo de interacción y procesamiento
requerido (Núñez et al., 2023). Pacha et al.
(2024), explican que las redes neuronales
permiten monitorear progresos y modificar
actividades según dificultades detectadas,
mientras otros recursos identifican fortalezas,
preferencias y necesidades. Entre los factores
determinantes aparecen disponibilidad
tecnológica, calidad de datos, alfabetización
digital, mediación docente y criterios éticos de
utilización.
La personalización del aprendizaje constituye
un proceso educativo de diferenciación
mediante el cual contenidos, actividades, ritmo,
apoyos y retroalimentación se ajustan a
características particulares del estudiante,
evitando una enseñanza uniforme frente a
trayectorias heterogéneas. Carguacundo et al.
(2024), sostienen que la tecnología posibilita
reconocer fortalezas y debilidades para ofrecer
experiencias adaptadas a necesidades
específicas. Su carácter flexible, progresivo e
individualizado permite responder al
desempeño evidenciado sin desvincular la
intervención pedagógica de las metas
formativas previstas. Esta personalización
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 778
puede examinarse mediante dimensiones
asociadas con adaptación del contenido,
regulación del ritmo, retroalimentación
individualizada y seguimiento continuo del
progreso, elementos que modifican la
experiencia según la respuesta académica
observada.
Álvarez y Cepeda (2024), reconocen la
capacidad de la IA para adecuar contenidos,
favorecer colaboración y responder a
habilidades, intereses y estilos de aprendizaje.
Tales dimensiones dependen del diagnóstico
oportuno de necesidades, disponibilidad de
recursos pertinentes y capacidad pedagógica
para interpretar datos sin mecanizar decisiones
educativas. La diferenciación también
comprende modalidades vinculadas con
aprendizaje autónomo, evaluación formativa,
atención inclusiva y experiencias adaptativas,
cuya combinación permite que el estudiante
participe activamente en la regulación de su
trayectoria.
Lescano et al. (2024), relacionan el uso
tecnológico con acceso a información,
personalización y habilidades digitales,
mientras la evaluación continua proporciona
evidencias para reajustar la enseñanza. Ritmo
individual, motivación, conocimientos previos,
preferencias cognitivas, autonomía y
retroalimentación constituyen factores que
condicionan la pertinencia de cualquier
itinerario personalizado. Las competencias
profesionales representan capacidades
integradas que permiten movilizar
conocimientos, habilidades, actitudes y criterios
de actuación ante problemas propios del
ejercicio laboral, superando la acumulación
memorística de contenidos. Su desarrollo
supone aplicar saberes en situaciones
auténticas, decidir con fundamento, resolver
dificultades y responder responsablemente ante
demandas cambiantes. Lescano et al. (2024),
vinculan el aprendizaje por competencias con
mayor empleabilidad, mientras reconocen que
las tecnologías emergentes favorecen
capacidades de análisis crítico, innovación,
trabajo colaborativo y resolución de problemas
relevantes para el desempeño profesional.
La formación profesional puede examinarse
desde competencias cognitivas, técnicas,
sociales, emocionales y digitales, cuya
integración define una actuación que combina
dominio especializado con capacidades
transferibles. Pacha et al. (2024),identifican que
las experiencias educativas apoyadas por IA
favorecen habilidades tecnológicas avanzadas
junto con competencias cognitivas, técnicas,
sociales y emocionales.
Esta clasificación evita reducir la preparación
universitaria al dominio instrumental, pues
incorpora razonamiento, comunicación,
colaboración, adaptación y uso responsable de
recursos tecnológicos ante problemas
vinculados con futuras funciones laborales.
Entre los factores que favorecen estas
competencias se encuentran aprendizaje activo,
proyectos auténticos, resolución de problemas,
colaboración, experimentación y aplicación
práctica del conocimiento.
Lescano et al. (2024), plantean que el
aprendizaje basado en proyectos exige integrar
conocimientos y habilidades para producir
soluciones, fortaleciendo autonomía y gestión,
mientras las situaciones problemáticas
estimulan investigación, análisis crítico y toma
de decisiones. La formación adquiere sentido
profesional cuando el estudiante transfiere
saberes a desafíos verificables y construye
respuestas fundamentadas frente a exigencias
laborales progresivamente complejas. La
relación entre inteligencia artificial y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 779
personalización se produce mediante un circuito
de análisis, decisión y reajuste: los sistemas
recopilan evidencias del desempeño, reconocen
patrones y modifican recursos o niveles de
dificultad según necesidades identificadas.
Pacha et al. (2024), explican que estas
herramientas detectan perfiles, fortalezas y
debilidades para generar materiales
diferenciados, mientras los sistemas tutoriales
modifican actividades conforme progresa el
estudiante. La personalización emerge,
entonces, de convertir datos educativos en
decisiones adaptativas capaces de orientar
trayectorias individualizadas. Ese vínculo
adquiere valor pedagógico cuando la adaptación
tecnológica fortalece autonomía, comprensión
y resolución de problemas, evitando convertir la
personalización en simple automatización de
contenidos.
Carguacundo et al. (2024), señalan que la IA
analiza el progreso en tiempo real, proporciona
retroalimentación inmediata y modifica el ritmo
según necesidades individuales, condiciones
que favorecen corrección de errores y
motivación. El mecanismo decisivo no reside
únicamente en el algoritmo, sino en la
correspondencia entre información diagnóstica,
intervención diferenciada y propósito
formativo. La Teoría del Aprendizaje
Experiencial de David Kolb concibe aprender
como transformación de la experiencia
mediante un ciclo integrado por experiencia
concreta, observación reflexiva,
conceptualización abstracta y experimentación
activa; cada momento reelabora el anterior y
genera nuevas posibilidades de actuación.
Su pertinencia permite comprender cómo la IA
puede ofrecer simulaciones, retroalimentación
y experiencias diferenciadas, mientras la
personalización ajusta oportunidades de
reflexión y experimentación, favoreciendo que
los universitarios conviertan conocimientos
disciplinares en capacidades aplicables a
situaciones profesionales (Rodríguez, 2017).
La Teoría del Aprendizaje Transformativo de
Jack Mezirow explica que el adulto aprende
profundamente cuando examina críticamente
los supuestos que organizan su pensamiento,
reevalúa sus marcos de referencia y construye
perspectivas más inclusivas mediante reflexión
y diálogo. Esta lectura resulta pertinente para la
formación universitaria porque la IA puede
presentar información, problemas y alternativas
diferenciadas que desafíen comprensiones
previas, mientras la personalización facilita
recorridos reflexivos donde el estudiante
reconstruye criterios y fortalece decisiones
profesionales autónomas ante situaciones
complejas (Trujillo, 2017).
La Teoría del Aprendizaje Autorregulado de
Barry Zimmerman concibe al estudiante como
participante activo capaz de orientar cognición,
motivación y conducta hacia metas académicas,
utilizando procesos de planificación,
seguimiento, evaluación y ajuste de estrategias.
La retroalimentación constituye un componente
relevante de estos ciclos autorregulatorios y las
tecnologías pueden apoyar su desarrollo en
estudiantes universitarios. Desde esta
perspectiva, la personalización apoyada por IA
favorece decisiones informadas sobre ritmo,
recursos y desempeño, fortaleciendo autonomía
transferible al aprendizaje profesional
permanente (Fuente, 2017).
En consecuencia, el planteamiento del
problema busca responder ¿Cómo contribuye la
inteligencia artificial a la personalización del
aprendizaje universitario orientada al desarrollo
de competencias profesionales? De esta
interrogante se derivan tres preguntas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 780
complementarias: ¿Cuáles son los fundamentos
y aplicaciones de la inteligencia artificial
vinculados con la personalización del
aprendizaje universitario?, ¿Qué competencias
profesionales pueden favorecerse mediante
experiencias universitarias de aprendizaje
personalizado apoyadas por inteligencia
artificial? y ¿Qué posibilidades y limitaciones
presenta la personalización mediante
inteligencia artificial para el desarrollo de
competencias profesionales en estudiantes
universitarios?
Investigar esta relación resulta relevante porque
la educación universitaria enfrenta el desafío de
responder a trayectorias estudiantiles diversas
mientras prepara capacidades pertinentes para
escenarios profesionales tecnológicos.
Examinar la personalización permite superar
una lectura centrada en la novedad tecnológica
y valorar su función educativa desde las
necesidades del estudiante, la calidad formativa
y la correspondencia entre aprendizaje
académico y desempeño profesional,
preservando pensamiento crítico, autonomía y
participación crítica y consciente en procesos
universitarios de formación superior. El aporte
teórico consistirá en sistematizar relaciones
entre inteligencia artificial, personalización del
aprendizaje y competencias profesionales,
precisando categorías que expliquen cómo la
adaptación, la retroalimentación y el análisis del
desempeño pueden incidir en capacidades
transferibles.
Materiales y Métodos
La investigación se desarrolló desde un enfoque
cualitativo, entendido como una perspectiva
orientada a comprender e interpretar fenómenos
mediante el examen profundo de sus cualidades
y relaciones (Hadi et al., 2023). Esta elección
permitió estudiar la inteligencia artificial y la
personalización del aprendizaje universitario
desde sus fundamentos educativos,
identificando aportes, posibilidades y desafíos
vinculados con el desarrollo de competencias
profesionales, sin reducir el fenómeno a
mediciones numéricas, sino privilegiando la
interpretación crítica de los significados
construidos en la producción científica
revisada.
El estudio asumió un alcance descriptivo,
dirigido a caracterizar sistemáticamente las
propiedades, manifestaciones y relaciones
observables de un fenómeno a partir de
información documentada (Ordoñez, 2025). Su
empleo posibilitó precisar cómo la inteligencia
artificial intervino en la adaptación de
contenidos, ritmos, recursos y
retroalimentación dentro del aprendizaje
universitario, examinando simultáneamente su
vinculación con autonomía, pensamiento
crítico, resolución de problemas y habilidades
profesionales, de manera que la descripción
trascendió la enumeración de herramientas para
reconocer patrones pedagógicos relevantes en la
literatura seleccionada.
La investigación fue de tipo bibliográfico,
modalidad sustentada en la búsqueda, selección,
revisión y valoración sistemática de
conocimiento científico previamente publicado
sobre un objeto delimitado (Haro et al., 2025).
Esta orientación resultó pertinente porque
permitió recuperar aportes especializados
acerca de inteligencia artificial, personalización
educativa y competencias profesionales,
contrastando perspectivas teóricas y resultados
investigativos procedentes de fuentes
académicas relacionadas con educación
superior, cuya lectura comparativa proporcionó
una base conceptual suficiente para interpretar
tendencias, coincidencias y diferencias
presentes en el conocimiento disponible. Se
emplearon los métodos teórico, inductivo-
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 781
deductivo y analítico-sintético; el primero
sustentó conceptualmente el objeto, el segundo
relacionó hallazgos particulares con
planteamientos generales y el tercero examinó e
integró sus componentes (Maldonado et al.,
2023). Su utilización complementaria permitió
interpretar las categorías identificadas en las
fuentes, contrastar postulados sobre inteligencia
artificial y aprendizaje personalizado, reconocer
regularidades entre investigaciones y
reconstruir una comprensión integrada de los
mecanismos mediante los cuales ambas
categorías educativas pudieron relacionarse con
el fortalecimiento progresivo de competencias
profesionales universitarias.
El análisis documental se utilizó como técnica
destinada a examinar sistemáticamente
información registrada en fuentes académicas,
mediante procesos de identificación,
clasificación, comparación e interpretación
temática (Romero et al., 2021). Se
seleccionaron documentos según pertinencia
temática, relación directa con las categorías
estudiadas, actualidad científica, claridad
metodológica y aporte conceptual;
posteriormente, la información se organizó
según inteligencia artificial, personalización del
aprendizaje y competencias profesionales,
contrastando coincidencias, diferencias y
relaciones explicativas entre autores para
construir una interpretación crítica sustentada
en las evidencias documentales examinadas.
Resultados y Discusión
Los hallazgos se organizaron mediante una
matriz de sistematización que conserva la
especificidad conceptual de cada fuente y
distribuye sus aportes según las categorías
definidas por las preguntas de investigación
planteadas.
Tabla 1. inteligencia artificial, personalización del aprendizaje universitario y competencias
profesionales.
Autor y
año
Contribución a la
personalización del
aprendizaje universitario
Fundamentos y aplicaciones educativas de la IA
Competencias profesionales
favorecidas
Posibilidades y limitaciones educativas
Forero y
Bennasar
(2024)
Emplea técnicas de IA y
Machine Learning para
reconocer patrones educativos,
anticipar rendimiento y
orientar decisiones
individualizadas, trasladando
el análisis de datos hacia
apoyos ajustados al progreso
estudiantil.
Fundamentos
Aprendizaje automático basado en patrones derivados
de datos. Predicción educativa orientada hacia
decisiones académicas fundamentadas.
Pensamiento computacional como base para
comprender sistemas inteligentes.
Competencia digital docente sustenta una
implementación pedagógica pertinente.
Aplicaciones educativas
Predicción temprana del rendimiento y abandono
estudiantil.
Generación y mejora inteligente de contenidos
educativos.
Orientación académica individual mediante análisis
predictivo estudiantil.
Apoyo inteligente para necesidades educativas
específicas diversas.
Pensamiento crítico desarrollado
mediante razonamiento
computacional aplicado.
Competencia digital para
desenvolverse profesionalmente con
tecnologías inteligentes.
Capacidad decisional sustentada
mediante interpretación de
información predictiva.
Orientación profesional fortalecida
mediante análisis inteligente de
trayectorias.
Posibilidades
Detectar tempranamente dificultades vinculadas
al rendimiento académico. Mejorar orientación
académica y profesional mediante predicciones.
Reducir brechas educativas mediante
aplicaciones inteligentes inclusivas. Fortalecer
formación profesional incorporando tecnologías
emergentes pertinentes.
Limitaciones
Insuficiente preparación docente restringe
implementación tecnológica óptima.
Sesgos de datos comprometen precisión de
predicciones educativas.
Formación profesional docente requiere
actualización digital permanente.
Evidencia revisada presenta restricciones
lingüísticas en su cobertura.
Núñez et
al. (2023)
La flexibilidad de la IA
permitió adaptar experiencias
y contenidos a características
individuales, favoreciendo una
formación más flexible
mientras la asistencia
automatizada proporcionó
apoyo disponible según
necesidades académicas
específicas.
Fundamentos
Procesamiento inteligente permite aprender patrones
educativos complejos.
Flexibilidad tecnológica favorece experiencias
ajustadas al estudiante.
Adaptabilidad educativa responde a características
individuales diferenciadas.
Sostenibilidad orienta el empleo formativo de
tecnologías inteligentes.
Aplicaciones educativas
Desarrollo de contenidos adaptativos según
necesidades estudiantiles.
Asistencia automatizada disponible durante procesos
de aprendizaje.
Personalización educativa mediante recursos
ajustados al estudiante.
Proyectos inteligentes apoyan adquisición acelerada
de conocimientos.
Autoaprendizaje para construir
bases académicas con autonomía.
Pensamiento crítico ante problemas
educativos y sostenibles complejos.
Competencias tecnológicas
vinculadas con futura actividad
profesional.
Capacidad para desarrollar
proyectos apoyados por inteligencia
artificial.
Posibilidades
Facilitar comprensión individual de conceptos
académicos complejos.
Incrementar rendimiento mediante experiencias
educativas más adaptables.
Ampliar conocimientos tecnológicos útiles para
ejercicio profesional.
Enriquecer métodos docentes mediante
proyectos educativos inteligentes.
Limitaciones
Desconocimiento estudiantil reduce
aprovechamiento de capacidades reales. Escasa
participación previa restringe experiencia
práctica con IA.
Inseguridad tecnológica dificulta creación
autónoma de proyectos inteligentes.
Riesgos de plagio demandan formación ética
específica.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 782
Camino
et al.
(2024)
Los sistemas adaptativos
ajustan contenidos a
necesidades particulares,
monitorean el progreso y
ofrecen retroalimentación
inmediata, favoreciendo
comprensión, participación y
aproximaciones diferenciadas
al aprendizaje.
Fundamentos
Algoritmos identifican patrones derivados del
desempeño estudiantil.
Aprendizaje automático sustenta decisiones basadas
en datos.
Adaptación individual orienta recursos según
necesidades educativas.
Retroalimentación inmediata acompaña
progresivamente el aprendizaje estudiantil.
Aplicaciones educativas
Tutorías inteligentes adaptadas a necesidades
individuales estudiantiles.
Seguimiento automatizado del rendimiento
académico en tiempo real.
Simulaciones interactivas facilitan comprensión de
conceptos complejos.
Recursos personalizados amplían perspectivas para
interpretar información.
Pensamiento crítico mediante
evaluación de perspectivas diversas.
Capacidad analítica para interpretar
información disciplinar compleja.
Aprendizaje autónomo apoyado por
tutorías inteligentes adaptativas.
Resolución reflexiva mediante
experiencias interactivas y
personalizadas.
Posibilidades
Favorecer aprendizaje activo mediante recursos
adaptativos personalizados.
Incrementar comprensión utilizando
experiencias educativas más interactivas.
Fortalecer participación mediante plataformas y
simulaciones inteligentes.
Ofrecer retroalimentación inmediata sobre
progresos individuales observados.
Limitaciones
Acceso tecnológico desigual restringe beneficios
educativos disponibles.
Sesgos algorítmicos pueden distorsionar
información presentada al estudiante.
Datos deficientes generan resultados imprecisos
o discriminatorios.
Formación docente insuficiente dificulta
integración pedagógica efectiva.
Álvarez y
Cepeda
(2024)
La IA adapta contenido,
actividades y estrategias a
habilidades, intereses y estilos
de aprendizaje, incorporando
tutoría virtual, evaluación
automatizada y
retroalimentación inmediata
para atender diversidad
estudiantil.
Fundamentos
Diversidad estudiantil exige respuestas educativas
diferenciadas y pertinentes.
Datos educativos sustentan personalización según
necesidades individuales.
Interacción inteligente complementa procesos de
acompañamiento educativo personalizado.
Autonomía humana debe preservarse frente
automatización educativa creciente.
Aplicaciones educativas
Chatbots responden preguntas y orientan contenidos
académicos.
Evaluación automatizada proporciona
retroalimentación inmediata al estudiante.
Realidad aumentada adapta experiencias según
necesidades específicas.
Plataformas adaptativas modifican actividades según
perfiles individuales.
Pensamiento crítico frente a
información producida
algorítmicamente.
Creatividad aplicada al desempeño
en futuros escenarios laborales.
Resolución de problemas apoyada
mediante asistentes educativos
inteligentes.
Autonomía decisional frente a
recomendaciones generadas
tecnológicamente.
Posibilidades
Personalizar contenidos según habilidades,
intereses y preferencias.
Facilitar recursos educativos de elevada calidad
académica.
Favorecer colaboración mediante experiencias
interactivas de aprendizaje.
Proporcionar retroalimentación individual con
mayor inmediatez educativa.
Limitaciones
Dependencia tecnológica puede debilitar
capacidades cognitivas independientes.
Opacidad algorítmica dificulta comprender
decisiones automatizadas educativas.
Privacidad estudiantil enfrenta riesgos derivados
del tratamiento informacional. Desigualdad
tecnológica restringe acceso equitativo a
personalización.
UNESCO
(2024)
Propone una progresión
formativa que supera el
consumo instrumental de IA y
conduce al estudiante desde la
comprensión hasta la
aplicación y creación,
preservando agencia humana,
responsabilidad y juicio
crítico.
Fundamentos
Pensamiento centrado en capacidades y decisiones
humanas responsables.
Ética orienta interacción segura, inclusiva y
responsable.
Conocimiento fundacional sostiene aprendizaje
tecnológico durante toda vida.
Progresión competencial avanza desde comprender
hasta crear.
Aplicaciones educativas
Integración curricular progresiva de competencias
sobre inteligencia artificial.
Diseño de actividades pedagógicas basadas en
competencias.
Evaluaciones competenciales verifican progresión del
aprendizaje tecnológico.
Currículos interdisciplinarios incorporan dominios
formativos sobre IA.
Juicio crítico para evaluar
soluciones basadas en IA.
Responsabilidad ética ante
consecuencias sociales de sistemas
inteligentes.
Capacidad creadora para diseñar
soluciones tecnológicas inclusivas.
Alfabetización en IA para
aprendizaje profesional permanente.
Posibilidades
Formar usuarios responsables y cocreadores de
inteligencia artificial.
Desarrollar aprendizaje permanente sustentado
en conocimientos fundacionales.
Promover diseño tecnológico inclusivo, ético y
sostenible.
Integrar capacidades técnicas con
responsabilidad social estudiantil.
Limitaciones
Incorporación curricular internacional permanece
todavía insuficientemente extendida.
Rápida evolución tecnológica exige actualización
formativa permanente. Implementación demanda
ambientes educativos apropiados y sostenibles.
Profesionalización docente condiciona desarrollo
sistemático de competencias.
Fienco et
al. (2026)
La personalización se expresó
mediante adaptación a
necesidades individuales,
retroalimentación inmediata y
apoyo al rendimiento, con
incidencia directa en
estudiantes universitarios de
formación inicial.
Fundamentos
Adaptabilidad tecnológica responde a necesidades
individuales del estudiante.
Inclusión orienta experiencias educativas accesibles y
diferenciadas.
Retroalimentación inmediata acompaña decisiones
durante el aprendizaje.
Uso responsable condiciona aprovechamiento
formativo de inteligencia artificial.
Aplicaciones educativas
Sistemas tutoriales ofrecen acompañamiento
académico personalizado al estudiante.
Evaluaciones adaptables responden progresivamente
al desempeño individual. Herramientas generativas
apoyan actividades universitarias de aprendizaje.
Recursos digitales facilitan acceso y eficiencia del
estudio.
Toma de decisiones apoyada
mediante información educativa
disponible.
Capacidades cognitivas fortalecidas
mediante acceso informacional
pertinente.
Competencia tecnológica para
utilizar herramientas inteligentes
académicamente.
Autonomía académica mediante
experiencias ajustadas a necesidades
personales.
Posibilidades
Mejorar rendimiento mediante experiencias
adaptadas a necesidades.
Incrementar motivación con acompañamiento
educativo más individualizado.
Favorecer inclusión mediante acceso flexible a
recursos.
Liberar tiempo docente para acompañamiento
académico personalizado.
Limitaciones
Brecha digital produce desigualdades en acceso
tecnológico.
Dependencia tecnológica puede reducir
razonamiento y decisión independiente.
Privacidad de datos exige protección
institucional responsable.
Falta de interacción humana debilita
acompañamiento educativo directo.
Acevedo
et al.
(2025)
La personalización se concibe
mediante recursos adaptativos,
tutores virtuales,
recomendaciones académicas
y retroalimentación
inteligente, acompañados por
una transformación del trabajo
autónomo y del papel docente.
Fundamentos
Aprendizaje adaptativo reorganiza respuestas según
necesidades estudiantiles.
Innovación pedagógica orienta integración educativa
de sistemas inteligentes. Ética educativa condiciona
decisiones algorítmicas institucionalmente
responsables.
Sostenibilidad institucional sostiene adopción
tecnológica educativa prolongada.
Aplicaciones educativas
Tutores virtuales acompañan trayectorias individuales
de aprendizaje universitario.
Algoritmos recomiendan opciones académicas según
información estudiantil.
Plataformas inteligentes proporcionan
retroalimentación educativa personalizada continua.
Evaluación automatizada transforma seguimiento del
desempeño académico.
Pensamiento crítico digital ante
información producida
algorítmicamente.
Ética tecnológica para decisiones
profesionales socialmente
responsables.
Trabajo autónomo apoyado
mediante herramientas inteligentes
pertinentes.
Competencias en IA requeridas
para desempeño profesional futuro.
Posibilidades
Personalizar experiencias mediante sistemas
adaptativos y recomendaciones.
Favorecer retención estudiantil con seguimiento
académico inteligente.
Optimizar acompañamiento mediante
retroalimentación automatizada y oportuna.
Preparar profesionales para escenarios laborales
mediados tecnológicamente.
Limitaciones
Privacidad de información exige gobernanza
algorítmica institucional sólida.
Evaluación automatizada plantea riesgos
pedagógicos y éticos.
Capacitación docente insuficiente restringe
apropiación educativa efectiva.
Brecha tecnológica compromete una adopción
universitaria equitativa.
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 783
Los resultados permiten clasificar las siguientes
categorías: La primera, corresponde a la
personalización pedagógica: los documentos
sitúan el valor de la inteligencia artificial en su
capacidad para ajustar recursos, secuencias,
apoyos y retroalimentación según diferencias
individuales, desplazando la enseñanza
uniforme hacia respuestas formativas sensibles
al desempeño. La segunda, reúne analítica y
acompañamiento, pues la detección de patrones,
el seguimiento del progreso y la tutoría
automatizada amplían las posibilidades de
intervención oportuna. La tercera, vincula
formación universitaria y desempeño
profesional mediante pensamiento crítico,
autonomía, resolución de problemas,
alfabetización digital y juicio ético, aunque esta
relación aparece con distinta profundidad entre
las fuentes.
Las tensiones pueden clasificarse en
pedagógicas, éticas e institucionales, en el plano
pedagógico, la adaptación algorítmica favorece
autonomía, pero una delegación excesiva puede
debilitar razonamiento independiente,
creatividad e interacción humana; desde la
dimensión ética, el aprovechamiento de datos
posibilita respuestas individualizadas mientras
introduce riesgos de privacidad, sesgo,
opacidad y decisiones inequitativas. La tensión
institucional enfrenta innovación con
capacidades desiguales de acceso, preparación
docente, infraestructura y regulación,
mostrando que disponer de tecnología no
garantiza una apropiación educativa rigurosa.
La tendencia dominante transita desde el uso
instrumental hacia una comprensión formativa
de la IA, donde comprender, aplicar y crear
adquieren mayor relevancia que consumir
respuestas automatizadas. También se advierte
un desplazamiento hacia sistemas adaptativos,
evaluación continua, predicción educativa y
formación profesional mediada por datos. Las
limitaciones generales se concentran en brechas
de conocimiento, acceso desigual, insuficiente
capacitación, calidad variable de los datos y
ausencia de criterios éticos consolidados; tales
restricciones indican que la personalización
adquiere valor educativo cuando conserva
mediación docente, agencia estudiantil y
finalidades profesionales claramente definidas.
La personalización adquiere capacidad
formativa cuando transforma datos estudiantiles
en apoyos diferenciados, Forero y Negre (2024)
identificaron predicción del rendimiento,
orientación, generación de contenidos como
aplicaciones educativas. Este hallazgo permite
comprender la IA como mediadora de
trayectorias, no solo como recurso operativo, y
responde al objetivo al vincular adaptación con
preparación profesional, Álvarez y Cepeda
(2024), sostienen que el aprendizaje adaptativo
ajusta contenidos y estrategias; existe
complementariedad porque ambas perspectivas
conectan información, diferenciación
pedagógica y autonomía estudiantil.
La adaptación deja de ser únicamente
tecnológica cuando incorpora flexibilidad
formativa, Núñez et al. (2023), relacionaron
personalización, contenidos adaptativos y
apoyo automatizado con necesidades
individuales. Su significado reside en convertir
heterogeneidad estudiantil en criterio para
organizar experiencias educativa de
capacidades inteligentes, Acevedo et al. (2026),
vinculan aprendizaje adaptativo con recursos,
retroalimentación y trabajo autónomo; la
coincidencia amplía el fenómeno porque
traslada la adaptación desde contenidos
específicos hacia procesos universitarios
asociados con competencias profesionales. Una
personalización orientada al desarrollo exige
actividad cognitiva, no mera recepción
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 784
automatizada. Camino et al. (2024), vincularon
recursos adaptativos e interacción inteligente
con aprendizaje activo, pensamiento crítico y
evaluación de perspectivas. El aporte precisa
que ajustar experiencias puede fortalecer
capacidades transferibles cuando demanda
interpretación, UNESCO (2025) plantea una
progresión desde comprender hasta aplicar y
crear IA con juicio crítico; ambas posiciones se
complementan porque sitúan agencia y
elaboración intelectual como condiciones para
que la tecnología contribuya a competencias
profesionales universitarias.
El riesgo de dependencia delimita críticamente
los beneficios de la adaptación, Álvarez y
Cepeda (2024), advirtieron que un uso excesivo
puede restringir pensamiento crítico,
creatividad y autonomía, cuestión para
interpretar la personalización desde efectos
formativos; en cambio, Fienco et al. (2026),
señalan que la dependencia tecnológica puede
afectar habilidades críticas y aprendizaje
autónomo. La coincidencia matiza el objetivo:
personalizar no equivale automáticamente a
desarrollar competencias, pues el valor
educativo depende de preservar razonamiento,
decisión y participación intelectual del
estudiante.
La dimensión competencial amplía el análisis
más allá del rendimiento académico, UNESCO
(2025), organiza la formación en IA mediante
comprensión, aplicación y creación
responsables, incorporando ética, juicio crítico
y aprendizaje permanente, este planteamiento
permite interpretar la personalización como
espacio para formar capacidades profesionales
vinculadas con decisiones tecnológicas, Forero
y Negre (2024), identifican pensamiento
computacional, orientación profesional y
reflexión sobre relaciones humano-máquina;
existe ampliación porque las habilidades
técnicas adquieren sentido cuando se integran
con criterios críticos aplicables al desempeño
profesional.
Las condiciones institucionales introducen una
tensión entre potencial pedagógico y acceso
efectivo, Acevedo et al. (2026), identifican
brecha tecnológica, privacidad, evaluación
automatizada y formación docente insuficiente
como restricciones de la educación superior
latinoamericana, Núñez et al. (2023), desde
estudiantes universitarios, registran
desconocimiento, inseguridad y limitada
experiencia con proyectos de IA. La
complementariedad matiza el fenómeno: las
oportunidades personalizadas dependen tanto
de capacidades institucionales como de
preparación estudiantil, de modo que
desarrollar competencias requiere condiciones
educativas que sostengan apropiación
responsable.
El acompañamiento pedagógico conserva una
función decisiva frente a la automatización,
Fienco et al. (2026), reconocen que la IA adapta
contenidos y favorece eficiencia, pero advierten
que su integración requiere responsabilidad,
equidad y protección de datos, Camino et al.
(2024), enfatizan formación docente,
retroalimentación inmediata y sistemas
tutoriales ajustados a necesidades. La relación
es complementaria: la personalización alcanza
sentido cuando la mediación humana orienta
respuestas tecnológicas hacia comprensión,
autonomía y pensamiento crítico, evitando
reducir competencias profesionales a destrezas
instrumentales. En conjunto, los hallazgos
configuran la personalización mediante
inteligencia artificial como proceso educativo
condicionado, capaz de ajustar trayectorias,
retroalimentar aprendizajes y favorecer
competencias críticas, digitales, autónomas y
éticas. Su contribución permitió mostrar que el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 785
potencial profesional no procede de la
automatización aislada, sino de su mediación
pedagógica responsable. Las implicaciones
alcanzan diseño formativo, acompañamiento
docente y gobernanza tecnológica, aunque
permanecen vacíos sobre efectos sostenidos y
transferencia profesional, por lo que el alcance
debe mantenerse prudente y situado.
Conclusiones
La inteligencia artificial mostró capacidad para
transformar la personalización del aprendizaje
universitario cuando su incorporación superó el
uso instrumental y se orientó hacia necesidades,
ritmos, trayectorias y desempeños
diferenciados. Los hallazgos permitieron
establecer que los sistemas adaptativos, la
retroalimentación inmediata, el seguimiento
académico y la generación de recursos
individualizados favorecieron experiencias
formativas más flexibles, mientras su relación
con el desarrollo profesional se expresó
mediante autonomía, pensamiento crítico,
resolución de problemas, alfabetización digital
y juicio ético.
Esta relación respondió al problema estudiado
al evidenciar que la tecnología adquiere valor
educativo cuando las decisiones automatizadas
conservan una finalidad pedagógica y
fortalecen capacidades transferibles al ejercicio
profesional. La interpretación conjunta reveló,
sin embargo, que personalizar no significó
necesariamente mejorar la formación, puesto
que la dependencia tecnológica, los sesgos
algorítmicos, la privacidad, las desigualdades
de acceso y la insuficiente preparación docente
condicionaron el aprovechamiento de estas
herramientas. Teóricamente, los resultados
reforzaron una comprensión de la
personalización como proceso mediado por
datos, pero subordinado a la agencia estudiantil
y al acompañamiento docente; desde una
lectura crítica, la evidencia disponible permitió
reconocer tendencias y relaciones conceptuales,
aunque no sostuvo afirmaciones causales ni
permitió establecer efectos profesionales
prolongados.
El carácter documental del estudio delimitó su
alcance a los aportes contenidos en las fuentes
seleccionadas, cuyas diferencias metodológicas
y educativas exigieron interpretar las
coincidencias con prudencia. Frente a estas
condiciones, se recomienda que las
universidades incorporen la inteligencia
artificial mediante criterios pedagógicos
explícitos, formación continua del profesorado,
alfabetización algorítmica estudiantil y
protocolos institucionales dirigidos a proteger
datos, reducir inequidades y preservar la
autonomía intelectual. Las actividades
personalizadas deberían vincularse con
problemas profesionales auténticos, evaluación
formativa y tareas que exijan análisis, creación,
argumentación y toma responsable de
decisiones, evitando sustituir procesos
cognitivos esenciales mediante respuestas
automatizadas. También resulta pertinente
evaluar periódicamente la calidad de las
herramientas utilizadas y su correspondencia
con los resultados formativos esperados y
efectos sobre competencias profesionales.
Las futuras investigaciones deberían
profundizar en cómo distintas modalidades de
personalización inciden sobre competencias
profesionales específicas, incorporando
estudios longitudinales, comparativos y
empíricos que permitan examinar permanencia,
transferencia y evolución del aprendizaje.
Convendría explorar diferencias entre
disciplinas universitarias, niveles formativos y
modalidades educativas, junto con el papel de la
mediación docente y la autorregulación
estudiantil.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 786
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. Revista InveCom,
6(1), 1–10.
https://zenodo.org/records/15508755
Álvarez, J., & Cepeda, L. (2024). El impacto de
la inteligencia artificial en la enseñanza y el
aprendizaje. LATAM Revista
Latinoamericana de Ciencias Sociales y
Humanidades, 5(3), 599–610.
https://doi.org/10.56712/latam.v5i3.2061
Arroba, N., Cotto, H., Merelo, M., & Casquete,
S. (2026). Impacto de la inteligencia
artificial generativa en el rendimiento
académico: Desafíos y oportunidades en
estudiantes de bachillerato. Revista
Científica Multidisciplinaria Arbitrada
YACHASUN, 10(18), 1180–1198.
https://doi.org/10.46296/yc.v10i18.0859
Biswaprakash, S., & Kumar, D. (2025).
Inteligencia artificial en la enseñanza de las
matemáticas: Una revisión sistemática de las
tendencias globales y los temas emergentes.
Revista de Educación en Matemáticas,
Ciencias y Tecnología, 2(2), 155–175.
https://doi.org/10.12973/jmste.2.2.153
Camino, C., Vega, S., & Lavarello, X. (2024).
Integración de la inteligencia artificial en la
enseñanza de la historia mundial:
Perspectivas y desafíos. Polo del
Conocimiento, 9(5), 1799–1819.
https://doi.org/10.23857/pc.v9i5.7235
Carbonell, C., Burgos, S., Calderón, D., &
Paredes, O. (2023). La inteligencia artificial
en el contexto de la formación educativa.
Episteme Koinonia, 6(12), 152–166.
https://doi.org/10.35381/e.k.v6i12.2547
Carguacundo, F., García, K., Urgilés, D., Chica,
R., Suin, A., & Andrade, M. (2024).
Integración de la IA en el desarrollo del
material educativo y didáctico para docentes
del subnivel Educación General Básica
Media en la asignatura de Ciencias
Naturales. Ciencia Latina Revista Científica
Multidisciplinar, 8(2), 1152–1163.
https://doi.org/10.37811/cl_rcm.v8i2.10557
Córdova, V., Barnuevo, W., Lara, R., & Del
Campo, G. (2026). Ética digital y uso de
inteligencia artificial en estudiantes de
educación superior pública en Quito. Alpha
International Journal, 4(1), 171–192.
https://doi.org/10.63380/aij.v4n1.2026.307
Fienco, S., Ponce, L., Aveiga, Á., & Baque, J.
(2026). Impacto de la inteligencia artificial
en el proceso enseñanza-aprendizaje en los
estudiantes universitarios. Sinergia
Académica, 9(2), 466–483.
https://doi.org/10.51736/sa956
Forero-Corba, W., & Bennasar, F. N. (2024).
Techniques and applications of machine
learning and artificial intelligence in
education: A systematic review. RIED-
Revista Iberoamericana de Educación a
Distancia, 27(1), 209–253.
https://doi.org/10.5944/ried.27.1.37491
Fuente, J. de la. (2017). Theory of self- vs.
externally-regulated learning™:
Fundamentals, evidence, and applicability.
Frontiers in Psychology, 8, 1675.
https://doi.org/10.3389/fpsyg.2017.01675
Hadi, M., Martel, C., Huayta, F., Rojas, R., &
Arias, J. (2023). Metodología de la
investigación: Guía para el proyecto de
tesis. Instituto Universitario de Innovación
Ciencia y Tecnología INUDI Perú S.A.C.
https://doi.org/10.35622/inudi.b.073
Haro, A., Proaño, G., Merino, G., & Niama, J.
(2025). Metodología de la investigación
desde el enfoque cuantitativo, cualitativo y
mixto. LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades, 6(4),
4245–4261.
https://doi.org/10.56712/latam.v6i4.4577
Lescano, A., Betsabe, S., & Wilfrido, G. (2024).
Integration of emerging digital technologies
to enhance the teaching-learning process in
the robotics subject within technological
education. MQRInvestigar, 8(4), 247–274.
https://doi.org/10.56048/MQR20225.8.4.20
24.247-274
Maldonado, F., Álvarez, R., Maldonado, P.,
Cordero, G. de, & Capote, M. (2023).
Metodología de la investigación: De la
teoría a la práctica. Puerto Madero Editorial
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 787
Académica.
https://doi.org/10.55204/pmea.24
Núñez, C. M., Veloz, V. T., Agualongo, L. M.,
& Bayas, E. L. (2023). Integración de la
inteligencia artificial en la educación para el
desarrollo sostenible: Oportunidades y
desafíos. Magazine de las Ciencias: Revista
de Investigación e Innovación, 8(4), 96–108.
https://doi.org/10.33262/rmc.v8i4.2959
Ordoñez, Á. (2025). Metodología académica
con aplicación a las investigaciones sociales:
Enfoques, tipos, métodos y diseños. Revista
Científica Sociedad & Tecnología, 8(2),
335–357.
https://doi.org/10.51247/st.v8i2.484
Pacha, N., Barba, H., & Sevilla, L. (2024).
Análisis sistemático de integración de
inteligencia artificial en el aprendizaje de la
robótica en la educación secundaria.
Universidad, Ciencia y Tecnología, 28(123),
111–121.
https://doi.org/10.47460/uct.v28i123.811
Rodríguez, R. (2017). Los modelos de
aprendizaje de Kolb, Honey y Mumford:
Implicaciones para la educación en ciencias.
Sophia, 14(1), 51–64.
https://doi.org/10.18634/sophiaj.14v.1i.698
Romero, H., Real, J., & Ordoñez, L. (2021).
Metodología de la investigación. Edicumbre.
https://www.gob.mx/cms/uploads/attachme
Trujillo, L. (2017). Teorías pedagógicas
contemporáneas. Fundación Universitaria
del Área Andina. https://bit.ly/34ePbS6
UNESCO. (2024). Guía para el uso de IA
generativa en educación e investigación.
Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura.
https://unesdoc.unesco.org/ark:/48223/pf00
00389227
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Mesías Gabriel
Vargas Sánchez, José Paul Santos Ycaza, Diego
Francisco Mora Yépez, Paola Salomé Padilla Valle.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT).
Mesías Gabriel Vargas Sánchez: 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.
José Paul Santos Ycaza: 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.
Diego Francisco Mora Yépez: 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.
Paola Salomé Padilla Valle: 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.
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.
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.
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.
