Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 6
LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE
UNIVERSITARIO
LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE
UNIVERSITARIO
Autores: ¹Gladis del Consuelo Vinueza Burgos y ²Nelia Josefina González de Pirela.
¹ORCID ID: https://orcid.org/0000-0001-6254-7595
²ORCID ID: https://orcid.org/0000-0003-1628-4055
¹E-mail de contacto: gvinuezab1@unemi.edu.ec
²E-mail de contacto: ngonzalezg@unemi.edu.ec
Afiliación:
1*2*
Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 15 de Marzo del 2026
Artículo revisado: 17 de Marzo del 2026
Artículo aprobado: 23 de Marzo del 2026
¹Licenciada en Ciencias de la Educación, especialización Comercio y Administración graduada de la Universidad de Guayaquil,
(Ecuador). Posee un Masterado en Desarrollo Temprano y Educación Infantil otorgado por la Universidad Casa Grande, (Ecuador).
²Doctora Ciencias Humanas. Magíster en Ciencias de la Educación. Docente en Universidad Estatal Península de Santa Elena. UPSE.
Ecuador Universidad Estatal de Milagro - Ecuador. Universidad del Zulia - Venezuela.
Resumen
En el marco de la educación superior en
entornos virtuales, esta investigación analiza la
incidencia de la inteligencia artificial en la
personalización del aprendizaje universitario
en estudiantes de cuarto semestre de la carrera
de Educación Básica modalidad en línea de la
Universidad Estatal de Milagro. El estudio
surge ante la necesidad de comprender cómo
estas herramientas contribuyen a organizar
contenidos, secuenciar materiales y fortalecer
la disposición para aprender, atendiendo a las
particularidades del estudiantado. La
investigación se desarrolló bajo un enfoque
cuantitativo, de tipo básico, con diseño no
experimental y alcance descriptivo. Como
técnica se utilizó la encuesta siendo el
instrumento un cuestionario estructurado de 54
ítems, aplicado a una muestra estratificada de
191 estudiantes, seleccionados de una
población de 378. Los resultados evidencian
que la incidencia de la inteligencia artificial en
la personalización del aprendizaje se ubica en
un nivel intermedio, con predominio de la
respuesta “A veces” en las dimensiones
pedagógica, de gobernanza y operativa, así
como en la estructuración del contenido, la
secuenciación de materiales y el apoyo a la
disposición para aprender. Sin embargo,
aunque se reconocen aportes relevantes, su
integración aún requiere fortalecerse mediante
criterios pedagógicos, organizativos y
operativos más consistentes.
Palabras clave: Inteligencia artificial,
Personalización del aprendizaje, Educación
Superior, Aprendizaje universitario,
Educación.
Abstract
Within the framework of higher education in
virtual environments, this research analyzes the
impact of artificial intelligence on the
personalization of university learning for
fourth-semester students in the online Basic
Education program at the State University of
Milagro. The study arises from the need to
understand how these tools contribute to
organizing content, sequencing materials, and
strengthening the disposition to learn, taking
into account the specific needs of the student
body. The research was conducted using a
quantitative, basic, non-experimental, and
descriptive approach. The survey was used as
the data collection technique, with a structured
questionnaire of 54 items administered to a
stratified sample of 191 students, selected from
a population of 378. The results show that the
impact of artificial intelligence on the
personalization of learning is at an intermediate
level, with a predominance of the "Sometimes"
response in the pedagogical, governance, and
operational dimensions, as well as in content
structuring, material sequencing, and support
for the disposition to learn. However, while
significant contributions are acknowledged, its
integration still needs strengthening through
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 7
more consistent pedagogical, organizational,
and operational criteria.
Keywords: Artificial intelligence,
Personalized learning, Higher education,
University learning, Education.
Sumário
No âmbito do ensino superior em ambientes
virtuais, esta pesquisa analisa o impacto da
inteligência artificial na personalização da
aprendizagem universitária para alunos do
quarto semestre do curso de Licenciatura em
Educação a distância da Universidade Estadual
de Milagro. O estudo surge da necessidade de
compreender como essas ferramentas
contribuem para a organização do conteúdo,
sequenciamento de materiais e fortalecimento
da disposição para aprender, levando em
consideração as necessidades específicas do
corpo discente. A pesquisa foi conduzida
utilizando uma abordagem quantitativa, básica,
não experimental e descritiva. A técnica de
coleta de dados utilizada foi o levantamento por
questionário estruturado de 54 itens, aplicado a
uma amostra estratificada de 191 alunos,
selecionados de uma população de 378. Os
resultados mostram que o impacto da
inteligência artificial na personalização da
aprendizagem encontra-se em um nível
intermediário, com predominância da resposta
"Às vezes" nas dimensões pedagógica, de
governança e operacional, bem como na
estruturação do conteúdo, sequenciamento de
materiais e apoio à disposição para aprender.
Contudo, embora se reconheçam as
contribuições significativas, a sua integração
ainda precisa ser fortalecida por meio de
critérios pedagógicos, organizacionais e
operacionais mais consistentes.
Palavras-chave: Inteligência artificial,
Aprendizagem personalizada, Ensino
superior, Aprendizagem universitária,
Educação.
Introducción
La educación superior atraviesa hoy un proceso
de cambio constante, impulsado por el avance
tecnológico, la facilidad con la que circula la
información y las diferencias cada vez más
visibles entre los estudiantes. Dentro de este
panorama, la personalización educativa
adquiere una importancia especial, ya que en las
aulas universitarias conviven estudiantes con
ritmos de aprendizaje distintos, trayectorias
académicas diversas, motivaciones cambiantes
y realidades de acceso no siempre equivalentes.
Estas condiciones vuelven necesarias pensar en
respuestas pedagógicas más flexibles y cercanas
a las necesidades reales del estudiantado. La
educación superior enfrenta el desafío de
responder a una sociedad marcada por la
digitalización, la circulación permanente de
información y la diversidad de formas de
aprender. En este panorama, la personalización
educativa ha dejado de ser una posibilidad
deseable para convertirse en una necesidad
concreta. Las diferencias entre los estudiantes
en cuanto a ritmos de aprendizaje,
conocimientos previos, motivaciones, estilos
cognitivos y condiciones de acceso exigen
respuestas formativas más flexibles, pertinentes
y ajustadas a las realidades del aula
universitaria.
En este marco, surgen herramientas capaces de
examinar patrones de desempeño, ofrecer
retroalimentación en momentos oportunos,
proponer recorridos formativos y adaptar
materiales según requerimientos específicos.
Esta posibilidad adquiere especial relevancia en
entornos virtuales e híbridos, donde el
acompañamiento permanente del docente suele
verse limitado por la distancia, el tiempo y la
cantidad de estudiantes. Del mismo modo, estas
tecnologías permiten identificar señales de
rezago y orientar actividades de refuerzo de
acuerdo con el progreso efectivo del alumnado.
Por ello, su valor educativo depende de una
articulación responsable con criterios
pedagógicos claros, resguardo ético de la
información y seguimiento docente constante.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 8
Sin embargo, su incorporación en los procesos
formativos también plantea interrogantes de
fondo. La personalización mediada por sistemas
automatizados puede reproducir sesgos, reducir
la complejidad del aprendizaje a indicadores
parciales, tensionar la autonomía del estudiante
y abrir debates éticos relacionados con la
privacidad, el consentimiento y el tratamiento
de datos académicos. De este modo, la
discusión no se limita al uso de recursos
tecnológicos, sino a las condiciones
pedagógicas, institucionales y normativas que
hacen posible una formación universitaria más
justa, pertinente e inclusiva.
De acuerdo con la Organización de las Naciones
Unidas para la Educación, la Ciencia y la
Cultura, estas innovaciones pueden favorecer
de manera significativa la equidad y la calidad
educativa, siempre que su implementación
responda a principios éticos y a una perspectiva
centrada en la persona. En ese sentido, la
UNESCO (2021) subraya la necesidad de
proteger la privacidad, prevenir sesgos y
garantizar transparencia en el uso de datos y
algoritmos, a fin de evitar que las condiciones
personales o sociales del estudiantado generen
nuevas formas de exclusión. Asimismo,
reconoce que su mayor aporte se produce
cuando fortalece la inclusión, la accesibilidad y
el acompañamiento pedagógico, sin desplazar
la función formativa del docente. En una mirada
más amplificada, en el contexto macro, Barbieri
et al. (2024) desarrollaron en Italia la
investigación “El futuro de la educación:
aprendizaje personalizado mediante sistemas de
tutoría inteligente adaptativa con lenguaje
natural y aprendizaje profundo”, orientada a
mejorar el aprendizaje universitario mediante
un tutor conversacional. La metodología fue
cuantitativa, bajo un piloto controlado. A través
de la comparación de grupos, se empleó como
instrumento la interacción con el chatbot
“Albert” y el registro de desempeño. Los
resultados evidenciaron mejoras del grupo
experimental frente al control. En conclusión, la
tutoría inteligente logra personalizar el
acompañamiento con eficacia.
A continuación, en España, Fernández et al.
(2021), en su estudio “Aprendizaje adaptativo
apoyado por analítica del aprendizaje para la
formación personalizada de estudiantes de
docencia durante las prácticas escolares”,
plantearon una estrategia para ajustar la
formación universitaria en contextos de
prácticas. Se trató de un estudio aplicado
enmarcado en un proyecto internacional.
Mediante analítica del aprendizaje como
técnica, se utilizaron trazas y métricas del
entorno formativo como instrumento. Los
hallazgos mostraron soporte para aprendizaje
colaborativo y personalizado. Por tanto, la
analítica fortalece decisiones pedagógicas
adaptativas. Por el contrario, Ribeirinha (2025)
examinó en Portugal la aceptación y el uso
educativo de herramientas de IA en
“Exploración de la aceptación y el uso
educativo de herramientas de inteligencia
artificial: percepciones de estudiantes
universitarios portugueses”. Con metodología
cuantitativa basada en el marco UTAUT2,
aplicó como técnica el modelamiento
explicativo de intención y uso. El instrumento
fue una encuesta a universitarios. Los resultados
mostraron que los hábitos y la motivación
hedónica predicen la intención, y que esta
explica parcialmente el uso. En síntesis, la
adopción condiciona la personalización a escala
institucional.
En Canadá, Yan et al. (2024) presentaron
“Diseño de práctica adaptativa para facilitar el
aprendizaje autorregulado”, donde diseñaron
una práctica con control compartido entre IA y
estudiante, buscando personalizar trayectorias
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 9
en aprendizaje autónomo universitario. La
metodología combinó diseño y evaluación en
entorno digital. La técnica se centró en la
adaptación basada en confianza. Como
instrumento, se emplearon tareas de práctica,
opciones de control y registro de progreso. Los
resultados reportaron mejoras en autonomía y
eficiencia del modelo. En conclusión,
incorporar autoconfianza refuerza la
personalización. En consecuencia, Nazempour
y Darabi (2023), desde Estados Unidos, en
“Aprendizaje personalizado en entornos
virtuales de aprendizaje mediante análisis del
comportamiento estudiantil”, buscaron
personalizar el aprendizaje universitario con
análisis de conducta en VLE. La metodología se
basó en modelamiento con datos de interacción.
La técnica fue aprendizaje automático para
inferir estados y desempeño. El instrumento
consistió en registros de actividad y métricas
conductuales. Los resultados indicaron alta
precisión predictiva, habilitando
retroalimentación personalizada. Por
consiguiente, el análisis conductual
automatizado permite ajustar apoyos según
patrones individuales.
De este modo, en México, Godínez et al.
(2024), en “Estudio cualitativo sobre la
adopción de analítica del aprendizaje en
universidades mexicanas”, analizaron cómo la
analítica del aprendizaje puede sostener la
personalización institucional. La metodología
fue cualitativa. Como técnica, aplicaron
entrevistas y análisis temático. El instrumento
fueron guías de entrevista dirigidas a actores
universitarios. Se identificaron barreras
vinculadas a gobernanza, ética y capacidades, y
oportunidades asociadas a retroalimentación
temprana y rutas diferenciadas. En conclusión,
la personalización exige madurez
organizacional y marcos sólidos de datos. Por
ejemplo, Dorna et al. (2023) evaluaron en
Argentina la tutoría remota como apoyo
personalizado en “Argentina: lecciones
aprendidas de un piloto de tutoría remota”. La
metodología correspondió a una evaluación de
impacto, y la técnica empleada fue el
emparejamiento por puntaje de propensión.
Como instrumento, utilizaron registros de
participación y medidas de desempeño
académico. Los resultados mostraron un efecto
positivo promedio sobre el rendimiento del
grupo tratado. En síntesis, la tutoría focalizada,
incluso a distancia, opera como personalización
si se garantiza seguimiento y calidad del
acompañamiento.
Asimismo, Matuda et al. (2025), en Brasil, en
“Analítica del aprendizaje en la educación
superior a distancia en Brasil: panorama
bibliográfico de tesis y disertaciones nacionales
(2009–2023)”, sistematizaron evidencia para
orientar personalización en educación superior
mediada por tecnología. La metodología fue
una revisión bibliográfica (BDTD). La técnica
consistió en análisis documental, utilizando
como instrumento una matriz de extracción de
datos. Los resultados evidenciaron numerosos
trabajos que relacionan analítica con
seguimiento y retroalimentación, con
crecimiento sostenido en EaD. Por tanto, la
personalización depende de capacidad analítica,
diseño pedagógico y ética de datos. En disímiles
investigaciones sostiene que, en el Ecuador, la
personalización del aprendizaje universitario
todavía se enfrenta a limitaciones estructurales,
porque la disponibilidad de datos, la
infraestructura tecnológica y la formación
docente no siempre avanzan al mismo ritmo que
las iniciativas digitales. Según Zuñiga et al.
(2020), en el proyecto Learning Analytics
Tailored to Higher Education in Ecuador
(LATHEE), el reto central no es solo recolectar
trazas, sino implementar paneles de analítica
con “retorno” pedagógico real, acordes al
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 10
contexto institucional, para sostener decisiones
oportunas y diferenciadas.
Desde una mirada del amito meso, en la ciudad
de Quito, según Trujillo et al. (2025), en su
investigación “Inteligencia artificial en
educación: revisión sistemática de enfoques de
aprendizaje automático para la recomendación
de carreras”, se procuró sintetizar de qué
manera la IA puede respaldar decisiones
académicas más ajustadas al perfil del
estudiante en la educación superior. Para ello,
se trabajó con una revisión sistemática,
aplicando como técnica la selección y
depuración rigurosa de estudios, y utilizando un
protocolo tipo Kitchenham para ordenar la
extracción de datos y asegurar trazabilidad
metodológica. En cuanto a los resultados, se
describieron los enfoques de aprendizaje
automático más recurrentes y las variables que
suelen considerarse decisivas al construir
recomendaciones individualizadas. En
consecuencia, la conclusión subraya que la
personalización no depende solo del algoritmo,
sino de contar con modelos consistentes y datos
comparables que permitan recomendaciones
fiables y transferibles entre contextos.
No obstante, Núñez et al. (2023) en su análisis
sistemático sobre la literatura analítica del
aprendizaje enfocada en la mejorar de la
retroalimentación en educación superior en la
ciudad de Guayaquil. Misma que se desarrolla
mediante análisis, categorización de evidencias,
y una matriz de extracción de hallazgos,
sintetizan cómo los datos de participación -
desempeño permiten ajustar el feedback a
necesidades individuales. Siendo así que los
resultados muestran patrones de uso orientados
a ofrecer comentarios más oportunos,
específicos y focalizado. Finalmente puede
sintetizar que la personalización se fortalece
cuando la retroalimentación se fundamenta en
trazas de aprendizaje comparables y bien
interpretadas en contextos híbridos, con
monitoreo ético constante. En Ecuador, el
principal problema es la experiencia formativa
en la universidad misma que todavía se organiza
con lógicas homogéneas: mismas actividades,
tiempos y orientaciones generales para
estudiantes con realidades distintas. A pesar de
que las plataformas registran participación,
avances y dificultades, esa información en
pocas ocasiones se transforma en apoyos
diferenciados que anticipen rezagos o
propongan rutas de refuerzo. Adicionalmente,
aún existe la presencia de brechas de
conectividad y de competencias digitales,
siendo el punto de inflexión que incrementa la
desigualdad en el aprovechamiento de estos
recursos.
En la Universidad Estatal de Milagro dentro de
la carrera de Educación Básica en modalidad en
línea, de estudiantes de cuarto semestre, esta
situación se nota cuando el acompañamiento
incide por completo de la disponibilidad del
docente y de la autonomía del estudiante. En
múltiples paralelos con alta carga de lectura y
producción académica, en pocos casos avanzan
con fluidez, mientras otros acumulan vacíos sin
señales tempranas que orienten intervenciones
oportunas. La retroalimentación puede llegar
tarde siendo así que se requiere un sistema que
lea patrones de estudio y sugiera acciones
concretas para sostener el progreso. A la luz de
este contexto social, la incorporación de
sistemas inteligentes en la universidad plantea
una tensión entre la promesa de inclusión y el
riesgo de profundizar brechas existentes.
Cuando el acceso a conectividad, dispositivos y
alfabetización digital resulta desigual, los
beneficios de personalizar apoyos tienden a
concentrarse en quienes ya disponen de mejores
condiciones. En ese sentido, Rodríguez (2024)
advierte que su uso responsable en educación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 11
superior exige considerar la equidad, los
derechos y la supervisión humana. Asimismo,
Kroff (2024) señala ventajas en eficiencia y
personalización, aunque persisten limitaciones
asociadas a la capacitación docente y a la
ausencia de criterios claros
En el plano pedagógico e institucional, la
problemática radica en superar la simple
digitalización de actividades para avanzar hacia
decisiones didácticas sustentadas en evidencia y
ajustadas a las necesidades reales del
estudiantado. Personalizar no implica solo
asignar recursos diferenciados, sino interpretar
participación, desempeño y errores para
orientar explicaciones, práctica y
retroalimentación. En este marco, Del González
(2024) sostiene que la personalización se apoya
en perfiles estudiantiles construidos con
analítica del aprendizaje, mientras que Toro et
al. (2025) destacan que la transformación digital
universitaria exige formación, evaluación
crítica y una gestión ética coherente. La
inteligencia artificial, en su calidad de variable
independiente, puede definirse con base en las
siguientes conceptualizaciones teóricas; en este
sentido se comprende como un conjunto de
sistemas computacionales que, a partir de datos,
pueden aprender, adaptarse, sintetizar
información y autocorregirse para resolver
tareas complejas en escenarios educativos. Bajo
esa delimitación, Crompton y Burke (2023)
enfatizan que, en educación superior, su alcance
debe reconocerse por la capacidad de procesar
evidencias y ajustar decisiones académicas en
función de resultados verificables. De esta
manera, se operacionaliza como un recurso que
reorganiza apoyos formativos y contribuye a
mejorar experiencias de aprendizaje con base en
información del desempeño.
La inteligencia artificial puede entenderse como
un campo de soluciones computacionales que,
mediante el tratamiento de grandes volúmenes
de información, identifica regularidades,
aprende de la experiencia y produce salidas
útiles para orientar decisiones en educación. De
acuerdo con el modelo teórico de la variable
dependiente, Chan (2023), expresa sobre la
comprensión en el ámbito universitario se
fortalece cuando se adopta un modelo que
integra tres planos complementarios, el
pedagógico, el de gobernanza y el operativo,
con el fin de alinear intencionalidad formativa,
resguardos éticos y capacidades institucionales.
En consecuencia, se perfila como un marco
sociotécnico regulado y susceptible de
evaluación. En otras palabras, se asume como
un conjunto de sistemas que extraen patrones de
datos académicos y de interacción, generando
inferencias que pueden apoyar el seguimiento
del aprendizaje y la toma de decisiones en
contextos universitarios. Como señalan Long et
al. (2025), su aporte se vuelve más consistente
cuando se incorpora dentro de estrategias
didácticas activas y se articula con ciclos de
retroalimentación liderados por el docente,
evitando que la herramienta opere de forma
aislada. De este modo, la definición enfatiza
integración curricular, sentido pedagógico y
evidencias observables de mejora.
Se trata, por su parte, de una dimensión de
gobernanza que establece los criterios
institucionales para el uso responsable,
delimitando obligaciones y procedimientos
vinculados con privacidad, transparencia,
rendición de cuentas y control de sesgos. En
este orden de ideas, Lucero et al. (2025) resaltan
que la confianza y la equidad se sostienen
cuando existen marcos de “IA responsable”
construidos con participación universitaria,
capaces de orientar decisiones en evaluación,
acompañamiento y recomendación sin afectar
derechos. Por consiguiente, la gobernanza
define límites, garantías y responsabilidades
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 12
verificables. Debe señalarse, finalmente, que la
dimensión operativa se expresa en la viabilidad
práctica de su adopción, es decir, en la
disponibilidad de infraestructura, soporte
técnico, formación y protocolos que sostengan
el uso cotidiano de manera estable. De acuerdo
con Schmidt et al. (2025), la implementación
efectiva requiere alfabetización y desarrollo
profesional continuo, además de directrices que
reduzcan incertidumbre y faciliten su
incorporación en currículo, enseñanza y
evaluación. En síntesis, lo operativo determina
sostenibilidad, escalamiento y calidad de la
integración institucional.
La Teoría de Sistemas Sociotécnicos, propuesta
por Trist y Bamforthen el año de 1951), sostiene
que el desempeño de una innovación depende
del ajuste entre el subsistema social y el
subsistema técnico. En consecuencia, su idea
central es que los resultados no se explican solo
por la herramienta, sino por prácticas, roles,
cultura y condiciones organizacionales que la
hacen viable. Desde esta óptica, Guerrero
(2026) remarca que la transformación digital
universitaria reconfigura prácticas y
participación como proceso socio técnico. En
términos sustantivos, la adopción de soluciones
inteligentes en universidades suele seguir
trayectorias graduales, con grupos que
incorporan primero la novedad y otros que la
hacen cuando observan utilidad y
compatibilidad. A partir de esa idea, la Teoría
de la Difusión de Innovaciones de Rogers en
1962, explica la propagación según etapas y
perfiles de adopción. Bajo este enfoque,
Alvarado (2025) utiliza a Rogers para
interpretar la incorporación tecnológica como
proceso progresivo, lo que permite analizar
barreras y aceleradores institucionales en
educación superior. La intención de uso de
herramientas de apoyo académico basadas en
modelos algorítmicos suele depender de
expectativas de utilidad, facilidad, presión
social y soporte institucional. Sobre esa base, la
Teoría Unificada de Aceptación y Uso de la
Tecnología (UTAUT), fue formulada por
Venkatesh et al. (2003) para explicar por qué
una tecnología se adopta y se sostiene en el
tiempo. En este marco, Pillpe (2025) aplica
UTAUT para comprender la adopción de
herramientas inteligentes en educación,
resaltando el peo del apoyo y de las condiciones
facilitadoras en contextos universitarios.
Desde la perspectiva de la investigación, la
personalización del aprendizaje universitario
constituye la variable dependiente, por lo que su
comprensión se apoya en las siguientes
conceptualizaciones: Este análisis comprende la
personalización del aprendizaje universitario
como un enfoque que reconoce diferencias
individuales y organiza la experiencia formativa
para que cada estudiante avance con metas,
recursos y apoyos ajustados a su situación.
Según Costa (2021), este planteamiento se
expresa cuando el estudiante participa
activamente en la planificación de su
aprendizaje y el entorno educativo adapta
tiempos, secuencias y materiales para sostener
el progreso. En consecuencia, no se reduce a
“más recursos”, sino a decisiones pedagógicas
coherentes y seguimiento continuo.
Considerando el modelo teórico de Zhong
(2022), la personalización del aprendizaje
universitario se conceptualiza como un diseño
instruccional que adapta tres componentes: la
estructura del contenido, la secuenciación de
materiales y el soporte a la preparación para
aprender. Así, no basta con variar recursos; se
requiere organizar conceptos en rutas, ordenar
actividades según progreso y ofrecer apoyos
para que el estudiante inicie, mantenga y regule
su aprendizaje. Por consiguiente, la variable se
define por la capacidad del entorno de ajustar
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 13
decisiones didácticas con base en necesidades
detectadas.
Cabe resaltar que la estructuración del
contenido de aprendizaje se define como la
organización explícita de saberes en unidades
coherentes, con etiquetas, relaciones y niveles
de complejidad que permiten identificar qué
aprender primero y qué depende de qué. A título
ilustrativo, se indicará que esta dimensión cobra
sentido cuando el contenido se depura, clasifica
y vincula con “puntos de conocimiento” para
sostener rutas comprensibles y comparables,
evitando sobrecarga y desorientación. Como
plantea Hu (2025), esta organización mejora la
pertinencia del material ofrecido. Sucede pues,
que la secuenciación de materiales de
aprendizaje alude al ordenamiento adaptativo
de recursos y actividades para construir
trayectorias que respondan al perfil, metas y
preferencias del estudiante, sin perder
consistencia curricular. En otras palabras, no se
trata solo de recomendar, sino de producir una
progresión didáctica con criterios verificables
de ajuste. En este sentido, Ferreira et al. (2024)
describen la secuenciación como un problema
de optimización donde múltiples características
del estudiante y del material guían la selección
del mejor recorrido posible.
Si bien es cierto, el apoyo a la preparación o
disposición para aprender se entiende como el
conjunto de soportes que fortalecen la
capacidad del estudiante para iniciar, sostener y
regular su aprendizaje, especialmente cuando la
autonomía se vuelve condición central. En la
perspectiva que aquí se adopta, la disposición se
expresa en componentes motivacionales,
metacognitivos y estratégicos que permiten
enfrentar demandas académicas y persistir ante
dificultades. Martínez et al. (2025) muestran
que dimensiones como motivación y actitud
hacia el aprendizaje se asocian con compromiso
y permanencia, lo que vuelve esta dimensión un
soporte crítico. Por lo demás, la Teoría
Sociocultural del aprendizaje, formulada por
Lev Vygotsky (1978), plantea que el
aprendizaje se construye mediante mediación,
interacción y andamiaje, ajustando la ayuda a la
necesidad del estudiante para avanzar desde su
nivel actual. De hecho, esta idea sustenta la
personalización al priorizar apoyos
diferenciados y progresivos en función de la
respuesta del aprendiz. En esa línea, Mota
(2025) destaca el papel tutorial y el andamiaje
como base para orientar acompañamientos
ajustados.
Se explica la personalización universitaria
como un proceso en el que el estudiante regula
metas, estrategias y monitoreo, de modo que el
ajuste de rutas y apoyos responda a evidencias
de su progreso. A partir de esta idea, la Teoría
del Aprendizaje Autorregulado, desarrollada
por Barry Zimmerman (2000), sostiene un ciclo
de planificación, ejecución y autorreflexión que
permite calibrar intervenciones según
necesidades reales. En relación con ello, Certad
(2025) retoma el modelo de Zimmerman para
explicar cómo la autorregulación se organiza en
fases vinculadas al desempeño. En todo caso, la
Teoría de la Carga Cognitiva, propuesta por
John Sweller (1988), define que la enseñanza
debe gestionar la carga mental para evitar
saturación y favorecer comprensión profunda.
Evidentemente, esta lógica se conecta con la
personalización cuando los materiales se
adaptan en complejidad, formato y
segmentación según el estado del estudiante y
la tarea. Es cierto que el diseño instruccional
cobra centralidad, porque el ajuste no depende
solo del contenido, sino de cómo se presenta. En
este marco, Bojorquez (2025) vincula la carga
cognitiva con decisiones de diseño que
previenen sobrecarga en entornos digitales.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 14
En este sentido, la formulación del problema
constituye la interrogante central que orienta el
desarrollo de la investigación, puesto que
permite delimitar con precisión el fenómeno
objeto de estudio, las variables involucradas, la
población seleccionada y el contexto en el que
se desarrolla el análisis; por ello, se plantea la
siguiente pregunta: ¿cuál es la incidencia de la
inteligencia artificial en la personalización del
aprendizaje universitario en estudiantes de
cuarto semestre de Educación Básica modalidad
en línea de la Universidad Estatal de Milagro,
2026? El objetivo general de la investigación se
orienta a determinar la incidencia de la
inteligencia artificial en la personalización del
aprendizaje universitario en estudiantes de
cuarto semestre de Educación Básica modalidad
en línea de la Universidad Estatal de Milagro,
durante el año 2026.
Este propósito central permite abordar de
manera integral la relación existente entre la
incorporación de herramientas basadas en
inteligencia artificial y los procesos de
adecuación del aprendizaje a las necesidades,
características y ritmos del estudiantado
universitario en entornos virtuales. En cuanto a
los objetivos específicos, estos se orientan, por
una parte, a identificar la incidencia de la
dimensión pedagógica en la estructuración del
contenido de aprendizaje de los estudiantes
objeto de estudio; asimismo, a medir el influjo
de la dimensión de gobernanza en la
secuenciación de los materiales de aprendizaje
dentro de la unidad de análisis; y, finalmente, a
establecer la relación existente entre la
dimensión operativa y el apoyo a la preparación
o disposición para aprender en el contexto
investigado. En su conjunto, dichos objetivos
permiten examinar de manera desagregada y
rigurosa los componentes sustantivos del
fenómeno analizado.
Materiales y Métodos
La tipología se adscribió a una investigación
básica, en tanto privilegió la comprensión
conceptual del fenómeno y la construcción de
fundamentos explicativos antes que una
aplicación inmediata. Este tipo de estudio se
orientó a ampliar el conocimiento y a precisar
categorías analíticas que permitieron describir
con mayor rigor la realidad observada. En
consecuencia, esta orientación contribuyó a
delimitar con claridad los componentes del
problema, fortalecer el soporte teórico y situar
el análisis en un marco científico consistente.
En consonancia con lo anterior, la aproximación
metodológica se encaminó hacia un enfoque
cuantitativo, puesto que requirió traducir los
aspectos del fenómeno a indicadores
verificables y comparables. Esta perspectiva se
caracterizó por la medición numérica y el
tratamiento estadístico de la información, lo
cual favoreció precisión, sistematicidad y
replicabilidad. De esta manera, la lógica
cuantitativa posibilitó organizar los datos con
criterios objetivos y describir tendencias con
base en evidencia empírica estructurada.
En atención a lo señalado, la estrategia de
diseño se ubicó en un planteamiento no
experimental, pues se observó el
comportamiento de las variables tal como se
presentó en el contexto, sin manipulación
deliberada. Este diseño permitió examinar
fenómenos en condiciones naturales, aportando
una lectura fiel de la realidad, aunque sin
establecer relaciones causales directas. Por
consiguiente, el énfasis recayó en registrar y
analizar información tal como ocurrió,
preservando la autenticidad del escenario y
reduciendo interferencias metodológicas. En el
marco de estas consideraciones, el alcance
analítico se definió como descriptivo, debido a
que su finalidad fue caracterizar el fenómeno
mediante rasgos, niveles y patrones
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 15
predominantes, sin explicar sus causas. Este
alcance se orientó a sistematizar información
para retratar con claridad cómo se manifestaron
las variables en un contexto determinado,
apoyándose en indicadores y procedimientos de
síntesis. En resumidas cuentas, esta elección
permitió ofrecer una descripción ordenada,
verificable y pertinente de la realidad
examinada.
A la luz de estas precisiones, la técnica se
encaminó hacia la encuesta, dado que posibilitó
recopilar información de manera uniforme y
convertir percepciones y prácticas en datos
susceptibles de comparación. Esta técnica
resultó pertinente cuando se buscó describir
tendencias en una población definida mediante
respuestas estructuradas, reduciendo la
variabilidad del registro y favoreciendo la
sistematización. En tal virtud, su aporte
metodológico residió en obtener evidencias
directas en un mismo corte temporal, sin alterar
las condiciones del contexto. Con base en lo
señalado, el instrumento se concretó en un
cuestionario estructurado organizado a partir
del modelo teórico que orientó el estudio, de
modo que cada ítem representó de forma directa
las dimensiones definidas para ambas variables.
En este sentido, se incorporaron las
dimensiones propuestas por Chan (2023),
pedagógica, gobernanza y operativa, como ejes
para formular preguntas que captaron el uso
didáctico, los criterios institucionales y las
condiciones de implementación. Asimismo, se
integraron las dimensiones planteadas por
Zhong (2022), estructuración del contenido,
secuenciación de materiales y apoyo a la
disposición para aprender, a fin de medir cómo
se organizó la experiencia formativa.
La confiabilidad del instrumento se situó en
0.971; según los rangos establecidos por
Hernández (2010), este valor corresponde a una
confiabilidad alta. En consecuencia, el
cuestionario evidencia un nivel muy favorable
de consistencia interna, lo que permite sostener
que los ítems guardan coherencia entre sí y
miden de manera estable el fenómeno de
estudio. Asimismo, este resultado fortalece la
credibilidad de la información obtenida, al
reducir la posibilidad de errores aleatorios en las
respuestas y respaldar la solidez metodológica
del proceso de recolección de datos. En
atención a lo expuesto, la población se delimitó
como el conjunto total de unidades de análisis
que compartieron las características definidas
por el problema investigativo. En este caso,
estuvo conformada por 378 estudiantes de
cuarto semestre de la carrera de Educación
Básica modalidad en línea de la Universidad
Estatal de Milagro, considerando su pertenencia
al mismo nivel académico y modalidad, lo que
permitió describir el fenómeno en un marco
homogéneo. Además, esta delimitación integró
a estudiantes que afrontaron exigencias
académicas similares en un entorno virtual, lo
cual favoreció la comparabilidad de respuestas
y la coherencia del análisis. En consecuencia, la
población definida estableció un marco
empírico claro para caracterizar tendencias del
fenómeno en un grupo con condiciones
formativas equivalentes.
La muestra se definió como un subconjunto
representativo de la población, obtenido
mediante un procedimiento probabilístico de
tipo estratificado, con el fin de conservar la
estructura real del universo y asegurar la
participación proporcional de cada grupo. En
este caso, los estratos se conformaron por los
cuatro paralelos, lo que permitió reducir sesgos
de selección y mejorar la precisión descriptiva
al reflejar la distribución interna de la
población. Asimismo, la asignación
proporcional garantizó que cada paralelo
aportara casos en función de su tamaño,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 16
fortaleciendo la representatividad global. Por
consiguiente, la muestra estratificada ofreció
una base metodológica más robusta para el
análisis estadístico y la interpretación de
resultados. Para el proceso de cálculo del
muestreo estratificado se tomaron como datos
de partida una población total de 378
estudiantes, un nivel de confianza del 95 %,
correspondiente a un valor Z de 1.96, un error
máximo permitido de 0.05 y el criterio de
máxima variabilidad, expresado mediante p =
0.5 y q = 0.5; asimismo, para determinar el
tamaño de la muestra se empleó la fórmula para
población finita, dado que el universo de
estudio se encuentra claramente delimitado y
cuantificado, lo cual permitió obtener una
muestra estadísticamente representativa y
proporcional a las características de la
población investigada; en función de ello, se
expone la siguiente fórmula:
𝒏 =
𝑵 ∗ 𝒁
𝟐
∗ 𝒑 ∗ 𝒒
(
𝑵 + 𝟏
)
∗ 𝒆
𝟐
+ 𝒁
𝟐
∗ 𝒑 ∗ 𝒒
𝒏 =
𝟑𝟕𝟖 ∗
(
𝟏. 𝟗𝟔
)
𝟐
∗ (𝟎. 𝟓) ∗ (𝟎. 𝟓)
(
𝟑𝟕𝟖 + 𝟏
)
∗
(
𝟎. 𝟎𝟓
)
𝟐
+
(
𝟏. 𝟗𝟔
)
𝟐
∗ (𝟎. 𝟓) ∗ (𝟎. 𝟓)
𝒏 =
𝟑𝟕𝟖 ∗ (𝟑. 𝟖𝟒𝟏𝟔) ∗ (𝟎. 𝟐𝟓)
(
𝟑𝟕𝟖 + 𝟏
)
∗ (𝟎. 𝟎𝟎𝟐𝟓) + (𝟑. 𝟖𝟒𝟏𝟔) ∗ (𝟎. 𝟐𝟓)
𝒏 =
𝟑𝟕𝟖 ∗ (𝟑. 𝟖𝟒𝟏𝟔) ∗ (𝟎. 𝟐𝟓)
(
𝟑𝟕𝟖 + 𝟏
)
∗ (𝟎. 𝟎𝟎𝟐𝟓) + (𝟑. 𝟖𝟒𝟏𝟔) ∗ (𝟎. 𝟐𝟓)
𝒏 =
𝟑𝟔𝟐. 𝟎𝟑𝟏𝟐
𝟏. 𝟗𝟎𝟐𝟗
= 𝟏𝟗𝟎. 𝟕𝟖 ≈ 𝟏𝟗𝟏 𝐞𝐬𝐭𝐮𝐝𝐢𝐚𝐧𝐭𝐞𝐬
El tamaño final de la muestra quedó establecido
en 191 estudiantes, determinado a partir del
procedimiento estadístico correspondiente;
posteriormente, se aplicó un muestreo
estratificado con asignación proporcional,
considerando la existencia de cuatro paralelos
identificados como C1, C2, C3 y C4. Esta
distribución permitió seleccionar a los
participantes de manera equilibrada en función
del peso real de cada estrato dentro de la
población total, asegurando así una
representación adecuada de todos los grupos
que integran la unidad de análisis.
𝑵
𝑨
= 𝟗𝟖
𝑵
𝑩
= 𝟏𝟎𝟎
𝑵
𝑪
= 𝟏𝟎𝟐
𝑵
𝑫
= 𝟕𝟖
𝒏
𝒉
=
𝑵
𝒉
𝑵
𝒏
Para la distribución de la muestra se la realiza
mediante la siguiente tabla, con la aplicabilidad
de la formula.
Tabla 1. Distribución de la muestra
Paralelo
𝑁
ℎ
𝑛
ℎ
A
98
𝒏
𝒉
=
𝟗𝟖
𝟑𝟕𝟖
(
𝟏𝟗𝟏
)
= 𝟒𝟗
B
100
𝒏
𝒉
=
𝟏𝟎𝟎
𝟑𝟕𝟖
(
𝟏𝟗𝟏
)
= 𝟓𝟏
C
102
𝒏
𝒉
=
𝟏𝟎𝟐
𝟑𝟕𝟖
(
𝟏𝟗𝟏
)
= 𝟓𝟐
D
78
𝒏
𝒉
=
𝟕𝟖
𝟑𝟕𝟖
(
𝟏𝟗𝟏
)
= 𝟑𝟗
Total
378
191
Fuente: Elaboración propia
En el marco de estas consideraciones, el
procedimiento se desarrolló de manera
secuencial y ordenada. En primer lugar, se
delimitó la población y se identificaron los
estratos correspondientes a los cuatro paralelos,
para lo cual se elaboró un listado actualizado de
estudiantes como marco muestral. A
continuación, se calculó el tamaño de la muestra
y se distribuyó proporcionalmente en cada
estrato con el propósito de preservar la
estructura real del universo. Posteriormente, se
seleccionó a los participantes de forma aleatoria
dentro de cada paralelo, garantizando igualdad
de probabilidad. Seguidamente, se estructuró el
cuestionario con una escala ordinal y un total de
54 ítems, derivado de dos variables con tres
dimensiones cada una, donde cada dimensión se
operacionalizó mediante dos indicadores y cada
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 17
indicador se midió con tres ítems, alcanzándose
así los 54 reactivos. Finalmente, se aplicó el
instrumento en modalidad virtual, se depuraron
las respuestas incompletas y se sistematizó la
base de datos para el análisis estadístico. Sin
embargo, los aspectos éticos se asumieron como
un eje transversal del proceso investigativo,
priorizándose el respeto a la autonomía de los
participantes, la voluntariedad y el resguardo de
su información. En tal sentido, se comunicó con
claridad el propósito del estudio, los
procedimientos y el uso académico de los datos,
garantizándose la posibilidad de desistir en
cualquier momento sin consecuencias.
Asimismo, se aseguró el tratamiento
confidencial y anónimo de las respuestas, se
restringió el acceso a la base de datos y se evitó
cualquier identificación personal en los
reportes. Puche et al. (2024) destacaron que el
consentimiento informado y la confidencialidad
fueron condiciones mínimas para sostener
confianza y legitimidad en investigaciones
educativas.
No obstante, los criterios de inclusión se
definieron para asegurar que la información
recolectada respondiera de forma directa a la
unidad de análisis y a las condiciones
académicas del programa. En consecuencia, se
consideró la participación de estudiantes
matriculados en cuarto semestre de Educación
Básica modalidad en línea de la Universidad
Estatal de Milagro, pertenecientes a cualquiera
de los cuatro paralelos establecidos y con
disponibilidad para responder el cuestionario en
el periodo de aplicación. De igual forma, se
incluyó únicamente a quienes aceptaron
participar de manera voluntaria y completaron
el instrumento en su totalidad, a fin de preservar
la consistencia y comparabilidad de los datos.
Ahora bien, los criterios de exclusión se
orientaron a reducir sesgos y evitar registros
incompletos que distorsionaran el análisis
descriptivo. Por consiguiente, se excluyeron
estudiantes que no pertenecían al cuarto
semestre o que no estaban matriculados en la
modalidad en línea de la Universidad Estatal de
Milagro. Del mismo modo, se descartaron los
cuestionarios con respuestas incompletas,
duplicadas o con inconsistencias que
comprometieran la validez de la información
recolectada. También se excluyó a quienes no
manifestaron su aceptación voluntaria para
participar en el estudio, con el fin de resguardar
el rigor metodológico y ético de la
investigación, así como quienes no formen parte
de los paralelos definidos como estratos. Del
mismo modo, se descartaron cuestionarios con
respuestas incompletas, duplicadas o
inconsistentes, y aquellos casos en los que no
exista aceptación voluntaria para participar. En
todo caso, la depuración se aplicó con criterios
uniformes para sostener calidad y trazabilidad
en la base de datos.
Resultados y Discusión
Objetivo específico 1: Identificar la
incidencia de la dimensión pedagógica en la
estructuración del contenido de aprendizaje
de los estudiantes objeto de estudio.
Tabla 2. Resultados de objetivo específico 1
Objetivo Especifico 1
Item
SIEMPRE
%
A VECES
%
NUNCA
%
Ítem 1
38
20%
78
41%
75
39%
Ítem 2
49
26%
92
48%
50
26%
Ítem 3
36
19%
82
43%
73
38%
Ítem 4
37
19%
86
45%
68
36%
Ítem 5
37
19%
80
42%
74
39%
Ítem 6
47
25%
92
48%
52
27%
Ítem 7
35
18%
84
44%
72
38%
Ítem 8
40
21%
85
45%
66
35%
Ítem 9
46
24%
81
42%
64
34%
Ítem 28
57
30%
86
45%
48
25%
Ítem 29
55
29%
88
46%
48
25%
Ítem 30
47
25%
86
45%
58
30%
Ítem 31
44
23%
81
42%
66
35%
Ítem 32
42
22%
86
45%
63
33%
Ítem 33
45
24%
82
43%
64
34%
Ítem 34
44
23%
82
43%
65
34%
Ítem 35
59
31%
89
47%
43
23%
Ítem 36
43
23%
91
48%
57
30%
Total
44,5
23,29%
85,06
44,52%
61,44
32,17%
Fuente: Elaboración propia
En relación con el objetivo específico 1, los
resultados evidencian que la incidencia de la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 18
dimensión pedagógica de la inteligencia
artificial en la estructuración del contenido de
aprendizaje se percibe, predominantemente, en
un nivel intermedio. En efecto, la categoría “A
veces” alcanzó el mayor porcentaje global con
44,52 %, seguida de “Nunca” con 32,17 % y,
finalmente, “Siempre” con 23,29 %, lo que
permite inferir que los estudiantes reconocen
ciertos aportes de la inteligencia artificial en la
comprensión, orientación y adaptación del
aprendizaje, así como en la organización y
pertinencia de los contenidos, aunque dichos
beneficios no se manifiestan de manera
constante.
Asimismo, en varios ítems se observa una
concentración importante en la opción “A
veces”, como ocurre en los ítems 2, 6 y 36, con
48 %, mientras que en la categoría “Nunca”
destacan los ítems 1 y 5, con 39 %, lo cual
revela que una proporción significativa del
grupo aún no experimenta de forma sostenida
una mediación pedagógica eficaz ni una
estructuración plenamente ajustada a sus
necesidades. Por consiguiente, puede sostenerse
que la incidencia identificada existe, pero se
presenta de forma parcial, heterogénea y
todavía insuficiente para consolidar una
personalización pedagógica robusta del
contenido en el contexto analizado. Desde una
perspectiva teórica, estos hallazgos pueden
comprenderse, en primer lugar, a partir de la
Teoría de Sistemas Sociotécnicos, propuesta
por Trist y Bamforth (1951), quienes sostienen
que el desempeño de una innovación depende
de la articulación equilibrada entre el
subsistema técnico y el subsistema social. En
concordancia con ello, Guerrero (2026) remarca
que la transformación digital universitaria no
debe entenderse únicamente como
incorporación de herramientas, sino como una
reconfiguración de prácticas, roles y formas de
participación dentro del entorno educativo.
Bajo esta lógica, el predominio de respuestas
ubicadas en la categoría “A veces” sugiere que
la inteligencia artificial aún no se integra de
manera plenamente armónica con la dinámica
pedagógica, por lo que su incidencia en la
estructuración del contenido sigue siendo
parcial e irregular.
De igual manera, estos resultados se relacionan
con la Teoría de la Carga Cognitiva de Sweller
(1988), quien plantea que la enseñanza debe
gestionar adecuadamente la carga mental para
evitar saturación y favorecer una comprensión
profunda. En esta misma línea, Bojorquez
(2025) vincula dicha teoría con decisiones de
diseño instruccional que previenen la
sobrecarga en entornos digitales. Por
consiguiente, cuando los estudiantes perciben
que la organización del contenido no siempre se
ajusta a sus necesidades, ritmos o niveles de
comprensión, puede inferirse que la
personalización aún no alcanza un nivel óptimo,
lo que limita el aprovechamiento pedagógico de
la inteligencia artificial en el contexto
universitario analizado.
Objetivo específico 2: Medir el influjo de la
dimensión de gobernanza en la secuenciación
de los materiales de aprendizaje dentro de la
unidad de análisis
Tabla 3. Resultados de objetivo específico 2
Objetivo Especifico 2
Ítem
Siempre
%
A Veces
%
Nunca
%
Ítem 10
29
15%
82
43%
80
42%
Ítem 11
48
25%
89
47%
54
28%
Ítem 12
32
17%
84
44%
75
39%
Ítem 13
39
20%
84
44%
68
36%
Ítem 14
43
23%
86
45%
62
33%
Ítem 15
37
19%
85
45%
69
36%
Ítem 16
35
18%
90
47%
66
35%
Ítem 17
36
19%
82
43%
73
38%
Ítem 18
50
26%
86
45%
55
29%
Ítem 37
44
23%
81
42%
66
35%
Ítem 38
43
23%
86
45%
62
33%
Ítem 39
57
30%
81
42%
53
28%
Ítem 40
54
28%
84
44%
53
28%
Ítem 41
50
26%
85
45%
56
29%
Ítem 42
42
22%
91
48%
58
30%
Ítem 43
50
26%
82
43%
59
31%
Ítem 44
51
27%
87
46%
53
28%
Ítem 45
40
21%
87
46%
64
34%
Total
43,33
22,68%
85,11
44,54%
62,56
32,76%
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 19
Fuente: Elaboración propia
En lo que respecta a este segundo resultado, se
observa que la dimensión de gobernanza ejerce
una influencia moderada en la secuenciación de
los materiales de aprendizaje. En términos
generales, la opción “A veces” concentró el
porcentaje más alto con 44,54 %, seguida de
“Nunca” con 32,76 % y, finalmente, “Siempre”
con 22,68 %. Esta distribución sugiere que,
desde la percepción de los estudiantes, las
directrices institucionales, los criterios
normativos y las decisiones organizativas
relacionadas con el uso de la inteligencia
artificial no siempre se traducen en una
estructuración clara, progresiva y continua de
los materiales académicos. Si bien se reconoce
cierta incidencia, esta no se manifiesta con la
solidez ni la regularidad esperadas. A ello se
suma que la proporción alcanzada en la
categoría “Nunca” refleja que una parte
importante de la muestra aún no percibe una
organización suficientemente consistente en la
presentación de los recursos de aprendizaje. En
consecuencia, puede sostenerse que la
gobernanza se vincula con la secuenciación de
los materiales, aunque su impacto todavía
resulta parcial y poco consolidado en el
contexto universitario estudiado.
Desde el plano teórico, estos hallazgos pueden
interpretarse a la luz de la Teoría de la Difusión
de Innovaciones de Rogers (1962), quien
explica que la incorporación de una innovación
no ocurre de manera automática, sino que
depende de condiciones institucionales, del
nivel de aceptación de los actores y de la forma
en que dicha innovación logra integrarse a las
prácticas ya existentes. En este mismo sentido,
Alvarado (2025) sostiene que, en el ámbito
universitario, la adopción de recursos basados
en inteligencia artificial requiere no solo acceso
tecnológico, sino también lineamientos claros,
liderazgo académico y mecanismos de
regulación que orienten su implementación.
Asimismo, estos resultados encuentran respaldo
en la Teoría del Procesamiento de la
Información, desarrollada por Atkinson y
Shiffrin (1968), la cual enfatiza que el
aprendizaje se fortalece cuando la información
se presenta de manera organizada, gradual y
comprensible. Desde esta perspectiva, una
secuenciación adecuada de materiales favorece
la atención, la retención y la asimilación del
conocimiento. Por ello, cuando los estudiantes
perciben que dicha organización solo ocurre de
manera ocasional, se evidencia que la
gobernanza todavía no consigue articular de
forma plena los procesos pedagógicos y
tecnológicos. En consecuencia, más que una
ausencia total de incidencia, los resultados
revelan la necesidad de fortalecer políticas,
criterios y decisiones institucionales que
permitan que la inteligencia artificial
contribuya, de manera más coherente y efectiva,
a la organización del aprendizaje.
Objetivo específico 3: Establecer la relación
de la dimensión operativa con el apoyo a la
preparación o disposición para aprender en
el objeto de estudio
Tabla 4. Resultados de objetivo específico 3
Objetivo Especifico 3
Ítem
Siempre
%
A Veces
%
Nunca
%
Ítem 19
49
26%
81
42%
61
32%
Ítem 20
45
24%
83
44%
63
33%
Ítem 21
43
23%
90
47%
58
30%
Ítem 22
42
22%
91
48%
58
30%
Ítem 23
53
28%
84
44%
54
28%
Ítem 24
38
20%
92
48%
61
32%
Ítem 25
48
25%
84
44%
59
31%
Ítem 26
42
22%
88
46%
61
32%
Ítem 27
47
25%
84
44%
60
31%
Ítem 46
58
30%
84
44%
49
26%
Ítem 47
55
29%
79
41%
57
30%
Ítem 48
53
28%
87
46%
51
27%
Ítem 49
58
30%
87
46%
46
24%
Ítem 50
45
24%
90
47%
56
29%
Ítem 51
51
27%
82
43%
58
30%
Ítem 52
62
33%
85
45%
44
23%
Ítem 53
52
27%
82
43%
57
30%
Ítem 54
51
27%
79
41%
61
32%
Total
49,56
25,95%
85,11
44,56%
56,33
29,49%
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 20
A partir de la información obtenida, se aprecia
que la incidencia de la dimensión operativa en
la retroalimentación del aprendizaje se
manifiesta con una intensidad moderada dentro
del grupo estudiado. La categoría “A veces”
concentró el porcentaje más alto con 44,56 %,
seguida de “Nunca” con 29,49 % y “Siempre”
con 25,95 %. Esta distribución permite advertir
que, aunque los estudiantes reconocen ciertos
aportes de la inteligencia artificial en los
procesos de seguimiento, orientación y
respuesta frente a sus avances académicos,
dicha contribución no se percibe de manera
permanente. En otras palabras, la
retroalimentación apoyada por herramientas de
inteligencia artificial aparece como una práctica
presente, pero todavía inestable y poco
uniforme. Además, el hecho de que casi una
tercera parte de las respuestas se ubique en la
opción “Nunca” evidencia que una parte
importante de la muestra aún no experimenta
una devolución continua, oportuna y
suficientemente útil para fortalecer su proceso
formativo. Por ello, los resultados permiten
sostener que la incidencia operativa existe, pero
todavía requiere mayor consolidación para
convertirse en un apoyo constante y
significativo en la experiencia de aprendizaje
universitario.
A nivel de discusión, estos hallazgos pueden
comprenderse desde la Teoría de la Aceptación
Tecnológica de Davis (1989), la cual explica
que el uso efectivo de una herramienta
tecnológica depende, en gran medida, de la
utilidad que perciben los usuarios y de la
facilidad con la que logran incorporarla a sus
prácticas habituales. Bajo esta perspectiva, si la
retroalimentación mediada por inteligencia
artificial solo se percibe de manera ocasional, es
posible inferir que su integración operativa aún
no alcanza un nivel de apropiación suficiente en
la dinámica académica. De igual modo, estos
resultados encuentran sustento en la Teoría del
Aprendizaje Autorregulado de Zimmerman
(2002), que destaca la importancia de la
retroalimentación como elemento clave para
que el estudiante supervise su progreso, ajuste
estrategias y fortalezca su autonomía. Desde
este enfoque, una retroalimentación irregular
limita la posibilidad de que el estudiante
reconozca con claridad sus fortalezas y
debilidades. En consecuencia, los datos no
muestran una ausencia total de aporte, sino más
bien la necesidad de fortalecer los procesos
operativos que permitan a la inteligencia
artificial ofrecer respuestas más constantes,
útiles y pedagógicamente pertinentes para
acompañar el aprendizaje de manera efectiva.
Objetivo general: Determinar la incidencia
de La inteligencia artificial en la
personalización del aprendizaje
universitario en estudiantes de 4to semestre
de Educación Básica modalidad en línea de
la Universidad Estatal de Milagro, 2026.
Tabla 5. Resultados de objetivo general,
análisis desde las dimensiones
Objetivo General
Dimensión
Siempre
%
A
Veces
%
Nunc
a
%
Pedagógica
41
21,23
%
84
44,21
%
66
34,56
%
Gobernanza
39
20,30
%
85
44,67
%
67
35,03
%
Operativa
45
23,68
%
86
45,21
%
59
31,12
%
Estructuración
del contenido de
aprendizaje
48
25,36
%
86
44,83
%
57
29,78
%
Secuenciación
de materiales de
aprendizaje
48
25,07
%
85
44,42
%
58
30,48
%
Apoyo a la
preparación/dis
posición para
aprender
54
28,22
%
84
43,91
%
53
27,86
%
TOTAL
46
23,98
%
85
44,54
%
60
31,47
%
Fuente: Elaboración propia
En una visión de conjunto, los resultados del
objetivo general muestran que la relación entre
las dimensiones de la inteligencia artificial y las
dimensiones de la personalización del
aprendizaje se percibe, sobre todo, de manera
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 21
intermedia. La opción “A veces” alcanzó el
porcentaje global más alto con 44,54 %,
mientras que “Nunca” obtuvo 31,47 % y
“Siempre” 23,98 %. Al revisar cada dimensión,
se observa un comportamiento semejante tanto
en la variable independiente como en la
dependiente: en la dimensión pedagógica, la
respuesta predominante fue “A veces” con
44,21 %; en gobernanza, 44,67 %; y en
operativa, 45,21 %. De igual forma, en las
dimensiones vinculadas con la personalización
del aprendizaje también sobresale la misma
tendencia: estructuración del contenido de
aprendizaje con 44,83 %, secuenciación de
materiales de aprendizaje con 44,42 % y apoyo
a la preparación/disposición para aprender con
43,91 %. Este panorama permite comprender
que los estudiantes sí reconocen aportes de la
inteligencia artificial en distintas áreas del
proceso formativo; sin embargo, dichos aportes
todavía no se expresan con la estabilidad
suficiente como para evidenciar una
transformación sólida, continua y plenamente
consolidada en su experiencia universitaria.
A la luz de las teorías sustantivas, estos
hallazgos pueden entenderse desde una
perspectiva integradora. Por una parte, el marco
de política educativa para la inteligencia
artificial en la educación superior propuesto por
Chan (2023) sostiene que el valor pedagógico
de esta tecnología no depende únicamente de su
presencia, sino de la articulación entre
dimensiones pedagógicas, de gobernanza y
operativas, las cuales deben funcionar de
manera coordinada para generar impacto real en
la enseñanza y el aprendizaje. En una línea
complementaria, Holmes et al. (2022) señalan
que la incorporación de inteligencia artificial en
contextos educativos exige no solo innovación
tecnológica, sino también criterios éticos,
organizativos y didácticos que permitan una
aplicación realmente formativa y centrada en el
estudiante. Por otra parte, desde la Teoría del
Aprendizaje Significativo de Ausubel (1968), la
personalización cobra sentido cuando los
contenidos, materiales y apoyos se organizan de
modo que conecten con los saberes previos,
favorezcan la comprensión y fortalezcan la
disposición del estudiante para aprender. En ese
sentido, el predominio de respuestas ubicadas
en “A veces” revela que existe una base de
integración, pero todavía no lo bastante robusta
como para garantizar experiencias de
aprendizaje plenamente adaptadas, coherentes y
sostenidas. Por ello, más que negar el aporte de
la inteligencia artificial, los datos sugieren la
necesidad de fortalecer su implementación
institucional y pedagógica para que su
contribución sea más consistente en todas las
dimensiones analizadas.
Conclusiones
La información analizada permite comprender
que la organización del contenido de
aprendizaje aún no logra responder de manera
constante a las exigencias de una formación
universitaria más ajustada a las necesidades del
estudiante. Aunque se reconocen avances en
claridad, orden y adecuación de los contenidos,
estos todavía se manifiestan de forma
intermitente. Esta situación revela que el
componente pedagógico requiere mayor solidez
en su aplicación, a fin de que la experiencia
formativa no dependa de acciones aisladas, sino
de una estructura continua, comprensible y
verdaderamente cercana a los ritmos y
particularidades del alumnado. Asimismo, se
evidencia que la disposición institucional y
organizativa todavía no alcanza el nivel
necesario para garantizar una secuencia clara y
coherente en los materiales de aprendizaje. Si
bien existen señales de orientación y orden en
los recursos empleados, estas no siempre se
perciben de manera uniforme por parte de los
estudiantes. Tal panorama deja ver que aún
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 22
persisten vacíos en la articulación de criterios
que aseguren continuidad, progresión y sentido
formativo. En consecuencia, se vuelve
indispensable fortalecer la organización
académica para ofrecer trayectorias de
aprendizaje más consistentes y mejor
estructuradas dentro del contexto universitario.
De igual manera, el acompañamiento brindado
al proceso de preparación y disposición para
aprender todavía presenta limitaciones que
impiden consolidar un apoyo sostenido al
estudiante. Aunque se observan
manifestaciones favorables en el seguimiento y
en ciertas formas de orientación durante el
proceso formativo, estas no se desarrollan con
la regularidad suficiente para convertirse en un
soporte estable. En ese sentido, la experiencia
educativa aún muestra márgenes de mejora en
aspectos vinculados con la motivación, la
autonomía y el compromiso académico,
elementos fundamentales para que el estudiante
asuma un papel más activo y consciente en su
propio aprendizaje. En términos integrales, se
advierte que la relación entre los distintos
componentes analizados mantiene un nivel
intermedio de consolidación dentro de la
experiencia educativa universitaria. Los
avances identificados reflejan la existencia de
aportes valiosos en la organización pedagógica,
en la estructura institucional y en el
acompañamiento al aprendizaje; no obstante,
dichos aportes todavía no configuran una
dinámica plenamente estable y articulada. Por
tanto, el panorama general sugiere la necesidad
de afianzar procesos más coherentes, continuos
y sostenibles que permitan fortalecer una
experiencia formativa más pertinente, cercana y
ajustada a las demandas reales del estudiantado.
Referencias Bibliográficas
Aleman, Y., Pinto, H., Alvarez, L., Pacheco,
M., Ceballos, F., & Diaz, J. (2025).
Educación superior y transformación digital
en la sociedad: aplicaciones de la
inteligencia artificial y la simulación
computacional en la formación universitaria.
Athenea, 6(21).
https://doi.org/10.47460/athenea.v6i21.98
Alfredo, R., Echeverria, V., Jin, Y., Yan, L.,
Swiecki, Z., Gašević, D., & Martinez, R.
(2024). Human-centred learning analytics
and AI in education: A systematic literature
review. Computers and Education: Artificial
Intelligence, 6, 100215.
https://doi.org/10.1016/j.caeai.2024.100215
Alvarado, A. (2025). Desafíos estructurales en
la transformación digital de los servicios
públicos en el sector salud: Una revisión de
literatura. Revista Espacios, 46(3), 450–460.
https://ve.scielo.org/pdf/espacios/v46n3/079
8-1015-espacios-46-03-453.pdf
Barbieri, U., Marsico, E., Piceci, L., Di Fuccio,
R., & Peluso, F. (2024). El futuro de la
educación: aprendizaje personalizado
mediante sistemas tutoriales inteligentes
adaptativos con lenguaje natural y
aprendizaje profundo. Giornale Italiano di
Educazione alla Salute, Sport e Didattica
Inclusiva, 8(3).
https://doi.org/10.32043/gsd.v8i3.1179
Bautista, T., Castañeda, G., Pérez, R., Ceballos,
H., Luna, V., Moreno, J., Zavala, I., Santos,
R., Moreno, C., & Sánchez, M. (2024).
Perspectivas y oportunidades para la
integración de analítica del aprendizaje:
estudio cualitativo en universidades
mexicanas. Journal of Learning Analytics,
1–18.
https://doi.org/10.18608/jla.2024.8125
Bojorquez, L., & Curisinche, D. (2025).
Microlearning en redes sociales en la
educación superior: una revisión de la
literatura. Revista InveCom, 5(1).
https://doi.org/10.5281/zenodo.12629626
Certad, P., & García, D. (2025). Motivación
académica, ansiedad y autorregulación:
Predictores del abandono universitario de
STEM. Areté, Revista Digital del Doctorado
en Educación, 11(22).
https://doi.org/10.55560/arete.2025.22.11.1
3
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 23
Chan, C. (2023). Un marco integral de política
educativa de IA para la enseñanza y el
aprendizaje universitarios. International
Journal of Educational Technology in
Higher Education, 20, 38.
https://doi.org/10.1186/s41239-023-00408-
3
Crompton, H., & Burke, D. (2023). Artificial
intelligence in higher education: The state of
the field. International Journal of
Educational Technology in Higher
Education, 20, 22.
https://doi.org/10.1186/s41239-023-00392-
8
Dorna, G., & Gertner, G. (2023). Argentina:
lecciones aprendidas de un piloto de tutoría
remota. Inter-American Development Bank.
https://publications.iadb.org/publications/en
glish/document/Argentina-Lessons-
Learned-from-a-Remote-Tutoring-Pilot.pdf
Endo, W., Guinoza, F., Passos, P., & Feijó, D.
(2025). Learning analytics en la educación
superior a distancia en Brasil: panorama
bibliográfico de tesis y disertaciones
nacionales (2009–2023). Revista Brasileira
de Aprendizagem Aberta e a Distância,
25(2).
https://doi.org/10.17143/rbaad.v25i2.823
Fernández, C., Cebreiro, B., Rodríguez, M., &
Casal, L. (2021). Aprendizaje adaptativo
apoyado por analítica del aprendizaje para la
formación personalizada de futuros docentes
durante las prácticas en centros educativos.
Sustainability, 14(1), 124.
https://doi.org/10.3390/su14010124
Ferreira, J., Bernardino, H., Souza, J.,
Gonçalves, L., & Soares, S. (2024).
Exploring the solution space for adaptive
curriculum sequencing: Study of a multi-
objective approach. Internet of Things, 25,
101052.
https://doi.org/10.1016/j.iot.2023.101052
Guerrero, A., Fernández, J., Supo, D., Sánchez,
I., Briceño, J., & Falen, R. (2026). Gestión
por procesos en educación superior:
universidades de América y Europa. Una
revisión de alcance. Prohominum, 8(1).
https://doi.org/10.47606/acven/ph0436
Guzmán, E., Mendez, G., Concha, Y., Faúndez,
C., & Alarcón, M. (2025). Diseños de
investigación cuantitativa en ciencias de la
actividad física y la salud. Revista Ciencias
de la Actividad Física UCM, 26(2), 63–85.
https://doi.org/10.29035/rcaf.26.2.5
Hernández, R., Fernández, C., & Baptista, P.
(2010). Metodología de la investigación (5.ª
ed.). McGraw-Hill.
https://www.academia.edu/105282402/Met
odolog%C3%ADa_de_la_investigaci%C3
%B3n_Roberto_Hern%C3%A1ndez_Sampi
eri
Hu, Z. (2025). A method for generating
personalized learning content based on
AIGC. Sustainable Futures, 10, 101331.
https://doi.org/10.1016/j.sftr.2025.101331
Huamán, J. (2024). Incidencia del burnout
académico y compromiso académico en la
inteligencia emocional en estudiantes de una
universidad nacional en Cajamarca, 2024.
Revista SciELO Venezuela.
https://ve.scielo.org/scielo.php?pid=S2960-
24672024000100306&script=sci_arttext
Kroff, F., Coria, D., & Ferrada, C. (2024).
Inteligencia artificial en la educación
universitaria: Innovaciones, desafíos y
oportunidades. Espacios, 45(5), 120–135.
https://doi.org/10.48082/espacios-
a24v45n05p09
López, E., Blasco, O., Liern, C., & Parada, D.
(2023). Detección temprana del fracaso
estudiantil mediante técnicas de aprendizaje
automático. Operations Research
Perspectives, 10, 100292.
https://doi.org/10.1016/j.orp.2023.100292
Lossio, P., León, M., Carrasco, G., & Puente, E.
(2025). Revisión sistemática sobre la
influencia de la inteligencia artificial en los
sistemas tutoriales académicos.
Prohominum. Revista de Ciencias Sociales y
Humanas, 7(4).
https://doi.org/10.47606/acven/ph0406
Martínez, S., Sánchez, C., Fernandes, S., &
Ricoy, M. (2025). Uso de IA por estudiantes
universitarios de Educación Social en
España y Portugal: estudio de caso.
Education Sciences, 15(3), 390.
https://doi.org/10.3390/educsci15030390
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 24
Martínez, R., Álvarez, E., & Benítez, L. (2025).
La autorregulación del aprendizaje en la
formación de ingenieros desde las ecologías
del aprendizaje. Formación Universitaria,
18(1). https://doi.org/10.4067/S0718-
50062025000100101
Moreno, E., Rodríguez, K., Flores, M., &
Aragón, J. (2025). Influencia de los rasgos de
personalidad en las competencias laborales
de los estudiantes tecnológicos de Lerdo,
Durango, México. RIDE. Revista
Iberoamericana para la Investigación y el
Desarrollo Educativo, 15(30).
https://doi.org/10.23913/ride.v15i30.2429
Mota, G., Fajardo, J., & Alvarado, P. (2025).
Constructivismo social en el proceso tutorial
de atención y acompañamiento a los
estudiantes de bachillerato general
unificado. Revista InveCom, 5(3).
https://doi.org/10.5281/zenodo.14213693
Nazempour, R., & Darabi, H. (2023).
Aprendizaje personalizado en entornos
virtuales de aprendizaje mediante el análisis
del comportamiento de los estudiantes.
Education Sciences, 13(5), 457.
https://doi.org/10.3390/educsci13050457
Núñez, A., Silva, I., Solano, L., Zuñiga, M.,
Echeverria, V., & De laet, T. (2023).
Analítica del aprendizaje para apoyar la
provisión de retroalimentación en educación
superior: una revisión sistemática de la
literatura. Scopus. https://dspace-
test.ucuenca.edu.ec/handle/123456789/4221
2
OECD. (2021). Artificial intelligence and the
future of skills. OECD Publishing.
Plooy, E., Casteleijn, D., & Franzsen, D.
(2024). Personalized adaptive learning in
higher education: A scoping review of key
characteristics and impact on academic
performance and engagement. Heliyon, 10,
e39630.
https://doi.org/10.1016/j.heliyon.2024.e396
30
Puche, D. (2024). Inteligencia artificial como
herramienta educativa: Ventajas y
desventajas desde la perspectiva docente.
Areté. Revista Digital del Doctorado en
Educación, 10(número especial), 85–100.
https://doi.org/10.55560/arete.2024.ee.10.7
Ramírez, R., Alemán, L., Herrera, B., &
Antequera, R. (2022). Dimensiones de la
responsabilidad social corporativa: Análisis
en las cámaras de comercio. Información
Tecnológica, 33(4), 93–100.
https://doi.org/10.4067/S0718-
07642022000400093
Ribeirinha, T., Santos, R., & Correia, M.
(2025). Exploración de la aceptación y el uso
educativo de herramientas de inteligencia
artificial: percepciones en estudiantes
universitarios portugueses. Trends in Higher
Education, 4(4), 77.
https://doi.org/10.3390/higheredu4040077
Rodríguez, M., Marín, J., & Maiuri, C. (2024).
Perspectivas de la inteligencia artificial en la
educación universitaria: Un análisis basado
en la literatura académica. Areté, 10(número
especial), 175–193.
https://doi.org/10.55560/arete.2024.ee.10.12
Rogers, E. (1962). Diffusion of innovations.
Free Press of Glencoe.
https://books.google.com/books/about/Diffu
sion_of_Innovations.html?id=zw0-
AAAAIAAJ
Romani, G., Valencia, C., Macedo, K., Vivar,
J., & Soto, G. (2025). Impacto del uso de
herramientas de inteligencia artificial en la
eficiencia y gestión del tiempo en la
planificación docente. Universidad, Ciencia
y Tecnología, 29(127), 41–51.
https://doi.org/10.47460/uct.v29i127.960
Serrano, J. (2024). Inteligencia artificial y
personalización del aprendizaje. EDUTEC:
Revista Electrónica de Tecnología
Educativa, 89, 1–17.
https://doi.org/10.21556/edutec.2024.89.318
7
Solano, V., & Núñez, L. (2025). Tecnoestrés en
estudiantes de educación superior. Revista
InveCom, 5(2).
https://doi.org/10.5281/zenodo.12809775
Sweller, J. (1988). Cognitive load during
problem solving: Effects on learning.
Cognitive Science, 12(2), 257–285.
https://doi.org/10.1207/s15516709cog1202_
4
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 25
Tasayco, A. (2024). El pensamiento crítico en
la investigación de los estudiantes
universitarios. Aula Virtual, 6, e2044.
https://ve.scielo.org/scielo.php?pid=S2665-
03982024000202044&script=sci_arttext
Trist, E., & Bamforth, K. (1951). Some social
and psychological consequences of the
longwall method of coal-getting: An
examination of the psychological situation
and defences of a work group in relation to
the social structure and technological content
of the work system. Human Relations, 4(1),
3–38.
https://doi.org/10.1177/0018726751004001
01
Trujillo, F., Pozo, M., & Suntaxi, G. (2025).
Inteligencia artificial en educación: revisión
sistemática de enfoques de aprendizaje
automático en la predicción de carrera
estudiantil. Journal of Technology and
Science Education, 15(1).
https://doi.org/10.3926/jotse.3124
Umaña, L. (2023). El análisis del aprendizaje
aplicado como estrategia para mejorar la
educación en los entornos virtuales. Revista
Educación, 47(2), 1–25.
https://www.redalyc.org/journal/440/44074
795040/html/
UNESCO. (2021). Recomendación sobre la
ética de la inteligencia artificial. UNESCO
Publishing.
Vásquez, A., Chuquisengo, E., & Santos, P.
(2025). Diseño y validación de un
cuestionario para evaluar el impacto del
asistente de voz de Chat GPT en estudiantes
universitarios. Espacios, 46(1), 138–147.
https://doi.org/10.48082/espacios-
a25v46n01p10
Venkatesh, V., Morris, M., Davis, G., & Davis,
F. (2003). User acceptance of information
technology: Toward a unified view. MIS
Quarterly, 27(3), 425–478.
https://doi.org/10.2307/30036540
Vygotsky, L. (1978). Mind in society: The
development of higher psychological
processes. Harvard University Press.
https://www.hup.harvard.edu/books/978067
4576292
Yagual, S., & Llivisaca, J. (2025). Sistemas de
información y calidad del dato en los
registros de atención sanitaria: Un análisis
exploratorio en el Distrito 24D01 Santa
Elena, Ecuador. Revista Espacios, 46(3),
435–452. https://doi.org/10.48082/espacios-
a25v46n03p34
Yan, H., Lin, F., & Kinshuk. (2024). Diseño de
práctica adaptativa para facilitar el
aprendizaje autorregulado. Canadian
Journal of Learning and Technology, 50(3),
1–22. https://doi.org/10.21432/cjlt28768
Zhong, L. (2022). A systematic review of
personalized learning in higher education:
Learning content structure, learning
materials sequence, and learning readiness
support. Interactive Learning Environments.
https://doi.org/10.1080/10494820.2022.206
1006
Zhong, Z., & Lin, C. (2023). Revisión
sistemática del aprendizaje personalizado en
educación superior: estructura del contenido,
secuenciación de materiales y apoyo a la
preparación del aprendizaje. Interactive
Learning Environments, 31(10), 7053–7072.
https://doi.org/10.1080/10494820.2022.206
1006
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Gladis del Consuelo
Vinueza Burgos y Nelia Josefina González de
Pirela.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Gladis del Consuelo Vinueza Burgos: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal
de los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Nelia Josefina González de Pirela: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 26
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
