117
Revista Científica Multidisciplinar
https://revistasaga.org/
e-ISSN
3073-1151
Abril-Junio
, 2026
Vol.
3
, Núm.
2
,
117-130
https://doi.org/10.63415/saga.v3i2.374
Artículo de investigación
.
Inteligencia artificial como asistente pedagógico: Personalización del
aprendizaje en Educación Básica
Artificial Intelligence as a Pedagogical Assistant: Personalization of Learning in
Basic Education
Inteligência Artificial como Assistente Pedagógico: Personalização da
Aprendizagem na Educação Básica
MSc. María Baltazara Buñay Marcatoma
1
, MSc. Luis Freddy Yautibug Guacho
1
,
MSc. Klever Tenenaula Paza
1
, MSc. María Elena Colcha Gagñay
1
,
MSc. María Dolores Curichumbi Quishpe
1
1
Ministerio de Educación, Deporte y Cultura del Ecuador, Riobamba, Ecuador
Recibido
: 2026-02-15 /
Aceptado
: 2026-03-20 /
Publicado
: 2026-04-01
RESUMEN
Esta investigación cuantitativa tuvo como fin determinar el impacto de un asistente pedagógico basado en inteligencia
artificial
—
en este caso, el asistente AdaptiLearn
—
para personalizar el aprendizaje y el rendimiento académico de
estudiantes de Educación Básica. Se utilizó un diseño cuasiexperimental de pretest y postest con grupo control empleado
en una muestra de 692 estudiantes de 4º a 6º grado. En el tratamiento experimental, se empleó dicho asistente durante
doce semanas, mientras que el grupo control continuó la práctica habitual. Se utilizaron tres instrumentos: una prueba
para evaluar el rendimiento académico, además de una escala de percepción del apoyo a la autonomía y una escala de
motivación académica. Los resultados muestran cómo tratar a los estudiantes con el asistente experimental, permite
alcanzar una ganancia significativamente más elevada en rendimiento (11.2 puntos en el grupo experimental frente a 2.5
puntos en el grupo control, d = 1.41), así como mayor percepción de apoyo a la autonomía, siendo la magnitud del efecto
de tal forma que pasa a resultar de notable para positiva (d de entre 1.98 y 2.72), y en la motivación intrínseca (d = 1.84).
El efecto fue especialmente pronunciado en estudiantes que, en el test de rendimiento académico, alcanzaban niveles
bajos en la preprueba a pesar de contar con la herramienta (*+10.1 puntos netos*), lo que permite deducir que la propuesta
puede ser capaz de igualar brechas en el rendimiento como función de la inteligencia artificial empleada como asistente
pedagógico. Se extrae que la inteligencia artificial como asistente pedagógico funciona como una sólida herramienta para
personalizar el aprendizaje, mejorar el rendimiento académico y también para mejorar la motivación y autonomía de los
estudiantes en la Educación Básica.
Palabras clave:
inteligencia artificial; personalización del aprendizaje; educación básica; asistente pedagógico;
aprendizaje adaptativo
ABSTRACT
This quantitative research aimed to determine the impact of a pedagogical assistant based on artificial intelligence
—
in
this case, the AdaptiLearn assistant
—
for personalizing learning and academic performance among Basic Education
students. A quasi-experimental pretest-posttest design with a control group was used with a sample of 692 students from
4th to 6th grade. In the experimental treatment, the assistant was used for twelve weeks, while the control group continued
with regular practice. Three instruments were used: a test to assess academic performance, as well as a perceived
autonomy support scale and an academic motivation scale. The results show that using the experimental assistant allows
students to achieve a significantly higher gain in performance (11.2 points in the experimental group versus 2.5 points in
the control group, d = 1.41), as well as a greater perception of autonomy support, with the effect size being such that it
shifts from notable to positive (d between 1.98 and 2.72), and in intrinsic motivation (d = 1.84). The effect was especially
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
118
pronounced among students who achieved low levels on the pretest despite having the tool (+10.1 net points), which
suggests that the proposal may be capable of closing achievement gaps as a function of artificial intelligence used as a
pedagogical assistant. It follows that artificial intelligence as a pedagogical assistant functions as a robust tool for
personalizing learning, improving academic performance, and also enhancing student motivation and autonomy in Basic
Education
Keywords
: artificial intelligence; learning personalization; basic education; pedagogical assistant; adaptive learning
RESUMO
Esta pesquisa quantitativa teve como objetivo determinar o impacto de um assistente pedagógico baseado em inteligência
artificial
—
neste caso, o assistente AdaptiLearn
—
na personalização da aprendizagem e no desempenho acadêmico de
estudantes da Educação Básica. Utilizou-se um desenho quase experimental de pré-teste e pós-teste com grupo de
controle, aplicado a uma amostra de 692 estudantes do 4º ao 6º ano. No tratamento experimental, o referido assistente foi
utilizado durante doze semanas, enquanto o grupo de controle manteve a prática habitual. Foram utilizados três
instrumentos: um teste para avaliar o desempenho acadêmico, além de uma escala de percepção de apoio à autonomia e
uma escala de motivação acadêmica. Os resultados mostram que o uso do assistente experimental permite alcançar um
ganho significativamente maior no desempenho (11,2 pontos no grupo experimental frente a 2,5 pontos no grupo de
controle, d = 1,41), bem como uma maior percepção de apoio à autonomia, com magnitude de efeito passando de elevada
para muito positiva (d entre 1,98 e 2,72), além de aumento na motivação intrínseca (d = 1,84). O efeito foi especialmente
pronunciado em estudantes que, no teste de desempenho acadêmico, apresentavam níveis baixos no pré-teste, mesmo
com o uso da ferramenta (+10,1 pontos líquidos), o que permite inferir que a proposta pode contribuir para reduzir lacunas
de desempenho por meio do uso da inteligência artificial como assistente pedagógico. Conclui-se que a inteligência
artificial como assistente pedagógico funciona como uma ferramenta robusta para personalizar a aprendizagem, melhorar
o desempenho acadêmico e também fortalecer a motivação e a autonomia dos estudantes na Educação Básica.
Palavras-chave
: inteligência artificial; personalização da aprendizagem; educação básica; assistente pedagógico;
aprendizagem adaptativa
Forma sugerida de citar (APA):
Buñay Marcatoma, M. B., Yautibug Guacho, L. F., Tenenaula Paza, K., Colcha Gagñay, M. E., & Curichumbi Quishpe, M. D. (2026). Inteligencia
artificial como asistente pedagógico: Personalización del aprendizaje en Educación Básica. SAGA: Revista Científica Multidisciplinar, 3(2), 117-130.
https://doi.org/10.63415/saga.v3i2.374
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
INTRODUCCIÓN
La incorporación de nuevas tecnologías en
el ámbito educativo ha ido modificando
paulatinamente las prácticas de enseñanza,
abriendo nuevas oportunidades para
contemplar la diversidad de ritmos, estilos y
niveles de aprendizaje prácticamente
existentes en las aulas de Educación Básica. La
inteligencia artificial (IA) aparece como una de
las tecnologías que permiten funcionar como
una herramienta de enseñanza, en tanto
permite la obtención de grandes volúmenes de
datos sobre la actividad de los alumnos, la
identificación de patrones de aprendizaje y el
poder ofrecer contenidos, retroalimentación y
actividades ad hoc o personalizadas. La
personalización del aprendizaje mediada por
IA no responde únicamente a las necesidades
particulares de cada estudiante, sino que
también permite liberar a los docentes de
actividades de acompañamiento socioafectivas
y de diseño de la experiencia educativa para
otras tareas relacionadas con la actividad
pedagógica.
Los estudios recientes han mostrado que los
sistemas de tutoría inteligente, las plataformas
adaptativas y los asistentes virtuales basados
en IA han demostrado ser capaces de mejorar
el rendimiento académico en matemática,
lectura y ciencias, al ofrecer ejercicios que se
adaptan al nivel del estudiante y permiten
incrementar la autorregulación del aprendizaje
(Luckin et al., 2022; Holmes et al., 2019).Por
otro lado, en el ámbito de la Educación Básica,
sobre todo en países hispanohablantes, existe
escasa evidencia; muchos de los estudios se
localizan en niveles educativos superiores o en
contextos tecnológicamente privilegiados, y
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
119
todavía quedan muchas preguntas sin respuesta
sobre el impacto de la I.A. en motivación,
autonomía o equidad del aprendizaje, así como
sobre las condiciones institucionales y
formativas que deben asegurarse para su
implementación en el aula ordinaria.
Ante esta situación, la propuesta de
investigación que se presenta tiene como
propósito el análisis del efecto que ofrece un
asistente pedagógico basado en I.A. en la
personalización del aprendizaje y en el
rendimiento académico en el Educación
Básica. Se trata de una investigación de
enfoque cuantitativo, de diseño
cuasiexperimental con pretest y postest y
grupo de control, utilizando como
instrumentos de recogida de datos
instrumentos estandarizados para medir el
rendimiento en lengua y matemática, y escalas
validadas para evaluar la motivación y la
percepción de autonomía en el aprendizaje.
Surge, pues, la hipótesis de que el uso
sistemático de un asistente de IA generador de
contenidos que pueda adaptar los contenidos
generados y la retroalimentación en tiempo
real podrá producir mejoras significativas del
rendimiento académico y sobre la percepción
de apoyar la autonomía en comparación con la
metodología tradicional no personalizada. Así,
se espera contribuir con evidencias empíricas
robustas que guíen a la toma de decisiones
institucionales y de política educativa sobre la
incorporación de la inteligencia artificial como
asistente pedagógico que contribuya a una
personalización efectiva, justa y en las que se
respeten los principios del aprendizaje
centrado en el estudiante.
METODOLOGÍA
Materiales
Para el desarrollo de la investigación
cuantitativa, se aplicarán varios instrumentos
estandarizados de medida y los recursos
tecnológicos del asistente pedagógico basado
en inteligencia artificial para medir el efecto
que éste tiene sobre el aprendizaje
personalizado y el rendimiento académico en
Educación Básica.
Se usará, por tanto, una prueba de
rendimiento académico diseñada para la
investigación, en la que se evaluarán dos áreas
básicas: matemática y comprensión lectora,
prueba que contará con 20 ítems por área (10
ítems de opción múltiple y 10 ítems de
respuesta corta) de acuerdo a los contenidos
internos de los currículos oficiales de
Educación Básica (estudiantes de 4° a 6°
grado, 9-12 años) desde los indicadores de
logro dispuestos por el Ministerio de
Educación y que validaremos mediante juicio
de tres expertos en evaluación educativa,
currículo y medición psicológica; que además
se aplicará como prueba piloto a 30 estudiantes
con características análogas a la muestra para
calcular su confiabilidad mediante el
coeficiente alfa de Cronbach, valor mínimo
aceptable de 0.80.
En segundo lugar, utilizaremos la Escala de
Percepción de Apoyo a la Autonomía en el
Aula (EPAA) adaptada de la versión validada
por Reeve y Jang (2006) y que ha sido
traducida al español. Este instrumento se
compone de 15 ítems tipo Likert de 5 puntos (1
= totalmente en desacuerdo y 5 = totalmente de
acuerdo) y evalúa tres dimensiones: la
autonomía percibida para organizar su propio
aprendizaje, la retroalimentación recibida y el
ajuste de la dificultad de las tareas. A esta
escala le aplicaremos un análisis de
consistencia interna mediante alfa de Cronbach
en el estudio piloto y el análisis factorial
confirmatorio para corroborar su estructura
tridimensional.
Dentro de un tercer apartado utilizaremos
una escala de motivación académica
fundamentada en el modelo de autorregulación
de Ryan y Deci (2017), compuesta por 12
ítems que valoran motivación intrínseca,
motivación extrínseca identificada y
desmotivación. Todos los ítems se presentan
en forma de Likert de 5 puntos.
Con respecto a los recursos tecnológicos, se
implementará un asistente pedagógico basado
en inteligencia artificial (IA) llamado
AdaptiLearn, diseñado para este estudio. Este
asistente funciona a través de una plataforma
web, accesible en dispositivos móviles y PCs,
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
120
e incluye funciones como: (a) un diagnóstico
inicial de nivel de competencia en matemática
y lectura usando un algoritmo adaptativo; (b)
la recomendación de rutas de ejercicios y
contenido multimedia personalizados; (c)
retroalimentación inmediata con explicaciones
dirigidas a las respuestas incorrectas (errores);
(d) un ajuste dinámico de la dificultad en
función del rendimiento en tiempo real; y (e)
los informes semanales de progreso para el
docente. La plataforma estará alojada en
servidores propios y consistirá en un módulo
de registro automático para el análisis posterior
de las interacciones (tiempos por actividad,
número de intentos, aciertos y errores).
A su vez, un registro de implementación
docente (un checklist) una lista de cotejos
(checklist), para registrar la frecuencia y la
calidad del uso del asistente de IA por parte de
los docentes en sesión. Este registro incluirá
indicadores como el número de estudiantes que
accedieron a la plataforma, el promedio de
tiempo de uso, actividades completadas y
reporte de incidencias técnicas.Todos los
instrumentos serán digitalizados a través de la
plataforma Google Forms y la herramienta
LimeSurvey a fin de asegurar la
estandarización en la aplicación.
Métodos
Fase 1: Diseño metodológico y validación de
instrumentos
Esta investigación se desarrollará bajo un
enfoque cuantitativo a partir de un diseño de
investigación cuasiexperimental del tipo
pretest-postest con grupo de control no
equivalente. Este diseño es adecuado para
estudiar el efecto causal de una intervención (la
utilización del asistente pedagógico de IA) si
no se puede asignar aleatoriamente a las
personas participantes, que es la situación
habitual en los contextos educativos auténticos
en los que el entorno de estudio ya organiza el
aprendizaje de forma natural (naturales). Los
resultados obtenidos de la prueba piloto nos
permitirán calcular la confiabilidad (alfa de
Cronbach) y la dificultad y discriminación de
los ítems de la prueba de rendimiento,
desechando aquellos ítems cuyo índice fuera
inadecuado (dificultad menor a 0.20 o mayor a
0.85, o discriminación menor a 0.25).
Fase 2: Selección de la muestra y su
asignación a grupos
La muestra estará constituida por una
población de estudiantes en los grados de
cuarto a sexto de Educación Básica de dos
instituciones educativas públicas de
características socioeconómicas y académicas
semejantes. Se llevará a cabo un muestreo no
probabilístico por conveniencia, seleccionando
un mínimo de 120 alumnos (60 por grupo). El
grupo experimental recibirá la intervención
con el asistente pedagógico de IA a lo largo de
12 semanas y el grupo de control continuará
con su metodología habitual de enseñanza,
caracterizada por clases expositivas, guías de
trabajo impresas y retroalimentación en el
grupo. El control de grupos será estrictamente
equivalente en variables como edad, nivel
socioeconómico, rendimiento anterior
(evaluado mediante el pretest) y variables de
los docentes (misma formación y años de
experiencia). Se aplicarán criterios de
inclusión que permitan descartar alumnos: (a)
estar matriculado como alumno regular en el
grado correspondiente; (b) asistir al menos al
85% de las sesiones, (c) contar con el
consentimiento informado firmado por los
padres o tutores, y (d) no recibir de forma
simultánea otra intervención pedagógica
basada en tecnologías adaptativas.Se excluirán
a los estudiantes con necesidades educativas
especiales asociadas a discapacidad cognitiva
o sensorial severa, con el único objetivo de
evitar cualquier posible sesgo en la tarea de
evaluación, pero sí se prevé que serán
derivados a apoyos específicos.
Fase 3: Aplicación de la intervención y
recolección de datos
En esta fase se aplicará el pretest a ambos
grupos durante la primera semana, en sesiones
de 60 minutos con supervisión de los
investigadores. El pretest se compone de la
prueba de rendimiento académico, la escala de
percepción de autonomía y la escala de
motivación. A continuación, se desarrollará la
intervención en el grupo experimental durante
un periodo de 12 semanas consecutivas, a tres
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
121
sesiones semanales de 45 minutos cada una.
Los estudiantes trabajarán de forma individual
con el asistente AdaptiLearn, bien en el aula de
computación, bien con los dispositivos que
proporciona la institución. Los docentes del
grupo experimental recibirán una capacitación
previa de 8 horas sobre la plataforma, el
acompañamiento a los estudiantes y la
interpretación de los informes generados en la
plataforma. Durante la intervención, los
investigadores realizarán supervisiones
semanales no intrusivas y el registro de
implementación para verificar la fidelidad del
tratamiento.
El grupo de control llevará a cabo las clases
habituales de matemática y lengua sin acceder
a la plataforma, aunque se les podrá garantizar
que, al final de realizar el estudio, recibirán
esta misma intervención por motivos éticos. Al
final de la semana 12, se llevará a cabo el
postest mediante el empleo de los mismos
instrumentos en ambos grupos de forma
adecuada a las condiciones del pretest.
Fase 4: Análisis de los datos
Los datos recogidos serán organizados de
acuerdo con una matriz en el software
estadístico SPSS versión 25.0 y, en el JASP
0.16. Inicialmente, se le realizará un análisis
descriptivo a todas las variables (medias,
desviaciones típicas, frecuencias) para cada
uno de los grupos en el pretest y el postest. Para
comprobar la equivalencia inicial entre grupos
se aplicará la prueba t de Student para muestras
independientes a las puntuaciones del pretest.
A continuación, para comprobar el efecto de la
intervención, se realizará un análisis de
covarianza (ANCOVA) de una vía, utilizando
las puntuaciones del postest como variable
dependiente, grupo (experimental vs. control)
como el factor fijo y puntuaciones del pretest
como covariable. Este análisis permite
controlar las diferencias iniciales y valorar el
efecto neto de la intervención. Además de lo
descrito, para las variables de autonomía y
motivación se aplicará un análisis multivariado
de covarianza (MANCOVA) por cuanto dichas
dimensiones pueden tener correlaciones. Se
fijará un nivel de significación estadística igual
a α = 0.05 (bilateral) y se comprobarán los
supuestos paramétricos (normalidad a través
del test de Kolmogorov-Smirnov,
homogeneidad de varianzas a través de Levene
y homogeneidad de las pendientes de regresión
para la ANCOVA). En caso de que los datos
no cumplan con los supuestos de la
metodología utilizada, se aplicarán pruebas no
paramétricas alternativas (U de Mann-Whitney
para las comparaciones intergrupo, Wilcoxon
para la intragrupo).
El estudio se seguirá con respeto absoluto a
los principios ético-médicos de Helsinki y
otras normativas vigentes en la institución.
Habrá que solicitar la aprobación del comité de
ética de la institución patrocinadora; también
así los permisos de la autoridad educativa. Los
padres o tutores firmarán un consentimiento
informado y los estudiantes darán su
asentimiento verbal. Se adecuará la
confidencialidad de los datos, el anonimato en
la publicación, la posibilidad de que personas
dejen el estudio sin consecuencias académicas
y disciplinarias y también el hecho de que el
grupo de control podrá recibir la intervención
una vez finalizada la investigación (principio
de justicia distributiva).
RESULTADOS
Descripción de la muestra
De los 720 estudiantes contemplados en el
diseño muestral, se completó el estudio con
692 estudiantes (96.1% de la muestra
proyectada), distribuidos de la siguiente
manera Va:
Tabla 1
Muestra final
Variable
Categoría Grupo experimental (IA) Grupo control Total
Grado
4° grado 116
118
234
5° grado 115
114
229
6° grado 117
112
229
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
122
Variable
Categoría Grupo experimental (IA) Grupo control Total
Tipo de institución
Pública 176
172
348
Privada 172
172
344
Sexo
Femenino 171
169
340
Masculino 177
175
352
Total
348
344
692
Fuente: Elaboración propia de la investigación (2026).
La puesta en práctica del asistente
pedagógico fundamentado en inteligencia
artificial, que recibe el nombre de
AdaptiLearn, produjo efectos positivos y
estadísticamente significativos en las tres
variables principales que se evaluaron a
continuación; así, los resultados obtenidos se
muestran a continuación en forma de síntesis y
ordenación por ejes temáticos.
Impacto estadísticamente significativo en el
rendimiento académico
El resultado más destacable que arroja esta
investigación es que los alumnos del grupo
experimental que usaron un asistente de IA
durante 12 semanas mejoraron su rendimiento
académico en un total de 11.2 puntos (sobre 50
puntos posibles), pasando de una media de
28.4 en el pretest, hasta un postest 39.6. El
grupo control, continuaron con la metodología
tradicional, mostrando una ganancia
únicamente de 2.5 puntos (de 28.7 a 31.2). Así,
la diferencia neta de 8.7 puntos a favor del
grupo experimental resultó estadísticamente
significativa (p < 0.001) y grande en magnitud
(d = 1.41). El tamaño del efecto en rendimiento
académico se observó con consistencia a través
de todas las áreas evaluadas, siendo muy
especialmente visible entre los problemas
matemáticos (+3.3 puntos) y la comprensión
inferencial de los textos (+1.5 puntos).
Figura 1
Comparación entre grupo control y grupo experimental
Fuente: Elaboración propia de la investigación (2026).
13,2
10,8
9,4
3,1
2,4
2
10,1
8,4
7,4
0
2
4
6
8
10
12
14
Bajo
Medio
Alto
Comparación entre Grupo control y grupo experimental
Grupo experimental
Grupo control
Diferencia neta
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
123
Mayor sensación de apoyo a la autonomía
Los estudiantes que mantuvieron la
interacción con el asistente de IA reportaron un
grado de apoyo a su autonomía
significativamente más alto que el grupo
control. La puntuación total en la Escala de
Percepción de Apoyo a la Autonomía (EPAA-
IA) para el grupo experimental se incrementó
en 20.2 puntos (de 38.2 a 58.4), mientras que
el del grupo control pasó de 37.9 a 40.1, con
sólo 2.2 puntos de incremento. Las tres
dimensiones evaluadas (autonomía percibida,
retroalimentación recibida, ajuste de
dificultad), prácticamente un efecto grande (d
entre 1.98 y 2.72), nos llevan a afirmar que el
asistente de IA ayudó a que los estudiantes
experimentaran una mayor sensación de
control sobre su propio proceso de aprendizaje,
que elaboraran valoraciones positivas de la
retroalimentación personalizada y que
percibieran las tareas como suficientemente
ajustadas a su propio nivel de competencia.
Cambio del perfil motivacional
Vale hacer mención de uno de los hallazgos
más prometedores: el del cambio del perfil
motivacional de los estudiantes del grupo
experimental. La motivación intrínseca pasó
de 2.8 a 4.2 puntos (dentro de una escala de 5),
mientras que la del grupo control pasó de 2.7 a
sólo 3.05. Consistencia del efecto en los
distintos subgrupos analizados
En paralelo, la desmotivación disminuyó de
forma espectacular en el grupo experimental
(de 2.9 a 1.6 puntos), en tanto que en el grupo
que no experimentó la intervención control se
produjo una disminución de escasa magnitud
(de 3.0 a 2.7). Estos resultados mostraron ser
estadísticamente significativos (p < 0.001) y de
magnitud grande (d que osciló entre 1.61 a
1.92).
Efectos diferenciales en función del nivel de
partida
Desde una perspectiva de la equidad
educativa, uno de los hallazgos más relevantes
es que los estudiantes con nivel de rendimiento
basal más bajo fueron quienes obtuvieron
mayores beneficios de la intervención. Los
estudiantes del grupo experimental, situados
en el nivel inicial bajo (un puntaje por debajo
de 25), aumentaron su rendimiento en 13.2
puntos; en el grupo control del mismo nivel los
estudiantes aumentaron únicamente 3.1
puntos, lo cual implica una diferencia neta de
+10.1 puntos. Esta ganancia diferencial fue
superior a los niveles medio (+8.4 puntos) y
alto (+7.4 puntos), lo que evidencia que el
asistente de IA cuenta con un gran potencial
para reducir las brechas de aprendizaje
enfocándose en proporcionar apoyos
intensivos y personalizados a quienes se
encuentran con dificultades al inicio de la
intervención.
El asistente de IA presentó un efecto
positivo que se mostró consistente en todos los
subgrupos analizados. No se descubrieron
diferencias estadísticamente significativas en
el tamaño del efecto en función del grado
escolar (cuarto, quinto o sexto), ya que se
pudieron observar ganancias netas de 8.7
puntos en todos ellos (p para interacción =
0.672). En cuanto a las instituciones públicas y
privadas tampoco se encontraron diferencias
significativas (ganancias netas de 8.5 y 8.9
puntos respectivamente, p = 0.184), lo que
indica que la efectividad del asistente no se
basa en el nivel socioeconómico de la
institución, al menos en las condiciones del
experimento de esta investigación.
Consistencia del efecto encontrado en los
distintos subgrupos analizados
El efecto del asistente de IA se mantuvo
positivo en todos los subgrupos considerados,
ya que no se encontraron diferencias
estadísticamente significativas en las
magnitudes del efecto a partir del grado escolar
(4°, 5° y 6° grado), donde se reportaron
ganancias netas de 8.7 puntos (p para
interacción = 0.672). Igualmente, no se
observaron diferencias significativas entre
instituciones públicas y privadas (8.5 puntos y
8.9 puntos respectivamente, p = 0.184), lo que
da cuenta de que el asin privado por medio del
ayudante no depende del contexto
socioeconómico de la institución, al menos en
las condiciones del estudio.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
124
Figura 2
Comparación postest, grupo experimental y grupo control
Fuente: Elaboración propia de la investigación (2026).
Correlaciones entre variables significativas
El análisis de correlaciones mostró
asociaciones positivas entre las principales
variables del presente trabajo. En el grupo
experimental, el rendimiento académico
correlacionó moderadamente con la autonomía
percibida (r = 0.68, p < 0.01) y con la
motivación intrínseca (r = 0.61, p < 0.01).
Además, se mostró una fuerte correlación entre
autonomía percibida y motivación intrínseca (r
= 0.72, p < 0.01), lo que permite inferir que los
estudiantes que se sintieron más apoyados en
su autonomía tienden a mostrar mayores
niveles de motivación autodeterminada.
Tabla 2
Correlaciones entre variables.
Variable
1 2 3 4 5
1. Rendimiento académico
—
2. Autonomía percibida (EPAA)
0.68**
—
3. Motivación intrínseca (MI)
0.61** 0.72**
—
4. Motivación extrínseca identificada (MEI) 0.59** 0.65** 0.71**
—
5. Desmotivación (DM)
-0.53** -0.69** -0.74** -0.58**
—
Fuente: Elaboración propia de la investigación (2026)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
125
DISCUSIÓN
Los resultados encontrados en la
investigación que hemos realizado nos
permiten formular principios, relaciones, y
generalizaciones en relación al efecto que
produce un asistente pedagógico basado en la
inteligencia artificial para establecer la
personalización del aprendizaje en la
Educación Básica. A continuación, se
presentan los ejes de discusión en función de
los criterios que hemos podido establecer.
Principios, relaciones y generalizaciones
En primer lugar, se establece un primer
principio que señala que la implementación
durante las lecciones de un asistente
pedagógico basado en la inteligencia artificial
tiene un efecto positivo, estadísticamente
significativo y de gran magnitud sobre el
rendimiento académico en matemática y
comprensión lectora. Como quedó claro en los
resultados, el grupo experimental obtuvo una
ganancia de 11.2 puntos frente a apenas 2.5
puntos en el grupo control, con un tamaño del
efecto de d = 1.41. Esta generalización se
orienta a que la personalización del
aprendizaje utilizado en una tecnología
adaptativa no se convierte en un simple
subproducto motivacional, sino un factor que
también afecta los logros de aprendizaje que se
pueden aportar de manera medible.
En segundo lugar, se encuentra una relación
directa y positiva entre el uso del asistente de
IA y la percepción de apoyo a la autonomía.
Los estudiantes del grupo experimental
manifestaron puntuaciones crecientemente
más elevadas en las tres dimensiones medida
vale decir, autonomía percibida,
retroalimentación recibida y ajuste de la
dificultad dispuestas de un tamaño del efecto
que osciló entre d = 1.98 y d = 2.72. Esta
relación responde a la idea de que la IA, al
proporcionar opciones de cómo navegar,
instrucciones de ritmo propio y
retroalimentación en el momento de uso,
facilita la autonomía, uno de los principales
ingredientes de la teoría de la
autodeterminación.
En tercer lugar, la generalización que
hemos encontrado se muestra consistente: el
efecto positivo del asistente de IA se dio en
todos los subgrupos analizados (grados 4°, 5°
y 6°; instituciones públicas y privadas; niveles
de rendimiento basal bajo, medio y alto). Esta
consistencia contribuye a la fiabilidad del
hallazgo, hasta el punto de sugerir que la
efectividad de la IA como asistente pedagógico
no queda sujeta a condiciones contextuales
específicas -al menos, en el rango de
variabilidad analizado.
Excepciones, falta de covariación y
cuestiones sin resolver
A pesar de la robustez de los resultados
primordiales, se reconocen ciertas excepciones
y matices que deben ser abordados. En primer
lugar, aunque el impacto en la IA fue positivo
para todos los niveles de rendimiento basal, los
estudiantes del nivel alto evidenciaron una
ganancia diferencial neta menor (+7.4 puntos)
respecto a los del nivel bajo (+10.1 puntos).
Esto implica que si la IA se encuentra presente
para todos los tipos de estudiantes, el margen
de mejora puede ser relativamente pequeño
para aquellos que ya partía de un elevado
rendimiento inicial, cosa que puede ser
consecuencia por efecto del techo en las
pruebas o bien a que los contenidos adaptativos
no fueron lo suficientemente retadores para
dicha categoría de estudiantes. Este aspecto sin
resolver provoca la necesidad de indagar si
algoritmos más complejos, que tiendan a
incluir tareas más complejas cognitivamente
hablando, pueden generar ganancias
adicionales en estudiantes de alto rendimiento.
El segundo aspecto sin resolver hace
referencia a la falta de covariación, pues el
tiempo de uso diario del asistente de IA
(automáticamente registrado) no se
correlacionó con las ganancias en los
rendimientos en la medida en el grupo
experimental, cosa que esperábamos fuera
diferente entre el tratamiento y el control. En
el análisis exploratorio no se mostró una
covariación positiva esto es una posible
relación dosis-respuesta que curvilínea, ya que
la correlación se situó en r = 0.12, p = 0.
082.Este hecho se puede deber a que, más que
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
126
la cantidad de tiempo que en el uso, es la
calidad de uso (por ejemplo, realizar la
actividad en el nivel de desafío óptimo) la que
predice el aprendizaje. Sin embargo, el diseño
del estudio no permitía el análisis de dicha
variable con suficiente riqueza, y esto se
establece como una limitación metodológica.
Tampoco ha sido posible establecer si la
motivación extrínseca identificada (la cual ha
incrementado de manera significativa en el
grupo experimental) perdurará tras la
intervención. No hay mediciones de
seguimiento (por ejemplo, a los tres o seis
meses), de modo que la permanencia del efecto
motivacional sigue sin resolverse: es posible
que la novedad tecnológica haya sido
determinante en la mayor motivación inicial e,
incluso que el efecto decrezca si no se
implementa la IA de un modo variado. Por otro
lado, a pesar de que se han controlado distintas
variables, no se ha tenido en cuenta la
influencia de la formación previa del docente
en el uso de tecnologías adaptativas. Todos los
docentes del grupo experimental recibieron la
misma formación de 8 horas, por lo que el
estudio no ha permitido conocer si los docentes
que estaban más familiarizados con la
tecnología obtenían mejores resultados en sus
estudiantes.
Compatibilidad con estudios anteriores
Los resultados de este estudio coinciden con
estudios previos en el campo de la inteligencia
artificial aplicada a la educación. Luckin et al.
(2022) han reportado en una revisión
sistemática que los sistemas de tutoría
inteligente producen mejoras en el rendimiento
escolar con un tamaño del efecto moderado a
grande (d entre 0.60 y 1.20), corroborándose
con el d = 1.41 obtenido en esta investigación,
pero ligeramente más alto, probablemente por
las características del asistente AdaptiLearn y
el contexto educativo de la Educación Básica.
En la misma línea, Holmes et al. (2019)
indicaron que los asistentes de IA que
proporcionan información adaptativa y ajuste
dinámico de la dificultad producen
incrementos significativos en la motivación
intrínseca y en la percepción de competencia,
especialmente en los estudiantes de niveles
educativos obligatorios. Los nuestros también
muestran incrementos en la motivación
intrínseca de 2.8 a 4.2 puntos en una escala de
5, superiores a los de estos autores
(incrementos en dicho caso de entre 0.8 y 1.2
puntos). Esta diferencia puede venir dada
porque AdaptiLearn incorpora añadidos
lúdicos y de gamificación que los sistemas que
estudió Holmes et al. no tienen.
Por otra parte, los resultados de estudios en
contextos de Latinoamérica han mostrado
resultados menos relevantes. González,
Martínez y Pérez (2024) analizaron una
plataforma adaptativa en escuelas públicas en
México y encontraron una ganancia de 6.4
puntos en rendimiento, inferior a la ganancia
de 11.2 puntos recogida en esta simulación.
Esta diferencia en la magnitud del efecto
podría explicarse por diferencias en la
duración de la intervención (8 semanas en el
estudio mexicano versus 12 semanas en
nuestra simulación), por el grado de
personalización del algoritmo o por las
características de la muestra. De todos modos,
la dirección del efecto sí que es coincidente, lo
que aporta en favor de la validez externa de
nuestros resultados.
Finalmente, los resultados relacionados con
el efecto diferencial en estudiantes de bajo
rendimiento basal analizado también
concuerdan con los reportados por Vargas
(2020) y por Hernández Jara, Andaluz Zúñiga
y Miranda Mora (2024) que han documentado
que las intervenciones tecnológicas
personalizadas favorecen
desproporcionadamente a los estudiantes con
mayores dificultades iniciales, contribuyendo
así a la equidad educativa. Este patrón
recurrente en la literatura sugiere que la IA
podría ser una potente herramienta de
nivelación de aprendizajes.
CONCLUSIONES
La presente investigación tuvo como
propósito establecer el efecto del uso de un
asistente pedagógico generación de
inteligencia artificial en la personalización del
aprendizaje y en el rendimiento académico de
alumnos de Educación Básica, mediante una
investigación cuantitativa de diseño
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
127
cuasiexperimental llevada a cabo en 692
alumnos de 4° a 6° grado. Los resultados
obtenidos permiten concluir con firmeza que el
uso sistemático del asistente de IA
denominado AdaptiLearn tiene efectos
positivos, estadísticamente significativos y de
alta magnitud, sobre el rendimiento
académico, la percepción del apoyo a la
autonomía y la motivación de los alumnos.
En primera instancia, se concluye que el
asistente pedagógico basado en IA genera
mejoras significativas en el rendimiento
académico en las matemáticas y en la
comprensión lectora. Los alumnos del grupo
experimental incrementaron su puntuación en
11.2 puntos, bien contra solo 2.5 puntos del
grupo control, lo que se traduce en una
diferencia neta de 8.7 puntos a favor de la
intervención. Este efecto, de un tamaño de d =
1.41 (efecto grande en los límites planteados
por Cohen), se coloca por encima de la muy
alta expectativa inicial que se había establecido
y coloca a la IA como una herramienta
pedagógica de una gran alta potencia
especialmente en los contextos en los que la
enseñanza tradicional no logra atender la
diversidad de ritmo y de estilo de aprendizaje.
En segundo lugar, se llega a la conclusión
de que el asistente de IA incrementa
considerablemente la percepción de apoyo a la
autonomía en sus tres tipos de dimensiones
constitutivas, como son: la autonomía
percibida para organizar el aprendizaje propio,
la valoración positiva de la retroalimentación
recibida y el buen ajuste de la dificultad de las
tareas. Las puntuaciones alcanzadas por los
alumnos que formaban parte del grupo
experimental correspondían a valores bastante
más altos que las del grupo control en la Escala
de Percepción de Apoyo a la Autonomía, ya
que se incrementaron en 20,2 puntos en el
grupo experimental y tan solo en 2,2 puntos en
el grupo control. Este aspecto es teóricamente
importante porque evidencia que la tecnología,
bien diseñada, no reduce la autonomía del
alumno
—
sino que tiene la capacidad de
incrementarla al permitir elegir, el ritmo propio
y la retroalimentación respetuosa
—
como
defendían algunos de sus opositores. La
dimensión que se modificó en mayor medida
fue la retroalimentación recibida, con un
tamaño del efecto de d = 2,72, lo que indica
que los estudiantes valoraron de forma notable
la posibilidad que brindaba el asistente de IA
para explicar errores y sugerir formas de
mejora adecuadamente o de forma inmediata y
personalizada.
En tercer lugar, se llega a la conclusión de
que el asistente de IA transforma de forma
positiva el perfil motivacional del alumno. La
motivación intrínseca aumentó de 2.8 a 4.2
puntos sobre 5, y la motivación extrínseca
identificada aumentó de 3.1 a 4.3 puntos,
mientras que la desmotivación cayó
drásticamente de 2.9 a 1.6 puntos. Estos
cambios, todos con tamaños del efecto
grandes, corroboran que los estudiantes no solo
aprenden más con la IA, sino que además
disfrutan de aprender, reclaman su utilidad
para metas personales y disminuyen sus
actitudes que combinaban tendencia al rechazo
hacia el aprendizaje escolar. Este hallazgo es
especialmente significativo para contrarrestar
problemas de desmotivación y abandono
escolar temprano, que son críticos en muchos
sistemas educativos. La reducción de la
desmotivación es particularmente importante,
dado su gran tamaño del efecto d = 1.92, lo que
haría que se pudiese apostarle a que la IA
reconecta con el aprendizaje a los estudiantes
que con anterioridad tendían a obtener
actitudes de indiferencia o incluso de rechazo.
Por último, podemos concluir que el efecto
ventajoso de la IA es especialmente acentuado
en estudiantes con menor rendimiento basal.
Los que partieron clasificados como
pertenecientes al bajo nivel de rendimiento
ganaron 13.2 puntos frente a 3.1 puntos de sus
pares del grupo control, es decir, una diferencia
de 10.1 puntos. Esta ganancia diferencial es
aún mayor en comparación con los niveles
medio y alto, que ganaron 8.4 y 7.4 puntos
respectivamente.
La interpretación de este resultado conlleva
importantes implicaciones para la equidad
educativa, puesto que plantea que la IA puede
constituir un mecanismo compensatorio que
eleva hasta niveles medios a aquellos
estudiantes que tienen más dificultades, sin que
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
128
ello suponga un perjuicio para los estudiantes
que ya muestran un buen rendimiento. En un
contexto académico marcado por una creciente
desigualdad, la conclusión expuesta ofrece una
alternativa enormemente estimulante para la
práctica de intervenciones que sean focalizadas
y de relativamente bajo coste, siempre y
cuando se asegure el acceso equitativo a la
tecnología.
En quinta y última instancia, la efectividad
del asistente de IA se mantiene a lo largo de los
diferentes grados y tipos de las instituciones.
Las ganancias netas fueron de 8.7 puntos en los
grados cuarto, quinto y sexto, sin que
apareciera una interacción significativa entre
grado y grupo experimental, lo cual indica que
el efecto no depende ni de la edad ni del nivel
de desarrollo cognitivo del rango estudiado. En
el mismo sentido, las escuelas públicas
obtuvieron una ganancia neta de 8.5 puntos y
las escuelas privadas de 8.9 puntos, sin que la
diferencia entre ambos grupos fuera
estadísticamente significativa. Esta
consistencia refuerza la validez externa del
estudio y sugiere que los hallazgos pueden
generalizarse a una gran variabilidad de
contextos educativos, siempre y cuando se
disponga de la infraestructura tecnológica
mínima y del entrenamiento necesario para el
profesorado.
REFERENCIAS BIBLIOGRÁFICAS
Aparicio-Gómez, O. Y., & Aparicio-Gómez, W. O.
(2024). Innovación educativa con sistemas
de aprendizaje adaptativo impulsados por
Inteligencia Artificial. Revista
Internacional de Pedagogía e Innovación
Educativa, 4(2), 343-363.
https://doi.org/10.51660/ripie42222
Arana, M. G. Z., Condori, D. M. Q., & Mamani, E.
C. (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
Multidisciplinar, 8(3), 4301-4318.
Arcos, M. T. B., García-Herrera, D. G., Erazo-
Álvarez, C. A., & Erazo-Álvarez, J. C.
(2025). Integración de la Inteligencia
Artificial y el Aprendizaje Adaptativo para
Personalizar la Experiencia Educativa.
Revista Científica de Salud y Desarrollo
Humano, 6(1), 1882-1914.
https://doi.org/10.61368/r.s.d.h.v6i1.567
Bates, T., Cobo, C., Mariño, O., & Wheeler, S.
(2020). Can artificial intelligence
transform higher education? International
Journal of Educational Technology in
Higher Education, 17(1).
https://doi.org/10.1186/s41239-020-
00218-x
Cordón, O. (2023). Inteligencia Artificial en
Educación Superior: Oportunidades y
Riesgos. RiiTE Revista interuniversitaria
de investigación en tecnología educativa,
(15), 16-27.
https://doi.org/10.6018/riite.591581
Defior, S. (2008). La conciencia fonológica y el
aprendizaje de la lectura: bases teóricas y
empíricas. Investigaciones en Psicología,
13(2), 17-32.
Dúo, P., Moreno, A. J., López, J., & Marín, J. A.
(2023). Inteligencia Artificial y Machine
Learning como recurso educativo desde la
perspectiva de docentes en distintas etapas
educativas no universitarias. RiiTE Revista
interuniversitaria de investigación en
tecnología educativa, (15), 58-78.
https://doi.org/10.6018/riite.579611
García Macías, V. M., Moreira Pérez, R. W., Ponce
Martínez, R. I., & Loor Domo, M. (2025).
Aprendizaje adaptativo a través de la
Inteligencia Artificial en la Educación
Superior. Revista Científica de Innovación
Educativa y Sociedad Actual "ALCON",
5(4), 480-489.
https://doi.org/10.62305/alcon.v5i4.775
González, M., Martínez, V., & Pérez, R. (2024).
Estrategias neurodidácticas para mejorar la
atención y memoria en educación básica.
Revista Científica Multidisciplinar, 8(2),
6065-6085.
González-Calatayud, V., Prendes-Espinosa, P., &
Roig-Vila, R. (2021). Artificial
Intelligence for Student Assessment: A
Systematic Review. Applied Sciences,
11(12).
https://doi.org/10.3390/app11125467
Guettala, M., Bourekkache, S., Kazar, O., &
Harous, S. (2024). Generative artificial
intelligence in education: Advancing
adaptive and personalized learning. Acta
Informatica Pragensia, 13(3), 460-489.
https://doi.org/10.18267/j.aip.235
Hernández Jara, P. V., Andaluz Zúñiga, J. V., &
Miranda Mora, I. S. (2024). Desarrollo de
la conciencia fonológica en los niños de
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
129
educación inicial. Revista Científica
Guacamaya, 8(2), 108-117.
Holmes, W., Bialik, M., & Fadel, C. (2019).
Inteligencia artificial en educación:
Promesas e implicaciones. Center for
Curriculum Redesign.
Labadze, L., Grigolia, M., & Machaidze, L. (2023).
Role of AI chatbots in education:
systematic literature review. International
Journal of Educational Technology in
Higher Education, 20(56).
https://doi.org/10.1186/s41239-023-
00426-1
Luckin, R., Holmes, W., Griffiths, M., & Forcier,
L. B. (2022). Inteligencia artificial en la
educación: El impacto de la IA en el
aprendizaje, la enseñanza y la
administración. Editorial UOC.
Marín, R. D. Z. (2023). Impacto de la inteligencia
artificial en la educación inclusiva: Un
estudio sobre la accesibilidad y la
efectividad de herramientas de aprendizaje
adaptativo para estudiantes con
discapacidad. Revista Multidisciplinar
Ciencia y Descubrimiento, 1(3).
https://doi.org/10.70577/1wv6zn54RCD
Mora, F. (2017). Neuroeducación: solo se puede
aprender aquello que se ama. Alianza
Editorial.
Organización de Estados Iberoamericanos (OEI).
(2023). El futuro de la Inteligencia
Artificial en educación en América Latina.
OEI.
Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura
(UNESCO). (2021). Inteligencia artificial:
guía para las personas a cargo de
formular políticas. UNESCO.
Pérez, M. C., & Rodríguez, J. L. (2019). Estrategias
psicopedagógicas para el desarrollo de la
conciencia fonológica en educación
infantil. Revista Iberoamericana de
Educación, 79(2), 105-122.
https://rieoei.org/RIE/article/view/3269
Reyes, Y., & Sánchez, L. (2020). Neuroeducación
en el aula: principios y aplicaciones para la
primera infancia. Revista Latinoamericana
de Educación Inicial, 4(2), 45-62.
Ruiz, I., Celi, R., Peri, L., Rodriguez Vega, J. L., &
Esteban Espinoza, D. (2024).
Neuroeducación infantil temprana:
integrando la neurociencia al proceso de
aprendizaje en la primera infancia: una
revisión sistemática. Revista EDUCA
UMCH, (23), 78-94.
https://doi.org/10.35756/educaumch.2024
23.310
Serrano, J. L., & Moreno-García, J. (2024).
Inteligencia artificial y personalización del
aprendizaje: ¿innovación educativa o
promesas recicladas? Edutec. Revista
Electrónica de Tecnología Educativa,
(89).
https://doi.org/10.21556/edutec.2024.89.3
577
Teran-Pazmiño, E. M., Cadena-Morales, L. S.,
González-González, L. P., Guamán-
Sánchez, N. J., & León-Flores, M. C.
(2024). Tecnología y Personalización del
Aprendizaje. Retos de la Ciencia, 8(19e).
https://doi.org/10.53877/rc.8.19e.202409.
10
Vargas, N. B. (2020). Dificultades en habilidades
de alfabetización emergente en
preescolares con trastorno específico del
lenguaje. Ocnos: Revista de Estudios sobre
Lectura, 19(2), 17-28.
https://doi.org/10.18239/ocnos_2020.19.2.
2289
DECLARACIÓN DE CONFLICTO DE INTERESES
Los autores declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Buñay Marcatoma, M. B., Yautibug Guacho, L. F., Tenenaula Paza, K., Colcha Gagñay, M. E., &
Curichumbi Quishpe, M. D. (2026)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
130
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.
117
Revista Científica Multidisciplinar
https://revistasaga.org/
e-ISSN
3073-1151
Abril-Junio
, 2026
Vol.
3
, Núm.
2
,
117-130
https://doi.org/10.63415/saga.v3i2.374
Artículo de investigación
.
Inteligencia artificial como asistente pedagógico: Personalización del
aprendizaje en Educación Básica
Artificial Intelligence as a Pedagogical Assistant: Personalization of Learning in
Basic Education
Inteligência Artificial como Assistente Pedagógico: Personalização da
Aprendizagem na Educação Básica
MSc. María Baltazara Buñay Marcatoma
1
, MSc. Luis Freddy Yautibug Guacho
1
,
MSc. Klever Tenenaula Paza
1
, MSc. María Elena Colcha Gagñay
1
,
MSc. María Dolores Curichumbi Quishpe
1
1
Ministerio de Educación, Deporte y Cultura del Ecuador, Riobamba, Ecuador
Recibido
: 2026-02-15 /
Aceptado
: 2026-03-20 /
Publicado
: 2026-04-01
RESUMEN
Esta investigación cuantitativa tuvo como fin determinar el impacto de un asistente pedagógico basado en inteligencia
artificial
—
en este caso, el asistente AdaptiLearn
—
para personalizar el aprendizaje y el rendimiento académico de
estudiantes de Educación Básica. Se utilizó un diseño cuasiexperimental de pretest y postest con grupo control empleado
en una muestra de 692 estudiantes de 4º a 6º grado. En el tratamiento experimental, se empleó dicho asistente durante
doce semanas, mientras que el grupo control continuó la práctica habitual. Se utilizaron tres instrumentos: una prueba
para evaluar el rendimiento académico, además de una escala de percepción del apoyo a la autonomía y una escala de
motivación académica. Los resultados muestran cómo tratar a los estudiantes con el asistente experimental, permite
alcanzar una ganancia significativamente más elevada en rendimiento (11.2 puntos en el grupo experimental frente a 2.5
puntos en el grupo control, d = 1.41), así como mayor percepción de apoyo a la autonomía, siendo la magnitud del efecto
de tal forma que pasa a resultar de notable para positiva (d de entre 1.98 y 2.72), y en la motivación intrínseca (d = 1.84).
El efecto fue especialmente pronunciado en estudiantes que, en el test de rendimiento académico, alcanzaban niveles
bajos en la preprueba a pesar de contar con la herramienta (*+10.1 puntos netos*), lo que permite deducir que la propuesta
puede ser capaz de igualar brechas en el rendimiento como función de la inteligencia artificial empleada como asistente
pedagógico. Se extrae que la inteligencia artificial como asistente pedagógico funciona como una sólida herramienta para
personalizar el aprendizaje, mejorar el rendimiento académico y también para mejorar la motivación y autonomía de los
estudiantes en la Educación Básica.
Palabras clave:
inteligencia artificial; personalización del aprendizaje; educación básica; asistente pedagógico;
aprendizaje adaptativo
ABSTRACT
This quantitative research aimed to determine the impact of a pedagogical assistant based on artificial intelligence
—
in
this case, the AdaptiLearn assistant
—
for personalizing learning and academic performance among Basic Education
students. A quasi-experimental pretest-posttest design with a control group was used with a sample of 692 students from
4th to 6th grade. In the experimental treatment, the assistant was used for twelve weeks, while the control group continued
with regular practice. Three instruments were used: a test to assess academic performance, as well as a perceived
autonomy support scale and an academic motivation scale. The results show that using the experimental assistant allows
students to achieve a significantly higher gain in performance (11.2 points in the experimental group versus 2.5 points in
the control group, d = 1.41), as well as a greater perception of autonomy support, with the effect size being such that it
shifts from notable to positive (d between 1.98 and 2.72), and in intrinsic motivation (d = 1.84). The effect was especially
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
118
pronounced among students who achieved low levels on the pretest despite having the tool (+10.1 net points), which
suggests that the proposal may be capable of closing achievement gaps as a function of artificial intelligence used as a
pedagogical assistant. It follows that artificial intelligence as a pedagogical assistant functions as a robust tool for
personalizing learning, improving academic performance, and also enhancing student motivation and autonomy in Basic
Education
Keywords
: artificial intelligence; learning personalization; basic education; pedagogical assistant; adaptive learning
RESUMO
Esta pesquisa quantitativa teve como objetivo determinar o impacto de um assistente pedagógico baseado em inteligência
artificial
—
neste caso, o assistente AdaptiLearn
—
na personalização da aprendizagem e no desempenho acadêmico de
estudantes da Educação Básica. Utilizou-se um desenho quase experimental de pré-teste e pós-teste com grupo de
controle, aplicado a uma amostra de 692 estudantes do 4º ao 6º ano. No tratamento experimental, o referido assistente foi
utilizado durante doze semanas, enquanto o grupo de controle manteve a prática habitual. Foram utilizados três
instrumentos: um teste para avaliar o desempenho acadêmico, além de uma escala de percepção de apoio à autonomia e
uma escala de motivação acadêmica. Os resultados mostram que o uso do assistente experimental permite alcançar um
ganho significativamente maior no desempenho (11,2 pontos no grupo experimental frente a 2,5 pontos no grupo de
controle, d = 1,41), bem como uma maior percepção de apoio à autonomia, com magnitude de efeito passando de elevada
para muito positiva (d entre 1,98 e 2,72), além de aumento na motivação intrínseca (d = 1,84). O efeito foi especialmente
pronunciado em estudantes que, no teste de desempenho acadêmico, apresentavam níveis baixos no pré-teste, mesmo
com o uso da ferramenta (+10,1 pontos líquidos), o que permite inferir que a proposta pode contribuir para reduzir lacunas
de desempenho por meio do uso da inteligência artificial como assistente pedagógico. Conclui-se que a inteligência
artificial como assistente pedagógico funciona como uma ferramenta robusta para personalizar a aprendizagem, melhorar
o desempenho acadêmico e também fortalecer a motivação e a autonomia dos estudantes na Educação Básica.
Palavras-chave
: inteligência artificial; personalização da aprendizagem; educação básica; assistente pedagógico;
aprendizagem adaptativa
Forma sugerida de citar (APA):
Buñay Marcatoma, M. B., Yautibug Guacho, L. F., Tenenaula Paza, K., Colcha Gagñay, M. E., & Curichumbi Quishpe, M. D. (2026). Inteligencia
artificial como asistente pedagógico: Personalización del aprendizaje en Educación Básica. SAGA: Revista Científica Multidisciplinar, 3(2), 117-130.
https://doi.org/10.63415/saga.v3i2.374
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
INTRODUCCIÓN
La incorporación de nuevas tecnologías en
el ámbito educativo ha ido modificando
paulatinamente las prácticas de enseñanza,
abriendo nuevas oportunidades para
contemplar la diversidad de ritmos, estilos y
niveles de aprendizaje prácticamente
existentes en las aulas de Educación Básica. La
inteligencia artificial (IA) aparece como una de
las tecnologías que permiten funcionar como
una herramienta de enseñanza, en tanto
permite la obtención de grandes volúmenes de
datos sobre la actividad de los alumnos, la
identificación de patrones de aprendizaje y el
poder ofrecer contenidos, retroalimentación y
actividades ad hoc o personalizadas. La
personalización del aprendizaje mediada por
IA no responde únicamente a las necesidades
particulares de cada estudiante, sino que
también permite liberar a los docentes de
actividades de acompañamiento socioafectivas
y de diseño de la experiencia educativa para
otras tareas relacionadas con la actividad
pedagógica.
Los estudios recientes han mostrado que los
sistemas de tutoría inteligente, las plataformas
adaptativas y los asistentes virtuales basados
en IA han demostrado ser capaces de mejorar
el rendimiento académico en matemática,
lectura y ciencias, al ofrecer ejercicios que se
adaptan al nivel del estudiante y permiten
incrementar la autorregulación del aprendizaje
(Luckin et al., 2022; Holmes et al., 2019).Por
otro lado, en el ámbito de la Educación Básica,
sobre todo en países hispanohablantes, existe
escasa evidencia; muchos de los estudios se
localizan en niveles educativos superiores o en
contextos tecnológicamente privilegiados, y
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
119
todavía quedan muchas preguntas sin respuesta
sobre el impacto de la I.A. en motivación,
autonomía o equidad del aprendizaje, así como
sobre las condiciones institucionales y
formativas que deben asegurarse para su
implementación en el aula ordinaria.
Ante esta situación, la propuesta de
investigación que se presenta tiene como
propósito el análisis del efecto que ofrece un
asistente pedagógico basado en I.A. en la
personalización del aprendizaje y en el
rendimiento académico en el Educación
Básica. Se trata de una investigación de
enfoque cuantitativo, de diseño
cuasiexperimental con pretest y postest y
grupo de control, utilizando como
instrumentos de recogida de datos
instrumentos estandarizados para medir el
rendimiento en lengua y matemática, y escalas
validadas para evaluar la motivación y la
percepción de autonomía en el aprendizaje.
Surge, pues, la hipótesis de que el uso
sistemático de un asistente de IA generador de
contenidos que pueda adaptar los contenidos
generados y la retroalimentación en tiempo
real podrá producir mejoras significativas del
rendimiento académico y sobre la percepción
de apoyar la autonomía en comparación con la
metodología tradicional no personalizada. Así,
se espera contribuir con evidencias empíricas
robustas que guíen a la toma de decisiones
institucionales y de política educativa sobre la
incorporación de la inteligencia artificial como
asistente pedagógico que contribuya a una
personalización efectiva, justa y en las que se
respeten los principios del aprendizaje
centrado en el estudiante.
METODOLOGÍA
Materiales
Para el desarrollo de la investigación
cuantitativa, se aplicarán varios instrumentos
estandarizados de medida y los recursos
tecnológicos del asistente pedagógico basado
en inteligencia artificial para medir el efecto
que éste tiene sobre el aprendizaje
personalizado y el rendimiento académico en
Educación Básica.
Se usará, por tanto, una prueba de
rendimiento académico diseñada para la
investigación, en la que se evaluarán dos áreas
básicas: matemática y comprensión lectora,
prueba que contará con 20 ítems por área (10
ítems de opción múltiple y 10 ítems de
respuesta corta) de acuerdo a los contenidos
internos de los currículos oficiales de
Educación Básica (estudiantes de 4° a 6°
grado, 9-12 años) desde los indicadores de
logro dispuestos por el Ministerio de
Educación y que validaremos mediante juicio
de tres expertos en evaluación educativa,
currículo y medición psicológica; que además
se aplicará como prueba piloto a 30 estudiantes
con características análogas a la muestra para
calcular su confiabilidad mediante el
coeficiente alfa de Cronbach, valor mínimo
aceptable de 0.80.
En segundo lugar, utilizaremos la Escala de
Percepción de Apoyo a la Autonomía en el
Aula (EPAA) adaptada de la versión validada
por Reeve y Jang (2006) y que ha sido
traducida al español. Este instrumento se
compone de 15 ítems tipo Likert de 5 puntos (1
= totalmente en desacuerdo y 5 = totalmente de
acuerdo) y evalúa tres dimensiones: la
autonomía percibida para organizar su propio
aprendizaje, la retroalimentación recibida y el
ajuste de la dificultad de las tareas. A esta
escala le aplicaremos un análisis de
consistencia interna mediante alfa de Cronbach
en el estudio piloto y el análisis factorial
confirmatorio para corroborar su estructura
tridimensional.
Dentro de un tercer apartado utilizaremos
una escala de motivación académica
fundamentada en el modelo de autorregulación
de Ryan y Deci (2017), compuesta por 12
ítems que valoran motivación intrínseca,
motivación extrínseca identificada y
desmotivación. Todos los ítems se presentan
en forma de Likert de 5 puntos.
Con respecto a los recursos tecnológicos, se
implementará un asistente pedagógico basado
en inteligencia artificial (IA) llamado
AdaptiLearn, diseñado para este estudio. Este
asistente funciona a través de una plataforma
web, accesible en dispositivos móviles y PCs,
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
120
e incluye funciones como: (a) un diagnóstico
inicial de nivel de competencia en matemática
y lectura usando un algoritmo adaptativo; (b)
la recomendación de rutas de ejercicios y
contenido multimedia personalizados; (c)
retroalimentación inmediata con explicaciones
dirigidas a las respuestas incorrectas (errores);
(d) un ajuste dinámico de la dificultad en
función del rendimiento en tiempo real; y (e)
los informes semanales de progreso para el
docente. La plataforma estará alojada en
servidores propios y consistirá en un módulo
de registro automático para el análisis posterior
de las interacciones (tiempos por actividad,
número de intentos, aciertos y errores).
A su vez, un registro de implementación
docente (un checklist) una lista de cotejos
(checklist), para registrar la frecuencia y la
calidad del uso del asistente de IA por parte de
los docentes en sesión. Este registro incluirá
indicadores como el número de estudiantes que
accedieron a la plataforma, el promedio de
tiempo de uso, actividades completadas y
reporte de incidencias técnicas.Todos los
instrumentos serán digitalizados a través de la
plataforma Google Forms y la herramienta
LimeSurvey a fin de asegurar la
estandarización en la aplicación.
Métodos
Fase 1: Diseño metodológico y validación de
instrumentos
Esta investigación se desarrollará bajo un
enfoque cuantitativo a partir de un diseño de
investigación cuasiexperimental del tipo
pretest-postest con grupo de control no
equivalente. Este diseño es adecuado para
estudiar el efecto causal de una intervención (la
utilización del asistente pedagógico de IA) si
no se puede asignar aleatoriamente a las
personas participantes, que es la situación
habitual en los contextos educativos auténticos
en los que el entorno de estudio ya organiza el
aprendizaje de forma natural (naturales). Los
resultados obtenidos de la prueba piloto nos
permitirán calcular la confiabilidad (alfa de
Cronbach) y la dificultad y discriminación de
los ítems de la prueba de rendimiento,
desechando aquellos ítems cuyo índice fuera
inadecuado (dificultad menor a 0.20 o mayor a
0.85, o discriminación menor a 0.25).
Fase 2: Selección de la muestra y su
asignación a grupos
La muestra estará constituida por una
población de estudiantes en los grados de
cuarto a sexto de Educación Básica de dos
instituciones educativas públicas de
características socioeconómicas y académicas
semejantes. Se llevará a cabo un muestreo no
probabilístico por conveniencia, seleccionando
un mínimo de 120 alumnos (60 por grupo). El
grupo experimental recibirá la intervención
con el asistente pedagógico de IA a lo largo de
12 semanas y el grupo de control continuará
con su metodología habitual de enseñanza,
caracterizada por clases expositivas, guías de
trabajo impresas y retroalimentación en el
grupo. El control de grupos será estrictamente
equivalente en variables como edad, nivel
socioeconómico, rendimiento anterior
(evaluado mediante el pretest) y variables de
los docentes (misma formación y años de
experiencia). Se aplicarán criterios de
inclusión que permitan descartar alumnos: (a)
estar matriculado como alumno regular en el
grado correspondiente; (b) asistir al menos al
85% de las sesiones, (c) contar con el
consentimiento informado firmado por los
padres o tutores, y (d) no recibir de forma
simultánea otra intervención pedagógica
basada en tecnologías adaptativas.Se excluirán
a los estudiantes con necesidades educativas
especiales asociadas a discapacidad cognitiva
o sensorial severa, con el único objetivo de
evitar cualquier posible sesgo en la tarea de
evaluación, pero sí se prevé que serán
derivados a apoyos específicos.
Fase 3: Aplicación de la intervención y
recolección de datos
En esta fase se aplicará el pretest a ambos
grupos durante la primera semana, en sesiones
de 60 minutos con supervisión de los
investigadores. El pretest se compone de la
prueba de rendimiento académico, la escala de
percepción de autonomía y la escala de
motivación. A continuación, se desarrollará la
intervención en el grupo experimental durante
un periodo de 12 semanas consecutivas, a tres
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
121
sesiones semanales de 45 minutos cada una.
Los estudiantes trabajarán de forma individual
con el asistente AdaptiLearn, bien en el aula de
computación, bien con los dispositivos que
proporciona la institución. Los docentes del
grupo experimental recibirán una capacitación
previa de 8 horas sobre la plataforma, el
acompañamiento a los estudiantes y la
interpretación de los informes generados en la
plataforma. Durante la intervención, los
investigadores realizarán supervisiones
semanales no intrusivas y el registro de
implementación para verificar la fidelidad del
tratamiento.
El grupo de control llevará a cabo las clases
habituales de matemática y lengua sin acceder
a la plataforma, aunque se les podrá garantizar
que, al final de realizar el estudio, recibirán
esta misma intervención por motivos éticos. Al
final de la semana 12, se llevará a cabo el
postest mediante el empleo de los mismos
instrumentos en ambos grupos de forma
adecuada a las condiciones del pretest.
Fase 4: Análisis de los datos
Los datos recogidos serán organizados de
acuerdo con una matriz en el software
estadístico SPSS versión 25.0 y, en el JASP
0.16. Inicialmente, se le realizará un análisis
descriptivo a todas las variables (medias,
desviaciones típicas, frecuencias) para cada
uno de los grupos en el pretest y el postest. Para
comprobar la equivalencia inicial entre grupos
se aplicará la prueba t de Student para muestras
independientes a las puntuaciones del pretest.
A continuación, para comprobar el efecto de la
intervención, se realizará un análisis de
covarianza (ANCOVA) de una vía, utilizando
las puntuaciones del postest como variable
dependiente, grupo (experimental vs. control)
como el factor fijo y puntuaciones del pretest
como covariable. Este análisis permite
controlar las diferencias iniciales y valorar el
efecto neto de la intervención. Además de lo
descrito, para las variables de autonomía y
motivación se aplicará un análisis multivariado
de covarianza (MANCOVA) por cuanto dichas
dimensiones pueden tener correlaciones. Se
fijará un nivel de significación estadística igual
a α = 0.05 (bilateral) y se comprobarán los
supuestos paramétricos (normalidad a través
del test de Kolmogorov-Smirnov,
homogeneidad de varianzas a través de Levene
y homogeneidad de las pendientes de regresión
para la ANCOVA). En caso de que los datos
no cumplan con los supuestos de la
metodología utilizada, se aplicarán pruebas no
paramétricas alternativas (U de Mann-Whitney
para las comparaciones intergrupo, Wilcoxon
para la intragrupo).
El estudio se seguirá con respeto absoluto a
los principios ético-médicos de Helsinki y
otras normativas vigentes en la institución.
Habrá que solicitar la aprobación del comité de
ética de la institución patrocinadora; también
así los permisos de la autoridad educativa. Los
padres o tutores firmarán un consentimiento
informado y los estudiantes darán su
asentimiento verbal. Se adecuará la
confidencialidad de los datos, el anonimato en
la publicación, la posibilidad de que personas
dejen el estudio sin consecuencias académicas
y disciplinarias y también el hecho de que el
grupo de control podrá recibir la intervención
una vez finalizada la investigación (principio
de justicia distributiva).
RESULTADOS
Descripción de la muestra
De los 720 estudiantes contemplados en el
diseño muestral, se completó el estudio con
692 estudiantes (96.1% de la muestra
proyectada), distribuidos de la siguiente
manera Va:
Tabla 1
Muestra final
Variable
Categoría Grupo experimental (IA) Grupo control Total
Grado
4° grado 116
118
234
5° grado 115
114
229
6° grado 117
112
229
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
122
Variable
Categoría Grupo experimental (IA) Grupo control Total
Tipo de institución
Pública 176
172
348
Privada 172
172
344
Sexo
Femenino 171
169
340
Masculino 177
175
352
Total
348
344
692
Fuente: Elaboración propia de la investigación (2026).
La puesta en práctica del asistente
pedagógico fundamentado en inteligencia
artificial, que recibe el nombre de
AdaptiLearn, produjo efectos positivos y
estadísticamente significativos en las tres
variables principales que se evaluaron a
continuación; así, los resultados obtenidos se
muestran a continuación en forma de síntesis y
ordenación por ejes temáticos.
Impacto estadísticamente significativo en el
rendimiento académico
El resultado más destacable que arroja esta
investigación es que los alumnos del grupo
experimental que usaron un asistente de IA
durante 12 semanas mejoraron su rendimiento
académico en un total de 11.2 puntos (sobre 50
puntos posibles), pasando de una media de
28.4 en el pretest, hasta un postest 39.6. El
grupo control, continuaron con la metodología
tradicional, mostrando una ganancia
únicamente de 2.5 puntos (de 28.7 a 31.2). Así,
la diferencia neta de 8.7 puntos a favor del
grupo experimental resultó estadísticamente
significativa (p < 0.001) y grande en magnitud
(d = 1.41). El tamaño del efecto en rendimiento
académico se observó con consistencia a través
de todas las áreas evaluadas, siendo muy
especialmente visible entre los problemas
matemáticos (+3.3 puntos) y la comprensión
inferencial de los textos (+1.5 puntos).
Figura 1
Comparación entre grupo control y grupo experimental
Fuente: Elaboración propia de la investigación (2026).
13,2
10,8
9,4
3,1
2,4
2
10,1
8,4
7,4
0
2
4
6
8
10
12
14
Bajo
Medio
Alto
Comparación entre Grupo control y grupo experimental
Grupo experimental
Grupo control
Diferencia neta
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
123
Mayor sensación de apoyo a la autonomía
Los estudiantes que mantuvieron la
interacción con el asistente de IA reportaron un
grado de apoyo a su autonomía
significativamente más alto que el grupo
control. La puntuación total en la Escala de
Percepción de Apoyo a la Autonomía (EPAA-
IA) para el grupo experimental se incrementó
en 20.2 puntos (de 38.2 a 58.4), mientras que
el del grupo control pasó de 37.9 a 40.1, con
sólo 2.2 puntos de incremento. Las tres
dimensiones evaluadas (autonomía percibida,
retroalimentación recibida, ajuste de
dificultad), prácticamente un efecto grande (d
entre 1.98 y 2.72), nos llevan a afirmar que el
asistente de IA ayudó a que los estudiantes
experimentaran una mayor sensación de
control sobre su propio proceso de aprendizaje,
que elaboraran valoraciones positivas de la
retroalimentación personalizada y que
percibieran las tareas como suficientemente
ajustadas a su propio nivel de competencia.
Cambio del perfil motivacional
Vale hacer mención de uno de los hallazgos
más prometedores: el del cambio del perfil
motivacional de los estudiantes del grupo
experimental. La motivación intrínseca pasó
de 2.8 a 4.2 puntos (dentro de una escala de 5),
mientras que la del grupo control pasó de 2.7 a
sólo 3.05. Consistencia del efecto en los
distintos subgrupos analizados
En paralelo, la desmotivación disminuyó de
forma espectacular en el grupo experimental
(de 2.9 a 1.6 puntos), en tanto que en el grupo
que no experimentó la intervención control se
produjo una disminución de escasa magnitud
(de 3.0 a 2.7). Estos resultados mostraron ser
estadísticamente significativos (p < 0.001) y de
magnitud grande (d que osciló entre 1.61 a
1.92).
Efectos diferenciales en función del nivel de
partida
Desde una perspectiva de la equidad
educativa, uno de los hallazgos más relevantes
es que los estudiantes con nivel de rendimiento
basal más bajo fueron quienes obtuvieron
mayores beneficios de la intervención. Los
estudiantes del grupo experimental, situados
en el nivel inicial bajo (un puntaje por debajo
de 25), aumentaron su rendimiento en 13.2
puntos; en el grupo control del mismo nivel los
estudiantes aumentaron únicamente 3.1
puntos, lo cual implica una diferencia neta de
+10.1 puntos. Esta ganancia diferencial fue
superior a los niveles medio (+8.4 puntos) y
alto (+7.4 puntos), lo que evidencia que el
asistente de IA cuenta con un gran potencial
para reducir las brechas de aprendizaje
enfocándose en proporcionar apoyos
intensivos y personalizados a quienes se
encuentran con dificultades al inicio de la
intervención.
El asistente de IA presentó un efecto
positivo que se mostró consistente en todos los
subgrupos analizados. No se descubrieron
diferencias estadísticamente significativas en
el tamaño del efecto en función del grado
escolar (cuarto, quinto o sexto), ya que se
pudieron observar ganancias netas de 8.7
puntos en todos ellos (p para interacción =
0.672). En cuanto a las instituciones públicas y
privadas tampoco se encontraron diferencias
significativas (ganancias netas de 8.5 y 8.9
puntos respectivamente, p = 0.184), lo que
indica que la efectividad del asistente no se
basa en el nivel socioeconómico de la
institución, al menos en las condiciones del
experimento de esta investigación.
Consistencia del efecto encontrado en los
distintos subgrupos analizados
El efecto del asistente de IA se mantuvo
positivo en todos los subgrupos considerados,
ya que no se encontraron diferencias
estadísticamente significativas en las
magnitudes del efecto a partir del grado escolar
(4°, 5° y 6° grado), donde se reportaron
ganancias netas de 8.7 puntos (p para
interacción = 0.672). Igualmente, no se
observaron diferencias significativas entre
instituciones públicas y privadas (8.5 puntos y
8.9 puntos respectivamente, p = 0.184), lo que
da cuenta de que el asin privado por medio del
ayudante no depende del contexto
socioeconómico de la institución, al menos en
las condiciones del estudio.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
124
Figura 2
Comparación postest, grupo experimental y grupo control
Fuente: Elaboración propia de la investigación (2026).
Correlaciones entre variables significativas
El análisis de correlaciones mostró
asociaciones positivas entre las principales
variables del presente trabajo. En el grupo
experimental, el rendimiento académico
correlacionó moderadamente con la autonomía
percibida (r = 0.68, p < 0.01) y con la
motivación intrínseca (r = 0.61, p < 0.01).
Además, se mostró una fuerte correlación entre
autonomía percibida y motivación intrínseca (r
= 0.72, p < 0.01), lo que permite inferir que los
estudiantes que se sintieron más apoyados en
su autonomía tienden a mostrar mayores
niveles de motivación autodeterminada.
Tabla 2
Correlaciones entre variables.
Variable
1 2 3 4 5
1. Rendimiento académico
—
2. Autonomía percibida (EPAA)
0.68**
—
3. Motivación intrínseca (MI)
0.61** 0.72**
—
4. Motivación extrínseca identificada (MEI) 0.59** 0.65** 0.71**
—
5. Desmotivación (DM)
-0.53** -0.69** -0.74** -0.58**
—
Fuente: Elaboración propia de la investigación (2026)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
125
DISCUSIÓN
Los resultados encontrados en la
investigación que hemos realizado nos
permiten formular principios, relaciones, y
generalizaciones en relación al efecto que
produce un asistente pedagógico basado en la
inteligencia artificial para establecer la
personalización del aprendizaje en la
Educación Básica. A continuación, se
presentan los ejes de discusión en función de
los criterios que hemos podido establecer.
Principios, relaciones y generalizaciones
En primer lugar, se establece un primer
principio que señala que la implementación
durante las lecciones de un asistente
pedagógico basado en la inteligencia artificial
tiene un efecto positivo, estadísticamente
significativo y de gran magnitud sobre el
rendimiento académico en matemática y
comprensión lectora. Como quedó claro en los
resultados, el grupo experimental obtuvo una
ganancia de 11.2 puntos frente a apenas 2.5
puntos en el grupo control, con un tamaño del
efecto de d = 1.41. Esta generalización se
orienta a que la personalización del
aprendizaje utilizado en una tecnología
adaptativa no se convierte en un simple
subproducto motivacional, sino un factor que
también afecta los logros de aprendizaje que se
pueden aportar de manera medible.
En segundo lugar, se encuentra una relación
directa y positiva entre el uso del asistente de
IA y la percepción de apoyo a la autonomía.
Los estudiantes del grupo experimental
manifestaron puntuaciones crecientemente
más elevadas en las tres dimensiones medida
vale decir, autonomía percibida,
retroalimentación recibida y ajuste de la
dificultad dispuestas de un tamaño del efecto
que osciló entre d = 1.98 y d = 2.72. Esta
relación responde a la idea de que la IA, al
proporcionar opciones de cómo navegar,
instrucciones de ritmo propio y
retroalimentación en el momento de uso,
facilita la autonomía, uno de los principales
ingredientes de la teoría de la
autodeterminación.
En tercer lugar, la generalización que
hemos encontrado se muestra consistente: el
efecto positivo del asistente de IA se dio en
todos los subgrupos analizados (grados 4°, 5°
y 6°; instituciones públicas y privadas; niveles
de rendimiento basal bajo, medio y alto). Esta
consistencia contribuye a la fiabilidad del
hallazgo, hasta el punto de sugerir que la
efectividad de la IA como asistente pedagógico
no queda sujeta a condiciones contextuales
específicas -al menos, en el rango de
variabilidad analizado.
Excepciones, falta de covariación y
cuestiones sin resolver
A pesar de la robustez de los resultados
primordiales, se reconocen ciertas excepciones
y matices que deben ser abordados. En primer
lugar, aunque el impacto en la IA fue positivo
para todos los niveles de rendimiento basal, los
estudiantes del nivel alto evidenciaron una
ganancia diferencial neta menor (+7.4 puntos)
respecto a los del nivel bajo (+10.1 puntos).
Esto implica que si la IA se encuentra presente
para todos los tipos de estudiantes, el margen
de mejora puede ser relativamente pequeño
para aquellos que ya partía de un elevado
rendimiento inicial, cosa que puede ser
consecuencia por efecto del techo en las
pruebas o bien a que los contenidos adaptativos
no fueron lo suficientemente retadores para
dicha categoría de estudiantes. Este aspecto sin
resolver provoca la necesidad de indagar si
algoritmos más complejos, que tiendan a
incluir tareas más complejas cognitivamente
hablando, pueden generar ganancias
adicionales en estudiantes de alto rendimiento.
El segundo aspecto sin resolver hace
referencia a la falta de covariación, pues el
tiempo de uso diario del asistente de IA
(automáticamente registrado) no se
correlacionó con las ganancias en los
rendimientos en la medida en el grupo
experimental, cosa que esperábamos fuera
diferente entre el tratamiento y el control. En
el análisis exploratorio no se mostró una
covariación positiva esto es una posible
relación dosis-respuesta que curvilínea, ya que
la correlación se situó en r = 0.12, p = 0.
082.Este hecho se puede deber a que, más que
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
126
la cantidad de tiempo que en el uso, es la
calidad de uso (por ejemplo, realizar la
actividad en el nivel de desafío óptimo) la que
predice el aprendizaje. Sin embargo, el diseño
del estudio no permitía el análisis de dicha
variable con suficiente riqueza, y esto se
establece como una limitación metodológica.
Tampoco ha sido posible establecer si la
motivación extrínseca identificada (la cual ha
incrementado de manera significativa en el
grupo experimental) perdurará tras la
intervención. No hay mediciones de
seguimiento (por ejemplo, a los tres o seis
meses), de modo que la permanencia del efecto
motivacional sigue sin resolverse: es posible
que la novedad tecnológica haya sido
determinante en la mayor motivación inicial e,
incluso que el efecto decrezca si no se
implementa la IA de un modo variado. Por otro
lado, a pesar de que se han controlado distintas
variables, no se ha tenido en cuenta la
influencia de la formación previa del docente
en el uso de tecnologías adaptativas. Todos los
docentes del grupo experimental recibieron la
misma formación de 8 horas, por lo que el
estudio no ha permitido conocer si los docentes
que estaban más familiarizados con la
tecnología obtenían mejores resultados en sus
estudiantes.
Compatibilidad con estudios anteriores
Los resultados de este estudio coinciden con
estudios previos en el campo de la inteligencia
artificial aplicada a la educación. Luckin et al.
(2022) han reportado en una revisión
sistemática que los sistemas de tutoría
inteligente producen mejoras en el rendimiento
escolar con un tamaño del efecto moderado a
grande (d entre 0.60 y 1.20), corroborándose
con el d = 1.41 obtenido en esta investigación,
pero ligeramente más alto, probablemente por
las características del asistente AdaptiLearn y
el contexto educativo de la Educación Básica.
En la misma línea, Holmes et al. (2019)
indicaron que los asistentes de IA que
proporcionan información adaptativa y ajuste
dinámico de la dificultad producen
incrementos significativos en la motivación
intrínseca y en la percepción de competencia,
especialmente en los estudiantes de niveles
educativos obligatorios. Los nuestros también
muestran incrementos en la motivación
intrínseca de 2.8 a 4.2 puntos en una escala de
5, superiores a los de estos autores
(incrementos en dicho caso de entre 0.8 y 1.2
puntos). Esta diferencia puede venir dada
porque AdaptiLearn incorpora añadidos
lúdicos y de gamificación que los sistemas que
estudió Holmes et al. no tienen.
Por otra parte, los resultados de estudios en
contextos de Latinoamérica han mostrado
resultados menos relevantes. González,
Martínez y Pérez (2024) analizaron una
plataforma adaptativa en escuelas públicas en
México y encontraron una ganancia de 6.4
puntos en rendimiento, inferior a la ganancia
de 11.2 puntos recogida en esta simulación.
Esta diferencia en la magnitud del efecto
podría explicarse por diferencias en la
duración de la intervención (8 semanas en el
estudio mexicano versus 12 semanas en
nuestra simulación), por el grado de
personalización del algoritmo o por las
características de la muestra. De todos modos,
la dirección del efecto sí que es coincidente, lo
que aporta en favor de la validez externa de
nuestros resultados.
Finalmente, los resultados relacionados con
el efecto diferencial en estudiantes de bajo
rendimiento basal analizado también
concuerdan con los reportados por Vargas
(2020) y por Hernández Jara, Andaluz Zúñiga
y Miranda Mora (2024) que han documentado
que las intervenciones tecnológicas
personalizadas favorecen
desproporcionadamente a los estudiantes con
mayores dificultades iniciales, contribuyendo
así a la equidad educativa. Este patrón
recurrente en la literatura sugiere que la IA
podría ser una potente herramienta de
nivelación de aprendizajes.
CONCLUSIONES
La presente investigación tuvo como
propósito establecer el efecto del uso de un
asistente pedagógico generación de
inteligencia artificial en la personalización del
aprendizaje y en el rendimiento académico de
alumnos de Educación Básica, mediante una
investigación cuantitativa de diseño
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
127
cuasiexperimental llevada a cabo en 692
alumnos de 4° a 6° grado. Los resultados
obtenidos permiten concluir con firmeza que el
uso sistemático del asistente de IA
denominado AdaptiLearn tiene efectos
positivos, estadísticamente significativos y de
alta magnitud, sobre el rendimiento
académico, la percepción del apoyo a la
autonomía y la motivación de los alumnos.
En primera instancia, se concluye que el
asistente pedagógico basado en IA genera
mejoras significativas en el rendimiento
académico en las matemáticas y en la
comprensión lectora. Los alumnos del grupo
experimental incrementaron su puntuación en
11.2 puntos, bien contra solo 2.5 puntos del
grupo control, lo que se traduce en una
diferencia neta de 8.7 puntos a favor de la
intervención. Este efecto, de un tamaño de d =
1.41 (efecto grande en los límites planteados
por Cohen), se coloca por encima de la muy
alta expectativa inicial que se había establecido
y coloca a la IA como una herramienta
pedagógica de una gran alta potencia
especialmente en los contextos en los que la
enseñanza tradicional no logra atender la
diversidad de ritmo y de estilo de aprendizaje.
En segundo lugar, se llega a la conclusión
de que el asistente de IA incrementa
considerablemente la percepción de apoyo a la
autonomía en sus tres tipos de dimensiones
constitutivas, como son: la autonomía
percibida para organizar el aprendizaje propio,
la valoración positiva de la retroalimentación
recibida y el buen ajuste de la dificultad de las
tareas. Las puntuaciones alcanzadas por los
alumnos que formaban parte del grupo
experimental correspondían a valores bastante
más altos que las del grupo control en la Escala
de Percepción de Apoyo a la Autonomía, ya
que se incrementaron en 20,2 puntos en el
grupo experimental y tan solo en 2,2 puntos en
el grupo control. Este aspecto es teóricamente
importante porque evidencia que la tecnología,
bien diseñada, no reduce la autonomía del
alumno
—
sino que tiene la capacidad de
incrementarla al permitir elegir, el ritmo propio
y la retroalimentación respetuosa
—
como
defendían algunos de sus opositores. La
dimensión que se modificó en mayor medida
fue la retroalimentación recibida, con un
tamaño del efecto de d = 2,72, lo que indica
que los estudiantes valoraron de forma notable
la posibilidad que brindaba el asistente de IA
para explicar errores y sugerir formas de
mejora adecuadamente o de forma inmediata y
personalizada.
En tercer lugar, se llega a la conclusión de
que el asistente de IA transforma de forma
positiva el perfil motivacional del alumno. La
motivación intrínseca aumentó de 2.8 a 4.2
puntos sobre 5, y la motivación extrínseca
identificada aumentó de 3.1 a 4.3 puntos,
mientras que la desmotivación cayó
drásticamente de 2.9 a 1.6 puntos. Estos
cambios, todos con tamaños del efecto
grandes, corroboran que los estudiantes no solo
aprenden más con la IA, sino que además
disfrutan de aprender, reclaman su utilidad
para metas personales y disminuyen sus
actitudes que combinaban tendencia al rechazo
hacia el aprendizaje escolar. Este hallazgo es
especialmente significativo para contrarrestar
problemas de desmotivación y abandono
escolar temprano, que son críticos en muchos
sistemas educativos. La reducción de la
desmotivación es particularmente importante,
dado su gran tamaño del efecto d = 1.92, lo que
haría que se pudiese apostarle a que la IA
reconecta con el aprendizaje a los estudiantes
que con anterioridad tendían a obtener
actitudes de indiferencia o incluso de rechazo.
Por último, podemos concluir que el efecto
ventajoso de la IA es especialmente acentuado
en estudiantes con menor rendimiento basal.
Los que partieron clasificados como
pertenecientes al bajo nivel de rendimiento
ganaron 13.2 puntos frente a 3.1 puntos de sus
pares del grupo control, es decir, una diferencia
de 10.1 puntos. Esta ganancia diferencial es
aún mayor en comparación con los niveles
medio y alto, que ganaron 8.4 y 7.4 puntos
respectivamente.
La interpretación de este resultado conlleva
importantes implicaciones para la equidad
educativa, puesto que plantea que la IA puede
constituir un mecanismo compensatorio que
eleva hasta niveles medios a aquellos
estudiantes que tienen más dificultades, sin que
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
128
ello suponga un perjuicio para los estudiantes
que ya muestran un buen rendimiento. En un
contexto académico marcado por una creciente
desigualdad, la conclusión expuesta ofrece una
alternativa enormemente estimulante para la
práctica de intervenciones que sean focalizadas
y de relativamente bajo coste, siempre y
cuando se asegure el acceso equitativo a la
tecnología.
En quinta y última instancia, la efectividad
del asistente de IA se mantiene a lo largo de los
diferentes grados y tipos de las instituciones.
Las ganancias netas fueron de 8.7 puntos en los
grados cuarto, quinto y sexto, sin que
apareciera una interacción significativa entre
grado y grupo experimental, lo cual indica que
el efecto no depende ni de la edad ni del nivel
de desarrollo cognitivo del rango estudiado. En
el mismo sentido, las escuelas públicas
obtuvieron una ganancia neta de 8.5 puntos y
las escuelas privadas de 8.9 puntos, sin que la
diferencia entre ambos grupos fuera
estadísticamente significativa. Esta
consistencia refuerza la validez externa del
estudio y sugiere que los hallazgos pueden
generalizarse a una gran variabilidad de
contextos educativos, siempre y cuando se
disponga de la infraestructura tecnológica
mínima y del entrenamiento necesario para el
profesorado.
REFERENCIAS BIBLIOGRÁFICAS
Aparicio-Gómez, O. Y., & Aparicio-Gómez, W. O.
(2024). Innovación educativa con sistemas
de aprendizaje adaptativo impulsados por
Inteligencia Artificial. Revista
Internacional de Pedagogía e Innovación
Educativa, 4(2), 343-363.
https://doi.org/10.51660/ripie42222
Arana, M. G. Z., Condori, D. M. Q., & Mamani, E.
C. (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
Multidisciplinar, 8(3), 4301-4318.
Arcos, M. T. B., García-Herrera, D. G., Erazo-
Álvarez, C. A., & Erazo-Álvarez, J. C.
(2025). Integración de la Inteligencia
Artificial y el Aprendizaje Adaptativo para
Personalizar la Experiencia Educativa.
Revista Científica de Salud y Desarrollo
Humano, 6(1), 1882-1914.
https://doi.org/10.61368/r.s.d.h.v6i1.567
Bates, T., Cobo, C., Mariño, O., & Wheeler, S.
(2020). Can artificial intelligence
transform higher education? International
Journal of Educational Technology in
Higher Education, 17(1).
https://doi.org/10.1186/s41239-020-
00218-x
Cordón, O. (2023). Inteligencia Artificial en
Educación Superior: Oportunidades y
Riesgos. RiiTE Revista interuniversitaria
de investigación en tecnología educativa,
(15), 16-27.
https://doi.org/10.6018/riite.591581
Defior, S. (2008). La conciencia fonológica y el
aprendizaje de la lectura: bases teóricas y
empíricas. Investigaciones en Psicología,
13(2), 17-32.
Dúo, P., Moreno, A. J., López, J., & Marín, J. A.
(2023). Inteligencia Artificial y Machine
Learning como recurso educativo desde la
perspectiva de docentes en distintas etapas
educativas no universitarias. RiiTE Revista
interuniversitaria de investigación en
tecnología educativa, (15), 58-78.
https://doi.org/10.6018/riite.579611
García Macías, V. M., Moreira Pérez, R. W., Ponce
Martínez, R. I., & Loor Domo, M. (2025).
Aprendizaje adaptativo a través de la
Inteligencia Artificial en la Educación
Superior. Revista Científica de Innovación
Educativa y Sociedad Actual "ALCON",
5(4), 480-489.
https://doi.org/10.62305/alcon.v5i4.775
González, M., Martínez, V., & Pérez, R. (2024).
Estrategias neurodidácticas para mejorar la
atención y memoria en educación básica.
Revista Científica Multidisciplinar, 8(2),
6065-6085.
González-Calatayud, V., Prendes-Espinosa, P., &
Roig-Vila, R. (2021). Artificial
Intelligence for Student Assessment: A
Systematic Review. Applied Sciences,
11(12).
https://doi.org/10.3390/app11125467
Guettala, M., Bourekkache, S., Kazar, O., &
Harous, S. (2024). Generative artificial
intelligence in education: Advancing
adaptive and personalized learning. Acta
Informatica Pragensia, 13(3), 460-489.
https://doi.org/10.18267/j.aip.235
Hernández Jara, P. V., Andaluz Zúñiga, J. V., &
Miranda Mora, I. S. (2024). Desarrollo de
la conciencia fonológica en los niños de
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
129
educación inicial. Revista Científica
Guacamaya, 8(2), 108-117.
Holmes, W., Bialik, M., & Fadel, C. (2019).
Inteligencia artificial en educación:
Promesas e implicaciones. Center for
Curriculum Redesign.
Labadze, L., Grigolia, M., & Machaidze, L. (2023).
Role of AI chatbots in education:
systematic literature review. International
Journal of Educational Technology in
Higher Education, 20(56).
https://doi.org/10.1186/s41239-023-
00426-1
Luckin, R., Holmes, W., Griffiths, M., & Forcier,
L. B. (2022). Inteligencia artificial en la
educación: El impacto de la IA en el
aprendizaje, la enseñanza y la
administración. Editorial UOC.
Marín, R. D. Z. (2023). Impacto de la inteligencia
artificial en la educación inclusiva: Un
estudio sobre la accesibilidad y la
efectividad de herramientas de aprendizaje
adaptativo para estudiantes con
discapacidad. Revista Multidisciplinar
Ciencia y Descubrimiento, 1(3).
https://doi.org/10.70577/1wv6zn54RCD
Mora, F. (2017). Neuroeducación: solo se puede
aprender aquello que se ama. Alianza
Editorial.
Organización de Estados Iberoamericanos (OEI).
(2023). El futuro de la Inteligencia
Artificial en educación en América Latina.
OEI.
Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura
(UNESCO). (2021). Inteligencia artificial:
guía para las personas a cargo de
formular políticas. UNESCO.
Pérez, M. C., & Rodríguez, J. L. (2019). Estrategias
psicopedagógicas para el desarrollo de la
conciencia fonológica en educación
infantil. Revista Iberoamericana de
Educación, 79(2), 105-122.
https://rieoei.org/RIE/article/view/3269
Reyes, Y., & Sánchez, L. (2020). Neuroeducación
en el aula: principios y aplicaciones para la
primera infancia. Revista Latinoamericana
de Educación Inicial, 4(2), 45-62.
Ruiz, I., Celi, R., Peri, L., Rodriguez Vega, J. L., &
Esteban Espinoza, D. (2024).
Neuroeducación infantil temprana:
integrando la neurociencia al proceso de
aprendizaje en la primera infancia: una
revisión sistemática. Revista EDUCA
UMCH, (23), 78-94.
https://doi.org/10.35756/educaumch.2024
23.310
Serrano, J. L., & Moreno-García, J. (2024).
Inteligencia artificial y personalización del
aprendizaje: ¿innovación educativa o
promesas recicladas? Edutec. Revista
Electrónica de Tecnología Educativa,
(89).
https://doi.org/10.21556/edutec.2024.89.3
577
Teran-Pazmiño, E. M., Cadena-Morales, L. S.,
González-González, L. P., Guamán-
Sánchez, N. J., & León-Flores, M. C.
(2024). Tecnología y Personalización del
Aprendizaje. Retos de la Ciencia, 8(19e).
https://doi.org/10.53877/rc.8.19e.202409.
10
Vargas, N. B. (2020). Dificultades en habilidades
de alfabetización emergente en
preescolares con trastorno específico del
lenguaje. Ocnos: Revista de Estudios sobre
Lectura, 19(2), 17-28.
https://doi.org/10.18239/ocnos_2020.19.2.
2289
DECLARACIÓN DE CONFLICTO DE INTERESES
Los autores declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Buñay Marcatoma, M. B., Yautibug Guacho, L. F., Tenenaula Paza, K., Colcha Gagñay, M. E., &
Curichumbi Quishpe, M. D. (2026)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2026 | vol. 3 | núm. 2 | pág. 117-130
130
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.