METODOLOGÍAS DE ENSEÑANZA E INTELIGENCIA ARTIFICIAL EN LA
EDUCACIÓN SUPERIOR: INNOVACIÓN EDUCATIVA PARA LA GESTIÓN Y LA
CALIDAD UNIVERSITARIA
TEACHING METHODOLOGIES AND ARTIFICIAL INTELLIGENCE IN HIGHER
EDUCATION: EDUCATIONAL INNOVATION FOR UNIVERSITY MANAGEMENT AND
QUALITY
Autores:
¹María Grazzia González Quinto, ²Silvia Elizabeth Morales Morejón, ³Rina Rosalinda
Castañeda Junco y
4
Yanina del Rocío Carbo Silva.
¹ORCID ID:
https://orcid.org/0009-0003-3593-5383
²ORCID ID:
https://orcid.org/0000-0001-6592-2127
3
ORCID ID:
https://orcid.org/0000-0002-7328-9736
4
ORCID ID:
https://orcid.org/0000-0002-1385-0659
¹E-mail de contacto:
mgonzalezq@utb.edu.ec
²E-mail de contacto:
smorejon@utb.edu.ec
³E-mail de contacto:
rcastaneda@utb.edu.ec
4
E-mail de contacto:
ycarbo@utb.edu.ec
Afiliación: ¹*²*³*
4
*Universidad Técnica de Babahoyo, (Ecuador).
Artículo recibido: 1 de Octubre del 2026.
Artículo revisado: 13 de Octubre del 2026.
Artículo aprobado: 13 de Octubre del 2026.
¹Abogada, graduada de la Universidad de Guayaquil, (Ecuador). Magíster Universitario en Derecho Internacional Humanitario, Derechos
Humanos y Derecho Operacional, graduado de la Universidad Antonio de Nebrija, (España).
²Licenciada
en
Ciencias
de
la
Educación,
mención
Idiomas
(Ingles
-
Frances),
graduada
de
la
Universidad
Técnica
de
Babahoyo,
(Ecuador). Economista, graduada de la Universidad Regional Autónoma de Los Andes, (Ecuador). Magíster en Docencia y Currículo,
graduada de la Universidad Técnica de Babahoyo, (Ecuador). Magíster en Enseñanza de Inglés como Idioma Extranjero, graduada de la
Escuela Superior Politécnica del Litoral, (Ecuador).
³Licenciada en Ciencias Sociales y de la Educación en Lengua y Lingüística (Ingles - Frances), graduada de la Universidad Técnica de
Babahoyo, (Ecuador). Abogada de los Tribunales de la República, graduada de la Universidad Regional Autónoma de Los Andes,
(Ecuador). Magíster Universitario en Educación Inclusiva e Intercultural, graduada de la Universidad Internacional de La Rioja, (España).
Magíster
en
Derecho
Constitucional,
graduada
de
la
Universidad
Tecnológica
Empresarial
de
Guayaquil,
(Ecuador).
Magíster
en
Pedagogía del Inglés como Lengua Extranjera, graduada de la Universidad Bolivariana del Ecuador, (Ecuador).
4
Licenciada
en
Ciencias
de
la
Educación,
mención
Idiomas
(Ingles
-
Frances),
graduada
de
la
Universidad
Técnica
de
Babahoyo,
(Ecuador). Magíster en Pedagogía, mención en Formación Técnica y Profesional, graduada de la Universidad Bolivariana del Ecuador,
(Ecuador).
Resumen
El presente artículo analiza la relación entre las
metodologías
de
enseñanza,
la
inteligencia
artificial, la innovación educativa y la gestión
de la calidad universitaria, con el propósito de
identificar
condiciones
que
favorezcan
una
integración
pedagógica,
ética,
inclusiva
y
sostenible en la educación superior. Se llevó a
cabo
un
estudio
cualitativo
de
carácter
descriptivo
y
con
un
diseño
documental,
empleando
una
revisión
integrativa
de
veinticinco fuentes académicas publicadas en el
periodo
2018-2026.
Cuatro
categorías
fueron
utilizadas
para
organizar
la
información:
metodologías
de
enseñanza,
gestión
y
calidad
universitaria,
innovación
en
educación
e
impacto
de
la
inteligencia
artificial.
Los
hallazgos indican que las metodologías activas,
incluyendo
el
aprendizaje
fundamentado
en
proyectos,
el
aula
invertida,
la
colaboración
entre pares y la personalización, proporcionan
un
contexto
adecuado
para
emplear
la
inteligencia artificial como soporte de la tutoría,
de
la
retroalimentación,
de
la
creación
de
recursos y de la evaluación formativa, etc. Sin
embargo,
los
beneficios
dependen
del
diseño
didáctico,
de
la
mediación
docente,
de
la
alfabetización en inteligencia artificial y de la
verificación crítica de los contenidos. También
se pueden observar riesgos relacionados, como
errores, estereotipos sesgados, dependencia de
la
tecnología,
privacidad,
inequidad
en
el
acceso, integridad académica, etc. Igualmente,
la
síntesis
nos
muestra
que
la
innovación
requiere
de
la
coordinación
de:
currículo,
infraestructura,
liderazgo,
participación
estudiantil
y
responsabilidad
institucional
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 388
permanente.
Es
posible
sostener
que
la
inteligencia
artificial
no
genera
automáticamente
calidad
universitaria;
su
aporte
depende
de
políticas
institucionales
establecidas, capacitación continua, evaluación
auténtica del aprendizaje, supervisión humana y
sistemas
de
monitoreo.
Por
ende,
se
sugiere
llevar a cabo experiencias que sean graduales,
evaluables y contextualizadas, las cuales estén
dirigidas
por
los
resultados
de
aprendizaje
y
vinculadas a procesos institucionales de mejora
constante.
Palabras
clave:
Educación
superior,
Inteligencia
artificial,
Metodologías
de
enseñanza,
Innovación
educativa,
Calidad
universitaria.
Abstract
The
present
article
analyzes
the
relationship
among
teaching
methodologies,
artificial
intelligence,
educational
innovation,
and
university
quality
management
to
identify
conditions
that
support
pedagogical,
ethical,
inclusive, and sustainable integration in higher
education.
A
qualitative,
descriptive,
and
documentary study was conducted through an
integrative
review
of
twenty-five
academic
sources published between 2018 and 2026. The
information
collected
was
classified
into
four
categories: teaching methodologies; the impact
of
artificial
intelligence;
educational
innovation;
and
university
management,
organizational
management,
and
quality.
The
findings demonstrate that active methodologies,
namely
project-based
learning,
flipped
classroom,
collaborative
learning,
and
personalization constitute a relevant framework
to incorporate artificial intelligence support in
tutoring,
feedback,
resource
generation,
and
formative
assessment,
yet
benefits
depend
on
instructional
design,
teacher
mediation,
artificial
intelligence
literacy,
and
verification
for the usefulness
of generated content.
Also,
the
risks
associated
with
errors,
bias,
dependence
on
technology,
privacy,
access
inequality, academic integrity were highlighted.
The
synthesis
further
shows
that
to
enable
sustainable
innovation
various
components
should
be
coordinated,
including
curriculum,
infrastructure, leadership, student involvement,
and
continued
institutional
responsibility.
These
findings
support
sociotechnical
interpretation
in
which
methodology
determines
educational
objective,
artificial
intelligence
provides
support,
innovation
structures
change,
and
quality
management
provides
resources,
responsibilities,
and
evidences. This explains why, depending on the
subjects,
institutions,
and
students
examined,
the
same
tool
may
have
varying
effects
on
students'
learning.
The
study's
result
demonstrates
that
policies,
training,
genuine
evaluation,
human
mediation,
and
monitoring
protocols
all
play
a
role
in
artificial
intelligence's contribution to university quality.
As
a
result,
it
is
advised
to
implement
progressive,
contextualized,
and
assessable
efforts
that
are
integrated
with
institutional
processes
of
continuous
improvement
and
directed by learning outcomes.
Keywords:
Higher
education,
Artificial
intelligence,
Teaching
methodologies,
Educational innovation, University quality.
Sumário
O
presente
artigo
analisa
a
relação
entre
as
metodologias de ensino, a inteligência artificial,
a inovação educacional e a gestão da qualidade
universitária,
com
o
objetivo
de
identificar
condições
que
favoreçam
uma
integração
pedagógica,
ética,
inclusiva
e
sustentável
no
ensino
superior.
Foi
realizado
um
estudo
qualitativo,
de
caráter
descritivo
e
com
delineamento
documental,
por
meio
de
uma
revisão
integrativa
de
vinte
e
cinco
fontes
acadêmicas
publicadas
no
período
de
2018
a
2026. Foram utilizadas quatro categorias para
organizar
as
informações:
metodologias
de
ensino,
gestão
e
qualidade
universitária,
inovação educacional e impacto da inteligência
artificial.
Os
resultados
indicam
que
as
metodologias ativas, incluindo a aprendizagem
baseada em projetos, a sala de aula invertida, a
colaboração entre pares e a personalização do
ensino,
oferecem
um
contexto
adequado
para
utilizar a inteligência artificial como suporte à
tutoria, ao feedback, à criação de recursos e à
avaliação
formativa,
entre
outras
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 389
possibilidades.
No
entanto,
os
benefícios
dependem
do
planejamento
didático,
da
mediação
docente,
da
alfabetização
em
inteligência artificial e da verificação crítica dos
conteúdos.
Também
são
observados
riscos
relacionados a erros, estereótipos tendenciosos,
dependência
tecnológica,
privacidade,
desigualdade
no
acesso
e
integridade
acadêmica,
entre
outros
aspectos.
Da
mesma
forma, a síntese demonstra que a inovação exige
a
articulação
entre
currículo,
infraestrutura,
liderança,
participação
estudantil
e
responsabilidade
institucional
contínua.
Pode-
se afirmar que a inteligência artificial não gera
automaticamente
qualidade
universitária;
sua
contribuição depende de políticas institucionais
estabelecidas,
formação
continuada,
avaliação
autêntica da aprendizagem, supervisão humana
e
sistemas
de
monitoramento.
Portanto,
recomenda-se
desenvolver
experiências
graduais,
avaliáveis
e
contextualizadas,
orientadas pelos resultados de aprendizagem e
vinculadas
aos
processos
institucionais
de
melhoria contínua.
Palavras-chave:
Ensino
superior,
Inteligência
artificial,
Metodologias
de
ensino,
Inovação
educacional,
Qualidade
universitária.
Introducción
La
educación
superior
afronta
una
transformación que combina nuevas demandas
formativas,
metodologías
centradas
en
el
estudiante y tecnologías capaces de modificar la
enseñanza,
la
evaluación
y
la
gestión.
En
América
Latina,
la
digitalización
solo
tiene
sentido
educativo
si
hay
una
reflexión
pedagógica
y
condiciones
sociales
e
institucionales
(Useche
et
al.,
2022).
A
este
respecto,
metodologías
activas
como
la
personalización,
el
aprendizaje
basado
en
proyectos,
la
colaboración
y
el
aula
invertida
favorecen la participación y la implementación
del
saber;
sin
embargo,
exigen
un
diseño
apropiado
y
una
mediación
por
parte
de
los
docentes
para
aprovechar
al
máximo
su
potencial (Zhang y Ma, 2023). La inteligencia
artificial
aumenta
las
posibilidades
de
auto
tutoría,
retroalimentación,
generación
de
contenidos, evaluación y predicción académica
(Crompton
y
Burke,
2023).
Pero
también
plantea
peligros
de
error,
sesgo,
dependencia,
privacidad
e
integridad.
La
evidencia
exige
mayor
rigor,
ética
y
articulación
pedagógica
(Bond
et
al.,
2024)
y
a
su
vez,
competencias
docentes para evaluar y usar críticamente dichas
herramientas
(Basilotta
et
al.,
2022).
Por
esta
razón,
este
estudio
descriptivo,
cualitativo
y
documental tiene como objetivo analizar cómo
se
comportan
responsablemente
las
metodologías
de
enseñanza,
la
inteligencia
artificial, la innovación educativa y la gestión
de la calidad en la educación superior.
El problema radica en que la rápida adopción de
la
inteligencia
artificial
no
necesariamente
se
articula
con
objetivos
de
aprendizaje,
metodologías activas o sistemas de calidad. Las
barreras
de
infraestructura,
liderazgo,
financiamiento, cultura y accesibilidad pueden
convertir la innovación
en iniciativas aisladas
(Gkrimpizi et al., 2023). A su vez, las diferentes
habilidades
de
los
docentes
dificultan
la
mediación pedagógica consistente (Saltos et al.,
2023). La generación automática de productos
también
cuestiona
la
autoría
y
evaluación
del
aprendizaje.
La integridad académica exige alfabetización en
la materia, reglas explícitas y transparentes de
rediseño evaluativo, no solo detección o sanción
(Bittle y El-Gayar, 2025). A esto se suman las
distintas políticas universitarias que van desde
la prohibición hasta la responsable integración
de
la
inteligencia
artificial
(Dabis
y
Csáki,
2024). La cuestión que guía este artículo es la
siguiente: ¿Cómo unir la inteligencia artificial,
la
gestión
institucional,
la
innovación
y
las
metodologías
para
colaborar
con
la
calidad
universitaria a partir de una ética responsable,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 390
inclusiva
y
sostenible?
La
relevancia
de
este
estudio radica en que incluye dimensiones que
normalmente se analizan de manera individual
y ofrece criterios para tomar decisiones a nivel
institucional o docente. En Latinoamérica hay
brechas
en
términos
de
organización,
competencias
e
infraestructura
que
afectan
el
proceso de transformación digital (Okoye et al.,
2023).
A
la
vez,
efectos
positivos
del
aula
invertida
nos
enseñan
que
lo
aprehendido
depende
de
la
reingeniería
de
actividades
e
interacción y no del simple desplazamiento de
contenidos
a
soporte
digital
(Strelan
et
al.,
2020).
La
síntesis
generada
puede
servir
de
orientación
para
la
formación,
la
evaluación,
políticas,
seguimiento,
teniendo
en
cuenta
la
equidad en el acceso y desarrollos, autonomía
intelectual e integridad académica.
Analizar
la
relación
entre
metodologías
de
enseñanza,
inteligencia
artificial,
innovación
educativa y gestión de la calidad universitaria
mediante
revisión
bibliográfica
cualitativa
y
descriptiva
de
literatura
científica,
a
fin
de
identificar
condiciones
pedagógicas,
éticas
e
institucionales
que
sean
necesarias
para
su
integración responsable en educación superior.
Describir
las
metodologías
educativas
más
importantes utilizadas en educación superior y
los
aportes que brindan a la enseñanza activa
colaborativa y centrada en el estudiante.
Analizar los usos, posibilidades y resultados y
riesgos de la inteligencia artificial en procesos
académicos
de
enseñanza,
aprendizaje
y
evaluación.
Identificar
las
condiciones
de
innovación,
de
gestión
institucional
y
de
aseguramiento
de
la
calidad
que
facilitan
o
condicionan
la
integración
educativa
de
la
inteligencia
artificial.
Proponer
orientaciones
fundamentadas
para
el
uso
pedagógico,
ético,
inclusivo
y
sostenible
de
la
inteligencia
artificial
en
las
instituciones
de
educación
superior. El corpus de 25 fuentes permite hacer
una síntesis pertinente sobre el tema, pero no es
representativa de la totalidad de la producción
científica,
ni
mucho
menos
de
un
estudio
sistemático
de
la
misma.
La
pluralidad
de
países,
de
disciplinas,
de
diseños,
de
herramientas
y
de
indicadores
condiciona
la
posibilidad
de
la
comparación
directa
de
los
resultados y de su generalización.
La
evolución
acelerada
de
la
inteligencia
artificial
puede
modificar
las
aplicaciones
y
políticas en tiempos breves. También es cierto
que
por
no
recolectarse
datos
de
estudiantes,
docentes
o
gestores
no
pueden
establecerse
relaciones
de
causa-efecto.
Las
conclusiones
formuladas
deben
ser
entendidas
como
orientaciones
bibliográficas
susceptibles
de
actualización
y
comprobación
empírica
contextual. El marco teórico comprende cuatro
categorías interdependientes: Metodologías de
enseñanza,
inteligencia
artificial,
innovación
educativa
y
gestión
de
la
calidad.
Son
estudiadas como dimensiones conceptuales y no
variables manipuladas experimentalmente.
Las
metodologías
activas
son
experiencias
en
las
que
el
estudiante
investiga,
colabora,
argumenta, resuelve problemas y, en definitiva,
es
protagonista
del
proceso
de
aprendizaje,
mientras el docente las diseña, prepara y evalúa
en
su
proceso
de
enseñanza.
El
acompañamiento
y
retroalimentación
son
cuestiones
fundamentales.
El
aprendizaje
basado
en
proyectos
favorece
el
rendimiento
académico
y
el
desarrollo
de
competencias
cognitivas,
siempre
y
cuando
haya
una
planificación
(Zhang
y
Ma,
2023),
y
el
aprendizaje
colaborativo
mejora
las
competencias
para
el
abordaje
de
entornos
profesionales complejos (Bandono et al., 2023).
El aula invertida dedica la presencia del docente
a
la
aplicación
y
discusión,
con
efectos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 391
positivos
para
el
rendimiento
(Strelan
et
al.,
2020).
La
personalización
adapta
estructura,
secuencia
y
apoyos,
sin
por
ello
renunciar
a
objetivos comunes ni a la socialización (Zhong,
2023). En todos los casos es pertinente la IA,
siempre
que
amplifique
la
indagación
y
la
retroalimentación sin que por ello sustituya el
razonamiento del alumno. Inteligencia artificial
e incidencia en los procesos educativos.
En educación superior, la IA tiene dentro de sí
los sistemas predictivos, la tutoría inteligente,
las plataformas adaptativas, la evaluación y los
asistentes generativos. Estos últimos son útiles
para
la
escritura,
el
diseño,
la
práctica
y
la
retroalimentación
(Qian,
2025),
pero
la
efectividad
de
la
intervención
depende
de
la
tarea, contexto, tutoría personal y posibilidad de
comprobar
resultados.
Las
oportunidades
de
personalización
y
accesibilidad
coexisten
con
errores, sesgos, opacidad, exposición de datos y
dependencia.
Por
ello
se
requieren
marcos
pedagógicos
y
regulatorios
responsables
(García-López
&
Trujillo-Liñán,
2025)
y
alfabetización
en
IA
para
comprender,
usar
y
evaluar
críticamente
los
sistemas;
sus
instrumentos
de
medición
todavía
presentan
diversidad conceptual (Lintner, 2024).
Innovación
educativa
y
transformación
de
la
universidad.
La
innovación
educativa
es
un
cambio intencionado y evaluable, no la simple
inclusión
de
una
tecnología.
Una
transformación
digital
tiene
planos
tecnológicos,
humanos
y
organizacionales
(Castro
et
al.,
2020).
La
sostenibilidad
de
la
transformación
digital
exige
competencias
multidimensionales
en
los
profesores,
acompañamiento e infraestructura (Basilotta et
al., 2022; Saltos et al., 2023). Lo que implica
también
experimentación
progresiva
y
evidencias
de
mejora.
Gestión
y
calidad
universitarias La gestión universitaria traduce el
modelo
educativo
en
recursos,
competencias,
políticas
y
controles.
La
calidad
incluye
pertinencia,
eficacia,
equidad,
inclusión,
integridad
y
mejora
continua
y
no
puede
resumirse
a
la
disponibilidad
tecnológica
(Moreno et al., 2022). Lo político en relación a
la IA debe precisar usos, transparencia, datos y
evaluación,
con
flexibilidad
en
términos
disciplinares (Dabis y Csáki, 2024); (Dai et al.,
2024)
e
incorporar
la
experiencia
estudiantil
como evidencia para decidir (Ríos et al., 2024).
Las
metodologías
definen
la
intención
pedagógica;
la
IA
aporta
asistencia;
la
innovación
organiza
el
cambio;
y
la
gestión
establece condiciones y evidencias. La Tabla 1
resume esta relación y evita atribuir la calidad a
la tecnología de manera automática.
Tabla
1.
Relación
conceptual
entre
las
categorías del estudio.
Categoría
Función conceptual
Criterio de
contribución a la
calidad
Metodologías
de enseñanza
Orientan objetivos,
actividades,
interacción, mediación
docente y evaluación.
Aprendizaje activo,
significativo,
colaborativo y
verificable.
Inteligencia
artificial
Apoya personalización,
retroalimentación,
creación, análisis y
automatización.
Utilidad pedagógica
con supervisión
humana, transparencia
y seguridad.
Innovación
educativa
Conduce el cambio
mediante diagnóstico,
experimentación,
evaluación y ajuste.
Mejoras pertinentes,
contextualizadas,
transferibles y
sostenibles.
Gestión y
calidad
universitaria
Proporciona políticas,
recursos, liderazgo,
seguimiento y mejora
continua.
Equidad, integridad,
eficacia y coherencia
con la misión
institucional.
Fuente: Elaboración propia.
Materiales y Métodos
Se utilizó la perspectiva cualitativa, el alcance
descriptivo y el diseño documental, a través de
la
revisión
integrativa.
La
intencionalidad
fue
organizar
e
interpretar
las
aportaciones,
los
riesgos
y
las
interrelaciones
y
no
medir
experimentalmente
la
influencia
de
una
herramienta, ni valorar influencia agregada de
una unidad. La unidad de análisis fue un corpus
formado
por
25
publicaciones
académicas,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 392
entre
los
años
2018-2026,
sobre
educación
superior
y
sobre
alguno
de
los
cuatro
ejes
propuestos. Del proceso de búsqueda se valió de
matriz
temática,
portales
de
editores
y
repositorios, con descriptores tanto en español
como
en
inglés
de
metodologías
activas,
IA
generativa,
transformación
digital,
como
así
también de gestión y calidad.
Criterios
de
selección.
Se
consideraron
los
trabajos
empíricos,
las
revisiones
y
los
metaanálisis de autor y fecha, con procedencia
verificable, con texto suficiente sobre la meta.
Se excluyeron duplicados, comerciales, fuentes
sin bibliografía y trabajos no correspondientes a
educación
superior.
Si
existieron
versiones
repetidas, se conservó la publicación editorial o
institucional
más
completa.
Tales
procedimientos
son:
1.
Delimitación
de
la
pregunta,
los
objetivos
y
las
categorías.
2.
Busca
y
registro
bibliográfico
en
matriz
documental.
3.
Aplicación
de
criterios
y,
eliminación
de
duplicados.
4.
Extracción
de
propósitos,
métodos,
detecciones
y
limitaciones.
5.
Codificación,
comparación
temática y síntesis narrativa.
Se realizó análisis cualitativo, de contenido. La
matriz,
apunta
a
registrar
identificación,
objetivo,
diseño
ejes,
hallazgos,
limitaciones,
categoría
y
pertinencia,
facilitando
tanto
la
comparatividad,
como
la
traslación
de
las
interpretaciones.
La
codificación
fue
el
resultado
de
la
consubstanciación
de
cuatro
categorías
deductivas,
más
subtemas
emergentes.
Las
siguientes
categorías
fueron:
metodologías
(colaboración,
evaluación
y
particularización);
inteligencia
artificial
(peligros,
efectos
y
usos);
innovación
(innovación, competencias e infraestructura); y
gestión/calidad
(equidad,
mejora
continua
y
gobernanza). Si se tiene en cuenta el rigor, se
trata de la verificación del contraste entre citas
y
referencias,
de
los
diseños
y
contextos
contrastados,
de
la
preservación
de
enlaces
editoriales
o
DOI
y
del
registro
uniforme.
Se
concibió
la
variedad
de
fuentes
como
una
prueba
contextual,
no
como
resultados
directamente comparables. La incorporación de
la IA debe ser determinada en función de los
resultados
de
aprendizaje
y
del
riesgo
que
implique la tarea, la herramienta se selecciona
después
de
que
haya
sido
definida
la
metodología,
la
actividad,
la
mediación
y
la
evaluación.
Articulación pedagógica de las metodologías y
la inteligencia artificial en problemas, proyectos
y
actividades
colaborativas,
la
IA
podría
direccionar preguntas, ejemplos o alternativas,
así como volver sobre los borradores. Deberá
ser el estudiante el que realice el cotejo de la
información
obtenida,
la
justificación
de
las
decisiones tanto de dirección como respecto del
resultado, como así también de la producción de
una solución contextualizada. En el caso de aula
invertida, la IA podría servir para preparar lo
previo,
destinar
el
tiempo
del
encuentro
a
discusión
de
errores
y
resolución
de
tareas
complejas.
La
personalización
deberá
ser
un
andamiaje,
que,
a
su
vez,
genere
resultados
comunes.
Si
bien
el
uso
que
va
de
reporte
en
el
área
estudiantil
arroja
resultados
de
aprendizaje
fundamentalmente positivos, las apreciaciones
son
dispares
(An
et
al.,
2026);
por
tanto,
la
aceptación del uso y la frecuencia de uso no son
sustitutos de la evidencia sobre razonamiento,
transferencia
y
autonomía.
La
evaluación
deberá
combinar
producto
con
borradores,
fuentes,
decisiones,
reflexión
y
defensa
oral.
Enunciar la asistencia de IA, permitirá evaluar
la utilización sin confundirlo con autoría. Las
rubricas
podrán
tener
en
cuenta
la
exactitud,
argumentación,
originalidad,
transparencia
y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 393
trazabilidad. Los efectos positivos que se han
reportado,
en
lo
que
se
refiere
a
logro,
competencias
lingüísticas
y
pensamiento
de
orden
superior,
no
necesariamente
son
extensible a la metacognición (Chen y Cheung,
2025). Por tanto, se requiere que el estudiante
aclare qué aceptó, qué rechazó, qué corrigió y
cómo reguló su aprendizaje. La formación de
los
docentes
debe
articular
competencias
técnicas,
pedagógicas
y
éticas
que
se
puedan
aplicar
al
rediseño
de
actividades
y
evaluaciones
(López
et
al.,
2025).
Se
hace
indispensable
avanzar
desde
la
alfabetización
básica
hacia
pilotos
acompañados,
análisis
de
evidencias y comunidades de práctica.
La
institución
ha
de
discriminar
los
usos
permitidos,
los
condicionados
y
los
no
aceptables,
determinar
las
responsabilidades
sobre
datos,
autoría,
accesibilidad
y
proveedores
y
especificar
los
apoyos
y
los
mecanismos
de
revisión.
La
equidad
exige
posibilidades
alternativas
en
los
casos
que
existan
barreras,
sean
de
precio,
de
conectividad, de idioma, de accesibilidad, etc.
Plantea
la
posibilidad
de
formalizar
la
implantación
en
cinco
momentos
(etapas):
diagnóstico de la necesidad; diseño pedagógico
y
ético;
piloto
documentado;
evaluación
de
aprendizaje, experiencia, integridad, y costes; y
decisión
de
ajustar,
ampliar
o
retirar.
Las
decisiones
de
alto
impacto
deben
seguir
disponiendo de algún control y responsabilidad
humano. Este desarrollo coloca a la IA como
medio dentro de un proceso pedagógico y un
ciclo
institucional
de
mejora,
con
controles
proporcionales a la finalidad y peligro.
Resultados y Discusión
El análisis de las 25 fuentes produjo patrones
cualitativos
en
las
cuatro
categorías;
no
representa
una
medición
derivada
de
una
intervención
propia. Las metodologías activas
muestran
resultados
favorables
cuando
combinan
tareas
auténticas,
interacción
y
evaluación coherente. El aprendizaje basado en
proyectos (Zhang y Ma, 2023), el aula invertida
(Strelan et al., 2020), la colaboración (Bandono
et al., 2023) y la personalización (Zhong, 2023)
no
operan
como
técnicas
aisladas:
su
efecto
depende
del
diseño,
la
disciplina
y
el
acompañamiento.
La
IA
se
utiliza
para
tutoría,
generación,
retroalimentación,
evaluación,
adaptación
y
gestión
(Baig
y
Yadegaridehkordi,
2024;
Crompton
y
Burke,
2023;
Qian,
2025).
Los
metaanálisis
reportan
efectos
positivos
en
diversos
resultados,
pero
variables
según
la
intervención,
y
no
confirman
mejoras
uniformes en metacognición (Chen y Cheung,
2025;
Deng
et
al.,
2025).
Las
percepciones
estudiantiles
también
son
mixtas
(An
et
al.,
2026), mientras persisten necesidades de ética,
colaboración y rigor investigativo (Bond et al.,
2024).
La
innovación
sostenible
integra
pedagogía
reflexiva,
estrategia
y
capacidades
humanas
(Useche
et
al.,
2022;
Castro
et
al.,
2020).
La
competencia docente y la alfabetización en IA
aparecen como condiciones centrales (Basilotta
et al., 2022; Lintner, 2024; López et al., 2025;
Saltos
et
al.,
2023).
Las
barreras
organizacionales y las brechas latinoamericanas
limitan la transferencia de experiencias aisladas
(Gkrimpizi et al., 2023; Okoye et al., 2023). La
gestión
evoluciona
desde
respuestas
reactivas
hacia
una
gobernanza
diferenciada,
aunque
persisten vacíos sobre transparencia, evaluación
e integridad
(Dabis y Csáki, 2024; Dai et
al.,
2024). El rediseño evaluativo es esencial ante
los riesgos de autoría Bittle y El-Gayar (2025),
al
igual
que
la
consideración
de
privacidad
y
sesgo (García y Trujillo, 2025). La experiencia
estudiantil
(Ríos
et
al.,
2024)
y
el
ciclo
de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 394
mejora
continua
(Moreno
et
al.,
2022)
completan la evidencia de calidad. La Tabla 2
sintetiza el resultado principal y la condición de
calidad identificada en cada categoría.
Tabla 2.
Síntesis cualitativa de los resultados
por categoría.
Categoría
Resultado identificado
Condición vinculada
con la calidad
Metodologías
de enseñanza
Los enfoques activos
favorecen
participación,
aplicación,
colaboración y
retroalimentación.
Coherencia entre
resultados de
aprendizaje,
actividades, mediación
y evaluación.
Inteligencia
artificial
Amplía tutoría,
personalización,
generación y apoyo
evaluativo; los efectos
son contextuales.
Supervisión humana,
verificación,
alfabetización y
transparencia de uso.
Innovación
educativa
La transformación
sostenible integra
dimensiones
pedagógicas, humanas,
tecnológicas y
organizacionales.
Formación docente,
experimentación
gradual,
infraestructura y
evaluación de
evidencias.
Gestión y
calidad
universitaria
Las políticas
evolucionan hacia una
gobernanza
diferenciada, ética y
orientada a la mejora.
Equidad, protección de
datos,
responsabilidades
claras, seguimiento y
ajuste institucional.
Fuente: Elaboración propia.
Los
siguientes
consejos
se
pueden
ofrecer
gracias a estos descubrimientos: Sincronizar el
aprendizaje y el uso. Establecer el resultado, la
actividad, la mediación y la evidencia; utilizar
IA
cuando
sea
posible
solucionar
un
valor
pedagógico
observable.
Revisar
las
evaluaciones.
Unir
productos
con
borradores,
fuentes,
defensa
oral
y
reflexión,
exigiendo
confirmación
de
asistencia
tecnológica
y
verificación. Educar a la comunidad. Fomentar
habilidades
pedagógicas,
técnicas
y
éticas
a
través de pilotos asistidos, casos y comunidades
de
práctica.
Los
resultados
permiten
una
interpretación de carácter sociotécnico: el valor
de la IA no está en la herramienta, aisladamente,
sino
en
la
relación
que
se
establece
entre
actividad, actores y condiciones institucionales.
Las
ventajas
que
se
encuentran
en
proyectos,
aula
invertida,
colaboración,
personalización
(Strelan
et
al.,
2020;
Zhang,
y
Ma,
2023)
coinciden
con
la
necesidad
de
una
pedagogía
reflexiva (Useche et al., 2022). La metodología,
por tanto, tiene por función un mecanismo que
transforma
una
capacidad
tecnológica
en
una
posibilidad
de
aprendizaje.
Hay
evidencias
sobre la IA que son positivas, pero limitadas.
Desde luego, los metaanálisis muestran que se
dan
mejoras
en
ciertos
resultados,
más
la
variabilidad
entre
las
intervenciones
y
la
ausencia
de
efectos
consistentes
en
aspectos
metacognitivos
impiden
igualar
uso
a
aprendizaje (Chen y Cheung, 2025; Deng et al,
2025).
La
razón
de
esta
diferencia
es
que
las
sensaciones
pueden
ser
ambiguas
(An
et
al,
2026):
que
algo
se
realice
rápidamente
y
sea
funcional
no
significa
que
se
logre
la
comprensión. El razonamiento, la verificación y
la autorregulación deben hacerse evidentes en el
proceso de rediseño de la evaluación. Además,
se genera una tensión entre la personalización y
el
reemplazo
cognitivo.
La
generación
de
explicaciones y retroalimentación puede ser una
oferta
expandida,
pero
su
aceptación
acrítica
produce menor autonomía.
Los
elementos
de
la
alfabetización
en
IA,
la
competencia
docente
y
la
declaración
transparente y clara de su uso son preservativos
complementarios
de
los
anteriores,
que
no
pueden
ser
considerados
como
responsabilidades
exclusivas
del
estudiante
(Basilotta
et
al.,
2022;
Lintner,
2024).
En
el
orden institucional, los hallazgos dejan ver que
gobernar no es solo restringir. Las políticas han
de
discriminar
tareas,
riesgos
y
disciplinas,
obtener
la
equidad
e
implantar
revisión
periódica
(Dabis
y
Csáki,
2024;
Dai
et
al.,
2024). Las brechas estructurales, en el ámbito
latinoamericano, pueden hacer que se amplíen
las desigualdades (Okoye et al., 2023); por todo
ello,
la
calidad
debe
medirse
por
resultados
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 395
verificables,
inclusión,
integridad
y
mejora
continua,
no
por
la
cantidad
de
herramientas
adoptadas. Los actores son decisivos para ese
seguimiento.
Las
percepciones
de
los
estudiantes aportan información sobre utilidad,
confianza,
accesibilidad
y
autonomía,
que
deben
ser
contrastadas
con
evidencias
de
aprendizaje (Ríos et al., 2024). De igual forma,
el aseguramiento de la calidad debe relacionar a
la
planificación,
evaluación
interna,
control
y
retorno (Moreno et al., 2022). Esta combinación
evita
que
una
política
formalizada
o
una
evaluación explícita sea leída, por sí sola, como
una evidencia de mejora de la educación. Desde
el
punto
de
vista
práctico,
sus
conclusiones
hacen
que
sean
necesarios
controles
proporcionales a los riesgos.
El soporte para el que se produzcan ejemplos o
se
practiquen
experiencias
puede
gestionarse
por medio de la verificación y declaración de
uso, mientras que la calificación, previsión de
rendimiento o tratamiento de datos sensibles se
requeriría que tuviesen un control más fuerte,
una
posibilidad
de
recurso
y
alternativas
accesibles.
Esta
manera
de
actuar
permite
innovar a partir de la posibilidad de actuar sin
que
a
las
actividades
con
diferentes
consecuencias les sea aplicado un tratamiento
uniforme y relaciona la autonomía docente con
unas responsabilidades comunes de los centros.
El
aporte
interpretativo
del
estudio
es
el
encadenamiento
metodología-IA-innovación-
gestión/calidad.
Esta
relación
explica
la
diversidad
de
resultados
y
determina
una
adopción
gradual,
evaluable
y
reversible.
No
obstante, como es un estudio documental y los
corpus
son
diversos,
será
necesario
validar
el
modelo
con
estudios
longitudinales,
comparaciones interdisciplinares o el análisis de
experiencias
por
parte
de
estudiantes,
profesorados y gestores.
Conclusiones
Se
concluye
que
la
IA
puede
ayudar
a
la
educación superior, cuando queda subordinada
a
fines
formativos,
a
metodologías
activas
y
supervisión humana. Su valor no se deduce de
la disponibilidad o frecuencia de uso, sino de
aprendizaje
verificable,
autonomía,
equidad
e
integridad.
La
metodología
determina
la
actividad,
la
IA
proporciona
apoyo,
la
innovación hace que se organice el cambio y la
gestión determina recursos, responsabilidades y
evaluación.
La integración responsable requiere formación
del
profesorado,
alfabetización
de
los
estudiantes, evaluación auténtica, protección de
los datos y políticas adaptativas. Debido a que
es de ámbito documental, estas conclusiones no
son universales ni causales, son una síntesis que
hay
que
ir
actualizando
y
comprobando
en
ámbitos
concretos
de
la
universidad.
Las
conclusiones
posibilitan
que
se
les
den
las
siguientes
sugerencias:
Sincronizar
el
aprendizaje con el uso. Establecer el resultado,
la
actividad,
la
mediación
y
la
evidencia;
utilizar
IA
cuando
sea
posible
solucionar
un
valor pedagógico observable. Reconsiderar las
valoraciones.
Unir
productos
con
borradores,
fuentes,
defensa
oral
y
reflexión,
exigiendo
confirmación
de
asistencia
tecnológica
y
verificación.
Fomentar
habilidades
técnicas.
Que sean pedagógicas y éticas a partir de casos
de
estudio,
proyectos
piloto
y
grupos
de
práctica.
Evaluar
antes
de
escalar
Medir
aprendizaje,
equidad,
experiencia,
integridad,
carga
y
costos;
ajustar,
ampliar
o
retirar
la
práctica según la evidencia.
Referencias Bibliográficas
An, Q., Koh, J., & Liu, Q. (2026). Generative
artificial intelligence in higher education: A
systematic review of student use and learning
outcomes.
Australasian
Journal
of
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 396
Educational
Technology,
42(3),
62–82.
https://doi.org/10.14742/ajet.10561
Baig,
M.,
&
Yadegaridehkordi,
E.
(2024).
ChatGPT in higher education: A systematic
literature
review
and
research
challenges.
International
Journal
of
Educational
Research,
127,
Article
102411.
https://doi.org/10.1016/j.ijer.2024.102411
Bandono, A., Mukhlis, M., Susilo, A., Prabowo,
A.,
&
Maksum,
A.
(2023).
Collaborative
learning
in
higher
education
in
the
Fourth
Industrial Revolution: A systematic literature
review
and
future
research.
International
Journal
of
Learning,
Teaching
and
Educational
Research,
22(10),
209–230.
https://doi.org/10.26803/ijlter.22.10.12
Basilotta,
V.,
Matarranz,
M.,
Casado,
L.,
&
Otto,
A.
(2022).
Teachers’
digital
competencies
in
higher
education:
A
systematic
literature
review.
International
Journal of Educational Technology in Higher
Education,
19,
Article
8.
https://doi.org/10.1186/s41239-021-00312-8
Bittle, K., & El-Gayar, O. (2025). Generative
AI
and
academic
integrity
in
higher
education: A systematic review and research
agenda.
Information,
16(4),
Article
296.
https://doi.org/10.3390/info16040296
Bond, M., Khosravi, H., De Laat, M., Bergdahl,
N., Negrea, V., Oxley, E., Pham, P., Chong,
S., & 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,
Article
4.
https://doi.org/10.1186/s41239-023-00436-z
Castro, L., Tamayo, J., Arango, M., Branch, J.,
& Burgos, D. (2020). Digital transformation
in higher education institutions: A systematic
literature
review.
Sensors,
20(11),
Article
3291.
https://doi.org/10.3390/s20113291
Chen,
S.,
&
Cheung,
A.
(2025).
Effect
of
generative artificial intelligence on university
students’
learning
outcomes:
A
systematic
review
and
meta-analysis.
Educational
Research
Review,
49,
Article
100737.
https://doi.org/10.1016/j.edurev.2025.10073
7
Crompton,
H.,
&
Burke,
D.
(2023).
Artificial
intelligence in higher education: The state of
the field. International Journal of Educational
Technology in Higher Education, 20, Article
22.
https://doi.org/10.1186/s41239-023-
00392-8
Dabis, A., & Csáki, C. (2024). AI and ethics:
Investigating
the
first
policy
responses
of
higher education institutions to the challenge
of
generative
AI.
Humanities
and
Social
Sciences Communications, 11, Article 1006.
https://doi.org/10.1057/s41599-024-03526-z
Dai,
Y.,
Lai,
S.,
Lim,
C.,
&
Liu,
A.
(2024).
University policies on generative AI in Asia:
Promising
practices,
gaps,
and
future
directions.
Journal
of
Asian
Public
Policy,
18(2),
260–281.
https://doi.org/10.1080/17516234.2024.2379
070
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S.
(2025).
Does
ChatGPT
enhance
student
learning?
A
systematic
review
and
meta-
analysis of experimental studies. Computers
&
Education,
227,
Article
105224.
https://doi.org/10.1016/j.compedu.2024.105
224
García,
I.,
&
Trujillo,
L.
(2025).
Ethical
and
regulatory
challenges
of
generative
AI
in
education: A systematic review. Frontiers in
Education,
10,
Article
1565938.
https://doi.org/10.3389/feduc.2025.1565938
Gkrimpizi, T., Peristeras, V., & Magnisalis, I.
(2023).
Classification
of
barriers
to
digital
transformation
in
higher
education
institutions:
Systematic
literature
review.
Education
Sciences,
13(7),
Article
746.
https://doi.org/10.3390/educsci13070746
Lintner, T. (2024). A systematic review of AI
literacy
scales.
npj
Science
of
Learning,
9,
Article
50.
https://doi.org/10.1038/s41539-
024-00264-4
López,
F.,
Angulo,
M.,
&
Sosa,
D.
(2025).
Formación
docente
en
IA
generativa:
Impacto ético y retos en educación superior.
Alteridad,
20(2),
166–177.
https://doi.org/10.17163/alt.v20n2.2025.01
Moreno,
A.,
Hernández,
R.,
&
Gonzales,
J.
(2022). El aseguramiento de la calidad en las
instituciones
de
educación
superior
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 397
latinoamericanas,
2018–2022.
Educación,
Arte
y
Comunicación,
11(2),
65–77.
https://doi.org/10.54753/eac.v2i11.1534
Okoye, K., Hussein, H., Arrona, A., Quintero,
H., Peña, L., Lopez, A., Arias, E., Escamilla,
J., & Hosseini, S. (2023). Impact of digital
technologies
upon
teaching
and
learning
in
higher
education
in
Latin
America:
An
outlook
on
the
reach,
barriers,
and
bottlenecks.
Education
and
Information
Technologies,
28(2),
2291–2360.
https://doi.org/10.1007/s10639-022-11214-1
Qian,
Y.
(2025).
Pedagogical
applications
of
generative
AI
in
higher
education:
A
systematic review of the field. TechTrends,
69,
1105–1120.
https://doi.org/10.1007/s11528-025-01100-1
Ríos,
I.,
Mateus,
J.,
Rivera,
D.,
&
Ávila,
L.
(2024).
Percepciones
de
estudiantes
latinoamericanos
sobre
el
uso
de
la
inteligencia
artificial
en
la
educación
superior.
Austral
Comunicación,
13(1),
Article
e01302.
https://doi.org/10.26422/aucom.2024.1301.ri
o
Saltos, R., Novoa, P., & Rodríguez, R. (2023).
Understanding
university
teachers’
digital
competencies: A systematic mapping study.
Education
and
Information
Technologies,
28(12),
16771–16822.
https://doi.org/10.1007/s10639-023-11669-
w
Strelan, P., Osborn, A.,
&
Palmer, E. (2020).
The
flipped
classroom:
A
meta-analysis
of
effects
on
student
performance
across
disciplines and education levels. Educational
Research
Review,
30,
Article
100314.
https://doi.org/10.1016/j.edurev.2020.10031
4
Useche, A., Galvis, Á., Díaz-Barriga, F., Patiño,
A., & Muñoz, C. (2022). Reflexive pedagogy
at
the
heart
of
educational
digital
transformation
in
Latin
American
higher
education
institutions.
International
Journal
of
Educational
Technology
in
Higher
Education,
19,
Article
62.
https://doi.org/10.1186/s41239-022-00365-3
Zhang,
L.,
&
Ma,
Y.
(2023).
A
study
of
the
impact of project-based learning on student
learning
effects:
A
meta-analysis
study.
Frontiers in Psychology, 14, Article 1202728.
https://doi.org/10.3389/fpsyg.2023.1202728
Zhong,
L.
(2023).
A
systematic
review
of
personalized
learning
in
higher
education:
Learning content structure, learning materials
sequence,
and
learning
readiness
support.
Interactive
Learning
Environments,
31(10),
7053–7073.
https://doi.org/10.1080/10494820.2022.2061
006
Esta obra está bajo una licencia de
Creative
Commons
Reconocimiento-No
Comercial
4.0 Internacional. Copyright ©
María Grazzia González
Quinto,
Silvia
Elizabeth
Morales
Morejón,
Rina
Rosalinda Castañeda Junco y Yanina del Rocío Carbo
Silva.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 11.1
Edición Especial XI 2026
Página 398
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT).
María Grazzia González Quinto: 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.
Silvia Elizabeth Morales Morejón: 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.
Rina Rosalinda Castañeda Junco: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del proyecto
investigativo y revisión editorial del manuscrito antes de su publicación.
Yanina del Rocío Carbo Silva.: 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.
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. 11.1
Edición Especial XI 2026
Página 399