GOBERNANZA DE INTELIGENCIA ARTIFICIAL EN LA GESTIÓN EDUCATIVA:
DIAGNÓSTICO Y MODELO ESTRATÉGICO EN EDUCACIÓN BÁSICA Y
BACHILLERATO

ARTIFICIAL INTELLIGENCE GOVERNANCE IN EDUCATIONAL MANAGEMENT:
DIAGNOSIS AND A STRATEGIC MODEL FOR BASIC AND UPPER SECONDARY
EDUCATION

Autores:
1
Christian Rodrigo Viscaino Alarcón y
2
David Antonio Delgado Santillan.

1
ORCID ID:
https://orcid.org/0009-0000-1108-1983

2
ORCID ID:
https://orcid.org/0009-0009-0980-8341

¹E-mail de contacto:
ddelgados2@unemi.edu.ec

²E-mail de contacto:
ddelgados2@unemi.edu.ec

Artículo recibido: 1 de septiembre de 2026.

Artículo revisado: 3 de septiembre de 2026.

Artículo aprobado: 3 de septiembre de 2026.

Afiliación:
1*2*
Facultad de Posgrados, Escuela de Educación, Maestría en Gestión Educativa con mención en Organización,
Dirección e Innovación de los Centros Educativos, Universidad Estatal de Milagro, (Ecuador).

1
Ingeniero en Gestión Empresarial, graduado de la Universidad Metropolitana, (Ecuador). Magíster en Seguridad Industrial
con mención en Prevención de Riesgos Laborales, graduado de la Universidad Nacional de Chimborazo, (Ecuador).

2
Licenciado
en
Ciencias
de
la
Educación,
mención
Educación
Básica,
egresado
de
la Universidad
Estatal
de
Milagro,
(Ecuador). Magíster en Educación, mención Educación Básica, graduado de la Universidad Estatal de Milagro, (Ecuador).

Resumen

La incorporación de inteligencia artificial (IA)
en la gestión educativa amplía las posibilidades
de
automatización,
análisis
y
apoyo
a
decisiones,
pero
exige
mecanismos
de
gobernanza
que
regulen
su
uso,
protejan
los
datos y aseguren responsabilidad y supervisión
humana.
El
objetivo
fue
diagnosticar
las
condiciones
institucionales
de
gobernanza
de
IA y diseñar un modelo estratégico para orientar
los
procesos
académicos
y
administrativos
en
Educación Básica y Bachillerato. Se desarrolló
un
estudio
no
experimental,
transversal
y
descriptivo-propositivo,
con
censo
de
44
participantes: 34 académicos, 7 administrativos
y 3 directivos. Se aplicó un cuestionario de 30
ítems en siete dimensiones, con escala Likert de
cinco puntos. La tasa de respuesta fue del 100%
y
no
se
registraron
datos
perdidos.
La
escala
total mostró consistencia interna excelente (α =
.94). El promedio global fue 3.83 (DE = 0.64);
la dimensión mejor valorada fue integración en
procesos
académicos
y
administrativos
(M
=
4.43;
DE = 0.65), seguida de adopción
y uso
institucional
(M
=
4.04;
DE
=
0.86).
Las
valoraciones
más
bajas
correspondieron
a
gestión de riesgos, monitoreo y mejora continua
(M = 3.59; DE = 0.97) y dirección y gobernanza
estratégica (M = 3.68; DE = 0.78). Además, el
81.8%
indicó
no
haber
recibido
capacitación
formal en IA durante los últimos 12 meses. Los
hallazgos
evidencian
una
brecha
entre
la
disposición para integrar IA y la formalización
de
políticas,
responsabilidades,
controles
y
mecanismos
de
seguimiento.
A
partir
del
diagnóstico
se
propone
un
modelo
de
siete
componentes
orientado
a
institucionalizar
un
uso responsable, verificable y sostenible de la
IA.

Palabras clave: Gobernanza de inteligencia
artificial,
Gestión
educativa,
Inteligencia
artificial,
Gestión
de
riesgos,
Protección
de
datos, Innovación educativa.

Abstract

The incorporation of artificial intelligence (AI)
into
educational
management
expands
opportunities
for
automation,
analysis,
and
decision support, but it also requires governance
mechanisms to regulate its use, protect data, and
ensure
accountability
and
human
oversight.
This
study
aimed
to
diagnose
institutional
conditions
for
AI
governance
and
design
a
strategic
model
to
guide
academic
and
administrative
processes
in
Basic
and
Upper
Secondary
Education.
A
non-experimental,
cross-sectional, descriptive-propositional study
was
conducted
using
a
census
of
44
participants: 34 academic staff, 7 administrative
staff, and 3 managers. A 30-item questionnaire
covering
seven
dimensions
and
a
five-point
Likert
scale
was
administered.
The
response

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 388

rate was 100%, with no missing data. The total
scale showed excellent internal consistency (α
= .94). The overall mean was 3.83 (SD = 0.64).
The
highest-rated
dimension
was
integration
into academic and administrative processes (M
=
4.43;
SD
=
0.65),
followed
by
institutional
adoption and use (M = 4.04; SD = 0.86). The
lowest
scores
were
observed
for
risk
management,
monitoring,
and
continuous
improvement
(M
=
3.59;
SD
=
0.97)
and
strategic direction and governance (M = 3.68;
SD
=
0.78).
In
addition,
81.8%
reported
no
formal
AI
training
during
the
previous
12
months.
The
findings
reveal
a
gap
between
readiness to integrate AI and the formalization
of
policies,
responsibilities,
controls,
and
monitoring
mechanisms.
Based
on
the
diagnosis,
a
seven-component
model
is
proposed
to
institutionalize
responsible,
traceable, and sustainable AI use.

Keywords:
Artificial
intelligence
governance,
Educational
management,
Artificial
intelligence,
Risk
management,
Data protection, Educational innovation.

Sumário

A incorporação da inteligência artificial (IA) à
gestão educacional amplia as possibilidades de
automação,
análise
e
apoio
à
tomada
de
decisões,
mas
requer
mecanismos
de
governança que regulem seu uso, protejam os
dados
e
assegurem
responsabilidade
e
supervisão humana. O objetivo foi diagnosticar
as condições institucionais de governança da IA
e
desenvolver
um
modelo
estratégico
para
orientar
os
processos
acadêmicos
e
administrativos
na
Educação
Básica
e
no
Ensino
Médio.
Foi
realizado
um
estudo
não
experimental,
transversal
e
descritivo-
propositivo, com censo de 44 participantes: 34
profissionais acadêmicos, 7 administrativos e 3
gestores.
Aplicou-se
um
questionário
de
30
itens
distribuídos
em
sete
dimensões,
com
escala
Likert
de
cinco
pontos.
A
taxa
de
resposta foi de 100%, sem
dados ausentes. A
escala
total
apresentou
excelente
consistência
interna (α = .94). A média global foi 3.83 (DP =
0.64);
a
dimensão
mais
bem
avaliada
foi
integração
aos
processos
acadêmicos
e
administrativos (M = 4.43; DP = 0.65), seguida
de adoção e uso institucional (M = 4.04; DP =
0.86). As menores avaliações corresponderam à
gestão
de
riscos,
monitoramento
e
melhoria
contínua
(M
=
3.59;
DP
=
0.97)
e
direção
e
governança estratégica (M = 3.68; DP = 0.78).
Além
disso,
81.8%
relatou
não
ter
recebido
formação formal em IA nos últimos 12 meses.
Os
resultados
evidenciam
uma
lacuna
entre
a
disposição para integrar IA e a formalização de
políticas,
responsabilidades,
controles
e
mecanismos de monitoramento. Com
base no
diagnóstico,
propõe-se
um
modelo
de
sete
componentes
para
institucionalizar
um
uso
responsável, rastreável e sustentável da IA.

Palavras-chave: Governança de inteligência
artificial,
Gestão
educacional,
Inteligência
artificial,
Gestão
de
riscos,
Proteção
de
dados, Inovação educacional.

Introducción

La inteligencia artificial (IA) se ha convertido
en uno de los componentes más dinámicos de la
transformación
digital
contemporánea.
En
educación,
su
expansión
ya
no
se
limita
a
sistemas tutoriales o aplicaciones pedagógicas:
también alcanza la planificación, la evaluación,
la gestión documental, la analítica institucional
y el apoyo a la toma de decisiones. La revisión
de
Wang
et
al.
(2024)
basada
en
una
amplia
producción
científica
sobre
inteligencia
artificial
en
educación,
muestra
que
las
aplicaciones
abarcan
aprendizaje
adaptativo,
evaluación
inteligente,
predicción,
gestión
y
productos emergentes. Este crecimiento amplía
las capacidades institucionales, pero al mismo
tiempo obliga a examinar cómo se gobiernan las
tecnologías
que
intervienen
en
procesos
sensibles. En Educación Básica y Bachillerato,
la
discusión
adquiere
características
particulares.
Las
instituciones
trabajan
con
población
menor
de
edad,
información
académica y datos personales cuya protección

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 389

requiere
mayor
cautela.
La
literatura
K-12
confirma un aumento sostenido de experiencias
vinculadas con IA, alfabetización tecnológica y
nuevas
estrategias
de
enseñanza,
aunque
también evidencia la necesidad de fortalecer el
diseño institucional, la formación y la reflexión
ética (Zhang y Aslan, 2024; Liu y Zhong, 2024;
Su et al., 2024). Por tanto, la incorporación de
IA
no
puede
evaluarse
únicamente
por
su
disponibilidad o facilidad de uso, sino por las
condiciones
bajo
las
cuales
la
institución
autoriza, supervisa y revisa su utilización.

El auge de la inteligencia artificial generativa
profundizó este problema. Los grandes modelos
de
lenguaje
pueden
apoyar
la
producción
de
contenidos,
la
retroalimentación,
el
procesamiento
de
información
y
tareas
administrativas,
pero
sus
resultados
pueden
incluir
errores,
sesgos
y
afirmaciones
no
verificadas. Kasneci et al. (2023) sostienen que
sus oportunidades educativas deben analizarse
junto con riesgos de confiabilidad, privacidad e
integridad. Desde una perspectiva más amplia,
Mouta
et
al.
(2024)
identifican
vacíos
éticos
persistentes
en
la
investigación
sobre
IA
educativa,
mientras
que
Akgun
y
Greenhow
(2025) señalan que las políticas éticas dirigidas
específicamente
a
niños
y
contextos
K-12
se
han
desarrollado
con
menor
rapidez
que
la
adopción tecnológica.

Los
marcos
internacionales
coinciden
en
que
una integración responsable requiere principios
y
mecanismos
institucionales.
La
Recomendación sobre la Ética de la Inteligencia
Artificial
de
la
UNESCO
(2021)
enfatiza
derechos
humanos,
privacidad,
equidad,
transparencia,
responsabilidad
y
supervisión
humana.
En
el
ámbito
educativo,
An
et
al.
(2024) muestran que las preocupaciones de los
usuarios requieren marcos éticos más inclusivos
y
orientaciones
aplicables
a
la
práctica.
A
su
vez,
el
marco
de
competencias
para
docentes
plantea
quince
competencias
organizadas
en
cinco dimensiones: enfoque centrado en el ser
humano, ética, fundamentos y aplicaciones de
IA, pedagogía y aprendizaje profesional (Miao
y Cukurova, 2024).

La
gobernanza
de
IA
permite
trasladar
esos
principios
a
decisiones
organizacionales
concretas. El AI Risk Management Framework
del
National
Institute
of
Standards
and
Technology
plantea
las
funciones
gobernar,
mapear, medir y gestionar como componentes
articulados de una gestión continua del riesgo
(Tabassi,
2023).
De
forma
complementaria,
ISO/IEC 42001:2023 estructura un sistema de
gestión para organizaciones que desarrollan o
utilizan
IA,
vinculando
política,
objetivos,
riesgos,
responsabilidades
y
mejora
continua.
Aunque
estos
marcos
no
fueron
diseñados
exclusivamente
para
escuelas,
proporcionan
criterios
que
pueden
adaptarse
a
la
gestión
educativa.

En la literatura especializada existe un consenso
creciente
respecto
de
la
necesidad
de
superar
una visión meramente instrumental. Nguyen et
al.
(2023)
muestran
que
la
ética
de
la
IA
educativa requiere principios contextualizados
y no soluciones uniformes. Mouta et al. (2024)
advierten
que
ciertos
aspectos
éticos
permanecen insuficientemente abordados en la
práctica
educativa.
Asimismo,
revisiones
recientes sobre prácticas responsables subrayan
la
centralidad
de
la
agencia
humana,
la
transparencia,
la
equidad,
la
privacidad
y
la
rendición de cuentas. Esto refuerza la idea de
que
la
gobernanza
debe
comprender
tanto
el
ciclo
de
adopción
tecnológica
como
las
capacidades
humanas
y
organizacionales
que
permiten supervisarlo.

A pesar de estos avances, se observa una brecha
entre los principios generales de IA responsable
y
su
operacionalización
en
instituciones
escolares.
Gran
parte
de
la
investigación
se
concentra en usos pedagógicos, alfabetización

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 390

en IA o efectos sobre el aprendizaje; son menos
frecuentes los estudios que integran liderazgo,
políticas,
responsabilidades,
gobernanza
de
datos, formación, gestión de riesgos, monitoreo
y mejora continua dentro de un mismo modelo
aplicable
a
Educación
Básica
y
Bachillerato.
Esta brecha es relevante para instituciones que
ya utilizan o consideran utilizar herramientas de
IA
en
procesos
académicos
y
administrativos
sin
contar
necesariamente
con
estructuras
formales de gobernanza.

El problema de investigación se delimita en la
coexistencia
de
una
adopción
creciente
de
herramientas
de
IA
con
mecanismos
institucionales
de
gobernanza
todavía
heterogéneos.
En
consecuencia,
la
pregunta
central fue: ¿qué condiciones de gobernanza de
la inteligencia artificial presentan los procesos
académicos y administrativos de una institución
de
Educación
Básica
y
Bachillerato
y
qué
componentes
debe
integrar
un
modelo
estratégico
para
fortalecer
su
institucionalización
responsable?
La
pregunta
evita atribuir causalidad a un diseño transversal
y
orienta
el
estudio
hacia
el
diagnóstico
y
la
construcción propositiva.

El
estudio
se
justifica
por
su
aporte
teórico,
metodológico y práctico. Teóricamente, integra
literatura
de
IA
educativa
con
marcos
de
gobernanza, ética y riesgo. Metodológicamente,
combina
un
diagnóstico
cuantitativo
con
análisis
cualitativo-documental
y
validación
experta.
En
el
plano
práctico,
busca
traducir
principios generales en acciones, responsables,
controles,
indicadores
y
mecanismos
de
seguimiento
que
puedan
ser
utilizados
por
instituciones
escolares.
Su
pertinencia
se
vincula con la necesidad de que la innovación
tecnológica no avance separada de la protección
de
datos,
la
supervisión
humana
y
la
responsabilidad
institucional.
El
objetivo
general
fue
diagnosticar
las
condiciones
institucionales de gobernanza de la inteligencia
artificial
y,
a
partir
de
la
evidencia
obtenida,
diseñar un modelo estratégico para orientar los
procesos
académicos
y
administrativos
en
Educación
Básica
y
Bachillerato.
Como
objetivos específicos se plantearon: caracterizar
el
nivel
de
adopción,
uso,
formación
y
percepción institucional sobre IA; analizar las
dimensiones
de
dirección,
ética,
datos,
capacidades, integración y gestión de riesgos;
identificar brechas prioritarias por dimensión y
área de desempeño; y estructurar un modelo de
gobernanza
con
políticas,
roles,
controles,
indicadores y mecanismos de mejora continua.

La
IA
puede
entenderse
como
un
campo
orientado al desarrollo de sistemas capaces de
realizar
tareas
asociadas
con
percepción,
razonamiento,
aprendizaje,
generación
de
contenidos y apoyo a decisiones. En el contexto
educativo, su evolución reciente ha desplazado
el
foco
desde
aplicaciones
aisladas
hacia
ecosistemas
de
herramientas
que
interactúan
con estudiantes, docentes, directivos y procesos
administrativos. Wang et al. (2024) identifican
una
literatura
multidisciplinaria
en
la
que
conviven
aplicaciones
de
personalización,
evaluación,
predicción,
gestión
y
automatización.

En
K-12,
Zhang
y
Aslan
(2024)
revisaron
investigaciones publicadas entre 2017 y 2022 y
encontraron
diversidad
de
aplicaciones,
incluidos tutores inteligentes, chatbots, juegos
educativos,
robótica
y
herramientas
de
construcción
de
modelos.
Su
et
al.
(2024)
muestran
que
la
educación
en
IA
favorece
alfabetización,
resolución
de
problemas
y
reflexión
ética.
Liu
y
Zhong
(2024),
por
su
parte, destacan que el diseño pedagógico y la
preparación docente continúan siendo áreas que
requieren desarrollo. Estos antecedentes revelan
que la expansión tecnológica debe acompañarse
de capacidades institucionales y reglas de uso.
La gobernanza de IA se refiere al conjunto de
principios,
políticas,
estructuras
de
decisión,

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 391

responsabilidades,
procedimientos
y
controles
mediante los cuales una organización dirige y
supervisa
el
uso
de
sistemas
de
IA.
En
educación,
este
concepto
resulta
útil
porque
permite pasar de declaraciones éticas generales
a decisiones verificables:
qué herramientas se
autorizan,
qué
datos
pueden
utilizarse,
quién
responde
por
sus
resultados,
cuándo
se
exige
revisión
humana
y
cómo
se
gestionan
incidentes.

UNESCO
(2021)
proporciona
una
base
normativa
internacional
centrada
en
derechos
humanos,
proporcionalidad,
seguridad,
equidad,
privacidad,
transparencia
y
responsabilidad. Nguyen et al. (2023) sintetizan
principios éticos para IA educativa y sostienen
que la gobernanza debe considerar el contexto
de aplicación.
Mouta et
al.
(2024) evidencian
que
los
marcos
éticos
no
siempre
cubren
de
manera suficiente los problemas que emergen
en
la
práctica
educativa.
En
K-12,
Akgun
y
Greenhow
(2025)
subrayan
la
necesidad
de
políticas
específicas
que
consideren
las
características de niños y adolescentes.

Los datos constituyen un componente central de
los sistemas de IA y, al mismo tiempo, una de
sus
principales
fuentes
de
riesgo.
Las
instituciones
educativas
administran
información
personal,
académica
y
administrativa
cuya
utilización
en
servicios
externos
puede
generar
problemas
de
confidencialidad,
trazabilidad,
finalidad
y
control.
Por
ello,
la
gobernanza
debe
incluir
minimización
de
datos,
control
de
acceso,
evaluación previa de herramientas, registro de
usos
relevantes
y
criterios
para
evitar
la
exposición de información sensible. El NIST AI
RMF
1.0
propone
gestionar
los
riesgos
de
manera
continua
mediante
las
funciones
gobernar, mapear, medir y gestionar (Tabassi,
2023). ISO/IEC 42001:2023 complementa este
enfoque
con
un
sistema
organizacional
de
gestión
de
IA
basado
en
políticas,
responsabilidades,
evaluación
de
riesgos
y
mejora continua. Para el presente estudio, estos
marcos aportan criterios que pueden traducirse
al entorno escolar sin asumir que una institución
educativa debe reproducir literalmente modelos
diseñados para otros sectores.

La gobernanza no depende exclusivamente de
documentos
normativos;
requiere
personas
capaces
de
interpretar,
aplicar
y
revisar
esos
lineamientos.
El
marco
de
competencias
para
docentes
de
la
UNESCO
plantea
un
enfoque
centrado
en
el
ser
humano
y
combina
ética,
fundamentos de IA, aplicaciones pedagógicas y
aprendizaje
profesional
(Miao
y
Cukurova,
2024).
La
capacidad
organizacional
incluye,
además,
liderazgo
directivo,
soporte
técnico,
espacios
de
orientación,
mecanismos
de
consulta y formación continua.

En
consecuencia,
el
modelo
propuesto
considera la formación como un componente de
gobernanza y no como una actividad aislada. La
alfabetización crítica permite que los usuarios
reconozcan
límites,
verifiquen
resultados,
protejan
datos
y
comprendan
cuándo
una
decisión
requiere
intervención
humana.
Este
enfoque conecta las competencias individuales
con la responsabilidad institucional. La revisión
permite identificar una brecha específica: existe
abundante
literatura
sobre
aplicaciones
y
alfabetización
en
IA,
así
como
marcos
internacionales
sobre
ética
y
riesgo,
pero
es
necesario articular estos aportes en un modelo
operativo
para
instituciones
de
Educación
Básica y Bachillerato.

El estudio propone organizar el diagnóstico en
siete dimensiones: adopción y uso institucional;
dirección
y
gobernanza
estratégica;
ética,
transparencia y responsabilidad; gobernanza de
datos,
privacidad
y
seguridad;
capacidad
organizacional
y
formación;
integración
en
procesos
académicos
y
administrativos;
y
gestión
de
riesgos,
monitoreo
y
mejora

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 392

continua. Estas dimensiones permiten vincular
la
variable
analítica
gobernanza
de
la
inteligencia artificial con el fortalecimiento de
los
procesos
académicos
y
administrativos.
Dado
que
el
diseño
es
no
experimental,
la
denominación
de
variables
no
implica
manipulación
ni
causalidad;
funciona
como
estructura para ordenar indicadores, interpretar
asociaciones
y
construir
la
propuesta
estratégica.

Materiales y Métodos

La investigación se desarrolló con un enfoque
de
predominio
cuantitativo
y
componente
documental-propositivo,
bajo
un
diseño
no
experimental, transversal y descriptivo. La fase
cuantitativa
permitió
caracterizar
las
condiciones
institucionales
de
gobernanza
de
IA; el componente documental se utilizó para
contrastar
los
hallazgos
con
marcos
internacionales
de
ética,
gestión
de
riesgos
y
sistemas
de
gestión
de
IA.
Para
preservar
la
coherencia con la propuesta original, se diseñó
además una guía de entrevista semiestructurada
destinada
a
una
fase
cualitativa
de
profundización.

La población
accesible
estuvo constituida por
44
personas
vinculadas
con
los
procesos
académicos
y
administrativos
de
la
Unidad
Educativa
Bilingüe
Marie
Clarac:
34
académicos (77.3%), 7 administrativos (15.9%)
y 3 directivos (6.8%). Debido al tamaño de la
población, se aplicó un censo institucional. Se
obtuvieron 44 respuestas válidas, equivalente a
una tasa de respuesta del 100%, y la matriz no
presentó
valores perdidos en los
30 ítems
del
instrumento.
La
técnica
cuantitativa
fue
la
encuesta
y
el
instrumento
un
cuestionario
autoadministrado
de
30
ítems
distribuidos
en
siete
dimensiones:
D1
adopción
y
uso
institucional;
D2
dirección
y
gobernanza
estratégica;
D3
ética,
transparencia
y
responsabilidad;
D4
gobernanza
de
datos,
privacidad
y
seguridad;
D5
capacidad
organizacional y formación; D6 integración en
procesos
académicos
y
administrativos;
y
D7
gestión
de
riesgos,
monitoreo
y
mejora
continua. Los ítems se valoraron en una escala
Likert de 1 = totalmente en desacuerdo a 5 =
totalmente de acuerdo. La aplicación se realizó
mediante Google Forms.

El
análisis
estadístico
incluyó
frecuencias,
porcentajes,
mediana,
media
y
desviación
estándar por ítem y dimensión. La consistencia
interna
se
estimó
mediante
alfa
de
Cronbach
para la escala total y cada dimensión. Antes del
análisis se realizó una depuración estructural de
la
matriz:
se
verificaron
44
identificadores
únicos, el rango permitido de respuesta (1–5), la
integridad de los 30 ítems por participante y la
ausencia
de
valores
fuera
de
rango.
La
base
contenía
1,320
observaciones
de
ítems
esperadas (44 participantes × 30 ítems) y 1,320
observaciones
válidas;
no
se
detectaron
duplicados, valores perdidos ni registros fuera
de rango, por lo que no fue necesario imputar
datos.

Debido
al tamaño
censal
reducido y al fuerte
desbalance
entre
áreas
(34/7/3),
las
comparaciones
entre
académicos,
administrativos
y
directivos
se
interpretaron
exclusivamente
como
tendencias
descriptivas;
no se efectuaron pruebas de significación para
evitar
inferencias
con
potencia
insuficiente.
Tampoco
se
realizó
análisis
factorial
exploratorio o confirmatorio, dado que N = 44
no
ofrece
condiciones
adecuadas
para
una
validación estructural robusta de 30 ítems. Para
estimar las probabilidades observadas de cada
categoría de respuesta se utilizó la proporción
empírica. Para un ítem j y una categoría k, la
estimación se expresó mediante:

p
̂
jk
=
f
jk
/
n
j
; %
jk
= 100(p
̂
jk
)
(1)

Donde
f
jk
representa la frecuencia de respuestas
en la categoría k del ítem j y
n
j
el número de

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 393

respuestas
válidas
del
ítem.
Para
la
escala
completa,
las
respuestas
favorables
(4
y
5)
sumaron 858 de 1,320 observaciones, por lo que
la
probabilidad
empírica
favorable
fue
.650
(65.0%).
Esta
proporción
es
descriptiva
y
no
debe interpretarse como probabilidad predictiva
o causal. La depuración se documentó mediante
un índice de completitud de la matriz, calculado
como
la
razón
entre
observaciones
válidas
y
observaciones esperadas:

C = (N
válidas
/ N
esperadas
) × 100
(2)

En la base analizada, C = (1,320/1,320) × 100 =
100%;
en
consecuencia,
la
tasa
de
datos
ausentes
fue
0%.
Además
de
este
criterio,
se
verificaron unicidad de ID y validez de rango
para
evitar
duplicados
o
codificaciones
incompatibles con la escala Likert. Para la fase
cualitativa se diseñó una guía semiestructurada
de
12
preguntas
organizadas
en
uso
institucional,
gobernanza,
responsabilidad,
ética
y
transparencia,
datos
y
privacidad,
capacidades,
infraestructura,
procesos
académicos, procesos administrativos, riesgos,
monitoreo
y
componentes
del
modelo.
Se
planificó
una
selección
intencional
de
10
informantes
clave
(4
académicos,
3
administrativos y 3 directivos). En la presente
versión
no
se
dispone
de
transcripciones
de
entrevistas
reales;
por
ello,
la
integración
cualitativa incluida en Resultados corresponde
únicamente
a
un
escenario
simulado
para
tutoría,
construido
a
partir
de
la
guía
y
contrastado con las tendencias cuantitativas.

No
constituye
evidencia
empírica
y
deberá
sustituirse
por
entrevistas
efectivamente
realizadas
antes
del
envío
editorial.
El
procedimiento cualitativo previsto corresponde
a un análisis temático. La unidad de análisis será
la
idea
significativa
expresada
por
cada
informante. El proceso contempla: (a) lectura y
familiarización
con
las
transcripciones;
(b)
codificación inicial semántica de las respuestas;
(c) agrupación deductivo-inductiva de códigos
en
categorías;
(d)
revisión
de
convergencias,
divergencias y
casos
negativos; (e) definición
de temas y subtemas; y (f) integración con los
resultados cuantitativos mediante una matriz de
convergencia,
siguiendo
la
lógica
del
análisis
temático propuesta por Braun y Clarke (2006).
Para el escenario simulado de tutoría se aplicó
demostrativamente
esta
secuencia
a
las
12
respuestas
construidas,
sin
calcular
saturación
temática
ni
acuerdo
inter
codificador,
porque
tales
indicadores
solo
son
procedentes
con
entrevistas reales.

La
interpretación
cualitativa
se
realizará
por
recurrencia
conceptual,
relevancia
para
la
gobernanza
institucional
y
convergencia
o
discrepancia
con
las
siete
dimensiones
del
cuestionario. Los códigos no se convertirán en
probabilidades
inferenciales;
sus
frecuencias
podrán
utilizarse
únicamente
como
apoyo
descriptivo.
Esta
estrategia
permitirá
explicar
por
qué
determinadas
dimensiones
presentan
mayores o menores valoraciones y vincular los
hallazgos con decisiones concretas del modelo
estratégico.

En el plano ético, la participación fue voluntaria
y
la
información
se
utilizó
con
fines
académicos. No se solicitaron nombres ni datos
sensibles
innecesarios.
Los
resultados
se
presentan de manera agregada y la base bruta se
mantiene separada de los productos de análisis.
Se
aplicaron
principios
de
minimización
de
datos, confidencialidad, protección de identidad
y supervisión
humana en el
tratamiento de la
información. La puntuación
por dimensión se
obtuvo
como
el
promedio
de
sus
ítems.
Para
complementar
las
medias
se
calculó
la
proporción
de
respuestas
desfavorables
(1–2),
neutrales
(3)
y
favorables
(4–5).
La
interpretación
se
centró
en
la
comparación
relativa entre dimensiones y en la identificación
de
brechas
institucionales,
evitando
convertir
las categorías Likert en evidencia causal o de

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 394

implementación
efectiva
cuando
el
ítem
expresaba potencialidad o percepción.

Resultados y Discusión

La cobertura censal fue completa (N = 44). La
mayoría de los participantes perteneció al área
académica
(77.3%).
El
59.1%
registró
siete
años o más de antigüedad institucional, lo que
aporta
una
perspectiva
informada
sobre
procesos y rutinas organizacionales. Aunque el
75.0% reportó alguna experiencia previa con IA
básica,
intermedia
o
avanzada,
solo
el
18.2%
había recibido capacitación formal durante los
últimos 12 meses. En cuanto al uso laboral, el
65.9% indicó utilizar IA al menos algunas veces
y
el
38.6%
lo
hacía
frecuente
o
muy
frecuentemente.
Este
patrón
evidencia
que
la
adopción
práctica
avanza
con
mayor
rapidez
que la formación institucional sistemática.

Tabla 1
. Características de los participantes (N
= 44).

Variable / categoría

n (%)

Área: Académicos

34 (77.3)

Área: Administrativos

7 (15.9)

Área: Directivos

3 (6.8)

Antigüedad: < 1 año

2 (4.5)

Antigüedad: 1–3 años

9 (20.5)

Antigüedad: 4–6 años

7 (15.9)

Antigüedad: ≥ 7 años

26 (59.1)

Experiencia IA: Ninguna

11 (25.0)

Experiencia IA: Básica

14 (31.8)

Experiencia IA: Intermedia

14 (31.8)

Experiencia IA: Avanzada

5 (11.4)

Capacitación IA últimos 12 meses: Sí

8 (18.2)

Capacitación IA últimos 12 meses: No

36 (81.8)

Uso IA: Nunca / rara vez

15 (34.1)

Uso IA: Algunas veces

12 (27.3)

Uso IA: Frecuente / muy frecuente

17 (38.6)

Nota.
Los
porcentajes
se
calcularon
sobre
el
censo
de
44
participantes.
Fuente:
elaboración
propia a
partir de la
matriz
de
respuestas.

Fuente: Elaboración propia.

La escala total alcanzó un alfa de Cronbach de
.940,
indicador
de
consistencia
interna
excelente.
Las
siete
subescalas
presentaron
valores
entre
.823
y
.869,
por
lo
que
la
coherencia
interna
fue
buena
en
todas
las
dimensiones. Este resultado permite utilizar los
promedios
dimensionales
como
síntesis
descriptivas
del
diagnóstico,
aunque
no
sustituye
una
validación
factorial,
que
no
se
recomienda
con
el
tamaño
de
población
disponible.

Tabla
2
.
Consistencia
interna
y
estadísticos
descriptivos por dimensión

Dimensión

k

α

M (DE)

Fav. %

D1 Adopción y uso

4

.869

4.04 (0.86)

72.7

D2 Dirección y gobernanza

5

.843

3.68 (0.78)

59.5

D3 Ética y responsabilidad

5

.846

3.71 (0.88)

62.7

D4 Datos, privacidad y
seguridad

4

.826

3.69 (0.91)

60.2

D5 Capacidad y formación

4

.836

3.71 (0.92)

58.5

D6 Integración de procesos

4

.823

4.43 (0.65)

87.5

D7 Riesgos y mejora
continua

4

.864

3.59 (0.97)

55.7

Escala total

3
0

.940

3.83 (0.64)

65.0

Nota. M = media; DE = desviación estándar; Fav. = porcentaje de
respuestas 4–5. El porcentaje global favorable corresponde a 858
de 1,320 respuestas de los 30 ítems.

Fuente: Elaboración propia.

El diagnóstico muestra una estructura clara: la
institución
posee
una
valoración
alta
sobre
la
utilidad e integración potencial de la IA, pero
presenta un menor grado de formalización
en
los mecanismos de gobernanza. La dimensión
D6 obtuvo
la mayor media (M = 4.43;
DE =
0.65), con 87.5% de respuestas favorables; D1
también mostró un nivel alto de adopción y uso
(M = 4.04; DE = 0.86). En contraste, D7 registró
la media más baja (M = 3.59; DE = 0.97) y el
mayor
porcentaje
de
respuestas
desfavorables
(17.0%), seguida por D2 (M = 3.68; DE = 0.78).
En términos institucionales, el hallazgo sugiere
una brecha entre "capacidad percibida para usar
IA" y "capacidad formal para gobernarla".

Figura 1
. Puntuaciones medias por dimensión
de gobernanza de inteligencia artificial.

Las
barras
representan
la
media
de
cada
dimensión
y
las
líneas
de
error
muestran
una

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 395

desviación estándar. Escala Likert de 1 a 5. El
análisis
de
distribución
confirma
esta
diferencia. D6 concentró 87.5% de respuestas
favorables
y
solo
2.8%
desfavorables.
D1
alcanzó 72.7% de respuestas favorables. Por el
contrario, D7 mostró 55.7% favorable, 27.3%
neutral
y
17.0%
desfavorable;
D5
presentó
58.5% favorable y 27.8% neutral. La presencia
de respuestas neutrales en las dimensiones de
gobernanza,
formación
y
riesgos
puede
interpretarse
como
evidencia
de
prácticas
todavía
no
plenamente
conocidas
o
institucionalizadas por todos los actores.

Figura
2.
Distribución
de
respuestas
por
dimensión.

Fuente: Elaboración propia.

Nota.
Las
categorías
se
agruparon
como
desfavorable = 1–2, neutral = 3 y favorable = 4–
5. Los porcentajes se calcularon sobre todas las
respuestas
de
los
ítems
pertenecientes
a
cada
dimensión. Los ítems con mayor valoración se
concentraron
en
la
integración
de
IA
a
los
procesos:
D6.1,
sobre
planificación,
seguimiento o evaluación académica (M = 4.55;
86.4%
favorable);
D6.3,
referido
al
apoyo
a
decisiones cuando la información generada es
verificada (M = 4.48; 88.6% favorable); y D6.4,
relacionado con mejoras observables derivadas
de
un
uso
planificado
(M
=
4.34;
90.9%
favorable).
Estos
resultados
muestran
una
percepción positiva respecto del valor funcional
de
la
IA,
pero
deben
interpretarse
como
disposición
y
potencial,
no
como
prueba
de
impacto
causal.
Los
indicadores
de
menor
puntuación
estuvieron
asociados
a
formalización
y
control:
D2.2,
responsables
identificados para orientar o supervisar la IA (M
= 3.55; 54.5% favorable); D7.1, identificación
sistemática
de
riesgos
(M
=
3.55;
54.5%
favorable); D7.4, actualización de lineamientos
según
resultados
y
riesgos
(M
=
3.55;
56.8%
favorable);
D7.3,
disponibilidad
o
establecimiento
de
indicadores
de
uso
responsable (M = 3.57; 52.3% favorable); D4.3,
evaluación
de
riesgos
de
seguridad
antes
de
incorporar
herramientas
(M
=
3.59;
56.8%
favorable); y D3.5, criterios para prevenir usos
que
comprometan
la
integridad
(M
=
3.59;
59.1%
favorable).
La
convergencia
de
estos
ítems justifica que el modelo priorice liderazgo,
asignación
de
responsabilidades,
gestión
de
riesgos, seguridad, integridad y monitoreo.

Las
medias
globales
fueron
similares
entre
áreas: administrativos M = 3.93, directivos M =
3.90 y académicos M = 3.80. Las diferencias
más
visibles
se
observaron
en
gobernanza
de
datos, privacidad y seguridad, valorada con M
=
4.17
por
directivos
frente
a
M
=
3.57
en
administrativos,
y
en
dirección
y
gobernanza
estratégica,
donde
administrativos
alcanzaron
M = 3.89 y directivos M = 3.60. No obstante,
estas
variaciones
se
interpretan
únicamente
como
tendencias
internas
debido
a
que
los
grupos administrativo (n = 7) y directivo (n = 3)
son pequeños.

Tabla 3.
Puntuaciones medias por dimensión y
área de desempeño.

Dim.

Acad. n=34

Adm. n=7

Dir. n=3

D1

3.95

4.36

4.33

D2

3.64

3.89

3.60

D3

3.71

3.74

3.73

D4

3.67

3.57

4.17

D5

3.71

3.71

3.75

D6

4.43

4.50

4.25

D7

3.54

3.79

3.58

Global

3.80

3.93

3.90

Fuente: Elaboración propia.

El análisis de las entrevistas permitió reconocer
seis ejes que se repiten de manera consistente en

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 396

las respuestas. El primero se relaciona con la
forma
en
que
la
inteligencia
artificial
ya
está
entrando
en
la
dinámica
institucional,
aunque
todavía con un peso importante de iniciativas
personales, sobre todo entre quienes la utilizan
para
preparar
clases,
organizar
información,
elaborar
materiales
o
resolver
tareas
administrativas. Un segundo eje se concentra en
la
gobernanza.
Las
respuestas
muestran
que
existe
la
necesidad
de
contar
con
reglas
más
claras,
definir
responsabilidades
y
establecer
quién
autoriza,
supervisa
y
responde
por
determinados
usos
de
la
IA.
En
este
punto
también aparece la idea de una responsabilidad
compartida
entre
directivos,
personal
académico,
administrativos
y
quienes
brindan
soporte tecnológico.

Tabla 4.
Integración de los hallazgos cualitativos y cuantitativos sobre la gobernanza de la inteligencia
artificial.

Síntesis de los hallazgos cualitativos

Convergencia e implicación para el modelo

Uso
institucional de
la IA (P1)

Los participantes señalaron que la IA ya forma parte de diversas actividades
institucionales, principalmente en la planificación académica, elaboración de
materiales, redacción de comunicaciones, organización de información y
preparación de reportes. No obstante, su incorporación responde en buena medida a
decisiones individuales, sin que exista todavía un criterio institucional homogéneo
que oriente los usos permitidos.

El hallazgo guarda correspondencia con los resultados de D1
Adopción y uso (M = 4,04) y D6 Integración de procesos (M =
4,43). Aunque existe una valoración favorable de la utilidad de
estas herramientas, los datos respaldan la necesidad de
establecer casos de uso institucionales, criterios de autorización
y pautas para su incorporación en los diferentes procesos.

Gobernanza y
responsabilidad
(P2–P3)

En las entrevistas se evidenció la ausencia de una política específica para regular el
uso institucional de IA. Los participantes consideraron que la responsabilidad no
debería recaer exclusivamente en una persona o área, sino distribuirse entre la
dirección, la gestión académica, el personal administrativo y el soporte
tecnológico. También surgió la conveniencia de contar con una instancia
responsable de coordinar y supervisar estas decisiones.

Este resultado converge con D2 Dirección y gobernanza
estratégica (M = 3,68). En consecuencia, el modelo incorpora
como elementos prioritarios una política institucional de IA,
una matriz de responsabilidades, niveles diferenciados de
autorización y mecanismos de supervisión.

Ética,
transparencia,
datos y
privacidad
(P4–P5)

Entre las principales preocupaciones aparecieron la posibilidad de recibir
información incorrecta o sesgada, la dificultad para conocer cómo se generan
determinadas respuestas y el riesgo de utilizar datos personales o confidenciales en
plataformas externas. La protección de la información de estudiantes, familias y
personal fue señalada como un aspecto especialmente sensible.

Los hallazgos coinciden con D3 Ética y responsabilidad (M =
3,71) y D4 Datos, privacidad y seguridad (M = 3,69). Esta
convergencia sustenta la incorporación de supervisión humana,
clasificación y minimización de datos, criterios para evaluar
proveedores y restricciones explícitas sobre la información que
puede ser procesada mediante herramientas de IA.

Capacidades e
infraestructura
(P6–P7)

Los participantes coincidieron en que la preparación del personal no debe limitarse
al manejo instrumental de aplicaciones o a la elaboración de instrucciones.
Consideraron necesario fortalecer la capacidad para verificar resultados, identificar
errores, proteger información y reconocer las implicaciones éticas del uso de IA.
También se mencionaron necesidades relacionadas con licencias, soporte
especializado, conectividad y seguridad tecnológica.

El análisis converge con D5 Capacidad y formación (M = 3,71)
y con el dato de que 81,8 % de los participantes no había
recibido capacitación formal en IA durante los últimos doce
meses. Por ello, el modelo contempla un plan institucional de
alfabetización en IA, acompañamiento técnico y evaluación
previa de las herramientas utilizadas.

Procesos
académicos y
administrativos
(P8–P9)

Las entrevistas mostraron una valoración favorable del uso de IA como apoyo en
planificación, adaptación de materiales, seguimiento académico, elaboración inicial
de informes, clasificación documental y atención de consultas. Al mismo tiempo,
los participantes establecieron límites claros: las decisiones que puedan afectar
directamente a estudiantes o trabajadores deben conservar la intervención y
responsabilidad de una persona.

Este resultado presenta una fuerte correspondencia con D6
Integración de procesos (M = 4,43), la dimensión mejor
valorada del cuestionario. A partir de ello se propone
implementar usos progresivos y controlados de IA,
manteniendo la revisión profesional en evaluación, sanciones,
contratación y demás decisiones de alto impacto.

Riesgos,
monitoreo y
estructura del
modelo (P10–
P12)

Los entrevistados plantearon la necesidad de contar con procedimientos para
comunicar errores, registrar incidentes, revisar herramientas y suspender su
utilización cuando exista un riesgo para la comunidad educativa. También
consideraron pertinente evaluar periódicamente aspectos como eficiencia, calidad,
seguridad, capacitación y satisfacción de los usuarios. En cuanto a la estructura del
modelo, las respuestas coincidieron en integrar políticas, responsabilidades,
protección de datos, ética, formación y seguimiento.

Los resultados se relacionan directamente con D7 Riesgos y
mejora continua (M = 3,59), que obtuvo la media más baja entre
las siete dimensiones evaluadas. Por ello, esta área se establece
como una prioridad del modelo mediante un registro
institucional de riesgos, protocolo de incidentes, indicadores de
desempeño, revisiones periódicas y mecanismos de mejora
continua.

Fuente: Elaboración propia.

La
dimensión
ética
aparece
de
forma
transversal.
Los
entrevistados
ponen
especial
atención en la protección de datos, la privacidad
de estudiantes y familias, la transparencia de los
resultados generados por IA y la necesidad de
evitar decisiones automatizadas en asuntos que
requieren
criterio
profesional.
Esta
preocupación
se
enlaza
con
otro
tema
recurrente: la preparación del personal. No se
trata
únicamente
de
aprender
a
utilizar
herramientas,
sino
de
desarrollar
criterio
para
verificar
información,
reconocer
errores,

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 397

proteger datos y decidir cuándo una tecnología
puede
apoyar
un
proceso
y
cuándo
debe
prevalecer la intervención humana. También se
identificaron observaciones vinculadas con las
condiciones tecnológicas disponibles. Aspectos
como conectividad, licencias, soporte técnico y
seguridad
inciden
directamente
en
la
posibilidad
de
incorporar
IA
de
manera
más
ordenada.

A
la
vez,
los
participantes
reconocen
oportunidades
concretas
en
procesos
académicos y administrativos, especialmente en
planificación,
elaboración
de
recursos,
organización
documental,
generación
de
reportes
y
seguimiento
de
información.
Las
respuestas coinciden en que el uso institucional
de
IA
necesita
mecanismos
de
control
más
visibles. Entre ellos se mencionan el registro de
incidentes,
la
revisión
de
resultados,
la
definición
de
indicadores
y
la
evaluación
periódica
de
las
herramientas
utilizadas.
En
conjunto,
estos
hallazgos
permitieron
integrar
las doce
categorías de la guía de entrevista y
muestran una idea central: la institución dispone
de condiciones favorables para ampliar el uso
de inteligencia artificial, pero requiere avanzar
hacia una estructura más formal de gobernanza,
con
reglas,
responsabilidades,
formación
y
seguimiento claramente definidos.

Los
resultados
muestran
una
institución
en la
que
la
incorporación
de
inteligencia
artificial
avanza con mayor rapidez que su formalización
mediante
mecanismos
de
gobernanza.
Esta
diferencia
se
aprecia
con
claridad
en
la
valoración obtenida por Integración de procesos
(D6; M = 4,43), la más alta del estudio, frente a
dimensiones
vinculadas
con
la
estructura
institucional que debe acompañar esa adopción,
como Dirección y gobernanza estratégica (D2;
M = 3,68) y Gestión de riesgos,
monitoreo y
mejora continua (D7; M = 3,59). Los hallazgos
cualitativos permiten precisar esta relación: los
participantes
reconocen
usos
de
IA
en
planificación,
elaboración
de
materiales,
organización
documental,
comunicaciones
y
generación de reportes, aunque buena parte de
estas prácticas se desarrolla por iniciativa de los
propios usuarios y no necesariamente a partir de
criterios
institucionales
homogéneos.
Este
comportamiento
coincide
con
la
expansión
y
diversificación
de
aplicaciones
educativas
documentadas por Wang et al. (2024) y Zhang
y
Aslan
(2024),
pero
pone
de
manifiesto
que
una mayor utilización tecnológica no equivale,
por sí misma, a una gobernanza consolidada.

Esta distancia entre uso y regulación adquiere
especial importancia cuando la IA interviene en
procesos
que
involucran
información
académica,
administrativa
y
datos
personales.
Las
puntuaciones
de
Ética
y
responsabilidad
(D3; M = 3,71) y Datos, privacidad y seguridad
(D4;
M
=
3,69)
reflejan
condiciones
menos
consolidadas que la integración operativa de la
tecnología.
En
las
entrevistas,
esta
preocupación se expresó alrededor de la posible
exposición
de
información
de
estudiantes
y
familias, la presencia de respuestas incorrectas
o
sesgadas
y
la
dificultad
para
explicar
determinados resultados generados por sistemas
de
IA.
Tales
hallazgos
guardan
relación
con
UNESCO (2021), Nguyen et al. (2023) y Mouta
et
al.
(2024),
quienes
sitúan
la
privacidad,
la
transparencia,
la
responsabilidad
y
la
supervisión
humana
entre
los
componentes
indispensables de una adopción responsable.

En Educación Básica y Bachillerato, la cuestión
adquiere
una
sensibilidad
adicional
por
la
presencia
de
niños
y
adolescentes,
aspecto
también
señalado
por
Akgun
y
Greenhow
(2025) al advertir la necesidad de marcos éticos
específicos para contextos K-12. Otro resultado
que
requiere
atención
es
la
preparación
del
personal.
Aunque Capacidad organizacional
y
formación (D5) alcanzó una media de 3,71, el
81,8
%
de
los
participantes
indicó
no
haber
recibido
capacitación
formal
en
inteligencia

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 398

artificial durante los últimos doce meses. Esta
aparente
contradicción
sugiere
que
la
utilización
de
estas
herramientas
puede
estar
desarrollándose
principalmente
mediante
aprendizaje autónomo, exploración personal o
intercambio informal entre colegas.

Las
entrevistas
amplían
esta
interpretación
al
señalar que la formación necesaria no debería
limitarse al uso instrumental de aplicaciones o a
la
construcción
de
instrucciones,
sino
incorporar
verificación
de
resultados,
protección de datos, reconocimiento de sesgos,
ética
y
criterios
para
determinar
cuándo
una
decisión debe permanecer bajo responsabilidad
humana.
En
este
sentido,
el
marco
de
competencias
docentes
propuesto
por
Miao
y
Cukurova
(2024)
resulta
particularmente
pertinente, pues concibe la alfabetización en IA
desde
una
perspectiva
que
integra
conocimientos
técnicos,
pensamiento
crítico,
ética y desarrollo profesional.

La principal brecha identificada se concentra en
Gestión
de
riesgos,
monitoreo
y
mejora
continua
(D7;
M
=
3,59).
Más
que
una
resistencia al uso de IA, este resultado evidencia
la
ausencia
o
limitada
consolidación
de
mecanismos para identificar incidentes, revisar
herramientas, documentar problemas y evaluar
periódicamente
sus
efectos.
Los
participantes
señalaron la conveniencia de establecer canales
para
reportar
errores,
criterios
para
suspender
aplicaciones cuando sea necesario y sistemas de
indicadores
que
permitan
observar
eficiencia,
seguridad,
calidad
y
satisfacción.
Esta
necesidad
guarda
correspondencia
con
el
AI
Risk Management Framework, que organiza la
gestión
del
riesgo
mediante
las
funciones
de
gobernar, mapear, medir y gestionar (Tabassi,
2023).
De
manera
complementaria,
ISO/IEC
42001:2023
plantea
que
la
gobernanza
de
IA
requiere
articular
políticas,
responsabilidades,
evaluación
de
riesgos,
controles
y
mejora
continua.
A
partir
de
esta
convergencia,
el
modelo
propuesto
supera
una
aproximación
centrada
únicamente
en
seleccionar
herramientas
y
plantea
una
arquitectura
institucional
capaz
de
autorizar,
documentar,
supervisar, evaluar y corregir su utilización.

Los
resultados
por
área
de
desempeño
no
muestran
diferencias
suficientemente
amplias
como para sostener que la gobernanza sea una
preocupación exclusiva de un grupo particular.
Más
bien,
las
necesidades
identificadas
atraviesan
los
ámbitos
académico,
administrativo y directivo. No obstante, ciertas
variaciones en las percepciones sobre dirección
estratégica,
protección
de
datos
y
responsabilidades sugieren que la información
disponible
y
los
criterios
de
actuación
no
circulan
de
manera
completamente
uniforme
dentro de la institución. Esto coincide con los
testimonios que proponen una política común
acompañada de responsabilidades diferenciadas
según el tipo de proceso. En términos prácticos,
una misma regulación institucional no debería
aplicarse de manera idéntica a la preparación de
materiales
educativos,
la
elaboración
de
reportes administrativos o la toma de decisiones
que puedan afectar directamente a estudiantes o
trabajadores.

La
integración
de
los
resultados
permite,
por
tanto,
identificar
una
situación
de
madurez
desigual: existe una disposición favorable hacia
la IA y una percepción clara de su utilidad, pero
los
mecanismos
institucionales
destinados
a
regularla,
supervisarla
y
evaluar
sus
riesgos
presentan
un
desarrollo
menor.
Esta
relación
constituye uno de los hallazgos más relevantes
del estudio, porque desplaza la discusión desde
la
pregunta
de
si
la
institución
debe
utilizar
inteligencia
artificial
hacia
una
cuestión
más
precisa:
bajo
qué
reglas,
responsabilidades
y
controles debe hacerlo. Desde esta perspectiva,
los
componentes definidos
para el
modelo
—
liderazgo
y
política
institucional,
ética
y
supervisión
humana,
gobernanza
de
datos,

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 399

desarrollo
de
capacidades,
integración
responsable,
gestión
de
riesgos
y
monitoreo
responden
directamente
a
las
brechas
observadas y no únicamente a recomendaciones
derivadas de la literatura.

A
partir
de
la
integración
de
los
resultados
cuantitativos
y
cualitativos
se
estructuró
un
Modelo
Estratégico
de
Gobernanza
de
Inteligencia
Artificial
para
la
Gestión
Educativa,
orientado
a
responder
a
las
condiciones
identificadas
en
la
institución.
El
diagnóstico
mostró
una
situación
de
madurez
desigual: mientras la adopción y la integración
de
la
IA
en
los
procesos
institucionales
alcanzaron
valoraciones
favorables,
los
componentes
relacionados
con
dirección
estratégica,
gestión
de
riesgos,
protección
de
datos,
ética
y
formación
presentaron
niveles
comparativamente
menores
de
consolidación.
Esta diferencia permitió establecer dos criterios
para
la
construcción
del
modelo.
El
primero
consiste
en
preservar
y
organizar
las
capacidades
que
ya
muestran
un
desarrollo
favorable,
particularmente
aquellas
relacionadas con la adopción de herramientas y
su incorporación
en actividades académicas y
administrativas.
El
segundo
se
orienta
a
fortalecer
los
componentes
que
todavía
requieren
una
mayor
institucionalización,
especialmente
la
definición
de
políticas,
responsabilidades,
procedimientos
de
supervisión, protección de datos, formación del
personal
y
mecanismos
de
seguimiento.
Los
hallazgos
de
las
entrevistas
reforzaron
esta
orientación.

Tabla 5.
Componentes, acciones prioritarias e indicadores del Modelo Estratégico de Gobernanza de
Inteligencia Artificial.

Componente

Acciones prioritarias

Indicadores de seguimiento

1. Liderazgo y política
institucional

Formalizar una política institucional para el uso de IA; definir
responsables; establecer una instancia de coordinación o comité;
delimitar niveles de autorización según el tipo de uso.

Política aprobada y vigente; responsables
formalmente designados; porcentaje de casos
de uso autorizados; número de revisiones
realizadas por la instancia responsable.

2. Gestión de riesgos y
mejora continua

Implementar un registro de riesgos e incidentes; establecer
procedimientos de notificación, revisión y respuesta; definir criterios
de suspensión temporal de herramientas; realizar revisiones
periódicas.

Número de incidentes registrados; porcentaje
de incidentes resueltos; porcentaje de
herramientas revisadas; acciones correctivas
cerradas; periodicidad de revisión cumplida.

3. Gobernanza de datos y
seguridad

Clasificar la información según nivel de sensibilidad; aplicar
criterios de minimización de datos; implementar listas de
verificación de privacidad; evaluar proveedores y herramientas antes
de su incorporación.

Porcentaje de herramientas evaluadas;
número de incidentes relacionados con datos;
porcentaje de procesos con controles de
privacidad; disponibilidad de registros de
trazabilidad.

4. Ética, transparencia y
supervisión humana

Mantener revisión humana en decisiones sensibles; definir criterios
de transparencia sobre el uso de IA; establecer pautas de integridad y
verificación de contenidos; evitar automatización completa en
decisiones de alto impacto.

Porcentaje de decisiones sensibles sometidas
a revisión humana; número de alertas éticas
atendidas; porcentaje de documentos o
procesos que declaran el uso de IA cuando
corresponde; registros de verificación.

5. Capacidades y
formación institucional

Implementar un plan anual de alfabetización en IA; desarrollar
formación diferenciada para directivos, académicos y
administrativos; establecer acompañamiento y soporte técnico
permanente.

Porcentaje de personal capacitado;
participación por perfil institucional; nivel de
satisfacción con la formación; número de
consultas atendidas; porcentaje de
necesidades formativas cubiertas.

6. Adopción responsable
de IA

Elaborar un catálogo institucional de usos permitidos, condicionados
y restringidos; registrar las herramientas utilizadas, sus finalidades y
responsables; revisar periódicamente su pertinencia.

Número de herramientas registradas;
porcentaje de usos alineados con la política;
número de casos de uso documentados;
porcentaje de herramientas con responsable
identificado.

7. Integración y generación
de valor

Implementar usos controlados en planificación, seguimiento,
generación de reportes, organización documental y tareas repetitivas;
valorar resultados antes de ampliar su utilización.

Tiempo estimado de reducción de tareas;
percepción de calidad; satisfacción de
usuarios; número de errores detectados;
porcentaje de procesos mejorados mediante
IA.

Fuente: Elaboración propia.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 400

Los
participantes
reconocieron
que
la
inteligencia artificial ya se utiliza en actividades
como planificación, elaboración de materiales,
organización
documental,
generación
de
reportes y apoyo a procesos administrativos; sin
embargo, también señalaron que buena parte de
estos
usos
depende
todavía
de
decisiones
individuales.

De manera paralela, surgieron preocupaciones
relacionadas
con
la
protección
de
datos,
la
supervisión
humana,
la
capacitación,
la
asignación de responsabilidades y la respuesta
ante
posibles
errores
o
incidentes.
En
consecuencia, el modelo se organizó como una
estructura articulada entre política institucional,
gestión
de
riesgos,
datos
y
seguridad,
ética,
desarrollo
de
capacidades,
adopción
responsable e integración de valor. La lógica del
modelo
responde
a
un
ciclo
continuo
de
diagnóstico,
regulación,
fortalecimiento
de
capacidades,
implementación
controlada,
monitoreo
y
mejora,
evitando
considerar
la
gobernanza como una acción puntual.

Bajo
este
enfoque,
la
incorporación
de
IA
se
concibe como un proceso institucional que debe
ser revisado periódicamente en función de los
resultados obtenidos, los riesgos identificados y
los cambios tecnológicos que puedan afectar la
gestión
educativa.
La
priorización
de
los
componentes
se
definió
a
partir
de
la
integración de los resultados del cuestionario y
de
las
entrevistas.
D2,
D3,
D4,
D5
y
D7
evidenciaron
mayores
necesidades
de
fortalecimiento institucional, mientras que D1 y
D6
mostraron
condiciones
relativamente
más
favorables
de
adopción
e
integración.
Los
indicadores
propuestos
permiten
realizar
seguimiento periódico al cumplimiento de las
acciones
y
orientar
los
procesos
de
mejora
continua. La implementación se plantea en tres
momentos.
En
un
primer
momento
de
formalización
institucional,
se
prioriza
la
construcción del marco básico de gobernanza.
En esta fase deben
establecerse la política de
uso de IA, la distribución de responsabilidades,
el
inventario
inicial
de
herramientas,
los
criterios
de
autorización
y
las
reglas
relacionadas con el tratamiento de datos. Esta
etapa responde principalmente a las necesidades
identificadas
en
dirección
estratégica,
gobernanza de datos y gestión de riesgos.

El
segundo
momento
corresponde
al
fortalecimiento
y
aplicación
controlada.
Una
vez
establecidos
los
lineamientos
básicos,
la
institución
debe
desarrollar
procesos
de
formación diferenciados según las funciones del
personal, seleccionar casos de uso prioritarios y
establecer mecanismos de supervisión humana.
La incorporación de nuevas herramientas debe
realizarse de manera progresiva, verificando su
pertinencia antes de ampliar su utilización. Esta
fase
resulta
especialmente
importante
considerando que 81,8
% de los
participantes
manifestó
no
haber
recibido
capacitación
formal en IA durante los últimos doce meses.

El tercer momento se orienta a la consolidación
y mejora continua. En esta etapa se incorporan
indicadores
periódicos,
mecanismos
de
evaluación
interna,
revisión
de
proveedores,
análisis
de
incidentes
y
actualización
de
los
lineamientos
institucionales.
El
propósito
es
evitar que la política de IA permanezca como un
documento estático y convertirla en un sistema
susceptible
de
revisión
conforme
evolucionen
las
necesidades
institucionales
y
las
propias
tecnologías.
La
secuencia
propuesta
permite
que
la
innovación
tecnológica
avance
de
manera
proporcional
al
desarrollo
de
las
capacidades institucionales para gobernarla. De
este modo, el modelo no plantea restringir el uso
de
inteligencia
artificial,
sino
establecer
las
condiciones
para
que
su
incorporación
se
produzca
con
criterios
de
pertinencia,
seguridad,
responsabilidad
y
supervisión
humana.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 401

Conclusiones

El diagnóstico censal permitió establecer que la
institución
dispone
de
condiciones
favorables
para
incorporar
inteligencia
artificial
en
la
gestión educativa, aunque con niveles distintos
de
desarrollo
entre
sus
componentes.
El
instrumento
mostró
una
consistencia
interna
elevada (α = .94) y el índice global alcanzó una
media de 3.83 sobre 5. La mayor fortaleza se
concentró
en
la
integración
de
la
IA
en
los
procesos
académicos
y
administrativos
(M
=
4.43),
mientras
que
la
gestión
de
riesgos,
el
monitoreo
y
la
mejora
continua
presentó
la
valoración
más
baja
(M
=
3.59).
Estos
resultados muestran que el uso de la tecnología
ha
avanzado
con
mayor
rapidez
que
los
mecanismos
institucionales
destinados
a
regularla y supervisarla.

La
información
obtenida
mediante
las
entrevistas
permitió
comprender
con
mayor
profundidad
esta
diferencia.
Los
participantes
reconocieron
usos
concretos
de
la
IA
en
planificación,
elaboración
de
materiales,
organización
documental,
generación
de
reportes
y
apoyo
a
tareas
administrativas;
sin
embargo, también señalaron que buena parte de
estas prácticas surge de iniciativas individuales.
A ello se sumaron preocupaciones relacionadas
con la ausencia de lineamientos específicos, la
protección de datos personales, la definición de
responsabilidades,
la
transparencia
de
los
resultados
generados
y
la
necesidad
de
mantener
supervisión
humana
en
decisiones
sensibles.

La convergencia entre ambos componentes del
estudio
confirma
que
el
principal
desafío
institucional no se encuentra en promover el uso
de más herramientas, sino en establecer criterios
comunes para decidir cómo, cuándo, para qué y
en
qué
condiciones
deben
utilizarse.
La
formación
constituye
otro
punto
crítico.
El
hecho
de
que
81.8
%
de
los
participantes
no
haya
recibido
capacitación
formal
en
inteligencia artificial durante los últimos doce
meses
evidencia
una
brecha
entre
el
uso
cotidiano de estas tecnologías y la preparación
institucional
necesaria
para
emplearlas
de
manera
segura.
Los
hallazgos
cualitativos
muestran,
además,
que
las
necesidades
formativas no se limitan al manejo técnico de
plataformas, sino que incluyen verificación de
información,
protección
de
datos,
reconocimiento
de
sesgos,
ética,
integridad
y
delimitación de aquellas decisiones que deben
permanecer bajo responsabilidad profesional.

A partir de la integración de los resultados se
estructuró
el
Modelo
Estratégico
de
Gobernanza
de
Inteligencia
Artificial
para
la
Gestión
Educativa,
organizado
en
siete
componentes: liderazgo y política institucional;
gestión
de
riesgos
y
mejora
continua;
gobernanza
de
datos
y
seguridad;
ética,
transparencia
y
supervisión
humana;
capacidades
y
formación;
adopción
responsable;
e
integración
y
generación
de
valor. Su principal aporte consiste en trasladar
las
brechas
identificadas
a
acciones,
responsables
e
indicadores
verificables,
de
manera
que
la
gobernanza
pueda
gestionarse
como
un
proceso
institucional
continuo
y
no
como un conjunto aislado de recomendaciones.

La
propuesta
también
permite
establecer
una
ruta
progresiva
de
actuación.
En
una
primera
etapa
resulta
necesario
formalizar
políticas,
responsabilidades, inventarios de herramientas
y
reglas
para
el
tratamiento
de
datos;
posteriormente,
fortalecer
la
formación
del
personal
e
implementar
casos
de
uso
bajo
condiciones
controladas;
y,
finalmente,
consolidar
mecanismos
de
monitoreo,
evaluación
de
proveedores,
registro
de
incidentes
y
actualización
periódica
de
los
lineamientos.
Esta
secuencia
favorece
que
la
innovación
tecnológica
avance
de
forma
proporcional
a
la
capacidad
institucional
para
gobernarla. Los resultados deben interpretarse

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 402

dentro
de
los
límites
del
estudio.
Su
carácter
transversal,
el
uso
de
información
auto
informada
y
la
concentración
en
una
sola
institución
restringen
la
posibilidad
de
generalizar
los
hallazgos
a
otros
contextos
educativos.

Asimismo,
aunque
el
diseño
censal
permitió
cubrir
la
población
accesible,
el
reducido
número de participantes en los grupos directivo
y
administrativo
aconseja
interpretar
las
diferencias
entre
áreas
como
tendencias
descriptivas y no como efectos estadísticamente
generalizables.
Como
continuidad
de
la
investigación,
resulta
pertinente
someter
el
modelo
a
validación
mediante
juicio
de
expertos, documentar los ajustes derivados de
ese
proceso
y,
posteriormente,
evaluar
su
aplicación
en
otros
contextos
de
Educación
Básica y Bachillerato.

El estudio permite concluir que la gobernanza
de
la
inteligencia
artificial
no
depende
únicamente de la disponibilidad tecnológica. Su
consolidación
exige
articular
liderazgo,
regulación,
formación,
protección
de
datos,
supervisión humana y evaluación permanente.
Desde
esta
perspectiva,
el
modelo
propuesto
ofrece
una
ruta
contextualizada
para
pasar
de
usos
dispersos
de IA hacia una incorporación
institucional
más
organizada,
segura
y
coherente
con
los
objetivos
de
la
gestión
educativa.

Agradecimientos

El autor agradece a la
Universidad Estatal
de
Milagro
(UNEMI),
a
la
Maestría
en
Gestión
Educativa
con
mención
en
Organización,
Dirección
e
Innovación
de
los
Centros
Educativos
y
a
la
Unidad
Educativa
Bilingüe
Marie Clarac por las facilidades brindadas para
el desarrollo del estudio. Asimismo, reconoce la
orientación
metodológica
recibida
durante
el
proceso de tutoría.

Referencias Bibliográficas

Akgun, S., & Greenhow, C. (2025). The ethics
of using AI in K-12 education: A systematic
literature review. Technology, Pedagogy and
Education,
34(2),
161–182.
https://doi.org/10.1080/1475939X.2024.242
8601

An, Q., Yang, J., Xu, X., Zhang, Y., & Zhang,
H.
(2024).
Decoding
AI
ethics
from
users'
lens
in
education:
A
systematic
review.
Heliyon,
10(20),
e39357.
https://doi.org/10.1016/j.heliyon.2024.e393
57

Bond, M., Khosravi, H., De Laat, M., Bergdahl,
N., Negrea, V., Oxley, E., Pham, P., Chong,
S.
W.,
&
Siemens,
G.
(2024).
A
meta
systematic review of artificial intelligence in
higher education: A call for increased ethics,
collaboration,
and
rigour.
International
Journal of Educational Technology in Higher
Education,
21,
4.
https://doi.org/10.1186/s41239-023-00436-z

Braun, V., & Clarke, V. (2006). Using thematic
analysis in psychology. Qualitative Research
in
Psychology,
3(2),
77–101.
https://doi.org/10.1191/1478088706qp063oa

Crompton,
H.,
&
Burke,
D.
(2023).
Artificial
intelligence in higher education: The state of
the field. International Journal of Educational
Technology
in
Higher
Education,
20,
22.
https://doi.org/10.1186/s41239-023-00392-8

International Organization for Standardization,
&
International
Electrotechnical
Commission.
(2023).
ISO/IEC
42001:2023
Information
technology
Artificial
intelligence
Management
system.
ISO.
https://www.bureauveritas.es/certificacion/

Kasneci,
E.,
Sessler,
K.,
Küchemann,
S.,
Bannert,
M.,
Dementieva,
D.,
Fischer,
F.,
Gasser,
U.,
Groh,
G.,
Günnemann,
S.,
Hüllermeier, E., Krusche, S., Kutyniok, G.,
Michaeli, T., Nerdel, C., Pfeffer, J., Poquet,
O.,
Sailer,
M.,
Schmidt,
A.,
Seidel,
T.,
Stadler, M., Weller, J., Kuhn, J., & Kasneci,
G.
(2023).
ChatGPT
for
good?
On
opportunities
and
challenges
of
large
language models for education. Learning and
Individual
Differences,
103,
102274.
https://doi.org/10.1016/j.lindif.2023.102274

Lin, C.-C., Huang, A. Y. Q., & Lu, O. H. T.
(2023).
Artificial
intelligence
in
intelligent

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 403
Licencia de Creative Commons

tutoring
systems
toward
sustainable
education:
A
systematic
review.
Smart
Learning
Environments,
10,
41.
https://doi.org/10.1186/s40561-023-00260-y

Liu,
X.,
&
Zhong,
B.
(2024).
A
systematic
review on how educators teach AI in K-12
education. Educational Research Review, 45,
100642.
https://doi.org/10.1016/j.edurev.2024.10064
2

Miao,
F.,
&
Cukurova,
M.
(2024).
AI
competency
framework
for
teachers.
UNESCO.
https://doi.org/10.54675/ZJTE2084

Mouta, A., Pinto-Llorente, A. M., & Torrecilla-
Sánchez,
E.
M.
(2024).
Uncovering
blind
spots
in
education
ethics:
Insights
from
a
systematic
literature
review
on
artificial
intelligence
in
education.
International
Journal
of
Artificial
Intelligence
in
Education,
34,
1166–1205.
https://doi.org/10.1007/s40593-023-00384-9

Nguyen, A., Ngo, H. N., Hong, Y., Dang, B., &
Nguyen, B.-P. T. (2023). Ethical principles
for
artificial
intelligence
in
education.
Education and Information Technologies, 28,
4221–4241.
https://doi.org/10.1007/s10639-
022-11316-w

Su, J., Zhong, Y., &
Ng, D. T. K.
(2024). A
systematic review of AI education in K-12
classrooms
from
2018
to
2023:
Topics,
strategies,
and
learning
outcomes.
Computers
and
Education:
Artificial
Intelligence,
6,
100211.
https://doi.org/10.1016/j.caeai.2024.100211

Tabassi, E. (2023). Artificial Intelligence Risk
Management
Framework
(AI
RMF
1.0)
(NIST
AI
100-1).
National
Institute
of
Standards
and
Technology.
https://doi.org/10.6028/NIST.AI.100-1

UNESCO.
(2021).
Recommendation
on
the
ethics of artificial intelligence. UNESCO.

Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T.,
&
Du,
Z.
(2024).
Artificial
intelligence
in
education:
A
systematic
literature
review.
Expert
Systems
with
Applications,
252,
124167.
https://doi.org/10.1016/j.eswa.2024.124167

Zhang, Y., & Aslan, A. B. (2024). Systematic
review of research on artificial intelligence in
K-12
education
(2017–2022).
Computers
and
Education:
Artificial
Intelligence,
6,
100195.
https://doi.org/10.1016/j.caeai.2023.100195

Esta
obra está
bajo
una
licencia de
Creative
Commons
Reconocimiento-No
Comercial
4.0
Internacional.
Copyright
©
Christian
Rodrigo
Viscaino
Alarcón
y
David
Antonio
Delgado
Santillan.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 404

Declaraciones éticas y editoriales del artículo

Contribución de los autores (Taxonomía CRediT)

Christian Rodrigo Viscaino Alarcón: 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, 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.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 405