pág. 1323
INTELIGENCIA ARTIFICIAL GENERATIVA,
AUTORREGULACIÓN Y RENDIMIENTO
ACADÉMICO EN UNIVERSITARIOS DE
NUEVO LEÓN
GENERATIVE ARTIFICIAL INTELLIGENCE, SELF-
REGULATION, AND ACADEMIC PERFORMANCE AMONG
UNIVERSITY STUDENTS IN NUEVO LEÓN
Mauricio Torres Torres
Universidad Autónoma de Nuevo León
Hector Perfecto Molina Reyna
Universidad Autónoma de Nuevo León
Alma Sonia González Salinas
Universidad Autónoma de Nuevo León
Alma Sonia González Salinas
Universidad Autónoma de Nuevo León
pág. 1324
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25150
Inteligencia artificial generativa, autorregulación y rendimiento académico
en universitarios de Nuevo León
Mauricio Torres Torres1
mauricio.torrestrr@uanl.edu.mx
https://orcid.org/0009-0001-3121-8489
Universidad Autónoma de Nuevo León
México
Hector Perfecto Molina Reyna
hector.molinary@uanl.edu.mx
https://orcid.org/0000-0002-3636-8216
Universidad Autónoma de Nuevo León
México
Alma Sonia González Salinas
alma.gonzalezsln@uanl.edu.mx
https://orcid.org/0009-0004-0492-9834
Universidad Autónoma de Nuevo León
México
Eli Samuel Gonzalez Trejo
eli.gonzaleztrj@uanl.edu.mx
https://orcid.org/0000-0002-6016-132X
Universidad Autónoma de Nuevo León
México
Carolina Solis Peña
carolina.solispa@uanl.edu.mx
https://orcid.org/0000-0002-0918-1034
Universidad Autónoma de Nuevo León
México
RESUMEN
Este estudio analizó la relación entre el uso de herramientas de inteligencia artificial generativa, la
autorregulación del aprendizaje y el rendimiento académico en estudiantes universitarios de Nuevo
León, México. Se realizó una investigación cuantitativa, descriptivo-correlacional y de corte transversal
con una muestra de 452 estudiantes de distintas instituciones de educación superior, seleccionados
mediante muestreo no probabilístico por conveniencia. La información se recolectó mediante un
cuestionario estructurado con escalas sobre uso de inteligencia artificial generativa, autorregulación del
aprendizaje y rendimiento académico percibido. Los resultados mostraron un nivel medio de uso de
inteligencia artificial generativa (M = 3.05; DE = 0.73) y niveles altos de autorregulación del aprendizaje
(M = 3.96; DE = 0.74) y rendimiento académico percibido (M = 3.95; DE = 0.69). Se encontró una
relación positiva y significativa entre el uso de inteligencia artificial generativa y el rendimiento
académico percibido (r = .184; p < .001), pero no con la autorregulación del aprendizaje ni con el
promedio académico reportado actual. En contraste, la autorregulación se relacionó significativamente
con el rendimiento percibido y con el promedio académico. Se concluye que la inteligencia artificial
generativa funciona principalmente como apoyo académico percibido, mientras la autorregulación sigue
siendo central en el desempeño universitario.
Palabras clave: inteligencia artificial generativa; autorregulación del aprendizaje; rendimiento
académico; estudiantes universitarios; educación superior.
1 Autor principal.
Correspondencia: hector.molinary@uanl.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25150
Inteligencia artificial generativa, autorregulación y rendimiento académico
en universitarios de Nuevo León
Mauricio Torres Torres1
mauricio.torrestrr@uanl.edu.mx
https://orcid.org/0009-0001-3121-8489
Universidad Autónoma de Nuevo León
México
Hector Perfecto Molina Reyna
hector.molinary@uanl.edu.mx
https://orcid.org/0000-0002-3636-8216
Universidad Autónoma de Nuevo León
México
Alma Sonia González Salinas
alma.gonzalezsln@uanl.edu.mx
https://orcid.org/0009-0004-0492-9834
Universidad Autónoma de Nuevo León
México
Eli Samuel Gonzalez Trejo
eli.gonzaleztrj@uanl.edu.mx
https://orcid.org/0000-0002-6016-132X
Universidad Autónoma de Nuevo León
México
Carolina Solis Peña
carolina.solispa@uanl.edu.mx
https://orcid.org/0000-0002-0918-1034
Universidad Autónoma de Nuevo León
México
RESUMEN
Este estudio analizó la relación entre el uso de herramientas de inteligencia artificial generativa, la
autorregulación del aprendizaje y el rendimiento académico en estudiantes universitarios de Nuevo
León, México. Se realizó una investigación cuantitativa, descriptivo-correlacional y de corte transversal
con una muestra de 452 estudiantes de distintas instituciones de educación superior, seleccionados
mediante muestreo no probabilístico por conveniencia. La información se recolectó mediante un
cuestionario estructurado con escalas sobre uso de inteligencia artificial generativa, autorregulación del
aprendizaje y rendimiento académico percibido. Los resultados mostraron un nivel medio de uso de
inteligencia artificial generativa (M = 3.05; DE = 0.73) y niveles altos de autorregulación del aprendizaje
(M = 3.96; DE = 0.74) y rendimiento académico percibido (M = 3.95; DE = 0.69). Se encontró una
relación positiva y significativa entre el uso de inteligencia artificial generativa y el rendimiento
académico percibido (r = .184; p < .001), pero no con la autorregulación del aprendizaje ni con el
promedio académico reportado actual. En contraste, la autorregulación se relacionó significativamente
con el rendimiento percibido y con el promedio académico. Se concluye que la inteligencia artificial
generativa funciona principalmente como apoyo académico percibido, mientras la autorregulación sigue
siendo central en el desempeño universitario.
Palabras clave: inteligencia artificial generativa; autorregulación del aprendizaje; rendimiento
académico; estudiantes universitarios; educación superior.
1 Autor principal.
Correspondencia: hector.molinary@uanl.edu.mx
pág. 1325
Generative artificial intelligence, self-regulation, and academic performance
among university students in Nuevo León
ABSTRACT
This study analyzed the relationship between the use of generative artificial intelligence tools, self-
regulated learning, and academic performance among university students in Nuevo León, Mexico. A
quantitative, descriptive-correlational, and non-experimental cross-sectional design was employed. The
sample consisted of 452 students from different higher education institutions in the state, selected
through non-probabilistic convenience sampling. Data were collected using a structured questionnaire
including scales on the use of generative artificial intelligence, self-regulated learning, and perceived
academic performance. The results showed a moderate level of generative artificial intelligence use (M
= 3.05; SD = 0.73), as well as high levels of self-regulated learning (M = 3.96; SD = 0.74) and perceived
academic performance (M = 3.95; SD = 0.69). A positive and significant relationship was identified
between the use of generative artificial intelligence and perceived academic performance (r = .184; p <
.001), but not with self-regulated learning or reported grade average. It is concluded that generative
artificial intelligence is more closely associated with perceptions of academic support, while self-
regulated learning continues to play a central role in university performance.
Keywords: generative artificial intelligence; self-regulated learning; academic performance; university
students; higher education.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
Generative artificial intelligence, self-regulation, and academic performance
among university students in Nuevo León
ABSTRACT
This study analyzed the relationship between the use of generative artificial intelligence tools, self-
regulated learning, and academic performance among university students in Nuevo León, Mexico. A
quantitative, descriptive-correlational, and non-experimental cross-sectional design was employed. The
sample consisted of 452 students from different higher education institutions in the state, selected
through non-probabilistic convenience sampling. Data were collected using a structured questionnaire
including scales on the use of generative artificial intelligence, self-regulated learning, and perceived
academic performance. The results showed a moderate level of generative artificial intelligence use (M
= 3.05; SD = 0.73), as well as high levels of self-regulated learning (M = 3.96; SD = 0.74) and perceived
academic performance (M = 3.95; SD = 0.69). A positive and significant relationship was identified
between the use of generative artificial intelligence and perceived academic performance (r = .184; p <
.001), but not with self-regulated learning or reported grade average. It is concluded that generative
artificial intelligence is more closely associated with perceptions of academic support, while self-
regulated learning continues to play a central role in university performance.
Keywords: generative artificial intelligence; self-regulated learning; academic performance; university
students; higher education.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 1326
INTRODUCCIÓN
La incorporación de herramientas de inteligencia artificial generativa en la educación superior ha
modificado de manera significativa las formas en que los estudiantes acceden a la información,
desarrollan tareas académicas, organizan ideas y producen textos. Herramientas como ChatGPT,
Gemini, Copilot y otras plataformas similares han comenzado a formar parte de la dinámica cotidiana
de estudio, particularmente por su facilidad de acceso, rapidez de respuesta y versatilidad para distintas
actividades académicas. La literatura reciente muestra que este campo ha crecido de forma acelerada
desde 2022 y que la investigación sobre su uso en educación superior se ha expandido de manera
sostenida en distintos contextos y disciplinas (Belkina et al., 2025; Dai et al., 2026).
En este contexto, el uso de inteligencia artificial generativa ha generado un debate relevante en el ámbito
educativo. Por un lado, se reconoce su potencial para apoyar la comprensión de contenidos, estimular la
generación de ideas, ofrecer retroalimentación inmediata y favorecer procesos de aprendizaje más
personalizados. Por otro, también existen preocupaciones sobre el riesgo de dependencia tecnológica, la
disminución del esfuerzo cognitivo y la posible afectación de habilidades como la reflexión, el análisis
crítico y la producción autónoma del conocimiento. La evidencia de síntesis disponible sugiere efectos
positivos en diversos resultados de aprendizaje, aunque también advierte una alta variabilidad según
contexto, tipo de uso y condiciones pedagógicas de implementación (Han et al., 2025). De manera
complementaria, los estudios sobre gobernanza educativa de la IA subrayan la necesidad de
lineamientos institucionales claros, formación ética y criterios de uso responsable para evitar prácticas
indebidas o dependencias no deseadas (Barus et al., 2025).
Una de las variables más importantes para comprender este fenómeno es la autorregulación del
aprendizaje, entendida como la capacidad del estudiante para planificar, supervisar y evaluar su propio
proceso formativo. Esta competencia resulta fundamental en la educación superior, ya que permite
organizar el estudio, ajustar estrategias, gestionar el tiempo y mantener una participación activa en el
aprendizaje. Desde la perspectiva de Zimmerman (2002), la autorregulación supone que el estudiante
participe activamente en su aprendizaje mediante metas, estrategias y procesos de autoobservación. En
el contexto universitario, además, se ha destacado que la autorregulación constituye un componente
clave para explicar diferencias en desempeño y adaptación académica (Cassidy, 2011). En ese sentido,
INTRODUCCIÓN
La incorporación de herramientas de inteligencia artificial generativa en la educación superior ha
modificado de manera significativa las formas en que los estudiantes acceden a la información,
desarrollan tareas académicas, organizan ideas y producen textos. Herramientas como ChatGPT,
Gemini, Copilot y otras plataformas similares han comenzado a formar parte de la dinámica cotidiana
de estudio, particularmente por su facilidad de acceso, rapidez de respuesta y versatilidad para distintas
actividades académicas. La literatura reciente muestra que este campo ha crecido de forma acelerada
desde 2022 y que la investigación sobre su uso en educación superior se ha expandido de manera
sostenida en distintos contextos y disciplinas (Belkina et al., 2025; Dai et al., 2026).
En este contexto, el uso de inteligencia artificial generativa ha generado un debate relevante en el ámbito
educativo. Por un lado, se reconoce su potencial para apoyar la comprensión de contenidos, estimular la
generación de ideas, ofrecer retroalimentación inmediata y favorecer procesos de aprendizaje más
personalizados. Por otro, también existen preocupaciones sobre el riesgo de dependencia tecnológica, la
disminución del esfuerzo cognitivo y la posible afectación de habilidades como la reflexión, el análisis
crítico y la producción autónoma del conocimiento. La evidencia de síntesis disponible sugiere efectos
positivos en diversos resultados de aprendizaje, aunque también advierte una alta variabilidad según
contexto, tipo de uso y condiciones pedagógicas de implementación (Han et al., 2025). De manera
complementaria, los estudios sobre gobernanza educativa de la IA subrayan la necesidad de
lineamientos institucionales claros, formación ética y criterios de uso responsable para evitar prácticas
indebidas o dependencias no deseadas (Barus et al., 2025).
Una de las variables más importantes para comprender este fenómeno es la autorregulación del
aprendizaje, entendida como la capacidad del estudiante para planificar, supervisar y evaluar su propio
proceso formativo. Esta competencia resulta fundamental en la educación superior, ya que permite
organizar el estudio, ajustar estrategias, gestionar el tiempo y mantener una participación activa en el
aprendizaje. Desde la perspectiva de Zimmerman (2002), la autorregulación supone que el estudiante
participe activamente en su aprendizaje mediante metas, estrategias y procesos de autoobservación. En
el contexto universitario, además, se ha destacado que la autorregulación constituye un componente
clave para explicar diferencias en desempeño y adaptación académica (Cassidy, 2011). En ese sentido,
pág. 1327
el uso de herramientas de inteligencia artificial generativa podría contribuir al fortalecimiento de la
autorregulación cuando se emplea de manera reflexiva y estratégica; sin embargo, también podría
debilitarla cuando sustituye procesos cognitivos que deberían ser desarrollados directamente por el
estudiante.
De igual forma, el rendimiento académico constituye un indicador central para valorar el logro educativo
en el nivel superior. No obstante, este rendimiento no depende únicamente de las capacidades
individuales, sino también de los recursos disponibles, las estrategias de estudio y la manera en que los
estudiantes incorporan nuevas tecnologías en sus actividades académicas. Estudios recientes en
contextos de educación superior apoyada por IA generativa han encontrado relaciones entre
alfabetización en IA, autorregulación del aprendizaje, desempeño en escritura y bienestar académico, lo
que sugiere que estas variables deben analizarse de manera articulada y no aislada (Shi et al., 2025). Por
ello, estudiar la relación entre inteligencia artificial generativa, autorregulación del aprendizaje y
rendimiento académico permite comprender de forma más amplia cómo las tecnologías emergentes
están influyendo en la experiencia universitaria.
En el caso de Nuevo León, México, esta problemática adquiere especial relevancia debido a la presencia
de diversas instituciones de educación superior y a la creciente adopción de herramientas digitales entre
la población estudiantil. A pesar de ello, todavía es limitada la evidencia empírica local que permita
conocer cómo están utilizando los estudiantes universitarios estas herramientas, con qué fines
académicos y qué relación guarda su uso con procesos clave como la autorregulación del aprendizaje y
el rendimiento académico. Esta ausencia de información dificulta la formulación de orientaciones
pedagógicas e institucionales contextualizadas para un uso responsable y formativo de la inteligencia
artificial generativa.
En el ámbito hispanoamericano, la evidencia disponible sigue siendo incipiente y heterogénea. Una
revisión sistemática reciente de literatura hispanohablante concluye que la investigación sobre
inteligencia artificial generativa en educación superior presenta un desarrollo todavía diverso, con
énfasis en desafíos éticos, pedagógicos y técnicos, así como en la necesidad de mayor evidencia empírica
para orientar su implementación diferenciada en docentes y estudiantes (Sánchez et al., 2025). Esta
el uso de herramientas de inteligencia artificial generativa podría contribuir al fortalecimiento de la
autorregulación cuando se emplea de manera reflexiva y estratégica; sin embargo, también podría
debilitarla cuando sustituye procesos cognitivos que deberían ser desarrollados directamente por el
estudiante.
De igual forma, el rendimiento académico constituye un indicador central para valorar el logro educativo
en el nivel superior. No obstante, este rendimiento no depende únicamente de las capacidades
individuales, sino también de los recursos disponibles, las estrategias de estudio y la manera en que los
estudiantes incorporan nuevas tecnologías en sus actividades académicas. Estudios recientes en
contextos de educación superior apoyada por IA generativa han encontrado relaciones entre
alfabetización en IA, autorregulación del aprendizaje, desempeño en escritura y bienestar académico, lo
que sugiere que estas variables deben analizarse de manera articulada y no aislada (Shi et al., 2025). Por
ello, estudiar la relación entre inteligencia artificial generativa, autorregulación del aprendizaje y
rendimiento académico permite comprender de forma más amplia cómo las tecnologías emergentes
están influyendo en la experiencia universitaria.
En el caso de Nuevo León, México, esta problemática adquiere especial relevancia debido a la presencia
de diversas instituciones de educación superior y a la creciente adopción de herramientas digitales entre
la población estudiantil. A pesar de ello, todavía es limitada la evidencia empírica local que permita
conocer cómo están utilizando los estudiantes universitarios estas herramientas, con qué fines
académicos y qué relación guarda su uso con procesos clave como la autorregulación del aprendizaje y
el rendimiento académico. Esta ausencia de información dificulta la formulación de orientaciones
pedagógicas e institucionales contextualizadas para un uso responsable y formativo de la inteligencia
artificial generativa.
En el ámbito hispanoamericano, la evidencia disponible sigue siendo incipiente y heterogénea. Una
revisión sistemática reciente de literatura hispanohablante concluye que la investigación sobre
inteligencia artificial generativa en educación superior presenta un desarrollo todavía diverso, con
énfasis en desafíos éticos, pedagógicos y técnicos, así como en la necesidad de mayor evidencia empírica
para orientar su implementación diferenciada en docentes y estudiantes (Sánchez et al., 2025). Esta
pág. 1328
constatación es relevante para el presente estudio, ya que confirma que los contextos regionales
requieren ser examinados con datos propios y no solo a partir de tendencias internacionales.
En México ya comienzan a aparecer antecedentes empíricos que muestran tanto oportunidades como
tensiones. En la Universidad Nacional Autónoma de México, Benavides-Lara et al. (2025) reportaron,
con base en un cuestionario aplicado a profesorado y estudiantado, una alta presencia de herramientas
de inteligencia artificial generativa en la comunidad universitaria; sin embargo, observaron que sus usos
académicos se concentran principalmente en la búsqueda y obtención de información y en apoyos al
proceso de enseñanza y aprendizaje, lo que sugiere la necesidad de una formación más específica para
evitar infrautilización o usos poco éticos. De forma complementaria, Hernández González et al. (2024)
encontraron, en estudiantes de dos instituciones mexicanas de educación superior, una valoración
predominantemente positiva de la inteligencia artificial generativa por su apoyo al aprendizaje y a la
realización de tareas, aunque acompañada de preocupaciones importantes sobre ética y privacidad.
Asimismo, en el Instituto Tecnológico de Durango, Pizarro Gurrola et al. (2025) aplicaron una encuesta
Likert a 452 estudiantes y hallaron percepciones favorables respecto al impacto y beneficio de la
inteligencia artificial generativa en el aprendizaje, junto con una familiaridad moderada con estas
herramientas y una relativa indiferencia frente a sus implicaciones éticas y de privacidad. Este tipo de
resultados refuerza la necesidad de investigar no solo el grado de uso de la inteligencia artificial
generativa, sino también su articulación con capacidades académicas de orden superior, como la
autorregulación del aprendizaje. En una línea cercana, Gómez Zúñiga y Zevallos Loyola (2025), en un
estudio correlacional con 323 estudiantes de educación superior, identificaron asociaciones
significativas entre competencias digitales, pensamiento crítico y aprendizaje autorregulado, lo que
sugiere que las prácticas tecnológicas y las capacidades de gestión del aprendizaje tienden a vincularse
de manera estrecha.
En atención a esta necesidad, la presente investigación se propone analizar la relación entre el uso de
herramientas de inteligencia artificial generativa, la autorregulación del aprendizaje y el rendimiento
académico en estudiantes universitarios de Nuevo León, México, con el propósito de generar evidencia
útil para la comprensión de este fenómeno en el contexto regional y aportar insumos para futuras
decisiones académicas e institucionales.
constatación es relevante para el presente estudio, ya que confirma que los contextos regionales
requieren ser examinados con datos propios y no solo a partir de tendencias internacionales.
En México ya comienzan a aparecer antecedentes empíricos que muestran tanto oportunidades como
tensiones. En la Universidad Nacional Autónoma de México, Benavides-Lara et al. (2025) reportaron,
con base en un cuestionario aplicado a profesorado y estudiantado, una alta presencia de herramientas
de inteligencia artificial generativa en la comunidad universitaria; sin embargo, observaron que sus usos
académicos se concentran principalmente en la búsqueda y obtención de información y en apoyos al
proceso de enseñanza y aprendizaje, lo que sugiere la necesidad de una formación más específica para
evitar infrautilización o usos poco éticos. De forma complementaria, Hernández González et al. (2024)
encontraron, en estudiantes de dos instituciones mexicanas de educación superior, una valoración
predominantemente positiva de la inteligencia artificial generativa por su apoyo al aprendizaje y a la
realización de tareas, aunque acompañada de preocupaciones importantes sobre ética y privacidad.
Asimismo, en el Instituto Tecnológico de Durango, Pizarro Gurrola et al. (2025) aplicaron una encuesta
Likert a 452 estudiantes y hallaron percepciones favorables respecto al impacto y beneficio de la
inteligencia artificial generativa en el aprendizaje, junto con una familiaridad moderada con estas
herramientas y una relativa indiferencia frente a sus implicaciones éticas y de privacidad. Este tipo de
resultados refuerza la necesidad de investigar no solo el grado de uso de la inteligencia artificial
generativa, sino también su articulación con capacidades académicas de orden superior, como la
autorregulación del aprendizaje. En una línea cercana, Gómez Zúñiga y Zevallos Loyola (2025), en un
estudio correlacional con 323 estudiantes de educación superior, identificaron asociaciones
significativas entre competencias digitales, pensamiento crítico y aprendizaje autorregulado, lo que
sugiere que las prácticas tecnológicas y las capacidades de gestión del aprendizaje tienden a vincularse
de manera estrecha.
En atención a esta necesidad, la presente investigación se propone analizar la relación entre el uso de
herramientas de inteligencia artificial generativa, la autorregulación del aprendizaje y el rendimiento
académico en estudiantes universitarios de Nuevo León, México, con el propósito de generar evidencia
útil para la comprensión de este fenómeno en el contexto regional y aportar insumos para futuras
decisiones académicas e institucionales.
pág. 1329
La pregunta general de investigación es la siguiente: ¿qué relación existe entre el uso de herramientas
de inteligencia artificial generativa, la autorregulación del aprendizaje y el rendimiento académico en
estudiantes universitarios de Nuevo León, México?
El objetivo general consiste en analizar la relación entre el uso de herramientas de inteligencia artificial
generativa, la autorregulación del aprendizaje y el rendimiento académico en estudiantes universitarios
de Nuevo León, México.
De manera específica, se busca identificar la frecuencia y finalidad del uso de herramientas de
inteligencia artificial generativa en estudiantes universitarios de Nuevo León, describir el nivel de
autorregulación del aprendizaje de los estudiantes participantes, determinar la relación entre el uso de
herramientas de inteligencia artificial generativa y la autorregulación del aprendizaje, examinar la
relación entre el uso de herramientas de inteligencia artificial generativa y el rendimiento académico, y
comparar posibles diferencias según universidad, semestre, área de formación o sexo.
Como hipótesis general se plantea que existe una relación significativa entre el uso de herramientas de
inteligencia artificial generativa, la autorregulación del aprendizaje y el rendimiento académico en
estudiantes universitarios de Nuevo León, México.
METODOLOGÍA
La investigación se desarrolló bajo un enfoque cuantitativo, ya que buscó medir y analizar la relación
entre el uso de herramientas de inteligencia artificial generativa, la autorregulación del aprendizaje y el
rendimiento académico en estudiantes universitarios de Nuevo León, México. Este enfoque permitió
obtener datos numéricos, identificar patrones y establecer relaciones entre variables mediante
procedimientos estadísticos.
El estudio fue de alcance descriptivo-correlacional. Fue descriptivo porque permitió caracterizar la
frecuencia y forma de uso de herramientas de inteligencia artificial generativa, así como los niveles de
autorregulación del aprendizaje y rendimiento académico de los estudiantes participantes. Asimismo,
fue correlacional porque buscó determinar la relación existente entre dichas variables. El diseño fue no
experimental y de corte transversal. No experimental, debido a que las variables se observaron tal como
se presentaron en su contexto natural, sin manipulación intencional. Transversal, porque la información
se recopiló en un solo momento del tiempo.
La pregunta general de investigación es la siguiente: ¿qué relación existe entre el uso de herramientas
de inteligencia artificial generativa, la autorregulación del aprendizaje y el rendimiento académico en
estudiantes universitarios de Nuevo León, México?
El objetivo general consiste en analizar la relación entre el uso de herramientas de inteligencia artificial
generativa, la autorregulación del aprendizaje y el rendimiento académico en estudiantes universitarios
de Nuevo León, México.
De manera específica, se busca identificar la frecuencia y finalidad del uso de herramientas de
inteligencia artificial generativa en estudiantes universitarios de Nuevo León, describir el nivel de
autorregulación del aprendizaje de los estudiantes participantes, determinar la relación entre el uso de
herramientas de inteligencia artificial generativa y la autorregulación del aprendizaje, examinar la
relación entre el uso de herramientas de inteligencia artificial generativa y el rendimiento académico, y
comparar posibles diferencias según universidad, semestre, área de formación o sexo.
Como hipótesis general se plantea que existe una relación significativa entre el uso de herramientas de
inteligencia artificial generativa, la autorregulación del aprendizaje y el rendimiento académico en
estudiantes universitarios de Nuevo León, México.
METODOLOGÍA
La investigación se desarrolló bajo un enfoque cuantitativo, ya que buscó medir y analizar la relación
entre el uso de herramientas de inteligencia artificial generativa, la autorregulación del aprendizaje y el
rendimiento académico en estudiantes universitarios de Nuevo León, México. Este enfoque permitió
obtener datos numéricos, identificar patrones y establecer relaciones entre variables mediante
procedimientos estadísticos.
El estudio fue de alcance descriptivo-correlacional. Fue descriptivo porque permitió caracterizar la
frecuencia y forma de uso de herramientas de inteligencia artificial generativa, así como los niveles de
autorregulación del aprendizaje y rendimiento académico de los estudiantes participantes. Asimismo,
fue correlacional porque buscó determinar la relación existente entre dichas variables. El diseño fue no
experimental y de corte transversal. No experimental, debido a que las variables se observaron tal como
se presentaron en su contexto natural, sin manipulación intencional. Transversal, porque la información
se recopiló en un solo momento del tiempo.
pág. 1330
La población estuvo conformada por estudiantes universitarios inscritos en instituciones de educación
superior ubicadas en el estado de Nuevo León, México, durante el periodo de aplicación del estudio.
Esta población incluyó estudiantes de distintas áreas de formación y semestres académicos. La muestra
quedó integrada por 452 estudiantes universitarios, seleccionados mediante un muestreo no
probabilístico por conveniencia, a partir de la difusión del cuestionario en diversas instituciones de
educación superior del estado. Aunque el estudio no pretendió alcanzar representatividad estadística
probabilística, el tamaño muestral obtenido permitió realizar análisis descriptivos e inferenciales con
suficiente consistencia para examinar relaciones entre variables y contrastar tendencias entre grupos
institucionales.
Los criterios de inclusión considerados fueron: a) ser estudiante inscrito en una institución de educación
superior ubicada en Nuevo León, México; b) tener 17 años o más; c) aceptar participar voluntariamente
mediante consentimiento informado; y d) completar de forma íntegra el cuestionario. Los criterios de
exclusión contemplaron: a) respuestas incompletas o inconsistentes; b) participantes que no se
identificaron como estudiantes universitarios activos al momento de la aplicación; y c) cuestionarios
duplicados o con patrones de respuesta que indicaron falta de seriedad en la contestación.
La unidad de análisis estuvo constituida por cada estudiante universitario que respondió el cuestionario.
La técnica de recolección de datos fue la encuesta. Como instrumento se utilizó un cuestionario
estructurado dirigido a estudiantes universitarios, compuesto por secciones de datos generales, uso de
herramientas de inteligencia artificial generativa, autorregulación del aprendizaje y rendimiento
académico percibido. Los ítems fueron medidos mediante una escala tipo Likert de cinco puntos, donde
1 correspondió a “Nunca” y 5 a “Siempre”.
El instrumento estuvo organizado en cuatro secciones. La primera recogió datos generales de los
participantes, como edad, sexo, carrera, semestre, universidad, promedio académico y uso general de
herramientas de inteligencia artificial generativa. La segunda exploró la frecuencia, finalidad,
verificación y dependencia asociada al uso académico de herramientas de inteligencia artificial
generativa. La tercera evaluó procesos de autorregulación del aprendizaje, tales como planificación,
monitoreo, ajuste de estrategias, autoevaluación y autonomía académica. La cuarta midió el rendimiento
académico percibido, complementado con el promedio académico reportado por cada participante.
La población estuvo conformada por estudiantes universitarios inscritos en instituciones de educación
superior ubicadas en el estado de Nuevo León, México, durante el periodo de aplicación del estudio.
Esta población incluyó estudiantes de distintas áreas de formación y semestres académicos. La muestra
quedó integrada por 452 estudiantes universitarios, seleccionados mediante un muestreo no
probabilístico por conveniencia, a partir de la difusión del cuestionario en diversas instituciones de
educación superior del estado. Aunque el estudio no pretendió alcanzar representatividad estadística
probabilística, el tamaño muestral obtenido permitió realizar análisis descriptivos e inferenciales con
suficiente consistencia para examinar relaciones entre variables y contrastar tendencias entre grupos
institucionales.
Los criterios de inclusión considerados fueron: a) ser estudiante inscrito en una institución de educación
superior ubicada en Nuevo León, México; b) tener 17 años o más; c) aceptar participar voluntariamente
mediante consentimiento informado; y d) completar de forma íntegra el cuestionario. Los criterios de
exclusión contemplaron: a) respuestas incompletas o inconsistentes; b) participantes que no se
identificaron como estudiantes universitarios activos al momento de la aplicación; y c) cuestionarios
duplicados o con patrones de respuesta que indicaron falta de seriedad en la contestación.
La unidad de análisis estuvo constituida por cada estudiante universitario que respondió el cuestionario.
La técnica de recolección de datos fue la encuesta. Como instrumento se utilizó un cuestionario
estructurado dirigido a estudiantes universitarios, compuesto por secciones de datos generales, uso de
herramientas de inteligencia artificial generativa, autorregulación del aprendizaje y rendimiento
académico percibido. Los ítems fueron medidos mediante una escala tipo Likert de cinco puntos, donde
1 correspondió a “Nunca” y 5 a “Siempre”.
El instrumento estuvo organizado en cuatro secciones. La primera recogió datos generales de los
participantes, como edad, sexo, carrera, semestre, universidad, promedio académico y uso general de
herramientas de inteligencia artificial generativa. La segunda exploró la frecuencia, finalidad,
verificación y dependencia asociada al uso académico de herramientas de inteligencia artificial
generativa. La tercera evaluó procesos de autorregulación del aprendizaje, tales como planificación,
monitoreo, ajuste de estrategias, autoevaluación y autonomía académica. La cuarta midió el rendimiento
académico percibido, complementado con el promedio académico reportado por cada participante.
pág. 1331
La validez de contenido del instrumento se determinó mediante juicio de expertos. Para ello, el
cuestionario fue revisado por especialistas en investigación educativa, tecnología educativa y
metodología, quienes evaluaron la claridad, pertinencia y coherencia de los ítems en relación con los
objetivos y variables del estudio. La confiabilidad se estimó a partir de los datos obtenidos en la
aplicación definitiva, mediante el coeficiente Alfa de Cronbach. Los resultados evidenciaron una
consistencia interna alta en las tres escalas: uso de inteligencia artificial generativa (alpha = .893),
autorregulación del aprendizaje (alpha = .947) y rendimiento académico percibido (alpha = .900).
La validez de contenido del instrumento se determinó mediante juicio de expertos. Para ello, el
cuestionario fue revisado por especialistas en investigación educativa, tecnología educativa y
metodología, quienes evaluaron la claridad, pertinencia y coherencia de los ítems en relación con los
objetivos y variables del estudio. La confiabilidad se estimó a partir de los datos obtenidos en la
aplicación definitiva, mediante el coeficiente Alfa de Cronbach. Los resultados evidenciaron una
consistencia interna alta en las tres escalas: uso de inteligencia artificial generativa (alpha = .893),
autorregulación del aprendizaje (alpha = .947) y rendimiento académico percibido (alpha = .900).
pág. 1332
El procedimiento comprendió las siguientes etapas: revisión bibliográfica sobre inteligencia artificial
generativa, autorregulación del aprendizaje y rendimiento académico; elaboración y ajuste del
instrumento de recolección de datos; validación del instrumento mediante juicio de expertos; aplicación
de una prueba piloto; distribución del cuestionario a estudiantes de instituciones de educación superior
de Nuevo León; recolección, codificación y depuración de los datos; análisis estadístico de la
información obtenida; e interpretación de resultados, conclusiones y recomendaciones.
Se empleó estadística descriptiva e inferencial. En el plano descriptivo se utilizaron frecuencias,
porcentajes, medias y desviaciones estándar para caracterizar a la muestra y describir el comportamiento
de las variables de estudio. En el plano inferencial se aplicaron pruebas de correlación, como Pearson o
Spearman, dependiendo del comportamiento de los datos, con el fin de determinar la relación entre las
variables del estudio. De manera complementaria, se realizaron comparaciones por grupos y análisis de
regresión para explorar la capacidad predictiva del uso de inteligencia artificial generativa y de la
autorregulación del aprendizaje sobre el rendimiento académico.
La investigación se desarrolló conforme a los principios de participación voluntaria, consentimiento
informado, anonimato y confidencialidad. La información recabada fue utilizada exclusivamente con
fines académicos y de investigación. Los participantes fueron informados acerca del objetivo del
estudio, el carácter voluntario de su participación y el derecho a retirarse en cualquier momento sin
consecuencias. No se solicitaron datos sensibles que permitieran la identificación directa de los
participantes.
Entre las limitaciones del estudio se encontraron el uso de un muestreo no probabilístico por
conveniencia, la dependencia de respuestas autoinformadas y la imposibilidad de establecer relaciones
causales debido al diseño transversal. No obstante, la investigación ofrece evidencia relevante para
comprender tendencias y asociaciones significativas en el contexto universitario de Nuevo León.
El procedimiento comprendió las siguientes etapas: revisión bibliográfica sobre inteligencia artificial
generativa, autorregulación del aprendizaje y rendimiento académico; elaboración y ajuste del
instrumento de recolección de datos; validación del instrumento mediante juicio de expertos; aplicación
de una prueba piloto; distribución del cuestionario a estudiantes de instituciones de educación superior
de Nuevo León; recolección, codificación y depuración de los datos; análisis estadístico de la
información obtenida; e interpretación de resultados, conclusiones y recomendaciones.
Se empleó estadística descriptiva e inferencial. En el plano descriptivo se utilizaron frecuencias,
porcentajes, medias y desviaciones estándar para caracterizar a la muestra y describir el comportamiento
de las variables de estudio. En el plano inferencial se aplicaron pruebas de correlación, como Pearson o
Spearman, dependiendo del comportamiento de los datos, con el fin de determinar la relación entre las
variables del estudio. De manera complementaria, se realizaron comparaciones por grupos y análisis de
regresión para explorar la capacidad predictiva del uso de inteligencia artificial generativa y de la
autorregulación del aprendizaje sobre el rendimiento académico.
La investigación se desarrolló conforme a los principios de participación voluntaria, consentimiento
informado, anonimato y confidencialidad. La información recabada fue utilizada exclusivamente con
fines académicos y de investigación. Los participantes fueron informados acerca del objetivo del
estudio, el carácter voluntario de su participación y el derecho a retirarse en cualquier momento sin
consecuencias. No se solicitaron datos sensibles que permitieran la identificación directa de los
participantes.
Entre las limitaciones del estudio se encontraron el uso de un muestreo no probabilístico por
conveniencia, la dependencia de respuestas autoinformadas y la imposibilidad de establecer relaciones
causales debido al diseño transversal. No obstante, la investigación ofrece evidencia relevante para
comprender tendencias y asociaciones significativas en el contexto universitario de Nuevo León.
pág. 1333
RESULTADOS Y DISCUSIÓN
La muestra válida quedó conformada por 452 estudiantes universitarios de Nuevo León, México. La
distribución por sexo fue equilibrada, con 228 hombres (50.4), 221 mujeres (48.9), dos participantes que
prefirieron no responder (0.4) y un caso en la categoría otro (0.2). La edad promedio depurada fue de
25.94 años (DE = 9.66), con un rango de 17 a 56 años. En cuanto a procedencia institucional,
predominaron estudiantes de la UANL (39.6), de la Universidad Ciudadana de Nuevo León (32.5) y del
Tecnológico de Monterrey (12.2), seguidos por UDEM (3.8) y la Universidad Interamericana del Norte
(3.1).
RESULTADOS Y DISCUSIÓN
La muestra válida quedó conformada por 452 estudiantes universitarios de Nuevo León, México. La
distribución por sexo fue equilibrada, con 228 hombres (50.4), 221 mujeres (48.9), dos participantes que
prefirieron no responder (0.4) y un caso en la categoría otro (0.2). La edad promedio depurada fue de
25.94 años (DE = 9.66), con un rango de 17 a 56 años. En cuanto a procedencia institucional,
predominaron estudiantes de la UANL (39.6), de la Universidad Ciudadana de Nuevo León (32.5) y del
Tecnológico de Monterrey (12.2), seguidos por UDEM (3.8) y la Universidad Interamericana del Norte
(3.1).
pág. 1334
Respecto al uso de inteligencia artificial generativa, 421 estudiantes (93.1) reportaron emplearla con
fines académicos, mientras que 31 (6.9) indicaron no utilizarla. Entre quienes sí la usan, ChatGPT fue
la herramienta más frecuente (49.4), seguida por Gemini (30.2), Copilot (8.1) y Claude (6.9). A nivel
global, la escala de uso de inteligencia artificial generativa mostró un promedio de 3.05 (DE = 0.73), lo
que corresponde a un nivel medio. En esta misma dimensión, los puntajes más altos se observaron en la
verificación de la información generada por la IA (M = 3.72), el uso de la IA como apoyo
complementario y no como sustituto total del trabajo propio (M = 3.68), y la adaptación de respuestas
antes de entregarlas (M = 3.67). En contraste, el puntaje más bajo correspondió a la dependencia de la
IA para comenzar actividades académicas (M = 2.14), lo cual sugiere una apropiación
predominantemente instrumental antes que sustitutiva.
Respecto al uso de inteligencia artificial generativa, 421 estudiantes (93.1) reportaron emplearla con
fines académicos, mientras que 31 (6.9) indicaron no utilizarla. Entre quienes sí la usan, ChatGPT fue
la herramienta más frecuente (49.4), seguida por Gemini (30.2), Copilot (8.1) y Claude (6.9). A nivel
global, la escala de uso de inteligencia artificial generativa mostró un promedio de 3.05 (DE = 0.73), lo
que corresponde a un nivel medio. En esta misma dimensión, los puntajes más altos se observaron en la
verificación de la información generada por la IA (M = 3.72), el uso de la IA como apoyo
complementario y no como sustituto total del trabajo propio (M = 3.68), y la adaptación de respuestas
antes de entregarlas (M = 3.67). En contraste, el puntaje más bajo correspondió a la dependencia de la
IA para comenzar actividades académicas (M = 2.14), lo cual sugiere una apropiación
predominantemente instrumental antes que sustitutiva.
pág. 1335
La autorregulación del aprendizaje alcanzó una media de 3.96 (DE = 0.74), ubicándose en un nivel alto;
de hecho, 68.6 de los participantes se clasificaron en este nivel, 30.3 en nivel medio y solo 1.1 en nivel
bajo. De manera similar, el rendimiento académico percibido presentó una media de 3.95 (DE = 0.69),
también correspondiente a un nivel alto, con 68.1 de los casos en nivel alto. El promedio académico
reportado, estandarizado a una escala de 0 a 100, fue de 87.49 (DE = 7.94), lo que describe un desempeño
académico global favorable en la muestra analizada.
La autorregulación del aprendizaje alcanzó una media de 3.96 (DE = 0.74), ubicándose en un nivel alto;
de hecho, 68.6 de los participantes se clasificaron en este nivel, 30.3 en nivel medio y solo 1.1 en nivel
bajo. De manera similar, el rendimiento académico percibido presentó una media de 3.95 (DE = 0.69),
también correspondiente a un nivel alto, con 68.1 de los casos en nivel alto. El promedio académico
reportado, estandarizado a una escala de 0 a 100, fue de 87.49 (DE = 7.94), lo que describe un desempeño
académico global favorable en la muestra analizada.
pág. 1336
pág. 1337
El análisis correlacional mostró hallazgos diferenciados. En primer lugar, el uso de inteligencia artificial
generativa no presentó una relación significativa con la autorregulación del aprendizaje (r = .081; p =
.085), ni con el promedio académico reportado (r = -.016; p = .737). Sin embargo, sí se observó una
relación positiva y significativa, aunque débil, con el rendimiento académico percibido (r = .184; p <
.001). En segundo lugar, la autorregulación del aprendizaje mantuvo una relación positiva moderada
con el promedio académico reportado (r = .400; p < .001) y una relación positiva alta con el rendimiento
académico percibido (r = .804; p < .001). Por su parte, el rendimiento académico percibido también se
relacionó positivamente con el promedio académico reportado (r = .474; p < .001).
El análisis correlacional mostró hallazgos diferenciados. En primer lugar, el uso de inteligencia artificial
generativa no presentó una relación significativa con la autorregulación del aprendizaje (r = .081; p =
.085), ni con el promedio académico reportado (r = -.016; p = .737). Sin embargo, sí se observó una
relación positiva y significativa, aunque débil, con el rendimiento académico percibido (r = .184; p <
.001). En segundo lugar, la autorregulación del aprendizaje mantuvo una relación positiva moderada
con el promedio académico reportado (r = .400; p < .001) y una relación positiva alta con el rendimiento
académico percibido (r = .804; p < .001). Por su parte, el rendimiento académico percibido también se
relacionó positivamente con el promedio académico reportado (r = .474; p < .001).
pág. 1338
Estos resultados permiten sostener que la hipótesis general del estudio solo se confirma de manera
parcial. Aunque el uso de inteligencia artificial generativa sí se asoció con una mejor percepción del
propio rendimiento académico, no mostró relaciones significativas con la autorregulación del
aprendizaje ni con el promedio académico reportado. Esto sugiere que, en el contexto analizado, la
inteligencia artificial generativa podría estar operando principalmente como recurso de apoyo percibido
para tareas puntuales, más que como un factor directamente vinculado al desempeño objetivo o a
procesos sistemáticos de gestión autónoma del aprendizaje.
La ausencia de una relación significativa entre uso de inteligencia artificial generativa y autorregulación
del aprendizaje contrasta con expectativas teóricas que plantean que las tecnologías emergentes pueden
fortalecer procesos estratégicos de estudio cuando se integran reflexivamente. Una posible
interpretación es que los estudiantes emplean estas herramientas de forma utilitaria para resolver dudas,
verificar información o facilitar tareas, sin que ello implique necesariamente una mejora estructural en
sus hábitos de planificación, monitoreo o autoevaluación. En cambio, la fuerte asociación entre
autorregulación del aprendizaje y rendimiento académico coincide con los planteamientos de
Zimmerman (2002) y Cassidy (2011), y refuerza la idea de que la capacidad del estudiante para dirigir
su propio aprendizaje sigue siendo un componente central del éxito académico, aún en entornos
tecnológicamente mediados.
Estos resultados permiten sostener que la hipótesis general del estudio solo se confirma de manera
parcial. Aunque el uso de inteligencia artificial generativa sí se asoció con una mejor percepción del
propio rendimiento académico, no mostró relaciones significativas con la autorregulación del
aprendizaje ni con el promedio académico reportado. Esto sugiere que, en el contexto analizado, la
inteligencia artificial generativa podría estar operando principalmente como recurso de apoyo percibido
para tareas puntuales, más que como un factor directamente vinculado al desempeño objetivo o a
procesos sistemáticos de gestión autónoma del aprendizaje.
La ausencia de una relación significativa entre uso de inteligencia artificial generativa y autorregulación
del aprendizaje contrasta con expectativas teóricas que plantean que las tecnologías emergentes pueden
fortalecer procesos estratégicos de estudio cuando se integran reflexivamente. Una posible
interpretación es que los estudiantes emplean estas herramientas de forma utilitaria para resolver dudas,
verificar información o facilitar tareas, sin que ello implique necesariamente una mejora estructural en
sus hábitos de planificación, monitoreo o autoevaluación. En cambio, la fuerte asociación entre
autorregulación del aprendizaje y rendimiento académico coincide con los planteamientos de
Zimmerman (2002) y Cassidy (2011), y refuerza la idea de que la capacidad del estudiante para dirigir
su propio aprendizaje sigue siendo un componente central del éxito académico, aún en entornos
tecnológicamente mediados.
pág. 1339
Asimismo, el hallazgo de que la inteligencia artificial generativa se relaciona con el rendimiento
académico percibido, pero no con el promedio académico, sugiere una diferencia importante entre
indicadores subjetivos y objetivos de desempeño. Esta discrepancia puede interpretarse en el sentido de
que los estudiantes perciben apoyo, eficiencia o mayor seguridad en sus actividades académicas al usar
inteligencia artificial generativa, aunque ese beneficio no se traduzca automáticamente en mejoras
medibles en sus calificaciones. En términos prácticos, esto apunta a la necesidad de orientar
pedagógicamente el uso de estas herramientas para que trasciendan la asistencia puntual y se integren a
estrategias formativas capaces de fortalecer el aprendizaje profundo y la autonomía.
CONCLUSIONES
Los hallazgos del estudio permiten concluir que el uso de herramientas de inteligencia artificial
generativa está ampliamente extendido entre estudiantes universitarios de Nuevo León, México, pero su
presencia no implica por sí misma mejoras en la autorregulación del aprendizaje ni en el promedio
académico reportado. El nivel de uso observado fue medio, con una apropiación centrada principalmente
en la comprensión de temas, la aclaración de dudas y la verificación o adaptación de respuestas, más
que en una dependencia elevada de estas herramientas para iniciar las actividades académicas.
La relación positiva entre uso de inteligencia artificial generativa y rendimiento académico percibido
sugiere que los estudiantes reconocen valor práctico en estas herramientas como apoyo para sus tareas
y procesos de estudio. Sin embargo, al no encontrarse relación significativa con el promedio académico
reportado, resulta necesario evitar interpretaciones lineales que equiparen uso frecuente de inteligencia
artificial con mejor desempeño objetivo. En este sentido, el beneficio percibido parece estar más
vinculado a sensaciones de apoyo, eficiencia o seguridad académica que a mejoras directas en las
calificaciones.
Por otra parte, la autorregulación del aprendizaje se confirmó como la variable con mayor peso
académico dentro del estudio, al relacionarse de manera positiva tanto con el rendimiento académico
percibido como con el promedio reportado. Este resultado refuerza la importancia de promover en la
educación superior estrategias pedagógicas orientadas al desarrollo de habilidades de planificación,
monitoreo, autonomía y autoevaluación, ya que dichas capacidades siguen siendo un soporte central del
éxito académico aún en contextos mediados por inteligencia artificial.
Asimismo, el hallazgo de que la inteligencia artificial generativa se relaciona con el rendimiento
académico percibido, pero no con el promedio académico, sugiere una diferencia importante entre
indicadores subjetivos y objetivos de desempeño. Esta discrepancia puede interpretarse en el sentido de
que los estudiantes perciben apoyo, eficiencia o mayor seguridad en sus actividades académicas al usar
inteligencia artificial generativa, aunque ese beneficio no se traduzca automáticamente en mejoras
medibles en sus calificaciones. En términos prácticos, esto apunta a la necesidad de orientar
pedagógicamente el uso de estas herramientas para que trasciendan la asistencia puntual y se integren a
estrategias formativas capaces de fortalecer el aprendizaje profundo y la autonomía.
CONCLUSIONES
Los hallazgos del estudio permiten concluir que el uso de herramientas de inteligencia artificial
generativa está ampliamente extendido entre estudiantes universitarios de Nuevo León, México, pero su
presencia no implica por sí misma mejoras en la autorregulación del aprendizaje ni en el promedio
académico reportado. El nivel de uso observado fue medio, con una apropiación centrada principalmente
en la comprensión de temas, la aclaración de dudas y la verificación o adaptación de respuestas, más
que en una dependencia elevada de estas herramientas para iniciar las actividades académicas.
La relación positiva entre uso de inteligencia artificial generativa y rendimiento académico percibido
sugiere que los estudiantes reconocen valor práctico en estas herramientas como apoyo para sus tareas
y procesos de estudio. Sin embargo, al no encontrarse relación significativa con el promedio académico
reportado, resulta necesario evitar interpretaciones lineales que equiparen uso frecuente de inteligencia
artificial con mejor desempeño objetivo. En este sentido, el beneficio percibido parece estar más
vinculado a sensaciones de apoyo, eficiencia o seguridad académica que a mejoras directas en las
calificaciones.
Por otra parte, la autorregulación del aprendizaje se confirmó como la variable con mayor peso
académico dentro del estudio, al relacionarse de manera positiva tanto con el rendimiento académico
percibido como con el promedio reportado. Este resultado refuerza la importancia de promover en la
educación superior estrategias pedagógicas orientadas al desarrollo de habilidades de planificación,
monitoreo, autonomía y autoevaluación, ya que dichas capacidades siguen siendo un soporte central del
éxito académico aún en contextos mediados por inteligencia artificial.
pág. 1340
En términos aplicados, los resultados sugieren que las instituciones de educación superior no deberían
limitarse a permitir o restringir el uso de herramientas de inteligencia artificial generativa, sino que
deberían acompañar su incorporación con lineamientos formativos, criterios éticos y estrategias
didácticas que favorezcan un uso reflexivo, crítico y pedagógicamente orientado. Como línea futura,
sería pertinente desarrollar estudios comparativos entre universidades y diseños longitudinales o
explicativos que permitan comprender con mayor precisión bajo qué condiciones la inteligencia
artificial generativa contribuye efectivamente al aprendizaje y al rendimiento académico.
REFERENCIAS BIBLIOGRÁFICAS
Barus, O. P., Hidayanto, A. N., Handri, E. Y., Sensuse, D. I., & Yaiprasert, C. (2025). Shaping generative
AI governance in higher education: Insights from student perception. International Journal of
Educational Research Open, 8, 100452. https://doi.org/10.1016/j.ijedro.2025.100452
Belkina, M., Daniel, S., Nikolic, S., Haque, R., Lyden, S., Neal, P., Grundy, S., & Hassan, G. M. (2025).
Implementing generative AI (GenAI) in higher education: A systematic review of case studies.
Computers and Education: Artificial Intelligence, 8, 100407.
https://doi.org/10.1016/j.caeai.2025.100407
Cassidy, S. (2011). Self-regulated learning in higher education: Identifying key component processes.
Studies in Higher Education, 36(8), 989-1000. https://doi.org/10.1080/03075079.2010.503269
Dai, K., Liu, Y., & Zhang, X. (2026). Generative AI in higher education: A bibliometric review of
emerging trends, power dynamics, and global research landscapes. Computers and Education:
Artificial Intelligence, 10, 100544. https://doi.org/10.1016/j.caeai.2026.100544
Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review
and meta-analysis of experimental studies. Educational Research Review, 48, 100714.
https://doi.org/10.1016/j.edurev.2025.100714
Hernández González, M., Ramos Quiroz, J. M., Chávez Maciel, F. J., & Trejo Cazares, M. del C. (2024).
Ventajas y riesgos de la inteligencia artificial generativa desde la percepción de los estudiantes
de educación superior en México. EPSIR: European Public & Social Innovation Review, 9(8).
En términos aplicados, los resultados sugieren que las instituciones de educación superior no deberían
limitarse a permitir o restringir el uso de herramientas de inteligencia artificial generativa, sino que
deberían acompañar su incorporación con lineamientos formativos, criterios éticos y estrategias
didácticas que favorezcan un uso reflexivo, crítico y pedagógicamente orientado. Como línea futura,
sería pertinente desarrollar estudios comparativos entre universidades y diseños longitudinales o
explicativos que permitan comprender con mayor precisión bajo qué condiciones la inteligencia
artificial generativa contribuye efectivamente al aprendizaje y al rendimiento académico.
REFERENCIAS BIBLIOGRÁFICAS
Barus, O. P., Hidayanto, A. N., Handri, E. Y., Sensuse, D. I., & Yaiprasert, C. (2025). Shaping generative
AI governance in higher education: Insights from student perception. International Journal of
Educational Research Open, 8, 100452. https://doi.org/10.1016/j.ijedro.2025.100452
Belkina, M., Daniel, S., Nikolic, S., Haque, R., Lyden, S., Neal, P., Grundy, S., & Hassan, G. M. (2025).
Implementing generative AI (GenAI) in higher education: A systematic review of case studies.
Computers and Education: Artificial Intelligence, 8, 100407.
https://doi.org/10.1016/j.caeai.2025.100407
Cassidy, S. (2011). Self-regulated learning in higher education: Identifying key component processes.
Studies in Higher Education, 36(8), 989-1000. https://doi.org/10.1080/03075079.2010.503269
Dai, K., Liu, Y., & Zhang, X. (2026). Generative AI in higher education: A bibliometric review of
emerging trends, power dynamics, and global research landscapes. Computers and Education:
Artificial Intelligence, 10, 100544. https://doi.org/10.1016/j.caeai.2026.100544
Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review
and meta-analysis of experimental studies. Educational Research Review, 48, 100714.
https://doi.org/10.1016/j.edurev.2025.100714
Hernández González, M., Ramos Quiroz, J. M., Chávez Maciel, F. J., & Trejo Cazares, M. del C. (2024).
Ventajas y riesgos de la inteligencia artificial generativa desde la percepción de los estudiantes
de educación superior en México. EPSIR: European Public & Social Innovation Review, 9(8).
pág. 1341
Pizarro Gurrola, R., Moorillón Soto, A. L., Domínguez Flores, A. S., Calzada Terrones, J., & Rodríguez
Rivas, J. G. (2025). Herramientas de inteligencia artificial generativa en estudiantes de
educación superior. NEYART: Revista científica multidisciplinaria, 3(1), 65-88.
Benavides-Lara, M. A., Rendón Cazales, V. J., Escalante Rivas, N., Martínez Hernández, A. M. del P.,
& Sánchez Mendiola, M. (2025). Presencia y uso de la inteligencia artificial generativa en la
Universidad Nacional Autónoma de México. Revista Digital Universitaria, 26(1).
https://doi.org/10.22201/ceide.16076079e.2025.26.1.10
Sánchez, N. E., Michay, G. C., & Calderón, J. V. (2025). Inteligencia artificial generativa en educación
superior: Una revisión sistemática de literatura hispanohablante. Espacios, 46(6), 14-25.
https://doi.org/10.48082/espacios-a25v46n06p02
Shi, J., Liu, W., & Hu, K. (2025). Exploring How AI Literacy and Self-Regulated Learning Relate to
Student Writing Performance and Well-Being in Generative AI-Supported Higher Education.
Behavioral Sciences, 15(5), 705. https://doi.org/10.3390/bs15050705
Gómez Zúñiga, F., & Zevallos Loyola, G. L. (2025). Relación entre las competencias digitales, el
pensamiento crítico y el aprendizaje autorregulado en estudiantes de educación superior. Revista
InveCom, 5(2). https://doi.org/10.5281/zenodo.12813078
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2),
64-70. https://doi.org/10.1207/S15430421TIP4102_2
Pizarro Gurrola, R., Moorillón Soto, A. L., Domínguez Flores, A. S., Calzada Terrones, J., & Rodríguez
Rivas, J. G. (2025). Herramientas de inteligencia artificial generativa en estudiantes de
educación superior. NEYART: Revista científica multidisciplinaria, 3(1), 65-88.
Benavides-Lara, M. A., Rendón Cazales, V. J., Escalante Rivas, N., Martínez Hernández, A. M. del P.,
& Sánchez Mendiola, M. (2025). Presencia y uso de la inteligencia artificial generativa en la
Universidad Nacional Autónoma de México. Revista Digital Universitaria, 26(1).
https://doi.org/10.22201/ceide.16076079e.2025.26.1.10
Sánchez, N. E., Michay, G. C., & Calderón, J. V. (2025). Inteligencia artificial generativa en educación
superior: Una revisión sistemática de literatura hispanohablante. Espacios, 46(6), 14-25.
https://doi.org/10.48082/espacios-a25v46n06p02
Shi, J., Liu, W., & Hu, K. (2025). Exploring How AI Literacy and Self-Regulated Learning Relate to
Student Writing Performance and Well-Being in Generative AI-Supported Higher Education.
Behavioral Sciences, 15(5), 705. https://doi.org/10.3390/bs15050705
Gómez Zúñiga, F., & Zevallos Loyola, G. L. (2025). Relación entre las competencias digitales, el
pensamiento crítico y el aprendizaje autorregulado en estudiantes de educación superior. Revista
InveCom, 5(2). https://doi.org/10.5281/zenodo.12813078
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2),
64-70. https://doi.org/10.1207/S15430421TIP4102_2