Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 593
LA INTELIGENCIA ARTIFICIAL EN EL APRENDIZAJE UNIVERSITARIO EN LA
UNIVERSIDAD ESTATAL DE MILAGRO: UN ANÁLISIS DESCRIPTIVO DE LA CURVA
DE APRENDIZAJE TRADICIONAL Y TECNOLÓGICA
ARTIFICIAL INTELLIGENCE IN UNIVERSITY LEARNING AT THE STATE
UNIVERSITY OF MILAGRO: A DESCRIPTIVE ANALYSIS OF THE TRADITIONAL AND
TECHNOLOGICAL LEARNING CURVE
Autores: ¹Valeria Estefanía Buñay Paguay, ²Alejandra Lissette Quezada Iñiguez, ³José Luis
Guachun Saldaña y
4
Mercy Alexandra Buñay Paguay.
¹ORCID ID: https://orcid.org/0009-0008-1332-5652
²ORCID ID: https://orcid.org/0009-0007-8456-5525
3
ORCID ID:
https://orcid.org/0009-0008-8585-8626
4
ORCID ID:
https://orcid.org/0009-0006-2989-9568
¹E-mail de contacto: vbunayp@unemi.edu.ec
²E-mail de contacto: aquezadai@unemi.edu.ec
³E-mail de contacto: jose.guachun@unae.edu.ec
4
E-mail de contacto:
mercy.bunay@educacion.gob.ec
Afiliación: ¹*²*Universidad Estatal de Milagro, (Ecuador). ³*Universidad Nacional de Educación, (Ecuador).
4
*Unidad Educativa
Miguel de Cervantes, (Ecuador).
Artículo recibido: 1 de Noviembre del 2025
Artículo revisado: 3 de Noviembre del 2025
Artículo aprobado: 10 de Noviembre del 2025
¹Ingeniera en Sistemas Computacionales graduada de la Universidad Estatal de Milagro (Ecuador), con dos años de experiencia como
técnico docente de tiempo completo en la Facultad de Vinculación. Maestrante en Gestión de Proyectos en la Universidad Estatal de
Milagro, (Ecuador).
²Licenciada en Diseño Gráfico, graduada de la Universidad Estatal de Milagro, (Ecuador), con tres años de experiencia en el ámbito
educativo, desempeñándose como docente de inglés y Ciencias Naturales. Actualmente, Técnico Docente en la Facultad de Vinculación
de la Universidad Estatal de Milagro, (Ecuador), donde contribuye al desarrollo académico, la innovación educativa y la gestión de
proyectos institucionales. Magíster en Educación Básica y maestrante en Marketing Digital en la Universidad Estatal de Milagro,
(Ecuador).
³Ingeniero en Sistemas Computacionales, graduado de la Universidad Estatal de Milagro, (Ecuador), con tres años de experiencia en el
ámbito del desarrollo web. Actualmente, se desempeña como analista de software de tiempo completo en la Universidad Nacional de
Educación, (Ecuador). Maestrante en Desarrollo y Operaciones (DevOps) en la Universidad Internacional de La Rioja (UNIR), España.
4
Licenciada en Ciencias de la Educación Básica, graduada en la Universidad del Chimborazo (Ecuador), con veinticuatro años de
experiencia en el ámbito educativo. Actualmente, se desempeña como docente de tiempo completo en la Unidad Educativa Miguel de
Cervantes, (Ecuador). Magíster en Educación Básica, graduada de la Universidad Estatal de Milagro (Ecuador).
Resumen
Este artículo analiza la influencia de la
inteligencia artificial en el aprendizaje
universitario en la Universidad Estatal de
Milagro (UNEMI), comparando la curva de
aprendizaje tradicional con la curva tecnológica
mediada por IA. El objetivo general fue
describir el impacto del uso de IA en la
velocidad de adquisición, la retención del
conocimiento y el desarrollo del pensamiento
crítico, frente a los métodos tradicionales. Se
empleó un enfoque cuantitativo, descriptivo y
comparativo, con diseño no experimental y
corte transversal. Participaron 80 estudiantes de
pregrado y posgrado. Se utilizó un cuestionario
tipo Likert de 15 ítems (α > 0,80), aplicado
mediante formulario digital. El análisis incluyó
estadística descriptiva y comparación de
medias. Los resultados evidencian coexistencia
de ambos enfoques: el tradicional mantiene
mayor valoración en mediación docente,
profundidad conceptual y pensamiento crítico
(p. ej., preferencia general del 68%); mientras
que la curva tecnológica destaca por autonomía
(60%), acceso inmediato a la información y
optimización del tiempo de estudio (37,7% la
percibe como mejora del tiempo; 32,5% reporta
aprender más rápido). Se identifican riesgos de
dependencia tecnológica y posibles
limitaciones para la reflexión si no hay
acompañamiento docente. Se concluye que el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 594
modelo híbrido integrando mediación docente y
potencialidades de la IA ofrece la vía más
prometedora para un aprendizaje integral, ético
y significativo en educación superior.
Palabras clave: Inteligencia artificial,
Aprendizaje universitario, Curva de
aprendizaje, Innovación educativa,
Pensamiento crítico.
Abstract
This study analyzes the influence of Artificial
Intelligence on university learning at the State
University of Milagro (UNEMI), comparing the
traditional learning curve with the technology-
mediated learning curve. The main objective
was to describe the impact of AI use on learning
speed, knowledge retention, and the
development of critical thinking compared to
traditional methods. A quantitative, descriptive,
and comparative approach was employed, with
a non-experimental and cross-sectional design.
The study involved 80 undergraduate and
graduate students. A 15-item Likert-type
questionnaire (α > 0.80) was administered
through a digital form. Data analysis included
descriptive statistics and mean comparisons.
Results reveal the coexistence of both
approaches: the traditional model remains more
valued for teacher mediation, conceptual depth,
and critical thinking (e.g., general preference of
68%), while the technological curve stands out
for autonomy (60%), immediate access to
information, and study time optimization
(37.7% perceive time improvement; 32.5%
report learning faster). However, risks of
technological dependency and limited
reflection were identified when teacher
guidance is lacking. It is concluded that a hybrid
model integrating teacher mediation with the
potential of AI offers the most promising path
toward comprehensive, ethical, and meaningful
learning in higher education.
Keywords: Artificial intelligence, University
learning, Learning curve, Educational
innovation, Critical thinking.
Sumário
Este artigo analisa a influência da inteligência
artificial na aprendizagem universitária na
Universidade Estatal de Milagro (UNEMI),
comparando a curva de aprendizagem
tradicional com a curva tecnológica mediada
por IA. O objetivo geral foi descrever o impacto
do uso da IA na velocidade de aquisição, na
retenção do conhecimento e no
desenvolvimento do pensamento crítico, em
comparação com os métodos tradicionais.
Empregou-se uma abordagem quantitativa,
descritiva e comparativa, com delineamento
não experimental e de corte transversal.
Participaram 80 estudantes de graduação e pós-
graduação. Utilizou-se um questionário tipo
Likert de 15 itens (α > 0,80), aplicado por meio
de formulário digital. A análise incluiu
estatísticas descritivas e comparação de médias.
Os resultados evidenciam a coexistência de
ambas as abordagens: a tradicional mantém
maior valorização na mediação docente, na
profundidade conceitual e no pensamento
crítico (por exemplo, preferência geral de 68%);
enquanto a curva tecnológica se destaca pela
autonomia (60%), pelo acesso imediato à
informação e pela otimização do tempo de
estudo (37,7% a percebem como melhoria do
tempo; 32,5% relatam aprender mais rápido).
Identificam-se riscos de dependência
tecnológica e possíveis limitações à reflexão na
ausência de acompanhamento docente.
Conclui-se que o modelo híbrido, integrando a
mediação docente e as potencialidades da IA,
oferece o caminho mais promissor para uma
aprendizagem integral, ética e significativa no
ensino superior.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 595
Palavras-chave: Inteligência artificial,
Aprendizagem universitária, Curva de
aprendizagem, Inovação educacional,
Pensamento crítico.
Introducción
La educación superior atraviesa un proceso de
transformación acelerada impulsado por la
incorporación de tecnologías basadas en
inteligencia artificial Este avance está
reconfigurando las prácticas de enseñanza,
evaluación y acompañamiento académico,
planteando el reto de equilibrar la innovación
tecnológica con la formación integral y crítica
del estudiantado. En este contexto, resulta
fundamental analizar la curva de aprendizaje,
entendida como el proceso mediante el cual los
estudiantes adquieren, consolidan y retienen
conocimientos a lo largo del tiempo,
identificando los factores que favorecen la
comprensión profunda y el desarrollo del
pensamiento crítico. Tradicionalmente, la curva
de aprendizaje universitaria se ha construido en
entornos presenciales donde el docente
desempeña un papel central como mediador,
guía y facilitador del proceso educativo. Este
modelo fomenta la interacción, el diálogo, la
práctica constante y la reflexión, elementos que
sustentan una formación sólida y significativa.
Sin embargo, el auge de la inteligencia artificial
ha incorporado nuevas formas de aprendizaje
caracterizadas por la personalización de los
contenidos, la retroalimentación inmediata y
una mayor autonomía del estudiante. A través
de tutores virtuales, plataformas adaptativas y
sistemas inteligentes de apoyo, los estudiantes
pueden avanzar a su propio ritmo y recibir
orientación en tiempo real. Estas herramientas
permiten acelerar el proceso inicial de
aprendizaje, facilitando la comprensión y
práctica de los contenidos de manera más ágil.
No obstante, cuando se aplican sin una
planificación pedagógica adecuada ni el
acompañamiento docente, pueden generar
dependencia tecnológica y limitar la reflexión
crítica y la profundidad conceptual. Por ello, su
efectividad depende del equilibrio entre la
innovación tecnológica y la mediación
educativa, asegurando que la IA actúe como un
recurso complementario y no como un sustituto
del proceso formativo humano.
En el contexto ecuatoriano, la educación
superior experimenta una transformación
significativa con la integración de tecnologías
basadas en IA, que están redefiniendo los
procesos de enseñanza y aprendizaje. La clave
radica en equilibrar la innovación tecnológica
con una formación integral y crítica del
estudiantado. Este fenómeno adquiere especial
relevancia en la Universidad Estatal de Milagro
(UNEMI),
institución que ha consolidado
diversas modalidades de enseñanza, presencial,
virtual, semipresencial y MOOC, reflejando su
compromiso con la innovación educativa, la
inclusión y la democratización del
conocimiento. Estas modalidades han ampliado
el acceso a oportunidades formativas flexibles y
han impulsado la integración de herramientas
tecnológicas que fortalecen la actualización
profesional y la calidad educativa. Diversos
estudios recientes destacan que la calidad de la
interacción con la IA y la pertinencia del
contenido que esta genera influyen
significativamente en la motivación, la
autorregulación y los resultados académicos del
estudiantado universitario (Bai y Wang, 2025).
No obstante, otros autores advierten que el uso
acrítico o excesivo de estas herramientas puede
generar una dependencia tecnológica que
debilite la reflexión, la creatividad y la
autonomía intelectual (Wang et al., 2025).
Comprender cómo la IA transforma los
componentes esenciales de la curva de
aprendizaje, la velocidad de adquisición, la
retención del conocimiento y el desarrollo del
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 596
pensamiento crítico, se convierte, por tanto, en
una prioridad pedagógica y académica.
Desde esta perspectiva, el presente estudio se
justifica en la necesidad de describir y comparar
la influencia de la inteligencia artificial en los
procesos de aprendizaje frente a los métodos
tradicionales, identificando las fortalezas y
limitaciones de ambos enfoques. Además,
busca aportar evidencias que orienten la toma
de decisiones institucionales y el diseño de
estrategias pedagógicas que integren
equilibradamente lo tecnológico y lo humano,
consolidando una educación de calidad,
innovadora y éticamente comprometida con los
desafíos de la era digital. El objetivo general del
estudio fue describir el impacto del uso de la
inteligencia artificial en la curva de aprendizaje
universitaria, comparando los enfoques
tradicionales y tecnológicos. De manera
específica, se propuso: (1) caracterizar las
percepciones de los estudiantes sobre el
aprendizaje tradicional, considerando la
mediación docente, la profundidad conceptual y
la disciplina académica; (2) analizar la
percepción estudiantil sobre el aprendizaje
mediado por herramientas de IA, centrada en la
autonomía, la retroalimentación inmediata y la
comprensión de contenidos; y (3) comparar las
diferencias en la velocidad, retención del
conocimiento y pensamiento crítico entre los
modelos tradicionales y los mediados por IA,
identificando las fortalezas y limitaciones de
cada enfoque. En suma, esta investigación
pretende contribuir al desarrollo de una
educación universitaria de calidad, sustentada
en principios de ética, inclusión y pensamiento
crítico, capaz de responder a los desafíos de la
era digital sin perder su esencia formativa y
humanista.
La inteligencia artificial y cómo ayuda a la
educación. La inteligencia artificial se refiere a
sistemas capaces de ejecutar tareas que
requieren, en general, capacidades asociadas a
la inteligencia humana como el razonamiento,
la generación de lenguaje y la toma de
decisiones a partir de datos y modelos
computacionales. En educación, la IA se utiliza
para personalizar rutas de aprendizaje,
proporcionar retroalimentación inmediata y
automatizar tareas docentes de bajo valor, con
el fin de liberar tiempo para la mediación
pedagógica y el acompañamiento humano.
Según Miao et al. (2023) organismos
internacionales recomiendan adoptarla con una
visión centrada en las personas, garantizando
equidad, transparencia y resguardo de la
privacidad del estudiantado. La evidencia
reciente muestra que los sistemas de
aprendizaje adaptativo y los asistentes
conversacionales pueden mejorar el
rendimiento y el compromiso cuando están bien
integrados al diseño instruccional, pues ajustan
la dificultad y el contenido al perfil de cada
estudiante y corrigen en tiempo real (Wang et
al., 2024).
En la educación universitaria, la IA ya incide en
evaluación, tutoría, analíticas de aprendizaje y
apoyo a la investigación. La literatura
iberoamericana subraya oportunidades
(personalización, escalabilidad del
acompañamiento y analítica temprana de
riesgo) y riesgos (brecha digital, sesgos
algorítmicos, integridad académica). Se
recomienda formar al profesorado y definir
políticas institucionales claras para un uso
crítico y responsable (García, 2024). Guías
internacionales recientes proponen líneas de
acción para integrar IA generativa con criterios
de inclusión, seguridad y desarrollo de
capacidades docentes y estudiantiles,
insistiendo en mantener la centralidad del juicio
pedagógico humano (Miao et al., 2023). La
“curva tecnológica” de aprendizaje con IA, la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 597
“curva tecnológica” describe trayectorias de
aprendizaje donde la IA acelera la adquisición
inicial de contenidos gracias a la
personalización, el feedback inmediato y la
práctica guiada por datos (tutores, chatbots y
sistemas predictivos). Esto suele traducirse en
una pendiente inicial más pronunciada más
progreso en menos tiempo respecto a contextos
sin apoyo inteligente. Sin embargo, si el proceso
no se acompaña de reflexión, andamiaje
docente y evaluación auténtica, puede aparecer
una meseta temprana y aprendizajes
superficiales o dependientes de la herramienta.
Por ello, la mediación del profesorado y el
diseño didáctico siguen siendo determinantes
para consolidar comprensión profunda y
transferencia (Jiménez et al., 2025). Elementos
clave de la curva tecnológica con IA;
personalización. El contenido y la dificultad se
ajustan dinámicamente al desempeño;
retroalimentación constante. Correcciones
inmediatas que afinan la asimilación;
autonomía guiada. Fomenta autorregulación y
metacognición en entornos inteligentes. Estas
ventajas, no obstante, requieren marcos éticos y
pedagógicos que eviten sesgos y dependencia
instrumental (Wang et al., 2024).
Dentro de las diferencias entre el enfoque
tradicional y el mediado por IA; ritmo y
secuenciación. El enfoque tradicional avanza de
forma más uniforme y colectiva; con IA, el
ritmo se adapta a cada estudiante, acelerando
fases iniciales sin sacrificar, si se diseña bien, la
consolidación posterior. (S. Wang et al., 2024);
retroalimentación. En el modelo convencional,
el feedback suele ser diferido y centrado en el
docente; con IA, se vuelve continuo y
formativo, lo que permite ajustar antes de que
se consoliden errores. (Jiménez et al., 2025);
Rol docente. La IA no sustituye la mediación
humana: el profesorado reorienta su tiempo
hacia tutoría, pensamiento crítico e integración
ética de la tecnología. García (2024); riesgos y
equidad. El uso acrítico puede profundizar
brechas o introducir sesgos; por ello se
demandan guías institucionales y alfabetización
en IA. (Ruiz et al., 2025). Las aplicaciones más
extendidas incluyen: (a) plataformas
adaptativas; (b) chatbots para información y
acompañamiento; (c) sistemas de tutoría
inteligente; (d) herramientas de evaluación y
retroalimentación automatizada; y (e) analíticas
de aprendizaje para monitorear progreso y
prevenir rezagos. Su eficacia depende de la
calidad del diseño instruccional y de su
integración con estrategias docentes activas.
(Sánchez, 2023). Los principales desafíos
reportados son: privacidad y gobernanza de
datos estudiantiles, explicabilidad de los
modelos, sesgos y equidad, integridad
académica y preparación docente. Las
universidades de la región están publicando
guías y políticas para encauzar estos retos, pero
se requiere formación continua y evaluación
rigurosa de impactos. (Ruiz et al., 2025). La
literatura coincide en que el mejor desempeño
se logra con diseños híbridos: La IA
complementa no sustituye la interacción
docente-estudiante, y se alinea con objetivos,
evidencias de aprendizaje y criterios de
evaluación auténtica. (Xia et al., 2024). Se
recomiendan; diseños activos con andamiaje
humano; evaluaciones variadas (producto,
proceso y metacognición); alfabetización en IA
para profesorado y estudiantes; monitoreo ético
(equidad, sesgos y seguridad de datos).
Materiales y Métodos
El estudio se llevó a cabo bajo un enfoque
cuantitativo, de carácter descriptivo y
comparativo, orientado a analizar de manera
objetiva las percepciones de las estudiantes y
estudiantes universitarios sobre el impacto del
uso de la inteligencia artificial en su proceso de
aprendizaje. Este enfoque permitió describir
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 598
comportamientos observables y contrastar las
dimensiones establecidas en el instrumento
utilizado. Se empleó un diseño no experimental
y de corte transversal, ya que los fenómenos
fueron observados en su contexto natural sin
manipular variables (Arce et al., 2025). Este
diseño permitió recoger datos en un único
momento temporal y establecer relaciones
descriptivas entre las percepciones sobre la
curva de aprendizaje tradicional y la mediada
por IA. Recientes estudios internacionales han
adoptado metodologías similares para examinar
el efecto de la IA en la educación superior,
destacando su utilidad en la comparación de
percepciones sobre rendimiento, autonomía y
retención (Bai y Wang, 2025). El presente
estudio se enmarcó bajo un enfoque
cuantitativo, ya que se basa en la recolección y
análisis de datos que fueron obtenidos a través
de encuestas. Esta investigación permite
describir y comparar de manera objetiva las
percepciones de los estudiantes universitarios
sobre el impacto del uso de la Inteligencia
Artificial en su proceso de aprendizaje,
considerando las diferencias entre los métodos
tradicionales y los tecnológicos.
La población estuvo compuesta por estudiantes
de pregrado y posgrado de la Universidad
Estatal de Milagro (UNEMI), con experiencias
tanto en entornos presenciales como en
contextos mediados por IA. La muestra se
obtuvo mediante muestreo no probabilístico por
conveniencia, integrando a los participantes que
accedieron voluntariamente. Se incluyeron
diversas facultades y niveles académicos para
asegurar representatividad y diversidad. El total
de la muestra fue de 80 estudiantes y
maestrantes, número considerado suficiente
para el análisis descriptivo y comparativo
(Dawadi et al., 2025). La técnica utilizada fue la
encuesta estructurada, implementada mediante
un formulario digital en Google Forms. El
instrumento correspondió a un cuestionario tipo
Likert de cinco puntos, donde 1 equivale a “muy
en desacuerdo” y 5 a “muy de acuerdo”. El
cuestionario se validó a partir de estudios
recientes sobre aprendizaje mediado por IA
(Akgun y Toker, 2025); (Kayadibi, 2025); (Bai
y Wang, 2025) y se organizó en tres secciones:
Aprendizaje tradicional: percepción sobre la
enseñanza presencial, la interacción docente y
la disciplina; Aprendizaje mediado por IA: uso
de herramientas de IA, autonomía,
retroalimentación y motivación; Curva de
aprendizaje: análisis comparativo de la
velocidad, retención del conocimiento y
pensamiento crítico. La consistencia interna del
instrumento se verificó mediante el coeficiente
Alfa de Cronbach (α > 0.80), evidenciando
fiabilidad en cada dimensión (Elshall y Badir,
2025).
La aplicación del cuestionario se llevó a cabo
durante el periodo académico 2025-I, mediante
un canal institucional automatizado de
comunicación masiva integrado al Sistema de
Gestión Académica de la Universidad Estatal de
Milagro (UNEMI). Este mecanismo permitió
distribuir el instrumento de manera simultánea
a estudiantes de pregrado y maestrantes,
garantizando un alcance amplio y una gestión
eficiente de la información. La participación fue
anónima y voluntaria, preservando en todo
momento la confidencialidad de los datos y el
consentimiento informado de los participantes.
Las respuestas obtenidas fueron consolidadas y
procesadas en Microsoft Excel 365 y IBM SPSS
Statistics v.26, aplicando técnicas de estadística
descriptiva y análisis comparativo de medias
para identificar diferencias significativas en las
percepciones sobre los modelos de aprendizaje
tradicional y mediado por inteligencia artificial.
Adicionalmente, los resultados fueron
sometidos a un análisis de predicción mediante
técnicas de inteligencia artificial, con el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 599
propósito de estimar tendencias y patrones de
comportamiento en las respuestas. Esta
medición predictiva permitió proyectar el grado
de influencia que las herramientas basadas en
IA podrían ejercer sobre la velocidad de
aprendizaje, la retención del conocimiento y el
desarrollo del pensamiento crítico, aportando
una visión prospectiva al estudio y
fortaleciendo la validez interpretativa de los
hallazgos. El análisis permitió identificar
tendencias, contrastes y patrones de percepción.
Según Suter et al. (2020) este tipo de estudio es
pertinente para medir la incidencia de la IA en
el aprendizaje universitario, pues permite
interpretar cómo variables como la autonomía o
la retroalimentación influyen en la velocidad y
la retención del conocimiento. Las respuestas
abiertas fueron categorizadas temáticamente
para complementar la interpretación
cuantitativa con perspectivas cualitativas,
aportando profundidad a la discusión.
Resultados y Discusión
El estudio tuvo como objetivo analizar la
percepción de los estudiantes universitarios
sobre la influencia de la Inteligencia Artificial
en el proceso de aprendizaje, en comparación
con los métodos tradicionales. Los resultados
obtenidos en las 15 preguntas de escala Likert
aplicadas a 80 participantes evidencian una
coexistencia entre ambos enfoques, donde la
enseñanza tradicional continúa siendo valorada,
aunque se reconoce el potencial innovador de la
IA en la educación superior.
Tabla 1. Datos generales obtenido de los instrumentos aplicados
Aspecto
Curva de aprendizaje
tradicional
%
Curva de aprendizaje
tecnológica
%
Ritmo de aprendizaje
Gradual y acompañado por el
docente.
65 %
Acelerado, con acceso inmediato
a la información.
35 %
Rol del docente
Mediador y guía principal.
70 %
Orientador secundario; la IA
ofrece apoyo automatizado.
30 %
Desarrollo cognitivo
Fomenta la comprensión
profunda y el pensamiento
crítico.
62 %
Facilita la rapidez, pero puede
limitar el análisis reflexivo.
38 %
Autonomía del estudiante
Limitada, requiere supervisión.
40 %
Alta, aunque demanda disciplina
y autorregulación.
60 %
Riesgos identificados
Menor adaptabilidad digital.
45 %
Dependencia tecnológica y
aprendizaje superficial.
55 %
Percepción general
Alta valoración del modelo
tradicional.
68 %
Aceptación creciente como
recurso complementario.
32 %
Fuente: elaboración propia
Preferencias hacia el aprendizaje tradicional
Los resultados evidencian una marcada
preferencia por el modelo de aprendizaje
tradicional. El 40,3 % de los participantes
manifestó sentirse más cómodo con las clases
presenciales y las explicaciones directas del
docente, mientras que el 35,1 % considera que
las evaluaciones presenciales permiten valorar
de manera más precisa el nivel de conocimiento
adquirido. Estos hallazgos reafirman la
importancia del contacto humano y la
mediación pedagógica como elementos
centrales en el proceso formativo, coincidiendo
con lo expuesto por (Sultana et al., 2023),
quienes destacan que la interacción docente-
estudiante favorece la comprensión
significativa y la motivación académica. De
igual modo, el 60 % de los encuestados
considera que las metodologías tradicionales
facilitan una comprensión profunda de los
contenidos, mientras que el 31,2 % asocia este
tipo de aprendizaje con la disciplina y el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 600
esfuerzo personal. Estos resultados sugieren
que la enseñanza tradicional continúa siendo
percibida como un espacio estructurado y
riguroso que promueve la reflexión crítica, la
constancia y la responsabilidad académica.
Figura 1. Porcentaje estadístico sobre la
preferencia hacia el aprendizaje tradicional
En síntesis, el gráfico refleja que, a pesar del
avance de las tecnologías educativas y la
introducción de herramientas de inteligencia
artificial, el aprendizaje presencial mantiene su
legitimidad y aceptación entre los estudiantes
universitarios. Este patrón confirma que el
modelo tradicional no ha sido desplazado, sino
que coexiste con los nuevos enfoques
tecnológicos, aportando un equilibrio necesario
entre la interacción humana y la innovación
digital en el contexto educativo actual.
Uso y percepción de la Inteligencia Artificial
En los ítems 6 al 10 se observa una apertura
moderada hacia el uso de la Inteligencia
Artificial (IA) en el aprendizaje universitario.
Un 31,2 % de los estudiantes manifestó emplear
herramientas como ChatGPT, Copilot o Gemini
para estudiar, mientras que un 27,3 % señaló
que estas facilitan la comprensión rápida y
visual de los contenidos. Sin embargo, cerca del
39 % mantuvo una posición neutral respecto a
su incidencia en la motivación y el rendimiento
académico, lo que evidencia que la
incorporación de estas tecnologías aún se
encuentra en una fase de adaptación dentro del
entorno educativo. Asimismo, más de la mitad
de los encuestados (53,2 %) se mostró neutral
frente a la idea de que la IA reduzca la
dependencia del docente, lo que sugiere que la
figura del profesor continúa siendo considerada
un referente esencial para guiar, orientar y
validar el proceso de aprendizaje. Este resultado
coincide con lo planteado por (Sánchez, 2023),
quienes afirman que la Inteligencia Artificial
debe concebirse como un apoyo pedagógico
complementario, capaz de potenciar el
aprendizaje autónomo sin sustituir la
interacción humana ni la mediación educativa.
Figura 2. Porcentaje estadístico sobre el uso y
percepción de la inteligencia Artificial
En conjunto, el gráfico refleja una actitud de
curiosidad y aceptación progresiva hacia la IA,
pero aún marcada por la cautela y la necesidad
de acompañamiento docente. Este equilibrio
indica que, si bien las tecnologías basadas en IA
despiertan interés por su potencial de eficiencia
y personalización, su aprovechamiento óptimo
requiere estrategias institucionales que integren
la orientación pedagógica con el uso
responsable e informado de estas herramientas.
IA y optimización del aprendizaje
Los ítems 11 y 12 evidencian que el 37,7 % de
los estudiantes percibe que la IA optimiza el
tiempo de estudio y el 32,5 % afirma aprender
más rápido con herramientas tecnológicas. Se
reconoce, por tanto, una mayor eficiencia
operativa, aunque no necesariamente un
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 601
aprendizaje más profundo. Estas percepciones
demuestran que la IA favorece la gestión del
tiempo y el acceso a la información, pero su
aporte a la comprensión conceptual aún
depende de la orientación docente.
Figura 3. Porcentaje estadístico sobre la
optimización del aprendizaje con la IA
El gráfico demuestra que la IA es percibida
como una herramienta útil para optimizar el
tiempo y dinamizar el proceso de aprendizaje,
sin reemplazar la función orientadora del
profesorado. Este hallazgo coincide con lo
planteado por (María del Mar Sánchez Vera,
2023), quien señala que la inteligencia artificial
aporta flexibilidad y eficiencia a la práctica
educativa, pero su verdadero valor radica en
integrarse dentro de un modelo pedagógico
guiado, que combine la autonomía tecnológica
con la mediación humana.
Reflexión crítica y límites tecnológicos
En los ítems 13 al 15, el 37,7 % considera que
los métodos tradicionales fomentan más el
pensamiento crítico, mientras que el 37,8 %
advierte que el uso excesivo de IA podría
limitar la reflexión y el análisis. Esto revela que,
aunque las herramientas tecnológicas agilizan
los procesos de aprendizaje, no sustituyen la
formación analítica ni el razonamiento crítico
promovido por la docencia presencial. Según
Zhai et al. (2024) la dependencia tecnológica
sin una mediación pedagógica adecuada puede
reducir la autonomía cognitiva, de ahí la
importancia de promover un uso ético,
responsable y equilibrado de la IA en la
educación universitaria.
Figura 4. Porcentaje estadístico sobre
reflexión crítica y límites tecnológicos
El gráfico evidencia que los estudiantes valoran
la tecnología como un recurso útil, pero no
como sustituto del aprendizaje guiado por el
razonamiento humano. En consecuencia, la
formación universitaria debe promover un
equilibrio entre innovación digital y
pensamiento crítico, fomentando un uso ético y
responsable de la IA que potencie la autonomía
sin debilitar la capacidad analítica.
Comparación entre la curva de aprendizaje
tradicional y tecnológica
El análisis de los resultados permite distinguir
diferencias notables entre ambos modelos. La
curva tradicional se caracteriza por la
profundidad, disciplina e interacción humana,
mientras que la curva tecnológica destaca por la
rapidez, autonomía y retroalimentación
inmediata. Los estudiantes asocian el
aprendizaje tradicional con la comprensión
estructurada
y la guía docente, mientras que
vinculan la IA con la facilidad para acceder a
información y aprender de forma autónoma. No
obstante, persiste una percepción de que el uso
excesivo de la tecnología puede limitar la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 602
reflexión y generar dependencia cognitiva. La
siguiente gráfica resume estas tendencias:
➢ La curva tradicional destaca en el rol del
docente, desarrollo cognitivo y
comprensión profunda.
➢ La curva tecnológica sobresale en
autonomía del estudiante y eficiencia
temporal.
En conjunto, ambas muestran una tendencia
complementaria: el enfoque tradicional
fortalece la reflexión y la disciplina, mientras la
IA aporta dinamismo y rapidez al proceso de
aprendizaje.
Figura 5. Porcentaje estadístico sobre
comparación entre la curva de aprendizaje
tradicional y tecnológica
De acuerdo con el análisis comparativo entre la
curva de aprendizaje tradicional y la
tecnológica, los resultados reflejan una
coexistencia equilibrada entre ambos modelos
dentro del entorno universitario. Los datos
obtenidos de los 80 participantes demuestran
que, aunque el aprendizaje tradicional mantiene
una valoración predominante con porcentajes
superiores al 60 % en aspectos como el rol del
docente, el desarrollo cognitivo y la
comprensión profunda, la curva tecnológica ha
adquirido un papel complementario que
potencia la autonomía, la inmediatez en el
acceso a la información y la optimización del
tiempo de estudio. Desde una perspectiva
estadística, se evidencia una diferencia
promedio del 25 % a favor del modelo
tradicional en variables asociadas al
pensamiento crítico y la mediación docente,
mientras que el modelo tecnológico supera en
20 % en aspectos relacionados con la autonomía
y la eficiencia temporal. Este equilibrio de
fuerzas confirma una tendencia convergente:
los estudiantes no sustituyen un enfoque por
otro, sino que los integran de manera funcional
según sus necesidades académicas y cognitivas.
Asimismo, el 39 % de neutralidad promedio
observado en varios ítems indica que la
adopción de la Inteligencia Artificial aún se
encuentra en una fase de exploración y
adaptación, donde el acompañamiento docente
continúa siendo un elemento indispensable para
garantizar la validez del aprendizaje. Estos
resultados coinciden con lo planteado por
Sánchez (2023) y Zhai et al. (2024) quienes
subrayan que la IA puede ampliar las
oportunidades educativas siempre que se inserte
en un marco pedagógico guiado, ético y
reflexivo. En síntesis, el estudio demuestra que
la formación universitaria actual se desarrolla
en un modelo híbrido, donde la tradición
académica y la innovación tecnológica se
complementan. El aprendizaje presencial aporta
profundidad, rigor y pensamiento crítico,
mientras que la IA introduce flexibilidad,
autonomía y dinamismo. Por tanto, la estrategia
educativa más efectiva será aquella que
combine ambos enfoques, garantizando la
integración equilibrada de la mediación docente
con las potencialidades de la inteligencia
artificial para promover un aprendizaje más
integral, autónomo y significativo.
Conclusiones
El presente estudio permitió analizar la
percepción de los estudiantes universitarios
sobre la influencia de la Inteligencia Artificial
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 603
(IA) en su proceso de aprendizaje, en
comparación con los métodos tradicionales. Los
resultados obtenidos evidencian que ambos
enfoques no se contraponen, sino que se
complementan, configurando una nueva
dinámica formativa híbrida en la educación
superior. La curva de aprendizaje tradicional
continúa siendo altamente valorada por su
aporte a la comprensión profunda, el desarrollo
del pensamiento crítico y la mediación
pedagógica del docente, elementos
considerados fundamentales para la
consolidación del conocimiento. En contraste,
la curva tecnológica destaca por su capacidad
para optimizar el tiempo de estudio, ofrecer
retroalimentación inmediata y fortalecer la
autonomía del estudiante. Sin embargo, su
efectividad depende de la orientación
académica que garantice un uso ético y
reflexivo de las herramientas digitales.
Desde una perspectiva descriptiva y estadística,
los resultados revelan que el 68 % de los
participantes mantiene una preferencia por la
enseñanza presencial, mientras que la
aceptación de la IA alcanza porcentajes
cercanos al 40 %, lo que demuestra una apertura
progresiva hacia la integración tecnológica sin
perder la valoración del rol docente. Este
equilibrio refuerza la necesidad de diseñar
modelos pedagógicos que integren lo mejor de
ambos mundos: la solidez del acompañamiento
humano y la innovación de la inteligencia
artificial. En consecuencia, se concluye que la
IA representa un recurso de apoyo
complementario más que un reemplazo de la
enseñanza tradicional. Su incorporación debe
orientarse hacia la potenciación de la
autonomía, la eficiencia y la personalización del
aprendizaje, manteniendo como eje central la
mediación educativa que estimule la reflexión
crítica, la ética digital y el pensamiento
analítico. De este modo, la educación
universitaria podrá evolucionar hacia un
paradigma más flexible, inclusivo y centrado en
el estudiante, donde la tecnología y la docencia
converjan para fortalecer la calidad y la
profundidad del aprendizaje.
Referencias Bibliográficas
Akgun, M., & Toker, S. (2025). Struggle first,
prompt later: How task complexity shapes
learning with GenAI-assisted pretesting. ArXiv.
http://arxiv.org/abs/2504.10249
Arce, C., Gavilanes, J., Arce, E., Haro, E., &
Bonilla, D. (2025). Artificial intelligence in
higher education: Predictive analysis of attitudes
and dependency among Ecuadorian university
students. Sustainability, 17(17), 7741.
https://doi.org/10.3390/su17177741
Bai, Y., & Wang, S. (2025). Impact of generative AI
interaction and output quality on university
students’ learning outcomes: A technology-
mediated and motivation-driven approach.
Scientific Reports, 15(1).
https://doi.org/10.1038/s41598-025-08697-6
Dawadi, S., Giri, R., Kukulska-Hulme, A., Khan, R.,
& Devkota, K. (2025). Marginalized children’s
opportunities to use technology for learning:
Role of gender. Journal of Educational
Technology Systems.
https://doi.org/10.1177/00472395251382943
Elshall, A., & Badir, A. (2025). Balancing AI-
assisted learning and traditional assessment: The
FACT assessment in environmental data science
education. Frontiers in Education, 10.
https://doi.org/10.3389/feduc.2025.1596462
García, F. (2024). Inteligencia artificial generativa y
educación: Un análisis desde múltiples
perspectivas.
https://revistas.usal.es/tres/index.php/eks/article/
view/31942/29746
Jiménez, E., Ruiz, J., Martínez, S., & Redondo, S.
(2025). Artificial intelligence and chatbots for
sustainable higher education: A systematic
review. RIED. Revista Iberoamericana de
Educación a Distancia, 28(2), 81–104.
https://doi.org/10.5944/ried.28.2.43240
Kayadibi, S. (2025). Quantifying student success
with generative AI: A Monte Carlo simulation
informed by systematic review. ArXiv.
https://arxiv.org/pdf/2507.01062
Sánchez, M. (2023). La inteligencia artificial como
recurso docente: Usos y posibilidades para el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 604
profesorado. EDUCAR, 60(1), 33–47.
https://doi.org/10.5565/rev/educar.1810
Miao, F., Giannini, S., & Holmes, W. (2023).
Guidance for generative AI in education and
research. UNESCO.
Ruiz, J., Redondo, S., Jiménez, E., Martínez, S., &
Galán, A. (2025). Análisis de las guías de uso de
inteligencia artificial en educación superior:
Comparación entre las universidades españolas.
Bordón. Revista de Pedagogía, 77(1), 121–153.
https://doi.org/10.13042/bordon.2025.110638
Sultana, N., Chaudhry, A., & Idrees, N. (2023). The
influence of teacher–student interaction on
student motivation and achievement at
secondary school level. Global Sociological
Review, 8(2), 443–450.
https://doi.org/10.31703/gsr.2023(viii-ii).45
Suter, L., Smith, E., & Denman, B. (2020). The
SAGE handbook of comparative studies in
education.
https://doi.org/10.4135/9781526470379
Wang, F., Li, N., Cheung, A., & Wong, G. (2025).
In GenAI we trust: An investigation of university
students’ reliance on and resistance to generative
AI in language learning. International Journal of
Educational Technology in Higher Education,
22(1), 1–35.
https://doi.org/10.1186/s41239-
025-00547-9
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., &
Du, Z. (2024). Artificial intelligence in
education: A systematic literature review. Expert
Systems with Applications, 252.
https://doi.org/10.1016/j.eswa.2024.124167
Xia, Q., Weng, X., Ouyang, F., Lin, T., & Chiu, T.
(2024). A scoping review on how generative
artificial intelligence transforms assessment in
higher education. International Journal of
Educational Technology in Higher Education,
21(1).
https://doi.org/10.1186/s41239-024-
00468-z
Zhai, C., Wibowo, S., & Li, L. (2024). The effects
of over-reliance on AI dialogue systems on
students’ cognitive abilities: A systematic
review. Smart Learning Environments, 11(1), 1–
37.
https://doi.org/10.1186/s40561-024-00316-7
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Valeria Estefania-
Buñay Paguay, Alejandra-Lissette Quezada-
Iñiguez, Jose Luis-Guachun-Saldaña y Mercy-
Alexandra Buñay-Paguay
