Vásquez Cruceta, I.
667
e-ISSN
3073-1151
Julio-Septiembre
, 2025
Vol.
2
, Núm.
3
,
667-679
https://doi.org/10.63415/saga.v2i3.213
Revista Científica Multidisciplinar
https://revistasaga.org/
Artículo de investigación original
La inteligencia artificial como mediadora cognitiva y
formativa en el aprendizaje autónomo universitario: una
teoría fundamentada
Artificial Intelligence as a Cognitive and Formative Mediator in University
Autonomous Learning: A Grounded Theory
Dra. Irene Vásquez Cruceta
1
1
Broward International University, 801 Brickell Ave Office 736 - 7th Floor, Miami, FL 33131, Estados Unidos
Recibido
: 2025-07-22 /
Aceptado
: 2025-08-22 /
Publicado
: 2025-09-05
RESUMEN
Este estudio tuvo como objetivo general desarrollar una teoría fundamentada que explique el rol de la inteligencia artificial
(IA) como mediadora cognitiva y formativa en el aprendizaje autónomo universitario, abordando sus potencialidades y
limitaciones. Metodológicamente, se empleó un enfoque cualitativo basado en la teoría fundamentada constructivista de
Charmaz (2014), a partir del análisis de 14 testimonios escritos de estudiantes de doctorado sobre su experiencia con
herramientas de IA en contextos académicos. El proceso de codificación permitió identificar categorías que evidencian
que la IA optimiza el tiempo, mejora la calidad y coherencia textual, facilita el acceso a información actualizada, apoya
la elaboración académica, promueve el pensamiento crítico y refuerza la ética en su uso. Además, se reveló que la IA
funciona como mediadora cognitiva que amplía las capacidades del estudiante, favoreciendo el aprendizaje autónomo y
autorregulado, con el apoyo de un marco ético-pedagógico que evita la dependencia tecnológica. En cuanto a
recomendaciones, se sugiere implementar programas de formación en competencias digitales y éticas para docentes y
alumnos, diseñar estrategias pedagógicas que integren la IA como soporte metodológico bajo supervisión crítica,
establecer políticas institucionales claras sobre su uso responsable, desarrollar recursos didácticos que potencien la
organización y calidad del trabajo académico, y promover investigación continua para adaptar las prácticas educativas a
la evolución tecnológica. Este enfoque integral busca potenciar la productividad académica sin comprometer la
originalidad ni la reflexión crítica.
Palabras clave:
inteligencia artificial; aprendizaje autónomo; educación superior; pensamiento crítico
ABSTRACT
The overall objective of this study was to develop a grounded theory that explains the role of artificial intelligence (AI)
as a cognitive and formative mediator in autonomous university learning, addressing its potential and limitations.
Methodologically, a qualitative approach based on Charmaz's (2014) constructivist grounded theory was employed,
drawing on the analysis of 14 written testimonies from doctoral students regarding their experiences with AI tools in
academic contexts. The coding process identified categories that demonstrate that AI optimizes time, improves textual
quality and coherence, facilitates access to up-to-date information, supports academic writing, promotes critical thinking,
and reinforces ethics in its use. Furthermore, it was revealed that AI functions as a cognitive mediator that expands student
capabilities, promoting autonomous and self-regulated learning, supported by an ethical-pedagogical framework that
avoids technological dependence. Regarding recommendations, it is suggested to implement training programs in digital
and ethical skills for teachers and students, design pedagogical strategies that integrate AI as a methodological support
under critical supervision, establish clear institutional policies on its responsible use, develop teaching resources that
enhance the organization and quality of academic work, and promote ongoing research to adapt educational practices to
technological evolution. This comprehensive approach seeks to enhance academic productivity without compromising
originality or critical reflection.
keywords
: artificial intelligence; autonomous learning; higher education; critical Thinking
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
668
RESUMO
O objetivo geral deste estudo foi desenvolver uma teoria fundamentada que explique o papel da inteligência artificial (IA)
como mediadora cognitiva e formativa na aprendizagem autónoma universitária, abordando as suas potencialidades e
limitações. Metodologicamente, foi utilizada uma abordagem qualitativa baseada na teoria fundamentada construtivista
de Charmaz (2014), tendo por base a análise de 14 testemunhos escritos de doutorandos sobre as suas experiências com
ferramentas de IA em contextos académicos. O processo de codificação identificou categorias que demonstram que a IA
otimiza o tempo, melhora a qualidade e a coerência textual, facilita o acesso a informação atualizada, apoia a escrita
académica, promove o pensamento crítico e reforça a ética na sua utilização. Além disso, revelou-se que a IA funciona
como uma mediadora cognitiva que expande as capacidades dos alunos, promovendo uma aprendizagem autónoma e
autorregulada, apoiada por um quadro ético-pedagógico que evita a dependência tecnológica. Em relação às
recomendações, sugere-se a implementação de programas de formação em competências digitais e éticas para professores
e alunos, a elaboração de estratégias pedagógicas que integrem a IA como suporte metodológico sob supervisão crítica,
o estabelecimento de políticas institucionais claras sobre a sua utilização responsável, o desenvolvimento de recursos
didáticos que melhorem a organização e a qualidade do trabalho académico e o fomento da investigação contínua para
adaptar as práticas educativas à evolução tecnológica. Esta abordagem abrangente procura melhorar a produtividade
académica sem comprometer a originalidade ou a reflexão crítica.
palavras-chave
: inteligência artificial; aprendizagem autónoma; ensino superior; pensamento crítico
Forma sugerida de citar (APA):
Vásquez Cruceta, I. (2025). La inteligencia artificial como mediadora cognitiva y formativa en el aprendizaje autónomo universitario: una teoría
fundamentada. Revista Científica Multidisciplinar SAGA, 2(3), 667-679.
https://doi.org/10.63415/saga.v2i3.213
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
INTRODUCCIÓN
La irrupción de la inteligencia artificial (IA)
en los entornos educativos universitarios ha
transformado las prácticas de estudio, escritura
académica, investigación y autoevaluación.
Estas herramientas, como asistentes
conversacionales o generadores de texto, han
sido rápidamente adoptadas por estudiantes,
generando nuevas dinámicas en los procesos
de aprendizaje. Aunque existen debates sobre
su impacto ético y académico, poco se ha
indagado desde una perspectiva teórica
construida a partir de la experiencia estudiantil.
Este estudio busca responder: ¿qué
significados y usos atribuyen los estudiantes
universitarios a la IA en sus prácticas
académicas? A partir de un enfoque
cualitativo, se propone una teoría
fundamentada que conceptualiza a la IA como
mediadora cognitiva y formativa en el
desarrollo del aprendizaje autónomo y crítico.
Esta teoría fundamentada ha enmarcado la
problemática desde el impacto transformador
de la inteligencia artificial (IA) en la educación
superior, enfatizando su papel como
mediadora en los procesos de aprendizaje
autónomo. Numerosos autores han destacado
que la IA ha emergido como una herramienta
revolucionaria en la educación universitaria,
permitiendo la personalización de los procesos
de enseñanza-aprendizaje y facilitando la
adaptación a las necesidades individuales de
los estudiantes (Kroff et al., 2024). La IA
potencia la autonomía del estudiante al
proporcionar sistemas de aprendizaje
adaptativos que ofrecen recomendaciones
personalizadas y contenidos ajustados en
tiempo real, mejorando así el rendimiento
académico y la motivación (Peñaherrera et al.,
2022; Jarro et al., 2025).
Asimismo, el trabajo de Menacho Ángeles
et al., (2024) analiza la importancia de la IA en
el aprendizaje autónomo de estudiantes
universitarios en América Latina, usando una
metodología cuantitativa que resalta la
relevancia de la IA siempre que se usa ética y
responsablemente. Destacan el análisis del
aprendizaje y la optimización del tiempo en la
búsqueda de información académica, como
beneficios clave para la autonomía estudiantil.
La inteligencia artificial en la educación
superior facilita la personalización del
aprendizaje y la automatización de procesos,
optimizando la enseñanza. Sin embargo,
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
669
enfrenta retos éticos, de acceso, capacitación e
infraestructura (Cedeño-Moreira et al., 2025).
Otras investigaciones también enfatizan que
la IA en la educación superior en América
Latina es aún incipiente, pero en crecimiento,
promoviendo el aprendizaje autónomo
mediante estrategias pedagógicas que integran
modelos colaborativos y personalización del
aprendizaje. La realidad de lo que ocurre hoy
en día en torno al uso de la IA por estudiantes
y docentes, subrayan la necesidad de marcos
normativos y éticos para garantizar un uso
justo, inclusivo y confiable de la IA en
educación superior, lo que refuerza su rol
formativo y mediador en procesos educativos
reflexivos y personalizados (González-
Fernández et al., 2025). Estudios revelan que
estudiantes y docentes utilizan herramientas de
IA, aunque la efectividad depende de la
capacitación y uso responsable (Vaca-Cabrera
et al., 2025).
Por otro lado, estudios recientes han
subrayado la importancia de abordar los
desafíos asociados a la formación docente, la
resistencia al cambio y las implicaciones éticas
para lograr una integración efectiva y
responsable de la IA en la educación superior
(Peñafiel-Jurado et al., 2024; Rosales et al.,
2024). Este contexto justifica la necesidad de
investigar cómo la IA puede actuar como
mediadora cognitiva y formativa,
promoviendo competencias de aprendizaje
autónomo en el ámbito universitario.
El avance acelerado de la inteligencia
artificial (IA) ha transformado radicalmente
los procesos educativos, especialmente en el
ámbito universitario, donde el aprendizaje
autónomo se ha convertido en un componente
clave para el desarrollo de competencias y
habilidades críticas. En ese sentido en el
estudio de Krause et al., (2025) resalta que las
herramientas de IA generativa están
revolucionando la educación, lo que hace
necesario que los estudiantes desarrollen
competencias clave como la alfabetización en
IA, el pensamiento crítico y las prácticas
éticas. Además, muestra cómo los docentes
están reconfigurando sus roles para integrar la
IA en la enseñanza, promoviendo un
aprendizaje más autónomo y orientado al
estudiante, donde se subraya la importancia de
aprendizaje práctico y proyectos como
estrategias de implementación efectiva.
La personalización del aprendizaje
mediante IA ha demostrado mejorar la
motivación, autonomía, intervención y
responsabilidad en los estudiantes, adaptando
contenido y metodología a las características
individuales. Sin embargo, se destaca la
importancia de acompañar esta
implementación con consideraciones éticas y
formación docente (Icaza-Ronquillo et al.,
2024). Por su parte el estudio de Romaní Pillpe
et al., (2024) muestra que la IA mejora el
pensamiento crítico reflexivo y creativo en
estudiantes universitarios, apoyando la
formación de habilidades analíticas y
metacognitivas. Además, la IA puede
proporcionar retroalimentación personalizada,
fomentando un aprendizaje ético y
responsable, donde evaluar críticamente la
información generada por la IA es
fundamental. Este fenómeno adquiere
relevancia tanto a nivel internacional, como
nacional, donde diversas investigaciones han
demostrado su impacto positivo en la
educación superior (Zawacki-Richter et al.,
2019).
Sin embargo, a pesar de los avances,
persisten problemáticas relacionadas con la
adecuada mediación de la IA en el aprendizaje
autónomo. Estudios recientes evidencian que,
aunque la IA puede optimizar la gestión del
tiempo y la calidad de los trabajos académicos,
existen riesgos asociados a la dependencia
tecnológica, la superficialidad en el análisis
crítico y la falta de una postura ética clara en
su uso. Al respecto, el estudio experimental de
Fan et al. (2025) utilizando ChatGPT como
apoyo en tareas de escritura, mostró que,
aunque los estudiantes asistidos por la IA
mejoraron sus puntajes en los ensayos, no hubo
diferencias significativas en el aprendizaje ni
la transferencia del conocimiento. Además, se
observó una tendencia hacia la dependencia
tecnológica y una disminución del
compromiso metacognitivo, lo que sugiere una
especie de “pereza metacognitiva”. Est
os
factores limitan el potencial formativo de la IA
y pueden afectar la autonomía real del
estudiante, generando un desequilibrio entre el
apoyo tecnológico y el desarrollo del
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
670
pensamiento crítico (Williamson & Piattoeva,
2020).
El problema central que motiva esta
investigación se formula así: ¿Cómo actúa la
inteligencia artificial como mediadora
cognitiva y formativa en el aprendizaje
autónomo universitario, y cuáles son los
factores que influyen en su efectividad y ética
de uso? La identificación y análisis de estos
factores, de manera que incluyen la
optimización del tiempo, la calidad y
coherencia del contenido, el acceso y manejo
de información, el desarrollo del análisis
crítico y la ética. Estos son fundamentales para
diseñar estrategias educativas que maximicen
los beneficios de la IA sin comprometer la
autonomía y responsabilidad del estudiante.
El objetivo general de este estudio es
desarrollar una teoría fundamentada que
explique el rol de la IA como mediadora
cognitiva y formativa en el aprendizaje
autónomo universitario, considerando tanto
sus potencialidades como sus limitaciones.
Para ello, se plantean los siguientes objetivos
específicos: (1) analizar cómo la IA contribuye
a la optimización del tiempo y la calidad
académica; (2) identificar los factores que
favorecen y limitan el desarrollo del
pensamiento crítico y la ética en el uso de IA;
y (3) proponer recomendaciones para su
integración responsable en la educación
superior.
La justificación de esta investigación radica
en la necesidad de comprender y sistematizar
el impacto de la IA en la educación
universitaria, especialmente en contextos
donde la formación autónoma es prioritaria
para enfrentar los desafíos del siglo XXI. La
generación de una teoría fundamentada
aportará un marco conceptual y práctico para
docentes, estudiantes y gestores educativos,
orientando el uso efectivo y ético de la IA
como herramienta formativa, en consonancia
con las tendencias internacionales y las
demandas nacionales de calidad educativa
(Siemens, 2013; Granados Romero et al.,
2020).
METODOLOGÍA
El estudio uso el enfoque cualitativo, y se
sustentó en la teoría fundamentada de corte
constructivista según la propuesta de Charmaz
(2014), enfocada en la construcción de teoría a
partir del análisis sistemático de datos
cualitativos. Esta perspectiva destaca el papel
activo del investigador en la interpretación y
co-construcción del significado atribuido por
los propios participantes, permitiendo así
generar interpretaciones profundas sobre la
experiencia estudiada en lugar de buscar una
verdad objetiva y única (Giraldo-Ramírez &
Cano Vásquez, 2025). A diferencia de la
versión clásica de Glaser y Strauss, el
constructivismo enfatiza la relevancia del
contexto y las percepciones subjetivas de los
participantes y del investigador (Espriella &
Restrepo, 2020).
La recolección de datos se realizó a través
de un corpus constituido por testimonios
escritos de estudiantes universitarios (nivel
doctorado). Cada participante brindó una
reflexión personal respecto al uso de
herramientas de inteligencia artificial en sus
actividades académicas. En total, se
recopilaron 14 testimonios, cada uno con una
extensión promedio de 120 palabras. Este
formato permitió obtener descripciones ricas y
variadas, enfocadas en vivencias,
percepciones, dilemas y valoraciones
personales relacionadas con la integración de
la IA en el contexto educativo.
El proceso de análisis de datos siguió las
etapas propias de la teoría fundamentada: (a)
Codificación abierta, donde se examinaron los
textos de manera minuciosa, segmentando el
contenido en unidades de significado y
generando etiquetas iniciales. Esto permitió
generar (b) codificación axial, que permitió
generar etiquetas generadas que fueron
relacionadas entre sí, agrupándolas en 20
categorías emergentes que permitieron
identificar patrones y relaciones significativas
dentro de los datos y (c) la codificación
selectiva, que facilitó que las categorías fueran
posteriormente integradas y refinadas para
conformar 10 temas centrales, los cuales
representaron los principales hallazgos
teóricos del estudio. Finalmente, estos temas se
organizaron en una proposición teórica
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
671
general, que explica la manera en que los
estudiantes universitarios experimentan y
reflexionan sobre el uso de la IA en su
educación. Este método permitió generar
teoría desde la voz y perspectiva de los
participantes, favoreciendo una interpretación
contextualizada y fundamentada de la
experiencia estudiada.
RESULTADOS
Proceso de codificación abierta, sobre
impacto de la IA en la productividad y
calidad del trabajo en tareas estudiantiles
El análisis mediante codificación abierta de
entrevistas sobre el impacto de la inteligencia
artificial en tareas estudiantiles reveló veinte
categorías clave, destacando beneficios como
la optimización del tiempo, mejora en la
calidad y actualización de la información,
cohesión temática y apoyo en la redacción. La
IA también facilita el acceso a recursos
académicos, la autoevaluación y la revisión
eficiente de información. Sin embargo, se
identificó la importancia de una formación
adecuada y la necesidad de revisión crítica por
parte del usuario para garantizar la
confiabilidad, el uso ético y la calidad en los
trabajos académicos realizados con ayuda de la
inteligencia artificial. A continuación, un
desglose explicado de las mismas:
-
Optimización del Tiempo. Reducción
significativa del tiempo invertido en
diversas tareas
-
Mejora de la Calidad de la Información.
Obtención de información más relevante y
coherente.
-
Cohesión Temática. Favorece la
integración y relación entre diferentes
temas.
-
Análisis Mejorado. Permite un análisis más
profundo y una perspectiva más clara sobre
los temas.
-
Asistencia en la Escritura y Redacción.
Ayuda con títulos, organización de
párrafos y coherencia gramatical.
-
Acceso a la Información. Pone un vasto
mundo de información a disposición del
usuario.
-
Soporte en la Generación de Ideas. Facilita
la creación de propuestas y mejora de
ideas.
-
Verificación de Contenido. Permite revisar
coherencia, gramática y estilo académico.
-
Acceso a Información Actualizada. Facilita
la búsqueda y síntesis de datos recientes
-
Fortalecimiento de la Autoevaluación.
Ayuda al usuario a revisar y mejorar sus
propios trabajos.
-
Visión Amplia de Temas. Contribuye a
tener una comprensión más extensa sobre
los temas de investigación.
-
Aclaración de Dudas. Sirve como
herramienta para resolver interrogantes
sobre diversos temas.
-
Revisión de Gran Volumen de Material.
Permite procesar grandes cantidades de
información de manera rápida y precisa.
-
Punto de Partida/Borrador. Sirve para
iniciar trabajos o asignaciones cuando no
hay una idea clara.
-
Facilitación de Búsqueda de Literatura.
Agiliza el proceso de encontrar bibliografía
relevante.
-
Asesoría y Guía. Actúa como un asistente
que orienta en el inicio de proyectos
-
Apoyo en Metodología. Específicamente
útil para encontrar artículos científicos y
conectar problemas de investigación.
-
Orientación General. Ofrece claridad en
temas que pueden ser complejos incluso en
libros.
-
Eficiencia en el Trabajo. Contribuye a
realizar las tareas de manera más eficaz.
-
Necesidad de Entrenamiento y Revisión
Crítica. Aunque es una herramienta
poderosa, requiere aprendizaje en su uso y
una evaluación humana final para asegurar
la fiabilidad y mantener la ética.
-
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
672
Figura 1
Categorías identificadas
Nota: Elaborado a partir de los datos generados en la revisión de las entrevistas
Proceso de codificación axial, sobre impacto
de la IA en la productividad y calidad del
trabajo en tareas estudiantiles
En el proceso de reagrupación de
categorías, se han identificado 10 categorías
más amplias y relevantes, donde se describe
cada uno para reflejar mejor las ideas
principales del texto. En este sentido, el
análisis de las categorías identificadas sobre el
impacto de la inteligencia artificial en tareas
estudiantiles muestra beneficios como la
optimización del tiempo, la mejora del
rendimiento y calidad del trabajo, y una mejor
organización textual. La IA facilita el acceso,
manejo y actualización de la información, y
brinda apoyo en la elaboración académica,
desde marcos teóricos hasta metodologías.
Además, promueve el análisis crítico, la
entrega oportuna, y el cumplimiento de plazos.
Se destaca también la importancia del uso ético
y responsable, así como su función como guía
educativa y apoyo en la redacción y estilo
académico (Tabla 1).
Tabla 1
20 categorías identificadas en 10 más relevantes
Nueva Categoría Descripción
1. Optimización
del tiempo y
eficiencia
Incluye la optimización del tiempo, ahorro mediante entrenamiento en IA,
rapidez en propuestas y entregas. Se refiere a cómo la IA acelera procesos y
mejora la gestión temporal de tareas.
2. Mejora del
rendimiento y
calidad
Agrupa la mejora del rendimiento, calidad de la información y verificación de
coherencia, gramática y estilo académico. Se centra en elevar el estándar y
efectividad del trabajo.
3. Organización y
cohesión textual
Combina cohesión temática, orden y coherencia gramatical, y generación y
mejora de títulos. Se refiere a la estructura lógica y claridad en la presentación
de ideas.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
673
Nueva Categoría Descripción
4. Acceso y
manejo de
información
Incluye acceso a información amplia y actualizada, revisión rápida de gran
volumen de material y clarificación de dudas. Destaca la capacidad de la IA
para facilitar la consulta y comprensión.
5. Apoyo en la
elaboración
académica
Reúne elaboración de marcos teóricos sólidos, generación de borradores y
orientación en metodologías y búsqueda científica. Se enfoca en el soporte que
la IA brinda en la construcción del trabajo.
6. Análisis crítico
y perspectiva
Contempla análisis y perspectiva del tema, ampliación de la visión sobre temas
investigados y autoevaluación y mejora continua. Resalta el pensamiento
reflexivo y la mejora constante.
7. Entrega
oportuna y gestión
de trabajos
Incluye entrega oportuna y rapidez en propuestas y entregas, enfatizando la
puntualidad y cumplimiento de plazos gracias a la IA.
8. Ética y uso
responsable de la
IA
Se refiere a la importancia de mantener una postura ética, usando la IA como
apoyo y no como sustituto del pensamiento crítico ni autoría personal.
9. Clarificación y
orientación
educativa
Abarca clarificación de dudas y orientación en metodologías, destacando el
papel de la IA como guía y facilitadora del aprendizaje.
10. Soporte en
redacción y estilo
académico
Incluye verificación de gramática, estilo académico y orden textual, subrayando
la ayuda para mejorar la presentación formal de los trabajos.
Nota: elaborado a partir de los datos generados en la revisión de las entrevistas
Proceso de codificación selectiva, sobre
impacto de la IA en la productividad y
calidad del trabajo en tareas estudiantiles
Asimismo, se han reagrupado las categorías
anteriores en 5 categorías. Estas reflejan de
manera integral el impacto de la inteligencia
artificial en el ámbito académico,
especialmente en tareas estudiantiles. En
primer lugar, la optimización y gestión del
tiempo destaca cómo la IA mejora la eficiencia
y puntualidad en la realización de trabajos,
aspecto esencial para la productividad
académica. En segundo lugar, la calidad,
coherencia y organización textual subraya la
capacidad de la IA para elevar la presentación
lógica, clara y profesional de los contenidos,
fortaleciendo la rigurosidad académica.
El tercer grupo, acceso, manejo y apoyo en
la información, resalta el papel integral de la
IA en la obtención, selección y estructuración
de datos actualizados, así como en la
elaboración teórica y metodológica que
sustenta la investigación. La cuarta categoría
enfatiza el análisis crítico, la ampliación de
perspectivas y la ética, aspectos fundamentales
para garantizar un uso responsable de estas
tecnologías sin comprometer la originalidad ni
el pensamiento reflexivo.
Finalmente, la orientación educativa y el
soporte metodológico reconocen a la IA como
una herramienta facilitadora que orienta y
apoya en la resolución de dudas, en la
construcción metodológica y en la mejora de la
redacción académica, promoviendo un
aprendizaje más autónomo y fundamentado.
En conjunto, estas categorías reflejan un
enfoque metodológico integral, que concilia
eficiencia tecnológica con responsabilidad
académica y calidad investigativa (Tabla 2).
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
674
Tabla 2
Codificación axial en 5 categorías
Nueva Categoría Descripción
1. Optimización y
gestión del tiempo
Incluye la optimización del tiempo, ahorro mediante entrenamiento
en IA, rapidez y entrega oportuna de trabajos. Se refiere a cómo la
IA mejora la eficiencia y puntualidad en la realización de tareas
académicas.
2. Calidad, coherencia y
organización textual
Agrupa la mejora del rendimiento, calidad de la información,
verificación de coherencia, gramática, estilo académico, cohesión
temática, orden y generación de títulos. Se enfoca en la presentación
clara, lógica y profesional del contenido.
3. Acceso, manejo y
apoyo en la información
Incluye acceso a información amplia y actualizada, revisión rápida
de material, clarificación de dudas, elaboración de marcos teóricos,
generación de borradores y orientación en metodologías y búsqueda
científica. Destaca el soporte integral que la IA brinda en la
construcción del conocimiento.
4. Análisis crítico,
perspectiva y ética
Contempla análisis y perspectiva del tema, ampliación de la visión
investigativa, autoevaluación, mejora continua y uso ético de la IA.
Resalta la importancia del pensamiento crítico y la responsabilidad
en el uso de estas herramientas.
5. Orientación educativa
y soporte metodológico
Abarca clarificación de dudas, orientación en metodologías, apoyo
en redacción y estilo académico, y la función de la IA como guía
facilitadora del aprendizaje y la investigación.
Nota: Elaborado a partir de los datos generados en la revisión de las entrevistas
A partir del análisis cualitativo de las
percepciones sobre el uso de herramientas de
inteligencia artificial (IA) en contextos
académicos, emerge una teoría fundamentada
que podemos denominar:
Teoría Fundamentada Emergente: La IA
como Mediadora Cognitiva y Formativa en el
Aprendizaje Autónomo Universitario
Proposición central. La inteligencia
artificial actúa como una mediadora cognitiva
y formativa que fortalece los procesos de
aprendizaje autónomo, mejora la calidad de la
producción académica y potencia el
pensamiento crítico y creativo, siempre que su
uso esté guiado por principios éticos y
pedagógicos.
Categorías clave emergentes y su
integración teórica
1. Mediación Cognitiva
La IA actúa como extensión del
pensamiento del estudiante, facilitando
procesos complejos como la organización de
ideas, la redacción y la argumentación. Se
vincula con Vygotsky (1978) y su concepto de
zona de desarrollo próximo, donde el
andamiaje tecnológico sustituye
temporalmente la guía del docente.
2. Aprendizaje Autónomo y Autorregulado
La capacidad de usar la IA como tutor o
guía inicial permite al estudiante desarrollar
mayor independencia y responsabilidad en su
aprendizaje. Se relaciona con las ideas de
Candy (1991) sobre el aprendizaje
autodirigido, y con el enfoque metacognitivo
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
675
de Zimmerman (2002) sobre el aprendizaje
autorregulado.
3. Desarrollo de Competencias Digitales y
Académicas
El uso frecuente de IA implica
alfabetización digital, manejo de información
científica y habilidades técnicas, necesarias
para la educación superior contemporánea.
Esto concuerda con el marco de la
alfabetización digital crítica propuesto por
Hobbs, (2010), que subraya la necesidad de
preparar a los estudiantes para gestionar
herramientas tecnológicas con juicio crítico.
4. Pensamiento Crítico y uso Ético
El discurso emergente valora el uso
responsable de la IA, sin delegar el
pensamiento ni la autoría, lo que refleja un
desarrollo ético en la apropiación tecnológica.
Se alinea con Lipman (2003), quien aboga por
el desarrollo del pensamiento crítico en la
educación como base para una ciudadanía
activa.
5. Transformación del rol del Estudiante
La IA no sustituye al estudiante, sino que
reconfigura su rol de consumidor pasivo a
constructor activo de conocimiento asistido
por tecnología. Relacionado con las visiones
constructivistas de Piaget (1973) y Bruner
(1965), quienes destacan el aprendizaje como
un proceso activo de construcción.
Síntesis Teórica
La IA, al insertarse en los entornos
educativos universitarios, modifica las
dinámicas tradicionales del aprendizaje.
Funciona como una herramienta que, lejos de
reemplazar la inteligencia humana, expande
sus posibilidades, permitiendo una interacción
más rica, crítica y personalizada con el
conocimiento. Esta relación tecnología-
aprendiz no es neutral; requiere competencias,
criterios éticos y un diseño pedagógico
orientador.
DISCUSIÓN
La codificación selectiva realizada sobre el
impacto de la inteligencia artificial (IA) en la
productividad y calidad del trabajo académico
en estudiantes universitarios revela una
estructura integral que se corresponde con
teorías educativas formales y contemporáneas.
En primer lugar, la categoría de optimización
y gestión del tiempo destaca cómo la IA
potencia la eficiencia en la realización de
tareas académicas, aspecto esencial para la
productividad estudiantil. Esta conclusión
coincide con estudios previos que subrayan la
importancia de las herramientas tecnológicas
en la gestión autónoma del aprendizaje
(Candy, 1991; Zimmerman, 2002).
En segundo lugar, la categoría calidad,
coherencia y organización textual señala que la
IA funciona como una mediadora cognitiva
que facilita la elaboración y presentación
lógica y profesional de contenidos académicos.
Este hallazgo está en línea con el concepto de
zona de desarrollo próximo planteado por
Vygotsky (1978), en el que el andamiaje
tecnológico puede sustituir temporalmente la
guía docente para potenciar las capacidades del
estudiante.
En tercer lugar, el acceso, manejo y apoyo
en la información resalta el papel crucial de la
IA en la construcción del conocimiento. La IA
facilita el manejo crítico y actualización de la
información científica, contribuyendo al
desarrollo de la alfabetización digital crítica,
como lo propone Hobbs (2010).
La cuarta categoría, análisis crítico,
perspectiva y ética, subraya la importancia del
pensamiento crítico y del uso responsable de la
IA, preservando la autoridad original y la ética
en la producción académica. Esto se alinea con
las ideas de Lipman (2003), quien enfatiza el
desarrollo del pensamiento crítico como base
para una ciudadanía activa y responsable.
Finalmente, la orientación educativa y el
soporte metodológico destaca la función de la
IA como guía que promueve un aprendizaje
más autónomo y autorregulado. Este enfoque
coincide con las perspectivas constructivistas
de Piaget (1973) y Bruner (1965), que
conciben el aprendizaje como un proceso
activo y mediado, mediante el cual el
estudiante se transforma de receptor pasivo en
constructor activo del conocimiento.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
676
En síntesis, la IA emerge como una
mediadora cognitiva y formativa que amplía
las posibilidades del aprendizaje universitario.
Sin embargo, esta mediación debe estar
siempre marcada en un contexto ético y
pedagógico que asegure la calidad, la
responsabilidad académica y el desarrollo de
competencias críticas digitales, requisitos
indispensables en la educación superior
contemporánea.
No obstante, el estudio también evidencia
desafíos que requieren atención y reflexión
crítica para consolidar el potencial
transformador de la IA en la educación
universitaria. Entre estos desafíos se destacan:
-
Tensión entre optimización y dependencia
tecnológica: Aunque la IA mejora
significativamente la eficiencia y calidad
académica, existe el riesgo implícito de una
dependencia excesiva que podría socavar
la autonomía intelectual genuina del
estudiante. La mediación cognitiva debe
garantizar que la IA complemente, pero no
sustituya, el proceso reflexivo ni la
construcción crítica del conocimiento,
manteniendo al estudiante como agente
activo (González-Fernández et al., 2025;
Vaca-Cabrera et al., 2025; Krause et al.,
2025).
-
Ética y uso responsable: La necesidad de
un marco ético-pedagógico para evitar
malas prácticas en el uso de IA es un
hallazgo fundamental. Sin embargo, es
imprescindible avanzar en la
operacionalización y supervisión de estos
marcos en la práctica educativa. La ética
debe trascender normas formales y
fomentar una cultura crítica capaz de
cuestionar no solo al usuario, sino también
a los sistemas automatizados (González-
Fernández et al., 2025). Además, deben
considerar los efectos de la IA en términos
de equidad, accesibilidad y brechas
digitales que pueden profundizar
desigualdades en la educación superior.
-
Formación docente y estudiantil: La
recomendación de capacitar a docentes y
estudiantes en competencias digitales y
éticas es acertada, pero conviene
profundizar en los obstáculos
institucionales, pedagógicos y culturales
que limitan esta formación. La
implementación tecnológica requiere
transformar roles, rutinas y paradigmas
educativos tradicionales para que la
mediación formativa de la IA sea efectiva
y sostenible (Vaca-Cabrera et al., 2025;
Krause et al., 2025).
-
Calidad, originalidad y reflexión crítica:
Si bien la IA es una herramienta que puede
potenciar la productividad académica, es
necesario establecer mecanismos rigurosos
para evaluar que esta productividad no
comprometa la originalidad ni el desarrollo
del pensamiento crítico. El impacto de la
IA generativa sobre la autoría intelectual,
la creatividad y la argumentación debe ser
objeto de un debate robusto frente a
preocupaciones actuales sobre plagio,
confianza en sistemas automatizados y
potencial pérdida de habilidades analíticas
(González-Fernández et al., 2025).
-
Perspectiva regional y contextualización
en América Latina: Aunque se reconoce el
crecimiento incipiente del uso de IA en la
educación superior latinoamericana, la
discusión crítica debe enriquecerse con un
análisis de las condiciones contextuales
específicas. Limitaciones en
infraestructura tecnológica, diversidad en
la formación docente y desigualdades
socioeconómicas y políticas educativas
condicionan el acceso y el potencial
transformador de estas tecnologías en la
región (González-Fernández et al., 2025).
-
Investigación continua y adaptación
tecnológica: Finalmente, se enfatiza la
necesidad de promover investigación
constante que permita ajustar las prácticas
pedagógicas a la evolución tecnológica. Es
importante analizar críticamente la
velocidad y dirección de estas
adaptaciones, pues la innovación
tecnológica no siempre va acompañada de
un desarrollo pedagógico paralelo, y una
implementación precipitada puede generar
resistencias y resultados contraproducentes
(Krause et al., 2025; González-Fernández
et al., 2025; Vaca-Cabrera et al., 2025).
El estudio aporta un marco integral para
comprender la IA como mediadora cognitiva y
formativa en la educación universitaria,
equilibrando sus beneficios con una visión
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
677
crítica sobre sus limitaciones y desafíos éticos,
pedagógicos y contextuales.
CONCLUSIONES
El presente estudio cumple con el objetivo
general de desarrollar una teoría fundamentada
que explique el rol de la inteligencia artificial
(IA) como mediadora cognitiva y formativa en
el aprendizaje autónomo universitario. El
mismo ha integrado tanto sus potencialidades
como limitaciones.
Respecto al primer objetivo, se evidenció
que la IA contribuye significativamente a la
optimización del tiempo y la mejora de la
calidad académica, facilitando la gestión
eficiente de tareas y elevando la coherencia,
organización y rigurosidad de los trabajos
estudiantiles. Esto se refleja en categorías que
evidencian mayor puntualidad, acceso rápido a
información actualizada y apoyo en la
elaboración textual.
En relación con el segundo objetivo, se
identificaron factores que favorecen y limitan
el desarrollo del pensamiento crítico y la ética
en el uso de IA. La IA amplía la perspectiva
investigativa y promueve la autoevaluación,
pero su utilización responsable depende del
criterio crítico del estudiante y del respeto a la
autoría, aspectos que se vinculan a un uso ético
que preserva la originalidad y evita la
dependencia tecnológica indebida.
Sobre el tercer objetivo, el estudio propone
integrar la IA como una herramienta de
orientación educativa y soporte metodológico,
que fomente el aprendizaje autorregulado y
autónomo. Se recomienda adoptar un enfoque
pedagógico que combine entrenamiento en
competencias digitales, criterios éticos y una
supervisión crítica, asegurando que la IA
potencie, pero no sustituya el pensamiento
reflexivo ni la construcción activa del
conocimiento.
La IA emerge como una mediadora
tecnológica y formativa que, bajo un marco
ético-pedagógico, amplía las capacidades
cognitivas de los estudiantes, elevando la
productividad y calidad académica en
contextos universitarios.
RECOMENDACIONES
A partir de las conclusiones del estudio, se
proponen las siguientes recomendaciones para
la integración efectiva y responsable de la
inteligencia artificial (IA) en la educación
universitaria:
-
Implementar programas de formación
docente y estudiantil en competencias
digitales, que incluyan el uso ético y crítico
de las herramientas de IA, para maximizar
su potencial como mediadora cognitiva sin
comprometer la autoría ni el pensamiento
reflexivo.
-
Diseñar estrategias pedagógicas que
promuevan el aprendizaje autónomo y
autorregulado, utilizando la IA como
soporte metodológico y guía, pero
asegurando la supervisión crítica y la
evaluación humana constante.
-
Fomentar políticas institucionales claras
que regulen el uso responsable de la IA en
tareas académicas, enfatizando la
importancia de la originalidad, la ética y la
honestidad académica.
-
Desarrollar recursos didácticos que
integren la IA como herramienta para
mejorar la organización, gestión del tiempo
y calidad de los trabajos, facilitando el
acceso a información actualizada y
enriqueciendo la construcción del
conocimiento.
-
Promover la investigación continua sobre
el impacto de la IA en procesos educativos
para ajustar las prácticas pedagógicas
conforme evolucionen las tecnologías y
responder a nuevas necesidades
formativas.
REFERENCIAS BIBLIOGRÁFICAS
Bruner, J. S. (1965). The process of education. The
Physics Teacher, 3(8), 369
–
370.
https://pubs.aip.org/aapt/pte/article/3/8/36
9/270043
Candy, P. C. (1991). Self-direction for lifelong
learning: A comprehensive guide to theory
and practice. ERIC.
https://eric.ed.gov/?id=ED353470
Cedeño-Moreira, C. L., Burau-Grain, E. E.,
Carrión, O. P., & González-Martínez, J. R.
(2025). Revolucionando la enseñanza
universitaria: Inteligencia artificial y
estrategias personalizadas para un
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
678
aprendizaje más eficiente y adaptable.
Reincisol, 4(7), 1469
–
1487.
https://doi.org/10.59282/reincisol.V4(7)14
69-1487
Charmaz, K. (2014). Constructing grounded
theory.
https://www.torrossa.com/gs/resourceProx
y?an=5019293&publisher=FZ7200
De la Espriella, R., & Restrepo, C. G. (2020).
Teoría fundamentada. Revista Colombiana
de Psiquiatría, 49(2).
https://doi.org/10.1016/j.rcp.2018.08.002
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao,
Y., Shen, Y., Li, X., & Gašević, D. (2025).
Beware of metacognitive laziness: Effects
of generative artificial intelligence on
learning motivation, processes, and
performance. British Journal of
Educational Technology, 56(2), 489
–
530.
https://doi.org/10.1111/bjet.13544
Giraldo-Ramírez, M. E., & Cano Vásquez, L. M.
(2025). La teoría fundamentada:
Herramienta para la construcción de
teoría en investigación cualitativa.
Universidad Pontificia Bolivariana.
https://goo.su/tXOf0
González-Fernández, M. O., Romero-López, M.
A., Sgreccia, N. F., & Latorre-Medina, M.
J. (2025). Marcos normativos para una IA
ética y confiable en la educación superior:
Estado de la cuestión. RIED-Revista
Iberoamericana de Educación a Distancia,
28(2).
https://revistas.uned.es/index.php/ried/arti
cle/view/43511
Hobbs, R. (2010). Digital and media literacy: A
plan of action. A white paper on the digital
and media literacy recommendations of the
Knight Commission on the information
needs of communities in a democracy.
ERIC.
https://eric.ed.gov/?id=ED523244
Icaza-Ronquillo, S. T., Martinetti-Guerrero, I. K.,
& Zambrano-García, A. M. (2024).
Impacto de la inteligencia artificial en la
personalización del aprendizaje. Código
Científico Revista de Investigación, 5(2),
1267
–
1286.
https://goo.su/7UED0
Krause, S., Dalvi, A., & Zaidi, S. K. (2025).
Generative AI in education: Student skills
and lecturer roles (No.
arXiv:2504.19673). arXiv.
https://doi.org/10.48550/arXiv.2504.1967
3
Kroff, F. J., Coria, D. F., & Ferrada, C. A. (2024).
Inteligencia artificial en la educación
universitaria: Innovaciones, desafíos y
oportunidades. Revista Espacios, 45(5),
120
–
135.
https://doi.org/10.48082/espacios-
a24v45n05p09
Lipman, M. (2003). Thinking in education (2.a
ed.). Cambridge University Press.
https://doi.org/10.1017/CBO97805118402
72
Menacho Ángeles, M. R., Pizarro Arancibia, L. M.,
Osorio Menacho, J. A., & León Pizarro, B.
L. (2024). Inteligencia artificial como
herramienta en el aprendizaje autónomo de
los estudiantes de educación superior.
Revista InveCom, 4(2).
https://doi.org/10.5281/zenodo.10693945
Peñafiel-Jurado, R., Márquez-Márquez, N., &
Guamán-Villa, I. (2024). Artificial
intelligence in education: Systematic
review of perspectives, benefits and
challenges in teaching practice. South
American Research Journal, 4(2), 5
–
15.
https://doi.org/10.5281/zenodo.14509895
Piaget, J. (1973). The child and reality: Problems
of genetic psychology (A. Rosin, Trans.).
Grossman.
https://psycnet.apa.org/record/1973-
31034-000
Romaní Pillpe, G., & Macedo Inca, K. S. (2024).
Inteligencia artificial y el pensamiento
crítico reflexivo en estudiantes de
educación superior de la Región Ica. Punto
Cero, 29(49), 60
–
71.
https://doi.org/10.35319/puntocero.20244
9241
Siemens, G. (2013). Learning analytics: The
emergence of a discipline. American
Behavioral Scientist, 57(10), 1380
–
1400.
https://doi.org/10.1177/000276421349885
1
Vaca-Cabrera, C. E., Álvarez-Pacheco, C. M.,
Maldonado-Zuñiga, K., Rodríguez-
González, A. D. C., & Solis-Maldonado,
M. C. (2025). Didáctica universitaria
mediada por inteligencia artificial:
Rediseño de estrategias pedagógicas para
la enseñanza personalizada. Sinergia
Académica, 8(5), 607
–
624.
https://goo.su/w2ub5u
Vygotsky, L. S. (1978). Mind in society: The
development of higher psychological
processes (M. Cole, V. John-Steiner, S.
Scribner, & E. Souberman, Trans.).
Harvard University Press.
https://goo.su/eWSo4UK
Williamson, B., & Piattoeva, N. (2020).
Objectivity as standardization in data-
scientific education policy, technology and
governance. En The datafication of
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2025 | vol. 2 | núm. 3 | pág. 667-679
Vásquez Cruceta, I.
679
education (pp. 81
–
93). Routledge.
https://goo.su/za1h8Ey
Zawacki-Richter, O., Marín, V. I., Bond, M., &
Gouverneur, F. (2019). Systematic review
of research on artificial intelligence
applications in higher education
–
where
are the educators? International Journal of
Educational Technology in Higher
Education,
16(1).
https://doi.org/10.1186/s41239-019-0171-
0
Zimmerman, B. J. (2002). Becoming a self-
regulated learner: An overview. Theory
Into Practice, 41(2), 64
–
70.
https://doi.org/10.1207/s15430421tip4102
_2
DECLARACIÓN DE CONFLICTO DE INTERESES
La autora declara no tener conflictos de intereses.
DERECHOS DE AUTOR
Vásquez Cruceta, I. (2025)
Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons de Atribución No
Comercial 4.0, que permite su uso sin restricciones, su distribución y reproducción por cualquier
medio, siempre que no se haga con fines comerciales y el trabajo original sea fielmente citado.
El texto final, datos, expresiones, opiniones y apreciaciones contenidas en esta publicación es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el pensamiento de la revista.