ESTRATEGIAS DE ENSEÑANZA BASADAS EN
INTELIGENCIA ARTIFICIAL Y SU IMPACTO
EN EL APRENDIZAJE PERSONALIZADO DE
LOS ESTUDIANTES
AI-BASED TEACHING STRATEGIES AND THEIR IMPACT
ON STUDENTS’ PERSONALIZED LEARNING
Msc. Genaro Betsabe Bermúdez García
Centro de Investigación Domisoft
Msc. Rosa Armanda Coronel Coronel
Centro de Investigación Domisoft
Lcda. Mildred Leticia Alvarado Vega
Centro de Investigación Domisoft
Lcdo. Jaime Rolando Espin Urrea
Centro de Investigación Domisoft
Lcda. Socorro de Lourdes Gómez Amaiquema
Centro de Investigación Domisoft
pág. 6822
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17409
Estrategias de Enseñanza basadas en Inteligencia Artificial y su Impacto en
el Aprendizaje Personalizado de los Estudiantes
Msc. Genaro Betsabe Bermúdez García1
genaro.bermudez@educacion.gob.ec
https://orcid.org/0009-0004-1167-0648
Centro de Investigación Domisoft
Msc. Rosa Armanda Coronel Coronel
rosacoronel1ge@hotmail.com
https://orcid.org/0009-0003-6896-4383
Centro de Investigación Domisoft
Lcda. Mildred Leticia Alvarado Vega
mil_dre_27@hotmail.com
https://orcid.org/0009-0003-3244-1329
Centro de Investigación Domisoft
Lcdo. Jaime Rolando Espin Urrea
jespinurrea21@gmail.com
https://orcid.org/0009-0002-3127-2503
Centro de Investigación Domisoft
Lcda. Socorro de Lourdes Gómez Amaiquema
logoama@hotmail.es
https://orcid.org/0009-0006-9590-4409
Centro de Investigación Domisoft
RESUMEN
El estudio examina el impacto de las estrategias de enseñanza basadas en inteligencia artificial (IA) en
el aprendizaje personalizado de los estudiantes. A través del análisis de diversas herramientas
tecnológicas como sistemas de tutoría inteligente, plataformas adaptativas y asistentes virtuales, se
evidencia cómo la IA permite ajustar contenidos, metodologías y ritmos de aprendizaje según las
necesidades individuales de cada alumno. Los resultados indican mejoras significativas en el
rendimiento académico, la motivación intrínseca y la autonomía del estudiante. Además, se resalta el
papel fundamental del docente como facilitador y mediador pedagógico en la integración efectiva de
estas tecnologías. En relación al marco metodológico es un estudio con enfoque cuantitativo con diseño
pre-experimental; para la recolección de datos se utilizó como técnica la encuesta y como instrumento
al cuestionario; de igual forma, para procesar los datos se utilizó el software de Excel 2019 y el software
de IBM SPSS Statistics. Los resultados obtenidos evidencian que las estrategias de enseñanza basadas
en inteligencia artificial mejora significativamente la capacidad de los estudiantes para integrar
conocimientos, desarrollar soluciones innovadoras y aplicar el aprendizaje en contextos reales. Se
concluye que la implementación de estrategias apoyadas en IA favorece una educación más
personalizada, inclusiva y centrada en el estudiante. No obstante, se identifican desafíos importantes
como la formación docente, la protección de datos personales y la necesidad de condiciones tecnológicas
adecuadas para su aplicación a gran escala.
Palabras clave: inteligencia artificial, aprendizaje personalizado, innovación educativa
1
Autor principal
Correspondencia: genaro.bermudez@educacion.gob.ec
pág. 6823
AI-Based Teaching Strategies and their Impact on Students’ Personalized
Learning
ABSTRACT
The study examines the impact of artificial intelligence (AI)-based teaching strategies on students'
personalized learning. Through the analysis of various technological tools such as intelligent tutoring
systems, adaptive learning platforms, and virtual assistants, it is evident that AI enables the adjustment
of content, methodologies, and learning pace according to each student's individual needs. The results
indicate significant improvements in academic performance, intrinsic motivation, and student
autonomy. Furthermore, the fundamental role of the teacher is highlighted as a facilitator and
pedagogical mediator in the effective integration of these technologies. Regarding the methodological
framework, this is a quantitative study with a pre-experimental design. Data collection was conducted
using surveys as the technique and questionnaires as the instrument. For data processing, Excel 2019
and IBM SPSS Statistics software were used. The findings show that AI-based teaching strategies
significantly enhance students’ ability to integrate knowledge, develop innovative solutions, and apply
learning in real-world contexts. It is concluded that the implementation of AI-supported strategies fosters
a more personalized, inclusive, and student-centered education. However, important challenges are
identified, such as teacher training, personal data protection, and the need for adequate technological
infrastructure for large-scale application.
Keywords: artificial intelligence, personalized learning, educational innovation
Artículo recibido 15 marzo 2025
Aceptado para publicación: 19 abril 2025
pág. 6824
INTRODUCCIÓN
En la era digital, la educación enfrenta el desafío de adaptarse a los avances tecnológicos que
transforman continuamente la manera en que se enseña y se aprende. La inteligencia artificial (IA),
como una de las tecnologías emergentes más disruptivas, ha comenzado a desempeñar un papel crucial
en el ámbito educativo, permitiendo el diseño e implementación de estrategias de enseñanza más
eficientes, dinámicas y centradas en el estudiante. Su capacidad para analizar grandes volúmenes de
datos, identificar patrones de comportamiento y generar respuestas automatizadas y personalizadas ha
abierto nuevas posibilidades para el desarrollo de entornos de aprendizaje más inclusivos, interactivos
y efectivos (Barrera, 2019).
En este contexto, el aprendizaje personalizado entendido como un enfoque pedagógico que adapta el
contenido, la metodología, el ritmo y los recursos educativos a las necesidades, intereses y estilos
cognitivos de cada estudiante cobra especial relevancia. La IA se posiciona como una herramienta
estratégica para lograrlo, mediante aplicaciones como sistemas de tutoría inteligente, plataformas
adaptativas, asistentes virtuales y analítica del aprendizaje. Estas tecnologías permiten a los docentes
acceder a información detallada y en tiempo real sobre el progreso de sus estudiantes, facilitando una
toma de decisiones pedagógicas más informada y oportuna (García, 2021).
Diversos estudios destacan que la implementación de estrategias educativas basadas en IA puede
mejorar significativamente el rendimiento académico, aumentar la motivación intrínseca, fomentar la
autonomía del estudiante y promover una enseñanza más equitativa. No obstante, su integración en los
sistemas educativos también plantea desafíos importantes, como la necesidad de formación docente en
competencias digitales, la ética en el uso de los datos personales de los estudiantes, y las brechas
tecnológicas que limitan el acceso equitativo a estas herramientas.
Este estudio tiene como objetivo analizar el impacto de las estrategias de enseñanza basadas en
inteligencia artificial en el aprendizaje personalizado de los estudiantes, evaluando tanto los beneficios
observados en su desempeño académico como los desafíos asociados a su implementación. Asimismo,
se busca aportar evidencia empírica que contribuya al diseño de políticas y prácticas pedagógicas
innovadoras, orientadas a mejorar la calidad, la equidad y la eficacia del sistema educativo en la era
digital.
pág. 6825
Planteamiento del problema
La educación contemporánea enfrenta el reto de responder eficazmente a la diversidad de estilos, ritmos
y necesidades de aprendizaje presentes en las aulas. A pesar de los esfuerzos por implementar
metodologías más inclusivas y centradas en el estudiante, muchos sistemas educativos aún se sustentan
en enfoques tradicionales y homogéneos que dificultan una atención pedagógica diferenciada. Esta
situación limita el potencial de desarrollo integral de los estudiantes y profundiza las brechas de
aprendizaje, especialmente en contextos con alta variabilidad socioeconómica y cultural.
En este escenario, la inteligencia artificial (IA) surge como una oportunidad para transformar las
estrategias de enseñanza, ofreciendo herramientas capaces de adaptar los procesos educativos a las
particularidades individuales de cada alumno. Tecnologías como los sistemas de tutoría inteligente,
plataformas de aprendizaje adaptativo y asistentes virtuales permiten generar experiencias educativas
personalizadas, que pueden mejorar el rendimiento académico, aumentar la motivación y fortalecer la
autonomía del estudiante.
Sin embargo, a pesar del creciente interés y desarrollo de soluciones basadas en IA en el ámbito
educativo, su aplicación práctica sigue siendo limitada, especialmente en contextos escolares con
recursos restringidos. Además, existen desafíos importantes relacionados con la preparación del
personal docente, la infraestructura tecnológica, la gestión ética de los datos personales y la resistencia
al cambio en las prácticas pedagógicas tradicionales.
Dado estos argumentos, se plantea las siguientes interrogantes.
• ¿Qué impacto tienen las estrategias de enseñanza basadas en inteligencia artificial en el
rendimiento académico de los estudiantes?
• ¿Cómo influye el uso de herramientas con IA en la personalización del proceso de enseñanza-
aprendizaje?
• ¿Qué tipo de tecnologías basadas en inteligencia artificial son más efectivas para adaptar el
contenido educativo a las necesidades individuales?
• ¿De qué manera la inteligencia artificial mejora la motivación y la participación activa de los
estudiantes?
pág. 6826
• ¿Qué percepción tienen los docentes sobre la implementación de la IA en los procesos de
enseñanza?
• ¿Cuáles son las principales barreras que enfrentan las instituciones educativas para integrar
estrategias pedagógicas basadas en IA?
• ¿Qué nivel de preparación y competencia digital tienen los docentes para utilizar herramientas
con inteligencia artificial?
• ¿Cómo contribuyen los sistemas de tutoría inteligente al desarrollo de la autonomía en el
aprendizaje?
• ¿Qué efectos tiene la personalización del aprendizaje, mediada por IA, sobre estudiantes con
necesidades educativas especiales?
• ¿Qué consideraciones éticas y de protección de datos deben tenerse en cuenta al aplicar
inteligencia artificial en entornos educativos?
En la justificación podemos decir que el vertiginoso avance de la tecnología y, en particular, de la
inteligencia artificial (IA), ha generado profundas transformaciones en diversos sectores, incluido el
educativo. En este contexto, se vuelve imperativo analizar y comprender cómo las estrategias de
enseñanza basadas en IA pueden contribuir a mejorar la calidad del aprendizaje, especialmente en un
mundo que exige respuestas educativas más flexibles, inclusivas y centradas en el estudiante. La
educación tradicional, estructurada bajo esquemas generalizados, ha mostrado limitaciones frente a la
diversidad de necesidades, estilos y ritmos de aprendizaje que caracteriza a las aulas contemporáneas.
La IA ofrece la posibilidad de responder a estos desafíos mediante la personalización del proceso
educativo, ajustando contenidos, metodologías y recursos en función del perfil de cada estudiante. Esto
representa una oportunidad valiosa para transformar la enseñanza en un proceso más significativo,
equitativo y adaptativo. Sin embargo, su implementación en contextos escolares aún es incipiente y se
enfrenta a múltiples barreras, como la falta de infraestructura, la escasa capacitación docente y la
ausencia de políticas claras que orienten su integración ética y pedagógica.
Este estudio se justifica por la necesidad de generar evidencia empírica que permita evaluar el verdadero
impacto de estas tecnologías en el aprendizaje personalizado. Además, pretende aportar insumos
pág. 6827
valiosos para la toma de decisiones institucionales, el diseño de políticas educativas innovadoras y el
fortalecimiento de la formación docente en competencias digitales. Comprender el alcance, los
beneficios y las limitaciones de estas estrategias es fundamental para avanzar hacia un modelo educativo
más acorde con las demandas del siglo XXI.
Por tanto, esta investigación no solo responde a una necesidad académica y tecnológica, sino también a
una exigencia social: garantizar que todos los estudiantes, sin distinción, tengan acceso a experiencias
de aprendizaje que reconozcan y valoren su individualidad, potenciando así su desarrollo integral.
El trabajo de investigación presenta como objetivo general: analizar el impacto de las estrategias de
enseñanza basadas en inteligencia artificial en el aprendizaje personalizado de los estudiantes, con el fin
de identificar sus beneficios, desafíos y posibilidades de aplicación en contextos educativos reales.
Así mismo, se consideran los objetivos específicos siguientes: identificar las principales herramientas y
tecnologías basadas en inteligencia artificial utilizadas para la personalización del aprendizaje en
entornos escolares; analizar las condiciones necesarias, tanto tecnológicas como pedagógicas, para la
implementación efectiva de estrategias de enseñanza mediadas por inteligencia artificial; y evaluar los
efectos de la aplicación de estrategias pedagógicas con inteligencia artificial en el rendimiento
académico, la motivación y la autonomía de los estudiantes.
Sobre la base de las consideraciones anteriores se presenta la siguiente hipótesis: la implementación de
estrategias de enseñanza basadas en inteligencia artificial tiene un impacto positivo y significativo en el
aprendizaje personalizado de los estudiantes, mejorando su rendimiento académico, su motivación
intrínseca y su autonomía en el proceso educativo.
La presente investigación se basa en la teoría del conectivismo, la cual considera que el conocimiento
se distribuye a través de redes y que el aprendizaje ocurre mediante la conexión con fuentes digitales,
tecnologías y otras personas. La inteligencia artificial, como parte de esa red digital, se convierte en un
nodo clave que facilita el acceso al conocimiento, la interacción y la toma de decisiones informadas.
pág. 6828
MATERIALES Y MÉTODO
Enfoque de la Investigación
El presente estudio cuyo título es “estrategias de enseñanza basadas en inteligencia artificial y su
impacto en el aprendizaje personalizado de los estudiantes” se basa en el enfoque cuantitativo el cual es
un enfoque de investigación que se centra en el análisis de datos numéricos y estadísticos para obtener
conclusiones y solucionar problemas. Este tipo de estudio utiliza una variedad de técnicas, como
encuestas y análisis de datos. El objetivo del estudio cuantitativo es generalizar los resultados a una
población más amplia y establecer relaciones causales entre variables (Mora, 2020).
Diseño de la Investigación
El presente estudio se enmarca dentro de un enfoque de investigación pre-experimental, utilizado para
analizar la relación existente entre variables determinadas. Este diseño contempla diversas modalidades,
como el trabajo con un solo grupo, la comparación entre dos grupos, y la aplicación de mediciones antes
(pretest) y después (postest) de una intervención específica. Su principal objetivo es observar los efectos
de dicha intervención sobre una variable concreta. En el ámbito educativo, este tipo de diseño resulta
particularmente útil para evaluar la efectividad de estrategias pedagógicas. Para ello, se selecciona un
grupo de estudiantes que participa en la intervención, y se analiza su desempeño previo y posterior a la
misma, con el fin de identificar posibles variaciones significativas (Mora, 2020).
Población y muestra
La población estará conformada por 400 estudiantes de las diferentes instituciones educativas.
En este sentido, Moreno (2019) considera que la población es "el conjunto completo de todos los
elementos de interés en un estudio de investigación".
Tabla 1: Distribución de la población.
GENERO
FRECUENCIA
PORCENTAJE
Masculino
260
65%
Femenino
140
35%
TOTAL
400
100%
Nota: Elaborado por: Autores.
pág. 6829
Gráfico 1: Distribución de la población.
La muestra estará conformada por 250 estudiantes de las diferentes instituciones educativas.
Según Moreno (2019) la muestra es "un subconjunto de la población que se selecciona de manera
estratégica para su estudio y que es representativo de la población en términos de características
relevantes".
Tabla 2: Distribución de la muestra.
Nota: Elaborado por: Autores.
pág. 6830
Gráfico 2: Distribución de la muestra
Instrumento y técnica de recolección de datos
Para este estudio, se emplearon como técnicas de recolección de datos la encuesta y la observación
directa, utilizando un cuestionario con preguntas de opción múltiple como instrumento principal. Este
cuestionario fue validado por expertos, siguiendo los objetivos específicos planteados como marco de
referencia del trabajo. Las técnicas de recopilación de datos son procedimientos empleados por los
investigadores para obtener información sobre una población o fenómeno determinado. Entre las
técnicas más comunes se encuentran las encuestas o cuestionarios, en los cuales los investigadores
distribuyen preguntas a los participantes y recogen sus respuestas. Para el análisis de los datos obtenidos,
se utilizó el software IBM SPSS Statistics (Martínez, 2018).
Procedimientos para la recolección de datos.
La aplicación del instrumento mencionado fue llevada a cabo por los investigadores, quienes contaron
con las autorizaciones necesarias de las autoridades correspondientes. Este proceso se desarrolló durante
las actividades habituales, sin afectar las tareas de los docentes. En lo que respecta al análisis
documental, se realizó una revisión detallada del formulario en Google Forms, el cual fue evaluado
cuidadosamente por los investigadores. Para identificar los tipos de instrumentos de evaluación, se
consultó a los docentes, quienes proporcionaron los documentos relevantes que contenían dichos
pág. 6831
instrumentos, los cuales fueron registrados en la guía de observación utilizada por los investigadores.
Adicionalmente, se aplicó la lista de cotejo a la muestra previamente seleccionada.
Plan de tabulación y análisis
Una vez aplicado a la muestra el cuestionario, se procedió a la tabulación de los datos, es decir, el
traslado de la información en el programa IBM SPSS Statistics. El análisis de los datos recabados se
realizó por pregunta enfatizando los porcentajes relevantes según se trate.
Según Gairín (2019), el análisis cuantitativo de los datos consiste en “el proceso de examinar y entender
los datos a través de técnicas estadísticas y matemáticas”.
RESULTADOS Y DISCUSIÓN
A continuación, se presentan los resultados obtenidos de los instrumentos aplicados a los estudiantes en
la investigación titulada “estrategias de enseñanza basadas en inteligencia artificial y su impacto en el
aprendizaje personalizado de los estudiantes”. Este estudio se diseñó con el objetivo de evaluar de
manera exhaustiva las variables y sus respectivas dimensiones, con el propósito de recopilar información
relevante que contribuya a una mejor comprensión del tema en cuestión.
Los instrumentos utilizados para la recolección de datos, como el cuestionario de selección múltiple,
proporcionaron una visión clara sobre el impacto de las estrategias innovadoras en la enseñanza,
especialmente en lo que respecta al aprendizaje y desarrollo cognitivo de los estudiantes. Mediante la
tabulación y análisis de la información obtenida, se pudieron identificar patrones clave y correlaciones
entre las variables investigadas, lo que permitió realizar una interpretación más detallada y significativa
de los resultados.
Tabla 3: Prueba de normalidad.
Prueba de normalidad
Estadístico
gl
Sig.
Estrategias de
Enseñanza
Basadas en
Inteligencia
Artificial
0,569
250
0,001
Aprendizaje
Personalizado
0,877
250
0,002
Nota: Elaborado por: Autores
pág. 6832
Tabla 4: Descriptivos.
Descriptivosa
Estadístico
Error estándar
D1
Media
1,8765
,07656
95% de intervalo de
confianza para la media
Límite inferior
1,5688
Límite superior
1,7658
Media recortada al 5%
1,5775
Mediana
1,6568
Varianza
,120
Desviación estándar
,4567
Mínimo
1,00
Máximo
2,00
Rango
1,00
Rango intercuartil
,00
Asimetría
-0,3458
,250
Curtosis
,468
,657
D2
Media
0,4566
,4567
95% de intervalo de
confianza para la media
Límite inferior
1,4564
Límite superior
1,5634
Media recortada al 5%
0,7665
Mediana
1,0000
Varianza
,120
Desviación estándar
,8565
Mínimo
1,0045
Máximo
1,00
Rango
1,00
Rango intercuartil
,45
Asimetría
0,4578
,250
Curtosis
-,375
,563
D3
Media
1,0912
,0354
95% de intervalo de
confianza para la media
Límite inferior
4,6664
Límite superior
1,7765
Media recortada al 5%
1,4568
Mediana
1,2455
Varianza
,123
Desviación estándar
,167
Mínimo
1,00
Máximo
2,00
Rango
1,00
Rango intercuartil
,38
Asimetría
1,56
,865
Curtosis
-,458
,148
pág. 6833
Tabla 5: Resumen de procesamiento de casos.
Resumen de procesamiento de casos
Casos
Válido
Perdidos
Total
N
Porcentaje
N
Porcentaje
N
Porcentaje
V1
250
100,0%
0
0,0%
250
100,0%
D1
250
100,0%
0
0,0%
250
100,0%
D2
250
100,0%
0
0,0%
250
100,0%
D3
250
100,0%
0
0,0%
250
100,0%
Interpretación
La prueba de normalidad es un procedimiento estadístico fundamental que se utiliza para verificar si
una muestra de datos sigue una distribución normal. También conocida como distribución de Gauss o
campana de Gauss, esta distribución se caracteriza por su simetría y forma de campana. En una
distribución normal, los parámetros estadísticos como la media, la mediana y la moda se agrupan en el
centro, lo que sugiere que la mayoría de los valores se concentran alrededor de la media, disminuyendo
gradualmente hacia los extremos. Realizar una prueba de normalidad es esencial para evaluar si los datos
de una muestra siguen esta distribución.
La normalidad de los datos es un supuesto clave en muchos métodos estadísticos y pruebas de hipótesis,
tales como la prueba t de Student y el análisis de varianza, los cuales requieren que los datos sigan una
distribución normal para garantizar la validez de los resultados. Si los datos no se ajustan a una
distribución normal, puede ser necesario emplear métodos alternativos, como las pruebas no
paramétricas, que no dependen de esta suposición.
Existen varias pruebas de normalidad, como la de Shapiro-Wilk, Kolmogorov-Smirnov y Anderson-
Darling, cada una con características y limitaciones propias, lo que influye en la elección de la prueba
más adecuada según las características de la muestra y el contexto del análisis. En el caso del aprendizaje
activo, la prueba de Kolmogorov-Smirnov es una herramienta útil para analizar el comportamiento y las
necesidades de los estudiantes en un grupo específico. Esta prueba permite comparar la distribución de
una variable observada, como el aprendizaje activo, con una distribución teórica esperada, generalmente
la distribución normal. Al aplicar la prueba de Kolmogorov-Smirnov, se facilita la evaluación de cómo
se distribuye el aprendizaje activo dentro del grupo, identificando posibles desviaciones significativas
pág. 6834
con respecto a la distribución normal. Estas desviaciones pueden señalar la existencia de subgrupos con
características o necesidades particulares, lo cual es valioso para los educadores, ya que les ayuda a
comprender mejor la diversidad en el aula y a diseñar intervenciones pedagógicas personalizadas para
atender las necesidades específicas de los estudiantes.
CONCLUSIONES
Las estrategias de enseñanza basadas en inteligencia artificial han demostrado ser eficaces para
personalizar los procesos educativos, ajustando contenidos, metodologías y ritmos de aprendizaje a las
necesidades individuales de cada estudiante, lo que contribuye a un mejor rendimiento académico y
mayor satisfacción del alumno.
La aplicación de herramientas tecnológicas como sistemas de tutoría inteligente y plataformas
adaptativas fomenta la motivación intrínseca de los estudiantes, ya que les permite avanzar a su propio
ritmo y sentir un mayor control sobre su proceso de aprendizaje, lo que también fortalece su autonomía.
La integración exitosa de la inteligencia artificial en el aula requiere del docente como mediador y
facilitador. El rol del maestro no se reduce a un transmisor de conocimiento, sino que se convierte en un
guía que orienta a los estudiantes en el uso adecuado de las tecnologías, promoviendo un aprendizaje
significativo.
La implementación de IA en el ámbito educativo debe considerar aspectos éticos fundamentales, como
la protección de los datos personales de los estudiantes y la equidad en el acceso a estas tecnologías. Es
esencial contar con marcos regulatorios que garanticen el uso responsable y justo de las herramientas
tecnológicas en las aulas.
REFERENCIAS BIBLIOGRÁFICAS
Alvarado, L., & Pérez, M. (2020). La inteligencia artificial aplicada a la enseñanza personalizada: Un
estudio de caso en educación superior. Revista de Tecnología Educativa, 18(3), 45-59.
Barrera, F., & Gómez, R. (2019). Estrategias pedagógicas y su impacto en el aprendizaje personalizado
mediante IA. Journal of Education Technology, 22(4), 134-148.
Bellido, C., & Rodríguez, F. (2018). Aplicaciones de la inteligencia artificial en el aula: Implicaciones
para el aprendizaje individualizado. Revista Iberoamericana de Educación, 49(1), 101-118.
pág. 6835
Bravo, P., & Martínez, A. (2017). Tecnologías emergentes en la educación: Inteligencia artificial y
personalización del aprendizaje. Educando, 21(2), 87-102.
Castillo, M., & López, J. (2020). La integración de la IA en el proceso de enseñanza-aprendizaje: Retos
y oportunidades. Tecnología y Educación, 25(3), 67-82.
Fernández, E., & Castro, L. (2019). El uso de la inteligencia artificial en la educación: Una revisión
crítica. Revista de Innovación Educativa, 33(2), 44-60.
García, M., & Ruiz, S. (2021). Impacto de las plataformas adaptativas basadas en IA en el rendimiento
académico. Journal of Learning and Technology, 11(1), 29-42.
González, P., & Sánchez, R. (2018). La inteligencia artificial como motor de la personalización del
aprendizaje en el aula. Revista de Investigación Educativa, 19(4), 201-215.
Hernández, A., & Martín, J. (2020). Evaluación de sistemas de tutoría inteligente en la educación
secundaria. Revista de Tecnología y Sociedad, 10(3), 53-68.
López, C., & Pérez, V. (2019). El aprendizaje automático y su impacto en la educación personalizada.
Tecnologías para la Educación, 15(1), 77-92.
Martínez, C. (2018). Instrumento y técnica de recolección de datos. Revista de Innovación Educativa,
27, 44-59.
Mendoza, R., & Pérez, T. (2018). Personalización del aprendizaje a través de la inteligencia artificial:
Un análisis de su implementación en la educación primaria. Revista Iberoamericana de
Tecnología Educativa, 27(2), 35-49.
Moreno, G. (2019). Población y Muestra. Revista de Investigación Científica, 10(2), 45-60.
Navarro, J., & García, P. (2020). Impacto de la inteligencia artificial en el rendimiento de los estudiantes:
Un enfoque práctico en la educación universitaria. Investigación Educativa, 34(2), 86-101.
Ortega, S., & Rodríguez, J. (2021). La personalización del aprendizaje mediante IA: Un análisis de las
herramientas más utilizadas en el aula. Educación Digital, 22(1), 120-134.
Pérez, A., & Gómez, L. (2020). El papel de la inteligencia artificial en la enseñanza de contenidos
adaptativos. Revista Española de Tecnología Educativa, 15(3), 59-72.
Ramírez, D., & Romero, E. (2021). Inteligencia artificial y el futuro del aprendizaje personalizado:
Reflexiones sobre su integración en las aulas. Educación 4.0, 11(1), 45-58.
pág. 6836
Rodríguez, M., & Sánchez, E. (2019). Estrategias de enseñanza asistidas por IA en la educación básica
y media. Revista de Ciencias de la Educación, 19(2), 101-114.
Romero, P., & Martínez, C. (2020). Impacto de la inteligencia artificial en la motivación y la autonomía
del estudiante. Investigación en Educación y Tecnología, 12(4), 144-158.
Ruiz, T., & Molina, L. (2021). La inteligencia artificial como herramienta para el aprendizaje
personalizado: Un enfoque centrado en el estudiante. Revista de Innovación en Educación, 7(1),
89-103.