Efectos de la Inteligencia Artificial en Competencias de Educación Básica y su Correlación con Indicadores de Éxito en Ingeniería

Palabras clave: inteligencia artificial educativa, analítica del aprendizaje, educación básica, educación en ingeniería, desempeño académico temprano

Resumen

Este estudio analiza la relación entre el uso pedagógico de la inteligencia artificial en la educación básica y el desempeño inicial en programas de ingeniería. Se implementó una intervención en secundaria técnica basada en tutorización inteligente, verificación de procedimientos mediante visión por computadora y analítica de aprendizaje obtenida de dispositivos conectados. El diseño experimental, organizado por escuelas e incorporado de forma escalonada, permitió estimar los efectos en competencias científicas y matemáticas fundamentales, tales como la precisión experimental, la argumentación en informes, la resolución de problemas y la autorregulación. Posteriormente, se examinó su correlación con indicadores académicos del primer año universitario: aprobación de Cálculo y Física, avance de créditos y persistencia al segundo semestre. El análisis combinó modelos multinivel y enfoques de diferencias en diferencias, incorporando estimaciones de heterogeneidad según contexto urbano-rural, nivel de conectividad y presencia de necesidades educativas específicas. Los resultados muestran que mayores niveles de práctica guiada y retroalimentación inmediata en la educación básica se asocian con mejoras significativas en el desempeño experimental y, posteriormente, con trayectorias iniciales más favorables en ingeniería. Estos hallazgos aportan evidencia para la actualización de las planeaciones didácticas, el fortalecimiento de la formación docente y la orientación de políticas educativas que promuevan una adopción responsable y equitativa de la inteligencia artificial desde los niveles básicos.

Descargas

La descarga de datos todavía no está disponible.

Citas

Achuthan, K., Raghavan, D., & Shankar, B. (2021). Impact of remote experimentation, interactivity and platform effectiveness on laboratory learning outcomes. International Journal of Educational Technology in Higher Education, 18, 38. https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-021-00272-z

Azur, M. J., Stuart, E. A., Frangakis, C., & Leaf, P. J. (2011). Multiple imputation by chained equations: What is it and how does it work? International Journal of Methods in Psychiatric Research, 20(1), 40–49. https://pmc.ncbi.nlm.nih.gov/articles/PMC3074241/

Banerjee, A. V., Cole, S., Duflo, E., & Linden, L. (2007). Remedying education: Evidence from two randomized experiments in India. The Quarterly Journal of Economics, 122(3), 1235–1264. https://www.nber.org/system/files/working_papers/w11904/w11904.pdf

Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7–74. https://assess.ucr.edu/sites/default/files/2019-02/blackwiliam_1998.pdf

Cunningham, S. (2021). Causal Inference: The Mixtape. [Libro en línea, acceso abierto]. https://mixtape.scunning.com/

Graham, M. J., Frederick, J., Byars-Winston, A., Hunter, A.-B., & Handelsman, J. (2013). Increasing persistence of college students in STEM. Science, 341(6153), 1455–1456. https://pmc.ncbi.nlm.nih.gov/articles/PMC10167736/

Heradio, R., de la Torre, L., & Dormido, S. (2016). Virtual and remote labs in control education: A survey. Annual Reviews in Control, 42, 1–10. https://daneshyari.com/article/preview/4999550.pdf

Hemming, K., Haines, T. P., Chilton, P. J., Girling, A. J., & Lilford, R. J. (2015). The stepped wedge cluster randomised trial: Rationale, design, analysis, and reporting. BMJ, 350, h391. https://www.bmj.com/content/350/bmj.h391

Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. [Edición en línea, acceso abierto]. https://content.sph.harvard.edu/wwwhsph/sites/1268/2024/01/hernanrobins_WhatIf_2jan24.pdf

Hsu, J. L., & Dudley, L. (2022). Characterizing first-year biology majors’ motivations and perceptions of the discipline. Journal of Microbiology & Biology Education, 23(3), e00134-22. (PMC OA). https://pmc.ncbi.nlm.nih.gov/articles/PMC9753663/

Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, 68(4), 1961–1990. https://rdcu.be/eJ9Xi

Muralidharan, K., Singh, A., & Ganimian, A. J. (2019). Disrupting education? Experimental evidence on technology-aided instruction in India. American Economic Review, 109(4), 1426–1460. https://www.nber.org/system/files/working_papers/w22923/w22923.pdf

UNESCO. (2021). AI and education: Guidance for policy-makers.https://teachertaskforce.org/sites/default/files/2023-07/2021_UNESCO_AI-and-education-Guidande-for-policy-makers_EN.pdf

UNESCO. (2023). Guidance for generative AI in education and research.https://unesdoc.unesco.org/ark:/48223/pf0000386693

Wiliam, D. (2016). The secret of effective feedback. Educational Leadership, 73(7). https://www.ascd.org/el/articles/the-secret-of-effective-feedback

Publicado
2025-11-27
Cómo citar
Martínez, W. D., Hernández Pérez, F., Carrillo Santos, C. A., Santana Valadez, L. A., Zarazúa Sánchez, J. A., & Rojas Ponciano, A. G. (2025). Efectos de la Inteligencia Artificial en Competencias de Educación Básica y su Correlación con Indicadores de Éxito en Ingeniería. Ciencia Latina Revista Científica Multidisciplinar, 9(6), 52-70. https://doi.org/10.37811/cl_rcm.v9i6.20835
Sección
Ciencias de la Educación