LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 947.

DOI: https://doi.org/10.56712/latam.v6i4.4336

Impacto de la Inteligencia Artificial Generativa y aprendizaje
activo en la eficiencia educativa: un estudio mixto en
estudiantes de la Escuela Bancaria y Comercial (EBC)
Impact of Generative Artificial Intelligence and Active Learning on

Educational Efficiency: A Mixed Study on Students from the School of
Banking and Commerce (EBC)

María Antonieta Rosales Mendoza

rosales.marian@gmail.com
https://orcid.org/0009-0009-9881-6158

Escuela Bancaria y Comercial (EBC)
Toluca, Estado de México – México

Artículo recibido: 16 de junio de 2025. Aceptado para publicación: 14 de agosto de 2025.

Conflictos de Interés: Ninguno que declarar.

Resumen
Este artículo presenta los resultados de una investigación con enfoque mixto que evalúa el impacto
de la inteligencia artificial generativa (IAG) y el aprendizaje activo en la eficiencia educativa de los
estudiantes de la Escuela Bancaria y Comercial (EBC), en México. En la fase cualitativa, se realizaron
cinco grupos focales con estudiantes de primeros semestres, quienes expresaron una valoración
positiva hacia estas metodologías, aunque también manifestaron inquietudes éticas y pedagógicas.
En la fase cuantitativa, se encuestó a una muestra representativa de 379 estudiantes pertenecientes
a los nuevos planes de estudio, seleccionados aleatoriamente entre una población total de 3,119
alumnos. Este tamaño muestral, que equivale al 12.1% del universo, garantiza un nivel de confianza
superior al 99% con un margen de error del 5%, fortaleciendo la validez de los hallazgos obtenidos de
los nuevos planes de estudio mediante un instrumento validado (α = 0.85). El análisis estadístico,
basado en regresión lineal múltiple, reveló que el aprendizaje activo fue el principal predictor de la
eficiencia educativa, seguido por la percepción de utilidad de la IAG. Adicionalmente, se aplicaron
pruebas t de comparación entre planes educativos, encontrando diferencias significativas en tres de
cinco asignaturas. Se concluye que la integración de la IAG y el aprendizaje activo fortalece las
competencias estudiantiles y mejora el rendimiento académico, contribuyendo a un modelo educativo
más dinámico e innovador.

Palabras clave: inteligencia artificial generativa, aprendizaje activo, eficiencia educativa,
innovación pedagógica, educación superior

Abstract
This article presents the results of a mixed-methods study that evaluates the impact of generative
artificial intelligence (GAI) and active learning on educational efficiency among students at the Escuela
Bancaria y Comercial (EBC) in Mexico. In the qualitative phase, five focus groups were conducted
within the first-semester students, who expressed a positive attitude toward these methodologies,
although they also raised ethical and pedagogical concerns. In the quantitative phase, a validated
survey (α = 0.85) was administered to a representative sample of 379 students enrolled in updated
academic programs, selected from a total population of 3,119. This sample size represents 12.1% of

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 948.

the universe and provides a confidence level exceeding 99% with a 5% margin of error, reinforcing the
robustness of the quantitative findings.The statistical analysis, based on multiple linear regression,
revealed that active learning was the strongest predictor of educational efficiency followed by
students’ perception of the usefulness of GAI. Additionally, independent samples t-tests showed
statistically significant differences in three out of five subjects when comparing students from the new
and traditional curricula. The findings suggest that the integration of GAI and active learning enhances
students’ academic performance and strengthens competencies, contributing to a more dynamic and
innovative educational model.

Keywords: generative artificial intelligence, active learning, educational efficiency, pedagogical
innovation, higher Education

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.

Cómo citar: Rosales Mendoza, M. A. (2025). Impacto de la Inteligencia Artificial Generativa y
aprendizaje activo en la eficiencia educativa: un estudio mixto en estudiantes de la Escuela Bancaria
y Comercial (EBC). LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 6 (4), 947 –
964. https://doi.org/10.56712/latam.v6i4.4336

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 949.

INTRODUCCIÓN

La rápida evolución tecnológica ha planteado nuevos retos y oportunidades para la educación superior.
En este contexto de transformación, la Escuela Bancaria y Comercial (EBC) ha comenzado a integrar
herramientas de inteligencia artificial generativa (IAG) y enfoques de aprendizaje activo, con el
propósito de preparar a sus estudiantes para un entorno profesional cada vez más exigente. Este
artículo analiza los beneficios y desafíos derivados de la implementación de estas metodologías
innovadoras, así como su impacto en la eficiencia educativa.

El proceso inició con la identificación de necesidades educativas concretas. A través de entrevistas y
reuniones con líderes empresariales y representantes del sector productivo, la EBC detectó una
creciente demanda de que sus egresados contaran con habilidades blandas, en especial pensamiento
crítico y capacidad para resolver problemas complejos. Esta retroalimentación fue clave para diseñar
un plan académico que respondiera a esas exigencias del mercado laboral.

En su búsqueda de referentes internacionales, la EBC estableció una alianza con la Universidad de
Minerva (California), lo que permitió rediseñar asignaturas bajo los principios del aprendizaje activo e
integrar, de forma progresiva, herramientas de IAG en los procesos formativos. Esta decisión se
sustentó en evidencia científica. Por ejemplo, Kosslyn (2017) destaca que el aprendizaje activo
incrementa significativamente los resultados académicos, reduce la deserción y fomenta una
comprensión profunda, a diferencia del modelo tradicional centrado en la exposición del docente.

Diversas investigaciones coinciden en que la combinación de IAG y aprendizaje activo no solo
incrementa la motivación y participación estudiantil, sino que también facilita un aprendizaje profundo,
autónomo y significativo. Esta sinergia favorece la creación de entornos educativos más adaptativos,
interactivos y personalizados, en contraposición a los modelos unidireccionales centrados en la
transmisión de contenidos. Así lo confirman estudios recientes como los de Salinas-Navarro et al.
(2024), quienes destacan que el uso de herramientas de inteligencia artificial generativa puede
enriquecer el aprendizaje experiencial y la evaluación auténtica, fomentando competencias de orden
superior y una enseñanza más centrada en el estudiante.

A su vez, Gallent-Torres, Zapata-González y Ortego-Hernando (2023) señalan que “el uso de inteligencia
artificial generativa, en combinación con enfoques de aprendizaje activo, está transformando los
entornos de la educación superior al ofrecer experiencias de aprendizaje más adaptativas,
personalizadas e interactivas” (p. 13).Esta afirmación se alinea con el creciente cuerpo de evidencia
que respalda el rediseño curricular fundamentado en principios del aprendizaje activo, la
personalización del proceso educativo y el uso estratégico de la tecnología como mediadora del
conocimiento.

A partir de estas inferencias, en el presente artículo se examinan las principales teorías del aprendizaje
que sustentan estos enfoques como el constructivismo social, el conectivismo y el aprendizaje
experiencial, así como investigaciones recientes sobre la eficacia de la IAG en contextos educativos.
También, se discuten casos de implementación institucional que aportan marcos de referencia para
su integración en instituciones como la EBC.

Para liderar esta transformación, se seleccionó a un grupo de docentes con sólida trayectoria tanto en
la EBC como en el ámbito profesional. Con el apoyo de las áreas de diseño curricular e integración
tecnológica, estos docentes estructuraron sesiones interactivas que integraban el uso de herramientas
IAG. También se diseñaron actividades personalizadas que promovieran una mayor participación del
estudiante y un aprendizaje más dinámico. Es muy importante señalar que la sesión que se impartía
en un Campus sería la réplica de los otros 13, se buscó estandarizar el modelo educativo.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 950.

Con el objetivo de facilitar la interacción y el seguimiento en tiempo real, la EBC adoptó la plataforma
Wooclap, enlazada con Moodle, en su sistema institucional. Esta herramienta permitió monitorear la
asistencia, la participación y la motivación estudiantil, complementando las estrategias de aprendizaje
activo con recursos digitales interactivos. Adicionalmente, se integraron herramientas colaborativas y
de inteligencia artificial generativa, como ChatGPT y Copilot. Cabe destacar que la EBC se convirtió en
la primera institución educativa en México en firmar un convenio con OpenAI, con el propósito de
apoyar a estudiantes y docentes en la personalización del aprendizaje. “En la EBC hemos firmado un
convenio con OpenAI ChatGPT Education, convirtiéndonos en la primera institución en México en
lograrlo” (Escuela Bancaria y Comercial [EBC], 2025, 0:02).

Para asegurar una implementación efectiva, se establecieron tres roles clave: líder de materia, líder
capacitador y líderes de diseño curricular, además de un sistema de retroalimentación constante por
parte del equipo académico y tecnológico. Este esquema permitió diseñar desde cero los nuevos
planes de estudio, con base en tecnologías emergentes y metodologías centradas en el estudiante
(EBC, 2025).

Las primeras asignaturas desarrolladas se presentaron en clases piloto en cada campus, lo cual
permitió ajustar su diseño con base en la retroalimentación directa de docentes, directivos y
estudiantes. Esta fase fue esencial para detectar oportunidades de mejora y afinar la implementación.

El despliegue institucional estuvo coordinado por directivos y equipos académicos de alto nivel, como
el director de Formación, Mtro. Jerónimo Prieto Barbachano; la directora académica, Mtra. María
Teresa Quintana; la subdirectora de Gestión de Talento Docente, Dra. Andrea Ruíz Rivera; y los equipos
de diseño curricular, integración tecnológica, operaciones y docencia. Se llevaron a cabo visitas a los
13 campus para supervisar y acompañar al personal docente, con el fin de evaluar los avances y
atender las particularidades de cada sede. Este acompañamiento directo fortaleció el compromiso del
cuerpo docente y generó un ambiente colaborativo, donde se compartieron buenas prácticas y se
abordaron los retos de manera conjunta. “La IA ha permitido a los docentes elevar el nivel de sus clases,
ayudando a los estudiantes a abordar desafíos más complejos sin perder el compromiso” (Prieto, s. f.,
párr. 7).

Problema

En el contexto actual, las instituciones de educación superior enfrentan el desafío de adaptarse a un
entorno caracterizado por la transformación digital, la automatización y el cambio constante en las
competencias demandadas por el mercado laboral. Este escenario exige repensar los modelos
pedagógicos tradicionales mediante la incorporación de metodologías activas y tecnologías
emergentes que favorezcan el aprendizaje significativo, la autonomía estudiantil y la resolución de
problemas en contextos reales.

En respuesta a esta necesidad, la Escuela Bancaria y Comercial (EBC) ha desarrollado e implementado
un modelo educativo innovador que articula el aprendizaje activo con herramientas de inteligencia
artificial generativa (IAG). No obstante, pese a su potencial transformador, persiste una brecha en la
literatura empírica que evalúe rigurosamente el impacto de dicha integración en el rendimiento
académico, la eficiencia educativa y la percepción del estudiantado.

En este sentido, el presente estudio adquiere relevancia tanto teórica como práctica. Por una parte,
contribuye al campo de la innovación educativa mediante la articulación entre teorías del aprendizaje
y estrategias institucionales de transformación digital. Por otra parte, genera evidencia sistemática que
puede orientar la toma de decisiones pedagógicas y tecnológicas en otras instituciones interesadas
en incorporar la inteligencia artificial en sus procesos formativos.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 951.

Además, la investigación resulta particularmente significativa por su contexto: se desarrolla en una
institución pionera en México en formalizar el uso de inteligencia artificial mediante un convenio con
OpenAI. Este marco convierte a la EBC en un caso de estudio relevante para universidades de América
Latina y otras regiones, al ofrecer un modelo replicable de integración tecnológica con fundamento
ético, organizacional y pedagógico.

Diversos estudios han demostrado que tanto el aprendizaje activo como la implementación de
tecnologías educativas emergentes tienen efectos positivos en la motivación estudiantil, el desempeño
académico y la comprensión profunda del conocimiento. Sin embargo, la integración simultánea de
ambos enfoques —IAG y aprendizaje activo— continúa siendo un campo poco explorado desde una
perspectiva empírica, especialmente en contextos institucionales como el de la EBC.

Objetivo General

● Determinar el impacto de la integración de la inteligencia artificial generativa (IAG) y el
aprendizaje activo en la eficiencia educativa y el rendimiento académico del estudiantado de
la EBC, a partir de la implementación de los nuevos planes de estudio.

Objetivos Específicos

● Analizar las percepciones de los estudiantes sobre el uso de herramientas de IAG y
metodologías de aprendizaje activo en el aula.

● Comparar el rendimiento académico entre estudiantes formados bajo planes tradicionales y
aquellos expuestos a metodologías basadas en IAG y aprendizaje activo.

● Evaluar la efectividad de la IAG en la personalización del aprendizaje y la retroalimentación
inmediata.

● Determinar si la combinación de IAG y aprendizaje activo mejora la eficiencia educativa en
términos de participación, comprensión y logro académico.

Preguntas de Investigación

● ¿Qué percepción tienen los estudiantes de la EBC sobre el uso de la inteligencia artificial
generativa y el aprendizaje activo en el aula?

● ¿Existen diferencias significativas en el rendimiento académico entre estudiantes formados
con metodologías tradicionales y aquellos que utilizan IAG y aprendizaje activo?

● ¿De qué manera contribuyen las herramientas de IAG a la personalización del aprendizaje y a
la retroalimentación formativa?

● ¿Cómo influye la integración de IAG y aprendizaje activo en la eficiencia educativa general de
los cursos analizados?

Hipótesis General: La integración de la inteligencia artificial generativa (IAG) y el aprendizaje activo
tiene un impacto positivo en la eficiencia educativa del estudiantado de la EBC, como resultado de la
implementación de los nuevos planes de estudio.

METODOLOGÍA

Esta investigación adoptó un enfoque mixto, combinando metodologías cualitativas y cuantitativas
para evaluar el impacto de la inteligencia artificial generativa (IAG) y el aprendizaje activo en la
eficiencia educativa de los estudiantes de la Escuela Bancaria y Comercial (EBC).

Fase Cualitativa

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 952.

El diseño cualitativo fue de tipo exploratorio y empleó cinco grupos focales (focus groups) como
técnica principal. Los participantes fueron estudiantes de primeros semestres del Campus Toluca de
la EBC, con edades entre 18 y 23 años, provenientes de carreras de Administración, Mercadotecnia,
Comercio y Negocios Internacionales, Finanzas y Banca, Contabilidad y LANCE. Se utilizó una guía de
16 preguntas estructurada en cuatro secciones temáticas. El análisis de los datos se realizó mediante
codificación temática detallada línea por línea, identificando y agrupando los resultados en ocho
categorías principales. Posteriormente, se efectuó una codificación cruzada por pregunta y
participante y un análisis de sentimiento sobre el aprendizaje activo y el uno de la inteligencia artificial
generativa.

Fase Cuantitativa I

Este estudio cuantitativo se desarrolló bajo un diseño no experimental, correlacional y transeccional.
La población consistió en 3,113 estudiantes activos inscritos en los nuevos planes de estudio de la
EBC. Se seleccionó una muestra de 379 participantes mediante un muestreo aleatorio estratificado por
Campus. El instrumento de recolección de datos fue una encuesta estructurada con una escala Likert
de 5 puntos, diseñada para evaluar las percepciones sobre el uso de IAG, metodologías de aprendizaje
activo y su relación con la eficiencia educativa percibida. La validez del instrumento se verificó
mediante juicio de expertos y su consistencia interna se evaluó con un coeficiente alfa de Cronbach
superior a 0.85. Los datos fueron analizados con el software SPSS, utilizando estadística descriptiva y
modelos de regresión lineal múltiple. Se verificaron los supuestos de normalidad, multicolinealidad y
significancia estadística para la correcta interpretación del modelo predictivo. Se evaluó una versión
extendida del modelo que incluyó un término de interacción entre IAG y aprendizaje activo para explorar
posibles efectos moderadores en la variable dependiente.

Fase Cuantitativa II

Se realizó un análisis comparativo entre estudiantes de nivel licenciatura inscritos en el plan de
estudios tradicional (vigente de 2017 a 2024) y aquellos de los nuevos planes de estudio
(implementados a partir de agosto de 2024), los cuales incorporan metodologías activas y el uso de
IAG. Se consideraron cinco pares de asignaturas equivalentes. El tamaño de los grupos osciló entre 8
y 38 estudiantes, dependiendo de la disponibilidad de actas oficiales de calificaciones. Las
calificaciones finales oficiales, en una escala de 0 a 10, fueron obtenidas de actas institucionales
digitalizadas y firmadas electrónicamente. Los datos se codificaron y organizaron por materia y tipo
de plan (tradicional o nuevo), y se analizaron utilizando IBM SPSS Statistics, versión 28. Se aplicaron
pruebas t de Student para muestras independientes con el supuesto de varianzas desiguales (prueba
de Welch) para identificar diferencias significativas en las calificaciones entre los grupos. El nivel de
significancia se estableció en p<.05.

DESARROLLO

El acelerado avance de las tecnologías digitales ha generado transformaciones significativas en los
modelos educativos contemporáneos. En este escenario, la inteligencia artificial generativa (IAG) y el
aprendizaje activo emergen como pilares clave para la innovación pedagógica en la educación
superior. Holmes, Bialik y Fadel (2019) sostienen que la sinergia entre ambos enfoques no solo
favorece el rendimiento académico, sino que también fortalece competencias transversales como el
pensamiento crítico, la autonomía, la colaboración y la adaptabilidad, generando entornos de
aprendizaje más personalizados e interactivos.

Desde una perspectiva epistemológica, el conectivismo propuesto por Siemens (2005) resulta
especialmente pertinente en la era digital. Esta teoría considera que el conocimiento no se limita al
individuo, sino que se distribuye en redes, dispositivos y comunidades. En este contexto, la IAG actúa

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 953.

como una extensión de las redes cognitivas del estudiante, al facilitar la búsqueda, síntesis y
generación de información de manera eficiente y adaptativa.

Complementariamente, el aprendizaje experiencial de Kolb (1984) plantea que el conocimiento se
construye a través de un ciclo continuo de experiencia concreta, reflexión, conceptualización abstracta
y experimentación activa. Esta perspectiva se articula estrechamente con el aprendizaje activo,
entendido como un enfoque en el que los estudiantes participan conscientemente en su propio proceso
formativo. Según Prince (2004), este enfoque incrementa la participación, el compromiso y el
rendimiento académico.

Un metaanálisis realizado por Freeman et al. (2014), con más de 200 estudios, concluyó que el
aprendizaje activo mejora significativamente la retención del conocimiento y reduce las tasas de
deserción, lo cual valida su efectividad frente a modelos tradicionales centrados en la exposición del
docente. Estas evidencias respaldan el valor de metodologías centradas en el estudiante, capaces de
promover una participación sostenida y significativa.

En paralelo, la IAG representa un conjunto de tecnologías capaces de generar contenido original textos,
imágenes, ideas, respuestas a partir de grandes volúmenes de datos, lo cual permite construir entornos
de aprendizaje más flexibles, personalizados y colaborativos. Un ejemplo representativo es el uso de
modelos conversacionales como ChatGPT, que facilita la tutoría automatizada, la formulación de
preguntas en tiempo real y la simulación de escenarios académicos complejos.

En el contexto institucional de la EBC, está adopción tecnológica se ha articulado con metodologías de
aprendizaje activo, promoviendo la resolución de problemas, el trabajo colaborativo y la
retroalimentación formativa inmediata. En línea con esta visión, Huo y Siau (2024) proponen un modelo
conceptual en el que la IAG personaliza la enseñanza y promueve la autonomía del estudiante como
agente activo de su aprendizaje.

Para que estas innovaciones se integren de forma sostenible, es esencial considerar modelos de
cambio organizacional. La Teoría de la Gestión del Cambio de Kotter (1996) establece un proceso en
ocho etapas que ha guiado la transición curricular en la EBC, desde el diagnóstico inicial hasta la
institucionalización del modelo mediante pilotos, capacitación docente, visión compartida y respaldo
institucional.

Asimismo, la Teoría de la Difusión de Innovaciones de Rogers (2003) permite entender cómo
tecnologías y metodologías se adoptan en una organización educativa. La implementación progresiva
de la IAG y el aprendizaje activo respondió a criterios como la ventaja relativa, la compatibilidad
institucional, la facilidad de uso, la posibilidad de prueba y la visibilidad de los beneficios.

Por otro lado, el liderazgo transformacional, conceptualizado por Bass y Avolio (1994), ha sido
determinante en este proceso. Este tipo de liderazgo se caracteriza por influir de forma inspiradora,
fomentar la innovación intelectual y brindar atención individualizada. En la EBC, estas dimensiones se
han materializado en roles clave como líderes de materia, capacitadores, coordinadores académicos y
equipos de diseño curricular.

No obstante, es imprescindible atender las implicaciones éticas y sociales del uso de tecnologías
avanzadas en la educación. Autores como Biesta (2015) y Selwyn (2019) advierten que subordinar la
educación a criterios exclusivamente tecnológicos puede invisibilizar la labor docente, generar
dependencia digital y profundizar desigualdades estructurales. En este sentido, se requiere una
pedagogía crítica y humanista que complemente el potencial técnico de la IAG con marcos ético-
pedagógicos sólidos (Williamson, Eynon y Potter, 2020).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 954.

En conjunto, la convergencia entre teorías del aprendizaje, modelos de cambio institucional y enfoques
de liderazgo configura un marco teórico integral que justifica la implementación de la IAG y el
aprendizaje activo en la EBC. Este marco permite comprender su impacto en la eficiencia educativa,
evaluar su sostenibilidad a largo plazo y anticipar sus implicaciones éticas, organizacionales y
formativas.

Tabla 1

Definiciones, autores clave y aplicación de conceptos educativos en la EBC

Fuente: elaboración propia con base en los autores citados.

RESULTADOS

Los resultados de esta investigación mixta revelan el impacto significativo de la integración de la
inteligencia artificial generativa (IAG) y el aprendizaje activo en la eficiencia educativa de los
estudiantes de la EBC, presentando tanto beneficios como desafíos.

Resultados Cualitativos

Los grupos focales realizados con estudiantes de primeros semestres en la fase cualitativa revelaron
una percepción mayoritariamente positiva hacia la IAG y el aprendizaje activo. Los estudiantes las
consideran herramientas útiles, eficaces y convenientes, aunque su valor es condicional al uso que se
les dé. Entre los usos educativos mencionados para la IA se incluyen la elaboración de resúmenes,
mapas mentales, búsqueda de información, resolución de dudas y preparación de exposiciones.
Ejemplos de comentarios incluyen (ver anexo1): “Yo creo que está bien, porque nos dan más opciones
y es eficaz” (FG1-Mauricio) y “Gran herramienta para buscar información precisa” (FG5, Farid).

No obstante, los estudiantes también expresaron preocupaciones éticas y pedagógicas. Los riesgos
más señalados fueron la dependencia de la IA ("Dependencia, flojera para buscar información" - FG3-
Valeria), la falta de pensamiento crítico ("Dependencia, dejar de pensar críticamente" - FG1-Gabriela),
el plagio y el uso irreflexivo ("Información no verificada, copiar sin comprender" - FG1-Montserrat), y la
desinformación.

En cuanto al aprendizaje activo, los estudiantes valoran positivamente dinámicas como
gamificaciones, lluvias de ideas, juegos, exposiciones y debates. Asocian estas metodologías con una
mayor comprensión y motivación, destacando comentarios como “Aprender haciendo, aplicando lo
aprendido” (FG3-Diana). La mayoría de los estudiantes prefieren el aprendizaje activo sobre los
métodos tradicionales, afirmando una mayor retención de información y un mejor involucramiento, lo
que se traduce en calificaciones más altas.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 955.

Las recomendaciones de los estudiantes incluyeron la capacitación docente en IA y aprendizaje activo,
la realización de talleres para estudiantes sobre el uso crítico de la tecnología, un uso equilibrado entre
métodos tradicionales y tecnológicos, y el establecimiento de lineamientos claros para el uso ético de
la IA. Estas percepciones se pueden visualizar en el análisis de sentimiento presentado en el gráfico 1
y 2.

Gráfico 1

Análisis de sentimiento sobre la IAG y el aprendizaje activo

Nota: Los datos del análisis de sentimiento revelan un patrón claro de aceptación hacia la IA generativa,
acompañado de una preocupación significativa por los riesgos pedagógicos relacionados con su uso

indiscriminado.

Fuente: elaboración propia.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 956.

Tabla 3

Recomendaciones por parte de los alumnos en el uso de la IAG y el aprendizaje activo

Fuente: elaboración propia.

Resultados Cuantitativos

Regresión Lineal Múltiple: El análisis cuantitativo, basado en un modelo de regresión lineal múltiple,
reveló que el aprendizaje activo fue el principal predictor de la eficiencia educativa. La ecuación
estimada del modelo de regresión lineal fue:

Eficiencia educativa = 0.827+0.182(IA beneficiosa) +0.119 (IA mejora aprendizaje)+0.504

(Aprendo activamente).

Los resultados del modelo, detallados en la Tabla 4: Resultados del modelo de regresión lineal múltiple
para predecir la eficiencia educativa, indican que todos los predictores tuvieron un efecto positivo y
estadísticamente significativo sobre la eficiencia educativa, siendo "Aprendo activamente" la variable
con el mayor peso explicativo (Coeficiente B = 0.5037, p<.001). El modelo ajustado (R2 ajustado =
0.451) cumplió con los supuestos de linealidad, normalidad de residuos, independencia y ausencia de
multicolinealidad, lo que valida su interpretación estadística.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 957.

Tabla 4

Resultados del modelo de regresión lineal múltiple para predecir la eficiencia educativa

Nota: Nivel de confianza: 99%. R² ajustado: 0.451. Error estándar de la estimación: 0.73. Variable
dependiente: Eficiencia educativa. Todos los predictores se introdujeron simultáneamente. Nivel de
significancia: p < .05.

Comparación de Calificaciones: Las pruebas t de muestras independientes aplicadas a las
calificaciones finales oficiales compararon los planes de estudio tradicionales y los nuevos, que
incorporan IAG y aprendizaje activo. Los resultados, presentados en la Tabla 5: Resultados del análisis
comparativo de calificaciones finales entre planes de estudio tradicionales y nuevos (con IAG y
aprendizaje activo), mostraron diferencias estadísticamente significativas en tres de las cinco
asignaturas comparadas.

En la asignatura de Inglés, los estudiantes del nuevo plan obtuvieron una media
significativamente mayor (M=8.48, DE=1.63) que los del plan tradicional (M=6.00,
DE=1.31), con t(15)=−3.36, p=.004.

En Diseño centrado en la persona, los estudiantes del nuevo plan también superaron
en promedio (M=9.33, DE=0.72) a los del plan 2017 (M=8.35, DE=1.52), con
t(30.7)=−3.13, p=.004.

Similarmente, en Análisis de Datos, se encontró una diferencia significativa a
favor del nuevo plan (M=9.70, DE=0.47) frente al grupo tradicional en Gestión de
la Información (M=8.35, DE=1.52), con t(40.3)=−4.41, p<.001.

En contraste, las asignaturas de Operaciones y Mercadotecnia no mostraron diferencias
estadísticamente significativas. Estos hallazgos sugieren que la implementación de estrategias
didácticas basadas en IAG y aprendizaje activo tiene un impacto positivo y significativo en el
rendimiento académico, especialmente en asignaturas de carácter práctico o lingüístico.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 958.

Tabla 5

Resultados del análisis comparativo de calificaciones finales entre planes de estudio tradicionales y
nuevos (con IAG y aprendizaje activo)

Nota: M = media; DE = desviación estándar. Análisis t de Student para muestras independientes.

Fuente: elaboración propia.

DISCUSIÓN

Los hallazgos cualitativos y cuantitativos de esta investigación convergen en la idea de que la
combinación de IAG y aprendizaje activo está transformando la enseñanza en la EBC. La alta
aceptación estudiantil de estas estrategias y los beneficios percibidos, como la personalización y la
motivación, coinciden con la literatura previa de Holmes et al. (2019) y Gallent-Torres et al. (2023),
quienes resaltan la importancia de un equilibrio entre tecnología y pedagogía. La implementación de la
IAG en la EBC, con un sólido acompañamiento docente, es un ejemplo de integración tecnológica
responsable.

El análisis cuantitativo refuerza la importancia del aprendizaje activo como el factor más influyente en
la eficiencia educativa percibida, lo cual es coherente con los hallazgos de Freeman et al. (2014) y
Prince (2004). Las diferencias significativas en el rendimiento académico a favor del nuevo modelo,
particularmente en materias como Inglés, Diseño centrado en la persona y Análisis de Datos, sugieren
que estas metodologías son especialmente efectivas en contextos que requieren pensamiento crítico,
participación y colaboración. Esto se alinea con la visión de Salinas-Navarro et al. (2024), quienes
indican que el uso de IAG puede enriquecer el aprendizaje experiencial y la evaluación auténtica,
promoviendo competencias de orden superior.

Aunque la tecnología es una herramienta poderosa, el éxito de este modelo radica en el liderazgo
pedagógico, la capacitación del profesorado y el fomento de una cultura institucional que promueva el
uso ético y crítico de la IAG. La EBC, al ser pionera en formalizar el uso de IA mediante un convenio con
OpenAI, se posiciona como un caso de estudio relevante para otras instituciones, ofreciendo un modelo
replicable de integración tecnológica con fundamento ético, organizacional y pedagógico. Las
inquietudes éticas y pedagógicas manifestadas por los estudiantes resaltan la necesidad de
complementar el potencial técnico de la IAG con marcos ético-pedagógicos sólidos, como lo sugieren
Biesta (2015) y Selwyn (2019).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 959.

La convergencia de ambas metodologías, no solo fortalece las competencias estudiantiles y mejora el
rendimiento académico, sino que también contribuye a un modelo educativo más dinámico e
innovador. Sin embargo, para asegurar la sostenibilidad a largo plazo de estas innovaciones, es crucial
mantener la formación docente continua en tecnología educativa y establecer lineamientos claros para
el uso responsable de la IAG en el aula, como lo hace la EBC con su Reglamento de: Uso de la
Inteligencia Artificial Generativa (IAG) en Actividades Académicas.

CONCLUSIONES

Esta investigación demuestra que integrar la inteligencia artificial generativa con metodologías de
aprendizaje activo puede mejorar notablemente la eficiencia educativa en las universidades. La
combinación de datos cualitativos y cuantitativos deja claro que estas estrategias no solo aumentan
la motivación y la percepción de logro entre los estudiantes, sino que también impactan de manera
tangible en su rendimiento académico y en la calidad del proceso de enseñanza-aprendizaje.

En particular, el aprendizaje activo destaca como el elemento más determinante para mejorar la
eficiencia. Esto subraya la necesidad urgente de replantear las prácticas docentes y adoptar modelos
más centrados en el estudiante, donde se fomente la reflexión, la participación y la autonomía.

Por su parte, la IAG cuando se usa con criterio pedagógico tiene el potencial de enriquecer la
experiencia educativa, haciendo que el aprendizaje sea más personalizado, colaborativo y atractivo.

Aun así, estos avances deben adoptarse con responsabilidad. Es fundamental fortalecer la formación
docente en tecnología educativa, fomentar una cultura institucional con enfoque ético y diseñar marcos
que regulen el uso adecuado de herramientas de IAG en la educación.

En resumen, este estudio aporta evidencia concreta sobre la efectividad del nuevo modelo educativo
de la EBC. Además, abre la puerta a futuras investigaciones que exploren temas como el desarrollo de
habilidades metacognitivas, el acceso equitativo a la tecnología y el impacto a largo plazo de estas
metodologías. Al liderar esta integración formal de la IAG, la EBC se posiciona como referente en una
innovación educativa que apuesta por la ética, la inclusión y la sostenibilidad.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 960.

REFERENCIAS

Bass, B. M., & Avolio, B. J. (1994). Improving organizational effectiveness through transformational
leadership. Sage Publications.

Biesta, G. (2015). Good education in an age of measurement: Ethics, politics, democracy. Routledge.

Bonwell, C. C., & Eison, J. A. (1991). Active learning: Creating excitement in the classroom (ASHE-ERIC
Higher Education Report No. 1). The George Washington University.

Daniel, W. W. (1999). Biostatistics: A foundation for analysis in the health sciences (7th ed.). Wiley.

Escuela Bancaria y Comercial. (2025). Licenciaturas. https://www.ebc.mx/licenciaturas/

Escuela Bancaria y Comercial [EBC]. (2025, mayo 16). EBC y OpenAI firman convenio ChatGPT
Education [Video]. YouTube. https://www.youtube.com/watch?v=kOO7N3ZP2AM

Escuela Bancaria y Comercial [EBC]. (2025). Modelo educativo e innovación digital.
https://www.ebc.mx/modelo-educativo

Fullan, M. (2007). The new meaning of educational change (4th ed.). Teachers College Press.

Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia
artificial generativa en educación superior: Una mirada desde la ética y la integridad académica.
RELIEVE - Revista ELectrónica de Investigación y EValuación Educativa, 29(2), artículo M5.
https://doi.org/10.30827/relieve.v29i2.29134

Guettala, M., Bourekkache, S., Kazar, O., & Harous, S. (2024). Generative artificial intelligence in
education: Advancing adaptive and personalized learning. Acta Informatica Pragensia, 13(3), 460–489.
https://doi.org/10.18267/j.aip.235

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications
for teaching and learning. Center for Curriculum Redesign.

IBM Corp. (2020). IBM SPSS Statistics for Windows (Versión 27.0) [Software]. IBM Corp.

Kolb, D. A. (1984). Experiential learning: Experience as the source of learning and development.
Prentice-Hall.

Kotter, J. P. (1996). Leading change. Harvard Business School Press.

Kosslyn, S. M. (2017). The science of learning: Mechanisms and principles. En S. M. Kosslyn & B. Nelson
(Eds.), Building the intentional university (pp. 150–164). MIT Press.

Prieto, J. (s. f.). Cómo la IA impulsa el futuro de la enseñanza. Wooclap. Recuperado el 7 de junio de
2025, de https://www.wooclap.com/es/blog/ebc-ia-ensenanza/

Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.

Salinas-Navarro, D. E., Vilalta-Perdomo, E., Michel-Villarreal, R., & Montesinos, L. (2024). Using
generative artificial intelligence tools to explain and enhance experiential learning for authentic
assessment. Education Sciences, 14(1), 83. https://doi.org/10.3390/educsci14010083

Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 961.

Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of
Instructional Technology and Distance Learning, 2(1), 3–10.

Williamson, B., Eynon, R., & Potter, J. (2020). Pandemic politics, pedagogies and practices: Digital
technology and education during COVID-19. Learning, Media and Technology, 45(2), 107–114.
https://doi.org/10.1080/17439884.2020.1761641

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 962.

AGRADECIMIENTOS

Agradezco profundamente la valiosa colaboración de mis colegas docentes de las asignaturas de
Inglés de Formación de Negocios y Modelo de Negocios de la Escuela Bancaria y Comercial, en sus
trece campus, por su participación en la aplicación de los instrumentos de recolección de datos.
Asimismo, reconozco el respaldo de las autoridades institucionales, cuyas facilidades fueron
fundamentales para llevar a cabo esta investigación.

Quiero hacer un reconocimiento muy especial a mis estudiantes y a todas y todos los alumnos que
participaron con entusiasmo y compromiso en este proyecto. Su disposición para colaborar, compartir
sus experiencias y aportar sus perspectivas fue clave para enriquecer el desarrollo de esta
investigación.

Finalmente, expreso mi más profundo agradecimiento a mis padres, mis hijos y mi esposo, cuyo apoyo
incondicional fue esencial a lo largo de este proceso académico.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, agosto, 2025, Volumen VI, Número 4 p 964.

Tabla 2

Explicación de las variables del modelo

Fuente: Evaluación realizada como parte de la validación estadística del modelo ajustado.

Tabla 3

Verificación de supuestos del modelo de regresión

Fuente: Evaluación realizada como parte de la validación estadística del modelo ajustado.