Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
La inteligencia artificial y el proceso de
aprendizaje en estudiantes de Ciencias
Económicas
Artificial intelligence and the learning process in
Economics students
Santiago Vinueza-Vinueza
Universidad César Vallejo, Piura, Perú
Doctorado en Educación
svinuezav@ucvvirtual.edu.pe
https://orcid.org/0009-0008-7159-6098
Alejandra Fonseca-Factos
Ministerio de educación, Quito, Ecuador
Distrito 17d11 Mejía Rumiñahui
sonia.fonseca@educacion.gob.ec
https://orcid.org/0000-0002-2103-9698
(Recibido: 02/03/2026; Aceptado: 02/04/2026; Versión final recibida: 29/05/2026)
Cita del artículo: Vinueza-Vinueza, S. y Fonseca-Factos, A. (2026). La inteligencia artificial y
el proceso de aprendizaje en estudiantes de Ciencias Económicas. Revista Cátedra, 9(2), 34-
49.
Resumen
La integración de la inteligencia artificial (IA) en la educación superior ha generado nuevas
oportunidades para transformar los procesos de enseñanza-aprendizaje mediante
herramientas que facilitan la personalización de contenidos, la retroalimentación
automatizada y el acceso a recursos educativos digitales. A pesar de su creciente
incorporación en entornos universitarios, aún existe limitada evidencia empírica sobre su
impacto en el proceso de aprendizaje en contextos latinoamericanos, particularmente en
áreas vinculadas a las Ciencias Económicas. Por ello, el presente estudio tuvo como objetivo
analizar la influencia de la IA en el proceso de aprendizaje de los estudiantes de las carreras
de Estadística, Economía y Finanzas de la Universidad Central del Ecuador, con énfasis en
su relación con la motivación y el desempeño académico. La investigación se desarrolló bajo
35
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
un enfoque cuantitativo, con diseño no experimental y corte transversal. La población
estuvo conformada por 243 estudiantes matriculados en segundo y tercer semestre, de los
cuales se seleccionó una muestra de 149 mediante muestreo aleatorio simple y estratificado
proporcional. Para la recolección de datos se aplicó el Cuestionario de Procesos de Estudio
(CPE), compuesto por 42 ítems evaluados mediante escala tipo Likert. El análisis incluyó
estadísticos descriptivos y pruebas inferenciales como la t de Student, correlaciones de
Pearson, Tau-b de Kendall y Rho de Spearman. Los resultados evidencian que la inteligencia
artificial influye positivamente en la motivación académica (M = 3.44; p < .001) y en el
desempeño académico (M = 2.96; p < .001), mientras que el 95.3 % de los estudiantes
reportó niveles medios o altos de motivación y percepción de calidad educativa. En
conclusión, la integración pedagógica de herramientas basadas en inteligencia artificial
puede contribuir al fortalecimiento del proceso de aprendizaje en la educación superior.
Palabras clave
Inteligencia artificial, proceso de aprendizaje, motivación académica, desempeño
académico, educación superior.
Abstract
The integration of artificial intelligence (AI) in higher education has generated new
opportunities to transform teaching and learning processes through tools that facilitate
content personalization, automated feedback, and access to digital educational resources.
Despite its increasing incorporation in university settings, there is still limited empirical
evidence on its impact on the learning process in Latin American contexts, particularly in
areas related to Economics. Therefore, this study aimed to analyze the influence of AI on the
learning process of students in the Statistics, Economics, and Finance programs at the
Central University of Ecuador, with an emphasis on its relationship to motivation and
academic performance. The research was conducted using a quantitative approach, with a
non-experimental, cross-sectional design. The population consisted of 243 students
enrolled in their second and third semesters, from which a sample of 149 was selected using
simple random, stratified proportional sampling. Data was collected using the Study
Processes Questionnaire (SPC), composed of 42 items evaluated using a Likert-type scale.
The analysis included descriptive statistics and inferential tests such as Student's t-test,
Pearson correlations, Kendall's Tau-b, and Spearman's rho. The results show that artificial
intelligence positively influences academic motivation (M = 3.44; p < .001) and academic
performance (M = 2.96; p < .001), while 95.3% of students reported medium or high levels
of motivation and perception of educational quality. In conclusion, the pedagogical
integration of artificial intelligence-based tools can contribute to strengthening the learning
process in higher education.
Keywords
Artificial intelligence, learning process, academic motivation, academic performance, higher
education.
1. Introducción
El acelerado desarrollo tecnológico ha transformado de manera significativa los ámbitos
social, económico y educativo, generando la necesidad de replantear los modelos
tradicionales de enseñanza para responder a las exigencias de una sociedad cada vez más
digitalizada. En este contexto, la IA ha adquirido un papel relevante en los procesos
36
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
formativos contemporáneos. Según Suárez-Lima et al. (2025) la IA puede entenderse como
“la capacidad de las máquinas para simular procesos cognitivos humanos como el
aprendizaje, la adaptación y la toma de decisiones” (p. 3), lo que ha permitido su
incorporación progresiva en diversos campos del conocimiento, incluido el educativo.
En el ámbito de la educación superior, diversos estudios coinciden en señalar el potencial
de la IA para transformar los procesos de enseñanza y aprendizaje. En este sentido, Tamayo-
Arellano et al. (2024) sostienen que la IA favorece “nuevas formas de interacción entre
docentes, estudiantes y contenidos digitales” (p. 70), estas tecnologías permiten desarrollar
prácticas educativas más flexibles y personalizadas, centradas en las necesidades del
estudiante (Gutiérrez-Castillo et al., 2025, p. 194). De manera complementaria, la
implementación de tutores inteligentes y sistemas de retroalimentación automática
contribuye a mejorar la calidad del aprendizaje universitario al ofrecer apoyo académico
individualizado (Espinoza-Vidaurre et al., 2024, p. 405). En la misma línea, la inteligencia
artificial desempeña un papel relevante en los procesos de transformación digital de la
educación superior, destacando su influencia en la redefinición de las prácticas educativas
y en los debates actuales sobre su incorporación en contextos formativos (García-Peñalvo,
2023).
Otros autores también destacan que la incorporación de sistemas de aprendizaje adaptativo
permite ajustar los contenidos y las actividades de acuerdo con el ritmo y las características
de cada estudiante. En este sentido, Grijalva-Maigua et al. (2025) señalan que estas
herramientas “facilitan la construcción de entornos educativos dinámicos que promueven
la autonomía y el compromiso del estudiante con su propio proceso formativo” (p. 33). En
concordancia con esta perspectiva, también se evidencian que el uso de herramientas de
inteligencia artificial generativa ha ampliado las posibilidades de acceso a información
especializada y ha favorecido el desarrollo de competencias analíticas en áreas como la
economía, las finanzas y la estadística (Ribas y Provasi, 2024, p. 5).
Diversos estudios empíricos desarrollados en el ámbito iberoamericano también han
evidenciado la importancia de fortalecer las competencias digitales en la educación
superior. En este sentido, Cabero-Almenara et al., señalan que los marcos de competencias
digitales constituyen referentes fundamentales para orientar la formación y el desempeño
docente en contextos universitarios mediados por tecnologías digitales (Cabero-Almenara
et al., 2020, p. 20). Asimismo, sostienen que la incorporación de tecnologías digitales en los
procesos educativos requiere una integración pedagógica crítica y contextualizada para
favorecer la innovación educativa (Area y Adell, 2021, p. 85).
No obstante, algunos autores advierten que la incorporación de la inteligencia artificial en
los procesos educativos también plantea desafíos importantes. Torres-Cruz et al., señalan
que el uso indiscriminado de estas tecnologías puede generar riesgos relacionados con la
dependencia tecnológica, la disminución del pensamiento crítico y diversos dilemas éticos
asociados al uso de herramientas automatizadas en contextos académicos (Torres-Cruz et
al., 2023, p. 84). Desde esta perspectiva, resulta necesario analizar de manera crítica y
contextualizada el impacto de la inteligencia artificial en los procesos formativos
universitarios.
A pesar del creciente número de investigaciones sobre inteligencia artificial en educación,
persisten importantes vacíos en la literatura científica, particularmente en contextos
latinoamericanos y, de manera específica, en el sistema de educación superior ecuatoriano.
La mayoría de los estudios se han desarrollado en contextos internacionales o en áreas
37
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
disciplinares distintas a las Ciencias Económicas, lo que limita la comprensión del impacto
de estas tecnologías en campos específicos del conocimiento.
En este sentido, aún son escasos los estudios que examinen de manera sistemática la
relación entre el uso de herramientas basadas en inteligencia artificial, la motivación
académica y el desempeño de los estudiantes en carreras vinculadas a la economía, las
finanzas y la estadística dentro del contexto ecuatoriano. Por ello, el presente estudio se
justifica en la necesidad de aportar evidencia empírica que permita comprender el papel de
la inteligencia artificial en el fortalecimiento del aprendizaje universitario, contribuyendo
al desarrollo de prácticas pedagógicas innovadoras y al debate académico sobre la
incorporación de tecnologías emergentes en la educación superior. En este contexto, el
objetivo del estudio es analizar la influencia de la inteligencia artificial en el proceso de
aprendizaje de los estudiantes de las carreras de Estadística, Economía y Finanzas de la
Universidad Central del Ecuador, con énfasis en su impacto en la motivación y el desempeño
académico.
En cuanto a la estructura del artículo, en las ección 2 se presenta la metodología de la
investigación. En la sección 3, se muestran los resultados de la influencia de la IA en la
motivación y el desempeño académico. En la sección 4, se establecen las discusiones de
acuerdo con los resultados obtenidos. Posteriormente, en la sección 5, se presentan las
conclusiones del estudio y sus principales implicaciones de la IA en el proceso de
aprendizaje de los estudiantes.
2. Métodos y materiales
El presente estudio se desarrolló bajo un enfoque cuantitativo, con diseño no experimental
y corte transversal, considerando que este tipo de metodología permite analizar relaciones
entre variables sin manipulación directa y en un único momento temporal. Este enfoque
resulta adecuado para examinar fenómenos educativos a partir de la medición y análisis
estadístico de variables observables. Investigaciones recientes sobre la incorporación de la
inteligencia artificial en la educación superior han empleado metodologías similares para
analizar la relación entre variables vinculadas al aprendizaje universitario. En este sentido,
Espinoza-Vidaurre et al. (2024) señalan que “la incorporación de herramientas de
inteligencia artificial en el ámbito universitario permite analizar diversos factores que
inciden en la eficiencia del rendimiento académico de los estudiantes” (p. 402). De manera
complementaria, Grijalva-Maigua et al. (2025) sostienen que “la inteligencia artificial se ha
convertido en un elemento clave para comprender las nuevas dinámicas del aprendizaje en
la educación superior” (p. 31), lo que ha motivado el desarrollo de investigaciones
cuantitativas orientadas a identificar asociaciones entre variables educativas sin intervenir
directamente en el proceso formativo. En concordancia con este enfoque, el estudio se
orientó a examinar la relación entre la integración pedagógica de herramientas basadas en
inteligencia artificial y variables vinculadas al proceso de aprendizaje en estudiantes
universitarios, particularmente la motivación y el desempeño académico percibido.
Para la recolección de datos se utilizó el Cuestionario de Procesos de Estudio (CPE),
instrumento fundamentado en la teoría de los enfoques de aprendizaje propuesta por John
B. Biggs. Según Biggs, el aprendizaje se configura a partir de la relación entre las
motivaciones del estudiante y las estrategias cognitivas que utiliza para procesar la
información y alcanzar objetivos académicos (Biggs, 1987, p. 12). Esta teoría diferencia
principalmente tres enfoques: superficial, profundo y de logro. Esta perspectiva resulta
coherente con investigaciones contemporáneas que destacan que la motivación y los
38
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
enfoques de aprendizaje actúan como variables relevantes en la comprensión de los
procesos educativos mediados por tecnologías digitales. En esta línea, Bermúdez et al.
(2025) afirman que “las estrategias de enseñanza apoyadas en inteligencia artificial
permiten generar experiencias de aprendizaje personalizadas que fortalecen la motivación
y el compromiso académico del estudiante” (p. 6829). Asimismo, estudios sobre asistentes
virtuales y herramientas inteligentes en educación superior han subrayado que la
motivación constituye un factor relevante en la interacción de los estudiantes con
tecnologías educativas. Jardón et al. (2024) señalan que “los asistentes virtuales basados en
inteligencia artificial pueden mejorar el rendimiento académico cuando los estudiantes
muestran una actitud positiva y motivación hacia el uso de estas herramientas” (p. 14). El
CPE, compuesto por 42 ítems evaluados mediante escala tipo Likert, permitió medir estas
dimensiones desde una perspectiva teórica y empírica coherente con los objetivos del
estudio.
La población estuvo conformada por 243 estudiantes matriculados en segundo y tercer
semestre de las carreras de Estadística, Economía y Finanzas de la Universidad Central del
Ecuador. La selección de estos niveles académicos respondió a la necesidad de trabajar con
un grupo relativamente homogéneo en términos de avance curricular, reduciendo la
variabilidad asociada a diferencias en formación previa. Para garantizar representatividad
se aplicó un muestreo aleatorio simple combinado con muestreo estratificado proporcional,
obteniéndose una muestra de 149 estudiantes (68 de segundo semestre y 81 de tercero), lo
que permitió una distribución equilibrada según el nivel académico.
La recolección de información se efectuó mediante la plataforma Google Forms, facilitando
la sistematización de datos en un entorno digital coherente con el objeto de estudio. El
procesamiento estadístico se realizó con el software IBM SPSS Statistics versión 29.0,
estableciendo un nivel de significancia del 5 % para la validación de hipótesis. El análisis
incluyó estadísticos descriptivos frecuencias, medias y desviaciones estándar y pruebas
inferenciales como la t de Student para una muestra, correlaciones de Pearson y pruebas no
paramétricas (Tau-b de Kendall y Rho de Spearman), con el propósito de identificar la
existencia de asociaciones estadísticamente significativas entre las variables analizadas.
Este tipo de procedimientos estadísticos ha sido utilizado en investigaciones que examinan
la relación entre tecnologías educativas y variables del aprendizaje en educación superior.
En este sentido, Tamayo-Arellano et al. (2024) señalan que “la aplicación de análisis
estadísticos permite evaluar la relación entre el uso de herramientas de inteligencia
artificial y diversos procesos de aprendizaje universitario” (p. 86). De manera
complementaria, Suárez-Lima et al. (2025) destacan que “el análisis de datos educativos
mediante técnicas estadísticas facilita comprender cómo la inteligencia artificial puede
contribuir a la personalización del aprendizaje” (p. 16). En consideración del diseño no
experimental y de corte transversal adoptado, los resultados del estudio permiten
identificar relaciones o asociaciones entre las variables analizadas dentro del contexto
investigado, por lo que su interpretación se limita a describir patrones estadísticos sin
establecer relaciones causales directas.
En cuanto a las consideraciones éticas, la participación de los estudiantes fue voluntaria y
se garantizó el respeto a los principios de confidencialidad y protección de la información
personal. Antes de responder el cuestionario, los participantes fueron informados sobre los
objetivos del estudio, el uso académico de los datos y su derecho a no participar o retirarse
del proceso en cualquier momento, constituyendo este procedimiento el consentimiento
informado para su participación. El instrumento fue aplicado mediante un formulario digital
en la plataforma Google Forms, en el cual se solicitó información básica de identificación
39
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
con fines de control de participación y verificación de la muestra. No obstante, durante el
proceso de análisis estadístico los datos personales fueron codificados y anonimizados,
eliminando cualquier elemento que permitiera identificar a los participantes. De esta
manera, la información fue tratada únicamente de forma agregada y utilizada
exclusivamente con fines académicos y científicos, garantizando la confidencialidad de los
estudiantes y el manejo responsable de los datos recolectados.
3. Análisis y Resultados
A través del análisis de lod cuadros y figuras que se muestran a continuación, se observará
el comportamiento de la unidad de estudio con el propósito de tener una mejor
comprensión de las características señaladas en la investigación. En el Cuadro 1 se muestra
que la mayor parte de estudiantes encuestados provienen de la carrera de Finanzas
(59.7%), seguido por la carrera de Estadística (24.2%) y la carrera de Economía (16.1%).
Esta distribución fue relevante porque la aplicación y percepción de la IA pueden variar
ligeramente entre estas disciplinas de Ciencias Económicas. Además, la distribución de la
muestra de esta unidad académica está enmarcada en el área vinculada a las ciencias
sociales con el 75.8%, mientras que el área estadística aplicada se observa con el 24.2% de
la muestra.
Carrera
Frecuencia
Porcentaje
Porcentaje
acumulado
Economía
24
16.1 %
16.1 %
Finanzas
89
59.7 %
75.8 %
Estadística
36
24.2 %
100.0 %
Total
149
100.0 %
Cuadro 1. Distribución de los estudiantes según la carrera de estudio
De acuerdo con el Cuadro 2 se muestra una distribución equitativa entre el estudiantado de
segundo y tercer semestre con un porcentaje de 45.6% y 54.4% respectivamente. Esta
distribución en el nivel académico fue intencionada, permitió controlar la variabilidad en la
experiencia universitaria y la familiaridad con los contenidos de las Ciencias Económicas. Al
concentrar la muestra en estos semestres intermedios, se aseguró que los participantes
hayan tenido una base de conocimientos similar, lo que es crucial para evaluar de manera
más precisa la influencia de la IA en su proceso de aprendizaje, evitando que las diferencias
en el nivel de avance curricular sea un factor distorsionador.
Semestre
Frecuencia
Porcentaje
Porcentaje
acumulado
Segundo semestre
68
45.6 %
45.6 %
Tercer semestre
81
54.4 %
100.0 %
Total
149
100.0 %
Cuadro 2. Distribución de los estudiantes según semestre
En el Cuadro 3 se observa la distribución por género de forma equitativa, con un 51.0% de
mujeres y un 49.0% de hombres en la muestra total. Esta distribución permitió asegurar
40
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
que los resultados del estudio no estén sesgados en cuanto al género, permitiendo inferir
que el impacto de la IA en el proceso de aprendizaje desde una perspectiva balanceada.
Además, con esta distribución se aseguró una validez externa de los hallazgos, ya que la
muestra refleja la diversidad de género, fortaleciendo la generalización de las conclusiones.
Semestre
Frecuencia
Hombres
Mujeres
Porcentaje
Segundo semestre
68
33
35
51.0 %
Tercer semestre
81
40
41
49.0 %
Total
149
100.0 %
Cuadro 3. Distribución de los estudiantes según sexo
El análisis del Cuadro 4 revela que la mayoría de los estudiantes encuestados se encuentran
en el rango etario de 18 a 21 años con un porcentaje de 73.2%. Esta concentración en edades
tempranas de la vida universitaria es coherente con la población de segundo y tercer
semestre, de modo que se contó con una muestra compuesta principalmente por
estudiantes que están en una etapa formativa activa y que han crecido en un entorno cada
vez más digitalizado.
Rango de edad
Frecuencia
Porcentaje
Porcentaje acumulado
Entre 18 y 19 años
35
23.5%
23.5%
Entre 20 y 21 años
74
49.7%
73.2%
Entre 22 y 23 años
26
17.4%
90.6%
Entre 24 y 25 años
7
4.7%
95.3%
Mayor de 25 años
7
4.7%
100.0%
Total
149
100.0%
Cuadro 4. Distribución de los estudiantes según rango de edad
Con el propósito de analizar las variables asociadas al proceso de aprendizaje en el contexto
del uso de herramientas basadas en inteligencia artificial, se plantearon las siguientes
hipótesis estadísticas: H₀: no existen diferencias estadísticamente significativas en las
variables motivación y desempeño académico en la población estudiada; H₁: existen
diferencias estadísticamente significativas en las variables motivación y desempeño
académico en la población estudiada. En este sentido, los resultados de la prueba t de
Student para una muestra, presentados en el Cuadro 5, indican que las variables evaluadas
presentan niveles de significancia estadística (p < .001). La variable Motivación registró la
media más alta (M = 3.439) y un valor t = 64.332, con p < .001, lo que evidencia una
diferencia estadísticamente significativa respecto al valor de referencia considerado en el
análisis. De manera similar, la variable desempeño académico presentó una media de M =
2.958 y un valor t = 45.753, con p < .001. Estos resultados permiten identificar diferencias
estadísticamente significativas en las variables analizadas dentro de la población estudiada.
En consecuencia, se rechaza la hipótesis nula (H₀) y se acepta la hipótesis alternativa (H₁).
La motivación por el aprendizaje se distribuye principalmente en niveles intermedios,
correspondientes a las categorías 3 (Medio) y 4 (Alto), siendo el nivel 3 el más frecuente
entre los estudiantes encuestados. Por otra parte, la proporción de estudiantes ubicados en
41
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
los niveles más bajos de motivación (niveles 1 y 2) es reducida, lo que evidencia una
presencia limitada de desmotivación en la población analizada. Sin embargo, la escasa
representación en los niveles más altos de motivación (niveles 5 y 6) sugiere que aún existe
margen para fortalecer este aspecto dentro del proceso de aprendizaje. En términos
generales, aproximadamente el 90 % de los estudiantes se concentra en los niveles 3 y 4 de
motivación, lo que evidencia una tendencia predominante hacia niveles medios y
relativamente altos de motivación académica en el contexto analizado. Estos resultados
permiten describir un patrón favorable de motivación estudiantil en la población estudiada
dentro del contexto educativo considerado.
Variable
T
Gl
p (bilateral)
Media
IC 95% Inferior
IC 95% Superior
Carrera
40.211
148
< .001
2.081
1.980
2.180
CPE_P1
30.025
148
< .001
2.745
2.560
2.930
Motivación
64-
.332
148
< .001
3.439
3.333
3.545
Desempeño
45.753
148
< .001
2.958
2.830
3.086
TICS_P1
56.869
148
< .001
1.054
1.020
1.090
Cuadro 5. Distribución de los estudiantes según rango de edad
Fuente: Cuestionario de Procesos de Estudio (CPE), pregunta (P1), Tecnología Información y
Comunicación(TICS) pregunta 1 (P1).
Para la correlación de Pearson (cuadro 6) se utilizó para demostrar la relación lineal entre
el ámbito tecnológico y el académico. Los resultados demostraron que no existen relaciones
lineales estadísticamente significativas entre los factores evaluados (motivación académica,
acceso tecnológico, y desempeño escolar), todos los valores p fueron mayores a .05 (la
correlación entre elección de materias por satisfacción personal o interés de mercado y
Desempeño académico" fue r=.086, p=.299). Esto sugiere que el acceso a herramientas
tecnológicas por sí solo no modifica el proceso de aprendizaje de manera directa. La
aceptación de la hipótesis alternativa es parcial, indicando que la calidad del uso de la
tecnología y su integración pedagógica con la IA son más significativas que la mera posesión
de la tecnología.
Variable
1
2
3
1. Elección de materias por satisfacción personal o interés de
mercado
1.000
.001
.086
2. Tiene ordenador en casa
.001
1.000
.126
3. Desempeño académico
.086
.126
1.000
Sig. (bilateral)
—
.990
.299
—
.125
Cuadro 6. Correlación de Pearson entre motivación, acceso tecnológico y desempeño académico en
estudiantes de Ciencias Económicas
Nota. Correlación de Pearson (bilateral) relación entre variables. No existen correlaciones
estadísticamente significativas (p > .05). N = 149 para las variables.
42
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
Los resultados de la prueba t para una muestra de la influencia de la IA en la motivación
(cuadro 7) presentaron diferencias estadísticamente significativas con respecto al valor de
referencia cero (p<.001). Específicamente, la "motivación por el uso pedagógico" obtuvo
una media de M=3.47 y el "Impacto pedagógico de la IA" una media de M=3.32. Estos
hallazgos, junto con la percepción de la calidad educativa recibida (donde el 74% de los
estudiantes manifiesta una percepción alta o muy alta), permiten aceptar la hipótesis
alternativa (Hi). Se confirma que la IA influye positivamente en la dimensión pedagógica,
mejorando la motivación, el uso de recursos y la percepción general de calidad educativa.
Variable
T
p (bilateral)
Media
Impacto pedagógico de la IA
24.38
< .001
3.32
Uso de herramientas pedagógicas
21.57
< .001
2.98
Motivación por el uso pedagógico
26.14
< .001
3.47
Mejora en desempeño académico
22.05
< .001
3.11
Variable
T
p (bilateral)
Media
Cuadro 7. Influencia de la IA en la motivación por el uso pedagógico: resultados de la prueba t
Nota. Prueba t para una muestra.
Los resultados del cuadro 8, demostraron que no hay vínculos estadísticamente relevantes
entre la motivación para la selección de asignaturas y el rendimiento académico (τ=.072;
p=.259), ni entre la presencia de una computadora en el hogar y el rendimiento académico
(τ=.096; p=.169). Esto sugiere que el acceso instrumental a la tecnología por sí solo no
influye directamente. Sin embargo, un estudio multivariado previo mostró que la
motivación sí explica un porcentaje significativo del desempeño académico (R2 ajustado =
0.327; p<.001), indicando un impacto más complejo y mediado: la IA, al incrementar la
motivación, puede tener un impacto indirecto en el rendimiento escolar.
Variable
1
2
3
1. Elección de materias por satisfacción personal o
interés de mercado
1.000
–.007
.072
2. Tiene ordenador en casa
–.007
1.000
.096
3. Desempeño académico
.072
.096
1.000
Sig. (bilateral)
—
.924
.259
—
.169
Cuadro 8. Correlaciones Tau-b de Kendall sobre la influencia instrumental de la IA en motivación, acceso
tecnológico y desempeño académico
Nota. Variables ordinales y no paramétricas.
El estadístico Rho de Spearman que se muestra en el cuadro 9, determinó que la correlación
entre la motivación en la selección de asignaturas, la presencia de computadora en el hogar
y el rendimiento escolar no presentó un significado estadístico determinante
(Motivación/Desempeño ρ=.090, p=.272; Ordenador/Desempeño ρ=.113, p=.170). Esto
refuerza que ni la motivación sencilla ni el acceso a la tecnología influyen directamente en
43
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
el desempeño. Sin embargo, el análisis multivariado mostró que la motivación desempeña
un papel crucial en el impacto de la IA sobre el rendimiento académico, confirmando que la
IA incide significativamente al incrementar el compromiso y la motivación del estudiante,
lo que a su vez contribuye a mejorar su desempeño escolar.
Variable
1
2
3
1. Elección de materias por satisfacción personal o interés
de mercado
1.000
–.008
.090
2. Tiene ordenador en casa
–.008
1.000
.113
3. Desempeño académico
.090
.113
1.000
Sig. (bilateral)
—
.924
.272
—
.170
Cuadro 9. Correlaciones de Spearman sobre la influencia de la IA en la dimensión cognitiva
Nota. Variables ordinales y rangos.
La inteligencia artificial tiene un impacto positivo en el proceso de aprendizaje de los
alumnos de Ciencias Económicas de la Universidad Central del Ecuador. Los valores t altos
y p <.001, como, por ejemplo: motivación (t = 64.33; M = 3.44), rendimiento académico (t =
45.75; M = 2.96), y percepción pedagógica de la Inteligencia Artificial (t = 24.38; M = 3.32)
señala que los alumnos perciben como efectivo el uso de la IA en sus estudios. También el
95.3% de los participantes en la encuesta muestran niveles medios o superiores en
motivación y calidad educativa, mientras que el 88.6% se sitúa entre los niveles 3 y 5 en
rendimiento académico autoevaluado. Así el impacto de la Inteligencia Artificial es genuino,
positivo y de relevancia estadística.
4. Discusión
El principal hallazgo de este estudio demuestra que la inteligencia artificial tiene un impacto
positivo en el proceso de enseñanza-aprendizaje de los estudiantes de Ciencias Económicas,
particularmente en la motivación académica y en la percepción del rendimiento escolar.
Este resultado confirma la hipótesis planteada y evidencia que la integración pedagógica de
herramientas basadas en IA constituye un factor relevante para fortalecer el desempeño
académico en la educación superior. Estos resultados coinciden con investigaciones
recientes. En este sentido, Suárez-Lima et al., señalan que la inteligencia artificial permite
optimizar los procesos de aprendizaje mediante estrategias pedagógicas adaptativas y
personalizadas (Suárez-Lima et al., 2025, p. 14). De manera similar,otros autores destacan
que el desarrollo de competencias digitales en los docentes universitarios favorece la
implementación de estrategias metodológicas acordes con las demandas de los entornos
educativos digitales (Cabero-Almenara et al., 2020, p. 28).
La interpretación de los resultados evidencia que la inteligencia artificial no actúa
únicamente como un recurso tecnológico, sino como un mediador pedagógico que incide
directamente en la motivación, la autonomía y la participación activa del estudiantado en
su proceso de aprendizaje. En este sentido, Galván-Fernández (2024) sostiene que “la
inteligencia artificial debe comprenderse desde su dimensión educable, es decir, como una
herramienta capaz de integrarse a los procesos pedagógicos y contribuir a la formación
44
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
crítica del estudiante” (p. 1). La relación significativa identificada entre la motivación y el
rendimiento académico refuerza la importancia de los factores motivacionales en la
construcción del aprendizaje. Tarira-Caice et al. (2018) señalan que “la motivación
constituye un elemento esencial en el proceso de aprendizaje de los estudiantes, ya que
influye directamente en su interés y compromiso con las actividades académicas” (p. 170).
De manera similar, Martín-Cruz et al. (2009) destacan que “la motivación intrínseca
favorece la transmisión y construcción del conocimiento al incentivar la participación activa
de los individuos en el proceso de aprendizaje” (p. 193).
En este contexto, la integración de la inteligencia artificial en entornos universitarios
favorece el desarrollo de experiencias de aprendizaje más personalizadas y significativas.
Ludeña-Yaguana et al. (2025) evidencian que “la pedagogía personalizada apoyada en
inteligencia artificial contribuye al fortalecimiento de la motivación y al mejoramiento del
rendimiento académico de los estudiantes” (p. 231). Asimismo, Suárez-Lima et al. (2025)
indican que la personalización del aprendizaje mediada por IA permite adaptar los
contenidos a las necesidades individuales del estudiante, incrementando su compromiso
académico (Suárez-Lima et al., 2025, p. 16). De manera complementaria, Jardón et al. (2024)
reportan que “los asistentes virtuales basados en inteligencia artificial generan mejoras en
el rendimiento académico y en la percepción de calidad del aprendizaje universitario” (p.
15).
No obstante, diversos autores advierten que el impacto pedagógico de la inteligencia
artificial depende en gran medida de la motivación y preparación del cuerpo docente.
Franco (2023) sostiene que “la incorporación de la inteligencia artificial en educación
requiere docentes preparados para integrar estas tecnologías desde una perspectiva
pedagógica y no únicamente tecnológica” (p. 2). En concordancia, Galván-Fernández (2024)
enfatiza que la IA debe comprenderse como un componente integrador del proceso
educativo y no como un recurso meramente instrumental (Galván-Fernández, 2024, p. 2).
Ludeña-Yaguana et al. (2025) subrayan que el uso planificado de tecnologías basadas en
inteligencia artificial potencia tanto la motivación estudiantil como el rendimiento
académico cuando existe una mediación didáctica consciente y contextualizada (Ludeña-
Yaguana et al., 2025, p. 236).
En comparación con la literatura reciente, los hallazgos de este estudio coinciden con
investigaciones que señalan que la IA contribuye de manera significativa a la motivación
estudiantil y al mejoramiento del desempeño académico cuando se integra de forma
estratégica en el proceso educativo. Franco (2023) afirma que “la educación contemporánea
debe avanzar hacia una comprensión crítica de la inteligencia artificial como parte del
ecosistema educativo digital” (p. 1). En este sentido, los resultados amplían estos aportes al
evidenciar que, si bien la percepción de la IA es positiva, aún persisten limitaciones
estructurales que restringen su aprovechamiento pleno, particularmente en lo relacionado
con la capacitación docente y la adaptación curricular.
La relevancia de estos hallazgos radica en su contribución al debate actual sobre el papel de
la IA en la educación superior, especialmente en carreras vinculadas a las Ciencias
Económicas, donde la automatización y el análisis de datos son competencias cada vez más
demandadas. En este sentido, Tarira-Caice et al., subrayan que la motivación académica
constituye un factor determinante para el aprendizaje efectivo (Tarira-Caice et al., 2018, p.
172). De manera similar, se destaca que la interacción entre la motivación intrínseca y
extrínseca influye en la construcción del conocimiento (Martín Cruz et al., 2009, p. 195). En
45
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
este contexto, la inteligencia artificial puede comprenderse como un recurso que potencia
dichos procesos motivacionales al favorecer experiencias de aprendizaje más dinámicas e
interactivas. Asimismo, se sostiene que la integración crítica de tecnologías emergentes
permite articular innovación tecnológica con desarrollo humano en el ámbito educativo
(Galván-Fernández, 2024, p. 2). En concordancia con lo expuesto, la pedagogía
personalizada mediada por inteligencia artificial favorece la motivación y el rendimiento
académico en estudiantes universitarios (Ludeña-Yaguana et al., 2025, p. 238). Del mismo
modo, se señala que los asistentes virtuales pueden mejorar la percepción del proceso
formativo cuando se integran adecuadamente en el diseño pedagógico (Jardón et al., 2024,
p. 18).
No obstante, es necesario reconocer ciertas limitaciones del estudio. En primer lugar, la
investigación se desarrolló en una única institución de educación superior, lo que podría
limitar la generalización de los resultados a otros contextos académicos. Además, el uso de
instrumentos basados en la percepción de los estudiantes podría haber introducido sesgos
subjetivos. Estas limitaciones podrían ser abordadas en futuras investigaciones mediante
diseños longitudinales, muestras más amplias y la incorporación de enfoques mixtos que
permitan contrastar percepciones con indicadores objetivos de desempeño académico. En
este sentido se destaca la importancia de ampliar las investigaciones empíricas sobre
inteligencia artificial en educación para comprender sus efectos en distintos contextos
académicos (Ludeña-Yaguana et al., 2025, p. 240). Asimismo, se señala que el desarrollo de
nuevas investigaciones permitirá fortalecer la integración pedagógica de la IA en los
sistemas educativos (Franco, 2023, p. 3).
Desde una perspectiva práctica y teórica, los resultados de este estudio sugieren la
necesidad de fortalecer políticas institucionales orientadas a la formación docente en
competencias digitales y a la actualización curricular acorde con los avances de la IA. En este
sentido, Galván-Fernández (2024) enfatiza que la incorporación de tecnologías emergentes
en la educación debe responder a un enfoque pedagógico integral (Galván-Fernández, 2024,
p. 2). De igual manera, Jardón et al. (2024) destacan que la efectividad de los sistemas
inteligentes en educación depende de su integración planificada en el diseño didáctico y en
las estrategias de enseñanza (Jardón et al., 2024, p. 20).
En resumen, este estudio demuestra que la inteligencia artificial constituye un recurso
estratégico para mejorar la motivación y el rendimiento académico de los estudiantes de
Ciencias Económicas, siempre que su implementación esté acompañada de una adecuada
formación pedagógica y curricular. Estos resultados coinciden con investigaciones
recientes. En este sentido, Ludeña-Yaguana et al. (2025) evidencian el potencial de la IA
para fortalecer los procesos educativos cuando se integra de manera crítica y
contextualizada en la práctica docente (Ludeña-Yaguana et al., 2025, p. 241).
5. Conclusiones
Los resultados del estudio permiten identificar una relación estadísticamente significativa
entre el uso de herramientas basadas en inteligencia artificial y variables asociadas al
proceso de aprendizaje de los estudiantes de las carreras de Estadística, Economía y
Finanzas de la Universidad Central del Ecuador. En particular, se observa una tendencia
favorable en los niveles de motivación académica y en la percepción del desempeño
estudiantil dentro del contexto analizado. Estos hallazgos sugieren que la incorporación de
herramientas de inteligencia artificial puede constituir un recurso relevante dentro de los
46
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
entornos educativos universitarios, al facilitar dinámicas de aprendizaje más flexibles y
acordes con las demandas tecnológicas actuales.
Desde una perspectiva educativa, los resultados evidencian la importancia de considerar la
inteligencia artificial como un elemento complementario en los procesos formativos,
especialmente en áreas vinculadas al análisis de datos, la estadística y la economía, donde
las herramientas digitales pueden apoyar el desarrollo de habilidades analíticas y de
resolución de problemas. No obstante, debido al diseño no experimental y de corte
transversal del estudio, los hallazgos deben interpretarse en términos de asociaciones
observadas dentro del contexto investigado, sin establecer relaciones causales directas.
En función de lo anterior, se recomienda promover estrategias pedagógicas que integren de
manera planificada el uso de herramientas de inteligencia artificial en el aula, orientadas a
fortalecer la motivación estudiantil y favorecer experiencias de aprendizaje más
personalizadas. Asimismo, resulta pertinente impulsar programas de formación docente
enfocados en el uso pedagógico de tecnologías basadas en inteligencia artificial, con el fin
de que los docentes puedan incorporar estas herramientas de manera crítica y efectiva en
sus prácticas educativas.
De igual forma, se sugiere considerar la actualización de los contenidos curriculares en las
carreras relacionadas con las Ciencias Económicas, incorporando competencias digitales y
el uso de herramientas de inteligencia artificial aplicadas al análisis de información y la
toma de decisiones. Finalmente, se recomienda desarrollar futuras investigaciones con
diseños longitudinales o experimentales que permitan profundizar en el análisis de la
relación entre inteligencia artificial y aprendizaje universitario, ampliando la muestra y
considerando otras variables educativas que puedan influir en el proceso formativo.
Referencias bibliográficas
Area, M., y Adell, J. (2021). Tecnologías digitales y cambio educativo. Una aproximación
crítica. REICE. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación,
19(4), 83–96. https://doi.org/10.15366/reice2021.19.4.005
Bermúdez, G. B., Coronel, R. A., Alvarado, M. L., Espin, J. R., y Gómez, S. de L. (2025).
Estrategias de Enseñanza basadas en Inteligencia Artificial y su Impacto en el Aprendizaje
Personalizado de los Estudiantes. Ciencia Latina Revista Científica Multidisciplinar, 9(2),
6822-6836. https://doi.org/10.37811/cl_rcm.v9i2.17409
Biggs, J. B. (1987). Study Process Questionnaire Manual. Student Approaches to Learning and
Studying. Australian Council for Educational Research.
Cabero-Almenara, J., Barroso-Osuna, J., Palacios-Rodríguez, A., y Llorente-Cejudo, C. (2020).
Marcos de competencias digitales para docentes universitarios: su evaluación a través
del coeficiente competencia experta. Revista Electrónica Interuniversitaria de
Formación del Profesorado, 23(3), 17–34. https://doi.org/10.6018/reifop.413601
Espinoza-Vidaurre, S. M., Velásquez-Rodríguez, N. C., Gambetta-Quelopana, R. L., Martínez-
Valdivia, A. N., Leo-Rossi, E. A., Laura-De La Cruz, K. M., y Nolasco-Mamani, M. A.
(2024). Influencia de la inteligencia artificial en la eficiencia del rendimiento
académico: Un análisis de determinantes. Revista Ibérica de Sistemas e Tecnologías de
Informação, (70), 399-418.
47
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
https://search.proquest.com/openview/7e25986b8d09152317775820bc91266f/1?pq-
origsite=gscholar&cbl=1006393
Franco, J. A. (2023). La motivación de los docentes con respecto al desarrollo de la inteligencia
artificial. Revista Virtual Universidad Católica del Norte, (70), 1-3.
https://www.doi.org/10.35575/rvucn.n70a1
Galván-Fernández, C. (2024). La inteligencia artificial desde la educabilidad. Digital Education
Review, (45), 1-2. https://dialnet.unirioja.es/descarga/articulo/9624292.pdf
García-Peñalvo, F. J. (2023). La percepción de la Inteligencia Artificial en contextos
educativos tras el lanzamiento de ChatGPT: disrupción o pánico. Education in the
Knowledge Society, 24. https://doi.org/10.14201/eks.31279
Grijalva-Maigua, C. N., Puetate-Huera, G. H., Cevallos-Ramírez, Á. M., y Achina-Cualchi, F. J.
(2025). La Inteligencia Artificial y su Influencia en el Rendimiento Académico:
Perspectivas desde la Educación Superior. Revista Científica De Salud Y Desarrollo
Humano, 6(3), 29–45. https://doi.org/10.61368/r.s.d.h.v6i3.760
Gutiérrez-Castillo, J. J., Romero Tena, R., y León Garrido, A. (2025). Beneficios de la
Inteligencia Artificial en el aprendizaje de los estudiantes universitarios: una revisión
sistemática. Revista Electrónica de Tecnología Educativa, (91), 185-206.
https://doi.org/10.21556/edutec.2025.91.3607
Jardón, M. del C., Granizo, J. H., Yaselga, W. F., y Cocha, M. G. (2024). Impacto de los asistentes
virtuales de inteligencia artificial en el rendimiento académico de estudiantes
universitarios. Revista Social Fronteriza, 4(4), 1-27.
https://doi.org/10.59814/resofro.2024.4(4)338
Ludeña-Yaguana, J. E., Lozada-Monsalve, K. L., Calle-Landazuri, D. M., y Chiza-Yamberla, E.
J. (2025). Pedagogía personalizada con inteligencia artificial: Un estudio sobre el
impacto en el rendimiento y la motivación estudiantil. Revista Científica
Multidisciplinaria HEXACIENCIAS, 5(10), 224–245.
https://soeici.org/index.php/hexaciencias/article/view/700
Martín-Cruz, N., Martín-Pérez, V., y Trevilla-Cantero, C. (2009). Influencia de la motivación
intrínseca y extrínseca sobre la transmisión de conocimiento. El caso de una organización
sin fines de lucro. Revista de Economía Pública, Social y Cooperativa, (66), 187-211.
https://www.redalyc.org/articulo.oa?id=17413043009
Ribas, F. B., y Provasi, M. R. (2024). Adopción de inteligencia artificial generativa: percepciones
de alumnos de ciencias económicas. In XX Simposio Regional de Investigación Contable.
2683-6734. http://sedici.unlp.edu.ar/handle/10915/175480
Suárez-Lima, G. J., Posligua-Fernández, J. A., Carpio-Cruz, O. J., y Guriz, N. O. (2025).
Aplicación de la inteligencia artificial para la personalización del aprendizaje en
entornos universitarios: desafíos, oportunidades y su impacto en la mejora del
rendimiento académico. Revista Social Fronteriza, 5(4), 1-19.
https://doi.org/10.59814/resofro.2025.5(4)786
Tamayo-Arellano, V. R., Romero-Acosta, Y. J., Zapata-Romero, S. V., y Sánchez-Macías, R. A.
(2024). Integración de la inteligencia artificial en la enseñanza universitaria para
optimizar el proceso de aprendizaje. Magazine de las Ciencias: Revista de Investigación
e Innovación, 9(2), 68-94. https://doi.org/10.33262/rmc.v9i2.3104
48
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN:2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
Tarira-Caice, C. A., Delgado-González, M. J., Tarira-Rojas, L. D., y Rivas-Mera, D. C. (2018).
Motivación extrínseca para el aprendizaje de matemática. Mundo recursivo, 1(2), 165-
182. http://www.atlantic.edu.ec/ojs/index.php/mundor/article/view/57
Torres-Cruz, E., Torres-Cruz, F., Torres-Segura, J. W., Basurco-Chambilla, T. R., Mamani-
Luque, O. M., López-Cueva, M. A., Tito-Lipa, J. P., Supo-Gutierrez, J. A., y Coyla-Idme, L.
(2023). Impacto de la inteligencia artificial en la educación universitaria (pp. 80–91).
Editora Científica Digital. https://dx.doi.org/10.37885/230513147
Autores
SANTIAGO VINUEZA-VINUEZA obtuvo su título de doctor en Investigación Educativa en la
Universidad César Vallejo-Perú en 2025, Magíster en Redes de Comunicaciones, de la
Facultad de Ingeniería, de la Pontificia Universidad Católica del Ecuador en 2016,
Magíster en Sistemas Informáticos Educativos, Universidad Tecnológica Israel en 2009,
Licenciado en Ciencias de la Educación especialización de Informática, Facultad de Filosofía
Letras y Ciencias de la Educación, Universidad Central del Ecuador en 2002, Ingeniero
en Ejecución Informática, Universidad Autónoma de Quito en 2002.
Actualmente es profesor tiempo completo de la Facultad de Ciencias Económicas de la
Universidad del Ecuador. Sus principales investigaciones se enmarcan en el campo
educativo y las Tecnologías de la Información y Comunicación. Es autor de capítulos de
libros y artículos publicados en revistas de alto impacto (Emerging Source Citation Index,
Scopus, Latindex, Redalcy, Scielo).
ALEJANDRA FONSECA-FACTOS obtuvo su título de Magíster en Educación mención
Innovación y Liderazgo Educativa en la Universidad Indoamerica (Ecuador). Obtuvo el
título de Ingeniera en Electrónica y Telecomunicaciones en la Universidad de las Fuerzas
Armadas-ESPE.
Actualmente es profesora de bachillerato técnico oferta ordinaria y bachillerato técnico
complementario en la Unidad Educativa Uyumbicho, Cantón Mejía, Provincia Pichincha. Ha
participado como par revisor para la revista Conectividad-Instituto Universitario
Rumiñahui. Colabora de manera conjunta con el Ministerio de Educación, Deporte y Cultura
en el acompañamiento técnico-pedagógico para la implementación de proyectos de
robótica educativa en instituciones del sistema educativo. Sus principales temas de
investigación incluyen enfoque STEAM, robótica educativa, innovación educativa, didáctica
de las ciencias exactas y naturales (física), biomédica y tecnologías aplicada a la educación.
Es autora de algunos artículos publicados en conferencias y revistas de alto impacto (IEEE
Xplore, Scielo, Latindex, DOAJ).
Declaración de autoría-CRediT
SANTIAGO VINUEZA-VINUEZA: estado de la cuestión, conceptos relacionados,
metodología, validación, análisis de datos, redacción- primer borrador.
ALEJANDRA FONSECA-FACTOS: estado de la cuestión, conceptos relacionados, análisis de
datos, organización e integración de datos recopilados, conclusiones, redacción final y
edición.
Declaración del uso de inteligencia artificial
49
Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Revista Cátedra, 9(2), pp. 34-49, julio-diciembre 2026. e-ISSN: 2631-2875
https://doi.org/10.29166/catedra.v9i2.9739
Los autores declaran que no utilizaron herramientas de Inteligencia Artificial (IA) para
ninguno de los fragmentos del manuscrito. Todo el material fue revisado y validado por los
autores, quienes se responsabilizan de su exactitud y rigurosidad.
