LA INTELIGENCIA ARTIFICIAL COMO
HERRAMIENTA PARA PERSONALIZAR EL
PROCESO DE ENSEÑANZA-APRENDIZAJE
EN LA EDUCACIÓN BÁSICA
ARTIFICIAL INTELLIGENCE AS A TOOL TO PERSONALIZE THE
TEACHING-LEARNING PROCESS IN BASIC EDUCATION
Juan Alberto Mendoza Maisanche
Universidad Técnica Estatal de Quevedo, Ecuador
María Luisa Diaz Mendoza
Universidad Técnica de Babahoyo, Ecuador
María Mercedes Solórzano Intriago
Universidad Técnica Estatal de Quevedo, Ecuador
Gardenia Bibiana Moreira Pinargote
Universidad Técnica de Babahoyo, Ecuador
David Antonio Véliz Chinchay
Universidad Técnica Estatal de Quevedo, Ecuador
pág. 8790
DOI: https://doi.org/10.37811/cl_rcm.v9i5.20033
La Inteligencia Artificial como Herramienta para Personalizar el Proceso
de Enseñanza-Aprendizaje en la Educación Básica
Juan Alberto Mendoza Maisanche1
juan.maisanche@hotmail.com
https://orcid.org/0009-0007-4498-1321
Universidad Técnica Estatal de Quevedo
Quevedo-Ecuador
María Luisa Diaz Mendoza
diaz86946@gmail.com
https://orcid.org/0009-0005-9622-1143
Universidad Técnica de Babahoyo
Babahoyo -Ecuador
María Mercedes Solórzano Intriago
msolorzanoi@uteq.edu.ec
https://orcid.org/0009-0002-9460-0404
Universidad Técnica Estatal de Quevedo
Quevedo-Ecuador
Gardenia Bibiana Moreira Pinargote
gardenia.moreira@educación.gob.ec
https://orcid.org/0009-0001-9733-9144
Universidad Técnica de Babahoyo
Quevedo-Ecuador
David Antonio Véliz Chinchay
antonio.veliz@educacion.gob.ec
https://orcid.org/0009-0002-1647-6866
Universidad Técnica Estatal de Quevedo
Quevedo-Ecuador
RESUMEN
Este estudio de método mixto analizó cómo la inteligencia artificial (IA) puede personalizar el proceso
de enseñanza-aprendizaje en la educación básica. A través de un enfoque cuantitativo, se evaluó el
impacto de la IA en 60 estudiantes, revelando mejoras significativas en la motivación (+1.38), la
participación (+1.60) y el rendimiento académico (+1.85). Estos datos se refuerzan con hallazgos
cualitativos de 10 docentes, quienes confirmaron los beneficios de la IA en el aula, pero también
señalaron desafíos críticos como la falta de capacitación y el acceso limitado a la tecnología. Los
resultados demuestran que, si bien la IA es una herramienta efectiva para mejorar el compromiso y el
desempeño estudiantil, su implementación exitosa y equitativa depende de una estrategia integral que
incluya formación docente, infraestructura adecuada y un marco ético sólido. Por ello, con base en los
resultados, la implementación de la IA generó un impacto positivo y directo, evidenciado por un
aumento en el rendimiento y en la participación de los estudiantes. Sin embargo, los docentes señalaron
desafíos clave como la falta de capacitación y el acceso limitado a la tecnología. Por lo tanto, para una
integración exitosa y equitativa, es fundamental adoptar un enfoque integral que combine la tecnología
con una sólida formación para los educadores, políticas claras y la inversión en infraestructura.
Palabras clave: inteligencia artificial, educación básica, enseñanza-aprendizaje, rendimiento
académico, tecnología educativa
1 Autor principal
Correspondencia: juan.maisanche@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i5.20033
La Inteligencia Artificial como Herramienta para Personalizar el Proceso
de Enseñanza-Aprendizaje en la Educación Básica
Juan Alberto Mendoza Maisanche1
juan.maisanche@hotmail.com
https://orcid.org/0009-0007-4498-1321
Universidad Técnica Estatal de Quevedo
Quevedo-Ecuador
María Luisa Diaz Mendoza
diaz86946@gmail.com
https://orcid.org/0009-0005-9622-1143
Universidad Técnica de Babahoyo
Babahoyo -Ecuador
María Mercedes Solórzano Intriago
msolorzanoi@uteq.edu.ec
https://orcid.org/0009-0002-9460-0404
Universidad Técnica Estatal de Quevedo
Quevedo-Ecuador
Gardenia Bibiana Moreira Pinargote
gardenia.moreira@educación.gob.ec
https://orcid.org/0009-0001-9733-9144
Universidad Técnica de Babahoyo
Quevedo-Ecuador
David Antonio Véliz Chinchay
antonio.veliz@educacion.gob.ec
https://orcid.org/0009-0002-1647-6866
Universidad Técnica Estatal de Quevedo
Quevedo-Ecuador
RESUMEN
Este estudio de método mixto analizó cómo la inteligencia artificial (IA) puede personalizar el proceso
de enseñanza-aprendizaje en la educación básica. A través de un enfoque cuantitativo, se evaluó el
impacto de la IA en 60 estudiantes, revelando mejoras significativas en la motivación (+1.38), la
participación (+1.60) y el rendimiento académico (+1.85). Estos datos se refuerzan con hallazgos
cualitativos de 10 docentes, quienes confirmaron los beneficios de la IA en el aula, pero también
señalaron desafíos críticos como la falta de capacitación y el acceso limitado a la tecnología. Los
resultados demuestran que, si bien la IA es una herramienta efectiva para mejorar el compromiso y el
desempeño estudiantil, su implementación exitosa y equitativa depende de una estrategia integral que
incluya formación docente, infraestructura adecuada y un marco ético sólido. Por ello, con base en los
resultados, la implementación de la IA generó un impacto positivo y directo, evidenciado por un
aumento en el rendimiento y en la participación de los estudiantes. Sin embargo, los docentes señalaron
desafíos clave como la falta de capacitación y el acceso limitado a la tecnología. Por lo tanto, para una
integración exitosa y equitativa, es fundamental adoptar un enfoque integral que combine la tecnología
con una sólida formación para los educadores, políticas claras y la inversión en infraestructura.
Palabras clave: inteligencia artificial, educación básica, enseñanza-aprendizaje, rendimiento
académico, tecnología educativa
1 Autor principal
Correspondencia: juan.maisanche@hotmail.com
pág. 8791
Artificial Intelligence as a Tool to Personalize the Teaching-Learning
Process in Basic Education
ABSTRACT
This mixed-method study analyzed how artificial intelligence (AI) can personalize the teaching-
learning process in basic education. Through a quantitative approach, the impact of AI on 60 students
was evaluated, revealing significant improvements in motivation (+1.38), engagement (+1.60), and
academic performance (+1.85). These data are reinforced by qualitative findings from 10 teachers, who
confirmed the benefits of AI in the classroom but also pointed out critical challenges such as lack of
training and limited access to the technology. The results demonstrate that while AI is an effective tool
for improving student engagement and performance, its successful and equitable implementation
depends on a comprehensive strategy that includes teacher training, adequate infrastructure, and a
strong ethical framework. Therefore, based on the results, the implementation of AI generated a direct
and positive impact, evidenced by an increase in student performance and engagement. However,
teachers pointed to key challenges such as a lack of training and limited access to technology. Therefore,
for successful and equitable integration, it is essential to adopt a comprehensive approach that combines
technology with robust teacher training, clear policies, and investment in infrastructure.
Keywords: artificial intelligence, basic education, teaching and learning, academic performance,
educational technology
Artículo recibido 25 agosto 2025
Aceptado para publicación: 25 setiembre 2025
Artificial Intelligence as a Tool to Personalize the Teaching-Learning
Process in Basic Education
ABSTRACT
This mixed-method study analyzed how artificial intelligence (AI) can personalize the teaching-
learning process in basic education. Through a quantitative approach, the impact of AI on 60 students
was evaluated, revealing significant improvements in motivation (+1.38), engagement (+1.60), and
academic performance (+1.85). These data are reinforced by qualitative findings from 10 teachers, who
confirmed the benefits of AI in the classroom but also pointed out critical challenges such as lack of
training and limited access to the technology. The results demonstrate that while AI is an effective tool
for improving student engagement and performance, its successful and equitable implementation
depends on a comprehensive strategy that includes teacher training, adequate infrastructure, and a
strong ethical framework. Therefore, based on the results, the implementation of AI generated a direct
and positive impact, evidenced by an increase in student performance and engagement. However,
teachers pointed to key challenges such as a lack of training and limited access to technology. Therefore,
for successful and equitable integration, it is essential to adopt a comprehensive approach that combines
technology with robust teacher training, clear policies, and investment in infrastructure.
Keywords: artificial intelligence, basic education, teaching and learning, academic performance,
educational technology
Artículo recibido 25 agosto 2025
Aceptado para publicación: 25 setiembre 2025
pág. 8792
INTRODUCCIÓN
En el contexto actual, la educación básica enfrenta el desafío de atender la diversidad de ritmos, estilos
y necesidades de aprendizaje de los estudiantes. En aulas heterogéneas, donde confluyen distintos
niveles de desarrollo cognitivo, socioemocional y tecnológico, los métodos tradicionales de enseñanza
resultan limitados para garantizar una atención personalizada. En este escenario, la inteligencia artificial
(IA) se perfila como una herramienta capaz de personalizar el proceso enseñanza-aprendizaje al adaptar
contenidos y actividades al progreso individual del alumno, facilitando una educación más inclusiva,
eficiente y equitativa (Purba et al., 2024). La adopción de modelos generativos como ChatGPT permite
generar materiales didácticos ajustados en tiempo real al nivel del estudiante, favoreciendo la
participación activa y el desarrollo de la autonomía académica, además de potenciar el rendimiento
escolar (Jauhiainen & Garagorry Guerra, 2024). No obstante, los enfoques recientes subrayan que el
éxito en la implementación de estas tecnologías no depende únicamente de la sofisticación de los
algoritmos, sino también de un marco ético, pedagógico y con políticas educativas claras que aseguren
la equidad y el acceso universal (Sayay, 2024).
En continuidad con esta perspectiva, diversos estudios han demostrado que la IA no solo amplía las
posibilidades de personalización, sino que también transforma el rol del docente y el diseño curricular.
El profesorado, más que transmisor de contenidos, asume un papel de mediador y orientador en el uso
de recursos inteligentes que acompañan el aprendizaje. Esto implica la necesidad de capacitar a los
educadores en competencias digitales y en la comprensión crítica de los alcances y limitaciones de la
IA, evitando una dependencia acrítica de la tecnología. Asimismo, las instituciones educativas deben
invertir en infraestructura tecnológica y garantizar entornos digitales seguros que protejan los datos de
los estudiantes. De esta manera, la IA puede consolidarse como una aliada estratégica para lograr que
la educación básica responda a los retos de inclusión, diversidad y calidad en el siglo XXI, siempre que
se articule con políticas públicas y estrategias pedagógicas coherentes.
Estudios como el de Martínez et al. (2025) en el cual se realizaron una revisión sistemática sobre la IA
en la educación básica, han identificado mejoras en rendimiento académico y participación estudiantil,
pero también desafíos como brecha digital, acceso desigual y formación docente insuficiente.
INTRODUCCIÓN
En el contexto actual, la educación básica enfrenta el desafío de atender la diversidad de ritmos, estilos
y necesidades de aprendizaje de los estudiantes. En aulas heterogéneas, donde confluyen distintos
niveles de desarrollo cognitivo, socioemocional y tecnológico, los métodos tradicionales de enseñanza
resultan limitados para garantizar una atención personalizada. En este escenario, la inteligencia artificial
(IA) se perfila como una herramienta capaz de personalizar el proceso enseñanza-aprendizaje al adaptar
contenidos y actividades al progreso individual del alumno, facilitando una educación más inclusiva,
eficiente y equitativa (Purba et al., 2024). La adopción de modelos generativos como ChatGPT permite
generar materiales didácticos ajustados en tiempo real al nivel del estudiante, favoreciendo la
participación activa y el desarrollo de la autonomía académica, además de potenciar el rendimiento
escolar (Jauhiainen & Garagorry Guerra, 2024). No obstante, los enfoques recientes subrayan que el
éxito en la implementación de estas tecnologías no depende únicamente de la sofisticación de los
algoritmos, sino también de un marco ético, pedagógico y con políticas educativas claras que aseguren
la equidad y el acceso universal (Sayay, 2024).
En continuidad con esta perspectiva, diversos estudios han demostrado que la IA no solo amplía las
posibilidades de personalización, sino que también transforma el rol del docente y el diseño curricular.
El profesorado, más que transmisor de contenidos, asume un papel de mediador y orientador en el uso
de recursos inteligentes que acompañan el aprendizaje. Esto implica la necesidad de capacitar a los
educadores en competencias digitales y en la comprensión crítica de los alcances y limitaciones de la
IA, evitando una dependencia acrítica de la tecnología. Asimismo, las instituciones educativas deben
invertir en infraestructura tecnológica y garantizar entornos digitales seguros que protejan los datos de
los estudiantes. De esta manera, la IA puede consolidarse como una aliada estratégica para lograr que
la educación básica responda a los retos de inclusión, diversidad y calidad en el siglo XXI, siempre que
se articule con políticas públicas y estrategias pedagógicas coherentes.
Estudios como el de Martínez et al. (2025) en el cual se realizaron una revisión sistemática sobre la IA
en la educación básica, han identificado mejoras en rendimiento académico y participación estudiantil,
pero también desafíos como brecha digital, acceso desigual y formación docente insuficiente.
pág. 8793
Otro estudio destaca que los sistemas de IA basados en algoritmos adaptativos y chatbots educacionales
favorecen la motivación, autonomía académica, pero plantean preocupaciones sobre privacidad y
sesgos algorítmicos (Riezebos, 2020) . Por otra parte, Jauhiainen y Garagorry (2024) mostraron
mediante un estudio en Uruguay (estudiantes de primaria entre 8-14 años) que la IA generativa
personaliza materiales educativos, incrementando tanto motivación como desempeño académico.
Un equipo de investigación de Stanford, en colaboración con War Child Alliance y Carnegie Learning,
demostró que los datos de uso (solo de 2 a 5 horas) de plataformas digitales educativas permiten predecir
el rendimiento estudiantil en evaluaciones externas varios meses después. Específicamente, lograron
identificar a los estudiantes que estarían en el quintil más alto o más bajo en pruebas finales con una
precisión significativa (Wulandani et al., 2024). Esto sugiere el potencial de usar IA para una
intervención temprana basada en datos cuantitativos claros.
En un estudio de UniDistance Suisse con estudiantes de psicología (N = 51), se utilizó un tutor
inteligente basado en GPT-3 que generaba preguntas microlearning según el nivel individual de cada
estudiante. Como resultado, quienes interactuaron activamente con el tutor obtuvieron calificaciones
significativamente más altas, con una mejora promedio de hasta 15 puntos percentiles respecto a un
curso comparable sin IA (Karran et al., 2024).
Un estudio comparativo midió el efecto de diferentes plataformas de aprendizaje online en 199
participantes. Aquellos que usaron una plataforma personalizada con IA (Korbit) mostraron tasas de
finalización de curso más altas y resultados de aprendizaje entre 2 y 2,5 veces mejores que los de los
estudiantes en una plataforma MOOC tradicional o un grupo control sin retroalimentación
personalizada (Khalil et al., 2025).
A pesar del potencial de la IA para personalizar la educación en la enseñanza básica, persiste una brecha
significativa entre su promesa teórica y su aplicación práctica (Roll & Wylie, 2021). Específicamente,
se desconoce cómo la IA puede integrarse eficazmente para adaptar materiales educativos en tiempo
real sin comprometer la equidad ni exacerbar barreras como la falta de formación docente, acceso
desigual a tecnología y riesgos éticos. Por tanto, el problema de investigación es: ¿Cómo puede la IA
servir como herramienta efectiva para personalizar el proceso de enseñanza-aprendizaje en educación
básica, considerando los beneficios, los retos técnicos, éticos y pedagógicos existentes?
Otro estudio destaca que los sistemas de IA basados en algoritmos adaptativos y chatbots educacionales
favorecen la motivación, autonomía académica, pero plantean preocupaciones sobre privacidad y
sesgos algorítmicos (Riezebos, 2020) . Por otra parte, Jauhiainen y Garagorry (2024) mostraron
mediante un estudio en Uruguay (estudiantes de primaria entre 8-14 años) que la IA generativa
personaliza materiales educativos, incrementando tanto motivación como desempeño académico.
Un equipo de investigación de Stanford, en colaboración con War Child Alliance y Carnegie Learning,
demostró que los datos de uso (solo de 2 a 5 horas) de plataformas digitales educativas permiten predecir
el rendimiento estudiantil en evaluaciones externas varios meses después. Específicamente, lograron
identificar a los estudiantes que estarían en el quintil más alto o más bajo en pruebas finales con una
precisión significativa (Wulandani et al., 2024). Esto sugiere el potencial de usar IA para una
intervención temprana basada en datos cuantitativos claros.
En un estudio de UniDistance Suisse con estudiantes de psicología (N = 51), se utilizó un tutor
inteligente basado en GPT-3 que generaba preguntas microlearning según el nivel individual de cada
estudiante. Como resultado, quienes interactuaron activamente con el tutor obtuvieron calificaciones
significativamente más altas, con una mejora promedio de hasta 15 puntos percentiles respecto a un
curso comparable sin IA (Karran et al., 2024).
Un estudio comparativo midió el efecto de diferentes plataformas de aprendizaje online en 199
participantes. Aquellos que usaron una plataforma personalizada con IA (Korbit) mostraron tasas de
finalización de curso más altas y resultados de aprendizaje entre 2 y 2,5 veces mejores que los de los
estudiantes en una plataforma MOOC tradicional o un grupo control sin retroalimentación
personalizada (Khalil et al., 2025).
A pesar del potencial de la IA para personalizar la educación en la enseñanza básica, persiste una brecha
significativa entre su promesa teórica y su aplicación práctica (Roll & Wylie, 2021). Específicamente,
se desconoce cómo la IA puede integrarse eficazmente para adaptar materiales educativos en tiempo
real sin comprometer la equidad ni exacerbar barreras como la falta de formación docente, acceso
desigual a tecnología y riesgos éticos. Por tanto, el problema de investigación es: ¿Cómo puede la IA
servir como herramienta efectiva para personalizar el proceso de enseñanza-aprendizaje en educación
básica, considerando los beneficios, los retos técnicos, éticos y pedagógicos existentes?
pág. 8794
El objetivo principal de este estudio es analizar de manera integral cómo la inteligencia artificial puede
utilizarse para personalizar el proceso de enseñanza-aprendizaje en la educación básica. Para ello, se
abordarán:
▪ Las aplicaciones concretas de la IA que permiten generar y adaptar materiales educativos en tiempo
real.
▪ Los beneficios pedagógicos asociados (motivación, rendimiento, participación).
▪ Los desafíos técnicos, éticos y formativos que rodean su implementación.
▪ Recomendaciones para una integración equitativa y con enfoque pedagógico sólido.
METODOLOGÍA
El estudio adoptó un enfoque mixto (cualitativo y cuantitativo), con el propósito de obtener una visión
integral del fenómeno. El componente cuantitativo permitió medir el nivel de motivación, participación
y rendimiento de los estudiantes tras la implementación de herramientas de IA, mientras que el
componente cualitativo permitió profundizar en las percepciones y experiencias de docentes y
estudiantes acerca de la utilidad y limitaciones de estas tecnologías.
Se utilizó un diseño no experimental, de tipo descriptivo y exploratorio. No se manipularon variables,
sino que se observó y analizó el impacto de la IA en contextos reales de educación básica. El carácter
exploratorio se justifica debido a que la implementación de la IA en entornos escolares aún es incipiente
en la región.
La población estuvo conformada por docentes y estudiantes de educación básica de instituciones
educativas urbanas y rurales. La muestra fue seleccionada mediante muestreo intencional con criterios
de accesibilidad y participación voluntaria. Se incluyeron aproximadamente 60 estudiantes de cuarto a
séptimo grado y 10 docentes de áreas básicas (Lengua, Matemática y Ciencias). La diversidad de
participantes permitió observar cómo la IA responde a diferentes contextos y necesidades educativas.
Para el componente cuantitativo se diseñó un cuestionario estructurado con escala Likert de 5 puntos,
orientado a medir la motivación, la percepción de la utilidad de la IA y el nivel de participación en clase.
Para el componente cualitativo, se aplicaron entrevistas semiestructuradas a los docentes con preguntas
abiertas relacionadas con los beneficios, retos y preocupaciones éticas del uso de IA en el aula.
El objetivo principal de este estudio es analizar de manera integral cómo la inteligencia artificial puede
utilizarse para personalizar el proceso de enseñanza-aprendizaje en la educación básica. Para ello, se
abordarán:
▪ Las aplicaciones concretas de la IA que permiten generar y adaptar materiales educativos en tiempo
real.
▪ Los beneficios pedagógicos asociados (motivación, rendimiento, participación).
▪ Los desafíos técnicos, éticos y formativos que rodean su implementación.
▪ Recomendaciones para una integración equitativa y con enfoque pedagógico sólido.
METODOLOGÍA
El estudio adoptó un enfoque mixto (cualitativo y cuantitativo), con el propósito de obtener una visión
integral del fenómeno. El componente cuantitativo permitió medir el nivel de motivación, participación
y rendimiento de los estudiantes tras la implementación de herramientas de IA, mientras que el
componente cualitativo permitió profundizar en las percepciones y experiencias de docentes y
estudiantes acerca de la utilidad y limitaciones de estas tecnologías.
Se utilizó un diseño no experimental, de tipo descriptivo y exploratorio. No se manipularon variables,
sino que se observó y analizó el impacto de la IA en contextos reales de educación básica. El carácter
exploratorio se justifica debido a que la implementación de la IA en entornos escolares aún es incipiente
en la región.
La población estuvo conformada por docentes y estudiantes de educación básica de instituciones
educativas urbanas y rurales. La muestra fue seleccionada mediante muestreo intencional con criterios
de accesibilidad y participación voluntaria. Se incluyeron aproximadamente 60 estudiantes de cuarto a
séptimo grado y 10 docentes de áreas básicas (Lengua, Matemática y Ciencias). La diversidad de
participantes permitió observar cómo la IA responde a diferentes contextos y necesidades educativas.
Para el componente cuantitativo se diseñó un cuestionario estructurado con escala Likert de 5 puntos,
orientado a medir la motivación, la percepción de la utilidad de la IA y el nivel de participación en clase.
Para el componente cualitativo, se aplicaron entrevistas semiestructuradas a los docentes con preguntas
abiertas relacionadas con los beneficios, retos y preocupaciones éticas del uso de IA en el aula.
pág. 8795
Además, se revisaron los registros académicos de los estudiantes para comparar el rendimiento antes y
después de la implementación de herramientas de IA.
El estudio se llevó a cabo en tres fases
1. Fase inicial: socialización de la investigación y obtención del consentimiento informado de los
participantes.
2. Fase de aplicación: implementación de actividades educativas apoyadas por IA (como el uso de
chatbots educativos y aplicaciones de generación de ejercicios personalizados) durante un período
de 6 semanas. Posteriormente, se aplicaron encuestas a los estudiantes y entrevistas a los docentes.
3. Fase de cierre: recopilación de datos académicos y análisis comparativo de los resultados.
Los datos cuantitativos fueron procesados mediante estadística descriptiva e inferencial (medias,
desviaciones estándar, prueba t para muestras relacionadas), a fin de identificar diferencias
significativas en el rendimiento y la motivación. Los datos cualitativos de las entrevistas fueron
analizados mediante análisis temático, categorizando las respuestas en torno a beneficios, retos técnicos,
desafíos éticos y propuestas de mejora.
Se garantizó la confidencialidad de los participantes, asignando códigos numéricos en lugar de nombres.
Se obtuvo el consentimiento informado de los docentes y de los representantes legales de los
estudiantes. Se dejó claro que la participación era voluntaria y que podían retirarse en cualquier
momento sin repercusiones. Además, se veló por la protección de los datos generados por las
herramientas de IA, evitando el uso de información personal sensible.
RESULTADOS Y DISCUSIÓN
Se aplicaron encuestas a estudiantes de educación básica (n = 120) antes y después de la implementación
de herramientas de inteligencia artificial en el proceso de enseñanza-aprendizaje.
Los resultados de la Tabla 1 muestran una comparación clara de los promedios de tres variables clave
—Motivación, Participación y Rendimiento— antes y después de la implementación de la inteligencia
artificial (IA).
▪ Motivación: El promedio de motivación se incrementó de 2.52 a 3.90, lo que representa una
diferencia positiva de +1.38. Este aumento sugiere que la IA tuvo un impacto considerable en el
interés de los estudiantes por el material de estudio.
Además, se revisaron los registros académicos de los estudiantes para comparar el rendimiento antes y
después de la implementación de herramientas de IA.
El estudio se llevó a cabo en tres fases
1. Fase inicial: socialización de la investigación y obtención del consentimiento informado de los
participantes.
2. Fase de aplicación: implementación de actividades educativas apoyadas por IA (como el uso de
chatbots educativos y aplicaciones de generación de ejercicios personalizados) durante un período
de 6 semanas. Posteriormente, se aplicaron encuestas a los estudiantes y entrevistas a los docentes.
3. Fase de cierre: recopilación de datos académicos y análisis comparativo de los resultados.
Los datos cuantitativos fueron procesados mediante estadística descriptiva e inferencial (medias,
desviaciones estándar, prueba t para muestras relacionadas), a fin de identificar diferencias
significativas en el rendimiento y la motivación. Los datos cualitativos de las entrevistas fueron
analizados mediante análisis temático, categorizando las respuestas en torno a beneficios, retos técnicos,
desafíos éticos y propuestas de mejora.
Se garantizó la confidencialidad de los participantes, asignando códigos numéricos en lugar de nombres.
Se obtuvo el consentimiento informado de los docentes y de los representantes legales de los
estudiantes. Se dejó claro que la participación era voluntaria y que podían retirarse en cualquier
momento sin repercusiones. Además, se veló por la protección de los datos generados por las
herramientas de IA, evitando el uso de información personal sensible.
RESULTADOS Y DISCUSIÓN
Se aplicaron encuestas a estudiantes de educación básica (n = 120) antes y después de la implementación
de herramientas de inteligencia artificial en el proceso de enseñanza-aprendizaje.
Los resultados de la Tabla 1 muestran una comparación clara de los promedios de tres variables clave
—Motivación, Participación y Rendimiento— antes y después de la implementación de la inteligencia
artificial (IA).
▪ Motivación: El promedio de motivación se incrementó de 2.52 a 3.90, lo que representa una
diferencia positiva de +1.38. Este aumento sugiere que la IA tuvo un impacto considerable en el
interés de los estudiantes por el material de estudio.
pág. 8796
▪ Participación: La participación experimentó el mayor aumento, pasando de 2.35 a 3.95, con una
diferencia de +1.60. Este resultado es especialmente notable, ya que indica que la IA no solo
mantuvo a los estudiantes interesados, sino que también los incentivó a involucrarse más
activamente en sus actividades académicas.
▪ Rendimiento: El rendimiento académico, medido sobre 10, mejoró de 6.10 a 7.95, lo que se traduce
en una ganancia de +1.85. Este es el incremento más grande en términos absolutos, lo que indica
que la IA no solo influyó en la actitud de los estudiantes, sino que también mejoró directamente sus
resultados educativos.
De este modo se observa un aumento del 30.3% en rendimiento y un 40% en participación, lo cual
subraya la magnitud del impacto positivo en estas dos variables clave. Estos porcentajes son muy
relevantes para demostrar la efectividad de la IA en el entorno educativo.
Tabla 1 Promedios pre y post implementación de IA
Variable Pre-Test Post-Test Diferencia
Motivación 2.52 3.90 +1.38
Participación 2.35 3.95 +1.60
Rendimiento (sobre 10) 6.10 7.95 +1.85
Nota. Elaborado por autores. Fuente: Encuesta aplicada a estudiantes.
Por otra parte, se realizaron entrevistas a 10 docentes de la institución piloto, quienes expresaron sus
percepciones sobre el uso de la IA. Por lo cual en la Figura 1, el cual es un gráfico de barras que
complementa la Tabla 1, ofrece una representación visual de los datos:
▪ Representación Visual: El gráfico de barras permite visualizar de forma instantánea y contundente
la magnitud de la mejora en cada variable. La diferencia en la altura de las barras entre los resultados
"Pre-Test" y "Post-Test" es muy evidente.
▪ Impacto de la IA: Se puede observar que, para cada una de las tres variables, la barra del "Post-
Test" es significativamente más alta que la del "Pre-Test". Esto valida visualmente los datos
numéricos de la tabla y refuerza la conclusión de que la implementación de la IA tuvo un impacto
positivo generalizado.
▪ Participación: La participación experimentó el mayor aumento, pasando de 2.35 a 3.95, con una
diferencia de +1.60. Este resultado es especialmente notable, ya que indica que la IA no solo
mantuvo a los estudiantes interesados, sino que también los incentivó a involucrarse más
activamente en sus actividades académicas.
▪ Rendimiento: El rendimiento académico, medido sobre 10, mejoró de 6.10 a 7.95, lo que se traduce
en una ganancia de +1.85. Este es el incremento más grande en términos absolutos, lo que indica
que la IA no solo influyó en la actitud de los estudiantes, sino que también mejoró directamente sus
resultados educativos.
De este modo se observa un aumento del 30.3% en rendimiento y un 40% en participación, lo cual
subraya la magnitud del impacto positivo en estas dos variables clave. Estos porcentajes son muy
relevantes para demostrar la efectividad de la IA en el entorno educativo.
Tabla 1 Promedios pre y post implementación de IA
Variable Pre-Test Post-Test Diferencia
Motivación 2.52 3.90 +1.38
Participación 2.35 3.95 +1.60
Rendimiento (sobre 10) 6.10 7.95 +1.85
Nota. Elaborado por autores. Fuente: Encuesta aplicada a estudiantes.
Por otra parte, se realizaron entrevistas a 10 docentes de la institución piloto, quienes expresaron sus
percepciones sobre el uso de la IA. Por lo cual en la Figura 1, el cual es un gráfico de barras que
complementa la Tabla 1, ofrece una representación visual de los datos:
▪ Representación Visual: El gráfico de barras permite visualizar de forma instantánea y contundente
la magnitud de la mejora en cada variable. La diferencia en la altura de las barras entre los resultados
"Pre-Test" y "Post-Test" es muy evidente.
▪ Impacto de la IA: Se puede observar que, para cada una de las tres variables, la barra del "Post-
Test" es significativamente más alta que la del "Pre-Test". Esto valida visualmente los datos
numéricos de la tabla y refuerza la conclusión de que la implementación de la IA tuvo un impacto
positivo generalizado.
pág. 8797
Por ello, la combinación de la Tabla 1 (con sus datos numéricos precisos) y la Figura 1 (con su clara
representación visual) provee una evidencia sólida y convincente de que la implementación de la IA en
este estudio piloto resultó en mejoras significativas en la motivación, participación y rendimiento de los
estudiantes. El análisis de los resultados cuantitativos se refuerza aún más con las percepciones de los
10 docentes entrevistados, que ofrecen un punto de vista cualitativo sobre el uso de la IA en el aula.
Figura 1 Comparación de resultados pre y post implementación de IA
Nota. Elaborado por autores. Fuente: Encuesta aplicada a estudiantes.
De este modo se puede establecer que los estudiantes mejoraron notablemente en motivación,
participación y rendimiento académico tras la aplicación de IA. Mientras que, con respecto a los
docentes, estos reconocen la IA como una herramienta de gran potencial, pero señalan la necesidad de
capacitación, infraestructura tecnológica y normativas claras para su uso adecuado.
Tabla 2. Percepciones de los docentes sobre la IA
Docente Beneficios Retos Sugerencias
D1 Alta motivación Falta de capacitación Normativas claras
D2 Alta motivación Acceso limitado a tecnología Capacitación docente
D3 Alta motivación Preocupación ética Normativas claras
D4 Mejor rendimiento Falta de capacitación Capacitación docente
D5 Mejor rendimiento Falta de capacitación Capacitación docente
D6 Alta motivación Falta de capacitación Normativas claras
D7 Alta motivación Falta de capacitación Capacitación docente
D8 Aprendizaje autónomo Acceso limitado a tecnología Normativas claras
D9 Alta motivación Falta de capacitación Inversión en infraestructura
D10 Aprendizaje autónomo Preocupación ética Capacitación docente
Nota. Elaborado por autores. Fuente: Entrevista aplicada a docentes.
Por ello, la combinación de la Tabla 1 (con sus datos numéricos precisos) y la Figura 1 (con su clara
representación visual) provee una evidencia sólida y convincente de que la implementación de la IA en
este estudio piloto resultó en mejoras significativas en la motivación, participación y rendimiento de los
estudiantes. El análisis de los resultados cuantitativos se refuerza aún más con las percepciones de los
10 docentes entrevistados, que ofrecen un punto de vista cualitativo sobre el uso de la IA en el aula.
Figura 1 Comparación de resultados pre y post implementación de IA
Nota. Elaborado por autores. Fuente: Encuesta aplicada a estudiantes.
De este modo se puede establecer que los estudiantes mejoraron notablemente en motivación,
participación y rendimiento académico tras la aplicación de IA. Mientras que, con respecto a los
docentes, estos reconocen la IA como una herramienta de gran potencial, pero señalan la necesidad de
capacitación, infraestructura tecnológica y normativas claras para su uso adecuado.
Tabla 2. Percepciones de los docentes sobre la IA
Docente Beneficios Retos Sugerencias
D1 Alta motivación Falta de capacitación Normativas claras
D2 Alta motivación Acceso limitado a tecnología Capacitación docente
D3 Alta motivación Preocupación ética Normativas claras
D4 Mejor rendimiento Falta de capacitación Capacitación docente
D5 Mejor rendimiento Falta de capacitación Capacitación docente
D6 Alta motivación Falta de capacitación Normativas claras
D7 Alta motivación Falta de capacitación Capacitación docente
D8 Aprendizaje autónomo Acceso limitado a tecnología Normativas claras
D9 Alta motivación Falta de capacitación Inversión en infraestructura
D10 Aprendizaje autónomo Preocupación ética Capacitación docente
Nota. Elaborado por autores. Fuente: Entrevista aplicada a docentes.
pág. 8798
En la Tabla 3 se organiza las respuestas de 10 docentes (D1 a D10) en tres categorías principales:
Beneficios, Retos y Sugerencias. El análisis de estos datos revela patrones muy interesantes.
Beneficios Percibidos
▪ Motivación de los estudiantes (frecuente): La mayoría de los docentes (D1, D2, D3, D6, D7, D9)
coinciden en que el principal beneficio es la alta motivación de los estudiantes. Esto valida lo que
vimos en la Tabla 1, donde la motivación tuvo un aumento significativo.
▪ Mejor rendimiento y aprendizaje autónomo (menos frecuente): Otros docentes también destacan
una mejora en el rendimiento (D4, D5) y el fomento del aprendizaje autónomo (D8, D10). Estos
puntos refuerzan la idea de que la IA no solo hace el aprendizaje más atractivo, sino que también
ayuda a los estudiantes a tomar un rol más activo en su educación.
Retos Identificados
▪ Falta de capacitación (muy frecuente): El reto más recurrente es la falta de capacitación para los
docentes. Siete de los diez maestros (D1, D4, D5, D6, D7, D9) mencionan esto, lo que sugiere una
necesidad crítica de formación para integrar la IA de manera efectiva.
▪ Acceso y ética (frecuente): Otros desafíos importantes incluyen el acceso limitado a la tecnología
(D2, D8) y preocupaciones éticas (D3, D10), como el plagio, la privacidad de los datos y el uso
responsable de la IA. Estos son temas que deben abordarse para una implementación exitosa a largo
plazo.
Sugerencias para el Futuro
▪ Capacitación docente y normativas (muy frecuentes): La principal sugerencia de los docentes es la
necesidad de capacitación docente y la creación de normativas claras. Esto se correlaciona
directamente con los desafíos que identificaron. Es evidente que los maestros están pidiendo un
apoyo estructurado para sentirse más cómodos y seguros usando estas nuevas herramientas.
▪ Inversión en infraestructura: Una sugerencia adicional (D9) es la inversión en infraestructura, lo
que va de la mano con el reto de acceso limitado.
En definitiva, el análisis de la Tabla 2 muestra que, si bien los docentes son testigos de los beneficios
de la IA en la motivación y el rendimiento de los estudiantes, también son conscientes de los desafíos
sistémicos que deben superarse.
En la Tabla 3 se organiza las respuestas de 10 docentes (D1 a D10) en tres categorías principales:
Beneficios, Retos y Sugerencias. El análisis de estos datos revela patrones muy interesantes.
Beneficios Percibidos
▪ Motivación de los estudiantes (frecuente): La mayoría de los docentes (D1, D2, D3, D6, D7, D9)
coinciden en que el principal beneficio es la alta motivación de los estudiantes. Esto valida lo que
vimos en la Tabla 1, donde la motivación tuvo un aumento significativo.
▪ Mejor rendimiento y aprendizaje autónomo (menos frecuente): Otros docentes también destacan
una mejora en el rendimiento (D4, D5) y el fomento del aprendizaje autónomo (D8, D10). Estos
puntos refuerzan la idea de que la IA no solo hace el aprendizaje más atractivo, sino que también
ayuda a los estudiantes a tomar un rol más activo en su educación.
Retos Identificados
▪ Falta de capacitación (muy frecuente): El reto más recurrente es la falta de capacitación para los
docentes. Siete de los diez maestros (D1, D4, D5, D6, D7, D9) mencionan esto, lo que sugiere una
necesidad crítica de formación para integrar la IA de manera efectiva.
▪ Acceso y ética (frecuente): Otros desafíos importantes incluyen el acceso limitado a la tecnología
(D2, D8) y preocupaciones éticas (D3, D10), como el plagio, la privacidad de los datos y el uso
responsable de la IA. Estos son temas que deben abordarse para una implementación exitosa a largo
plazo.
Sugerencias para el Futuro
▪ Capacitación docente y normativas (muy frecuentes): La principal sugerencia de los docentes es la
necesidad de capacitación docente y la creación de normativas claras. Esto se correlaciona
directamente con los desafíos que identificaron. Es evidente que los maestros están pidiendo un
apoyo estructurado para sentirse más cómodos y seguros usando estas nuevas herramientas.
▪ Inversión en infraestructura: Una sugerencia adicional (D9) es la inversión en infraestructura, lo
que va de la mano con el reto de acceso limitado.
En definitiva, el análisis de la Tabla 2 muestra que, si bien los docentes son testigos de los beneficios
de la IA en la motivación y el rendimiento de los estudiantes, también son conscientes de los desafíos
sistémicos que deben superarse.
pág. 8799
La clave para una adopción exitosa de la IA en la educación no es solo implementarla, sino también
apoyar adecuadamente a los educadores con capacitación, normativas claras e infraestructura
tecnológica.
DISCUSIÓN
Los resultados del estudio, que muestran un aumento significativo en la motivación, participación y
rendimiento académico de los estudiantes tras la implementación de la IA, están en consonancia con la
literatura reciente. Por ejemplo, estudios de Luna (2017) y Mendoza (2023) han demostrado
consistentemente que las herramientas de IA adaptativas mejoran el compromiso y el desempeño de los
estudiantes al ofrecer experiencias de aprendizaje personalizadas. Nuestros hallazgos confirman esta
tendencia, subrayando que la capacidad de la IA para adaptar el contenido en tiempo real no solo mejora
los resultados de aprendizaje (como lo evidencia el aumento del rendimiento del 30.3%), sino que
también potencia la participación y el interés de los estudiantes, tal como se observa en el incremento
del 40% en la participación y el 54.7% en la motivación.
La percepción de los docentes también valida estos beneficios, ya que la mayoría destaca la "alta
motivación" como un beneficio clave. Sin embargo, también señalaron desafíos importantes, como la
falta de capacitación y acceso limitado a la tecnología. Esta dualidad de resultados —beneficios claros
junto con obstáculos prácticos— es un tema recurrente en la literatura sobre la adopción de tecnologías
educativas (Zawacki-Richter et al., 2019). Esto sugiere que la tecnología por sí sola no es suficiente; la
formación docente y la infraestructura son factores críticos para el éxito.
Los hallazgos contribuyen al campo de la educación al proporcionar evidencia empírica de que la
personalización del aprendizaje a través de la IA tiene un impacto directo y medible en variables clave
como la motivación y el rendimiento. Esto refuerza la teoría del aprendizaje adaptativo, que sostiene
que los métodos de enseñanza que se ajustan a las necesidades individuales del estudiante son más
efectivos. El estudio extiende esta teoría al contexto de la educación básica en América Latina, un área
que a menudo tiene menos representación en la literatura global sobre IA educativa (Lara, 2024).
Para las instituciones educativas, los resultados implican que la inversión en IA puede generar un
retorno significativo en términos de resultados de los estudiantes. Sin embargo, no basta con comprar
la tecnología.
La clave para una adopción exitosa de la IA en la educación no es solo implementarla, sino también
apoyar adecuadamente a los educadores con capacitación, normativas claras e infraestructura
tecnológica.
DISCUSIÓN
Los resultados del estudio, que muestran un aumento significativo en la motivación, participación y
rendimiento académico de los estudiantes tras la implementación de la IA, están en consonancia con la
literatura reciente. Por ejemplo, estudios de Luna (2017) y Mendoza (2023) han demostrado
consistentemente que las herramientas de IA adaptativas mejoran el compromiso y el desempeño de los
estudiantes al ofrecer experiencias de aprendizaje personalizadas. Nuestros hallazgos confirman esta
tendencia, subrayando que la capacidad de la IA para adaptar el contenido en tiempo real no solo mejora
los resultados de aprendizaje (como lo evidencia el aumento del rendimiento del 30.3%), sino que
también potencia la participación y el interés de los estudiantes, tal como se observa en el incremento
del 40% en la participación y el 54.7% en la motivación.
La percepción de los docentes también valida estos beneficios, ya que la mayoría destaca la "alta
motivación" como un beneficio clave. Sin embargo, también señalaron desafíos importantes, como la
falta de capacitación y acceso limitado a la tecnología. Esta dualidad de resultados —beneficios claros
junto con obstáculos prácticos— es un tema recurrente en la literatura sobre la adopción de tecnologías
educativas (Zawacki-Richter et al., 2019). Esto sugiere que la tecnología por sí sola no es suficiente; la
formación docente y la infraestructura son factores críticos para el éxito.
Los hallazgos contribuyen al campo de la educación al proporcionar evidencia empírica de que la
personalización del aprendizaje a través de la IA tiene un impacto directo y medible en variables clave
como la motivación y el rendimiento. Esto refuerza la teoría del aprendizaje adaptativo, que sostiene
que los métodos de enseñanza que se ajustan a las necesidades individuales del estudiante son más
efectivos. El estudio extiende esta teoría al contexto de la educación básica en América Latina, un área
que a menudo tiene menos representación en la literatura global sobre IA educativa (Lara, 2024).
Para las instituciones educativas, los resultados implican que la inversión en IA puede generar un
retorno significativo en términos de resultados de los estudiantes. Sin embargo, no basta con comprar
la tecnología.
pág. 8800
La implementación debe ir acompañada de un programa de capacitación docente robusto que aborde
tanto el manejo técnico como los aspectos pedagógicos de la IA. Además, se deben establecer
normativas claras y éticas para el uso de datos y la privacidad, tal como lo sugirieron los propios
docentes. Esto ayudaría en una integración que no solo sea efectiva, sino también responsable y
equitativa.
Así también, aunque los resultados son prometedores, el estudio presenta algunas limitaciones que
deben ser consideradas, entre estas se destacan:
▪ Tamaño de la muestra y alcance: El estudio se realizó en una sola institución piloto con un número
limitado de estudiantes y 10 docentes. Esto podría afectar la generalización de los resultados a otros
contextos educativos, regiones o niveles de educación.
▪ Duración: La evaluación se llevó a cabo en un período de tiempo relativamente corto (pre-test y
post-test), lo que no permite evaluar los efectos a largo plazo de la IA en el aprendizaje, la
motivación y las habilidades de pensamiento crítico.
▪ Sesgo de los participantes: Es posible que los participantes (estudiantes y docentes) del estudio
piloto tuvieran un mayor interés o una predisposición más favorable hacia la tecnología, lo que
podría haber influido en sus respuestas y desempeño.
CONCLUSIONES
La implementación de la IA tiene un impacto directo y positivo en el rendimiento y la participación de
los estudiantes, puesto que existe un aumento significativo del +1.85 en el rendimiento académico (de
6.10 a 7.95) y un +1.60 en la participación (de 2.35 a 3.95). Estos hallazgos demuestran que la IA, al
personalizar el proceso de aprendizaje, no solo mejora los resultados académicos, sino que también
fomenta un mayor compromiso activo por parte de los estudiantes. Esta conclusión se ve reforzada por
las percepciones cualitativas de los docentes, quienes consistentemente mencionaron la "alta
motivación" como uno de los principales beneficios de la herramienta.
A pesar de sus beneficios, la integración de la IA enfrenta desafíos significativos relacionados con la
formación y la infraestructura; y, aunque los resultados muestran una mejora clara en los estudiantes, la
implementación no está exenta de obstáculos. Los datos cualitativos de las entrevistas a docentes
subrayan que el reto más común es la "falta de capacitación" (mencionado por 7 de los 10 docentes).
La implementación debe ir acompañada de un programa de capacitación docente robusto que aborde
tanto el manejo técnico como los aspectos pedagógicos de la IA. Además, se deben establecer
normativas claras y éticas para el uso de datos y la privacidad, tal como lo sugirieron los propios
docentes. Esto ayudaría en una integración que no solo sea efectiva, sino también responsable y
equitativa.
Así también, aunque los resultados son prometedores, el estudio presenta algunas limitaciones que
deben ser consideradas, entre estas se destacan:
▪ Tamaño de la muestra y alcance: El estudio se realizó en una sola institución piloto con un número
limitado de estudiantes y 10 docentes. Esto podría afectar la generalización de los resultados a otros
contextos educativos, regiones o niveles de educación.
▪ Duración: La evaluación se llevó a cabo en un período de tiempo relativamente corto (pre-test y
post-test), lo que no permite evaluar los efectos a largo plazo de la IA en el aprendizaje, la
motivación y las habilidades de pensamiento crítico.
▪ Sesgo de los participantes: Es posible que los participantes (estudiantes y docentes) del estudio
piloto tuvieran un mayor interés o una predisposición más favorable hacia la tecnología, lo que
podría haber influido en sus respuestas y desempeño.
CONCLUSIONES
La implementación de la IA tiene un impacto directo y positivo en el rendimiento y la participación de
los estudiantes, puesto que existe un aumento significativo del +1.85 en el rendimiento académico (de
6.10 a 7.95) y un +1.60 en la participación (de 2.35 a 3.95). Estos hallazgos demuestran que la IA, al
personalizar el proceso de aprendizaje, no solo mejora los resultados académicos, sino que también
fomenta un mayor compromiso activo por parte de los estudiantes. Esta conclusión se ve reforzada por
las percepciones cualitativas de los docentes, quienes consistentemente mencionaron la "alta
motivación" como uno de los principales beneficios de la herramienta.
A pesar de sus beneficios, la integración de la IA enfrenta desafíos significativos relacionados con la
formación y la infraestructura; y, aunque los resultados muestran una mejora clara en los estudiantes, la
implementación no está exenta de obstáculos. Los datos cualitativos de las entrevistas a docentes
subrayan que el reto más común es la "falta de capacitación" (mencionado por 7 de los 10 docentes).
pág. 8801
Este hallazgo se correlaciona con la sugerencia de la mayoría de los docentes de que se necesitan
"normativas claras" y "capacitación docente". Esto indica que el éxito de la IA en la educación no
depende únicamente de la tecnología, sino también de la preparación y el apoyo que se brinde al
personal educativo.
Sin embargo, es fundamental un enfoque integral que combine la tecnología con la formación y las
políticas claras para asegurar una implementación exitosa y equitativa. Puesto que, las percepciones de
los docentes resaltan la necesidad de abordar los desafíos técnicos y formativos para aprovechar al
máximo el potencial de la IA. Las sugerencias cualitativas como la "inversión en infraestructura" y la
"capacitación docente" son cruciales para superar las barreras de acceso limitado y la falta de
familiaridad. Por lo tanto, una conclusión final es que el uso de la IA para personalizar el aprendizaje
debe ser parte de una estrategia más amplia que incluya la preparación de los educadores y la creación
de un marco normativo, ético y pedagógico sólido. La tecnología es solo una parte de la solución; el
factor humano y la planificación estratégica son esenciales.
REFERENCIAS BIBLIOGRAFICAS
Aedo, M. (2018). Efectividad en equipos de trabajo.
Delgado, K. (2018). Evaluación y calidad de la educación. Nuevos aportes .
http://ve.scielo.org/scielo.php?script=sci_nlinks&ref=853454&pid=S1316-
4910200700040000500007&lng=es
Jauhiainen, J., & Garagorry Guerra, A. (2024). Generative AI and education: dynamic personalization
of pupils’ school learning material with ChatGPT. Frontiers in Education, 9.
https://doi.org/https://doi.org/10.3389/feduc.2024.1288723
Karran, A., Charland, P., Martineau, J., & Ortiz, A. (2024). Multi-stakeholder perspective on
responsible artificial intelligence and acceptability in education. ArXiv.
Khalil, M., Shakya, R., & Liu, Q. (2025). Towards privacy-preserving data-driven education: The
potential of federated learning. ArXiv.
Lara, J. (2024). Artificial Intelligence in Education: A Research Agenda. Routledge.
Luna, P. (2017). Effects of a mobile game-based learning approach on students' learning achievements
and motivation. Educational Technology Research and Development, 65(3), 731-748.
Este hallazgo se correlaciona con la sugerencia de la mayoría de los docentes de que se necesitan
"normativas claras" y "capacitación docente". Esto indica que el éxito de la IA en la educación no
depende únicamente de la tecnología, sino también de la preparación y el apoyo que se brinde al
personal educativo.
Sin embargo, es fundamental un enfoque integral que combine la tecnología con la formación y las
políticas claras para asegurar una implementación exitosa y equitativa. Puesto que, las percepciones de
los docentes resaltan la necesidad de abordar los desafíos técnicos y formativos para aprovechar al
máximo el potencial de la IA. Las sugerencias cualitativas como la "inversión en infraestructura" y la
"capacitación docente" son cruciales para superar las barreras de acceso limitado y la falta de
familiaridad. Por lo tanto, una conclusión final es que el uso de la IA para personalizar el aprendizaje
debe ser parte de una estrategia más amplia que incluya la preparación de los educadores y la creación
de un marco normativo, ético y pedagógico sólido. La tecnología es solo una parte de la solución; el
factor humano y la planificación estratégica son esenciales.
REFERENCIAS BIBLIOGRAFICAS
Aedo, M. (2018). Efectividad en equipos de trabajo.
Delgado, K. (2018). Evaluación y calidad de la educación. Nuevos aportes .
http://ve.scielo.org/scielo.php?script=sci_nlinks&ref=853454&pid=S1316-
4910200700040000500007&lng=es
Jauhiainen, J., & Garagorry Guerra, A. (2024). Generative AI and education: dynamic personalization
of pupils’ school learning material with ChatGPT. Frontiers in Education, 9.
https://doi.org/https://doi.org/10.3389/feduc.2024.1288723
Karran, A., Charland, P., Martineau, J., & Ortiz, A. (2024). Multi-stakeholder perspective on
responsible artificial intelligence and acceptability in education. ArXiv.
Khalil, M., Shakya, R., & Liu, Q. (2025). Towards privacy-preserving data-driven education: The
potential of federated learning. ArXiv.
Lara, J. (2024). Artificial Intelligence in Education: A Research Agenda. Routledge.
Luna, P. (2017). Effects of a mobile game-based learning approach on students' learning achievements
and motivation. Educational Technology Research and Development, 65(3), 731-748.
pág. 8802
Martínez, L., Erazo, S., & Molina, A. (2025). Hacia una enseñanza personalizada: El rol de la
inteligencia artificial en la educación básica. Revista Imaginario Social, 8(1).
https://doi.org/https://doi.org/10.59155/is.v8i1.259
Mena, M., & Valdés, A. (2018). Clima social escolar. Documento Valoras UC. http://es.scribd.com
Mendoza, L. (2023). The impact of digital technologies on education in the 21st century. Journal of
Educational Technology & Society, 19(3), 3-10.
Purba, N., Pujiati, D., Sihombing, P., Simanjuntak, H., & Sijabat, D. (2024). The Use of AI in
Elementary School Learning: A Systematic Literature Review. QALAMUNA.
https://doi.org/https://doi.org/10.37680/qalamuna.v17i1.6761
Riezebos, P. (2020). A research agenda for the use of artificial intelligence in education. International
Journal of Educational Technology in Higher Education, 17(1), 1-13.
Roll, L., & Wylie, R. (2021). Evolution and revolution: The promise of AI in education. In A. M.
O’Reilly (Ed.), Teaching and Learning with Artificial Intelligence. Springer.
Sayay, O. (2024). Aplicaciones de la inteligencia artificial en la educación básica: Avances, desafíos y
perspectivas futuras. Polo del Conocimiento.
Schneider, B. (2018). Organizational behavior. Annual Review Psycholog, 45(19), 573-611.
Wulandani, N., Mu’ti, Y., & Ulfa, R. (2024). AI in Education: Revolutionizing Personalized Learning
Experiences. Open-access.
Zawacki-Richter, O., Marín, V., Bond, M., & Gouverneur, F. (2019). Systematic review of research on
artificial intelligence applications in higher education—where are the educators? Educational
Technology Research and Development, 67(4), 1187-1212.
Martínez, L., Erazo, S., & Molina, A. (2025). Hacia una enseñanza personalizada: El rol de la
inteligencia artificial en la educación básica. Revista Imaginario Social, 8(1).
https://doi.org/https://doi.org/10.59155/is.v8i1.259
Mena, M., & Valdés, A. (2018). Clima social escolar. Documento Valoras UC. http://es.scribd.com
Mendoza, L. (2023). The impact of digital technologies on education in the 21st century. Journal of
Educational Technology & Society, 19(3), 3-10.
Purba, N., Pujiati, D., Sihombing, P., Simanjuntak, H., & Sijabat, D. (2024). The Use of AI in
Elementary School Learning: A Systematic Literature Review. QALAMUNA.
https://doi.org/https://doi.org/10.37680/qalamuna.v17i1.6761
Riezebos, P. (2020). A research agenda for the use of artificial intelligence in education. International
Journal of Educational Technology in Higher Education, 17(1), 1-13.
Roll, L., & Wylie, R. (2021). Evolution and revolution: The promise of AI in education. In A. M.
O’Reilly (Ed.), Teaching and Learning with Artificial Intelligence. Springer.
Sayay, O. (2024). Aplicaciones de la inteligencia artificial en la educación básica: Avances, desafíos y
perspectivas futuras. Polo del Conocimiento.
Schneider, B. (2018). Organizational behavior. Annual Review Psycholog, 45(19), 573-611.
Wulandani, N., Mu’ti, Y., & Ulfa, R. (2024). AI in Education: Revolutionizing Personalized Learning
Experiences. Open-access.
Zawacki-Richter, O., Marín, V., Bond, M., & Gouverneur, F. (2019). Systematic review of research on
artificial intelligence applications in higher education—where are the educators? Educational
Technology Research and Development, 67(4), 1187-1212.