Vol. 13/ Núm. 1 2026 pág. 1
https://doi.org/10.69639/arandu.v13i1.2141
Integración de la inteligencia artificial en el aula:
Capacitación docente para una enseñanza más eficiente
Integrating Artificial Intelligence into the Classroom: Teacher Training for More
Efficient Teaching
Verónica Paulina Alajo Anchatuña
vpalajoa@ube.edu.ec
https://orcid.org/0009-0002-0341-6813
Universidad Bolivariana del Ecuador
Latacunga – Ecuador
Manuel Fabián Amendaño Naranjo
mfamendanon@ube.edu.ec
https://orcid.org/0009-0009-1301-0375
Universidad Bolivariana del Ecuador
Azogues – Ecuador
Dario Alfonso Tapia Coloma
dario.tapiac@ug.edu.ec
https://orcid.org/0000-0002-9096-8925
Universidad Bolivariana del Ecuador
Guayaquil– Ecuador
Hendy Maier Pérez Barrera
hmperezb@ube.edu.ec
https://orcid.org/0000-0003-1989-2136
Universidad Bolivariana del Ecuador
Duran– Ecuador
Artículo recibido: 18 febrero 2026-Aceptado para publicación: 20 marzo 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La inteligencia artificial (IA) ha demostrado ser un instrumento muy prometedor en la
transformación de la enseñanza, la evaluación y la gestión educativa en general. Sin embargo, tal
práctica educativa innovadora depende principalmente de la formación y las habilidades
pedagógicas del personal docente. En este contexto, el presente estudio tuvo como objetivo
analizar el impacto de un programa de capacitación docente en inteligencia artificial sobre las
prácticas de enseñanza de profesores de primer año de bachillerato en el Colegio Técnico Daniel
Córdova Toral, en Ecuador. Se adoptó un enfoque cuantitativo con diseño pretest-postest en una
muestra de 74 docentes. Se aplicó un cuestionario validado (alfa de Cronbach > .90) para evaluar
habilidades digitales, actitudes, confianza pedagógica e integración de la IA en el currículo. Los
participantes recibieron capacitación sobre el uso pedagógico y ético de herramientas de IA
generativa. Los resultados evidenciaron un impacto positivo del programa, observándose
diferencias significativas entre las mediciones pretest y postest, confirmadas mediante pruebas t
Vol. 13/ Núm. 1 2026 pág. 2
de Student y Wilcoxon (p < .001). Destaca un incremento del 62,5 % en la preparación
pedagógica, así como mejoras en la confianza para aplicar IA (52,2 %) y en su implementación
(50,3 %). Se concluye que la capacitación docente sistemática en inteligencia artificial fortalece
las competencias pedagógicas y la integración curricular de estas tecnologías, aportando
evidencia relevante para el diseño de políticas institucionales y programas de desarrollo
profesional orientados a un uso ético y sostenible de la IA en la educación
Palabras clave: inteligencia artificial, capacitación docente, tecnología educativa,
competencias digitales, innovación pedagógica
ABSTRACT
Artificial intelligence (AI) has proven to be a very promising tool for transforming teaching,
assessment, and educational management in general. However, such innovative educational
practices depend primarily on the training and pedagogical skills of teaching staff. In this context,
the present study aimed to analyze the impact of a teacher training program in artificial
intelligence on the teaching practices of first-year high school teachers at the Daniel Córdova
Toral Technical College in Ecuador. A quantitative approach with a pretest-posttest design was
adopted with a sample of 74 teachers. A validated questionnaire (Cronbach's alpha > .90) was
used to assess digital skills, attitudes, pedagogical confidence, and the integration of AI into the
curriculum. Participants received training on the pedagogical and ethical use of generative AI
tools. The results showed a positive impact of the program, with significant differences observed
between the pretest and posttest measurements, confirmed by Student's t-test and Wilcoxon
signed-rank tests (p < .001). The study highlights a 62.5% increase in pedagogical preparedness,
as well as improvements in confidence in applying AI (52.2%) and in its implementation (50.3%).
It concludes that systematic teacher training in artificial intelligence strengthens pedagogical
skills and the curricular integration of these technologies, providing relevant evidence for the
design of institutional policies and professional development programs aimed at the ethical and
sustainable use of AI in education.
Keywords: Artificial intelligence, teacher training, educational technology, digital skills,
pedagogical innovation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
de Student y Wilcoxon (p < .001). Destaca un incremento del 62,5 % en la preparación
pedagógica, así como mejoras en la confianza para aplicar IA (52,2 %) y en su implementación
(50,3 %). Se concluye que la capacitación docente sistemática en inteligencia artificial fortalece
las competencias pedagógicas y la integración curricular de estas tecnologías, aportando
evidencia relevante para el diseño de políticas institucionales y programas de desarrollo
profesional orientados a un uso ético y sostenible de la IA en la educación
Palabras clave: inteligencia artificial, capacitación docente, tecnología educativa,
competencias digitales, innovación pedagógica
ABSTRACT
Artificial intelligence (AI) has proven to be a very promising tool for transforming teaching,
assessment, and educational management in general. However, such innovative educational
practices depend primarily on the training and pedagogical skills of teaching staff. In this context,
the present study aimed to analyze the impact of a teacher training program in artificial
intelligence on the teaching practices of first-year high school teachers at the Daniel Córdova
Toral Technical College in Ecuador. A quantitative approach with a pretest-posttest design was
adopted with a sample of 74 teachers. A validated questionnaire (Cronbach's alpha > .90) was
used to assess digital skills, attitudes, pedagogical confidence, and the integration of AI into the
curriculum. Participants received training on the pedagogical and ethical use of generative AI
tools. The results showed a positive impact of the program, with significant differences observed
between the pretest and posttest measurements, confirmed by Student's t-test and Wilcoxon
signed-rank tests (p < .001). The study highlights a 62.5% increase in pedagogical preparedness,
as well as improvements in confidence in applying AI (52.2%) and in its implementation (50.3%).
It concludes that systematic teacher training in artificial intelligence strengthens pedagogical
skills and the curricular integration of these technologies, providing relevant evidence for the
design of institutional policies and professional development programs aimed at the ethical and
sustainable use of AI in education.
Keywords: Artificial intelligence, teacher training, educational technology, digital skills,
pedagogical innovation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 1 2026 pág. 3
INTRODUCCIÓN
En el panorama educativo actual, la inteligencia artificial (IA) se considera una herramienta
revolucionaria capaz de cambiar el enfoque del proceso de enseñanza-aprendizaje, la evaluación
y la administración de la clase, tanto en niveles superiores como en educación básica y media
(Dellepiane y Guidi, 2023; Crompton y Burke, 2023). Para que los educadores integraran estas
tecnologías de manera ética, pedagógica y alineada al currículo, fue igualmente crucial la
capacitación en el uso de la IA (Aljemely, 2024). En el caso de la educación media superior
(primer año de bachillerato), los problemas pedagógicos incluyen la creciente diversidad
estudiantil, la motivación de los estudiantes y el uso de tecnologías emergentes, lo que requiere
que los docentes tengan altos niveles de competencia digital y formación especializada para
utilizar el apoyo pedagógico (Carbonell-García et al., 2023; Rondon-Morel et al., 2024).
El Colegio Técnico Daniel Córdova Toral es una institución con expectativas de precisión
académica y técnica que requieren innovación pedagógica. El uso de la inteligencia artificial con
los estudiantes de primer año de bachillerato podría mejorar positivamente la mejora del proceso
de enseñanza, la motivación estudiantil, la evaluación formativa y la personalización del
aprendizaje.
Investigaciones recientes han explorado la integración de la IA y las iniciativas de
formación docente. Sandu et al. (2024) determinaron el impacto de un programa de desarrollo
profesional basado en casos que mejoró significativamente la alfabetización en IA y la integración
de estrategias instruccionales entre docentes de educación media. Rondon-Morel et al., (2024)
estudiaron el impacto de la IA en la formación docente y distinguió las dimensiones cognitivas,
éticas, sensoriomotoras y emocionales, e informó que la formación podría fomentar el aprendizaje
autodirigido entre los docentes.
Méndez-Méndez et al. (2025) manejaron el marco TPACK para valorar el impacto de la
IA generativa en la formación docente en Ecuador y, tras esta investigación, informaron mejoras
detectadas en las competencias sobre tecnología educativa de los docentes.
Aljemely (2024) presentó una revisión sistemática de la literatura sobre los desafíos y las
prácticas emergentes para capacitar a los docentes en el uso de la IA y advirtió que la motivación,
el contexto del programa y el apoyo práctico son críticos para el éxito.
Sevilla Muñoz y Barrios Aquise (2025) llevaron a cabo un estudio pre-experimental en el
que los estudiantes de formación docente de educación secundaria capacitados intensivamente en
IA demostraron mejoras en la planificación de la instrucción con herramientas de IA.
Cepeda Campoverde (2025) exploró los usos y actitudes hacia la IA entre docentes
universitarios en la Universidad de Guayaquil, señalando que, aunque hay interés, los docentes
articulan brechas en infraestructura, competencia digital y falta de claridad y directrices
institucionales.
INTRODUCCIÓN
En el panorama educativo actual, la inteligencia artificial (IA) se considera una herramienta
revolucionaria capaz de cambiar el enfoque del proceso de enseñanza-aprendizaje, la evaluación
y la administración de la clase, tanto en niveles superiores como en educación básica y media
(Dellepiane y Guidi, 2023; Crompton y Burke, 2023). Para que los educadores integraran estas
tecnologías de manera ética, pedagógica y alineada al currículo, fue igualmente crucial la
capacitación en el uso de la IA (Aljemely, 2024). En el caso de la educación media superior
(primer año de bachillerato), los problemas pedagógicos incluyen la creciente diversidad
estudiantil, la motivación de los estudiantes y el uso de tecnologías emergentes, lo que requiere
que los docentes tengan altos niveles de competencia digital y formación especializada para
utilizar el apoyo pedagógico (Carbonell-García et al., 2023; Rondon-Morel et al., 2024).
El Colegio Técnico Daniel Córdova Toral es una institución con expectativas de precisión
académica y técnica que requieren innovación pedagógica. El uso de la inteligencia artificial con
los estudiantes de primer año de bachillerato podría mejorar positivamente la mejora del proceso
de enseñanza, la motivación estudiantil, la evaluación formativa y la personalización del
aprendizaje.
Investigaciones recientes han explorado la integración de la IA y las iniciativas de
formación docente. Sandu et al. (2024) determinaron el impacto de un programa de desarrollo
profesional basado en casos que mejoró significativamente la alfabetización en IA y la integración
de estrategias instruccionales entre docentes de educación media. Rondon-Morel et al., (2024)
estudiaron el impacto de la IA en la formación docente y distinguió las dimensiones cognitivas,
éticas, sensoriomotoras y emocionales, e informó que la formación podría fomentar el aprendizaje
autodirigido entre los docentes.
Méndez-Méndez et al. (2025) manejaron el marco TPACK para valorar el impacto de la
IA generativa en la formación docente en Ecuador y, tras esta investigación, informaron mejoras
detectadas en las competencias sobre tecnología educativa de los docentes.
Aljemely (2024) presentó una revisión sistemática de la literatura sobre los desafíos y las
prácticas emergentes para capacitar a los docentes en el uso de la IA y advirtió que la motivación,
el contexto del programa y el apoyo práctico son críticos para el éxito.
Sevilla Muñoz y Barrios Aquise (2025) llevaron a cabo un estudio pre-experimental en el
que los estudiantes de formación docente de educación secundaria capacitados intensivamente en
IA demostraron mejoras en la planificación de la instrucción con herramientas de IA.
Cepeda Campoverde (2025) exploró los usos y actitudes hacia la IA entre docentes
universitarios en la Universidad de Guayaquil, señalando que, aunque hay interés, los docentes
articulan brechas en infraestructura, competencia digital y falta de claridad y directrices
institucionales.
Vol. 13/ Núm. 1 2026 pág. 4
La literatura revisada indica que existe un creciente cuerpo de evidencia de que la
formación docente en IA puede mejorar competencias, prácticas pedagógicas e incluso actitudes,
al mismo tiempo que reflejan una falta de datos en contextos concretos de educación vocacional
de bachillerato en América Latina, así como en instituciones con un perfil vocacional técnico.
Si bien la literatura reporta beneficios significativos asociados a la formación docente en
inteligencia artificial —tales como el fortalecimiento de competencias digitales, la mejora en la
planificación pedagógica y el aumento de la autoeficacia profesional—, en muchas instituciones
de educación media técnica aún no se dispone de programas sistemáticos y contextualizados de
capacitación en IA. Esta carencia limita la adopción pedagógica crítica de estas herramientas y
reduce su potencial impacto transformador en el aula.
En el Colegio Técnico Daniel Córdova Toral no existen estudios de base evaluados que
permitan conocer de qué manera una capacitación instruccional específica impacta en la práctica
docente en bachilleres de primer año, y cuáles son las barreras (tecnológicas, conceptuales e
institucionales) que dificultan la adopción de la IA. Así, la pregunta central es la siguiente: ¿Cuál
es el impacto de un programa de capacitación docente en inteligencia artificial en las prácticas
pedagógicas y la integración curricular de la IA en docentes de bachillerato técnico?La
investigación es útil para mejorar la calidad de la educación, para actualizar las competencias
docentes, para implementar nuevos enfoques de enseñanza incorporando tecnologías
automatizadas en un contexto técnico, y también para orientar políticas institucionales y
estrategias formativas. El marco para la justificación de este estudio se basa en varios marcos
conceptuales y en hallazgos. El modelo TPACK (Conocimiento Tecnológico Pedagógico del
Contenido) integra distintos tipos de conocimiento y sostiene que para que las tecnologías se
integren de forma eficaz, el docente tiene que saber combinar el conocimiento del contenido que
se enseña, el conocimiento de la pedagogía y el conocimiento de la tecnología. Los programas de
formación docente en IA han obtenido buenos resultados cuando se ha formado siguiendo este
modelo (Koehler y Mishra, 2006). Investigaciones recientes han aplicado este marco para analizar
la preparación docente frente a la inteligencia artificial, demostrando que la disposición hacia la
IA está fuertemente asociada con el nivel de conocimiento tecnológico-pedagógico previo y la
confianza profesional (Yue, 2024).
Revisiones sistemáticas recientes han evidenciado que, aunque existe un amplio desarrollo
de aplicaciones de IA en el aula, persiste un desequilibrio entre la investigación centrada en el
uso tecnológico y aquella orientada al desarrollo profesional docente, subrayando la necesidad de
formación pedagógica estructurada, apoyo institucional y consideraciones éticas (Tan et al., 2025;
Sandu et al., 2024; Aljemely, 2024). Asimismo, investigaciones recientes han desarrollado
marcos específicos para evaluar la alfabetización en inteligencia artificial en no expertos,
identificando dimensiones cognitivas, éticas y aplicativas que deben ser consideradas en procesos
formativos docentes (Laupichler et al., 2023).
La literatura revisada indica que existe un creciente cuerpo de evidencia de que la
formación docente en IA puede mejorar competencias, prácticas pedagógicas e incluso actitudes,
al mismo tiempo que reflejan una falta de datos en contextos concretos de educación vocacional
de bachillerato en América Latina, así como en instituciones con un perfil vocacional técnico.
Si bien la literatura reporta beneficios significativos asociados a la formación docente en
inteligencia artificial —tales como el fortalecimiento de competencias digitales, la mejora en la
planificación pedagógica y el aumento de la autoeficacia profesional—, en muchas instituciones
de educación media técnica aún no se dispone de programas sistemáticos y contextualizados de
capacitación en IA. Esta carencia limita la adopción pedagógica crítica de estas herramientas y
reduce su potencial impacto transformador en el aula.
En el Colegio Técnico Daniel Córdova Toral no existen estudios de base evaluados que
permitan conocer de qué manera una capacitación instruccional específica impacta en la práctica
docente en bachilleres de primer año, y cuáles son las barreras (tecnológicas, conceptuales e
institucionales) que dificultan la adopción de la IA. Así, la pregunta central es la siguiente: ¿Cuál
es el impacto de un programa de capacitación docente en inteligencia artificial en las prácticas
pedagógicas y la integración curricular de la IA en docentes de bachillerato técnico?La
investigación es útil para mejorar la calidad de la educación, para actualizar las competencias
docentes, para implementar nuevos enfoques de enseñanza incorporando tecnologías
automatizadas en un contexto técnico, y también para orientar políticas institucionales y
estrategias formativas. El marco para la justificación de este estudio se basa en varios marcos
conceptuales y en hallazgos. El modelo TPACK (Conocimiento Tecnológico Pedagógico del
Contenido) integra distintos tipos de conocimiento y sostiene que para que las tecnologías se
integren de forma eficaz, el docente tiene que saber combinar el conocimiento del contenido que
se enseña, el conocimiento de la pedagogía y el conocimiento de la tecnología. Los programas de
formación docente en IA han obtenido buenos resultados cuando se ha formado siguiendo este
modelo (Koehler y Mishra, 2006). Investigaciones recientes han aplicado este marco para analizar
la preparación docente frente a la inteligencia artificial, demostrando que la disposición hacia la
IA está fuertemente asociada con el nivel de conocimiento tecnológico-pedagógico previo y la
confianza profesional (Yue, 2024).
Revisiones sistemáticas recientes han evidenciado que, aunque existe un amplio desarrollo
de aplicaciones de IA en el aula, persiste un desequilibrio entre la investigación centrada en el
uso tecnológico y aquella orientada al desarrollo profesional docente, subrayando la necesidad de
formación pedagógica estructurada, apoyo institucional y consideraciones éticas (Tan et al., 2025;
Sandu et al., 2024; Aljemely, 2024). Asimismo, investigaciones recientes han desarrollado
marcos específicos para evaluar la alfabetización en inteligencia artificial en no expertos,
identificando dimensiones cognitivas, éticas y aplicativas que deben ser consideradas en procesos
formativos docentes (Laupichler et al., 2023).
Vol. 13/ Núm. 1 2026 pág. 5
Estudios latinoamericanos que sugieren que los programas de formación docente en IA no
solo aumentan el nivel de competencias técnicas, sino también el nivel de motivación,
autoeficacia en la enseñanza y el nivel de percepción del valor educativo (Rondon-Morel et al.,
2024; Méndez-Méndez et al., 2025).
Los últimos años han visto un aumento en el desarrollo de tecnologías digitales e
inteligencia artificial (IA). Esto ha llevado a transformaciones sucesivas en todos los sistemas
educativos, que motivan la enseñanza, la evaluación y la gestión del aprendizaje de nuevas
maneras. Varios estudios han señalado la posibilidad de automatización de procesos educativos,
personalización del aprendizaje y mejora de la retroalimentación instructiva, a través del uso de
herramientas basadas en IA. Esto conduce a una mayor innovación en el aula (Holmes, Bialik y
Fadel, 2019; Zawacki-Richter et al., 2019). Lo anterior demanda una mayor competencia digital
por parte de los docentes, así como a repensar los modelos pedagógicos tradicionales hacia
enfoques más flexibles, interactivos y centrados en el estudiante.
Considerando la región de América Latina, múltiples estudios han resaltado la importancia
de la tecnología educativa como elemento facilitador en el proceso de enseñanza y aprendizaje en
varios niveles educativos. Por ejemplo, observaciones recientes indican que la utilización
estratégica de ciertos recursos digitales, por un lado, contribuye a la comprensión de la materia y,
por otro lado, ayuda a generar espacios más dinámicos e inclusivos para el aprendizaje (Bernal
Párraga et al., 2024; Guamaní Vargas, 2024). También, el uso de recursos tecnológicos en el aula,
por una parte, contribuye al desarrollo de metodologías activas que promueven el aprendizaje
significativo y la participación de los estudiantes, sobre todo, cuando estas metodologías son
acompañadas por estrategias pedagógicas que se centren en el desarrollo de competencias
(Aguilar Tinoco et al., 2024; Arequipa Molina et al., 2024).
También se ha demostrado que la inteligencia artificial puede ser muy útil para la
personalización del aprendizaje y el desarrollo de las capacidades cognitivas de los alumnos. En
este contexto, la incorporación de asistentes virtuales, chatbots y plataformas adaptativas ha sido
una herramienta eficaz para impulsar procesos educativos más individualizados y enfocados en
los requerimientos del alumno (Guishca Ayala et al., 2024; Jara Chiriboga et al., 2025). Estos
recursos tecnológicos cuentan con la capacidad de procesar grandes cantidades de información
educativa, detectar patrones en los procesos de aprendizaje y formular recomendaciones
pedagógicas para apoyar el proceso de enseñanza.
En estos últimos años se ha hablado bastante sobre la inteligencia artificial en la educación.
Pero, siendo más realistas, su impacto no depende únicamente de la tecnología. Tiene más que
ver con cómo se usa dentro del aula. Porque sí, puede sonar muy innovador, pero si no hay una
intención clara detrás, muchas veces no pasa gran cosa.
Por ejemplo, está el tema de la gamificación. Algunos estudios la relacionan con el uso de
tecnologías emergentes y mencionan que puede ayudar a que los estudiantes se involucren más.
Estudios latinoamericanos que sugieren que los programas de formación docente en IA no
solo aumentan el nivel de competencias técnicas, sino también el nivel de motivación,
autoeficacia en la enseñanza y el nivel de percepción del valor educativo (Rondon-Morel et al.,
2024; Méndez-Méndez et al., 2025).
Los últimos años han visto un aumento en el desarrollo de tecnologías digitales e
inteligencia artificial (IA). Esto ha llevado a transformaciones sucesivas en todos los sistemas
educativos, que motivan la enseñanza, la evaluación y la gestión del aprendizaje de nuevas
maneras. Varios estudios han señalado la posibilidad de automatización de procesos educativos,
personalización del aprendizaje y mejora de la retroalimentación instructiva, a través del uso de
herramientas basadas en IA. Esto conduce a una mayor innovación en el aula (Holmes, Bialik y
Fadel, 2019; Zawacki-Richter et al., 2019). Lo anterior demanda una mayor competencia digital
por parte de los docentes, así como a repensar los modelos pedagógicos tradicionales hacia
enfoques más flexibles, interactivos y centrados en el estudiante.
Considerando la región de América Latina, múltiples estudios han resaltado la importancia
de la tecnología educativa como elemento facilitador en el proceso de enseñanza y aprendizaje en
varios niveles educativos. Por ejemplo, observaciones recientes indican que la utilización
estratégica de ciertos recursos digitales, por un lado, contribuye a la comprensión de la materia y,
por otro lado, ayuda a generar espacios más dinámicos e inclusivos para el aprendizaje (Bernal
Párraga et al., 2024; Guamaní Vargas, 2024). También, el uso de recursos tecnológicos en el aula,
por una parte, contribuye al desarrollo de metodologías activas que promueven el aprendizaje
significativo y la participación de los estudiantes, sobre todo, cuando estas metodologías son
acompañadas por estrategias pedagógicas que se centren en el desarrollo de competencias
(Aguilar Tinoco et al., 2024; Arequipa Molina et al., 2024).
También se ha demostrado que la inteligencia artificial puede ser muy útil para la
personalización del aprendizaje y el desarrollo de las capacidades cognitivas de los alumnos. En
este contexto, la incorporación de asistentes virtuales, chatbots y plataformas adaptativas ha sido
una herramienta eficaz para impulsar procesos educativos más individualizados y enfocados en
los requerimientos del alumno (Guishca Ayala et al., 2024; Jara Chiriboga et al., 2025). Estos
recursos tecnológicos cuentan con la capacidad de procesar grandes cantidades de información
educativa, detectar patrones en los procesos de aprendizaje y formular recomendaciones
pedagógicas para apoyar el proceso de enseñanza.
En estos últimos años se ha hablado bastante sobre la inteligencia artificial en la educación.
Pero, siendo más realistas, su impacto no depende únicamente de la tecnología. Tiene más que
ver con cómo se usa dentro del aula. Porque sí, puede sonar muy innovador, pero si no hay una
intención clara detrás, muchas veces no pasa gran cosa.
Por ejemplo, está el tema de la gamificación. Algunos estudios la relacionan con el uso de
tecnologías emergentes y mencionan que puede ayudar a que los estudiantes se involucren más.
Vol. 13/ Núm. 1 2026 pág. 6
No es que automáticamente todo funcione mejor, pero sí cambia un poco la dinámica de la clase.
Se vuelve menos pesada, por decirlo así, y los estudiantes participan más (Jara Chiriboga et al.,
2025).
También está lo de la formación docente, que aparece todo el tiempo en este tipo de
discusiones. Y tiene sentido. Si el docente no sabe bien cómo usar estas herramientas, es
complicado que realmente aporten algo. Sobre todo en grupos donde hay diferentes formas de
aprender o necesidades distintas. Ahí es donde el papel del docente sigue siendo clave, incluso
con toda la tecnología disponible (Troya Santillán et al., 2024).
A veces da la impresión de que todo se centra en la tecnología, pero no debería ser así. Más
bien, el punto está en cómo se combinan lo pedagógico, lo tecnológico y lo motivacional. Cuando
eso no encaja bien, se nota. En cambio, cuando sí hay cierta coherencia, el proceso de enseñanza
fluye mejor, aunque no sea perfecto.
Por otro lado, se habla bastante de las plataformas adaptativas basadas en inteligencia
artificial. La idea es que se ajusten a cada estudiante, y en muchos casos sí lo logran. Esto puede
ayudar con el rendimiento, pero también con algo importante: que el estudiante se vuelva más
autónomo. Aunque, claro, eso tampoco pasa automáticamente en todos los casos (Padilla Chicaiza
et al., 2025).
En general, todo esto lleva a una conclusión bastante sencilla: no se trata solo de usar
tecnología. Hace falta saber cómo usarla y para qué. Y ahí, otra vez, la formación docente termina
siendo clave, no solo en lo técnico, sino en cómo se adapta todo esto a cada contexto.
Por otro lado, la literatura también enfatiza el papel de las tecnologías emergentes en la
transformación de las prácticas docentes, así como la mejora de las competencias profesionales
de los docentes. Estudios recientes indican que la integración de herramientas y recursos digitales
basados en inteligencia artificial promueve el desarrollo de nuevas estrategias pedagógicas que
estimulan la creatividad, la resolución de problemas y el pensamiento crítico en los estudiantes
(Castillo Baño et al., 2024; Santana Mero et al., 2024). Asimismo, el uso de plataformas digitales
de evaluación y sistemas de retroalimentación automatizada contribuye a la mejora del
seguimiento del aprendizaje y a la optimización de la toma de decisiones pedagógicas basadas en
evidencia (Quiroz Moreira et al., 2024).
En cuanto a la innovación pedagógica, varios estudios han indicado que el uso combinado
de tecnologías digitales, inteligencia artificial y metodologías activas puede resultar en mejoras
significativas en la motivación de los estudiantes y su rendimiento académico. Por ejemplo,
estudios recientes han demostrado que las aplicaciones educativas basadas en inteligencia
artificial fortalecen la personalización del aprendizaje y el ajuste de contenido a los diferentes
estilos cognitivos de los estudiantes (Zamora Arana et al., 2024; Troya Santilán et al., 2024). El
desarrollo de entornos de aprendizaje híbridos y modelos educativos flexibles también ha
No es que automáticamente todo funcione mejor, pero sí cambia un poco la dinámica de la clase.
Se vuelve menos pesada, por decirlo así, y los estudiantes participan más (Jara Chiriboga et al.,
2025).
También está lo de la formación docente, que aparece todo el tiempo en este tipo de
discusiones. Y tiene sentido. Si el docente no sabe bien cómo usar estas herramientas, es
complicado que realmente aporten algo. Sobre todo en grupos donde hay diferentes formas de
aprender o necesidades distintas. Ahí es donde el papel del docente sigue siendo clave, incluso
con toda la tecnología disponible (Troya Santillán et al., 2024).
A veces da la impresión de que todo se centra en la tecnología, pero no debería ser así. Más
bien, el punto está en cómo se combinan lo pedagógico, lo tecnológico y lo motivacional. Cuando
eso no encaja bien, se nota. En cambio, cuando sí hay cierta coherencia, el proceso de enseñanza
fluye mejor, aunque no sea perfecto.
Por otro lado, se habla bastante de las plataformas adaptativas basadas en inteligencia
artificial. La idea es que se ajusten a cada estudiante, y en muchos casos sí lo logran. Esto puede
ayudar con el rendimiento, pero también con algo importante: que el estudiante se vuelva más
autónomo. Aunque, claro, eso tampoco pasa automáticamente en todos los casos (Padilla Chicaiza
et al., 2025).
En general, todo esto lleva a una conclusión bastante sencilla: no se trata solo de usar
tecnología. Hace falta saber cómo usarla y para qué. Y ahí, otra vez, la formación docente termina
siendo clave, no solo en lo técnico, sino en cómo se adapta todo esto a cada contexto.
Por otro lado, la literatura también enfatiza el papel de las tecnologías emergentes en la
transformación de las prácticas docentes, así como la mejora de las competencias profesionales
de los docentes. Estudios recientes indican que la integración de herramientas y recursos digitales
basados en inteligencia artificial promueve el desarrollo de nuevas estrategias pedagógicas que
estimulan la creatividad, la resolución de problemas y el pensamiento crítico en los estudiantes
(Castillo Baño et al., 2024; Santana Mero et al., 2024). Asimismo, el uso de plataformas digitales
de evaluación y sistemas de retroalimentación automatizada contribuye a la mejora del
seguimiento del aprendizaje y a la optimización de la toma de decisiones pedagógicas basadas en
evidencia (Quiroz Moreira et al., 2024).
En cuanto a la innovación pedagógica, varios estudios han indicado que el uso combinado
de tecnologías digitales, inteligencia artificial y metodologías activas puede resultar en mejoras
significativas en la motivación de los estudiantes y su rendimiento académico. Por ejemplo,
estudios recientes han demostrado que las aplicaciones educativas basadas en inteligencia
artificial fortalecen la personalización del aprendizaje y el ajuste de contenido a los diferentes
estilos cognitivos de los estudiantes (Zamora Arana et al., 2024; Troya Santilán et al., 2024). El
desarrollo de entornos de aprendizaje híbridos y modelos educativos flexibles también ha
Vol. 13/ Núm. 1 2026 pág. 7
ampliado las oportunidades de acceso al conocimiento y promovido una educación más inclusiva
y equitativa (Serrano Aguilar et al., 2024).
Los estudios actuales siguen enmarcando la importancia de la potenciación del
pensamiento computacional y el desarrollo de la competencia digital como una respuesta
educativa a las demandas de la sociedad del conocimiento. En este sentido, se ha evidenciado que
la incorporación de nuevas tecnologías en el aula favorece el desarrollo de habilidades analíticas,
lógicas y de pensamiento crítico, que son imprescindibles para el aprendizaje en el entorno digital
(Bernal Párraga et al., 2024). Asimismo, el uso de la inteligencia artificial en distintas áreas del
conocimiento ha hecho posible la creación de nuevas metodologías para la enseñanza y el
aprendizaje de manera interdisciplinaria (Bernal Párraga et al., 2025; Villacreses Sarzoza et al.,
2025).
En este sentido, estos estudios apuntan a que la fusión de la inteligencia artificial y otras
tecnologías en la educación se ha convertido en una de las principales características de los
actuales sistemas educativos. No obstante, los estudios apuntan que es necesario llevar a cabo una
inversión en la capacitación docente, en la dotación de tecnologías de manera equitativa, y en la
elaboración de orientaciones pedagógicas para el uso de estas tecnologías de manera ética y
responsable en los procesos de enseñanza y aprendizaje.
Además, el énfasis de este estudio surge de la creciente convocatoria alrededor del mundo
por parte de organizaciones internacionales para integrar la IA a la educación de una manera que
sea ética, equitativa y con una organización adecuada de la formación docente (UNESCO, 2023).
Si bien no se han estudiado profundamente todos los contextos técnicos, la evidencia hasta ahora
indica que las intervenciones educativas (formación, talleres, mentoría) pueden promover el uso
de la IA como una innovación educativa.
Propósito general: Evaluar el impacto de un programa de capacitación docente en
inteligencia artificial (IA) sobre las capacidades digitales, la confianza pedagógica y la intención
de integración curricular de la IA en maestros de primer año de bachillerato técnico del Colegio
Técnico Daniel Córdova Toral.
Objetivos específicos
1) Detallar el nivel inicial de competencias digitales, actitudes y percepción docente sobre el
uso de la IA antes de la intervención formativa (pretest).
2) Examinar los cambios en las competencias pedagógicas, la confianza para aplicar IA y la
intención de integración curricular después de la intervención (postest).
3) Cotejar estadísticamente las puntuaciones del pretest y el postest para identificar
diferencias significativas atribuibles al programa de capacitación.
ampliado las oportunidades de acceso al conocimiento y promovido una educación más inclusiva
y equitativa (Serrano Aguilar et al., 2024).
Los estudios actuales siguen enmarcando la importancia de la potenciación del
pensamiento computacional y el desarrollo de la competencia digital como una respuesta
educativa a las demandas de la sociedad del conocimiento. En este sentido, se ha evidenciado que
la incorporación de nuevas tecnologías en el aula favorece el desarrollo de habilidades analíticas,
lógicas y de pensamiento crítico, que son imprescindibles para el aprendizaje en el entorno digital
(Bernal Párraga et al., 2024). Asimismo, el uso de la inteligencia artificial en distintas áreas del
conocimiento ha hecho posible la creación de nuevas metodologías para la enseñanza y el
aprendizaje de manera interdisciplinaria (Bernal Párraga et al., 2025; Villacreses Sarzoza et al.,
2025).
En este sentido, estos estudios apuntan a que la fusión de la inteligencia artificial y otras
tecnologías en la educación se ha convertido en una de las principales características de los
actuales sistemas educativos. No obstante, los estudios apuntan que es necesario llevar a cabo una
inversión en la capacitación docente, en la dotación de tecnologías de manera equitativa, y en la
elaboración de orientaciones pedagógicas para el uso de estas tecnologías de manera ética y
responsable en los procesos de enseñanza y aprendizaje.
Además, el énfasis de este estudio surge de la creciente convocatoria alrededor del mundo
por parte de organizaciones internacionales para integrar la IA a la educación de una manera que
sea ética, equitativa y con una organización adecuada de la formación docente (UNESCO, 2023).
Si bien no se han estudiado profundamente todos los contextos técnicos, la evidencia hasta ahora
indica que las intervenciones educativas (formación, talleres, mentoría) pueden promover el uso
de la IA como una innovación educativa.
Propósito general: Evaluar el impacto de un programa de capacitación docente en
inteligencia artificial (IA) sobre las capacidades digitales, la confianza pedagógica y la intención
de integración curricular de la IA en maestros de primer año de bachillerato técnico del Colegio
Técnico Daniel Córdova Toral.
Objetivos específicos
1) Detallar el nivel inicial de competencias digitales, actitudes y percepción docente sobre el
uso de la IA antes de la intervención formativa (pretest).
2) Examinar los cambios en las competencias pedagógicas, la confianza para aplicar IA y la
intención de integración curricular después de la intervención (postest).
3) Cotejar estadísticamente las puntuaciones del pretest y el postest para identificar
diferencias significativas atribuibles al programa de capacitación.
Vol. 13/ Núm. 1 2026 pág. 8
MATERIALES Y MÉTODOS
El presente estudio adoptó un enfoque exclusivamente cuantitativo y un diseño descriptivo
y correlacional con el fin de medir y analizar objetivamente las competencias digitales, la
frecuencia de uso de herramientas de inteligencia artificial y las actitudes del profesorado hacia
su integración en la enseñanza. Aunque el estudio es cuantitativo, la integración de múltiples
fuentes de datos a través de análisis visuales facilitó la interpretación de los resultados y fortaleció
la validez inferencial; en investigaciones de tecnología educativa, las estrategias de display visual
conjunto han mostrado ser eficaces para integrar métricas estadísticas y observaciones cualitativas
(Peters y Fàbregues, 2023). A tal efecto, se diseñó un cuestionario estructurado que permitió
recoger datos comparables y estadísticamente significativos, así como proponer relaciones entre
las variables evaluadas. Este tipo de diseño es común en estudios sobre innovación educativa, ya
que proporciona evidencia empírica clara sobre los niveles de preparación del profesorado y las
tendencias de uso tecnológico en contextos formativos (Tripathi et al., 2025). La población estuvo
conformada por todos los docentes en servicio del bachillerato técnico del Colegio Técnico Daniel
Córdova Toral. Se trabajó con la población accesible (n = 74), bajo un muestreo no probabilístico
por conveniencia, teniendo en cuenta la disponibilidad institucional para participar en el pretest y
el postest.
Criterios de inclusión y exclusión
Los criterios de inclusión consideraron: ser docente de primer año de bachillerato en
Colegio Técnico Daniel Córdova Toral, haber participado en alguna actividad de formación en
tecnologías digitales (sin que necesariamente se tuvieran conocimientos en inteligencia artificial),
y la disposición a participar en las sesiones de formación y en las evaluaciones de pretest y postest
de forma voluntaria. En los criterios de exclusión se consideraron haber estado en periodo de
licencia, tener menos de seis meses en la institución, y no tener el equipamiento tecnológico
mínimo indispensable que le permita participar en las actividades formativas.
Tamaño de la muestra y justificación metodológica
Con respecto al componente cuantitativo, la estimación del tamaño de la muestra se
justificó considerando estudios previos sobre competencias digitales e iniciativas de formación
en inteligencia artificial. Estudios más recientes señalan que para alcanzar niveles ajustados de
fiabilidad estadística se han utilizado muestras que oscilan entre 80 y 200 docentes (Vieriu y
Petrea, 2025; Menacho Ángeles et al., 2024), además de que algunos instrumentos fueron
validados, corroborándose consistencia interna y fiabilidad con los coeficientes de alfa de
Cronbach por encima de .90 (Reina-Parrado et al., 2025), lo que permitió corroborar la
consistencia interna de instrumentos como los cuestionarios.
MATERIALES Y MÉTODOS
El presente estudio adoptó un enfoque exclusivamente cuantitativo y un diseño descriptivo
y correlacional con el fin de medir y analizar objetivamente las competencias digitales, la
frecuencia de uso de herramientas de inteligencia artificial y las actitudes del profesorado hacia
su integración en la enseñanza. Aunque el estudio es cuantitativo, la integración de múltiples
fuentes de datos a través de análisis visuales facilitó la interpretación de los resultados y fortaleció
la validez inferencial; en investigaciones de tecnología educativa, las estrategias de display visual
conjunto han mostrado ser eficaces para integrar métricas estadísticas y observaciones cualitativas
(Peters y Fàbregues, 2023). A tal efecto, se diseñó un cuestionario estructurado que permitió
recoger datos comparables y estadísticamente significativos, así como proponer relaciones entre
las variables evaluadas. Este tipo de diseño es común en estudios sobre innovación educativa, ya
que proporciona evidencia empírica clara sobre los niveles de preparación del profesorado y las
tendencias de uso tecnológico en contextos formativos (Tripathi et al., 2025). La población estuvo
conformada por todos los docentes en servicio del bachillerato técnico del Colegio Técnico Daniel
Córdova Toral. Se trabajó con la población accesible (n = 74), bajo un muestreo no probabilístico
por conveniencia, teniendo en cuenta la disponibilidad institucional para participar en el pretest y
el postest.
Criterios de inclusión y exclusión
Los criterios de inclusión consideraron: ser docente de primer año de bachillerato en
Colegio Técnico Daniel Córdova Toral, haber participado en alguna actividad de formación en
tecnologías digitales (sin que necesariamente se tuvieran conocimientos en inteligencia artificial),
y la disposición a participar en las sesiones de formación y en las evaluaciones de pretest y postest
de forma voluntaria. En los criterios de exclusión se consideraron haber estado en periodo de
licencia, tener menos de seis meses en la institución, y no tener el equipamiento tecnológico
mínimo indispensable que le permita participar en las actividades formativas.
Tamaño de la muestra y justificación metodológica
Con respecto al componente cuantitativo, la estimación del tamaño de la muestra se
justificó considerando estudios previos sobre competencias digitales e iniciativas de formación
en inteligencia artificial. Estudios más recientes señalan que para alcanzar niveles ajustados de
fiabilidad estadística se han utilizado muestras que oscilan entre 80 y 200 docentes (Vieriu y
Petrea, 2025; Menacho Ángeles et al., 2024), además de que algunos instrumentos fueron
validados, corroborándose consistencia interna y fiabilidad con los coeficientes de alfa de
Cronbach por encima de .90 (Reina-Parrado et al., 2025), lo que permitió corroborar la
consistencia interna de instrumentos como los cuestionarios.
Vol. 13/ Núm. 1 2026 pág. 9
Plataforma institucional y herramientas tecnológicas
La formación se llevó de manera presencial y para las notas o registros se utilizó la
plataforma institucional Mi Académico, que actualmente es utilizada por el Colegio Técnico
Daniel Córdova Toral. Esto permitió la consolidación de contenido de capacitación, recursos y
actividades. La estrategia pedagógica incorporó herramientas y plataformas tecnológicas que
utilizaban inteligencia artificial generativa para ayudar en la práctica docente, incluidos chatbots,
generadores de texto, asistentes virtuales, entre otros. Una descripción detallada de estas
herramientas, sus objetivos y el momento de su uso se presentó en una tabla de planificación
específica en la sección metodológica.
Se utilizó la plataforma Mi Académico, la cual incluyó análisis predictivo y otras
herramientas basadas en IA para la evaluación formativa.
Herramientas de recolección de datos: cuestionario estructurado (escala Likert) aplicado en
modalidad pretest y postest.
Los elementos fundamentales de este estudio derivaron de trabajos que contienen
combinaciones relacionadas de formación sobre inteligencia artificial y su aplicación que
involucra la evaluación del impacto en la práctica docente (Zegarra Ramírez, 2025; Fernández-
Miranda et al., 2024).
El procedimiento se construyó en fases.
Fase 1 - Planificación: programación inicial, esquema del programa de formación, diseño
y/o modificación de instrumentos, validación piloto.
Fase 2 - La etapa de recolección de datos inicial implicó la evaluación de las habilidades
digitales preexistentes y los modelos mentales asociados hacia la IA, junto con la evaluación de
las prácticas docentes existentes entre los docentes.
Fase 3 - Intervención de Formación: capacitación in situ sobre IA aplicada (se ejecutaron
varias sesiones con ejercicios contextualizados según el currículo de bachillerato y herramientas
accesibles que fortalecieran las habilidades a los docentes.
Fase 4 - Implementación Práctica: se implementó los materiales y recursos aprendidos
en el proceso de enseñanza y aprendizaje durante un periodo determinado en un trimestre.
Fase 5 – Recolección de datos de rastreo (Post-prueba): se utilizaron los mismos
instrumentos cuantitativos, con el fin de medir los cambios después de la intervención formativa.
Fase 6 – Análisis: Se realizó una evaluación comparativa entre los resultados pre y post
intervención, utilizaron procedimientos estadísticos descriptivos e inferenciales para determinar
cambios significativos en las variables estudiadas. Asimismo, se complementaron pruebas
paramétricas y no paramétricas para robustecer la interpretación de los hallazgos.
Fase 7 – Reflexión: Posteriormente, se llevó a cabo un espacio de retroalimentación con
los docentes participantes, orientado a discutir los resultados obtenidos y contrastarlos con las
experiencias pedagógicas reportadas. Esta reflexión permitió identificar supuestos implícitos,
Plataforma institucional y herramientas tecnológicas
La formación se llevó de manera presencial y para las notas o registros se utilizó la
plataforma institucional Mi Académico, que actualmente es utilizada por el Colegio Técnico
Daniel Córdova Toral. Esto permitió la consolidación de contenido de capacitación, recursos y
actividades. La estrategia pedagógica incorporó herramientas y plataformas tecnológicas que
utilizaban inteligencia artificial generativa para ayudar en la práctica docente, incluidos chatbots,
generadores de texto, asistentes virtuales, entre otros. Una descripción detallada de estas
herramientas, sus objetivos y el momento de su uso se presentó en una tabla de planificación
específica en la sección metodológica.
Se utilizó la plataforma Mi Académico, la cual incluyó análisis predictivo y otras
herramientas basadas en IA para la evaluación formativa.
Herramientas de recolección de datos: cuestionario estructurado (escala Likert) aplicado en
modalidad pretest y postest.
Los elementos fundamentales de este estudio derivaron de trabajos que contienen
combinaciones relacionadas de formación sobre inteligencia artificial y su aplicación que
involucra la evaluación del impacto en la práctica docente (Zegarra Ramírez, 2025; Fernández-
Miranda et al., 2024).
El procedimiento se construyó en fases.
Fase 1 - Planificación: programación inicial, esquema del programa de formación, diseño
y/o modificación de instrumentos, validación piloto.
Fase 2 - La etapa de recolección de datos inicial implicó la evaluación de las habilidades
digitales preexistentes y los modelos mentales asociados hacia la IA, junto con la evaluación de
las prácticas docentes existentes entre los docentes.
Fase 3 - Intervención de Formación: capacitación in situ sobre IA aplicada (se ejecutaron
varias sesiones con ejercicios contextualizados según el currículo de bachillerato y herramientas
accesibles que fortalecieran las habilidades a los docentes.
Fase 4 - Implementación Práctica: se implementó los materiales y recursos aprendidos
en el proceso de enseñanza y aprendizaje durante un periodo determinado en un trimestre.
Fase 5 – Recolección de datos de rastreo (Post-prueba): se utilizaron los mismos
instrumentos cuantitativos, con el fin de medir los cambios después de la intervención formativa.
Fase 6 – Análisis: Se realizó una evaluación comparativa entre los resultados pre y post
intervención, utilizaron procedimientos estadísticos descriptivos e inferenciales para determinar
cambios significativos en las variables estudiadas. Asimismo, se complementaron pruebas
paramétricas y no paramétricas para robustecer la interpretación de los hallazgos.
Fase 7 – Reflexión: Posteriormente, se llevó a cabo un espacio de retroalimentación con
los docentes participantes, orientado a discutir los resultados obtenidos y contrastarlos con las
experiencias pedagógicas reportadas. Esta reflexión permitió identificar supuestos implícitos,
Vol. 13/ Núm. 1 2026 pág. 10
generar aportes críticos y refinar la interpretación de los hallazgos para fortalecer la validez del
estudio.
Este diseño metodológico replica estudios previos en el campo de la educación con
inteligencia artificial que emplean evaluaciones pre y post intervención para estimar el impacto
formativo de programas de capacitación docente (Vieriu y Petrea, 2025; Karataş, 2025).
Análisis de Datos y Fiabilidad del Estudio
Dado el carácter cuantitativo del marco metodológico del estudio, los datos recopilados a
través de cuestionarios estructurados fueron analizados cuantitativa y estadísticamente mediante
técnicas descriptivas e inferenciales. Inicialmente, el análisis incluyó cálculos de frecuencia,
media y desviación estándar para caracterizar las respuestas de los participantes. Esto fue seguido
de pruebas estadísticas, específicamente la prueba t de Student para muestras apareadas y el
análisis de varianza (ANOVA), basándose en las variables y objetivos del estudio para evaluar la
significación de las diferencias entre los resultados de las pruebas del pretest y el postest.
El análisis de fiabilidad de los instrumentos se centró en la evaluación del coeficiente alfa
de Cronbach y se llevó a cabo de la manera exacta como lo describen Reina-Parrado et al. (2025)
en el campo. En cuanto al aspecto de validez, el contenido fue validado mediante juicio de
expertos, incluida la estimación del índice de validez de contenido (IVC), asegurando la
relevancia de los ítems con respecto a los objetivos del estudio.
Asimismo, se complementaron pruebas paramétricas y no paramétricas para robustecer la
interpretación de los hallazgos. Esto contribuyó a mejorar la validez interna del estudio (Tripathi
et al., 2025; Karataş, 2025).
El estudio también empleó la triangulación de resultados metodológicos para el enfoque
cuantitativo al comparar los datos recopilados a través de varias variables e instrumentos
aplicados en diferentes etapas de los procesos. Esto mejoró la validez interna del estudio (Tripathi
et al., 2025; Karataş, 2025).
Para garantizar los principios éticos de la investigación, los participantes firmaron un
consentimiento informado, el cual fue archivado junto con la documentación del proyecto.
Respecto a la protección de los datos y el anonimato de los participantes, los datos
personales fueron codificados para garantizar el anonimato y su tratamiento se realizó únicamente
con fines científicos.
En el cumplimiento con los protocolos de la institución, el proyecto fue sometido a la
revisión del comité de ética correspondiente.
Uso Responsable de Tecnologías de IA: Se consideraron percepciones éticas de la IA, la
privacidad de los datos generados, derechos de propiedad intelectual y evitar sesgos algorítmicos
(Tripathi et al., 2025).
generar aportes críticos y refinar la interpretación de los hallazgos para fortalecer la validez del
estudio.
Este diseño metodológico replica estudios previos en el campo de la educación con
inteligencia artificial que emplean evaluaciones pre y post intervención para estimar el impacto
formativo de programas de capacitación docente (Vieriu y Petrea, 2025; Karataş, 2025).
Análisis de Datos y Fiabilidad del Estudio
Dado el carácter cuantitativo del marco metodológico del estudio, los datos recopilados a
través de cuestionarios estructurados fueron analizados cuantitativa y estadísticamente mediante
técnicas descriptivas e inferenciales. Inicialmente, el análisis incluyó cálculos de frecuencia,
media y desviación estándar para caracterizar las respuestas de los participantes. Esto fue seguido
de pruebas estadísticas, específicamente la prueba t de Student para muestras apareadas y el
análisis de varianza (ANOVA), basándose en las variables y objetivos del estudio para evaluar la
significación de las diferencias entre los resultados de las pruebas del pretest y el postest.
El análisis de fiabilidad de los instrumentos se centró en la evaluación del coeficiente alfa
de Cronbach y se llevó a cabo de la manera exacta como lo describen Reina-Parrado et al. (2025)
en el campo. En cuanto al aspecto de validez, el contenido fue validado mediante juicio de
expertos, incluida la estimación del índice de validez de contenido (IVC), asegurando la
relevancia de los ítems con respecto a los objetivos del estudio.
Asimismo, se complementaron pruebas paramétricas y no paramétricas para robustecer la
interpretación de los hallazgos. Esto contribuyó a mejorar la validez interna del estudio (Tripathi
et al., 2025; Karataş, 2025).
El estudio también empleó la triangulación de resultados metodológicos para el enfoque
cuantitativo al comparar los datos recopilados a través de varias variables e instrumentos
aplicados en diferentes etapas de los procesos. Esto mejoró la validez interna del estudio (Tripathi
et al., 2025; Karataş, 2025).
Para garantizar los principios éticos de la investigación, los participantes firmaron un
consentimiento informado, el cual fue archivado junto con la documentación del proyecto.
Respecto a la protección de los datos y el anonimato de los participantes, los datos
personales fueron codificados para garantizar el anonimato y su tratamiento se realizó únicamente
con fines científicos.
En el cumplimiento con los protocolos de la institución, el proyecto fue sometido a la
revisión del comité de ética correspondiente.
Uso Responsable de Tecnologías de IA: Se consideraron percepciones éticas de la IA, la
privacidad de los datos generados, derechos de propiedad intelectual y evitar sesgos algorítmicos
(Tripathi et al., 2025).
Vol. 13/ Núm. 1 2026 pág. 11
Alcance
Facilitó la evaluación del impacto de una formación docente sobre IA y las prácticas en el
aula, lo cual contribuye a evidencia local dentro de un contexto de escuela técnica secundaria.
Permitió describir barreras institucionales y tecnológicas específicas del Colegio Técnico
Daniel Córdova Toral, lo que hace que el estudio sea relevante para recomendaciones derivadas
situacionalmente relevantes.
Limitaciones del estudio
Con relación a las limitaciones del presente estudio, el muestreo no probabilístico
intencional y el reducido tamaño de la muestra dificultan la posibilidad de extender los hallazgos
a otras instituciones educativas de nivel bachillerato técnico, o a otros contextos socioeducativos.
Esta particularidad metodológica, aunque adecuada para trabajos exploratorios y pilotos
formativos, limita la posibilidad de extrapolar los hallazgos a la población.
Adicionalmente, el instrumento de cuestionario utilizado en el presente estudio incluye
preguntas de autoinforme y esto, de hecho, constituye un riesgo de sesgo. Las percepciones de
los docentes encuestados sobre sus prácticas educativas en el aula pueden no corresponder a la
realidad. Esto puede estar relacionado a la deseabilidad social o a la falta de autorreflexión crítica.
Con respecto a las condiciones institucionales, Colegio Técnico Daniel Córdova Toral, a
pesar de contar con la infraestructura digital básica y el acceso a la plataforma “Mi Académico”,
puede enfrentar limitaciones organizativas o de orden técnico puntual (ej. conectividad inestable,
falta de mantenimiento tecnológico, restricciones horarias, etc.) que pueden, en la práctica,
obstaculizar la implementación sostenida y fluida de la estrategia pedagógica.
En última instancia, la extensión de la intervención, tanto en términos de su duración como
de su profundidad, puede ser insuficiente para provocar cambios estructurales en todas las
dimensiones educativas delineadas, particularmente en aquellas que comprenden cambios
actitudinales y culturales respecto al uso pedagógico de las tecnologías emergentes.
Estructura del Programa de Capacitación Docente en IA
El programa de capacitación docente en inteligencia artificial se diseñó bajo el enfoque
TPACK y se estructuró en módulos progresivos que integraron fundamentos conceptuales,
aplicación pedagógica y planificación curricular contextualizada. La duración total fue de 40
horas distribuidas en sesiones presenciales y trabajo autónomo supervisado.
Tabla 1
Esquema del Programa de Capacitación Docente en Inteligencia Artificial
Módulo Contenido central Competencias
desarrolladas
Estrategias
metodológicas
Productos
esperados
Evidencia
de logro
Módulo
1
Fundamentos
conceptuales de IA
en educación
Comprensión
teórica y marco
pedagógico
Clase–taller,
análisis de casos
Ensayo breve o
mapa
conceptual
Evaluación
diagnóstica
conceptual
Alcance
Facilitó la evaluación del impacto de una formación docente sobre IA y las prácticas en el
aula, lo cual contribuye a evidencia local dentro de un contexto de escuela técnica secundaria.
Permitió describir barreras institucionales y tecnológicas específicas del Colegio Técnico
Daniel Córdova Toral, lo que hace que el estudio sea relevante para recomendaciones derivadas
situacionalmente relevantes.
Limitaciones del estudio
Con relación a las limitaciones del presente estudio, el muestreo no probabilístico
intencional y el reducido tamaño de la muestra dificultan la posibilidad de extender los hallazgos
a otras instituciones educativas de nivel bachillerato técnico, o a otros contextos socioeducativos.
Esta particularidad metodológica, aunque adecuada para trabajos exploratorios y pilotos
formativos, limita la posibilidad de extrapolar los hallazgos a la población.
Adicionalmente, el instrumento de cuestionario utilizado en el presente estudio incluye
preguntas de autoinforme y esto, de hecho, constituye un riesgo de sesgo. Las percepciones de
los docentes encuestados sobre sus prácticas educativas en el aula pueden no corresponder a la
realidad. Esto puede estar relacionado a la deseabilidad social o a la falta de autorreflexión crítica.
Con respecto a las condiciones institucionales, Colegio Técnico Daniel Córdova Toral, a
pesar de contar con la infraestructura digital básica y el acceso a la plataforma “Mi Académico”,
puede enfrentar limitaciones organizativas o de orden técnico puntual (ej. conectividad inestable,
falta de mantenimiento tecnológico, restricciones horarias, etc.) que pueden, en la práctica,
obstaculizar la implementación sostenida y fluida de la estrategia pedagógica.
En última instancia, la extensión de la intervención, tanto en términos de su duración como
de su profundidad, puede ser insuficiente para provocar cambios estructurales en todas las
dimensiones educativas delineadas, particularmente en aquellas que comprenden cambios
actitudinales y culturales respecto al uso pedagógico de las tecnologías emergentes.
Estructura del Programa de Capacitación Docente en IA
El programa de capacitación docente en inteligencia artificial se diseñó bajo el enfoque
TPACK y se estructuró en módulos progresivos que integraron fundamentos conceptuales,
aplicación pedagógica y planificación curricular contextualizada. La duración total fue de 40
horas distribuidas en sesiones presenciales y trabajo autónomo supervisado.
Tabla 1
Esquema del Programa de Capacitación Docente en Inteligencia Artificial
Módulo Contenido central Competencias
desarrolladas
Estrategias
metodológicas
Productos
esperados
Evidencia
de logro
Módulo
1
Fundamentos
conceptuales de IA
en educación
Comprensión
teórica y marco
pedagógico
Clase–taller,
análisis de casos
Ensayo breve o
mapa
conceptual
Evaluación
diagnóstica
conceptual
Vol. 13/ Núm. 1 2026 pág. 12
Módulo
2
Herramientas de
IA generativa
aplicadas
Dominio técnico
básico
Práctica guiada
y laboratorio
digital
Actividad
didáctica con IA
Rúbrica de
uso técnico
Módulo
3
Integración
curricular bajo
enfoque TPACK
Articulación
tecnología–
pedagogía–
contenido
ABP y diseño
colaborativo
Planificación
microcurricular
Validación
por pares
Módulo
4
Evaluación
formativa y
retroalimentación
con IA
Diseño
evaluativo con
IA
Simulación
didáctica
Instrumento
evaluativo
adaptado
Prueba
piloto
Módulo
5
Ética, sesgos
algorítmicos y
regulación
institucional
Uso crítico y
responsable
Debate
académico y
estudio
normativo
Protocolo
institucional
Matriz de
análisis
ético
Módulo
6
Implementación en
aula y reflexión
pedagógica
Aplicación
contextualizada
Pilotaje en aula Evidencia de
aplicación real
Informe
reflexivo
Módulo
7
Evaluación de
impacto y mejora
continua
Análisis de
resultados y
toma de
decisiones
Análisis
estadístico y
discusión
grupal
Informe
comparativo
pre–post
Indicadores
de mejora
Nota: Elaboración propia
Esta estructura permitió garantizar coherencia entre los objetivos formativos, las
competencias digitales docentes y la integración curricular efectiva de la inteligencia artificial.
Figura 1
Estructura de plan de capacitación para la integración de la IA
Nota: Elaboración propia.
Diagnóstico
Inicial
Identificación de
brechas
Sensibilización ética y
fundamentos
pedagógicos de la IA
Producción de
recursos
digitales
Aplicación de
herramientas IA
Integración
TPACK
Implementación
en aula (pilotaje)
Evaluación de
impacto y
retroalimentación
Reflexión crítica y
mejora continua
Módulo
2
Herramientas de
IA generativa
aplicadas
Dominio técnico
básico
Práctica guiada
y laboratorio
digital
Actividad
didáctica con IA
Rúbrica de
uso técnico
Módulo
3
Integración
curricular bajo
enfoque TPACK
Articulación
tecnología–
pedagogía–
contenido
ABP y diseño
colaborativo
Planificación
microcurricular
Validación
por pares
Módulo
4
Evaluación
formativa y
retroalimentación
con IA
Diseño
evaluativo con
IA
Simulación
didáctica
Instrumento
evaluativo
adaptado
Prueba
piloto
Módulo
5
Ética, sesgos
algorítmicos y
regulación
institucional
Uso crítico y
responsable
Debate
académico y
estudio
normativo
Protocolo
institucional
Matriz de
análisis
ético
Módulo
6
Implementación en
aula y reflexión
pedagógica
Aplicación
contextualizada
Pilotaje en aula Evidencia de
aplicación real
Informe
reflexivo
Módulo
7
Evaluación de
impacto y mejora
continua
Análisis de
resultados y
toma de
decisiones
Análisis
estadístico y
discusión
grupal
Informe
comparativo
pre–post
Indicadores
de mejora
Nota: Elaboración propia
Esta estructura permitió garantizar coherencia entre los objetivos formativos, las
competencias digitales docentes y la integración curricular efectiva de la inteligencia artificial.
Figura 1
Estructura de plan de capacitación para la integración de la IA
Nota: Elaboración propia.
Diagnóstico
Inicial
Identificación de
brechas
Sensibilización ética y
fundamentos
pedagógicos de la IA
Producción de
recursos
digitales
Aplicación de
herramientas IA
Integración
TPACK
Implementación
en aula (pilotaje)
Evaluación de
impacto y
retroalimentación
Reflexión crítica y
mejora continua
Vol. 13/ Núm. 1 2026 pág. 13
RESULTADOS
El análisis del pretest permitió identificar el nivel inicial de conocimiento, actitudes y
competencias docentes relacionadas con la inteligencia artificial (IA) antes de la capacitación.
Los resultados evidenciaron un nivel moderado de conocimiento inicial, con brechas
significativas en términos de preparación pedagógica y legal.
El promedio general del pretest fue M = 3.17 (DE = 0.64), lo que corresponde a un nivel
moderado. Las variables más valoradas positivamente fueron el impacto percibido de la IA en la
mejora del proceso educativo (M = 3.96) y el beneficio educativo percibido (M=3.54), lo que
muestra una actitud positiva previa a la capacitación. Sin embargo, variables clave para una
implementación efectiva fueron evaluadas más bajo, la preparación pedagógica para integrar la
IA (M=2.61) y la confianza para utilizar herramientas de IA en actividades específicas (M=2.89).
Estos resultados indican que, aunque los docentes reconocieron el potencial educativo de
la IA, carecían de las competencias prácticas y sustantivas para su uso sistemático en la
planificación curricular. Este diagnóstico inicial justificó el diseño de una capacitación
estructurada enfocada en conocimientos conceptuales simples, pero orientada más al desarrollo
de habilidades pedagógicas aplicadas.
Tabla 2
Resultados del Pretest. Diagnóstico inicial
Dimensión evaluada Media Desviación estándar
Conocimiento sobre IA 3.02 0.94
Uso de herramientas de IA 3.08 0.97
Actitud hacia la IA 3.41 0.88
Beneficio educativo percibido 3.96 0.88
Seguridad para aplicar IA 2.89 0.93
Personalización del aprendizaje 3.54 0.91
Preparación pedagógica en IA 2.61 0.91
Habilidades para implementar IA 2.94 0.9
Intención de integración curricular 3.12 0.89
Nota: Elaboración propia.
Resultados del Postest: efectos de la capacitación (n = 74)
Después de la intervención de capacitación, los resultados del postest mostraron mejoras
significativas en todas las dimensiones evaluadas. La media general del postest fue M = 4.40 (DE
= 0.51), correspondiente a un nivel alto–muy alto, reflejando un impacto positivo de la
capacitación docente sobre la IA.
Las puntuaciones más altas se registraron sobre el impacto de la IA en la personalización
del aprendizaje (M = 4.54), el beneficio educativo percibido (M = 4.53) y la intención de integrar
RESULTADOS
El análisis del pretest permitió identificar el nivel inicial de conocimiento, actitudes y
competencias docentes relacionadas con la inteligencia artificial (IA) antes de la capacitación.
Los resultados evidenciaron un nivel moderado de conocimiento inicial, con brechas
significativas en términos de preparación pedagógica y legal.
El promedio general del pretest fue M = 3.17 (DE = 0.64), lo que corresponde a un nivel
moderado. Las variables más valoradas positivamente fueron el impacto percibido de la IA en la
mejora del proceso educativo (M = 3.96) y el beneficio educativo percibido (M=3.54), lo que
muestra una actitud positiva previa a la capacitación. Sin embargo, variables clave para una
implementación efectiva fueron evaluadas más bajo, la preparación pedagógica para integrar la
IA (M=2.61) y la confianza para utilizar herramientas de IA en actividades específicas (M=2.89).
Estos resultados indican que, aunque los docentes reconocieron el potencial educativo de
la IA, carecían de las competencias prácticas y sustantivas para su uso sistemático en la
planificación curricular. Este diagnóstico inicial justificó el diseño de una capacitación
estructurada enfocada en conocimientos conceptuales simples, pero orientada más al desarrollo
de habilidades pedagógicas aplicadas.
Tabla 2
Resultados del Pretest. Diagnóstico inicial
Dimensión evaluada Media Desviación estándar
Conocimiento sobre IA 3.02 0.94
Uso de herramientas de IA 3.08 0.97
Actitud hacia la IA 3.41 0.88
Beneficio educativo percibido 3.96 0.88
Seguridad para aplicar IA 2.89 0.93
Personalización del aprendizaje 3.54 0.91
Preparación pedagógica en IA 2.61 0.91
Habilidades para implementar IA 2.94 0.9
Intención de integración curricular 3.12 0.89
Nota: Elaboración propia.
Resultados del Postest: efectos de la capacitación (n = 74)
Después de la intervención de capacitación, los resultados del postest mostraron mejoras
significativas en todas las dimensiones evaluadas. La media general del postest fue M = 4.40 (DE
= 0.51), correspondiente a un nivel alto–muy alto, reflejando un impacto positivo de la
capacitación docente sobre la IA.
Las puntuaciones más altas se registraron sobre el impacto de la IA en la personalización
del aprendizaje (M = 4.54), el beneficio educativo percibido (M = 4.53) y la intención de integrar
Vol. 13/ Núm. 1 2026 pág. 14
la IA en la planificación curricular (M = 4.49). También hubo incrementos significativos en la
confianza para aplicar la IA (M = 4.40) y en el desarrollo de habilidades para su implementación
(M = 4.42), demostrando que la capacitación superó el nivel teórico.
Estos resultados muestran que la capacitación trascendió el nivel teórico y fomentó
confianza y capacidad en la aplicación de la IA entre los docentes. Además, sugiere que los
docentes adquirieron no solo una mayor claridad conceptual respecto a la IA, sino también
competencias prácticas que facilitan su aplicación pedagógica, fortaleciendo así la innovación
educativa institucional.
Tabla 3
Estadísticas Descriptivas para el Post-Test
Dimensión evaluada Media Desviación estándar
Claridad sobre IA y sus tipos 4.3 0.52
Conocimiento de herramientas de IA 4.21 0.55
Cambio positivo de actitud 4.46 0.5
Beneficio educativo percibido 4.53 0.49
Seguridad para aplicar IA 4.4 0.53
Personalización del aprendizaje 4.54 0.48
Preparación para orientar a otros docentes 4.24 0.56
Habilidades para implementar IA 4.42 0.51
Intención de integración curricular 4.49 0.5
Nota: Elaboración propia
Comparaciones entre Pretest y Postest: Diferencias y Mejora Porcentual
Al comparar las medias del pretest y postest para todas las dimensiones, se observaron
incrementos. Los porcentajes de mejora oscilaron entre 14 % y 62 %, siendo los incrementos más
notables en las áreas de preparación pedagógica y habilidades prácticas.
Tabla 4
Comparación de medias del Pretest y Postest y porcentaje de mejora
Dimensión Pretest M Postest M Diferencia % Mejora
Conocimiento sobre IA 3.02 4.3 1.28 42.40%
Herramientas de IA 3.08 4.21 1.13 36.70%
Actitud hacia la IA 3.41 4.46 1.05 30.80%
Beneficio educativo 3.96 4.53 0.57 14.40%
Seguridad para aplicar IA 2.89 4.4 1.51 52.20%
Personalización del aprendizaje 3.54 4.54 1 28.20%
Preparación pedagógica 2.61 4.24 1.63 62.50%
Habilidades para implementar IA 2.94 4.42 1.48 50.30%
Integración curricular 3.12 4.49 1.37 43.90%
Nota: Elaboración propia.
la IA en la planificación curricular (M = 4.49). También hubo incrementos significativos en la
confianza para aplicar la IA (M = 4.40) y en el desarrollo de habilidades para su implementación
(M = 4.42), demostrando que la capacitación superó el nivel teórico.
Estos resultados muestran que la capacitación trascendió el nivel teórico y fomentó
confianza y capacidad en la aplicación de la IA entre los docentes. Además, sugiere que los
docentes adquirieron no solo una mayor claridad conceptual respecto a la IA, sino también
competencias prácticas que facilitan su aplicación pedagógica, fortaleciendo así la innovación
educativa institucional.
Tabla 3
Estadísticas Descriptivas para el Post-Test
Dimensión evaluada Media Desviación estándar
Claridad sobre IA y sus tipos 4.3 0.52
Conocimiento de herramientas de IA 4.21 0.55
Cambio positivo de actitud 4.46 0.5
Beneficio educativo percibido 4.53 0.49
Seguridad para aplicar IA 4.4 0.53
Personalización del aprendizaje 4.54 0.48
Preparación para orientar a otros docentes 4.24 0.56
Habilidades para implementar IA 4.42 0.51
Intención de integración curricular 4.49 0.5
Nota: Elaboración propia
Comparaciones entre Pretest y Postest: Diferencias y Mejora Porcentual
Al comparar las medias del pretest y postest para todas las dimensiones, se observaron
incrementos. Los porcentajes de mejora oscilaron entre 14 % y 62 %, siendo los incrementos más
notables en las áreas de preparación pedagógica y habilidades prácticas.
Tabla 4
Comparación de medias del Pretest y Postest y porcentaje de mejora
Dimensión Pretest M Postest M Diferencia % Mejora
Conocimiento sobre IA 3.02 4.3 1.28 42.40%
Herramientas de IA 3.08 4.21 1.13 36.70%
Actitud hacia la IA 3.41 4.46 1.05 30.80%
Beneficio educativo 3.96 4.53 0.57 14.40%
Seguridad para aplicar IA 2.89 4.4 1.51 52.20%
Personalización del aprendizaje 3.54 4.54 1 28.20%
Preparación pedagógica 2.61 4.24 1.63 62.50%
Habilidades para implementar IA 2.94 4.42 1.48 50.30%
Integración curricular 3.12 4.49 1.37 43.90%
Nota: Elaboración propia.
Vol. 13/ Núm. 1 2026 pág. 15
Figura 2
Comparación de medias pretest–postest y porcentaje de mejora
Nota: Elaboración Propia
En el proceso de construcción de herramientas de evaluación, sean de tipo, cuantitativo,
cualitativo, o mixto, para poder salvaguardar sus principios de validez y calidad metodológica,
deben pasar por una evaluación de juicio de expertos, la cual, en este caso, cuenta con el respaldo
de 20 profesionales de la inteligencia artificial aplicada en el ámbito educativo, de los cuales, 8
son de Ecuador, 6 de Colombia y 6 de México, todos ellos con una trayectoria en el ámbito de la
investigación educativa, innovación pedagógica, y diseño de instrumentos.
En la evaluación de los expertos se obtuvo un alto nivel de concordancia y se determinaron
medias de 3,75 o más en cada una de las dimensiones evaluadas, resultado que indica una fuerte
validez de contenido en el instrumento evaluativo utilizado.
En la mayoría de los participantes predominaron las valoraciones de 3 en las variables: en
el criterio de ausencia de sesgos en el enunciado, se obtuvo una media (M = 3.95), para la
alineación con los objetivos del estudio M = 3.90, para la comprensibilidad de los enunciados M
= 3.90, y para el tiempo de respuesta que se estimó M = 3.90, que indican un buen equilibrio en
la claridad, la neutralidad y la funcionalidad del cuestionario. Además, en la redacción, el valor
que se diagnosticó, y la secuencia lógica del instrumento, se obtuvieron medias que indican una
gran aceptación (M = 3.85), que otorgan evidencia de la coherencia estructural y la precisión
conceptual del instrumento.
La relevancia de la crítica constructiva para el perfil docente (M = 3.80), el índice de
discriminación (M = 3.80) y la coherencia metodológica (M = 3.75) recibieron valoraciones
igualmente positivas, lo que valida la herramienta de crítica constructiva ajustada al perfil, el
enfoque cuantitativo y el contexto profesional de los encuestados.
3,02
3,08
3,41
3,96
2,89
3,54
2,61
2,94
3,12
4,3
4,21
4,46
4,53
4,4
4,54
4,24
4,42
4,49
1,28
1,13
1,05
0,57
1,51
1
1,63
1,48
1,37
42,40%
36,70%
30,80%
14,40%
52,20%
28,20%
62,50%
50,30%
43,90%
0 1 2 3 4 5 6 7 8 9 10
Conocimiento sobre IA
Herramientas de IA
Actitud hacia la IA
Beneficio educativo
Seguridad para aplicar IA
Personalización del aprendizaje
Preparación pedagógica
Habilidades para implementar IA
Integración curricular
Comparación de medias pretest–postest y porcentaje de mejora (n = 74)
Pretest M Postest M Diferencia % Mejora
Figura 2
Comparación de medias pretest–postest y porcentaje de mejora
Nota: Elaboración Propia
En el proceso de construcción de herramientas de evaluación, sean de tipo, cuantitativo,
cualitativo, o mixto, para poder salvaguardar sus principios de validez y calidad metodológica,
deben pasar por una evaluación de juicio de expertos, la cual, en este caso, cuenta con el respaldo
de 20 profesionales de la inteligencia artificial aplicada en el ámbito educativo, de los cuales, 8
son de Ecuador, 6 de Colombia y 6 de México, todos ellos con una trayectoria en el ámbito de la
investigación educativa, innovación pedagógica, y diseño de instrumentos.
En la evaluación de los expertos se obtuvo un alto nivel de concordancia y se determinaron
medias de 3,75 o más en cada una de las dimensiones evaluadas, resultado que indica una fuerte
validez de contenido en el instrumento evaluativo utilizado.
En la mayoría de los participantes predominaron las valoraciones de 3 en las variables: en
el criterio de ausencia de sesgos en el enunciado, se obtuvo una media (M = 3.95), para la
alineación con los objetivos del estudio M = 3.90, para la comprensibilidad de los enunciados M
= 3.90, y para el tiempo de respuesta que se estimó M = 3.90, que indican un buen equilibrio en
la claridad, la neutralidad y la funcionalidad del cuestionario. Además, en la redacción, el valor
que se diagnosticó, y la secuencia lógica del instrumento, se obtuvieron medias que indican una
gran aceptación (M = 3.85), que otorgan evidencia de la coherencia estructural y la precisión
conceptual del instrumento.
La relevancia de la crítica constructiva para el perfil docente (M = 3.80), el índice de
discriminación (M = 3.80) y la coherencia metodológica (M = 3.75) recibieron valoraciones
igualmente positivas, lo que valida la herramienta de crítica constructiva ajustada al perfil, el
enfoque cuantitativo y el contexto profesional de los encuestados.
3,02
3,08
3,41
3,96
2,89
3,54
2,61
2,94
3,12
4,3
4,21
4,46
4,53
4,4
4,54
4,24
4,42
4,49
1,28
1,13
1,05
0,57
1,51
1
1,63
1,48
1,37
42,40%
36,70%
30,80%
14,40%
52,20%
28,20%
62,50%
50,30%
43,90%
0 1 2 3 4 5 6 7 8 9 10
Conocimiento sobre IA
Herramientas de IA
Actitud hacia la IA
Beneficio educativo
Seguridad para aplicar IA
Personalización del aprendizaje
Preparación pedagógica
Habilidades para implementar IA
Integración curricular
Comparación de medias pretest–postest y porcentaje de mejora (n = 74)
Pretest M Postest M Diferencia % Mejora
Vol. 13/ Núm. 1 2026 pág. 16
Estas valoraciones, tomadas en conjunto, respaldan la conclusión de que la herramienta de
crítica constructiva es una herramienta de contenido altamente válida, con claridad metodológica
y relevancia para su propósito. Las observaciones cualitativas del feedback de los expertos
proporcionaron la oportunidad de realizar algunos ajustes menores, mejorando la precisión y
claridad de algunos ítems antes de la implementación final.
3.4 Análisis Inferencial: Prueba t de Student y Wilcoxon (n = 74)
Para evaluar la significancia estadística de las diferencias observadas, se utilizó la prueba t
para muestras apareadas. Los resultados evidenciaron diferencias estadísticamente significativas
entre el pretest (Media = 3.17) y el postest (Media = 4.40), con t(73) = −17.98, p < .001.
Como medida complementaria y robusta, se aplicó la prueba no paramétrica de Wilcoxon,
y los resultados indicaron que la mayoría de los docentes tuvo puntuaciones más altas en el postest
que en el pretest (Z = −7.42, p < .001), reforzando la consistencia de los hallazgos.
Tabla 5
Prueba t de Student para muestras relacionadas
Comparación Diferencia
de medias
(Pre –
Post)
Error
estándar
IC 95%
de la
diferencia
t gl (df) p
(bilateral)
Pretest –
Postest
-1.23 0.068 [-1.36, -
1.10]
-17.98 73 <0.001
Nota: Elaboración propia.
Tabla 6
Wilcoxon Signed-Rank Test – Ranks
Condición N Rango medio Suma de rangos
Postest > Pretest
(rangos positivos)
68 37.15 2526
Postest < Pretest
(rangos negativos)
2 11.5 23
Postest = Pretest
(empates)
4 — —
Total 74
Estadístico Valor
Z -7.42
p (bilateral) <0.001
Nota: Elaboración propia.
Estas valoraciones, tomadas en conjunto, respaldan la conclusión de que la herramienta de
crítica constructiva es una herramienta de contenido altamente válida, con claridad metodológica
y relevancia para su propósito. Las observaciones cualitativas del feedback de los expertos
proporcionaron la oportunidad de realizar algunos ajustes menores, mejorando la precisión y
claridad de algunos ítems antes de la implementación final.
3.4 Análisis Inferencial: Prueba t de Student y Wilcoxon (n = 74)
Para evaluar la significancia estadística de las diferencias observadas, se utilizó la prueba t
para muestras apareadas. Los resultados evidenciaron diferencias estadísticamente significativas
entre el pretest (Media = 3.17) y el postest (Media = 4.40), con t(73) = −17.98, p < .001.
Como medida complementaria y robusta, se aplicó la prueba no paramétrica de Wilcoxon,
y los resultados indicaron que la mayoría de los docentes tuvo puntuaciones más altas en el postest
que en el pretest (Z = −7.42, p < .001), reforzando la consistencia de los hallazgos.
Tabla 5
Prueba t de Student para muestras relacionadas
Comparación Diferencia
de medias
(Pre –
Post)
Error
estándar
IC 95%
de la
diferencia
t gl (df) p
(bilateral)
Pretest –
Postest
-1.23 0.068 [-1.36, -
1.10]
-17.98 73 <0.001
Nota: Elaboración propia.
Tabla 6
Wilcoxon Signed-Rank Test – Ranks
Condición N Rango medio Suma de rangos
Postest > Pretest
(rangos positivos)
68 37.15 2526
Postest < Pretest
(rangos negativos)
2 11.5 23
Postest = Pretest
(empates)
4 — —
Total 74
Estadístico Valor
Z -7.42
p (bilateral) <0.001
Nota: Elaboración propia.
Vol. 13/ Núm. 1 2026 pág. 17
Síntesis de resultados
En general, los resultados muestran que la capacitación docente en inteligencia artificial
produjo mejoras estadísticamente significativas y pedagógicamente relevantes en el
conocimiento, actitudes, confianza e intención de los educadores respecto a la integración
curricular. La comparación pretest/postest confirma empíricamente la hipótesis del estudio,
demostrando que la capacitación sistemática en IA es un factor crucial para una enseñanza
eficiente, innovadora y contextualizada.
DISCUSIÓN
Los resultados del pretest confirmaron hallazgos previos (Carbonell-García et al., 2023;
Rondon-Morel et al. 2024; Cepeda Campoverde, 2025): aunque el profesorado reconoce el
potencial educativo de la IA, persisten brechas en preparación pedagógica (M = 2.61) y confianza
para aplicarla (M = 2.89). Esta brecha entre valoración y uso efectivo coincide con lo señalado
por Dellepiane y Guidi (2023) y Aljemely (2024) sobre la necesidad de formación pedagógica,
tecnológica y ética para una integración curricular responsable.
La capacitación está asociada a la mejora – con una media que aumentó de 3.17 a 4.40–
que es consistente con el hallazgo de Sandu et al. (2024) que evidenció que los programas de
desarrollo profesional que incorporan la formación en escenarios reales aumentan las
competencias de los docentes en IA y su uso en la enseñanza. De manera similar, el aumento de
hasta 62.5 % en la preparación pedagógica y 50.3 % en habilidades de implementación es el efecto
que Méndez-Méndez et al., (2025) describen de los programas de formación construidos a partir
del enfoque TPACK.
El resultado de la TPACK de (Koehler y Mishra, 2006) es, por tanto, válido, en que los
mayores incrementos no se dieron en la actitud – que ya era en términos generales, positiva – sino
en las componentes que son síntesis de la tecnología, la pedagogía, y el contenido, la preparación
pedagógica, las habilidades de implementación, y la integración curricular. Lo que indica que la
capacitación no solo consolidó los conocimientos instrumentales, sino que también generó una
integración de los elementos del conocimiento del profesorado.
El incremento de la seguridad para la aplicación de IA y la clara intención de incluir otros
aspectos de la integración curricular muestran un incremento de 52.2 % y 43.9 % respectivamente,
alineándose con los hallazgos de Sevilla Muñoz y Barrios Aquise (2024), quienes indican que los
docentes en formación intensiva sobre IA, poseen capacidad para planificar y desarrollar con
eficacia actividades de enseñanza mediante estas tecnologías. Asimismo, los resultados sustentan
la afirmación de Aljemely (2024) sobre la motivación, el acompañamiento y la contextualización
del programa formativo como factores determinantes en la capacitación sobre IA y su impacto en
la práctica educativa.
Síntesis de resultados
En general, los resultados muestran que la capacitación docente en inteligencia artificial
produjo mejoras estadísticamente significativas y pedagógicamente relevantes en el
conocimiento, actitudes, confianza e intención de los educadores respecto a la integración
curricular. La comparación pretest/postest confirma empíricamente la hipótesis del estudio,
demostrando que la capacitación sistemática en IA es un factor crucial para una enseñanza
eficiente, innovadora y contextualizada.
DISCUSIÓN
Los resultados del pretest confirmaron hallazgos previos (Carbonell-García et al., 2023;
Rondon-Morel et al. 2024; Cepeda Campoverde, 2025): aunque el profesorado reconoce el
potencial educativo de la IA, persisten brechas en preparación pedagógica (M = 2.61) y confianza
para aplicarla (M = 2.89). Esta brecha entre valoración y uso efectivo coincide con lo señalado
por Dellepiane y Guidi (2023) y Aljemely (2024) sobre la necesidad de formación pedagógica,
tecnológica y ética para una integración curricular responsable.
La capacitación está asociada a la mejora – con una media que aumentó de 3.17 a 4.40–
que es consistente con el hallazgo de Sandu et al. (2024) que evidenció que los programas de
desarrollo profesional que incorporan la formación en escenarios reales aumentan las
competencias de los docentes en IA y su uso en la enseñanza. De manera similar, el aumento de
hasta 62.5 % en la preparación pedagógica y 50.3 % en habilidades de implementación es el efecto
que Méndez-Méndez et al., (2025) describen de los programas de formación construidos a partir
del enfoque TPACK.
El resultado de la TPACK de (Koehler y Mishra, 2006) es, por tanto, válido, en que los
mayores incrementos no se dieron en la actitud – que ya era en términos generales, positiva – sino
en las componentes que son síntesis de la tecnología, la pedagogía, y el contenido, la preparación
pedagógica, las habilidades de implementación, y la integración curricular. Lo que indica que la
capacitación no solo consolidó los conocimientos instrumentales, sino que también generó una
integración de los elementos del conocimiento del profesorado.
El incremento de la seguridad para la aplicación de IA y la clara intención de incluir otros
aspectos de la integración curricular muestran un incremento de 52.2 % y 43.9 % respectivamente,
alineándose con los hallazgos de Sevilla Muñoz y Barrios Aquise (2024), quienes indican que los
docentes en formación intensiva sobre IA, poseen capacidad para planificar y desarrollar con
eficacia actividades de enseñanza mediante estas tecnologías. Asimismo, los resultados sustentan
la afirmación de Aljemely (2024) sobre la motivación, el acompañamiento y la contextualización
del programa formativo como factores determinantes en la capacitación sobre IA y su impacto en
la práctica educativa.
Vol. 13/ Núm. 1 2026 pág. 18
Desde la óptica institucional, los resultados toman en consideración las afirmaciones de
(Rondon-Morel et al., 2024; Méndez-Méndez et al., 2025) sobre el impacto de la capacitación en
IA en el desarrollo de competencias tecnológicas, la autoeficacia docente y el valor pedagógico
de estas herramientas. Esto se evidencia en los promedios de personalización de la enseñanza (M
= 4.54) y la integración curricular (M = 4.49) que se obtienen en las pruebas postest, indicadores
de alta relevancia para la innovación educativa en los contextos tecnológicos.
Resulta metodológicamente evidente que la convergencia de la prueba t de Student y la
prueba de Wilcoxon, robustece los resultados al indicar que las mejoras no dependen de la
casualidad o de ciertos supuestos estadísticos. Esta convergencia aporta respaldo empírico a la
validez del diseño pre-post utilizado, el cual ha sido sugerido como un estándar en estudios sobre
el impacto formativo en la IA educativa (Vieriu y Petrea, 2025; Karataş, 2025).
Finalmente, el caso del Colegio Técnico Daniel Córdova Toral provee la experiencia
documentada que antecede a los estudios de caso sobre la ausencia de evidencias empíricas en
contextos de bachillerato técnico latinoamericano. Tal cual se preveía en la formulación del
problema, la capacitación sistemática, rebasó las barreras, conceptual, pedagógica y actitudinal.
Hizo posible que la IA se consolidara como una herramienta en la innovación educativa, siempre
y cuando se trabaje dentro de un dispositivo institucional estructurado y pedagógicamente
definido.
CONCLUSIÓN
El artículo subraya que la formación de profesores en inteligencia artificial transforma
aspectos elementales de la práctica pedagógica en el nivel medio técnico, porque hace posible que
los profesores, además de realizar diagnósticos teóricos sobre la IA, se apropien de un uso
pedagógico que les permita incidir en la evaluación, la didáctica y la innovación en la institución.
Más allá de las diferencias estadísticas aportadas, la principal novedad que se desprende de
la investigación es que el fenómeno de la formación en IA, desde el punto de vista de la práctica
pedagógica, ha conseguido colocar la tecnología como un recurso didáctico, útil y accesible,
porque se ha integrado al currículo, la evaluación formativa y la atención a la diversidad, lo que
en la práctica ha demostrado que la falta de una formación pedagógica específica en los docentes
es el principal obstáculo para implementar la IA.
A nivel institucional, los resultados muestran que la formación en IA impacta la
individualidad del profesor, pero a la vez estimula la flexibilidad organizacional para la
innovación, porque genera un marco de colaboración entre los docentes, uso frecuente de
tecnologías digitales, y el establecimiento de una cultura de mejora continúa fundamentada en la
evidencia.
Desde una perspectiva aplicada, los hallazgos revelan áreas donde se pueden hacer
recomendaciones prácticas.
Desde la óptica institucional, los resultados toman en consideración las afirmaciones de
(Rondon-Morel et al., 2024; Méndez-Méndez et al., 2025) sobre el impacto de la capacitación en
IA en el desarrollo de competencias tecnológicas, la autoeficacia docente y el valor pedagógico
de estas herramientas. Esto se evidencia en los promedios de personalización de la enseñanza (M
= 4.54) y la integración curricular (M = 4.49) que se obtienen en las pruebas postest, indicadores
de alta relevancia para la innovación educativa en los contextos tecnológicos.
Resulta metodológicamente evidente que la convergencia de la prueba t de Student y la
prueba de Wilcoxon, robustece los resultados al indicar que las mejoras no dependen de la
casualidad o de ciertos supuestos estadísticos. Esta convergencia aporta respaldo empírico a la
validez del diseño pre-post utilizado, el cual ha sido sugerido como un estándar en estudios sobre
el impacto formativo en la IA educativa (Vieriu y Petrea, 2025; Karataş, 2025).
Finalmente, el caso del Colegio Técnico Daniel Córdova Toral provee la experiencia
documentada que antecede a los estudios de caso sobre la ausencia de evidencias empíricas en
contextos de bachillerato técnico latinoamericano. Tal cual se preveía en la formulación del
problema, la capacitación sistemática, rebasó las barreras, conceptual, pedagógica y actitudinal.
Hizo posible que la IA se consolidara como una herramienta en la innovación educativa, siempre
y cuando se trabaje dentro de un dispositivo institucional estructurado y pedagógicamente
definido.
CONCLUSIÓN
El artículo subraya que la formación de profesores en inteligencia artificial transforma
aspectos elementales de la práctica pedagógica en el nivel medio técnico, porque hace posible que
los profesores, además de realizar diagnósticos teóricos sobre la IA, se apropien de un uso
pedagógico que les permita incidir en la evaluación, la didáctica y la innovación en la institución.
Más allá de las diferencias estadísticas aportadas, la principal novedad que se desprende de
la investigación es que el fenómeno de la formación en IA, desde el punto de vista de la práctica
pedagógica, ha conseguido colocar la tecnología como un recurso didáctico, útil y accesible,
porque se ha integrado al currículo, la evaluación formativa y la atención a la diversidad, lo que
en la práctica ha demostrado que la falta de una formación pedagógica específica en los docentes
es el principal obstáculo para implementar la IA.
A nivel institucional, los resultados muestran que la formación en IA impacta la
individualidad del profesor, pero a la vez estimula la flexibilidad organizacional para la
innovación, porque genera un marco de colaboración entre los docentes, uso frecuente de
tecnologías digitales, y el establecimiento de una cultura de mejora continúa fundamentada en la
evidencia.
Desde una perspectiva aplicada, los hallazgos revelan áreas donde se pueden hacer
recomendaciones prácticas.
Vol. 13/ Núm. 1 2026 pág. 19
Las instituciones educativas, en este caso, los institutos técnicos, deberían integrar
definitivamente la enseñanza de la IA como una característica permanente del desarrollo
profesional docente, y no como iniciativas aisladas.
Dentro de los marcos de TPACK y otros modelos integradores, las actividades de
formación deberían diseñarse para incluir conocimientos técnicos, pedagógicos y curriculares.
Es esencial que las instituciones desarrollen políticas y directrices éticas y operativas que
orienten el uso responsable de la IA en la enseñanza.
Finalmente, recomendamos que futuras investigaciones examinen el impacto longitudinal
de la formación docente en IA e incluyan grupos de control y métricas de rendimiento estudiantil
para obtener una imagen más clara de hasta qué punto los cambios pedagógicos observados
resultan en mejoras sostenidas en el aprendizaje de los estudiantes.
Las instituciones educativas, en este caso, los institutos técnicos, deberían integrar
definitivamente la enseñanza de la IA como una característica permanente del desarrollo
profesional docente, y no como iniciativas aisladas.
Dentro de los marcos de TPACK y otros modelos integradores, las actividades de
formación deberían diseñarse para incluir conocimientos técnicos, pedagógicos y curriculares.
Es esencial que las instituciones desarrollen políticas y directrices éticas y operativas que
orienten el uso responsable de la IA en la enseñanza.
Finalmente, recomendamos que futuras investigaciones examinen el impacto longitudinal
de la formación docente en IA e incluyan grupos de control y métricas de rendimiento estudiantil
para obtener una imagen más clara de hasta qué punto los cambios pedagógicos observados
resultan en mejoras sostenidas en el aprendizaje de los estudiantes.
Vol. 13/ Núm. 1 2026 pág. 20
REFERENCIAS
Aguilar Tinoco, R. J., Carvallo Lobato, M. F., Román Camacho, D. E., Liberio Anzules, A. M.,
Hernández Centeno, J. A., Durán Fajardo, T. B., y Bernal Párraga, A. P. (2024). El
impacto del Diseño Universal para el Aprendizaje (DUA) en la enseñanza de Ciencias
Naturales: Un enfoque inclusivo y personalizado. Ciencia Latina Revista Científica
Multidisciplinar, 8(5), 2162–2178. https://doi.org/10.37811/cl_rcm.v8i5.13682
Aljemely, M. (2024). Challenges and best practices in training teachers to use AI in education: A
systematic review. Frontiers in Education, 9, 1470853.
https://doi.org/10.3389/feduc.2024.1470853
Arequipa Molina, A. D., Cruz Roca, A. B., Nuñez Calle, J. J., Moreira Velez, K. L., Guevara
Guevara, N. P., Bassantes Guerra, J. P., y Bernal Párraga, A. P. (2024). Formación
docente en estrategias innovadoras y su impacto en el aprendizaje de las matemáticas.
Ciencia Latina Revista Científica Multidisciplinar, 8(4), 9597–9619.
https://doi.org/10.37811/cl_rcm.v8i4.13111
Bernal Párraga, A. P., Álvarez Santos, A., y Mite Cisneros, M. (2025). Formación docente:
Enfoques pedagógicos innovadores para el fortalecimiento de competencias
profesionales en el siglo XXI. Varona, (84).
http://revistas.ucpejv.edu.cu/index.php/rVar/article/view/2981
Bernal Párraga, A. P., Orozco Maldonado, M. E., Salinas Rivera, I. K., Gaibor Dávila, A. E.,
Gaibor Dávila, V. M., Gaibor Dávila, R. S., y García Monar, K. R. (2024). Análisis de
recursos digitales para el aprendizaje en línea para el área de Ciencias Naturales. Ciencia
Latina Revista Científica Multidisciplinar, 8(4), 9921–9938.
https://doi.org/10.37811/cl_rcm.v8i4.13141
Bernal Párraga, A. P., Santin Castillo, A. P., Ordoñez Ruiz, I., Tayupanta Rocha, L. M., Reyes
Ordoñez, J. P., Guzmán Quiña, M. de los A., y Nieto Lapo, A. P. (2024). La inteligencia
artificial como proceso de enseñanza en la asignatura de estudios sociales. Ciencia Latina
Revista Científica Multidisciplinar, 8(6), 4011–4030.
https://doi.org/10.37811/cl_rcm.v8i6.15141
Bernal Párraga, A. P., Toapanta Guanoquiza, M. J., Martínez Oviedo, M. Y., Correa Pardo, J. A.,
Ortiz Rosillo, A., Guerra Altamirano, I. del C., y Molina Ayala, R. E. (2024).
Pensamiento computacional: Habilidad primordial para la nueva era. Ciencia Latina
Revista Científica Multidisciplinar, 8(2), 5177–5195.
https://doi.org/10.37811/cl_rcm.v8i2.10937
Carbonell-García, C. E., Burgos-Goicochea, S., Calderón-de-los-Ríos, D. O., y Paredes-
Fernández, O. W. (2023). Artificial Intelligence in the educational training context.
Episteme Koinonía, 6, (12), 152-166. https://doi.org/10.35381/e.k.v6i12.2547
REFERENCIAS
Aguilar Tinoco, R. J., Carvallo Lobato, M. F., Román Camacho, D. E., Liberio Anzules, A. M.,
Hernández Centeno, J. A., Durán Fajardo, T. B., y Bernal Párraga, A. P. (2024). El
impacto del Diseño Universal para el Aprendizaje (DUA) en la enseñanza de Ciencias
Naturales: Un enfoque inclusivo y personalizado. Ciencia Latina Revista Científica
Multidisciplinar, 8(5), 2162–2178. https://doi.org/10.37811/cl_rcm.v8i5.13682
Aljemely, M. (2024). Challenges and best practices in training teachers to use AI in education: A
systematic review. Frontiers in Education, 9, 1470853.
https://doi.org/10.3389/feduc.2024.1470853
Arequipa Molina, A. D., Cruz Roca, A. B., Nuñez Calle, J. J., Moreira Velez, K. L., Guevara
Guevara, N. P., Bassantes Guerra, J. P., y Bernal Párraga, A. P. (2024). Formación
docente en estrategias innovadoras y su impacto en el aprendizaje de las matemáticas.
Ciencia Latina Revista Científica Multidisciplinar, 8(4), 9597–9619.
https://doi.org/10.37811/cl_rcm.v8i4.13111
Bernal Párraga, A. P., Álvarez Santos, A., y Mite Cisneros, M. (2025). Formación docente:
Enfoques pedagógicos innovadores para el fortalecimiento de competencias
profesionales en el siglo XXI. Varona, (84).
http://revistas.ucpejv.edu.cu/index.php/rVar/article/view/2981
Bernal Párraga, A. P., Orozco Maldonado, M. E., Salinas Rivera, I. K., Gaibor Dávila, A. E.,
Gaibor Dávila, V. M., Gaibor Dávila, R. S., y García Monar, K. R. (2024). Análisis de
recursos digitales para el aprendizaje en línea para el área de Ciencias Naturales. Ciencia
Latina Revista Científica Multidisciplinar, 8(4), 9921–9938.
https://doi.org/10.37811/cl_rcm.v8i4.13141
Bernal Párraga, A. P., Santin Castillo, A. P., Ordoñez Ruiz, I., Tayupanta Rocha, L. M., Reyes
Ordoñez, J. P., Guzmán Quiña, M. de los A., y Nieto Lapo, A. P. (2024). La inteligencia
artificial como proceso de enseñanza en la asignatura de estudios sociales. Ciencia Latina
Revista Científica Multidisciplinar, 8(6), 4011–4030.
https://doi.org/10.37811/cl_rcm.v8i6.15141
Bernal Párraga, A. P., Toapanta Guanoquiza, M. J., Martínez Oviedo, M. Y., Correa Pardo, J. A.,
Ortiz Rosillo, A., Guerra Altamirano, I. del C., y Molina Ayala, R. E. (2024).
Pensamiento computacional: Habilidad primordial para la nueva era. Ciencia Latina
Revista Científica Multidisciplinar, 8(2), 5177–5195.
https://doi.org/10.37811/cl_rcm.v8i2.10937
Carbonell-García, C. E., Burgos-Goicochea, S., Calderón-de-los-Ríos, D. O., y Paredes-
Fernández, O. W. (2023). Artificial Intelligence in the educational training context.
Episteme Koinonía, 6, (12), 152-166. https://doi.org/10.35381/e.k.v6i12.2547
Vol. 13/ Núm. 1 2026 pág. 21
Castillo Baño, C. P., Cruz Gaibor, W. A., Bravo Jácome, R. E., Sandoval Lloacana, C. F., Guishca
Ayala, L. M., Campaña Nieto, R. A., Yepez Mogro, T. C., y Bernal Párraga, A. P. (2024).
Uso de tecnologías digitales en la educación para la ciudadanía. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 5388–5407.
https://doi.org/10.37811/cl_rcm.v8i4.12756
Cepeda Campoverde, E., Durán Núñez, Y., y Ocaña Ocaña, A. (2025). Uses and perspectives of
artificial intelligence in the teaching community at the University of Guayaquil. Nawi,
9(1), 151-165. https://doi.org/10.37785/nw.v9n1.a9
Crompton, H., y 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
Dellepiane, P., y Guidi, P. (2023). La inteligencia artificial y la educación: Retos y oportunidades
desde una perspectiva ética. Question/Cuestión, 3(76), e859.
https://doi.org/10.24215/16696581e859
Fernández-Miranda, F., García-Peñalvo, F. J., y Conde, M. Á. (2024). Artificial intelligence in
Latin American universities: Teachers’ perceptions and challenges. Revista
Iberoamericana de Educación Superior, 15(2), 435-452. https://doi.org/10.13053/cys-28-
2-4822
Guamaní Vargas, E. J. (2024). Uso de las TIC y rendimiento académico en estudiantes de
educación técnica y superior. Revista Educación Médica Superior, 38(4), e192.
https://doi.org/10.47606/acven/ph0295
Guishca Ayala, L. A., Bernal Párraga, A. P., Martínez Oviedo, M. Y., Pinargote Carreño, V. G.,
Alcívar Vélez, V. E., Pinargote Carreño, V. L., Pisco Mantuano, J. E., Cárdenas Pila, V.
N., y Guevara Albarracín, E. S. (2024). Integración de la inteligencia artificial en la
enseñanza de matemáticas: Un enfoque personalizado para mejorar el aprendizaje.
Ciencia Latina Revista Científica Multidisciplinar, 8(6), 818–839.
https://doi.org/10.37811/cl_rcm.v8i5.14114
Holmes, W., Bialik, M., y Fadel, C. (2019). Artificial intelligence in education. Boston: Center
for Curriculum Redesign. https://doi.org/10.58863/20.500.12424/4276068
Jara Chiriboga, S. P., Troncoso Burgos, A. L., Ruiz Ávila, M. M., Cosquillo Chida, J. L., Aldas
Macías, K. J., Castro Morante, Y. E., y Bernal Párraga, A. P. (2025). Inteligencia artificial
y aprendizaje personalizado en lenguas extranjeras: Un análisis de los chatbots y los
asistentes virtuales en educación. Revista Científica de Salud y Desarrollo Humano, 6(1),
882–905. https://doi.org/10.61368/r.s.d.h.v6i1.515
Jara Chiriboga, S. P., Valverde Álvarez, J. H., Moreira Pozo, D. A., Toscano Caisalitin, J. A.,
Yaule Chingo, M. B., Catota Quinaucho, C. V., & Bernal Párraga, A. P. (2025).
Gamification and English learning: Innovative strategies to motivate students in the
Castillo Baño, C. P., Cruz Gaibor, W. A., Bravo Jácome, R. E., Sandoval Lloacana, C. F., Guishca
Ayala, L. M., Campaña Nieto, R. A., Yepez Mogro, T. C., y Bernal Párraga, A. P. (2024).
Uso de tecnologías digitales en la educación para la ciudadanía. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 5388–5407.
https://doi.org/10.37811/cl_rcm.v8i4.12756
Cepeda Campoverde, E., Durán Núñez, Y., y Ocaña Ocaña, A. (2025). Uses and perspectives of
artificial intelligence in the teaching community at the University of Guayaquil. Nawi,
9(1), 151-165. https://doi.org/10.37785/nw.v9n1.a9
Crompton, H., y 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
Dellepiane, P., y Guidi, P. (2023). La inteligencia artificial y la educación: Retos y oportunidades
desde una perspectiva ética. Question/Cuestión, 3(76), e859.
https://doi.org/10.24215/16696581e859
Fernández-Miranda, F., García-Peñalvo, F. J., y Conde, M. Á. (2024). Artificial intelligence in
Latin American universities: Teachers’ perceptions and challenges. Revista
Iberoamericana de Educación Superior, 15(2), 435-452. https://doi.org/10.13053/cys-28-
2-4822
Guamaní Vargas, E. J. (2024). Uso de las TIC y rendimiento académico en estudiantes de
educación técnica y superior. Revista Educación Médica Superior, 38(4), e192.
https://doi.org/10.47606/acven/ph0295
Guishca Ayala, L. A., Bernal Párraga, A. P., Martínez Oviedo, M. Y., Pinargote Carreño, V. G.,
Alcívar Vélez, V. E., Pinargote Carreño, V. L., Pisco Mantuano, J. E., Cárdenas Pila, V.
N., y Guevara Albarracín, E. S. (2024). Integración de la inteligencia artificial en la
enseñanza de matemáticas: Un enfoque personalizado para mejorar el aprendizaje.
Ciencia Latina Revista Científica Multidisciplinar, 8(6), 818–839.
https://doi.org/10.37811/cl_rcm.v8i5.14114
Holmes, W., Bialik, M., y Fadel, C. (2019). Artificial intelligence in education. Boston: Center
for Curriculum Redesign. https://doi.org/10.58863/20.500.12424/4276068
Jara Chiriboga, S. P., Troncoso Burgos, A. L., Ruiz Ávila, M. M., Cosquillo Chida, J. L., Aldas
Macías, K. J., Castro Morante, Y. E., y Bernal Párraga, A. P. (2025). Inteligencia artificial
y aprendizaje personalizado en lenguas extranjeras: Un análisis de los chatbots y los
asistentes virtuales en educación. Revista Científica de Salud y Desarrollo Humano, 6(1),
882–905. https://doi.org/10.61368/r.s.d.h.v6i1.515
Jara Chiriboga, S. P., Valverde Álvarez, J. H., Moreira Pozo, D. A., Toscano Caisalitin, J. A.,
Yaule Chingo, M. B., Catota Quinaucho, C. V., & Bernal Párraga, A. P. (2025).
Gamification and English learning: Innovative strategies to motivate students in the
Vol. 13/ Núm. 1 2026 pág. 22
classroom. Revista Científica de Salud y Desarrollo Humano, 6(1), 1609–1633.
https://doi.org/10.61368/r.s.d.h.v6i1.549
Karataş, K. (2025). Reshaping curriculum adaptation in the age of artificial intelligence: A
systematic review. British Educational Research Journal, 51(1), 68–87.
https://doi.org/10.1002/berj.4068
Koehler, M. J., y Mishra, P. (2006). Technological Pedagogical Content Knowledge: A
framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054
https://doi.org/10.1111/j.1467-9620.2006.00684.x
Laupichler, M. C., Aster, A., y Raupach, T. (2023). Delphi study for the development and
preliminary validation of an item set for the assessment of non-experts' AI literacy.
Computers y Education: Artificial Intelligence, 4, 100126.
https://doi.org/10.1016/j.caeai.2023.100126
Menacho Ángeles, M. R., Bendezú Porras, C. A., y Villalba Gálvez, E. (2024). Artificial
intelligence as a tool in the autonomous learning of higher education students. Revista
InveCom, 4(2), e040258. https://doi.org/10.5281/zenodo.10693945
Méndez-Méndez, D. M., Delgado Calle, M. C., y Sequera Morales, M. R. (2025). Formación
docente en el uso de la inteligencia artificial generativa bajo el marco TPACK. Revista
Educación y Desarrollo Social, 19(3), 363-380. https://doi.org/10.48082/espacios-
a25v46n03p28
Padilla Chicaiza, V. A., Chanatasig Montaluisa, B. M., Moreira Cedeño, J. del C., Molina Ayala,
E. T., Estela Teresa, S. V., & Bernal Parraga, A. P. (2025). Inteligencia Artificial y
Aprendizaje de Idiomas: Personalización del Aula de Inglés a Través de Plataformas
Adaptativas. Revista Veritas De Difusão Científica, 6(2), 477–506.
https://doi.org/10.61616/rvdc.v6i2.643
Peters, M., y Fàbregues, S. (2023). Missed opportunities in mixed methods EdTech research?
Visual joint display development as an analytical strategy for achieving integration in
mixed methods studies. Educational Technology Research and Development.
https://doi.org/10.1007/s11423-023-10234-z
Quiroz Moreira, M. I., Mecias Córdova, V. Y., Proaño Lozada, L. A., Hernández Centeno, J. A.,
Chóez Acosta, L. A., Morales Contreras, A. M., y Bernal Párraga, A. P. (2024).
Plataformas de evaluación digital: Herramientas para optimizar el feedback y potenciar
el aprendizaje. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 2020–2036.
https://doi.org/10.37811/cl_rcm.v8i5.13673
Reina-Parrado, M., Román-Graván, P., y Hervás-Gómez, C. (2025). Learning to teach AI: Design
and validation of a questionnaire on artificial intelligence training for teachers. European
Journal of Educational Research, 14(1), 249–265. https://doi.org/10.12973/eu-
jer.14.1.249
classroom. Revista Científica de Salud y Desarrollo Humano, 6(1), 1609–1633.
https://doi.org/10.61368/r.s.d.h.v6i1.549
Karataş, K. (2025). Reshaping curriculum adaptation in the age of artificial intelligence: A
systematic review. British Educational Research Journal, 51(1), 68–87.
https://doi.org/10.1002/berj.4068
Koehler, M. J., y Mishra, P. (2006). Technological Pedagogical Content Knowledge: A
framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054
https://doi.org/10.1111/j.1467-9620.2006.00684.x
Laupichler, M. C., Aster, A., y Raupach, T. (2023). Delphi study for the development and
preliminary validation of an item set for the assessment of non-experts' AI literacy.
Computers y Education: Artificial Intelligence, 4, 100126.
https://doi.org/10.1016/j.caeai.2023.100126
Menacho Ángeles, M. R., Bendezú Porras, C. A., y Villalba Gálvez, E. (2024). Artificial
intelligence as a tool in the autonomous learning of higher education students. Revista
InveCom, 4(2), e040258. https://doi.org/10.5281/zenodo.10693945
Méndez-Méndez, D. M., Delgado Calle, M. C., y Sequera Morales, M. R. (2025). Formación
docente en el uso de la inteligencia artificial generativa bajo el marco TPACK. Revista
Educación y Desarrollo Social, 19(3), 363-380. https://doi.org/10.48082/espacios-
a25v46n03p28
Padilla Chicaiza, V. A., Chanatasig Montaluisa, B. M., Moreira Cedeño, J. del C., Molina Ayala,
E. T., Estela Teresa, S. V., & Bernal Parraga, A. P. (2025). Inteligencia Artificial y
Aprendizaje de Idiomas: Personalización del Aula de Inglés a Través de Plataformas
Adaptativas. Revista Veritas De Difusão Científica, 6(2), 477–506.
https://doi.org/10.61616/rvdc.v6i2.643
Peters, M., y Fàbregues, S. (2023). Missed opportunities in mixed methods EdTech research?
Visual joint display development as an analytical strategy for achieving integration in
mixed methods studies. Educational Technology Research and Development.
https://doi.org/10.1007/s11423-023-10234-z
Quiroz Moreira, M. I., Mecias Córdova, V. Y., Proaño Lozada, L. A., Hernández Centeno, J. A.,
Chóez Acosta, L. A., Morales Contreras, A. M., y Bernal Párraga, A. P. (2024).
Plataformas de evaluación digital: Herramientas para optimizar el feedback y potenciar
el aprendizaje. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 2020–2036.
https://doi.org/10.37811/cl_rcm.v8i5.13673
Reina-Parrado, M., Román-Graván, P., y Hervás-Gómez, C. (2025). Learning to teach AI: Design
and validation of a questionnaire on artificial intelligence training for teachers. European
Journal of Educational Research, 14(1), 249–265. https://doi.org/10.12973/eu-
jer.14.1.249
Vol. 13/ Núm. 1 2026 pág. 23
Rondon-Morel, R. O., Pacotaipe-Delacruz, R., Alarcón-Nuñez, E. A., y Yepez-Salvatierra, P. N.
(2024). El Impacto de la Inteligencia Artificial en la Formación Docente. Revista
Docentes 2.0, 17(2), 368–375. https://doi.org/10.37843/rted.v17i2.566
Sandu, R., Gide, E., y Elkhodr, M. (2024). The role and impact of ChatGPT in educational
practices: Insights from an Australian higher education case study. Discover Education,
3, 71. https://doi.org/10.1007/s44217-024-00126-6
Santana Mero, A. P., Bernal Párraga, A. P., Herrera Cantos, J. F., Bayas Chacha, L. M., Muñoz
Solórzano, J. M., Ordoñez Ruiz, I., Santin Castillo, A. P., y Jijón Sacón, F. J. (2024).
Aprendizaje adaptativo: Innovaciones en la personalización del proceso educativo en
lengua y literatura a través de la tecnología. Ciencia Latina Revista Científica
Multidisciplinar, 8(4), 480–517. https://doi.org/10.37811/cl_rcm.v8i4.12292
Serrano Aguilar, N. S., Paredes Montesdeoca, D. G., Silva Carrillo, A. G., Pilatasig Patango, M.
R., Ibáñez Oña, J. E., Tumbez Cunuhay, L. F., y Bernal Párraga, A. P. (2024).
Aprendizaje híbrido: Modelos y prácticas efectivas para la educación post-pandemia.
Ciencia Latina Revista Científica Multidisciplinar, 8(4), 10074–10093.
https://doi.org/10.37811/cl_rcm.v8i4.13152
Sevilla Muñoz, T. C., Barrios Aquise, M., Flores Cisneros, R. M., Ñanes Javier, N., y Matos
Lizana, J. C. (2024). Impacto de una capacitación intensiva en IA orientada a la
planificación educativa en docentes de secundaria. Zenodo.
https://doi.org/10.5281/zenodo.14219251
Tan, X., Cheng, G., y Ling, M. H. (2025). Artificial intelligence in teaching and teacher
professional development: A systematic review. Computers and Education: Artificial
Intelligence, 8, 100355. https://doi.org/10.1016/j.caeai.2024.100355
Tripathi, A., Verma, S., y Sharma, R. (2025). Teaching and learning with artificial intelligence:
A qualitative study on K-12 education. Frontiers in Education, 10, 1651217.
https://doi.org/10.3389/feduc.2025.1651217
Troya Santilán, B. N., Garcia Sosa, S. M., Medina Marino, P. A., Campoverde Durán, V. D. R.,
& Bernal Párraga, A. P. (2024). Diseño e implementación del gaming impulsados por IA
para mejorar el aprendizaje. Ciencia Latina Revista Científica Multidisciplinar, 8(3),
4051–4071. https://doi.org/10.37811/cl_rcm.v8i3.11611
Troya Santillán, C. M., Bernal Párraga, A. P., Guaman Santillán, R. Y., Guzmán Quiña, M. de
los A., & Castillo Álvarez, M. A. (2024). Formación docente en el uso de herramientas
tecnológicas para el apoyo a las necesidades educativas especiales en el aula. Ciencia
Latina Revista Científica Multidisciplinar, 8(3), 3768–3797.
https://doi.org/10.37811/cl_rcm.v8i3.11588
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO Publishing.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
Rondon-Morel, R. O., Pacotaipe-Delacruz, R., Alarcón-Nuñez, E. A., y Yepez-Salvatierra, P. N.
(2024). El Impacto de la Inteligencia Artificial en la Formación Docente. Revista
Docentes 2.0, 17(2), 368–375. https://doi.org/10.37843/rted.v17i2.566
Sandu, R., Gide, E., y Elkhodr, M. (2024). The role and impact of ChatGPT in educational
practices: Insights from an Australian higher education case study. Discover Education,
3, 71. https://doi.org/10.1007/s44217-024-00126-6
Santana Mero, A. P., Bernal Párraga, A. P., Herrera Cantos, J. F., Bayas Chacha, L. M., Muñoz
Solórzano, J. M., Ordoñez Ruiz, I., Santin Castillo, A. P., y Jijón Sacón, F. J. (2024).
Aprendizaje adaptativo: Innovaciones en la personalización del proceso educativo en
lengua y literatura a través de la tecnología. Ciencia Latina Revista Científica
Multidisciplinar, 8(4), 480–517. https://doi.org/10.37811/cl_rcm.v8i4.12292
Serrano Aguilar, N. S., Paredes Montesdeoca, D. G., Silva Carrillo, A. G., Pilatasig Patango, M.
R., Ibáñez Oña, J. E., Tumbez Cunuhay, L. F., y Bernal Párraga, A. P. (2024).
Aprendizaje híbrido: Modelos y prácticas efectivas para la educación post-pandemia.
Ciencia Latina Revista Científica Multidisciplinar, 8(4), 10074–10093.
https://doi.org/10.37811/cl_rcm.v8i4.13152
Sevilla Muñoz, T. C., Barrios Aquise, M., Flores Cisneros, R. M., Ñanes Javier, N., y Matos
Lizana, J. C. (2024). Impacto de una capacitación intensiva en IA orientada a la
planificación educativa en docentes de secundaria. Zenodo.
https://doi.org/10.5281/zenodo.14219251
Tan, X., Cheng, G., y Ling, M. H. (2025). Artificial intelligence in teaching and teacher
professional development: A systematic review. Computers and Education: Artificial
Intelligence, 8, 100355. https://doi.org/10.1016/j.caeai.2024.100355
Tripathi, A., Verma, S., y Sharma, R. (2025). Teaching and learning with artificial intelligence:
A qualitative study on K-12 education. Frontiers in Education, 10, 1651217.
https://doi.org/10.3389/feduc.2025.1651217
Troya Santilán, B. N., Garcia Sosa, S. M., Medina Marino, P. A., Campoverde Durán, V. D. R.,
& Bernal Párraga, A. P. (2024). Diseño e implementación del gaming impulsados por IA
para mejorar el aprendizaje. Ciencia Latina Revista Científica Multidisciplinar, 8(3),
4051–4071. https://doi.org/10.37811/cl_rcm.v8i3.11611
Troya Santillán, C. M., Bernal Párraga, A. P., Guaman Santillán, R. Y., Guzmán Quiña, M. de
los A., & Castillo Álvarez, M. A. (2024). Formación docente en el uso de herramientas
tecnológicas para el apoyo a las necesidades educativas especiales en el aula. Ciencia
Latina Revista Científica Multidisciplinar, 8(3), 3768–3797.
https://doi.org/10.37811/cl_rcm.v8i3.11588
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO Publishing.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
Vol. 13/ Núm. 1 2026 pág. 24
Vieriu, A. M., y Petrea, G. (2025). The impact of artificial intelligence (AI) on students’ academic
development. Education Sciences, 15(3), 343. https://doi.org/10.3390/educsci15030343
Villacreses Sarzoza, E. G., Nancy Maribel, M. C., Calderón Quezada, J. E., Víctor Gregory, T.
V., Iza Chungandro, M. F., Tandazo Sarango, F. E., y Bernal Párraga, A. P. (2025).
Inteligencia artificial: Transformando la escritura académica y creativa en la era del
aprendizaje significativo. Revista Científica de Salud y Desarrollo Humano, 6(1), 1427–
1451. https://doi.org/10.61368/r.s.d.h.v6i1.533
Yue, M. (2024). Understanding K–12 teachers' technological pedagogical content knowledge
readiness and attitudes toward artificial intelligence education. Education and
Information Technologies, 28(2), 1509–1533. https://doi.org/10.1007/s10639-024-
12621-2
Zamora Arana, M. G., Bernal Párraga, A. P., Ruiz Cires, O. A., Cholango Tenemaza, E. G., y
Santana Mero, A. P. (2024). Impulsando el aprendizaje en el aula: El rol de las
aplicaciones de aprendizaje adaptativo impulsadas por inteligencia artificial en la
educación básica. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 4301–4318.
https://doi.org/10.37811/cl_rcm.v8i3.11645
Zawacki-Richter, O., et al. (2019). Systematic review of research on artificial intelligence
applications in higher education. International Journal of Educational Technology in
Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Zegarra Ramírez, J. P. (2025). Transformando la enseñanza universitaria con el uso de la
inteligencia artificial: Un estudio de caso. Revista Universidad y Sociedad, 17(2), 205-
220. https://doi.org/10.5281/zenodo.13386114
Vieriu, A. M., y Petrea, G. (2025). The impact of artificial intelligence (AI) on students’ academic
development. Education Sciences, 15(3), 343. https://doi.org/10.3390/educsci15030343
Villacreses Sarzoza, E. G., Nancy Maribel, M. C., Calderón Quezada, J. E., Víctor Gregory, T.
V., Iza Chungandro, M. F., Tandazo Sarango, F. E., y Bernal Párraga, A. P. (2025).
Inteligencia artificial: Transformando la escritura académica y creativa en la era del
aprendizaje significativo. Revista Científica de Salud y Desarrollo Humano, 6(1), 1427–
1451. https://doi.org/10.61368/r.s.d.h.v6i1.533
Yue, M. (2024). Understanding K–12 teachers' technological pedagogical content knowledge
readiness and attitudes toward artificial intelligence education. Education and
Information Technologies, 28(2), 1509–1533. https://doi.org/10.1007/s10639-024-
12621-2
Zamora Arana, M. G., Bernal Párraga, A. P., Ruiz Cires, O. A., Cholango Tenemaza, E. G., y
Santana Mero, A. P. (2024). Impulsando el aprendizaje en el aula: El rol de las
aplicaciones de aprendizaje adaptativo impulsadas por inteligencia artificial en la
educación básica. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 4301–4318.
https://doi.org/10.37811/cl_rcm.v8i3.11645
Zawacki-Richter, O., et al. (2019). Systematic review of research on artificial intelligence
applications in higher education. International Journal of Educational Technology in
Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Zegarra Ramírez, J. P. (2025). Transformando la enseñanza universitaria con el uso de la
inteligencia artificial: Un estudio de caso. Revista Universidad y Sociedad, 17(2), 205-
220. https://doi.org/10.5281/zenodo.13386114