Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 384
IMPLEMENTACIÓN DE ESTRATEGIAS DIDÁCTICAS APOYADAS EN MATHGPT
PARA FORTALECER EL APRENDIZAJE DE HIDROSTÁTICA
IMPLEMENTATION OF TEACHING STRATEGIES SUPPORTED BY MATHGPT TO
STRENGTHEN LEARNING IN HYDROSTATICS
Autores: ¹Fabricio Alexander Ñauñay Sagñay y ²Narcisa de Jesús Sánchez Salcán.
¹ORCID ID: https://orcid.org/0009-0000-9763-7742
²ORCID ID: https://orcid.org/0000-0002-9064-9094
¹E-mail de contacto: fabricio.naunay@unach.edu.ec
²E-mail de contacto: nsanchez@unach.edu.ec
Afiliación:
1*2*
Universidad Nacional de Chimborazo, (Ecuador).
Artículo recibido: 27 de Febrero del 2026
Artículo revisado: 29 de Febrerodel 2026
Artículo aprobado: 4 de Marzo del 2026
¹Estudiante de la Universidad Nacional de Chimborazo, (Ecuador).
²Docente tutor de la Universidad Nacional de Chimborazo, (Ecuador).
Resumen
El aprendizaje de la hidrostática representa un
desafío significativo para los estudiantes de
bachillerato debido a la complejidad de sus
conceptos abstractos y el uso de enfoques
tradicionales de enseñanza. El presente estudio
tiene como objetivo implementar estrategias
didácticas apoyadas en MathGPT para
fortalecer el aprendizaje de la hidrostática. La
investigación adoptó un enfoque cuantitativo
con diseño cuasiexperimental, de tipo
explicativa. La población corresponde a los
estudiantes de segundo año de bachillerato de
la Unidad Educativa Velasco Ibarra del cantón
Guamote, provincia de Chimborazo. La
muestra corresponde a un muestreo no
probabilístico de tipo intencional distribuidos
en tres grupos: un grupo control sin acceso a la
herramienta digital basada en inteligencia
artificial MathGPT, un grupo experimental con
acceso regulado a MathGPT y otro grupo con
acceso libre. La recolección de datos se realizó
mediante una prueba de conocimiento y un
cuestionario de escala Likert. Los hallazgos
revelan que la implementación de MathGPT
mejoró significativamente el rendimiento
académico de los estudiantes, siendo el grupo
con acceso regulado por el docente el que
obtuvo los mejores resultados, promoviendo la
comprensión conceptual, procedimental y
reflexiva de los contenidos. Se concluye que la
integración pedagógica regulada de MathGPT
constituye una estrategia efectiva para el
aprendizaje de la física, reafirmando el rol
indispensable del docente como mediador del
proceso educativo.
Palabras clave: Aprendizaje, Estrategia
didáctica, Hidrostática, MathGPT.
Abstract
Learning hydrostatics poses a significant
challenge for high school students due to the
complexity of its abstract concepts and the use
of traditional teaching approaches. The present
study aims to implement teaching strategies
supported by MathGPT to strengthen the
learning of hydrostatics. The research adopted
a quantitative approach with a quasi-
experimental, explanatory design. The
population consists of second-year high school
students at the Velasco Ibarra Educational Unit
in the canton of Guamote, province of
Chimborazo. The sample is a non-probabilistic,
intentional sample distributed into three
groups: a control group without access to the
MathGPT digital tool, an experimental group
with regulated access to the MathGPT digital
tool, and another group with free access. Data
collection was carried out using a knowledge
test and a Likert scale questionnaire. The
findings reveal that the implementation of
MathGPT significantly improved the academic
performance of the students, with the group
with regulated access by the teacher obtaining
the best results, promoting conceptual,
procedural, and reflective understanding of the
content. It is concluded that the regulated
pedagogical integration of MathGPT is an
effective strategy for learning physics,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 385
reaffirming the indispensable role of the
teacher as a mediator in the educational
process.
Keywords: Learning, Didactic strategies,
Hydrostatic, MathGPT.
Sumário
Aprender hidrostática representa um desafio
significativo para alunos do ensino médio
devido à complexidade de seus conceitos
abstratos e ao uso de abordagens de ensino
tradicionais. Este estudo visa implementar
estratégias didáticas apoiadas pelo MathGPT
para fortalecer o aprendizado de hidrostática. A
pesquisa adotou uma abordagem quantitativa
com um delineamento quase-experimental e
explicativo. A população foi composta por
alunos do segundo ano do ensino médio da
Unidade Educacional Velasco Ibarra, no cantão
de Guamote, província de Chimborazo. A
amostra foi obtida por meio de amostragem não
probabilística por conveniência, distribuída em
três grupos: um grupo controle sem acesso à
ferramenta digital baseada em IA MathGPT,
um grupo experimental com acesso controlado
ao MathGPT e um terceiro grupo com acesso
irrestrito. A coleta de dados foi realizada por
meio de um teste de conhecimento e um
questionário com escala Likert. Os resultados
revelam que a implementação do MathGPT
melhorou significativamente o desempenho
acadêmico dos alunos, sendo que o grupo com
acesso controlado pelo professor obteve os
melhores resultados. Essa melhoria na
implementação promoveu a compreensão
conceitual, procedimental e reflexiva do
conteúdo. Conclui-se que a integração
pedagógica regulamentada do MathGPT
constitui uma estratégia eficaz para o
aprendizado de física, reafirmando o papel
indispensável do professor como mediador no
processo educativo.
Palavras-chave: Aprendizado, Estratégia de
ensino, Hidrostática, MathGPT.
Introducción
La integración activa de la inteligencia artificial
(en adelante, IA) en la educación se ha
convertido en una de las tendencias clave de los
últimos años, transformando radicalmente la
naturaleza de la cognición y la forma en que los
estudiantes resuelven problemas educativos. La
complejidad y la naturaleza abstracta de la física
como disciplina suelen plantear desafíos tanto
para profesores como para estudiantes. La
enseñanza de la física es un eje fundamental
dentro de la educación en ciencias y, con el paso
del tiempo, se ha consolidado como un área de
investigación dentro de la pedagogía que
propone varias maneras de orientar los procesos
de enseñanza y de aprendizaje en el aula
(Ibáñez, 2024). El problema del aprendizaje de
la hidrostática presenta desafíos significativos
debido a la complejidad de sus conceptos, que
son abstractos, como presión, densidad, peso
específico, principio de Pascal y principio de
Arquímedes, entre otros. Estos requieren un
nivel cognitivo más elevado por parte del
alumnado. Además, en varias ocasiones, el
aprendizaje se da en un ambiente
descontextualizado, lo cual imposibilita que los
estudiantes relacionen los conocimientos
conceptuales con los procedimentales. Estas
limitaciones se relacionan con la forma en que
se concibe el aprendizaje: como un proceso
técnico y no como un fenómeno dialéctico,
histórico y cultural (Cobeña et al., 2025).
En el contexto de la educación a nivel de
bachillerato, la enseñanza de la física suele
representar diversos desafíos para que los
estudiantes asimilen los contenidos teóricos y
los relacionen con la práctica. Entre estos se
encuentran: dificultades en la comprensión de la
teoría, para identificar los datos del problema,
para transcribir los ejercicios al lenguaje
matemático, con las unidades de medida y con
operaciones matemáticas. Específicamente, la
asimilación de contenidos de hidrostática se ve
obstaculizada por la falta de conexión con el
contexto de la vida cotidiana; en muchos casos,
se enseña bajo enfoques tradicionales,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 386
enfocándose únicamente en la memorización e
instrucción del alumnado (Üral y Yalçın, 2025).
Las estrategias y recursos actuales, como las
clases con enfoque tradicionalista, los libros de
texto y la pizarra, no siempre permiten a los
estudiantes alcanzar una comprensión profunda
de los principios de la hidrostática ni desarrollar
las habilidades y destrezas necesarias para la
resolución de ejercicios. Esta limitación
dificulta la articulación entre la teoría y la
práctica, impidiendo que los estudiantes
construyan el conocimiento a partir de la
experimentación con situaciones cotidianas. En
consecuencia, se evidencia un bajo rendimiento
académico y una disminución en la motivación
de los alumnos (Silva y Medeiros, 2023).
Ante esta problemática, la inteligencia artificial
se presenta como una herramienta emergente e
innovadora para transformar el proceso de
enseñanza y aprendizaje de la hidrostática en el
bachillerato. Las herramientas basadas en IA
permiten explorar los conceptos teóricos y
actúan como asistentes personales que se
adaptan al ritmo de aprendizaje de los alumnos,
facilitando la visualización de fenómenos
físicos que, en algunos casos, son difíciles de
observar a simple vista en la vida cotidiana.
Además, la IA permite la retroalimentación
inmediata y guía la resolución de ejercicios,
dado que orienta al estudiante en el proceso
hasta llegar al resultado. En este sentido, la
implementación de la inteligencia artificial en
las aulas está redefiniendo los métodos
tradicionales de aprendizaje, ya que brinda
experiencias personalizadas e interactivas que
apoyan el aprendizaje significativo (Guevara et
al., 2025). MathGPT es un modelo de lenguaje
basado en inteligencia artificial diseñado para
brindar apoyo en el aprendizaje de matemáticas
y física, mediante la resolución guiada de
ejercicios y la explicación detallada de los
conceptos fundamentales de la hidrostática.
Esta herramienta ofrece respuestas precisas y
coherentes, y actúa como un tutor virtual para el
estudiante, favoreciendo la identificación de
datos, la aplicación correcta de las fórmulas y la
interpretación de los resultados. Diversos
estudios evidencian que el uso de chatbots como
MathGPT fortalece la comprensión
procedimental y el rendimiento académico de
los alumnos, ya que ofrece retroalimentación
inmediata y personalizada, adaptándose al ritmo
de aprendizaje del estudiante (Álvarez, 2024).
En Ecuador, la enseñanza de la física enfrenta
múltiples desafíos relacionados con bajos
niveles de comprensión conceptual, altos
índices de reprobación y escasa motivación
estudiantil, especialmente en temas como la
hidrostática. Según datos del Instituto Nacional
de Evaluación Educativa (INEVAL), una
proporción significativa de estudiantes de
bachillerato no alcanza el nivel satisfactorio en
ciencias naturales, lo cual repercute
directamente en su desempeño en la educación
superior (Villacreses et al., 2024). En muchos
casos, la enseñanza sigue centrada en clases
expositivas y evaluaciones tradicionales, lo que
dificulta la apropiación significativa del
conocimiento. Ante esta problemática, la
Unidad Educativa Velasco Ibarra enfrenta
desafíos similares en la enseñanza de la
hidrostática, evidenciados en el bajo
rendimiento académico y la limitada
motivación de los estudiantes de segundo año
de bachillerato.
En síntesis, el problema central radica en que el
uso de estrategias tradicionales no permite un
aprendizaje significativo en los estudiantes, lo
cual se ve reflejado en la baja comprensión de
los conceptos de la hidrostática y en las
dificultades para la resolución de problemas.
Por ello, surge la pregunta ¿MathGPT impacta
positivamente en el rendimiento de los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 387
estudiantes de segundo año de bachillerato en el
aprendizaje de la hidrostática? La presente
investigación tiene como objetivo general
determinar el efecto de las estrategias didácticas
apoyadas en MathGPT en el aprendizaje de la
hidrostática en los estudiantes de segundo año
de Bachillerato General Unificado de la Unidad
Educativa Velasco Ibarra. Considerando que las
estrategias pueden contribuir a un aprendizaje
significativo, se plantea la siguiente hipótesis:
La implementación de estrategias didácticas
apoyadas en MathGPT incide
significativamente en el aprendizaje de la
hidrostática en los alumnos de segundo año de
Bachillerato General Unificado.
Materiales y Métodos
La presente investigación se enmarcó bajo un
enfoque cuantitativo, dado que buscó observar,
medir y describir objetivamente la
implementación de herramientas digitales
basadas en inteligencia artificial para el
aprendizaje de la Hidrostática. Investigaciones
desarrolladas bajo este enfoque en áreas como
la educación permiten identificar patrones,
relaciones de causa-efecto, correlaciones y
verificar hipótesis, lo que brinda resultados
confiables (Espinoza, 2025). El tipo de
investigación fue explicativa, ya que tuvo como
propósito determinar el efecto de la
implementación de estrategias didácticas
mediadas por MathGPT en el aprendizaje de la
hidrostática. Este tipo de investigación busca
establecer relaciones de causa y efecto entre las
variables estudiadas, permitiendo explicar por
qué ocurre un fenómeno y en qué condiciones
se da (Hernández et al., 2014).
La investigación se desarrolló bajo un diseño
cuasiexperimental de tres grupos con
mediciones en dos momentos (antes y después
de la intervención), para registrar los cambios
en el rendimiento, la profundidad de
razonamiento y las habilidades metacognitivas
de los estudiantes, lo que permitió identificar
relaciones causales entre el modo de uso de la
herramienta digital basada en inteligencia
artificial MathGPT y los resultados académicos.
La población objeto del estudio involucró a 125
estudiantes de segundo año de bachillerato de la
unidad educativa Velasco Ibarra del cantón
Guamote, provincia de Chimborazo. Para la
selección de la muestra se optó por un muestreo
no probabilístico por conveniencia, puesto que
los grupos estaban establecidos, la cual se
detalla en la Tabla 1.
Tabla 1. Composición de la muestra por grupo
Grupo
Paralelo
Número de
estudiantes
Grupo control (tareas sin
IA).
A
22
Grupo experimental 1
(utilizó el asistente digital en
un entorno controlado).
B
20
Grupo experimental 2
(grupo de libre acceso que
utilizó la IA sin
restricciones).
C
19
Total
61
Fuente: Elaboración propia
Esta distribución nos permitió comparar no solo
el impacto del uso del sistema inteligente en sí,
sino también el grado de autonomía del
asistente digital en las actividades educativas.
Para la recolección de la información se
aplicaron instrumentos acordes al enfoque
cuantitativo de la investigación. Se utilizó una
prueba de conocimiento relacionada con la
hidrostática para medir el aprendizaje de los
estudiantes antes y después de la intervención
con la herramienta digital basada en inteligencia
artificial MathGPT. El pretest y postest
estuvieron conformados por 15 ítems, divididos
en tres bloques. El primer bloque contenía
preguntas conceptuales sobre los principios
fundamentales de la hidrostática, el segundo
bloque se centró en la resolución de problemas
y el último estuvo enfocado en preguntas de
razonamiento, aplicación y reflexión sobre la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 388
hidrostática; estos tres ejes permitieron evaluar
integralmente el aprendizaje conceptual,
procedimental y reflexivo de los estudiantes.
Los instrumentos utilizados para la recolección
de datos fueron sometidos a un proceso de
validación mediante juicio de tres expertos en el
área, quienes evaluaron la pertinencia,
coherencia y claridad de los ítems en relación
con los objetivos de la investigación. Este
procedimiento permitió confirmar la validez de
contenido del instrumento. Asimismo, se
verificó la confiabilidad de los datos obtenidos,
garantizando la consistencia y estabilidad de las
mediciones realizadas. Los resultados del
proceso de validación y confiabilidad se
presentan en la Tabla 2.
Tabla 2. Coeficiente de confiabilidad Alfa de
Cronbach de los instrumentos aplicados
Instrumento
Cronbach's
alpha
Número
de ítems
Criterio
Prueba de
conocimiento
0.77
15
Aceptable
Cuestionario
0.96
16
Excelente
Fuente: Elaboración propia
El valor del alfa de Cronbach de la prueba de
conocimientos corresponde a un valor de 0.77,
lo que indica un nivel de confiabilidad
aceptable, dado que se ubica en el rango de 0.70
a 0.79 (Taber, 2018). Para el cuestionario
corresponde un valor de 0.96 que indica un
nivel excelente (Taber, 2018), por lo tanto,
resulta adecuado para cualquier análisis
estadístico. El análisis de datos se realizó
mediante el uso de estadística descriptiva e
inferencial combinando métodos cuantitativos y
cualitativos, y con el software RStudio. Se
emplearon estadísticas descriptivas (media [M]
y desviación estándar [SD]) y estadística
inferencial para verificar los supuestos de
normalidad, homogeneidad de varianzas y
prueba de hipótesis; para ello, se utilizó la
prueba Shapiro-Wilk para determinar si los
datos presentaban una distribución normal. Una
vez verificados estos supuestos, se aplicó la
prueba paramétrica ANOVA mixto para
analizar los datos y extraer conclusiones sobre
las diferencias significativas en el rendimiento
entre los grupos experimentales (GE) y el grupo
de control (GC). El componente cualitativo se
basó en el análisis del cuestionario. Los
principios éticos del estudio se garantizaron
mediante el consentimiento informado
obligatorio de todos los participantes, así como
la anonimización completa de los datos. Se
prohibió la carga de información personal.
Dado que la investigación es de diseño
cuasiexperimental y busca demostrar el efecto
de las estrategias mediadas con la herramienta
digital basada en inteligencia artificial
MathGPT en el aprendizaje de hidrostática, se
plantean las siguientes hipótesis: Hipótesis nula
(H
𝑂
): No existen diferencias estadísticamente
significativas en el rendimiento académico en
hidrostática entre los grupos (control, acceso
regulado y acceso libre). Hipótesis alternativa
(H
1
): Existen diferencias estadísticamente
significativas en el rendimiento académico en
hidrostática entre los grupos (control, acceso
regulado y acceso libre). La finalidad de
implementación de la herramienta digital
basada en inteligencia artificial MathGPT como
apoyo didáctico en el aprendizaje de la
hidrotatica, fue potenciar la comprensión
conceptual, el razonamiento lógico y la
resolución estructurada de problemas físicos,
promoviendo además el desarrollo de
competencias digitales y el aprendizaje
autónomo en los estudiantes. La estrategia se
enmarcó en un enfoque constructivista, donde el
docente cumplió el rol de mediador del
aprendizaje y orientador crítico del uso de la
tecnología. La herramienta permitió brindar
retroalimentación inmediata, diversificar
explicaciones y adaptar la dificultad de los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 389
ejercicios según el nivel de comprensión del
estudiante.
La intervención se realizó durante diez sesiones
de clases con una duración de dos horas
pedagógicas por sesión, los estudiantes del
grupo experimental 1 utilizaron el asistente
digital en un entorno controlado, tuvieron
acceso a la IA MathGPT para estudiar temáticas
relacionadas con la hidrostática. De igual
manera el grupo experimental 2 tuvieron acceso
a la IA MathGPT, pero con libre acceso sin
restricciones. En contraste, el grupo de control
recibió instrucción tradicional presencial con
las mismas temáticas, utilizando libros de texto
convencionales, apuntes de clase y
explicaciones dirigidas por el docente. Después
de la intervención, los grupos realizaron una
prueba final (post-test) idéntica, con preguntas
similares a las del pre-test, pero con valores y
escenarios diferentes. Para valorar las
percepciones y experiencias de los estudiantes
sobre el uso de la IA MathGPT identificando su
motivación, interés y utilidad de la herramienta
en el aprendizaje de la física, se utilizó un
cuestionario con valoración tipo Likert de 5
puntos donde 1=Totalmente en desacuerdo,
2=En desacuerdo, 3=Neutral, 4=De acuerdo,
5=Totalmente de acuerdo). A continuación, se
expone una muestra de la intervención didáctica
implementada de manera generalizada:
Introducción al uso académico de la
inteligencia artificial (1 y 2 sesión)
Como parte de la introducción al uso de IA
MathGPT, se abordó inicialmente el
fundamento conceptual de la inteligencia
artificial, con el propósito de que los estudiantes
comprendieran el funcionamiento general de
estas herramientas y su papel en los procesos de
aprendizaje actuales. En este contexto, se
presentó la herramienta digital basada en IA
MathGPT como un recurso de apoyo para el
estudio de la Matemática, la Física y la
Química, destacando su utilidad para la
resolución guiada de problemas, la generación
de explicaciones paso a paso y el planteamiento
de ejercicios de práctica. Posteriormente, se
desarrolló una orientación formativa centrada
en el uso ético, crítico y responsable de la
inteligencia artificial en el ámbito académico.
Se enfatizó que estas herramientas no sustituyen
el razonamiento ni el análisis personal, sino que
deben emplearse como complemento que
fortalezca la comprensión conceptual y el
aprendizaje autónomo.
Asimismo, se explicaron las principales
características de la herramienta, resaltando que
la calidad de las respuestas generadas depende
en gran medida de la formulación de las
solicitudes (prompts). Se indicó que cuanto más
clara, específica y detallada sea la petición, más
precisa, estructurada y útil será la respuesta
obtenida. De esta manera, se promovió el
desarrollo de habilidades para la elaboración
adecuada de prompts como parte del proceso
formativo. Finalmente, se establecieron normas
básicas para su utilización, consolidando su uso
como un recurso de apoyo pedagógico
orientado a potenciar el aprendizaje
significativo y no como un mecanismo de
sustitución del esfuerzo intelectual del
estudiante.
Secuencia metodológica de uso de la
herramienta digital basada en inteligencia
artificial MathGPT (3-8 sesión)
La intervención realizada al grupo experimental
1 la cual tuvieron acceso regulado a herramienta
digital basada en IA MathGPT fue desde la
sesión 3 hasta la sesión 8, las temáticas
abordadas fueron: presión en líquidos y gases,
principio de Pascal, presión atmosférica,
principio fundamental de la hidrostática,
dispositivos de medición de presión, principio
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 390
de Arquímedes, experimento de Torricelli. Paso
1. Los estudiantes accedieron al sitio web
https://math-gpt.org/. En dicha interfaz (Figura
1) se identificaron los principales elementos de
navegación y las funcionalidades disponibles
para el usuario, lo que permitió familiarizar a
los estudiantes con el entorno digital antes de
iniciar las actividades académicas. Paso 2. Una
vez obtenido el acceso a la herramienta digital,
se realizó el proceso de registro mediante la
creación de una cuenta personal, con la
finalidad de habilitar el uso completo de sus
funcionalidades académicas. Paso 3. Se les
pidió dar clic en PhysicGPT y subir un
problema de física, escribir una ecuación o
ingresar alguna instrucción. Para ello los
estudiantes elaboraron prompts claros y
directos, variando desde una sola oración hasta
un párrafo extenso, interactuaron escribiendo
preguntas en el campo de entrada y recibían
respuestas en un lenguaje familiar. A
continuación, se presenta una propuesta de
prompts para el fortalecimiento de la
comprensión conceptual de la presión
hidrostática.
Figura 1. Interfaz inicial de la herramienta
digital basada en inteligencia artificial
MathGPT
Tabla 1. Prompt
Fuente: Elaboración propia
Después de que el estudiante introdujo el
prompt, la IA MathGPT lo analizó y generó una
respuesta basada en los datos textuales
ingresados. La solución apareció en el área de
salida, desde donde pudieron descargarse,
copiarse o editarse si era necesario. Se les indicó
a los estudiantes que, en investigación
educativa, ningún sistema basado en
inteligencia artificial garantiza exactitud del
100%, por tanto, las respuestas generadas por la
IA MathGPT no siempre son perfectas; por ello,
fue fundamental evaluar críticamente la
información proporcionada para determinar si
satisface las necesidades o expectativas del
estudiante. En cuanto a las situaciones
problémicas relacionadas con la hidrostática
fueron abordadas mediante la aplicación
sistemática del método de George Pólya,
siguiendo sus fases: comprensión del problema,
elaboración de un plan, ejecución y verificación
de la solución. Para la estructuración del prompt
en la herramienta digital basada en IA
MathGPT, se empleó un patrón metodológico
compuesto por los elementos: rol + tarea +
algoritmo + verificación, lo cual permitió
orientar el procesamiento de la inteligencia
artificial hacia la generación de una respuesta
precisa y coherente en una única interacción.
Evaluación y metacognición (sesión 9 y 10)
La integración de la herramienta digital basada
en inteligencia artificial MathGPT facilitó la
retroalimentación inmediata. Los estudiantes
generaron cuestionarios tipo examen mediante
la herramienta, resolvieron los ítems propuestos
y realizaron procesos de autoevaluación y
coevaluación. Se promovió la reflexión sobre
errores conceptuales frecuentes. Además, se
desarrolló una actividad de reflexión final sobre
la experiencia de aprendizaje asistido por
inteligencia artificial. Los estudiantes
identificaron fortalezas, limitaciones y aportes
de la herramienta en su proceso formativo. Se
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 391
aplicó una encuesta de percepción académica
para valorar el impacto de la estrategia. Por otra
parte, el grupo de control sin acceso a la
herramienta digital basada en IA MathGPT,
utilizaron libros de texto convencionales y
recursos educativos tradicionales para solicitar
explicaciones detalladas de conceptos
fundamentales relacionadas con la Hidrostática.
Posteriormente, reformularon las explicaciones
en sus propias palabras y participaron en
discusiones guiadas para contrastar la
información con el texto base de la asignatura.
Finalmente, el grupo experimental 2 quienes
utilizaron la herramienta digital MathGPT sin
restricciones ni lineamientos específicos,
formularon sus solicitudes (prompts) de manera
autónoma, sin aplicar las reglas ni los criterios
previamente establecidos para su correcta
elaboración.
Resultados y Discusión
En primera instancia se verificaron los
supuestos de normalidad y homogeneidad de
varianzas; para ello, se utilizó la prueba de
Shapiro-Wilk.
Tabla 3. Resultados de la Prueba de
Normalidad de Shapiro-Wilk por Grupo
Grupo
Tiempo
W
Valor
p
Normalidad
Grupo A
Postest
0.972
0.757
Normal
Grupo A
Pretest
0.968
0.665
Normal
Grupo B
Postest
0.857
0.007
No Normal
Grupo B
Pretest
0.969
0.740
Normal
Grupo C
Postest
0.973
0.831
Normal
Grupo C
Pretest
0.977
0.898
Normal
Fuente: Elaboración propia
La Tabla 3, muestra en su mayoría que los datos
se distribuyen de manera normal, excepto el
grupo B del postest. Una vez verificados estos
supuestos, se aplicó la prueba paramétrica
Anova mixto, para determinar la existencia de
diferencias estadísticamente significativas
atribuibles a la intervención y considerando 2
factores:
Evolución de puntajes por grupo y
dimensión
El diseño experimental consideró como factor
entre sujetos el grupo de estudio, estructurado
en tres niveles diferenciados según el acceso a
herramientas de inteligencia artificial durante el
proceso de aprendizaje. El Grupo A
correspondió al grupo de control, integrado por
22 participantes, quienes desarrollaron las
actividades académicas sin acceso a
herramientas de inteligencia artificial. Por su
parte, el Grupo B fue definido como grupo
experimental 1, compuesto por 20 participantes,
quienes tuvieron acceso regulado a
herramientas de inteligencia artificial, es decir,
bajo ciertas orientaciones pedagógicas y
limitaciones establecidas por el docente para su
utilización durante las tareas académicas.
Finalmente, el Grupo C se configuró como
grupo experimental 2, integrado por 19
participantes, quienes dispusieron de acceso
libre a herramientas de inteligencia artificial,
pudiendo utilizarlas sin restricciones
específicas durante el desarrollo de las
actividades propuestas.
El segundo componente del diseño
correspondió al factor intra sujetos, definido
como el momento de medición, el cual se
estructuró en dos niveles temporales. El primero
fue el pretest, aplicado al inicio del proceso
experimental con el propósito de establecer la
línea base del desempeño o condición inicial de
los participantes antes de la intervención
pedagógica. El segundo momento correspondió
al postest, aplicado al finalizar la intervención,
con el objetivo de evaluar los posibles cambios
o efectos derivados de las condiciones
experimentales aplicadas a cada uno de los
grupos. Este diseño permitió comparar tanto las
diferencias entre grupos como los cambios a lo
largo del tiempo, posibilitando un análisis
integral del impacto de las distintas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 392
modalidades de acceso a herramientas de
inteligencia artificial en el proceso evaluado.
Figura 2. Evolución de puntajes por grupo y
dimensión
La Figura 2 presenta un gráfico de interacción
con medidas repetidas de la evolución de los
puntajes obtenidos por los grupos A, B y C en
las dimensiones conceptual, procedimental y
reflexiva, comparando los resultados del pretest
y postest, evidencia un incremento generalizado
en las puntuaciones del pretest al postest en las
tres dimensiones evaluadas (conceptual,
procedimental y reflexiva). Sin embargo, la
magnitud del cambio varía según el grupo. El
Grupo B (IA regulada) presenta la mayor
pendiente en todas las dimensiones, lo que
indica un efecto diferencial de la intervención.
La línea del grupo A se cruza con las líneas de
los grupos B y C, esto significa que el
rendimiento académico cambia de manera
diferente en el tiempo. Existe un cambio de
forma similar en el puntaje entre los grupos B y
C en la parte conceptual y procedimental esto se
corrobora porque las líneas son paralelas. La
mejora sostenida en todas las dimensiones
sugiere la efectividad de la intervención y
respalda el cumplimiento de los objetivos
planteados en la investigación. Se observa que
el uso controlado de la IA desarrolla habilidades
metacognitivas y mejora el rendimiento,
mientras que el uso libre reduce la profundidad
de la comprensión y genera dependencia. Se
aplicó un modelo lineal mixto con estructura de
medidas repetidas para analizar el efecto del
grupo y el momento de evaluación sobre el
rendimiento académico. Los grados de libertad
fueron estimados mediante el método de
Kenward-Roger. La Tabla 4 y 5 representan un
análisis inferencial mediante ANOVA mixto
para contrastar hipótesis relacionadas con
efectos principales (Grupo y Momento) y su
interacción.
Tabla 4. Medias marginales estimadas
(emmeans) por grupo y momento
Grupo
emmean
SE
df
lower.CL
upper.CL
Grupo A
8.00
0.125
110
7.75
8.24
Grupo B
8.86
0.131
110
8.60
9.12
Grupo C
8.40
0.135
110
8.13
8.67
Grupo A
6.46
0.125
110
6.21
6.71
Grupo B
6.28
0.131
110
6.02
6.54
Grupo C
6.26
0.135
110
5.99
6.52
Fuente: Elaboración propia
La tabla 4 muestra las medias marginales
estimadas (emmeans) del pretest y postest. En
el postest; el Grupo B obtuvo la media más alta
(8.86), le sigue el Grupo C (8.40) y el Grupo A
obtuvo la media más baja (8.00). Los intervalos
de confianza muestran que el Grupo B tiene un
rendimiento claramente superior al Grupo A.
Dentro del pretest; las medias son muy similares
entre los tres grupos, los intervalos de confianza
se superponen ampliamente. Esto indica que no
existían diferencias iniciales significativas entre
los grupos antes de la intervención, lo que
muestra que los grupos partían en condiciones
similares.
Tabla 5. Contrastes por pares entre grupos en
cada momento de medición
Contrastes
Estimate
SE
df
t. ratio
p.value
Grupo A - Grupo
B
-0.867
0.182
110
-4.780
<0.0001
Grupo A - Grupo
C
-0.404
0.184
110
-2.200
0.0900
Grupo B - Grupo
C
0.463
0.188
110
2.460
0.0460
Grupo A - Grupo
B
0.180
0.182
110
0.990
0.9690
Grupo A - Grupo
C
0.204
0.184
110
1.110
0.8130
Grupo B - Grupo
C
0.023
0.188
110
0.120
1.0000
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 393
La Tabla 5 muestra las comparaciones
(Contrastes), se aplicó ajuste Bonferroni para
controlar error tipo I.
Postest
Grupo B vs Grupo A: Diferencia altamente
significativa porque el p valor (p=0.0001) es
menor que el valor de significancia 0,05, esto
significa que el Grupo B obtuvo resultados
significativamente mejores que el Grupo A.
Grupo C vs Grupo B: Diferencia significativa el
p valor (p = 0.046) está muy cerca del límite y
es menor al nivel de significancia 0,05, lo que
indica que el Grupo B también supera al Grupo
C, pero no extremadamente fuerte. Grupo A vs
Grupo C: No hay diferencia estadísticamente
significativa el p valor (p = 0.09) es mayor que
el nivel de significancia 0,05.
Pretest
No existen diferencias estadísticamente
significativas entre los grupos en el pretest. Esto
confirma que los grupos eran equivalentes antes
de la intervención. Estos resultados sugieren
que la intervención aplicada al Grupo B tuvo un
efecto positivo y mayor impacto en el
rendimiento académico de la hidrostática.
Análisis de la percepción de los estudiantes
del uso de MathGPT
Los resultados de la encuesta aplicada a los
estudiantes sobre el uso de MathGPT como
herramienta de apoyo en el aprendizaje de la
hidrostática reflejan una percepción
mayoritariamente positiva en todos los ítems
evaluados. En cuanto al aprendizaje y
comprensión, los ítems relacionados con la
comprensión de conceptos y la relación entre
presión, densidad y fuerza obtuvieron un 91%
de acuerdo o totalmente de acuerdo, siendo uno
de los porcentajes más altos de toda la encuesta.
De igual manera, el ítem referido a sentirse más
seguro al aprender hidrostática con el apoyo de
MathGPT alcanzó un 82%, lo que evidencia que
la herramienta contribuyó significativamente a
la confianza y comprensión teórica de los
estudiantes.
Figura 3 Resultados del cuestionario sobre
percepción del uso de MathGPT
Respecto a la motivación e interés, el ítem sobre
la motivación para practicar ejercicios fuera de
clase alcanzó un 91% de aceptación, mientras
que el incremento del interés por aprender
hidrostática fue valorado positivamente por el
86% de los encuestados, lo que sugiere que
MathGPT generó un impacto favorable en la
actitud de los estudiantes hacia la asignatura. En
relación a la resolución de problemas, los ítems
vinculados a resolver ejercicios paso a paso y a
la aplicación de fórmulas obtuvieron un 82% de
respuestas favorables, indicando que la
herramienta facilitó el desarrollo de habilidades
procedimentales en los estudiantes. Sobre el
aprendizaje autónomo y comparación con
métodos tradicionales, el ítem sobre aprendizaje
autónomo registró un 77% de acuerdo, al igual
que la comparación con métodos tradicionales,
la verificación de resultados y la explicación de
temas que antes resultaban difíciles, lo que
indica que, aunque positiva, la percepción es
ligeramente menor en estos aspectos,
posiblemente porque los estudiantes aún
valoran la mediación docente.
En términos generales, ningún ítem registró
porcentajes de desacuerdo superiores al 18%, y
la mayoría de las respuestas negativas no
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 394
superaron el 9%, lo que refleja una alta
aceptación de MathGPT como herramienta
pedagógica. Estos resultados sugieren que su
implementación tuvo un efecto positivo tanto en
la motivación como en la comprensión y
resolución de problemas de hidrostática. Este
estudio explica la integración de MathGPT
como asistente de enseñanza y aprendizaje de la
hidrostática, destacando su potencial para
transformar los enfoques pedagógicos
tradicionales. MathGPT facilita el aprendizaje
interactivo basado en la indagación y en la
teoría del aprendizaje constructivista, lo que
permite a los estudiantes participar activamente
en experimentos y comprender mejor los
conceptos abstractos mediante actividades
prácticas.
La integración de MathGPT en la enseñanza y
aprendizaje de la física ofrece una valiosa
oportunidad para mejorar la participación y la
comprensión de los conceptos científicos por
parte de los estudiantes mediante un apoyo
interactivo y personalizado. Es importante
señalar que, si bien MathGPT tiene el potencial
de ser una herramienta útil para la enseñanza de
la física, no reemplaza a los instructores
humanos y debe utilizarse junto con otros
recursos y métodos de enseñanza y aprendizaje,
pero requiere un uso cuidadoso y responsable.
Los resultados demuestran que la
implementación de estrategias didácticas
reguladas con MathGPT produjo mejoras
significativas en el aprendizaje de la
hidrostática en comparación con otros enfoques
metodológicos aplicados. El grupo que mostró
un desempeño académico más consistente fue
aquel que tuvo acceso a la IA de manera
regulada y controlada por el docente. Esto
sugiere que la implementación de MathGPT en
las aulas tuvo un impacto positivo en la
comprensión conceptual y la resolución de
problemas.
La capacidad de MathGPT para simular
problemas de física del mundo real y
proporcionar retroalimentación inmediata
fomenta el aprendizaje experiencial, haciendo
que los conceptos complejos sean más
accesibles y promoviendo el pensamiento
crítico. Al ofrecer intervenciones
personalizadas y adaptarse a los ritmos de
aprendizaje individuales, MathGPT facilita una
experiencia educativa personalizada que se
adapta a las necesidades únicas de cada
estudiante. Los hallazgos obtenidos son
consistentes con otras investigaciones recientes
que evidencian efectos positivos del uso
estructurado de herramientas digitales basadas
en inteligencia artificial. La mejora significativa
observada en el paralelo B (d=0.91) coincide
con lo encontrado por Álvarez (2024), quien
evidenció que los estudiantes que emplearon
inteligencia artificial como tutor virtual
obtuvieron mejoras significativas en el
aprendizaje y la resolución de problemas, en
comparación con aquellos cuya enseñanza se
basó en métodos tradicionales. En esta misma
línea, Essel et al. (2022) concluyen que la
implementación de IA en las aulas potencia
significativamente el rendimiento académico
frente a metodologías tradicionales, generando
un impacto pedagógico relevante que favorece
la comprensión conceptual y facilita la
resolución de problemas.
Es importante señalar que, si bien MathGPT
tiene el potencial de ser una herramienta útil
para la enseñanza de la física, no reemplaza a
los instructores humanos y debe utilizarse junto
con otros recursos y métodos de enseñanza y
aprendizaje. Por otra parte, el hecho de que el
grupo C con acceso libre a MathGPT obtuviera
un rendimiento académico menor que el grupo
B constituye un hallazgo relevante. Esto puede
explicarse con base en la investigación de Ding
et al. (2023), quienes señalan que la falta de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 395
conocimiento sobre el uso de la inteligencia
artificial puede generar exceso de confianza en
las respuestas generadas. Esto respalda los
resultados obtenidos, ya que el uso de IA sin
restricción alguna pudo haber fomentado una
dependencia cognitiva, lo que pudo haber
limitado la construcción de un aprendizaje
profundo y significativo. La mejora observada
en el grupo B en la dimensión reflexiva se alinea
directamente con las recomendaciones de la
UNESCO (2021), que enfatiza que la
integración del uso de Inteligencia artificial en
las aulas no debe reemplazar el pensamiento
humano, sino ser el complemento que
promueva un uso responsable, ético y enfocado
a un aprendizaje integral. La integración entre
el grupo y el momento evidencia que no es
únicamente el uso de la IA en sí lo que
determina una mejora significativa, sino la
forma en que esta se integra pedagógicamente.
Aunque tanto el grupo B como el C muestran
mejoras significativas con respecto al grupo A,
el uso de la IA en un entorno controlado mostró
un incremento significativamente mayor del
pretest al postest, lo que demuestra que la
intervención docente favoreció un proceso
cognitivo más profundo en el aprendizaje de los
estudiantes. El uso controlado permitió a los
estudiantes analizar, contrastar y justificar las
respuestas generadas, promoviendo un
aprendizaje significativo que, según Ausubel
(1963), la nueva información se integra con los
conocimientos previos para crear un
aprendizaje integral. Sin embargo, el uso libre
pudo haber limitado la elaboración conceptual
al fomentar una dependencia de la IA.
La encuesta sobre la percepción de los
estudiantes respecto a la implementación de
MathGPT en el aula revela información
significativa. Esto se alinea con los resultados
encontrados por Valenzuela et al. (2024),
quienes argumentan que el aprendizaje con la
ayuda de IA resulta más interesante y mejora la
comprensión de los contenidos. De esta manera,
los estudiantes de nuestro estudio reconocieron
que esta herramienta permitió abordar con
mayor facilidad temáticas que bajo un enfoque
tradicional serían de gran complejidad, lo cual
coincide con lo señalado por Culebro Castillo et
al. (2025), quienes demostraron que, aunque los
estudiantes perciben la implementación de
herramientas tecnológicas de gran ayuda,
también expresan preocupación por su impacto
en el desarrollo del pensamiento crítico. Esto
reafirma que el docente sigue siendo un
mediador del conocimiento que, a pesar de la
implementación tecnológica en la educación, es
quien controla y regula los procesos que se
realizan en el aula. La integración de MathGPT
en la educación en física ofrece una valiosa
oportunidad para mejorar la participación y la
comprensión de los conceptos científicos por
parte de los estudiantes mediante un apoyo
interactivo y personalizado
Conclusiones
La implementación de estrategias didácticas
mediadas por MathGPT permitió fortalecer la
comprensión conceptual, procedimental y
reflexiva en contenidos de la hidrostática en los
estudiantes de la Unidad Educativa Velasco
Ibarra del segundo año de bachillerato. Esta
herramienta facilitó la comprensión de
conceptos abstractos de la hidrostática como la
densidad, presión hidrostática, Principio de
Pascal y Principio de Arquímedes, que vistos
desde una perspectiva tradicional son temáticas
complejas de comprender para los estudiantes.
Los resultados evidenciaron mayor
participación, mejora en la estructuración de
procedimientos matemáticos y físicos, así como
un fortalecimiento en la autonomía académica.
El uso de MathGPT regulado en las aulas
constituyó una estrategia efectiva para el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 396
aprendizaje, ya que esta herramienta permitió
adaptar el ritmo de aprendizaje de cada
estudiante, brindando retroalimentación
inmediata y personalizada, orientando al
estudiante en la resolución de problemas.
El análisis del rendimiento académico
evidenció que los estudiantes que utilizaron
MathGPT de manera regulada, bajo la
supervisión del docente, obtuvieron los mejores
resultados en comparación con aquellos que
emplearon la IA sin supervisión o siguieron un
enfoque tradicional en el aula. Esto enfatiza que
no basta con la implementación de herramientas
tecnológicas, sino que es fundamental la manera
en que el docente las integra pedagógicamente
para garantizar un aprendizaje significativo. De
esta manera, el docente continúa siendo un
facilitador y guía del proceso de aprendizaje,
promoviendo la reflexión crítica y la aplicación
práctica de los conceptos. Finalmente, la
combinación de IA generativa y pedagogía
tiene el potencial de transformar la educación
científica, fomentando una mayor comprensión
y curiosidad entre los estudiantes. Cualquier
implementación de herramientas tecnológicas
en entornos educativos debe realizarse de
manera planificada y regulada, sin sustituir por
completo al docente en sus prácticas educativas,
sino que estas herramientas se utilicen como
complemento para fortalecer un aprendizaje
conceptual, procedimental, socioemocional y
reflexivo.
Referencias Bibliográficas
Álvarez, J. (2024). Evaluating the impact of AI-
powered tutors MathGPT and Flexi 2.0 in
enhancing calculus learning. Jurnal Ilmiah
Ilmu Terapan Universitas Jambi, 8(2), 495–
508.
https://doi.org/10.22437/jiituj.v8i2.34809
Ausubel, D. (1963). The psychology of
meaningful verbal learning. Grune &
Stratton.
Cobeña, J., Solórzano, N., & Alcívar, E. (2025).
Errores conceptuales en el proceso de
enseñanza aprendizaje de la física clásica.
LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades, 6(4).
https://doi.org/10.56712/latam.v6i4.4374
Cohen, J. (1988). Statistical power analysis for
the behavioral sciences (2nd ed.). Routledge.
Culebro, K., Garizurieta, J., & Gazca, L. (2025).
Estudio sobre la percepción del uso de la
Inteligencia Artificial Generativa en los
procesos de aprendizaje en estudiantes de
educación superior. RIDE Revista
Iberoamericana para la Investigación y el
Desarrollo Educativo, 16(31).
https://doi.org/10.23913/ride.v16i31.2661
Ding, L., Li, T., Jiang, S., & Gapud, A. (2023).
Students' perceptions of using ChatGPT in a
physics class as a virtual tutor. International
Journal of Educational Technology in
Higher Education, 20(1), Article 63.
https://doi.org/10.1186/s41239-023-00434-
1
Espinoza, E. (2025). La investigación
cuantitativa: fundamentos, características y
aplicaciones en las ciencias sociales.
Sociedad & Tecnología, 8(S3), 1283–1298.
https://doi.org/10.51247/st.v8iS3.47
Essel, H., Vlachopoulos, D., Tachie-Menson,
A., Johnson, E., & Baah, P. (2022). The
impact of a virtual teaching assistant
(chatbot) on students' learning in Ghanaian
higher education. International Journal of
Educational Technology in Higher
Education, 19(1), Article 57.
https://doi.org/10.1186/s41239-022-00362-
6
Guevara, A., Gutiérrez, O., & Huerta, H.
(2025). Impacto de la inteligencia artificial
en la enseñanza de la Física. Ixaya. Revista
Universitaria de Desarrollo Social, 15(29),
167–196.
https://revistaixaya.cucsh.udg.mx/index.php
/ixa/article/view/7842
Hernández, R., Fernández, C., & Baptista, M.
(2014). Metodología de la investigación (6.ª
ed.). McGraw-Hill Interamericana.
Ibáñez, E. (2024). La importancia del
pensamiento crítico en la enseñanza de la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 2.2
Edición Especial II 2026
Página 397
física. Noria Investigación Educativa, 1(13),
81–90.
https://doi.org/10.14483/nie.v1i13.17066
Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura. (2021).
Recomendación sobre la ética de la
inteligencia artificial. UNESCO.
https://unesdoc.unesco.org/ark:/48223/pf00
00381137_spa
Organización para la Cooperación y el
Desarrollo Económicos. (2023). OECD
principles on AI. OECD.
https://oecd.ai/en/ai-principles
Silva, J., & Medeiros, G. (2023). El uso de la
secuencia didáctica en la enseñanza de la
Física. Brazilian Journal of Science, 2(9),
70–75.
https://doi.org/10.14295/bjs.v2i9.360
Taber, K. (2018). The use of Cronbach's alpha
when developing and reporting research
instruments in science education. Research
in Science Education, 48(6), 1273–1296.
https://doi.org/10.1007/s11165-016-9602-2
Üral, Y., & Yalçın, P. (2025). Difficulties of
students in learning high school physics
courses and suggestions for solutions. Online
Science Education Journal, 10(2), 53–77.
https://https://dergipark.org.tr/en/pub/ofed/a
rticle/1650033
Valenzuela, A., García, V., Meza, J., &
Romero, Y. (2024). Percepción de los
estudiantes sobre el uso de la inteligencia
artificial en el nivel superior. Revista Digital
de Tecnologías Informáticas y Sistemas,
8(1), 154–162.
Villacreses, J., Rosado, K., & Cevallos, C.
(2024). Tracker para la enseñanza de la
Física I: Una experiencia con estudiantes de
educación superior. MQRInvestigar, 8(3).
https://doi.org/10.56048/MQR20225.8.3.20
24.5765-5779
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Fabricio Alexander
Ñauñay Sagñay y Narcisa de Jesús Sánchez
Salcán.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Fabricio Alexander Ñauñay Sagñay: 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.
Narcisa de Jesús Sánchez Salcán: 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
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.