Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
INFLUENCIA PERCIBIDA DE LA INTELIGENCIA ARTIFICIAL EN EL APRENDIZAJE  
AUTÓNOMO DE ESTUDIANTES DE EDUCACIÓN BÁSICA DE LA ULEAM, EXTENSIÓN  
PEDERNALES  
PERCEIVED INFLUENCE OF ARTIFICIAL INTELLIGENCE ON AUTONOMOUS  
LEARNING OF BASIC EDUCATION STUDENTS AT ULEAM, EXTENSION  
PEDERNALES  
Autores: ¹Franklin Antonio Bernal Moreira y ²David Antonio Delgado Santillan.  
¹ORCID ID: https://orcid.org/0000-0001-8343-8304  
²ORCID ID: https://orcid.org/0009-0009-0980-8341  
¹E-mail de contacto: fbernam@unemi.edu.ec  
²E-mail de contacto: ddelgados2@unemi.edu.ec  
Afiliación: ¹* ²*Universidad Estatal de Milagro, Facultad de Posgrado, Escuela de Educación, Maestría en Inteligencia Artificial para la  
educación, (Ecuador).  
Artículo recibido: 5 de Agosto de 2026.  
Artículo revisado: 7 de Agosto de 2026.  
Artículo aprobado: 7 de Agosto de 2026.  
¹Licenciado en Turismo, egresado de la Universidad Laica Eloy Alfaro de Manabí, (Ecuador). Con 2 años de experiencia laboral.  
Maestrante de la Maestría en Inteligencia Artificial para la Educación, en la Universidad Estatal de Milagro, (Ecuador).  
²Licenciado en Ciencias de la Educación, mención Educación Básica, egresado de la Universidad Estatal de Milagro, (Ecuador). Magíster  
en Educación, mención Educación Básica, egresado de la Universidad Estatal de Milagro, (Ecuador).  
Resumen  
de 0.97). La correlación de Spearman mostró  
una relación positiva y moderada a través de las  
El presente trabajo estudia la relación entre el  
uso de la inteligencia y el aprendizaje autónomo  
en 111 estudiantes de educación básica de la  
Universidad Laica Eloy Alfaro de Manabí,  
Extensión Pedernales, Ecuador. El contexto es  
importante. La ciudad de Pedernales es un  
territorio con dificultades económicas y el  
acceso tecnológico disparejo, lo que quiere  
decir que se muestra un espacio particularmente  
relevante para investigar como la tecnología se  
incorpora cuando las condiciones no son  
excelentes. La investigación se uso un enfoque  
cuantitativo, el diseño no experimental y con un  
alcance descriptivo correlacional, se utilizó un  
cuestionario con escala Likert de cinco puntos a  
todos los estudiantes (muestra censal). El  
instrumento calificó cinco dimensiones del uso  
de la IA (frecuencia de uso, finalidad  
variables.  
Un  
hallazgo  
importante  
los  
estudiantes no utilizan la inteligencia artificial  
de manera indiscriminada sino con énfasis en  
pensamiento crítico y responsabilidad ética.  
Con la llegada de la IA al currículo de forma  
reflexiva y con un acompañamiento ético,  
favorece el aprendizaje autónomo. Para los  
docentes que se están formando en la actualidad  
esto es relevante, los estudiantes que se están  
preparando hoy en día decidirán como sus  
estudiantes  
tecnológicas mañana.  
Palabras clave:  
Aprendizaje autónomo, Educación superior,  
Formación  
utilizarán  
las  
herramientas  
Inteligencia  
artificial,  
docente,  
Estudiantes  
universitarios.  
Abstract  
académica,  
pensamiento crítico y uso ético) y también cinco  
dimensiones del aprendizaje autónomo  
producción  
académica,  
The present study examines the relationship  
between the use of artificial intelligence (AI)  
and autonomous learning in 111 Basic  
Education students at the Universidad Laica  
Eloy Alfaro de Manabí, Pedernales Extension,  
Ecuador. The context is significant: the city of  
Pedernales is a region facing economic  
challenges and uneven technological access,  
making it a particularly relevant setting to  
investigate how technology is integrated when  
(autorregulación, planificación, gestión de la  
información, metacognición y responsabilidad  
académica). Los resultados evidencian que  
ambas variables alcanzaron niveles altos. Uso  
de IA 4.00 y el aprendizaje autónomo 4.29 con  
una escala de 5 puntos. La solidez interna del  
instrumento fue magnifico (Alfa de Cronbach  
Página 383  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
conditions are suboptimal. The research  
employed a quantitative approach with a non-  
experimental design and descriptive-  
correlational scope. A five-point Likert scale  
questionnaire was administered to all students  
(a census sample). The instrument assessed five  
dimensions of AI use (frequency of use,  
alunos (amostra censitária). O instrumento  
avaliou cinco dimensões do uso de IA  
(frequência de uso, finalidade acadêmica,  
produção acadêmica, pensamento crítico e uso  
ético) e cinco dimensões da aprendizagem  
a
autônoma  
gestão da  
(autorregulação,  
informação,  
planejamento,  
metacognição  
e
academic  
purpose,  
academic  
production,  
responsabilidade acadêmica). Os resultados  
mostram que ambas as variáveis atingiram  
critical thinking, and ethical use) as well as five  
dimensions of autonomous learning (self-  
regulation, planning, information management,  
metacognition, and academic responsibility).  
The results show that both variables reached  
high levels, with AI use scoring 4.00 and  
autonomous learning 4.29 on a 5-point scale.  
The internal consistency of the instrument was  
níveis  
elevados:  
uso  
de  
IA  
(4,00)  
e
aprendizagem autônoma (4,29) em uma escala  
de 5 pontos. A robustez interna do instrumento  
foi excelente (alfa de Cronbach de 0,97). A  
correlação de Spearman mostrou uma relação  
positiva moderada entre as variáveis. Uma  
descoberta fundamental é que os alunos não  
excellent  
(Cronbach's  
Alpha  
of  
0.97).  
utilizam  
a
inteligência  
artificial  
Spearman's correlation indicated a positive and  
moderate relationship between the variables.  
An important finding is that students do not use  
artificial intelligence indiscriminately, but  
rather with an emphasis on critical thinking and  
ethical responsibility. Integrating AI into the  
indiscriminadamente, mas sim com ênfase no  
pensamento crítico e na responsabilidade ética.  
A integração reflexiva da IA no currículo,  
acompanhada de orientação ética, fomenta a  
aprendizagem autônoma. Isso é relevante para  
os professores em formação, pois os alunos que  
se preparam hoje determinarão como seus  
alunos usarão as ferramentas tecnológicas  
amanhã.  
curriculum reflectively  
guidance fosters autonomous learning. This is  
highly relevant for pre-service teachers  
and with ethical  
currently in training, as the students preparing  
today will ultimately determine how their own  
students use technological tools tomorrow.  
Palavras-chave:  
Aprendizagem  
Inteligência  
autodirigida,  
de  
artificial,  
Ensino  
professores,  
superior,  
Formação  
Keywords:  
Artificial  
intelligence,  
Self-  
Estudantes universitários.  
directed learning, Higher education, Teacher  
training, University students.  
Introducción  
El avance acelerado de la inteligencia artificial  
(IA) en los últimos años ha originado  
transformaciones profundas en diversos  
Sumário  
Este estudo examina a relação entre o uso de IA  
e a aprendizagem autônoma em 111 alunos do  
ensino fundamental da Universidade Eloy  
Alfaro Lay de Manabí, Extensão Pedernales,  
Equador. O contexto é importante. A cidade de  
Pedernales é uma região com dificuldades  
econômicas e acesso desigual à tecnologia,  
tornando-se uma área particularmente relevante  
para investigar como a tecnologia é incorporada  
quando as condições são menos que ideais. A  
ámbitos de la vida humana y el ámbito  
educativo no ha sido la excepción, la IA en  
conjunto con las tecnologías de la información  
y comunicación (TIC), brinda un gran potencial  
para mejorar el desempeño en los docentes y el  
aprendizaje de los estudiantes en el nivel  
universitario; sin embargo, su incorporación en  
los procesos formativos plantea interrogantes  
pedagógicos que aún no han sido resueltas,  
particularmente en el contexto regional con  
particularidades socioeducativas propias. En  
ese contexto, el presente estudio analiza la  
pesquisa  
quantitativa,  
experimental  
empregou  
um  
uma  
delineamento  
escopo descritivo-  
abordagem  
não  
e
um  
correlacional. Um questionário com escala  
Likert de cinco pontos foi aplicado a todos os  
Página 384  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
influencia percibida del uso de la IA en el  
aproximado de menos de cuatro años, estas  
tecnologías pasaron a ser un recurso de nicho a  
herramientas de uso masivo en entornos  
educativos formales e informales. Como  
menciona, Fajardo et al. (2023), la IA se ha  
incorporado a la educación superior como  
agente de cambio que redefine las practicas  
pedagógicas, la gestión en la academia y los  
nuevos modelos de enseñanza aprendizaje, con  
una capacidad de transformación que impacta  
de modo que marcan la manera continua en las  
instituciones de educación superior (p.4). No  
aprendizaje autónomo de estudiantes de la  
carrera de educación básica de la Universidad  
Laica Eloy Alfaro de Manabí (ULEAM),  
Extensión Pedernales. En este contexto, resulta  
necesario establecer un marco conceptual.  
Como menciona Russell y Norvig (2021), “la  
inteligencia artificial es el campo que estudia  
los agentes que reciben percepciones del  
entorno y ejecutan acciones” (p.1). Esta  
definición operativa establece los límites del  
objeto de estudio de la IA y, simultáneamente,  
posibilita distinguirla de campos relacionados,  
obstante,  
no  
cierra  
el  
debate  
de  
la  
como  
la  
cibernética  
o
la  
neurociencia  
personalización que la IA habilita y pueda  
generar cierto deterioro en las competencias,  
que el aprendizaje autónomo exige, si el  
estudiante la utiliza como reemplazo del  
esfuerzo cognitivo propio y no como una  
herramienta de apoyo reflexivo.  
computacional. Uno de los campos científicos y  
tecnológicos que más crece e impacta a la  
sociedad contemporánea es la inteligencia  
artificial (IA).  
La economía, la comunicación, la salud y la  
educación son algunos de los sectores que han  
sido transformados por su expansión. Las  
definiciones contemporáneas de IA, según  
Caluori (2024), se enfocan en la habilidad de los  
sistemas computacionales para realizar labores  
relacionadas con el pensamiento humano, sobre  
todo las que tienen que ver con la toma de  
decisiones, el aprendizaje y la manipulación de  
datos. De la misma manera, se puede entender a  
la IA como un grupo de tecnologías que buscan  
procesar información de manera inteligente  
utilizando modelos computacionales avanzados  
y algoritmos. El impacto de la inteligencia  
artificial ha dejado de ser un tema secundario.  
Gracias a su rápida evolución, herramientas  
como los asistentes virtuales, los generadores de  
textos, los sistemas de retroalimentación  
automática y las plataformas de tutorías  
inteligentes se han convertido en algo habitual  
para los estudiantes sin importar su disciplina o  
ubicación geográfica. Este espacio de lo  
experimental a lo cotidiano ha sucedido en un  
periodo atípicamente corto: en un rango  
En consecuencia, los estudios realizados en los  
últimos años muestran que la relación entre la  
IA y aprendizaje no es unidireccional ni siempre  
positiva. Por otra parte, Aparicio (2023),  
sostiene que la IA transforma el aprendizaje del  
presente  
siglo  
al  
brindar  
experiencias  
eran  
personalizadas  
que  
anteriormente  
inaccesibles en entornos masivo de enseñanza.  
Por otro lado, Del Cisne et al. (2024), menciona  
que, una correlación significativa entre la  
dependencia de la IA y la reducción de la  
autonomía del aprendizaje y la capacidad de  
resolver problemas. Entre estos dos puntos  
existe un continuo donde los resultados  
dependen, en su mayor parte, de la manera en  
que los estudiantes se apropian de la tecnología  
con propósito, criterio y responsabilidad, o  
como un acceso directo que evita el  
procesamiento profundo de la información. En  
ese sentido la UNESCO (2022), da a conocer  
que “los actores en el ecosistema de la IA deben  
aplicar el principio de proporcionalidad para  
evaluar si el uso de un sistema adecuado,  
Página 385  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
legítimo y estrictamente necesario para alcanzar  
queda claramente expuesta la tensión entre el  
potencial trasformador de las IA y los riesgos  
que esta representa a para la autonomía del  
alumno. Se ha encontrado en evidencia de que  
algunas funciones aumentan aspectos concretos  
de la autonomía. La retroalimentación al  
instante puede animar a los alumnos y  
permitirles regularse a sí mismo en tiempo real,  
según lo mencionado por (Menacho et al.,  
2024). Asimismo, Sánchez et al. (2023), indican  
que la aplicación de la IA generativa puede  
promover la auto regulación, autoevaluación y  
la autorreflexión, ya que el alumno analiza  
críticamente las respuestas que recibe en vez de  
aceptarlas sin cuestionamiento.  
los fines propuestos” (p.10). con todo aquello,  
es necesario realizar un análisis previo antes de  
su implementación, cuestionando si existen  
alternativas menos invasivas o que protejan  
mejor los derechos humanos. En definitiva, no  
se trata solo de la capacidad técnica de la  
herramienta, sino de garantizar que su  
despliegue  
sea  
siempre  
respetuoso  
y
equilibrado.  
Desde un enfoque conceptual, el aprendizaje  
autónomo supone mucho más que estudiar sin  
la supervisión directa. Comprende un conjunto  
articulado de capacidades de autorregulación,  
planificación del estudio, gestión del tiempo, la  
toma de decisiones y la responsabilidad  
académica que actúen en conjunto. Como indica  
Caballero et al. (2023), el aprendizaje autónomo  
en la educación superior necesita independencia  
en elegir plataformas inteligentes y en la  
búsqueda de apoyo; esto integra, además,  
responsabilidades en los trabajos individuales,  
planificación de actividades y estrategias  
adecuadas de estudio.  
A pesar de ello, esta secuencia de causa y  
efecto, IA, reflexión crítica y autonomía no se  
realiza de manera automática. Bayas (2024), en  
un estudio publicado en el suplemento CICA de  
la ULEAM, documenta que la dependencia  
excesiva de las herramientas de IA limita la  
habilidad de los estudiantes para razonar de  
manera autónoma y crítica, advierte que el  
papel del docente resulta primordial para  
orientar un uso que sea objetivo, responsable y  
ético de estas herramientas. Exactamente, la  
dimensión en el uso ético de la IA en entornos  
académicos se ha vuelto un tema de  
preocupación creciente. Según los estudios  
efectuados en universidades de Ecuador, no  
existen políticas institucionales precisas sobre  
la utilización ética de la IA, ni una formación  
adecuada entre los integrantes de la comunidad  
universitaria, Domingo et al (2020), da a  
conocer, que fomentar la responsabilidad  
académica es fundamental para adecuar a  
profesionales que puedan comportarse con ética  
Esta definición es importante en contextos  
donde la disponibilidad de la tecnología  
desplaza el centro de la enseñanza hacia el  
aprendizaje. Si el estudiante no ha fortalecido  
estas competencias, el acceso sin una guía de las  
herramientas de IA puede producir una  
alucinación de aprendizaje sin que se controle  
el proceso cognitivo que el aprendizaje  
requiere. La metacognición, en particular,  
ocupa un punto medio. Sembrera Campos y  
Núñez (2023), identifica entre los principales  
desafíos en la educación en la actualidad la  
necesidad  
de  
promover  
estrategias  
ante  
los  
desafíos  
Actuar  
del  
actual  
contexto  
ante las  
metacognitivas que permitan al estudiante  
comprender y gestionar de manera efectiva el  
tecnológico.  
éticamente  
demandas del entorno tecnológico actual es  
crucial, especialmente durante la formación  
docente. Quienes hoy se preparan utilizando  
propio  
proceso  
de  
adquisición  
de  
conocimientos. Por lo tanto, en la literatura  
Página 386  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
inteligencia artificial asumirán mañana la  
Loor et al. (2026), realizaron en la ULEAM un  
estudio cuantitativo no experimental  
responsabilidad de guiar el uso que sus propios  
estudiantes hagan de estas herramientas. Por lo  
tanto, omitir la dimensión ética en las aulas  
universitarias trasciende la responsabilidad  
individual, convirtiéndose en un desafío de  
carácter institucional y social. Desde el contexto  
correlacional con 219 estudiantes de la carrera  
de marketing, y se encontró una correlación  
positiva entre el uso de la IA y el aprendizaje.  
Sin embargo, ese trabajo no se centra en los  
estudiantes de educación básica, en la extensión  
Pedernales ni en las dimensiones especificas del  
aprendizaje autónomo, lo cual deja abierta una  
brecha que el presente estudio busca cubrir. por  
su lado, la revisión de Romani, y Macedo  
(2024), sobre publicaciones en Web of Science  
y Scopus entre 2020 y 2024 constata que solo el  
8.6 % de los estudios latinoamericanos sobre IA  
en educación superior están indexados en esas  
bases de datos, lo que demuestra que en este  
campo pese a su creciente desarrollo aún carece  
de la masa crítica de investigaciones de alta  
visibilidad importante para guiar a políticas  
institucionales robustas, en especial a carreras  
pedagógicas.  
ecuatoriano,  
esta  
problemática  
exige  
investigaciones situadas que responden a las  
particularidades locales. Al respecto, Pinargote-  
Castro et al. (2024), sostienen que la formación  
docente en el país requiere con urgencia del  
desarrollo de competencias digitales que  
permitan a los futuros educadores integrar la IA  
desde una perspectiva crítica y pedagógica,  
superando el mero enfoque instrumental.  
Sin embargo, esta transición enfrenta serios  
obstáculos estructurales; estudios como el de  
Bernal et al. (2025), en la educación básica  
superior revelan que, si bien la IA promete  
optimizar la evaluación y personalización de la  
enseñanza, su aplicación real se ve limitada por  
una infraestructura tecnológica deficiente, la  
falta de capacitación docente y la brecha digital  
entre las áreas urbanas y rurales (p.3). este  
diagnóstico es relevante para la ULEAM,  
extensión Pedernales, institución que forma  
Ante este panorama, tras revisar la literatura en  
bases de datos como Scopus, Redalyc, SciELO,  
Dialnet y Google Scholar, se identifica un vacío  
importante: Son escasos los estudios que  
articulan el uso percibido de la IA con el  
aprendizaje  
autónomo  
en  
estudiantes  
también  
docentes  
en  
un  
territorio  
con  
universitarios en Ecuador, especialmente en la  
localidad como Pedernales. La mayor parte de  
la evidencia actual proviene de grandes centros  
urbanos de Latinoamérica o de la disciplina a la  
formación docente (Menacho et al., 2024) (p.3).  
Esta ausencia no es trivial. Extrapolar hallazgos  
de contextos tan disímiles podría llevarnos a  
condiciones socioeconómicas complejas y  
acceso tecnológico heterogéneo, sin embargo,  
la institución brinda acceso tecnológico  
innovador para uso de sus estudiantes.  
De acuerdo con los hallazgos de Rondon et al.  
(2024), el efecto de la inteligencia artificial en  
la formación docente varia considerablemente  
dependiendo del nivel de preparación previa del  
estudiante, lo cual hace indispensable medir las  
percepciones y practicas reales de uso antes de  
diseñar cualquier intervención pedagógica. Es  
importante resaltar que, existe evidencia  
empírica parcial dentro de la propia institución.  
implementar  
intervenciones  
pedagógicas  
descontextualizadas y en última instancia,  
ineficaces. Como señalan Caicedo et al, (2025)  
que la IA ofrece una oportunidad valiosa para  
personalizar el aprendizaje y fortalecer la  
autonomía estudiantil; sin embargo, este  
potencial solo se materializa si existen  
condiciones adecuadas de acceso, formación y  
Página 387  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
acompañamiento (p.3). No se puede asumir que  
procedimientos  
estadísticos  
sistemáticos.  
estas condiciones estén garantizadas por defecto  
en todos los contextos universitarios del país.  
En este marco, el presente artículo analiza la  
relación entre el uso percibido de la inteligencia  
artificial y el desarrollo del aprendizaje  
autónomo en 111 estudiantes de la carrera de  
Educación Básica de la Universidad Laica Eloy  
Alfaro de Manabí, Extensión Pedernales. Para  
lograrlo, se emplea un enfoque cuantitativo bajo  
un diseño no experimental y un alcance  
descriptivo-correlacional.  
Hernandez et al. (2024) lo definen “el enfoque  
cuantitativo utiliza recolección de datos para  
probar hipótesis basado en la medición  
numérica y el análisis estadístico” (p.41). En  
investigación  
educativa  
resulta  
pertinente  
debido a que se permite analizar variables  
complejas como inteligencia artificial y  
aprendizaje autónomo porque genera datos  
objetivos  
y
replicables  
que  
pueden  
generalizarse.  
Por otra parte, para la recolección de datos con  
cuestionario estructurado con escala tipo Likert.  
Al respecto, Ferrando et al. (2025) señalan que  
las escalas de Likert “se han convertido en unas  
de las herramientas de evaluación más  
utilizadas en diversos dominios científicos y  
profesionales, debido a su simplicidad y  
La recolección de datos se realizó mediante una  
encuesta basada en un cuestionario estructurado  
con escala Likert, el cual aborda dimensiones  
claves de la inteligencia artificial, frecuencia de  
uso, finalidad académica, apoyo en tareas,  
búsqueda de información, generación de  
contenidos y uso ético, así como las  
dimensiones del aprendizaje autónomo, la  
autorregulación, planificación, gestión del  
tiempo, metacognición, toma de decisiones y  
efectividad”  
(p.2).  
Es  
tipo  
descriptiva-  
correlacional esta, técnica permite cuantificar  
actitudes, percepciones y niveles de acuerdo  
mediante categorías ordinales de respuestas La  
investigación es de alcance lógico analítico  
responsabilidad  
académica.  
Con  
estos  
descriptiva-correlacional.  
dentro de la ruta cuantitativa se reconoce que la  
función investigativa puede desplegar  
En  
ese  
sentido,  
hallazgos, se busca generar evidencia empírica  
que contribuya al diseño curricular de la carrera,  
favorezca la reflexión pedagógica institucional  
y enriquezca el debate sobre el papel de la IA en  
la formación docente inicial, particularmente en  
contextos de alta complejidad social y  
tecnológica.  
conocimiento de conocimiento lógico analítico,  
empírica predictiva, explicativa, exploratoria,  
correlacional y descriptiva, según el alcance que  
el investigador defina para su estudio (Cruz,  
2025).  
Será descriptiva porque permitirá  
Materiales y Métodos  
El estudio se desarrolló bajo un enfoque  
caracterizar el nivel de uso de la inteligencia  
artificial y el nivel de aprendizaje autónomo de  
los estudiantes. Además, será correlacional  
porque buscará determinar la relación existente  
entre ambas variables. El diseño será no  
experimental y de corte transversal, debido a  
que no se manipularán las variables de estudio  
y la información será recolectada en un solo  
momento. La población estuvo conformada por  
estudiantes de la carrera de Educación Básica de  
la Universidad Laica Eloy Alfaro de Manabí,  
cuantitativo, debido a que los datos serán  
recolectados  
estructurado con escala tipo Likert y procesados  
mediante procedimientos estadísticos  
mediante  
un  
cuestionario  
descriptivos. Este enfoque permitirá identificar  
el comportamiento de las variables inteligencia  
artificial y aprendizaje autónomo en estudiantes  
de la carrera de Educación Básica. El enfoque  
cuantitativo  
mide  
variables  
usando  
Página 388  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Extensión Pedernales. Para el estudio se trabajó  
desacuerdo; 4 = De acuerdo; 5 = Totalmente de  
acuerdo. El instrumento estuvo organizado en  
dos variables principales: Variable 1: Uso de  
inteligencia artificial; Variable 2: Aprendizaje  
autónomo. Cada variable estará conformada  
por 15 ítems, distribuidos en cinco dimensiones.  
con una muestra de 111 estudiantes, quienes  
respondieron el instrumento diseñado para la  
recolección de datos. Considerando que el  
grupo de estudio está conformado por un total  
de 111 estudiantes, un numero accesible y  
manejable para el alcance de la presente  
investigación. Esto permite llevar a la decisión  
metodológica de no realizar ningún recorte  
muestral. En lugar de esto se eligió integrar a la  
totalidad del grupo en el proceso investigativo,  
estructurando de ello una muestra censal que  
garantiza una representación total y fiel de los  
participantes. El tipo de muestreo fue por censo,  
Tabla 1. Operacionalización de las variables  
previo al análisis de resultados.  
Tipo de  
Variable  
Dimensiones  
Ítems  
análisis  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Promedio,  
frecuencia y  
porcentaje  
Uso de  
inteligencia  
artificial  
Uso de  
inteligencia  
artificial  
Uso de  
inteligencia  
artificial  
Uso de  
inteligencia  
artificial  
Uso de  
IA1,  
IA2, IA3  
Frecuencia de uso  
Finalidad  
académica  
IA4,  
IA5, IA6  
Producción  
académica  
IA7,  
IA8, IA9  
considerando  
la  
accesibilidad  
de  
los  
IA10,  
IA11,  
IA12  
IA13,  
IA14,  
IA15  
AA1,  
AA2,  
AA3  
AA4,  
AA5,  
AA6  
AA7,  
AA8,  
AA9  
AA10,  
AA11,  
AA12  
AA13,  
AA14,  
AA15  
Pensamiento  
crítico  
participantes y su pertenencia directa al  
contexto de estudio. La técnica utilizada será la  
encuesta, mientras que el instrumento será un  
cuestionario estructurado dirigido a estudiantes  
universitarios de la carrera de Educación  
Básica.  
inteligencia  
artificial  
Uso ético  
Autorregulación  
Planificación  
Aprendizaje  
autónomo  
Aprendizaje  
autónomo  
Cabe destacar que la encuesta se define, en la  
investigación científica, como una técnica que  
se emplea un conjunto de procedimientos  
estandarizados para recopilar y analizar datos  
de una muestra representativa de una población,  
lo que convierte en un instrumento integral  
aplicable a diversas disciplinas y contextos  
investigativos (Duarte Sánchez & Guerrero  
Barreto, 2024). En este sentido, la encuesta  
resulta especialmente adecuada cuando se busca  
explorar percepciones, actitudes o valoraciones  
subjetivas de un grupo amplio de personas  
como ocurre en el presente estudio de los 111  
Aprendizaje  
autónomo  
Gestión de  
información  
Aprendizaje  
autónomo  
Metacognición  
Aprendizaje  
autónomo  
Responsabilidad  
académica  
Fuente: Elaboración propia.  
El instrumento fue aplicado a los 111  
estudiantes de la carrera de Educación Básica de  
la ULEAM, Extensión Pedernales, mediante un  
formulario digital. Antes de responder, los  
participantes conocerán el propósito del  
estudio,  
investigación y la confidencialidad de la  
información proporcionada. Una vez  
el  
carácter  
académico  
de  
la  
estudiantes  
Pedernales. El cuestionario fue conformado por  
tres secciones: datos generales, ítems  
de  
la  
ULEAM  
Extensión  
recopiladas las respuestas, la base de datos será  
exportada a Microsoft Excel o SPSS para su  
organización, depuración y análisis estadístico.  
Los datos fueron procesados en Microsoft Excel  
o SPSS. Cada respuesta será codificada con  
valores numéricos del 1 al 5, de acuerdo con la  
relacionados con el uso de inteligencia artificial  
e ítems sobre aprendizaje autónomo. Los ítems  
serán valorados mediante una escala tipo Likert  
de cinco niveles: 1 = Totalmente en desacuerdo;  
2 = En desacuerdo; 3 = Ni de acuerdo ni en  
Página 389  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
escala Likert establecida en el instrumento. El  
inteligencia artificial y aprendizaje autónomo.  
El análisis por dimensiones permitirá identificar  
cuáles son los niveles con mayor y menor  
puntuación en cada variable. Para ello, se  
calculará el promedio de cada dimensión según  
los ítems que la conforman.  
análisis se realizará en tres niveles: Primero, se  
calcularon frecuencias y porcentajes para los  
datos generales de los estudiantes, tales como  
edad, sexo, semestre, frecuencia de uso de  
herramientas  
de  
inteligencia  
artificial  
y
herramientas utilizadas. Segundo, se calcularon  
los promedios por ítem, dimensión y variable.  
Tabla 3. Propuesta para el análisis de resultados  
por dimensión.  
Para  
correspondientes  
instrumento.  
ello,  
se  
agruparán  
los  
ítems  
del  
Fórmula  
Dimensión  
sugerida en  
Excel  
Resultado esperado  
a
cada dimensión  
Por ejemplo, la dimensión  
Promedio de  
IA1, IA2, IA3  
Promedio de  
IA4, IA5, IA6  
Promedio de  
IA7, IA8, IA9  
Promedio de  
IA10, IA11,  
IA12  
Nivel de uso habitual de  
IA  
Nivel de uso académico  
de IA  
Nivel de apoyo de IA en  
tareas y trabajos  
Nivel de análisis frente a  
la información generada  
por IA  
Frecuencia de uso  
frecuencia de uso se calculó a partir del  
promedio de los ítems IA1, IA2 e IA3. Tercero,  
se realizó una interpretación general de los  
niveles obtenidos por cada dimensión y  
variable, utilizando los siguientes rangos:  
Finalidad  
académica  
Producción  
académica  
Pensamiento  
crítico  
Promedio de  
IA13, IA14,  
IA15  
Promedio de  
AA1, AA2,  
AA3  
Promedio de  
AA4, AA5,  
AA6  
Nivel de responsabilidad  
en el uso de IA  
Uso ético  
Autorregulación  
Planificación  
Tabla 2. Rangos de ponderación para el análisis de  
Nivel de control del  
propio aprendizaje  
resultados.  
Rango de promedio  
1,00 – 2,33  
Nivel de interpretación  
Bajo  
Medio  
Alto  
Nivel de organización  
académica  
2,34 – 3,66  
3,67 – 5,00  
Promedio de  
AA7, AA8,  
AA9  
Fuente: Elaboración propia.  
Gestión de  
información  
Nivel de búsqueda y  
selección de información  
Promedio de  
AA10, AA11,  
AA12  
Promedio de  
AA13, AA14,  
AA15  
Para determinar la relación entre el uso de  
Nivel de reflexión sobre  
el propio aprendizaje  
Metacognición  
inteligencia  
artificial  
y
el  
aprendizaje  
Responsabilidad  
académica  
Nivel de compromiso con  
la formación universitaria  
autónomo, se pudo calcularse el coeficiente de  
correlación entre los promedios generales de  
ambas variables. En Excel, este procedimiento  
Fuente: Elaboración propia.  
puede  
realizarse  
mediante  
la  
función  
La investigación respetó los principios de  
confidencialidad, consentimiento informado y  
=COEF.DE.CORREL(rango_variable_IA;rang  
o_variable_AA). Esta decisión metodológica se  
sustenta en que el coeficiente de correlación de  
Pearson y Spearman constituye una herramienta  
estadística ampliamente aplicada en estudios  
educativos de diseño descriptivo-correlacional  
para determinar la posible relación entre dos  
variables de interés, permitiendo identificar  
tanto la magnitud como el sentido positivo o  
uso  
participación de los estudiantes fue voluntaria y  
anónima. Los datos recopilados fueron  
académico  
de  
la  
información.  
La  
utilizados únicamente con fines investigativos y  
no comprometerán la identidad de los  
participantes.  
Resultados y Discusión  
negativo  
de  
dicha  
asociación  
(Morillo-  
Con respecto a los resultados, se exhibirán a  
través de gráficos estadísticos con el objetivo de  
hacer más fácil la comprensión e interpretación  
de los datos que fueron recolectados. Se  
examinará cada elemento del cuestionario de  
Guerrero, 2022). Su empleo resulta, en  
consecuencia, idóneo para este estudio porque  
permite traducir en un único estadístico el grado  
de  
asociación  
entre  
los  
promedios  
de  
Página 390  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
manera individual, lo que permitirá ver la  
uso de IA. El promedio global del instrumento  
fue de 4.15 (DE = 0.63). En términos  
interpretativos, estos valores evidencian una  
percepción favorable y consistente sobre ambas  
variables, con una ligera ventaja del aprendizaje  
autónomo, lo que sugiere que la autonomía  
académica está más consolidada que la  
intensidad del uso de herramientas de IA.  
distribución de las respuestas. En ese sentido,  
los gráficos dejarán ver los porcentajes  
obtenidos de las respuestas, subrayando las  
tendencias más importantes en relación a la  
inteligencia  
artificial  
y
el  
aprendizaje  
autónomo. La interpretación se basa en la  
evaluación de dos variables centrales: uso de  
inteligencia artificial y aprendizaje autónomo,  
así como en sus dimensiones internas, la  
confiabilidad del instrumento y la relación  
existente entre ambas variables.  
Tabla 5. Dimensiones del uso de inteligencia  
artificial.  
Dimensión  
Ítems  
n
Media  
DE  
Nivel  
IA1,  
IA2,  
IA3  
Frecuencia de  
uso de IA  
111  
3,65  
0,89  
Medio  
Tabla 4. Síntesis estadística general.  
Finalidad  
académica de  
IA  
Producción  
académica con  
IA  
IA4,  
IA5,  
IA6  
IA7,  
IA8,  
IA9  
IA10,  
IA11,  
IA12  
IA13,  
IA14,  
IA15  
Medi  
a
Media  
na  
Mí  
n.  
Má  
x.  
Niv  
el  
Variable  
n
DE  
111  
111  
111  
111  
3,95  
4,05  
4,20  
4,14  
0,82  
0,86  
0,76  
0,79  
Alto  
Alto  
Alto  
Alto  
Uso de  
inteligenc  
ia  
11  
1
0,7  
2
1,0  
0
4,00  
4,07  
5,00 Alto  
artificial  
Aprendiz  
aje  
autónomo  
Instrumen 11  
to global  
Pensamiento  
crítico ante IA  
11  
1
0,6  
4
1,0  
0
4,29  
4,15  
4,40  
4,27  
5,00 Alto  
5,00 Alto  
0,6  
3
1,0  
0
Uso ético de IA  
1
Fuente: Elaboración propia.  
Fuente: Elaboración propia.  
Figura 1. Síntesis general sobre el uso de  
inteligencia artificial y aprendizaje autónomo  
en estudiante.  
Figura 2. Dimensión del uso de la inteligencia  
Artificial.  
Fuente: Elaboración propia.  
Fuente: Elaboración propia.  
El comportamiento dimensional del uso de  
inteligencia artificial no es homogéneo. La  
La síntesis estadística general muestra que el uso  
de inteligencia artificial alcanzó una media de  
4.00 (DE = 0.72), ubicándose en un nivel alto.  
Por su parte, el aprendizaje autónomo registró  
una media de 4.29 (DE = 0.64), también en nivel  
alto, con un valor superior al observado para el  
dimensión  
con  
mayor  
puntuación  
fue  
pensamiento crítico ante ia (M = 4.20; DE =  
0.76), seguida de uso ético de IA y producción  
académica con IA. En contraste, la dimensión  
con menor media fue frecuencia de uso de ia (M  
Página 391  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
= 3.65; DE = 0.89). Este patrón sugiere que el  
estudiantado valora especialmente la calidad del  
uso de la IA, pensamiento crítico, uso ético y  
apoyo a la producción académica, más que su  
frecuencia de utilización. Desde un enfoque  
estadístico sustantivo, la tecnología no parece  
integrarse solo por repetición de uso, sino por  
utilidad formativa. La distribución porcentual  
por niveles confirma esta lectura. En frecuencia  
de uso de IA, el 5.41% se ubicó en nivel bajo, el  
28.83% en nivel medio y el 65.77% en nivel alto,  
Las  
cinco  
dimensiones  
del  
aprendizaje  
autónomo se ubicaron en nivel alto. La mayor  
media correspondió a responsabilidad académica  
(M = 4.40; DE = 0.72), mientras que la más baja  
se observó en autorregulación (M = 4.19; DE =  
0.75), sin que ello implique un desempeño débil,  
ya que todas las medias superan claramente el  
umbral del nivel alto. En términos estadísticos,  
esto refleja una estructura relativamente estable  
del constructor y una tendencia general de  
respuestas favorables.  
lo  
que  
refleja  
mayor  
frente al  
dispersión  
resto de  
Tabla  
inteligencia artificial.  
7.  
Distribución  
por  
niveles  
de  
Alto  
comparativamente  
dimensiones. En uso ético de IA, el nivel alto  
alcanzó el 89.19%, constituyéndose en la  
dimensión con mayor concentración favorable.  
Este hallazgo indica que los estudiantes no solo  
emplean la IA, sino que reconocen su dimensión  
regulativa y académica.  
Bajo Bajo Medio Medio Alto  
Dimensión  
n
%
n
%
n
%
Frecuencia  
de uso de IA  
Finalidad  
académica  
de IA  
Producción  
académica  
con IA  
6
5,41  
32  
28,83  
73  
65,77  
6
6
5,41  
5,41  
13  
7
11,71  
6,31  
92  
98  
82,88  
88,29  
Pensamiento  
crítico ante  
IA  
Uso ético de  
IA  
Tabla  
6.  
Dimensiones  
del  
Media  
aprendizaje  
4
4
3,60  
3,60  
9
8
8,11  
7,21  
98  
99  
88,29  
89,19  
autónomo.  
Dimensión  
Ítems  
AA1,  
n
DE  
Nivel  
Fuente: Elaboración propia.  
Autorregulación  
Planificación  
AA2,  
AA3  
AA4,  
AA5,  
AA6  
AA7,  
AA8,  
AA9  
AA10,  
AA11,  
AA12  
AA13,  
AA14,  
AA15  
111  
111  
111  
111  
111  
4,19  
4,24  
4,31  
4,33  
4,40  
0,75  
Alto  
0,73  
0,68  
0,71  
0,72  
Alto  
Alto  
Alto  
Alto  
Gestión de  
información  
Metacognición  
Responsabilidad  
académica  
Fuente: Elaboración propia.  
Figura 4. DimensióndelUsodelaIA.  
Fuente: Elaboración propia.  
Las dimensiones que concentran los mayores  
porcentajes en los niveles altos son el uso ético  
de la IA 89.19%, continuando con pensamiento  
crítico ante la IA y la producción académica,  
estas con un 88.29%. En cambio, la frecuencia  
de uso presenta la proporción más baja dentro del  
nivel alto 65.77% y mayor concentración en el  
Figura 3. DimensióndelAprendizajeautónomo.  
Página 392  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
nivel medio 28.83%. A su vez, los niveles de uso  
académica es un rasgo fuertemente instalado en  
la muestra analizada. Los coeficientes Alfa de  
Cronbach fueron 0.952 para la escala de uso de  
inteligencia artificial, 0.953 para la escala de  
bajo resultan prácticamente marginales en todas  
las áreas, ubicándose a penas entre el 3.60% y el  
5.41%. Los resultados evidencian que la  
integración de la inteligencian artificial en el  
ámbito académico. Los participantes no la usan  
de manera indiscriminada, sino con alto nivel  
responsable, ética y pensamiento crítico. Por  
consiguiente, lejos de amenazar la integridad  
académica, la IA representa una herramienta  
asimilada de una forma plenamente consciente y  
competente.  
aprendizaje  
autónomo  
y
0.967  
para  
el  
instrumento total. Todos los valores se  
encuentran ampliamente por encima del punto de  
corte de 0.70, por lo que la consistencia interna  
del instrumento puede considerarse excelente.  
Esto otorga solidez metodológica a los  
resultados, reduce el error de medición y  
respalda la estabilidad de las inferencias  
estadísticas derivadas del estudio.  
Tabla  
aprendizaje autónomo.  
8.  
Distribución  
por  
Medi  
niveles  
de  
Alto  
%
90,9  
9
92,7  
9
95,5  
0
Tabla 9. Confiabilidad del instrumento.  
Baj  
o n  
Baj  
o %  
Medi  
o n  
Alt  
o n  
Escala /  
dimensión  
Alfa de  
Cronbach  
Dimensión  
Ítems  
Interpretación  
o %  
Autorregulació  
n
Uso de inteligencia  
artificial  
4
4
3
3
3
3,60  
3,60  
2,70  
2,70  
2,70  
6
4
2
3
2
5,41  
101  
103  
106  
105  
106  
15  
0,95  
0,95  
0,97  
Excelente  
Aprendizaje  
autónomo  
Planificación  
3,60  
1,80  
2,70  
1,80  
15  
Excelente  
Gestión de  
información  
Instrumento total  
30  
Excelente  
94,5  
9
95,5  
0
Fuente: Elaboración propia.  
Metacognición  
Responsabilida  
d académica  
Fuente: Elaboración propia.  
Figura 6. Confiabilidaddelinstrumento.  
Fuente: Elaboración propia.  
Figura 5. Dimensióndelaprendizajeautónomo.  
Tabla  
10.  
Correlación  
general  
entre  
inteligencia artificial y aprendizaje autónomo.  
Fuente: Elaboración propia.  
Rho de  
Relación  
n
p
Significativa  
Spearman  
La distribución porcentual profundiza esta  
interpretación. En autorregulación, el 90.99% se  
situó en nivel alto; en planificación, el 92.79%;  
en gestión de información, el 95.50%; en  
metacognición, el 94.59%; y en responsabilidad  
académica, el 95.50%. La concentración de  
respuestas altas por encima del 90 % en todas las  
dimensiones permite concluir que la autonomía  
Uso de IA ↔  
Aprendizaje  
autónomo  
<
.001  
111  
0,40  
Sí  
Fuente: Elaboración propia.  
La correlación de Spearman entre uso de  
inteligencia artificial y aprendizaje autónomo fue  
rho = 0.404, con p < .001. Este coeficiente  
evidencia una relación positiva, moderada y  
Página 393  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
estadísticamente  
significativa  
entre  
ambas  
La tabla muestra asociaciones positivas entre las  
dimensiones del uso de IA y del aprendizaje  
autónomo. Las correlaciones más altas se  
observan en el uso ético de IA con  
autorregulación (rho = 0.43) y en pensamiento  
crítico ante IA con autorregulación (rho = 0.42).  
En conjunto, los coeficientes se ubican entre  
intensidad baja y moderada, por lo que deben  
variables. Sustantivamente, esto significa que, a  
medida que aumenta el nivel de uso académico  
de la inteligencia artificial, tienden también a  
incrementarse los niveles de aprendizaje  
autónomo.  
La  
magnitud  
moderada  
del  
coeficiente indica que la IA no explica por sí sola  
la autonomía del estudiante, pero sí constituye un  
factor relevante dentro del ecosistema de  
aprendizaje.  
interpretarse  
como  
relaciones  
estadísticas  
relevantes, pero no causales.  
Tabla 13. Matriz numérica para interpretación  
visual.  
Gesti  
Planif ón de  
Respon  
sabilid  
ad  
académ  
ica  
Autorr  
egulaci  
ón  
Metac  
ognici  
ón  
Dimensiones  
del uso de IA  
icació  
n
infor  
maci  
ón  
Frecuencia de  
uso de IA  
Finalidad  
académica de  
IA  
0,19  
0,23  
0,20  
0,41  
0,16  
0,16  
0,28  
0,20  
0,15  
0,15  
Producción  
académica  
con IA  
Pensamiento  
crítico ante  
IA  
0,32  
0,38  
0,22  
0,19  
0,16  
Figura  
7.  
Correlación  
general  
entre  
inteligencia artificial y aprendizaje autónomo.  
0,42  
0,43  
0,40  
0,39  
0,27  
0,31  
0,16  
0,34  
0,19  
0,22  
Uso ético de  
IA  
Fuente: Elaboración propia.  
Fuente: Elaboración propia.  
Tabla 11. Matriz de correlaciones de Spearman  
entre dimensiones del uso de inteligencia  
artificial y del aprendizaje autónomo.  
Gesti  
Respon  
sabilid  
ad  
Autorr  
egulaci  
ón  
Planif ón de  
Metac  
ognici  
ón  
Dimensiones  
del uso de IA  
icació  
n
infor  
maci  
ón  
académ  
ica  
Frecuencia de  
uso de IA  
Finalidad  
académica de  
IA  
0.19*  
0.23*  
0.20*  
0.16  
0.16  
0.20*  
0.41*  
**  
0.15  
0.28**  
0.15  
Producción  
académica  
con IA  
Pensamiento  
crítico ante  
IA  
0.38*  
**  
0.32***  
0.22*  
0.19*  
0.16  
0.16  
Figura 8. Representación gráfica tipo mapa de  
calor.  
0.40*  
**  
0.27*  
*
0.42***  
0.43***  
0.19*  
0.22*  
Uso ético de  
IA  
0.39*  
**  
0.31*  
**  
0.34**  
*
Fuente: Elaboración propia.  
Fuente: Elaboración propia.  
La matriz de correlaciones entre dimensiones  
permite un análisis más fino de los vínculos  
específicos entre componentes de ambas  
variables. La asociación más alta se observó  
entre “Uso ético de IA” y “Autorregulación” (rho  
Tabla 12. Leyenda de significancia.  
*
**  
p < .05  
p < .01  
p < .001  
rho de Spearman  
***  
Coeficiente  
Fuente: Elaboración propia.  
Página 394  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
= 0.43), lo que sugiere que determinados usos de  
no abusan de la IA, si la frecuencia de uso es  
media, pero el pensamiento crítico y uso ético  
alcanzan valores altos. El modelo es claro, no  
la IA se articulan con dimensiones particulares  
de la autonomía. Este tipo de evidencia es  
especialmente útil para la discusión, porque  
permite trascender la correlación global e  
identificar qué componentes muestran mayor  
capacidad explicativa o asociación práctica. En  
conjunto, el análisis de los datos posibilita  
extraer informaciones claves, tanto del plano  
estadístico como interpretativo. En primer lugar,  
buscan  
atajos  
mediante  
herramientas  
automáticas, con lo que se puede mencionar que  
buscan herramientas que piensen consigo  
mismos. El aprendizaje autónomo en la muestra  
es muy sólido, todas sus dimensiones,  
autorregulación,  
planificación,  
gestión de  
información, metacognición, responsabilidad  
académica, alcanzaron un nivel alto, con un  
valor de más de 90% en las categorías  
favorables. En ese sentido, los resultados  
ambas  
variables  
muestran  
valoraciones  
favorables en la muestra, resaltando el  
aprendizaje autónomo por encima del uso de la  
inteligencia artificial. En segundo lugar, el uso  
de la IA se identifica más por su dimensión  
cualitativa, el pensamiento crítico, la ética y el  
respaldo a la producción académica que por la  
mera frecuencia con la que se emplea. en tercer  
lugar, el aprendizaje autónomo exhibe una  
evidencian  
altos  
niveles  
de  
aprendizaje  
autónomo. Las correlaciones más altas vinculan  
uso ético de IA y pensamiento crítico ante IA  
con autorregulación. En ese sentido, esto  
muestra algo, cuando los estudiantes actúan con  
la ética y reflexión sobre la IA, es exactamente  
entonces cuando mejor controlan su propio  
aprendizaje. La confiabilidad del instrumento  
fue muy buena, lo que validad tanto estos  
resultados como el mismo diseño para las  
solidez  
interna  
notable,  
con  
una  
alta  
concentración en respuesta en nivel superior en  
todas sus dimensiones. Por último, la correlación  
positiva y significativa demuestran que la IA  
cuando se utiliza con un enfoque académico,  
puede convertirse en un recurso que impulse la  
próximas  
similares.  
investigaciones  
en  
contextos  
autonomía  
estudiantil,  
siempre  
que  
su  
Pedernales es un cantón con dificultades  
económicas y acceso tecnológico desigual. No  
obstante, la investigación muestra que los  
estudiantes integran la IA de forma reflexiva. Es  
decir, que esto desafía un supuesto común en la  
literatura regional en las cuales se menciona que  
la brecha digital cierra automáticamente las  
puertas a usos responsables de la tecnología.  
Para la formación docente inicial, el dato es  
convincente, los futuros educadores aprenden a  
usar la IA con criterio ético hoy, los cuales  
enseñaran a sus propios estudiantes a hacer lo  
mismo mañana. Sin esa formación critica ahora  
los ciclos de incorporación tecnológica seguirán  
integración este guiada por el rigor crítico, la  
ética y la responsabilidad formativa.  
Conclusiones  
El presente estudio muestra una relación  
positiva y significativa entre como los  
estudiantes perciben y usan la inteligencia  
artificial, y su desarrollo en el aprendizaje  
autónomo. La IA correlaciona de forma  
moderada con la autonomía académica, lo  
relevante aquí la correlación no implica que la  
inteligencia artificial por sí misma constituye  
autonomía. Más bien, cuando los estudiantes la  
usan con pensamiento crítico y reflexión ética,  
en ese sentido, esa herramienta refuerza las  
repitiéndose.  
Finalmente,  
la  
inteligencia  
habilidades  
autónomas  
que  
ya  
están  
artificial no es ni enemiga ni salvadora de la  
autonomía estudiantil, todo depende de cómo  
desarrollando. Se muestra que los estudiantes  
Página 395  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
ingrese al currículo, el acompañamiento que la  
https://doi.org/10.53897/REVESCC.2025.4.  
09  
rodea y que principios éticos la guíen. La  
presente investigación demuestra que cuando  
esa integración es deliberada y reflexiva, las  
herramientas refuerzan la autonomía.  
Del Cisne, M., Romero, J., Sancho, D., &  
Romero, A. (2024). Consecuencias de la  
dependencia de la inteligencia artificial en  
habilidades críticas y aprendizaje autónomo  
en los estudiantes. Ciencia Latina Revista  
Científica Multidisciplinar, 8(2), 2368–2382.  
https://doi.org/10.37811/cl_rcm.v8i2.10678  
Domingo, M., Bosco, A., Segovia, S., & Valero,  
J. (2020). Fomentando la competencia digital  
docente en la universidad: Percepción de  
Referencias Bibliográficas  
Aparicio-Gómez, W. (2023). La inteligencia  
artificial y su incidencia en la educación:  
Transformando el aprendizaje para el siglo  
XXI. Revista Internacional de Pedagogía e  
Innovación  
Educativa,  
3(2),  
217–229.  
https://doi.org/10.51660/ripie.v3i2.133  
Bayas, L. (2024). El impacto de la inteligencia  
artificial en la limitación del desarrollo del  
pensamiento lógico y crítico en estudiantes  
estudiantes  
y
docentes.  
Revista  
de  
Investigación Educativa, 38(1), 167–182.  
https://doi.org/10.6018/RIE.340551  
Duarte, D., & Guerrero, R. (2024). La encuesta  
como instrumento de recolección de datos,  
confiabilidad y validez en investigación  
científica. Revista de Ciencias Empresariales,  
Tributarias, Comerciales y Administrativas,  
universitarios.  
Multidisciplinario,  
Suplemento  
8(18),  
CICA  
6–39.  
https://doi.org/10.56124/scicam.v8i018.001  
Bernal, J., Herrera, R., Inca, F., Yánez, M., &  
Casanova, P. (2025). Innovación pedagógica  
con inteligencia artificial en la educación  
básica superior en Ecuador: Potencial y  
desafíos. Arandu UTIC, 12(1), 2042–2059.  
https://doi.org/10.69639/ARANDU.V12I1.7  
25  
Caballero, J., Chavez, E., Lopez, M., Inciso, E.,  
& Méndez, J. (2023). El aprendizaje  
autónomo en educación superior: Revisión  
sistemática. Salud, Ciencia y Tecnología, 3,  
391.  
3(2),  
94–107.  
https://educaciontributaria.com.py/revista/in  
dex.php/rcetca/article/view/70  
Fajardo, G., Ayala, D., Arroba, E., & López, M.  
(2023). Inteligencia artificial y la educación  
universitaria:  
Una  
revisión  
sistemática.  
Revista Magazine de las Ciencias, 8(1), e-  
2345.  
https://doi.org/10.33262/rmc.v8i1.2935  
Ferrando, P., Morales, F., Casas, J., & Muñiz, J.  
(2025). Likert scales: A practical guide to  
design, construction and use. Psicothema,  
https://doi.org/10.56294/saludcyt2023391  
Caicedo, H., Tituaña, G., Pelaéz, M., Ortiz, L.,  
& Inga, C. (2025). Aprendizaje autónomo y  
digital en estudiantes universitarios: Desafíos  
y oportunidades. Innova Science Journal,  
37(4),  
1–15.  
https://doi.org/10.70478/PSICOTHEMA.20  
25.37.24  
Hernández, R. (2021). Metodología de la  
3(3),  
696–706.  
investigación:  
cualitativa  
Las  
rutas  
y
cuantitativa,  
mixta.  
https://doi.org/10.63618/omd/isj/v3/n3/113  
Caluori, L. (2024). Hey Alexa, why are you  
called intelligent? An empirical investigation  
on definitions of AI. AI & Society, 39, 1905–  
http://www.biblioteca.cij.gob.mx/archivos/m  
ateriales_de_consulta/drogas_de_abuso/artic  
ulos/sampierilasrutas.pdf  
1919.  
https://doi.org/10.1007/s00146-023-  
Loor, T., Loor, T., Peña, I., Bazurto, K., & Paz,  
M. (2026). La inteligencia artificial en el  
aprendizaje: Caso estudiantes de la carrera de  
mercadotecnia 2025. INNOVA Research  
01643-y  
Cruz, P. (2025). El camino de la investigación:  
Enfoques cuantitativos, cualitativos y mixtos  
en el método científico. Estudios sobre las  
Culturas Contemporáneas, 2(4), 195–199.  
Journal,  
11(1  
especial),  
59–73.  
https://doi.org/10.33890/innova.v11.n1.espe  
cial.2026.2871  
Página 396  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Menacho, M., Pizarro, L., Osorio, J., Osorio, J.,  
& León, B. (2024). Inteligencia artificial  
como herramienta en el aprendizaje  
autónomo de los estudiantes de educación  
superior. Zenodo.  
UNESCO. (2022). Recomendación sobre la  
ética de la inteligencia artificial. UNESCO.  
https://unesdoc.unesco.org/ark:/48223/pf000  
0381137_spa  
Esta obra está bajo una licencia de  
Creative Commons Reconocimiento-No Comercial  
4.0 Internacional. Copyright © Franklin Antonio  
Bernal Moreira, David Antonio Delgado Santillan.  
https://doi.org/10.5281/ZENODO.10693945  
Morillo, I. (2022). Inteligencia emocional y  
rendimiento  
correlacional. RECIE. Revista Caribeña de  
Investigación Educativa, 6(1), 73–90.  
académico:  
Un  
enfoque  
https://doi.org/10.32541/RECIE.2022.V6I1.  
PP73-90  
Pillpe, G., Soledad, K., & Inca, M. (2024).  
Análisis bibliométrico: Inteligencia artificial  
en la educación superior desde Web of  
Science y Scopus 2020–2024. Revista  
Veritas et Scientia - UPT, 13(1), 29–36.  
https://doi.org/10.47796/VES.V13I01.962  
Pinargote, M., Solorzano, C., Ruilova, N., &  
Bulgarín, R. (2024). Inteligencia artificial en  
el contexto de la formación docente.  
RECIAMUC,  
7(4),  
153–161.  
https://doi.org/10.26820/reciamuc/7.(4).oct.2  
023.153-161  
Rondon, R., Pacotaipe, R., Alarcón, E., &  
Yepez, P. (2024). El impacto de la  
inteligencia artificial  
en la  
formación  
docente. Revista Docentes 2.0, 17(2), 368–  
375. https://doi.org/10.37843/rted.v17i2.566  
Russell, S., & Norvig, P. (2021). Artificial  
intelligence: A modern approach (4.ª ed.).  
Pearson. https://aima.cs.berkeley.edu  
Sánchez, J., Izquierdo, V., del Moral, M., &  
Martínez, F. (2025). Generative artificial  
intelligence for self-learning in higher  
education: Design and validation of an  
example  
Iberoamericana de Educación a Distancia,  
28(1), 59–81.  
machine.  
RIED-Revista  
https://doi.org/10.5944/RIED.28.1.41548  
Sembrera, Y., & Núñez, C. (2023). Estrategias  
cognitivas y metacognitivas para el desarrollo  
de capacidades en el área de matemática en  
los niños y niñas del quinto grado de primaria  
de la Institución Educativa N.° 16139  
Sallique–Jaén–Perú.  
Pakamuros,  
Revista  
Científica  
1(2).  
https://doi.org/10.37787/E3ZEFP65  
Página 397  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Declaraciones éticas y editoriales del artículo  
Contribución de los autores (Taxonomía CRediT)  
Franklin Antonio Bernal Moreira: 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.  
David Antonio Delgado Santillan: Curación y organización de los datos, validación de los resultados obtenidos y elaboración de representaciones  
gráficas y visualización de los datos, apoyo en la administración del proyecto investigativo y revisión editorial del manuscrito antes de su  
publicación.  
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.  
Página 398