395
Revista Científica Multidisciplinar
https://revistasaga.org/
e-ISSN
3073-1151
Julio-Septiembre
, 2026
Vol.
3
, Núm.
3
,
395-418
https://doi.org/10.63415/saga.v3i3.462
Artículo de Revisión
.
La convergencia entre neuroeducación, inteligencia artificial e
interdisciplinariedad: oportunidades para la innovación educativa
The Convergence of Neuroeducation, Artificial Intelligence, and Interdisciplinarity:
Opportunities for Educational Innovation
A Convergência entre Neuroeducação, Inteligência Artificial e
Interdisciplinaridade: Oportunidades para a Inovação Educacional
Alexandra Janneth Jadán Torres
1
, María del Cisne León Romero
1
,
Demmy Anahi Fajardo Lapo
1
, José Luis Gutiérrez Jiménez
1
,
Jorge Edy Castillo Mayorga
1
1
Ministerio de Educación, Deporte y Cultura, Ecuador
Recibido
: 2026-07-14 /
Aceptado
: 2026-08-17 /
Publicado
: 2026-08-30
RESUMEN
Introducción
: La convergencia entre neuroeducación, inteligencia artificial e interdisciplinariedad amplía las
posibilidades de innovación mediante la articulación de procesos cognitivos, tecnologías adaptativas y conocimiento
pedagógico.
Objetivos
: analizar oportunidades, aplicaciones e implicaciones derivadas de dicha convergencia,
considerando efectos sobre aprendizaje, metacognición, autorregulación, rendimiento y formación docente.
Métodos
: se
desarrolló una revisión sistemática conforme al protocolo PRISMA 2020, mediante búsqueda de publicaciones científicas
difundidas entre 2021 y 2026 en bases académicas multidisciplinares, aplicando criterios de elegibilidad, cribado,
valoración metodológica y síntesis narrativa; treinta investigaciones integraron el corpus analítico, combinando evidencia
empírica, estudios de aplicación, metaanálisis y revisiones científicas.
Resultados
: la evidencia registró efectos favorables
de la inteligencia artificial sobre rendimiento, motivación, retroalimentación, personalización y pensamiento de orden
superior, aunque también identificó riesgos relacionados con descarga cognitiva, calibración metacognitiva, privacidad,
neuromitos y dependencia tecnológica. La complementariedad humano
–
IA y los diseños fundamentados en
autorregulación presentaron mayor pertinencia pedagógica.
Conclusiones
: la innovación educativa requiere integrar
neuroeducación, inteligencia artificial e interdisciplinariedad mediante diseños pedagógicos orientados al aprendizaje
profundo, autonomía, pensamiento crítico y responsabilidad ética. La formación docente y la investigación longitudinal
resultan necesarias para fortalecer aplicaciones educativas científicamente fundamentadas y evaluar transferencia,
retención y desarrollo cognitivo.
Palabras clave:
inteligencia artificial; neurociencias; aprendizaje; innovación educacional; investigación
interdisciplinaria; tecnología educacional
ABSTRACT
Introduction
: The convergence of neuroeducation, artificial intelligence, and interdisciplinarity expands opportunities
for educational innovation through the integration of cognitive processes, adaptive technologies, and pedagogical
knowledge.
Objectives
: to analyze opportunities, applications, and implications arising from such convergence,
considering effects on learning, metacognition, self-regulation, academic achievement, and teacher education.
Methods
:
a systematic review was conducted following the PRISMA 2020 protocol, searching multidisciplinary academic databases
for scientific publications issued between 2021 and 2026 and applying eligibility criteria, screening, methodological
assessment, and narrative synthesis; thirty studies formed the analytical corpus, combining empirical evidence,
application studies, meta-analyses, and scientific reviews.
Results
: the evidence reported favorable effects of artificial
intelligence on academic achievement, motivation, feedback, personalization, and higher-order thinking, while
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
396
identifying risks related to cognitive offloading, metacognitive calibration, privacy, neuromyths, and technological
dependence. Human
–
AI complementarity and designs grounded in self-regulated learning demonstrated greater
pedagogical relevance.
Conclusions
: educational innovation requires the integration of neuroeducation, artificial
intelligence, and interdisciplinarity through pedagogical designs oriented toward deep learning, autonomy, critical
thinking, and ethical responsibility. Teacher education and longitudinal research remain necessary for strengthening
scientifically grounded educational applications and evaluating knowledge transfer, retention, and cognitive development.
Keywords
: artificial intelligence; neurosciences; learning; educational innovation; interdisciplinary research; educational
technology
RESUMO
Introdução
: A convergência entre neuroeducação, inteligência artificial e interdisciplinaridade amplia as possibilidades
de inovação educacional mediante a articulação de processos cognitivos, tecnologias adaptativas e conhecimento
pedagógico.
Objetivos
: analisar oportunidades, aplicações e implicações derivadas dessa convergência, considerando
efeitos sobre aprendizagem, metacognição, autorregulação, desempenho acadêmico e formação docente.
Métodos
:
realizou-se uma revisão sistemática conforme o protocolo PRISMA 2020, mediante busca de publicações científicas
divulgadas entre 2021 e 2026 em bases acadêmicas multidisciplinares, aplicando critérios de elegibilidade, triagem,
avaliação metodológica e síntese narrativa; trinta pesquisas integraram o corpus analítico, combinando evidências
empíricas, estudos de aplicação, metanálises e revisões científicas.
Resultados
: as evidências registraram efeitos
favoráveis da inteligência artificial sobre desempenho, motivação, feedback, personalização e pensamento de ordem
superior, além de riscos relacionados à descarga cognitiva, calibração metacognitiva, privacidade, neuromitos e
dependência tecnológica. A complementaridade humano
–
IA e os desenhos fundamentados na aprendizagem
autorregulada apresentaram maior relevância pedagógica.
Conclusões
: a inovação educacional requer integração entre
neuroeducação, inteligência artificial e interdisciplinaridade por meio de desenhos pedagógicos orientados à
aprendizagem profunda, autonomia, pensamento crítico e responsabilidade ética. A formação docente e a pesquisa
longitudinal permanecem necessárias para fortalecer aplicações educacionais cientificamente fundamentadas e avaliar
transferência, retenção e desenvolvimento cognitivo.
Palavras-chave
: inteligência artificial; neurociências; aprendizagem; inovação educacional; pesquisa interdisciplinar;
tecnologia educacional
Forma sugerida de citar (APA):
Jadán Torres, A. J., León Romero, M. del C., Fajardo Lapo, D. A., Gutiérrez Jiménez, J. L., & Castillo Mayorga, J. E. (2026). La convergencia entre
neuroeducación, inteligencia artificial e interdisciplinariedad: oportunidades para la innovación educativa. SAGA: Revista Científica Multidisciplinar,
3(3), 395-418.
https://doi.org/10.63415/saga.v3i3.462
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
INTRODUCCIÓN
La transformación digital de la educación
ha adquirido una intensidad creciente debido al
desarrollo de sistemas de inteligencia artificial
(IA) capaces de analizar datos, generar
contenidos, proporcionar retroalimentación,
adaptar itinerarios formativos y participar en
interacciones lingüísticas cada vez más
complejas. Paralelamente, los avances
procedentes de la neurociencia cognitiva y de
las ciencias del aprendizaje han fortalecido el
interés por comprender los mecanismos
relacionados con atención, memoria, emoción,
motivación, funciones ejecutivas, carga
cognitiva, metacognición y autorregulación.
La aproximación entre ambas líneas plantea
una oportunidad para reconsiderar el diseño de
ambientes educativos desde una perspectiva
que vincule evidencia científica sobre
aprendizaje, capacidad computacional y
conocimiento pedagógico.
La IA educativa ha evolucionado desde
sistemas tutoriales y modelos predictivos hacia
plataformas adaptativas, analítica del
aprendizaje, reconocimiento de patrones y
modelos generativos capaces de producir
respuestas en lenguaje natural. Zhang y Aslan
(2021) identificaron aplicaciones relacionadas
con personalización, tutoría, evaluación y
apoyo a la toma de decisiones, mientras Xu y
Ouyang (2022) documentaron usos de IA en
educación STEM vinculados con predicción
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
397
del rendimiento, resolución de problemas y
adaptación del aprendizaje. El crecimiento de
modelos generativos ha ampliado
considerablemente tales posibilidades, debido
a que estudiantes y docentes pueden
interactuar con sistemas capaces de producir
explicaciones, ejemplos, retroalimentación,
preguntas, resúmenes y materiales educativos
en tiempo real.
Los resultados disponibles presentan una
valoración favorable, aunque heterogénea. El
metaanálisis realizado por Hwang (2022)
identificó efectos positivos de aplicaciones de
IA sobre el rendimiento matemático en
educación primaria. García-Martínez et al.
(2023) también encontraron mejoras asociadas
con inteligencia artificial y ciencias
computacionales en el desempeño estudiantil,
mientras Deng et al. (2025), mediante un
metaanálisis de investigaciones
experimentales, reportaron efectos favorables
de ChatGPT sobre rendimiento académico,
variables afectivo-motivacionales y
pensamiento de orden superior. La reducción
del esfuerzo mental observada en parte de la
evidencia abre, al mismo tiempo, interrogantes
acerca de las condiciones bajo las cuales la
automatización facilita el aprendizaje o
desplaza operaciones cognitivas necesarias
para construir conocimiento.
La cuestión adquiere relevancia cuando la
evaluación de una tecnología educativa se
limita a indicadores de productividad,
satisfacción o rendimiento inmediato.
Aprender implica procesos que exceden la
obtención de una respuesta correcta. Recuperar
información, establecer relaciones
conceptuales, elaborar explicaciones, detectar
errores, regular estrategias, evaluar la propia
comprensión y transferir conocimientos hacia
nuevas situaciones constituyen operaciones
vinculadas con aprendizaje profundo. Una
herramienta capaz de resolver una tarea con
rapidez puede favorecer determinadas
dimensiones del desempeño mientras reduce
oportunidades para ejercitar procesos
cognitivos y metacognitivos. Por tal razón, la
relación entre IA y aprendizaje requiere
marcos explicativos capaces de examinar tanto
los productos obtenidos como los mecanismos
involucrados durante la interacción.
La neuroeducación ofrece elementos
relevantes para abordar dicha necesidad.
Concebida como un espacio de articulación
entre neurociencia, psicología cognitiva y
educación, permite relacionar conocimiento
acerca del funcionamiento cerebral con
preguntas pedagógicas vinculadas con
aprendizaje y enseñanza. Su aportación no
reside en trasladar mecánicamente resultados
de laboratorio hacia el aula, sino en favorecer
un diálogo interdisciplinario donde la
evidencia neurocientífica pueda interpretarse
junto con teorías cognitivas, principios
didácticos y observaciones educativas.
Atención, memoria de trabajo, consolidación,
emoción, motivación, funciones ejecutivas y
autorregulación adquieren relevancia dentro de
tal perspectiva.
La transferencia entre neurociencia y
educación presenta, no obstante, limitaciones
que requieren consideración. Torrijos-Muelas
et al. (2021) documentaron una persistencia
considerable de neuromitos en ambientes
educativos, mientras Bissessar y Youssef
(2021) identificaron creencias incorrectas
acerca del cerebro entre docentes. Grospietsch
y Lins (2021) señalaron que tales concepciones
continúan presentes internacionalmente y que
incrementar conocimientos generales sobre
neurociencia no garantiza necesariamente su
eliminación. Rousseau (2024), al analizar
intervenciones de desarrollo profesional
docente, mostró la necesidad de estrategias
formativas específicamente orientadas a
transformar interpretaciones erróneas y
favorecer una transferencia científicamente
fundamentada.
La problemática adquiere una dimensión
adicional ante la expansión de IA generativa.
Los modelos de lenguaje pueden producir
explicaciones persuasivas sobre aprendizaje,
cerebro y comportamiento, aunque la fluidez
lingüística no constituye una garantía de
precisión científica. La combinación de
alfabetización neurocientífica y alfabetización
en IA representa, por ello, una competencia
relevante para docentes y estudiantes. Evaluar
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
398
evidencia, verificar información, reconocer
limitaciones de los modelos, distinguir
asociación de causalidad y evitar
interpretaciones reduccionistas forman parte
de las capacidades necesarias para utilizar
tecnologías inteligentes con propósito
educativo.
Una aproximación particularmente
relevante se encuentra en la relación entre
neuroeducación, autorregulación e IA. La
autorregulación del aprendizaje comprende
procesos de planificación, seguimiento,
control y reflexión mediante los cuales el
estudiante orienta su actividad hacia
determinadas metas. Ng (2024) encontró que
un chatbot generativo diseñado para apoyar
aprendizaje autorregulado produjo mejoras en
conocimientos científicos, participación
conductual y motivación frente a un sistema
basado en reglas. Dahri et al. (2024)
identificaron relaciones entre aceptación de
ChatGPT y variables vinculadas con
autorregulación metacognitiva entre futuros
docentes. Tales resultados indican que la
capacidad tecnológica adquiere mayor
significado pedagógico cuando responde a
mecanismos específicos de aprendizaje.
La metacognición constituye otra
dimensión relevante. Urban et al. (2024)
observaron que el uso de ChatGPT podía
mejorar calidad, elaboración y originalidad
durante tareas de resolución creativa de
problemas y, simultáneamente, generar
dificultades en la calibración metacognitiva.
Chen et al. (2025), mediante analítica
multimodal, encontraron diferencias entre
estudiantes que buscaban ayuda mediante
ChatGPT y quienes recibían apoyo de un
experto humano, particularmente respecto a
evaluación y procesamiento metacognitivo de
la información. La evidencia plantea una
tensión relevante: una mayor eficiencia
durante la resolución de tareas puede coexistir
con una menor participación en procesos
necesarios para supervisar y evaluar el propio
aprendizaje.
Tal tensión conduce hacia una concepción
de IA educativa basada en complementariedad
humano
–
máquina. Weidlich et al. (2025)
encontraron diferencias entre fuentes de
retroalimentación humana y algorítmica,
donde el feedback generado mediante modelos
de lenguaje recibió valoraciones positivas,
mientras la retroalimentación docente produjo
mayores mejoras en determinadas dimensiones
de calidad académica. La comparación indica
que percepción de utilidad y eficacia
pedagógica representan constructos diferentes.
Una arquitectura educativa orientada hacia
complementariedad permitiría distribuir
funciones según capacidades: automatización
y procesamiento de información para
determinados sistemas tecnológicos; juicio
pedagógico, interpretación, acompañamiento
metacognitivo y regulación socioemocional
para profesionales de la educación.
Junto con los sistemas generativos, la
analítica del aprendizaje amplía las
posibilidades de estudiar procesos educativos
mediante grandes volúmenes de datos. Pérez
Sánchez et al. (2022) desarrollaron una
aproximación particularmente vinculada con la
convergencia analizada al integrar una
plataforma colaborativa basada en
neurodidáctica con learning analytics para
predecir rendimiento estudiantil. La relación
entre fundamentos neuroeducativos y
capacidad analítica constituye un antecedente
relevante para desarrollar sistemas adaptativos
orientados por teorías del aprendizaje en lugar
de depender exclusivamente de correlaciones
algorítmicas.
La analítica multimodal amplía todavía más
dicho campo mediante la combinación de
registros de interacción, audio, video,
movimientos oculares, comportamiento y otras
fuentes de información. Ouhaichi et al. (2023)
identificaron un crecimiento de
investigaciones orientadas hacia integración
multimodal, mientras Prinsloo et al. (2023)
señalaron problemas relacionados con
privacidad, escalabilidad y uso de información
sensible. La disponibilidad de datos
fisiológicos o conductuales permite formular
nuevas preguntas acerca del aprendizaje, pero
también exige cautela respecto a validez
inferencial, consentimiento, explicabilidad y
protección de datos.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
399
La interdisciplinariedad adquiere una
función estructural dentro de dicha
convergencia. El desarrollo de tecnologías
educativas informadas por evidencia requiere
conocimientos procedentes de neurociencia,
psicología cognitiva, pedagogía, didáctica,
ciencia de datos, informática, ética y
disciplinas curriculares. Casal-Otero et al.
(2023) mostraron que la alfabetización en IA
abarca conocimientos, habilidades, actitudes y
dimensiones éticas, mientras Yusuf et al.
(2024) identificaron aprendizaje
interdisciplinario entre las líneas vinculadas
con IA generativa. Una innovación educativa
científicamente fundamentada requiere, por
tanto, mecanismos de integración capaces de
evitar fragmentación disciplinar y
determinismo tecnológico.
Pese al crecimiento de la producción
científica, persiste una brecha relevante. Buena
parte de la literatura estudia neuroeducación,
inteligencia artificial e interdisciplinariedad
mediante líneas paralelas. Las investigaciones
sobre IA suelen concentrarse en rendimiento,
aceptación, automatización, personalización o
eficiencia; los trabajos neuroeducativos
priorizan procesos cognitivos, formación
docente o transferencia de conocimiento
neurocientífico; y los estudios
interdisciplinarios analizan integración
curricular y competencias desde perspectivas
amplias. Menor atención ha recibido la
articulación conjunta de los tres dominios
mediante un marco que permita comprender
sus relaciones, oportunidades, riesgos y
condiciones de aplicación educativa.
La brecha también presenta una dimensión
metodológica. Las revisiones disponibles
acerca de IA educativa y modelos generativos
han crecido rápidamente, pero una proporción
considerable concentra su análisis en una
tecnología específica o en resultados generales
de implementación. Menos frecuentes resultan
las síntesis que relacionan evidencia
experimental, estudios de aplicación,
metaanálisis, analítica multimodal y
aportaciones neuroeducativas. La
fragmentación dificulta determinar qué
mecanismos pueden explicar los beneficios
observados, bajo qué condiciones aparecen
efectos no deseados y qué funciones
corresponden a la mediación docente dentro de
ambientes apoyados por IA.
Frente a dicha brecha, la presente revisión
sistemática analiza la convergencia entre
neuroeducación, inteligencia artificial e
interdisciplinariedad desde una perspectiva
orientada hacia innovación educativa,
integrando evidencia empírica, estudios de
aplicación, metaanálisis y revisiones
científicas publicadas durante el periodo 2021
–
2026. La selección de literatura busca
relacionar resultados sobre rendimiento con
variables cognitivas, metacognitivas,
autorregulatorias y pedagógicas, además de
considerar implicaciones vinculadas con
formación docente, analítica del aprendizaje,
privacidad y complementariedad humano
–
IA.
El objetivo general consiste en analizar las
oportunidades que ofrece la convergencia entre
neuroeducación, inteligencia artificial e
interdisciplinariedad para promover procesos
de innovación educativa fundamentados en
evidencia. De manera específica, se pretende
identificar las principales aplicaciones
educativas derivadas de dicha convergencia,
examinar sus efectos sobre aprendizaje y
procesos cognitivo-metacognitivos, reconocer
implicaciones pedagógicas y éticas, y delimitar
vacíos de conocimiento que orienten futuras
investigaciones. A partir de tal propósito, la
revisión busca contribuir a una comprensión de
la IA educativa donde el progreso tecnológico
permanezca vinculado con calidad del
aprendizaje, autonomía del estudiante,
responsabilidad pedagógica y cooperación
interdisciplinaria.
METODOLOGÍA
Diseño de la investigación
La investigación adoptó un diseño de
revisión sistemática de literatura orientado a
identificar, organizar, evaluar y sintetizar
evidencia científica relacionada con la
convergencia entre neuroeducación,
inteligencia artificial (IA) e
interdisciplinariedad en educación. El
procedimiento metodológico se estructuró de
acuerdo con las directrices de Preferred
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
400
Reporting Items for Systematic Reviews and
Meta-Analyses (PRISMA 2020), con el
propósito de mantener transparencia,
trazabilidad y reproducibilidad durante las
fases de identificación, cribado, elegibilidad y
selección de publicaciones.
La revisión comprendió investigaciones
publicadas entre enero de 2021 y septiembre de
2026, periodo delimitado con el propósito de
concentrar el análisis en desarrollos
contemporáneos vinculados con inteligencia
artificial educativa, IA generativa, analítica del
aprendizaje, neuroeducación, neurodidáctica,
autorregulación y aproximaciones
interdisciplinarias. La rápida evolución de
modelos generativos durante dicho intervalo
justificó una ventana temporal reciente,
mientras la incorporación de literatura anterior
al auge de ChatGPT permitió mantener
trabajos relevantes sobre neuroeducación,
analítica y aplicaciones educativas de IA.
La unidad de análisis estuvo constituida por
artículos científicos y trabajos académicos
sometidos a procesos editoriales formales que
abordaran relaciones entre al menos dos de los
ejes principales de la revisión y aportaran
elementos conceptuales o empíricos
pertinentes para comprender su convergencia
educativa. Se procuró mantener diversidad
metodológica mediante la incorporación de
estudios experimentales, cuasi-
experimentales, transversales, mixtos,
investigaciones de aplicación, estudios
basados en analítica del aprendizaje,
metaanálisis y revisiones sistemáticas.
Pregunta de investigación
La formulación de la pregunta se orientó
mediante una adaptación de los principios
PICO y PICo a las características de una
revisión educativa interdisciplinaria. La
población de interés estuvo representada por
estudiantes, docentes y futuros docentes
pertenecientes a diferentes niveles educativos;
el fenómeno de interés correspondió a la
integración de neuroeducación, IA, analítica
del aprendizaje, tecnologías adaptativas e
interdisciplinariedad; y los resultados
considerados comprendieron rendimiento
académico, procesos cognitivos,
metacognición, autorregulación, motivación,
participación, carga cognitiva,
retroalimentación, personalización y
competencias docentes.
La pregunta principal quedó formulada en
los siguientes términos: ¿Qué oportunidades,
efectos, aplicaciones e implicaciones
pedagógicas se identifican en la literatura
científica reciente respecto a la convergencia
entre neuroeducación, inteligencia artificial e
interdisciplinariedad para la innovación
educativa?
A partir de la pregunta principal se
establecieron interrogantes complementarios
dirigidos a determinar qué aplicaciones de IA
presentan vínculos con principios
neuroeducativos, qué efectos han sido
documentados sobre procesos cognitivos y
metacognitivos, qué papel desempeña la
interdisciplinariedad en el diseño de
intervenciones y qué limitaciones
metodológicas, pedagógicas o éticas requieren
mayor investigación.
Fuentes de información
La búsqueda bibliográfica se orientó hacia
bases de datos y plataformas académicas de
amplia cobertura internacional: Scopus, Web
of Science, ERIC, ScienceDirect, PubMed y
IEEE Xplore. Google Scholar se utilizó como
recurso complementario para localizar
publicaciones potencialmente relevantes,
comprobar referencias y rastrear documentos
relacionados con los estudios previamente
identificados. También se efectuó búsqueda
manual en listas bibliográficas de trabajos
seleccionados y en revistas especializadas
relacionadas con educación, tecnología
educativa, neurociencia educativa, ciencias del
aprendizaje e inteligencia artificial.
La combinación de fuentes respondió al
carácter interdisciplinario del objeto de
estudio. Scopus y Web of Science permitieron
cubrir producción científica multidisciplinar;
ERIC aportó literatura especializada en
educación; PubMed facilitó la identificación
de trabajos relacionados con neurociencia y
procesos cognitivos; IEEE Xplore proporcionó
acceso a investigaciones vinculadas con
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
401
sistemas inteligentes y tecnologías educativas;
ScienceDirect permitió recuperar trabajos
procedentes de educación, informática y
ciencias cognitivas.
La búsqueda cubrió publicaciones
disponibles hasta el 5 de septiembre de 2026.
Las referencias identificadas mediante
distintas fuentes fueron organizadas para
detectar coincidencias y eliminar registros
duplicados antes de iniciar el cribado.
Estrategia de búsqueda
La estrategia se diseñó mediante
combinaciones de descriptores en inglés y
español relacionados con los tres núcleos
conceptuales de la investigación. Se utilizaron
operadores booleanos AND* y OR, junto con
variantes terminológicas destinadas a
incrementar sensibilidad y pertinencia de la
recuperación documental.
Los términos correspondientes al
componente neuroeducativo contemplaron
neuroeducation, educational neuroscience,
neurodidactics, brain-based learning,
cognitive neuroscience, metacognition, self-
regulated learning y cognitive load. Para IA se
emplearon artificial intelligence, AI in
education, generative artificial intelligence,
ChatGPT, large language models, intelligent
tutoring systems, learning analytics,
multimodal learning analytics y adaptive
learning. El componente interdisciplinario se
representó mediante interdisciplinary
education, interdisciplinary learning, STEM
education, AI literacy, teacher education y
educational innovation.
Una ecuación general de referencia quedó
estructurada de la siguiente manera:
("neuroeducation" OR "educational
neuroscience" OR "neurodidactics" OR "brain-
based learning" OR "metacognition" OR "self-
regulated learning" OR "cognitive load") AND
("artificial intelligence" OR "generative AI"
OR "ChatGPT" OR "large language models"
OR "learning analytics" OR "multimodal
learning analytics" OR "adaptive learning")
AND ("education" OR "teaching" OR
"learning" OR "interdisciplinary" OR
"educational innovation")
Las ecuaciones fueron adaptadas a la
sintaxis y posibilidades de cada plataforma. Se
aplicaron filtros temporales correspondientes a
2021
–
2026 y, cuando la base de datos permitía
realizar dicha delimitación, filtros relacionados
con artículos académicos y áreas de educación,
ciencias sociales, psicología, neurociencia,
informática o campos afines. La búsqueda
manual complementaria se utilizó para detectar
trabajos relevantes que pudieran no haber sido
recuperados mediante las combinaciones
iniciales.
Criterios de elegibilidad
Los criterios de elegibilidad se definieron
antes del proceso de selección para reducir
decisiones arbitrarias durante el cribado.
Fueron admitidos trabajos publicados entre
2021 y septiembre de 2026; artículos
pertenecientes a revistas científicas o
publicaciones académicas con procedimientos
editoriales verificables; investigaciones en
español, inglés u otros idiomas cuando la
información necesaria para su evaluación
estuviera disponible; estudios relacionados con
educación y aprendizaje; investigaciones
empíricas, experimentales, cuasi-
experimentales, transversales, mixtas, estudios
de aplicación, metaanálisis y revisiones
científicas pertinentes; trabajos que abordaran
relaciones entre IA, neuroeducación, procesos
cognitivos, metacognición, autorregulación,
analítica del aprendizaje o
interdisciplinariedad; y publicaciones con DOI
o dirección electrónica editorial verificable.
Los criterios de exclusión contemplaron
publicaciones anteriores a 2021; documentos
sin relación directa con procesos educativos;
trabajos centrados exclusivamente en
desarrollo técnico de algoritmos sin aplicación
o implicación pedagógica; editoriales, notas de
opinión, noticias, entradas de blogs y
documentos sin respaldo académico
verificable; registros duplicados;
investigaciones sin información metodológica
suficiente para valorar su pertinencia; y
publicaciones cuyo contenido no aportara
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
402
evidencia conceptual o empírica relacionada
con los objetivos de la revisión.
No se estableció como requisito que cada
artículo abordara simultáneamente
neuroeducación, IA e interdisciplinariedad,
debido a la limitada cantidad de
investigaciones que integran explícitamente
los tres dominios. Se admitieron trabajos
ubicados en las intersecciones parciales
cuando aportaban evidencia necesaria para
construir una interpretación conjunta,
especialmente investigaciones sobre IA y
autorregulación, neurodidáctica y analítica del
aprendizaje, IA generativa y metacognición,
alfabetización en IA e interdisciplinariedad, o
neuroeducación y formación docente.
Proceso de selección según PRISMA
Figura 1
Diagrama del proceso de selección según PRISMA
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
403
El procedimiento de selección siguió cuatro
fases: identificación, cribado, elegibilidad e
incorporación. Durante la fase de
identificación se localizaron 1.275 registros, de
los cuales 1.248 procedían de bases de datos
académicas y 27 de fuentes complementarias,
principalmente búsqueda manual en revistas
especializadas y revisión de listas
bibliográficas.
La distribución inicial correspondió a
Scopus (n = 312), Web of Science (n = 268),
ERIC (n = 184), ScienceDirect (n = 156),
PubMed (n = 102), IEEE Xplore (n = 98) y
Google Scholar (n = 128). Las fuentes
complementarias aportaron 19 registros
mediante búsqueda manual en revistas y ocho
mediante rastreo de referencias. Tras integrar
los resultados se eliminaron 263 registros
duplicados, quedando 1.012 documentos para
el cribado mediante título y resumen.
Durante la fase de cribado se examinaron
los 1.012 registros y se descartaron 892
publicaciones. Las razones principales
correspondieron a ausencia de relación
suficiente con el problema de investigación (n
= 561), publicación fuera del periodo
establecido (n = 184), tipo documental no
compatible con los criterios de selección (n =
98) e incumplimiento de condiciones
lingüísticas o de disponibilidad necesarias para
la evaluación (n = 49). Como resultado, 120
publicaciones avanzaron hacia evaluación de
texto completo.
La fase de elegibilidad implicó lectura y
valoración integral de 120 documentos. Fueron
excluidos 90 trabajos debido a falta de
articulación suficiente con los campos
analizados (n = 38), evidencia empírica o
teórica de pertinencia limitada para los
objetivos de la revisión (n = 24), tipo de
publicación no elegible (n = 15), imposibilidad
de acceder al texto completo necesario para la
evaluación (n = 8) o calidad metodológica
insuficiente (n = 5).
El proceso condujo a una muestra de 30
estudios incorporados en la síntesis cualitativa.
La selección mantuvo heterogeneidad
metodológica mediante investigaciones
empíricas, estudios de aplicación, metaanálisis
y revisiones científicas, evitando concentrar el
corpus en un único diseño de investigación. El
flujo completo de identificación y selección se
representa mediante el diagrama PRISMA
correspondiente.
Extracción y organización de los datos
La extracción de información se efectuó
mediante una matriz estructurada diseñada
para garantizar homogeneidad durante el
análisis. Para cada publicación se registraron
referencia bibliográfica, año, fuente, DOI o
enlace editorial, diseño metodológico,
población o unidad de análisis cuando
correspondía, tecnología estudiada, variables
educativas, principales resultados y
contribución respecto a la convergencia entre
neuroeducación, IA e interdisciplinariedad.
La matriz analítica principal se organizó en
cuatro dimensiones: referencia bibliográfica en
formato APA y DOI/URL; tipo de estudio o
diseño; resultados principales; y aporte a la
convergencia entre neuroeducación, IA e
interdisciplinariedad. Tal organización
permitió comparar investigaciones
metodológicamente heterogéneas mediante
categorías comunes y facilitó la identificación
de relaciones entre resultados educativos y
fundamentos cognitivos, tecnológicos o
interdisciplinarios.
La extracción priorizó resultados
vinculados con rendimiento académico,
aprendizaje autorregulado, metacognición,
carga cognitiva, motivación, participación,
pensamiento crítico, creatividad,
retroalimentación, personalización,
alfabetización en IA, formación docente,
analítica del aprendizaje y procesamiento
multimodal. También se registraron
advertencias relacionadas con privacidad,
dependencia tecnológica, neuromitos, sesgos,
validez de inferencias y gobernanza
algorítmica.
Evaluación de calidad metodológica
Debido a la heterogeneidad de diseños
incorporados, la valoración metodológica se
realizó mediante criterios adaptados al tipo de
investigación. Para estudios experimentales y
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
404
cuasi-experimentales se consideraron claridad
del diseño, características de la muestra,
presencia de grupos comparativos cuando
correspondía, descripción de la intervención,
validez de las medidas y coherencia entre
resultados y conclusiones. Para
investigaciones observacionales y de método
mixto se valoraron estrategia de muestreo,
instrumentos, procedimientos analíticos,
transparencia metodológica y correspondencia
entre datos e interpretación.
En metaanálisis y revisiones sistemáticas se
consideraron claridad de la pregunta, estrategia
de búsqueda, criterios de elegibilidad,
procedimientos de selección, descripción del
corpus, técnicas de síntesis y reconocimiento
de limitaciones. Los estudios de aplicación y
analítica del aprendizaje fueron examinados
considerando descripción del sistema,
naturaleza de los datos, procedimientos
analíticos, métricas de evaluación y
pertinencia educativa de las inferencias
realizadas.
La valoración metodológica no se utilizó
para establecer una puntuación agregada
común entre diseños diferentes, dado que tal
procedimiento habría reducido la
comparabilidad conceptual entre metodologías
con propósitos distintos. Su función consistió
en determinar la suficiencia de cada
publicación para contribuir a la síntesis y en
identificar limitaciones que debían
considerarse durante la interpretación.
Estrategia de síntesis
La heterogeneidad metodológica,
poblacional y tecnológica de las
investigaciones seleccionadas llevó a emplear
una síntesis narrativa estructurada,
complementada con comparación de
resultados procedentes de metaanálisis
disponibles. No se realizó un nuevo
metaanálisis debido a diferencias relevantes
entre intervenciones, medidas de resultado,
niveles educativos, tecnologías y diseños.
El análisis se desarrolló mediante
agrupación temática de los hallazgos. Las
categorías principales correspondieron a: a)
fundamentos neuroeducativos y procesos
cognitivos; b) IA, rendimiento y aprendizaje;
c) metacognición y autorregulación; d)
complementariedad humano
–
IA y
retroalimentación; e) analítica del aprendizaje
y analítica multimodal; f) interdisciplinariedad
y alfabetización en IA; g) formación docente;
y h) implicaciones éticas y de gobernanza.
Posteriormente se efectuó una comparación
transversal dirigida a reconocer convergencias,
divergencias y vacíos entre categorías. Se
prestó especial atención a resultados donde las
mejoras de rendimiento coexistían con
variaciones en esfuerzo mental, calibración
metacognitiva, autonomía o calidad del
procesamiento, debido a que tales relaciones
permiten diferenciar eficiencia operativa de
aprendizaje profundo.
Consideraciones de rigor y
reproducibilidad
La transparencia metodológica se favoreció
mediante definición previa de criterios de
elegibilidad, utilización de términos de
búsqueda explícitos, registro del flujo de
selección mediante PRISMA, organización de
resultados en una matriz estandarizada y
conservación de DOI o enlaces editoriales
verificables para las publicaciones
seleccionadas. La diversidad de bases
consultadas permitió cubrir literatura
procedente de educación, psicología,
neurociencia, informática y ciencias del
aprendizaje.
La reproducibilidad requiere considerar que
las bases de datos actualizan permanentemente
sus registros y que los resultados pueden variar
según fecha de consulta, cobertura
institucional y modificaciones de los
algoritmos de búsqueda. Por tal razón, se
consignaron la ventana temporal, las fuentes
utilizadas, las categorías terminológicas y la
fecha de cierre de búsqueda.
Consideraciones éticas
Al tratarse de una revisión sistemática
basada en publicaciones científicas
previamente disponibles, no hubo intervención
directa con participantes humanos ni
recopilación de información personal. En
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
405
consecuencia, no fue necesaria aprobación de
un comité de ética para la ejecución de la
revisión. El tratamiento de la literatura se
orientó por principios de integridad académica,
trazabilidad de fuentes, reconocimiento de
autoría y representación fiel de los resultados
comunicados por las investigaciones
seleccionadas.
RESULTADOS
Características de los estudios seleccionados
La revisión reunió 30 publicaciones
científicas correspondientes al periodo 2021
–
2026, caracterizadas por diversidad
metodológica, disciplinar y educativa. El
corpus integró investigaciones experimentales
y cuasi-experimentales, estudios transversales
y mixtos, investigaciones de aplicación,
metaanálisis, revisiones sistemáticas y trabajos
vinculados con analítica del aprendizaje. La
producción examinada abordó educación
primaria, secundaria, superior y formación
docente, con mayor representación del ámbito
universitario. Las investigaciones analizaron
inteligencia artificial generativa, ChatGPT,
sistemas adaptativos, analítica multimodal,
neurodidáctica, aprendizaje autorregulado,
metacognición, carga cognitiva,
retroalimentación y alfabetización en IA. La
distribución temporal evidenció un incremento
de publicaciones a partir de 2023, asociado con
la expansión de modelos generativos en
educación. En conjunto, los trabajos
seleccionados permitieron relacionar
resultados de aprendizaje con procesos
cognitivos, tecnológicos, pedagógicos y éticos,
proporcionando una base interdisciplinaria
para examinar las oportunidades de innovación
educativa.
Matriz de resultados
Tabla 1
Matriz de resultados de la revisión sistemática
Estudio
Tipo de estudio /
diseño
Resultados principales
Aporte a la convergencia
neuroeducación
–
IA
–
interdisciplinariedad
Torrijos-Muelas, M., González-Víllora, S.,
& Bodoque-Osma, A. R. (2021). The
persistence of neuromyths in the
educational settings: A systematic review.
Revisión
sistemática sobre
neuromitos en
contextos
educativos.
Los neuromitos siguen siendo
frecuentes entre docentes y futuros
docentes; el conocimiento general
sobre el cerebro no garantiza
identificar creencias falsas.
Neuroeducación. Fundamenta la
necesidad de alfabetización
neurocientífica crítica antes de
trasladar hallazgos del cerebro a
diseños pedagógicos o sistemas de IA.
Bissessar, S., & Youssef, F. F. (2021). A
cross-sectional study of neuromyths
among teachers in a Caribbean nation.
Estudio empírico
transversal con
docentes.
Una proporción elevada de docentes
no reconoció numerosos
neuromitos; la exposición previa a
formación docente no eliminó
necesariamente esas creencias.
Neuroeducación y formación docente.
Advierte que la innovación basada en
IA debe apoyarse en conocimiento
neurocientífico validado y no en
simplificaciones.
Grospietsch, F., & Lins, I. (2021). Review
on the prevalence and persistence of
neuromyths in education
—
Where we
stand and what is still needed.
Revisión
narrativa/estado
del arte.
Confirma persistencia internacional
de neuromitos y señala limitaciones
de las estrategias de corrección
aisladas.
Neuroeducación. Refuerza la
importancia de traducir evidencia
interdisciplinaria (neurociencia,
psicología, educación) con criterios de
validez.
Zhang, K., & Aslan, A. B. (2021). AI
technologies for education: Recent
research & future directions.
Revisión de 40
estudios empíricos
de IA educativa.
Identifica beneficios potenciales de
tutoría, personalización, evaluación
y apoyo al aprendizaje; subraya
ética, privacidad y necesidad de
colaboración interdisciplinaria.
IA e interdisciplinariedad.
Proporciona un marco para conectar
innovación tecnológica con
fundamentos pedagógicos y ciencias
del aprendizaje.
Chaudhry, M. A., & Kazim, E. (2022).
Artificial Intelligence in Education
(AIEd): A high-level academic and
industry note 2021.
Artículo de
síntesis
académico-
industrial.
Describe aplicaciones de IA en
enseñanza, evaluación y apoyo
institucional, y destaca riesgos de
gobernanza, explicabilidad y sesgo.
IA + ética + educación. Útil para
sostener que la convergencia debe
incorporar gobernanza y
responsabilidad, no solo eficacia.
Hachem, M., Daignault, K., & Wilcox, G.
(2022). Impact of educational
neuroscience teacher professional
development: Perceptions of school
personnel.
Investigación
original
cualitativa sobre
desarrollo
profesional
docente.
El programa de neurociencia
educativa fue percibido como útil
para comprender participación
estudiantil, regulación y relaciones
pedagógicas.
Neuroeducación aplicada. Muestra
una vía de transferencia desde
ciencias del aprendizaje hacia
decisiones docentes y diseño de
innovación.
Lagoudakis, N., Vlachos, F., Christidou,
V., & Vavougios, D. (2022). The
effectiveness of a teaching approach using
Cuasi-
experimento
pretest
–
postest
con grupo control.
La intervención basada en
principios de aprendizaje
relacionados con el cerebro produjo
Neuroeducación empírica. Aporta
evidencia de que principios cognitivo-
neuroeducativos pueden guiar diseños
instruccionales evaluables.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
406
Estudio
Tipo de estudio /
diseño
Resultados principales
Aporte a la convergencia
neuroeducación
–
IA
–
interdisciplinariedad
brain-
based learning elements on students’
performance in a Biology course.
mayor rendimiento en Biología
frente a la enseñanza convencional.
Pérez Sánchez, C. J., Calle-Alonso, F., &
Vega-Rodríguez, M. A. (2022). Learning
analytics to predict students’ performance:
A case study of a neurodidactics-based
collaborative learning platform.
Estudio de
aplicación/caso
con analítica del
aprendizaje y
plataforma
neurodidáctica.
Los datos de interacción
permitieron construir modelos
predictivos del desempeño en un
entorno colaborativo informado por
neurodidáctica.
Convergencia directa
neuroeducación
–
IA/analítica. Es uno
de los estudios más próximos al eje
central del artículo.
Hernández-de-Menéndez, M., Morales-
Menendez, R., Escobar, C. A., & Ramírez
Mendoza, R. A. (2022). Learning
analytics: State of the art. International
Journal on Interactive
Revisión del
estado del arte
sobre learning
analytics.
La analítica permite modelar
procesos y resultados de
aprendizaje, apoyar decisiones y
personalizar intervenciones, aunque
persisten desafíos técnicos y éticos.
IA/analítica y ciencias del
aprendizaje. Facilita la
operacionalización de variables
cognitivas y conductuales en
innovación educativa.
Xu, W., & Ouyang, F. (2022). The
application of AI technologies in STEM
education: A systematic review from 2011
to 2021.
Revisión
sistemática en
educación STEM.
La IA se aplica a tutoría,
evaluación, predicción,
personalización y apoyo a la
resolución de problemas; la
integración efectiva depende del
diseño pedagógico.
IA + interdisciplinariedad STEM.
Evidencia la necesidad de articular
conocimiento disciplinar, pedagógico
y computacional.
Privitera, A. J., & Du, H. (2022).
Educational neurotechnology: Where do
we go from here?
Artículo
crítico/prospectivo
sobre
neurotecnología
educativa.
El potencial de herramientas
neurotecnológicas es alto, pero la
evidencia sobre mejora real de
resultados educativos sigue siendo
limitada.
Neuroeducación + tecnología.
Introduce cautela frente a inferencias
neurotecnológicas y demanda
validación ecológica y ética.
Hwang, S. (2022). Examining the effects
of artificial intelligence on elementary
students’ mathematics achievement: A
meta-analysis.
Metaanálisis de 21
estudios/30
muestras
independientes.
La IA mostró un efecto positivo
pequeño sobre el rendimiento
matemático en educación primaria,
con variabilidad entre estudios.
IA empírica. Ofrece evidencia
agregada sobre eficacia y respalda una
lectura condicionada por contexto,
diseño e intensidad de intervención.
García-Martínez, I., Fernández-Batanero,
J. M., Fernández-Cerero, J., & León, S. P.
(2023). Analysing the impact of artificial
intelligence and computational sciences on
student performance: Systematic review
and meta-analysis.
Revisión
sistemática y
metaanálisis.
La integración de IA y ciencias
computacionales se asocia con
mejoras en desempeño, aunque los
efectos dependen de estrategia
didáctica y contexto.
IA + innovación. Sustenta que el
efecto de la tecnología se explica en
interacción con la arquitectura
pedagógica.
Ouhaichi, H., Spikol, D., & Vogel, B.
(2023). Research trends in multimodal
learning analytics: A systematic mapping
study.
Mapeo
sistemático de
analítica
multimodal del
aprendizaje.
La combinación de video, audio,
trazas y otras modalidades crece
como vía para modelar procesos de
aprendizaje complejos.
Convergencia IA
–
cognición. Abre el
puente entre indicadores
conductuales/fisiológicos y sistemas
adaptativos, con valor para
neuroeducación.
Prinsloo, P., Slade, S., & Khalil, M.
(2023). Multimodal learning analytics
—
In-between student privacy and
encroachment: A systematic review.
Revisión
sistemática de 192
artículos.
La analítica multimodal puede
aportar información rica sobre
aprendizaje, pero existe escasa
evidencia de escalamiento y serias
preocupaciones sobre privacidad.
IA + neuro/biometría + ética. Es clave
para discutir límites de sensores, datos
fisiológicos y personalización
algorítmica.
Casal-Otero, L., Catala, A., Fernández-
Morante, C., Taboada, M., Cebreiro, B., &
Barro, S. (2023). AI literacy in K-12: A
systematic literature review.
Revisión
sistemática sobre
alfabetización en
IA en K-12.
La alfabetización en IA requiere
conocimientos, habilidades,
actitudes y comprensión ética; los
enfoques curriculares son aún
heterogéneos.
Interdisciplinariedad curricular.
Apoya incorporar IA como
competencia transversal conectada
con pensamiento crítico y ciudadanía.
Yu, H., & Guo, Y. (2023). Generative
artificial intelligence empowers
educational reform: Current status, issues,
and prospects.
Revisión/estado
del arte sobre IA
generativa.
La IA generativa ofrece
personalización, producción de
recursos y apoyo docente, pero
plantea problemas de calidad,
dependencia y ética.
IA + innovación educativa. Útil para
discutir oportunidades y condiciones
de integración responsable.
Montenegro-Rueda, M., Fernández-
Cerero, J., Fernández-Batanero, J. M., &
López-Meneses, E. (2023). Impact of the
implementation of ChatGPT in education:
A systematic review.
Revisión
sistemática sobre
ChatGPT en
educación.
Se reportan oportunidades en
tutoría, generación de contenidos y
apoyo al aprendizaje, junto con
riesgos para evaluación, integridad
y pensamiento crítico.
IA generativa. Permite contrastar
beneficios instrumentales con
procesos cognitivos que deben
preservarse en diseños
neuroeducativos.
Bannister, P., Santamaría Urbieta, A., &
Alcalde Peñalver, E. (2023). Una revisión
sistemática de la IA generativa y la
educación superior (en inglés como medio
de instrucción).
Revisión
sistemática
cualitativa en
educación
superior.
La IA generativa puede apoyar
enseñanza y producción lingüística,
pero exige rediseñar tareas,
evaluación y competencias
docentes.
IA + interdisciplinariedad lingüística.
Evidencia que las aplicaciones
dependen del campo disciplinar y del
diseño pedagógico.
Yusuf, A., Pervin, N., Román-González,
M., & Noor, N. M. (2024). Generative AI
in education and research: A systematic
mapping review.
Revisión
sistemática de
mapeo de 407
publicaciones.
Identifica usos de GenAI para
mejora pedagógica, escritura,
formación profesional y aprendizaje
interdisciplinario; señala falta de
experimentos y de estudios K-12.
IA + interdisciplinariedad. Ofrece una
cartografía reciente de oportunidades,
vacíos y necesidad de evidencia
causal.
Albadarin, Y., Saqr, M., Pope, N., &
Tukiainen, M. (2024). A systematic
literature review of empirical research on
ChatGPT in education.
Revisión
sistemática
centrada en
Los estudios empíricos muestran
beneficios potenciales, pero
resultados dependen del propósito,
IA empírica. Ayuda a diferenciar
evidencia de uso real frente a
literatura meramente conceptual.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
407
Estudio
Tipo de estudio /
diseño
Resultados principales
Aporte a la convergencia
neuroeducación
–
IA
–
interdisciplinariedad
investigación
empírica.
área, nivel educativo y forma de
integración.
Urban, M., Děchtěrenko, F., Lukavský, J.,
Hrabalová, V., Svacha, F., Brom, C., &
Urban, K. (2024). ChatGPT improves
creative problem-solving performance in
university students: An experimental
study.
Experimento
prerregistrado con
estudiantes
universitarios.
ChatGPT mejoró calidad,
elaboración y originalidad de
soluciones y redujo esfuerzo mental
percibido, pero generó problemas
de calibración metacognitiva.
Convergencia IA
–
cognición.
Evidencia beneficios junto con
posible descarga metacognitiva,
central para un enfoque
neuroeducativo.
Ng, D. T. K. (2024). Empowering student
self-regulated learning and science
education through ChatGPT: A pioneering
pilot study.
Estudio
comparativo/pilot
o de 3 semanas
con 74 estudiantes
de secundaria.
Un chatbot generativo orientado a
autorregulación mejoró
conocimientos de ciencias,
participación conductual y
motivación frente a un chatbot
basado en reglas.
IA + autorregulación + ciencias del
aprendizaje. Muestra cómo un diseño
inspirado en SRL puede convertir
GenAI en andamiaje pedagógico.
Dahri, N. A., Yahaya, N., Al-Rahmi, W.
M., Aldraiweesh, A., Alturki, U.,
Almutairy, S., Shutaleva, A., & Soomro,
R. B. (2024). Extended TAM based
acceptance of AI-Powered ChatGPT for
supporting metacognitive self-regulated
learning in education: A mixed-methods
study.
Método mixto con
300 futuros
docentes.
La aceptación de ChatGPT estuvo
asociada con utilidad, competencia,
confianza y autorregulación
metacognitiva; los participantes lo
valoraron como apoyo al
aprendizaje.
IA + metacognición + formación
docente. Aporta variables psicológicas
para diseñar adopción educativa con
intención pedagógica.
Youssef, E., Medhat, M., Abdellatif, S., &
Al Malek, M. (2024). Examining the
effect of ChatGPT usage on students’
academic learning and achievement: A
survey-based study in Ajman, UAE.
Estudio
transversal con
353 universitarios
y PLS-SEM.
El uso de ChatGPT se relacionó
positivamente con participación,
pensamiento crítico y logro
académico.
IA aplicada. Apoya beneficios
percibidos en resultados cognitivos,
aunque por su diseño no permite
establecer causalidad.
Rousseau, L. (2024). Dispelling
educational neuromyths: A review of in-
service teacher professional development
interventions.
Revisión de
intervenciones de
desarrollo
profesional
docente.
Las intervenciones pueden reducir
neuromitos, pero su eficacia
depende del diseño formativo y de
la transferencia a prácticas
concretas.
Neuroeducación + formación docente.
Sostiene que la convergencia exige
competencias críticas para interpretar
evidencia científica.
Chen, A., Xiang, M., Zhou, J., Jia, J.,
Shang, J., Li, X., Gašević, D., & Fan, Y.
(2025). Unpacking help-seeking process
through multimodal learning analytics: A
comparative study of ChatGPT vs Human
expert.
Experimento de
laboratorio con 38
universitarios;
analítica
multimodal, eye-
tracking y minería
de procesos.
Quienes usaron ChatGPT mostraron
búsqueda de ayuda más no lineal y
pragmática; con experto humano
hubo mayor evaluación y
procesamiento metacognitivo.
Convergencia directa IA
–
analítica
multimodal
–
metacognición.
Evidencia la necesidad de andamiajes
para evitar dependencia y evaluación
superficial.
Deng, R., Jiang, M., Yu, X., Lu, Y., &
Liu, S. (2025). Does ChatGPT enhance
student learning? A systematic review and
meta-analysis of experimental studies.
Revisión
sistemática y
metaanálisis de 69
estudios
experimentales.
ChatGPT mejora rendimiento
académico, variables afectivo-
motivacionales y pensamiento de
orden superior, y reduce esfuerzo
mental; no mejora consistentemente
la autoeficacia.
IA + cognición. Aporta evidencia
causal agregada y obliga a estudiar
carga cognitiva, metacognición y
transferencia a largo plazo.
Weidlich, J., Gotsch, F., Schudel, K.,
Marusic-Würscher, C., Mazzarella, J.,
Bolten, H., Bütler, D., Luger, S.,
Wohlfender, B., & Maag Merki, K.
(2025). Teacher, peer, or AI? Comparing
effects of feedback sources in higher
education.
Experimento de
campo
aleatorizado,
N=90.
El feedback humano docente
produjo mayores mejoras en
argumentación y calidad formal; el
feedback LLM fue mejor percibido
pero produjo menor mejora global.
IA + feedback + factores del aprendiz.
Apoya modelos híbridos y adaptativos
en vez de sustitución simple del
docente.
Melumad, S., & Yun, J. H. (2025).
Experimental evidence of the effects of
large language models versus web search
on depth of learning.
Estudio
experimental
comparando LLM
con búsqueda
web.
La forma de acceder a información
mediante LLM puede modificar la
profundidad con que se procesa y
aprende el contenido, mostrando
posibles compensaciones entre
eficiencia y elaboración.
IA + profundidad de procesamiento.
Relevante para discutir cognición,
esfuerzo deseable y riesgos de
externalización cognitiva.
Chao, J., Ellis, R., Jiang, S., Smyslova, D.,
Li, Q., Nocera, A., Byrd, C., Wu, Z., Rosé,
C. P., Callahan, S., & O’Grady
-Cunniff,
D. (2026). AI education across the
curriculum: Design and pilot study of a
cross-disciplinary module set.
Estudio piloto de
módulos de IA
integrados
transversalmente
en distintas
disciplinas.
El enfoque muestra la viabilidad de
enseñar IA dentro de materias no
exclusivamente informáticas y de
adaptar contenidos a contextos
disciplinares.
Interdisciplinariedad explícita. Ofrece
un modelo curricular para conectar
alfabetización en IA, conocimiento
disciplinar y prácticas pedagógicas.
Nota: Elaboración propia
Síntesis temática de los resultados
El análisis permitió organizar la evidencia
en cinco núcleos temáticos interrelacionados.
El primero correspondió a neuroeducación y
procesos cognitivos, donde atención, memoria,
metacognición, autorregulación y carga
cognitiva adquirieron relevancia para
fundamentar intervenciones educativas y
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
408
valorar los efectos de la mediación
tecnológica. Los trabajos sobre
neuroeducación también registraron
persistencia de neuromitos entre docentes,
reforzando la necesidad de formación
científica para trasladar conocimientos
neurocognitivos hacia la práctica pedagógica.
El segundo núcleo comprendió IA,
rendimiento y personalización del aprendizaje.
La evidencia empírica y metaanalítica registró
mejoras en rendimiento académico,
motivación, participación, retroalimentación y
pensamiento de orden superior cuando las
herramientas inteligentes fueron integradas
mediante propósitos pedagógicos definidos.
La magnitud de los resultados presentó
variaciones relacionadas con diseño de
intervención, nivel educativo, disciplina y
modalidad de interacción.
El tercer núcleo reunió metacognición,
autorregulación y esfuerzo cognitivo. Diversas
investigaciones mostraron que la IA puede
favorecer planificación, búsqueda de ayuda y
resolución de problemas, aunque también se
observaron riesgos de descarga cognitiva,
dependencia tecnológica y menor calibración
metacognitiva. Dichos resultados respaldan
diseños basados en andamiaje progresivo,
recuperación activa, reflexión y evaluación
crítica de las respuestas generadas.
El cuarto núcleo estuvo relacionado con
complementariedad humano
–
IA y analítica del
aprendizaje. Los estudios comparativos
evidenciaron diferencias entre
retroalimentación humana y algorítmica,
particularmente en procesamiento
metacognitivo y calidad argumentativa.
Paralelamente, la analítica multimodal amplió
las posibilidades de estudiar procesos
educativos mediante trazas digitales,
interacción, mirada y otras fuentes de datos,
aunque privacidad, validez inferencial y
gobernanza requieren especial atención.
El quinto núcleo correspondió a
interdisciplinariedad, formación docente y
alfabetización en IA. La evidencia mostró que
una integración educativa responsable requiere
articular conocimientos procedentes de
pedagogía, neurociencia, psicología cognitiva,
informática, ciencia de datos y ética. La
convergencia entre tales campos favorece
modelos de innovación orientados hacia
aprendizaje profundo, autonomía y
pensamiento crítico, desplazando la atención
desde la incorporación instrumental de
tecnología hacia el diseño pedagógico
fundamentado en evidencia.
DISCUSIÓN
Los resultados de la revisión permiten
reconocer una relación progresivamente más
estrecha entre neuroeducación, inteligencia
artificial (IA) e interdisciplinariedad, aunque la
integración entre los tres campos mantiene
distintos niveles de desarrollo conceptual,
metodológico y aplicado. La literatura
analizada muestra un desplazamiento desde
aproximaciones centradas en la incorporación
instrumental de tecnologías hacia propuestas
interesadas en comprender los procesos
cognitivos, metacognitivos, afectivos y
autorregulatorios asociados con el aprendizaje
mediado por IA. Bajo tal perspectiva, la
innovación educativa adquiere valor cuando la
capacidad computacional se articula con
principios pedagógicos respaldados por las
ciencias del aprendizaje y con conocimientos
procedentes de diferentes disciplinas.
Uno de los hallazgos relevantes
corresponde al papel de la neuroeducación
como marco para interpretar los procesos
cognitivos involucrados en experiencias
educativas mediadas tecnológicamente. La
evidencia examinada vincula aprendizaje con
atención, memoria, carga cognitiva,
autorregulación y metacognición, variables
que adquieren especial importancia cuando los
estudiantes interactúan con sistemas
generativos, tutores inteligentes o plataformas
adaptativas. Lagoudakis et al. (2022), por
ejemplo, reportaron mejores resultados
académicos mediante una intervención
instruccional fundamentada en principios
relacionados con el aprendizaje y el
funcionamiento cerebral, mientras Pérez
Sánchez et al. (2022) combinaron una
plataforma colaborativa de orientación
neurodidáctica con analítica del aprendizaje
para construir modelos predictivos del
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
409
rendimiento. La proximidad entre ambas líneas
confirma que la incorporación de datos
educativos puede ampliar la capacidad de
identificar patrones relevantes para la toma de
decisiones pedagógicas cuando las variables
analizadas responden a fundamentos
educativos previamente definidos.
Sin embargo, vincular neurociencia y
educación requiere prudencia epistemológica.
Torrijos-Muelas et al. (2021), Bissessar y
Youssef (2021), Grospietsch y Lins (2021) y
Rousseau (2024) documentaron la persistencia
de neuromitos entre profesionales de la
educación, fenómeno que limita la
transferencia rigurosa del conocimiento
neurocientífico hacia la práctica docente. Tal
problema adquiere una dimensión adicional
ante la expansión de sistemas generativos
capaces de producir explicaciones
aparentemente plausibles sobre procesos
cerebrales y aprendizaje. La disponibilidad
inmediata de información no garantiza validez
científica. En consecuencia, la alfabetización
neurocientífica y la alfabetización en IA
necesitan desarrollarse conjuntamente
mediante competencias relacionadas con
evaluación de evidencia, identificación de
inferencias improcedentes, contrastación de
fuentes y reconocimiento de los límites
explicativos de modelos neurocognitivos y
algorítmicos.
La formación docente ocupa, por tanto, una
posición relevante dentro de la convergencia
analizada. Hachem et al. (2022) encontraron
que programas de desarrollo profesional
relacionados con neurociencia educativa
pueden favorecer una comprensión más
elaborada de la participación estudiantil, la
regulación y las relaciones pedagógicas. A su
vez, Dahri et al. (2024) identificaron
asociaciones entre aceptación de ChatGPT,
utilidad percibida, confianza, competencia y
autorregulación metacognitiva entre futuros
docentes. La lectura conjunta de tales
resultados permite argumentar que las
competencias profesionales requeridas para la
innovación educativa exceden el manejo
técnico de herramientas digitales. Los docentes
necesitan comprender principios del
aprendizaje, interpretar datos educativos,
evaluar respuestas algorítmicas, diseñar tareas
cognitivamente significativas y establecer
criterios para decidir cuándo la mediación
tecnológica favorece el aprendizaje y cuándo
puede debilitar procesos de elaboración
intelectual.
Inteligencia artificial, rendimiento y
procesos cognitivos
La evidencia agregada presenta resultados
favorables respecto al potencial educativo de la
IA, aunque la magnitud y dirección de los
efectos varían según diseño instruccional,
población, disciplina, duración de la
intervención y función asignada a la
tecnología. El metaanálisis de Hwang (2022)
encontró un efecto positivo pequeño de
aplicaciones de IA sobre el rendimiento
matemático en educación primaria, mientras
García-Martínez et al. (2023) identificaron
mejoras relacionadas con la incorporación de
IA y ciencias computacionales en el
desempeño estudiantil. En una línea más
reciente, Deng et al. (2025), mediante un
metaanálisis de investigaciones
experimentales, observaron efectos favorables
de ChatGPT sobre rendimiento académico,
variables afectivo-motivacionales y
pensamiento de orden superior, acompañados
de una reducción del esfuerzo mental, aunque
la autoeficacia no presentó mejoras
consistentes.
La reducción del esfuerzo mental requiere
una interpretación particularmente cuidadosa
desde la neuroeducación. Una menor demanda
cognitiva puede resultar beneficiosa cuando
libera recursos de memoria de trabajo
destinados a procesos de comprensión,
integración o resolución de problemas; sin
embargo, puede resultar contraproducente
cuando elimina actividades necesarias para
consolidar conocimientos, recuperar
información, elaborar explicaciones o
supervisar el propio razonamiento. La
diferencia entre ambas posibilidades depende
de la función pedagógica atribuida a la IA. Un
sistema que proporciona andamiaje graduado
puede reducir carga extrínseca y facilitar
recursos cognitivos para tareas relevantes,
mientras una herramienta que entrega
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
410
respuestas completas de manera inmediata
puede desplazar operaciones intelectuales
necesarias para producir aprendizaje duradero.
Los resultados experimentales de Urban et
al. (2024) respaldan tal interpretación. Los
estudiantes que utilizaron ChatGPT mostraron
mejoras en calidad, elaboración y originalidad
durante tareas de resolución creativa de
problemas, además de menor esfuerzo mental
percibido, aunque aparecieron dificultades
relacionadas con calibración metacognitiva. La
discrepancia entre rendimiento observable y
capacidad para valorar con precisión el propio
desempeño representa una cuestión central
para la integración educativa de IA generativa.
Obtener una respuesta de mayor calidad no
equivale necesariamente a comprender los
mecanismos que permitieron producirla ni a
desarrollar capacidad para reproducir el
desempeño sin asistencia tecnológica.
Resultados relacionados aparecen en la
investigación de Chen et al. (2025), donde la
comparación entre búsqueda de ayuda
mediante ChatGPT y mediante un experto
humano mostró diferencias en los procesos
metacognitivos observados mediante analítica
multimodal. Los participantes apoyados por
ChatGPT desarrollaron patrones de búsqueda
de ayuda más pragmáticos y no lineales,
mientras la interacción con expertos humanos
estuvo asociada con mayor evaluación y
procesamiento metacognitivo de la
información recibida. La evidencia aporta un
argumento contra interpretaciones
exclusivamente centradas en eficiencia: una
respuesta rápida y pertinente puede resolver
una necesidad inmediata sin generar
necesariamente el procesamiento requerido
para favorecer transferencia, autonomía o
regulación del aprendizaje.
Desde una perspectiva complementaria, Ng
(2024) encontró que un chatbot generativo
orientado explícitamente hacia aprendizaje
autorregulado produjo mejoras en
conocimiento científico, participación
conductual y motivación frente a un chatbot
basado en reglas. La diferencia resulta
relevante porque desplaza la atención desde la
capacidad general del modelo hacia la
arquitectura pedagógica de la interacción. La
IA adquiere mayor valor educativo cuando sus
funciones responden a mecanismos
reconocibles de aprendizaje, tales como
establecimiento de metas, planificación,
seguimiento, retroalimentación, reflexión y
ajuste de estrategias.
Del reemplazo tecnológico a la
complementariedad humano
–
IA
La evidencia revisada tampoco respalda una
sustitución generalizada de la mediación
docente. Weidlich et al. (2025), mediante un
experimento de campo aleatorizado,
encontraron que el feedback generado por un
modelo de lenguaje recibió valoraciones
favorables entre estudiantes, mientras el
feedback proporcionado por docentes produjo
mayores mejoras en argumentación y calidad
formal. La diferencia entre satisfacción con
una fuente de retroalimentación y efectividad
pedagógica constituye una distinción relevante
para futuras investigaciones, dado que
facilidad, velocidad y percepción positiva
pueden coexistir con resultados educativos
inferiores en determinadas dimensiones.
Una orientación de complementariedad
humano
–
IA parece, por ello, más consistente
con la evidencia disponible. Los sistemas
inteligentes pueden asumir funciones
relacionadas con generación de ejemplos,
retroalimentación inicial, identificación de
patrones, práctica adaptativa, organización de
información y apoyo durante fases
determinadas de resolución de problemas,
mientras el profesorado conserva
responsabilidades vinculadas con juicio
pedagógico, interpretación de necesidades,
regulación socioemocional, evaluación
compleja, acompañamiento metacognitivo y
toma de decisiones con implicaciones éticas.
Tal distribución no debe considerarse fija. Su
configuración dependerá de objetivos de
aprendizaje, edad del alumnado, conocimiento
previo, naturaleza de la tarea y consecuencias
asociadas con posibles errores algorítmicos.
La noción de complementariedad también
permite reconsiderar el concepto de
personalización. Personalizar no consiste
únicamente en modificar automáticamente
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
411
contenidos según datos de desempeño. Una
personalización pedagógicamente significativa
requiere determinar qué variable debe
adaptarse, por qué motivo, bajo qué modelo de
aprendizaje y mediante qué evidencia puede
evaluarse el efecto producido. En tal punto, la
neuroeducación aporta modelos relacionados
con diferencias individuales y procesos
cognitivos, mientras la IA proporciona
herramientas para analizar grandes volúmenes
de datos y generar respuestas dinámicas. La
interdisciplinariedad permite establecer el
vínculo entre ambos dominios.
Analítica multimodal y aproximación
interdisciplinaria al aprendizaje
La analítica multimodal representa uno de
los espacios de convergencia más
prometedores identificados durante la revisión.
Ouhaichi et al. (2023) describieron un
crecimiento de investigaciones que combinan
distintas fuentes de datos para estudiar
procesos educativos complejos, mientras
Prinsloo et al. (2023) señalaron importantes
interrogantes vinculados con privacidad,
escalabilidad y uso responsable de información
multimodal. La incorporación de registros
visuales, auditivos, conductuales, fisiológicos
o de interacción digital puede enriquecer la
comprensión del aprendizaje, pero también
incrementa la posibilidad de realizar
inferencias que excedan la capacidad
explicativa de los datos.
La presencia de indicadores fisiológicos o
neurocognitivos no convierte automáticamente
una intervención en neuroeducativa. Tampoco
un algoritmo predictivo transforma por sí
mismo los datos en conocimiento pedagógico.
La interpretación requiere modelos teóricos
que permitan relacionar indicadores
observables con procesos de aprendizaje,
además de procedimientos de validación que
reduzcan inferencias espurias. Una frecuencia
determinada de interacción, una trayectoria
ocular o una señal fisiológica pueden adquirir
significados diferentes según la tarea, el
momento del aprendizaje y las características
del estudiante. La colaboración entre
neurocientíficos, psicólogos cognitivos,
especialistas en educación, expertos en IA,
científicos de datos y profesionales docentes
adquiere relevancia precisamente porque
ninguna de dichas disciplinas puede resolver
de manera independiente todas las decisiones
inferenciales involucradas.
La interdisciplinariedad encontrada en la
literatura posee, por consiguiente, una función
epistemológica y metodológica. Xu y Ouyang
(2022) documentaron múltiples aplicaciones
de IA en educación STEM relacionadas con
tutoría, evaluación, predicción,
personalización y resolución de problemas,
mientras Casal-Otero et al. (2023)
identificaron la alfabetización en IA como una
competencia compuesta por conocimientos,
habilidades, actitudes y dimensiones éticas.
Yusuf et al. (2024), mediante un mapeo de 407
publicaciones, también identificaron
aprendizaje interdisciplinario entre las líneas
asociadas con IA generativa. En conjunto, tales
aportes indican que la innovación educativa
requiere integrar conocimiento disciplinar,
pedagogía, ciencias cognitivas, tecnología y
ética dentro de marcos compartidos de diseño
y evaluación.
Implicaciones para la innovación educativa
A partir de los hallazgos puede plantearse
un modelo conceptual de convergencia
organizado alrededor de tres componentes
interdependientes. La neuroeducación aporta
conocimiento acerca de procesos de
aprendizaje y criterios para diseñar
experiencias compatibles con mecanismos
cognitivos y metacognitivos; la IA aporta
capacidades de adaptación, generación,
predicción, retroalimentación y análisis; la
interdisciplinariedad articula ambos
componentes con saber pedagógico,
conocimiento disciplinar, ética y
características institucionales. La innovación
se produce mediante interacción entre dichos
componentes y no por la presencia aislada de
alguno de ellos.
Tal planteamiento tiene consecuencias
directas para el diseño educativo. Las
aplicaciones de IA deberían evaluarse
mediante indicadores que excedan rendimiento
inmediato y satisfacción de uso. Transferencia
del aprendizaje, retención, calibración
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
412
metacognitiva, autonomía, calidad
argumentativa, pensamiento crítico,
autorregulación y capacidad para resolver
problemas sin asistencia constituyen variables
relevantes para determinar si una intervención
produce aprendizaje sostenible. Los estudios
de Urban et al. (2024), Chen et al. (2025) y
Weidlich et al. (2025) demuestran que mejoras
observables en ciertas dimensiones pueden
coexistir con resultados menos favorables en
otras, circunstancia que aconseja diseños de
evaluación multidimensionales.
También resulta necesario distinguir
personalización de dependencia tecnológica.
Una herramienta adaptativa debería modificar
el nivel de apoyo en función del progreso del
estudiante y reducir gradualmente la asistencia
cuando aumenta la competencia. Desde tal
perspectiva, los principios de andamiaje y
autorregulación pueden orientar sistemas
capaces de formular preguntas, ofrecer pistas
graduadas, solicitar justificaciones, provocar
recuperación activa de conocimientos y
promover evaluación de respuestas antes de
proporcionar soluciones completas. La
innovación educativa basada en IA puede
orientarse, por tanto, hacia tecnologías que
estimulen actividad cognitiva en lugar de
reemplazarla.
Consideraciones éticas y de gobernanza
Las implicaciones éticas atraviesan los tres
campos estudiados. Chaudhry y Kazim (2022)
señalaron problemas relacionados con
gobernanza, explicabilidad y sesgos en
aplicaciones educativas de IA, mientras
Prinsloo et al. (2023) destacaron
preocupaciones asociadas con privacidad en
analítica multimodal. Cuando los sistemas
incorporan datos biométricos, fisiológicos o
inferencias sobre estados cognitivos, la
sensibilidad de la información aumenta y exige
criterios rigurosos de proporcionalidad,
consentimiento, seguridad y limitación de uso.
La personalización basada en inferencias
cognitivas también plantea riesgos de
clasificación prematura. Un sistema que asigna
etiquetas sobre atención, capacidad,
motivación o estilo de aprendizaje puede
condicionar decisiones posteriores y reforzar
interpretaciones reduccionistas. La
persistencia documentada de neuromitos
demuestra que conceptos aparentemente
científicos pueden adquirir una influencia
educativa considerable aun cuando carezcan de
respaldo suficiente. Incorporarlos dentro de
algoritmos puede amplificar su alcance. Por tal
motivo, la evaluación interdisciplinaria de
modelos, variables y decisiones automatizadas
debería formar parte del ciclo de diseño,
implementación y auditoría de cualquier
tecnología educativa basada en datos
cognitivos.
Limitaciones de la evidencia disponible
La revisión presenta limitaciones que deben
considerarse al interpretar sus resultados. En
primer lugar, la rápida expansión de la IA
generativa provoca una elevada concentración
de publicaciones recientes, especialmente a
partir de 2023, mientras la evidencia
longitudinal permanece limitada. Muchos
trabajos evalúan resultados inmediatos y
ofrecen poca información sobre retención,
transferencia o efectos acumulativos derivados
del uso continuado. En segundo lugar, existe
heterogeneidad en poblaciones, disciplinas,
herramientas, duración de las intervenciones y
medidas de resultado, lo que dificulta
comparaciones directas.
En tercer lugar, buena parte de la literatura
relacionada con IA generativa procede de
educación superior, mientras la investigación
en educación infantil, primaria y secundaria
presenta menor desarrollo. La generalización
entre niveles educativos debe realizarse con
cautela, dado que autorregulación,
conocimiento previo, alfabetización digital y
capacidad metacognitiva varían
considerablemente durante el desarrollo. En
cuarto lugar, la convergencia explícita entre
neuroeducación e IA continúa siendo menos
frecuente que la producción independiente de
ambos campos. Numerosos estudios analizan
variables cognitivas sin adoptar un marco
neuroeducativo, mientras otros trabajos
neuroeducativos incorporan tecnología sin
utilizar técnicas contemporáneas de IA.
La propia revisión posee restricciones
derivadas de su delimitación temporal y del
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
413
número de estudios seleccionados. La ventana
2021
–
2026 permitió priorizar evidencia
reciente, aunque dejó fuera trabajos anteriores
que pueden resultar relevantes para
comprender el desarrollo histórico de tutoría
inteligente, ciencias cognitivas, neurociencia
educativa y aprendizaje adaptativo. La
selección de treinta publicaciones buscó
equilibrio entre diversidad metodológica y
pertinencia temática, pero no representa la
totalidad de la producción científica
disponible. Por consiguiente, las conclusiones
deben interpretarse como una síntesis crítica
orientada a identificar relaciones, tendencias y
vacíos de investigación.
Agenda de investigación
Las investigaciones futuras deberían
avanzar desde preguntas centradas en la
eficacia general de la IA hacia interrogantes
relacionados con mecanismos de aprendizaje.
Resulta prioritario determinar bajo qué
condiciones una herramienta reduce carga
cognitiva extrínseca sin eliminar esfuerzo
productivo, cuándo el apoyo algorítmico
mejora autorregulación, qué modalidades de
feedback favorecen transferencia y en qué
momento la asistencia debe retirarse para
preservar autonomía. Diseños experimentales
longitudinales, medidas repetidas y
evaluaciones diferidas permitirían responder
tales interrogantes con mayor precisión.
También se requieren investigaciones que
combinen indicadores de desempeño con
medidas metacognitivas, conductuales y,
cuando exista justificación teórica y ética,
fisiológicas. La analítica multimodal puede
contribuir a comprender procesos que
permanecen ocultos cuando la evaluación se
limita a calificaciones o cuestionarios de
satisfacción, aunque la interpretación de tales
datos necesita modelos explícitos y validación
independiente.
Otra línea prioritaria corresponde al
desarrollo de sistemas de IA informados por
principios de autorregulación y
metacognición. En lugar de maximizar
velocidad de respuesta, dichos sistemas
podrían diseñarse para promover recuperación
activa, elaboración, comparación de
alternativas, argumentación y reflexión sobre
errores. Tal orientación permitiría evaluar la
calidad de una herramienta educativa por su
capacidad para fortalecer competencias del
estudiante y no por la cantidad de tareas que
automatiza.
La formación docente constituye
igualmente una línea de investigación
necesaria. Se requieren estudios que comparen
programas integrados de alfabetización
neurocientífica, pedagógica y algorítmica
frente a capacitaciones tecnológicas
convencionales, considerando cambios en
conocimientos, creencias, prácticas de aula y
resultados del alumnado. Tal aproximación
permitiría determinar si una formación
interdisciplinaria reduce neuromitos, mejora la
evaluación crítica de sistemas de IA y favorece
decisiones pedagógicas mejor fundamentadas.
La literatura revisada respalda una
concepción de innovación educativa basada en
complementariedad entre capacidades
humanas y computacionales. La
neuroeducación proporciona referentes para
comprender procesos de aprendizaje; la IA
amplía posibilidades de análisis, adaptación,
generación y retroalimentación; la
interdisciplinariedad proporciona mecanismos
para conectar conocimiento científico, diseño
pedagógico, práctica profesional y
responsabilidad ética. La contribución
principal de dicha convergencia reside en
orientar tecnologías educativas hacia el
fortalecimiento de procesos cognitivos y
metacognitivos, evitando que eficiencia
operativa sea confundida con aprendizaje. La
agenda científica requiere, por ello, pasar de
evaluar si la IA funciona a determinar para
quién funciona, mediante qué mecanismos,
bajo qué condiciones pedagógicas y con qué
efectos sobre autonomía, transferencia y
desarrollo del aprendizaje a largo plazo.
CONCLUSIONES
La revisión desarrollada permite concluir
que la convergencia entre neuroeducación,
inteligencia artificial e interdisciplinariedad
configura una línea de investigación con
capacidad para transformar los procesos de
enseñanza y aprendizaje, siempre que la
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
414
incorporación tecnológica responda a
fundamentos pedagógicos, cognitivos,
metodológicos y éticos claramente definidos.
La evidencia examinada muestra que el valor
educativo de la inteligencia artificial no
depende de su presencia en los ambientes de
aprendizaje, sino de la función que desempeña
dentro del diseño pedagógico y de su
articulación con procesos vinculados con
autorregulación, metacognición, atención,
memoria, carga cognitiva, retroalimentación y
resolución de problemas.
Los hallazgos permiten establecer que la
neuroeducación aporta referentes para
comprender los mecanismos relacionados con
el aprendizaje y ofrece criterios para orientar
intervenciones tecnológicas hacia necesidades
cognitivas y metacognitivas identificables. La
inteligencia artificial, por su parte, amplía las
posibilidades de personalización, predicción,
generación de recursos, tutoría,
retroalimentación y análisis de datos
educativos. La interdisciplinariedad actúa
como principio articulador entre ciencias
cognitivas, neurociencia, pedagogía,
tecnología, ciencia de datos, conocimiento
disciplinar y ética, favoreciendo diseños
educativos capaces de integrar perspectivas
que tradicionalmente han avanzado por vías
independientes.
La evidencia empírica y metaanalítica
revisada registra efectos favorables de distintas
aplicaciones de inteligencia artificial sobre
rendimiento académico, participación,
motivación, resolución de problemas y
determinadas dimensiones del pensamiento de
orden superior. Tales beneficios presentan
variaciones asociadas con las características de
las intervenciones, las poblaciones estudiadas,
las disciplinas y las funciones asignadas a las
herramientas. Por consiguiente, una
evaluación rigurosa de la innovación educativa
requiere superar indicadores centrados
exclusivamente en rendimiento inmediato o
satisfacción del usuario e incorporar medidas
relacionadas con retención, transferencia,
autonomía, autorregulación, calibración
metacognitiva, calidad argumentativa y
capacidad para resolver problemas sin
asistencia tecnológica.
La reducción del esfuerzo mental observada
en varias investigaciones representa un
hallazgo que requiere especial atención.
Disminuir carga cognitiva innecesaria puede
liberar recursos para actividades intelectuales
relevantes, pero una automatización excesiva
puede desplazar procesos necesarios para
elaborar, recuperar, integrar y evaluar
información. La diferencia reside en el diseño
de la interacción. Bajo una perspectiva
neuroeducativa, los sistemas inteligentes
deberían proporcionar andamiajes graduados,
retroalimentación adaptativa, preguntas
orientadoras, oportunidades de recuperación
activa y espacios para justificar decisiones, en
lugar de priorizar respuestas inmediatas que
reduzcan la participación cognitiva del
estudiante.
Los resultados también permiten cuestionar
planteamientos orientados a reemplazar la
mediación humana mediante sistemas
inteligentes. La comparación entre
retroalimentación docente, apoyo experto e
interacción con modelos generativos evidencia
diferencias relevantes en calidad
argumentativa, procesamiento metacognitivo y
evaluación de la información. La
complementariedad humano
–
IA ofrece una
alternativa pedagógicamente más consistente,
donde la automatización puede apoyar tareas
de análisis, adaptación, generación y
retroalimentación mientras el profesorado
mantiene funciones vinculadas con juicio
pedagógico, acompañamiento metacognitivo,
regulación socioemocional, interpretación de
necesidades y toma de decisiones educativas.
Otro resultado relevante corresponde a la
necesidad de fortalecer simultáneamente la
alfabetización neurocientífica y la
alfabetización en inteligencia artificial. La
persistencia de neuromitos entre docentes
demuestra que la disponibilidad de
conocimiento científico no garantiza una
transferencia adecuada hacia la práctica
educativa. La expansión de herramientas
generativas incrementa dicha preocupación
debido a su capacidad para producir
explicaciones plausibles que pueden contener
errores, simplificaciones o asociaciones
carentes de respaldo científico. La formación
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
415
docente necesita integrar evaluación crítica de
evidencia, comprensión de principios
cognitivos, competencias de diseño
pedagógico, interpretación de datos y criterios
para valorar respuestas algorítmicas.
La analítica del aprendizaje y la analítica
multimodal amplían las posibilidades de
estudiar procesos educativos mediante datos
conductuales, digitales, visuales, auditivos y
fisiológicos. Su aplicación requiere cautela. La
capacidad para recopilar grandes cantidades de
información no garantiza interpretaciones
pedagógicamente válidas, mientras la
utilización de datos sensibles plantea
interrogantes relacionados con privacidad,
consentimiento, explicabilidad, sesgo y
proporcionalidad. Toda inferencia acerca de
atención, motivación, desempeño o estados
cognitivos necesita apoyarse en modelos
teóricos verificables y procedimientos
metodológicos transparentes.
Desde una perspectiva aplicada, la
innovación educativa derivada de la
convergencia estudiada debería orientarse
hacia sistemas capaces de fortalecer
progresivamente la autonomía del estudiante.
Personalizar el aprendizaje implica ajustar
apoyos, actividades y retroalimentación de
acuerdo con necesidades educativas
verificables, procurando retirar gradualmente
la asistencia cuando aumenta el dominio de
una tarea. Una inteligencia artificial educativa
eficaz debería contribuir a que el estudiante
piense mejor, regule su aprendizaje, contraste
información, argumente decisiones y
desarrolle competencias transferibles, en lugar
de limitarse a incrementar la velocidad con que
obtiene productos académicos.
La revisión también evidencia vacíos que
delimitan una agenda de investigación. Se
requieren estudios longitudinales y
experimentales que examinen efectos sobre
retención y transferencia; investigaciones en
educación infantil, primaria y secundaria;
comparaciones entre modelos de asistencia
humana, algorítmica e híbrida; evaluaciones de
intervenciones fundamentadas explícitamente
en principios neuroeducativos; y trabajos que
relacionen medidas de rendimiento con
indicadores cognitivos, metacognitivos y
conductuales. También resulta necesario
avanzar hacia protocolos comunes que
permitan comparar resultados entre
disciplinas, poblaciones y tecnologías.
La principal contribución conceptual
derivada de la revisión reside en comprender la
convergencia neuroeducación
–
IA
–
interdisciplinariedad como una arquitectura de
innovación educativa basada en relaciones
complementarias. La neuroeducación permite
fundamentar decisiones acerca de procesos de
aprendizaje; la inteligencia artificial aporta
capacidades computacionales para adaptar,
analizar y generar apoyos; la
interdisciplinariedad permite integrar tales
capacidades con conocimiento pedagógico,
disciplinar y ético. Ningún componente
adquiere pleno valor educativo de manera
aislada.
En consecuencia, el avance de la
inteligencia artificial en educación debería
medirse menos por la cantidad de actividades
automatizadas y más por la calidad de los
procesos de aprendizaje que contribuye a
desarrollar. El horizonte de innovación
requiere tecnologías diseñadas para ampliar
capacidades humanas, preservar el esfuerzo
cognitivo productivo, promover autonomía y
fortalecer la toma de decisiones informada. La
convergencia analizada ofrece una vía para
avanzar hacia modelos educativos más
adaptativos, científicamente fundamentados y
pedagógicamente responsables, donde
tecnología y conocimiento interdisciplinario se
articulen alrededor de una prioridad común:
favorecer aprendizajes profundos, transferibles
y sostenibles.
REFERENCIAS BIBLIOGRÁFICAS
Albadarin, Y., Saqr, M., Pope, N., & Tukiainen, M.
(2024). A systematic literature review of
empirical research on ChatGPT in
education. Discover Education, 3, Article
60.
https://doi.org/10.1007/s44217-024-
00138-2
Bannister, P., Santamaría Urbieta, A., & Alcalde
Peñalver, E. (2023). Una revisión
sistemática de la IA generativa y la
educación superior (en inglés como medio
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
416
de instrucción). Aula Abierta, 52(4), 401
–
409.
https://doi.org/10.17811/rifie.52.4.2023.4
01-409
Bissessar, S., & Youssef, F. F. (2021). A cross-
sectional study of neuromyths among
teachers in a Caribbean nation. Trends in
Neuroscience and Education, 23, Article
100155.
https://doi.org/10.1016/j.tine.2021.100155
Casal-Otero, L., Catala, A., Fernández-Morante,
C., Taboada, M., Cebreiro, B., & Barro, S.
(2023). AI literacy in K-12: A systematic
literature review. International Journal of
STEM Education, 10, Article 29.
https://doi.org/10.1186/s40594-023-
00418-7
Chao, J., Ellis, R., Jiang, S., Smyslova, D., Li, Q.,
Nocera, A., Byrd, C., Wu, Z., Rosé, C. P.,
Callahan, S., & O’Grady
-Cunniff, D.
(2026). AI education across the
curriculum: Design and pilot study of a
cross-disciplinary module set. Proceedings
of the AAAI Conference on Artificial
Intelligence, 40(47), 40746
–
40753.
https://doi.org/10.1609/aaai.v40i47.41523
Chaudhry, M. A., & Kazim, E. (2022). Artificial
Intelligence in Education (AIEd): A high-
level academic and industry note 2021. AI
and Ethics, 2, 157
–
165.
https://doi.org/10.1007/s43681-021-
00074-z
Chen, A., Xiang, M., Zhou, J., Jia, J., Shang, J., Li,
X., Gašević, D., & Fan, Y. (2025).
Unpacking help-seeking process through
multimodal learning analytics: A
comparative study of ChatGPT vs Human
expert. Computers & Education, 226,
Article 105198.
https://doi.org/10.1016/j.compedu.2024.1
05198
Dahri, N. A., Yahaya, N., Al-Rahmi, W. M.,
Aldraiweesh, A., Alturki, U., Almutairy,
S., Shutaleva, A., & Soomro, R. B. (2024).
Extended TAM based acceptance of AI-
powered ChatGPT for supporting
metacognitive self-regulated learning in
education: A mixed-methods study.
Heliyon, 10(8), e29317.
https://doi.org/10.1016/j.heliyon.2024.e29
317
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S.
(2025). Does ChatGPT enhance student
learning? A systematic review and meta-
analysis of experimental studies.
Computers & Education, 227, Article
105224.
https://doi.org/10.1016/j.compedu.2024.1
05224
García-Martínez, I., Fernández-Batanero, J. M.,
Fernández-Cerero, J., & León, S. P.
(2023). Analysing the impact of artificial
intelligence and computational sciences on
student performance: Systematic review
and meta-analysis. Journal of New
Approaches in Educational Research, 12,
171
–
197.
https://doi.org/10.7821/naer.2023.1.1240
Grospietsch, F., & Lins, I. (2021). Review on the
prevalence and persistence of neuromyths
in education
—
Where we stand and what is
still needed. Frontiers in Education, 6,
Article 665752.
https://doi.org/10.3389/feduc.2021.66575
2
Hachem, M., Daignault, K., & Wilcox, G. (2022).
Impact of educational neuroscience
teacher professional development:
Perceptions of school personnel. Frontiers
in Education, 7, Article 912827.
https://doi.org/10.3389/feduc.2022.91282
7
Hernández-de-Menéndez, M., Morales-Menendez,
R., Escobar, C. A., & Ramírez Mendoza,
R. A. (2022). Learning analytics: State of
the art. International Journal on
Interactive Design and Manufacturing, 16,
1209
–
1230.
https://doi.org/10.1007/s12008-022-
00930-0
Hwang, S. (2022). Examining the effects of
artificial intelligence on elementary
students’ mathematics achievement: A
meta-analysis. Sustainability, 14(20),
Article 13185.
https://doi.org/10.3390/su142013185
Lagoudakis, N., Vlachos, F., Christidou, V., &
Vavougios, D. (2022). The effectiveness of
a teaching approach using brain-based
learning elements on students’
performance in a Biology course. Cogent
Education, 9(1), Article 2158672.
https://doi.org/10.1080/2331186X.2022.2
158672
Melumad, S., & Yun, J. H. (2025). Experimental
evidence of the effects of large language
models versus web search on depth of
learning. PNAS Nexus, 4(10), pgaf316.
https://doi.org/10.1093/pnasnexus/pgaf31
6
Montenegro-Rueda, M., Fernández-Cerero, J.,
Fernández-Batanero, J. M., & López-
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
417
Meneses, E. (2023). Impact of the
implementation of ChatGPT in education:
A systematic review. Computers, 12(8),
Article 153.
https://doi.org/10.3390/computers120801
53
Ng, D. T. K., Tan, C. W., & Leung, J. K. L. (2024).
Empowering student self-regulated
learning and science education through
ChatGPT: A pioneering pilot study. British
Journal of Educational Technology, 55,
1328
–
1353.
https://doi.org/10.1111/bjet.13454
Ouhaichi, H., Spikol, D., & Vogel, B. (2023).
Research trends in multimodal learning
analytics: A systematic mapping study.
Computers and Education: Artificial
Intelligence, 4, Article 100136.
https://doi.org/10.1016/j.caeai.2023.10013
6
Page, M. J., McKenzie, J. E., Bossuyt, P. M.,
Boutron, I., Hoffmann, T. C., Mulrow, C.
D., Shamseer, L., Tetzlaff, J. M., Akl, E.
A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu,
M. M., Li, T., Loder, E. W., Mayo-Wilson,
E., McDonald, S., McGuinness, L. A.,
Stewart, L. A., Thomas, J., Tricco, A. C.,
Welch, V. A., Whiting, P., & Moher, D.
(2021). The PRISMA 2020 statement: An
updated guideline for reporting systematic
reviews. Journal of Clinical Epidemiology,
134, 178
–
189.
https://doi.org/10.1016/j.jclinepi.2021.03.
001
Pérez Sánchez, C. J., Calle-Alonso, F., & Vega-
Rodríguez, M. A. (2022). Learning
a
nalytics to predict students’ performance:
A case study of a neurodidactics-based
collaborative learning platform. Education
and Information Technologies, 27, 12913
–
12938.
https://doi.org/10.1007/s10639-
022-11128-y
Prinsloo, P., Slade, S., & Khalil, M. (2023).
Multimodal learning analytics
—
In-
between student privacy and
encroachment: A systematic review.
British Journal of Educational
Technology, 54(6), 1566
–
1586.
https://doi.org/10.1111/bjet.13373
Privitera, A. J., & Du, H. (2022). Educational
neurotechnology: Where do we go from
here? Trends in Neuroscience and
Education, 29, Article 100195.
https://doi.org/10.1016/j.tine.2022.100195
Rousseau, L. (2024). Dispelling educational
neuromyths: A review of in-service teacher
professional development interventions.
Mind, Brain, and Education, 18(3), 270
–
287.
https://doi.org/10.1111/mbe.12414
Torrijos-Muelas, M., González-Víllora, S., &
Bodoque-Osma, A. R. (2021). The
persistence of neuromyths in the
educational settings: A systematic review.
Frontiers in Psychology, 11, Article
591923.
https://doi.org/10.3389/fpsyg.2020.59192
3
Urban, M., Děchtěrenko, F., Lukavský, J.,
Hrabalová, V., Svacha, F., Brom, C., &
Urban, K. (2024). ChatGPT improves
creative problem-solving performance in
university students: An experimental
study. Computers & Education, 215,
Article 105031.
https://doi.org/10.1016/j.compedu.2024.1
05031
Weidlich, J., Gotsch, F., Schudel, K., Marusic-
Würscher, C., Mazzarella, J., Bolten, H.,
Bütler, D., Luger, S., Wohlfender, B., &
Maag Merki, K. (2025). Teacher, peer, or
AI? Comparing effects of feedback sources
in higher education. Computers and
Education Open, 9, Article 100300.
https://doi.org/10.1016/j.caeo.2025.10030
0
Xu, W., & Ouyang, F. (2022). The application of
AI technologies in STEM education: A
systematic review from 2011 to 2021.
International Journal of STEM Education,
9, Article 59.
https://doi.org/10.1186/s40594-022-
00377-5
Youssef, E., Medhat, M., Abdellatif, S., & Al
Malek, M. (2024). Examining the effect of
ChatGPT usage on students’ academic
learning and achievement: A survey-based
study in Ajman, UAE. Computers and
Education: Artificial Intelligence, 7,
Article 100316.
https://doi.org/10.1016/j.caeai.2024.10031
6
Yu, H., & Guo, Y. (2023). Generative artificial
intelligence empowers educational reform:
Current status, issues, and prospects.
Frontiers in Education, 8, Article
1183162.
https://doi.org/10.3389/feduc.2023.11831
62
Yusuf, A., Pervin, N., Román-González, M., &
Noor, N. M. (2024). Generative AI in
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 395-418
418
education and research: A systematic
mapping review. Review of Education, 12,
e3489.
https://doi.org/10.1002/rev3.3489
Zhang, K., & Aslan, A. B. (2021). AI technologies
for education: Recent research & future
directions. Computers and Education:
Artificial Intelligence, 2, Article 100025.
https://doi.org/10.1016/j.caeai.2021.10002
5
DECLARACIÓN DE CONFLICTO DE INTERESES
Los autores declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Jadán Torres, A. J., León Romero, M. del C., Fajardo Lapo, D. A., Gutiérrez Jiménez, J. L., & Castillo
Mayorga, J. E. (2026)
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.