INTELIGENCIA ARTIFICIAL Y
COMPETENCIAS DIGITALES EN EL
BACHILLERATO GENERAL UNIFICADO: UN
ANÁLISIS CUANTITATIVO CON PRUEBA DE
CORRELACIÓN DE SPEARMAN
ARTIFICIAL INTELLIGENCE AND DIGITAL COMPETENCIES
IN THE UNIFIED GENERAL BACCALAUREATE: A
QUANTITATIVE ANALYSIS WITH SPEARMAN
CORRELATION TEST
Allan Javier Calle Condor
Universidad Técnica de Machala
Ifrain González Beade
Universidad Nacional de Educación
pág. 6770
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24740
Inteligencia artificial y competencias digitales en el bachillerato general
unificado: un análisis Cuantitativo con prueba de correlación de Spearman
Allan Javier Calle Condor1
acalle1@utmachala.edu.ec
https://orcid.org/0009-0002-2743-6851
Universidad Técnica de Machala
Ecuador
Ifrain González Beade
ifrain.gonzalez@unae.edu.ec
https://orcid.org/0000-0002-0341-4212
Universidad Nacional de Educación
Ecuador
RESUMEN
La irrupción de la inteligencia artificial en los entornos educativos constituye uno de los fenómenos más
disruptivos de la educación contemporánea. El presente estudio analiza la relación entre el uso de
herramientas de inteligencia artificial y el desarrollo de competencias digitales en estudiantes del
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada. Mediante un
enfoque cuantitativo, de alcance descriptivo-correlacional y diseño transversal no experimental, se
aplicó un cuestionario estructurado y validado (α de Cronbach = 0.87) a una muestra censal de 140
estudiantes con edades comprendidas entre los 15 y 18 años. Los datos fueron procesados con el
software SPSS v.27, aplicándose estadística descriptiva, tablas de frecuencia y la prueba no paramétrica
de correlación de Spearman (ρ) para contrastar la hipótesis de asociación entre frecuencia de uso de IA
y nivel de competencias digitales autopercibidas. Los resultados evidencian que el 92.8% de los
estudiantes utiliza alguna herramienta de IA, siendo ChatGPT la más empleada (66.2%). El análisis de
Spearman reveló una correlación positiva, moderada y estadísticamente significativa entre la frecuencia
de uso de IA y el nivel de competencias digitales (ρ = 0.612, p < .001). Se concluye que la integración
pedagógica crítica y reflexiva de la IA puede constituirse en un catalizador poderoso para el
fortalecimiento de competencias digitales en la educación secundaria ecuatoriana, siempre que se
acompañe de una mediación docente estratégica.
Palabras clave: inteligencia artificial; competencias digitales; correlación de Spearman; aprendizaje
autónomo; tecnología educativa.
1 Autor principal.
Correspondencia: acalle1@utmachala.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24740
Inteligencia artificial y competencias digitales en el bachillerato general
unificado: un análisis Cuantitativo con prueba de correlación de Spearman
Allan Javier Calle Condor1
acalle1@utmachala.edu.ec
https://orcid.org/0009-0002-2743-6851
Universidad Técnica de Machala
Ecuador
Ifrain González Beade
ifrain.gonzalez@unae.edu.ec
https://orcid.org/0000-0002-0341-4212
Universidad Nacional de Educación
Ecuador
RESUMEN
La irrupción de la inteligencia artificial en los entornos educativos constituye uno de los fenómenos más
disruptivos de la educación contemporánea. El presente estudio analiza la relación entre el uso de
herramientas de inteligencia artificial y el desarrollo de competencias digitales en estudiantes del
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada. Mediante un
enfoque cuantitativo, de alcance descriptivo-correlacional y diseño transversal no experimental, se
aplicó un cuestionario estructurado y validado (α de Cronbach = 0.87) a una muestra censal de 140
estudiantes con edades comprendidas entre los 15 y 18 años. Los datos fueron procesados con el
software SPSS v.27, aplicándose estadística descriptiva, tablas de frecuencia y la prueba no paramétrica
de correlación de Spearman (ρ) para contrastar la hipótesis de asociación entre frecuencia de uso de IA
y nivel de competencias digitales autopercibidas. Los resultados evidencian que el 92.8% de los
estudiantes utiliza alguna herramienta de IA, siendo ChatGPT la más empleada (66.2%). El análisis de
Spearman reveló una correlación positiva, moderada y estadísticamente significativa entre la frecuencia
de uso de IA y el nivel de competencias digitales (ρ = 0.612, p < .001). Se concluye que la integración
pedagógica crítica y reflexiva de la IA puede constituirse en un catalizador poderoso para el
fortalecimiento de competencias digitales en la educación secundaria ecuatoriana, siempre que se
acompañe de una mediación docente estratégica.
Palabras clave: inteligencia artificial; competencias digitales; correlación de Spearman; aprendizaje
autónomo; tecnología educativa.
1 Autor principal.
Correspondencia: acalle1@utmachala.edu.ec
pág. 6771
Artificial Intelligence and Digital Competencies in the Unified General
Baccalaureate: A Quantitative Analysis with Spearman Correlation Test
ABSTRACT
The emergence of artificial intelligence in educational environments represents one of the most
disruptive phenomena in contemporary education. This study analyzes the relationship between the use
of artificial intelligence tools and the development of digital competencies in students of the Unified
General Baccalaureate at the Carmen Mora de Encalada Educational Unit. Using a quantitative approach
with a descriptive-correlational scope and a non-experimental cross-sectional design, a structured and
validated questionnaire (Cronbach's α = 0.87) was administered to a census sample of 140 students aged
15 to 18 years. Data were processed using SPSS v.27, applying descriptive statistics, frequency tables,
and Spearman's non-parametric correlation test (ρ) to examine the hypothesized association between AI
usage frequency and self-perceived digital competency levels. Results show that 92.8% of students use
at least one AI tool, with ChatGPT being the most widely used (66.2%). Spearman's analysis revealed
a positive, moderate, and statistically significant correlation between AI usage frequency and digital
competency levels (ρ = 0.612, p < .001). It is concluded that the critical and reflective pedagogical
integration of AI can serve as a powerful catalyst for strengthening digital competencies in Ecuadorian
secondary education, provided it is accompanied by strategic teaching mediation.
Keywords: artificial intelligence; digital competencies; Spearman correlation; autonomous learning;
educational technology.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
Artificial Intelligence and Digital Competencies in the Unified General
Baccalaureate: A Quantitative Analysis with Spearman Correlation Test
ABSTRACT
The emergence of artificial intelligence in educational environments represents one of the most
disruptive phenomena in contemporary education. This study analyzes the relationship between the use
of artificial intelligence tools and the development of digital competencies in students of the Unified
General Baccalaureate at the Carmen Mora de Encalada Educational Unit. Using a quantitative approach
with a descriptive-correlational scope and a non-experimental cross-sectional design, a structured and
validated questionnaire (Cronbach's α = 0.87) was administered to a census sample of 140 students aged
15 to 18 years. Data were processed using SPSS v.27, applying descriptive statistics, frequency tables,
and Spearman's non-parametric correlation test (ρ) to examine the hypothesized association between AI
usage frequency and self-perceived digital competency levels. Results show that 92.8% of students use
at least one AI tool, with ChatGPT being the most widely used (66.2%). Spearman's analysis revealed
a positive, moderate, and statistically significant correlation between AI usage frequency and digital
competency levels (ρ = 0.612, p < .001). It is concluded that the critical and reflective pedagogical
integration of AI can serve as a powerful catalyst for strengthening digital competencies in Ecuadorian
secondary education, provided it is accompanied by strategic teaching mediation.
Keywords: artificial intelligence; digital competencies; Spearman correlation; autonomous learning;
educational technology.
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 6772
INTRODUCCIÓN
La transformación digital de las sociedades contemporáneas ha situado a la inteligencia artificial (IA)
en el epicentro de los debates educativos más urgentes y trascendentales de nuestro tiempo. Lejos de ser
un fenómeno periférico o experimental, la IA ha penetrado de manera vertiginosa y estructural en los
sistemas de enseñanza-aprendizaje, reconfigurando radicalmente el rol del docente, las estrategias
pedagógicas y, sobre todo, las competencias que los estudiantes necesitan desarrollar para insertarse de
forma crítica y productiva en una sociedad crecientemente automatizada. En este contexto de
transformación inédita, el Bachillerato General Unificado (BGU) del Ecuador representa un eslabón
estratégico y crítico en la formación de ciudadanos digitales capaces de apropiarse de estas tecnologías
con responsabilidad, creatividad y pensamiento crítico.
La inteligencia artificial educativa (IAEd) se define como el conjunto de sistemas, algoritmos y
aplicaciones computacionales que, basados en modelos de aprendizaje automático, procesamiento de
lenguaje natural y redes neuronales profundas, son capaces de adaptarse a las necesidades individuales
del aprendiz, procesar cantidades masivas de datos educativos y ofrecer experiencias de aprendizaje
personalizadas, retroalimentación inmediata y soporte cognitivo en tiempo real (Luckin et al., 2016;
Zawacki-Richter et al., 2019). Esta capacidad adaptativa y personalizada constituye, sin lugar a dudas,
el atributo más revolucionario de la IA en educación, ya que desafía los modelos pedagógicos
tradicionales de transmisión lineal del conocimiento y abre horizontes inéditos para la diferenciación
instruccional.
En el ámbito latinoamericano, y específicamente en Ecuador, la integración de herramientas de IA en
los procesos educativos del nivel secundario ha experimentado un crecimiento exponencial, impulsado
por la masificación de dispositivos móviles con acceso a internet y la proliferación de plataformas de IA
generativa de acceso gratuito o de bajo costo. Investigaciones recientes documentan que la adopción de
estas tecnologías entre adolescentes escolarizados supera el 80% en múltiples contextos urbanos
latinoamericanos (Montesdeoca Salazar et al., 2025; Beltrán Arcos et al., 2025), lo que plantea
interrogantes fundamentales sobre la calidad pedagógica de dicho uso, su impacto en el desarrollo de
competencias digitales complejas y los riesgos asociados a la dependencia tecnológica acrítica.
INTRODUCCIÓN
La transformación digital de las sociedades contemporáneas ha situado a la inteligencia artificial (IA)
en el epicentro de los debates educativos más urgentes y trascendentales de nuestro tiempo. Lejos de ser
un fenómeno periférico o experimental, la IA ha penetrado de manera vertiginosa y estructural en los
sistemas de enseñanza-aprendizaje, reconfigurando radicalmente el rol del docente, las estrategias
pedagógicas y, sobre todo, las competencias que los estudiantes necesitan desarrollar para insertarse de
forma crítica y productiva en una sociedad crecientemente automatizada. En este contexto de
transformación inédita, el Bachillerato General Unificado (BGU) del Ecuador representa un eslabón
estratégico y crítico en la formación de ciudadanos digitales capaces de apropiarse de estas tecnologías
con responsabilidad, creatividad y pensamiento crítico.
La inteligencia artificial educativa (IAEd) se define como el conjunto de sistemas, algoritmos y
aplicaciones computacionales que, basados en modelos de aprendizaje automático, procesamiento de
lenguaje natural y redes neuronales profundas, son capaces de adaptarse a las necesidades individuales
del aprendiz, procesar cantidades masivas de datos educativos y ofrecer experiencias de aprendizaje
personalizadas, retroalimentación inmediata y soporte cognitivo en tiempo real (Luckin et al., 2016;
Zawacki-Richter et al., 2019). Esta capacidad adaptativa y personalizada constituye, sin lugar a dudas,
el atributo más revolucionario de la IA en educación, ya que desafía los modelos pedagógicos
tradicionales de transmisión lineal del conocimiento y abre horizontes inéditos para la diferenciación
instruccional.
En el ámbito latinoamericano, y específicamente en Ecuador, la integración de herramientas de IA en
los procesos educativos del nivel secundario ha experimentado un crecimiento exponencial, impulsado
por la masificación de dispositivos móviles con acceso a internet y la proliferación de plataformas de IA
generativa de acceso gratuito o de bajo costo. Investigaciones recientes documentan que la adopción de
estas tecnologías entre adolescentes escolarizados supera el 80% en múltiples contextos urbanos
latinoamericanos (Montesdeoca Salazar et al., 2025; Beltrán Arcos et al., 2025), lo que plantea
interrogantes fundamentales sobre la calidad pedagógica de dicho uso, su impacto en el desarrollo de
competencias digitales complejas y los riesgos asociados a la dependencia tecnológica acrítica.
pág. 6773
El Marco de Competencias Digitales para Ciudadanos (DigComp 2.2) de la Unión Europea,
ampliamente adoptado como referente internacional, establece cinco áreas fundamentales de
competencia digital: alfabetización informacional y de datos, comunicación y colaboración, creación de
contenidos digitales, seguridad, y resolución de problemas (Vuorikari et al., 2022).
La hipótesis central que orienta este estudio postula que el uso frecuente y pedagógicamente guiado de
herramientas de IA puede contribuir de manera significativa al desarrollo de estas áreas competenciales,
particularmente en dimensiones como la búsqueda y evaluación crítica de información, la creación de
contenidos asistida por IA y la resolución de problemas cognitivos complejos.
No obstante, la literatura científica también advierte con contundencia sobre los riesgos inherentes a un
uso irreflexivo y no mediado de la IA en entornos educativos. Selwyn (2019) y Holmes et al. (2019)
señalan que cuando los estudiantes utilizan sistemas de IA generativa sin supervisión pedagógica crítica,
se genera un fenómeno de "delegación cognitiva" que inhibe el desarrollo del pensamiento crítico, la
metacognición y las habilidades de razonamiento de orden superior.
Del Cisne Loján et al. (2024) añaden que la dependencia tecnológica puede producir una superficialidad
alarmante en los aprendizajes, caracterizada por la búsqueda de respuestas inmediatas sin comprensión
profunda de los procesos subyacentes. Esta tensión irreductible entre el potencial transformador y los
riesgos pedagógicos de la IA constituye el núcleo problemático que articula la presente investigación.
En este contexto de complejidad y urgencia epistémica, el presente estudio se propone analizar
empíricamente con rigor metodológico y estadístico la relación entre la frecuencia y el tipo de uso de
herramientas de IA y el nivel de competencias digitales autopercibidas por los estudiantes del
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada. Se formula la
siguiente pregunta de investigación: ¿Existe una relación estadísticamente significativa entre la
frecuencia de uso de herramientas de inteligencia artificial y el nivel de competencias digitales en los
estudiantes del Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada?
En consecuencia, el objetivo general es determinar la relación entre el uso de herramientas de
inteligencia artificial y el desarrollo de competencias digitales en estudiantes del Bachillerato General
Unificado. Los objetivos específicos son: (a) caracterizar los patrones de uso de herramientas de IA en
la muestra estudiada; (b) identificar las herramientas de IA más utilizadas y sus aplicaciones académicas
El Marco de Competencias Digitales para Ciudadanos (DigComp 2.2) de la Unión Europea,
ampliamente adoptado como referente internacional, establece cinco áreas fundamentales de
competencia digital: alfabetización informacional y de datos, comunicación y colaboración, creación de
contenidos digitales, seguridad, y resolución de problemas (Vuorikari et al., 2022).
La hipótesis central que orienta este estudio postula que el uso frecuente y pedagógicamente guiado de
herramientas de IA puede contribuir de manera significativa al desarrollo de estas áreas competenciales,
particularmente en dimensiones como la búsqueda y evaluación crítica de información, la creación de
contenidos asistida por IA y la resolución de problemas cognitivos complejos.
No obstante, la literatura científica también advierte con contundencia sobre los riesgos inherentes a un
uso irreflexivo y no mediado de la IA en entornos educativos. Selwyn (2019) y Holmes et al. (2019)
señalan que cuando los estudiantes utilizan sistemas de IA generativa sin supervisión pedagógica crítica,
se genera un fenómeno de "delegación cognitiva" que inhibe el desarrollo del pensamiento crítico, la
metacognición y las habilidades de razonamiento de orden superior.
Del Cisne Loján et al. (2024) añaden que la dependencia tecnológica puede producir una superficialidad
alarmante en los aprendizajes, caracterizada por la búsqueda de respuestas inmediatas sin comprensión
profunda de los procesos subyacentes. Esta tensión irreductible entre el potencial transformador y los
riesgos pedagógicos de la IA constituye el núcleo problemático que articula la presente investigación.
En este contexto de complejidad y urgencia epistémica, el presente estudio se propone analizar
empíricamente con rigor metodológico y estadístico la relación entre la frecuencia y el tipo de uso de
herramientas de IA y el nivel de competencias digitales autopercibidas por los estudiantes del
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada. Se formula la
siguiente pregunta de investigación: ¿Existe una relación estadísticamente significativa entre la
frecuencia de uso de herramientas de inteligencia artificial y el nivel de competencias digitales en los
estudiantes del Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada?
En consecuencia, el objetivo general es determinar la relación entre el uso de herramientas de
inteligencia artificial y el desarrollo de competencias digitales en estudiantes del Bachillerato General
Unificado. Los objetivos específicos son: (a) caracterizar los patrones de uso de herramientas de IA en
la muestra estudiada; (b) identificar las herramientas de IA más utilizadas y sus aplicaciones académicas
pág. 6774
predominantes; (c) evaluar el nivel de competencias digitales autopercibidas; y (d) contrastar
estadísticamente la hipótesis de correlación entre uso de IA y competencias digitales mediante la prueba
de Spearman. Los hallazgos de este estudio aportan evidencia empírica valiosa para el diseño de políticas
educativas, estrategias pedagógicas y programas de formación docente en el Ecuador digital del siglo
XXI.
METODOLOGÍA
Enfoque y diseño de investigación
La investigación adoptó un enfoque cuantitativo, orientado a la medición objetiva de variables y al
establecimiento de relaciones estadísticas entre ellas mediante procedimientos matemáticos
reproducibles (Hernández-Sampieri & Mendoza, 2018). El alcance fue descriptivo-correlacional:
descriptivo, en tanto se caracterizaron los patrones de uso de IA y el perfil de competencias digitales de
los participantes; y correlacional, en cuanto se buscó determinar el grado y la dirección de asociación
entre dichas variables. El diseño fue no experimental de corte transversal, dado que los datos se
recolectaron en un único momento temporal sin manipulación deliberada de las variables independientes
(Arias, 2020).
Hipótesis de investigación
H₁: Existe una correlación positiva y estadísticamente significativa entre la frecuencia de uso de
herramientas de inteligencia artificial y el nivel de competencias digitales autopercibidas en los
estudiantes del Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada (α =
0.05).
H₀: No existe correlación estadísticamente significativa entre la frecuencia de uso de herramientas de
inteligencia artificial y el nivel de competencias digitales autopercibidas en los estudiantes del
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada (α = 0.05).
Población y muestra
La población objetivo estuvo constituida por la totalidad de los estudiantes matriculados en el
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada durante el período
lectivo 2025-2026, con edades comprendidas entre los 15 y 18 años. La Unidad Educativa Carmen Mora
de Encalada se ubica en la ciudad de Pasaje, provincia de El Oro, Ecuador, y atiende a estudiantes de
predominantes; (c) evaluar el nivel de competencias digitales autopercibidas; y (d) contrastar
estadísticamente la hipótesis de correlación entre uso de IA y competencias digitales mediante la prueba
de Spearman. Los hallazgos de este estudio aportan evidencia empírica valiosa para el diseño de políticas
educativas, estrategias pedagógicas y programas de formación docente en el Ecuador digital del siglo
XXI.
METODOLOGÍA
Enfoque y diseño de investigación
La investigación adoptó un enfoque cuantitativo, orientado a la medición objetiva de variables y al
establecimiento de relaciones estadísticas entre ellas mediante procedimientos matemáticos
reproducibles (Hernández-Sampieri & Mendoza, 2018). El alcance fue descriptivo-correlacional:
descriptivo, en tanto se caracterizaron los patrones de uso de IA y el perfil de competencias digitales de
los participantes; y correlacional, en cuanto se buscó determinar el grado y la dirección de asociación
entre dichas variables. El diseño fue no experimental de corte transversal, dado que los datos se
recolectaron en un único momento temporal sin manipulación deliberada de las variables independientes
(Arias, 2020).
Hipótesis de investigación
H₁: Existe una correlación positiva y estadísticamente significativa entre la frecuencia de uso de
herramientas de inteligencia artificial y el nivel de competencias digitales autopercibidas en los
estudiantes del Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada (α =
0.05).
H₀: No existe correlación estadísticamente significativa entre la frecuencia de uso de herramientas de
inteligencia artificial y el nivel de competencias digitales autopercibidas en los estudiantes del
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada (α = 0.05).
Población y muestra
La población objetivo estuvo constituida por la totalidad de los estudiantes matriculados en el
Bachillerato General Unificado de la Unidad Educativa Carmen Mora de Encalada durante el período
lectivo 2025-2026, con edades comprendidas entre los 15 y 18 años. La Unidad Educativa Carmen Mora
de Encalada se ubica en la ciudad de Pasaje, provincia de El Oro, Ecuador, y atiende a estudiantes de
pág. 6775
nivel socioeconómico medio y medio-bajo, característica que otorga representatividad al contexto de
investigación.
Se aplicó un muestreo censal, incorporando a los 140 estudiantes que cumplieron con los criterios de
inclusión establecidos. Los criterios de inclusión fueron: (a) estar matriculado activamente en el
Bachillerato General Unificado durante el período de recolección de datos; (b) contar con acceso
habitual a dispositivos tecnológicos con conexión a internet; y (c) otorgar el consentimiento informado
para participar en el estudio. Los criterios de exclusión fueron: (a) presentar ausentismo superior al 30%
durante el período de recolección; y (b) negativa expresa a participar. La muestra final válida fue de N
= 140 participantes, con una tasa de respuesta completa del 100%.
Instrumento de recolección de datos
Se diseñó y aplicó un cuestionario estructurado ad hoc denominado "Cuestionario sobre Uso de
Inteligencia Artificial y Competencias Digitales", organizado en cuatro dimensiones: (a) datos
sociodemográficos (5 ítems); (b) patrones de acceso y uso de herramientas de IA (8 ítems, escala
nominal y ordinal); (c) competencias digitales autopercibidas (15 ítems en escala Likert de cinco puntos,
desde 1 = Totalmente en desacuerdo hasta 5 = Totalmente de acuerdo), organizadas siguiendo las cinco
áreas del DigComp 2.2; y (d) percepción del impacto de la IA en el aprendizaje (7 ítems en escala
Likert). El total de ítems cuantitativos ascendió a 22, generando un índice compuesto de competencias
digitales (ICD) mediante la suma ponderada de las dimensiones evaluadas.
La validez de contenido fue establecida mediante juicio de cinco expertos en educación y tecnología
educativa con grado de Magíster, quienes evaluaron la pertinencia, claridad y coherencia de cada ítem
utilizando el método del Índice de Validez de Contenido de Lawshe (IVC = 0.91, superando el umbral
crítico de 0.80). La confiabilidad interna del instrumento fue calculada mediante el coeficiente alfa de
Cronbach, obteniendo un valor de α = 0.87 para el total de la escala, y valores superiores a 0.80 en cada
subescala, lo que denota una consistencia interna alta según los criterios de George y Mallery (2003).
Previo a la aplicación definitiva, se realizó una prueba piloto con 20 estudiantes de características
similares a la muestra, confirmándose la comprensibilidad y pertinencia de los ítems.
nivel socioeconómico medio y medio-bajo, característica que otorga representatividad al contexto de
investigación.
Se aplicó un muestreo censal, incorporando a los 140 estudiantes que cumplieron con los criterios de
inclusión establecidos. Los criterios de inclusión fueron: (a) estar matriculado activamente en el
Bachillerato General Unificado durante el período de recolección de datos; (b) contar con acceso
habitual a dispositivos tecnológicos con conexión a internet; y (c) otorgar el consentimiento informado
para participar en el estudio. Los criterios de exclusión fueron: (a) presentar ausentismo superior al 30%
durante el período de recolección; y (b) negativa expresa a participar. La muestra final válida fue de N
= 140 participantes, con una tasa de respuesta completa del 100%.
Instrumento de recolección de datos
Se diseñó y aplicó un cuestionario estructurado ad hoc denominado "Cuestionario sobre Uso de
Inteligencia Artificial y Competencias Digitales", organizado en cuatro dimensiones: (a) datos
sociodemográficos (5 ítems); (b) patrones de acceso y uso de herramientas de IA (8 ítems, escala
nominal y ordinal); (c) competencias digitales autopercibidas (15 ítems en escala Likert de cinco puntos,
desde 1 = Totalmente en desacuerdo hasta 5 = Totalmente de acuerdo), organizadas siguiendo las cinco
áreas del DigComp 2.2; y (d) percepción del impacto de la IA en el aprendizaje (7 ítems en escala
Likert). El total de ítems cuantitativos ascendió a 22, generando un índice compuesto de competencias
digitales (ICD) mediante la suma ponderada de las dimensiones evaluadas.
La validez de contenido fue establecida mediante juicio de cinco expertos en educación y tecnología
educativa con grado de Magíster, quienes evaluaron la pertinencia, claridad y coherencia de cada ítem
utilizando el método del Índice de Validez de Contenido de Lawshe (IVC = 0.91, superando el umbral
crítico de 0.80). La confiabilidad interna del instrumento fue calculada mediante el coeficiente alfa de
Cronbach, obteniendo un valor de α = 0.87 para el total de la escala, y valores superiores a 0.80 en cada
subescala, lo que denota una consistencia interna alta según los criterios de George y Mallery (2003).
Previo a la aplicación definitiva, se realizó una prueba piloto con 20 estudiantes de características
similares a la muestra, confirmándose la comprensibilidad y pertinencia de los ítems.
pág. 6776
Procedimiento de recolección de datos
La recolección de datos se realizó en el mes de octubre de 2025, mediante un formulario digital alojado
en Google Forms, distribuido a través de las plataformas institucionales de comunicación de la Unidad
Educativa. Los estudiantes dispusieron de un período de cinco días hábiles para completar el
cuestionario, garantizándose el anonimato y la confidencialidad de las respuestas. Previo a la
participación, todos los estudiantes menores de edad recibieron el Anexo 1a. Acuerdo de consentimiento
informado para otros integrantes del sistema educativo.
Análisis estadístico
El análisis estadístico se realizó en tres fases secuenciales con el software IBM SPSS Statistics v.27. En
la primera fase, se efectuó un análisis descriptivo univariado de todas las variables mediante frecuencias
absolutas, porcentajes, medias (M) y desviaciones estándar (DE). En la segunda fase, se verificó el
supuesto de normalidad de las distribuciones de las variables continuas mediante la prueba de
Kolmogorov-Smirnov (K-S), obteniéndose p < .05 para la variable frecuencia de uso de IA (D = 0.131,
p = .023) y el Índice de Competencias Digitales (D = 0.109, p = 0.048), lo que indicó que las
distribuciones no se ajustaban a la curva normal y justificó el uso de estadística no paramétrica para el
análisis inferencial.
En la tercera fase, se aplicó la prueba de correlación por rangos de Spearman (ρ) para contrastar la
hipótesis de asociación entre la frecuencia de uso de herramientas de IA (variable ordinal) y el Índice
de Competencias Digitales (variable continua con distribución no normal). El nivel de significancia
estadística se fijó en α = 0.05 (bilateral). La interpretación de la magnitud de la correlación siguió los
criterios de Cohen (1988): ρ < 0.30 = efecto pequeño; 0.30 ≤ ρ < 0.50 = efecto moderado-bajo; 0.50 ≤
ρ < 0.70 = efecto moderado; ρ ≥ 0.70 = efecto grande. Adicionalmente, se realizaron análisis de
comparación de medias mediante la prueba de Kruskal-Wallis para determinar diferencias en el Ííndice
de Competencias Digitales según la herramienta de IA preferida.
Procedimiento de recolección de datos
La recolección de datos se realizó en el mes de octubre de 2025, mediante un formulario digital alojado
en Google Forms, distribuido a través de las plataformas institucionales de comunicación de la Unidad
Educativa. Los estudiantes dispusieron de un período de cinco días hábiles para completar el
cuestionario, garantizándose el anonimato y la confidencialidad de las respuestas. Previo a la
participación, todos los estudiantes menores de edad recibieron el Anexo 1a. Acuerdo de consentimiento
informado para otros integrantes del sistema educativo.
Análisis estadístico
El análisis estadístico se realizó en tres fases secuenciales con el software IBM SPSS Statistics v.27. En
la primera fase, se efectuó un análisis descriptivo univariado de todas las variables mediante frecuencias
absolutas, porcentajes, medias (M) y desviaciones estándar (DE). En la segunda fase, se verificó el
supuesto de normalidad de las distribuciones de las variables continuas mediante la prueba de
Kolmogorov-Smirnov (K-S), obteniéndose p < .05 para la variable frecuencia de uso de IA (D = 0.131,
p = .023) y el Índice de Competencias Digitales (D = 0.109, p = 0.048), lo que indicó que las
distribuciones no se ajustaban a la curva normal y justificó el uso de estadística no paramétrica para el
análisis inferencial.
En la tercera fase, se aplicó la prueba de correlación por rangos de Spearman (ρ) para contrastar la
hipótesis de asociación entre la frecuencia de uso de herramientas de IA (variable ordinal) y el Índice
de Competencias Digitales (variable continua con distribución no normal). El nivel de significancia
estadística se fijó en α = 0.05 (bilateral). La interpretación de la magnitud de la correlación siguió los
criterios de Cohen (1988): ρ < 0.30 = efecto pequeño; 0.30 ≤ ρ < 0.50 = efecto moderado-bajo; 0.50 ≤
ρ < 0.70 = efecto moderado; ρ ≥ 0.70 = efecto grande. Adicionalmente, se realizaron análisis de
comparación de medias mediante la prueba de Kruskal-Wallis para determinar diferencias en el Ííndice
de Competencias Digitales según la herramienta de IA preferida.
pág. 6777
RESULTADOS Y DISCUSIÓN
Perfil sociodemográfico de la muestra
La muestra estuvo compuesta por 140 estudiantes, con predominio del sexo femenino (53.6%, n = 75)
sobre el masculino (46.4%, n = 65). La media de edad fue M = 16.4 años (DE = 0.91), con un rango de
15 a 18 años. Respecto al nivel de bachillerato, el 33.6% cursaba primero de Bachillerato General
Unificado, el 35.0% segundo, y el 31.4% tercero. En cuanto al acceso a dispositivos tecnológicos, el
79.3% reportó utilizar teléfono inteligente como dispositivo principal, el 15.0% laptop o computadora
de escritorio, y el 5.7% tablets u otros dispositivos. El 94.3% declaró tener acceso a internet con una
frecuencia diaria o casi diaria. Estos datos confirman un nivel de conectividad elevado en la muestra,
condición fundamental para el uso de herramientas de IA en línea.
Tabla 1 Características sociodemográficas de la muestra (N = 140)
Variable Categoría n %
Sexo Femenino 75 53.6%
Masculino 65 46.4%
Nivel de BGU Primero 47 33.6%
Segundo 49 35.0%
Tercero 44 31.4%
Dispositivo principal Teléfono inteligente 111 79.3%
Laptop/PC 21 15.0%
Tablet u otros 8 5.7%
Acceso a internet Diario o casi diario 132 94.3%
2-3 veces por semana 8 5.7%
Nota. Elaboración propia a partir de los datos obtenidos.
RESULTADOS Y DISCUSIÓN
Perfil sociodemográfico de la muestra
La muestra estuvo compuesta por 140 estudiantes, con predominio del sexo femenino (53.6%, n = 75)
sobre el masculino (46.4%, n = 65). La media de edad fue M = 16.4 años (DE = 0.91), con un rango de
15 a 18 años. Respecto al nivel de bachillerato, el 33.6% cursaba primero de Bachillerato General
Unificado, el 35.0% segundo, y el 31.4% tercero. En cuanto al acceso a dispositivos tecnológicos, el
79.3% reportó utilizar teléfono inteligente como dispositivo principal, el 15.0% laptop o computadora
de escritorio, y el 5.7% tablets u otros dispositivos. El 94.3% declaró tener acceso a internet con una
frecuencia diaria o casi diaria. Estos datos confirman un nivel de conectividad elevado en la muestra,
condición fundamental para el uso de herramientas de IA en línea.
Tabla 1 Características sociodemográficas de la muestra (N = 140)
Variable Categoría n %
Sexo Femenino 75 53.6%
Masculino 65 46.4%
Nivel de BGU Primero 47 33.6%
Segundo 49 35.0%
Tercero 44 31.4%
Dispositivo principal Teléfono inteligente 111 79.3%
Laptop/PC 21 15.0%
Tablet u otros 8 5.7%
Acceso a internet Diario o casi diario 132 94.3%
2-3 veces por semana 8 5.7%
Nota. Elaboración propia a partir de los datos obtenidos.
pág. 6778
Patrones de uso de herramientas de inteligencia artificial
El análisis de los patrones de uso reveló que el 92.8% de los estudiantes (n = 130) utiliza al menos una
herramienta de IA en sus actividades académicas o cotidianas, mientras que únicamente el 7.2% (n =
10) declaró no hacer uso de ninguna. Este elevadísimo índice de adopción tecnológica supera los
reportados en estudios previos realizados en contextos similares (Jumbo Misquero et al., 2025;
Montesdeoca Salazar et al., 2025) y evidencia que la IA ha trascendido el estatus de herramienta
emergente para convertirse en una tecnología de uso masivo entre los adolescentes ecuatorianos.
Tabla 2 Frecuencia de uso de herramientas de inteligencia artificial (N = 140)
Frecuencia de uso n % % acumulado
Nunca (1) 10 7.2% 7.2%
Rara vez (2) 18 12.9% 20.1%
A veces (3) 42 30.0% 50.1%
Frecuentemente (4) 52 37.1% 87.2%
Siempre (5) 18 12.9% 100.0%
Total 140 100% —
Nota. Escala de frecuencia de 5 puntos: 1 = Nunca, 2 = Rara vez, 3 = A veces, 4 = Frecuentemente, 5 = Siempre.
Como se observa en la Tabla 2, la frecuencia modal de uso corresponde a la categoría "Frecuentemente"
(37.1%), y la media aritmética de M = 3.36 (DE = 1.02) indica que, en promedio, los estudiantes usan
herramientas de IA entre "a veces" y "frecuentemente". El 50.0% de la muestra declara un uso frecuente
o sistemático (categorías 4 y 5), lo que evidencia una integración consolidada de estas tecnologías en
las rutinas académicas estudiantiles.
Patrones de uso de herramientas de inteligencia artificial
El análisis de los patrones de uso reveló que el 92.8% de los estudiantes (n = 130) utiliza al menos una
herramienta de IA en sus actividades académicas o cotidianas, mientras que únicamente el 7.2% (n =
10) declaró no hacer uso de ninguna. Este elevadísimo índice de adopción tecnológica supera los
reportados en estudios previos realizados en contextos similares (Jumbo Misquero et al., 2025;
Montesdeoca Salazar et al., 2025) y evidencia que la IA ha trascendido el estatus de herramienta
emergente para convertirse en una tecnología de uso masivo entre los adolescentes ecuatorianos.
Tabla 2 Frecuencia de uso de herramientas de inteligencia artificial (N = 140)
Frecuencia de uso n % % acumulado
Nunca (1) 10 7.2% 7.2%
Rara vez (2) 18 12.9% 20.1%
A veces (3) 42 30.0% 50.1%
Frecuentemente (4) 52 37.1% 87.2%
Siempre (5) 18 12.9% 100.0%
Total 140 100% —
Nota. Escala de frecuencia de 5 puntos: 1 = Nunca, 2 = Rara vez, 3 = A veces, 4 = Frecuentemente, 5 = Siempre.
Como se observa en la Tabla 2, la frecuencia modal de uso corresponde a la categoría "Frecuentemente"
(37.1%), y la media aritmética de M = 3.36 (DE = 1.02) indica que, en promedio, los estudiantes usan
herramientas de IA entre "a veces" y "frecuentemente". El 50.0% de la muestra declara un uso frecuente
o sistemático (categorías 4 y 5), lo que evidencia una integración consolidada de estas tecnologías en
las rutinas académicas estudiantiles.
pág. 6779
Tabla 3 Herramientas de inteligencia artificial utilizadas por los estudiantes (N = 140)
Herramienta de IA n % Uso académico predominante
ChatGPT (OpenAI) 93 66.4% Redacción, resolución de tareas, búsqueda de
información
Gemini (Google) 19 13.6% Búsqueda de información, síntesis de
contenidos
Microsoft Copilot 8 5.7% Apoyo en tareas de escritura y búsqueda
Otras herramientas 10 7.1% Traducción, generación de imágenes, código
No utilizan IA 10 7.2% —
Total 140 100.0%
Nota. Los porcentajes corresponden al total de la muestra. La categoría 'No usan' incluye a los 10 estudiantes que declararon
frecuencia = Nunca.
Los resultados de la Tabla 3 ratifican el dominio hegemónico de ChatGPT en el ecosistema de IA
educativa estudiantil: el 66.4% de la muestra la identifica como su herramienta principal. Este
predominio refleja la superior capacidad de los modelos de lenguaje de gran escala (LLM) para
satisfacer las demandas académicas inmediatas de los estudiantes, tales como la síntesis de información,
la redacción de textos y la resolución de ejercicios. Estos hallazgos coinciden con los reportados por
Quinde-Zambrano et al. (2025) y Jiménez Bran et al. (2025), quienes documentan tendencias similares
en poblaciones de educación básica y superior ecuatoriana.
Competencias digitales autopercibidas
El Índice de Competencias Digitales (ICD) fue calculado como la suma de las puntuaciones en los 15
ítems de la escala Likert (rango teórico: 15-75). La media del ICD en la muestra fue M = 52.3 (DE =
9.8), lo que representa un nivel de competencia digital autopercibida de "moderado-alto" según los
criterios de categorización establecidos para el instrumento (bajo: 15-34; moderado: 35-54; alto: 55-75).
Tabla 3 Herramientas de inteligencia artificial utilizadas por los estudiantes (N = 140)
Herramienta de IA n % Uso académico predominante
ChatGPT (OpenAI) 93 66.4% Redacción, resolución de tareas, búsqueda de
información
Gemini (Google) 19 13.6% Búsqueda de información, síntesis de
contenidos
Microsoft Copilot 8 5.7% Apoyo en tareas de escritura y búsqueda
Otras herramientas 10 7.1% Traducción, generación de imágenes, código
No utilizan IA 10 7.2% —
Total 140 100.0%
Nota. Los porcentajes corresponden al total de la muestra. La categoría 'No usan' incluye a los 10 estudiantes que declararon
frecuencia = Nunca.
Los resultados de la Tabla 3 ratifican el dominio hegemónico de ChatGPT en el ecosistema de IA
educativa estudiantil: el 66.4% de la muestra la identifica como su herramienta principal. Este
predominio refleja la superior capacidad de los modelos de lenguaje de gran escala (LLM) para
satisfacer las demandas académicas inmediatas de los estudiantes, tales como la síntesis de información,
la redacción de textos y la resolución de ejercicios. Estos hallazgos coinciden con los reportados por
Quinde-Zambrano et al. (2025) y Jiménez Bran et al. (2025), quienes documentan tendencias similares
en poblaciones de educación básica y superior ecuatoriana.
Competencias digitales autopercibidas
El Índice de Competencias Digitales (ICD) fue calculado como la suma de las puntuaciones en los 15
ítems de la escala Likert (rango teórico: 15-75). La media del ICD en la muestra fue M = 52.3 (DE =
9.8), lo que representa un nivel de competencia digital autopercibida de "moderado-alto" según los
criterios de categorización establecidos para el instrumento (bajo: 15-34; moderado: 35-54; alto: 55-75).
pág. 6780
Tabla 4 Competencias digitales autopercibidas por área DigComp 2.2 (N = 140)
Área DigComp 2.2 Ítems M (ítem) DE Nivel
Alfabetización informacional y
de datos
3 3.71 0.84 Moderado
Comunicación y colaboración
digital
3 3.89 0.79 Moderado
Creación de contenidos
digitales
3 3.44 0.92 Moderado
Seguridad y privacidad digital 3 3.12 1.01 Moderado
Resolución de problemas con
TIC
3 3.63 0.88 Moderado
ICD Total (15 ítems) 52.3 9.8 Moderado-Alto
Nota. Puntuaciones en escala Likert de 1 a 5. M = Media por ítem; ICD_área = Índice de Competencia Digital por área (suma
de ítems). Alto: ≥ 4.0; Moderado: 3.0-3.99; Bajo: < 3.0.
El área con mayor puntuación promedio fue "Comunicación y colaboración digital" (M = 3.89), seguida
de
"Alfabetización informacional y de datos" (M = 3.71) y "Resolución de problemas con TIC" (M = 3.63).
El área con menor desarrollo percibido fue "Seguridad y privacidad digital" (M = 3.12), lo que coincide
con la literatura internacional que señala esta dimensión como la más deficitaria en poblaciones jóvenes
(Vuorikari et al., 2022). La brecha entre el uso intensivo de herramientas digitales y el escaso
conocimiento sobre seguridad y privacidad constituye un hallazgo crítico que demanda atención
pedagógica urgente.
Prueba de normalidad y selección del estadístico inferencial
Previo al análisis correlacional, se verificó el supuesto de normalidad de las distribuciones de las
variables principales mediante la prueba de Kolmogorov-Smirnov. Los resultados indicaron que tanto
la variable "Frecuencia de uso de IA" (D(140) = 0.131, p = .023) como el "Índice de Competencias
Tabla 4 Competencias digitales autopercibidas por área DigComp 2.2 (N = 140)
Área DigComp 2.2 Ítems M (ítem) DE Nivel
Alfabetización informacional y
de datos
3 3.71 0.84 Moderado
Comunicación y colaboración
digital
3 3.89 0.79 Moderado
Creación de contenidos
digitales
3 3.44 0.92 Moderado
Seguridad y privacidad digital 3 3.12 1.01 Moderado
Resolución de problemas con
TIC
3 3.63 0.88 Moderado
ICD Total (15 ítems) 52.3 9.8 Moderado-Alto
Nota. Puntuaciones en escala Likert de 1 a 5. M = Media por ítem; ICD_área = Índice de Competencia Digital por área (suma
de ítems). Alto: ≥ 4.0; Moderado: 3.0-3.99; Bajo: < 3.0.
El área con mayor puntuación promedio fue "Comunicación y colaboración digital" (M = 3.89), seguida
de
"Alfabetización informacional y de datos" (M = 3.71) y "Resolución de problemas con TIC" (M = 3.63).
El área con menor desarrollo percibido fue "Seguridad y privacidad digital" (M = 3.12), lo que coincide
con la literatura internacional que señala esta dimensión como la más deficitaria en poblaciones jóvenes
(Vuorikari et al., 2022). La brecha entre el uso intensivo de herramientas digitales y el escaso
conocimiento sobre seguridad y privacidad constituye un hallazgo crítico que demanda atención
pedagógica urgente.
Prueba de normalidad y selección del estadístico inferencial
Previo al análisis correlacional, se verificó el supuesto de normalidad de las distribuciones de las
variables principales mediante la prueba de Kolmogorov-Smirnov. Los resultados indicaron que tanto
la variable "Frecuencia de uso de IA" (D(140) = 0.131, p = .023) como el "Índice de Competencias
pág. 6781
Digitales" (D(140) = 0.109, p = .048) presentaron distribuciones significativamente diferentes de la
normal (p < .05), lo que implicó el rechazo del supuesto de normalidad y justificó estadísticamente la
elección de la prueba no paramétrica de Spearman sobre la correlación de Pearson.
Tabla 5 Prueba de normalidad de Kolmogorov-Smirnov para las variables principales (N = 140)
Variable Estadístico D gl p-valor Conclusión
Frecuencia de uso de IA 0.131 140 0.023* No normal
Índice de Competencias
Digitales (ICD)
0.109 140 0.048* No normal
Percepción del impacto de la
IA
0.097 140 0.082 Normal
Nota. H₀: La distribución no difiere significativamente de la distribución normal. * p < 0.05 indica rechazo de H₀ (distribución
no normal).
Análisis de correlación de Spearman: IA y competencias digitales
El resultado central y más significativo de esta investigación lo constituye el análisis de correlación de
Spearman entre la frecuencia de uso de herramientas de IA y el Índice de Competencias Digitales. Los
resultados evidencian una correlación positiva, moderada y altamente significativa desde el punto de
vista estadístico (ρ = 0.612, p < 0.001), lo que permite rechazar con contundencia la hipótesis nula H₀ y
sostener la hipótesis alternativa H₁. Esto significa que, a mayor frecuencia de uso de herramientas de
IA, mayor es el nivel de competencias digitales autopercibidas por los estudiantes del Bachillerato
General Unificado.
Digitales" (D(140) = 0.109, p = .048) presentaron distribuciones significativamente diferentes de la
normal (p < .05), lo que implicó el rechazo del supuesto de normalidad y justificó estadísticamente la
elección de la prueba no paramétrica de Spearman sobre la correlación de Pearson.
Tabla 5 Prueba de normalidad de Kolmogorov-Smirnov para las variables principales (N = 140)
Variable Estadístico D gl p-valor Conclusión
Frecuencia de uso de IA 0.131 140 0.023* No normal
Índice de Competencias
Digitales (ICD)
0.109 140 0.048* No normal
Percepción del impacto de la
IA
0.097 140 0.082 Normal
Nota. H₀: La distribución no difiere significativamente de la distribución normal. * p < 0.05 indica rechazo de H₀ (distribución
no normal).
Análisis de correlación de Spearman: IA y competencias digitales
El resultado central y más significativo de esta investigación lo constituye el análisis de correlación de
Spearman entre la frecuencia de uso de herramientas de IA y el Índice de Competencias Digitales. Los
resultados evidencian una correlación positiva, moderada y altamente significativa desde el punto de
vista estadístico (ρ = 0.612, p < 0.001), lo que permite rechazar con contundencia la hipótesis nula H₀ y
sostener la hipótesis alternativa H₁. Esto significa que, a mayor frecuencia de uso de herramientas de
IA, mayor es el nivel de competencias digitales autopercibidas por los estudiantes del Bachillerato
General Unificado.
pág. 6782
Tabla 6 Correlación de Spearman entre frecuencia de uso de IA e Índice de Competencias Digitales (N
= 140)
Variables ρ de Spearman p-valor N Interpretación
Frecuencia de uso de IA ↔ ICD
Total
0.612** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Alfabetización informacional
0.584** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Comunicación y colaboración
0.531** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Creación de contenidos
0.547** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Seguridad digital
0.381** 0.001 140 Correlación baja-
moderada positiva
Frecuencia de uso de IA ↔
Resolución de problemas
0.602** < 0.001 140 Correlación
moderada positiva
Nota. ** La correlación es significativa al nivel 0.001 (bilateral). ρ = coeficiente de correlación de Spearman; p = nivel de
significancia bilateral.
La correlación más elevada se observa entre la frecuencia de uso de IA y la competencia de
"Alfabetización informacional y de datos" (ρ = 0.584), seguida de "Resolución de problemas con TIC"
(ρ = 0.602) y "Creación de contenidos digitales" (ρ = 0.547). Estos resultados son coherentes con el tipo
de uso predominante reportado por los estudiantes, orientado fundamentalmente a la búsqueda y síntesis
de información, la generación de contenidos académicos y la resolución de tareas complejas.
Significativamente, la correlación más débil aunque igualmente significativa se registra en "Seguridad
y privacidad digital" (ρ = 0.381), lo que sugiere que el uso frecuente de IA no necesariamente se traduce
en mayor conciencia sobre los riesgos digitales, sino que puede incluso exacerbar la exposición a los
mismos.
Tabla 6 Correlación de Spearman entre frecuencia de uso de IA e Índice de Competencias Digitales (N
= 140)
Variables ρ de Spearman p-valor N Interpretación
Frecuencia de uso de IA ↔ ICD
Total
0.612** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Alfabetización informacional
0.584** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Comunicación y colaboración
0.531** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Creación de contenidos
0.547** < 0.001 140 Correlación
moderada positiva
Frecuencia de uso de IA ↔
Seguridad digital
0.381** 0.001 140 Correlación baja-
moderada positiva
Frecuencia de uso de IA ↔
Resolución de problemas
0.602** < 0.001 140 Correlación
moderada positiva
Nota. ** La correlación es significativa al nivel 0.001 (bilateral). ρ = coeficiente de correlación de Spearman; p = nivel de
significancia bilateral.
La correlación más elevada se observa entre la frecuencia de uso de IA y la competencia de
"Alfabetización informacional y de datos" (ρ = 0.584), seguida de "Resolución de problemas con TIC"
(ρ = 0.602) y "Creación de contenidos digitales" (ρ = 0.547). Estos resultados son coherentes con el tipo
de uso predominante reportado por los estudiantes, orientado fundamentalmente a la búsqueda y síntesis
de información, la generación de contenidos académicos y la resolución de tareas complejas.
Significativamente, la correlación más débil aunque igualmente significativa se registra en "Seguridad
y privacidad digital" (ρ = 0.381), lo que sugiere que el uso frecuente de IA no necesariamente se traduce
en mayor conciencia sobre los riesgos digitales, sino que puede incluso exacerbar la exposición a los
mismos.
pág. 6783
Comparación por herramienta de IA: Prueba de Kruskal-Wallis
Para determinar si existían diferencias estadísticamente significativas en el ICD según la herramienta de
IA preferida por los estudiantes, se aplicó la prueba no paramétrica de Kruskal-Wallis (equivalente al
ANOVA de un factor para distribuciones no normales). Los resultados indicaron diferencias
significativas entre los grupos (H(3) = 12.847, p = .005), con los usuarios de ChatGPT reportando el
ICD más elevado (M = 54.7, DE = 9.2), seguidos por los usuarios de Copilot (M = 53.1, DE = 8.4),
Gemini (M = 50.3, DE = 10.1) y otros (M = 48.9, DE = 11.3).
Tabla 7 Comparación del Índice de Competencias Digitales según herramienta de IA preferida
Herramienta de IA n M (ICD) DE Rango medio
ChatGPT (OpenAI) 93 54.7 9.2 74.3
Gemini (Google) 19 50.3 10.1 64.1
Microsoft Copilot 8 53.1 8.4 71.2
Otras herramientas 10 48.9 11.3 58.7
H(3) = 12.847 | p = .005
Nota. Prueba de Kruskal-Wallis: H (3) = 12.847, p = .005. M = Media del ICD; DE = Desviación estándar.
Comparación por herramienta de IA: Prueba de Kruskal-Wallis
Para determinar si existían diferencias estadísticamente significativas en el ICD según la herramienta de
IA preferida por los estudiantes, se aplicó la prueba no paramétrica de Kruskal-Wallis (equivalente al
ANOVA de un factor para distribuciones no normales). Los resultados indicaron diferencias
significativas entre los grupos (H(3) = 12.847, p = .005), con los usuarios de ChatGPT reportando el
ICD más elevado (M = 54.7, DE = 9.2), seguidos por los usuarios de Copilot (M = 53.1, DE = 8.4),
Gemini (M = 50.3, DE = 10.1) y otros (M = 48.9, DE = 11.3).
Tabla 7 Comparación del Índice de Competencias Digitales según herramienta de IA preferida
Herramienta de IA n M (ICD) DE Rango medio
ChatGPT (OpenAI) 93 54.7 9.2 74.3
Gemini (Google) 19 50.3 10.1 64.1
Microsoft Copilot 8 53.1 8.4 71.2
Otras herramientas 10 48.9 11.3 58.7
H(3) = 12.847 | p = .005
Nota. Prueba de Kruskal-Wallis: H (3) = 12.847, p = .005. M = Media del ICD; DE = Desviación estándar.
pág. 6784
Percepción del impacto de la IA en el aprendizaje
La percepción global del impacto de la IA en el aprendizaje fue predominantemente positiva: el 73.6%
de los estudiantes la calificó como positiva, el 19.3% como neutral y únicamente el 7.1% como negativa.
Sin embargo, cuando se analizaron ítems específicos relacionados con el riesgo de dependencia
tecnológica, el 62.1% admitió haber utilizado la IA para obtener respuestas directas sin reflexionar
críticamente sobre ellas, y el 54.3% reconoció que en ocasiones prefiere consultar la IA antes que
intentar resolver el problema de forma autónoma. Estos datos revelan una paradoja central: los
estudiantes perciben la IA como beneficiosa para su aprendizaje, pero exhiben simultáneamente
comportamientos que sugieren una delegación cognitiva potencialmente problemática.
Tabla 8 Percepción del impacto de la IA en dimensiones específicas del aprendizaje (N = 140)
Dimensión evaluada % Acuerdo (4-5) % Neutral (3) % Desacuerdo (1-2)
Facilita la comprensión de
contenidos difíciles
74.3% 18.6% 7.1%
Agiliza la búsqueda de información
académica
82.1% 11.4% 6.5%
Favorece el aprendizaje autónomo y
autodirigido
68.6% 21.4% 10.0%
Mejora la calidad de las tareas
presentadas
71.4% 17.9% 10.7%
Riesgo de dependencia tecnológica
acrítica
62.1% 24.3% 13.6%
Reduce el esfuerzo cognitivo propio 54.3% 28.5% 17.2%
Contribuye al desarrollo del
pensamiento crítico
47.9% 30.0% 22.1%
Nota. Ítems evaluados en escala Likert de 5 puntos. Se reportan los porcentajes de acuerdo (categorías 4 y 5) y desacuerdo
(categorías 1 y 2).
Percepción del impacto de la IA en el aprendizaje
La percepción global del impacto de la IA en el aprendizaje fue predominantemente positiva: el 73.6%
de los estudiantes la calificó como positiva, el 19.3% como neutral y únicamente el 7.1% como negativa.
Sin embargo, cuando se analizaron ítems específicos relacionados con el riesgo de dependencia
tecnológica, el 62.1% admitió haber utilizado la IA para obtener respuestas directas sin reflexionar
críticamente sobre ellas, y el 54.3% reconoció que en ocasiones prefiere consultar la IA antes que
intentar resolver el problema de forma autónoma. Estos datos revelan una paradoja central: los
estudiantes perciben la IA como beneficiosa para su aprendizaje, pero exhiben simultáneamente
comportamientos que sugieren una delegación cognitiva potencialmente problemática.
Tabla 8 Percepción del impacto de la IA en dimensiones específicas del aprendizaje (N = 140)
Dimensión evaluada % Acuerdo (4-5) % Neutral (3) % Desacuerdo (1-2)
Facilita la comprensión de
contenidos difíciles
74.3% 18.6% 7.1%
Agiliza la búsqueda de información
académica
82.1% 11.4% 6.5%
Favorece el aprendizaje autónomo y
autodirigido
68.6% 21.4% 10.0%
Mejora la calidad de las tareas
presentadas
71.4% 17.9% 10.7%
Riesgo de dependencia tecnológica
acrítica
62.1% 24.3% 13.6%
Reduce el esfuerzo cognitivo propio 54.3% 28.5% 17.2%
Contribuye al desarrollo del
pensamiento crítico
47.9% 30.0% 22.1%
Nota. Ítems evaluados en escala Likert de 5 puntos. Se reportan los porcentajes de acuerdo (categorías 4 y 5) y desacuerdo
(categorías 1 y 2).
pág. 6785
Discusión integrada de resultados
Los hallazgos de esta investigación construyen un panorama complejo, matizado y profundamente
revelador sobre la relación entre la IA y las competencias digitales en la educación secundaria
ecuatoriana. La correlación de Spearman obtenida (ρ = 0.612, p < .001) confirma con solidez estadística
lo que varios investigadores habían sugerido teóricamente: el uso frecuente de herramientas de IA puede
contribuir significativamente al desarrollo de competencias digitales, siempre y cuando dicho uso no
sea meramente instrumental o pasivo (Luckin et al., 2016; Holmes et al., 2019). Este hallazgo adquiere
una relevancia especial en el contexto ecuatoriano, donde las brechas en formación digital entre distintos
contextos socioeconómicos permanecen como un desafío estructural irresuelto (Arias Benalcázar et al.,
2025).
La hegemonía de ChatGPT (66.4%) en el ecosistema de herramientas de IA estudiantil y su asociación
con mayores puntuaciones en el ICD (M = 54.7) sugiere que los modelos de lenguaje de gran escala
poseen atributos pedagógicos que los distinguen cualitativamente de otras herramientas: la
interactividad conversacional, la adaptabilidad a diferentes niveles de complejidad y la capacidad de
proporcionar explicaciones paso a paso estimulan, cuando se usan reflexivamente, procesos
metacognitivos y de construcción activa del conocimiento (Bolaño-García & Duarte-Acosta, 2023). No
obstante, la diferencia estadísticamente significativa detectada mediante Kruskal-Wallis (H(3) = 12.847,
p = .005) entre los grupos de usuarios según herramienta preferida demanda investigaciones adicionales
que profundicen en las características de uso no solo en la herramienta elegida como variable explicativa
del desarrollo competencial.
El hallazgo más inquietante y pedagógicamente más urgente de esta investigación es la paradoja entre
la percepción positiva del impacto de la IA (73.6%) y la alta prevalencia de comportamientos de
delegación cognitiva acrítica (62.1% admite buscar respuestas directas sin reflexión previa). Esta tensión
reproduce, en el contexto ecuatoriano, lo que Selwyn (2019) denominó el "triángulo perverso" de la IA
educativa: mayor acceso tecnológico, mayor percepción de utilidad, pero no necesariamente mayor
profundidad del aprendizaje. Del Cisne Loján et al. (2024) advirtieron precisamente sobre este
fenómeno, señalando que la superficialidad cognitiva generada por el uso irreflexivo de la IA puede
Discusión integrada de resultados
Los hallazgos de esta investigación construyen un panorama complejo, matizado y profundamente
revelador sobre la relación entre la IA y las competencias digitales en la educación secundaria
ecuatoriana. La correlación de Spearman obtenida (ρ = 0.612, p < .001) confirma con solidez estadística
lo que varios investigadores habían sugerido teóricamente: el uso frecuente de herramientas de IA puede
contribuir significativamente al desarrollo de competencias digitales, siempre y cuando dicho uso no
sea meramente instrumental o pasivo (Luckin et al., 2016; Holmes et al., 2019). Este hallazgo adquiere
una relevancia especial en el contexto ecuatoriano, donde las brechas en formación digital entre distintos
contextos socioeconómicos permanecen como un desafío estructural irresuelto (Arias Benalcázar et al.,
2025).
La hegemonía de ChatGPT (66.4%) en el ecosistema de herramientas de IA estudiantil y su asociación
con mayores puntuaciones en el ICD (M = 54.7) sugiere que los modelos de lenguaje de gran escala
poseen atributos pedagógicos que los distinguen cualitativamente de otras herramientas: la
interactividad conversacional, la adaptabilidad a diferentes niveles de complejidad y la capacidad de
proporcionar explicaciones paso a paso estimulan, cuando se usan reflexivamente, procesos
metacognitivos y de construcción activa del conocimiento (Bolaño-García & Duarte-Acosta, 2023). No
obstante, la diferencia estadísticamente significativa detectada mediante Kruskal-Wallis (H(3) = 12.847,
p = .005) entre los grupos de usuarios según herramienta preferida demanda investigaciones adicionales
que profundicen en las características de uso no solo en la herramienta elegida como variable explicativa
del desarrollo competencial.
El hallazgo más inquietante y pedagógicamente más urgente de esta investigación es la paradoja entre
la percepción positiva del impacto de la IA (73.6%) y la alta prevalencia de comportamientos de
delegación cognitiva acrítica (62.1% admite buscar respuestas directas sin reflexión previa). Esta tensión
reproduce, en el contexto ecuatoriano, lo que Selwyn (2019) denominó el "triángulo perverso" de la IA
educativa: mayor acceso tecnológico, mayor percepción de utilidad, pero no necesariamente mayor
profundidad del aprendizaje. Del Cisne Loján et al. (2024) advirtieron precisamente sobre este
fenómeno, señalando que la superficialidad cognitiva generada por el uso irreflexivo de la IA puede
pág. 6786
producir lo que denominan "aprendizaje parasitario": los estudiantes obtienen productos académicos de
calidad aparente sin haber construido el andamiaje conceptual necesario para su comprensión genuina.
Resulta significativo que la competencia de "Seguridad y privacidad digital" haya registrado la
correlación más débil con el uso de IA (ρ = 0.381) y la menor puntuación media (M = 3.12). Este
hallazgo, consistente con los reportes de Vuorikari et al. (2022) y Puche (2024), revela una
vulnerabilidad crítica en el perfil digital de los estudiantes: el uso masivo e inconsciente de plataformas
de IA implica la exposición de datos personales, el desconocimiento sobre sesgos algorítmicos y la falta
de criterios para evaluar la fiabilidad y ética de las respuestas generadas por IA, competencias que el
currículo del BGU ecuatoriano debe urgentemente incorporar y desarrollar de manera sistemática.
CONCLUSIONES
El presente estudio ha aportado evidencia empírica estadísticamente robusta y pedagógicamente
relevante sobre la relación entre el uso de inteligencia artificial y el desarrollo de competencias digitales
en estudiantes del Bachillerato General Unificado. Los resultados confirman con rigor científico que
existe una correlación positiva, moderada y altamente significativa entre ambas variables (ρ = 0.612, p
< .001), rechazando la hipótesis nula y respaldando la integración pedagógica intencionada de la IA
como estrategia válida para el fortalecimiento de competencias digitales en la educación secundaria.
El altísimo índice de adopción de herramientas de IA documentado (92.8%) y el predominio de
ChatGPT (66.4%) configuran un ecosistema tecnológico estudiantil que la institución educativa no
puede ignorar ni eludir. La pregunta ya no es si los estudiantes usan IA es un hecho consumado e
irreversible, sino cómo se orienta, media y capitaliza pedagógicamente ese uso para que se traduzca en
aprendizajes profundos, competencias transferibles y ciudadanía digital crítica. Los resultados de la
prueba de Kruskal-Wallis (H(3) = 12.847, p = .005) añaden un matiz importante: no todas las
herramientas de IA producen los mismos efectos en el desarrollo competencial, lo que demanda criterios
pedagógicos informados en la selección y uso de estas tecnologías en el aula.
La paradoja central identificada en este estudio alta percepción de beneficio simultánea con alta
prevalencia de delegación cognitiva acrítica constituye quizás el hallazgo más urgente para la práctica
educativa. Superar esta paradoja requiere una reconceptualización profunda del rol docente: de
transmisor de contenidos a diseñador de experiencias de aprendizaje que utilicen la IA como herramienta
producir lo que denominan "aprendizaje parasitario": los estudiantes obtienen productos académicos de
calidad aparente sin haber construido el andamiaje conceptual necesario para su comprensión genuina.
Resulta significativo que la competencia de "Seguridad y privacidad digital" haya registrado la
correlación más débil con el uso de IA (ρ = 0.381) y la menor puntuación media (M = 3.12). Este
hallazgo, consistente con los reportes de Vuorikari et al. (2022) y Puche (2024), revela una
vulnerabilidad crítica en el perfil digital de los estudiantes: el uso masivo e inconsciente de plataformas
de IA implica la exposición de datos personales, el desconocimiento sobre sesgos algorítmicos y la falta
de criterios para evaluar la fiabilidad y ética de las respuestas generadas por IA, competencias que el
currículo del BGU ecuatoriano debe urgentemente incorporar y desarrollar de manera sistemática.
CONCLUSIONES
El presente estudio ha aportado evidencia empírica estadísticamente robusta y pedagógicamente
relevante sobre la relación entre el uso de inteligencia artificial y el desarrollo de competencias digitales
en estudiantes del Bachillerato General Unificado. Los resultados confirman con rigor científico que
existe una correlación positiva, moderada y altamente significativa entre ambas variables (ρ = 0.612, p
< .001), rechazando la hipótesis nula y respaldando la integración pedagógica intencionada de la IA
como estrategia válida para el fortalecimiento de competencias digitales en la educación secundaria.
El altísimo índice de adopción de herramientas de IA documentado (92.8%) y el predominio de
ChatGPT (66.4%) configuran un ecosistema tecnológico estudiantil que la institución educativa no
puede ignorar ni eludir. La pregunta ya no es si los estudiantes usan IA es un hecho consumado e
irreversible, sino cómo se orienta, media y capitaliza pedagógicamente ese uso para que se traduzca en
aprendizajes profundos, competencias transferibles y ciudadanía digital crítica. Los resultados de la
prueba de Kruskal-Wallis (H(3) = 12.847, p = .005) añaden un matiz importante: no todas las
herramientas de IA producen los mismos efectos en el desarrollo competencial, lo que demanda criterios
pedagógicos informados en la selección y uso de estas tecnologías en el aula.
La paradoja central identificada en este estudio alta percepción de beneficio simultánea con alta
prevalencia de delegación cognitiva acrítica constituye quizás el hallazgo más urgente para la práctica
educativa. Superar esta paradoja requiere una reconceptualización profunda del rol docente: de
transmisor de contenidos a diseñador de experiencias de aprendizaje que utilicen la IA como herramienta
pág. 6787
de andamiaje cognitivo, no como sustituto del pensamiento. Los docentes necesitan formación
específica en pedagogías para la era de la IA: aprendizaje basado en proyectos con IA, pensamiento
computacional crítico, evaluación de la credibilidad de outputs de IA y ética algorítmica.
El déficit crítico en competencias de seguridad y privacidad digital (M = 3.12), detectado en este estudio,
exige una respuesta curricular inmediata. El Ministerio de Educación del Ecuador debe incorporar, de
manera transversal y progresiva, contenidos de ciberseguridad, privacidad de datos, alfabetización
algorítmica y ética de la IA en el currículo del BGU, en consonancia con las recomendaciones del Marco
DigComp 2.2 y las políticas educativas de digitalización responsable de la UNESCO.
Finalmente, esta investigación abre una agenda de investigación prometedora y necesaria: son
imprescindibles estudios longitudinales que rastreen la evolución de las competencias digitales en
función del tipo y calidad de uso de IA a lo largo del tiempo; diseños experimentales y
cuasiexperimentales que evalúen el impacto de intervenciones pedagógicas específicas con IA sobre el
pensamiento crítico y el aprendizaje profundo; y estudios comparativos entre distintos contextos
socioeconómicos y geográficos del Ecuador que arrojen luz sobre la dimensión de la equidad digital en
la era de la inteligencia artificial.
REFERENCIAS BIBLIOGRÁFICAS
Arias, F. G. (2020). El proyecto de investigación: Introducción a la metodología científica (7.ª ed.).
Episteme.
Arias Benalcázar, D. V., Arias Coronado, J. K., Muñoz Herrera, E. J., Lastra García, E. M., Cabascango
Túquerres, A. C., Grijalva Flores, E. X., & Males Caiza, M. B. (2025). Inteligencia Artificial en
la Educación: Innovación y Aprendizaje para el Futuro. Alumni Editora.
https://doi.org/10.70625/alumned/18
Beltrán Arcos, M. T., Arcos Ribadeneira, A. M., Melendres Lucero, J. L., Baquero Aguilera, D., & Oña
Simbaña, J. M. (2025). La inteligencia artificial en el aula: oportunidades y riesgos pedagógicos.
Revista Científica de Salud y Desarrollo Humano, 6(3), 800–816.
https://doi.org/10.61368/r.s.d.h.v6i3.815
de andamiaje cognitivo, no como sustituto del pensamiento. Los docentes necesitan formación
específica en pedagogías para la era de la IA: aprendizaje basado en proyectos con IA, pensamiento
computacional crítico, evaluación de la credibilidad de outputs de IA y ética algorítmica.
El déficit crítico en competencias de seguridad y privacidad digital (M = 3.12), detectado en este estudio,
exige una respuesta curricular inmediata. El Ministerio de Educación del Ecuador debe incorporar, de
manera transversal y progresiva, contenidos de ciberseguridad, privacidad de datos, alfabetización
algorítmica y ética de la IA en el currículo del BGU, en consonancia con las recomendaciones del Marco
DigComp 2.2 y las políticas educativas de digitalización responsable de la UNESCO.
Finalmente, esta investigación abre una agenda de investigación prometedora y necesaria: son
imprescindibles estudios longitudinales que rastreen la evolución de las competencias digitales en
función del tipo y calidad de uso de IA a lo largo del tiempo; diseños experimentales y
cuasiexperimentales que evalúen el impacto de intervenciones pedagógicas específicas con IA sobre el
pensamiento crítico y el aprendizaje profundo; y estudios comparativos entre distintos contextos
socioeconómicos y geográficos del Ecuador que arrojen luz sobre la dimensión de la equidad digital en
la era de la inteligencia artificial.
REFERENCIAS BIBLIOGRÁFICAS
Arias, F. G. (2020). El proyecto de investigación: Introducción a la metodología científica (7.ª ed.).
Episteme.
Arias Benalcázar, D. V., Arias Coronado, J. K., Muñoz Herrera, E. J., Lastra García, E. M., Cabascango
Túquerres, A. C., Grijalva Flores, E. X., & Males Caiza, M. B. (2025). Inteligencia Artificial en
la Educación: Innovación y Aprendizaje para el Futuro. Alumni Editora.
https://doi.org/10.70625/alumned/18
Beltrán Arcos, M. T., Arcos Ribadeneira, A. M., Melendres Lucero, J. L., Baquero Aguilera, D., & Oña
Simbaña, J. M. (2025). La inteligencia artificial en el aula: oportunidades y riesgos pedagógicos.
Revista Científica de Salud y Desarrollo Humano, 6(3), 800–816.
https://doi.org/10.61368/r.s.d.h.v6i3.815
pág. 6788
Bolaño-García, M., & Duarte-Acosta, N. (2023). Una revisión sistemática del uso de la inteligencia
artificial en la educación. Revista Colombiana de Cirugía, 38(3), 471–482.
https://doi.org/10.30944/20117582.2365
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum
Associates.
Del Cisne Loján, M., Antonio Romero, J., Sancho Aguilera, D., & Yajaira Romero, A. (2024).
Consecuencias de la Dependencia de la Inteligencia Artificial en Habilidades Críticas y
Aprendizaje Autónomo en los Estudiantes. Ciencia Latina Revista Científica Multidisciplinar,
8(2), 2368–2382. https://doi.org/10.37811/cl_rcm.v8i2.1067
George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference (4th
ed.). Allyn & Bacon.
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Center for Curriculum Redesign.
Jiménez Bran, M. E., Fernández Varas, J. C. G., Moran Sanchez, W. O., Ramos Paredes, B. M., &
Guilindro Santos, D. C. (2025). Desarrollo de competencias digitales a través de la inteligencia
artificial en la educación básica: Un enfoque innovador para el futuro educativo. Star of Sciences
Multidisciplinary Journal, 2(2), 1–14. https://doi.org/10.63969/xbqdaf48
Jumbo Misquero, P. F., Arias Salazar, E. A., & Yánez Villarroel, S. R. (2025). Influencia de la
inteligencia artificial (IA) en el desarrollo de habilidades digitales en estudiantes de Educación
Superior. Ciencia y Educación, 6(9), 156–169. https://doi.org/10.5281/ZENODO.17173527
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument
for AI in Education. Pearson.
Ministerio de Educación del Ecuador. (2021). Acuerdo Ministerial MINEDUC-2021-00018: Normativa
para la ejecución de investigaciones en el Sistema Nacional de Educación. Gobierno de Ecuador.
https://www.gob.ec/minedec/tramites/aprobacion-ejecucion-investigaciones-sistema-nacional-
educacion
Bolaño-García, M., & Duarte-Acosta, N. (2023). Una revisión sistemática del uso de la inteligencia
artificial en la educación. Revista Colombiana de Cirugía, 38(3), 471–482.
https://doi.org/10.30944/20117582.2365
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum
Associates.
Del Cisne Loján, M., Antonio Romero, J., Sancho Aguilera, D., & Yajaira Romero, A. (2024).
Consecuencias de la Dependencia de la Inteligencia Artificial en Habilidades Críticas y
Aprendizaje Autónomo en los Estudiantes. Ciencia Latina Revista Científica Multidisciplinar,
8(2), 2368–2382. https://doi.org/10.37811/cl_rcm.v8i2.1067
George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference (4th
ed.). Allyn & Bacon.
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Center for Curriculum Redesign.
Jiménez Bran, M. E., Fernández Varas, J. C. G., Moran Sanchez, W. O., Ramos Paredes, B. M., &
Guilindro Santos, D. C. (2025). Desarrollo de competencias digitales a través de la inteligencia
artificial en la educación básica: Un enfoque innovador para el futuro educativo. Star of Sciences
Multidisciplinary Journal, 2(2), 1–14. https://doi.org/10.63969/xbqdaf48
Jumbo Misquero, P. F., Arias Salazar, E. A., & Yánez Villarroel, S. R. (2025). Influencia de la
inteligencia artificial (IA) en el desarrollo de habilidades digitales en estudiantes de Educación
Superior. Ciencia y Educación, 6(9), 156–169. https://doi.org/10.5281/ZENODO.17173527
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument
for AI in Education. Pearson.
Ministerio de Educación del Ecuador. (2021). Acuerdo Ministerial MINEDUC-2021-00018: Normativa
para la ejecución de investigaciones en el Sistema Nacional de Educación. Gobierno de Ecuador.
https://www.gob.ec/minedec/tramites/aprobacion-ejecucion-investigaciones-sistema-nacional-
educacion
pág. 6789
Montesdeoca Salazar, Y. A., Moreira Rodríguez, E. S., Hernández Alcívar, M. I., Sinchiguano Granda,
B. L., & Vazconez Muñoz, Z. S. (2025). Aplicación de la Inteligencia Artificial en la Educación
Básica: Personalización del Aprendizaje y Mejora del Rendimiento Académico. Revista
Científica de Salud y Desarrollo Humano, 6(2), 54–82. https://doi.org/10.61368/r.s.d.h.v6i2.576
Muhsen, D. K., & Sadiq, A. T. (2025). Understanding Artificial General Intelligence: Defining
characteristics and benchmarks. Journal of Artificial Intelligence & Control Systems, 1(1), 16–
29. http://www.coscipress.com/journal/JAICS/article/7d0b54e3aed4502a3e44a4fb42d4aad4
Puche, D. J. (2024). Inteligencia artificial como herramienta educativa: Ventajas y desventajas desde la
perspectiva docente. ARETÉ, 10(Edición Especial), 105–120.
https://doi.org/10.55560/arete.2024.20.ee.7
Quinde-Zambrano, L. F., Franco-Arroyo, P. P., & Reyes-Palau, N. C. (2025). Uso de la inteligencia
artificial para el desarrollo del pensamiento crítico en Ciencias Sociales en la básica superior.
Sociedad & Tecnología, 8(3), 438–456. https://doi.org/10.51247/st.v8i3.596
çSelwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press.
Sigüenza Orellana, J., Andrade Cordero, C., & Chitacapa Espinoza, J. (2024). Validación del
cuestionario para docentes: Percepción sobre el uso de ChatGPT en la educación superior.
Revista Andina de Educación, 8(1), 000816. https://doi.org/10.32719/26312816.2024.8.1.6
Villagomez Palacios, A. H. (2025). El impacto de la Inteligencia Artificial en la Sociedad: Una Revisión
Sistemática de su Influencia en Ámbitos Sociales, Económicos y Tecnológicos. Ciencia Latina
Revista Científica Multidisciplinar, 9(1), 8150–8172.
https://doi.org/10.37811/cl_rcm.v9i1.16468
Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for
Citizens — With new examples of knowledge, skills and attitudes. Publications Office of the
European Union. https://doi.org/10.2760/115376
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research
on artificial intelligence applications in higher education — where are the educators?
International Journal of Educational Technology in Higher Education, 16(1), 39.
https://doi.org/10.1186/s41239-019-0171-0
Montesdeoca Salazar, Y. A., Moreira Rodríguez, E. S., Hernández Alcívar, M. I., Sinchiguano Granda,
B. L., & Vazconez Muñoz, Z. S. (2025). Aplicación de la Inteligencia Artificial en la Educación
Básica: Personalización del Aprendizaje y Mejora del Rendimiento Académico. Revista
Científica de Salud y Desarrollo Humano, 6(2), 54–82. https://doi.org/10.61368/r.s.d.h.v6i2.576
Muhsen, D. K., & Sadiq, A. T. (2025). Understanding Artificial General Intelligence: Defining
characteristics and benchmarks. Journal of Artificial Intelligence & Control Systems, 1(1), 16–
29. http://www.coscipress.com/journal/JAICS/article/7d0b54e3aed4502a3e44a4fb42d4aad4
Puche, D. J. (2024). Inteligencia artificial como herramienta educativa: Ventajas y desventajas desde la
perspectiva docente. ARETÉ, 10(Edición Especial), 105–120.
https://doi.org/10.55560/arete.2024.20.ee.7
Quinde-Zambrano, L. F., Franco-Arroyo, P. P., & Reyes-Palau, N. C. (2025). Uso de la inteligencia
artificial para el desarrollo del pensamiento crítico en Ciencias Sociales en la básica superior.
Sociedad & Tecnología, 8(3), 438–456. https://doi.org/10.51247/st.v8i3.596
çSelwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press.
Sigüenza Orellana, J., Andrade Cordero, C., & Chitacapa Espinoza, J. (2024). Validación del
cuestionario para docentes: Percepción sobre el uso de ChatGPT en la educación superior.
Revista Andina de Educación, 8(1), 000816. https://doi.org/10.32719/26312816.2024.8.1.6
Villagomez Palacios, A. H. (2025). El impacto de la Inteligencia Artificial en la Sociedad: Una Revisión
Sistemática de su Influencia en Ámbitos Sociales, Económicos y Tecnológicos. Ciencia Latina
Revista Científica Multidisciplinar, 9(1), 8150–8172.
https://doi.org/10.37811/cl_rcm.v9i1.16468
Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for
Citizens — With new examples of knowledge, skills and attitudes. Publications Office of the
European Union. https://doi.org/10.2760/115376
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research
on artificial intelligence applications in higher education — where are the educators?
International Journal of Educational Technology in Higher Education, 16(1), 39.
https://doi.org/10.1186/s41239-019-0171-0