APOYO DE LAS TECNOLOGÍAS DE IA EN EL
APRENDIZAJE, LA ENSEANZA, Y LA
EVALUACIN EN LOS CONTEXTOS DE LA
EDUCACIÓN
SUPPORT OF AI TECHNOLOGIES IN LEARNING, TEACHING,
AND EVALUATION IN EDUCATIONAL CONTEXTS
Frella Lorena Carguacundo Ávila
Unidad educativa Mentor Gamboa Collantes
Katty Neira García Vélez2
Unidad Educativa El Carmen
Bolívar Ramón Chávez Guerrero
Unidad Educativa El Carmen
Lidia Gloria Barrera Agurto
Unidad Educativa General Medardo Alfaro
Aida Marlene Suin Guaraca
Unidad Educativa Juan Montalvo
Lourdes Janeth Libicota González
Unidad Educativa General Medardo Alfaro
pág. 3122
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11536
Apoyo de las tecnologías de IA en el aprendizaje, la enseanza, y la
evaluacin en los contextos de la educación
Frella Lorena Carguacundo Ávila1
https://orcid.org/0000-0002-3847-0554
Unidad educativa Mentor Gamboa Collantes
Ecuador
Katty Neira García Vélez
kattygarciav@hotmail.com
https://orcid.org/0009-0003-2562-5330
Unidad Educativa El Carmen
Ecuador
Bolívar Ramón Chávez Guerrero
bochague7@hotmail.com
https://orcid.org/0009-0006-5444-4960
Unidad Educativa El Carmen
Ecuador
Lidia Gloria Barrera Agurto
lidia.barrera@educacion.gob.ec
https://orcid.org/0009-0002-3322-6172
Unidad Educativa General Medardo Alfaro
Ecuador
Aida Marlene Suin Guaraca
marlenesuin@hotmail.es
https://orcid.org/0009-0007-6225-6799
Unidad Educativa Juan Montalvo
Ecuador
Lourdes Janeth Libicota González
janeth78@hotmail.com
https://orcid.org/0009-0009-1709-9653
Unidad Educativa General Medardo Alfaro
Ecuador
RESUMEN
El objetivo principal de la investigación es comprender cómo las tecnologías de inteligencia artificial
apoyan estos ámbitos educativos y promover la discusión entre investigadores sobre los futuros
desarrollos en la IA en educación. La metodología empleada sigue las directrices de la Declaración
PRISMA, involucrando tres fases críticas: selección de artículos, inclusión y análisis. Se realizó una
búsqueda exhaustiva utilizando operadores booleanos, lo que resultó en un conjunto seleccionado de
artículos que luego fueron analizados para obtener información sobre las aplicaciones educativas de la
IA. Los hallazgos revelaron que la IA mejora significativamente las experiencias de aprendizaje
personalizado adaptando las tareas a las necesidades individuales mediante tecnologías avanzadas como
la realidad aumentada y los sistemas de gestión inteligente. En la enseñanza, los sistemas de tutoría
impulsados por IA ayudan a refinar las estrategias de enseñanza y la entrega de contenido basada en
datos en tiempo real. Además, las aplicaciones de IA en la evaluación han demostrado ser eficaces en
la automatización de la calificación y la predicción del rendimiento estudiantil, especialmente en
entornos de aprendizaje en línea.
Palabras clave: inteligencia artificial, aprendizaje con ia, enseñanza con ia, evaluación con ia
1
Autor Principal
Correspondencia:
pág. 3123
Support of AI technologies in learning, teaching, and evaluation in
educational contexts
ABSTRACT
The main goal of the research is to understand how artificial intelligence technologies support these
educational domains and to promote discussion among researchers about future developments in AI in
education. The methodology used follows the guidelines of the PRISMA Declaration, involving three
critical phases: article selection, inclusion, and analysis. An exhaustive search was conducted using
Boolean operators, resulting in a selected set of articles that were then analyzed to gain insights into the
educational applications of AI. The findings revealed that AI significantly enhances personalized
learning experiences by tailoring tasks to individual needs using advanced technologies such as
augmented reality and intelligent management systems. In teaching, AI-driven tutoring systems help
refine teaching strategies and content delivery based on real-time data. Additionally, AI applications in
evaluation have proven effective in automating grading and predicting student performance, especially
in online learning environments.
Keywords: artificial intelligence, learning with ai, teaching with ai, evaluation with ai
Artículo recibido 10 mayo 2024
Aceptado para publicación: 15 mayo 2024
pág. 3124
INTRODUCCIÓN
La inteligencia artificial (IA) abarca la capacidad de los dispositivos digitales para ejecutar funciones
que usualmente requieren inteligencia humana. Esta disciplina se segmenta en diversas áreas,
incluyendo visión por computadora, reconocimiento de voz, aprendizaje automático, análisis de grandes
volúmenes de datos y procesamiento de lenguaje natural (Chiu, 2021; Chiu et al., 2022). Su desarrollo
acelerado está revolucionando la manera en que interactuamos, comunicamos, vivimos, aprendemos y
trabajamos (Pedro et al., 2019; Xia et al., 2022).
En este análisis, la IA en educación (IAEd) se define como el uso de tecnologías de IA, tales como
sistemas de tutoría inteligentes, chatbots, robots y herramientas de evaluación automatizada para apoyar
y optimizar el ámbito educativo. La IAEd promete mejorar significativamente los aspectos de
aprendizaje, enseñanza, evaluación y gestión educativa, brindando experiencias de aprendizaje
personalizadas y adaptativas, facilitando a los docentes un mejor entendimiento de los procesos de
aprendizaje de los estudiantes, y ofreciendo consultas y retroalimentación inmediatas a través de
dispositivos en cualquier momento y lugar (Suing et al., 2016; Suing et al., 2022). Esta tecnología no
solo está transformando las metodologías educativas, sino que también impulsa el desarrollo de
programas y se posiciona como un campo crucial en la investigación educativa.
La relevancia de la investigación y aplicación de la IAED se evidencia en múltiples iniciativas y
documentos tanto a nivel nacional como internacional. Un claro ejemplo de esto es la acción del
gobierno chino en 2019, que promulgó una política estratégica para modernizar la educación, buscando
potenciar la integración de tecnología avanzada en este sector y fomentar el desarrollo profesional de
los docentes en áreas relacionadas con la IA y la IAEd (Chiu, 2021; Chiu et al., 2022; Xia et al., 2022).
Por otra parte, en los Estados Unidos, se están asignando recursos y subvenciones a diversas
instituciones y entidades para investigar y crear plataformas de aprendizaje personalizado basadas en
IA, lo cual promete mejorar el rendimiento académico, aumentar el compromiso cognitivo de los
estudiantes y disminuir las brechas educativas, especialmente entre los alumnos más desfavorecidos
(Arrobo et al., 2017; Williamson y Eynon, 2020).
Dentro del contexto educativo ecuatoriano, el debate sobre IA ha comenzado a integrarse en los planes
de estudio de la educación básica, media y superior, abordando temas como las implicaciones filosóficas
pág. 3125
de su aplicación, sus beneficios en la adquisición de nuevos conocimientos y los retos que presenta para
las sociedades futuras (Diario el Comercio, 2023). Dada la capacidad de la IA para transformar la
educación, la IAEd ha captado el interés de investigadores, formuladores de políticas y educadores. Sin
embargo, los esfuerzos iniciales en investigación se han enfocado primordialmente en áreas de
ingeniería, como la creación de nuevos algoritmos y la optimización de técnicas de aprendizaje
automático y aprendizaje profundo.
A diferencia de otros ámbitos de la tecnología educativa, como la gamificación y el aprendizaje mixto,
los estudios sobre tecnología en la educación son más fragmentados y carecen de organización. Ante lo
cual, todavía no se comprende completamente el impacto de la educación (Arrobo et al., 2017; Holmes
et al., 2021), y es necesario realizar más investigaciones para determinar cómo estas tecnologías
emergentes pueden beneficiar realmente al sector educativo. Por otra parte, la falta de conocimiento
sobre estas tecnologías representa un obstáculo para su implementación en las instituciones educativas
(Hussin, 2018). Por lo tanto, es imprescindible llevar a cabo más revisiones sistemáticas que ayuden a
estructurar la literatura existente, ofreciendo un panorama claro sobre los beneficios y desafíos de la
IAEd y orientando las futuras líneas de investigación en este campo.
El presente estudio pretende abordar las lagunas existentes en este campo de investigación ofreciendo
un análisis exhaustivo que explore las oportunidades y desafíos de integrar la IAEd en cuatro dominios
educativos esenciales y dos principales resultados de aprendizaje. El objetivo principal es fomentar la
participación de investigadores, formuladores de políticas, educadores, estudiantes e ingenieros en un
diálogo urgente sobre el desarrollo futuro de la IAEd. En consideración de lo manifestado, la pregunta
de investigación que se buscan responder es las siguiente:
RQ1. ¿Cmo apoyan las tecnologas de IA el aprendizaje, la enseanza, y la evaluacin en los contextos
de la educación?
METODOLOGÍA
Esta revisión se realizó siguiendo los estándares de la Declaración PRISMA (Page et al., 2021) y
comprendió tres etapas clave: (a) selección de artículos, (b) selección e inclusión de artículos, y (c)
codificación, extracción y análisis de datos.
pág. 3126
Selección e inclusión de artículos
Los artículos seleccionados para esta revisión estaban estrictamente relacionados con la IAEd. Para
identificar los trabajos publicados pertinentes, se utilizó operadores bolenanos [("AI" OR "artificial
Intelligence") AND "education"] para recoger artículos que incluyeran estos términos en sus títulos,
palabras clave o resúmenes. La búsqueda se llevó a cabo en bases de datos como ERIC, ProQuest,
Scopus y Web of Science (WOS), y resultó en un total inicial de 987 artículos. Posteriormente, se
seleccionaron 26 artículos aleatoriamene para un análisis más detallado.
Codificación y análisis
Se extrajo información sobre las tecnologías de IA y los resultados para un análisis más profundo, que
incluyó tanto los resultados en los cuatro dominios como los desafíos relacionados con el uso de la IA.
Esta información se codificó inicialmente de forma abierta y luego se resumió según las perspectivas de
estudiantes y docentes. Los autores participaron en el proceso de codificación, y todos los resultados
fueron discutidos y acordados por consenso cuando los hallazgos eran ambiguos.
RESULTADOS Y DISCUSIÓN.
Con la finalidad de dar respuesta a la pregunta de investigación ¿Cmo apoyan las tecnologas de IA el
aprendizaje, la enseanza, y la evaluacin en los contextos educativos? Los autores identificaron tres
roles a partir de los artículos seleccionados. A continuación, se describe los resultados.
IA en el aprendizaje de los estudiantes
La implementación de la IA en el aprendizaje estudiantil se manifiesta en cuatro funciones clave: (a) la
asignación de tareas basadas en habilidades individuales, (b) interacciones entre humanos y máquinas,
(c) análisis del trabajo de los estudiantes para proporcionar retroalimentación, y (d) aumento de la
adaptabilidad e interactividad en entornos digitales.
Asignación de tareas según habilidades individuales
Se han empleado plataformas basadas en IA para personalizar las tareas educativas. Por ejemplo,
Hirankerd y Kittisunthonphisarn (2020) diseñaron un sistema de gestión con IA que integra tecnologías
de realidad aumentada, virtual y mixta para monitorear y adaptar las tareas al progreso del aprendizaje
de los estudiantes. Kong et al. (2021) desarrollaron un paciente virtual para la capacitación de
estudiantes de medicina, mientras que Munawar et al. (2018) diseñaron un laboratorio virtual inteligente
pág. 3127
para asignar tareas de laboratorio a niveles adecuados. Yang y Shulruf (2019) implementaron una
máscara mejorada con IA que ofrece retroalimentación en tiempo real y tareas adaptativas a estudiantes
de medicina. Sin embargo, una limitación destacada en estos estudios es la escasez de recursos de apoyo,
lo que puede dificultar la adecuación de las tareas a las necesidades individuales de los estudiantes, ya
que las tareas programadas previamente no siempre responden dinámicamente a cada estudiante
(Hirankerd & Kittisunthonphisarn, 2020; Munawar et al., 2018; Yang & Shulruf, 2019).
Interacciones entre humanos y máquinas
Varios estudios han integrado chatbots de IA y libros interactivos para permitir diálogos entre
estudiantes y máquinas sobre contenidos aprendidos. Estas herramientas de IA simulan procesos
cognitivos humanos usando bases de datos que incluyen el conocimiento y la experiencia de expertos.
Estos sistemas se han aplicado en el aprendizaje de idiomas, facilitando el desarrollo de habilidades
comunicativas mediante interacciones continuas (Chew & Chua, 2020; Kim et al., 2021; Koc-Januchta
et al., 2020; Palasundram et al., 2019; Vázquez-Cano et al., 2021). Los estudiantes usaron estos sistemas
en un formato de preguntas y respuestas, encontrando en su mayoría que este método es efectivo y
entretenido para resolver consultas simples. A pesar de su utilidad, estos enfoques también presentan
desafíos significativos.
Análisis del trabajo de los estudiantes para proporcionar retroalimentación
Un uso frecuente de la IA en la educación es ofrecer orientación y retroalimentación inmediata
analizando el trabajo y el proceso de aprendizaje de los estudiantes (Porter & Grippa, 2020). Por
ejemplo, Bonneton et al. (2020) emplearon una aplicación de IA en tabletas para capturar y analizar la
escritura manuscrita de niños en edad preescolar, evaluando aspectos como la forma, secuencia y
dirección de los trazos. La aplicación ofrecía retroalimentación al final de cada sesión de escritura. Por
otra parte, Vahabzadeh et al. (2018) usaron gafas inteligentes con IA para monitorizar las emociones y
el comportamiento social de estudiantes con autismo y mejorar su atención. No obstante, la
retroalimentación generada por estos sistemas a menudo era prediseñada y no cumplía con las
necesidades individuales de todos los estudiantes. Tanto docentes como estudiantes preferirían sistemas
más intuitivos y efectivos que ofrezcan consejos útiles en vez de respuestas repetitivas (Holstein et al.,
2019). Este desafío persiste como un área clave para futuras investigaciones.
pág. 3128
Aumento de la adaptabilidad y la interactividad en entornos digitales
Las tecnologías de IA han sido implementadas para recolectar datos de aprendizaje y mejorar las
interacciones en ambientes digitales más adaptables. Samarakou et al. (2015) desarrollaron un entorno
de aprendizaje electrónico avanzado para estudiantes de ingeniería. Kickmeier y Holzinger (2019)
crearon un algoritmo de optimización combinatoria (el sistema de hormigas MAXMIN) que demostró
ser efectivo en juegos educativos adaptativos. Westera et al. (2020) aplicaron técnicas como el
reconocimiento de emociones faciales y la adaptación automática de la dificultad junto con la evaluación
discreta, además de incorporar movimientos corporales no verbales y sincronización labial para
desarrollar personajes digitales realistas. Estos enfoques han mejorado la adaptabilidad y la
interactividad en el aprendizaje digital. Sin embargo, los estudios que exploran estos entornos digitales
impulsados por IA no han profundizado suficientemente en cómo estas tecnologías afectan la
experiencia de aprendizaje y los resultados académicos de los estudiantes. En general, la investigación
en esta área sigue siendo exploratoria y enfrenta el desafío significativo de desarrollar métodos de
evaluación adecuados.
IA en la enseñanza
La IA se ha implementado en la enseñanza en tres roles fundamentales: (a) ofrecer estrategias de
enseñanza adaptativas, (b) mejorar la capacidad docente, y (c) apoyar el desarrollo profesional de los
educadores.
Ofrecer estrategias de enseñanza adaptativas
Los sistemas de tutoría inteligentes están diseñados para recomendar contenidos y métodos de enseñanza
ajustados a las necesidades específicas de cada alumno (Aldeman et al., 2021; Bellod et al., 2021;
McCarthy et al., 2016; Weragama & Reye, 2014). Por ejemplo, Luo (2018) y Standen et al. (2020)
implementaron sistemas de IA que utilizan datos de sensores multimodales para identificar estados
afectivos de los estudiantes, ayudando a los profesores a optimizar la presentación del contenido y las
técnicas de enseñanza. Por otra parte, Lampos et al. (2021) emplearon clasificadores de IA para sugerir
estrategias de comunicación efectivas para la enseñanza a estudiantes autistas. Mientras que Crowe et
al. (2017) demostraron cómo los profesores pueden ajustar sus estrategias didácticas basándose en la
retroalimentación inmediata de un software de escritura académica.
pág. 3129
Mejorar la capacidad de los docentes para enseñar
La combinación de instrucción asistida por computadora y tecnología de IA ha sido utilizada para
optimizar la gestión del aula en diversas disciplinas, como educación física y lingüística, mejorando la
eficiencia en la distribución de materiales y asignaciones de tareas (Jaiswal y Arun, 2021; Nabiyev et
al., 2013; Wang y Zheng, 2020). Sin embargo, la comprensión limitada de los profesores sobre el
funcionamiento interno de estas tecnologías ha resultado en una percepción de pérdida de control y un
enfoque de "caja negra", reduciendo su autoeficacia y su disposición a integrar IA en su práctica docente
(Gupta & Bhaskar, 2020; Huang et al., 2021).
Apoyar el desarrollo profesional de los docentes
Las tecnologías de IA también han sido aplicadas para respaldar el desarrollo profesional de los
educadores. En varios estudios, los profesores recibieron retroalimentación y sugerencias basadas en el
análisis en tiempo real de datos de comportamiento y habilidades pedagógicas en el aula, así como de
sus respuestas a pruebas diagnósticas sobre su conocimiento del contenido pedagógico (Gunawan et al.,
2021; Lampos et al., 2021). Además, se han desarrollado modelos de evaluación docente basados en
datos, lo que ha permitido que las críticas se perciban como menos personales y más objetivas,
fomentando la reflexión sobre sus prácticas educativas (Hu, 2021; Li & Su, 2020). No obstante, la
mayoría de los estudios no tienen el desarrollo profesional docente como objetivo principal, y la cantidad
limitada de sugerencias y retroalimentaciones prediseñadas pueden no ser suficientes para docentes
experimentados, representando un desafío en el desarrollo de IA para este propósito (Gunawan et al.,
2021).
IA en la evaluación
La IA se emplea en la evaluación principalmente en dos áreas: (a) la calificación automática y (b) la
predicción del rendimiento estudiantil.
Calificación automática
Nuestro análisis reveló que la implementación de IA en la evaluación ha permitido una calificación más
efectiva, precisa y rápida, especialmente en áreas como la escritura, la expresión oral y las matemáticas
(Kumar & Boulanger, 2020). Estos sistemas de calificación mejorados por IA no solo proveen resultados
más fiables que los evaluadores humanos en pruebas y exámenes, sino que también ofrecen
pág. 3130
retroalimentación inmediata en entornos de aprendizaje en línea. Sin embargo, estas calificaciones
automáticas suelen ser uniformes y se han aplicado principalmente en unas pocas áreas, como el
aprendizaje de idiomas, lo que sugiere que el desarrollo de esta tecnología aún está en sus etapas
iniciales.
Predicción del desempeño de los estudiantes
La IA ha mostrado ser prometedora en predecir el desempeño estudiantil, particularmente en la
educación en línea (Akmese et al., 2021). Estas tecnologías pueden evaluar la calidad y el alcance de la
participación de los estudiantes en actividades de aprendizaje, como los foros de discusión, lo cual es
crucial para la educación a distancia y los cursos en línea masivos y abiertos (MOOCs) dada la ausencia
física de instructores. No obstante, un desafío importante es la selección de datos adecuados para los
modelos predictivos. Costa et al. (2021) señalaron que los datos tradicionalmente usados en estadísticas
educativas, como el soporte de ingresos familiares o el estatus socioeconómico, pueden no ser
apropiados para los modelos de IA.
CONCLUSIÓN
El estudio sistemático sobre el uso de la Inteligencia Artificial en educación (IAEd) ha revelado cómo
estas tecnologías están influyendo en los procesos de aprendizaje, enseñanza y evaluación dentro de
diversos contextos educativos. A través de la revisión de literatura, se identificaron múltiples roles que
la IA está desempeñando en el ámbito educativo, lo que ha permitido destacar tanto sus beneficios
potenciales como los desafíos persistentes que limitan su eficacia. A continuación se destacan las
principales conclusiones del estudio.
En el Aprendizaje: La IA ha facilitado la personalización de tareas educativas, apoyándose en
tecnologías como realidad aumentada y sistemas de gestión inteligentes para adaptar el aprendizaje a
las necesidades individuales. A pesar de estos avances, la falta de recursos de apoyo y la rigidez de los
sistemas que no responden dinámicamente a los cambios en el progreso del estudiante siguen siendo
problemas significativos.
En la Enseñanza: Los sistemas de tutoría inteligente han demostrado ser efectivos para ajustar las
estrategias de enseñanza a las necesidades específicas de los estudiantes, utilizando datos para optimizar
la presentación del contenido y las técnicas pedagógicas. Sin embargo, existe una clara desconexión
pág. 3131
entre la tecnología y su adopción por los docentes, quienes a menudo se enfrentan a una curva de
aprendizaje empinada y sienten que pierden control sobre el proceso educativo.
En la Evaluación: La IA ha mostrado promesa en la calificación automática y la predicción del
rendimiento estudiantil, particularmente en entornos de aprendizaje en línea. No obstante, la precisión
de estos sistemas depende críticamente de la calidad de los datos utilizados, y la selección inadecuada
de estos puede llevar a predicciones erróneas o irrelevantes.
Como conclusipon general del estudio se determina que, el estudio confirma que la Inteligencia
Artificial posee el potencial para revolucionar la educación al personalizar y optimizar el aprendizaje y
la enseñanza. Sin embargo, la efectividad de la IAEd depende de superar varios desafíos técnicos y
prácticos. La implementación de la IA en educación requiere no solo de sistemas tecnológicos
avanzados, sino también de un enfoque holístico que incluya el desarrollo profesional de los docentes,
la mejora en la selección y uso de datos, y la adaptación de los sistemas a las necesidades dinámicas de
los estudiantes.
REFERENCIAS BBLIOGRAFICAS
Akmese, O. F., Kor, H., & Erbay, H. (2021). Use of machine learning techniques for the forecast of
student achievement in higher education. Information Technologies and Learning Tools, 82(2),
297–311. https://doi.org/10.33407/itlt.v82i2.4178
Aldeman, N. L. S., Aita, K., Machado, V. P., da Mata Sousa, L. C. D., Coelho, A. G. B., da Silva, A. S.,
Mendes, A. P. D., Neres, F. J. D., & do Monte, S. J. H. (2021). Smartpath (k): A platform for
teaching glomerulopathies using machine learning. BMC Medical Education, 21(1).
https://doi.org/10.1186/s12909-021-02680-1
Arrobo, J., Suing, A., & Carrión, N. (2017). Empleo de las redes sociales en la formación de
comunicadores sociales en Ecuador. InterFaces científicas, 5(3), 9-17.
Arrobo, J., Suing, A., & Carrión, M. N. (2018). Redes sociales y su interacción entre docentes y
estudiantes: Caso Ecuador. In Las TIC como plataforma de teleformación e innovación educativa
en las aulas (pp. 251-264). Egregius.
pág. 3132
Bellod, H. C., RamA3n, V. B., FernA¡ndez, E. C., & LujA¡n, J. F. G. (2021). Analysis of stress and
academic-sports commitment through self-organizing artificial neural networks. Challenges, 42,
136–144. https://doi.org/10.47197/RETOS.V42I0.86983
Bonneton-Botte, N., Fleury, S., Girard, N., Le Magadou, M., Cherbonnier, A., Renault, M., Anquetil,
E., & Jamet, E. (2020). Can tablet apps support the learning of handwriting? An investigation of
learning outcomes in kindergarten classroom. Computers & Education, 151.
https://doi.org/10.1016/j.compedu.2020.103831
Boninger, F., Molnar, A., & Saldana, C. (2020). Big claims, little evidence, lots of money: The reality
behind the Summit Learning Program and the push to adopt digital personalized learning
platforms. Boulder, CO: National Education Policy Center.
Carrión Bósquez, N.G. y Arias-Bolzmann, L.G. (2022). Factors influencing green purchasing
inconsistency of Ecuadorian millennials. British Food Journal, 124(8), 2461-
2480. https://doi.org/10.1108/BFJ-05-2021-0558
Carrión Bósquez, N.G., Arias-Bolzmann, L.G. y Martínez Quiroz, A.K. (2023). The influence of price
and availability on university millennials’ organic food product purchase intention. British Food
Journal, 125(2), 536-550. https://doi.org/10.1108/BFJ-12-2021-1340
Chew, E., & Chua, X. N. (2020). Robotic Chinese language tutor: Personalising progress assessment
and feedback or taking over your job? On the Horizon, 28(3), 113–124.
https://doi.org/10.1108/OTH-04-2020-0015
Chiu, T. K. F. (2021). A holistic approach to Artificial Intelligence (AI) curriculum for K- 12 schools.
TechTrends, 65, 796–807. https://doi.org/10.1007/s11528-021-00637-1
Chiu, T. K. F., Meng, H., Chai, C. S., King, I., Wong, S., & Yeung, Y. (2022). Creation and evaluation
of a pre-tertiary Artificial Intelligence (AI) curriculum. IEEE Transactions on Education, 65(1),
30–39. https://doi.org/10.1109/TE.2021.3085878
Costa-Mendes, R., Oliveira, T., Castelli, M., & Cruz-Jesus, F. (2021). A machine learning
approximation of the 2015 Portuguese high school student grades: A hybrid approach. Education
and Information Technologies, 26(2), 1527–1547. https://doi. org/10.1007/s10639-020-10316-y
pág. 3133
Crowe, D., LaPierre, M., & Kebritchi, M. (2017). Knowledge based artificial augmentation intelligence
technology: Next step in academic instructional tools for distance learning. TechTrends: Linking
Research and Practice to Improve Learning, 61 (5), 494–506. https://doi.org/10.1007/s11528-
017-0210-4
Diario el Comercio (2023). La inteligencia artificial desafía a la educación en Ecuador. Recupeado de:
https://www.elcomercio.com/tendencias/sociedad/ecuador-inteligencia-artificial-educacion-
tecnologia.html
Gunawan, K. D. H., Liliasari, L., Kaniawati, I., & Setiawan, W. (2021). Implementation of competency
enhancement program for science teachers assisted by artificial intelligence in designing HOTS-
based integrated science learning. Jurnal Penelitian dan Pembelajaran IPA, 7(1), 55–65.
https://doi.org/10.30870/jppi.v7i1.8655
Gupta, K. P., & Bhaskar, P. (2020). Inhibiting and motivating factors influencing teachers’ adoption of
AI-based teaching and learning solutions: Prioritization using analytic hierarchy process. Journal
of Information Technology Education: Research, 19, 693–723. https://doi.org/10.28945/4640
Hirankerd, K., & Kittisunthonphisarn, N. (2020). E-learning management system based on reality
technology with AI. International Journal of Information and Education Technology, 10(4), 259–
264. https://doi.org/10.18178/ijiet.2020.10.4.1373
Holmes, W., Hui, Z., Miao, F., & Ronghuai, H. (2021). AI and education: A guidance for policymakers.
UNESCO Publishing.
Holstein, K., McLaren, B. M., & Aleven, V. (2019). Co-designing a real-time classroom orchestration
tool to support teacher-AI complementarity. Journal of Learning Analytics, 6(2), 27–52.
https://doi.org/10.18608/jla.2019.62.3
Hu, J. J. (2021). Teaching evaluation system by use of machine learning and artificial intelligence
Methods. International Journal of Emerging Technologoes in Learning, 16 (5), 87–101.
https://doi.org/10.3991/ijet.v16i05.20299
Huang, S. P. (2018). Effects of using artificial intelligence teaching system for environmental education
on environmental knowledge and attitude. Eurasia Journal of Mathematics, Science and
Technology Education, 14(7), 3277–3284. https://doi.org/10.29333/ejmste/91248
pág. 3134
Hussin, A. A. (2018). Education 4.0 made simple: Ideas for teaching. International Journal of Education
and Literacy Studies, 6(3), 92–98. https://doi.org/10.7575/aiac.ijels.v.6n.3p.92
Jaiswal, A., & Arun, C. J. (2021). Potential of artificial intelligence for transformation of the education
system in India. International Journal of Education and Development Using Information and
Communication Technology, 17(1), 142–158.
https://search.ebscohost.com/login.aspx?direct=true&db=eric&AN=EJ1285526&site=ehost-
live&s
Kickmeier-Rust, M. D., & Holzinger, A. (2019). Interactive ant colony optimization to support
adaptation in serious games. International Journal of Serious Games, 6(3), 37–50.
https://doi.org/10.17083/ijsg.v6i3.308
Kim, H. S., Kim, N. Y., & Cha, Y. (2021). Is it beneficial to use AI chatbots to improve learners’
speaking performance? Journal of ASIA TEFL, 18(1), 161–178.
https://doi.org/10.18823/asiatefl.2021.18.1.10.161
Kong, J. S. M., Teo, B. S., Lee, Y. J., Pabba, A. B., Lee, E. J. D., & Sng, J. C. G. (2021). Virtual
integrated patient: An AI supplementary tool for second-year medical students. Asia Pacific
Scholar, 6(3), 87–90. https://doi.org/10.29060/TAPS.2021-6- 3/SC2394
Kumar, V., & Boulanger, D. (2020). Explainable automated essay scoring: Deep learning really has
pedagogical value. Frontiers in Education, 5. https://doi.org/10.3389/feduc.2020.572367
Lampos, V., Mintz, J., & Qu, X. (2021). An artificial intelligence approach for selecting effective teacher
communication strategies in autism education. NPJ Science of Learning, 6(1).
https://doi.org/10.1038/s41539-021-00102-x
Li, M., & Su, Y. (2020). Evaluation of online teaching quality of basic education based on artificial
intelligence. International Journal of Emerging Technologoes in Learning, 15 (16), 147–161.
https://doi.org/10.3991/ijet.v15i16.15937
Luo, D. L. (2018). Guide teaching system based on artificial intelligence. International Journal of
Emerging Technologoes in Learning, 13(8), 90–102. https://doi.org/10.3991/ijet.v13i08.9058
pág. 3135
McCarthy, T., Rosenblum, L. P., Johnson, B. G., Dittel, J., & Kearns, D. M. (2016). An artificial
intelligence tutor: A supplementary tool for teaching and practicing braille. Journal of Visual
Impairment & Blindness, 110(5), 309–322.
https://search.ebscohost.com/login.aspx?direct=true&db=eric&AN=EJ1114767&site=ehostlive
&scope=site
Munawar, S., Toor, S. K., Aslam, M., & Hamid, M. (2018). Move to smart learning environment:
Exploratory research of challenges in computer laboratory and design intelligent virtual
laboratory for eLearning technology. Eurasia Journal of Mathematics, Science and Technology
Education, 14(5), 1645–1662. https://doi.org/10.29333/ejmste/85036
Nabiyev, V., Karal, H., Arslan, S., Erumit, A. K., & Cebi, A. (2013). An artificial intelligence-based
distance education system: Artimat. The Turkish Online Journal of Distance Education, 14(2),
81–98. https://eric.ed.gov/?id=EJ1013738
Palasundram, K., Mohd Sharef, N., Nasharuddin, N. A., Kasmiran, K. A., & Azman, A. (2019).
Sequence to sequence model performance for education chatbot. International Journal of
Emerging Technologies in Learning (iJET), 14(24), 56–68.
https://doi.org/10.3991/ijet.v14i24.12187
Pedro, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education: Challenges
and opportunities for sustainable development. Paris: UNESCO.
Porter, B., & Grippa, F. (2020). A platform for AI-enabled real-time feedback to promote digital
collaboration. Sustainability (Switzerland), 12(24), 1–13. https://doi.org/10.3390/su122410243
Samarakou, M., Fylladitakis, E. D., Fruh, W. G., Hatziapostolou, A., & Gelegenis, J. J. (2015). An
advanced elearning environment developed for engineering learners. International Journal of
Emerging Technologies in Learning, 10(3), 22–33. https://doi.org/10.3991/ijet.v10i3.4484
Standen, P. J., Brown, D. J., Taheri, M., Trigo, M. J. G., Boulton, H., Burton, A., Hallewell, M. J., Lathe,
J. G., Shopland, N., Gonzalez, M. A. B., Kwiatkowska, G. M., Milli, E., Cobello, S., Mazzucato,
A., Traversi, M., & Hortal, E. (2020). An evaluation of an adaptive learning system based on
multimodal affect recognition for learners with intellectual disabilities. British Journal of
Educational Technology, 51(5), 1748–1765. https://doi.org/10.1111/bjet.13010
pág. 3136
Suing, A., Arrobo-Agila, J. P., & Carrión, N. (2022). Uso de medios sociales en los estudios de
licenciatura en comunicación en Ecuador: Uso das mídias sociais nos estudos de graduação em
comunicação no Equador. Brazilian Journal of Development, 8(11), 73952-73963.
https://doi.org/10.34117/bjdv8n11-210
Suing, A., Arrobo, J. P., & Carrión, N. (2016). Uso de medios sociales en los estudios de licenciatura
en comunicación en ecuador. Simpósio Internacional de Educação e Comunicação-SIMEDUC,
(7).
Vahabzadeh, A., Keshav, N. U., Abdus-Sabur, R., Huey, K., Liu, R., & Sahin, N. T. (2018). Improved
socio-emotional and behavioral functioning in students with autism following school-based
smartglasses intervention: Multi-stage feasibility and controlled efficacy study. Behavioral
Sciences, 8(10). https://doi.org/10.3390/bs8100085
Vazquez-Cano, E., Mengual-Andres, S., & Lopez-Meneses, E. (2021). Chatbot to improve learning
punctuation in Spanish and to enhance open and flexible learning environments. International
Journal of Educational Technology in Higher Education, 18 (1). https://doi.org/10.1186/s41239-
021-00269-8
Wang, Y. P., & Zheng, G. (2020). Application of artificial intelligence in college dance teaching and its
performance analysis. International Journal of Emerging Technologies in Learning, 15(16), 178–
190. https://doi.org/10.3991/ijet.v15i16.15939
Weragama, D., & Reye, J. (2014). Analysing student programs in the PHP intelligent tutoring system.
International Journal of Artificial Intelligence in Education, 24(2), 162–188.
https://doi.org/10.1007/s40593-014-0014-z
Westera, W., Prada, R., Mascarenhas, S., Santos, P. A., Dias, J., Guimaraes, M., Georgiadis, K.,
Nyamsuren, E., Bahreini, K., Yumak, Z., Christyowidiasmoro, C., Dascalu, M., Gutu-Robu, G.,
& Ruseti, S. (2020). Artificial intelligence moving serious gaming: Presenting reusable game AI
components. Education and Information Technologies, 25(1), 351–380.
https://doi.org/10.1007/s10639-019-09968-2
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in AI in
education. Learning, Media and Technology, 45(3), 223–235.
pág. 3137
https://doi.org/10.1080/17439884.2020.1798995
Xia, Q., Chiu, T. K. F, Lee, M., Temitayo I., Dai, Y., & Chai, C.S. (2022). A Self- determination theory
design approach for inclusive and diverse Artificial Intelligence (AI) K-12 education, Computers
& Education, 189, 104582. https://doi.org/10.1016/j.compedu.2022.104582
Yang, Y. Y., & Shulruf, B. (2019). Expert-led and artificial intelligence (AI) system- assisted tutoring
course increase confidence of Chinese medical interns on suturing and ligature skills: Prospective
pilot study. Journal of Educational Evaluation for Health Professions, 16.
https://doi.org/10.3352/jeehp.2019.16.7