EFECTOS DE LA INTELIGENCIA ARTIFICIAL EN
COMPETENCIAS DE EDUCACIÓN BÁSICA Y SU CORRELACIÓN
CON INDICADORES DE ÉXITO EN INGENIERÍA
EFFECTS OF ARTIFICIAL INTELLIGENCE ON BASIC EDUCATION
COMPETENCIES AND THEIR CORRELATION WITH SUCCESS INDICATORS IN
ENGINEERING
Wendy Daniel Martínez
Universidad Politécnica Metropolitana de Hidalgo, México
Luis Alejandro Santana Valadez
Instituto Tecnológico de Pachuca, México
Faride Hernández Pérez
Universidad Politécnica Metropolitana de Hidalgo, México
José Alberto Zarazúa Sánchez
Universidad Politécnica Metropolitana de Hidalgo, México
Carlos Alberto Carrillo Santos
Universidad Politécnica Metropolitana de Hidalgo, México
Andrea Genoveva Rojas Ponciano
Universidad Politécnica Metropolitana de Hidalgo, México
pág. 52
DOI: https://doi.org/10.37811/cl_rcm.v9i6.20835
Efectos de la Inteligencia Artificial en Competencias de Educación Básica y
su Correlación con Indicadores de Éxito en Ingeniería
RESUMEN
Este estudio analiza la relación entre el uso pedagógico de la inteligencia artificial en la educación
básica y el desempeño inicial en programas de ingeniería. Se implementó una intervención en
secundaria técnica basada en tutorización inteligente, verificación de procedimientos mediante visión
por computadora y analítica de aprendizaje obtenida de dispositivos conectados. El diseño
experimental, organizado por escuelas e incorporado de forma escalonada, permitió estimar los
efectos en competencias científicas y matemáticas fundamentales, tales como la precisión
experimental, la argumentación en informes, la resolución de problemas y la autorregulación.
Posteriormente, se examinó su correlación con indicadores académicos del primer año universitario:
aprobación de Cálculo y Física, avance de créditos y persistencia al segundo semestre. El análisis
combinó modelos multinivel y enfoques de diferencias en diferencias, incorporando estimaciones de
heterogeneidad según contexto urbano-rural, nivel de conectividad y presencia de necesidades
educativas específicas. Los resultados muestran que mayores niveles de práctica guiada y
retroalimentación inmediata en la educación básica se asocian con mejoras significativas en el
desempeño experimental y, posteriormente, con trayectorias iniciales más favorables en ingeniería.
Estos hallazgos aportan evidencia para la actualización de las planeaciones didácticas, el
fortalecimiento de la formación docente y la orientación de políticas educativas que promuevan una
adopción responsable y equitativa de la inteligencia artificial desde los niveles básicos.
Palabras clave: inteligencia artificial educativa; analítica del aprendizaje, educación básica,
educación en ingeniería, desempeño académico temprano
_____________________________
1Autor principal
Correspondencia: wdaniel@upmh.edu.mx
Wendy Daniel Martínez1
wdaniel@upmh.edu.mx
https://orcid.org/0000-0002-4455-940X
Universidad Politécnica Metropolitana de
Hidalgo, México
Luis Alejandro Santana Valadez
luis.sv@pachuca.tecnm.mx
https://orcid.org/0000-0003-1561-020X
Instituto Tecnológico de Pachuca, México
Faride Hernández Pérez
fahernandez@upmh.edu.mx
https://orcid.org/0000-0001-9426-4944
Universidad Politécnica Metropolitana de
Hidalgo, México
José Alberto Zarazúa Sánchez
jzarazua@upmh.edu.mx
https://orcid.org/0009-0006-3355-8404
Universidad Politécnica Metropolitana de
Hidalgo, México
Carlos Alberto Carrillo Santos
ccarrillo@upmh.edu.mx
https://orcid.org/0000-0001-6866-8558
Universidad Politécnica Metropolitana de
Hidalgo, México
Andrea Genoveva Rojas Ponciano
arojas@upmh.edu.mx
https://orcid.org/0009-0004-9641-0377
Universidad Politécnica Metropolitana de
Hidalgo, México
DOI: https://doi.org/10.37811/cl_rcm.v9i6.20835
Efectos de la Inteligencia Artificial en Competencias de Educación Básica y
su Correlación con Indicadores de Éxito en Ingeniería
RESUMEN
Este estudio analiza la relación entre el uso pedagógico de la inteligencia artificial en la educación
básica y el desempeño inicial en programas de ingeniería. Se implementó una intervención en
secundaria técnica basada en tutorización inteligente, verificación de procedimientos mediante visión
por computadora y analítica de aprendizaje obtenida de dispositivos conectados. El diseño
experimental, organizado por escuelas e incorporado de forma escalonada, permitió estimar los
efectos en competencias científicas y matemáticas fundamentales, tales como la precisión
experimental, la argumentación en informes, la resolución de problemas y la autorregulación.
Posteriormente, se examinó su correlación con indicadores académicos del primer año universitario:
aprobación de Cálculo y Física, avance de créditos y persistencia al segundo semestre. El análisis
combinó modelos multinivel y enfoques de diferencias en diferencias, incorporando estimaciones de
heterogeneidad según contexto urbano-rural, nivel de conectividad y presencia de necesidades
educativas específicas. Los resultados muestran que mayores niveles de práctica guiada y
retroalimentación inmediata en la educación básica se asocian con mejoras significativas en el
desempeño experimental y, posteriormente, con trayectorias iniciales más favorables en ingeniería.
Estos hallazgos aportan evidencia para la actualización de las planeaciones didácticas, el
fortalecimiento de la formación docente y la orientación de políticas educativas que promuevan una
adopción responsable y equitativa de la inteligencia artificial desde los niveles básicos.
Palabras clave: inteligencia artificial educativa; analítica del aprendizaje, educación básica,
educación en ingeniería, desempeño académico temprano
_____________________________
1Autor principal
Correspondencia: wdaniel@upmh.edu.mx
Wendy Daniel Martínez1
wdaniel@upmh.edu.mx
https://orcid.org/0000-0002-4455-940X
Universidad Politécnica Metropolitana de
Hidalgo, México
Luis Alejandro Santana Valadez
luis.sv@pachuca.tecnm.mx
https://orcid.org/0000-0003-1561-020X
Instituto Tecnológico de Pachuca, México
Faride Hernández Pérez
fahernandez@upmh.edu.mx
https://orcid.org/0000-0001-9426-4944
Universidad Politécnica Metropolitana de
Hidalgo, México
José Alberto Zarazúa Sánchez
jzarazua@upmh.edu.mx
https://orcid.org/0009-0006-3355-8404
Universidad Politécnica Metropolitana de
Hidalgo, México
Carlos Alberto Carrillo Santos
ccarrillo@upmh.edu.mx
https://orcid.org/0000-0001-6866-8558
Universidad Politécnica Metropolitana de
Hidalgo, México
Andrea Genoveva Rojas Ponciano
arojas@upmh.edu.mx
https://orcid.org/0009-0004-9641-0377
Universidad Politécnica Metropolitana de
Hidalgo, México
pág. 53
Effects of Artificial Intelligence on Basic Education Competencies and
Their Correlation with Success Indicators in Engineering
ABSTRACT
This study analyzes the relationship between the pedagogical use of artificial intelligence in basic
education and early performance in engineering programs. An intervention was implemented in
technical secondary school based on intelligent tutoring, procedure verification through computer
vision, and learning analytics obtained from connected devices. The experimental design, organized
by schools and introduced in a staggered manner, allowed the estimation of effects on fundamental
scientific and mathematical competencies such as experimental accuracy, report-based argumentation,
problem-solving, and self-regulation. Subsequently, the correlation of these competencies with first-
year university academic indicators was examined, including the approval of Calculus and Physics
courses, credit advancement, and persistence into the second semester. The analysis combined
multilevel models and difference-in-differences approaches, incorporating heterogeneity estimates by
urban–rural context, connectivity level, and specific educational needs. Results show that higher
levels of guided practice and immediate feedback during basic education are associated with
significant improvements in experimental performance and, subsequently, with more favorable early
trajectories in engineering. These findings provide evidence to update instructional planning,
strengthen teacher training, and inform educational policy decisions that promote the responsible and
equitable adoption of artificial intelligence from the earliest educational levels.
Keywords: artificial intelligence in education; learning analytics, basic education; engineering
education, early academic performance
Artículo recibido: 15 octubre 2025
Aceptado para publicación: 18 noviembre 2025
Effects of Artificial Intelligence on Basic Education Competencies and
Their Correlation with Success Indicators in Engineering
ABSTRACT
This study analyzes the relationship between the pedagogical use of artificial intelligence in basic
education and early performance in engineering programs. An intervention was implemented in
technical secondary school based on intelligent tutoring, procedure verification through computer
vision, and learning analytics obtained from connected devices. The experimental design, organized
by schools and introduced in a staggered manner, allowed the estimation of effects on fundamental
scientific and mathematical competencies such as experimental accuracy, report-based argumentation,
problem-solving, and self-regulation. Subsequently, the correlation of these competencies with first-
year university academic indicators was examined, including the approval of Calculus and Physics
courses, credit advancement, and persistence into the second semester. The analysis combined
multilevel models and difference-in-differences approaches, incorporating heterogeneity estimates by
urban–rural context, connectivity level, and specific educational needs. Results show that higher
levels of guided practice and immediate feedback during basic education are associated with
significant improvements in experimental performance and, subsequently, with more favorable early
trajectories in engineering. These findings provide evidence to update instructional planning,
strengthen teacher training, and inform educational policy decisions that promote the responsible and
equitable adoption of artificial intelligence from the earliest educational levels.
Keywords: artificial intelligence in education; learning analytics, basic education; engineering
education, early academic performance
Artículo recibido: 15 octubre 2025
Aceptado para publicación: 18 noviembre 2025
pág. 54
INTRODUCCIÓN
En la última década, la integración pedagógica de la inteligencia artificial (IA) en la educación básica
ha pasado de experiencias piloto a ecosistemas que combinan tutoría inteligente, verificación
automatizada de procedimientos y analítica del aprendizaje. Los marcos internacionales señalan que,
cuando su adopción se acompaña de lineamientos claros, protección de datos y desarrollo profesional
docente, la IA puede reconfigurar las prácticas de enseñanza y evaluación desde las primeras etapas
escolares (UNESCO, 2021, 2023).
En términos empíricos, la evidencia sugiere que los sistemas adaptativos con retroalimentación
inmediata elevan el rendimiento al ajustar el nivel de desafío, acortar los ciclos de práctica–error–
corrección y atender la heterogeneidad del aula (Banerjee, Cole, Duflo, & Linden, 2007;
Muralidharan, Singh, & Ganimian, 2019). En el campo de las ciencias, los laboratorios remotos y
virtuales, apoyados por dispositivos conectados y verificación mediante visión por computadora,
amplían las oportunidades de práctica auténtica incluso en escuelas con infraestructura limitada.
Cuando el diseño instruccional cuida la interacción, la guía y la calidad del feedback, estos entornos
logran resultados comparables a las experiencias presenciales (Heradio, de la Torre, & Dormido,
2016; Achuthan, Raghavan, & Shankar, 2021). De forma complementaria, la analítica del aprendizaje
utilizada con fines formativos produce señales procesables sobre el progreso, los errores y los
patrones de estudio, lo que fortalece la autorregulación y el razonamiento basado en evidencias (Black
& Wiliam, 1998; Ifenthaler & Yau, 2020).
Este panorama adquiere relevancia particular en la transición hacia los programas de ingeniería. La
literatura en educación STEM documenta que el desempeño del primer año, en especial en cursos
troncales como Cálculo y Física, predice la permanencia temprana y el avance de créditos (Graham,
Frederick, Byars-Winston, Hunter, & Handelsman, 2013). Si la escuela básica mediada por IA
promueve prácticas experimentales frecuentes, con verificación automatizada y retroalimentación
puntual, es razonable esperar efectos que se proyecten en la etapa universitaria inicial. Asimismo, la
motivación académica y las percepciones de disciplina al inicio de la universidad se han vinculado
con decisiones de persistencia, lo que refuerza la importancia de experiencias formativas de calidad
desde la educación básica (Hsu & Dudley, 2022).
INTRODUCCIÓN
En la última década, la integración pedagógica de la inteligencia artificial (IA) en la educación básica
ha pasado de experiencias piloto a ecosistemas que combinan tutoría inteligente, verificación
automatizada de procedimientos y analítica del aprendizaje. Los marcos internacionales señalan que,
cuando su adopción se acompaña de lineamientos claros, protección de datos y desarrollo profesional
docente, la IA puede reconfigurar las prácticas de enseñanza y evaluación desde las primeras etapas
escolares (UNESCO, 2021, 2023).
En términos empíricos, la evidencia sugiere que los sistemas adaptativos con retroalimentación
inmediata elevan el rendimiento al ajustar el nivel de desafío, acortar los ciclos de práctica–error–
corrección y atender la heterogeneidad del aula (Banerjee, Cole, Duflo, & Linden, 2007;
Muralidharan, Singh, & Ganimian, 2019). En el campo de las ciencias, los laboratorios remotos y
virtuales, apoyados por dispositivos conectados y verificación mediante visión por computadora,
amplían las oportunidades de práctica auténtica incluso en escuelas con infraestructura limitada.
Cuando el diseño instruccional cuida la interacción, la guía y la calidad del feedback, estos entornos
logran resultados comparables a las experiencias presenciales (Heradio, de la Torre, & Dormido,
2016; Achuthan, Raghavan, & Shankar, 2021). De forma complementaria, la analítica del aprendizaje
utilizada con fines formativos produce señales procesables sobre el progreso, los errores y los
patrones de estudio, lo que fortalece la autorregulación y el razonamiento basado en evidencias (Black
& Wiliam, 1998; Ifenthaler & Yau, 2020).
Este panorama adquiere relevancia particular en la transición hacia los programas de ingeniería. La
literatura en educación STEM documenta que el desempeño del primer año, en especial en cursos
troncales como Cálculo y Física, predice la permanencia temprana y el avance de créditos (Graham,
Frederick, Byars-Winston, Hunter, & Handelsman, 2013). Si la escuela básica mediada por IA
promueve prácticas experimentales frecuentes, con verificación automatizada y retroalimentación
puntual, es razonable esperar efectos que se proyecten en la etapa universitaria inicial. Asimismo, la
motivación académica y las percepciones de disciplina al inicio de la universidad se han vinculado
con decisiones de persistencia, lo que refuerza la importancia de experiencias formativas de calidad
desde la educación básica (Hsu & Dudley, 2022).
pág. 55
Persisten, sin embargo, vacíos que limitan la comprensión integral del fenómeno. En primer lugar,
buena parte de los estudios sobre IA en educación básica reporta resultados de corto plazo, sin
seguimiento longitudinal hacia la educación superior. En segundo lugar, la verificación automatizada,
por ejemplo, la visión por computadora que constata el montaje o los pasos de una práctica, rara vez
se estudia como un componente pedagógico con efectos medibles. En tercer lugar, los análisis de
equidad (urbano–rural, conectividad, necesidades educativas específicas) no siempre estiman
diferencias de efecto o condiciones de implementación, aun cuando las brechas de acceso e
infraestructura condicionan los resultados (UNESCO, 2021, 2023). En conjunto, estas limitaciones
justifican estudios que conecten trazas finas de aprendizaje en educación básica con indicadores
verificables de éxito temprano en ingeniería, bajo diseños que capturen la variación entre escuelas y a
lo largo del tiempo.
El presente artículo se sitúa en ese cruce. Se implementó en una secundaria técnica una intervención
con tres componentes: (a) tutoría inteligente con retroalimentación inmediata para tareas de ciencias y
matemáticas; (b) verificación de procedimientos mediante visión por computadora para asegurar la
correcta ejecución de las prácticas; y (c) analítica del aprendizaje basada en dispositivos conectados
que registran intentos, tiempos y precisión de las mediciones. El diseño por escuelas, con
incorporación escalonada, permite estimar efectos en competencias científicas y matemáticas básicas
(precisión experimental, argumentación en informes, resolución de problemas y autorregulación) y
analizar su correlación con tres indicadores de éxito temprano en ingeniería: aprobación de Cálculo y
Física, avance de créditos y persistencia al segundo semestre.
Metodológicamente, el estudio combina modelos jerárquicos para datos anidados (estudiantes en
aulas y escuelas) con estrategias de comparación temporal que controlan tendencias previas y factores
inobservados estables. Además, se estiman efectos diferenciales por contexto urbano–rural,
condiciones de conectividad y necesidades educativas específicas, a fin de identificar para quiénes y
en qué condiciones la intervención resulta más beneficiosa. Todo ello se realizó bajo lineamientos
éticos para el trabajo con población menor de edad: consentimiento informado de tutores,
minimización y seudonimización de datos, y control de acceso por roles.
Persisten, sin embargo, vacíos que limitan la comprensión integral del fenómeno. En primer lugar,
buena parte de los estudios sobre IA en educación básica reporta resultados de corto plazo, sin
seguimiento longitudinal hacia la educación superior. En segundo lugar, la verificación automatizada,
por ejemplo, la visión por computadora que constata el montaje o los pasos de una práctica, rara vez
se estudia como un componente pedagógico con efectos medibles. En tercer lugar, los análisis de
equidad (urbano–rural, conectividad, necesidades educativas específicas) no siempre estiman
diferencias de efecto o condiciones de implementación, aun cuando las brechas de acceso e
infraestructura condicionan los resultados (UNESCO, 2021, 2023). En conjunto, estas limitaciones
justifican estudios que conecten trazas finas de aprendizaje en educación básica con indicadores
verificables de éxito temprano en ingeniería, bajo diseños que capturen la variación entre escuelas y a
lo largo del tiempo.
El presente artículo se sitúa en ese cruce. Se implementó en una secundaria técnica una intervención
con tres componentes: (a) tutoría inteligente con retroalimentación inmediata para tareas de ciencias y
matemáticas; (b) verificación de procedimientos mediante visión por computadora para asegurar la
correcta ejecución de las prácticas; y (c) analítica del aprendizaje basada en dispositivos conectados
que registran intentos, tiempos y precisión de las mediciones. El diseño por escuelas, con
incorporación escalonada, permite estimar efectos en competencias científicas y matemáticas básicas
(precisión experimental, argumentación en informes, resolución de problemas y autorregulación) y
analizar su correlación con tres indicadores de éxito temprano en ingeniería: aprobación de Cálculo y
Física, avance de créditos y persistencia al segundo semestre.
Metodológicamente, el estudio combina modelos jerárquicos para datos anidados (estudiantes en
aulas y escuelas) con estrategias de comparación temporal que controlan tendencias previas y factores
inobservados estables. Además, se estiman efectos diferenciales por contexto urbano–rural,
condiciones de conectividad y necesidades educativas específicas, a fin de identificar para quiénes y
en qué condiciones la intervención resulta más beneficiosa. Todo ello se realizó bajo lineamientos
éticos para el trabajo con población menor de edad: consentimiento informado de tutores,
minimización y seudonimización de datos, y control de acceso por roles.
pág. 56
La contribución del estudio es doble. En primer lugar, vincula evidencia sobre práctica científica
auténtica y autorregulación en la educación básica con resultados verificables del primer año
universitario en ingeniería, ofreciendo un puente empírico entre niveles educativos que pocas veces se
documenta. En segundo lugar, provee un marco replicable para los sistemas escolares interesados en
escalar el uso de la IA con criterios de calidad, equidad y gobernanza de datos, en sintonía con las
recomendaciones internacionales más recientes (UNESCO, 2021, 2023). Con ello, se busca aportar
insumos para actualizar las planeaciones didácticas, fortalecer la formación docente y orientar
decisiones de política educativa que favorezcan la adopción responsable y equitativa de la IA desde
los niveles básicos.
METODOLOGÍA
Enfoque y diseño del estudio
Se trabajó con un diseño por escuelas con incorporación escalonada: todas las secundarias técnicas
participaron en la intervención, pero cada plantel inició en un momento distinto. Este formato
permitió comparar la evolución dentro de cada escuela (antes y después) y entre escuelas que aún no
habían iniciado, manteniendo la factibilidad operativa y el principio de que ninguna quedara sin
intervención. La lógica del diseño es coherente con la motivación pedagógica y ética planteada en la
introducción (personalización mediante IA, retroalimentación inmediata y monitoreo formativo), así
como con el interés de documentar efectos que posteriormente se correlacionen con indicadores
tempranos en ingeniería.
Participantes y contexto
Participaron secundarias técnicas públicas de dos entidades con diversidad urbano–rural y distintos
niveles de conectividad. Los criterios de inclusión fueron: (a) consentimiento informado de tutores y
autorización directiva; (b) conectividad mínima o, en su caso, sincronización diferida; (c) al menos
dos grupos por grado para calendarizar las rondas de implementación de incorporación. Se excluyeron
los planteles que atravesaban reformas curriculares mayores durante el mismo periodo.
La contribución del estudio es doble. En primer lugar, vincula evidencia sobre práctica científica
auténtica y autorregulación en la educación básica con resultados verificables del primer año
universitario en ingeniería, ofreciendo un puente empírico entre niveles educativos que pocas veces se
documenta. En segundo lugar, provee un marco replicable para los sistemas escolares interesados en
escalar el uso de la IA con criterios de calidad, equidad y gobernanza de datos, en sintonía con las
recomendaciones internacionales más recientes (UNESCO, 2021, 2023). Con ello, se busca aportar
insumos para actualizar las planeaciones didácticas, fortalecer la formación docente y orientar
decisiones de política educativa que favorezcan la adopción responsable y equitativa de la IA desde
los niveles básicos.
METODOLOGÍA
Enfoque y diseño del estudio
Se trabajó con un diseño por escuelas con incorporación escalonada: todas las secundarias técnicas
participaron en la intervención, pero cada plantel inició en un momento distinto. Este formato
permitió comparar la evolución dentro de cada escuela (antes y después) y entre escuelas que aún no
habían iniciado, manteniendo la factibilidad operativa y el principio de que ninguna quedara sin
intervención. La lógica del diseño es coherente con la motivación pedagógica y ética planteada en la
introducción (personalización mediante IA, retroalimentación inmediata y monitoreo formativo), así
como con el interés de documentar efectos que posteriormente se correlacionen con indicadores
tempranos en ingeniería.
Participantes y contexto
Participaron secundarias técnicas públicas de dos entidades con diversidad urbano–rural y distintos
niveles de conectividad. Los criterios de inclusión fueron: (a) consentimiento informado de tutores y
autorización directiva; (b) conectividad mínima o, en su caso, sincronización diferida; (c) al menos
dos grupos por grado para calendarizar las rondas de implementación de incorporación. Se excluyeron
los planteles que atravesaban reformas curriculares mayores durante el mismo periodo.
pág. 57
Intervención
Los tres componentes integrados que se implementaron son los siguientes:
Tutoría inteligente en actividades de ciencias y matemáticas, con retroalimentación inmediata y
andamiaje progresivo para guiar la práctica y la resolución de problemas, en línea con la evidencia
sobre los beneficios de la instrucción adaptativa (Banerjee et al., 2007; Muralidharan, Singh, &
Ganimian, 2019).
Verificación mediante visión por computadora del montaje y procedimiento en las prácticas (por
ejemplo, conexiones, calibración y pasos críticos). La literatura sobre laboratorios remotos y virtuales
respalda que, con un buen diseño instruccional y feedback de calidad, los resultados pueden ser
comparables a los de entornos presenciales (Heradio, de la Torre, & Dormido, 2016; Achuthan,
Raghavan, & Shankar, 2021).
Analítica del aprendizaje a partir de dispositivos conectados (intentos, tiempos, latencias, precisión de
mediciones), con un uso formativo tanto para estudiantes como para docentes, favoreciendo la
autorregulación y la toma de decisiones instruccionales (Ifenthaler & Yau, 2020; Black & Wiliam,
1998).
Cada escuela recibió entre 8 y 12 horas de formación docente, un manual de implementación (con
secuencias, rúbricas y listas de verificación de fidelidad) y soporte técnico. Las rondas de
implementación de incorporación se activaron cada dos meses hasta cubrir la totalidad de los
planteles.
Variables e instrumentos
Exposición / proceso (educación básica): sesiones completadas; iteraciones por práctica; tiempo en
tarea y latencia; alertas de verificación; precisión (error medio).
Resultados intermedios (educación básica):
• Precisión experimental: rúbrica 0–4 por criterio; coherencia procedimiento-dato.
• Argumentación en informes: calidad de evidencia y conclusiones.
• Resolución de problemas: ítems de transferencia breve.
• Autorregulación: escala corta (planificar – monitorear–ajustar).
Intervención
Los tres componentes integrados que se implementaron son los siguientes:
Tutoría inteligente en actividades de ciencias y matemáticas, con retroalimentación inmediata y
andamiaje progresivo para guiar la práctica y la resolución de problemas, en línea con la evidencia
sobre los beneficios de la instrucción adaptativa (Banerjee et al., 2007; Muralidharan, Singh, &
Ganimian, 2019).
Verificación mediante visión por computadora del montaje y procedimiento en las prácticas (por
ejemplo, conexiones, calibración y pasos críticos). La literatura sobre laboratorios remotos y virtuales
respalda que, con un buen diseño instruccional y feedback de calidad, los resultados pueden ser
comparables a los de entornos presenciales (Heradio, de la Torre, & Dormido, 2016; Achuthan,
Raghavan, & Shankar, 2021).
Analítica del aprendizaje a partir de dispositivos conectados (intentos, tiempos, latencias, precisión de
mediciones), con un uso formativo tanto para estudiantes como para docentes, favoreciendo la
autorregulación y la toma de decisiones instruccionales (Ifenthaler & Yau, 2020; Black & Wiliam,
1998).
Cada escuela recibió entre 8 y 12 horas de formación docente, un manual de implementación (con
secuencias, rúbricas y listas de verificación de fidelidad) y soporte técnico. Las rondas de
implementación de incorporación se activaron cada dos meses hasta cubrir la totalidad de los
planteles.
Variables e instrumentos
Exposición / proceso (educación básica): sesiones completadas; iteraciones por práctica; tiempo en
tarea y latencia; alertas de verificación; precisión (error medio).
Resultados intermedios (educación básica):
• Precisión experimental: rúbrica 0–4 por criterio; coherencia procedimiento-dato.
• Argumentación en informes: calidad de evidencia y conclusiones.
• Resolución de problemas: ítems de transferencia breve.
• Autorregulación: escala corta (planificar – monitorear–ajustar).
pág. 58
Resultados principales (educación superior):
• Aprobación en Cálculo I y Física I: variable dicotómica (0/1).
• Créditos aprobados: total acumulado al cierre del primer año.
• Persistencia al segundo semestre: variable dicotómica (0/1).
Las rúbricas se pilotearon en dos escuelas y se capacitó a evaluadores externos que calificaron una
submuestra a ciegas, con un acuerdo interjueces ≥ 0.80.
Procedimiento de recolección y enlace
Las plataformas registraron automáticamente las trazas de uso. Los informes de práctica se entregaron
en el repositorio institucional y se calificaron mediante rúbricas. Los datos del primer año
universitario (aprobación, créditos y persistencia) se obtuvieron mediante convenios con las
instituciones de educación superior (IES) receptoras; se seudonimizaron y se enlazaron mediante
claves seguras para preservar la confidencialidad (UNESCO, 2021, 2023).
Plan de análisis
Adopción y fidelidad: descripción por escuela y por ronda de implementación; verificación de
tendencias previas comparables.
Efectos en educación básica: modelos multinivel (estudiantes anidados en aulas y escuelas) para
precisión, argumentación, resolución y autorregulación.
Resultados en educación superior: enfoques de diferencias en diferencias con efectos fijos por escuela
y periodo; modelos logísticos para aprobación y persistencia, y lineales para créditos.
Mediación: prueba de la ruta mejoras en precisión/autorregulación (educación básica) → resultados
universitarios.
Heterogeneidad: interacciones por contexto urbano–rural, conectividad y necesidades educativas
específicas.
Datos faltantes: imputación múltiple por cadenas de ecuaciones (MICE) y análisis de sensibilidad
complete-case (Azur, Stuart, Frangakis, & Leaf, 2011).
Resultados principales (educación superior):
• Aprobación en Cálculo I y Física I: variable dicotómica (0/1).
• Créditos aprobados: total acumulado al cierre del primer año.
• Persistencia al segundo semestre: variable dicotómica (0/1).
Las rúbricas se pilotearon en dos escuelas y se capacitó a evaluadores externos que calificaron una
submuestra a ciegas, con un acuerdo interjueces ≥ 0.80.
Procedimiento de recolección y enlace
Las plataformas registraron automáticamente las trazas de uso. Los informes de práctica se entregaron
en el repositorio institucional y se calificaron mediante rúbricas. Los datos del primer año
universitario (aprobación, créditos y persistencia) se obtuvieron mediante convenios con las
instituciones de educación superior (IES) receptoras; se seudonimizaron y se enlazaron mediante
claves seguras para preservar la confidencialidad (UNESCO, 2021, 2023).
Plan de análisis
Adopción y fidelidad: descripción por escuela y por ronda de implementación; verificación de
tendencias previas comparables.
Efectos en educación básica: modelos multinivel (estudiantes anidados en aulas y escuelas) para
precisión, argumentación, resolución y autorregulación.
Resultados en educación superior: enfoques de diferencias en diferencias con efectos fijos por escuela
y periodo; modelos logísticos para aprobación y persistencia, y lineales para créditos.
Mediación: prueba de la ruta mejoras en precisión/autorregulación (educación básica) → resultados
universitarios.
Heterogeneidad: interacciones por contexto urbano–rural, conectividad y necesidades educativas
específicas.
Datos faltantes: imputación múltiple por cadenas de ecuaciones (MICE) y análisis de sensibilidad
complete-case (Azur, Stuart, Frangakis, & Leaf, 2011).
pág. 59
Este plan es consistente con la finalidad del estudio: conectar trazas finas de aprendizaje en la
educación básica con indicadores verificables del inicio en ingeniería, así como promover el uso
responsable de los datos educativos (UNESCO, 2023; Ifenthaler & Yau, 2020).
Consideraciones éticas y de gobernanza
Se obtuvo consentimiento informado por parte de los tutores y la autorización correspondiente de la
dirección institucional. Los datos fueron tratados bajo principios de minimización, seudonimización y
control de acceso por rol. La intervención se desarrolló en concordancia con las orientaciones
internacionales sobre el uso ético, responsable y centrado en la persona de la inteligencia artificial en
educación, con especial énfasis en la seguridad, transparencia y equidad (UNESCO, 2021, 2023).
RESULTADOS
Los resultados se organizan en cuatro apartados: adopción y fidelidad de implementación, efectos en
educación básica, resultados en el primer año de ingeniería, y análisis de heterogeneidad y mediación.
Las cifras y evidencias son coherentes con el diseño metodológico descrito previamente.
Adopción y fidelidad de implementación
La adopción del programa mostró un incremento sostenido en cada ronda de implementación. Se
reporta la proporción de estudiantes con al menos tres prácticas completas, el número promedio de
iteraciones por práctica y la entrega oportuna de informes en la plataforma. En términos generales, la
adopción se estabilizó conforme avanzaron las rondas, indicando una apropiación progresiva del
modelo por parte de los participantes. (véase Figura 1 y Tabla 1)
Figura 1. Tasa de adopción por ronda de implementación (≥ 3 prácticas)
Este plan es consistente con la finalidad del estudio: conectar trazas finas de aprendizaje en la
educación básica con indicadores verificables del inicio en ingeniería, así como promover el uso
responsable de los datos educativos (UNESCO, 2023; Ifenthaler & Yau, 2020).
Consideraciones éticas y de gobernanza
Se obtuvo consentimiento informado por parte de los tutores y la autorización correspondiente de la
dirección institucional. Los datos fueron tratados bajo principios de minimización, seudonimización y
control de acceso por rol. La intervención se desarrolló en concordancia con las orientaciones
internacionales sobre el uso ético, responsable y centrado en la persona de la inteligencia artificial en
educación, con especial énfasis en la seguridad, transparencia y equidad (UNESCO, 2021, 2023).
RESULTADOS
Los resultados se organizan en cuatro apartados: adopción y fidelidad de implementación, efectos en
educación básica, resultados en el primer año de ingeniería, y análisis de heterogeneidad y mediación.
Las cifras y evidencias son coherentes con el diseño metodológico descrito previamente.
Adopción y fidelidad de implementación
La adopción del programa mostró un incremento sostenido en cada ronda de implementación. Se
reporta la proporción de estudiantes con al menos tres prácticas completas, el número promedio de
iteraciones por práctica y la entrega oportuna de informes en la plataforma. En términos generales, la
adopción se estabilizó conforme avanzaron las rondas, indicando una apropiación progresiva del
modelo por parte de los participantes. (véase Figura 1 y Tabla 1)
Figura 1. Tasa de adopción por ronda de implementación (≥ 3 prácticas)
pág. 60
Tabla 1. Descriptivos basales por escuela y ronda de implementación.
escuela ronda de
implementación
n
estudiantes
%
mujeres
urbano/rural conectividad
(mbps)
promedio
matemáticas
(previo)
promedio
ciencias
(previo)
ausentismo
(%)
nee
(%)
Esc-
01
1 172 51.2 Urbana 25.3 66.1 69.4 6.6 7.1
Esc-
01
2 189 49.0 Urbana 26.2 65.3 66.9 6.8 6.3
Esc-
02
1 164 52.4 Rural 10.1 64.8 66.0 8.1 5.2
Esc-
02
2 177 45.7 Rural 10.9 65.9 67.1 7.6 5.9
Esc-
03
3 201 47.6 Urbana 29.1 63.7 66.5 7.0 6.2
Esc-
04
4 156 50.3 Rural 11.7 65.1 66.9 7.9 6.5
Esc-
05
2 188 48.1 Urbana 23.6 67.0 68.3 6.4 6.8
Esc-
06
3 171 52.0 Urbana 26.8 64.5 65.8 6.9 5.7
Esc-
07
1 159 44.8 Rural 8.9 63.9 65.3 8.5 6.1
Esc-
08
4 195 53.2 Urbana 27.4 66.7 67.6 6.2 6.9
Tabla 1. Descriptivos basales por escuela y ronda de implementación.
escuela ronda de
implementación
n
estudiantes
%
mujeres
urbano/rural conectividad
(mbps)
promedio
matemáticas
(previo)
promedio
ciencias
(previo)
ausentismo
(%)
nee
(%)
Esc-
01
1 172 51.2 Urbana 25.3 66.1 69.4 6.6 7.1
Esc-
01
2 189 49.0 Urbana 26.2 65.3 66.9 6.8 6.3
Esc-
02
1 164 52.4 Rural 10.1 64.8 66.0 8.1 5.2
Esc-
02
2 177 45.7 Rural 10.9 65.9 67.1 7.6 5.9
Esc-
03
3 201 47.6 Urbana 29.1 63.7 66.5 7.0 6.2
Esc-
04
4 156 50.3 Rural 11.7 65.1 66.9 7.9 6.5
Esc-
05
2 188 48.1 Urbana 23.6 67.0 68.3 6.4 6.8
Esc-
06
3 171 52.0 Urbana 26.8 64.5 65.8 6.9 5.7
Esc-
07
1 159 44.8 Rural 8.9 63.9 65.3 8.5 6.1
Esc-
08
4 195 53.2 Urbana 27.4 66.7 67.6 6.2 6.9
pág. 61
Efectos en competencias de educación básica
Se estimaron efectos sobre la precisión experimental, la argumentación en informes, la resolución de
problemas y la autorregulación, mediante modelos multinivel con efectos de tiempo y controles. Se
observaron mejoras posteriores a la intervención, especialmente en los contextos con mayor número
de iteraciones por práctica. El uso de mecanismos de verificación por visión y la retroalimentación
inmediata se asoció con un aumento en la frecuencia de iteraciones y una reducción en los errores.
(véase Figura 2 y Tabla 2)
Figura 2. precisión experimental: Pre vs. Post
Tabla 2. efectos en básica (modelos multinivel)
Variable Coe
f.
EE IC95
%
inf
IC95
%
sup
p Efectoest
and.
Var
alum
no
Var
aul
a
Var
escue
la
N
alumn
os
N
aul
as
N
escuel
as
Precisión
experimental
0.1
8
0.0
4
0.1
02
0.2
58
0.00
02
0.32 0.42 0.1
8
0.1
1
103
2
41 8
Argumentaciónenin
formes
0.2
2
0.0
5
0.1
22
0.3
18
0.00
01
0.38 0.39 0.1
6
0.1 101
7
39 8
Resolución de
problemas
0.1
4
0.0
4
0.0
62
0.2
18
0.00
1
0.26 0.45 0.1
9
0.1
2
108
9
43 8
Autorregulación 0.1
2
0.0
3
0.0
61
0.1
79
0.00
2
0.24 0.36 0.1
4
0.0
9
974 35 8
Efectos en competencias de educación básica
Se estimaron efectos sobre la precisión experimental, la argumentación en informes, la resolución de
problemas y la autorregulación, mediante modelos multinivel con efectos de tiempo y controles. Se
observaron mejoras posteriores a la intervención, especialmente en los contextos con mayor número
de iteraciones por práctica. El uso de mecanismos de verificación por visión y la retroalimentación
inmediata se asoció con un aumento en la frecuencia de iteraciones y una reducción en los errores.
(véase Figura 2 y Tabla 2)
Figura 2. precisión experimental: Pre vs. Post
Tabla 2. efectos en básica (modelos multinivel)
Variable Coe
f.
EE IC95
%
inf
IC95
%
sup
p Efectoest
and.
Var
alum
no
Var
aul
a
Var
escue
la
N
alumn
os
N
aul
as
N
escuel
as
Precisión
experimental
0.1
8
0.0
4
0.1
02
0.2
58
0.00
02
0.32 0.42 0.1
8
0.1
1
103
2
41 8
Argumentaciónenin
formes
0.2
2
0.0
5
0.1
22
0.3
18
0.00
01
0.38 0.39 0.1
6
0.1 101
7
39 8
Resolución de
problemas
0.1
4
0.0
4
0.0
62
0.2
18
0.00
1
0.26 0.45 0.1
9
0.1
2
108
9
43 8
Autorregulación 0.1
2
0.0
3
0.0
61
0.1
79
0.00
2
0.24 0.36 0.1
4
0.0
9
974 35 8
pág. 62
Resultados en el primer año de ingeniería
Se analizaron las tasas de aprobación en Cálculo I y Física I, los créditos aprobados al cierre del
primer año y la persistencia al segundo semestre, utilizando un esquema de diferencias en diferencias
con efectos fijos por escuela y periodo (véase Figura 3 y Tabla 3).
Figura 3.estudio de eventos: Aprobación Cálculo I (DID)
Tabla 3. resultados en educación superior (DID)
Indicador β DID EE IC95
%
inf
IC95%
sup
p Fxfijos Controles N
cohortes
N
estudiantes
Aprobación
Cálculo I
0.05
8
0.01
8
0.0
23
0.093 0.0
02
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Aprobación
Física I
0.04
1
0.01
7
0.0
07
0.075 0.0
13
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Créditosapr
obados
(1er. año)
6.8 2.1 2.6
84
10.916 0.0
03
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Resultados en el primer año de ingeniería
Se analizaron las tasas de aprobación en Cálculo I y Física I, los créditos aprobados al cierre del
primer año y la persistencia al segundo semestre, utilizando un esquema de diferencias en diferencias
con efectos fijos por escuela y periodo (véase Figura 3 y Tabla 3).
Figura 3.estudio de eventos: Aprobación Cálculo I (DID)
Tabla 3. resultados en educación superior (DID)
Indicador β DID EE IC95
%
inf
IC95%
sup
p Fxfijos Controles N
cohortes
N
estudiantes
Aprobación
Cálculo I
0.05
8
0.01
8
0.0
23
0.093 0.0
02
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Aprobación
Física I
0.04
1
0.01
7
0.0
07
0.075 0.0
13
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Créditosapr
obados
(1er. año)
6.8 2.1 2.6
84
10.916 0.0
03
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
pág. 63
Persistencia
al 2do.
semestre
0.04
5
0.01
6
0.0
14
0.076 0.0
06
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Heterogeneidad y análisis de medición
Los efectos fueron más pronunciados en escuelas urbanas y con alta conectividad. En contextos
rurales, asegurar un número mínimo de iteraciones por práctica y una retroalimentación oportuna
elevó los resultados. La precisión experimental y la autorregulación mediaron parte del efecto sobre la
aprobación y la persistencia (véanse Tablas 4 y 5).
Tabla 4. heterogeneidad de efectos
Subgrupo Moderadora β
interacción
EE IC95% inf IC95%
sup
p
Urbana Urbano/Rural 0.028 0.012 0.004 0.052 0.021
Rural Urbano/Rural -0.031 0.014 -0.058 -0.003 0.034
Conectividad
alta
Conectividad
(terciles)
0.036 0.013 0.01 0.062 0.007
Conectividad
baja
Conectividad
(terciles)
-0.022 0.011 -0.043 -0.001 0.055
NEE sí NEE -0.015 0.01 -0.034 0.004 0.112
NEE no NEE 0.019 0.01 -0.001 0.039 0.062
Tabla 5. mediación (proceso → resultado)
Mediador Coef. a Coef. b Efecto
indirecto ab
IC95% inf IC95% sup p
Precisión
experimental
0.19 0.21 0.0399 0.018 0.065 0.001
Autorregulación 0.14 0.16 0.0224 0.008 0.041 0.012
Persistencia
al 2do.
semestre
0.04
5
0.01
6
0.0
14
0.076 0.0
06
Escuela×
Periodo
Línea
base,
conectivid
ad, sexo,
NEE
4 1100
Heterogeneidad y análisis de medición
Los efectos fueron más pronunciados en escuelas urbanas y con alta conectividad. En contextos
rurales, asegurar un número mínimo de iteraciones por práctica y una retroalimentación oportuna
elevó los resultados. La precisión experimental y la autorregulación mediaron parte del efecto sobre la
aprobación y la persistencia (véanse Tablas 4 y 5).
Tabla 4. heterogeneidad de efectos
Subgrupo Moderadora β
interacción
EE IC95% inf IC95%
sup
p
Urbana Urbano/Rural 0.028 0.012 0.004 0.052 0.021
Rural Urbano/Rural -0.031 0.014 -0.058 -0.003 0.034
Conectividad
alta
Conectividad
(terciles)
0.036 0.013 0.01 0.062 0.007
Conectividad
baja
Conectividad
(terciles)
-0.022 0.011 -0.043 -0.001 0.055
NEE sí NEE -0.015 0.01 -0.034 0.004 0.112
NEE no NEE 0.019 0.01 -0.001 0.039 0.062
Tabla 5. mediación (proceso → resultado)
Mediador Coef. a Coef. b Efecto
indirecto ab
IC95% inf IC95% sup p
Precisión
experimental
0.19 0.21 0.0399 0.018 0.065 0.001
Autorregulación 0.14 0.16 0.0224 0.008 0.041 0.012
pág. 64
Síntesis de resultados
En educación básica, los tamaños de efecto estandarizados oscilaron entre 0.24 y 0.38, con mayor
impacto en argumentación y precisión experimental. En nivel superior, se estimaron incrementos de 4
a 6 puntos porcentuales en aprobación, +6.8 créditos en el primer año y +4.5 puntos en persistencia.
La conectividad y la constancia en las iteraciones explican parte de la variación entre escuelas.
DISCUSIÓN
Hallazgos principales y su sentido pedagógico
Los resultados indican que la integración pedagógica de la inteligencia artificial en la secundaria
técnica —a través de tutoría inteligente, verificación por visión y analítica de aprendizaje con
propósito formativo— se asocia con mejoras sustantivas en precisión experimental y argumentación
en informes. Estas ganancias se vinculan con un mejor desempeño inicial en ingeniería, reflejado en la
aprobación de Cálculo I y Física I, el avance de créditos y la persistencia temprana.
El patrón se alinea con dos ideas consolidadas: (i) la retroalimentación oportuna y específica acelera
los ciclos de práctica–error–corrección y fortalece el juicio basado en evidencia (Black & Wiliam,
1998); y (ii) los entornos prácticos mediados por tecnología pueden igualar o complementar las
experiencias presenciales cuando el diseño instruccional enfatiza la interacción y la guía (Heradio, de
la Torre & Dormido, 2016; Achuthan, Raghavan & Shankar, 2021).
Coherencia con la literatura y mecanismos plausibles
La mejora en competencias de educación básica coincide con la evidencia sobre instrucción
adaptativa y personalización en contextos de recursos heterogéneos (Banerjee et al., 2007;
Muralidharan, Singh & Ganimian, 2019). En este estudio, la tutoría inteligente ajustó el nivel de
desafío y ofreció pistas graduadas; la verificación por visión redujo errores procedimentales; y la
analítica aportó señales de progreso para estudiantes y docentes.
Estos componentes convergen en un mecanismo común: mayor práctica deliberada con
retroalimentación inmediata, lo que explica las ganancias en precisión y argumentación, y su
transferencia posterior hacia los cursos troncales del primer año de ingeniería.
Síntesis de resultados
En educación básica, los tamaños de efecto estandarizados oscilaron entre 0.24 y 0.38, con mayor
impacto en argumentación y precisión experimental. En nivel superior, se estimaron incrementos de 4
a 6 puntos porcentuales en aprobación, +6.8 créditos en el primer año y +4.5 puntos en persistencia.
La conectividad y la constancia en las iteraciones explican parte de la variación entre escuelas.
DISCUSIÓN
Hallazgos principales y su sentido pedagógico
Los resultados indican que la integración pedagógica de la inteligencia artificial en la secundaria
técnica —a través de tutoría inteligente, verificación por visión y analítica de aprendizaje con
propósito formativo— se asocia con mejoras sustantivas en precisión experimental y argumentación
en informes. Estas ganancias se vinculan con un mejor desempeño inicial en ingeniería, reflejado en la
aprobación de Cálculo I y Física I, el avance de créditos y la persistencia temprana.
El patrón se alinea con dos ideas consolidadas: (i) la retroalimentación oportuna y específica acelera
los ciclos de práctica–error–corrección y fortalece el juicio basado en evidencia (Black & Wiliam,
1998); y (ii) los entornos prácticos mediados por tecnología pueden igualar o complementar las
experiencias presenciales cuando el diseño instruccional enfatiza la interacción y la guía (Heradio, de
la Torre & Dormido, 2016; Achuthan, Raghavan & Shankar, 2021).
Coherencia con la literatura y mecanismos plausibles
La mejora en competencias de educación básica coincide con la evidencia sobre instrucción
adaptativa y personalización en contextos de recursos heterogéneos (Banerjee et al., 2007;
Muralidharan, Singh & Ganimian, 2019). En este estudio, la tutoría inteligente ajustó el nivel de
desafío y ofreció pistas graduadas; la verificación por visión redujo errores procedimentales; y la
analítica aportó señales de progreso para estudiantes y docentes.
Estos componentes convergen en un mecanismo común: mayor práctica deliberada con
retroalimentación inmediata, lo que explica las ganancias en precisión y argumentación, y su
transferencia posterior hacia los cursos troncales del primer año de ingeniería.
pág. 65
La asociación positiva con los indicadores universitarios se relaciona con dos líneas previas: (a) la
evidencia de que el primer año en STEM condiciona la persistencia (Graham et al., 2013), y (b) los
estudios de learning analytics que muestran cómo el uso formativo de trazas de aprendizaje favorece
la autorregulación y la toma de decisiones (Ifenthaler & Yau, 2020). El análisis de mediación respalda
esta interpretación, al mostrar que parte del efecto sobre aprobación y persistencia se explica por la
mejora en precisión y autorregulación durante la secundaria.
Equidad y condiciones de implementación
Los efectos fueron mayores en escuelas urbanas y con mejor conectividad; sin embargo, los planteles
rurales mostraron avances cuando se aseguraron mínimos de iteraciones por práctica y
retroalimentación docente estable. Esto sugiere que la calidad de la implementación —más que la
disponibilidad tecnológica— constituye el factor decisivo.
Desde una perspectiva de política pública, la lección práctica es doble: (a) priorizar la formación
docente enfocada en el uso pedagógico y la evaluación formativa, y (b) acompañar con infraestructura
suficiente o soluciones de sincronización diferida para evitar la profundización de brechas. Estas
conclusiones son coherentes con las orientaciones de adopción responsable y centrada en la persona
propuestas por la UNESCO (2021, 2023).
Aportes y relevancia para el tránsito a ingeniería
El estudio articula niveles educativos al demostrar que fortalecer competencias científicas en la
secundaria técnica (mediante prácticas apoyadas por IA) se asocia con trayectorias iniciales más
sólidas en ingeniería.
En términos aplicados, propone un marco replicable: secuencias de práctica con verificación
automatizada, rúbricas de argumentación y uso formativo de trazas de aprendizaje, acompañadas de
desarrollo docente y gobernanza de datos.
Para los programas de ingeniería, los hallazgos respaldan la creación de puentes curriculares con la
educación secundaria, compartiendo criterios de precisión experimental, estándares de reporte y
repertorios de problemas transferibles a laboratorios universitarios.
La asociación positiva con los indicadores universitarios se relaciona con dos líneas previas: (a) la
evidencia de que el primer año en STEM condiciona la persistencia (Graham et al., 2013), y (b) los
estudios de learning analytics que muestran cómo el uso formativo de trazas de aprendizaje favorece
la autorregulación y la toma de decisiones (Ifenthaler & Yau, 2020). El análisis de mediación respalda
esta interpretación, al mostrar que parte del efecto sobre aprobación y persistencia se explica por la
mejora en precisión y autorregulación durante la secundaria.
Equidad y condiciones de implementación
Los efectos fueron mayores en escuelas urbanas y con mejor conectividad; sin embargo, los planteles
rurales mostraron avances cuando se aseguraron mínimos de iteraciones por práctica y
retroalimentación docente estable. Esto sugiere que la calidad de la implementación —más que la
disponibilidad tecnológica— constituye el factor decisivo.
Desde una perspectiva de política pública, la lección práctica es doble: (a) priorizar la formación
docente enfocada en el uso pedagógico y la evaluación formativa, y (b) acompañar con infraestructura
suficiente o soluciones de sincronización diferida para evitar la profundización de brechas. Estas
conclusiones son coherentes con las orientaciones de adopción responsable y centrada en la persona
propuestas por la UNESCO (2021, 2023).
Aportes y relevancia para el tránsito a ingeniería
El estudio articula niveles educativos al demostrar que fortalecer competencias científicas en la
secundaria técnica (mediante prácticas apoyadas por IA) se asocia con trayectorias iniciales más
sólidas en ingeniería.
En términos aplicados, propone un marco replicable: secuencias de práctica con verificación
automatizada, rúbricas de argumentación y uso formativo de trazas de aprendizaje, acompañadas de
desarrollo docente y gobernanza de datos.
Para los programas de ingeniería, los hallazgos respaldan la creación de puentes curriculares con la
educación secundaria, compartiendo criterios de precisión experimental, estándares de reporte y
repertorios de problemas transferibles a laboratorios universitarios.
pág. 66
Limitaciones
Tres aspectos acotan la interpretación de los hallazgos. Primero, aunque el diseño con incorporación
escalonada y diferencias en diferencias (DID) atenúa sesgos, no equivale a un ensayo controlado
aleatorizado (ECA), por lo que no descarta completamente factores no observados. Segundo, algunos
resultados universitarios pueden depender de criterios institucionales de acreditación que varían entre
instituciones. Tercero, la medición de autorregulación se basó en una escala breve; futuras
aplicaciones podrían combinar autorreporte con indicadores conductuales (tiempos efectivos y
patrones de intento) para mejorar la validez.
Líneas futuras
Se propone: (i) extender el seguimiento longitudinal más allá del primer año; (ii) evaluar variantes de
dosificación para determinar el umbral óptimo de iteraciones y tipo de retroalimentación; (iii) estimar
la costo-efectividad de cada componente (tutoría, visión, analítica); y (iv) analizar la transferencia a
otras áreas de ingeniería (programación, diseño, manufactura) para comprobar la consistencia del
patrón observado.
Implicaciones prácticas
Para sistemas escolares: asegurar estándares mínimos de implementación (número de prácticas, uso de
rúbricas, retroalimentación oportuna) y acompañar con formación docente situada. Para instituciones
de educación superior: diseñar módulos de articulación que reconozcan la experiencia previa del
estudiantado y capitalicen el trabajo desarrollado en secundaria, utilizando criterios compartidos de
precisión y argumentación. Para tomadores de decisión: sostener la adopción de IA en educación
básica bajo lineamientos éticos, protección de datos y financiamiento escalonado, priorizando
planteles con mayor rezago.
Cuando la IA se inserta con sentido pedagógico para guiar la práctica educativa, verificar
procedimientos y usar evidencias de aprendizaje, no solo mejora lo que ocurre en el aula de
secundaria: también abre mejores posibilidades de éxito temprano en ingeniería. La clave no es la
herramienta por sí misma, sino cómo se integra en la enseñanza y con qué condiciones se implementa.
Se recomienda estructurar una retroalimentación breve, específica y accionable, de modo que el
estudiantado la aplique en la siguiente iteración de la tarea (Wiliam, 2016).
Limitaciones
Tres aspectos acotan la interpretación de los hallazgos. Primero, aunque el diseño con incorporación
escalonada y diferencias en diferencias (DID) atenúa sesgos, no equivale a un ensayo controlado
aleatorizado (ECA), por lo que no descarta completamente factores no observados. Segundo, algunos
resultados universitarios pueden depender de criterios institucionales de acreditación que varían entre
instituciones. Tercero, la medición de autorregulación se basó en una escala breve; futuras
aplicaciones podrían combinar autorreporte con indicadores conductuales (tiempos efectivos y
patrones de intento) para mejorar la validez.
Líneas futuras
Se propone: (i) extender el seguimiento longitudinal más allá del primer año; (ii) evaluar variantes de
dosificación para determinar el umbral óptimo de iteraciones y tipo de retroalimentación; (iii) estimar
la costo-efectividad de cada componente (tutoría, visión, analítica); y (iv) analizar la transferencia a
otras áreas de ingeniería (programación, diseño, manufactura) para comprobar la consistencia del
patrón observado.
Implicaciones prácticas
Para sistemas escolares: asegurar estándares mínimos de implementación (número de prácticas, uso de
rúbricas, retroalimentación oportuna) y acompañar con formación docente situada. Para instituciones
de educación superior: diseñar módulos de articulación que reconozcan la experiencia previa del
estudiantado y capitalicen el trabajo desarrollado en secundaria, utilizando criterios compartidos de
precisión y argumentación. Para tomadores de decisión: sostener la adopción de IA en educación
básica bajo lineamientos éticos, protección de datos y financiamiento escalonado, priorizando
planteles con mayor rezago.
Cuando la IA se inserta con sentido pedagógico para guiar la práctica educativa, verificar
procedimientos y usar evidencias de aprendizaje, no solo mejora lo que ocurre en el aula de
secundaria: también abre mejores posibilidades de éxito temprano en ingeniería. La clave no es la
herramienta por sí misma, sino cómo se integra en la enseñanza y con qué condiciones se implementa.
Se recomienda estructurar una retroalimentación breve, específica y accionable, de modo que el
estudiantado la aplique en la siguiente iteración de la tarea (Wiliam, 2016).
pág. 67
CONCLUSIONES
La integración pedagógica de la inteligencia artificial fortalece competencias clave en la secundaria
técnica, al combinar tutoría inteligente, verificación por visión y analítica de aprendizaje con
propósito formativo. Estas estrategias se asocian con mejoras significativas en precisión experimental,
argumentación, resolución de problemas y autorregulación, con tamaños de efecto educativos
relevantes y replicables.
Las ganancias en educación básica se proyectan hacia el primer año de ingeniería, con incrementos en
aprobación de asignaturas troncales (Cálculo I y Física I), mayor avance de créditos y persistencia al
segundo semestre. Los resultados sugieren una transferencia de habilidades desde la práctica científica
guiada hacia el desempeño académico inicial.
La calidad de implementación es el factor decisivo. Las mayores mejoras ocurrieron cuando se
cumplieron tres condiciones: iteraciones suficientes por práctica, retroalimentación oportuna y
específica, y uso consistente de rúbricas para informes y procedimientos. En ausencia de estas
condiciones, los efectos disminuyen.
La conectividad condiciona, pero no determina los resultados. Las escuelas urbanas y con mejor
conectividad obtuvieron efectos superiores; no obstante, los planteles rurales mejoraron cuando se
aseguró un piso operativo (sincronización diferida, tiempos protegidos de práctica y acompañamiento
docente). Esto indica que el diseño instruccional y la gestión escolar pueden mitigar restricciones de
infraestructura.
Los mecanismos de cambio son identificables. El análisis sugiere que la precisión experimental y la
autorregulación actúan como mediadores del efecto sobre la aprobación y la persistencia. En términos
prácticos, las tareas que obligan a medir, verificar y argumentar, junto con un seguimiento
metacognitivo explícito, explican parte sustantiva de los resultados en superior.
El diseño por rondas de implementación fue factible y formativo. Permitir que todas las escuelas
participaran en distintos momentos facilitó el acompañamiento técnico-pedagógico, el monitoreo de
fidelidad y el intercambio de aprendizajes entre planteles, sin interrumpir la operación escolar.
Implicaciones para currículo y formación docente.
CONCLUSIONES
La integración pedagógica de la inteligencia artificial fortalece competencias clave en la secundaria
técnica, al combinar tutoría inteligente, verificación por visión y analítica de aprendizaje con
propósito formativo. Estas estrategias se asocian con mejoras significativas en precisión experimental,
argumentación, resolución de problemas y autorregulación, con tamaños de efecto educativos
relevantes y replicables.
Las ganancias en educación básica se proyectan hacia el primer año de ingeniería, con incrementos en
aprobación de asignaturas troncales (Cálculo I y Física I), mayor avance de créditos y persistencia al
segundo semestre. Los resultados sugieren una transferencia de habilidades desde la práctica científica
guiada hacia el desempeño académico inicial.
La calidad de implementación es el factor decisivo. Las mayores mejoras ocurrieron cuando se
cumplieron tres condiciones: iteraciones suficientes por práctica, retroalimentación oportuna y
específica, y uso consistente de rúbricas para informes y procedimientos. En ausencia de estas
condiciones, los efectos disminuyen.
La conectividad condiciona, pero no determina los resultados. Las escuelas urbanas y con mejor
conectividad obtuvieron efectos superiores; no obstante, los planteles rurales mejoraron cuando se
aseguró un piso operativo (sincronización diferida, tiempos protegidos de práctica y acompañamiento
docente). Esto indica que el diseño instruccional y la gestión escolar pueden mitigar restricciones de
infraestructura.
Los mecanismos de cambio son identificables. El análisis sugiere que la precisión experimental y la
autorregulación actúan como mediadores del efecto sobre la aprobación y la persistencia. En términos
prácticos, las tareas que obligan a medir, verificar y argumentar, junto con un seguimiento
metacognitivo explícito, explican parte sustantiva de los resultados en superior.
El diseño por rondas de implementación fue factible y formativo. Permitir que todas las escuelas
participaran en distintos momentos facilitó el acompañamiento técnico-pedagógico, el monitoreo de
fidelidad y el intercambio de aprendizajes entre planteles, sin interrumpir la operación escolar.
Implicaciones para currículo y formación docente.
pág. 68
Se recomienda incorporar, en planeaciones de ciencias y matemáticas, secuencias breves y frecuentes
de práctica experimental con verificación automatizada de pasos críticos, feedback inmediato y
rúbricas compartidas con la educación superior. La formación docente debe centrarse en uso
pedagógico de IA, evaluación formativa y gestión ética de datos.
Orientaciones de política y equidad. La adopción de IA en educación básica requiere gobernanza de
datos, resguardo de la privacidad de menores y financiamiento escalonado que priorice planteles con
mayor rezago. Es pertinente definir metas de implementación (mínimos de iteraciones, tiempos de
retroalimentación, cobertura por grado) y asegurar acompañamiento técnico-pedagógico.
Alcances y límites. Aunque el diseño analítico fortalece la inferencia, no sustituye a un ensayo
aleatorizado; además, parte de los indicadores universitarios pueden variar por criterios
institucionales. La autorregulación se midió con escala breve; combinar autorreporte con trazas
conductuales en futuras aplicaciones aumentará la validez.
Al Integrar IA para guiar práctica auténtica, verificar procedimientos y aprovechar trazas de
aprendizaje desde la secundaria técnica eleva competencias científicas y matemáticas y se asocia con
mejor arranque en ingeniería. El valor no radica en la herramienta por sí sola, sino en el diseño
didáctico, la retroalimentación de calidad y las condiciones de implementación que permiten que la
tecnología amplifique el aprendizaje y promueva la equidad.
REFERENCIAS
Achuthan, K., Raghavan, D., & Shankar, B. (2021). Impact of remote experimentation, interactivity
and platform effectiveness on laboratory learning outcomes. International Journal of
Educational Technology in Higher Education, 18, 38.
https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-021-00272-
z
Azur, M. J., Stuart, E. A., Frangakis, C., & Leaf, P. J. (2011). Multiple imputation by chained
equations: What is it and how does it work? International Journal of Methods in Psychiatric
Research, 20(1), 40–49. https://pmc.ncbi.nlm.nih.gov/articles/PMC3074241/
Se recomienda incorporar, en planeaciones de ciencias y matemáticas, secuencias breves y frecuentes
de práctica experimental con verificación automatizada de pasos críticos, feedback inmediato y
rúbricas compartidas con la educación superior. La formación docente debe centrarse en uso
pedagógico de IA, evaluación formativa y gestión ética de datos.
Orientaciones de política y equidad. La adopción de IA en educación básica requiere gobernanza de
datos, resguardo de la privacidad de menores y financiamiento escalonado que priorice planteles con
mayor rezago. Es pertinente definir metas de implementación (mínimos de iteraciones, tiempos de
retroalimentación, cobertura por grado) y asegurar acompañamiento técnico-pedagógico.
Alcances y límites. Aunque el diseño analítico fortalece la inferencia, no sustituye a un ensayo
aleatorizado; además, parte de los indicadores universitarios pueden variar por criterios
institucionales. La autorregulación se midió con escala breve; combinar autorreporte con trazas
conductuales en futuras aplicaciones aumentará la validez.
Al Integrar IA para guiar práctica auténtica, verificar procedimientos y aprovechar trazas de
aprendizaje desde la secundaria técnica eleva competencias científicas y matemáticas y se asocia con
mejor arranque en ingeniería. El valor no radica en la herramienta por sí sola, sino en el diseño
didáctico, la retroalimentación de calidad y las condiciones de implementación que permiten que la
tecnología amplifique el aprendizaje y promueva la equidad.
REFERENCIAS
Achuthan, K., Raghavan, D., & Shankar, B. (2021). Impact of remote experimentation, interactivity
and platform effectiveness on laboratory learning outcomes. International Journal of
Educational Technology in Higher Education, 18, 38.
https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-021-00272-
z
Azur, M. J., Stuart, E. A., Frangakis, C., & Leaf, P. J. (2011). Multiple imputation by chained
equations: What is it and how does it work? International Journal of Methods in Psychiatric
Research, 20(1), 40–49. https://pmc.ncbi.nlm.nih.gov/articles/PMC3074241/
pág. 69
Banerjee, A. V., Cole, S., Duflo, E., & Linden, L. (2007). Remedying education: Evidence from two
randomized experiments in India. The Quarterly Journal of Economics, 122(3), 1235–1264.
https://www.nber.org/system/files/working_papers/w11904/w11904.pdf
Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education:
Principles, Policy & Practice, 5(1), 7–74. https://assess.ucr.edu/sites/default/files/2019-
02/blackwiliam_1998.pdf
Cunningham, S. (2021). Causal Inference: The Mixtape. [Libro en línea, acceso abierto].
https://mixtape.scunning.com/
Graham, M. J., Frederick, J., Byars-Winston, A., Hunter, A.-B., & Handelsman, J. (2013). Increasing
persistence of college students in STEM. Science, 341(6153), 1455–1456.
https://pmc.ncbi.nlm.nih.gov/articles/PMC10167736/
Heradio, R., de la Torre, L., & Dormido, S. (2016). Virtual and remote labs in control education: A
survey. Annual Reviews in Control, 42, 1–10.
https://daneshyari.com/article/preview/4999550.pdf
Hemming, K., Haines, T. P., Chilton, P. J., Girling, A. J., & Lilford, R. J. (2015). The stepped wedge
cluster randomised trial: Rationale, design, analysis, and reporting. BMJ, 350, h391.
https://www.bmj.com/content/350/bmj.h391
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. [Edición en línea, acceso abierto].
https://content.sph.harvard.edu/wwwhsph/sites/1268/2024/01/hernanrobins_WhatIf_2jan24.
pdf
Hsu, J. L., & Dudley, L. (2022). Characterizing first-year biology majors’ motivations and
perceptions of the discipline. Journal of Microbiology & Biology Education, 23(3), e00134-
22. (PMC OA). https://pmc.ncbi.nlm.nih.gov/articles/PMC9753663/
Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher
education: A systematic review. Educational Technology Research and Development, 68(4),
1961–1990. https://rdcu.be/eJ9Xi
Banerjee, A. V., Cole, S., Duflo, E., & Linden, L. (2007). Remedying education: Evidence from two
randomized experiments in India. The Quarterly Journal of Economics, 122(3), 1235–1264.
https://www.nber.org/system/files/working_papers/w11904/w11904.pdf
Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education:
Principles, Policy & Practice, 5(1), 7–74. https://assess.ucr.edu/sites/default/files/2019-
02/blackwiliam_1998.pdf
Cunningham, S. (2021). Causal Inference: The Mixtape. [Libro en línea, acceso abierto].
https://mixtape.scunning.com/
Graham, M. J., Frederick, J., Byars-Winston, A., Hunter, A.-B., & Handelsman, J. (2013). Increasing
persistence of college students in STEM. Science, 341(6153), 1455–1456.
https://pmc.ncbi.nlm.nih.gov/articles/PMC10167736/
Heradio, R., de la Torre, L., & Dormido, S. (2016). Virtual and remote labs in control education: A
survey. Annual Reviews in Control, 42, 1–10.
https://daneshyari.com/article/preview/4999550.pdf
Hemming, K., Haines, T. P., Chilton, P. J., Girling, A. J., & Lilford, R. J. (2015). The stepped wedge
cluster randomised trial: Rationale, design, analysis, and reporting. BMJ, 350, h391.
https://www.bmj.com/content/350/bmj.h391
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. [Edición en línea, acceso abierto].
https://content.sph.harvard.edu/wwwhsph/sites/1268/2024/01/hernanrobins_WhatIf_2jan24.
Hsu, J. L., & Dudley, L. (2022). Characterizing first-year biology majors’ motivations and
perceptions of the discipline. Journal of Microbiology & Biology Education, 23(3), e00134-
22. (PMC OA). https://pmc.ncbi.nlm.nih.gov/articles/PMC9753663/
Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher
education: A systematic review. Educational Technology Research and Development, 68(4),
1961–1990. https://rdcu.be/eJ9Xi
pág. 70
Muralidharan, K., Singh, A., & Ganimian, A. J. (2019). Disrupting education? Experimental evidence
on technology-aided instruction in India. American Economic Review, 109(4), 1426–1460.
https://www.nber.org/system/files/working_papers/w22923/w22923.pdf
UNESCO. (2021). AI and education: Guidance for policy-
makers.https://teachertaskforce.org/sites/default/files/2023-07/2021_UNESCO_AI-and-
education-Guidande-for-policy-makers_EN.pdf
UNESCO. (2023). Guidance for generative AI in education and
research.https://unesdoc.unesco.org/ark:/48223/pf0000386693
Wiliam, D. (2016). The secret of effective feedback. Educational Leadership, 73(7).
https://www.ascd.org/el/articles/the-secret-of-effective-feedback
Muralidharan, K., Singh, A., & Ganimian, A. J. (2019). Disrupting education? Experimental evidence
on technology-aided instruction in India. American Economic Review, 109(4), 1426–1460.
https://www.nber.org/system/files/working_papers/w22923/w22923.pdf
UNESCO. (2021). AI and education: Guidance for policy-
makers.https://teachertaskforce.org/sites/default/files/2023-07/2021_UNESCO_AI-and-
education-Guidande-for-policy-makers_EN.pdf
UNESCO. (2023). Guidance for generative AI in education and
research.https://unesdoc.unesco.org/ark:/48223/pf0000386693
Wiliam, D. (2016). The secret of effective feedback. Educational Leadership, 73(7).
https://www.ascd.org/el/articles/the-secret-of-effective-feedback