https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
463
Artículo de revisión
Inteligencia artificial como apoyo en la tutoría de estudiantes
con dificultades de aprendizaje
Artificial intelligence as support in tutoring students with learning difficulties
Jaime Rodrigo Bonilla Acán*
Instituto Superior Tecnológico Dr. Misael
Acosta Solís
Riobamba - Ecuador
jbonilla@istmas.edu.ec
https://orcid.org/0000-0002-5005-247X
Santiago Cornelio Hidalgo Barreno
Nova English Academy
Riobamba - Ecuador
eisil.shidalgo@gmail.com
https://orcid.org/0009-0006-0473-3000
*Correspondencia:
jbonilla@istmas.edu.ec
Cómo citar este artículo:
Bonilla, J., & Hidalgo, S. (2025). Inteligencia
artificial como apoyo en la tutoría de
estudiantes con dificultades de aprendizaje.
Esprint Investigación, 4(2), 463-476.
https://doi.org/10.61347/ei.v4i2.202
Recibido: 7 de octubre de 2025
Aceptado: 19 de noviembre de 2025
Publicado: 25 de noviembre de 2025
Resumen: En contextos educativos heterogéneos y con recursos limitados, la inteligencia
artificial se perfila como un medio idóneo para fortalecer la tutoría y personalizar el
acompañamiento académico. A partir de una revisión cualitativa de literatura reciente,
se examinan tres líneas de aplicación: sistemas tutores inteligentes, chatbots educativos
y analítica del aprendizaje. La evidencia converge en mejoras en personalización,
retroalimentación oportuna y seguimiento continuo cuando la integración se alinea con
el currículo, se dosifica con criterio y permanece bajo supervisión docente. El impacto
depende menos de la sofisticación algorítmica que de la validez instruccional del
contenido, la calidad de la retroalimentación y la orquestación pedagógica dentro de
ciclos de instrucción explícita y evaluación formativa. La perspectiva de diseño universal
para el aprendizaje aparece como condición para evitar segmentaciones y ampliar el
acceso y la participación mediante apoyos multimodales, andamiajes metacognitivos y
regulación de la carga cognitiva, articulados con planes individualizados y adaptaciones
curriculares. La gobernanza ética se establece como prerrequisito para la transferibilidad,
con atención a la finalidad legítima del tratamiento de datos, la minimización y seguridad
de la información, la replicabilidad y trazabilidad de las recomendaciones, y auditorías
de equidad por subgrupos. En el plano operativo, se respaldan esquemas de respuesta a
la intervención con tamizajes universales, medidas breves sensibles al cambio y ajustes
frecuentes, viables en formatos individual, grupal y entre pares. La inteligencia artificial
complementa, sin sustituir, la mediación humana, contribuye a trayectorias de
aprendizaje más justas y sostenibles cuando se inserta en diseños didácticos claros con
salvaguardas robustas.
Palabras clave: Dificultades de aprendizaje, Diseño Universal para el Aprendizaje,
inteligencia artificial, tutoría educativa.
Abstract: In heterogeneous educational contexts with limited resources, artificial intelligence is
emerging as an effective means to strengthen tutoring and personalize academic support. Based
on a qualitative review of recent literature, three lines of application are examined: intelligent
tutoring systems, educational chatbots, and learning analytics. The evidence converges on
improvements in personalization, timely feedback, and continuous monitoring when integration
is aligned with the curriculum, applied judiciously, and kept under teacher supervision. The
impact depends less on algorithmic sophistication than on the instructional validity of the content,
the quality of feedback, and the pedagogical orchestration within cycles of explicit instruction and
formative assessment. The Universal Design for Learning perspective appears as a key condition
to avoid segmentation and expand access and participation through multimodal supports,
metacognitive scaffolding, and cognitive load regulation, articulated with individualized plans
and curricular adaptations. Ethical governance is established as a prerequisite for transferability,
with attention to the legitimate purpose of data processing, information minimization and
security, explainability and traceability of recommendations, and equity audits across subgroups.
At the operational level, response-to-intervention frameworks are supported, featuring universal
screening, brief measures sensitive to change, and frequent adjustments, feasible in individual,
group, and peer formats. Artificial intelligence complements without replacing human mediation
and contributes to fairer and more sustainable learning trajectories when embedded in clear
instructional designs with robust safeguards.
Keywords: Artificial intelligence, educational tutoring, learning difficulties, Universal Design
for learning.
Copyright: Derechos de autor 2025 Jaime
Rodrigo Bonilla Acán, Santiago Cornelio
Hidalgo Barreno.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 464
1. Introducción
La expansión de la inteligencia artificial en contextos educativos ha abierto un panorama de
oportunidades para personalizar el acompañamiento académico y fortalecer la tutoría en entornos
diversos. La literatura reciente señala que, integrada con sentido pedagógico y con resguardos éticos,
la inteligencia artificial puede contribuir a una educación más inclusiva y equitativa al potenciar la
adaptación de contenidos, la retroalimentación oportuna y el seguimiento continuo del progreso
estudiantil en tiempo real, con especial valor en escenarios de alta heterogeneidad en el aula y con
recursos limitados para la atención individualizada del aprendizaje (Nasser, 2024). Este horizonte no
reemplaza la mediación humana ni las intervenciones especializadas, sino que las complementa con
analítica fina del desempeño, diagnóstico formativo y apoyos escalonados que responden a
necesidades concretas del estudiante (UNESCO et al., 2025).
El principal desafío que enfrentan tutores y docentes radica en la diversidad de trayectorias, ritmos
y estilos de aprendizaje presentes en el aula. Estudiantes con dificultades específicas, como dislexia,
discalculia o trastornos de atención, requieren apoyos diferenciados y sostenidos que favorezcan su
progreso académico. Sin embargo, factores como la alta proporción de estudiantes por docente, las
limitaciones en la formación inclusiva y la desigual disponibilidad de herramientas de evaluación y
recursos adaptativos dificultan la oferta de tutorías verdaderamente personalizadas y equitativas
(Yánez et al., 2025).
Las investigaciones sobre sistemas tutores inteligentes, chatbots educativos y analítica del
aprendizaje evidencian que la inteligencia artificial tiene el potencial de modelar el conocimiento del
estudiante, identificar patrones de error, ajustar la dificultad de las tareas y sugerir rutas de estudio
personalizadas alineadas con los objetivos formativos. Estas herramientas permiten aliviar la carga de
seguimiento del docente y optimizar el tiempo dedicado a la enseñanza, favoreciendo que el trabajo
pedagógico se concentre en actividades de mayor valor agregado, como la orientación estratégica, la
retroalimentación formativa y el acompañamiento socioemocional del alumnado (Posso et al., 2025).
La exploración de la inteligencia artificial como apoyo tutorial en estudiantes con dificultades de
aprendizaje se sustenta en el creciente cuerpo de evidencia que demuestra su potencial para mejorar
el rendimiento académico, favorecer la autorregulación y fortalecer los procesos de enseñanza–
aprendizaje. Diversos estudios sobre sistemas tutores inteligentes destacan la capacidad de estas
herramientas para ofrecer retroalimentación inmediata y adaptar las actividades según las necesidades
del estudiante, siempre que su diseño pedagógico se integre de manera contextualizada y con
fundamentos metodológicos sólidos (Llerena et al., 2024).
De forma complementaria, la literatura sobre chatbots educativos señala su aporte en la motivación,
la práctica guiada y la resolución autónoma de dudas, especialmente cuando se articulan con
secuencias didácticas estructuradas y criterios de evaluación claros que promuevan un uso reflexivo
de la tecnología. Asimismo, la analítica del aprendizaje ofrece herramientas para identificar patrones
de desempeño, emitir alertas tempranas y orientar decisiones tutoriales fundamentadas, siempre bajo
principios de transparencia, replicabilidad y supervisión humana del proceso educativo (Ccoto, 2023).
La pertinencia de este campo se fundamenta en los marcos de diseño instruccional inclusivo,
orientados a prevenir la reproducción de barreras de aprendizaje y participación. Las directrices del
Diseño Universal para el Aprendizaje plantean la necesidad de ofrecer múltiples formas de
compromiso, representación y acción o expresión, principios que convergen con el potencial de la
inteligencia artificial para proporcionar apoyos multimodales y graduados, diversas vías de acceso a
la información y andamiajes metacognitivos que faciliten la autorregulación del aprendizaje. En este
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 465
sentido, la IA puede actuar como un complemento flexible dentro de entornos educativos
heterogéneos, promoviendo experiencias de aprendizaje adaptadas a las necesidades individuales y
favoreciendo la participación de todos los estudiantes (Nin & Tamayo, 2024).
Vincular la inteligencia artificial con los principios del Diseño Universal para el Aprendizaje no solo
evita que la personalización derive en segmentación o exclusión, sino que también permite que la
tecnología amplíe oportunidades reales de aprendizaje, en lugar de reforzar trayectorias de dificultad
o dependencia tecnológica. En el caso de los estudiantes con dificultades de aprendizaje, los mayores
beneficios se observan cuando las herramientas tecnológicas se integran de manera planificada en el
proceso tutorial, se articulan con las adaptaciones curriculares y se complementan con evaluaciones
psicopedagógicas válidas, manteniendo siempre la centralidad de la decisión pedagógica informada y
la mediación humana como garantes de un aprendizaje inclusivo y ético (Anchundia et al., 2024).
El desarrollo de soluciones con inteligencia artificial requiere al mismo tiempo una mirada ética y
regulatoria robusta. La protección de datos sensibles de estudiantes, la detección y mitigación de
sesgos algorítmicos, la transparencia sobre el funcionamiento de los modelos y la rendición de cuentas
en las decisiones pedagógicas constituyen condiciones indispensables para una adopción responsable.
Los lineamientos internacionales recomiendan principios de confiabilidad, trazabilidad y supervisión
humana, así como formación docente específica y participación de las comunidades educativas en el
diseño y la evaluación de estas herramientas, para que la innovación no erosione derechos ni genere
nuevas formas de exclusión. De este modo, la discusión deja de ser puramente técnica y se inscribe en
la gobernanza de datos educativos y en la justicia educativa (Espinales, 2025).
Desde este encuadre, el presente estudio tiene como propósito analizar el papel de la inteligencia
artificial como herramienta de apoyo en la tutoría de estudiantes con dificultades de aprendizaje,
orientando la revisión y síntesis crítica de la literatura reciente hacia los contextos tutoriales formales
y no formales donde se aplican tecnologías basadas en el modelado del estudiante, el procesamiento
del lenguaje natural, la analítica del aprendizaje y el diseño instruccional inclusivo. El análisis
considera tanto los efectos observados en el logro académico y la autorregulación como las condiciones
pedagógicas, tecnológicas y organizacionales que los sustentan, integrando además una reflexión
sobre las limitaciones, riesgos y dimensiones éticas vinculadas al uso educativo de la inteligencia
artificial. Este abordaje busca ofrecer una comprensión integral y crítica de su potencial en los procesos
tutoriales orientados a la inclusión y a la equidad educativa.
Dificultades de aprendizaje
Las dificultades de aprendizaje se entienden como alteraciones del neurodesarrollo que interfieren de
manera significativa y persistente con la adquisición y automatización de competencias escolares en
lectura, escritura y matemáticas, en estudiantes con inteligencia esperada para su edad y con
oportunidades educativas adecuadas. La comprensión actual integra criterios clínicos y pedagógicos
que permiten distinguir entre bajo rendimiento asociado a factores contextuales y aquellos perfiles con
una base neurocognitiva específica, evitando confundir la desventaja educativa con un trastorno
propiamente dicho. Esta delimitación resulta esencial para orientar las decisiones de intervención y el
diseño de apoyos ajustados a las necesidades reales del estudiantado (Elias, 2019).
En la figura 1 se representa el espectro de dificultades de aprendizaje según su impacto en las
habilidades académicas, evidenciando que el TDAH, la dislexia, la discalculia y las dificultades de
expresión escrita afectan en distinto grado los procesos de atención, procesamiento fonológico,
razonamiento numérico y producción textual, configurando un continuo de necesidades educativas
que requieren enfoques diferenciados de intervención y apoyo pedagógico.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 466
Figura 1
Dificultades de aprendizaje
La dislexia se caracteriza por dificultades persistentes en la precisión y fluidez lectora, así como en
los procesos de decodificación, generalmente asociadas con déficits en la conciencia fonológica, la
memoria de trabajo verbal y la velocidad de denominación. La evidencia científica señala que el origen
principal de estas dificultades radica en alteraciones del procesamiento fonológico y en un mapeo
ortográfico ineficiente del léxico escrito, más que en la falta de interés o esfuerzo del estudiante. Las
intervenciones más efectivas integran instrucción explícita en las correspondencias grafema-fonema,
práctica intensiva y distribuida, lectura asistida y estrategias deliberadas para el desarrollo del
vocabulario y la comprensión lectora. Los avances son mayores cuando el docente modela de forma
directa los procesos de decodificación y comprensión, y cuando el estudiante recibe retroalimentación
inmediata y específica sobre los errores cometidos durante la lectura en voz alta o en la resolución de
preguntas de comprensión literal e inferencial (de Beà, 2014; Gantier, 2022).
La discalculia se manifiesta como dificultad para comprender magnitudes, representar cantidades,
manejar símbolos numéricos y recuperar con fluidez hechos aritméticos. El estudiantado afectado
suele mostrar debilidades en el sentido numérico, la estimación, la comparación y en líneas numéricas
mentales poco estables. La evidencia apoya la instrucción explícita con manipulativos y
representaciones múltiples que conectan lo concreto, lo pictórico y lo simbólico, junto con práctica
acumulativa y espaciada que fortalece la memoria de procedimientos. La enseñanza deliberada del
lenguaje matemático y la construcción de esquemas para resolver problemas verbales ayudan a
traducir situaciones cotidianas a estructuras matemáticas comprensibles y favorecen la generalización
más allá de ejercicios rutinarios (Parra & Gallardo, 2023).
Las dificultades de expresión escrita abarcan la planificación textual, la transcripción y la revisión,
con efectos sobre la calidad, la coherencia y la extensión del texto. La instrucción estratégica basada en
procesos cognitivos y metacognitivos ha mostrado resultados robustos cuando enseña de manera
explícita a planificar, redactar y revisar mediante modelos de autorregulación y de estructuras
retóricas. El fortalecimiento de la fluidez de la codificación ortográfica y de la caligrafía reduce la carga
cognitiva durante la composición y libera recursos para la generación de ideas y para el control del
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 467
discurso escrito (Suyo et al., 2021). Las tecnologías de apoyo, como el dictado por voz, los correctores
ortográficos explicativos y los editores con andamiajes de estructura, contribuyen a mejorar la
productividad siempre que se utilicen dentro de metas didácticas claras y con evaluación de su
impacto real sobre la calidad del texto (Coto & Morales, 2020).
El TDAH no es en sí una dificultad específica del aprendizaje, pero su impacto sobre la atención
sostenida, el control inhibitorio y la autorregulación afecta el desempeño académico y coexiste con
frecuencia con dislexia y discalculia. En el aula, el estudiante puede presentar omisiones en las
consignas, baja persistencia y dificultades para iniciar y finalizar tareas. Las intervenciones educativas
más eficaces combinan la estructuración del ambiente académico, la descomposición de tareas con
metas claras, la instrucción directa en habilidades de organización y de manejo del tiempo, la
retroalimentación frecuente y el reforzamiento positivo. La coordinación con soporte clínico, cuando
corresponde, mejora la adherencia y los resultados académicos y conductuales en el mediano plazo
(Vega, 2024; Álava et al., 2021).
La heterogeneidad y la comorbilidad caracterizan a los estudiantes con dificultades de aprendizaje,
en quienes pueden coexistir trastornos del lenguaje, problemas motores o ansiedad académica. La
variación lingüística y cultural también influye en el rendimiento y en la interpretación de las pruebas
estandarizadas, por lo que se requieren evaluaciones contextualizadas y culturalmente pertinentes que
integren observaciones en el aula y análisis cualitativos para evitar diagnósticos erróneos. En el ámbito
pedagógico, la evidencia respalda estrategias basadas en instrucción explícita, modelado, práctica
guiada y retroalimentación constante, que promueven la metacognición, la claridad de la enseñanza y
mejoras sostenidas en el aprendizaje, especialmente en quienes presentan dificultades persistentes
(Romero & Rougier, 2023).
La respuesta a la intervención organiza apoyos en niveles crecientes de intensidad a partir de
tamizajes universales que permiten identificar de manera temprana a quienes necesitan ayuda
focalizada. El monitoreo frecuente del progreso con medidas breves y curriculares guía ajustes oportunos
y documenta la eficacia de la instrucción antes de considerar derivaciones a servicios especializados. Este
marco multiprofesional articula la prevención secundaria y terciaria con el trabajo de aula y promueve
decisiones basadas en datos, en lugar de esperar al fracaso acumulado para actuar (Ron & Viteri, 2025).
El diseño universal para el aprendizaje ofrece un marco proactivo que busca eliminar barreras desde
la planificación, promoviendo diversas formas de compromiso, representación y expresión para
garantizar el acceso equitativo al aprendizaje. Al integrar tecnologías educativas e inteligencia
artificial, estos principios se amplifican mediante herramientas que ajustan la dificultad de las tareas,
brindan retroalimentación inmediata y facilitan la autorregulación, siempre bajo una supervisión
docente y ética responsable. De esta manera, la personalización tecnológica se convierte en una vía
para fortalecer la inclusión y la equidad educativa, evitando prácticas segregadoras y potenciando el
progreso de todo el estudiantado (Sommer et al., 2024).
La mejora sostenida depende de capacidades institucionales. La formación docente en evaluación
formativa y en instrucción explícita, el trabajo colaborativo entre aula, tutoría y servicios
especializados, la participación informada de las familias y la disponibilidad de materiales de práctica
diferenciada son condiciones que multiplican el impacto de las intervenciones. El seguimiento
longitudinal con indicadores de proceso y de resultado permite valorar la fidelidad de implementación
y la transferibilidad a contextos diversos, y ayuda a decidir la continuidad o el ajuste de los apoyos.
Con esta arquitectura de evaluación e intervención, las dificultades de aprendizaje dejan de ser un
destino de bajo logro para convertirse en un campo de mejora educativa basado en evidencias y en
derechos.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 468
Importancia de la tutoría personalizada en la mejora del rendimiento
Presentar la tutoría personalizada como estrategia de alto impacto resulta pertinente para elevar el
rendimiento y cerrar brechas. Este acompañamiento sitúa al estudiante en el centro de una relación
pedagógica exigente y, al mismo tiempo, protectora. En escenarios con mayor heterogeneidad y
rezagos acumulados, el dispositivo tutorial permite atender puntos de partida dispares, recuperar
habilidades fundacionales y consolidar hábitos de estudio transferibles a distintas materias. No es un
refuerzo genérico, sino un trabajo minucioso sobre necesidades concretas, con metas próximas y
medibles que devuelven una experiencia de progreso y sentido de agencia (Tapia & Almeida, 2023).
La personalización corrige una limitación frecuente de la enseñanza a gran grupo, que privilegia la
cobertura de contenidos por sobre el ajuste fino. El tutor determina el punto de aprendizaje idóneo,
donde el desafío se vuelve alcanzable y significativo, reduce la carga cognitiva mediante explicaciones
claras y materiales graduados, y proporciona retroalimentación inmediata antes de que el error se
estabilice. Además, hace visibles los procesos internos de resolución al pensar en voz alta, modelar
estrategias y mostrar cómo planificar, ejecutar y revisar, lo que incrementa precisión, fluidez,
autoeficacia y permanencia (Rondan et al., 2024).
Los mecanismos de impacto en la tutoría educativa actúan de forma complementaria: alinear las
tareas con las necesidades del estudiante, ofrecer retroalimentación oportuna y promover la práctica
deliberada y el andamiaje gradual favorecen la autonomía y la transferencia del aprendizaje. La
formación metacognitiva refuerza la planificación y el control del propio desempeño, potenciando los
resultados académicos. La evidencia muestra que los programas de tutoría intensiva, con sesiones
breves y guiadas, mejoran la lectura, las matemáticas y la confianza académica del estudiantado
(Sevilla et al., 2025).
Un proceso tutorial eficaz parte de un diagnóstico continuo que identifica fortalezas y necesidades
mediante medidas breves y sensibles al cambio. La instrucción se organiza con modelado, práctica
guiada y retroalimentación inmediata, priorizando metas alcanzables a corto plazo. La atención
individual, los grupos pequeños o la tutoría entre pares son formatos válidos siempre que mantengan
una interacción genuina y una actividad cognitiva sostenida, en entornos presenciales o virtuales
(Espinoza, 2021).
Ante dificultades específicas de aprendizaje, la personalización resulta esencial. En dislexia, se
prioriza la lectura asistida, la relación grafema-fonema y estrategias de comprensión; en discalculia, el
trabajo con sentido numérico, representaciones múltiples y lenguaje matemático; y en expresión
escrita, la planificación, la revisión guiada y la automatización ortográfica. Si coexiste TDAH, la
organización del entorno y la gestión del tiempo son claves. La tecnología y la inteligencia artificial
potencian estas estrategias mediante herramientas de lectura en voz alta, dictado, correctores
explicativos y plataformas adaptativas con retroalimentación inmediata, siempre bajo supervisión
docente y con resguardo ético de los datos (Quiroz et al., 2024).
La evaluación del impacto forma parte del propio dispositivo. Un esquema sensato combina
indicadores de proceso asistencia, tiempo efectivo, calidad de la retroalimentación con resultados
precisión, fluidez y desempeño en tareas auténticas. Comparar el progreso con la línea base de cada
estudiante evita juicios inadecuados y orienta decisiones sobre si intensificar apoyos, cambiar
estrategias o cerrar el ciclo una vez alcanzadas las metas (
Pizarro-Romero & Sarmiento-Chugcho, 2023).
La equidad y la ética deben guiar todo el proceso tutorial. La selección de participantes ha de basarse
en evidencias de desempeño y riesgo académico, evitando sesgos relacionados con lengua, cultura o
nivel socioeconómico, mientras que la comunicación con las familias debe ser clara y respetuosa, y la
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 469
participación voluntaria, con resguardo garantizado de los datos personales. La tutoría no reemplaza la
docencia regular, sino que la potencia al alinear contenidos y favorecer la transferencia al aula común.
Su implementación a gran escala requiere propósito definido, formatos flexibles, capacitación sostenida,
materiales accesibles, frecuencia regular y coordinación docente, dentro de un ciclo continuo de mejora
basado en datos. Cuando estos elementos se integran, la tutoría deja de ser una medida remedial y se
convierte en parte esencial del ecosistema de enseñanza y aprendizaje (Barrera et al., 2025).
La tutoría personalizada mejora el rendimiento porque articula diagnóstico fino, instrucción
explícita, práctica deliberada, retroalimentación inmediata y una relación pedagógica de confianza. Su
aporte no se limita a subir puntajes: transforma trayectorias al fortalecer autonomía, autorregulación
y compromiso con el estudio; y, usada con tecnologías responsables, amplía su alcance sin desplazar
el papel insustituible del tutor.
Inteligencia artificial en educación
La inteligencia artificial en educación se ha desplazado desde prototipos de laboratorio hacia
ecosistemas reales de aula y campus, donde incrementa oportunidades de práctica, personaliza
trayectorias y multiplica la retroalimentación sincrónica y asincrónica. Tres familias tecnológicas
concentran hoy la mayor parte de las aplicaciones con evidencia: los sistemas tutores inteligentes, los
chatbots educativos y las plataformas de aprendizaje adaptativo. Más que sustituir la docencia, estos
recursos amplifican la capacidad de diagnóstico, andamiaje y seguimiento que ejercen docentes y
tutores, siempre que se articulen con metas curriculares claras, criterios de evaluación formativa y
resguardos éticos y de privacidad (
Peñafiel et al., 2025).
Los sistemas tutores inteligentes (STI) reproducen las funciones esenciales del acompañamiento
experto al modelar tareas paso a paso, detectar errores, estimar el conocimiento del estudiante y ajustar
la dificultad de las actividades. Su diseño combina un modelo del dominio, un modelo del estudiante
y un motor pedagógico que decide la siguiente acción instruccional, actualizando en tiempo real la
probabilidad de dominio de cada habilidad. La evidencia empírica demuestra efectos positivos y
comparables a la tutoría humana estructurada, especialmente en matemáticas y ciencias, con mejoras
significativas cuando el sistema se alinea con el currículo y se aplica con alta intensidad y supervisión
docente (Guamán et al., 2025). Ejemplos como AutoTutor destacan el valor del diálogo guiado, que
promueve la explicación activa y la autorreparación del error, facilitando una comprensión más
profunda de los conceptos complejos (Carbonell & Hernández, 2024).
Los avances en los modelos de aprendizaje profundo han transformado el funcionamiento de los
sistemas tutores inteligentes, reemplazando el trazado bayesiano tradicional por enfoques capaces de
reconocer patrones complejos y relaciones temporales en el aprendizaje de cada estudiante. Estos
sistemas logran predecir con mayor precisión el desempeño académico y seleccionar actividades
adaptadas al progreso individual. Sin embargo, el impacto real no depende tanto de la sofisticación
del algoritmo, sino de la validez pedagógica del contenido y la calidad de la retroalimentación.
Explicaciones claras, ejemplos comparativos y oportunidades de corrección inmediata favorecen
mejoras sostenidas en la precisión, la fluidez y la transferencia del aprendizaje, especialmente cuando
se acompañan de rúbricas sencillas y metas alcanzables a corto plazo (Díaz, 2021).
Los chatbots educativos amplían las posibilidades de orientación y práctica mediante el uso de
lenguaje natural. Inicialmente diseñados para automatizar respuestas, guiar el estudio y fomentar la
autorregulación, los modelos generativos actuales permiten sostener diálogos socráticos, ofrecer
retroalimentación textual o procedimental y adaptar el tono y la dificultad según el usuario. Bien
implementados, estos agentes pueden reducir la ansiedad, mejorar la oportunidad de la ayuda y
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 470
liberar tiempo docente para tareas de mayor complejidad, siempre bajo supervisión humana que
garantice la precisión y la pertinencia pedagógica (Anchapaxi-Díaz et al., 2024). Sin embargo, persisten
riesgos como errores de generación, sesgos o filtraciones de datos, por lo que se requieren políticas de
uso claras, trazabilidad de respuestas y salvaguardas de privacidad, en concordancia con las
orientaciones internacionales sobre IA generativa en educación (Naranjo et al., 2025).
El aprendizaje adaptativo constituye la capa de orquestación que personaliza rutas, ritmos y
evaluaciones. A nivel micro, ajusta la dificultad de cada ítem, la cantidad de práctica y el tipo de pista
a partir del desempeño reciente; a nivel meso, reorganiza unidades o módulos para cerrar lagunas; a
nivel macro, recomienda trayectorias y tiempos de estudio que maximizan la probabilidad de dominio
antes de evaluaciones sumativas. En términos instruccionales, su valor radica en combinar diagnóstico
continuo con práctica deliberada espaciada y variación controlada de ejemplos, principios asociados
con la retención a largo plazo y la transferencia (García et al., 2025). Evaluaciones de implementaciones
a escala en centros escolares reportan mejoras modestas pero consistentes en matemáticas y lectura
cuando las plataformas se integran al trabajo del aula, los docentes usan paneles de progreso para
tomar decisiones y se garantiza el tiempo efectivo de aprendizaje (Santana et al., 2024).
La integración de tutores inteligentes, chatbots y analítica del aprendizaje requiere una arquitectura
pedagógica coherente, donde la docencia establezca metas y criterios, la analítica traduzca interacciones
en indicadores útiles y las herramientas inteligentes brinden apoyo en el momento oportuno. Este
ecosistema permite prácticas adaptativas y evaluaciones formativas que orientan decisiones de avance o
refuerzo, sin sustituir el juicio profesional, sino potenciándolo con diagnósticos precisos y trazabilidad
del progreso (Andrade et al., 2025). El uso responsable demanda finalidades legítimas, protección de
datos, transparencia y supervisión humana, junto con contenidos culturalmente pertinentes y auditorías
que garanticen equidad y confianza en el proceso educativo (Guzmán et al., 2024).
Los sistemas tutores inteligentes, los chatbots educativos y las plataformas de aprendizaje
adaptativo representan estrategias complementarias para personalizar, intensificar y hacer más
oportuno el apoyo instruccional. Su impacto depende menos del algoritmo que de su inserción en
diseños didácticos claros, materiales de calidad y ciclos de evaluación formativa. Cuando se
implementan con supervisión docente, resguardos éticos y metas verificables, estas tecnologías no solo
mejoran puntajes: contribuyen a trayectorias de aprendizaje más justas y sostenibles, donde cada
estudiante encuentra el reto adecuado y la ayuda necesaria en el momento oportuno.
2. Metodología
El estudio adoptó un enfoque cualitativo de revisión bibliográfica, orientado a analizar el papel de la
inteligencia artificial como herramienta de apoyo en la tutoría de estudiantes con dificultades de
aprendizaje. Se recopilaron y examinaron investigaciones, informes técnicos y documentos académicos
relacionados con la aplicación de sistemas tutores inteligentes, chatbots educativos, analítica del
aprendizaje y enfoques de diseño instruccional inclusivo, con el fin de identificar tendencias, beneficios,
limitaciones y condiciones pedagógicas que favorecieran su implementación en contextos tutoriales
diversos.
El proceso metodológico comprendió la revisión, selección y análisis de fuentes relevantes,
organizadas en categorías temáticas sobre aplicaciones pedagógicas, impacto en el rendimiento y la
autorregulación, y aspectos éticos y formativos. Se aplicó un procedimiento de síntesis interpretativa,
y se garantizó la validez del análisis mediante la triangulación de fuentes y la comparación con
estudios internacionales de educación inclusiva y ética en el uso de tecnologías emergentes,
asegurando así una comprensión integral y contextualizada del fenómeno estudiado.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 471
3. Resultados
La tabla 1 presentó un análisis comparativo de diversos estudios que abordaron el uso de la inteligencia
artificial como apoyo en la tutoría de estudiantes con dificultades de aprendizaje. Se resumieron los
principales enfoques de aplicación de la IA en contextos educativos, los hallazgos más relevantes para
la práctica tutorial, los riesgos y limitaciones identificados, así como las recomendaciones prácticas
para su implementación responsable. Este análisis buscó ofrecer una visión clara y aplicada sobre cómo
la IA podía complementar la labor docente, favoreciendo procesos de enseñanza más personalizados,
inclusivos y éticos.
Tabla 1
Análisis comparativo: IA como apoyo en la tutoría de estudiantes con dificultades de aprendizaje
Enfoque de IA para
la tutoría en DA
Hallazgos con valor
para la tutoría
Riesgos / limitacio-
nes a gestionar
Qué hacer en tu tutoría
(pasos prácticos)
Referencia
Andamiaje adapta-
tivo y retroalimenta-
ción automatizada
que libera tiempo
del tutor para inter-
venciones humanas
de calidad.
Mejora de aprendi-
zajes significativos y
feedback inmediato;
soporte académico y
emocional en tuto-
rías focalizadas.
No reemplaza la in-
teracción socioafec-
tiva; requerimientos
de privacidad de da-
tos, brecha digital y
riesgo de deshones-
tidad académica si
no hay reglas claras.
Plan individual (metas,
ritmo, eviden
cias); uso de
tutores inteligentes para
práctica espaciada y correc-
ción formativa; protocolo de
uso honesto y protección de
datos; formación docente.
Granda et
al. (2024).
Competencias para
uso ético, seguro y
accesible de la IA
(alfabetización en
datos, sesgos y pen-
samiento crítico)
como base de tuto-
rías inclusivas.
Proporciona un
marco común para
articular metas tuto-
riales (autorregula-
ción, explicación de
recomendaciones
del sistema, accesi-
bilidad multimo-
dal).
Si no se forman
competencias, la IA
puede ampliar de-
sigualdades; se re-
quiere política de
privacidad y mitiga-
ción de sesgos.
Alinear el plan tutorial con
el marco de competencias:
objetivos por nivel, criterios
de éxito, activi
dades para
explicar decisiones de IA,
salvaguardas de accesibili-
dad.
UNESCO.
(2025).
Personalización in-
clusiva en aula me-
diante adopción am-
plia por docentes y
estudiantes; soporte
a la participación y
accesibilidad.
Altas tasas de uso y
percepción de
aporte a la inclusión;
la IA facilita ajustes
en tareas, ritmo y
modalidades de
apoyo.
Necesidad de estra-
tegias pedagógicas
claras, capacitación
docente y acceso
equitativo; ética, ses-
gos y privacidad
como ejes críticos.
Diagnóstico de barreras;
metas individualizadas; ac-
tividades adaptativas (lec-
tura guiada, prácticas gra-
duadas); rúbricas asistidas
por IA + revisión humana;
políticas de equidad de ac-
ceso.
Uyaguari
et al.
(2025).
Tutoría inteligente +
analítica del apren-
dizaje para segui-
miento continuo y
apoyo diferenciado
basado en datos.
Beneficios: eficien-
cia, adaptación de
contenidos y moni-
toreo de progreso;
insumos para di-
seño de tutorías ba-
sadas en evidencia.
Desafíos: evaluación
rigurosa de impacto,
ética y gobernanza;
dependencia tecno-
lógica.
Integración gradual con mo-
nitoreo: registros de pro-
greso, alertas tempranas,
micro-reuniones tutor-estu-
diante para ajuste fino.
Calderón
& Nieto,
(2024).
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 472
4. Discusión
La evidencia sintetizada indica que la integración de inteligencia artificial en prácticas de tutoría y
acompañamiento académico mejora la personalización, la retroalimentación oportuna y el seguimiento
continuo del progreso en estudiantes con dificultades de aprendizaje, siempre que exista alineación
curricular, dosificación suficiente y supervisión pedagógica. El impacto depende menos de la
complejidad algorítmica que de la validez instruccional del contenido, de la calidad de la
retroalimentación y de la orquestación docente dentro de ciclos de instrucción explícita y evaluación
formativa. Cuando estas condiciones se cumplen, se observan efectos positivos en el rendimiento y la
autorregulación (Llerena et al., 2024; Posso et al., 2025; UNESCO, 2025).
El acoplamiento con marcos de diseño instruccional inclusivo, en particular el Diseño Universal
para el Aprendizaje, emerge como una condición estructural para evitar que la personalización derive
en segmentación y, por el contrario, habilitar oportunidades efectivas de acceso y participación en
aulas heterogéneas. La evidencia revisada muestra que los apoyos multimodales, el andamiaje
metacognitivo y la regulación de la carga cognitiva resultan más eficaces cuando se integran en planes
individualizados, adaptaciones curriculares y evaluaciones psicopedagógicas válidas, preservando la
centralidad del juicio profesional y el acompañamiento socioemocional del estudiantado (Nin &
Tamayo, 2024; Anchundia et al., 2024; UNESCO, 2025).
La gobernanza ética condiciona la transferibilidad y la legitimidad de los resultados. Son invariantes
deseables la finalidad legítima del tratamiento de datos, la minimización y seguridad de la
información, la replicabilidad de las recomendaciones y la trazabilidad de las decisiones, junto con
auditorías de desempeño por subgrupos que permitan vigilar la equidad y la pertinencia cultural y
lingüística. Bajo estos resguardos, la inteligencia artificial no sustituye la docencia ni las intervenciones
especializadas, sino que las potencia mediante diagnósticos granulares y alertas tempranas útiles para
la toma de decisiones tutoriales informadas (UNESCO, 2025; Ccoto, 2023).
En términos de implicaciones prácticas, los hallazgos respaldan modelos de Respuesta a la
Intervención y de tutoría intensiva que combinan tamizajes universales, medidas breves sensibles al
cambio y ajustes instruccionales frecuentes. La tabla 1 sintetiza una convergencia en tres vectores de
mejora que se refuerzan entre sí: la personalización con andamiaje adaptativo y retroalimentación
inmediata; la alfabetización crítica para un uso ético, seguro y accesible de la inteligencia artificial; y la
toma de decisiones tutoriales basadas en datos. En esta misma línea, se recomiendan planes
individuales con metas próximas y evidencias observables, práctica espaciada con corrección
formativa y el uso sistemático de paneles analíticos para orientar microajustes tutoriales (Granda et al.,
2024; UNESCO, 2025; Uyaguari et al., 2025; Calderón y Nieto, 2024).
Las condiciones y riesgos consignados en la tabla 1 son coherentes con la literatura especializada.
La eficacia de las intervenciones depende de estrategias pedagógicas explícitas, de la capacitación
sostenida del profesorado, de la disponibilidad equitativa de recursos y de marcos institucionales de
gobernanza que aseguren protocolos de acceso, resguardo de datos y procedimientos de verificación
humana sobre las recomendaciones generadas por los sistemas. Se advierte, además, la necesidad de
evitar prácticas deshonestas, sesgos de modelado y la sustitución de la mediación humana, mediante
políticas claras de uso y mecanismos de trazabilidad y rendición de cuentas en el ámbito escolar
(UNESCO, 2025; Anchundia et al., 2024).
Por tanto, se reconocen limitaciones asociadas con la heterogeneidad de diseños y métricas, la
variabilidad contextual y el posible sesgo de publicación. Se recomienda avanzar hacia estudios
longitudinales con análisis de costo-efectividad, comparaciones controladas entre condiciones con y
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 473
sin inteligencia artificial bajo enfoques con participación humana permanente, y mayor investigación
en escenarios de bilingüismo y alta desigualdad. En conjunto, la discusión respalda que estas
tecnologías contribuyen a trayectorias de aprendizaje más justas y sostenibles cuando se insertan en
diseños didácticos claros, con metas verificables, supervisión docente y resguardos éticos robustos que
garanticen inclusión y calidad educativa (Llerena et al., 2024; Posso et al., 2025; UNESCO, 2025).
5. Conclusiones
La inteligencia artificial mejora el rendimiento y la autorregulación de estudiantes con dificultades de
aprendizaje cuando se integra en ciclos de instrucción explícita y evaluación formativa, con alineación
curricular y supervisión docente. Su efecto depende más de la validez instruccional del contenido y de
la calidad de la retroalimentación que de la sofisticación del algoritmo.
Para sostener la inclusión, la inteligencia artificial debe articularse con el Diseño Universal para el
Aprendizaje y con modelos de Respuesta a la Intervención. Resultan clave los apoyos multimodales,
los planes individuales con metas próximas, la práctica espaciada y las decisiones tutoriales basadas
en datos.
La adopción responsable requiere una gobernanza ética robusta que asegure una finalidad legítima
en el tratamiento de datos, la minimización y seguridad de la información, la mitigación de sesgos, la
transparencia y replicabilidad de las recomendaciones, la trazabilidad y la verificación humana, así
como la capacitación docente y condiciones de acceso equitativo.
Aunque la evidencia es prometedora, persisten limitaciones relacionadas con la heterogeneidad de
los diseños, la variabilidad contextual y el sesgo de publicación. Se requieren implementaciones
graduales con evaluación rigurosa, estudios longitudinales y de costo-efectividad, así como mayor
investigación en contextos bilingües y de alta desigualdad.
Referencias
Álava, S., Cantero-García, M., Garrido-Hernansaiz, H., Sánchez-Iglesias , I., & Santacreu, J. (2021).
Atención Sostenida y Selectiva en subtipos de TDAH y en Trastorno de Aprendizaje: una
comparación clínica. Electronic Journal of Research in Education Psychology, 19(53), 117-144.
https://doi.org/10.25115/ejrep.v19i53.3778
Anchapaxi-Díaz, C., Pinenla-Palaguaray , Y., Caiza-Olapincha, S., Parra-Taboada , I., Abad-Guamán,
M., & Viñamagua-Arias, B. (2024). Uso de Chatbots educativos y su impacto en el aprendizaje
autónomo en bachillerato. Revista Científica Retos De La Ciencia, 1(4), 200–214.
https://doi.org/10.53877/rc.8.19e.202409.16
Anchundia, M., Quishpe, A., Quishpe, G., Mendoza, L., & Paredes, D. (2024). Beneficios y Riesgos de
la Inteligencia Artificial para Estudiantes con Necesidades Educativas Especiales. Ciencia Latina
Revista Científica Multidisciplinar, 8(1), 5239-5258. https://doi.org/10.37811/cl_rcm.v8i1.9856
Andrade-Aguilar, D., Maldonado-Carrera, E., Cadena-Caspi, G., Morales-Pinenla, V., & Cabezas-
Toapanta, N. (2025). La evaluación formativa como estrategia de aprendizaje en el ámbito
escolar. Revista Científica Retos De La Ciencia, 1(5), 81–93. https://doi.org/10.53877/rc1.5-573
Barrera, P., Zurita, J., Murillo, R., & Pasato, P. (2025). Evaluación del desempeño del capital humano
en instituciones de educación. Qualitas Revista Científica, 29(29), 015 - 032.
https://doi.org/10.55867/qual29.02
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 474
Calderón, A., & Nieto, E. (2024). Implicaciones de la inteligencia artificial en la educación: Revisión
sistemática. Horizontes. Revista De Investigación En Ciencias De La Educación, 8(35), 2304–2315.
https://doi.org/10.33996/revistahorizontes.v8i35.870
Carbonell, N., & Hernández, M. (2024). Impacto de los sistemas de tutoría inteligente. Una revisión
sistemática. Edutec, Revista Electrónica De Tecnología Educativa, 89, 121–143.
https://doi.org/10.21556/edutec.2024.89.3025
Ccoto, T. (2023). Desempeño docente en la calidad educativa. Horizontes Revista De Investigación En
Ciencias De La Educación, 7(29), 1361–1373. https://doi.org/10.33996/revistahorizontes.v7i29.597
Coto, M & Morales, M. (2020). Tecnologías del habla para la educación inclusiva. Revista Actualidades
Investigativas en Educación, 20(1), 1-24. https://doi.org/10.15517/aie.v20i1.40129
de Beà, E. (2014). Dislexia: una comprensión de los trastornos de aprendizaje. Ediciones Octaedro, S.L.
https://www.torrossa.com/en/resources/an/2911588
Díaz-Ramírez, J. (2021). Aprendizaje Automático y Aprendizaje Profundo. Ingeniare. Revista chilena de
ingeniería, 29(2), 180-181. https://dx.doi.org/10.4067/S0718-33052021000200180
Elias, S. (2019). Los trastornos de aprendizaje y el impacto de las nuevas tecnologías. Alétheia, 7(1).
https://philpapers.org/rec/OMALTD
Espinales, J. (2025). Inteligencia Artificial: Herramienta Dinámica en el Proceso de Enseñanza-
Aprendizaje en la Educación Superior. Ciencia Latina Revista Científica Multidisciplinar, 9(1),
11824-11835. https://doi.org/10.37811/cl_rcm.v9i1.16755
Espinoza, E. (2021). Importancia de la retroalimentación formativa en el proceso de enseñanza-
aprendizaje. Universidad Y Sociedad, 13(4), 389–397. Recuperado a partir de
https://rus.ucf.edu.cu/index.php/rus/article/view/2178
Gantier, N. (2022). La dislexia: una cuestión neuropsicológica y neuroeducativa. Fides et Ratio, 23(23),
127-148. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2071-
081X2022000100007&lng=es&tlng=es.
García, V., Moreira, R., Ponce, R., & Loor, M. (2025). Aprendizaje adaptativo a través de la Inteligencia
Artificial en la Educación Superior. Revista Científica De Innovación Educativa Y Sociedad Actual
"ALCON", 5(4), 480–489. https://doi.org/10.62305/alcon.v5i4.775
Granda, M., Muncha, I., Guamanquispe, F., & Jácome, J. (2024). Inteligencia Artificial: Ventajas y
desventajas de su uso en el proceso de enseñanza aprendizaje. MENTOR Revista De investigación
Educativa Y Deportiva , 3(7), 202–224. https://doi.org/10.56200/mried.v3i7.7081
Guamán, L., Pailiacho, D., Chucho, J., Inga, W., & Chucho, J. (2025). Implementación de Sistemas de
Tutoría Inteligente Basados en IA para la Personalización del Aprendizaje en Matemáticas.
Ciencia Latina Revista Científica Multidisciplinar, 9(1), 752-766.
https://doi.org/10.37811/cl_rcm.v8i6.15792
Guzmán, N., Álvarez, N., & Pacheco, X. (2024). Alcances y limitaciones de la IA en educación.
RECIMUNDO, 8(1), 215–223. https://doi.org/10.26820/recimundo/8.(1).ene.2024.215-223
Llerena, P., Terán, E., Medina, S., Veloz S., Gómez, E., Herrera, D., Riofrio, F., Vallejo, E., & Chiluiza,
D. (2024). Integración de la inteligencia artificial en la metodología educativa: estrategias
innovadoras para la enseñanza efectiva. Polo del Conocimiento, 9(1), 1637-1654.
https://www.polodelconocimiento.com/ojs/index.php/es/article/view/6458
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 475
Naranjo, A., Jácome, A., & Quezada, D. (2025). Uso de Chatbots en la enseñanza de Educación Superior
ecuatoriana: una revisión sistemática de los modelos de estudios. ASCE MAGAZINE, 4(3),
2431–2453. https://doi.org/10.70577/ASCE/2431.2453/2025
Nasser, F. (2024). Un repaso a la historia de la inteligencia artificial: acordes y desacuerdos. Tabanque.
Revista Pedagógica, 36, 7–18. https://doi.org/10.24197/trp.36.2024.7-18
Nin, M., & Tamayo, M. (2024). Diseño Universal para el Aprendizaje (DUA) y su impacto en la educación
inclusiva en nivel de formación docente: Revisión sistematizada del período comprendido entre
2016-2022. MLS Educational Research, 8(2). https://doi.org/10.29314/mlser.v8i2.2394
Parra, J., & Gallardo, I. (2023). Descifrando los Secretos de la Discalculia: un Viaje A Través de las
Neurociencias y las Tecnologías de la Información. Ciencia Latina Revista Científica
Multidisciplinar, 7(5), 7740-7758. https://doi.org/10.37811/cl_rcm.v7i5.8356
Peñafiel, E., Pacho, G., Yungán, B., Estrada, S., Reyes, I., & Valdivieso, C. (2025). La inteligencia artificial
en la educación: desafíos y oportunidades. Revista de Desarrollo del Sur de Florida , 6 (5), e5219.
https://doi.org/10.46932/sfjdv6n5-006
Pizarro-Romero, J., & Sarmiento-Chugcho, K. (2023). Evaluación diferenciada y Necesidades
Educativas Especiales. Sociedad & Tecnología, 6(2), 305–321. https://doi.org/10.51247/st.v6i2.375
Posso, R., Posso, E., & Salazar, J. (2025). La Inteligencia Artificial en la Educación: Propuesta de una
Metodología de Enseñanza Integrada. MENTOR Revista De investigación Educativa Y Deportiva ,
4(10), 1–8. https://doi.org/10.56200/mried.v4i10.9501
Quiroz, M., Mecias, V., Proaño, L. A., Hernández, J., Chóez, L., Morales, A., & Bernal, A. (2024).
Plataformas de Evaluación Digital: Herramientas para Optimizar el Feedback y Potenciar el
Aprendizaje. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 2020-2036.
https://doi.org/10.37811/cl_rcm.v8i5.13673
Romero, L., Colignon, L., & Rougier, M. (2023). La heterogeneidad de los contextos rurales y las
escuelas de jornada extendida en tiempos de pandemia: Posibilidades y condicionamientos.
Revista Iberoamericana de Educación, 91(1). https://doi.org/10.35362/rie9115605
Ron, P., & Viteri, F. (2024). Adaptaciones curriculares significativas en el proceso de enseñanza-
aprendizaje para estudiantes con discapacidad intelectual. Revista InveCom, 5(2), 1–14.
https://doi.org/10.5281/zenodo.14639387
Rondan, F., Lozada, M., Obregón, J., & Alvarez, M. (2024). Prácticas innovadoras de tutoría en la
Unidad Académica de Estudios Generales de una Universidad Privada. South Florida Journal of
Development, 5(1), 43–55. https://doi.org/10.46932/sfjdv5n1-004
Santana, A., Bernal, A., Herrera, J., Bayas, L., Muñoz, J., Ordoñez, I., Santin, A., & Jijon, F. (2024).
Aprendizaje Adaptativo: Innovaciones en la Personalización del Proceso Educativo en Lengua
y Literatura a través de la Tecnología. Ciencia Latina Revista Científica Multidisciplinar, 8(4), 480-
517. https://doi.org/10.37811/cl_rcm.v8i4.12292
Sevilla, T., Barrios, M., Flores, R., Ñanes, N., & Mato, J. (2024). Impacto de una capacitación intensiva
en IA orientada a la planificación educativa en docentes de secundaria. Revista InveCom, 5(3),
1–7. https://doi.org/10.5281/zenodo.14219251
Sommer, R., Correa, W., Aguilar, S., Sarango, M., Landeta, C., Yánez, G.., & Heras, N. (2024).
Estrategias de Aprendizaje-Servicio: aplicabilidad en el contexto ecuatoriano. MENTOR Revista
De investigación Educativa Y Deportiva , 3(9), 906–922. https://doi.org/10.56200/mried.v3i9.8406
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (463-476)
Esprint Investigación
Jaime Rodrigo Bonilla Acán, Santiago Cornelio Hidalgo Barreno 476
Suyo, G., Velasco, M., & Huamaní, J. (2021). Nivel de comunicación escrita, deficiencias lingüísticas, y
el logro de competencias en estudiantes ingresantes en una universidad pública del Cusco.
Ciencia Latina Revista Científica Multidisciplinar, 5(4), 4840-4859.
https://doi.org/10.37811/cl_rcm.v5i4.662
Tapia, E., & Almeida, N. (2023). Tutorías personalizadas para mejorar la lectoescritura en estudiantes
del tercer año de EGB de la Unidad Educativa Daniel Muñoz Serrano en el año lectivo 2021-
2022. Runae, 8, 32–57. https://revistas.unae.edu.ec/index.php/runae/article/view/754
UNESCO, Miao, F., Shiohira, K., & Lao, N. (2025). Marco de competencias para estudiantes en materia de
IA. UNESCO. https://doi.org/10.54675/EKCU4552
UNESCO. (2025). La inteligencia artificial en la educación. UNESCO. https://www.unesco.org/es/digital-
education/artificial-intelligence
Uyaguari, Y., Pacheco, V., Suárez, C., & Contreras, K. (2025). Transformaciones pedagógicas en la era
de la inteligencia artificial: retos y oportunidades para la educación inclusiva. Revista Científica
Multidisciplinaria HEXACIENCIAS. 5(10), 246–277.
https://soeici.org/index.php/hexaciencias/article/view/701
Vega, G. (2024). Impacto del TDAH en el aprendizaje de estudiantes en edad escolar: una revisión
sistemática. Revista San Gregorio, 1(57), 199–219. https://doi.org/10.36097/rsan.v1i57.2329
Yánez, E., Oña, R., Viteri, X., & Macas, B. (2025). Equidad educativa en Ecuador: análisis de brechas y
avances en la inclusión de grupos étnicos y personas con discapacidad (2009–2024). Revista
Social Fronteriza, 5(3), e–733. https://doi.org/10.59814/resofro.2025.5(3)733
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Jaime Rodrigo Bonilla Acán: Conceptualización, metodología, software, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
Santiago Cornelio Hidalgo Barreno: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
