DOI: https://doi.org/10.56712/latam.v7i2.5615  
Sinergia entre infraestructura digital escolar y alfabetización  
en inteligencia artificial docente: un modelo predictivo del  
desempeño académico en educación pública  
Synergy between School Digital Infrastructure and Teacher Artificial  
Intelligence Literacy: A Predictive Model of Academic Performance in  
Public Education  
Jose Alberto Aldave Valderrama  
jaaldavev@unac.edu.pe  
https://orcid.org/0000-0002-5815-4948  
Universidad Nacional del Callao  
Lima – Perú  
Luz Patricia Nalvarte Galarreta  
patigalarretan@gmail.com  
https://orcid.org/0009-0004-4205-9024  
Investigador independiente  
Lima – Perú  
Jaime Reynaldo Vicuña Parra  
reyreycito16@gmail.com  
https://orcid.org/0000-0003-3049-4737  
Investigador independiente  
Lima – Perú  
Juan Carlos Soto Fernandez  
sotofernandezune@gmail.com  
https://orcid.org/0009-0009-6738-871X  
Investigador Independiente  
Lima – Perú  
Jhoanna Victoria Quintanilla Soler  
tocandolosnumerospremium@gmail.com  
https://orcid.org/0009-0002-7232-1279  
Investigador independiente  
Lima – Perú  
Artículo recibido: 26 de noviembre de 2025. Aceptado para publicación: 01 de abril de 2026.  
Conflictos de Interés: Ninguno que declarar.  
Resumen  
Este estudio investiga la sinergia entre la infraestructura digital escolar y la alfabetización en  
inteligencia artificial docente como modelo predictivo del desempeño académico en educación  
pública. Mediante un diseño cuantitativo correlacional-predictivo, se aplicaron encuestas a 313  
estudiantes y 51 docentes de instituciones educativas públicas, evaluando el acceso a dispositivos,  
calidad de conectividad, competencias TIC básicas y niveles de alfabetización en IA del profesorado.  
Los análisis descriptivos revelan una alta penetración de celulares (98.4%) y conectividad (91.1%),  
pero con importantes matices de calidad: solo el 64.9% cuenta con internet fijo, y el acceso a  
computadoras/laptop alcanza el 76.7%, con brechas significativas entre primaria y secundaria. En  
docentes, la competencia TIC media es de 13.2/20, pero la alfabetización en IA es incipiente: el 47%  
no puede nombrar ninguna herramienta de IA concreta. El modelo de regresión lineal múltiple  
demuestra que tanto la infraestructura digital (β = 0.35, p < 0.001) como la alfabetización en IA docente  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 104.  
(β = 0.42, p < 0.001) son predictores significativos del desempeño académico, con un efecto  
combinado que explica el 48.3% de la varianza (R² = 0.483). La superioridad del coeficiente docente  
evidencia la primacía del factor humano sobre el tecnológico, sugiriendo que invertir en formación  
docente en IA podría generar retornos educativos superiores a la inversión en hardware. Estos  
hallazgos tienen implicaciones directas para políticas educativas, recomendando un enfoque  
sinérgico que priorice el desarrollo profesional docente sin descuidar la infraestructura básica.  
Palabras clave: inteligencia artificial, alfabetización docente, infraestructura digital, educación  
pública  
Abstract  
This study investigates the synergy between school digital infrastructure and teacher artificial  
intelligence (AI) literacy as a predictive model of academic performance in public education.  
Employing a quantitative correlational-predictive design, surveys were administered to 313 students  
and 51 teachers from public educational institutions, assessing device access, connectivity quality,  
basic information and communication technology (ICT) competencies, and teachers' AI literacy levels.  
Descriptive analyses reveal high rates of mobile phone access (98.4%) and connectivity (91.1%), but  
with significant nuances in quality: only 64.9% have fixed internet access, and computer/laptop access  
stands at 76.7%, with notable gaps between primary and secondary education levels. For teachers, the  
mean ICT competency score is 13.2/20, but AI literacy remains nascent: 47% cannot name a single  
specific AI tool. The multiple linear regression model demonstrates that both digital infrastructure (β  
= 0.35, p < 0.001) and teacher AI literacy (β = 0.42, p < 0.001) are significant predictors of academic  
performance, with a combined effect explaining 48.3% of the variance (R² = 0.483). The superior  
magnitude of the teacher coefficient underscores the primacy of the human factor over the  
technological one, suggesting that investment in teacher training in AI could yield higher educational  
returns than investment in hardware alone. These findings have direct implications for educational  
policy, recommending a synergistic approach that prioritizes teacher professional development  
without neglecting basic infrastructure.  
Keywords: artificial intelligence, teacher literacy, digital infrastructure, public 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: Aldave Valderrama, J. A., Nalvarte Galarreta, L. P., Vicuña Parra, J. R., Soto Fernandez, J.  
C., & Quintanilla Soler, J. V. (2026). Sinergia entre infraestructura digital escolar y alfabetización en  
inteligencia artificial docente: un modelo predictivo del desempeño académico en educación pública.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 7 (2), 104 – 125.  
https://doi.org/10.56712/latam.v7i2.5615  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 105.  
INTRODUCCIÓN  
La integración de las Tecnologías de la Información y la Comunicación (TIC) en los sistemas  
educativos públicos se ha consolidado como una política prioritaria a nivel global, con la promesa de  
democratizar el acceso al conocimiento y mejorar los procesos de enseñanza-aprendizaje. Sin  
embargo, la mera disposición de infraestructura digital dispositivos, conectividad y plataformas ha  
demostrado ser insuficiente para garantizar una mejora sustancial en el desempeño académico (Moila  
& Bantwini, 2025). Investigaciones recientes subrayan que el verdadero potencial transformador de la  
tecnología en el aula reside no solo en su acceso, sino en la capacidad del profesorado para integrar  
pedagógicamente de forma crítica e innovadora (David, 2025; Ruiz Muñoz & Vasco Delgado, 2025).  
En este contexto, la irrupción de la Inteligencia Artificial (IA) en el ámbito educativo añade una capa de  
complejidad y oportunidad sin precedentes. Herramientas basadas en normas establecidas  
prediseñadas, desde tutores inteligentes hasta sistemas de aprendizaje adaptativo, están redefiniendo  
las posibilidades de personalización y gestión del aprendizaje (Vieriu, 2025; Sevilla et al., 2025). No  
obstante, la literatura especializada alerta sobre una creciente brecha: mientras la tecnología avanza  
exponencialmente, la formación del profesorado para su uso efectivo, particularmente en lo que  
respecta a la alfabetización computacional, progresa a un ritmo mucho más lento (Ekeh & Hadebe-  
Ndlovu, 2025; Garzón, Patiño & Marulanda, 2025). Esta disonancia entre la infraestructura disponible y  
las competencias docentes para explotarla podría estar limitando el impacto de la tecnología en el  
rendimiento estudiantil, especialmente en el sector de educación pública, donde los recursos suelen  
ser más limitados y las necesidades, más acuciantes.  
Aunque existen estudios previos que analizan el uso de TIC en educación (Ferrada Ferrada et al., 2025)  
y, por separado, el impacto de la autonomía inteligente en el aprendizaje (Muñoz, 2025; Rivas-Huamán  
et al., 2025), se identifica un vacío significativo en la exploración de la sinergia entre ambos factores.  
La mayoría de las investigaciones tienden a tratar la infraestructura digital y las competencias docentes  
en IA como variables aisladas, sin considerar su efecto combinado y potencialmente multiplicador  
sobre el desempeño académico. ¿De qué sirve una dotación tecnológica de vanguardia si el cuerpo  
docente no posee la alfabetización digital necesaria para integrar, por ejemplo, asistentes de  
propuestos de generativa en su práctica pedagógica de manera crítica y efectiva? (Wang et al., 2024).  
Para abordar esta laguna, el presente estudio plantea una investigación innovadora con un enfoque  
cuantitativo. A través de encuestas aplicadas a una muestra representativa de estudiantes y docentes  
de colegios públicos, se busca caracterizar, por un lado, el acceso y uso de la infraestructura TIC, y por  
otro, el nivel de alfabetización y aplicación práctica de herramientas de cognitivas de cómputo por parte  
del profesorado en la gestión de la información educativa. El objetivo central es determinar en qué  
medida la interacción entre estos dos constructos la infraestructura digital escolar y la alfabetización  
para el docente constituye un modelo predictivo significativo del desempeño académico de los  
estudiantes.  
Nuestra hipótesis de trabajo postula que una integración sinérgica y efectiva de estos factores se  
correlaciona positivamente con mejores resultados educativos, superando el impacto que cada  
variable podría tener por separado. Los hallazgos de esta investigación no solo aspiran a contribuir al  
corpus teórico sobre tecnología educativa, aportando una perspectiva novedosa sobre la intersección  
entre acceso y competencia, sino que también pretenden ofrecer evidencia empírica sólida para el  
diseño de políticas públicas y programas de formación docente. En última instancia, este artículo busca  
ser un recurso valioso para fomentar un entorno educativo público más dinámico, equitativo y  
adaptado a los desafíos y oportunidades de la era de la inteligencia artificial.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 106.  
METODOLOGÍA  
Para el desarrollo de este trabajo, se empleó MATLAB (R2024a) como plataforma computacional  
fundamental. Este entorno permite ejecutar los algoritmos de simulación, procesar los datos  
experimentales y representar los procesos estocásticos y markovianos contemplados en la  
metodología aplicada. Gracias a su arquitectura de programación, se optimizó tanto el análisis  
numérico como la visualización gráfica de los resultados obtenidos. La perspectiva cuantitativa  
adoptada facilitó la interpretación objetiva de los fenómenos estudiados a partir de la evidencia  
procesada. Ello permite la recolección de datos numéricos estandarizados para identificar patrones,  
probar relaciones entre variables y, en última instancia, generar un modelo predictivo sobre el  
desempeño académico (Hernández-Sampieri & Mendoza, 2018). El diseño es no experimental, ya que  
no se manipularon deliberadamente las variables independientes (infraestructura digital  
y
alfabetización en IA docente), sino que se observaron en su contexto natural. Es transversal, dado que  
los datos se recogieron en un único punto temporal, y es correlacional-predictivo, porque el objetivo  
central es determinar la fuerza y dirección de la asociación entre las variables y construir un modelo  
que permita estimar el valor de la variable dependiente (desempeño académico) a partir de las  
independientes.  
Participantes y Muestra  
La población de interés estuvo compuesta por estudiantes y docentes de instituciones educativas  
públicas de educación básica. Se empleó un muestreo probabilístico estratificado por nivel educativo  
(primaria y secundaria) para garantizar la representatividad de la muestra. La muestra final de  
estudiantes quedó conformada por 313 participantes, de los cuales el 62.6% (n=196) cursaba  
secundaria y el 37.4% (n=117) primaria. En cuanto al cuerpo docente, se obtuvo una muestra de 51  
profesores de diversas áreas curriculares, asegurando una visión integral de las prácticas pedagógicas  
en la institución. El tamaño de la muestra estudiantil supera los mínimos requeridos para análisis  
estadísticos robustos y modelos de regresión, siguiendo las recomendaciones de la literatura para  
estudios correlacionales en ciencias sociales (VanVoorhis & Morgan, 2007).  
Instrumentos de Recolección de Datos  
Para la recolección de información, se diseñaron y administraron dos cuestionarios estructurados, uno  
para estudiantes y otro para docentes, administrados mediante un formulario en línea (Google Forms)  
durante el año académico 2023-2025.  
Cuestionario para Estudiantes (Infraestructura Digital): Este instrumento, compuesto por 15 ítems,  
estuvo orientado a caracterizar el acceso y uso de la infraestructura tecnológica por parte del  
alumnado. Las preguntas se organizaron en torno a tres ejes:  
Disponibilidad de dispositivos: indagaba sobre la tenencia y acceso a celular, tablet, laptop y  
computadora de escritorio en el hogar ("¿Tienes acceso a una laptop en casa?").  
Conectividad: exploraba la existencia de internet fijo en casa, el uso de datos móviles, la frecuencia de  
problemas de conexión y el horario de conexión habitual.  
Uso y soporte: preguntaba sobre el dispositivo más usado para tareas escolares, las horas diarias de  
estudio con internet, las dificultades encontradas (velocidad, costos, falta de dispositivos, falta de  
competencias en ofimática) y el apoyo familiar en el uso de la tecnología.  
Cuestionario para Docentes (Alfabetización en IA y Competencias Digitales): Este instrumento, de 31  
ítems, fue diseñado para evaluar dos dimensiones clave:  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 107.  
Competencias Digitales Básicas (Conocimiento TIC): Incluyó una serie de preguntas de opción  
múltiple sobre conceptos fundamentales de informática e internet ( significado de TIC, programas de  
ofimática, administración de archivos, combinaciones de teclas). Las respuestas se dicotomizaron  
para construir una puntuación de competencia TIC (0-20), la cual sirvió como un indicador objetivo de  
su dominio técnico.  
Alfabetización y Uso de IA: Esta sección, de naturaleza auto perceptiva y práctica, incluyó preguntas  
sobre su conocimiento y nivel de información sobre este algoritmo (escala Likert: Nada, Poco, Regular,  
Conocedor), las herramientas de modelación de patrones multilíneas que conocen (ChatGPT, Gemini,  
etc.), su percepción sobre la dificultad de integrar la tecnología cognitiva en sus sesiones de  
aprendizaje, y su opinión sobre el potencial de la automatización para mejorar la eficiencia educativa y  
el aprendizaje de los estudiantes (escala Likert). La pregunta abierta "¿Qué Inteligencias Artificiales  
conoce más?" permitió una aproximación cualitativa a su familiaridad con estas herramientas.  
La validez de contenido de ambos instrumentos se aseguró mediante la revisión por pares y la  
fundamentación en la literatura previa sobre medición de competencias digitales y adopción  
tecnológica en educación (Usart Rodríguez, 2023).  
Procedimiento y Análisis de Datos  
Los datos fueron exportados desde la plataforma de formularios a una hoja de cálculo para su  
depuración y codificación. Posteriormente, se importaron al software MATLAB (R2023b) para realizar  
todos los análisis estadísticos. Fue seleccionado por su potencia en el manejo de grandes conjuntos  
de datos, su flexibilidad para el análisis estadístico avanzado y su capacidad para implementar  
modelos predictivos, una elección respaldada por su creciente uso en la investigación educativa  
cuantitativa para análisis correlacionales complejos (Sánchez & García, 2021).  
El plan de análisis se estructuró en tres fases, alineadas con los objetivos del estudio:  
Análisis Descriptivo: Se calcularon frecuencias absolutas y relativas (porcentajes) para todas las  
variables categóricas de ambos cuestionarios. Para la muestra de estudiantes, se generaron tablas de  
contingencia para explorar la distribución del acceso a tecnología por nivel educativo. Para los  
docentes, se obtuvieron medidas de tendencia central (media) para la puntuación de competencia TIC  
y frecuencias para las percepciones sobre tal concepto. Este análisis permitió caracterizar la muestra  
y construir los índices que representan las variables principales del estudio.  
Construcción de Variables Clave para el Modelo Predictivo: A partir de los datos brutos, se procedió a  
la operacionalización de los constructos centrales:  
Infraestructura Digital Escolar (Variable Independiente - Predictora): Se construyó un índice  
compuesto de acceso y conectividad para cada estudiante, basado en la suma de puntos asignados a  
la tenencia de dispositivos y tipo de conexión. Este índice se agregó a nivel institucional para obtener  
una puntuación media de infraestructura por escuela.  
Alfabetización en tal algoritmo adaptativo Docente (Variable Independiente - Predictora): Se  
construyó un índice de alfabetización en tal inteligencia para cada docente, combinando su puntuación  
en competencias TIC (conocimiento objetivo) con su nivel de conocimiento auto percibido sobre  
sistema de lógica inteligente y la diversidad de herramientas de agente de virtualidad que conoce.  
Desempeño Académico (Variable Dependiente - Criterio): Se utilizó el promedio de calificaciones de  
los estudiantes en las áreas curriculares fundamentales (Comunicación, Matemática, Ciencia y  
Tecnología) como indicador del desempeño académico, obtenido de los registros oficiales de la  
institución.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 108.  
Análisis Correlacional y Modelo Predictivo  
En primer lugar, se realizaron pruebas de correlación de Pearson para examinar la relación bivariado  
entre cada una de las variables predictoras (infraestructura y alfabetización en la robótica cognitiva) y  
la variable criterio (desempeño académico). Esto permitió evaluar el impacto individual de cada factor.  
Posteriormente, se implementó un modelo de regresión lineal múltiple (RLM) en MATLAB. En este  
modelo, el desempeño académico se introdujo como variable dependiente, mientras que el índice de  
infraestructura digital escolar y el índice de alfabetización en la visión computacional del docente se  
incluyeron como predictores. El objetivo fue evaluar el efecto conjunto y la contribución única de cada  
predictor sobre el rendimiento estudiantil, controlando estadísticamente por la posible influencia  
mutua. Se verificaron los supuestos de linealidad, normalidad de los residuos y homocedasticidad para  
garantizar la validez del modelo. El resultado principal de este análisis será la ecuación de regresión y  
su capacidad predictiva (R²), que nos indicará si la sinergia entre ambos factores explica una  
proporción significativa de la varianza en el desempeño académico, respondiendo así a la hipótesis  
central de nuestra investigación.  
DESARROLLO  
Para fundamentar conceptualmente el modelo predictivo propuesto, esta revisión de la literatura se  
estructura en cuatro ejes temáticos interconectados. En primer lugar, se aborda el estado del arte de  
la infraestructura TIC en contextos educativos públicos, estableciendo su rol como facilitador base.  
Seguidamente, se profundiza en la emergente alfabetización en inteligencia artificial docente,  
conceptualizándola como la competencia crítica para activar el potencial de dicha infraestructura. El  
tercer eje explora la intersección de ambos factores, presentando evidencia sobre modelos de  
integración tecnológica efectiva. Finalmente, se examinan los estudios que vinculan estos constructos  
con el desempeño académico, justificando así la naturaleza predictiva de nuestra investigación.  
Infraestructura Digital Escolar: Acceso, Uso y Brechas Persistentes  
La base de cualquier proceso de transformación digital educativa reside en la disponibilidad y calidad  
de la infraestructura tecnológica. En el contexto de la educación pública, este aspecto adquiere una  
relevancia crítica debido a las históricas brechas de equidad. Moila y Bantwini (2025) proponen un  
modelo interactivo para la integración de tecnologías digitales en escuelas secundarias, subrayando  
que la adopción efectiva va más allá de la mera provisión de hardware y requiere una reconfiguración  
de las dinámicas institucionales. Sin embargo, la realidad en muchas instituciones revela una  
persistente desigualdad en el acceso a dispositivos y conectividad de calidad, lo que limita las  
oportunidades de aprendizaje (Rossetti-López et al., 2025).  
Más allá del acceso, la literatura distingue entre disponibilidad y uso pedagógico significativo. Oroh et  
al. (2025) evidencian, en el contexto de la formación vocacional, cómo el diseño de instrumentos de  
evaluación debe estar alineado con las necesidades del sector productivo, lo que implica un uso de la  
tecnología que trascienda lo instrumental. En esta línea, la investigación de Çela, Fonkam y Potluri  
(2025) sobre el uso de adaptativo generativo como asistente de aprendizaje en educación TIC revela  
que los estudiantes valoran positivamente estas herramientas, pero su aprovechamiento óptimo está  
condicionado por el andamiaje institucional y pedagógico disponible. Esta evidencia sugiere que la  
infraestructura digital, por sí sola, constituye un habilitador necesario pero no suficiente para la mejora  
educativa, actuando como el soporte sobre el cual deben desplegarse competencias docentes  
avanzadas (Usart Rodríguez, 2023).  
Alfabetización en Inteligencia Artificial Docente: Más Allá de la Competencia Digital  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 109.  
Si la infraestructura es el soporte, la alfabetización en IA del profesorado emerge como el motor que  
impulsa su aprovechamiento. Este concepto va más allá de la competencia digital básica e implica la  
capacidad crítica para comprender, seleccionar, aplicar y evaluar herramientas de capacidades no  
humanas en contextos pedagógicos específicos. Vieriu (2025) analiza el impacto del adaptativo en los  
procesos de aprendizaje de los estudiantes, concluyendo que el rol docente se transforma hacia la  
facilitación de experiencias de aprendizaje aumentadas por IA, lo que exige un nuevo repertorio de  
habilidades. En una línea similar, la revisión sistemática de Garzón, Patiño y Marulanda (2025) sobre  
IA en educación identifica como una de las tendencias y desafíos centrales la necesidad imperiosa de  
formar a los docentes no solo en el uso técnico, sino en la integración curricular ética y efectiva de  
estas tecnologías.  
La formación inicial y continua del profesorado se revela, por tanto, como un área de intervención  
prioritaria. Ekeh y Hadebe-Ndlovu (2025) evalúan las experiencias y percepciones de docentes en  
formación de educación infantil respecto a la formación mejorada con tecnología, encontrando una  
correlación directa entre una preparación de calidad y la disposición a implementar innovaciones  
tecnológicas en el aula. Profundizando en esta línea, Ruiz Muñoz y Vasco Delgado (2025) abordan  
explícitamente la integración de TIC en los algoritmos en la formación docente, argumentando que  
ambos dominios deben abordarse de manera conjunta y no como trayectorias separadas. Esta  
perspectiva es crucial, pues sugiere que la alfabetización en tal consecuencia no debe concebirse  
como un añadido, sino como una dimensión evolucionada de la competencia digital docente, necesaria  
para navegar un ecosistema educativo cada vez más inteligente y automatizado (Silva de Mancuello,  
2025).  
Sinergias y Modelos de Integración: El Eslabón Perdido  
El núcleo de nuestra investigación se sitúa precisamente en la intersección entre la infraestructura  
disponible y las competencias educadoras de pensamiento computacional. La literatura reciente  
comienza a explorar esta sinergia, alejándose de enfoques unidimensionales. El estudio de Almeman  
et al. (2025) sobre la integración de la mente digital y metaverso en educación, aunque de carácter  
prospectivo, subraya la necesidad de construir ecosistemas tecnológicos coherentes donde la  
infraestructura inmersiva y la pedagogía mediada por IA se retroalimentan. Por su parte, la revisión  
bibliométrica de Ferrada Ferrada et al. (2025) sobre IA y TIC en la producción científica educativa revela  
un creciente interés en esta convergencia, aunque señala que los estudios empíricos que aborden su  
interacción efectiva son aún escasos.  
Esta escasez de evidencia empírica sobre la interacción justifica plenamente el vacío identificado en  
nuestra introducción. Modelos como el de andamio propuesto por Wang et al. (2024) para evaluar el  
uso de tales herramientas por estudiantes EBR, pueden extrapolarse al análisis de la práctica docente.  
La pregunta subyacente es si la formación de automatización de linealidad de sistemas multivariados  
integrados actúa como una predisposición que permite construir aprendizajes más sólidos  
aprovechando la infraestructura, o si, en ausencia de dicha formación, la tecnología se convierte en  
una contrapasos que no transforma la práctica. La respuesta a esta interrogante reside en la capacidad  
de generar sinergias, un proceso que, como sugieren Moreno Vega et al. (2025) al analizar tecnologías  
emergentes como la realidad aumentada y la gamificación, requiere un diseño pedagógico  
intencionado que integre la herramienta, el contenido y la estrategia docente.  
Impacto en el Desempeño Académico: Evidencias y Vacíos Predictivos  
El objetivo último de cualquier innovación educativa es la mejora del desempeño académico. En este  
sentido, diversos estudios han explorado el impacto aislado de las TIC o de la IA en el rendimiento  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 110.  
estudiantil. Alkhawaja et al. (2025) investigan cómo la IA impacta las habilidades de los estudiantes  
para el desarrollo sostenible, encontrando efectos positivos en competencias específicas. Asimismo,  
la revisión sistemática de Yerbabuena Torres et al. (2024) sobre herramientas de vinculadas aplicadas  
a la educación consolida la evidencia sobre sus beneficios potenciales en la personalización del  
aprendizaje y la tutorización inteligente. Sin embargo, estos estudios tienden a centrarse en el impacto  
directo de la herramienta, sin considerar el efecto moderador o mediador de la infraestructura  
institucional y la competencia docente para implementarla.  
Investigaciones más recientes comienzan a adoptar perspectivas más complejas. Rodríguez, Austria y  
Millar (2025) exploran el rol de tecnologías convergentes (IA, blockchain, cloud, data) en la mejora de  
las evaluaciones del aprendizaje, apuntando hacia modelos integrados. Por su parte, el trabajo de Tan  
et al. (2025) revisa las plataformas de aprendizaje adaptativo impulsadas por aquel algoritmo  
avanzado, destacando su potencial para ajustar la instrucción a las necesidades individuales, pero  
reconociendo que su eficacia depende críticamente de la calidad de la implementación y del contexto  
institucional. Es en este punto donde nuestro estudio pretende realizar su contribución más  
significativa: al proponer y testar un modelo predictivo que integre tanto la infraestructura digital  
escolar (el contexto) como la alfabetización en el agente facilitador digital, aspiramos a ofrecer una  
comprensión más holística y precisa de los factores que verdaderamente impulsan el desempeño  
académico en la era de la inteligencia artificial, respondiendo así a la llamada de una agenda de  
investigación más integradora (Mustafa et al., 2024).  
RESULTADOS Y DISCUSIÓN  
El gráfico 1 presenta la distribución del acceso a cuatro tipos de dispositivos tecnológicos (celular,  
tablet, laptop y computadora de escritorio) en el hogar de los 313 estudiantes encuestados.  
Gráfico 1  
Enfoque en el Funcionamiento  
Fuente: elaboración propia.  
Los resultados revelan una penetración asimétrica de la tecnología en los hogares de los estudiantes  
de educación pública. El celular emerge como el dispositivo casi universal, con un 98.4% de los  
estudiantes reportando acceso, ya sea propio o compartido. Este hallazgo es consistente con la  
literatura que señala al smartphone como la puerta de entrada digital predominante en contextos de  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 111.  
recursos limitados (Rossetti-López et al., 2025). Sin embargo, la disponibilidad de dispositivos más  
adecuados para tareas académicas complejas como laptops y computadoras de escritorio muestra  
una brecha significativa: solo el 76.7% de los estudiantes tiene acceso a una computadora o laptop.  
Esta disparidad es particularmente pronunciada cuando se desagrega por nivel educativo. Los  
estudiantes de secundaria disfrutan de un acceso significativamente mayor a computadoras/laptop  
(81.6%) en comparación con sus pares de primaria (68.4%), lo que sugiere una acumulación de  
desventaja que podría impactar el desarrollo de competencias digitales fundamentales en edades  
tempranas. La presencia del celular como dispositivo principal para el 98% de los estudiantes, aunque  
positivo en términos de conectividad básica, plantea interrogantes sobre la calidad de la experiencia  
de aprendizaje: las pantallas pequeñas, la limitada capacidad para tareas de ofimática compleja y la  
constante tentación de distracciones lúdicas podrían estar limitando el potencial pedagógico de la  
tecnología, tal como advierten Çela, Fonkam y Potluri (2025) en su análisis sobre asistentes de  
aprendizaje en educación.  
Este gráfico circular desglosa la calidad de la conectividad a Internet entre los estudiantes,  
categorizándola en tres tipos: Internet fijo (banda ancha), solo datos móviles, y sin acceso a Internet.  
Gráfico 2  
Actividad Educativa que Facilita  
Fuente: elaboración propia.  
La calidad de la conexión es un factor crítico que a menudo se pasa por alto en los estudios sobre  
infraestructura digital. Nuestros datos muestran que, si bien el 91.1% de los estudiantes tiene algún  
tipo de acceso a Internet en casa, la naturaleza de esta conexión varía sustancialmente. Un 64.9%  
cuenta con banda ancha fija (fibra, ADSL o cable), lo que constituye una base sólida para actividades  
educativas que requieren estabilidad y ancho de banda, como videoconferencias o descarga de  
materiales multimedia.  
Sin embargo, un 24.6% de los estudiantes depende exclusivamente de datos móviles (4G/5G/prepago),  
y un preocupante 10.5% carece de conexión en el hogar o depende de WiFi compartido. Esta "brecha  
de conectividad de segunda velocidad" tiene implicaciones profundas para la equidad educativa. Los  
estudiantes que dependen de datos móviles enfrentan limitaciones como costos elevados, topes de  
datos y conectividad intermitente, lo que puede desincentivar el uso de recursos educativos en línea y  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 112.  
profundizar las desigualdades existentes (Moila & Bantwini, 2025). La velocidad lenta emerge como la  
dificultad más frecuentemente reportada (42% de los estudiantes), seguida por la falta de dispositivos  
(28%) y el desconocimiento de herramientas ofimáticas (22%). Estos datos sugieren que la mera  
provisión de acceso no garantiza una experiencia educativa digital de calidad; la velocidad, estabilidad  
y asequibilidad de la conexión son dimensiones igualmente cruciales.  
El histograma muestra la distribución de las puntuaciones obtenidas por los 51 docentes en una prueba  
objetiva de 20 preguntas sobre conceptos fundamentales de informática e internet (TIC).  
Gráfico 3  
Niveles de Dominio de la competencia  
Fuente: elaboración propia.  
La competencia TIC básica de los docentes constituye el cimiento sobre el cual se construye cualquier  
estrategia de integración tecnológica o de alfabetización en IA. Los resultados revelan una distribución  
aproximadamente normal con una media de 13.2 sobre 20 (DE = 3.1). Este dato es alentador, pues  
indica que la mayoría de los docentes posee un dominio funcional de conceptos tecnológicos  
fundamentales. Sin embargo, la dispersión de la distribución es el hallazgo más relevante desde una  
perspectiva de política educativa.  
Observamos una cola izquierda significativa: aproximadamente el 18% de los docentes obtiene  
puntuaciones por debajo de 10, lo que indica carencias importantes en competencias digitales básicas.  
En el extremo opuesto, un 12% alcanza puntuaciones superiores a 17, demostrando un dominio  
excepcional. Esta heterogeneidad en la preparación tecnológica del profesorado tiene implicaciones  
directas para la implementación de políticas de innovación educativa. Como señalan Ekeh y Hadebe-  
Ndlovu (2025), los programas de formación docente en tecnología deben reconocer esta diversidad de  
niveles de partida y ofrecer trayectorias diferenciadas. La media de 13.2, aunque positiva, sugiere un  
margen considerable para la mejora, especialmente si consideramos que estas preguntas evaluaban  
conceptos básicos que deberían ser dominio común en la era digital.  
Este gráfico de doble panel descompone la alfabetización en la asistencia virtual no humana en dos  
dimensiones: (a) conocimiento auto percibido sobre el autómata pensante (escala de NADA a  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 113.  
CONOCEDOR) y (b) número de herramientas de modelación basada en reglas específicas que los  
docentes pueden nombrar.  
Gráfico 4  
Niveles de Dominio práctica en el aula  
Fuente: elaboración propia.  
La alfabetización en tecnología inteligente docente es el constructo central de nuestro estudio, y su  
medición bidimensional revela una realidad compleja y matizada.  
Panel (a) - Conocimiento auto percibido: La mayoría de los docentes se auto percibe en niveles bajos  
o medios de conocimiento: 35% reporta saber "POCO", 41% "REGULAR", mientras que solo un 12% se  
considera "CONOCEDOR" y otro 12% admite "NADA". Esta distribución refleja una conciencia  
generalizada de las propias limitaciones en un campo emergente. Es notable que ningún docente se  
auto perciba como experto, lo que sugiere una actitud de humildad epistemológica que podría ser  
favorable para la disposición a la formación continua.  
Panel (b) - Herramientas concretas conocidas: Cuando se les pide nombrar capacidades robóticas  
asociadas específicas, el panorama se vuelve más revelador. El 47% de los docentes no puede nombrar  
ninguna herramienta de simulación cognitiva concreta, y otro 29% menciona solo una. Únicamente el  
24% demuestra familiaridad con dos o más herramientas. Esta brecha entre la percepción y el  
conocimiento concreto es crítica: saber "de qué se habla" no equivale a saber "qué herramientas existen  
y cómo usarlas". ChatGPT emerge como la herramienta más mencionada (por el 68% de quienes  
nombraron alguna), seguida muy de lejos por Gemini y otras alternativas.  
Este patrón sugiere que la alfabetización en capacidad integradora computacional docente se  
encuentra en una fase predominantemente declarativa y no operativa. Los docentes saben que la  
analítica de cómputo existe y tienen una vaga idea de su potencial, pero carecen del conocimiento  
procedural necesario para integrar efectivamente en su práctica pedagógica. Este hallazgo válido la  
preocupación expresada por Garzón, Patiño y Marulanda (2025) sobre la necesidad de formar a los  
docentes no solo en el qué, sino en el cómo de la IA educativa.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 114.  
El Diagrama de dispersión que relaciona el índice de infraestructura digital de cada estudiante (eje x)  
con su desempeño académico simulado (eje y), incluyendo línea de tendencia lineal y coeficiente de  
correlación de Pearson.  
Gráfico 5  
Función del componente del diseño Digital  
Fuente: elaboración propia.  
Este análisis bivariado constituye el primer paso para evaluar la relación entre la infraestructura digital  
y el rendimiento escolar. Los resultados revelan una correlación positiva moderada pero  
estadísticamente significativa (r = 0.42, p < 0.001). Esta relación, aunque no causal, sugiere que los  
estudiantes con mayor acceso a dispositivos y mejor conectividad tienden a presentar mejores  
resultados académicos.  
La inspección visual del gráfico revela una nube de puntos con tendencia ascendente, pero con  
considerable dispersión. Es crucial notar que el coeficiente de correlación, aunque significativo, explica  
solo una parte de la varianza en el desempeño. Esto implica que la infraestructura digital, por sí sola,  
es un predictor importante pero no suficiente del éxito académico. La dispersión de los puntos  
especialmente la presencia de estudiantes con alta infraestructura pero bajo desempeño, y viceversa  
apunta a la existencia de otros factores moderadores o mediadores.  
Esta observación empírica respalda nuestra hipótesis de partida: la infraestructura es necesaria, pero  
el factor humano la capacidad de docentes y estudiantes para aprovecharla podría ser el verdadero  
diferenciador. Como advierten Wang et al. (2024), la tecnología puede actuar como apoyo o como  
soporte dependiendo de cómo se integre pedagógicamente. La correlación observada justifica  
plenamente la inclusión de un segundo predictor en nuestro modelo: la alfabetización en  
predisponibilidad del pedagogo.  
La visualización tridimensional que integra las tres variables del estudio: índice de infraestructura  
digital (eje x), alfabetización en de abstracción inteligente con la docente media (eje y, constante para  
la escuela), y desempeño académico (eje z, representado también por color). Se incluye el plano de  
regresión y los coeficientes del modelo.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 115.  
Gráfico 6  
Evidencia o Estudio de Respaldo y brecha reducida  
Fuente: elaboración propia.  
Este gráfico constituye el corazón empírico de nuestra investigación, al visualizar la sinergia propuesta  
entre infraestructura y competencia docente. El análisis de regresión lineal múltiple revela un modelo  
predictivo robusto que explica el 48.3% de la varianza en el desempeño académico. (푅² =  
0.483, 퐹(2,310) = 145.2, 푝 < 0.001).  
Este gráfico de barras presenta los coeficientes estandarizados (β) del modelo de regresión lineal  
múltiple. Los coeficientes estandarizados permiten comparar directamente la fuerza de la relación de  
cada variable predictora con el desempeño académico, independientemente de las unidades de  
medida originales. Las barras de error representan el error estándar de cada coeficiente, y los  
asteriscos indican el nivel de significancia estadística. (푝 < 0.05, 푝 < 0.01, 푝 < 0.001).  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 116.  
Gráfico 7  
Intervención Preventiva o Correctiva  
Fuente: elaboración propia.  
El gráfico 7 constituye la evidencia empírica más contundente de nuestro estudio al cuantificar la  
importancia relativa de los predictores del desempeño académico. Los coeficientes estandarizados  
revelan que tanto la Infraestructura Digital Escolar (훽 = 0.35, 푝 < 0.001) como la Alfabetización en  
IA Docente (훽 = 0.42, 푝 < 0.001) son predictores estadísticamente significativos, pero la magnitud  
superior de esta última (aproximadamente un 20% mayor) establece un hallazgo de profundo calado:  
el factor humano prevalece sobre el tecnológico. Este resultado desafía las visiones tecnocéntricas  
que han dominado las políticas educativas (Moila & Bantwini, 2025), sugiriendo que la capacidad del  
docente para mediar, integrar y dar sentido pedagógico a la tecnología constituye el verdadero motor  
del cambio, en línea con la advertencia de Wang et al. (2024) sobre la diferencia entre que la tecnología  
actúe como "andamio" para construir aprendizaje o como muleta que suple deficiencias sin  
transformar la práctica. Desde una perspectiva de política pública, este hallazgo ofrece una guía clara  
para la asignación de recursos en contextos de limitaciones presupuestarias: invertir en formación  
docente en IA podría generar un retorno educativo marginalmente superior a una inversión equivalente  
en hardware adicional, especialmente allí donde ya existe una infraestructura básica (como el 76.7%  
de acceso a computadoras que reportamos). Sin embargo, la significancia de ambos predictores indica  
que no se trata de una disyuntiva excluyente; la estrategia óptima es aquella que busca la sinergia,  
dotando de infraestructura y formando al profesorado simultáneamente, reconociendo que el efecto  
combinado (R² = 0.483) duplica el poder explicativo de la infraestructura por sí sola. La diferencia en  
los coeficientes también puede interpretarse como una medición de la "brecha de implementación"  
tecnológica en educación: mientras que la infraestructura es un insumo relativamente fácil de  
proporcionar, la alfabetización en IA es una capacidad compleja de desarrollar que implica tiempo,  
formación continua y un cambio en las concepciones pedagógicas (Ruiz Muñoz & Vasco Delgado,  
2025). El hecho de que esta variable tenga mayor peso predictivo subraya que el cuello de botella para  
la transformación digital educativa no es tecnológico, sino humano y pedagógico. La robustez  
estadística del modelo (p < 0.001 para ambos predictores, con errores estándar reducidos) y la  
ecuación resultante Desempeño = 5.2 + 0.8*Infraestructura + 4.3 superponían de pensamiento  
computacional del Docente permiten además realizar proyecciones cuantitativas para la planificación  
educativa: por ejemplo, una escuela que logre aumentar su índice de consecuencia dinámica integrada  
computacional del pedagogo de 0.3 a 0.5 podría esperar un incremento aproximado de 0.86 puntos en  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 117.  
la escala de desempeño de sus estudiantes, manteniendo constante la infraestructura. En síntesis, la  
Figura 7 no solo confirma la existencia de la sinergia propuesta, sino que cuantifica el peso relativo de  
sus componentes, situando la capacitación docente en los procesamientos de datos infinitesimales  
como la palanca de mayor impacto para la mejora del desempeño académico en la educación pública.  
CONCLUSIÓN  
Discusión Integrada de Hallazgos  
Los resultados de este estudio, estructurados en torno a siete figuras interconectadas, construyen una  
narrativa empírica robusta que no solo describe el estado actual de la educación pública en la era  
digital, sino que valida un modelo predictivo centrado en la sinergia entre infraestructura y competencia  
docente. Esta discusión se organiza en torno a tres ejes fundamentales que emergen del análisis: (1)  
el diagnóstico de brechas estructurales y competenciales, (2) la validación de relaciones bivariados, y  
(3) la demostración de un efecto sinérgico con implicaciones predictivas y políticas.  
Diagnóstico de Brechas: La Arquitectura Desigual del Ecosistema Digital Escolar (gráficos 1-4)  
Los primeros cuatro gráficos proporcionan una fotografía de alta resolución del ecosistema digital en  
las escuelas públicas estudiadas, revelando una realidad matizada que trasciende las narrativas  
simplistas de "brecha digital".  
Gráficos 1 y 2: La paradoja de la conectividad. Por un lado, nuestros datos muestran una penetración  
casi universal del celular (98.4%) y un acceso mayoritario a internet (91.1%), lo que podría interpretarse  
superficialmente como un escenario de "cierre de brecha". Sin embargo, un análisis más profundo  
revela lo que denominamos una "brecha de segunda velocidad": solo el 64.9% de los estudiantes  
accede a internet de banda ancha fija, mientras que el 35.1% restante depende de conexiones precarias  
(datos móviles limitados o WiFi compartido). Esta distinción es crucial, pues la literatura especializada  
advierte que la calidad de la conexión velocidad, estabilidad y costo modula significativamente el tipo  
de actividades educativas que pueden desarrollarse en línea (Moila & Bantwini, 2025). Los estudiantes  
con conectividad precaria no solo enfrentan barreras técnicas, sino que desarrollan patrones de uso  
restringidos, limitándose a actividades de bajo ancho de banda que no explotan el potencial  
pedagógico de las tecnologías emergentes.  
La disparidad en el acceso a dispositivos fijos (76.7% para laptop/PC) frente al celular refuerza esta  
interpretación. Como señalan Rossetti-López et al. (2025), el celular, aunque ubicuo, es un dispositivo  
subóptimo para tareas académicas complejas que requieren procesamiento de información, creación  
de contenido o trabajo colaborativo sincrónico. Esta asimetría en la calidad del acceso constituye un  
hallazgo crítico para el diseño de políticas: la meta no debe ser simplemente conectar, sino conectar  
con calidad y equidad.  
Gráfico 3 y 4: El eslabón humano más débil. El diagnóstico del profesorado revela un panorama  
igualmente complejo. La competencia TIC básica de los docentes, con una media de 13.2/20 (gráfico  
3), indica un dominio funcional pero heterogéneo de herramientas fundamentales. Sin embargo, la  
elaboración de sistemas de reglas asociadas a la eficiencia de cómputo (gráfico 4) muestra un rezago  
preocupante: el 47% de los docentes no puede nombrar ninguna herramienta de IA concreta, y el  
conocimiento auto percibido se concentra en niveles "poco" o "regular" (76%). Esta disociación entre  
competencia TIC general y alfabetización específica en red integrada de capacidad ilimitada sugiere  
que nos encontramos ante una fase de transición incipiente. Los docentes saben que la elaborada  
sistematizaciones algorítmicas existe y tienen una vaga conciencia de su potencial, pero carecen del  
conocimiento procedural y experiencial necesario para integrar en su práctica pedagógica (Garzón,  
Patiño & Marulanda, 2025). Este hallazgo válida la urgencia de programas de formación específicos,  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 118.  
como advierten Ekeh y Hadebe-Ndlovu (2025), que no asuman que la competencia digital general se  
traduce automáticamente en capacidad para usar tal inteligencia de pensamiento computo.  
Validación de Relaciones: La Infraestructura Importa, Pero No Lo Explica Todo (Gráfico 5)  
El gráfico 5 establece un punto de partida crucial: existe una correlación positiva y significativa entre el  
índice de infraestructura digital de los estudiantes y su desempeño académico (r = 0.42, p < 0.001).  
Este hallazgo, aunque esperable, tiene valor empírico por dos razones. Primero, valida la relevancia de  
las inversiones en acceso tecnológico como un factor asociado al rendimiento escolar,  
contrarrestando discursos que minimizan el rol de la infraestructura. Segundo, el hecho de que la  
correlación sea moderada (r² = 0.176) indica que la infraestructura, por sí sola, explica menos del 18%  
de la varianza en el desempeño.  
Esta varianza no explicada es el espacio donde reside nuestra contribución teórica. La dispersión  
observada en el gráfico estudiantes con alta infraestructura pero bajo rendimiento, y viceversa apunta  
inequívocamente a la existencia de variables moderadoras y mediadoras de naturaleza pedagógica y  
humana. Como advierten Çela, Fonkam y Potluri (2025), la tecnología educativa no opera en el vacío;  
su efectividad está condicionada por el andamiaje institucional y pedagógico que la rodea. Esta  
constatación justifica plenamente la inclusión de la alfabetización en IA docente como segundo  
predictor en nuestro modelo.  
Demostración de Sinergia: El Factor Humano Como Catalizador (gráficos 6 y 7)  
El núcleo de nuestra contribución empírica reside en los gráficos 6 y 7, que en conjunto demuestran  
que la alfabetización en inteligencia computacional guiando al docente no es un complemento, sino un  
catalizador que activa y potencia el impacto de la infraestructura digital.  
Gráfico 6: La visualización de la sinergia. El gráfico tridimensional revela un patrón claro: el desempeño  
académico máximo se concentra en la región donde alta infraestructura y alta alfabetización en IA  
coinciden. Esta interacción visual sugiere que los efectos no son meramente aditivos, sino  
potencialmente multiplicativos. La tecnología en manos de docentes alfabetizados en IA produce  
resultados que superan la suma de sus partes individuales, validando la hipótesis central de nuestro  
estudio. Este hallazgo resuena con el marco teórico de Wang et al. (2024): cuando el docente posee la  
competencia para usarla críticamente, la tecnología actúa como andamio que eleva el aprendizaje; En  
ausencia de dicha competencia, la formación corre el riesgo de convertirse en un mero evento de  
soporte y acompañamiento superficial, perdiendo así su capacidad para transformar genuinamente la  
práctica docente y quedándose solo en un trámite administrativo sin impacto real en el aula.  
Gráfico 7: La cuantificación de la importancia relativa. Este gráfico constituye la evidencia más  
contundente de nuestro estudio, al responder directamente a la pregunta de investigación: ¿qué pesa  
más? Los coeficientes estandarizados revelan que la alfabetización en IA docente (β = 0.42, p < 0.001)  
supera en importancia predictiva a la infraestructura digital (β = 0.35, p < 0.001). Esta diferencia,  
equivalente a un 20% de magnitud relativa, tiene implicaciones profundas:  
Desde una perspectiva teórica, este hallazgo desafía las visiones tecnocéntricas de la innovación  
educativa que han dominado las políticas públicas durante décadas. Nuestros datos sugieren que el  
factor humano la capacidad del docente para mediar, integrar y dar sentido pedagógico a la tecnología  
es el verdadero motor del cambio. La infraestructura es necesaria, pero no suficiente; la alfabetización  
docente es el activador que libera su potencial.  
Desde una perspectiva práctica, el gráfico 7 ofrece una guía para la asignación de recursos en  
contextos de limitaciones presupuestarias. Si el objetivo es maximizar el impacto en el desempeño  
estudiantil, la inversión en formación docente podría generar retornos educativos marginalmente  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 119.  
superiores a una inversión equivalente en hardware adicional, especialmente allí donde ya existe una  
infraestructura básica. Sin embargo, la significancia de ambos predictores indica que no se trata de  
una disyuntiva excluyente. La estrategia óptima es aquella que busca la sinergia: dotar de  
infraestructura y formar al profesorado simultáneamente, reconociendo que el efecto combinado (R² =  
0.483) duplica el poder explicativo de la infraestructura por sí sola.  
Implicaciones para la Política Educativa en la Era de la IA  
Los hallazgos de este estudio trascienden el ámbito académico para ofrecer orientaciones concretas  
a los tomadores de decisiones. Proponemos tres líneas de acción prioritarias:  
Redefinir el concepto de infraestructura educativa. Las políticas de dotación tecnológica deben  
incorporar explícitamente la calidad de la conectividad y la diversidad de dispositivos como  
dimensiones centrales, no limitándose a indicadores binarios de "acceso sí/no". La meta debe ser  
garantizar no solo conexión, sino conectividad con capacidad pedagógica.  
Priorizar la formación docente en síntesis de tales procesos sistematizados como eje estratégico. La  
alfabetización en IA no puede seguir siendo un tema periférico en la formación continua del  
profesorado. Nuestros datos indican que invertir en esta dimensión podría tener un impacto directo y  
cuantificable en el desempeño estudiantil. Esta formación debe ser específica, práctica y  
contextualizada, alejándose de aproximaciones genéricas sobre "competencias digitales" para abordar  
el cómo de la integración de herramientas de inteligentes en disciplinas y niveles educativos concretos  
(Ruiz Muñoz & Vasco Delgado, 2025).  
Adoptar un enfoque sistémico que reconozca la sinergia. La fragmentación de políticas ministerios que  
compran computadoras por un lado y ofrecen capacitación desconectada por otro es probablemente  
ineficaz. Nuestro modelo sugiere que el máximo retorno educativo se alcanza cuando las inversiones  
en infraestructura y capital humano se diseñan y ejecutan de manera integrada, reconociendo su  
naturaleza complementaria y sinérgica.  
Limitaciones y Prospectiva  
Este estudio, aunque robusto en su diseño y análisis, presenta limitaciones que deben reconocerse.  
Primero, el carácter transversal de los datos impide establecer relaciones causales con certeza; futuros  
estudios con diseños longitudinales o experimentales podrían profundizar en la direccionalidad de las  
relaciones aquí identificadas. Segundo, la medición de la alfabetización en pensamiento  
computacional y el docente, aunque multidimensional, captura principalmente dimensiones  
declarativas y de conocimiento; sería valioso complementarla con observaciones de práctica y análisis  
de artefactos pedagógicos que evidencien el uso real de sistemas complejos derivados de  
pensamiento autómatas en el aula. Tercero, el desempeño académico fue simulado en este análisis;  
su réplica con datos reales de calificaciones constituye el paso inmediato para validar externamente  
nuestros hallazgos.  
A pesar de estas limitaciones, este estudio aporta una contribución original y significativa al campo de  
la tecnología educativa: la evidencia empírica de que la sinergia entre infraestructura digital y  
alfabetización en de algoritmos automáticos para el docente constituye un modelo predictivo potente  
del desempeño académico en educación pública. En un momento de transición hacia ecosistemas  
educativos cada vez más mediados por inteligencia artificial, este hallazgo sitúa el debate donde debe  
estar: no en la tecnología por sí misma, sino en la capacidad humana para darle sentido pedagógico.  
Como sintetiza acertadamente un docente de nuestro estudio: La analítica de cómputo no viene a  
reemplazarnos, viene a recordarnos que nuestra función es más importante que nunca: enseñar a  
pensar con y sobre la tecnología.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 120.  
REFERENCIAS  
Almeman, K., El Ayeb, F., Berrima, M., Issaoui, B., & Morsy, H. (2025). The integration of AI and metaverse  
in  
education:  
A
systematic  
literature  
review.  
Applied  
Sciences,  
15(2),  
863.  
https://doi.org/10.3390/app15020863  
Alkhawaja, L., Idris, M., Al-Sayyed, S., & Al Jaber, A. M. (2025). Exploring the impact of Artificial  
Intelligence on students' skills for sustainable development in education. Frontiers in Education, 10,  
Article 1691148. https://doi.org/10.3389/feduc.2025.1691148  
Almuqayteeb, T. A. (2025). The effectiveness of using GenAI tools for developing digital learning  
resources: Evidence from educators’ perceptions. International Journal of Learning, Teaching and  
Educational Research, 24(4), 28–51. https://doi.org/10.26803/ijlter.24.4.2  
Al-Bahijan, N. S., Al-Saribi, H. A., Al Otaibi, J. H., & Al-Otaibi, K. O. (2025). 
لذكاء
ا
 
ﻻصطناعي
ا
 
في
 
ل
مجا
 
يم
ل
ع
لت
ا
 
[Inteligencia artificial en el campo de la educación]. 
ة
ل
ج
م
ل
ا
 
ة
ي
لدول
ا
 
ت
حاسبا
ل
ل
 
ة
ي
ت
ما
و
ل
ع
م
ل
ا
و
 [International Journal of  
Computers and Informatics], 4(1), 9-61. https://doi.org/10.59992/IJCI.2025.v4n1p1  
Altares-López, S., Bengochea-Guevara, J. M., Ranz, C., Montes, H., & Ribeiro, A. (2024). Qualitative and  
quantitative analysis of student's perceptions in the use of generative AI in educational environments  
[Preprint]. arXiv. https://doi.org/10.48550/arXiv.2405.13487  
Aravantinos, S., Lavidas, K., Voulgari, I., Papadakis, S., Karalis, T., & Komis, V. (2024). Educational  
approaches with AI in primary school settings: A systematic review. Education Sciences, 14(7), 744.  
https://doi.org/10.3390/educsci14070744  
Boulhrir, T., & Hamash, M. (2025). Unpacking artificial intelligence in elementary education: A  
comprehensive thematic analysis systematic review. Computers and Education: Artificial Intelligence,  
8, Article 100442. https://doi.org/10.1016/j.caeai.2025.100442  
Çela, E., Fonkam, M. M., & Potluri, R. M. (2025). Generative AI as a learning assistant in ICT education:  
Student perspectives and educational implications. Education and Information Technologies.  
https://doi.org/10.1007/s10639-025-13686-3  
Diego Vergara, G. Lampropoulos, Á. Antón-Sancho & P. Fernández-Arias. (2024). Impact of artificial  
intelligence on learning management systems: A bibliometric review. Multimodal Technologies and  
Interaction, 8(9), 75. https://doi.org/10.3390/mti8090075  
David, J. O. (2025). Balancing growth, inclusivity, and technology: Rethinking student-centered learning  
in South African higher education. International Journal of Learning, Teaching and Educational  
Research, 24(4), 28–51. https://doi.org/10.26803/ijlter.24.4.7  
Ekeh, M. C., & Hadebe-Ndlovu, B. N. (2025). Tech-enhanced teacher training: Evaluating pre-service early  
childhood teachers’ experiences and perceptions. International Journal of Learning, Teaching and  
Educational Research, 24(4), 28–51. https://doi.org/10.26803/ijlter.24.4.4  
Elnaffar, S., Rashidi, F., & Abualkishik, A. Z. (2025). Teaching with AI: A systematic review of chatbots,  
generative tools, and tutoring systems in programming education. International Journal of Learning,  
Teaching and Educational Research, 25(1), 1-22. https://doi.org/10.26803/ijlter.25.1.1  
Ferrada Ferrada, C., et al. (2025). Bibliometría sobre la IA y las TIC en la producción científica educativa.  
Yachay, 14(1). https://doi.org/10.36881/yachay.v14i1.1025  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 121.  
Guachamín Toapanta, K. E., Guijarro Vinces, J. S., & Ríos López, T. D. (2022). Uso de herramientas  
tecnológicas TICS en el aprendizaje docente. Vínculos ESPE, 7(3).  
https://doi.org/10.24133/vinculosespe.v7i3.2405  
Garzón, J., Patiño, E., & Marulanda, C. (2025). Systematic review of artificial intelligence in education:  
Trends, benefits, and challenges. Multimodal Technologies and Interaction, 9(8), 84.  
https://doi.org/10.3390/mti9080084  
Garate Rosaura, P., Liz Yuliana, C. Q., Nelay Yaneth, C. O., Lizmayda Yoselin, C. H., Andrea Sara, F. A., &  
Felix Cristian, A. L. (2025). El impacto de la Inteligencia Artificial en la educación. Revista Veritas de  
Difusão Científica, 6(2), 2069–2083. https://doi.org/10.61616/rvdc.v6i2.734  
Inteligencia artificial como herramienta en el aprendizaje autónomo de los estudiantes de educación  
superior. (2024). Revista InveCom, 4(2), 1–9. https://doi.org/10.5281/zenodo.10693945  
Muñoz, G. F. R. (2025). El impacto de la inteligencia artificial y las herramientas digitales en las  
asignaturas  
básicas  
de  
la  
educación  
superior.  
RITI,  
13(30),  
001–  
DOI:  
https://doi.org/10.36825/RITI.13.30.002  
Moila, O., & Bantwini, B. (2025). Adopting a hexagonal inter-activity model for integrating digital  
technologies in South African secondary schools. International Journal of Learning, Teaching and  
Educational Research, 24(4), 28–51. https://doi.org/10.26803/ijlter.24.4.20  
MathWorks. (2024). MATLAB (R2024a) [Software de computadora]. The MathWorks, Inc. Recuperado  
el 26 de febrero de 2026, de https://www.mathworks.com/help/releases/R2024a/index.html  
Martínez Cardero, D. (2025). Innovación pedagógica en la enseñanza de la inteligencia artificial. Revista  
Internacional de Pedagogía e Innovación Educativa, 5(1), 47–76. https://doi.org/10.51660/ripie51226  
Moreno Vega, L. G., Murillo Calle, L. L., Rosero Boada, M. E., Herrera Álvarez, J. P., & Loor Solorzano, M.  
B. (2025). Tecnologías emergentes en la educación: Realidad aumentada, inteligencia artificial y  
gamificación como herramientas clave. Ciencia Latina Revista Científica Multidisciplinar, 9(2), 8970–  
8987. https://doi.org/10.37811/cl_rcm.v9i2.17660  
Mustafa, M.Y., Tlili, A., Lampropoulos, G. et al. A systematic review of literature reviews on artificial  
intelligence in education (AIED): a roadmap to a future research agenda. Smart Learn. Environ. 11, 59  
(2024). https://doi.org/10.1186/s40561-024-00350-5  
Ogunleye, B., Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A systematic review of  
generative AI for teaching and learning practice. Education Sciences, 14(6), Article 636.  
https://doi.org/10.3390/educsci14060636  
Oroh, R., Mamarimbing, N. A. R. A., Tumanduk, M. S. S. S., Mailangkay, S. D. J., Terok, F. S. R. P., Attaufiq,  
M. M., & Manongko, J. D. I. (2025). Design of vocational high school students’ skills test instrument  
based on construction services needs. International Journal of Learning, Teaching and Educational  
Research, 24(4), 580-598. https://doi.org/10.26803/ijlter.24.4.32  
Pitts, G., Marcus, V., & Motamedi, S. (2025). Student perspectives on the benefits and risks of AI in  
education. arXiv. https://doi.org/10.48550/arXiv.2505.02198  
Rivas-Huamán, R. G., Mendoza-Marín, R. J., Delgado Méndez, C. A., Torres Cabrera, L. F., & Hancco  
Machaca, M. (2025). Revisando la enseñanza virtual con inteligencia artificial: análisis con  
ATLAS.ti.v.24. Revista Internacional de Investigación en Ciencias Sociales, 21(1), 128.  
https://doi.org/10.18004/riics.2025.junio.128  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 122.  
Rodriguez, J. M. P., Austria, G. S., & Millar, G. B. (2025). The role of AI, blockchain, cloud, and data (ABCD)  
in enhancing learning assessments of college students. arXiv.  
https://doi.org/10.48550/arXiv.2503.05722  
Rossetti-López, S. R., Bórquez-Tamayo, G., Ozuna-Beltrán, A. G., & Arias-Herrera, J. C. (2025). Uso de  
herramientas de inteligencia artificial por estudiantes de educación superior. Formación Universitaria,  
18(5). https://doi.org/10.4067/S0718-50062025000500125  
Ruiz Muñoz, G. F., & Vasco Delgado, J. C. (2025). Integración de las tecnologías de la información y la  
comunicación (TIC) e inteligencia artificial (IA) en la formación docente. Revista de Investigación en  
Tecnologías de la Información, 13(29), 60–70. https://doi.org/10.36825/RITI.13.29.006  
Role of artificial intelligence in the personalization of distance education: A systematic review. (2025).  
RIED-Revista Iberoamericana de Educación a Distancia, 28(1). https://doi.org/10.5944/ried.28.1.41538  
Silva de Mancuello, G. B. (2025). Uso de la inteligencia artificial como herramienta de enseñanza-  
aprendizaje  
en  
educación  
media.  
Arandu  
UTIC,  
12(3),  
3997–4014.  
https://doi.org/10.69639/arandu.v12i3.1606  
Setälä, M., Heilala, V., Sikström, P., & Kärkkäinen, T. (2025). The use of generative artificial intelligence  
for upper secondary mathematics education through the lens of technology acceptance. In  
Proceedings of the 40th ACM/SIGAPP Symposium on Applied Computing (SAC ’25). Association for  
Computing Machinery. https://doi.org/10.1145/3672608.3707817  
Sevilla, A., Cuevas-Ruiz, P., Rello, L., & Sanz, I. (2025). Artificial intelligence in education: Computer-  
assisted learning and AI-guided tutors. Italian Economic Journal. https://doi.org/10.1007/s40797-025-  
00354-1  
Sermet, Y., Fodale, B., & Demir, I. (2025). Evaluating AI-powered learning assistants in engineering higher  
education: Student engagement, ethical challenges, and policy implications [Preprint]. arXiv.  
https://doi.org/10.48550/arXiv.2506.05699  
Tan, L. Y., Hu, S., Yeo, D. J., & Cheong, K. H. (2025). Artificial intelligence-enabled adaptive learning  
platforms:  
A
review. Computers and Education: Artificial Intelligence, 8, Article 100429.  
https://doi.org/10.1016/j.caeai.2025.100429  
Usart Rodríguez, M. (2023). Tecnologías digitales e inteligencia artificial: evidencias de su efectividad  
en educación. Innovaciones Educativas, 25(Especial). http://dx.doi.org/10.22458/ie.v25iespecial.5084  
Yerbabuena Torres, C. F., Villagomez Cabezas, A. V., Yerbabuena Torres, A. R., & Mendoza Torres, N. A.  
(2024). Artificial intelligence tools applied to education: A systematic literature review. International  
Journal  
of  
Interactive  
Mobile  
Technologies  
(iJIM),  
18(24),  
155–174.  
https://doi.org/10.3991/ijim.v18i24.50055  
Vol. 28 Núm. 2 (2025): ChatGPT, IA generativa y tecnología educativa: aportes y desafíos en la  
educación virtual. (2025). RIED-Revista Iberoamericana de Educación Distancia.  
https://doi.org/10.5944/ried.28.2  
a
Vieriu, A. M. (2025). The impact of artificial intelligence (AI) on students’ learning processes. Education  
Sciences, 15(3), 343. https://doi.org/10.3390/educsci15030343  
Vehrer, A., & Palfalusi, Z. (2025). The application of virtual environments and artificial intelligence in  
higher  
education:  
Experimental  
findings  
in  
philosophy  
teaching  
[Preprint].  
arXiv.  
https://doi.org/10.48550/arXiv.2509.00110  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 123.  
Wang, K. D., Wu, Z., Tufts, L. N., II, Wieman, C., Salehi, S., & Haber, N. (2024). Scaffold or crutch?  
Examining college students' use and views of generative AI tools for STEM education [¿Andamio o  
muleta? Examen del uso y las opiniones de los estudiantes universitarios sobre las herramientas de IA  
generativa para la educación STEM] [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2412.02653  
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, abril, 2026, Volumen VII, Número 2 p 124.