IMPLEMENTACIÓN DE LA INTELIGENCIA
ARTIFICIAL POR ESTUDIANTES DE PREGRADO
EN ECUADOR: MODALIDAD EN LÍNEA
IMPLEMENTATION OF ARTIFICIAL INTELLIGENCE BY
UNDERGRADUATE STUDENTS IN ECUADOR: ONLINE MODALITY
Gladys Elizabeth Noblecilla Quintana
Investigadora Independiente, Ecuador
Fausto Emilio Raymond Cornejo
Investigadora Independiente, Ecuador
pág. 6410
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17373
Implementación de la Inteligencia Artificial por Estudiantes de Pregrado
en Ecuador: Modalidad en Línea
Gladys Elizabeth Noblecilla Quintana1
gnoblecilla@hotmail.com
Investigadora Independiente
Guayaquil, Ecuador
Fausto Emilio Raymond Cornejo
rayfa2012ec@hotmail.com
Investigador Independiente
Guayaquil, Ecuador
RESUMEN
Esta investigación analiza el uso de herramientas de Inteligencia Artificial (IA) por estudiantes
universitarios de pregrado en programas en línea en Ecuador, en un entorno educativo digitalizado,
impulsado por la pandemia de COVID-19. A través de un enfoque metodológico mixto —encuestas
(n=300) y entrevistas (n=10) de cinco universidades— se exploraron patrones de adopción, usos,
desafíos y oportunidades de la IA. Los resultados muestran una adopción creciente pero desigual, más
notable en áreas técnicas y científicas, con aplicaciones en automatización de tareas, redacción
académica, programación y análisis de datos. Sin embargo, persisten obstáculos como la brecha
digital, la falta de formación técnica y preocupaciones éticas sobre plagio y privacidad. A pesar de
esto, la IA ofrece oportunidades para personalizar el aprendizaje, ampliar el acceso a recursos
avanzados y fomentar competencias digitales indispensables en el mercado laboral. El estudio aporta
al entendimiento de este fenómeno educativo en Ecuador y sugiere recomendaciones para
universidades, docentes y autoridades, con el fin de potenciar los beneficios de la IA y mitigar sus
desafíos en el contexto local, promoviendo una integración efectiva y equitativa en la educación
superior.
Palabras clave: Inteligencia artificial, educación superior, aprendizaje en línea, tecnología educativa,
brecha digital
1 Autor principal
Correspondencia: gnoblecilla@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17373
Implementación de la Inteligencia Artificial por Estudiantes de Pregrado
en Ecuador: Modalidad en Línea
Gladys Elizabeth Noblecilla Quintana1
gnoblecilla@hotmail.com
Investigadora Independiente
Guayaquil, Ecuador
Fausto Emilio Raymond Cornejo
rayfa2012ec@hotmail.com
Investigador Independiente
Guayaquil, Ecuador
RESUMEN
Esta investigación analiza el uso de herramientas de Inteligencia Artificial (IA) por estudiantes
universitarios de pregrado en programas en línea en Ecuador, en un entorno educativo digitalizado,
impulsado por la pandemia de COVID-19. A través de un enfoque metodológico mixto —encuestas
(n=300) y entrevistas (n=10) de cinco universidades— se exploraron patrones de adopción, usos,
desafíos y oportunidades de la IA. Los resultados muestran una adopción creciente pero desigual, más
notable en áreas técnicas y científicas, con aplicaciones en automatización de tareas, redacción
académica, programación y análisis de datos. Sin embargo, persisten obstáculos como la brecha
digital, la falta de formación técnica y preocupaciones éticas sobre plagio y privacidad. A pesar de
esto, la IA ofrece oportunidades para personalizar el aprendizaje, ampliar el acceso a recursos
avanzados y fomentar competencias digitales indispensables en el mercado laboral. El estudio aporta
al entendimiento de este fenómeno educativo en Ecuador y sugiere recomendaciones para
universidades, docentes y autoridades, con el fin de potenciar los beneficios de la IA y mitigar sus
desafíos en el contexto local, promoviendo una integración efectiva y equitativa en la educación
superior.
Palabras clave: Inteligencia artificial, educación superior, aprendizaje en línea, tecnología educativa,
brecha digital
1 Autor principal
Correspondencia: gnoblecilla@hotmail.com
pág. 6411
Implementation of Artificial intelligence by Undergraduate Students in
Ecuador: Online Modality
ABSTRACT
This research analyzes the use of Artificial Intelligence (AI) tools by undergraduate university
students enrolled in online programs in Ecuador, within a digitized educational environment driven by
the COVID-19 pandemic. Using a mixed-methods approach—surveys (n=300) and interviews (n=10)
from five universities—it explores patterns of adoption, usage, challenges, and opportunities related to
AI. The findings reveal a growing yet uneven adoption, more prominent in technical and scientific
fields, with applications in task automation, academic writing, programming, and data analysis.
However, obstacles such as the digital divide, lack of technical training, and ethical concerns
regarding plagiarism and privacy persist. Despite these challenges, AI offers opportunities to
personalize learning, expand access to advanced resources, and foster essential digital skills for the
labor market. The study contributes to the understanding of this educational phenomenon in Ecuador
and offers recommendations for universities, educators, and policymakers to enhance the benefits of
AI while addressing its challenges, promoting effective and equitable integration into higher
education.
Keywords: artificial intelligence, higher education, online learning, educational technology, digital
divide
Artículo recibido 20 marzo 2025
Aceptado para publicación: 15 abril 2025
Implementation of Artificial intelligence by Undergraduate Students in
Ecuador: Online Modality
ABSTRACT
This research analyzes the use of Artificial Intelligence (AI) tools by undergraduate university
students enrolled in online programs in Ecuador, within a digitized educational environment driven by
the COVID-19 pandemic. Using a mixed-methods approach—surveys (n=300) and interviews (n=10)
from five universities—it explores patterns of adoption, usage, challenges, and opportunities related to
AI. The findings reveal a growing yet uneven adoption, more prominent in technical and scientific
fields, with applications in task automation, academic writing, programming, and data analysis.
However, obstacles such as the digital divide, lack of technical training, and ethical concerns
regarding plagiarism and privacy persist. Despite these challenges, AI offers opportunities to
personalize learning, expand access to advanced resources, and foster essential digital skills for the
labor market. The study contributes to the understanding of this educational phenomenon in Ecuador
and offers recommendations for universities, educators, and policymakers to enhance the benefits of
AI while addressing its challenges, promoting effective and equitable integration into higher
education.
Keywords: artificial intelligence, higher education, online learning, educational technology, digital
divide
Artículo recibido 20 marzo 2025
Aceptado para publicación: 15 abril 2025
pág. 6412
INTRODUCCIÓN
La integración de la Inteligencia Artificial (IA) en los procesos educativos representa uno de los
cambios paradigmáticos más significativos en la pedagogía contemporánea, transformando
radicalmente las dinámicas de enseñanza-aprendizaje a nivel global (Morales-Salas et al., 2020). En
América Latina, y particularmente en Ecuador, este fenómeno adquiere matices característicos que
merecen un análisis profundo y contextualizado, considerando las particularidades socioeconómicas,
tecnológicas y culturales de la región (Quezada Abarca, 2022). La presente investigación se enfoca en
la implementación de herramientas de IA por estudiantes universitarios ecuatorianos que cursan
programas en modalidad virtual, una población que ha experimentado un crecimiento exponencial en
los últimos años, especialmente tras la crisis sanitaria del COVID-19 que aceleró la digitalización
educativa (Ponce et al., 2021).
En el contexto ecuatoriano, la educación superior ha experimentado transformaciones en la última
década. Según Ramírez (2021), el número de estudiantes matriculados en programas virtuales se
incrementó de un 7% en 2019 a un 65% durante la pandemia, manteniendo posteriormente una tasa
del 38% en la etapa post-pandémica. Este escenario ha generado un terreno sólido para la adopción de
tecnologías emergentes, entre las cuales la IA ocupa un lugar importante. Sin embargo, como señalan
Basantes Arellano et al. (2025), la implementación de estas herramientas no está libre de
complejidades y desafíos particulares, desde limitaciones en infraestructura tecnológica hasta diversas
interpretaciones culturales sobre la automatización en procesos formativos.
El panorama educativo ecuatoriano se caracteriza por marcados contrastes. Por un lado, el país ha
realizado inversiones significativas en digitalización educativa, con programas gubernamentales como
el Plan de Servicio Universal 2022-2025, que busca fortalecer la infraestructura digital en el territorio
ecuatoriano (MINTEL, 2021). Por otro lado, persisten brechas digitales considerables: según datos del
Instituto Nacional de Estadísticas y Censos (INEC, 2023), solo el 61.7% de los hogares ecuatorianos
cuenta con acceso a internet, con disparidades notables entre zonas urbanas (72.4%) y rurales
(34.7%).
INTRODUCCIÓN
La integración de la Inteligencia Artificial (IA) en los procesos educativos representa uno de los
cambios paradigmáticos más significativos en la pedagogía contemporánea, transformando
radicalmente las dinámicas de enseñanza-aprendizaje a nivel global (Morales-Salas et al., 2020). En
América Latina, y particularmente en Ecuador, este fenómeno adquiere matices característicos que
merecen un análisis profundo y contextualizado, considerando las particularidades socioeconómicas,
tecnológicas y culturales de la región (Quezada Abarca, 2022). La presente investigación se enfoca en
la implementación de herramientas de IA por estudiantes universitarios ecuatorianos que cursan
programas en modalidad virtual, una población que ha experimentado un crecimiento exponencial en
los últimos años, especialmente tras la crisis sanitaria del COVID-19 que aceleró la digitalización
educativa (Ponce et al., 2021).
En el contexto ecuatoriano, la educación superior ha experimentado transformaciones en la última
década. Según Ramírez (2021), el número de estudiantes matriculados en programas virtuales se
incrementó de un 7% en 2019 a un 65% durante la pandemia, manteniendo posteriormente una tasa
del 38% en la etapa post-pandémica. Este escenario ha generado un terreno sólido para la adopción de
tecnologías emergentes, entre las cuales la IA ocupa un lugar importante. Sin embargo, como señalan
Basantes Arellano et al. (2025), la implementación de estas herramientas no está libre de
complejidades y desafíos particulares, desde limitaciones en infraestructura tecnológica hasta diversas
interpretaciones culturales sobre la automatización en procesos formativos.
El panorama educativo ecuatoriano se caracteriza por marcados contrastes. Por un lado, el país ha
realizado inversiones significativas en digitalización educativa, con programas gubernamentales como
el Plan de Servicio Universal 2022-2025, que busca fortalecer la infraestructura digital en el territorio
ecuatoriano (MINTEL, 2021). Por otro lado, persisten brechas digitales considerables: según datos del
Instituto Nacional de Estadísticas y Censos (INEC, 2023), solo el 61.7% de los hogares ecuatorianos
cuenta con acceso a internet, con disparidades notables entre zonas urbanas (72.4%) y rurales
(34.7%).
pág. 6413
Con base en este hecho, la adopción de herramientas de IA por estudiantes universitarios se desarrolla
de manera heterogénea. Mientras algunas universidades privadas reconocidas del país han
implementado capacitaciones en IA (Albuja y Guadalupe, 2022), otras instituciones, particularmente
en provincias con menor desarrollo tecnológico, enfrentan serias limitaciones para incorporar estas
tecnologías (Albuja Loachamin et al., 2023). Esta realidad plantea interrogantes fundamentales sobre
equidad, acceso y calidad educativa en la era digital.
La pandemia del COVID-19 tuvo gran incidencia en la adopción acelerada de tecnologías educativas,
incluyendo aquellas basadas en IA. Como documentan Barrientos Odarini et al. (2022), durante el
período 2020-2022, se observó un incremento representativo en el uso de plataformas educativas con
componentes de IA en distintas universidades. Sin embargo, este crecimiento vertiginoso no siempre
estuvo acompañado de las necesarias adaptaciones pedagógicas y capacitaciones docentes, generando
tensiones entre innovación tecnológica y calidad formativa (Camacho Marín et al., 2020).
La literatura científica sobre implementación de IA en contextos educativos ha experimentado un
crecimiento exponencial en la última década. A nivel internacional, estudios como los de Zawacki-
Richter et al. (2019) han mapeado sistemáticamente las aplicaciones de IA en educación superior,
identificando cuatro dominios principales: sistemas adaptativos de aprendizaje, evaluación
automatizada, tutoría inteligente y analíticas de aprendizaje. En Ecuador, Espinales-Franco et al.
(2024) documentan patrones dispares, liderando la implementación de estas tecnologías en ambientes
universitarios.
Los trabajos pioneros de Parra-Sánchez (2022) analizaron las potencialidades de asistentes virtuales
en la educación superior, mientras que Souto Suárez et al. (2020) estudiaron las percepciones de
estudiantes sobre sistemas de evaluación formativa. Sin embargo, existe un vacío significativo en
investigaciones que aborden específicamente la modalidad virtual y las particularidades de la
implementación estudiantil de herramientas de IA desde una perspectiva integral.
Yanqui Toasa (2023) realiza una revisión de literatura en la Universidad Politécnica Salesiana,
encontrando beneficios predominantes de la IA en programación, modelado de datos y diseño
asistido.
Con base en este hecho, la adopción de herramientas de IA por estudiantes universitarios se desarrolla
de manera heterogénea. Mientras algunas universidades privadas reconocidas del país han
implementado capacitaciones en IA (Albuja y Guadalupe, 2022), otras instituciones, particularmente
en provincias con menor desarrollo tecnológico, enfrentan serias limitaciones para incorporar estas
tecnologías (Albuja Loachamin et al., 2023). Esta realidad plantea interrogantes fundamentales sobre
equidad, acceso y calidad educativa en la era digital.
La pandemia del COVID-19 tuvo gran incidencia en la adopción acelerada de tecnologías educativas,
incluyendo aquellas basadas en IA. Como documentan Barrientos Odarini et al. (2022), durante el
período 2020-2022, se observó un incremento representativo en el uso de plataformas educativas con
componentes de IA en distintas universidades. Sin embargo, este crecimiento vertiginoso no siempre
estuvo acompañado de las necesarias adaptaciones pedagógicas y capacitaciones docentes, generando
tensiones entre innovación tecnológica y calidad formativa (Camacho Marín et al., 2020).
La literatura científica sobre implementación de IA en contextos educativos ha experimentado un
crecimiento exponencial en la última década. A nivel internacional, estudios como los de Zawacki-
Richter et al. (2019) han mapeado sistemáticamente las aplicaciones de IA en educación superior,
identificando cuatro dominios principales: sistemas adaptativos de aprendizaje, evaluación
automatizada, tutoría inteligente y analíticas de aprendizaje. En Ecuador, Espinales-Franco et al.
(2024) documentan patrones dispares, liderando la implementación de estas tecnologías en ambientes
universitarios.
Los trabajos pioneros de Parra-Sánchez (2022) analizaron las potencialidades de asistentes virtuales
en la educación superior, mientras que Souto Suárez et al. (2020) estudiaron las percepciones de
estudiantes sobre sistemas de evaluación formativa. Sin embargo, existe un vacío significativo en
investigaciones que aborden específicamente la modalidad virtual y las particularidades de la
implementación estudiantil de herramientas de IA desde una perspectiva integral.
Yanqui Toasa (2023) realiza una revisión de literatura en la Universidad Politécnica Salesiana,
encontrando beneficios predominantes de la IA en programación, modelado de datos y diseño
asistido.
pág. 6414
Por su parte, Jimbo-Santana (2023) documentó el rendimiento académico de estudiantes que utilizan
herramientas de IA para análisis textual y producción escrita. No obstante, estos estudios se enfocan
en disciplinas y contextos específicos, sin ofrecer una visión transversal del fenómeno a nivel
nacional.
La dimensión ética de la implementación de IA en educación superior constituye otro eje relevante en
la literatura reciente. Kaufman (2022) analiza las implicaciones del uso de IA generativa en la
producción académica estudiantil, identificando tensiones entre innovación tecnológica e integridad
académica. Por su parte, Marín y Tur (2023) abordan cuestiones de privacidad de datos, señalando
vulnerabilidades significativas y ausencia de marcos regulatorios adecuados.
La presente investigación se justifica por múltiples razones. En primer lugar, existe una necesidad
apremiante de comprender cómo los estudiantes ecuatorianos están incorporando herramientas de IA
en sus procesos de aprendizaje, especialmente considerando la acelerada digitalización educativa tras
la pandemia. Este conocimiento resulta fundamental para informar políticas educativas, estrategias
institucionales y prácticas pedagógicas adaptadas al contexto local.
En segundo lugar, la modalidad en línea presenta particularidades que hacen especialmente relevante
el estudio de la implementación de IA. Como señalan Hidalgo y Montero (2023), los entornos
virtuales ofrecen tanto oportunidades excepcionales para la integración de tecnologías avanzadas
como desafíos específicos relacionados con supervisión, evaluación y acompañamiento.
Así también, este estudio contribuye a llenar un vacío significativo en la literatura científica sobre
tecnología educativa en Ecuador, aportando evidencia empírica sobre un fenómeno contemporáneo
con profundas implicaciones para el futuro de la educación superior en el país. Como argumentan
Paredes y Naranjo (2023), la comprensión de las dinámicas de adopción tecnológica por estudiantes
constituye un paso esencial para configurar sistemas educativos más resilientes, inclusivos e
innovadores.
La presente investigación se estructura en torno a las siguientes preguntas fundamentales:
1. ¿Cuáles son los patrones de adopción y uso de herramientas de Inteligencia Artificial entre
estudiantes universitarios ecuatorianos en modalidad en línea?
Por su parte, Jimbo-Santana (2023) documentó el rendimiento académico de estudiantes que utilizan
herramientas de IA para análisis textual y producción escrita. No obstante, estos estudios se enfocan
en disciplinas y contextos específicos, sin ofrecer una visión transversal del fenómeno a nivel
nacional.
La dimensión ética de la implementación de IA en educación superior constituye otro eje relevante en
la literatura reciente. Kaufman (2022) analiza las implicaciones del uso de IA generativa en la
producción académica estudiantil, identificando tensiones entre innovación tecnológica e integridad
académica. Por su parte, Marín y Tur (2023) abordan cuestiones de privacidad de datos, señalando
vulnerabilidades significativas y ausencia de marcos regulatorios adecuados.
La presente investigación se justifica por múltiples razones. En primer lugar, existe una necesidad
apremiante de comprender cómo los estudiantes ecuatorianos están incorporando herramientas de IA
en sus procesos de aprendizaje, especialmente considerando la acelerada digitalización educativa tras
la pandemia. Este conocimiento resulta fundamental para informar políticas educativas, estrategias
institucionales y prácticas pedagógicas adaptadas al contexto local.
En segundo lugar, la modalidad en línea presenta particularidades que hacen especialmente relevante
el estudio de la implementación de IA. Como señalan Hidalgo y Montero (2023), los entornos
virtuales ofrecen tanto oportunidades excepcionales para la integración de tecnologías avanzadas
como desafíos específicos relacionados con supervisión, evaluación y acompañamiento.
Así también, este estudio contribuye a llenar un vacío significativo en la literatura científica sobre
tecnología educativa en Ecuador, aportando evidencia empírica sobre un fenómeno contemporáneo
con profundas implicaciones para el futuro de la educación superior en el país. Como argumentan
Paredes y Naranjo (2023), la comprensión de las dinámicas de adopción tecnológica por estudiantes
constituye un paso esencial para configurar sistemas educativos más resilientes, inclusivos e
innovadores.
La presente investigación se estructura en torno a las siguientes preguntas fundamentales:
1. ¿Cuáles son los patrones de adopción y uso de herramientas de Inteligencia Artificial entre
estudiantes universitarios ecuatorianos en modalidad en línea?
pág. 6415
2. ¿Qué factores socioeconómicos, tecnológicos y pedagógicos facilitan o limitan la implementación
de estas tecnologías?
3. ¿Qué percepciones, actitudes y experiencias manifiestan los estudiantes respecto a la utilización
de IA en sus procesos formativos?
4. ¿Qué implicaciones éticas, pedagógicas e institucionales emergen de la creciente implementación
de IA en la educación superior virtual ecuatoriana?
En consonancia con estas interrogantes, se establecen los siguientes objetivos: El objetivo general es
analizar los patrones, factores determinantes, experiencias y consecuencias de la implementación de
herramientas de Inteligencia Artificial por estudiantes universitarios ecuatorianos en programas de
modalidad en línea. Los objetivos específicos son los siguientes: 1) Caracterizar los patrones de
adopción y uso de herramientas de IA entre estudiantes universitarios ecuatorianos en entornos
virtuales; 2) Identificar los factores que facilitan o limitan la implementación estudiantil de
tecnologías basadas en IA; 3) Explorar las experiencias, percepciones y estrategias desarrolladas por
los estudiantes al integrar herramientas de IA en sus procesos formativos, y; 4) Analizar las
implicaciones éticas, pedagógicas e institucionales derivadas de esta implementación tecnológica.
Esta investigación se posiciona en la intersección entre tecnología educativa, pedagogía digital y
estudios socioculturales de la tecnología, adoptando un enfoque integral que considera tanto
dimensiones técnicas como humanas en la comprensión de un fenómeno educativo emergente con
profundas implicaciones para el futuro de la educación superior en Ecuador.
METODOLOGÍA
La investigación realizada adoptó un enfoque metodológico mixto, combinando técnicas cuantitativas
y cualitativas para obtener una comprensión clara del fenómeno estudiado. Este diseño metodológico
responde a la naturaleza multidimensional del objeto de estudio, permitiendo tanto la identificación de
patrones generales como la exploración de experiencias subjetivas y significados construidos por los
estudiantes en su interacción con herramientas de IA (Hernández-Sampieri y Mendoza, 2018).
El diseño de esta investigación responde al exploratorio secuencial en su modalidad derivativa
(Creswell y Creswell, 2022), que implicó una primera fase de recolección y análisis de datos
cualitativos, seguida de una fase cuantitativa, cuyos resultados se integraron en la interpretación final.
2. ¿Qué factores socioeconómicos, tecnológicos y pedagógicos facilitan o limitan la implementación
de estas tecnologías?
3. ¿Qué percepciones, actitudes y experiencias manifiestan los estudiantes respecto a la utilización
de IA en sus procesos formativos?
4. ¿Qué implicaciones éticas, pedagógicas e institucionales emergen de la creciente implementación
de IA en la educación superior virtual ecuatoriana?
En consonancia con estas interrogantes, se establecen los siguientes objetivos: El objetivo general es
analizar los patrones, factores determinantes, experiencias y consecuencias de la implementación de
herramientas de Inteligencia Artificial por estudiantes universitarios ecuatorianos en programas de
modalidad en línea. Los objetivos específicos son los siguientes: 1) Caracterizar los patrones de
adopción y uso de herramientas de IA entre estudiantes universitarios ecuatorianos en entornos
virtuales; 2) Identificar los factores que facilitan o limitan la implementación estudiantil de
tecnologías basadas en IA; 3) Explorar las experiencias, percepciones y estrategias desarrolladas por
los estudiantes al integrar herramientas de IA en sus procesos formativos, y; 4) Analizar las
implicaciones éticas, pedagógicas e institucionales derivadas de esta implementación tecnológica.
Esta investigación se posiciona en la intersección entre tecnología educativa, pedagogía digital y
estudios socioculturales de la tecnología, adoptando un enfoque integral que considera tanto
dimensiones técnicas como humanas en la comprensión de un fenómeno educativo emergente con
profundas implicaciones para el futuro de la educación superior en Ecuador.
METODOLOGÍA
La investigación realizada adoptó un enfoque metodológico mixto, combinando técnicas cuantitativas
y cualitativas para obtener una comprensión clara del fenómeno estudiado. Este diseño metodológico
responde a la naturaleza multidimensional del objeto de estudio, permitiendo tanto la identificación de
patrones generales como la exploración de experiencias subjetivas y significados construidos por los
estudiantes en su interacción con herramientas de IA (Hernández-Sampieri y Mendoza, 2018).
El diseño de esta investigación responde al exploratorio secuencial en su modalidad derivativa
(Creswell y Creswell, 2022), que implicó una primera fase de recolección y análisis de datos
cualitativos, seguida de una fase cuantitativa, cuyos resultados se integraron en la interpretación final.
pág. 6416
Esta aproximación metodológica resulta particularmente apropiada para el estudio de fenómenos
emergentes y complejos en contextos educativos (Vázquez Miraz y Medina, 2024).
La investigación se estructuró en tres fases principales: 1) Fase exploratoria cualitativa: Orientada a
comprender en profundidad las experiencias, percepciones y prácticas de estudiantes universitarios
respecto a la implementación de herramientas de IA en sus procesos formativos; 2) Fase descriptiva
cuantitativa: Enfocada en identificar patrones generales de adopción, uso y actitudes hacia la IA entre
una muestra más amplia de estudiantes, y; 3) Fase integrativa: Dirigida a sintetizar los hallazgos de
ambas aproximaciones metodológicas para desarrollar un marco comprensivo del fenómeno
estudiado.
La población objetivo de este estudio estuvo constituida por estudiantes de pregrado matriculados en
programas de modalidad en línea en universidades ecuatorianas, tanto públicas como privadas. Para
garantizar la representatividad geográfica y la diversidad de contextos institucionales, se
seleccionaron cinco universidades ubicadas en diferentes regiones del país:
Universidad A (Sierra-Norte)
Universidad B (Costa-Litoral)
Universidad C (Sierra-Centro)
Universidad D (Costa-Litoral)
Universidad E (Sierra-Sur)
Esta selección permitió capturar la heterogeneidad de entornos educativos, considerando tanto
instituciones históricas con amplia trayectoria como entidades de creación más reciente, así como
universidades con diferentes niveles de implementación tecnológica.
Para la fase cualitativa, se utilizó un muestreo intencional de casos típicos (Patton, 2020),
seleccionando a 10 estudiantes (2 por cada universidad) que cumplieran con los siguientes criterios:
▪ Estar matriculados en programas de modalidad en línea.
▪ Tener experiencia previa con al menos una herramienta de IA en su proceso formativo.
▪ Representar diversidad en términos de áreas disciplinares, género y nivel de estudios.
Esta aproximación metodológica resulta particularmente apropiada para el estudio de fenómenos
emergentes y complejos en contextos educativos (Vázquez Miraz y Medina, 2024).
La investigación se estructuró en tres fases principales: 1) Fase exploratoria cualitativa: Orientada a
comprender en profundidad las experiencias, percepciones y prácticas de estudiantes universitarios
respecto a la implementación de herramientas de IA en sus procesos formativos; 2) Fase descriptiva
cuantitativa: Enfocada en identificar patrones generales de adopción, uso y actitudes hacia la IA entre
una muestra más amplia de estudiantes, y; 3) Fase integrativa: Dirigida a sintetizar los hallazgos de
ambas aproximaciones metodológicas para desarrollar un marco comprensivo del fenómeno
estudiado.
La población objetivo de este estudio estuvo constituida por estudiantes de pregrado matriculados en
programas de modalidad en línea en universidades ecuatorianas, tanto públicas como privadas. Para
garantizar la representatividad geográfica y la diversidad de contextos institucionales, se
seleccionaron cinco universidades ubicadas en diferentes regiones del país:
Universidad A (Sierra-Norte)
Universidad B (Costa-Litoral)
Universidad C (Sierra-Centro)
Universidad D (Costa-Litoral)
Universidad E (Sierra-Sur)
Esta selección permitió capturar la heterogeneidad de entornos educativos, considerando tanto
instituciones históricas con amplia trayectoria como entidades de creación más reciente, así como
universidades con diferentes niveles de implementación tecnológica.
Para la fase cualitativa, se utilizó un muestreo intencional de casos típicos (Patton, 2020),
seleccionando a 10 estudiantes (2 por cada universidad) que cumplieran con los siguientes criterios:
▪ Estar matriculados en programas de modalidad en línea.
▪ Tener experiencia previa con al menos una herramienta de IA en su proceso formativo.
▪ Representar diversidad en términos de áreas disciplinares, género y nivel de estudios.
pág. 6417
Para la fase cuantitativa, se implementó un muestreo probabilístico estratificado proporcional (Otzen
y Manterola, 2017), considerando como estratos las cinco universidades participantes. Mediante la
aplicación de la fórmula para poblaciones finitas, con un nivel de confianza del 95% y un margen de
error del 5.5%, se determinó una muestra de 300 estudiantes, distribuidos proporcionalmente según el
tamaño de la población estudiantil en modalidad virtual de cada institución.
En consonancia con el enfoque metodológico mixto, se emplearon diversos instrumentos para la
recolección de información:
1. Se realizaron entrevistas en profundidad con los 10 participantes seleccionados para la fase
cualitativa. Se diseñó un protocolo de entrevista semiestructurada organizado en cuatro
dimensiones: a) Experiencias iniciales y trayectoria de adopción. – Primeros contactos con
herramientas de IA, motivaciones para su implementación y evolución de uso; b) Prácticas
cotidianas. – Herramientas específicas utilizadas, frecuencia, contextos de aplicación y estrategias
de implementación; c) Percepciones y valoraciones. – Beneficios percibidos, limitaciones
identificadas, preocupaciones éticas y evaluación de impacto en el aprendizaje, y; d) Factores
contextuales. – Elementos institucionales, curriculares, tecnológicos y sociales que facilitan o
dificultan la implementación.
Las entrevistas, realizadas a través de plataformas de videoconferencia, tuvieron una duración
promedio de 75 minutos y fueron grabadas con consentimiento informado de los participantes
para su posterior transcripción y análisis.
2. Para la fase cuantitativa, se diseñó un cuestionario estructurado compuesto por 42 ítems,
distribuidos en seis secciones: a) Perfil sociodemográfico y académico. – Características básicas
de los participantes, incluyendo datos sociodemográficos, área de estudios y nivel de avance
académico; b) Acceso y alfabetización digital. – Evaluación de condiciones de conectividad,
disponibilidad de dispositivos y competencias digitales; c) Patrones de adopción y uso. –
Identificación de herramientas específicas utilizadas, frecuencia, finalidades y contextos de
implementación; d) Percepciones y actitudes. – Medición de valoraciones sobre utilidad, facilidad
de uso, ética y efectos en el aprendizaje, mediante escalas Likert; e) Factores facilitadores y
obstaculizadores. – Evaluación de elementos que potencian o limitan la implementación de IA.
Para la fase cuantitativa, se implementó un muestreo probabilístico estratificado proporcional (Otzen
y Manterola, 2017), considerando como estratos las cinco universidades participantes. Mediante la
aplicación de la fórmula para poblaciones finitas, con un nivel de confianza del 95% y un margen de
error del 5.5%, se determinó una muestra de 300 estudiantes, distribuidos proporcionalmente según el
tamaño de la población estudiantil en modalidad virtual de cada institución.
En consonancia con el enfoque metodológico mixto, se emplearon diversos instrumentos para la
recolección de información:
1. Se realizaron entrevistas en profundidad con los 10 participantes seleccionados para la fase
cualitativa. Se diseñó un protocolo de entrevista semiestructurada organizado en cuatro
dimensiones: a) Experiencias iniciales y trayectoria de adopción. – Primeros contactos con
herramientas de IA, motivaciones para su implementación y evolución de uso; b) Prácticas
cotidianas. – Herramientas específicas utilizadas, frecuencia, contextos de aplicación y estrategias
de implementación; c) Percepciones y valoraciones. – Beneficios percibidos, limitaciones
identificadas, preocupaciones éticas y evaluación de impacto en el aprendizaje, y; d) Factores
contextuales. – Elementos institucionales, curriculares, tecnológicos y sociales que facilitan o
dificultan la implementación.
Las entrevistas, realizadas a través de plataformas de videoconferencia, tuvieron una duración
promedio de 75 minutos y fueron grabadas con consentimiento informado de los participantes
para su posterior transcripción y análisis.
2. Para la fase cuantitativa, se diseñó un cuestionario estructurado compuesto por 42 ítems,
distribuidos en seis secciones: a) Perfil sociodemográfico y académico. – Características básicas
de los participantes, incluyendo datos sociodemográficos, área de estudios y nivel de avance
académico; b) Acceso y alfabetización digital. – Evaluación de condiciones de conectividad,
disponibilidad de dispositivos y competencias digitales; c) Patrones de adopción y uso. –
Identificación de herramientas específicas utilizadas, frecuencia, finalidades y contextos de
implementación; d) Percepciones y actitudes. – Medición de valoraciones sobre utilidad, facilidad
de uso, ética y efectos en el aprendizaje, mediante escalas Likert; e) Factores facilitadores y
obstaculizadores. – Evaluación de elementos que potencian o limitan la implementación de IA.
pág. 6418
El instrumento fue sometido a validación de contenido mediante juicio de expertos, contando con
la participación de cinco especialistas en tecnología educativa y metodología de la investigación,
quienes evaluaron la pertinencia, claridad y suficiencia de los ítems. Tras realizar los ajustes
sugeridos, se efectuó una prueba piloto con 30 estudiantes para verificar la comprensión de las
preguntas y estimar la confiabilidad del instrumento, obteniendo un coeficiente Alfa de Cronbach
de 0.87, que indica una alta consistencia interna.
El cuestionario fue implementado a través de la plataforma QuestionPro y distribuido a estudiantes de
las universidades participantes.
El análisis de datos se realizó de manera diferenciada según la naturaleza de la información
recolectada, para posteriormente integrar los hallazgos en un esquema interpretativo coherente.
Las transcripciones de las entrevistas fueron analizadas mediante el método de análisis temático
propuesto por Braun y Clarke (2021), siguiendo un proceso sistemático de seis fases: 1)
Familiarización con los datos mediante lecturas reiteradas; 2) Identificación de variables, con base en
las unidades significativas de contenido; 3) Búsqueda de temas potenciales, agrupando variables
relacionadas; 4) Revisión y refinamiento de temas, verificando su coherencia interna y distintiva; 5)
Definición y denominación de temas, clarificando su esencia y alcance, y; 6) Producción del informe,
seleccionando extractos ilustrativos y articulándolos con la literatura.
Para garantizar la rigurosidad del análisis, se implementaron estrategias de verificación como la
triangulación de investigadores y la verificación por participantes, quienes revisaron las
interpretaciones preliminares para confirmar su fidelidad a sus experiencias.
El proceso de análisis fue asistido por el software IBM SPSS Statistics (versión 26). Se realizaron los
siguientes análisis: 1) Análisis descriptivo; 2) Análisis inferencial, y; 3) Análisis multivariante
Siguiendo los principios de la metodología mixta, se implementó una estrategia de integración
mediante triangulación metodológica (Flick, 2022). Este proceso implicó:
1. Comparación sistemática de hallazgos cualitativos y cuantitativos, identificando convergencias,
complementariedades y divergencias;
2. Resolución de discrepancias mediante análisis contextual y retorno a los datos originales, y;
El instrumento fue sometido a validación de contenido mediante juicio de expertos, contando con
la participación de cinco especialistas en tecnología educativa y metodología de la investigación,
quienes evaluaron la pertinencia, claridad y suficiencia de los ítems. Tras realizar los ajustes
sugeridos, se efectuó una prueba piloto con 30 estudiantes para verificar la comprensión de las
preguntas y estimar la confiabilidad del instrumento, obteniendo un coeficiente Alfa de Cronbach
de 0.87, que indica una alta consistencia interna.
El cuestionario fue implementado a través de la plataforma QuestionPro y distribuido a estudiantes de
las universidades participantes.
El análisis de datos se realizó de manera diferenciada según la naturaleza de la información
recolectada, para posteriormente integrar los hallazgos en un esquema interpretativo coherente.
Las transcripciones de las entrevistas fueron analizadas mediante el método de análisis temático
propuesto por Braun y Clarke (2021), siguiendo un proceso sistemático de seis fases: 1)
Familiarización con los datos mediante lecturas reiteradas; 2) Identificación de variables, con base en
las unidades significativas de contenido; 3) Búsqueda de temas potenciales, agrupando variables
relacionadas; 4) Revisión y refinamiento de temas, verificando su coherencia interna y distintiva; 5)
Definición y denominación de temas, clarificando su esencia y alcance, y; 6) Producción del informe,
seleccionando extractos ilustrativos y articulándolos con la literatura.
Para garantizar la rigurosidad del análisis, se implementaron estrategias de verificación como la
triangulación de investigadores y la verificación por participantes, quienes revisaron las
interpretaciones preliminares para confirmar su fidelidad a sus experiencias.
El proceso de análisis fue asistido por el software IBM SPSS Statistics (versión 26). Se realizaron los
siguientes análisis: 1) Análisis descriptivo; 2) Análisis inferencial, y; 3) Análisis multivariante
Siguiendo los principios de la metodología mixta, se implementó una estrategia de integración
mediante triangulación metodológica (Flick, 2022). Este proceso implicó:
1. Comparación sistemática de hallazgos cualitativos y cuantitativos, identificando convergencias,
complementariedades y divergencias;
2. Resolución de discrepancias mediante análisis contextual y retorno a los datos originales, y;
pág. 6419
3. Síntesis interpretativa que articula ambas aproximaciones en un marco explicativo coherente.
La investigación se desarrolló observando estrictos principios éticos mediante la implementación de
las siguientes medidas:
1. Consentimiento informado. – Todos los participantes fueron informados sobre los objetivos,
procedimientos, riesgos potenciales y beneficios del estudio, otorgando su consentimiento
voluntario antes de participar.
2. Confidencialidad y anonimato. – Se implementaron protocolos rigurosos para proteger la
identidad de los participantes y de las instituciones involucradas, utilizando códigos
alfanuméricos en lugar de datos identificativos y almacenando la información en repositorios
seguros con acceso restringido.
3. Manejo responsable de datos sensibles. – Los registros de plataformas fueron anonimizados
previamente a su análisis, eliminando todo dato que pudiera permitir la identificación de
estudiantes individuales o de las instituciones educativas.
4. Reciprocidad. – Se estableció el compromiso de compartir los resultados generales con las partes
interesadas, como contribución al mejoramiento de prácticas educativas, manteniendo en todo
momento la confidencialidad de las fuentes.
RESULTADOS
Antes de analizar los resultados específicos, es importante caracterizar a los participantes del estudio.
La muestra cuantitativa (n=300) estuvo compuesta por estudiantes de pregrado en modalidad virtual
de cinco universidades ecuatorianas, con una distribución por género de 54,3% mujeres y 45,7%
hombres. La edad promedio fue de 24,8 años (DE=5,6), con un rango entre 18 y 42 años. En cuanto a
ubicación geográfica, el 61,7% residía en zonas urbanas y el 38,3% en zonas rurales o periurbanas. A
continuación, se presentan los principales hallazgos obtenidos de la investigación, organizados en
cuatro áreas temáticas que corresponden a los objetivos específicos del estudio.
3. Síntesis interpretativa que articula ambas aproximaciones en un marco explicativo coherente.
La investigación se desarrolló observando estrictos principios éticos mediante la implementación de
las siguientes medidas:
1. Consentimiento informado. – Todos los participantes fueron informados sobre los objetivos,
procedimientos, riesgos potenciales y beneficios del estudio, otorgando su consentimiento
voluntario antes de participar.
2. Confidencialidad y anonimato. – Se implementaron protocolos rigurosos para proteger la
identidad de los participantes y de las instituciones involucradas, utilizando códigos
alfanuméricos en lugar de datos identificativos y almacenando la información en repositorios
seguros con acceso restringido.
3. Manejo responsable de datos sensibles. – Los registros de plataformas fueron anonimizados
previamente a su análisis, eliminando todo dato que pudiera permitir la identificación de
estudiantes individuales o de las instituciones educativas.
4. Reciprocidad. – Se estableció el compromiso de compartir los resultados generales con las partes
interesadas, como contribución al mejoramiento de prácticas educativas, manteniendo en todo
momento la confidencialidad de las fuentes.
RESULTADOS
Antes de analizar los resultados específicos, es importante caracterizar a los participantes del estudio.
La muestra cuantitativa (n=300) estuvo compuesta por estudiantes de pregrado en modalidad virtual
de cinco universidades ecuatorianas, con una distribución por género de 54,3% mujeres y 45,7%
hombres. La edad promedio fue de 24,8 años (DE=5,6), con un rango entre 18 y 42 años. En cuanto a
ubicación geográfica, el 61,7% residía en zonas urbanas y el 38,3% en zonas rurales o periurbanas. A
continuación, se presentan los principales hallazgos obtenidos de la investigación, organizados en
cuatro áreas temáticas que corresponden a los objetivos específicos del estudio.
pág. 6420
Figura 1 Distribución de participantes por área de estudio
Nota. Elaboración propia.
Respecto al nivel de avance académico, el 28,3% cursaba el primer o segundo semestre, el 35,7%
entre tercer y sexto semestre, y el 36% se encontraba en los últimos semestres de su carrera. La
muestra cualitativa (n=10) mantuvo proporciones similares en cuanto a distribución por género, área
disciplinar y nivel de avance, asegurando representatividad respecto a la muestra cuantitativa.
El primer hallazgo significativo es el alto nivel de implementación de herramientas de IA entre los
estudiantes universitarios ecuatorianos en modalidad virtual. El 87,3% de los encuestados reportó
haber utilizado al menos una herramienta basada en IA durante su proceso formativo en el último año
académico, aunque con importantes variaciones en cuanto a frecuencia, diversidad y sofisticación de
uso.
Figura 2 Porcentaje de estudiantes que utilizan diferentes tipos de herramientas de IA
Nota. Los porcentajes suman más de 100% debido a que los estudiantes podían seleccionar múltiples opciones.
27,30%
19,70%
18,00%
13,70%
12,00%
6,30%
3,00%
Ingeniería y Tecnología
Ciencias Administrativas y Económicas
Ciencias Sociales y Humanidades
Ciencias de la Salud
Educación
Ciencias Exactas y Naturales
Artes y Arquitectura
Área de estudio de los estudiantes
82,70%
74,30%
68,50%
42,30%
38,70%
32,60%
26,30%
18,70%
Asistentes de IA generativa (ChatGPT, Bard, Claude,
etc.)
Herramientas de resumen y análisis textual
Correctores gramaticales avanzados
Asistentes de programación (GitHub, Copilot, etc.)
Sistemas de traducción inteligente (DeepL, Google
Translate avanzado)
Plataformas de aprendizaje adaptativo
Herramientas de visualización automática de datos
Sistemas de búsqueda académica con IA
Herramientas IA utilizadas por estudiantes
Figura 1 Distribución de participantes por área de estudio
Nota. Elaboración propia.
Respecto al nivel de avance académico, el 28,3% cursaba el primer o segundo semestre, el 35,7%
entre tercer y sexto semestre, y el 36% se encontraba en los últimos semestres de su carrera. La
muestra cualitativa (n=10) mantuvo proporciones similares en cuanto a distribución por género, área
disciplinar y nivel de avance, asegurando representatividad respecto a la muestra cuantitativa.
El primer hallazgo significativo es el alto nivel de implementación de herramientas de IA entre los
estudiantes universitarios ecuatorianos en modalidad virtual. El 87,3% de los encuestados reportó
haber utilizado al menos una herramienta basada en IA durante su proceso formativo en el último año
académico, aunque con importantes variaciones en cuanto a frecuencia, diversidad y sofisticación de
uso.
Figura 2 Porcentaje de estudiantes que utilizan diferentes tipos de herramientas de IA
Nota. Los porcentajes suman más de 100% debido a que los estudiantes podían seleccionar múltiples opciones.
27,30%
19,70%
18,00%
13,70%
12,00%
6,30%
3,00%
Ingeniería y Tecnología
Ciencias Administrativas y Económicas
Ciencias Sociales y Humanidades
Ciencias de la Salud
Educación
Ciencias Exactas y Naturales
Artes y Arquitectura
Área de estudio de los estudiantes
82,70%
74,30%
68,50%
42,30%
38,70%
32,60%
26,30%
18,70%
Asistentes de IA generativa (ChatGPT, Bard, Claude,
etc.)
Herramientas de resumen y análisis textual
Correctores gramaticales avanzados
Asistentes de programación (GitHub, Copilot, etc.)
Sistemas de traducción inteligente (DeepL, Google
Translate avanzado)
Plataformas de aprendizaje adaptativo
Herramientas de visualización automática de datos
Sistemas de búsqueda académica con IA
Herramientas IA utilizadas por estudiantes
pág. 6421
Como puede observarse, los asistentes basados en IA generativa (como ChatGPT, Bard, Claude)
constituyen la categoría más ampliamente adoptada (82,7%), seguidos por herramientas de resumen y
análisis textual (74,3%), correctores gramaticales avanzados (68,5%), asistentes de programación
(42,3%) y sistemas de traducción inteligente (38,7%).
El análisis cualitativo permitió identificar patrones de adopción que complementan estos datos
cuantitativos. Las entrevistas revelaron que la mayoría de los estudiantes conocieron estas
herramientas a través de tres vías principales: Recomendaciones de compañeros (mencionado por 7 de
10 entrevistados), auto-exploración en redes sociales (6/10) y, en menor medida, sugerencias docentes
(3/10). Como expresó un estudiante de ingeniería:
Al principio escuché sobre ChatGPT en TikTok, pero no le presté mucha atención. Fue
cuando un compañero me mostró cómo lo usaba para que le diera conceptos complejos
que me di cuenta del potencial. Ahora es prácticamente parte de mi rutina de estudio.
(Participante E3, Universidad B).
La adopción, sin embargo, no es homogénea entre disciplinas. El análisis inferencial reveló
diferencias estadísticamente significativas en la prevalencia de uso según el área disciplinar (χ²=27,35,
p<.001), con mayor adopción en carreras técnicas y científicas (94,2%) en comparación con
humanidades y ciencias sociales (82,1%) y ciencias de la salud (78,6%).
Figura 3 Porcentaje de estudiantes que utilizan IA según área de estudio
Nota. Porcentaje de estudiantes que reportaron haber utilizado al menos una herramienta de IA en el último año académico.
Diferencia estadísticamente significativa entre áreas disciplinares (χ²=27,35, p<.001). Elaboración propia.
94,20%
92,30%
85,40%
82,10%
80,00%
78,60%
76,00%
87,30%
Ingeniería y Tecnología
Ciencias Exactas y Naturales
Ciencias Administrativas y Económicas
Ciencias Sociales y Humanidades
Educación
Ciencias de la Salud
Artes y Arquitectura
PROMEDIO GENERAL
Adopción de IA por área disciplinar
Como puede observarse, los asistentes basados en IA generativa (como ChatGPT, Bard, Claude)
constituyen la categoría más ampliamente adoptada (82,7%), seguidos por herramientas de resumen y
análisis textual (74,3%), correctores gramaticales avanzados (68,5%), asistentes de programación
(42,3%) y sistemas de traducción inteligente (38,7%).
El análisis cualitativo permitió identificar patrones de adopción que complementan estos datos
cuantitativos. Las entrevistas revelaron que la mayoría de los estudiantes conocieron estas
herramientas a través de tres vías principales: Recomendaciones de compañeros (mencionado por 7 de
10 entrevistados), auto-exploración en redes sociales (6/10) y, en menor medida, sugerencias docentes
(3/10). Como expresó un estudiante de ingeniería:
Al principio escuché sobre ChatGPT en TikTok, pero no le presté mucha atención. Fue
cuando un compañero me mostró cómo lo usaba para que le diera conceptos complejos
que me di cuenta del potencial. Ahora es prácticamente parte de mi rutina de estudio.
(Participante E3, Universidad B).
La adopción, sin embargo, no es homogénea entre disciplinas. El análisis inferencial reveló
diferencias estadísticamente significativas en la prevalencia de uso según el área disciplinar (χ²=27,35,
p<.001), con mayor adopción en carreras técnicas y científicas (94,2%) en comparación con
humanidades y ciencias sociales (82,1%) y ciencias de la salud (78,6%).
Figura 3 Porcentaje de estudiantes que utilizan IA según área de estudio
Nota. Porcentaje de estudiantes que reportaron haber utilizado al menos una herramienta de IA en el último año académico.
Diferencia estadísticamente significativa entre áreas disciplinares (χ²=27,35, p<.001). Elaboración propia.
94,20%
92,30%
85,40%
82,10%
80,00%
78,60%
76,00%
87,30%
Ingeniería y Tecnología
Ciencias Exactas y Naturales
Ciencias Administrativas y Económicas
Ciencias Sociales y Humanidades
Educación
Ciencias de la Salud
Artes y Arquitectura
PROMEDIO GENERAL
Adopción de IA por área disciplinar
pág. 6422
Más allá de la simple adopción, resulta relevante comprender los patrones de frecuencia y los
contextos específicos en que se implementan estas herramientas.
Figura 4 Con qué frecuencia los estudiantes utilizan herramientas de IA
Nota. Distribución porcentual de la frecuencia de uso de herramientas de IA entre estudiantes universitarios ecuatorianos en
modalidad en línea. Elaboración propia.
El 34,2% reportó un uso intensivo (diario o casi diario), el 42,7% un uso moderado (semanal), y el
23,1% un uso ocasional (mensual o menos frecuente). El análisis de correlación reveló una asociación
significativa entre frecuencia de uso y nivel de alfabetización digital auto-reportada (r=0,62, p<.001),
sugiriendo que las competencias tecnológicas preexistentes constituyen un factor determinante en la
intensidad de implementación.
En cuanto a los contextos específicos de aplicación, la Tabla 1 sintetiza los principales usos
reportados por los estudiantes, tanto en la encuesta como en las entrevistas.
Tabla 1 Principales usos de herramientas de IA por estudiantes universitarios
Contexto de uso Porcentaje Ejemplos específicos
Comprensión de conceptos
complejos
78,3% Solicitud de explicaciones simplificadas, analogías,
ejemplos prácticos
Asistencia en redacción
académica
72,6% Corrección gramatical, sugerencias estilísticas,
estructuración de textos
Búsqueda y síntesis de
información
68,4% Resumen de artículos, identificación de ideas clave,
organización temática
Diario o casi diario
34%
Semanal
43%
Mensual o menos
23%
Frecuencia de uso de herramienta IA
Diario o casi diario
Semanal
Mensual o menos
Más allá de la simple adopción, resulta relevante comprender los patrones de frecuencia y los
contextos específicos en que se implementan estas herramientas.
Figura 4 Con qué frecuencia los estudiantes utilizan herramientas de IA
Nota. Distribución porcentual de la frecuencia de uso de herramientas de IA entre estudiantes universitarios ecuatorianos en
modalidad en línea. Elaboración propia.
El 34,2% reportó un uso intensivo (diario o casi diario), el 42,7% un uso moderado (semanal), y el
23,1% un uso ocasional (mensual o menos frecuente). El análisis de correlación reveló una asociación
significativa entre frecuencia de uso y nivel de alfabetización digital auto-reportada (r=0,62, p<.001),
sugiriendo que las competencias tecnológicas preexistentes constituyen un factor determinante en la
intensidad de implementación.
En cuanto a los contextos específicos de aplicación, la Tabla 1 sintetiza los principales usos
reportados por los estudiantes, tanto en la encuesta como en las entrevistas.
Tabla 1 Principales usos de herramientas de IA por estudiantes universitarios
Contexto de uso Porcentaje Ejemplos específicos
Comprensión de conceptos
complejos
78,3% Solicitud de explicaciones simplificadas, analogías,
ejemplos prácticos
Asistencia en redacción
académica
72,6% Corrección gramatical, sugerencias estilísticas,
estructuración de textos
Búsqueda y síntesis de
información
68,4% Resumen de artículos, identificación de ideas clave,
organización temática
Diario o casi diario
34%
Semanal
43%
Mensual o menos
23%
Frecuencia de uso de herramienta IA
Diario o casi diario
Semanal
Mensual o menos
pág. 6423
Contexto de uso Porcentaje Ejemplos específicos
Preparación para evaluaciones 65,2% Generación de preguntas de práctica, simulación
de exámenes, retroalimentación
Asistencia en programación 42,3% Depuración de código, sugerencias de
optimización, explicación de algoritmos
Traducción de materiales
académicos
39,8% Acceso a recursos en otros idiomas, comprensión
de terminología especializada
Organización y planificación de
estudios
37,5% Elaboración de cronogramas, secuenciación de
contenidos, recordatorios
Análisis de datos y visualización 26,3% Interpretación de resultados estadísticos, creación
de gráficos, modelado
Nota. Los porcentajes suman más de 100% debido a respuestas múltiples. Elaboración propia.
El análisis cualitativo permitió identificar patrones más complejos en estos usos. Por ejemplo, varios
entrevistados describieron una evolución en sus prácticas de implementación, desde usos iniciales
básicos hacia aplicaciones cada vez más sofisticadas y estratégicas:
Al principio solo usaba ChatGPT para dudas puntuales o definiciones. Con el tiempo,
aprendí a formular mejor mis preguntas, a pedirle que me explique cosas como si fuera
un experto explicándole a un principiante. Es como tener un tutor disponible todo el día,
pero hay que aprender a ‘darle órdenes’ correctamente. (Participante E7, Universidad E)
El análisis factorial exploratorio aplicado a los ítems relacionados con factores facilitadores permitió
identificar cuatro dimensiones principales que explican el 73,8% de la varianza total:
(1) competencias digitales previas,
(2) accesibilidad tecnológica,
(3) cultura institucional, y
(4) motivaciones intrínsecas.
Contexto de uso Porcentaje Ejemplos específicos
Preparación para evaluaciones 65,2% Generación de preguntas de práctica, simulación
de exámenes, retroalimentación
Asistencia en programación 42,3% Depuración de código, sugerencias de
optimización, explicación de algoritmos
Traducción de materiales
académicos
39,8% Acceso a recursos en otros idiomas, comprensión
de terminología especializada
Organización y planificación de
estudios
37,5% Elaboración de cronogramas, secuenciación de
contenidos, recordatorios
Análisis de datos y visualización 26,3% Interpretación de resultados estadísticos, creación
de gráficos, modelado
Nota. Los porcentajes suman más de 100% debido a respuestas múltiples. Elaboración propia.
El análisis cualitativo permitió identificar patrones más complejos en estos usos. Por ejemplo, varios
entrevistados describieron una evolución en sus prácticas de implementación, desde usos iniciales
básicos hacia aplicaciones cada vez más sofisticadas y estratégicas:
Al principio solo usaba ChatGPT para dudas puntuales o definiciones. Con el tiempo,
aprendí a formular mejor mis preguntas, a pedirle que me explique cosas como si fuera
un experto explicándole a un principiante. Es como tener un tutor disponible todo el día,
pero hay que aprender a ‘darle órdenes’ correctamente. (Participante E7, Universidad E)
El análisis factorial exploratorio aplicado a los ítems relacionados con factores facilitadores permitió
identificar cuatro dimensiones principales que explican el 73,8% de la varianza total:
(1) competencias digitales previas,
(2) accesibilidad tecnológica,
(3) cultura institucional, y
(4) motivaciones intrínsecas.
pág. 6424
Figura 5 Factores que facilitan el uso de IA en educación según los estudiantes
Nota. Datos obtenidos de encuesta a 300 estudiantes de pregrado de cinco universidades ecuatorianas. Se muestran los
porcentajes de estudiantes que calificaron cada factor como “importante” o “muy importante” en una escala Likert de 5
puntos. Elaboración propia.
Entre los factores específicos más valorados destacan:
1. Accesibilidad gratuita. – El 82,3% de los estudiantes señaló la disponibilidad de herramientas sin
costo como un factor decisivo para su adopción.
2. Interfaz intuitiva. – El 78,6% destacó la facilidad de uso como elemento facilitador, especialmente
en herramientas con interfaces conversacionales.
3. Velocidad de respuesta. – Para el 76,4%, la inmediatez en la obtención de información representa
una ventaja significativa.
4. Disponibilidad permanente. – El 74,9% valoró la posibilidad de acceder a asistencia fuera de
horarios académicos tradicionales.
5. Personalización. – El 68,2% destacó la adaptabilidad de las herramientas a sus necesidades
específicas.
El análisis cualitativo complementó estos hallazgos, identificando factores contextuales adicionales.
Por ejemplo, varios entrevistados mencionaron el rol facilitador de comunidades virtuales de
aprendizaje donde se comparten estrategias y prompts optimizados:
Hay un grupo en Telegram donde compartimos prompts muy buenos para diferentes asignaturas.
82,30%
78,60%
76,40%
74,90%
68,20%
54,10%
48,30%
42,60%
37,20%
26,30%
Accesibilidad gratuita
Interfaces intuitivas y amigables
Velocidad de respuesta
Disponibilidad 24/7
Personalización según necesidades
Comunidades virtuales de apoyo
Variedad de herramientas disponibles
Soporte en idioma español
Integración con plataformas educativas
Recomendación de profesores
Factores facilitadores de uso de IA
Figura 5 Factores que facilitan el uso de IA en educación según los estudiantes
Nota. Datos obtenidos de encuesta a 300 estudiantes de pregrado de cinco universidades ecuatorianas. Se muestran los
porcentajes de estudiantes que calificaron cada factor como “importante” o “muy importante” en una escala Likert de 5
puntos. Elaboración propia.
Entre los factores específicos más valorados destacan:
1. Accesibilidad gratuita. – El 82,3% de los estudiantes señaló la disponibilidad de herramientas sin
costo como un factor decisivo para su adopción.
2. Interfaz intuitiva. – El 78,6% destacó la facilidad de uso como elemento facilitador, especialmente
en herramientas con interfaces conversacionales.
3. Velocidad de respuesta. – Para el 76,4%, la inmediatez en la obtención de información representa
una ventaja significativa.
4. Disponibilidad permanente. – El 74,9% valoró la posibilidad de acceder a asistencia fuera de
horarios académicos tradicionales.
5. Personalización. – El 68,2% destacó la adaptabilidad de las herramientas a sus necesidades
específicas.
El análisis cualitativo complementó estos hallazgos, identificando factores contextuales adicionales.
Por ejemplo, varios entrevistados mencionaron el rol facilitador de comunidades virtuales de
aprendizaje donde se comparten estrategias y prompts optimizados:
Hay un grupo en Telegram donde compartimos prompts muy buenos para diferentes asignaturas.
82,30%
78,60%
76,40%
74,90%
68,20%
54,10%
48,30%
42,60%
37,20%
26,30%
Accesibilidad gratuita
Interfaces intuitivas y amigables
Velocidad de respuesta
Disponibilidad 24/7
Personalización según necesidades
Comunidades virtuales de apoyo
Variedad de herramientas disponibles
Soporte en idioma español
Integración con plataformas educativas
Recomendación de profesores
Factores facilitadores de uso de IA
pág. 6425
Ha sido súper útil porque puedes ver cómo otros estudiantes formulan sus consultas para obtener
mejores resultados. Es un aprendizaje colaborativo sobre cómo aprovechar mejor la IA. (Participante
E5, Universidad A)
Paralelamente, se identificaron barreras significativas para la implementación efectiva de
herramientas de IA. El análisis factorial reveló cuatro dimensiones principales de obstáculos, que
explican el 68,4% de la varianza: (1) limitaciones en infraestructura digital, (2) déficits en
alfabetización tecnológica, (3) barreras institucionales, y (4) preocupaciones éticas.
Figura 6 Principales obstáculos para el uso de IA en educación
Nota. Porcentaje de estudiantes que calificaron cada factor como un obstáculo “significativo” o “muy significativo” para la
implementación de herramientas de IA. Elaboración propia.
Los datos revelan una marcada heterogeneidad en la distribución de estos obstáculos según
características sociodemográficas. Las pruebas ANOVA mostraron diferencias significativas en la
percepción de barreras de infraestructura digital entre estudiantes de zonas urbanas y rurales
(F=34,67, p<.001), siendo más críticas para estos últimos.
57,30%
54,80%
47,50%
46,30%
45,20%
44,60%
42,30%
41,20%
34,80%
33,20%
28,60%
Dudas sobre fiabilidad de contenidos
Preocupaciones sobre integridad académica
Limitaciones de conocimiento del contexto local
Restricciones institucionales
Conectividad limitada o inestable
Desconocimiento de herramientas disponibles
Alfabetización digital insuficiente
Falta de integración con plataformas educativas
institucionales
Ausencia de orientación docente
Dificultades con el idioma
Costos de suscripción a versiones premium
Obstáculos en el uso de herramientas IA
Ha sido súper útil porque puedes ver cómo otros estudiantes formulan sus consultas para obtener
mejores resultados. Es un aprendizaje colaborativo sobre cómo aprovechar mejor la IA. (Participante
E5, Universidad A)
Paralelamente, se identificaron barreras significativas para la implementación efectiva de
herramientas de IA. El análisis factorial reveló cuatro dimensiones principales de obstáculos, que
explican el 68,4% de la varianza: (1) limitaciones en infraestructura digital, (2) déficits en
alfabetización tecnológica, (3) barreras institucionales, y (4) preocupaciones éticas.
Figura 6 Principales obstáculos para el uso de IA en educación
Nota. Porcentaje de estudiantes que calificaron cada factor como un obstáculo “significativo” o “muy significativo” para la
implementación de herramientas de IA. Elaboración propia.
Los datos revelan una marcada heterogeneidad en la distribución de estos obstáculos según
características sociodemográficas. Las pruebas ANOVA mostraron diferencias significativas en la
percepción de barreras de infraestructura digital entre estudiantes de zonas urbanas y rurales
(F=34,67, p<.001), siendo más críticas para estos últimos.
57,30%
54,80%
47,50%
46,30%
45,20%
44,60%
42,30%
41,20%
34,80%
33,20%
28,60%
Dudas sobre fiabilidad de contenidos
Preocupaciones sobre integridad académica
Limitaciones de conocimiento del contexto local
Restricciones institucionales
Conectividad limitada o inestable
Desconocimiento de herramientas disponibles
Alfabetización digital insuficiente
Falta de integración con plataformas educativas
institucionales
Ausencia de orientación docente
Dificultades con el idioma
Costos de suscripción a versiones premium
Obstáculos en el uso de herramientas IA
pág. 6426
Tabla 2 Comparación de los principales obstáculos para el uso de IA según ubicación geográfica
Obstáculo Zona urbana (%) Zona rural (%) Diferencia (%)
Conectividad limitada o inestable 37,8 78,3 +40,5
Dificultades con el idioma 28,6 58,7 +30,1
Alfabetización digital insuficiente 35,7 52,4 +16,7
Desconocimiento de herramientas disponibles 43,2 46,8 +3,6
Preocupaciones sobre integridad académica 58,3 49,1 -9,2
Restricciones institucionales 53,7 47,2 -6,5
Dudas sobre fiabilidad de contenidos 62,4 54,3 -8,1
Nota. Porcentajes de estudiantes que califican cada factor como “Importante” o “muy importante”. Elaboración propia.
Las entrevistas cualitativas revelaron dimensiones adicionales de estos obstáculos. Un tema recurrente
fue la disparidad en la calidad de las respuestas según el idioma utilizado:
Cuando intentas usar estas herramientas en español, especialmente con terminología
técnica específica de mi carrera, la calidad baja notablemente. A veces tengo que
formular mis preguntas en inglés y luego traducir las respuestas, lo que complica el
proceso. (Participante E2, Universidad C).
Otro obstáculo significativo identificado en las entrevistas fue la falta de orientación institucional.
Siete de diez entrevistados mencionaron la ausencia de directrices claras sobre el uso ético y
pedagógicamente apropiado de las herramientas de IA:
La mayoría de profesores no hablan del tema, es como un tabú. Algunos lo prohíben de
una, otros simplemente lo ignoran. Lo usamos por nuestra cuenta, sin guía sobre cómo
hacer un uso correcto o si existen límites éticos. (Participante E8, Universidad D)
Un aspecto central del estudio fue comprender cómo los estudiantes perciben el impacto de las
herramientas de IA en su proceso formativo.
Tabla 2 Comparación de los principales obstáculos para el uso de IA según ubicación geográfica
Obstáculo Zona urbana (%) Zona rural (%) Diferencia (%)
Conectividad limitada o inestable 37,8 78,3 +40,5
Dificultades con el idioma 28,6 58,7 +30,1
Alfabetización digital insuficiente 35,7 52,4 +16,7
Desconocimiento de herramientas disponibles 43,2 46,8 +3,6
Preocupaciones sobre integridad académica 58,3 49,1 -9,2
Restricciones institucionales 53,7 47,2 -6,5
Dudas sobre fiabilidad de contenidos 62,4 54,3 -8,1
Nota. Porcentajes de estudiantes que califican cada factor como “Importante” o “muy importante”. Elaboración propia.
Las entrevistas cualitativas revelaron dimensiones adicionales de estos obstáculos. Un tema recurrente
fue la disparidad en la calidad de las respuestas según el idioma utilizado:
Cuando intentas usar estas herramientas en español, especialmente con terminología
técnica específica de mi carrera, la calidad baja notablemente. A veces tengo que
formular mis preguntas en inglés y luego traducir las respuestas, lo que complica el
proceso. (Participante E2, Universidad C).
Otro obstáculo significativo identificado en las entrevistas fue la falta de orientación institucional.
Siete de diez entrevistados mencionaron la ausencia de directrices claras sobre el uso ético y
pedagógicamente apropiado de las herramientas de IA:
La mayoría de profesores no hablan del tema, es como un tabú. Algunos lo prohíben de
una, otros simplemente lo ignoran. Lo usamos por nuestra cuenta, sin guía sobre cómo
hacer un uso correcto o si existen límites éticos. (Participante E8, Universidad D)
Un aspecto central del estudio fue comprender cómo los estudiantes perciben el impacto de las
herramientas de IA en su proceso formativo.
pág. 6427
Figura 7 Percepción de los estudiantes sobre el impacto de la IA en diferentes aspectos del
aprendizaje
Nota. Distribución porcentual de las percepciones de los estudiantes sobre el impacto de las herramientas de IA en diferentes
dimensiones del aprendizaje. Elaboración propia.
Los resultados muestran una percepción positiva representativa, con valoraciones especialmente altas
en dimensiones como la comprensión conceptual (78,3%), acceso a información (82,4%), y
productividad académica (76,5%). Sin embargo, es interesante observar evaluaciones mixtas en
aspectos como el desarrollo de pensamiento crítico (53,7% positivo, 28,4% neutral, 17,9% negativo) y
habilidades de investigación (58,3% positivo, 26,8% neutral, 14,9% negativo).
El análisis inferencial reveló correlaciones significativas entre estas percepciones y variables como la
frecuencia de uso (r=0,58, p<.001) y la diversidad de herramientas implementadas (r=0.47, p<.001),
sugiriendo que los estudiantes que desarrollan prácticas más intensivas y variadas tienden a percibir
impactos más positivos. Las narrativas cualitativas permitieron identificar matices en estas
percepciones. Por ejemplo, varios entrevistados describieron un proceso de aprendizaje sobre el uso
mismo de la IA, que evolucionó desde aplicaciones superficiales hacia implementaciones más críticas
y reflexivas:
Al principio lo utilizaba para tareas básicas, como definiciones o resúmenes simples.
Pero ahora lo veo como una herramienta de diálogo: le pido que me cuestione, que
evalúe argumentos desde diferentes perspectivas, que me señale contradicciones en mi
razonamiento. Es como tener un compañero de estudio que te desafía constantemente.
(Participante E1, Universidad A)
82,40%
78,30%
76,50%
71,30%
67,20%
59,70%
58,30%
53,70%
49,30%
45,60%
10,30%
12,80%
14,10%
15,50%
20,10%
22,60%
26,80%
28,40%
30,20%
32,10%
7,30%
8,90%
9,40%
13,20%
12,70%
17,70%
14,90%
17,90%
20,50%
22,30%
0,00% 20,00% 40,00% 60,00% 80,00% 100,00% 120,00%
Acceso a información
Comprensión conceptual
Productividad académica
Organización de ideas
Motivación para el estudio
Habilidades de resolución de problemas
Habilidades de investigación
Pensamiento crítico
Retención de conocimiento
Creatividad
IA EN EL APRENDIZAJE
Impacto Positivo Neutral Impacto Negativo
Figura 7 Percepción de los estudiantes sobre el impacto de la IA en diferentes aspectos del
aprendizaje
Nota. Distribución porcentual de las percepciones de los estudiantes sobre el impacto de las herramientas de IA en diferentes
dimensiones del aprendizaje. Elaboración propia.
Los resultados muestran una percepción positiva representativa, con valoraciones especialmente altas
en dimensiones como la comprensión conceptual (78,3%), acceso a información (82,4%), y
productividad académica (76,5%). Sin embargo, es interesante observar evaluaciones mixtas en
aspectos como el desarrollo de pensamiento crítico (53,7% positivo, 28,4% neutral, 17,9% negativo) y
habilidades de investigación (58,3% positivo, 26,8% neutral, 14,9% negativo).
El análisis inferencial reveló correlaciones significativas entre estas percepciones y variables como la
frecuencia de uso (r=0,58, p<.001) y la diversidad de herramientas implementadas (r=0.47, p<.001),
sugiriendo que los estudiantes que desarrollan prácticas más intensivas y variadas tienden a percibir
impactos más positivos. Las narrativas cualitativas permitieron identificar matices en estas
percepciones. Por ejemplo, varios entrevistados describieron un proceso de aprendizaje sobre el uso
mismo de la IA, que evolucionó desde aplicaciones superficiales hacia implementaciones más críticas
y reflexivas:
Al principio lo utilizaba para tareas básicas, como definiciones o resúmenes simples.
Pero ahora lo veo como una herramienta de diálogo: le pido que me cuestione, que
evalúe argumentos desde diferentes perspectivas, que me señale contradicciones en mi
razonamiento. Es como tener un compañero de estudio que te desafía constantemente.
(Participante E1, Universidad A)
82,40%
78,30%
76,50%
71,30%
67,20%
59,70%
58,30%
53,70%
49,30%
45,60%
10,30%
12,80%
14,10%
15,50%
20,10%
22,60%
26,80%
28,40%
30,20%
32,10%
7,30%
8,90%
9,40%
13,20%
12,70%
17,70%
14,90%
17,90%
20,50%
22,30%
0,00% 20,00% 40,00% 60,00% 80,00% 100,00% 120,00%
Acceso a información
Comprensión conceptual
Productividad académica
Organización de ideas
Motivación para el estudio
Habilidades de resolución de problemas
Habilidades de investigación
Pensamiento crítico
Retención de conocimiento
Creatividad
IA EN EL APRENDIZAJE
Impacto Positivo Neutral Impacto Negativo
pág. 6428
Esta evolución se refleja también en la creciente capacidad de los estudiantes para evaluar
críticamente las respuestas generadas por sistemas de IA:
He aprendido a no aceptar todo lo que me dice. A veces genera información imprecisa o,
en especial sobre temas locales o muy específicos. Ahora verifico siempre, contrasto con
otras fuentes. Irónicamente, usar IA me ha enseñado a ser más crítica con la información.
(Participante E10, Universidad D)
El análisis de conglomerados aplicado a los patrones de uso permitió identificar tres perfiles
principales de estudiantes según sus estrategias de implementación.
Figura 8 Tres perfiles de estudiantes según su forma de usar la IA
Nota. Distribución y características principales de los tres perfiles de estudiantes identificados según sus patrones de
implementación de herramientas de IA. Elaboración propia.
Estos perfiles pueden caracterizarse de la siguiente manera: 1) Usuarios auxiliares. – Implementan
herramientas de IA como apoyo puntual para tareas específicas (definiciones, resúmenes,
explicaciones simples).
EVOLUCIÓN EN LA
IMPLEMENTACIÓN DE
HERRAMIENTAS DE IA
USUARIOS AUXILIARES
(43,2%)
▪ Uso principalmente como apoyo
puntual
▪ Frecuencia moderada
▪ Aplicaciones básicas
▪ Menor diversidad de herramientas
▪ Enfoque en tareas específicas
USUARIOS COLABORATIVOS
(19,3%)
▪ Concepción de IA como “compañero
cognitivo”
▪ Uso intensivo
▪ Diálogo iterativo
▪ Mayor sofisticación en prompts
▪ Co-construcción de conocimiento
USUARIOS ESTRATÉGICOS
(37,5%)
▪ Integración en estrategias de
aprendizaje
▪ Uso frecuente
▪ Aplicaciones diversificadas
▪ Prompts complejos
▪ Métodos específicos por contexto
Esta evolución se refleja también en la creciente capacidad de los estudiantes para evaluar
críticamente las respuestas generadas por sistemas de IA:
He aprendido a no aceptar todo lo que me dice. A veces genera información imprecisa o,
en especial sobre temas locales o muy específicos. Ahora verifico siempre, contrasto con
otras fuentes. Irónicamente, usar IA me ha enseñado a ser más crítica con la información.
(Participante E10, Universidad D)
El análisis de conglomerados aplicado a los patrones de uso permitió identificar tres perfiles
principales de estudiantes según sus estrategias de implementación.
Figura 8 Tres perfiles de estudiantes según su forma de usar la IA
Nota. Distribución y características principales de los tres perfiles de estudiantes identificados según sus patrones de
implementación de herramientas de IA. Elaboración propia.
Estos perfiles pueden caracterizarse de la siguiente manera: 1) Usuarios auxiliares. – Implementan
herramientas de IA como apoyo puntual para tareas específicas (definiciones, resúmenes,
explicaciones simples).
EVOLUCIÓN EN LA
IMPLEMENTACIÓN DE
HERRAMIENTAS DE IA
USUARIOS AUXILIARES
(43,2%)
▪ Uso principalmente como apoyo
puntual
▪ Frecuencia moderada
▪ Aplicaciones básicas
▪ Menor diversidad de herramientas
▪ Enfoque en tareas específicas
USUARIOS COLABORATIVOS
(19,3%)
▪ Concepción de IA como “compañero
cognitivo”
▪ Uso intensivo
▪ Diálogo iterativo
▪ Mayor sofisticación en prompts
▪ Co-construcción de conocimiento
USUARIOS ESTRATÉGICOS
(37,5%)
▪ Integración en estrategias de
aprendizaje
▪ Uso frecuente
▪ Aplicaciones diversificadas
▪ Prompts complejos
▪ Métodos específicos por contexto
pág. 6429
Existe frecuencia de uso moderada y centrada en un número limitado de herramientas; 2) Usuarios
estratégicos. – Integran la IA como parte central de sus estrategias de aprendizaje, con
implementaciones más complejas y diversificadas. Muestran mayor sofisticación en la formulación de
prompts y desarrollan métodos específicos para diferentes contextos académicos, y; 3) Usuarios
colaborativos. – Conciben las herramientas de IA como “compañeros cognitivos”, estableciendo
dinámicas de diálogo iterativo y co-construcción de conocimiento.
Las entrevistas permitieron identificar estrategias específicas desarrolladas por los estudiantes. Estas
estrategias se vuelven más complejas de acuerdo al perfil de usuario, así como se observa en la
Tabla3.
Tabla 3 Estrategias avanzadas desarrolladas por los estudiantes para aprovechar la IA
Estrategia Descripción Ejemplo de Aplicación
Estructuración
conceptual
Solicitud de explicaciones con
complejidad progresiva, desde
niveles básicos hasta avanzados.
“Explícame [concepto] como si tuviera 10
años, luego como a un estudiante
universitario, y finalmente como a un
especialista”.
Contraste
perspectivas
Petición de análisis de un tema
desde múltiples marcos teóricos o
posiciones epistemológicas.
“Analiza [tema] desde perspectivas
constructivista, cognitivista y
conectivista”.
Simulación
socrática
Uso de la IA para generar
cuestionamientos progresivos que
profundicen la comprensión.
“Hazme preguntas sobre [tema] que me
ayuden a identificar lagunas en mi
comprensión”.
Feedback
iterativo
Presentación de borradores
sucesivos para recibir
retroalimentación específica y
estructurada.
“Evalúa mi ensayo sobre [tema] y sugiere
mejoras en argumentación, estructura y
evidencias”.
Verificación
cruzada
Contrastación sistemática de
respuestas entre diferentes
herramientas de IA.
Comparación de respuestas de ChatGPT,
Copilot y Bard sobre el mismo tema para
identificar consistencias e inconsistencias.
Contextualización
local
Adaptación explícita de conceptos
globales al contexto ecuatoriano.
“Explica cómo [concepto global] se aplica
específicamente en el contexto
ecuatoriano”
Descomposición
modular
Fragmentación de problemas
complejos en componentes
abordables en secuencia.
Desglose de un proyecto en subtareas y
consulta específica para cada
componente.
Existe frecuencia de uso moderada y centrada en un número limitado de herramientas; 2) Usuarios
estratégicos. – Integran la IA como parte central de sus estrategias de aprendizaje, con
implementaciones más complejas y diversificadas. Muestran mayor sofisticación en la formulación de
prompts y desarrollan métodos específicos para diferentes contextos académicos, y; 3) Usuarios
colaborativos. – Conciben las herramientas de IA como “compañeros cognitivos”, estableciendo
dinámicas de diálogo iterativo y co-construcción de conocimiento.
Las entrevistas permitieron identificar estrategias específicas desarrolladas por los estudiantes. Estas
estrategias se vuelven más complejas de acuerdo al perfil de usuario, así como se observa en la
Tabla3.
Tabla 3 Estrategias avanzadas desarrolladas por los estudiantes para aprovechar la IA
Estrategia Descripción Ejemplo de Aplicación
Estructuración
conceptual
Solicitud de explicaciones con
complejidad progresiva, desde
niveles básicos hasta avanzados.
“Explícame [concepto] como si tuviera 10
años, luego como a un estudiante
universitario, y finalmente como a un
especialista”.
Contraste
perspectivas
Petición de análisis de un tema
desde múltiples marcos teóricos o
posiciones epistemológicas.
“Analiza [tema] desde perspectivas
constructivista, cognitivista y
conectivista”.
Simulación
socrática
Uso de la IA para generar
cuestionamientos progresivos que
profundicen la comprensión.
“Hazme preguntas sobre [tema] que me
ayuden a identificar lagunas en mi
comprensión”.
Feedback
iterativo
Presentación de borradores
sucesivos para recibir
retroalimentación específica y
estructurada.
“Evalúa mi ensayo sobre [tema] y sugiere
mejoras en argumentación, estructura y
evidencias”.
Verificación
cruzada
Contrastación sistemática de
respuestas entre diferentes
herramientas de IA.
Comparación de respuestas de ChatGPT,
Copilot y Bard sobre el mismo tema para
identificar consistencias e inconsistencias.
Contextualización
local
Adaptación explícita de conceptos
globales al contexto ecuatoriano.
“Explica cómo [concepto global] se aplica
específicamente en el contexto
ecuatoriano”
Descomposición
modular
Fragmentación de problemas
complejos en componentes
abordables en secuencia.
Desglose de un proyecto en subtareas y
consulta específica para cada
componente.
pág. 6430
Un aspecto particularmente interesante es la emergencia de comunidades de práctica donde los
estudiantes comparten y refinan colectivamente estas estrategias. Como explicó uno de los
entrevistados:
Tenemos un documento compartido en Google Drive donde recopilamos prompts que
son muy útiles en diferentes asignaturas y tipos de tareas. Es como una biblioteca
colectiva de métodos para aprovechar mejor la IA. (Participante E6, Universidad E)
La implementación de herramientas de IA plantea diversos dilemas éticos para los estudiantes. La
encuesta reveló que el 76,3% ha reflexionado sobre implicaciones éticas del uso de estas tecnologías,
mientras que el 58,7% reporta haber recibido poca o ninguna orientación institucional al respecto.
Figura 9 Principales preocupaciones éticas de los estudiantes sobre el uso de IA
Nota. Porcentaje de estudiantes que expresaron preocupación “Alta” o “Muy alta” sobre cada aspecto ético.
Elaboración propia.
Las entrevistas revelaron que los estudiantes desarrollan diferentes estrategias para resolver estos
dilemas. Algunos establecen límites personales sobre el tipo de tareas para las que consideran
apropiado utilizar IA:
Lo uso para comprender conceptos difíciles, generar ideas iniciales o verificar mi trabajo,
pero nunca para entregar directamente un trabajo generado por IA. Para mí, esa es la
línea que no cruzo. (Participante E4, Universidad B)
68,70%
65,30%
63,20%
58,70%
45,60%
42,30%
37,20%
32,40%
Plagio académico y atribución de autoría
Dependencia excesiva
Privacidad de datos personales
Fiabilidad y veracidad de contenidos
Propiedad intelectual y derechos de autor
Transparencia sobre el uso
Responsabilidad por resultados incorrectos
Reemplazo del rol docente
IA y preocupaciones éticas de los estudiantes
Un aspecto particularmente interesante es la emergencia de comunidades de práctica donde los
estudiantes comparten y refinan colectivamente estas estrategias. Como explicó uno de los
entrevistados:
Tenemos un documento compartido en Google Drive donde recopilamos prompts que
son muy útiles en diferentes asignaturas y tipos de tareas. Es como una biblioteca
colectiva de métodos para aprovechar mejor la IA. (Participante E6, Universidad E)
La implementación de herramientas de IA plantea diversos dilemas éticos para los estudiantes. La
encuesta reveló que el 76,3% ha reflexionado sobre implicaciones éticas del uso de estas tecnologías,
mientras que el 58,7% reporta haber recibido poca o ninguna orientación institucional al respecto.
Figura 9 Principales preocupaciones éticas de los estudiantes sobre el uso de IA
Nota. Porcentaje de estudiantes que expresaron preocupación “Alta” o “Muy alta” sobre cada aspecto ético.
Elaboración propia.
Las entrevistas revelaron que los estudiantes desarrollan diferentes estrategias para resolver estos
dilemas. Algunos establecen límites personales sobre el tipo de tareas para las que consideran
apropiado utilizar IA:
Lo uso para comprender conceptos difíciles, generar ideas iniciales o verificar mi trabajo,
pero nunca para entregar directamente un trabajo generado por IA. Para mí, esa es la
línea que no cruzo. (Participante E4, Universidad B)
68,70%
65,30%
63,20%
58,70%
45,60%
42,30%
37,20%
32,40%
Plagio académico y atribución de autoría
Dependencia excesiva
Privacidad de datos personales
Fiabilidad y veracidad de contenidos
Propiedad intelectual y derechos de autor
Transparencia sobre el uso
Responsabilidad por resultados incorrectos
Reemplazo del rol docente
IA y preocupaciones éticas de los estudiantes
pág. 6431
Otros adoptan un enfoque de transparencia:
Cuando uso IA para algún trabajo, lo menciono explícitamente, explicando qué partes
fueron asistidas y cómo lo integré con mi propio análisis. Algunos profesores lo aprecian,
otros no tanto, pero prefiero ser honesto. (Participante E9, Universidad C)
Otro hallazgo interesante es la evolución de percepciones sobre la legitimidad ética del uso de IA. Los
estudiantes tienden a percibir la implementación como más ética aceptable cuando:
1. Existe transparencia sobre su uso.
2. Se combina con aportaciones significativas propias.
3. Se emplea como herramienta de aprendizaje, no solo de producción.
4. Se utiliza en fases iniciales o intermedias de un proceso, no solo en el resultado final.
DISCUSIÓN
Los resultados presentados ofrecen un panorama multidimensional sobre la implementación de
herramientas de Inteligencia Artificial por estudiantes de pregrado ecuatorianos en modalidad en
línea. En esta sección, se interpretarán estos hallazgos a la luz de la literatura existente, analizando
convergencias, divergencias e implicaciones para la teoría y la práctica educativa.
La alta tasa de adopción de herramientas de IA entre estudiantes universitarios ecuatorianos (87,3%)
evidencia una utilización considerable de estas tecnologías en el contexto educativo nacional. Este
porcentaje supera las estimaciones realizadas por estudios como el de Basantes Arellano et al. (2025),
que proyectaban una adopción del 75%, y se acerca más a los niveles reportados en países con mayor
desarrollo tecnológico educativo, según el estudio de Espinales-Franco et al. (2024).
Sin embargo, esta expansión presenta marcadas desigualdades que requieren un análisis crítico. La
brecha significativa en la implementación entre zonas urbanas y rurales, así como las diferencias
según áreas disciplinares, refleja lo que Albuja Loachamin et al. (2023) denominan “desigualdad
tecnológica”, donde el acceso formal a la tecnología existe, pero las condiciones para su
implementación efectiva varían considerablemente según factores contextuales. Este fenómeno
evidencia la persistencia de inequidades estructurales en el sistema educativo ecuatoriano que, lejos
de resolverse con la digitalización, podrían estar acentuándose en la era de la IA, como advierten
Paredes y Naranjo (2023).
Otros adoptan un enfoque de transparencia:
Cuando uso IA para algún trabajo, lo menciono explícitamente, explicando qué partes
fueron asistidas y cómo lo integré con mi propio análisis. Algunos profesores lo aprecian,
otros no tanto, pero prefiero ser honesto. (Participante E9, Universidad C)
Otro hallazgo interesante es la evolución de percepciones sobre la legitimidad ética del uso de IA. Los
estudiantes tienden a percibir la implementación como más ética aceptable cuando:
1. Existe transparencia sobre su uso.
2. Se combina con aportaciones significativas propias.
3. Se emplea como herramienta de aprendizaje, no solo de producción.
4. Se utiliza en fases iniciales o intermedias de un proceso, no solo en el resultado final.
DISCUSIÓN
Los resultados presentados ofrecen un panorama multidimensional sobre la implementación de
herramientas de Inteligencia Artificial por estudiantes de pregrado ecuatorianos en modalidad en
línea. En esta sección, se interpretarán estos hallazgos a la luz de la literatura existente, analizando
convergencias, divergencias e implicaciones para la teoría y la práctica educativa.
La alta tasa de adopción de herramientas de IA entre estudiantes universitarios ecuatorianos (87,3%)
evidencia una utilización considerable de estas tecnologías en el contexto educativo nacional. Este
porcentaje supera las estimaciones realizadas por estudios como el de Basantes Arellano et al. (2025),
que proyectaban una adopción del 75%, y se acerca más a los niveles reportados en países con mayor
desarrollo tecnológico educativo, según el estudio de Espinales-Franco et al. (2024).
Sin embargo, esta expansión presenta marcadas desigualdades que requieren un análisis crítico. La
brecha significativa en la implementación entre zonas urbanas y rurales, así como las diferencias
según áreas disciplinares, refleja lo que Albuja Loachamin et al. (2023) denominan “desigualdad
tecnológica”, donde el acceso formal a la tecnología existe, pero las condiciones para su
implementación efectiva varían considerablemente según factores contextuales. Este fenómeno
evidencia la persistencia de inequidades estructurales en el sistema educativo ecuatoriano que, lejos
de resolverse con la digitalización, podrían estar acentuándose en la era de la IA, como advierten
Paredes y Naranjo (2023).
pág. 6432
La utilización de herramientas de IA generativa, coincide con tendencias locales documentadas por
estudios nacionales como el de Villamar Ponce et al. (2023). Sin embargo, resulta interesante que, a
diferencia de contextos educativos internacionales donde las instituciones han liderado la integración
de estas tecnologías, en Ecuador la adopción sigue un patrón bottom-up, impulsado principalmente
por iniciativas estudiantiles. Este hallazgo concuerda con lo observado por Parra-Sánchez (2022)
respecto a la apropiación tecnológica en contextos educativos latinoamericanos, donde
frecuentemente los estudiantes actúan como agentes de innovación frente a estructuras institucionales
más conservadoras o con menor capacidad de adaptación.
La evolución de los patrones de uso, desde aplicaciones básicas hacia implementaciones cada vez más
sofisticadas, sugiere un proceso de alfabetización digital emergente y autodirigido. Como señalan
Hidalgo y Montero (2023), este fenómeno representa una forma de aprendizaje invisible que ocurre
fuera de los currículos formales pero que genera competencias significativas para los entornos
digitales contemporáneos. Sin embargo, la ausencia de acompañamiento pedagógico sistemático
puede limitar el potencial transformador de estas tecnologías y reproducir desigualdades
preexistentes.
Los resultados evidencian una tensión fundamental entre las significativas potencialidades percibidas
por los estudiantes y las múltiples limitaciones contextuales que condicionan la implementación
efectiva de herramientas de IA. Esta dinámica puede interpretarse desde el marco teórico propuesto
por Souto Suárez et al. (2020) sobre apropiación tecnológica, que enfatiza la interacción dialéctica
entre posibilidades tecnológicas y restricciones contextuales.
Por un lado, los factores facilitadores identificados en este estudio (accesibilidad gratuita, interfaces
intuitivas, personalización, disponibilidad permanente) coinciden con las características que Kaufman
(2022) asocia al “éxito disruptivo” de las tecnologías emergentes en educación superior.
Particularmente relevante es la valoración de la disponibilidad permanente, que responde a las
necesidades específicas de estudiantes de la modalidad en línea, quienes con frecuencia combinan
estudios con responsabilidades laborales y familiares, como documentan Barrientos Odarini et al.
(2022).
La utilización de herramientas de IA generativa, coincide con tendencias locales documentadas por
estudios nacionales como el de Villamar Ponce et al. (2023). Sin embargo, resulta interesante que, a
diferencia de contextos educativos internacionales donde las instituciones han liderado la integración
de estas tecnologías, en Ecuador la adopción sigue un patrón bottom-up, impulsado principalmente
por iniciativas estudiantiles. Este hallazgo concuerda con lo observado por Parra-Sánchez (2022)
respecto a la apropiación tecnológica en contextos educativos latinoamericanos, donde
frecuentemente los estudiantes actúan como agentes de innovación frente a estructuras institucionales
más conservadoras o con menor capacidad de adaptación.
La evolución de los patrones de uso, desde aplicaciones básicas hacia implementaciones cada vez más
sofisticadas, sugiere un proceso de alfabetización digital emergente y autodirigido. Como señalan
Hidalgo y Montero (2023), este fenómeno representa una forma de aprendizaje invisible que ocurre
fuera de los currículos formales pero que genera competencias significativas para los entornos
digitales contemporáneos. Sin embargo, la ausencia de acompañamiento pedagógico sistemático
puede limitar el potencial transformador de estas tecnologías y reproducir desigualdades
preexistentes.
Los resultados evidencian una tensión fundamental entre las significativas potencialidades percibidas
por los estudiantes y las múltiples limitaciones contextuales que condicionan la implementación
efectiva de herramientas de IA. Esta dinámica puede interpretarse desde el marco teórico propuesto
por Souto Suárez et al. (2020) sobre apropiación tecnológica, que enfatiza la interacción dialéctica
entre posibilidades tecnológicas y restricciones contextuales.
Por un lado, los factores facilitadores identificados en este estudio (accesibilidad gratuita, interfaces
intuitivas, personalización, disponibilidad permanente) coinciden con las características que Kaufman
(2022) asocia al “éxito disruptivo” de las tecnologías emergentes en educación superior.
Particularmente relevante es la valoración de la disponibilidad permanente, que responde a las
necesidades específicas de estudiantes de la modalidad en línea, quienes con frecuencia combinan
estudios con responsabilidades laborales y familiares, como documentan Barrientos Odarini et al.
(2022).
pág. 6433
Por otro lado, las condiciones identificadas reflejan problemáticas estructurales del ecosistema digital
ecuatoriano. La persistencia de brechas en infraestructura, especialmente en zonas rurales, coincide
con el estudio realizado por Quezada Abarca (2022), que documenta disparidades territoriales en
conectividad que afectan a la población estudiantil universitaria. La insuficiente alfabetización digital
no sólo entre estudiantes sino también entre docentes, representa otro obstáculo significativo, alineado
con los hallazgos de Camacho Marín et al. (2021) sobre déficits en competencias digitales avanzadas
en el sistema educativo ecuatoriano.
De igual manera, existe otro hecho relevante de la investigación, la identificación de la privacidad de
los datos, manifestadas en la percepción de menor calidad y precisión en los sistemas de IA en
español. Este fenómeno coincide con lo que Marín y Tur (2023) abordaron en relación a la privacidad
de los usuarios. Esta situación plantea interrogantes sobre privacidad tecnológica y adaptación
contextual que merecen mayor atención en futuras investigaciones.
Otro hallazgo a considerar en este estudio es la emergencia de nuevas prácticas de aprendizaje
orientadas a la implementación de herramientas de IA. Los tres perfiles identificados (usuarios
auxiliares, estratégicos y colaborativos) reflejan diferentes niveles de apropiación e integración de
estas tecnologías en los procesos formativos, coincidiendo parcialmente con la revisión realizada por
Yanqui Toasa (2023).
El predominio de usuarios auxiliares (43,2%) sugiere que la mayoría de estudiantes aún se encuentra
en fases iniciales de apropiación, utilizando las herramientas principalmente como soporte para tareas
específicas sin una integración más profunda en sus entornos de aprendizaje. Sin embargo, la
presencia significativa de usuarios estratégicos (37,5%) y colaborativos (19,3%) indica una evolución
hacia implementaciones más sofisticadas y transformadoras.
Las estrategias avanzadas identificadas (estructuración conceptual, contraste de perspectivas,
simulación socrática, verificación cruzada, etc.) representan innovaciones pedagógicas emergentes
que merecen especial atención. Estas prácticas coinciden con lo que López-García (2022) denomina
“metacompetencias digitales”, que implican no solo el uso instrumental de tecnologías sino su
implementación crítica y creativa para potenciar procesos cognitivos complejos.
Por otro lado, las condiciones identificadas reflejan problemáticas estructurales del ecosistema digital
ecuatoriano. La persistencia de brechas en infraestructura, especialmente en zonas rurales, coincide
con el estudio realizado por Quezada Abarca (2022), que documenta disparidades territoriales en
conectividad que afectan a la población estudiantil universitaria. La insuficiente alfabetización digital
no sólo entre estudiantes sino también entre docentes, representa otro obstáculo significativo, alineado
con los hallazgos de Camacho Marín et al. (2021) sobre déficits en competencias digitales avanzadas
en el sistema educativo ecuatoriano.
De igual manera, existe otro hecho relevante de la investigación, la identificación de la privacidad de
los datos, manifestadas en la percepción de menor calidad y precisión en los sistemas de IA en
español. Este fenómeno coincide con lo que Marín y Tur (2023) abordaron en relación a la privacidad
de los usuarios. Esta situación plantea interrogantes sobre privacidad tecnológica y adaptación
contextual que merecen mayor atención en futuras investigaciones.
Otro hallazgo a considerar en este estudio es la emergencia de nuevas prácticas de aprendizaje
orientadas a la implementación de herramientas de IA. Los tres perfiles identificados (usuarios
auxiliares, estratégicos y colaborativos) reflejan diferentes niveles de apropiación e integración de
estas tecnologías en los procesos formativos, coincidiendo parcialmente con la revisión realizada por
Yanqui Toasa (2023).
El predominio de usuarios auxiliares (43,2%) sugiere que la mayoría de estudiantes aún se encuentra
en fases iniciales de apropiación, utilizando las herramientas principalmente como soporte para tareas
específicas sin una integración más profunda en sus entornos de aprendizaje. Sin embargo, la
presencia significativa de usuarios estratégicos (37,5%) y colaborativos (19,3%) indica una evolución
hacia implementaciones más sofisticadas y transformadoras.
Las estrategias avanzadas identificadas (estructuración conceptual, contraste de perspectivas,
simulación socrática, verificación cruzada, etc.) representan innovaciones pedagógicas emergentes
que merecen especial atención. Estas prácticas coinciden con lo que López-García (2022) denomina
“metacompetencias digitales”, que implican no solo el uso instrumental de tecnologías sino su
implementación crítica y creativa para potenciar procesos cognitivos complejos.
pág. 6434
Particularmente significativa resulta la estrategia de “contextualización local”, mediante la que los
estudiantes buscan adaptar conocimientos globales a realidades ecuatorianas. Esta práctica puede
interpretarse como una forma de resistencia a la homogeneización cultural implícita en muchas
tecnologías educativas globales (Albuja y Guadalupe, 2022).
La emergencia de comunidades de práctica para compartir y refinar colectivamente estrategias de
implementación representa otro fenómeno relevante. Como señalan Hidalgo y Montero (2023), estas
redes de aprendizaje constituyen espacios de construcción colaborativa de conocimiento que
frecuentemente operan al margen de las estructuras educativas formales pero generan innovaciones
significativas. Este hallazgo dialoga con lo documentado por Basantes Arellano et al. (2025) sobre la
importancia de la integración tecnológica en contextos latinoamericanos.
Los resultados relativos a dilemas éticos y percepciones sobre transformaciones pedagógicas
necesarias revelan una compleja intersección entre innovación tecnológica, valores educativos y
estructuras institucionales. La paradoja identificada, donde el 76,3% de estudiantes reporta haber
reflexionado sobre implicaciones éticas mientras solo el 34,2% indica que sus docentes abordan
explícitamente el tema, subraya lo que Kaufman (2022) analiza acerca del problema ético en la
implementación educativa de tecnologías emergentes.
Las preocupaciones éticas priorizadas por los estudiantes (integridad académica, privacidad de datos,
dependencia tecnológica) coinciden parcialmente con las identificadas en estudios previos como el de
Marín y Tur (2023). Sin embargo, es interesante observar que la conceptualización estudiantil sobre
usos éticamente aceptables evoluciona hacia criterios procesales (transparencia, integración con
aportes propios, uso como herramienta de aprendizaje) más que prohibiciones absolutas. Esta visión
matizada contrasta con aproximaciones binarias (permitir/prohibir) que han caracterizado muchas
respuestas institucionales iniciales, como explicaron Souto Suárez et al. (2020).
El hallazgo de que la percepción de apoyo institucional es un predictor significativo de experiencias
positivas acentúa la importancia de desarrollar aproximaciones proactivas más que reactivas. Como
señalan Paredes y Naranjo (2023), las instituciones educativas ecuatorianas enfrentan el desafío de
transitar desde políticas de “contención” hacia estrategias de “integración crítica” que reconozcan
estas tecnologías como parte del ecosistema educativo contemporáneo.
Particularmente significativa resulta la estrategia de “contextualización local”, mediante la que los
estudiantes buscan adaptar conocimientos globales a realidades ecuatorianas. Esta práctica puede
interpretarse como una forma de resistencia a la homogeneización cultural implícita en muchas
tecnologías educativas globales (Albuja y Guadalupe, 2022).
La emergencia de comunidades de práctica para compartir y refinar colectivamente estrategias de
implementación representa otro fenómeno relevante. Como señalan Hidalgo y Montero (2023), estas
redes de aprendizaje constituyen espacios de construcción colaborativa de conocimiento que
frecuentemente operan al margen de las estructuras educativas formales pero generan innovaciones
significativas. Este hallazgo dialoga con lo documentado por Basantes Arellano et al. (2025) sobre la
importancia de la integración tecnológica en contextos latinoamericanos.
Los resultados relativos a dilemas éticos y percepciones sobre transformaciones pedagógicas
necesarias revelan una compleja intersección entre innovación tecnológica, valores educativos y
estructuras institucionales. La paradoja identificada, donde el 76,3% de estudiantes reporta haber
reflexionado sobre implicaciones éticas mientras solo el 34,2% indica que sus docentes abordan
explícitamente el tema, subraya lo que Kaufman (2022) analiza acerca del problema ético en la
implementación educativa de tecnologías emergentes.
Las preocupaciones éticas priorizadas por los estudiantes (integridad académica, privacidad de datos,
dependencia tecnológica) coinciden parcialmente con las identificadas en estudios previos como el de
Marín y Tur (2023). Sin embargo, es interesante observar que la conceptualización estudiantil sobre
usos éticamente aceptables evoluciona hacia criterios procesales (transparencia, integración con
aportes propios, uso como herramienta de aprendizaje) más que prohibiciones absolutas. Esta visión
matizada contrasta con aproximaciones binarias (permitir/prohibir) que han caracterizado muchas
respuestas institucionales iniciales, como explicaron Souto Suárez et al. (2020).
El hallazgo de que la percepción de apoyo institucional es un predictor significativo de experiencias
positivas acentúa la importancia de desarrollar aproximaciones proactivas más que reactivas. Como
señalan Paredes y Naranjo (2023), las instituciones educativas ecuatorianas enfrentan el desafío de
transitar desde políticas de “contención” hacia estrategias de “integración crítica” que reconozcan
estas tecnologías como parte del ecosistema educativo contemporáneo.
pág. 6435
CONCLUSIONES
La presente investigación ha explorado la implementación de herramientas de Inteligencia Artificial
por estudiantes universitarios ecuatorianos en modalidad en línea, un fenómeno emergente con
profundas implicaciones para el presente y futuro de la educación superior en el país. A partir de los
hallazgos presentados, es posible derivar las siguientes conclusiones:
La implementación de herramientas de IA se ha extendido ampliamente entre estudiantes
universitarios ecuatorianos en modalidad virtual (87,3%), aunque con marcadas variaciones según
factores como ubicación geográfica, área disciplinar y competencias digitales previas. Esta
heterogeneidad refleja y potencialmente amplifica desigualdades estructurales preexistentes en el
sistema educativo ecuatoriano.
El estudio revela una dialéctica entre las significativas oportunidades que estas tecnologías ofrecen
para el aprendizaje (personalización, accesibilidad, apoyo permanente) y las limitaciones contextuales
que restringen su implementación efectiva (brechas en infraestructura digital, déficits en
alfabetización tecnológica, barreras lingüísticas). Esta tensión subraya la necesidad de aproximaciones
situadas que consideren las particularidades del contexto ecuatoriano.
Los datos evidencian transformaciones sustanciales en las prácticas de aprendizaje estudiantil, con la
emergencia de estrategias innovadoras como la estructuración conceptual, la verificación cruzada, la
contextualización local y la simulación socrática. Estas prácticas representan adaptaciones creativas
que trascienden el uso meramente instrumental de la tecnología para configurar nuevas formas de
construcción de conocimiento.
Se identifica un desfase significativo entre la rápida adopción de herramientas de IA por estudiantes y
la adaptación de estructuras, políticas y prácticas institucionales. Mientras los estudiantes configuran
de manera activa nuevas formas de integrar estas tecnologías en sus procesos formativos, las
instituciones educativas tienden a mantener aproximaciones reactivas o evasivas.
El estudio revela conceptualizaciones éticas emergentes que trascienden las dicotomías simplistas
(permitir/prohibir) para avanzar hacia criterios procesales basados en transparencia, integración con
aportes propios y uso como herramienta de aprendizaje. Esta evolución sugiere la necesidad de
marcos éticos más matizados y contextualizados.
CONCLUSIONES
La presente investigación ha explorado la implementación de herramientas de Inteligencia Artificial
por estudiantes universitarios ecuatorianos en modalidad en línea, un fenómeno emergente con
profundas implicaciones para el presente y futuro de la educación superior en el país. A partir de los
hallazgos presentados, es posible derivar las siguientes conclusiones:
La implementación de herramientas de IA se ha extendido ampliamente entre estudiantes
universitarios ecuatorianos en modalidad virtual (87,3%), aunque con marcadas variaciones según
factores como ubicación geográfica, área disciplinar y competencias digitales previas. Esta
heterogeneidad refleja y potencialmente amplifica desigualdades estructurales preexistentes en el
sistema educativo ecuatoriano.
El estudio revela una dialéctica entre las significativas oportunidades que estas tecnologías ofrecen
para el aprendizaje (personalización, accesibilidad, apoyo permanente) y las limitaciones contextuales
que restringen su implementación efectiva (brechas en infraestructura digital, déficits en
alfabetización tecnológica, barreras lingüísticas). Esta tensión subraya la necesidad de aproximaciones
situadas que consideren las particularidades del contexto ecuatoriano.
Los datos evidencian transformaciones sustanciales en las prácticas de aprendizaje estudiantil, con la
emergencia de estrategias innovadoras como la estructuración conceptual, la verificación cruzada, la
contextualización local y la simulación socrática. Estas prácticas representan adaptaciones creativas
que trascienden el uso meramente instrumental de la tecnología para configurar nuevas formas de
construcción de conocimiento.
Se identifica un desfase significativo entre la rápida adopción de herramientas de IA por estudiantes y
la adaptación de estructuras, políticas y prácticas institucionales. Mientras los estudiantes configuran
de manera activa nuevas formas de integrar estas tecnologías en sus procesos formativos, las
instituciones educativas tienden a mantener aproximaciones reactivas o evasivas.
El estudio revela conceptualizaciones éticas emergentes que trascienden las dicotomías simplistas
(permitir/prohibir) para avanzar hacia criterios procesales basados en transparencia, integración con
aportes propios y uso como herramienta de aprendizaje. Esta evolución sugiere la necesidad de
marcos éticos más matizados y contextualizados.
pág. 6436
REFERENCIAS BIBLIOGRÁFICAS
Albuja Loachamin, L. F., Alvear Loor, J. G., y Sarango Romero, V. J. (2023). Desigualdades
Tecnológicas en la Educación en Ecuador: Abordando la Brecha Educativa. Código Científico
Revista De Investigación, 4(2), 238–251. https://doi.org/10.55813/gaea/ccri/v4/n2/239
Albuja Sánchez, B., y Guadalupe Almeida, J. L. (2022). Áreas de estudio y aplicación de inteligencia
artificial en las universidades mejor puntuadas del Ecuador. Revista Científica y Tecnológica
UPSE (RCTU), 9(2), 58-74. https://doi.org/10.26423/rctu.v9i2.705
Basantes Arellano, L. C., Vallejo Echeverria, B. A., Basantes Arellano, M. A., Echeverria Galeas, A.
F., y Zambrano Guerrero, W. A. (2025). Impacto de las tendencias tecnológicas emergentes
en la educación del futuro en Ecuador: Escenarios y proyecciones. Arandu UTIC, 12(1), 645–
659. https://doi.org/10.69639/arandu.v12i1.631
Barrientos Oradini, N., Yánez Jara, V., Barrueto Mercado, E., y Aparicio Puentes, C. (2022). Análisis
sobre la educación virtual, impactos en el proceso formativo y principales tendencias. Revista
de Ciencias Sociales, 28(4). https://doi.org/10.31876/rcs.v28i4.39144
Braun, V., & Clarke, V. (2021). Conceptual and design thinking for thematic analysis. Qualitative
Psychology, 8(3), 334-339. https://doi.org/10.1037/qup0000196
Camacho Marín, R., Rivas Vallejo, C., Gaspar Castro, M., y Quiñónez Mendoza, C. (2020).
Innovación y tecnología educativa en el contexto actual latinoamericano. Revista de Ciencias
Sociales, 26, 460-472. https://doi.org/10.31876/rcs.v26i0.34139
Creswell, J. W., & Creswell, J. D. (2022). Research design: Qualitative, quantitative, and mixed
methods approaches (6th ed.). SAGE Publications.
Espinales-Franco, J. S., Pazmiño-Campuzano, M. F., y Zambrano–Acosta, J. M. (2024). Inteligencia
artificial como herramienta innovadora de enseñanza en la educación superior. Caso:
Universidad Técnica de Manabí. MQRInvestigar, 8(3), 4729–4748.
https://doi.org/10.56048/MQR20225.8.3.2024.4729-4748
Flick, U. (2022). Triangulation in qualitative research (2nd ed.). SAGE Publications.
Hernández-Sampieri, R., y Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
REFERENCIAS BIBLIOGRÁFICAS
Albuja Loachamin, L. F., Alvear Loor, J. G., y Sarango Romero, V. J. (2023). Desigualdades
Tecnológicas en la Educación en Ecuador: Abordando la Brecha Educativa. Código Científico
Revista De Investigación, 4(2), 238–251. https://doi.org/10.55813/gaea/ccri/v4/n2/239
Albuja Sánchez, B., y Guadalupe Almeida, J. L. (2022). Áreas de estudio y aplicación de inteligencia
artificial en las universidades mejor puntuadas del Ecuador. Revista Científica y Tecnológica
UPSE (RCTU), 9(2), 58-74. https://doi.org/10.26423/rctu.v9i2.705
Basantes Arellano, L. C., Vallejo Echeverria, B. A., Basantes Arellano, M. A., Echeverria Galeas, A.
F., y Zambrano Guerrero, W. A. (2025). Impacto de las tendencias tecnológicas emergentes
en la educación del futuro en Ecuador: Escenarios y proyecciones. Arandu UTIC, 12(1), 645–
659. https://doi.org/10.69639/arandu.v12i1.631
Barrientos Oradini, N., Yánez Jara, V., Barrueto Mercado, E., y Aparicio Puentes, C. (2022). Análisis
sobre la educación virtual, impactos en el proceso formativo y principales tendencias. Revista
de Ciencias Sociales, 28(4). https://doi.org/10.31876/rcs.v28i4.39144
Braun, V., & Clarke, V. (2021). Conceptual and design thinking for thematic analysis. Qualitative
Psychology, 8(3), 334-339. https://doi.org/10.1037/qup0000196
Camacho Marín, R., Rivas Vallejo, C., Gaspar Castro, M., y Quiñónez Mendoza, C. (2020).
Innovación y tecnología educativa en el contexto actual latinoamericano. Revista de Ciencias
Sociales, 26, 460-472. https://doi.org/10.31876/rcs.v26i0.34139
Creswell, J. W., & Creswell, J. D. (2022). Research design: Qualitative, quantitative, and mixed
methods approaches (6th ed.). SAGE Publications.
Espinales-Franco, J. S., Pazmiño-Campuzano, M. F., y Zambrano–Acosta, J. M. (2024). Inteligencia
artificial como herramienta innovadora de enseñanza en la educación superior. Caso:
Universidad Técnica de Manabí. MQRInvestigar, 8(3), 4729–4748.
https://doi.org/10.56048/MQR20225.8.3.2024.4729-4748
Flick, U. (2022). Triangulation in qualitative research (2nd ed.). SAGE Publications.
Hernández-Sampieri, R., y Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
pág. 6437
Hidalgo, C., y Montero, R. (2023). Entornos virtuales y tecnologías emergentes: Oportunidades y
desafíos para la educación superior ecuatoriana. Revista Iberoamericana de Educación a
Distancia, 26(1), 167-184.
Instituto Nacional de Estadísticas y Censos (INEC). (2023). Encuesta Nacional de Empleo,
Desempleo y Subempleo: Módulo de Tecnologías de la Información y Comunicación. INEC.
Jimbo-Santana, P., Lanzarini, L. C., Jimbo-Santana, M., y Morales-Morales, M. (2023). Inteligencia
artificial para analizar el rendimiento académico en instituciones de educación superior. Una
revisión sistemática de la literatura. Cátedra, 6(2), 30–50.
https://doi.org/10.29166/catedra.v6i2.4408
Kaufman, D. (2022). Desmitificando a inteligencia artificial. Auténtica,
López-García, X. (2022). Redefinición de metacompetencias, competencias y habilidades de los
periodistas digitales. Anuario ThinkEPI, 16. https://doi.org/10.3145/thinkepi.2022.e16a03
Marín, V. I., y Tur, G. (2023). La privacidad de los datos en Tecnología Educativa: resultados de una
revisión de alcance. Edutec, Revista Electrónica De Tecnología Educativa, (83), 7–23.
https://doi.org/10.21556/edutec.2023.83.2701
Ministerio de Telecomunicaciones y de la Sociedad de la Información (MINTEL). (2021). Plan de
Servicio Universal 2022-2025. MINTEL.
Morales-Salas, R. E., Infante-Moro, J. C., y Gallardo-Pérez, J. (2020). La mediación e interacción en
un AVA para la gestión eficaz en el aprendizaje virtual. Campus Virtuales, 9(1), 35-48.
https://uajournals.com/ojs/index.php/campusvirtuales/article/view/603
Otzen, T., y Manterola, C. (2017). Técnicas de Muestreo sobre una Población a Estudio. International
Journal of Morphology, 35(1), 227–232. https://doi.org/10.4067/s0717-95022017000100037
Paredes, M., y Naranjo, D. (2023). Comprensión de dinámicas de adopción tecnológica estudiantil:
Hacia sistemas educativos más resilientes e innovadores. Revista Cátedra, 6(1), 62-80.
Parra-Sánchez, J. S. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un
Enfoque desde la Personalización. Revista Docentes 2.0, 14(1), 19–27.
https://doi.org/10.37843/rted.v14i1.296
Hidalgo, C., y Montero, R. (2023). Entornos virtuales y tecnologías emergentes: Oportunidades y
desafíos para la educación superior ecuatoriana. Revista Iberoamericana de Educación a
Distancia, 26(1), 167-184.
Instituto Nacional de Estadísticas y Censos (INEC). (2023). Encuesta Nacional de Empleo,
Desempleo y Subempleo: Módulo de Tecnologías de la Información y Comunicación. INEC.
Jimbo-Santana, P., Lanzarini, L. C., Jimbo-Santana, M., y Morales-Morales, M. (2023). Inteligencia
artificial para analizar el rendimiento académico en instituciones de educación superior. Una
revisión sistemática de la literatura. Cátedra, 6(2), 30–50.
https://doi.org/10.29166/catedra.v6i2.4408
Kaufman, D. (2022). Desmitificando a inteligencia artificial. Auténtica,
López-García, X. (2022). Redefinición de metacompetencias, competencias y habilidades de los
periodistas digitales. Anuario ThinkEPI, 16. https://doi.org/10.3145/thinkepi.2022.e16a03
Marín, V. I., y Tur, G. (2023). La privacidad de los datos en Tecnología Educativa: resultados de una
revisión de alcance. Edutec, Revista Electrónica De Tecnología Educativa, (83), 7–23.
https://doi.org/10.21556/edutec.2023.83.2701
Ministerio de Telecomunicaciones y de la Sociedad de la Información (MINTEL). (2021). Plan de
Servicio Universal 2022-2025. MINTEL.
Morales-Salas, R. E., Infante-Moro, J. C., y Gallardo-Pérez, J. (2020). La mediación e interacción en
un AVA para la gestión eficaz en el aprendizaje virtual. Campus Virtuales, 9(1), 35-48.
https://uajournals.com/ojs/index.php/campusvirtuales/article/view/603
Otzen, T., y Manterola, C. (2017). Técnicas de Muestreo sobre una Población a Estudio. International
Journal of Morphology, 35(1), 227–232. https://doi.org/10.4067/s0717-95022017000100037
Paredes, M., y Naranjo, D. (2023). Comprensión de dinámicas de adopción tecnológica estudiantil:
Hacia sistemas educativos más resilientes e innovadores. Revista Cátedra, 6(1), 62-80.
Parra-Sánchez, J. S. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un
Enfoque desde la Personalización. Revista Docentes 2.0, 14(1), 19–27.
https://doi.org/10.37843/rted.v14i1.296
pág. 6438
Patton, M. Q. (2020). Qualitative research & evaluation methods (5th ed.). SAGE Publications.
Ponce, J., Carrillo, P., y López, F. (2021). Impacto de la crisis sanitaria del COVID-19 en la
digitalización educativa: Un análisis multidimensional. Sociedad & Tecnología, (2), 96-110.
Quezada Abarca, F. P. (2022). Los retos de la educación en el ecuador post COVID-19. Revista
Estudiantil de Ciencia Política y Políticas de la Universidad Técnica Particular de Loja, (1).
https://utpl.edu.ec/maestrias/sites/default/files/Art%C3%ADculo%20Flavio%20Quezada.pdf
Ramírez, D. (2021). Transformaciones en la matriculación virtual universitaria durante y después de
la pandemia: Análisis estadístico 2019-2021. Revista Publicando, (30), 68-82.
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated
survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3),
e1355. https://doi.org/10.1002/widm.1355
Souto Suárez, R., Jiménez Jiménez, F., y Navarro Adelantado, V. (2020). La Percepción de los
Estudiantes sobre los Sistemas de Evaluación Formativa Aplicados en la Educación Superior.
Revista Iberoamericana de Evaluación Educativa, 13(1), 11.
https://doi.org/10.15366/riee2020.13.1.001
Vázquez Miraz, P., y Medina, M. F. (2024). Métodos mixtos de investigación: integrando métodos
cuantitativos y cualitativos. José Francisco Molina Azorín, Sergi Fàbregues Feijóo y Elsa
Lucía Escalante Barrios. Editorial Pirámide, Madrid, 2024. Empiria. Revista de metodología
de ciencias sociales, (62), 219–222. https://doi.org/10.5944/empiria.62.2024.42124
Villamar Ponce, J., Ponce Merino, S., Tumbaco Figueroa, G., y Pisco Rodríguez, L. (2024).
Inteligencia Artificial como catalizador en la motivación y el compromiso académico de
estudiantes universitarios. Serie Científica De La Universidad De Las Ciencias Informáticas,
17(8), 70-85. https://publicaciones.uci.cu/index.php/serie/article/view/1654
Yanqui Toasa, J. F. (2023). Estado del arte sobre la evaluación de la enseñanza usando técnicas de
inteligencia artificial en el sistema educativo universitario [Tesis de pregrado]. Repositorio
de la Universidad Politécnica Salesiana.
https://dspace.ups.edu.ec/bitstream/123456789/24412/1/TTS1186.pdf
Patton, M. Q. (2020). Qualitative research & evaluation methods (5th ed.). SAGE Publications.
Ponce, J., Carrillo, P., y López, F. (2021). Impacto de la crisis sanitaria del COVID-19 en la
digitalización educativa: Un análisis multidimensional. Sociedad & Tecnología, (2), 96-110.
Quezada Abarca, F. P. (2022). Los retos de la educación en el ecuador post COVID-19. Revista
Estudiantil de Ciencia Política y Políticas de la Universidad Técnica Particular de Loja, (1).
https://utpl.edu.ec/maestrias/sites/default/files/Art%C3%ADculo%20Flavio%20Quezada.pdf
Ramírez, D. (2021). Transformaciones en la matriculación virtual universitaria durante y después de
la pandemia: Análisis estadístico 2019-2021. Revista Publicando, (30), 68-82.
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated
survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3),
e1355. https://doi.org/10.1002/widm.1355
Souto Suárez, R., Jiménez Jiménez, F., y Navarro Adelantado, V. (2020). La Percepción de los
Estudiantes sobre los Sistemas de Evaluación Formativa Aplicados en la Educación Superior.
Revista Iberoamericana de Evaluación Educativa, 13(1), 11.
https://doi.org/10.15366/riee2020.13.1.001
Vázquez Miraz, P., y Medina, M. F. (2024). Métodos mixtos de investigación: integrando métodos
cuantitativos y cualitativos. José Francisco Molina Azorín, Sergi Fàbregues Feijóo y Elsa
Lucía Escalante Barrios. Editorial Pirámide, Madrid, 2024. Empiria. Revista de metodología
de ciencias sociales, (62), 219–222. https://doi.org/10.5944/empiria.62.2024.42124
Villamar Ponce, J., Ponce Merino, S., Tumbaco Figueroa, G., y Pisco Rodríguez, L. (2024).
Inteligencia Artificial como catalizador en la motivación y el compromiso académico de
estudiantes universitarios. Serie Científica De La Universidad De Las Ciencias Informáticas,
17(8), 70-85. https://publicaciones.uci.cu/index.php/serie/article/view/1654
Yanqui Toasa, J. F. (2023). Estado del arte sobre la evaluación de la enseñanza usando técnicas de
inteligencia artificial en el sistema educativo universitario [Tesis de pregrado]. Repositorio
de la Universidad Politécnica Salesiana.
https://dspace.ups.edu.ec/bitstream/123456789/24412/1/TTS1186.pdf
pág. 6439
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research
on artificial intelligence applications in higher education – where are the educators?
International Journal of Educational Technology in Higher Education, 16, 39.
https://doi.org/10.1186/s41239-019-0171-0
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research
on artificial intelligence applications in higher education – where are the educators?
International Journal of Educational Technology in Higher Education, 16, 39.
https://doi.org/10.1186/s41239-019-0171-0