DOI: https://doi.org/1=
0.56712/latam.v6i4.4564
La inteligencia artificial generativa y su aporte en la
enseñanza personalizada para estudiantes de educación secunda=
ria
Generative
artificial intelligence and its contribution to personalized teaching for
secondary school students
Dolores Cardoso García
dolores.cardosog@educacion.gob.ec
https://orcid.org/0009-0007-8420-3225
Ministerio de
Educación del Ecuador
Guayaquil ̵=
1;
Ecuador
Leonardo Mero Salazar
https://orcid.org/0000-0002-2046-9397
Ministerio de
Educación del Ecuador
Guayaquil ̵=
1;
Ecuador
Diana Saltos Arias
estela.saltos@educacion.gob.ec
https://orcid.org/0009-0003-2642-2375
Ministerio de
Educación del Ecuador
Guayaquil ̵=
1;
Ecuador
Mariela Sánchez Sánchez
mariela.sanchez@educacion.gob.ec
https://orcid.org/0009-0009-6482-5996
Ministerio de
Educación del Ecuador
Guayaquil ̵=
1;
Ecuador
Margarita Espinoza Mogrovejo
irene.espinoza@educacion.gob.ec
https://orcid.org/0009-0006-8478-7948
Ministerio de
Educación del Ecuador
Guayaquil ̵=
1;
Ecuador
Artículo recibido: 07 de junio de 2025.
Aceptado para publicación: 23 de septiembre de 2025.
Conflictos de
Interés: Ninguno que declarar.
Resumen
Este
estudio analiza cómo la inteligencia artificial generativa (GAI) puede ayudar a los estudiantes de secundaria a
aprender de forma más individualizada. Las tecnologías emerge=
ntes
basadas en la inteligencia artificial han creado nuevas oportunidades para
revolucionar los métodos de enseñanza convencionales en un
entorno educativo que cada vez requiere respuestas personalizadas y
adaptativas. Este proyecto investiga cómo los docentes y los estudia=
ntes
pueden crear experiencias de aprendizaje que se adapten a las necesidades,
intereses y ritmo de cada estudiante con la ayuda de herramientas como ChatGPT y otras plataformas de contenido educativo
generativo. Se entrevistó a los docentes y se realizó una
encuesta a los estudiantes de secundaria que han comenzado a implementar la=
IAG en sus métodos de enseñanza, utiliz=
ando
un enfoque metodológico mixto. Los resultados demuestran que tener
acceso a explicaciones individualizadas en tiempo real mejora la
motivación de los estudiantes, su dedicación a las tareas y s=
us
habilidades de pensamiento crítico, al tiempo que mejora su conocimi=
ento
de la materia. El estudio también aborda las cuestiones técni=
cas
y éticas que rodean el uso de estas tecnologías, incluyendo la
preparación de los docentes, la posibilidad de dependencia
tecnológica y la confirmación de la exactitud del contenido
producido. A pesar de estos inconvenientes, se determina que la IAG es un instrumento potencialmente útil para=
la innovación
pedagógica, siempre que se aplique bajo una estrecha supervisi&oacut=
e;n
y de acuerdo con buenos principios educativos. Este trabajo sugiere futuras
líneas de investigación para la integración moral, pr&=
aacute;ctica
y contextualizada de la inteligencia artificial generativa en el ámb=
ito
educativo.
Palabras clave: inteligencia artificial generativa,
enseñanza personalizada, educación secundaria, innovaci&oacut=
e;n
pedagógica
Abstract
This study analyzes how generative artificial intelligence (GAI) can
help high school students learn in a more individualized way. Emerging
technologies based on artificial intelligence have created new opportunitie=
s to
revolutionize conventional teaching methods in an educational environment t=
hat
increasingly requires personalized and adaptive responses. This project
investigates how teachers and students can create learning experiences that
adapt to each student's needs, interests, and pace with the help of tools s=
uch
as ChatGPT and other generative educational con=
tent
platforms. Teachers were interviewed and a survey was conducted among high
school students who have begun to implement GAI in their teaching methods,
using a mixed methodological approach. The results show that having access =
to
individualized explanations in real time improves students' motivation,
dedication to tasks, and critical thinking skills, while also improving the=
ir
knowledge of the subject matter. The study also addresses the technical and
ethical issues surrounding the use of these technologies, including teacher
preparation, the possibility of technological dependence, and confirmation =
of
the accuracy of the content produced. Despite these drawbacks, it is determ=
ined
that IAG is a potentially useful tool for pedag=
ogical
innovation, provided it is applied under close supervision and in accordance
with sound educational principles. This work suggests future lines of resea=
rch
for the moral, practical, and contextualized integration of generative
artificial intelligence in the educational field.
Keywords: generative
artificial intelligence, personalized teaching, secondary education,
pedagogical innovation
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
Todo el contenido de LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades, publicado en este sitio está
disponibles bajo Licencia Creative Commons.![](3D"1161_CardosoGarcia_archivos/image004.jpg")
Cómo citar: Cómo citar
Cardoso García, D.,
Mero Salazar, L., Saltos Arias, D., Sánchez Sánchez, M., &
Espinoza Mogrovejo, M. (2025). La inteligencia artificial generativa y su
aporte en la enseñanza personalizada para estudiantes de educaci&oac=
ute;n
secundaria. LATAM Revista Latinoame=
ricana
de Ciencias Sociales y Humanidades 6 (4), 4017 – 4030. https://doi.or=
g/10.56712/latam.v6i4.4564
INTRODUCCIÓN
Contexto y Justificación
Con modelos como GPT 4, DALL-E
o Bard, la inteligencia artificial generativa (=
IAG) se ha convertido en una tecnología disrup=
tiva
en el contexto de la Cuarta Revolución Industrial. “Permite la
generación autónoma de contenidos textuales, visuales y
sonoros” según Paspuel et al. (2025). Esta innovación
“ofrece una oportunidad inédita de revolucionar la
enseñanza secundaria ofreciendo entornos de aprendizaje altamente
personalizados capaces de ajustar el ritmo, el contenido y el enfoque
pedagógico a cada estudiante” menciona Castillo (2023). Su
importancia radica en que, a diferencia de la IA clásica, la IAG facilita la creación de materiales
didácticos inéditos en tiempo real, lo que puede mejorar los
resultados del aprendizaje.
Debido a la sobrecarga docente y a la falta de recursos humanos, el
aprendizaje personalizado siempre ha sido un objetivo difícil de
escalar. Los sistemas de tutoría inteligente (S=
TI)
y las plataformas adaptativas ya han demostrado sus ventajas al adaptarse al
rendimiento de cada estudiante; sin embargo, siguen basándose en mod=
elos
estáticos y contenidos preprogramados. Por otro lado, la IAG “representa un avance revolucionario en la
personalización educativa al crear dinámicamente preguntas,
ejercicios, explicaciones y comentarios basados en el perfil del
estudiante” analizan Vivas & Ruiz (2025).
La integración de la IAG mejor&o=
acute;
significativamente las puntuaciones en los exámenes y redujo la
variabilidad entre estudiantes, según un reciente estudio de aprendi=
zaje
combinado realizado en centros de secundaria del estado de Ebonyi
(Nigeria) indican Achilike & Agbasiere
(2024). Por otra parte, un estudio cuantitativo en el que participaron 500
estudiantes de secundaria demostró que “la adopción de
aplicaciones generativas tenía un efecto favorable en la
alfabetización digital, el pensamiento crítico y la
innovación” Wu & Zhang (2025). Estos resultados implican q=
ue
la IAG mejora importantes destrezas del siglo X=
XI,
además de facilitar la personalización de contenidos.
Sin embargo, estudios en contextos de evaluación educativa, =
como
los expuestos por Arslan et al. (2024),
“resaltan cómo las IAG pueden
personalizar dinámicamente las evaluaciones y la
retroalimentación formativa, al tiempo que advierten de los riesgos =
de
validez, fiabilidad e imparcialidad si no se regulan adecuadamente”. =
Del
mismo modo, la investigación sobre los Sistemas Tutores Inteligentes=
(STI) generativos hace hincapié en que, “=
si
bien proporcionan adaptaciones en tiempo real, su implementación exi=
tosa
requiere una precisa calibración pedagógica y un mayor contro=
l de
los errores” Maity & Deroy
(2024).
Muchos educadores de América Latina y otras zonas con sistem=
as
educativos débiles “carecen de los conocimientos
pedagógicos y técnicos necesarios para utilizar la IAG de forma ética y satisfactoria” para=
Mera
(2025). Esto puede dar lugar a que la tecnología “se rechace o=
se
utilice superficialmente por cuestiones de fiabilidad o procedimientos
deshumanizadores” sostienen García et al. (2020). En consecuen=
cia,
es crucial examinar no sólo el potencial de la tecnología, si=
no
también las circunstancias de su aplicación, la
preparación del profesorado y una distribución equitativa de =
los
recursos.
Problema de Investigación
Incluso con las nuevas investigaciones, aún queda mucho por
aprender sobre cómo y cuándo la IAG
mejora el aprendizaje individualizado en secundaria sin sacrificar la
privacidad, la igualdad o los ideales pedagógicos. La pregunta princ=
ipal
es: ¿cuáles son las ramificaciones pedagógicas,
éticas y tecnológicas de la inteligencia artificial generativ=
a, y
cómo podría mejorar el aprendizaje individualizado de los
estudiantes de secundaria?
El objetivo principal de este estudio es evaluar la contribuci&oacu=
te;n
de la IAG a la enseñanza individualizada=
en
secundaria.
Los objetivos específicos son:
<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●Un componente crucial del uso moral y
didácticamente racional de la IA generativa en la educación
secundaria es el modelo TPACK (Technological
Pedagogical Content Knowle=
dge),
“que enfatiza que la integración exitosa de las tecnolog&iacut=
e;as
educativas requiere una combinación de conocimiento de contenido,
pedagogía y contexto tecnológico” asegura Mishra (2019).
Más aún, según Pesovski et=
al.
(2024), “los sistemas de tutoría inteligente (STI)
se han basado históricamente en modelos cognitivos que combinan un
modelo de estudiante, un dominio de contenido y estrategias de
intervención adaptativas”, elementos mejorados con IA generati=
va
para producir una retroalimentación más dinámica y per=
sonalizada.
IA Generativa y Aprendizaje Adaptativo<= o:p>
Modelos como GPT-4 o ChatGPT,
“que pueden crear contenidos nuevos (texto, gráficos y ejercic=
ios)
en función de las demandas de cada usuario, se denominan IA
generativa” asegura Chiu (2023). Por su p=
arte,
un sistema conocido como “aprendizaje adaptativo” utiliza IA y
algoritmos para modificar el material didáctico y las actividades en
función del rendimiento del estudiante, “lo que permite
personalizar los itinerarios y variar el tiempo de práctica”
indican López et al. (2025). Para comprender cómo la IA
generativa amplía el potencial del aprendizaje adaptativo convencion=
al
es necesario comprender estas ideas en su conjunto.
Autoeficacia y Apropiación del
Conocimiento
Según Bandura (1978), “la autoeficacia se refiere a la
confianza de un estudiante en su capacidad para aprender y completar
tareas”. Se considera que la autoeficacia aumenta en situaciones en l=
as
que la IA generativa produce información basada en su nivel real, so=
bre
todo en el caso de los estudiantes que obtienen malos resultados. Del mismo
modo, según Piaget y Vygotsky, la idea de apropiación del
conocimiento sugiere que los estudiantes absorben y crean significado a par=
tir
del material. Aunque la IA generativa esté automatizada, “puede
fomentar esta apropiación si los estudiantes se comprometen con las
respuestas, las evalúan de forma crítica y las modifican para
adaptarlas a su propio contexto” mencionan contexto Chan & Zhou
(2023).
Para orientar su enfoque en la enseñanza secundaria, este es=
tudio
integra teorías del aprendizaje (constructivismo social, conexionism=
o),
marcos técnicos (TPACK, STI)
y modelos motivacionales (flujo, autodeterminación). Además de
producir contenidos adaptativos que fomenten la autoeficacia, la
apropiación activa del conocimiento y la motivación
intrínseca de los estudiantes de secundaria, el objetivo es investig=
ar
cómo la IA generativa puede funcionar como tutor inteligente virtual=
. En
conclusión, explican, analizan y evalúan los efectos de la IA
generativa en entornos de aprendizaje personalizado utilizando tantas
teorías del aprendizaje, marcos tecnológicos operativos y mod=
elos
cognitivos.
RESULTADOS
Presentación de los datos
Tras
el uso de la IA generativa, el rendimiento académico aumentó =
una
media del 18 % en el grupo experimental, que contaba con 110 estudiantes,
mientras que en el grupo de control aumentó un 5 %. Además, l=
os
estudiantes que utilizaron la IA mostraron un aumento significativo en la
autoeficacia académica y la motivación intrínseca, lo =
que
concuerda con los resultados de la investigación realizada en
circunstancias similares por Jauhiainen & <=
span
class=3DSpellE>Garagorry (2024) en similares contextos.
Tabla 1
Comparación de Resultados
Académicos Pre y Post Intervención
|
Grupo |
Puntaje Pretest (media) |
Puntaje Postest<=
/span>
(media) |
Incremento (%) |
|
Grupo
Control |
6.6 |
6.9 |
5 % |
|
Grupo
Experimental |
6.8 |
8.0 |
18 % |
Gráfico 1
Comparación del Rendimiento
Académico entre Grupos
![](3D"1161_CardosoGarcia_archivos/image006.gif")
<=
br
style=3D'mso-ignore:vglayout' clear=3DALL>
Nota: Este gráfico demuestra de manera inequívoca el mayor
aumento del grupo experimental con respecto al grupo de control.
Categorización y temas emergente=
s
A partir del análisis
cualitativo de quince entrevistas semiestructuradas a docentes, se identifi=
caron
tres categorías principales:
<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●<=
span
style=3D'mso-list:Ignore'>●
Frecuencia de Categorías en el Análisis Cualitativo
Nota: En este gráfico se muestra la frecuencia de menciones de las
siguientes categorías: Valor pedagógico (13), Formación
del profesorado (15) y Sesgos y dilemas (11).
DISCUSIÓN
Las conclusiones del estudio, que incluyen un aumento del 18 % en el
rendimiento académico, así como mejoras en la motivació=
;n y
la autoeficacia, concuerdan con otros hallazgos que mostraron ventajas
comparables de la IA generativa en contextos educativos, mencionan Jauhiainen & Garagorry (2024)
y Guerra (2020). El uso de la tutoría generativa redujo el tiempo de
estudio en un 27 %, según un estudio de Navas et al. (2024), lo que
confirma el hallazgo de una mayor eficiencia en la creación de
materiales didácticos. Según lo modificado por estas
investigaciones, esta evidencia empírica respalda la aplicabilidad d=
e la
teoría de la autodeterminación en escenarios de IA generativa
personalizada de Ryan & Deci (2000).
Implicaciones teóricas y
prácticas
Los resultados amplían teóricamente el modelo TPACK al demostrar cómo los educadores incorpo=
ran la
tecnología generativa, la pedagogía y los contenidos en la
educación secundaria, “mejorándolo con la capacidad de
adaptarse en tiempo real” concuerdan Maity
& Deroy (2024). En la práctica, el t=
iempo
ahorrado en la planificación (unas seis horas a la semana) podr&iacu=
te;a
dedicarse a proyectos más cooperativos o a una asistencia más
individualizada. Estas situaciones también fomentan la inclusi&oacut=
e;n,
ya que proporcionan materiales que se adaptan automáticamente al niv=
el
de los alumnos con bajo rendimiento.
Limitaciones del estudio
Contaminación grupal:=
Durante la intervención, algunos
estudiantes compararon tareas personalizadas, lo que habría
distorsionado las percepciones y los resultados, un problema que tambi&eacu=
te;n
se ha observado en estudios relacionados.
Disparidades en la infraestructura: La generalización se ve limitada
por la dependencia de la conectividad, especialmente en lugares remotos con
acceso irregular a Internet. =
Sesgos algorítmicos y Opacidad:<=
/span> La investigación sobre modelos
generativos ha documentado ampliamente la posibilidad de errores o respuest=
as
erróneas, o «alucinaciones», que pueden generar desconfi=
anza
entre los docentes.
Figura 1
![](3D"1161_CardosoGarcia_archivos/image009.gif")
Modelo conceptual integrador
Nota: Este cuadro ilustra cómo las conclusiones del estudio
relacionan las estrategias de enseñanza, la personalización d=
e la
IA y los modelos teóricos (TPACK,
autodeterminación).
Recomendaciones para futuras
investigaciones
Se recomienda realizar investigaciones longitudinales para evaluar =
el
impacto de la IA generativa a lo largo de múltiples ciclos
académicos, haciendo un seguimiento de la retención y el
crecimiento de las habilidades de orden superior (como el pensamiento
crítico). Del mismo modo, la investigación de sistemas
multimodales (texto, audio y vídeo) que se adapten a las diferentes
preferencias de aprendizaje en la educación secundaria puede aportar
importantes conocimientos sobre la diversidad pedagógica. Tambi&eacu=
te;n
se recomienda examinar los efectos de las políticas institucionales y
los programas de formación del profesorado que apoyan la
integración moral y satisfactoria de la IA generativa en el aula.
Se recomienda que los estudios futuros examinen más a fondo =
los
efectos a largo plazo de la aplicación de la inteligencia artificial
generativa (GAI) en el desarrollo de las habili=
dades
metacognitivas, el pensamiento crítico y la autorregulación d=
el
aprendizaje de los estudiantes de secundaria. Estos estudios podrían
comparar entornos con alto y bajo acceso a herramientas generativas, examin=
ar
diferentes técnicas de enseñanza y analizar diversos grados de
integración tecnológica. También se aconseja investigar
cómo factores como el género, los logros académicos
previos o el estatus socioeconómico afectan al éxito de la
enseñanza personalizada mediada por la IAG.
El análisis ético y psicológico del uso de
herramientas de IA por parte de los adolescentes representa otra áre=
a de
estudio apasionante. Es fundamental comprender cómo la autonom&iacut=
e;a
intelectual, la inventiva y la capacidad de los estudiantes para reconocer =
el
conocimiento fiable pueden verse afectadas por la exposición continu=
a a
contenidos generados artificialmente. El desarrollo de marcos para el uso
responsable y de orientaciones relacionadas para educadores y familias
requeriría una investigación interdisciplinaria que
integrará la pedagogía, la ética técnica y la
psicología educativa.
Por último, se recomienda estudiar la creación de mod=
elos
híbridos que combinen la IAG con
técnicas de enseñanza centradas en el estudiante, como el aula
invertida o el aprendizaje basado en proyectos. Evaluar cómo estas
combinaciones afectan a diversas materias y habilidades puede proporcionar
información importante sobre cómo utilizar mejor la inteligen=
cia
artificial generativa en el aula. Además, se podría investigar
cómo los docentes pueden mediar activamente en el aprendizaje
individualizado que facilitan estas nuevas tecnologías.
CONCLUSIONES
Este estudio demostró cómo la inteligencia artificial=
generativa
puede beneficiar la enseñanza individualizada de los estudiantes de
secundaria. Los resultados mostraron un notable aumento tanto en el rendimi=
ento
académico como en la participación y motivación de los
estudiantes. La mayor adquisición de conocimientos fue posible graci=
as a
la capacidad de proporcionar información personalizada según =
las
necesidades de cada estudiante. Estos resultados respaldan la idea de que l=
as
nuevas tecnologías pueden utilizarse como útiles herramientas
didácticas en entornos educativos tradicionales.
La optimización del tiempo de enseñanza mediante la
automatización de procedimientos tediosos y la creación de
materiales didácticos modificados fue uno de los logros más
destacados. Además de aumentar la productividad, esta caracter&iacut=
e;stica
permitió a los docentes disponer de más tiempo para concentra=
rse
en los aspectos pedagógicos y humanos de la enseñanza.
Además, la personalización promovió una educació=
;n más
igualitaria y centrada en el estudiante, al facilitar la inclusión de
niños y jóvenes con diferentes velocidades de aprendizaje.
El estudio amplió el conocimiento sobre cómo las
herramientas de IA generativa podrían incorporarse a modelos
teóricos establecidos, incluyendo el aprendizaje autónomo y el
enfoque centrado en el estudiante, desde un punto de vista pedagógic=
o.
Se demostró que, si bien el contenido adaptativo ayudaba a proporcio=
nar
un entorno de aprendizaje más dinámico, la
retroalimentación individualizada promovía la autorregulaci&o=
acute;n.
Estos hallazgos respaldan la conexión entre los enfoques
pedagógicos de vanguardia y la tecnología educativa.
A pesar de los resultados alentadores, el estudio presentaba muchos
inconvenientes. Entre ellos se encuentran la necesidad de seguir formando a=
los
docentes en el uso eficiente de estas tecnologías, así como l=
os
problemas técnicos derivados del acceso desigual a los dispositivos =
y a
Internet. Además, aún quedan por abordar varias cuestiones
éticas en futuros proyectos de implementación, como la
dependencia excesiva de las respuestas generadas y la transparencia de los
algoritmos.
En última instancia, se determina que, si se aplica de forma
reflexiva, moral y pedagógica, la inteligencia artificial generativa=
es
muy prometedora para revolucionar la educación secundaria. Estos ava=
nces
ayudan a allanar el camino para una educación verdaderamente
personalizada, pero también requieren una investigación conti=
nua,
inversión en infraestructura y dedicación institucional. En
resumen, la IA generativa debe considerarse un complemento que refuerza la
función del instructor y anima a los estudiantes a estudiar de forma
significativa.
REFERENCIAS
Achilike, B. A., & Agb=
asiere,
E. P. (2024). EL IMPACTO DE LA IA GENERATIVA EN EL APRENDIZAJE PERSONALIZAD=
O:
UN ESTUDIO MULTIFASE SOBRE LA PARTICIPACIÓN ESTUDIANTIL Y LOS RESULT=
ADOS
DE APRENDIZAJE EN LAS ESCUELAS SECUNDARIAS DEL ESTADO DE EBONYI.
Obtenido de https://journals.aemapp.org/index.php/JAEMAPP/article/view/280/=
235
Arslan, B., Lehman, B., Tenison, C., Sparks,
J., López, A., Gu, L., & Zapata, D. (2024). Oportunidades y desafíos del uso=
de
IA generativa para personalizar la evaluación educativa. Obtenido de
file:///C:/Users/DC/Downlo=
ads/frai-2-1460651.pdf
Bandura, A. (1978). Autoeficacia: Hacia una teoría unificado=
ra
del cambio de comportamiento. Obtenido de
https://www.sciencedirect.com/science/article/abs/pii/0146640278900024
Castillo, M. E. (2023). Impacto de la inteligencia artificial en el
proceso de enseñanza y aprendizaje en la educación secundaria=
. doi:DOI: https://doi.org/1=
0.56712/latam.v4i6.1459
Chan, C., & Zhou, W. (2023). Desconstruyen=
do
las percepciones estudiantiles de la IA generativa (Ge=
nAI)
a través de un instrumento basado en la teoría del valor espe=
rado
(EVT). Obtenido de https://arxiv.org/pdf/2305.01186
Chiu, T. (2023). El impacto de la IA genera=
tiva
(GenAI) en las prácticas, polític=
as y
dirección de la investigación en educación: un caso de=
ChatGPT y Midjourney. Obt=
enido de
https://www.tandfonline.com/doi/epdf/10.1080/10494820.2023.2253861?needAcce=
ss=3Dtrue
Cziksentmihalyi
García, A., Ulloa, M. C., & Córdoba, É. F.
(2020). La era digital y la deshumanización a efectos de las TIC.
Obtenido de
https://www.researchgate.net/publication/338593422_La_era_digital_y_la_desh=
umanizacion_a_efectos_de_las_TIC
Guerra, J. (2020). El constructivismo en la educación y el
aporte de la teoría sociocultural de Vygotsky para comprender la
construcción del conocimiento en el ser humano. Obtenido de
https://dilemascontemporaneoseducacionpoliticayvalores.com/index.php/dilema=
s/article/view/2033/2090
Jauhiainen, J., & Garago=
rry,
A. (2024). IA generativa y educación: personalización
dinámica del material de aprendizaje escolar de los alumnos con ChatGPT. Obtenido de
https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2024.=
1288723/full
López, V., Rivera, S. A., & Chávez, L. E. (2025).
Aprendizaje adaptativo: una respuesta a la diversidad educativa en un mundo
digitalizado. Obtenido de
https://www.researchgate.net/publication/388191501_Aprendizaje_adaptativo_u=
na_respuesta_a_la_diversidad_educativa_en_un_mundo_digitalizado
Maity, S., & Deroy<=
/span>,
A. (2024). La IA generativa y su impacto en los sistemas de tutoría
inteligente personalizados. Obtenido de https://arxiv.=
org/pdf/2410.10650
Mera, M. E. (2025). Integración de la Inteligencia Artificia=
l en
la Formación Docente. Obtenido de
https://polodelconocimiento.com/ojs/index.php/es/rt/printerFriendly/8878/ht=
ml
Mishra, P. (2019). Considerando el conocimiento contextual: el diag=
rama
TPACK se actualiza. Obtenido de
https://www.researchgate.net/publication/332487715_Considering_Contextual_K=
nowledge_The_TPACK_Diagram_Gets_an_Upgrade
Navas, L. E., Ortiz, W. H., Cabrera, E. V., & Orna, K. A. (2024=
).
La Efectividad de los Materiales Educativos en la Personalización del
Aprendizaje. doi:doi.org/10.33386/593dp.2024.5.2688
Paspuel, K. M., Paspuel, S. E., Mora, A. O., & Rojas, M. I. (20=
25).
Aplicación de la inteligencia artificial generativa en el
fortalecimiento del aprendizaje personalizado en educación. Obtenido=
de
file:///C:/Users/DC/Downlo=
ads/9602-51046-1-PB.pdf
Pesovski, I., Santos, R., =
Henriques,
R., & Trajkovik, V. (2024). IA generativa p=
ara
experiencias de aprendizaje personalizables. Obtenido de https://www.mdpi.com/2071-1050/16/7/3034
Ryan, R., & Deci, E. (2000). La
Teoría de la Autodeterminación y la Facilitación de la
Motivación Intrínseca, el Desarrollo Social, y el Bienestar.
Obtenido de
https://www.selfdeterminationtheory.org/SDT/documents/2000_RyanDeci_Spanish=
AmPsych.pdf
Siemens, G. (2007). Conectivismo: Una teoría de aprendizaje =
para
la era digital. Obtenido de https://ateneu.xtec.cat/wikiform/wikiexport/_me=
dia/cursos/tic/s1x1/modul_3/conectivismo.pdf
Vivas, M. D., & Ruiz, M. A. (2025). Inteligencia artificial
generativa. Buenas prácticas docentes en educación superior.
Obtenido de https://repositorio.uax.es/bitstream/handle/20.500.12080/46852/=
Inteligencia%20artificial%20generativa.pdf?sequence=3D1&isAllowed=3Dy
Wu, D., & Zhang, J. (2025). Inteligencia artificial generativa =
en
educación secundaria: aplicaciones y efectos en las habilidades de
innovación y alfabetización digital del alumnado. Obtenido de
file:///C:/Users/DC/Downlo=
ads/journal.pone.0323349.pdf
Todo el contenido
de LATAM Revista Latinoameric=
ana de
Ciencias Sociales y Humanidades, publicados en este sitio está
disponibles bajo Licencia Creative Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"1161_CardosoGarcia_archivos/image010.jpg")
.
L=
ATAM
Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción,
Paraguay.
![](3D"1161_CardosoGarcia_archivos/image002.jpg")