Efectos de la Inteligencia Artificial en Competencias de Educación Básica y su Correlación con Indicadores de Éxito en Ingeniería
Resumen
Este estudio analiza la relación entre el uso pedagógico de la inteligencia artificial en la educación básica y el desempeño inicial en programas de ingeniería. Se implementó una intervención en secundaria técnica basada en tutorización inteligente, verificación de procedimientos mediante visión por computadora y analítica de aprendizaje obtenida de dispositivos conectados. El diseño experimental, organizado por escuelas e incorporado de forma escalonada, permitió estimar los efectos en competencias científicas y matemáticas fundamentales, tales como la precisión experimental, la argumentación en informes, la resolución de problemas y la autorregulación. Posteriormente, se examinó su correlación con indicadores académicos del primer año universitario: aprobación de Cálculo y Física, avance de créditos y persistencia al segundo semestre. El análisis combinó modelos multinivel y enfoques de diferencias en diferencias, incorporando estimaciones de heterogeneidad según contexto urbano-rural, nivel de conectividad y presencia de necesidades educativas específicas. Los resultados muestran que mayores niveles de práctica guiada y retroalimentación inmediata en la educación básica se asocian con mejoras significativas en el desempeño experimental y, posteriormente, con trayectorias iniciales más favorables en ingeniería. Estos hallazgos aportan evidencia para la actualización de las planeaciones didácticas, el fortalecimiento de la formación docente y la orientación de políticas educativas que promuevan una adopción responsable y equitativa de la inteligencia artificial desde los niveles básicos.
Descargas
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
Derechos de autor 2025 Wendy Daniel Martínez, Faride Hernández Pérez, Carlos Alberto Carrillo Santos, Luis Alejandro Santana Valadez, José Alberto Zarazúa Sánchez, Andrea Genoveva Rojas Ponciano

Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.











.png)
















.png)
1.png)

