SIMULADOR WEB CON INTELIGENCIA
ARTIFICIAL PARA FORTALECER LA
PREPARACIÓN EN ENTREVISTAS
LABORALES UNIVERSITARIAS
ARTIFICIAL INTELLIGENCE WEB SIMULATOR
TO STRENGTHEN UNIVERSITY JOB INTERVIEW
PREPARATION
Wendy Daniel Martínez
Universidad Politécnica Metropolitana de Hidalgo, México
Víctor Manuel Zamudio García
Universidad Politécnica Metropolitana de Hidalgo, México
David Carrasco Martínez
Universidad Politécnica Metropolitana de Hidalgo, México
Juan Diego González García
Universidad Politécnica Metropolitana de Hidalgo, México
Fatima Juliet Rivero Cruz
Universidad Politécnica Metropolitana de Hidalgo, México
Alessandro Balmaceda Sánchez
Universidad Politécnica Metropolitana de Hidalgo, México
pág. 6016
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25560
Simulador Web con Inteligencia Artificial para Fortalecer la Preparación
en Entrevistas Laborales Universitarias
Wendy Daniel Martínez1
wdaniel@upmh.edu.mx
https://orcid.org/0000-0002-4455-940X
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Víctor Manuel Zamudio García
vzamudio@upmh.edu.mx
https://orcid.org/0000-0002-4660-8025
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
David Carrasco Martínez
david_carrasco_mtz@hotmail.com
https://orcid.org/0009-0006-3800-3620
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Juan Diego González García
modularkarma@gmail.com
https://orcid.org/0009-0002-0577-7567
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Fatima Juliet Rivero Cruz
fatijulricru22@gmail.com
https://orcid.org/0009-0001-6105-8228
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Alessandro Balmaceda Sánchez
223111900@upmh.edu.mx
https://orcid.org/0009-0006-5319-1797
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
RESUMEN
La preparación para entrevistas laborales representa un reto para estudiantes universitarios próximos a
egresar, especialmente en áreas tecnológicas donde el dominio técnico debe acompañarse de
comunicación clara, seguridad y capacidad para explicar decisiones profesionales. El objetivo de este
estudio fue evaluar la influencia de un simulador web basado en el modelo de procesamiento de
lenguaje natural DeepSeek-V3.1, en modalidad de razonamiento, para fortalecer la autoconfianza y
las competencias comunicativas de estudiantes de noveno cuatrimestre de Ingeniería en Tecnologías
de la Información. La investigación tuvo enfoque mixto con predominio cuantitativo, diseño cuasi
experimental y alcance longitudinal. Participaron 61 estudiantes de la Universidad Politécnica
Metropolitana de Hidalgo, a quienes se aplicaron cuestionarios de pretest y postest, además de una
guía de observación de usabilidad. Los resultados mostraron que 75.5% no se percibía preparado para
una entrevista laboral; después de utilizar el simulador, 59% reportó mejora en su confianza, 67.2%
valoró positivamente la retroalimentación recibida y 75.4% recomendaría la herramienta. Se concluye
que la simulación con inteligencia artificial constituye una estrategia extracurricular pertinente para
fortalecer la preparación profesional.
Palabras clave: autoconfianza; empleabilidad; retroalimentación formativa; competencias
comunicativas; educación superior
1 Autor principal
Correspondencia: wdaniel@upmh.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25560
Simulador Web con Inteligencia Artificial para Fortalecer la Preparación
en Entrevistas Laborales Universitarias
Wendy Daniel Martínez1
wdaniel@upmh.edu.mx
https://orcid.org/0000-0002-4455-940X
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Víctor Manuel Zamudio García
vzamudio@upmh.edu.mx
https://orcid.org/0000-0002-4660-8025
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
David Carrasco Martínez
david_carrasco_mtz@hotmail.com
https://orcid.org/0009-0006-3800-3620
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Juan Diego González García
modularkarma@gmail.com
https://orcid.org/0009-0002-0577-7567
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Fatima Juliet Rivero Cruz
fatijulricru22@gmail.com
https://orcid.org/0009-0001-6105-8228
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
Alessandro Balmaceda Sánchez
223111900@upmh.edu.mx
https://orcid.org/0009-0006-5319-1797
Universidad Politécnica
Metropolitana de Hidalgo
Tolcayuca, Hidalgo, México
RESUMEN
La preparación para entrevistas laborales representa un reto para estudiantes universitarios próximos a
egresar, especialmente en áreas tecnológicas donde el dominio técnico debe acompañarse de
comunicación clara, seguridad y capacidad para explicar decisiones profesionales. El objetivo de este
estudio fue evaluar la influencia de un simulador web basado en el modelo de procesamiento de
lenguaje natural DeepSeek-V3.1, en modalidad de razonamiento, para fortalecer la autoconfianza y
las competencias comunicativas de estudiantes de noveno cuatrimestre de Ingeniería en Tecnologías
de la Información. La investigación tuvo enfoque mixto con predominio cuantitativo, diseño cuasi
experimental y alcance longitudinal. Participaron 61 estudiantes de la Universidad Politécnica
Metropolitana de Hidalgo, a quienes se aplicaron cuestionarios de pretest y postest, además de una
guía de observación de usabilidad. Los resultados mostraron que 75.5% no se percibía preparado para
una entrevista laboral; después de utilizar el simulador, 59% reportó mejora en su confianza, 67.2%
valoró positivamente la retroalimentación recibida y 75.4% recomendaría la herramienta. Se concluye
que la simulación con inteligencia artificial constituye una estrategia extracurricular pertinente para
fortalecer la preparación profesional.
Palabras clave: autoconfianza; empleabilidad; retroalimentación formativa; competencias
comunicativas; educación superior
1 Autor principal
Correspondencia: wdaniel@upmh.edu.mx
pág. 6017
Artificial Intelligence Web Simulator to Strengthen University Job
Interview Preparation
ABSTRACT
Preparation for job interviews is a challenge for university students nearing graduation, especially in
technological fields where technical knowledge must be accompanied by clear communication,
confidence, and the ability to explain professional decisions. The objective of this study was to
evaluate the influence of a web simulator based on the DeepSeek-V3.1 natural language processing
model, in its reasoning mode, to strengthen self-confidence and communication skills among ninth-
term Information Technology Engineering students. The research followed a mixed approach with
quantitative predominance, a quasi-experimental design, and a longitudinal scope. The study involved
61 students from Universidad Politécnica Metropolitana de Hidalgo, who completed pretest and
posttest questionnaires, as well as a usability observation guide. Results showed that 75.5% did not
perceive themselves as prepared for a job interview; after using the simulator, 59% reported improved
confidence, 67.2% positively evaluated the feedback received, and 75.4% would recommend the tool.
It is concluded that artificial intelligence-based simulation is a relevant extracurricular strategy to
strengthen professional preparation.
Keywords: self-confidence; employability; formative feedback; communication skills; higher
education
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
Artificial Intelligence Web Simulator to Strengthen University Job
Interview Preparation
ABSTRACT
Preparation for job interviews is a challenge for university students nearing graduation, especially in
technological fields where technical knowledge must be accompanied by clear communication,
confidence, and the ability to explain professional decisions. The objective of this study was to
evaluate the influence of a web simulator based on the DeepSeek-V3.1 natural language processing
model, in its reasoning mode, to strengthen self-confidence and communication skills among ninth-
term Information Technology Engineering students. The research followed a mixed approach with
quantitative predominance, a quasi-experimental design, and a longitudinal scope. The study involved
61 students from Universidad Politécnica Metropolitana de Hidalgo, who completed pretest and
posttest questionnaires, as well as a usability observation guide. Results showed that 75.5% did not
perceive themselves as prepared for a job interview; after using the simulator, 59% reported improved
confidence, 67.2% positively evaluated the feedback received, and 75.4% would recommend the tool.
It is concluded that artificial intelligence-based simulation is a relevant extracurricular strategy to
strengthen professional preparation.
Keywords: self-confidence; employability; formative feedback; communication skills; higher
education
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
pág. 6018
INTRODUCCIÓN
La transición de la universidad al mercado laboral es uno de los momentos más exigentes para los
estudiantes próximos a egresar. En carreras relacionadas con las tecnologías de la información, esta
transición presenta un reto particular: los estudiantes pueden contar con conocimientos técnicos
suficientes, experiencia académica en proyectos y manejo de herramientas de desarrollo, pero aun así
enfrentar dificultades para comunicar sus capacidades durante una entrevista laboral. En muchos
casos, el problema no está en la ausencia de conocimiento, sino en la inseguridad, el nerviosismo, la
falta de práctica y la poca claridad para explicar experiencias, decisiones técnicas o soluciones
implementadas.
La entrevista laboral debe comprenderse como un espacio de evaluación integral. No solo verifica si
una persona conoce un lenguaje de programación, una arquitectura de software o una tecnología
específica; también permite observar su capacidad para estructurar respuestas, comunicar
razonamientos, justificar decisiones, reconocer áreas de mejora y proyectar seguridad profesional. Por
ello, las competencias comunicativas, la autoconfianza y la gestión emocional se han convertido en
aspectos centrales de la empleabilidad, especialmente en perfiles de ingeniería que interactúan con
equipos multidisciplinarios.
La simulación educativa permite crear ambientes seguros para practicar situaciones cercanas a la
realidad, favoreciendo el aprendizaje activo y la reflexión sobre el desempeño propio (Cascarosa et
al., 2023; Ríos et al., 2024). En el caso de las entrevistas laborales, los simuladores apoyados en
inteligencia artificial ofrecen una posibilidad adicional: adaptar preguntas al perfil del usuario,
mantener una conversación dinámica y brindar retroalimentación inmediata. Esta posibilidad resulta
valiosa para instituciones de educación superior donde no siempre existen espacios sistemáticos para
preparar a los estudiantes ante procesos de selección profesional.
La inteligencia artificial generativa y los modelos de procesamiento de lenguaje natural han ampliado
las posibilidades de interacción entre estudiantes y sistemas digitales. A diferencia de los
cuestionarios estáticos o bancos de preguntas, los agentes conversacionales pueden responder con
base en el contexto de la conversación, identificar inconsistencias y solicitar aclaraciones.
INTRODUCCIÓN
La transición de la universidad al mercado laboral es uno de los momentos más exigentes para los
estudiantes próximos a egresar. En carreras relacionadas con las tecnologías de la información, esta
transición presenta un reto particular: los estudiantes pueden contar con conocimientos técnicos
suficientes, experiencia académica en proyectos y manejo de herramientas de desarrollo, pero aun así
enfrentar dificultades para comunicar sus capacidades durante una entrevista laboral. En muchos
casos, el problema no está en la ausencia de conocimiento, sino en la inseguridad, el nerviosismo, la
falta de práctica y la poca claridad para explicar experiencias, decisiones técnicas o soluciones
implementadas.
La entrevista laboral debe comprenderse como un espacio de evaluación integral. No solo verifica si
una persona conoce un lenguaje de programación, una arquitectura de software o una tecnología
específica; también permite observar su capacidad para estructurar respuestas, comunicar
razonamientos, justificar decisiones, reconocer áreas de mejora y proyectar seguridad profesional. Por
ello, las competencias comunicativas, la autoconfianza y la gestión emocional se han convertido en
aspectos centrales de la empleabilidad, especialmente en perfiles de ingeniería que interactúan con
equipos multidisciplinarios.
La simulación educativa permite crear ambientes seguros para practicar situaciones cercanas a la
realidad, favoreciendo el aprendizaje activo y la reflexión sobre el desempeño propio (Cascarosa et
al., 2023; Ríos et al., 2024). En el caso de las entrevistas laborales, los simuladores apoyados en
inteligencia artificial ofrecen una posibilidad adicional: adaptar preguntas al perfil del usuario,
mantener una conversación dinámica y brindar retroalimentación inmediata. Esta posibilidad resulta
valiosa para instituciones de educación superior donde no siempre existen espacios sistemáticos para
preparar a los estudiantes ante procesos de selección profesional.
La inteligencia artificial generativa y los modelos de procesamiento de lenguaje natural han ampliado
las posibilidades de interacción entre estudiantes y sistemas digitales. A diferencia de los
cuestionarios estáticos o bancos de preguntas, los agentes conversacionales pueden responder con
base en el contexto de la conversación, identificar inconsistencias y solicitar aclaraciones.
pág. 6019
En el caso de DeepSeek-V3.1, la modalidad de razonamiento permite construir retroalimentaciones
más elaboradas, lo que resulta pertinente para analizar explicaciones técnicas, argumentos y ejemplos
proporcionados por estudiantes.
A partir de esta problemática, se desarrolló un simulador web de entrevistas laborales dirigido a
estudiantes de noveno cuatrimestre de Ingeniería en Tecnologías de la Información de la Universidad
Politécnica Metropolitana de Hidalgo. El objetivo del artículo es presentar el diseño, implementación
y evaluación del simulador, así como analizar su influencia en la autoconfianza, la percepción de
preparación y la aceptación tecnológica de los estudiantes participantes.
METODOLOGÍA
La investigación se desarrolló bajo un enfoque mixto con predominio cuantitativo. El componente
cuantitativo permitió medir la percepción inicial y posterior de los estudiantes mediante cuestionarios
estructurados; el componente cualitativo se utilizó en la revisión documental y en la interpretación
pedagógica del problema. El diseño fue cuasi experimental, debido a que se trabajó con un grupo
previamente constituido, sin asignación aleatoria a grupos de control y experimental. Asimismo, tuvo
alcance longitudinal, ya que se compararon mediciones antes y después de la intervención durante el
periodo septiembre-diciembre de 2025.
La población objetivo estuvo conformada por estudiantes de noveno cuatrimestre de Ingeniería en
Tecnologías de la Información de la Universidad Politécnica Metropolitana de Hidalgo. La muestra
final fue de 61 participantes, seleccionados de manera intencional por encontrarse en la etapa previa a
su egreso y, por tanto, próximos a enfrentar procesos de estadía profesional, entrevistas o búsqueda de
empleo.
El proceso metodológico se organizó en seis fases: aplicación del pretest y diagnóstico inicial; análisis
de requerimientos funcionales y no funcionales; diseño del modelo entidad-relación, base de datos e
interfaces; programación del prototipo web; implementación con usuarios reales y pruebas de
usabilidad; y evaluación final mediante postest y análisis comparativo. Esta secuencia permitió
articular la construcción tecnológica con la medición educativa de la intervención.
El simulador se desarrolló bajo una arquitectura cliente-servidor. En el frontend se utilizó Angular
para construir una aplicación web de navegación fluida, mientras que en el backend se empleó
En el caso de DeepSeek-V3.1, la modalidad de razonamiento permite construir retroalimentaciones
más elaboradas, lo que resulta pertinente para analizar explicaciones técnicas, argumentos y ejemplos
proporcionados por estudiantes.
A partir de esta problemática, se desarrolló un simulador web de entrevistas laborales dirigido a
estudiantes de noveno cuatrimestre de Ingeniería en Tecnologías de la Información de la Universidad
Politécnica Metropolitana de Hidalgo. El objetivo del artículo es presentar el diseño, implementación
y evaluación del simulador, así como analizar su influencia en la autoconfianza, la percepción de
preparación y la aceptación tecnológica de los estudiantes participantes.
METODOLOGÍA
La investigación se desarrolló bajo un enfoque mixto con predominio cuantitativo. El componente
cuantitativo permitió medir la percepción inicial y posterior de los estudiantes mediante cuestionarios
estructurados; el componente cualitativo se utilizó en la revisión documental y en la interpretación
pedagógica del problema. El diseño fue cuasi experimental, debido a que se trabajó con un grupo
previamente constituido, sin asignación aleatoria a grupos de control y experimental. Asimismo, tuvo
alcance longitudinal, ya que se compararon mediciones antes y después de la intervención durante el
periodo septiembre-diciembre de 2025.
La población objetivo estuvo conformada por estudiantes de noveno cuatrimestre de Ingeniería en
Tecnologías de la Información de la Universidad Politécnica Metropolitana de Hidalgo. La muestra
final fue de 61 participantes, seleccionados de manera intencional por encontrarse en la etapa previa a
su egreso y, por tanto, próximos a enfrentar procesos de estadía profesional, entrevistas o búsqueda de
empleo.
El proceso metodológico se organizó en seis fases: aplicación del pretest y diagnóstico inicial; análisis
de requerimientos funcionales y no funcionales; diseño del modelo entidad-relación, base de datos e
interfaces; programación del prototipo web; implementación con usuarios reales y pruebas de
usabilidad; y evaluación final mediante postest y análisis comparativo. Esta secuencia permitió
articular la construcción tecnológica con la medición educativa de la intervención.
El simulador se desarrolló bajo una arquitectura cliente-servidor. En el frontend se utilizó Angular
para construir una aplicación web de navegación fluida, mientras que en el backend se empleó
pág. 6020
Node.js con Express para procesar solicitudes, administrar sesiones y comunicarse con el modelo de
inteligencia artificial. La base de datos se implementó en MySQL, con tablas orientadas al registro de
usuarios, perfiles, sesiones, mensajes, evaluaciones y progreso. Para favorecer un despliegue
controlado y consistente se utilizó Docker.
Los instrumentos utilizados fueron tres. El primero fue un cuestionario de pretest con preguntas
cerradas, escalas tipo Likert y opciones múltiples, diseñado para medir preparación percibida,
principales desafíos y expectativa de utilidad. El segundo fue una guía de observación estructurada,
aplicada durante las pruebas de usabilidad, con escala de tres niveles: no logrado, logrado con
dificultad y logrado exitosamente. El tercero fue un cuestionario de postest con escala Likert de cinco
puntos para valorar confianza posterior, claridad de la retroalimentación, precisión técnica, facilidad
de uso y recomendación de la herramienta.
Como criterios de inclusión se consideró a estudiantes vinculados con la etapa final de formación en
Ingeniería en Tecnologías de la Información que participaron en la intervención y completaron los
instrumentos correspondientes. Se excluyeron registros incompletos o respuestas que no permitieran
identificar la relación con el proceso de evaluación. En cuanto a las consideraciones éticas, se trabajó
con datos agregados y sin exposición de información personal sensible; la finalidad del estudio fue
académica y formativa. La principal limitación metodológica fue el uso de una muestra intencional de
una sola institución, lo que restringe la generalización de los resultados.
RESULTADOS Y DISCUSIÓN
Diagnóstico inicial y necesidad de intervención
Los resultados del pretest confirmaron una necesidad real de intervención. En la pregunta relacionada
con el nivel de preparación para enfrentar una entrevista laboral en tecnologías de la información,
75.5% de los participantes se ubicó entre las opciones “nada preparado”, “poco preparado” o
“neutral”. Únicamente 24.5% se percibió como preparado o muy preparado. Este hallazgo evidencia
una brecha entre la formación técnica recibida y la seguridad con la que los estudiantes comunican sus
capacidades en un proceso de selección.
En cuanto a los métodos de preparación utilizados, las respuestas mostraron una tendencia hacia
estrategias individuales y teóricas.
Node.js con Express para procesar solicitudes, administrar sesiones y comunicarse con el modelo de
inteligencia artificial. La base de datos se implementó en MySQL, con tablas orientadas al registro de
usuarios, perfiles, sesiones, mensajes, evaluaciones y progreso. Para favorecer un despliegue
controlado y consistente se utilizó Docker.
Los instrumentos utilizados fueron tres. El primero fue un cuestionario de pretest con preguntas
cerradas, escalas tipo Likert y opciones múltiples, diseñado para medir preparación percibida,
principales desafíos y expectativa de utilidad. El segundo fue una guía de observación estructurada,
aplicada durante las pruebas de usabilidad, con escala de tres niveles: no logrado, logrado con
dificultad y logrado exitosamente. El tercero fue un cuestionario de postest con escala Likert de cinco
puntos para valorar confianza posterior, claridad de la retroalimentación, precisión técnica, facilidad
de uso y recomendación de la herramienta.
Como criterios de inclusión se consideró a estudiantes vinculados con la etapa final de formación en
Ingeniería en Tecnologías de la Información que participaron en la intervención y completaron los
instrumentos correspondientes. Se excluyeron registros incompletos o respuestas que no permitieran
identificar la relación con el proceso de evaluación. En cuanto a las consideraciones éticas, se trabajó
con datos agregados y sin exposición de información personal sensible; la finalidad del estudio fue
académica y formativa. La principal limitación metodológica fue el uso de una muestra intencional de
una sola institución, lo que restringe la generalización de los resultados.
RESULTADOS Y DISCUSIÓN
Diagnóstico inicial y necesidad de intervención
Los resultados del pretest confirmaron una necesidad real de intervención. En la pregunta relacionada
con el nivel de preparación para enfrentar una entrevista laboral en tecnologías de la información,
75.5% de los participantes se ubicó entre las opciones “nada preparado”, “poco preparado” o
“neutral”. Únicamente 24.5% se percibió como preparado o muy preparado. Este hallazgo evidencia
una brecha entre la formación técnica recibida y la seguridad con la que los estudiantes comunican sus
capacidades en un proceso de selección.
En cuanto a los métodos de preparación utilizados, las respuestas mostraron una tendencia hacia
estrategias individuales y teóricas.
pág. 6021
El 37.1% de las respuestas correspondió a investigar sobre la empresa y el puesto, mientras que 30.6%
se orientó al repaso de temas técnicos. En contraste, solo 12.1% indicó practicar posibles preguntas
con amigos o familiares. Lo anterior sugiere que los estudiantes reconocen la importancia de
prepararse, pero suelen hacerlo desde la revisión de información y no desde la práctica
conversacional.
Respecto a los principales desafíos, 42.6% señaló que responder preguntas técnicas de forma precisa
era el aspecto que más nerviosismo le generaba. Además, 27.9% indicó dificultad para articular ideas
y experiencias de forma clara, mientras que 14.8% mencionó la gestión de nervios y ansiedad. Estos
datos muestran que el problema no es exclusivamente técnico: los aspectos comunicativos y
emocionales tienen un peso semejante y justifican una herramienta que ofrezca práctica,
retroalimentación y acompañamiento formativo.
Tabla 1. Síntesis de resultados principales
Indicador evaluado Resultado principal
Participantes del estudio 61 estudiantes
Estudiantes con baja o media preparación inicial 75.5%
Estudiantes que señalaron preguntas técnicas como mayor reto 42.6%
Expectativa inicial de utilidad de la plataforma 86.9%
Mejora percibida de confianza después del uso 59.0%
Valoración positiva de claridad y utilidad de la retroalimentación 67.2%
Valoración positiva de precisión técnica 67.2%
Facilidad de uso y navegación intuitiva 72.1%
Recomendación de la herramienta a otros compañeros 75.4%
Recepción exitosa de retroalimentación en prueba de usabilidad 85.0%
Fuente: elaboración propia con base en los resultados del pretest, postest y guía de observación, 2026.
Desarrollo funcional del simulador
El resultado tecnológico principal fue un prototipo web funcional para entrenamiento en entrevistas
laborales. La pantalla de inicio presentó el propósito del sistema y permitió comenzar el proceso de
entrenamiento. Posteriormente, el usuario completó un perfil inicial, en el cual indicó su área de
interés, nivel de experiencia, nivel de confianza, información sobre su perfil profesional y objetivos de
práctica, como se observa en las figuras 1 y 2.
El 37.1% de las respuestas correspondió a investigar sobre la empresa y el puesto, mientras que 30.6%
se orientó al repaso de temas técnicos. En contraste, solo 12.1% indicó practicar posibles preguntas
con amigos o familiares. Lo anterior sugiere que los estudiantes reconocen la importancia de
prepararse, pero suelen hacerlo desde la revisión de información y no desde la práctica
conversacional.
Respecto a los principales desafíos, 42.6% señaló que responder preguntas técnicas de forma precisa
era el aspecto que más nerviosismo le generaba. Además, 27.9% indicó dificultad para articular ideas
y experiencias de forma clara, mientras que 14.8% mencionó la gestión de nervios y ansiedad. Estos
datos muestran que el problema no es exclusivamente técnico: los aspectos comunicativos y
emocionales tienen un peso semejante y justifican una herramienta que ofrezca práctica,
retroalimentación y acompañamiento formativo.
Tabla 1. Síntesis de resultados principales
Indicador evaluado Resultado principal
Participantes del estudio 61 estudiantes
Estudiantes con baja o media preparación inicial 75.5%
Estudiantes que señalaron preguntas técnicas como mayor reto 42.6%
Expectativa inicial de utilidad de la plataforma 86.9%
Mejora percibida de confianza después del uso 59.0%
Valoración positiva de claridad y utilidad de la retroalimentación 67.2%
Valoración positiva de precisión técnica 67.2%
Facilidad de uso y navegación intuitiva 72.1%
Recomendación de la herramienta a otros compañeros 75.4%
Recepción exitosa de retroalimentación en prueba de usabilidad 85.0%
Fuente: elaboración propia con base en los resultados del pretest, postest y guía de observación, 2026.
Desarrollo funcional del simulador
El resultado tecnológico principal fue un prototipo web funcional para entrenamiento en entrevistas
laborales. La pantalla de inicio presentó el propósito del sistema y permitió comenzar el proceso de
entrenamiento. Posteriormente, el usuario completó un perfil inicial, en el cual indicó su área de
interés, nivel de experiencia, nivel de confianza, información sobre su perfil profesional y objetivos de
práctica, como se observa en las figuras 1 y 2.
pág. 6022
Figura 1. Pantalla de inicio del simulador web.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Figura 2. Configuración del perfil inicial del usuario.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Figura 1. Pantalla de inicio del simulador web.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Figura 2. Configuración del perfil inicial del usuario.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
pág. 6023
Como se observa en la figura 3, el panel de control permitió visualizar el perfil del estudiante, número
de sesiones, sesiones completadas, tiempo acumulado y sesiones recientes. Esta sección convirtió al
simulador en una herramienta de seguimiento, no solo en un chat aislado, porque desde ahí el
estudiante pudo iniciar nuevas prácticas o consultar evaluaciones anteriores.
Figura 3. Panel de control del usuario y seguimiento de sesiones.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Como se observa en la figura 4, la configuración de entrevista permitió personalizar la experiencia. El
estudiante pudo elegir entrevistas técnicas, comportamentales o mixtas; seleccionar nivel junior, mid-
level o senior; definir el idioma; establecer una duración aproximada; e indicar tecnologías específicas
como React, Angular, Flutter o Supabase. Esta personalización favoreció que la práctica se ajustara a
intereses y perfiles distintos dentro del área de tecnologías de la información.
Como se observa en la figura 3, el panel de control permitió visualizar el perfil del estudiante, número
de sesiones, sesiones completadas, tiempo acumulado y sesiones recientes. Esta sección convirtió al
simulador en una herramienta de seguimiento, no solo en un chat aislado, porque desde ahí el
estudiante pudo iniciar nuevas prácticas o consultar evaluaciones anteriores.
Figura 3. Panel de control del usuario y seguimiento de sesiones.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Como se observa en la figura 4, la configuración de entrevista permitió personalizar la experiencia. El
estudiante pudo elegir entrevistas técnicas, comportamentales o mixtas; seleccionar nivel junior, mid-
level o senior; definir el idioma; establecer una duración aproximada; e indicar tecnologías específicas
como React, Angular, Flutter o Supabase. Esta personalización favoreció que la práctica se ajustara a
intereses y perfiles distintos dentro del área de tecnologías de la información.
pág. 6024
Figura 4. Parámetros de configuración de entrevista.
Fuente: elaboración propia con base en el prototipo del simulador, 20256.
Durante la entrevista, la interfaz de chat simuló una conversación con un entrevistador. El sistema
inició con una breve presentación y formuló preguntas de seguimiento de acuerdo con las respuestas
del estudiante. En las pruebas realizadas se observó que la inteligencia artificial no solo continuaba la
conversación, sino que también mantenía el contexto y corregía desviaciones del objetivo de la
práctica. Se puede observar en la figura 5.
Figura 4. Parámetros de configuración de entrevista.
Fuente: elaboración propia con base en el prototipo del simulador, 20256.
Durante la entrevista, la interfaz de chat simuló una conversación con un entrevistador. El sistema
inició con una breve presentación y formuló preguntas de seguimiento de acuerdo con las respuestas
del estudiante. En las pruebas realizadas se observó que la inteligencia artificial no solo continuaba la
conversación, sino que también mantenía el contexto y corregía desviaciones del objetivo de la
práctica. Se puede observar en la figura 5.
pág. 6025
Figura 5. Interfaz conversacional de simulación en tiempo real.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Un comportamiento relevante se presentó cuando el usuario solicitó resolver una tarea de
programación, como se observa en la figura 6. En lugar de entregar la solución, el simulador aclaró
que su función era evaluar habilidades dentro de una entrevista y no actuar como tutor para resolver
problemas completos. Esta respuesta mostró la pertinencia de las restricciones incorporadas al prompt
del sistema y permitió mantener la experiencia dentro del propósito formativo de la investigación.
Figura 6. Validación del comportamiento del simulador ante solicitudes fuera de alcance.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Figura 5. Interfaz conversacional de simulación en tiempo real.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Un comportamiento relevante se presentó cuando el usuario solicitó resolver una tarea de
programación, como se observa en la figura 6. En lugar de entregar la solución, el simulador aclaró
que su función era evaluar habilidades dentro de una entrevista y no actuar como tutor para resolver
problemas completos. Esta respuesta mostró la pertinencia de las restricciones incorporadas al prompt
del sistema y permitió mantener la experiencia dentro del propósito formativo de la investigación.
Figura 6. Validación del comportamiento del simulador ante solicitudes fuera de alcance.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
pág. 6026
Al finalizar la entrevista (figura 7), el simulador generó una evaluación con puntuación general,
valoración por competencias, comentarios, fortalezas, áreas de mejora y recomendaciones. Las
competencias consideradas incluyeron claridad y estructura, precisión técnica, comunicación y
gestión emocional. Esta retroalimentación permitió que el estudiante identificara no solo una
calificación global, sino aspectos concretos para trabajar en futuras sesiones.
Figura 7. Evaluación final de la entrevista y retroalimentación por competencias.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
Al finalizar la entrevista (figura 7), el simulador generó una evaluación con puntuación general,
valoración por competencias, comentarios, fortalezas, áreas de mejora y recomendaciones. Las
competencias consideradas incluyeron claridad y estructura, precisión técnica, comunicación y
gestión emocional. Esta retroalimentación permitió que el estudiante identificara no solo una
calificación global, sino aspectos concretos para trabajar en futuras sesiones.
Figura 7. Evaluación final de la entrevista y retroalimentación por competencias.
Fuente: elaboración propia con base en el prototipo del simulador, 2026.
pág. 6027
Evaluación posterior, usabilidad y discusión de hallazgos
Después del uso del simulador, 59% de los estudiantes estuvo de acuerdo o totalmente de acuerdo en
que su confianza para enfrentar una entrevista laboral había mejorado. Aunque 32.8% mantuvo una
posición neutral, solo 8.2% manifestó desacuerdo. Este resultado indica un efecto positivo en la
mayoría de los participantes, especialmente si se considera que el diagnóstico inicial mostró una baja
percepción de preparación.
La retroalimentación proporcionada por el simulador también fue valorada favorablemente. El 67.2%
consideró que los comentarios de la inteligencia artificial fueron claros y útiles, y el mismo porcentaje
estimó acertada la retroalimentación sobre precisión técnica. Este resultado resulta significativo
porque la retroalimentación representa el componente pedagógico central de la herramienta; una
simulación sin evaluación posterior puede quedarse en una experiencia aislada, mientras que una
simulación con comentarios específicos orienta la mejora.
Desde el punto de vista tecnológico, la facilidad de uso obtuvo una valoración positiva: 72.1% de los
estudiantes consideró que la plataforma fue intuitiva. En la guía de observación, 79% completó
exitosamente el registro e inicio de sesión; 78.3% interactuó con la inteligencia artificial sin
inconvenientes; 85% recibió correctamente la retroalimentación; y 81.7% desarrolló sesiones sin
errores relevantes. Estos resultados muestran que el prototipo tuvo un desempeño técnico adecuado
para una validación académica inicial.
Los hallazgos coinciden con antecedentes que destacan el valor de la simulación educativa para
reducir el temor al error y promover la reflexión sobre el desempeño (Cascarosa et al., 2023;
Lachalde, 2025). A la vez, se observa que la herramienta no sustituye la tutoría docente ni la
entrevista real; más bien funciona como una estrategia complementaria que permite ensayar varias
veces, recibir comentarios inmediatos y llegar con mayor seguridad a situaciones profesionales
auténticas.
La recomendación de la herramienta por parte de 75.4% de los estudiantes refleja aceptación social y
potencial de adopción institucional. Sin embargo, la percepción positiva de los usuarios no equivale
por sí sola a una validación externa de reclutadores o expertos técnicos independientes.
Evaluación posterior, usabilidad y discusión de hallazgos
Después del uso del simulador, 59% de los estudiantes estuvo de acuerdo o totalmente de acuerdo en
que su confianza para enfrentar una entrevista laboral había mejorado. Aunque 32.8% mantuvo una
posición neutral, solo 8.2% manifestó desacuerdo. Este resultado indica un efecto positivo en la
mayoría de los participantes, especialmente si se considera que el diagnóstico inicial mostró una baja
percepción de preparación.
La retroalimentación proporcionada por el simulador también fue valorada favorablemente. El 67.2%
consideró que los comentarios de la inteligencia artificial fueron claros y útiles, y el mismo porcentaje
estimó acertada la retroalimentación sobre precisión técnica. Este resultado resulta significativo
porque la retroalimentación representa el componente pedagógico central de la herramienta; una
simulación sin evaluación posterior puede quedarse en una experiencia aislada, mientras que una
simulación con comentarios específicos orienta la mejora.
Desde el punto de vista tecnológico, la facilidad de uso obtuvo una valoración positiva: 72.1% de los
estudiantes consideró que la plataforma fue intuitiva. En la guía de observación, 79% completó
exitosamente el registro e inicio de sesión; 78.3% interactuó con la inteligencia artificial sin
inconvenientes; 85% recibió correctamente la retroalimentación; y 81.7% desarrolló sesiones sin
errores relevantes. Estos resultados muestran que el prototipo tuvo un desempeño técnico adecuado
para una validación académica inicial.
Los hallazgos coinciden con antecedentes que destacan el valor de la simulación educativa para
reducir el temor al error y promover la reflexión sobre el desempeño (Cascarosa et al., 2023;
Lachalde, 2025). A la vez, se observa que la herramienta no sustituye la tutoría docente ni la
entrevista real; más bien funciona como una estrategia complementaria que permite ensayar varias
veces, recibir comentarios inmediatos y llegar con mayor seguridad a situaciones profesionales
auténticas.
La recomendación de la herramienta por parte de 75.4% de los estudiantes refleja aceptación social y
potencial de adopción institucional. Sin embargo, la percepción positiva de los usuarios no equivale
por sí sola a una validación externa de reclutadores o expertos técnicos independientes.
pág. 6028
Por ello, futuras evaluaciones deberían incorporar un grupo de comparación, jueces externos y
seguimiento a egresados para analizar la relación entre el desempeño en el simulador y los procesos
reales de inserción laboral.
CONCLUSIONES
El desarrollo y evaluación del simulador web permitió comprobar que la inteligencia artificial puede
incorporarse como apoyo en la preparación de estudiantes universitarios para entrevistas laborales. La
herramienta respondió a una necesidad previamente identificada: la falta de práctica conversacional y
la baja autoconfianza de estudiantes próximos a egresar del área de tecnologías de la información.
Los resultados del pretest mostraron que una proporción importante de estudiantes no se percibía
preparada para entrevistas laborales. Asimismo, los principales desafíos estuvieron relacionados con
responder preguntas técnicas, articular ideas de forma clara y gestionar los nervios. Esta combinación
confirmó que la solución debía abordar tanto aspectos técnicos como comunicativos y emocionales.
Después de utilizar el simulador, la mayoría de los participantes reportó mejora en su confianza.
También se valoró positivamente la claridad, utilidad y precisión técnica de la retroalimentación
generada por el sistema. Estos resultados permiten sostener que el simulador funcionó como un
entorno de práctica formativa, capaz de ofrecer al estudiante una experiencia cercana a una entrevista
y comentarios útiles para mejorar.
La usabilidad del sistema fue adecuada para una primera validación académica. La mayoría de los
usuarios logró registrarse, navegar, interactuar con la inteligencia artificial y recibir retroalimentación
sin dificultades mayores. No obstante, se identificaron áreas de mejora relacionadas con la transición
hacia el inicio de la simulación y con la necesidad de fortalecer las instrucciones dentro de la interfaz.
Se concluye que el simulador web basado en DeepSeek-V3.1 representa una estrategia viable para
fortalecer la preparación extracurricular de estudiantes de Ingeniería en Tecnologías de la
Información. Su implementación institucional podría contribuir a mejorar la seguridad, la claridad
comunicativa y la preparación de los futuros egresados ante procesos de selección laboral. Como tarea
pendiente, se recomienda ampliar la muestra, incorporar grupos de comparación, incluir evaluación de
expertos humanos y realizar seguimiento posterior a egresados para analizar el impacto real en la
inserción laboral.
Por ello, futuras evaluaciones deberían incorporar un grupo de comparación, jueces externos y
seguimiento a egresados para analizar la relación entre el desempeño en el simulador y los procesos
reales de inserción laboral.
CONCLUSIONES
El desarrollo y evaluación del simulador web permitió comprobar que la inteligencia artificial puede
incorporarse como apoyo en la preparación de estudiantes universitarios para entrevistas laborales. La
herramienta respondió a una necesidad previamente identificada: la falta de práctica conversacional y
la baja autoconfianza de estudiantes próximos a egresar del área de tecnologías de la información.
Los resultados del pretest mostraron que una proporción importante de estudiantes no se percibía
preparada para entrevistas laborales. Asimismo, los principales desafíos estuvieron relacionados con
responder preguntas técnicas, articular ideas de forma clara y gestionar los nervios. Esta combinación
confirmó que la solución debía abordar tanto aspectos técnicos como comunicativos y emocionales.
Después de utilizar el simulador, la mayoría de los participantes reportó mejora en su confianza.
También se valoró positivamente la claridad, utilidad y precisión técnica de la retroalimentación
generada por el sistema. Estos resultados permiten sostener que el simulador funcionó como un
entorno de práctica formativa, capaz de ofrecer al estudiante una experiencia cercana a una entrevista
y comentarios útiles para mejorar.
La usabilidad del sistema fue adecuada para una primera validación académica. La mayoría de los
usuarios logró registrarse, navegar, interactuar con la inteligencia artificial y recibir retroalimentación
sin dificultades mayores. No obstante, se identificaron áreas de mejora relacionadas con la transición
hacia el inicio de la simulación y con la necesidad de fortalecer las instrucciones dentro de la interfaz.
Se concluye que el simulador web basado en DeepSeek-V3.1 representa una estrategia viable para
fortalecer la preparación extracurricular de estudiantes de Ingeniería en Tecnologías de la
Información. Su implementación institucional podría contribuir a mejorar la seguridad, la claridad
comunicativa y la preparación de los futuros egresados ante procesos de selección laboral. Como tarea
pendiente, se recomienda ampliar la muestra, incorporar grupos de comparación, incluir evaluación de
expertos humanos y realizar seguimiento posterior a egresados para analizar el impacto real en la
inserción laboral.
pág. 6029
REFERENCIAS BIBLIOGRAFICAS
Berrios Zepeda, R., & Márquez Mora, L. (2025). Agente de inteligencia artificial generativa en
investigación científica: Un análisis explicativo del aprendizaje en el aula. RIED-Revista
Iberoamericana de Educación a Distancia, 28(2), 39-55. https://doi.org/10.5944/ried.28.2.43545
Capacitación de Personal Mx. (2025). Habilidades blandas 2025: Guía completa.
https://capacitaciondepersonal.com.mx/habilidades-blandas-ejemplos-capacitacion-2025/
Cascarosa Salillas, E., Pozuelo Muñoz, J., Martín García, J., & Carrasquer Álvarez, B. (2023).
Percepciones del profesorado ante el uso de simuladores virtuales en la enseñanza de las ciencias.
Revista Interuniversitaria de Formación del Profesorado, 98(37.2), 291-312.
CognosOnline. (2024). Habilidades blandas o soft skills más demandadas en 2025.
https://cognosonline.com/habilidades-blandas/
Colomé Cedeño, D. M., & Enríquez González, S. de las M. (2025). Simulaciones de entrevistas con
IA generativa: Un enfoque pedagógico para mejorar la educción de requisitos en el posgrado.
UCE Ciencia. Revista de Postgrado, 13(2). https://doi.org/10.47553/rifop.v98i37.2.95842
DeepSeek Docs. (2025). DeepSeek-V3.1 Release. https://api-docs.deepseek.com/news/news250821
Educaweb. (2025). Tipos y fases de la entrevista de trabajo.
https://www.educaweb.com/contenidos/laborales/proceso-seleccion-personal/entrevista-trabajo/
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la
investigación (6.ª ed.). McGraw-Hill. https://dialnet.unirioja.es/servlet/libro?codigo=775008
Herrera-Delgado, A. (2025). Simulación de entornos laborales con IA en la educación de diseño
digital en línea. European Public and Social Innovation Review, 10, 1-22.
https://doi.org/10.31637/epsir-2025-1871
Herrera Zamorano, B. R. (2023). Entrevista de trabajo. Unidades de Apoyo para el Aprendizaje,
CUAED/Facultad de Medicina, Universidad Nacional Autónoma de México. https://repositorio-
uapa.cuaed.unam.mx/repositorio/moodle/pluginfile.php/2517/mod_resource/content/4/UAPA-
Entrevista-Trabajo/index.html
Lachalde, M. L. (2025). Práctica mediada por inteligencia artificial: La simulación de la entrevista en
orientación. Orientación y Sociedad, 25(1), e085. https://doi.org/10.24215/18518893e085
REFERENCIAS BIBLIOGRAFICAS
Berrios Zepeda, R., & Márquez Mora, L. (2025). Agente de inteligencia artificial generativa en
investigación científica: Un análisis explicativo del aprendizaje en el aula. RIED-Revista
Iberoamericana de Educación a Distancia, 28(2), 39-55. https://doi.org/10.5944/ried.28.2.43545
Capacitación de Personal Mx. (2025). Habilidades blandas 2025: Guía completa.
https://capacitaciondepersonal.com.mx/habilidades-blandas-ejemplos-capacitacion-2025/
Cascarosa Salillas, E., Pozuelo Muñoz, J., Martín García, J., & Carrasquer Álvarez, B. (2023).
Percepciones del profesorado ante el uso de simuladores virtuales en la enseñanza de las ciencias.
Revista Interuniversitaria de Formación del Profesorado, 98(37.2), 291-312.
CognosOnline. (2024). Habilidades blandas o soft skills más demandadas en 2025.
https://cognosonline.com/habilidades-blandas/
Colomé Cedeño, D. M., & Enríquez González, S. de las M. (2025). Simulaciones de entrevistas con
IA generativa: Un enfoque pedagógico para mejorar la educción de requisitos en el posgrado.
UCE Ciencia. Revista de Postgrado, 13(2). https://doi.org/10.47553/rifop.v98i37.2.95842
DeepSeek Docs. (2025). DeepSeek-V3.1 Release. https://api-docs.deepseek.com/news/news250821
Educaweb. (2025). Tipos y fases de la entrevista de trabajo.
https://www.educaweb.com/contenidos/laborales/proceso-seleccion-personal/entrevista-trabajo/
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la
investigación (6.ª ed.). McGraw-Hill. https://dialnet.unirioja.es/servlet/libro?codigo=775008
Herrera-Delgado, A. (2025). Simulación de entornos laborales con IA en la educación de diseño
digital en línea. European Public and Social Innovation Review, 10, 1-22.
https://doi.org/10.31637/epsir-2025-1871
Herrera Zamorano, B. R. (2023). Entrevista de trabajo. Unidades de Apoyo para el Aprendizaje,
CUAED/Facultad de Medicina, Universidad Nacional Autónoma de México. https://repositorio-
uapa.cuaed.unam.mx/repositorio/moodle/pluginfile.php/2517/mod_resource/content/4/UAPA-
Entrevista-Trabajo/index.html
Lachalde, M. L. (2025). Práctica mediada por inteligencia artificial: La simulación de la entrevista en
orientación. Orientación y Sociedad, 25(1), e085. https://doi.org/10.24215/18518893e085
pág. 6030
Layseca Burdiles, J. A. (2024). Transformando la retroalimentación en los tutores de simulación
clínica. Universidad del Desarrollo.
https://repositorio.udd.cl/server/api/core/bitstreams/ed89fd83-5acb-4ca2-b47a-
490d46b59afd/content
Montenegro Cruz, N. Y. (2022). App de gamificación para la retroalimentación formativa en
educación virtual. Revista Boliviana de Educación, 5(2), 19-34.
https://revistahorizontes.org/index.php/revistahorizontes/article/view/713
Orrala Pita, K. Y. (2024). Optimización de la preparación para entrevistas laborales a través de un
simulador interactivo basado en ChatGPT [Tesis de pregrado, Universidad Estatal Península de
Santa Elena]. https://repositorio.upse.edu.ec/handle/46000/12827
PeopleCrafter. (2025). Simulación en entrevistas laborales: Cómo pueden ayudarnos.
https://peoplecrafter.com/simulacion-en-entrevistas-laborales-como-pueden-ayudarnos/
Ríos, J. N. Á., Navarro Álvarez, L., Tomás, A., & García López, D. (2024). Simulación clínica y la
modelización didáctica en ciencias de la salud. Educación Médica, 25(1), 1-8.
https://www.sciencedirect.com/science/article/pii/S1575181324000378
RUDICS-UNAM. (2022). Talento humano en las organizaciones: competencias blandas para la
empleabilidad de estudiantes universitarios. https://virtual.cuautitlan.unam.mx/rudics/?p=3831
Skiller Education. (2025). DeepSeek-V3.1: La revolución silenciosa que redefine el futuro de la IA
open-source gracias al Hybrid Thinking Mode. https://skiller.education/deepseek-v3-1-la-
revolucion-silenciosa-que-redefine-el-futuro-de-la-ia-open-source-gracias-al-bestial-hybrid-
thinking-mode/
Layseca Burdiles, J. A. (2024). Transformando la retroalimentación en los tutores de simulación
clínica. Universidad del Desarrollo.
https://repositorio.udd.cl/server/api/core/bitstreams/ed89fd83-5acb-4ca2-b47a-
490d46b59afd/content
Montenegro Cruz, N. Y. (2022). App de gamificación para la retroalimentación formativa en
educación virtual. Revista Boliviana de Educación, 5(2), 19-34.
https://revistahorizontes.org/index.php/revistahorizontes/article/view/713
Orrala Pita, K. Y. (2024). Optimización de la preparación para entrevistas laborales a través de un
simulador interactivo basado en ChatGPT [Tesis de pregrado, Universidad Estatal Península de
Santa Elena]. https://repositorio.upse.edu.ec/handle/46000/12827
PeopleCrafter. (2025). Simulación en entrevistas laborales: Cómo pueden ayudarnos.
https://peoplecrafter.com/simulacion-en-entrevistas-laborales-como-pueden-ayudarnos/
Ríos, J. N. Á., Navarro Álvarez, L., Tomás, A., & García López, D. (2024). Simulación clínica y la
modelización didáctica en ciencias de la salud. Educación Médica, 25(1), 1-8.
https://www.sciencedirect.com/science/article/pii/S1575181324000378
RUDICS-UNAM. (2022). Talento humano en las organizaciones: competencias blandas para la
empleabilidad de estudiantes universitarios. https://virtual.cuautitlan.unam.mx/rudics/?p=3831
Skiller Education. (2025). DeepSeek-V3.1: La revolución silenciosa que redefine el futuro de la IA
open-source gracias al Hybrid Thinking Mode. https://skiller.education/deepseek-v3-1-la-
revolucion-silenciosa-que-redefine-el-futuro-de-la-ia-open-source-gracias-al-bestial-hybrid-
thinking-mode/