ANÁLISIS DEL USO DE LA IA PARA
DESARROLLAR APLICACIONES DE
SOFTWARE CASO DE ESTUDIO:
LICENCIATURA EN INGENIERÍA EN
TECNOLOGÍAS DE LA INFORMACIÓN E
INNOVACIÓN DIGITAL DE LA UNIVERSIDAD
TECNOLÓGICA DEL SUR DEL ESTADO DE
MÉXICO
ANALYSIS OF THE USE OF AI TO DEVELOP
SOFTWARE APPLICATIONS. CASE STUDY:
BACHELOR'S DEGREE IN INFORMATION
TECHNOLOGY AND DIGITAL INNOVATION
ENGINEERING FROM THE TECHNOLOGICAL
UNIVERSITY OF THE SOUTH OF THE STATE OF
MEXICO
Armando Mendoza Zuñiga
Universidad Autónoma del Estado de Estado de México
Ernesto Joel Dorantes Coronado
Universidad Autónoma del Estado de Estado de México
Rafael Valentin Mendoza Méndez
Universidad Autónoma del Estado de Estado de México
pág. 3275
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21442
Análisis del uso de la IA Para Desarrollar Aplicaciones de Software Caso de
Estudio: Licenciatura en Ingeniería en Tecnologías de la Información e
Innovación Digital de la Universidad Tecnológica del Sur del Estado de
México
Armando Mendoza Zuñiga1
amz2010_4@hotmail.com
https://orcid.org/0000-0002-5091-6135
Centro Universitario UAEM Temascaltepec,
Universidad Autónoma del Estado de Estado de
México
Ernesto Joel Dorantes Coronado
ejdorantesc@uaemex.mx
https://orcid.org/0000-0003-1037-3575
Centro Universitario UAEM Temascaltepec,
Universidad Autónoma del Estado de Estado de
México
Rafael Valentin Mendoza Méndez
rvmendozam@uaemex.mx
https://orcid.org/0000-0003-4420-426X
Centro Universitario UAEM Temascaltepec,
Universidad Autónoma del Estado de México
RESUMEN
Esta investigación lleva a cabo un análisis sobre cómo se utiliza la inteligencia artificial (IA) en la
formación de programación de los alumnos de la Licenciatura en Ingeniería en Tecnologías de la
Información e Innovación Digital en la Universidad Tecnológica del Sur del Estado de México. Para
ello, se recabó información a través de una encuesta compuesta por 16 preguntas enfocadas en la
utilización de la inteligencia artificial para la creación de software. El estudio aplicó un análisis de
componentes principales (ACP), complementado con un análisis clúster (AC) y estadística descriptiva.
En conclusión, se consiguieron cuatro tipos de estudiantes que interpretan los patrones de los apoyos
de la IA: CP 1 llamado Estudiantes de fase terminal; CP 2, Estudiantes de fase inicial; CP 3, Estudiantes
de fase intermedia; y CP 4, Estudiantes tecnológicos, este ultimo presenta inclinación hacia el uso de la
IA en su formación que hacia métodos tradicionales de enseñanza
Palabras clave: análisis multivariante, análisis de componentes principales, inteligencia artificial,
educación, estadística descriptiva
1 Autor principal
Correspondencia: amz2010_4@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21442
Análisis del uso de la IA Para Desarrollar Aplicaciones de Software Caso de
Estudio: Licenciatura en Ingeniería en Tecnologías de la Información e
Innovación Digital de la Universidad Tecnológica del Sur del Estado de
México
Armando Mendoza Zuñiga1
amz2010_4@hotmail.com
https://orcid.org/0000-0002-5091-6135
Centro Universitario UAEM Temascaltepec,
Universidad Autónoma del Estado de Estado de
México
Ernesto Joel Dorantes Coronado
ejdorantesc@uaemex.mx
https://orcid.org/0000-0003-1037-3575
Centro Universitario UAEM Temascaltepec,
Universidad Autónoma del Estado de Estado de
México
Rafael Valentin Mendoza Méndez
rvmendozam@uaemex.mx
https://orcid.org/0000-0003-4420-426X
Centro Universitario UAEM Temascaltepec,
Universidad Autónoma del Estado de México
RESUMEN
Esta investigación lleva a cabo un análisis sobre cómo se utiliza la inteligencia artificial (IA) en la
formación de programación de los alumnos de la Licenciatura en Ingeniería en Tecnologías de la
Información e Innovación Digital en la Universidad Tecnológica del Sur del Estado de México. Para
ello, se recabó información a través de una encuesta compuesta por 16 preguntas enfocadas en la
utilización de la inteligencia artificial para la creación de software. El estudio aplicó un análisis de
componentes principales (ACP), complementado con un análisis clúster (AC) y estadística descriptiva.
En conclusión, se consiguieron cuatro tipos de estudiantes que interpretan los patrones de los apoyos
de la IA: CP 1 llamado Estudiantes de fase terminal; CP 2, Estudiantes de fase inicial; CP 3, Estudiantes
de fase intermedia; y CP 4, Estudiantes tecnológicos, este ultimo presenta inclinación hacia el uso de la
IA en su formación que hacia métodos tradicionales de enseñanza
Palabras clave: análisis multivariante, análisis de componentes principales, inteligencia artificial,
educación, estadística descriptiva
1 Autor principal
Correspondencia: amz2010_4@hotmail.com
pág. 3276
Analysis of The Use of AI to Develop Software Applications. Case Study:
Bachelor's Degree in Information Technology and Digital Innovation
Engineering From The Technological University of The South of The State
of Mexico
ABSTRACT
This research analyzes how artificial intelligence (AI) is used in the programming training of students
in the Bachelor's Degree in Information Technology Engineering and Digital Innovation at the
Technological University of the South of the State of Mexico. Data was collected through a 16-question
survey focused on the use of artificial intelligence for software development. The study employed
principal component analysis (PCA), complemented by cluster analysis (CA) and descriptive statistics.
The results identified four types of students who interpret the patterns of AI support: PC1, "Terminal-
Phase Students"; PC2, "Initial-Phase Students"; PC3, "Intermediate-Phase Students"; and PC4,
"Technological Students." The latter group shows a greater inclination towards using AI in their training
than towards traditional teaching methods
Keywords: multivariate analysis, principal component analysis, artificial intelligence, education,
descriptive statistics
Artículo recibido 18 octubre 2025
Aceptado para publicación 30 noviembre 2025
Analysis of The Use of AI to Develop Software Applications. Case Study:
Bachelor's Degree in Information Technology and Digital Innovation
Engineering From The Technological University of The South of The State
of Mexico
ABSTRACT
This research analyzes how artificial intelligence (AI) is used in the programming training of students
in the Bachelor's Degree in Information Technology Engineering and Digital Innovation at the
Technological University of the South of the State of Mexico. Data was collected through a 16-question
survey focused on the use of artificial intelligence for software development. The study employed
principal component analysis (PCA), complemented by cluster analysis (CA) and descriptive statistics.
The results identified four types of students who interpret the patterns of AI support: PC1, "Terminal-
Phase Students"; PC2, "Initial-Phase Students"; PC3, "Intermediate-Phase Students"; and PC4,
"Technological Students." The latter group shows a greater inclination towards using AI in their training
than towards traditional teaching methods
Keywords: multivariate analysis, principal component analysis, artificial intelligence, education,
descriptive statistics
Artículo recibido 18 octubre 2025
Aceptado para publicación 30 noviembre 2025
pág. 3277
INTRODUCCIÓN
En la actualidad, la inteligencia artificial ha logrado avances notables en distintos sectores del mundo.
Su implementación se ha adaptado progresivamente a las necesidades de negocios y educación. Según
trendTIC (2025), en encuestas realizadas en seis países latinoamericanos, la IA tradicional aumentó un
25% y la generativa un 23%. En México, Sarmiento (2025) reporta un crecimiento del 31% en adopción
de IA. Este incremento refleja la importancia de la tecnología en la transformación digital.
El informe Unlocking AI Potential in México 2025 de AWS señala que el uso de IA en pequeñas y
medianas empresas pasó del 28% al 37%. Este cambio generó un aumento del 16% en ingresos
promedio. Además, los chatbots se posicionan como la aplicación más común, alcanzando un 72% de
uso. En el ámbito educativo, Bula y Bonilla (2024) destacan que Asia, Europa y Estados Unidos han
avanzado más en integración de IA. América Latina, en cambio, trabaja en directrices junto a los
gobiernos.
Diversos autores resaltan el potencial de la IA en educación. Boubker (2024) afirma que su horizonte
es prometedor en enseñanza y aprendizaje. Norman (2023) menciona tutores virtuales y profesores
universitarios como apoyo crucial para estudiantes. Vera (2023) advierte que el uso de IA debe ser ético
y responsable, con herramientas como ChatGPT y Plagscan. Delgado et al. (2024) señalan riesgos como
dependencia y disminución del pensamiento crítico. El docente, sin embargo, puede guiar su uso
constructivo. Su capacidad para generar código y resolver problemas lo hace atractivo para estudiantes
y docentes. Peng et al. (2023) demostraron que GitHub Copilot aumentó la productividad en un 55.8%
frente a grupos de control. Sin embargo, Kazemitabaar et al. (2023) advierten que estas herramientas
pueden limitar el aprendizaje profundo. La dependencia excesiva afecta la retención de conocimientos.
Finalmente, Shihab et al. (2025) y Zhang et al. (2023) señalan que la generación de código por IA puede
presentar errores en problemas complejos. Aunque mejora la productividad y reduce tiempos, limita el
aprendizaje cognitivo de los desarrolladores. Por ello, este estudio se centra en los alumnos de la
Licenciatura en Ingeniería en Tecnologías de la Información e Innovación Digital de la Universidad
Tecnológica del Sur del Estado de México. El objetivo es analizar cómo emplean herramientas de IA
para crear aplicaciones en proyectos académicos. Así se busca comprender beneficios y limitaciones en
su formación.
INTRODUCCIÓN
En la actualidad, la inteligencia artificial ha logrado avances notables en distintos sectores del mundo.
Su implementación se ha adaptado progresivamente a las necesidades de negocios y educación. Según
trendTIC (2025), en encuestas realizadas en seis países latinoamericanos, la IA tradicional aumentó un
25% y la generativa un 23%. En México, Sarmiento (2025) reporta un crecimiento del 31% en adopción
de IA. Este incremento refleja la importancia de la tecnología en la transformación digital.
El informe Unlocking AI Potential in México 2025 de AWS señala que el uso de IA en pequeñas y
medianas empresas pasó del 28% al 37%. Este cambio generó un aumento del 16% en ingresos
promedio. Además, los chatbots se posicionan como la aplicación más común, alcanzando un 72% de
uso. En el ámbito educativo, Bula y Bonilla (2024) destacan que Asia, Europa y Estados Unidos han
avanzado más en integración de IA. América Latina, en cambio, trabaja en directrices junto a los
gobiernos.
Diversos autores resaltan el potencial de la IA en educación. Boubker (2024) afirma que su horizonte
es prometedor en enseñanza y aprendizaje. Norman (2023) menciona tutores virtuales y profesores
universitarios como apoyo crucial para estudiantes. Vera (2023) advierte que el uso de IA debe ser ético
y responsable, con herramientas como ChatGPT y Plagscan. Delgado et al. (2024) señalan riesgos como
dependencia y disminución del pensamiento crítico. El docente, sin embargo, puede guiar su uso
constructivo. Su capacidad para generar código y resolver problemas lo hace atractivo para estudiantes
y docentes. Peng et al. (2023) demostraron que GitHub Copilot aumentó la productividad en un 55.8%
frente a grupos de control. Sin embargo, Kazemitabaar et al. (2023) advierten que estas herramientas
pueden limitar el aprendizaje profundo. La dependencia excesiva afecta la retención de conocimientos.
Finalmente, Shihab et al. (2025) y Zhang et al. (2023) señalan que la generación de código por IA puede
presentar errores en problemas complejos. Aunque mejora la productividad y reduce tiempos, limita el
aprendizaje cognitivo de los desarrolladores. Por ello, este estudio se centra en los alumnos de la
Licenciatura en Ingeniería en Tecnologías de la Información e Innovación Digital de la Universidad
Tecnológica del Sur del Estado de México. El objetivo es analizar cómo emplean herramientas de IA
para crear aplicaciones en proyectos académicos. Así se busca comprender beneficios y limitaciones en
su formación.
pág. 3278
METODOLOGÍA
Área de Estudio
Para este estudio se tomó 102 estudiantes de 240 de la Licenciatura en Ingeniería en Tecnologías de la
Información e Innovación Digital de la Universidad Tecnológica del Sur del Estado de México.
Muestra de Población del estudio
Para este estudio se aplicaron encuestas a 102 estudiantes de los 240 matriculados en la Licenciatura en
Ingeniería en Tecnologías de la Información e Innovación Digital de la Universidad Tecnológica del
Sur del Estado de México. La encuesta se aplicó en el mes de agosto de 2025. Para la determinación de
la muestra para la ingeniería se recomendó la fórmula de las muestras de población finita. Para la
muestra se aplicó la siguiente expresión matemática (García-García et al., 2013): fórmula para
poblaciones finitas.
Dónde: 𝑛= Tamaño de muestra N= población considerada: 240; Z= valor de la distribución normal,
asociada a un nivel confiabilidad de 90%, p= producción esperada de éxito o fracción de la población
que cumple con las características de estudio = 0.5; q = proporción esperada de fracaso = 0.5 y, E =
Error de estimación= 10%. 1.69.
Al aplicar la formula anterior, se obtuvo una muestra de confianza con un resultado de 52 estudiantes;
Sin embargo, se logró encuestar a 102 estudiantes de un total de 240.
Recopilación de Información del estudio
Para la recolección de la información, se elaboró una encuesta (Sánchez & Olvera,2024)que fue
aplicada en línea a los estudiantes de la ingeniería. La encuesta estaba compuesta por 16 ítems
distribuidos de la siguiente manera:
• 4 preguntas de carácter general sobre el uso de las IA para conocer diversos rasgos del sujeto de
estudio, de las cuales ocho fueron preguntas cerradas y una pregunta abierta.
• 3 preguntas de carácter personal para conocer el aprendizaje del desarrollo de software mediante un
docente tradicional y la herramienta IA, de las cuales dos preguntas abiertas y una cerrada.
METODOLOGÍA
Área de Estudio
Para este estudio se tomó 102 estudiantes de 240 de la Licenciatura en Ingeniería en Tecnologías de la
Información e Innovación Digital de la Universidad Tecnológica del Sur del Estado de México.
Muestra de Población del estudio
Para este estudio se aplicaron encuestas a 102 estudiantes de los 240 matriculados en la Licenciatura en
Ingeniería en Tecnologías de la Información e Innovación Digital de la Universidad Tecnológica del
Sur del Estado de México. La encuesta se aplicó en el mes de agosto de 2025. Para la determinación de
la muestra para la ingeniería se recomendó la fórmula de las muestras de población finita. Para la
muestra se aplicó la siguiente expresión matemática (García-García et al., 2013): fórmula para
poblaciones finitas.
Dónde: 𝑛= Tamaño de muestra N= población considerada: 240; Z= valor de la distribución normal,
asociada a un nivel confiabilidad de 90%, p= producción esperada de éxito o fracción de la población
que cumple con las características de estudio = 0.5; q = proporción esperada de fracaso = 0.5 y, E =
Error de estimación= 10%. 1.69.
Al aplicar la formula anterior, se obtuvo una muestra de confianza con un resultado de 52 estudiantes;
Sin embargo, se logró encuestar a 102 estudiantes de un total de 240.
Recopilación de Información del estudio
Para la recolección de la información, se elaboró una encuesta (Sánchez & Olvera,2024)que fue
aplicada en línea a los estudiantes de la ingeniería. La encuesta estaba compuesta por 16 ítems
distribuidos de la siguiente manera:
• 4 preguntas de carácter general sobre el uso de las IA para conocer diversos rasgos del sujeto de
estudio, de las cuales ocho fueron preguntas cerradas y una pregunta abierta.
• 3 preguntas de carácter personal para conocer el aprendizaje del desarrollo de software mediante un
docente tradicional y la herramienta IA, de las cuales dos preguntas abiertas y una cerrada.
pág. 3279
• 2 preguntas sobre el uso de las herramientas IA para realizar trabajos de otras materias, de las cuales
dos preguntas abiertas.
• 7 preguntas restantes para conocer el uso de las herramientas IA para desarrollar software se les
aplicaron a alumnos de Primero, Cuarto y Décimo cuatrimestre de la Licenciatura en Ingeniería en
Tecnologías de la Información e Innovación Digital de la Universidad Tecnológica del sur del
Estado de México, de las cuales 6 fueron preguntas abiertas con la finalidad de saber con exactitud
los porcentajes de uso y el tiempo de uso de la IA para desarrollar aplicaciones de software y una
pregunta cerrada.
Para evaluar la confiabilidad del instrumento de recolección de datos diseñado, se utilizó (Quero-Virla,
2010) el coeficiente de fiabilidad alfa de Cronbach basado en elementos estandarizados. La tabla 1
muestra los datos obtenidos. La encuesta, con todos los datos antes referidos, reportó un alfa de
Cronbach basado en elementos estandarizados de 0.794, lo cual se considera bueno en términos de la
confiabilidad del instrumento para la recolección de datos.
Tabla 1. estadística de fiabilida9d
Fuente: Elaboración Propia
De las 16 preguntas, se seleccionaron aquellas en las que las respuestas fueran de tipo numérico y de
escala, requisito para poder realizar el análisis multivariado en SPSS. En consecuencia, el grupo de
preguntas que permitieron realizar el procedimiento fueron 11, representando desde el uso de las IA, si
se han apoyado para desarrollar aplicaciones de software mediante IA, así como el planteamiento de la
formulación de preguntas de lenguaje natural a la IA, y, por último, la porcentaje de aprendizaje
consideras haber obtenido?
P1 ¿Conoces al menos una IA Generativa?
P2 ¿Utilizas Herramientas de IA gratuitas?
P3 ¿Utilizas Herramientas de IA de Paga?
P4 ¿Te has apoyado de una IA para desarrollar aplicaciones de software?
P5 ¿Qué porcentaje utilizas IA para realizar trabajos de otras materias?
P6 ¿Qué porcentaje necesitas de la IA para desarrollar una aplicación de
software?
P7 ¿Para realizar una aplicación de software, capturas el enunciado del
problema a la IA?
Alfa de Cronbach basada en elementos estandarizados 0.794
Número de Elementos 11
• 2 preguntas sobre el uso de las herramientas IA para realizar trabajos de otras materias, de las cuales
dos preguntas abiertas.
• 7 preguntas restantes para conocer el uso de las herramientas IA para desarrollar software se les
aplicaron a alumnos de Primero, Cuarto y Décimo cuatrimestre de la Licenciatura en Ingeniería en
Tecnologías de la Información e Innovación Digital de la Universidad Tecnológica del sur del
Estado de México, de las cuales 6 fueron preguntas abiertas con la finalidad de saber con exactitud
los porcentajes de uso y el tiempo de uso de la IA para desarrollar aplicaciones de software y una
pregunta cerrada.
Para evaluar la confiabilidad del instrumento de recolección de datos diseñado, se utilizó (Quero-Virla,
2010) el coeficiente de fiabilidad alfa de Cronbach basado en elementos estandarizados. La tabla 1
muestra los datos obtenidos. La encuesta, con todos los datos antes referidos, reportó un alfa de
Cronbach basado en elementos estandarizados de 0.794, lo cual se considera bueno en términos de la
confiabilidad del instrumento para la recolección de datos.
Tabla 1. estadística de fiabilida9d
Fuente: Elaboración Propia
De las 16 preguntas, se seleccionaron aquellas en las que las respuestas fueran de tipo numérico y de
escala, requisito para poder realizar el análisis multivariado en SPSS. En consecuencia, el grupo de
preguntas que permitieron realizar el procedimiento fueron 11, representando desde el uso de las IA, si
se han apoyado para desarrollar aplicaciones de software mediante IA, así como el planteamiento de la
formulación de preguntas de lenguaje natural a la IA, y, por último, la porcentaje de aprendizaje
consideras haber obtenido?
P1 ¿Conoces al menos una IA Generativa?
P2 ¿Utilizas Herramientas de IA gratuitas?
P3 ¿Utilizas Herramientas de IA de Paga?
P4 ¿Te has apoyado de una IA para desarrollar aplicaciones de software?
P5 ¿Qué porcentaje utilizas IA para realizar trabajos de otras materias?
P6 ¿Qué porcentaje necesitas de la IA para desarrollar una aplicación de
software?
P7 ¿Para realizar una aplicación de software, capturas el enunciado del
problema a la IA?
Alfa de Cronbach basada en elementos estandarizados 0.794
Número de Elementos 11
pág. 3280
P8
¿Para realizar una aplicación de software, analizas el enunciado del
problema y estructuras el conjunto de preguntas para la IA?
P9
¿Una vez generado la aplicación de software con el apoyo de la IA,
que porcentaje de aprendizaje consideras haber obtenido?
P10 ¿Una vez generado la aplicación con el apoyo del docente, que porcentaje
de aprendizaje consideras haber obtenido?
P11 ¿Crees que las IA apoya más a la educación que un docente tradicional?
Análisis estadístico
Se utilizó el análisis multivariante de: Análisis de Componentes Principales (ACP) (Fallas & Chavarría,
2011), como un método estadístico que reduce la dimensión de un conjunto de datos con múltiples
variables sin perder información esencial, permitiendo agrupar observaciones de manera más clara
llamadas componentes principales (CP), posteriormente se realizó la identificación de los sujetos para
cada componentes principal a través de la técnica de conglomerados (o análisis clúster) y obtener la
media, desviación estándar, máximos y mínimos, , para lo cual se utilizó el software SPSS v. 25.
Es decir, la información obtenida se sintetizó con un ACP con la finalidad de reducir la dimensionalidad
y obtener información como: describir los datos en forma descifrable, es decir, que los datos sean fáciles
de entender sin dificultad; elaborar una distribución detallada de varias variables; y construir un modelo
de predicción basado en múltiples variables y hallar la relación causa-efecto entre variables. Se incluyó
la matriz de componentes rotados con la opción de VARIMAX (Núñez et al., 2007).
Para evaluar la pertinencia de la aplicación de ACP, se llevó a cabo la evaluación del KMO (Kaiser-
Meyer-Olkin) que representa la pertinencia de las variables para desarrollar el ACP y la prueba de
esfericidad de Bartlett que verifica si la matriz de correlación no es una matriz identidad (De la Rosa
Flores et al. , 2020).
Además, se realizó el análisis de Conglomerados (Clusters) (Santana, 1991) que se aplicó a la base de
datos con un análisis clasificatorio por cluster jerárquico, con la finalidad de que las diferentes unidades
de producción formen conglomerados, que se visualizarán a través de clasificación de estudiantes en
cuatro grupos con el método de Ward y distancia Euclídea al cuadrado para obtener estadísticos
descriptivos por grupo (Castro et al., 2012).
P8
¿Para realizar una aplicación de software, analizas el enunciado del
problema y estructuras el conjunto de preguntas para la IA?
P9
¿Una vez generado la aplicación de software con el apoyo de la IA,
que porcentaje de aprendizaje consideras haber obtenido?
P10 ¿Una vez generado la aplicación con el apoyo del docente, que porcentaje
de aprendizaje consideras haber obtenido?
P11 ¿Crees que las IA apoya más a la educación que un docente tradicional?
Análisis estadístico
Se utilizó el análisis multivariante de: Análisis de Componentes Principales (ACP) (Fallas & Chavarría,
2011), como un método estadístico que reduce la dimensión de un conjunto de datos con múltiples
variables sin perder información esencial, permitiendo agrupar observaciones de manera más clara
llamadas componentes principales (CP), posteriormente se realizó la identificación de los sujetos para
cada componentes principal a través de la técnica de conglomerados (o análisis clúster) y obtener la
media, desviación estándar, máximos y mínimos, , para lo cual se utilizó el software SPSS v. 25.
Es decir, la información obtenida se sintetizó con un ACP con la finalidad de reducir la dimensionalidad
y obtener información como: describir los datos en forma descifrable, es decir, que los datos sean fáciles
de entender sin dificultad; elaborar una distribución detallada de varias variables; y construir un modelo
de predicción basado en múltiples variables y hallar la relación causa-efecto entre variables. Se incluyó
la matriz de componentes rotados con la opción de VARIMAX (Núñez et al., 2007).
Para evaluar la pertinencia de la aplicación de ACP, se llevó a cabo la evaluación del KMO (Kaiser-
Meyer-Olkin) que representa la pertinencia de las variables para desarrollar el ACP y la prueba de
esfericidad de Bartlett que verifica si la matriz de correlación no es una matriz identidad (De la Rosa
Flores et al. , 2020).
Además, se realizó el análisis de Conglomerados (Clusters) (Santana, 1991) que se aplicó a la base de
datos con un análisis clasificatorio por cluster jerárquico, con la finalidad de que las diferentes unidades
de producción formen conglomerados, que se visualizarán a través de clasificación de estudiantes en
cuatro grupos con el método de Ward y distancia Euclídea al cuadrado para obtener estadísticos
descriptivos por grupo (Castro et al., 2012).
pág. 3281
RESULTADOS Y DISCUSIÓN
Para esta investigación Hernández et al. (2024) baso el mismo procedimiento de análisis multivariado,
dando pauta este resultado de la prueba de KMO con un valor de 0.758 se considera aceptable, véase
en el Tabla 2.
Cuando en la salida de SPSS (o de otro software) la prueba de esfericidad de Bartlett aparece con nivel
de significancia igual a .000, lo que realmente significa que el p-valor < 0.001 (tan pequeño que el
software lo redondea a 0.000). Esto indica que la Hipótesis nula (H0), siendo la matriz de correlaciones
es una identidad (sin correlaciones entre variables) en consecuencia, es rechazada. Por lo tanto, sí existe
correlación significativa entre las variables, y el análisis factorial o de componentes principales es
procedente a explicar uso de las IA para desarrollar aplicaciones de software de los alumnos de primer,
cuarto y decimo cuatrimestre de la Licenciatura En Ingeniería En Tecnologías De La Información E
Innovación Digital de la Universidad Tecnológica del Sur del Estado de México, como lo confirma los
resultados de KMO, el cual arrojó valores superiores a 0.758 (Tabla 2).
Tabla 2. análisis de kmo y bartlett
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de
muestreo
0.758
Prueba de esfericidad de
Bartlett
Aprox. Chi-cuadrado 375.573
Gl 55
Sig. 0.000
Fuente: Elaboración propia
Análisis de Componentes Principales
El significado de los auto valores, son indicadores de la proporción de varianza explicada por
componente, véase en el Tabla 4. Se considerando 11 variables de análisis, de las cuales se formaron 4
componentes principales con valores mayores a uno. Por ejemplo, para mostrar este valor el porcentaje
se obtiene a partir de la siguiente formula % de Varianza = (autovalor/No. CP)*100, mostrando la
operación (2.446/11)*100 que indica que este primer componente explica el 22.24% de la varianza
total. Así la suma del porcentaje acumulado de la varianza nos permite seleccionar los 4 primeros CP`s,
que explicaron una varianza total acumulada de 71.028.
RESULTADOS Y DISCUSIÓN
Para esta investigación Hernández et al. (2024) baso el mismo procedimiento de análisis multivariado,
dando pauta este resultado de la prueba de KMO con un valor de 0.758 se considera aceptable, véase
en el Tabla 2.
Cuando en la salida de SPSS (o de otro software) la prueba de esfericidad de Bartlett aparece con nivel
de significancia igual a .000, lo que realmente significa que el p-valor < 0.001 (tan pequeño que el
software lo redondea a 0.000). Esto indica que la Hipótesis nula (H0), siendo la matriz de correlaciones
es una identidad (sin correlaciones entre variables) en consecuencia, es rechazada. Por lo tanto, sí existe
correlación significativa entre las variables, y el análisis factorial o de componentes principales es
procedente a explicar uso de las IA para desarrollar aplicaciones de software de los alumnos de primer,
cuarto y decimo cuatrimestre de la Licenciatura En Ingeniería En Tecnologías De La Información E
Innovación Digital de la Universidad Tecnológica del Sur del Estado de México, como lo confirma los
resultados de KMO, el cual arrojó valores superiores a 0.758 (Tabla 2).
Tabla 2. análisis de kmo y bartlett
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de
muestreo
0.758
Prueba de esfericidad de
Bartlett
Aprox. Chi-cuadrado 375.573
Gl 55
Sig. 0.000
Fuente: Elaboración propia
Análisis de Componentes Principales
El significado de los auto valores, son indicadores de la proporción de varianza explicada por
componente, véase en el Tabla 4. Se considerando 11 variables de análisis, de las cuales se formaron 4
componentes principales con valores mayores a uno. Por ejemplo, para mostrar este valor el porcentaje
se obtiene a partir de la siguiente formula % de Varianza = (autovalor/No. CP)*100, mostrando la
operación (2.446/11)*100 que indica que este primer componente explica el 22.24% de la varianza
total. Así la suma del porcentaje acumulado de la varianza nos permite seleccionar los 4 primeros CP`s,
que explicaron una varianza total acumulada de 71.028.
pág. 3282
Tabla 4. autovalores y porcentaje de varianzas total explicada por componente
Varianza total explicada
Compon
ente
Autovalores
iniciales
Sumas de cargas al cuadrado
de la extracción
Sumas de cargas al
cuadrado de la rotación
Total % de
varianza
%
acumula
do
Total % de
varianza
%
acumula
do
Total % de
varianza
%
acumula
do
1 3.860 35.095 35.095 3.860 35.095 35.095 2.446 22.236 22.236
2 1.786 16.233 51.328 1.786 16.233 51.328 2.281 20.738 42.974
3 1.100 10.002 61.330 1.100 10.002 61.330 1.879 17.082 60.055
4 1.068 9.707 71.038 1.068 9.707 71.038 1.208 10.982 71.038
5 0.794 7.221 78.259
6 0.603 5.478 83.737
7 0.464 4.216 87.953
8 0.390 3.544 91.497
9 0.356 3.238 94.735
10 0.336 3.051 97.785
11 0.244 2.215 100.000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración Propia
Se deduce a partir del porcentaje de varianza del Tabla 4, el siguiente análisis: el primer componente
principal CP 1 explica el 35.095% la varianza, denominado como “Estudiantes de fase terminal”,
siguiendo con el segundo componente CP 2 tiene 16.233 % de varianza se establece “Estudiante de
fase inicial”, continuando con el tercer componente principal CP 3 con un 10.002% de varianza,
nombrado “Estudiante de fase intermedia” y por último el cuarto componente principal CP4 alcanzo
una varianza de 9.707%, se designa “Estudiantes tecnológicos”.
De acuerdo, a las cargas factoriales de las variables en los componentes principales presentados en
la tabla 5, el CP 1 se relaciona con estudiantes que desarrolla aplicaciones de software mediante IA,
desarrolla aplicaciones de software con apoyo del docente y desarrolla una aplicación de software
Tabla 4. autovalores y porcentaje de varianzas total explicada por componente
Varianza total explicada
Compon
ente
Autovalores
iniciales
Sumas de cargas al cuadrado
de la extracción
Sumas de cargas al
cuadrado de la rotación
Total % de
varianza
%
acumula
do
Total % de
varianza
%
acumula
do
Total % de
varianza
%
acumula
do
1 3.860 35.095 35.095 3.860 35.095 35.095 2.446 22.236 22.236
2 1.786 16.233 51.328 1.786 16.233 51.328 2.281 20.738 42.974
3 1.100 10.002 61.330 1.100 10.002 61.330 1.879 17.082 60.055
4 1.068 9.707 71.038 1.068 9.707 71.038 1.208 10.982 71.038
5 0.794 7.221 78.259
6 0.603 5.478 83.737
7 0.464 4.216 87.953
8 0.390 3.544 91.497
9 0.356 3.238 94.735
10 0.336 3.051 97.785
11 0.244 2.215 100.000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración Propia
Se deduce a partir del porcentaje de varianza del Tabla 4, el siguiente análisis: el primer componente
principal CP 1 explica el 35.095% la varianza, denominado como “Estudiantes de fase terminal”,
siguiendo con el segundo componente CP 2 tiene 16.233 % de varianza se establece “Estudiante de
fase inicial”, continuando con el tercer componente principal CP 3 con un 10.002% de varianza,
nombrado “Estudiante de fase intermedia” y por último el cuarto componente principal CP4 alcanzo
una varianza de 9.707%, se designa “Estudiantes tecnológicos”.
De acuerdo, a las cargas factoriales de las variables en los componentes principales presentados en
la tabla 5, el CP 1 se relaciona con estudiantes que desarrolla aplicaciones de software mediante IA,
desarrolla aplicaciones de software con apoyo del docente y desarrolla una aplicación de software
pág. 3283
mediante una herramienta de IA realizando preguntas estructuradas racionalmente. En este CP1, se
observa que el estudiante se apoya del docente y de herramientas de IA con preguntas estructuradas
lógicamente para desarrollar aplicaciones de software. El CP 2 representa a estudiantes que utilizan
herramientas de IA gratuita, conoce herramientas de IA y además captura el enunciado del problema
en la IA para realizar la aplicación de software. Por tanto, este componente indica que los estudiantes
conocen el contexto de las IA y además han buscado solución al desarrollo de software mediante
enunciados simples, y el estudiante no debe ser experto en el desarrollo de software. El CP 3 presenta
un patrón con estudiantes que paga por el servicio de IA, utiliza las herramientas de IA para realizar
trabajos de otras materias y necesita el apoyo de una herramienta de IA para desarrollar una
aplicación de software. Este componente deduce que el estudiante paga por el uso de IA, para obtener
mejores respuestas para tareas de diferentes materias y para desarrollar aplicaciones de software. El
CP 4 caracteriza a estudiantes que se apoyan a utilizar la IA más que un docente.
Tabla 5. cargas factoriales de las variables en los componentes principales
Cargas factoriales de las variables en los componentes principales
Componente
1 2 3 4
¿Una vez generado la aplicación de software con el
apoyo de la
IA, que porcentaje de aprendizaje consideras haber
obtenido?
.818 -.033 .215 .260
¿Una vez generado la aplicación con el apoyo del
docente, que
porcentaje de aprendizaje consideras haber obtenido?
.740 -.229 -.043 -.179
¿Para realizar una aplicación de software, analizas el
enunciado
del problema y estructuras el conjunto de preguntas
para la IA?
.733 .462 -.122 .001
¿Te has apoyado de una IA para desarrollar
aplicaciones de
software?
.494 .369 .326 .364
¿Utilizas Herramientas de IA gratuitas? -.055 .807 .156 .115
¿Conoces al menos una IA Generativa? -.020 .705 .167 .138
¿Para realizar una aplicación de software, capturas el
enunciado
del problema a la IA?
.521 .641 .180 -.044
¿Utilizas Herramientas de IA de Paga? -.055 -.013 .820 .188
¿Qué porcentaje utilizas IA para realizar trabajos de
otras
materias?
.052 .420 .753 -.108
mediante una herramienta de IA realizando preguntas estructuradas racionalmente. En este CP1, se
observa que el estudiante se apoya del docente y de herramientas de IA con preguntas estructuradas
lógicamente para desarrollar aplicaciones de software. El CP 2 representa a estudiantes que utilizan
herramientas de IA gratuita, conoce herramientas de IA y además captura el enunciado del problema
en la IA para realizar la aplicación de software. Por tanto, este componente indica que los estudiantes
conocen el contexto de las IA y además han buscado solución al desarrollo de software mediante
enunciados simples, y el estudiante no debe ser experto en el desarrollo de software. El CP 3 presenta
un patrón con estudiantes que paga por el servicio de IA, utiliza las herramientas de IA para realizar
trabajos de otras materias y necesita el apoyo de una herramienta de IA para desarrollar una
aplicación de software. Este componente deduce que el estudiante paga por el uso de IA, para obtener
mejores respuestas para tareas de diferentes materias y para desarrollar aplicaciones de software. El
CP 4 caracteriza a estudiantes que se apoyan a utilizar la IA más que un docente.
Tabla 5. cargas factoriales de las variables en los componentes principales
Cargas factoriales de las variables en los componentes principales
Componente
1 2 3 4
¿Una vez generado la aplicación de software con el
apoyo de la
IA, que porcentaje de aprendizaje consideras haber
obtenido?
.818 -.033 .215 .260
¿Una vez generado la aplicación con el apoyo del
docente, que
porcentaje de aprendizaje consideras haber obtenido?
.740 -.229 -.043 -.179
¿Para realizar una aplicación de software, analizas el
enunciado
del problema y estructuras el conjunto de preguntas
para la IA?
.733 .462 -.122 .001
¿Te has apoyado de una IA para desarrollar
aplicaciones de
software?
.494 .369 .326 .364
¿Utilizas Herramientas de IA gratuitas? -.055 .807 .156 .115
¿Conoces al menos una IA Generativa? -.020 .705 .167 .138
¿Para realizar una aplicación de software, capturas el
enunciado
del problema a la IA?
.521 .641 .180 -.044
¿Utilizas Herramientas de IA de Paga? -.055 -.013 .820 .188
¿Qué porcentaje utilizas IA para realizar trabajos de
otras
materias?
.052 .420 .753 -.108
pág. 3284
¿Qué porcentaje necesitas de la IA para desarrollar una
aplicación de software?
.409 .350 .619 -.007
¿Crees que las IA apoya más a la educación que un
docente
tradicional?
.023 .138 .049 .946
Fuente: Elaboración propia
Análisis de Clúster
Se tomaron los resultados del Análisis de Componentes Principales parra emplearlos en el Análisis
Cluster Jerárquico y elaborar el Tabla 6. De lo anterior, se derivan, 4 grupos de clúster:
1. “Estudiantes en fase Terminal” con 7 alumnos.
2. “Estudiantes de fase inicial” con 16 estudiantes.
3. “Estudiantes en fase intermedia” con 29 alumnos.
4. “Estudiantes Tecnológicos” con 50 alumnos.
El clúster 1 (Estudiantes en fase terminal), representa el 7% de los estudiantes de la carrera Ingeniería
En Tecnologías de la Información e Innovación Digital en la Universidad Tecnológica del Sur del
Estado de México. Este grupo es reducido en comparación, ya que involucra a unos pocos estudiantes
avanzados en programación. Presentan una media del 67.75% en el uso de inteligencia artificial para el
desarrollo de aplicaciones de software, utilizando un enfoque consciente y estructurado para realizar
preguntas adecuadas a la IA, con un 64. 25%. Asimismo, cuentan con la asistencia del profesor en un
49. 29% para desarrollar aplicaciones, lo que les ha permitido alcanzar un promedio del 76. 43% en su
aprendizaje con el respaldo de la IA. Esto les permite un aprendizaje cognitivo que combina ambas
perspectivas, lo que significa que los alumnos pueden acceder al conocimiento de manera efectiva y
responsable, manteniendo la ética en su proceso de aprendizaje, véase el tabla 6 las medias.
El clúster 2 (Estudiantes en fase inicial) está compuesto por el 16% de los estudiantes, quienes son
programadores novatos que utilizan herramientas de inteligencia artificial gratuitas, alcanzando un
promedio del 75%. Para estos estudiantes, la IA ayuda a resolver problemas relacionados con
aplicaciones de software simples, mostrando una efectividad del 40. 74%. Es importante que se
formulen los problemas de manera clara y exacta en lenguaje natural. Si el problema es complicado, la
IA generará una solución básica sin incluir ciertos requisitos específicos.
¿Qué porcentaje necesitas de la IA para desarrollar una
aplicación de software?
.409 .350 .619 -.007
¿Crees que las IA apoya más a la educación que un
docente
tradicional?
.023 .138 .049 .946
Fuente: Elaboración propia
Análisis de Clúster
Se tomaron los resultados del Análisis de Componentes Principales parra emplearlos en el Análisis
Cluster Jerárquico y elaborar el Tabla 6. De lo anterior, se derivan, 4 grupos de clúster:
1. “Estudiantes en fase Terminal” con 7 alumnos.
2. “Estudiantes de fase inicial” con 16 estudiantes.
3. “Estudiantes en fase intermedia” con 29 alumnos.
4. “Estudiantes Tecnológicos” con 50 alumnos.
El clúster 1 (Estudiantes en fase terminal), representa el 7% de los estudiantes de la carrera Ingeniería
En Tecnologías de la Información e Innovación Digital en la Universidad Tecnológica del Sur del
Estado de México. Este grupo es reducido en comparación, ya que involucra a unos pocos estudiantes
avanzados en programación. Presentan una media del 67.75% en el uso de inteligencia artificial para el
desarrollo de aplicaciones de software, utilizando un enfoque consciente y estructurado para realizar
preguntas adecuadas a la IA, con un 64. 25%. Asimismo, cuentan con la asistencia del profesor en un
49. 29% para desarrollar aplicaciones, lo que les ha permitido alcanzar un promedio del 76. 43% en su
aprendizaje con el respaldo de la IA. Esto les permite un aprendizaje cognitivo que combina ambas
perspectivas, lo que significa que los alumnos pueden acceder al conocimiento de manera efectiva y
responsable, manteniendo la ética en su proceso de aprendizaje, véase el tabla 6 las medias.
El clúster 2 (Estudiantes en fase inicial) está compuesto por el 16% de los estudiantes, quienes son
programadores novatos que utilizan herramientas de inteligencia artificial gratuitas, alcanzando un
promedio del 75%. Para estos estudiantes, la IA ayuda a resolver problemas relacionados con
aplicaciones de software simples, mostrando una efectividad del 40. 74%. Es importante que se
formulen los problemas de manera clara y exacta en lenguaje natural. Si el problema es complicado, la
IA generará una solución básica sin incluir ciertos requisitos específicos.
pág. 3285
Este grupo se enfoca en crear aplicaciones simples, con un 68. 75% de apoyo de IA gratuita. El clúster
3 (Estudiantes en fase intermedia) abarca el 28% de los estudiantes que están en un nivel intermedio en
programación de aplicaciones de software. Este grupo utiliza herramientas de inteligencia artificial de
pago en un 31% y para realizar sus trabajos académicos en diversas disciplinas con un porcentaje
48.79%, y un 53. 79% de ellos requieren de la IA para desarrollar sus aplicaciones de software. El
clúster 4 (Estudiantes Tecnológicos) comprende el 49% de los estudiantes, siendo notable ya que
representa el mayor porcentaje entre los clústeres, véase el tabla 6 las medias. Los miembros de este
grupo prefieren y se sienten a gusto utilizando IA para aprender sobre el desarrollo de aplicaciones de
software y otros temas. Además, el 65. 5% de los estudiantes de este clúster prefiere emplear la IA en
lugar de la enseñanza tradicional para adquirir conocimientos en diversas áreas.
Tabla 6. estadísticos descriptivos resultado del análisis clúster para los cuatro casos seleccionados en
el acp
Métod
o
Ward
Componente 1 Componente 2 Componente 3 Componente 4 Total
M
ed
ia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
¿Qué
porcent
aje
utilizas
IA para
realizar
trabajo
s de
otras
materia
s?
54
.2
9
50.0
0 30 75 34.
38
31.6
7 5 80 48.
79
48.6
4 20 80 26.
88
25.5
0 2 60 36.
17
32.1
1 2 80
¿Qué
porcent
aje
necesit
as de la
IA para
desarro
llar una
aplicac
ión de
softwar
e?
61
.4
3
60.0
0 40 80 8.0
6 2.18 0 30 53.
79
50.0
0 0 90 24.
86
25.6
7 0 70 32.
96
30.0
0 0 90
Este grupo se enfoca en crear aplicaciones simples, con un 68. 75% de apoyo de IA gratuita. El clúster
3 (Estudiantes en fase intermedia) abarca el 28% de los estudiantes que están en un nivel intermedio en
programación de aplicaciones de software. Este grupo utiliza herramientas de inteligencia artificial de
pago en un 31% y para realizar sus trabajos académicos en diversas disciplinas con un porcentaje
48.79%, y un 53. 79% de ellos requieren de la IA para desarrollar sus aplicaciones de software. El
clúster 4 (Estudiantes Tecnológicos) comprende el 49% de los estudiantes, siendo notable ya que
representa el mayor porcentaje entre los clústeres, véase el tabla 6 las medias. Los miembros de este
grupo prefieren y se sienten a gusto utilizando IA para aprender sobre el desarrollo de aplicaciones de
software y otros temas. Además, el 65. 5% de los estudiantes de este clúster prefiere emplear la IA en
lugar de la enseñanza tradicional para adquirir conocimientos en diversas áreas.
Tabla 6. estadísticos descriptivos resultado del análisis clúster para los cuatro casos seleccionados en
el acp
Métod
o
Ward
Componente 1 Componente 2 Componente 3 Componente 4 Total
M
ed
ia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
Me
dia
Med
iana
agru
pada
Mí
nim
o
Má
xim
o
¿Qué
porcent
aje
utilizas
IA para
realizar
trabajo
s de
otras
materia
s?
54
.2
9
50.0
0 30 75 34.
38
31.6
7 5 80 48.
79
48.6
4 20 80 26.
88
25.5
0 2 60 36.
17
32.1
1 2 80
¿Qué
porcent
aje
necesit
as de la
IA para
desarro
llar una
aplicac
ión de
softwar
e?
61
.4
3
60.0
0 40 80 8.0
6 2.18 0 30 53.
79
50.0
0 0 90 24.
86
25.6
7 0 70 32.
96
30.0
0 0 90
pág. 3286
¿Una
vez
genera
do la
aplicac
ión de
softwar
e con el
apoyo
de la
IA, que
porcent
aje de
aprendi
zaje
conside
ras
haber
obtenid
o?
76
.4
3
85.0
0 40 95 1.3
8 0.27 0 20 66.
55
68.5
7 20 100 54.
26
54.4
4 0 100 50.
98
53.6
4 0 100
¿Una
vez
genera
do la
aplicac
ión con
el
apoyo
del
docent
e, que
porcent
aje de
aprendi
zaje
conside
ras
haber
obtenid
o?
49
.2
9
55.0
0 0 100 24.
63 3.56 0 80 68.
28
69.0
0 30 100 71.
50
75.0
0 10 100 61.
71
65.9
1 0 100
¿Conoc
es al
menos
una IA
Genera
tiva?
2.
86 2.86 Poc
o
Reg
ular
2.7
5 2.79 Na
da
Mu
cho
3.3
4 3.36 Poc
o
Mu
cho
2.2
0 2.30 -1 Reg
ular
2.6
6 2.69 -1 Mu
cho
¿Una
vez
genera
do la
aplicac
ión de
softwar
e con el
apoyo
de la
IA, que
porcent
aje de
aprendi
zaje
conside
ras
haber
obtenid
o?
76
.4
3
85.0
0 40 95 1.3
8 0.27 0 20 66.
55
68.5
7 20 100 54.
26
54.4
4 0 100 50.
98
53.6
4 0 100
¿Una
vez
genera
do la
aplicac
ión con
el
apoyo
del
docent
e, que
porcent
aje de
aprendi
zaje
conside
ras
haber
obtenid
o?
49
.2
9
55.0
0 0 100 24.
63 3.56 0 80 68.
28
69.0
0 30 100 71.
50
75.0
0 10 100 61.
71
65.9
1 0 100
¿Conoc
es al
menos
una IA
Genera
tiva?
2.
86 2.86 Poc
o
Reg
ular
2.7
5 2.79 Na
da
Mu
cho
3.3
4 3.36 Poc
o
Mu
cho
2.2
0 2.30 -1 Reg
ular
2.6
6 2.69 -1 Mu
cho
pág. 3287
¿Utiliz
as
Herram
ientas
de IA
gratuita
s?
2.
71 2.71 Na
da
Reg
ular
3.0
0 3.00 Poc
o
Mu
cho
3.4
1 3.43 Poc
o
Mu
cho
2.2
6 2.26 Poc
o
Reg
ular
2.7
4 2.69 Na
da
Mu
cho
¿Utiliz
as
Herram
ientas
de IA
de
Paga?
2.
86 2.83 Poc
o
Mu
cho
1.1
3 1.13 Na
da
Reg
ular
1.2
4 1.21 Na
da
Reg
ular
1.0
2 1.02 Na
da
Poc
o
1.2
3 1.16 Na
da
Mu
cho
¿Te has
apoyad
o de
una IA
para
desarro
llar
aplicac
iones
de
softwar
e?
2.
71 2.71 Poc
o
Reg
ular
1.1
9 1.19 Na
da
Poc
o
2.8
3 2.80 Na
da
Mu
cho
2.0
6 2.07 Na
da
Reg
ular
2.1
9 2.15 Na
da
Mu
cho
¿Para
realizar
una
aplicac
ión de
softwar
e,
captura
s el
enunci
ado del
proble
ma a la
IA?
2.
43 2.43 Poc
o
Reg
ular
1.6
3 1.50 Na
da
Reg
ular
3.0
3 3.04 Poc
o
Mu
cho
2.0
0 2.00 Na
da
Reg
ular
2.2
6 2.27 Na
da
Mu
cho
¿Para
realizar
una
aplicac
ión de
softwar
e,
2.
57 2.57 Poc
o
Reg
ular
1.5
0 1.38 Na
da
Reg
ular
3.3
8 3.42 Poc
o
Mu
cho
2.7
6 2.76 Na
da
Mu
cho
2.7
3 2.78 Na
da
Mu
cho
¿Utiliz
as
Herram
ientas
de IA
gratuita
s?
2.
71 2.71 Na
da
Reg
ular
3.0
0 3.00 Poc
o
Mu
cho
3.4
1 3.43 Poc
o
Mu
cho
2.2
6 2.26 Poc
o
Reg
ular
2.7
4 2.69 Na
da
Mu
cho
¿Utiliz
as
Herram
ientas
de IA
de
Paga?
2.
86 2.83 Poc
o
Mu
cho
1.1
3 1.13 Na
da
Reg
ular
1.2
4 1.21 Na
da
Reg
ular
1.0
2 1.02 Na
da
Poc
o
1.2
3 1.16 Na
da
Mu
cho
¿Te has
apoyad
o de
una IA
para
desarro
llar
aplicac
iones
de
softwar
e?
2.
71 2.71 Poc
o
Reg
ular
1.1
9 1.19 Na
da
Poc
o
2.8
3 2.80 Na
da
Mu
cho
2.0
6 2.07 Na
da
Reg
ular
2.1
9 2.15 Na
da
Mu
cho
¿Para
realizar
una
aplicac
ión de
softwar
e,
captura
s el
enunci
ado del
proble
ma a la
IA?
2.
43 2.43 Poc
o
Reg
ular
1.6
3 1.50 Na
da
Reg
ular
3.0
3 3.04 Poc
o
Mu
cho
2.0
0 2.00 Na
da
Reg
ular
2.2
6 2.27 Na
da
Mu
cho
¿Para
realizar
una
aplicac
ión de
softwar
e,
2.
57 2.57 Poc
o
Reg
ular
1.5
0 1.38 Na
da
Reg
ular
3.3
8 3.42 Poc
o
Mu
cho
2.7
6 2.76 Na
da
Mu
cho
2.7
3 2.78 Na
da
Mu
cho
pág. 3288
analiza
s el
enunci
ado del
proble
ma y
estruct
uras el
conjunt
o de
pregunt
as para
la IA?
¿Crees
que las
IA
apoya
más a
la
educaci
ón que
un
docent
e
tradicio
nal?
3.
57 3.57
Reg
ula
r
Mu
cho
2.6
9 2.67 Poc
o
Mu
cho
2.7
9 2.85 Na
da
Mu
cho
2.6
2 2.62 Na
da
Mu
cho
2.7
5 2.75 Na
da
Mu
cho
Nota: los valores de 1 al 4(siendo uno un 25% y siendo 4 un 100%), para ello estos valores los divido
entre 4 y multiplico por 100 para obtener el porcentaje correspondiente.
Fuente: Elaboración propia
DISCUSIÓN
Estudiantes en fase Terminal (cluster 1)
Su perfil de estos estudiantes se caracteriza por un alto dominio en programación, lo que sugiere que
han superado las etapas básicas de la carrera y están en condiciones de aplicar conocimientos complejos.
El desarrollo de software en estudiantes en la fase terminal de la carrera, el estudiante es más autónomo
para realizar programación robusta o compleja para resolver problemáticas reales, según Shah et. al
(2025), enfocaron su estudio en el uso la IA Github Copilot a estudiantes de cursos de un programación
de informática, en donde demostraron una gran dependencia y una mayor confianza en la comprensión
del código, en la verificación de la generación de código por parte de la IA y solicitar mejores
sugerencias. Recomienda mejores prácticas docentes específicas del uso de Github Copilot.
analiza
s el
enunci
ado del
proble
ma y
estruct
uras el
conjunt
o de
pregunt
as para
la IA?
¿Crees
que las
IA
apoya
más a
la
educaci
ón que
un
docent
e
tradicio
nal?
3.
57 3.57
Reg
ula
r
Mu
cho
2.6
9 2.67 Poc
o
Mu
cho
2.7
9 2.85 Na
da
Mu
cho
2.6
2 2.62 Na
da
Mu
cho
2.7
5 2.75 Na
da
Mu
cho
Nota: los valores de 1 al 4(siendo uno un 25% y siendo 4 un 100%), para ello estos valores los divido
entre 4 y multiplico por 100 para obtener el porcentaje correspondiente.
Fuente: Elaboración propia
DISCUSIÓN
Estudiantes en fase Terminal (cluster 1)
Su perfil de estos estudiantes se caracteriza por un alto dominio en programación, lo que sugiere que
han superado las etapas básicas de la carrera y están en condiciones de aplicar conocimientos complejos.
El desarrollo de software en estudiantes en la fase terminal de la carrera, el estudiante es más autónomo
para realizar programación robusta o compleja para resolver problemáticas reales, según Shah et. al
(2025), enfocaron su estudio en el uso la IA Github Copilot a estudiantes de cursos de un programación
de informática, en donde demostraron una gran dependencia y una mayor confianza en la comprensión
del código, en la verificación de la generación de código por parte de la IA y solicitar mejores
sugerencias. Recomienda mejores prácticas docentes específicas del uso de Github Copilot.
pág. 3289
Esta preferencia obedece a los 7 estudiantes asociados al clúster 1 representando el 6%, los cuales se
apoyan de la IA y docente para realizar sus actividades de programación, además tiene más apego a las
herramientas de IA, pero son analítico y deductivo para platear las preguntas estructuradas y adecuadas,
para que tengan las respuestas efectivas por parte de la IA, así como lo describe Sabetto et al. (2023) en
su investigación que las herramientas IA mejoran su rendimiento a los ingenieros de software en la
comprensión de problemas complejos y subdividirlos, de tal forma que les permita analizar el código
generado; el manejo de la Al de estos estudiantes de fase terminal es similar a la aplicación de los
ingenieros de software el uso del ChatGPT como apoyo para desarrollar software (Ge & Wu, 2023).
Como resultado, estos estudiantes logran ser independientes en su proceso de aprendizaje, ya que han
completado diversas asignaturas y han desarrollado habilidades avanzadas en programación de
aplicaciones de software y en el uso de IA para crear aplicaciones de software más complejas o robustas,
en la investigación de Waseem et al. (2024) presentan que las herramientas IA abordan de manera
importante las brechas de habilidades en la formación en desarrollo de software, mejorando la
eficiencia, la precisión y la colaboración.
Estudiante en fase inicial (cluster 2)
Son programadores novatos, lo que implica que están en proceso de adquirir fundamentos técnicos y
metodológicos. A medida que los usos de la IA se van adaptando a los ejecutores de esta tecnología, se
van adquiriendo confianza a resolver problemas robustos, de esta manera las personas van generando
una dependencia. En lo que respecta a las inteligencias artificiales que apoyan a los programadores
novatos, Zviel-Girshin (2024) destacaron en su investigación con estudiantes con habilidades básicas
en programación que, al irse familiarizando con las herramientas de IA, su interés por usarlas de manera
voluntaria aumentaba, así como sus habilidades. Sin embargo, esto también generaba hábitos poco
saludables y un descenso en sus capacidades cognitivas; además, Aamina et al. (2025) basaron su
estudio en la IA Open AI LLM, apoyada en RAG, como un modelo de inteligencia artificial generativa,
lo que les permitió enfocarse en la salud mental de los programadores novatos, disminuyendo el estrés
y favoreciendo un aprendizaje más efectivo. Esta inclinación responde a un grupo de 16 estudiantes en
el clúster 2, quienes están familiarizados con una IA generativa y utilizan herramientas de IA gratuitas
para el desarrollo de software. Esto resultó en que los estudiantes en fases iniciales se comportan como
Esta preferencia obedece a los 7 estudiantes asociados al clúster 1 representando el 6%, los cuales se
apoyan de la IA y docente para realizar sus actividades de programación, además tiene más apego a las
herramientas de IA, pero son analítico y deductivo para platear las preguntas estructuradas y adecuadas,
para que tengan las respuestas efectivas por parte de la IA, así como lo describe Sabetto et al. (2023) en
su investigación que las herramientas IA mejoran su rendimiento a los ingenieros de software en la
comprensión de problemas complejos y subdividirlos, de tal forma que les permita analizar el código
generado; el manejo de la Al de estos estudiantes de fase terminal es similar a la aplicación de los
ingenieros de software el uso del ChatGPT como apoyo para desarrollar software (Ge & Wu, 2023).
Como resultado, estos estudiantes logran ser independientes en su proceso de aprendizaje, ya que han
completado diversas asignaturas y han desarrollado habilidades avanzadas en programación de
aplicaciones de software y en el uso de IA para crear aplicaciones de software más complejas o robustas,
en la investigación de Waseem et al. (2024) presentan que las herramientas IA abordan de manera
importante las brechas de habilidades en la formación en desarrollo de software, mejorando la
eficiencia, la precisión y la colaboración.
Estudiante en fase inicial (cluster 2)
Son programadores novatos, lo que implica que están en proceso de adquirir fundamentos técnicos y
metodológicos. A medida que los usos de la IA se van adaptando a los ejecutores de esta tecnología, se
van adquiriendo confianza a resolver problemas robustos, de esta manera las personas van generando
una dependencia. En lo que respecta a las inteligencias artificiales que apoyan a los programadores
novatos, Zviel-Girshin (2024) destacaron en su investigación con estudiantes con habilidades básicas
en programación que, al irse familiarizando con las herramientas de IA, su interés por usarlas de manera
voluntaria aumentaba, así como sus habilidades. Sin embargo, esto también generaba hábitos poco
saludables y un descenso en sus capacidades cognitivas; además, Aamina et al. (2025) basaron su
estudio en la IA Open AI LLM, apoyada en RAG, como un modelo de inteligencia artificial generativa,
lo que les permitió enfocarse en la salud mental de los programadores novatos, disminuyendo el estrés
y favoreciendo un aprendizaje más efectivo. Esta inclinación responde a un grupo de 16 estudiantes en
el clúster 2, quienes están familiarizados con una IA generativa y utilizan herramientas de IA gratuitas
para el desarrollo de software. Esto resultó en que los estudiantes en fases iniciales se comportan como
pág. 3290
programadores principiantes que hacen un uso intenso de la IA de manera que se le presentan barreras,
desde la capacidad de expresar con palabras su comprensión del problema, el uso de la terminología de
programación, la comprensión del código generado para crear sus aplicaciones de software, de acuerdo
al estudio de Nguyen et al. (2024), lo que les permite ir adquiriendo conocimientos de manera
progresiva con el tiempo.
Estudiantes en fase intermedia (cluster 3)
Se encuentran los estudiantes en una fase intermedia de formación en programación, lo que implica que
ya han superado los fundamentos básicos, pero aún están consolidando habilidades avanzadas. Este
clúster representa una transición entre el aprendizaje guiado y el autónomo, donde la IA actúa como
puente. Sin embargo, se deben considerar riesgos como: Reducción del pensamiento crítico si se usa la
IA como sustituto y no como complemento, Desigualdad de acceso, ya que no todos los estudiantes
pueden pagar herramientas avanzadas y Desafíos éticos, especialmente en la autoría de trabajos
académicos. Las variedades de las IA en el mundo tanto gratuitas como de paga como Dall-E, ChatGPT
y otros servicios basados en IA , han sido una importante herramienta de apoyo en diferentes ámbitos
como en la política, finanzas, proyección de ventas y en la docencia, esta última menciona, siempre hay
discusiones con su aplicación en el aula como docentes defensores de la tecnología y a favor (Kumar,
2023). Esta preferencia obedece a los 29 estudiantes asociados al clúster 3 representando el 28% de
estudiantes del cuarto y séptimo cuatrimestre, prefieren pagar los servicios de IA para resolver tareas
de programación y de otras materias.
Estudiantes tecnológicos (cluster 4)
Este grupo de alumnos indica que el uso de tecnologías emergentes como la IA ya no es marginal, sino
una práctica dominante entre los estudiantes universitarios, esta preferencia sugiere que la IA se percibe
como más accesible, flexible y personalizada que los métodos tradicionales, esto puede deberse a la
inmediatez de respuestas que ofrece la IA, la autonomía que permite al estudiante aprender a su ritmo
y la interactividad que favorece la exploración de ideas sin temor al error. La inteligencia artificial ha
marcado un cambio significativo en la enseñanza, sirviendo como un recurso valioso en el proceso
educativo de estudiantes universitarios autónomos, así como en la labor de los docentes, siempre que
ambas partes actúen con ética y responsabilidad al implementarla (Menacho-Ángeles et al. , 2024).
programadores principiantes que hacen un uso intenso de la IA de manera que se le presentan barreras,
desde la capacidad de expresar con palabras su comprensión del problema, el uso de la terminología de
programación, la comprensión del código generado para crear sus aplicaciones de software, de acuerdo
al estudio de Nguyen et al. (2024), lo que les permite ir adquiriendo conocimientos de manera
progresiva con el tiempo.
Estudiantes en fase intermedia (cluster 3)
Se encuentran los estudiantes en una fase intermedia de formación en programación, lo que implica que
ya han superado los fundamentos básicos, pero aún están consolidando habilidades avanzadas. Este
clúster representa una transición entre el aprendizaje guiado y el autónomo, donde la IA actúa como
puente. Sin embargo, se deben considerar riesgos como: Reducción del pensamiento crítico si se usa la
IA como sustituto y no como complemento, Desigualdad de acceso, ya que no todos los estudiantes
pueden pagar herramientas avanzadas y Desafíos éticos, especialmente en la autoría de trabajos
académicos. Las variedades de las IA en el mundo tanto gratuitas como de paga como Dall-E, ChatGPT
y otros servicios basados en IA , han sido una importante herramienta de apoyo en diferentes ámbitos
como en la política, finanzas, proyección de ventas y en la docencia, esta última menciona, siempre hay
discusiones con su aplicación en el aula como docentes defensores de la tecnología y a favor (Kumar,
2023). Esta preferencia obedece a los 29 estudiantes asociados al clúster 3 representando el 28% de
estudiantes del cuarto y séptimo cuatrimestre, prefieren pagar los servicios de IA para resolver tareas
de programación y de otras materias.
Estudiantes tecnológicos (cluster 4)
Este grupo de alumnos indica que el uso de tecnologías emergentes como la IA ya no es marginal, sino
una práctica dominante entre los estudiantes universitarios, esta preferencia sugiere que la IA se percibe
como más accesible, flexible y personalizada que los métodos tradicionales, esto puede deberse a la
inmediatez de respuestas que ofrece la IA, la autonomía que permite al estudiante aprender a su ritmo
y la interactividad que favorece la exploración de ideas sin temor al error. La inteligencia artificial ha
marcado un cambio significativo en la enseñanza, sirviendo como un recurso valioso en el proceso
educativo de estudiantes universitarios autónomos, así como en la labor de los docentes, siempre que
ambas partes actúen con ética y responsabilidad al implementarla (Menacho-Ángeles et al. , 2024).
pág. 3291
Además, una de las herramientas más comunes es ChatGPT. De acuerdo con Vicente-Yagüe-Jara et al.
(2023) se utiliza de manera innovadora con estudiantes que juegan videojuegos, aprovechando la IA
ChatGPT para facilitar el aprendizaje. Otro estudio (Heeg & Avraamidou, 2023): las aplicaciones IA
reflejan limitaciones: de aprendizaje, de análisis crítico y docencia, aquí los estudiantes tienen un
enfoque positivo de la IA en el proceso de enseñanza-aprendizaje. Esta preferencia obedece a los 50
estudiantes asociados al clúster 4, representando el 49% de estudiantes de primero y cuarto cuatrimestre
que prefieren el uso de IA sobre un docente tradicional. Como resultado de este clúster, los estudiantes,
motivados por la prisa, la falta de tiempo y la dificultad para entender los lenguajes de programación y
otras disciplinas, optan por utilizar herramientas de inteligencia artificial, lo que a menudo compromete
su aprendizaje cognitivo, así como lo determina en su investigación Rojas-Galeano et al. (2025), tanta
dependencia de las herramientas IA en la programación de software, que por sí solos tiene dificultades
para resolver soluciones de programación.
CONCLUSIONES
En resumen, este análisis proporcionó una visión clara sobre el empleo de la inteligencia artificial en la
creación de software por parte de los alumnos de la carrera de Ingeniería en Tecnologías de la
Información e Innovación Digital de la Universidad Tecnológica del Sur del Estado de México, se
identificaron cuatro perfiles de estudiantes mediante análisis de componentes principales y clúster:
“Estudiantes de fase terminal” (7%) combinan el uso de IA con el apoyo docente, mostrando un enfoque
estructurado y reflexivo, “Estudiantes de fase inicial” (16%) utilizan herramientas gratuitas y aplican
IA con enunciados simples, sin necesidad de conocimientos avanzados,” Estudiantes de fase
intermedia”(28%) invierten en herramientas de IA de pago para mejorar su rendimiento en múltiples
materias, y “Estudiantes tecnológicos”(49%) muestran una clara preferencia por la IA sobre métodos
tradicionales, destacando su autonomía y afinidad tecnológica. De esta manera, el análisis multivariante
mostró una adecuada fiabilidad (alfa de Cronbach = 0.794) y pertinencia (KMO = 0.758), confirmando
la solidez metodológica. Y los cuatro componentes principales explican el 71.038% de la varianza total,
lo que indica una buena representación de los patrones de uso de IA entre los estudiantes.
Este grupo 4 “Estudiantes tecnológicos”, la IA se ha convertido en un recurso clave para el desarrollo
de aplicaciones de software y, a medida que avanzan en sus estudios, van adquiriendo un conocimiento
Además, una de las herramientas más comunes es ChatGPT. De acuerdo con Vicente-Yagüe-Jara et al.
(2023) se utiliza de manera innovadora con estudiantes que juegan videojuegos, aprovechando la IA
ChatGPT para facilitar el aprendizaje. Otro estudio (Heeg & Avraamidou, 2023): las aplicaciones IA
reflejan limitaciones: de aprendizaje, de análisis crítico y docencia, aquí los estudiantes tienen un
enfoque positivo de la IA en el proceso de enseñanza-aprendizaje. Esta preferencia obedece a los 50
estudiantes asociados al clúster 4, representando el 49% de estudiantes de primero y cuarto cuatrimestre
que prefieren el uso de IA sobre un docente tradicional. Como resultado de este clúster, los estudiantes,
motivados por la prisa, la falta de tiempo y la dificultad para entender los lenguajes de programación y
otras disciplinas, optan por utilizar herramientas de inteligencia artificial, lo que a menudo compromete
su aprendizaje cognitivo, así como lo determina en su investigación Rojas-Galeano et al. (2025), tanta
dependencia de las herramientas IA en la programación de software, que por sí solos tiene dificultades
para resolver soluciones de programación.
CONCLUSIONES
En resumen, este análisis proporcionó una visión clara sobre el empleo de la inteligencia artificial en la
creación de software por parte de los alumnos de la carrera de Ingeniería en Tecnologías de la
Información e Innovación Digital de la Universidad Tecnológica del Sur del Estado de México, se
identificaron cuatro perfiles de estudiantes mediante análisis de componentes principales y clúster:
“Estudiantes de fase terminal” (7%) combinan el uso de IA con el apoyo docente, mostrando un enfoque
estructurado y reflexivo, “Estudiantes de fase inicial” (16%) utilizan herramientas gratuitas y aplican
IA con enunciados simples, sin necesidad de conocimientos avanzados,” Estudiantes de fase
intermedia”(28%) invierten en herramientas de IA de pago para mejorar su rendimiento en múltiples
materias, y “Estudiantes tecnológicos”(49%) muestran una clara preferencia por la IA sobre métodos
tradicionales, destacando su autonomía y afinidad tecnológica. De esta manera, el análisis multivariante
mostró una adecuada fiabilidad (alfa de Cronbach = 0.794) y pertinencia (KMO = 0.758), confirmando
la solidez metodológica. Y los cuatro componentes principales explican el 71.038% de la varianza total,
lo que indica una buena representación de los patrones de uso de IA entre los estudiantes.
Este grupo 4 “Estudiantes tecnológicos”, la IA se ha convertido en un recurso clave para el desarrollo
de aplicaciones de software y, a medida que avanzan en sus estudios, van adquiriendo un conocimiento
pág. 3292
más profundo sobre la IA y desarrollando mejores estrategias para abordar desafíos más complejos. En
conclusión, la inteligencia artificial ha emergido como un competidor significativo frente al docente
tradicional entre los estudiantes de la carrera de Ingeniería en Tecnologías de la Información e
Innovación Digital de la Universidad Tecnológica del Sur del Estado de México, propiciando su
progreso de un cuatrimestre a otro. Se ha establecido que la inteligencia artificial actúa como un puente
en su formación académica, ofreciendo una alternativa adicional para continuar sus estudios. Debemos
Tomar en cuenta, que el uso exclusivo de IA puede limitar la comprensión profunda y la capacidad de
resolución de problemas si no se acompaña de una guía pedagógica, además la IA debe integrarse de
forma ética y responsable en el proceso educativo, con el docente como guía.
LISTA DE REFERENCIAS
Aamina, M., Kavishcan, V., J. W., Kannangara, K., Aami, A., & Adikari, A. (2025). A Self-Paced
Generative AI Chatbot Approach for Programming Skills Training. ArXiv.
https://arxiv.org/html/2503.16486v1
Boubker, O. (2024). From chatting to self-educating: Can AI tools boost student learning outcomes?,
Expert Systems with Applications, 238, 121820. https://doi.org/10.1016/j.eswa.2023.121820
Bula, R. B., & Bonilla, A. C. (2024). Inteligencia artificial (IA) en las escuelas: una revisión sistemática
(2019-2023). Enunciación, 29(1), 62-82. https://doi.org/10.14483/22486798.22039
Castro, H. L., Carvajal, E. Y., & Ávila, D. Á. (2012). Análisis Clúster como Técnica de Análisis
Exploratorio de Registros Múltiples en Datos Meteorológicos. Ingeniería de Recursos Naturales
y del Ambiente, 11-20. https://www.redalyc.org/pdf/2311/231125817001.pdf
De la Rosa Flores, C. C., Parada, A. I. O., Ramos, C. C., & Martínez, V. B. (2020). Estadística
multivariada aplicada a la clasificación de empresas que cotizan en la Bolsa Mexicana de Valores.
Revista Mexicana de Economía y Finanzas, 16(1), 1-23.
https://doi.org/10.21919/remef.v16i1.452
Delgado de Frutos, N., Campo-Carrasco, L., Sainz de la Maza, M., & Extabe-Urbieta, J. (2024).
Aplicación de la Inteligencia Artificial (IA) en Educación: Los beneficios y limitaciones de la IA
percibidos por el profesorado de educación primaria, educación secundaria y educación superior.
Revista Electrónica Interuniversitaria de Formación, 207-224.
más profundo sobre la IA y desarrollando mejores estrategias para abordar desafíos más complejos. En
conclusión, la inteligencia artificial ha emergido como un competidor significativo frente al docente
tradicional entre los estudiantes de la carrera de Ingeniería en Tecnologías de la Información e
Innovación Digital de la Universidad Tecnológica del Sur del Estado de México, propiciando su
progreso de un cuatrimestre a otro. Se ha establecido que la inteligencia artificial actúa como un puente
en su formación académica, ofreciendo una alternativa adicional para continuar sus estudios. Debemos
Tomar en cuenta, que el uso exclusivo de IA puede limitar la comprensión profunda y la capacidad de
resolución de problemas si no se acompaña de una guía pedagógica, además la IA debe integrarse de
forma ética y responsable en el proceso educativo, con el docente como guía.
LISTA DE REFERENCIAS
Aamina, M., Kavishcan, V., J. W., Kannangara, K., Aami, A., & Adikari, A. (2025). A Self-Paced
Generative AI Chatbot Approach for Programming Skills Training. ArXiv.
https://arxiv.org/html/2503.16486v1
Boubker, O. (2024). From chatting to self-educating: Can AI tools boost student learning outcomes?,
Expert Systems with Applications, 238, 121820. https://doi.org/10.1016/j.eswa.2023.121820
Bula, R. B., & Bonilla, A. C. (2024). Inteligencia artificial (IA) en las escuelas: una revisión sistemática
(2019-2023). Enunciación, 29(1), 62-82. https://doi.org/10.14483/22486798.22039
Castro, H. L., Carvajal, E. Y., & Ávila, D. Á. (2012). Análisis Clúster como Técnica de Análisis
Exploratorio de Registros Múltiples en Datos Meteorológicos. Ingeniería de Recursos Naturales
y del Ambiente, 11-20. https://www.redalyc.org/pdf/2311/231125817001.pdf
De la Rosa Flores, C. C., Parada, A. I. O., Ramos, C. C., & Martínez, V. B. (2020). Estadística
multivariada aplicada a la clasificación de empresas que cotizan en la Bolsa Mexicana de Valores.
Revista Mexicana de Economía y Finanzas, 16(1), 1-23.
https://doi.org/10.21919/remef.v16i1.452
Delgado de Frutos, N., Campo-Carrasco, L., Sainz de la Maza, M., & Extabe-Urbieta, J. (2024).
Aplicación de la Inteligencia Artificial (IA) en Educación: Los beneficios y limitaciones de la IA
percibidos por el profesorado de educación primaria, educación secundaria y educación superior.
Revista Electrónica Interuniversitaria de Formación, 207-224.
pág. 3293
https://doi.org/10.6018/reifop.577211
Fallas, M. J., & Chavarría, M. J. (2011). Implementación del Análisis en Componentes Principales con
el software estadístico R. Revista Digital: Matemática, Educación e Internet, 1-15.
https://www.redalyc.org/comocitar.oa?id=607972978003
García-García, J. A., Reding-Bernal, A., & López-Alvarenga, J. C. (2013). Cálculo del tamaño de la
muestra en investigación en educación médica. Investigación en Educación Médica, 217-224.
10.1016/S2007-5057(13)72715-7
Ge, H., & Wu, Y. (2023). An Empirical Study of Adoption of ChatGPT for Bug Fixing among
Professional Developers. Innovation & Technology Advances, 1(1), 21-29.
https://doi.org/10.61187/ita.v1i1.19
Heeg, D. M., & Avraamidou, L. (2023). The use of Artificial intelligence in school science: a systematic
literature review. Educational Media International, 60(2), 125-150.
https://doi.org/10.1080/09523987.2023.2264990
Kazemitabaar, M., Chow, J., Ma, C. K. T., Ericson, B. J., Weintrop, D., & Grossman, T. (2023).
Studying the effect of AI Code Generators on Supporting Novice Learners in Introductory
Programming. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2302.07427
Kumar, R. (2023). Faculty members’ use of artificial intelligence to grade student papers: a case of
implications. International Journal for Educational Integrity, 19, 9,
https://doi.org/10.1007/s40979-023-00130-7
Menacho-Ángeles, M. R., Pizarro-Arancibia, L. M., Osorio-Menacho, J. A., Osorio-Menacho, J. A., &
León-Pizarro, B. L. (2024). Inteligencia artificial como herramienta en el aprendizaje autónomo
de los estudiantes de educación superior. Revista InveCom. 1-9,
https://doi.org/10.5281/zenodo.10693945
Nguyen, S., Babe, H. M., Zi, Y., Guha, A., Anderson, C. J., & Feldman, M. Q. (2024). How Beginning
Programmers and Code LLMs (Mis)read Each Other. Revista InveCom, 1-26.
https://doi.org/10.1145/3613904.3642706
Norman Acevedo, E. (2023). La inteligencia artificial en la educación: una herramienta valiosa para los
tutores virtuales universitarios y profesores universitarios. Panorama, Redalic.1-10.
https://doi.org/10.6018/reifop.577211
Fallas, M. J., & Chavarría, M. J. (2011). Implementación del Análisis en Componentes Principales con
el software estadístico R. Revista Digital: Matemática, Educación e Internet, 1-15.
https://www.redalyc.org/comocitar.oa?id=607972978003
García-García, J. A., Reding-Bernal, A., & López-Alvarenga, J. C. (2013). Cálculo del tamaño de la
muestra en investigación en educación médica. Investigación en Educación Médica, 217-224.
10.1016/S2007-5057(13)72715-7
Ge, H., & Wu, Y. (2023). An Empirical Study of Adoption of ChatGPT for Bug Fixing among
Professional Developers. Innovation & Technology Advances, 1(1), 21-29.
https://doi.org/10.61187/ita.v1i1.19
Heeg, D. M., & Avraamidou, L. (2023). The use of Artificial intelligence in school science: a systematic
literature review. Educational Media International, 60(2), 125-150.
https://doi.org/10.1080/09523987.2023.2264990
Kazemitabaar, M., Chow, J., Ma, C. K. T., Ericson, B. J., Weintrop, D., & Grossman, T. (2023).
Studying the effect of AI Code Generators on Supporting Novice Learners in Introductory
Programming. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2302.07427
Kumar, R. (2023). Faculty members’ use of artificial intelligence to grade student papers: a case of
implications. International Journal for Educational Integrity, 19, 9,
https://doi.org/10.1007/s40979-023-00130-7
Menacho-Ángeles, M. R., Pizarro-Arancibia, L. M., Osorio-Menacho, J. A., Osorio-Menacho, J. A., &
León-Pizarro, B. L. (2024). Inteligencia artificial como herramienta en el aprendizaje autónomo
de los estudiantes de educación superior. Revista InveCom. 1-9,
https://doi.org/10.5281/zenodo.10693945
Nguyen, S., Babe, H. M., Zi, Y., Guha, A., Anderson, C. J., & Feldman, M. Q. (2024). How Beginning
Programmers and Code LLMs (Mis)read Each Other. Revista InveCom, 1-26.
https://doi.org/10.1145/3613904.3642706
Norman Acevedo, E. (2023). La inteligencia artificial en la educación: una herramienta valiosa para los
tutores virtuales universitarios y profesores universitarios. Panorama, Redalic.1-10.
pág. 3294
https://doi.org/10.15765/pnrm.v17i32.3681
Núñez, L., Cáceres, A., & Rodríguez, D. (2007). Análisis Varimax De Factores Que Influyen En La
Existencia De Los Niños De La Calle Según La Opinión Pública. Saber. Revista
Multidisciplinaria del Consejo de Investigación de la Universidad de, 240-246.
https://www.redalyc.org/pdf/4277/427739433015.pdf
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer
Productivity: Evidence from GitHub Copilot. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.2302.06590
Quero-Virla, M. (2010). Confiabilidad y coeficiente Alpha de Cronbach. Telos, 248-252.
https://www.redalyc.org/pdf/993/99315569010.pdf
Hernández, P. R., Coronado, E. J. D., & Posadas-Domínguez, R. R. (2024). Caracterización económica
del gasto y consumo de alumnos universitarios Caso de estudio: Centro Universitario UAEM
Temascaltepec. Espacios Públicos, 25(62), 93.
https://doi.org/10.36677/espaciospublicos.v25i62.21850
Rojas-Galeano, S., Tejada, J., & Marmolejo-Ramos, F. (2025). Between Tool and Trouble: Student
Attitudes Toward AI in Programming Education. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.2508.05999
Sabetto, R., Kandwal, S., & Devesh, A. (2023). Software Engineering With Generative Artificial
Intelligence Tools . MITRE, 1-5. https://www.mitre.org/sites/default/files/2024-01/PR-23-3832-
Software-Engineering-With-Generative-Artificial-Intelligence-Tools.pdf
Sánchez y Sánchez, C. L., & Hernández Olvera, K. (2024). La encuesta como técnica de investigación
en la Ciencia Política. Revista Mexicana De Opinión Pública, (37).
https://doi.org/10.22201/fcpys.24484911e.2024.37.88492
Santana, O. F. (1991). El Análisis de Cluster: aplicación, interpretación y validación. Papers Revista de
Sociologia, 37, 65. https://doi.org/10.5565/rev/papers/v37n0.1596
Sarmiento, A. (08 de 08 de 2025). Mobile Time. Obtenido de Mobile Time:
https://mobiletime.la/noticias/08/08/2025/adopcion-de-ia-en-mexico/?utm_source=chatgpt.com
Shah, A., Chernova, A., Tomson, E., Porter, L., Griswold, W. G., & Raj, A. G. S. (2025). Students’ Use
https://doi.org/10.15765/pnrm.v17i32.3681
Núñez, L., Cáceres, A., & Rodríguez, D. (2007). Análisis Varimax De Factores Que Influyen En La
Existencia De Los Niños De La Calle Según La Opinión Pública. Saber. Revista
Multidisciplinaria del Consejo de Investigación de la Universidad de, 240-246.
https://www.redalyc.org/pdf/4277/427739433015.pdf
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer
Productivity: Evidence from GitHub Copilot. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.2302.06590
Quero-Virla, M. (2010). Confiabilidad y coeficiente Alpha de Cronbach. Telos, 248-252.
https://www.redalyc.org/pdf/993/99315569010.pdf
Hernández, P. R., Coronado, E. J. D., & Posadas-Domínguez, R. R. (2024). Caracterización económica
del gasto y consumo de alumnos universitarios Caso de estudio: Centro Universitario UAEM
Temascaltepec. Espacios Públicos, 25(62), 93.
https://doi.org/10.36677/espaciospublicos.v25i62.21850
Rojas-Galeano, S., Tejada, J., & Marmolejo-Ramos, F. (2025). Between Tool and Trouble: Student
Attitudes Toward AI in Programming Education. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.2508.05999
Sabetto, R., Kandwal, S., & Devesh, A. (2023). Software Engineering With Generative Artificial
Intelligence Tools . MITRE, 1-5. https://www.mitre.org/sites/default/files/2024-01/PR-23-3832-
Software-Engineering-With-Generative-Artificial-Intelligence-Tools.pdf
Sánchez y Sánchez, C. L., & Hernández Olvera, K. (2024). La encuesta como técnica de investigación
en la Ciencia Política. Revista Mexicana De Opinión Pública, (37).
https://doi.org/10.22201/fcpys.24484911e.2024.37.88492
Santana, O. F. (1991). El Análisis de Cluster: aplicación, interpretación y validación. Papers Revista de
Sociologia, 37, 65. https://doi.org/10.5565/rev/papers/v37n0.1596
Sarmiento, A. (08 de 08 de 2025). Mobile Time. Obtenido de Mobile Time:
https://mobiletime.la/noticias/08/08/2025/adopcion-de-ia-en-mexico/?utm_source=chatgpt.com
Shah, A., Chernova, A., Tomson, E., Porter, L., Griswold, W. G., & Raj, A. G. S. (2025). Students’ Use
pág. 3295
of GitHub Copilot for Working with Large Code Bases. Association For Computing Machinery,
1050-1056. https://doi.org/10.1145/3641554.3701800
Shihab, M. I., Hundhausen, C., Tariq, A., Haque, S., Qiao, Y., & Mulanda, B. W. (2025). The Effects
of GitHub Copilot on Computing Students’ Programming Effectiveness, Efficiency, and
Processes in Brownfield Coding Tasks. ArXiv, 407–420.
https://doi.org/10.48550/arXiv.2506.10051
TrendTIC. (22 de 04 de 2025). TrendTIC. Obtenido de TrendTIC: https://www.trendtic.cl/2025/04/se-
acelera-la-adopcion-de-ia-en-latinoamerica-mas-de-86-de-las-empresas-ya-han-implementado-
ia-generativa-para-mejorar-sus-negocios/?utm_source=chatgpt.com
Vera, F. (2023). Integración de la Inteligencia Artificial en laEducación superior: Desafíos y
oportunidades. Revista Electronica Transformar, 17-34. https://orcid.org/0000-0002-4326-1660
Vicente-Yagüe-Jara, M., López-Martínez, O., Navarro-Navarro, V., & Cuéllar-Santiago, F. (2023).
Escritura, creatividad e inteligencia artificial. ChatGPT en el contexto universitario. Comunicar:
Revista Científica de Comunicación y Educación,47-57. https://doi.org/10.3916/C77-2023-04
Waseem, M., Das, T., Ahmad, A., Fehmideh, M., Liang, P., & Mikkonen, T. (2023). ChatGPT as a
Software Development Bot: A Project-based Study. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.2310.13648
Zhang, B., Liang, P., Zhou, X., Ahmad, A., & Waseem, M. (2023). Practices and Challenges of Using
GitHub Copilot: An Empirical Study. ArXiv, 124–129.
https://doi.org/10.48550/arXiv.2303.08733
Zviel-Girshin, R. (2024). The Good and Bad of AI Tools in Novice Programming Education. Education
Sciences, 14(10), 1089. https://doi.org/10.3390/educsci14101089
of GitHub Copilot for Working with Large Code Bases. Association For Computing Machinery,
1050-1056. https://doi.org/10.1145/3641554.3701800
Shihab, M. I., Hundhausen, C., Tariq, A., Haque, S., Qiao, Y., & Mulanda, B. W. (2025). The Effects
of GitHub Copilot on Computing Students’ Programming Effectiveness, Efficiency, and
Processes in Brownfield Coding Tasks. ArXiv, 407–420.
https://doi.org/10.48550/arXiv.2506.10051
TrendTIC. (22 de 04 de 2025). TrendTIC. Obtenido de TrendTIC: https://www.trendtic.cl/2025/04/se-
acelera-la-adopcion-de-ia-en-latinoamerica-mas-de-86-de-las-empresas-ya-han-implementado-
ia-generativa-para-mejorar-sus-negocios/?utm_source=chatgpt.com
Vera, F. (2023). Integración de la Inteligencia Artificial en laEducación superior: Desafíos y
oportunidades. Revista Electronica Transformar, 17-34. https://orcid.org/0000-0002-4326-1660
Vicente-Yagüe-Jara, M., López-Martínez, O., Navarro-Navarro, V., & Cuéllar-Santiago, F. (2023).
Escritura, creatividad e inteligencia artificial. ChatGPT en el contexto universitario. Comunicar:
Revista Científica de Comunicación y Educación,47-57. https://doi.org/10.3916/C77-2023-04
Waseem, M., Das, T., Ahmad, A., Fehmideh, M., Liang, P., & Mikkonen, T. (2023). ChatGPT as a
Software Development Bot: A Project-based Study. arXiv (Cornell University).
https://doi.org/10.48550/arxiv.2310.13648
Zhang, B., Liang, P., Zhou, X., Ahmad, A., & Waseem, M. (2023). Practices and Challenges of Using
GitHub Copilot: An Empirical Study. ArXiv, 124–129.
https://doi.org/10.48550/arXiv.2303.08733
Zviel-Girshin, R. (2024). The Good and Bad of AI Tools in Novice Programming Education. Education
Sciences, 14(10), 1089. https://doi.org/10.3390/educsci14101089