El objetivo de esta revisión sistemática es reconocer, compendiar y evaluar de manera crítica la literatura

sobre la aplicación de la inteligencia artificial (IA) en la mejora del aprendizaje de los estudiantes de

octavo año. A través del método PRISMA, se llevaron a cabo búsquedas exhaustivas en las bases de

datos Web of Science y Scopus, enfocándose en estudios publicados entre 2019 y 2024. En total, se

incluyeron diez estudios que evidenciaron cómo las herramientas de IA tienen la capacidad de

personalizar el aprendizaje y mejorar significativamente la retroalimentación, resultando en mejores

resultados académicos. Asimismo, se determinó que la formación continua de los docentes en

competencias digitales es fundamental para la adopción efectiva de estas tecnologías. Los resultados

apoyan las teorías de aprendizaje constructivista y adaptativo, proponiendo orientaciones prácticas para

Palabras clave: inteligencia artificial, educación, aprendizaje personalizado, retroalimentación

educativa

The objective of this systematic review is to identify, compile, and critically assess the literature on the

constructivist and adaptive learning theories, offering practical guidance for integrating AI into

education. Although the results are promising, long-term studies in diverse cultural contexts are needed

to validate and expand upon these findings. This review provides a solid foundation for informed

decision-making and the implementation of innovative educational practices, ensuring the effective use

of advanced technologies to enhance learning and academic performance.

Keywords: artificial intelligence, education, personalized learning, educational feedback

sectores, entre ellos la educación. La integración de la IA en el sector educativo puede transformar tanto

la enseñanza como el aprendizaje, ofreciendo importantes oportunidades para personalizar el proceso

educativo, detectar y abordar las necesidades específicas de los alumnos, y mejorar su rendimiento

académico. Específicamente, el uso de IA en la educación de estudiantes de octavo año puede ser

esencial para atender la diversidad de estilos de aprendizaje y preparar a los alumnos para un futuro

tecnológicamente avanzado (Alqahtani et al., 2023). De acuerdo con Alqahtani et al. (2023), la IA ha

revolucionado distintos ámbitos, incluida la educación, mediante el uso de técnicas de procesamiento

de lenguaje natural y modelos de lenguaje avanzados como GPT-4, mejorando la evaluación, la

retroalimentación constructiva y la personalización de los currículos.

La relevancia de este tema se amplifica en un mundo cada vez más digitalizado, donde la competencia

personalizar el aprendizaje, brindando apoyo específico según las necesidades individuales de los

estudiantes, lo cual conlleva una mejora notable en sus resultados académicos. Esta capacidad de la IA

para adaptarse a las necesidades particulares es especialmente relevante en la educación de estudiantes

de octavo año, quienes se encuentran en una etapa crucial de su desarrollo académico y personal.

Esta revisión sistemática tiene como propósito reconocer, reunir y analizar críticamente la literatura

científica existente sobre la aplicación de la inteligencia artificial para optimizar el aprendizaje de los

estudiantes de octavo año. El estudio pretende ofrecer una visión completa de las investigaciones

actuales, identificar las estrategias y herramientas más eficaces, y resaltar tanto los desafíos como las

oportunidades que la IA presenta en este entorno educativo.

uso de la IA en la mejora del aprendizaje de estudiantes de octavo año, con el fin de proporcionar una

visión integral de las investigaciones existentes y señalar áreas clave para futuras investigaciones en el

campo.

¿ De qué manera la inteligencia artificial puede mejor el proceso educativo de los alumnos de octavo

grado?

Esta revisión sistemática es significativa ya que responde a una necesidad urgente en la educación actual:

la incorporación eficaz de tecnologías avanzadas para mejorar los resultados académicos. La revisión se

fundamenta en estudios recientes y pertinentes, extraídos de fuentes científicas de alta reputación como

Web of Science y Scopus (Chervonski et al., 2024; Gao et al., 2024; Yuan et al., 2024). Los estudios

una técnica para la detección de acciones en línea utilizando transformadores mejorados por ejemplares

para la evaluación experimental en escuelas secundarias. Esta técnica podría ser valiosa para supervisar

y analizar el rendimiento de los estudiantes en tiempo real.

Además, Gao et al. (2024) llevan a cabo una revisión exhaustiva sobre la evaluación automatizada de

respuestas textuales en la educación postsecundaria, subrayando la efectividad de los sistemas de

inteligencia artificial para evaluar tareas escritas y proporcionar retroalimentación constructiva. Estos

estudios, junto con otros incluidos en esta revisión, ofrecen una base sólida para comprender cómo la

IA puede optimizar diversos aspectos del aprendizaje en estudiantes de octavo grado.

for Systematic Reviews and Meta-Analyses) con el objetivo de garantizar un procedimiento meticuloso

y claro. A continuación, se detalla exhaustivamente cada fase de la metodología empleada.

Establecer estos parámetros es fundamental para garantizar que los estudios seleccionados en la revisión

sean pertinentes y de alta calidad. A continuación, se especifican los parámetros aplicados al tema "Uso

de la Inteligencia Artificial para mejorar el Aprendizaje de Estudiantes de Octavo Año".

Fecha de Publicación: Se incluyeron artículos publicados entre 2019 y 2024. Este rango de tiempo

asegura que los estudios sean actuales y reflejen las últimas tendencias, así como, las tecnologías

avanzadas en la aplicación de la inteligencia artificial en la educación.

utilizados son:

• ("IA" OR "Inteligencia Artificial") AND ("Educación" OR "Aprendizaje") AND ("Educación

Secundaria" OR "Escuela Secundaria")

• ("Inteligencia Artificial" AND "Octavo Grado" AND "Mejora del Aprendizaje")

Tipo de Documento: Se incluyeron artículos de investigación y revisiones científicas. Este enfoque

garantiza que los estudios incluidos proporcionen datos empíricos o análisis críticos sobre el uso de la

IA en la educación.

Área Temática: Se eligieron estudios de diversas áreas temáticas vinculadas con la educación y la

tecnología, tales como informática, ingeniería, ciencias sociales y de la decisión. Esto garantiza una

cobertura interdisciplinaria y completa del tema.

la revisión.

Tipo de Documento: Se excluyeron conferencias, libros, editoriales y resúmenes. Esta exclusión se

debe a que estos tipos de documentos no suelen proporcionar la misma profundidad de análisis y detalle

metodológico que los artículos de investigación revisados por pares.

Estudios fuera del Alcance Temporal: Artículos publicados antes de 2019 se excluyeron para asegurar

la relevancia temporal y la aplicabilidad de los estudios a las tecnologías y métodos actuales.

Estudios No Relacionados Directamente con la Educación de Estudiantes de Octavo Año: Se

excluyeron estudios que no se centraran específicamente en el uso de la IA para mejorar el aprendizaje

de estudiantes de octavo año. Por ejemplo, estudios que se enfocaran en niveles educativos diferentes

Búsqueda Inicial: Se realizó una búsqueda inicial en las bases de datos Web of Science y Scopus

utilizando las combinaciones de palabras clave especificadas.

Cribado de Títulos y Resúmenes: Los títulos y resúmenes de los estudios identificados fueron

revisados por dos revisores independientes para evaluar su relevancia según los criterios de inclusión y

exclusión.

Evaluación del Texto Completo: Los estudios que pasaron el cribado inicial fueron evaluados en texto

completo. Se registraron las razones para la exclusión de estudios en esta etapa para asegurar la

transparencia del proceso.

Inclusión Final: Los estudios que cumplieron con todos los criterios de inclusión fueron incluidos en

la revisión sistemática. Los datos relevantes de estos estudios fueron extraídos y analizados.

que la revisión refleje las últimas tecnologías y tendencias en el uso de la IA en la educación. La

selección de palabras clave y combinaciones específicas permite una búsqueda focalizada en el tema de

interés. La exclusión de tipos de documentos no revisados por pares (conferencias, libros, etc.) y estudios

fuera del alcance temporal o temático asegura que la revisión se base en evidencia sólida y directamente

aplicable.

La estrategia de búsqueda es una parte crítica de la revisión sistemática, ya que determina los estudios

que serán considerados para la inclusión. Para el tema "Uso de la Inteligencia Artificial para mejorar el

Aprendizaje de Estudiantes de Octavo Año", se diseñó una estrategia de búsqueda meticulosa para

garantizar que todos los estudios relevantes fueran identificados. La búsqueda se llevó a cabo en dos

pertinentes. Las palabras clave principales incluyeron términos relacionados con la inteligencia

artificial, la educación, y la mejora del aprendizaje. Las combinaciones específicas de palabras clave

fueron las siguientes:

• "Artificial Intelligence" AND "Education" AND "Learning Improvement"

("Secondary Education" OR "Middle School")

Desglose de la Estrategia de Búsqueda

"Artificial Intelligence" AND "Education" AND "Learning Improvement"

Esta combinación busca identificar estudios que exploren directamente cómo la inteligencia artificial

puede ser utilizada para mejorar el aprendizaje en contextos educativos. Cada término clave tiene un

resultados de aprendizaje.

Education" OR "Middle School")

Esta combinación más compleja permite una búsqueda más amplia y exhaustiva, incluyendo variaciones

terminológicas y contextuales:

acrónimo para abarcar una mayor cantidad de estudios.

español.

efecto utilizando diferencias de medias y razones de riesgo, dependiendo de la naturaleza de los datos.

La heterogeneidad entre los estudios fue evaluada utilizando el estadístico I² y se aplicaron modelos de

efectos fijos o aleatorios según corresponda.

Los resultados de esta revisión indican que la inteligencia artificial puede tener un impacto positivo

significativo en el aprendizaje de los estudiantes de octavo año. Los estudios revisados muestran que las

herramientas de IA, como chatbots y sistemas de tutoría inteligentes, mejoran la personalización del

aprendizaje y la retroalimentación, lo que conduce a mejores resultados académicos. Estos hallazgos

apoyan teorías educativas que abogan por el aprendizaje adaptativo y personalizado, donde la tecnología

se utiliza para satisfacer las necesidades individuales de los estudiantes. Además, la relación positiva

entre la competencia digital de los docentes y sus actitudes hacia la IA sugiere que la formación continua

los estudiantes interactuar con el contenido de maneras más dinámicas y adaptadas a sus necesidades

individuales. Esto refuerza la relevancia de integrar tecnologías avanzadas en los planes de estudio para

mejorar la calidad de la educación.

En términos prácticos, los resultados de esta revisión sugieren varias recomendaciones para los

educadores y administradores escolares. Primero, es crucial invertir en tecnologías de IA que puedan

personalizar el aprendizaje y proporcionar retroalimentación inmediata. Segundo, la formación continua

de los docentes en competencias digitales debe ser prioritaria, ya que su actitud hacia la tecnología

influye significativamente en su adopción y uso eficaz. Además, los desarrolladores de tecnologías

educativas deben considerar las necesidades específicas de los estudiantes de octavo año para diseñar

herramientas que realmente mejoren su aprendizaje y compromiso. Estas recomendaciones pueden guiar

independientemente de sus habilidades tecnológicas. Finalmente, se recomienda investigar más a fondo

las barreras y facilitadores para la adopción de IA en las escuelas, para diseñar estrategias que

promuevan su implementación efectiva y sostenible.

Las revisiones sistemáticas de la literatura son esenciales para consolidar el conocimiento existente

sobre un tema específico, permitiendo identificar, evaluar y sintetizar los resultados de múltiples

estudios. Este método ayuda a minimizar sesgos y proporciona una base firme para la toma de decisiones

en la práctica educativa y la política pública. En el contexto del uso de la inteligencia artificial (IA) para

mejorar el aprendizaje de estudiantes de octavo año, la revisión sistemática realizada revela hallazgos

significativos. Los estudios revisados muestran que la IA tiene el potencial de personalizar el aprendizaje

y mejorar la retroalimentación, lo cual es crucial para atender las necesidades individuales de los

no solo respaldan teorías educativas existentes, sino que también sugieren direcciones prácticas para la

integración de tecnologías avanzadas en el ámbito educativo.

La implementación de IA en la educación secundaria muestra promesas significativas, como lo

evidencian los estudios incluidos en esta revisión. Las aplicaciones de IA, desde chatbots hasta sistemas

de tutoría y procesamiento del lenguaje natural, han demostrado mejorar la experiencia de aprendizaje

de los estudiantes al proporcionar retroalimentación inmediata y adaptativa. Sin embargo, es importante

destacar que la mayoría de los estudios revisados son de corto plazo, lo que limita la comprensión de

los efectos sostenidos del uso de IA en la educación. Además, la variabilidad en los contextos educativos

y culturales de los estudios puede influir en la generalización de los resultados. Por lo tanto, aunque los

hallazgos son prometedores, es necesario abordar estas limitaciones a través de investigaciones futuras.

secundaria. Sin embargo, se necesitan estudios a largo plazo y en diversos contextos culturales para

validar y expandir estos hallazgos.

Permiten a los investigadores y profesionales comprender mejor las tendencias, la eficacia de las

intervenciones y las áreas que necesitan investigación adicional, fortaleciendo así las bases para futuros

estudios y mejoras en diversas disciplinas. En el ámbito educativo, esto es particularmente importante

para desarrollar estrategias efectivas que integren la IA de manera inclusiva y accesible, beneficiando a

todos los estudiantes. Al proporcionar una base sólida de evidencia, esta revisión sistemática contribuye

a la toma de decisiones informadas y a la implementación de prácticas educativas innovadoras,

asegurando que las tecnologías avanzadas se utilicen de manera efectiva para mejorar el aprendizaje y

el rendimiento académico.

Classroom Experience and Improved Learning Outcomes (pp. 571–591).

https://doi.org/10.1007/978-981-99-1767-9_42

Alqahtani, T., Badreldin, H. A., Alrashed, M., Alshaya, A. I., Alghamdi, S. S., bin Saleh, K., Alowais,

S. A., Alshaya, O. A., Rahman, I., Al Yami, M. S., & Albekairy, A. M. (2023). The emergent

role of artificial intelligence, natural learning processing, and large language models in higher

education and research. Research in Social and Administrative Pharmacy, 19(8), 1236–1242.

https://doi.org/10.1016/j.sapharm.2023.05.016

Alsheyab, M. S. A. (2024). Legal analysis of the merits of electronic transferable records: toward cross-

border trade digitalization. International Journal of Law and Management.

https://doi.org/10.1108/IJLMA-09-2023-0209

Education V. 2, 1610–1611. https://doi.org/10.1145/3626253.3635484

Dai, C.-P., & Ke, F. (2022). Educational applications of artificial intelligence in simulation-based

learning: A systematic mapping review. Computers and Education: Artificial Intelligence, 3,

100087. https://doi.org/10.1016/j.caeai.2022.100087

Demartini, C. G., Sciascia, L., Bosso, A., & Manuri, F. (2024). Artificial Intelligence Bringing

Improvements to Adaptive Learning in Education: A Case Study. Sustainability, 16(3), 1347.

https://doi.org/10.3390/su16031347

Gao, R., Merzdorf, H. E., Anwar, S., Hipwell, M. C., & Srinivasa, A. R. (2024). Automatic assessment

of text-based responses in post-secondary education: A systematic review. Computers and

Education: Artificial Intelligence, 6, 100206. https://doi.org/10.1016/j.caeai.2024.100206

https://doi.org/10.1177/11206721231215862

Katuka, G. A., Chakraburty, S., Lee, H., Dhama, S., Earle-Randell, T., Celepkolu, M., Boyer, K. E.,

Glazewski, K., Hmelo-Silver, C., & Mcklin, T. (2024). Integrating Natural Language Processing

in Middle School Science Classrooms: An Experience Report. Proceedings of the 55th ACM

Technical Symposium on Computer Science Education V. 1, 639–645.

https://doi.org/10.1145/3626252.3630881

Khan, S., Iqbal, M., Osho, O., Singh, K., Derrick, K., Nelson, P., Li, L., Sidnam-Mauch, E., Bannister,

N., Caine, K., & Knijnenburg, B. (2024). Teaching Middle Schoolers about the Privacy Threats

of Tracking and Pervasive Personalization: A Classroom Intervention Using Design-Based

Research. Proceedings of the CHI Conference on Human Factors in Computing Systems, 1–26.

process. British Journal of Educational Technology, 55(3), 823–844.

https://doi.org/10.1111/bjet.13372

Liu, S., McCoy, A. B., Peterson, J. F., Lasko, T. A., Sittig, D. F., Nelson, S. D., Andrews, J., Patterson,

L., Cobb, C. M., Mulherin, D., Morton, C. T., & Wright, A. (2024). Leveraging explainable

artificial intelligence to optimize clinical decision support. Journal of the American Medical

Informatics Association, 31(4), 968–974. https://doi.org/10.1093/jamia/ocae019

Martin, F., Vahedian Movahed, S., Dimino, J., Farrell, A., Irankhah, E., Ghosh, S., Jain, G., Mahipal,

V., Rayavaram, P., Temitayo Sanusi, I., Salas, E., Wolkowicz, K., & Narain, S. (2024).

Perception, Trust, Attitudes, and Models: Introducing Children to AI and Machine Learning

Martins, R. M., & Gresse von Wangenheim, C. (2023). Teaching Computing to Middle and High School

Students from a Low Socio-Economic Status Background: A Systematic Literature Review.

Informatics in Education. https://doi.org/10.15388/infedu.2024.01

Ng, D. T. K., Tan, C. W., & Leung, J. K. L. (2024). Empowering student self‐regulated learning and

science education through <scp>ChatGPT</scp> : A pioneering pilot study. British Journal of

Educational Technology, 55(4), 1328–1353. https://doi.org/10.1111/bjet.13454

Ng, D. T. K., Xinyu, C., Leung, J. K. L., & Chu, S. K. W. (2024). Fostering students’ <scp>AI</scp>

literacy development through educational games: <scp>AI</scp> knowledge, affective and

cognitive engagement. Journal of Computer Assisted Learning.

https://doi.org/10.1111/jcal.13009

https://doi.org/10.1371/journal.pone.0297266

Su, J., & Yang, W. (2024). <scp>AI</scp> literacy curriculum and its relation to children’s perceptions

of robots and attitudes towards engineering and science: An intervention study in early

childhood education. Journal of Computer Assisted Learning, 40(1), 241–253.

https://doi.org/10.1111/jcal.12867

Tan, M., & Subramonyam, H. (2024). More than Model Documentation: Uncovering Teachers’

Bespoke Information Needs for Informed Classroom Integration of ChatGPT. Proceedings of

the CHI Conference on Human Factors in Computing Systems, 1–19.

https://doi.org/10.1145/3613904.3642592

Intervention on Preoperative Anxiety: A Randomized Controlled Trial. Journal of

PeriAnesthesia Nursing. https://doi.org/10.1016/j.jopan.2023.12.005

Yuan, H., Zheng, Z., Gu, Y., Zhou, J., & Chen, Y. (2024). ExpT: Online Action Detection via Exemplar-

Enhanced Transformer for Secondary School Experimental Evaluation (pp. 347–356).

https://doi.org/10.1007/978-981-97-0791-1_30

Zeller, A., Gutenberg, J., Niebauer, J., Crutzen, R., & Kulnik, S. T. (2024). Patients’ experiences and

perspectives regarding the use of digital technology to support exercise-based cardiac

rehabilitation: a qualitative interview study. Frontiers in Sports and Active Living, 6.

https://doi.org/10.3389/fspor.2024.1371652

Zhang, H., Lee, I., & Moore, K. (2024). An Effectiveness Study of Teacher-Led AI Literacy Curriculum