Artículo Científico
Space Scientific Journal of Multidisciplinary | Vol. 03 Núm. 04
Octubre – Diciembre 2025 | ISSN: 3091-1834
www.spacesjmultidisciplinary.omeditorial.com
Inteligencia artificial como herramienta de
personalización del aprendizaje escolar
Artificial Intelligence as a Tool for the Personalization of
School Learning
Sánchez-Vásquez, María Cristina1; Ponce-Intriago, Irving Snaider2; Sánchez-Vásquez,
María Eugenia3; Sánchez-Sánchez, Diana Katerine4; Saldarriaga-Castro, Rosa
Magdalena5.
Recibido: 01/10/2025
Aceptado: 16/10/2025
Publicado: 31/10/2025
Cita: Sánchez-Vásquez, M. C., Ponce-Intriago, I. S., Sánchez-Vásquez, M. E., Sánchez-Sánchez, D. K., &
Saldarriaga-Castro, R. M. (2025). Inteligencia artificial como herramienta de personalización del aprendizaje
escolar. Space Scientific Journal of Multidisciplinary, 3(4), 98-
122. https://doi.org/10.63618/omd/ssjm/v3/n4/59
Resumen
La investigación analiza el papel de la inteligencia artificial (IA) como herramienta de
personalización del aprendizaje escolar a través de una revisión documental de veinte
estudios publicados entre 2021 y 2025. Se aplicó la metodología PRISMA, con análisis
cualitativo y comparativo de las fuentes. Los resultados evidencian que la IA permite adaptar
contenidos, ritmos y estrategias pedagógicas al perfil individual del estudiante, mejorando
la motivación, el rendimiento y la autorregulación. Asimismo, se identifican limitaciones
vinculadas a la infraestructura tecnológica, la formación docente y los dilemas éticos
relacionados con la privacidad y los sesgos algorítmicos. Se concluye que la integración
responsable de la IA favorece una educación equitativa, inclusiva y centrada en el
aprendizaje autónomo, consolidando un cambio de paradigma hacia la educación 4.0 y la
innovación pedagógica sostenible.
Palabras clave: inteligencia artificial; aprendizaje personalizado; educación 4.0; tutoría
inteligente; analítica de aprendizaje.
Abstract
This research analyzes the role of artificial intelligence (AI) as a tool for personalized school
learning through a documentary review of twenty studies published between 2021 and 2025.
The PRISMA methodology was applied, using qualitative and comparative analysis of the
sources. Results show that AI enables the adaptation of content, pace, and pedagogical
strategies to students’ individual profiles, improving motivation, performance, and self-
regulation. Limitations related to technological infrastructure, teacher training, and ethical
concerns such as privacy and algorithmic bias were also identified. The study concludes
that the responsible integration of AI fosters equitable, inclusive, and autonomous learning,
consolidating a paradigm shift toward Education 4.0 and sustainable pedagogical
innovation.
Keywords: artificial intelligence; personalized learning; education 4.0; intelligent tutoring;
learning analytics.
1
Unidad Educativa Juan Antonio Vergara Alcívar; Ecuador, Manabí; https://orcid.org/0009-0001-7062-3639; mariac.sanchez@docentes.educacion.edu.ec
2
Unidad Educativa 13 de octubre; Ecuador, Manabí; https://orcid.org/0009-0003-5008-0344; irving.ponce@docentes.educacion.edu.ec
3
Investigador Independiente; Ecuador, Manabí; https://orcid.org/0009-0004-8686-1860; eugesanchez523@gmail.com
4
Escuela de Educación Básica San Eloy; Ecuador, Manabí; https://orcid.org/0009-0001-9178-0756; diana.sanchez@docentes.educacion.edu.ec
5
Unidad educativa Francisco Pacheco; Ecuador, Manabí; https://orcid.org/0009-0003-3003-1211; rossy_0721m@hotmail.com
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
99
1. Introducción
En la era contemporánea, la convergencia entre la tecnología avanzada y los
procesos educativos genera un entorno que redefine los modos tradicionales de
enseñanza y aprendizaje. En este contexto, la inteligencia artificial (IA) emerge
como un actor clave al posibilitar caminos de adaptación y personalización del
aprendizaje escolar, lo cual responde de forma directa a la heterogeneidad de
estilos, ritmos y necesidades de los estudiantes (Febrianti et al., 2025). Estudios
recientes muestran que los sistemas de IA pueden adaptar contenidos, ritmos y
estrategias en función del perfil individual del alumno, rompiendo el modelo uniforme
tradicional (Vorobyeva et al., 2025). Esta evolución no solo transforma la práctica
docente, sino que también plantea interrogantes sobre qué significa enseñar y
aprender hoy y cómo responder desde la escuela a esa transformación.
Al escanear el estado actual de la investigación, se observa que la mayoría de los
trabajos sobre IA en educación ha estado centrada en niveles universitarios o en
entornos de enseñanza superior, con menos foco en educación básica o media. Por
ejemplo, un estudio sistemático de Wang et al. (2024) resalta que la investigación
en IA aplicada a educación abarca aprendizaje adaptativo, tutoría inteligente y
evaluación automatizada, pero señala un vacío importante en la personalización
profunda a niveles escolares. Asimismo, el análisis de Ibarvo (2025) sobre la
integración de IA en el aprendizaje personalizado evidencia que, aunque las
herramientas crecen, su aplicación sistemática en contextos de escuela es todavía
incipiente. Esta doble constatación la amplitud del campo y la limitación en ciertos
niveles escolares justifica la urgencia de enfocar investigaciones que vinculen IA y
personalización del aprendizaje escolar.
En el plano de las palabras clave, es pertinente realizar un recorrido macro-micro
que situe el estudio. En primer lugar, “inteligencia artificial” constituye el macro-
concepto técnico que engarza sistemas algoritmos, aprendizaje automático, tutoría
inteligente y análisis de datos (Garzón et al., 2025). En segundo término,
“personalización del aprendizaje” remite a la capacidad de adaptar contenidos,
ritmos, estilos y trayectorias a cada alumno (Maldonado-Chacón et al., 2024). En
tercer término, “aprendizaje escolar” limita el ámbito al nivel de educación formal
básica o media, en oposición a la educación superior o el aprendizaje informal
(Vera-Arias et al., 2023). Este análisis secuencial delimita clara y concisamente el
foco de este trabajo: cómo la IA, como herramienta tecnológica, puede realizar
personalización del aprendizaje en el entorno escolar.
El problema científico que subyace al estudio es el siguiente: aunque se reconoce
el potencial de las tecnologías de IA para personalizar el aprendizaje, aún existen
barreras en su implementación, tanto pedagógicas como tecnológicas, y escasean
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
0
estudios documentales profundos que sintetizan cómo y en qué condiciones operan
estas herramientas en escuelas. Por ejemplo, Serrano (2024) afirma que los
avances en la integración del aprendizaje adaptativo con la IA generativa están
documentados, pero advierte que faltan evidencias robustas de su aplicación en
entornos escolares reales. La pertinencia de abordar este problema radica en que
la personalización mediada por IA puede contribuir significativamente a equidad
educativa, eficiencia docente y mejoramiento de los aprendizajes una necesidad
urgente en el ámbito escolar.
Desde una óptica práctica, la investigación adquiere relevancia porque responde a
las expectativas de la Educación 4.0, en la cual las tecnologías inteligentes se
convierten en aliadas del docente para atender a la diversidad de la clase. Tal como
señala el informe de la Office of Educational Technology (2023) del U.S. Department
of Education, las herramientas de IA pueden liberar tiempo del docente para
centrarse en la dimensión humana del aprendizaje. En ese sentido, este estudio
aporta conocimientos actualizados y depurados mediante una revisión documental,
permitiendo a investigadores y profesionales de la educación contar con una
panorámica integral en el marco de las prácticas emergentes.
El desarrollo de este artículo se estructura como una revisión documental que
explora, analiza y sintetiza evidencia publicada entre 2021 y 2025 sobre la IA como
herramienta de personalización del aprendizaje escolar. Se examinan principales
tecnologías, experiencias en contextos escolares, efectos reportados tanto positivos
como críticos y factores que favorecen o limitan su adopción. Los hallazgos
permitirán perfilar líneas de acción para la práctica docente, la política educativa y
futuras investigaciones. La revisión emplea criterios de selección rigurosos, fuentes
de acceso libre y un enfoque centrado en la educación formal escolar.
En el marco de la finalidad de la investigación se plantea como objetivo principal
analizar cómo la inteligencia artificial contribuye a la personalización del aprendizaje
en el contexto escolar, identificando sus roles, beneficios, limitaciones y prioridades
para su implementación efectiva en entornos educativos. Este análisis busca dar
voz a la investigación actual, pero también proyectar una mirada reflexiva y
orientadora hacia el futuro de la escuela.
2. Materiales y Métodos
Se empleó un diseño de investigación de tipo revisión documental y sistemática
para analizar la literatura científica publicada entre los años 2021 y 2025 que aborda
la implementación de la inteligencia artificial en la personalización del aprendizaje
escolar. Se definió como modalidad de estudio una revisión integradora en la que
se combinaron métodos cualitativos de síntesis de contenido con criterios
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
1
cuantitativos de frecuencia de aparición (por ejemplo, número de estudios por nivel
educativo o tipo de tecnología). El procedimiento siguió las directrices de reporte de
revisiones sistemáticas como el estándar PRISMA (Page et al., 2021).
La población de estudio consistió en artículos académicos con acceso abierto,
publicados en revistas arbitradas y disponibles en bases de datos reconocidas, que
cumplieron criterios de inclusión: (a) tratar la inteligencia artificial en contextos de
educación escolar (básica o media), (b) abordar explícitamente la personalización
del aprendizaje, (c) estar publicados en español o inglés entre 2021 y 2025, y (d)
contar con texto completo de libre acceso. Se establecieron criterios de exclusión:
documentos de posgrado, informes técnicos sin revisión por pares, artículos
centrados exclusivamente en educación superior o aprendizaje informal. Además,
se eliminaron duplicados y artículos sin información metodológica clara.
El método de procedimientos incluyó las siguientes etapas: (1) elaboración del
protocolo de revisión, incluyendo preguntas de investigación, palabras clave
(“inteligencia artificial”, “personalización del aprendizaje”, “aprendizaje escolar”),
bases de datos Springer Link, ERIC, Google Scholar, SciELO y RedALyC, junto a
sus respectivos criterios de inclusión/exclusión; (2) búsqueda de los estudios,
exportación de registros a gestor bibliográfico, eliminación de duplicados; (3)
selección de títulos y resúmenes, lectura completa de los artículos que cumplían
criterios, extracción de datos mediante una ficha estandarizada (incluyendo autor-
año, país, nivel educativo, tipo de IA, resultados, barreras); (4) síntesis de los
hallazgos mediante análisis temático y cuantitativo; (5) verificación de la calidad y el
rigor del proceso de revisión. Se garantizó la reproducibilidad al anexar el protocolo,
la lista de artículos seleccionados, la hoja de extracción de datos y, cuando fue
aplicable, los códigos para el análisis en un repositorio de acceso abierto.
En términos éticos, no se requirió aprobación de comité de ética para la revisión
documental, ya que no hubo intervención humana ni manejo de datos sensibles
personales. Sin embargo, se contó con el consentimiento implícito de los autores al
utilizar sus publicaciones en acceso abierto. Para garantizar la transparencia y
reproducibilidad, se documentaron todas las decisiones de inclusión/exclusión en
un registro de flujo de selección y se citó adecuadamente cada fuente. Asimismo,
se respetaron los derechos de autor al utilizar y referenciar los contenidos originales
y al ofrecer enlaces directos o DOI de los artículos seleccionados.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
2
3. Resultados
3.1. Proceso de selección y cribado de estudios
El proceso de selección de los estudios se desarrolló en varias etapas sucesivas,
siguiendo las recomendaciones de la guía PRISMA 2020 para revisiones
sistemáticas. En una primera fase, se efectuó la búsqueda documental en bases de
datos de libre acceso y académicamente reconocidas: Springer Link, ERIC, Google
Scholar, SciELO y RedALyC, utilizando combinaciones booleanas de las palabras
clave “inteligencia artificial”, “personalización del aprendizaje” y “aprendizaje
escolar”. La búsqueda inicial arrojó 128 registros potenciales publicados entre 2021
y 2025. Posteriormente, se eliminaron 34 documentos duplicados, quedando 94
registros únicos.
En la segunda fase, se aplicaron los criterios de inclusión y exclusión definidos en
la metodología. Durante la revisión de títulos y resúmenes, se excluyeron 47
artículos por no referirse directamente a contextos escolares (por ejemplo, estudios
centrados en educación superior o entornos informales) o por carecer de relación
explícita con la personalización del aprendizaje. En la etapa de lectura completa, se
descartaron 27 documentos adicionales debido a limitaciones metodológicas, falta
de acceso al texto completo o ausencia de aplicación concreta de inteligencia
artificial.
Como resultado de este proceso de cribado, 20 artículos cumplieron todos los
criterios de inclusión y fueron incorporados a la síntesis final. Estos estudios
representan diversas realidades geográficas y metodológicas, con publicaciones
procedentes de América Latina (35 %), Europa (30 %) y Asia-Pacífico (25 %),
además de un pequeño grupo de investigaciones comparativas globales (10 %). La
distribución temporal mostró una tendencia creciente en la producción científica
entre 2023 y 2025, lo que evidencia el interés académico emergente en torno a la
integración de la inteligencia artificial en la personalización del aprendizaje escolar.
El proceso completo se ilustra en la Figura 1, que presenta el diagrama de flujo
PRISMA 2020 con las etapas de identificación, selección, elegibilidad e inclusión.
Este esquema garantiza la trazabilidad del procedimiento y la transparencia del
análisis, permitiendo que futuras investigaciones repliquen o amplíen la búsqueda
bajo parámetros similares (Page et al., 2021).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
3
Figura 1.
Diagrama de flujo PRISMA
3.2. Características generales de los estudios analizados
Los resultados revelan una convergencia global hacia la integración de sistemas
adaptativos, tutorías inteligentes, aprendizaje automático y analítica de datos como
ejes de la transformación pedagógica contemporánea. La evidencia se distribuye
principalmente en contextos de educación básica y superior, con una presencia
significativa de investigaciones provenientes de América Latina (especialmente
Ecuador y Colombia), complementadas por aportes de Europa, Asia y Medio
Oriente, lo que demuestra la creciente internacionalización del tema (Ver Tabla 1).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
4
Tabla 1.
Matriz documental PRISMA de la investigación
N.º
Autor(es) y
año
Título del
estudio
Tipo de IA o
herramienta
Enfoque
metodológico
Principales
hallazgos
País / Región
1
(Aparicio-
Gómez &
Aparicio-
Gómez,
2024)
Innovación
educativa con
sistemas de
aprendizaje
adaptativo
impulsados por
Inteligencia
Artificial
Sistemas de
aprendizaje
adaptativo
basados en IA;
machine learning,
deep learning y
procesamiento
del lenguaje
natural.
Artículo de
reflexión teórico-
aplicado.
Describe el
funcionamiento,
fundamentos y
beneficios de los
sistemas de
aprendizaje
adaptativo
impulsados por IA.
Explica su
evolución,
componentes
algorítmicos y los
requerimientos
para su
implementación
institucional
(infraestructura,
datos, formación
docente).
Colombia
(afiliación
institucional
Ed&TIC
Research
Center).
2
(García-
Macías
et al.,
2025)
Aprendizaje
adaptativo a
través de la
Inteligencia
Artificial en la
Educación
Superior
Sistemas de
aprendizaje
adaptativo con
IA,
procesamiento
del lenguaje
natural, análisis
predictivo y
framework
GenAI-TPACK.
Revisión
sistemática con
síntesis narrativa.
Identifica
convergencia
hacia modelos
híbridos
constructivistas-
IA; reporta efectos
positivos en
rendimiento y
motivación;
reconoce desafíos
éticos,
económicos y
técnicos en la
implementación;
destaca el rol de
la capacitación
docente y el
rediseño
curricular
colaborativo.
Ecuador.
3
(Parrales-
Cedeño
et al.,
2025)
El impacto de la
Inteligencia
Artificial en el
aprendizaje y
sus
implicaciones
para la
innovación
educativa
Chatbots
educativos,
sistemas de
tutoría
inteligente,
plataformas de
aprendizaje
adaptativo,
machine learning,
Revisión
documental
analítica basada en
literatura (2021-
2025).
La IA personaliza
el aprendizaje
mediante análisis
de datos,
automatiza tareas
administrativas y
ofrece
retroalimentación
en tiempo real.
Los principales
Ecuador
(Universidad
Estatal del Sur
de Manabí,
Jipijapa).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
5
realidad virtual y
aumentada.
retos incluyen
privacidad, sesgos
algorítmicos y
brecha digital. Los
chatbots y tutores
inteligentes
mejoran el
rendimiento y la
motivación.
4
(Nivela-
Cornejo
et al.,
2024)
Transformando
la Educación: El
Rol de la
Inteligencia
Artificial en la
Personalización
del Aprendizaje
Plataformas de
aprendizaje
adaptativo,
sistemas de
tutoría
inteligente,
analítica de
aprendizaje en
tiempo real.
Estudio mixto
(descriptivo y
propositivo) con
componente
cuantitativo básico
(n = 25) y análisis
bibliográfico.
La personalización
del aprendizaje
fue identificada
como la tendencia
más prometedora
(36 %); la IA
mejora
habilidades
digitales (48 %) y
fomenta la
equidad mediante
recursos
adaptativos; los
principales retos
fueron
infraestructura
(44 %) y
capacitación
docente (32 %).
Ecuador
(Universidad
Bolivariana del
Ecuador).
5
(Cisneros-
Vásquez
et al.,
2024)
Uso de la
Inteligencia
Artificial en la
Personalización
del Aprendizaje
Chatbots,
sistemas de
recomendación,
juegos serios,
minería de datos
educativos,
sistemas
multiagente,
lógica difusa y
sistemas
bayesianos.
Revisión
bibliográfica
documental de
enfoque
cualitativo.
La IA mejora la
personalización
educativa al
adaptar
contenidos según
necesidades
individuales. Se
identifican
técnicas efectivas
como minería de
datos y lógica
difusa para ajustar
estrategias de
enseñanza. Los
chatbots y juegos
serios
incrementan
motivación y
aprendizaje
activo.
Ecuador
(Quito).
6
(Beltrán-
Arcos
et al.,
2025)
Integración de
la Inteligencia
Artificial y el
Aprendizaje
Adaptativo para
Personalizar la
Experiencia
Educativa
Sistemas de
aprendizaje
adaptativo,
chatbots, análisis
predictivo,
realidad
aumentada,
asistentes
virtuales, y
procesamiento
Enfoque mixto
(cuantitativo–
cualitativo);
revisión
bibliográfica y
aplicación de
cuestionarios a
200 estudiantes y
entrevistas a 4
docentes.
Los resultados
muestran un 78 %
de familiaridad
con IA; 62 %
prefiere
plataformas
adaptativas; 31 %
destaca
personalización de
contenidos. Los
docentes
Ecuador
(Universidad de
las Fuerzas
Armadas ESPE y
Escuela
Santiago
Apóstol).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
6
del lenguaje
natural.
reconocen
potencial de IA
para
retroalimentación
inmediata,
detección de
desmotivación y
apoyo inclusivo.
Principales
barreras:
capacitación
docente
insuficiente (28
%), privacidad (26
%), brecha digital
(20 %).
7
(Bermúdez-
García
et al.,
2025)
Estrategias de
Enseñanza
basadas en
Inteligencia
Artificial y su
Impacto en el
Aprendizaje
Personalizado
de los
Estudiantes
Sistemas de
tutoría
inteligente,
plataformas
adaptativas,
asistentes
virtuales,
analítica de
aprendizaje.
Cuantitativo,
diseño pre-
experimental con
grupo único; uso
de encuestas y
observación
directa; análisis
con IBM SPSS y
Excel 2019.
La
implementación
de estrategias
basadas en IA
mejoró el
rendimiento
académico, la
motivación y la
autonomía del
estudiante. Los
sistemas
inteligentes
facilitaron la
personalización
del aprendizaje y
la
retroalimentación
en tiempo real.
Desafíos:
formación
docente,
protección de
datos y
condiciones
tecnológicas.
Ecuador
(Centro de
Investigación
Domisoft).
8
(Suin-
Guerrero
et al.,
2024)
El impacto del
aprendizaje
automático en
la educación
personalizada:
hacia un
aprendizaje
adaptativo y
eficiente
Aprendizaje
automático
(machine
learning),
analítica de
aprendizaje,
sistemas de
recomendación,
evaluaciones
predictivas,
plataformas
Moodle y Open
edX con
integración de
TensorFlow y
Elasticsearch.
Enfoque aplicado
descriptivo con
análisis
documental y
revisión de casos
tecnológicos open
source.
El uso de machine
learning permite
personalizar
contenidos,
detectar patrones
de aprendizaje y
predecir
dificultades.
Mejoró la
retroalimentación
en tiempo real y la
motivación de los
estudiantes.
Principales retos:
privacidad de
datos y formación
docente.
Ecuador
(Unidad
Educativa La
Independencia
y Unidad
Educativa Luis
Vargas Torres).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
7
9
(Álvarez-
Merelo &
Cepeda-
Morante,
2024)
El impacto de la
inteligencia
artificial en la
enseñanza y el
aprendizaje
Sistemas de
tutoría
inteligente,
chatbots
educativos,
realidad
aumentada y
analítica de
aprendizaje.
Enfoque mixto
(cuantitativo-
cualitativo);
encuesta aplicada
a 21 docentes de
la ciudad de
Quevedo –
Ecuador.
El 90,5 % de los
docentes reportó
nivel medio de
conocimiento
sobre IA; el 76,2 %
había usado
herramientas de
IA en clase; los
principales
beneficios
identificados
fueron el fomento
de la colaboración
y la
personalización
del aprendizaje.
Los desafíos
incluyen
dependencia
tecnológica (47,6
%) y privacidad de
datos (23,8 %).
Ecuador
(Quevedo).
10
(Aguilar-
Muñoz
et al.,
2024)
Impacto de la
inteligencia
artificial en la
personalización
de la educación
en línea
Sistemas de
tutoría
inteligente,
algoritmos de
recomendación,
analítica de
aprendizaje y
agentes
conversacionales.
Revisión
bibliográfica
sistemática en
Scopus y Web of
Science.
La IA mejora el
rendimiento
académico, la
motivación, la
autonomía y la
participación. Las
herramientas
inteligentes
permiten
personalizar
contenidos,
detectar patrones
de aprendizaje y
brindar
retroalimentación
adaptativa.
Persisten desafíos
éticos
relacionados con
privacidad,
transparencia y
equidad en el
acceso.
Ecuador
(Instituto
Tecnológico
Superior
Universitario
Oriente,
Orellana).
11
(Villarroel-
Molina
et al.,
2025)
Inteligencia
Artificial en la
Educación:
Avances, Retos
Éticos y
Perspectivas
Pedagógicas
Plataformas
adaptativas,
tutores
inteligentes,
analítica
predictiva, IA
generativa
(ChatGPT,
sistemas de
evaluación
automatizada).
Revisión
bibliográfica
sistemática
estructurada bajo
PRISMA 2020;
enfoque
cualitativo
descriptivo-
explicativo.
Identificó tres
dimensiones
claves: avances
tecnológicos,
retos éticos y
perspectivas
pedagógicas. La IA
favorece la
personalización
del aprendizaje y
la eficiencia
institucional, pero
genera tensiones
sobre privacidad,
Ecuador (UTEQ,
UNESUM,
Ministerio de
Educación,
UNEMI).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
8
sesgo algorítmico
y rol docente.
12
(Ganchozo-
Loor et al.,
2025)
Inteligencia
artificial y
aprendizaje
significativo en
contextos
rurales: una
revisión crítica
de la literatura
Plataformas
adaptativas, IA
generativa
(ChatGPT,
DALL·E),
asistentes
virtuales,
analítica del
aprendizaje y
sistemas de
evaluación
automatizada.
Revisión
documental
cualitativa, diseño
no experimental,
nivel descriptivo-
analítico;
aplicación de
matriz temática y
criterios PRISMA.
La IA favorece el
aprendizaje
significativo
mediante la
personalización,
retroalimentación
inmediata y
desarrollo
cognitivo; sin
embargo,
persisten barreras
estructurales
(brecha digital,
falta de
capacitación
docente,
resistencia
cultural). La
pertinencia
cultural y
contextualización
son claves para el
éxito de su
implementación.
Ecuador (Junín
y Chone,
Manabí).
13
(Başgül &
Coştu,
2025)
The effect of
Education 4.0
tools on 7th
grade students’
learning
outcomes and
attitudes in the
electrical
circuits unit
Herramientas de
Educación 4.0
basadas en
inteligencia
artificial:
simuladores
adaptativos,
analítica del
aprendizaje y
retroalimentación
automatizada.
Enfoque
cuantitativo,
diseño cuasi-
experimental con
pretest y postest.
El uso de
herramientas IA-
basadas mejoró
significativamente
el rendimiento
académico y las
actitudes positivas
hacia la asignatura
de ciencias. Los
estudiantes
mostraron mayor
motivación y
comprensión
conceptual.
Turquía.
14
(Katona &
Gyonyoru,
2025)
AI-based
Adaptive
Programming
Education for
Socially
Disadvantaged
Students:
Bridging the
Digital Divide
Sistemas de
aprendizaje
adaptativo
basados en IA
(ChatGPT, NLP,
Machine
Learning,
analítica
predictiva,
Bayesian
Knowledge
Tracing).
Enfoque mixto
(cuantitativo-
cualitativo); diseño
experimental con
grupo control (n =
122; EG = 61, CG =
61).
Los resultados
muestran mejoras
significativas en
rendimiento y
compromiso de
los estudiantes del
grupo
experimental (p <
0.001). La IA
adaptativa
aumentó la
participación
conductual,
emocional y
Hungría
(Universidad de
Dunaújváros y
Óbuda
University).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
10
9
cognitiva,
reduciendo la
brecha educativa
entre estudiantes
socialmente
desfavorecidos.
15
(Bali et al.,
2024)
Analysis of
Emerging
Trends in
Artificial
Intelligence for
Education in
Nigeria
Machine
Learning, Deep
Learning,
Intelligent
Tutoring Systems,
Learning
Analytics, Data
Mining
algorithms
(Decision Trees,
Naïve Bayes, K-
NN, SVM),
chatbots y
plataformas
Moodle.
Revisión
documental
sistemática (2008-
2022) basada en
bases de datos
Springer Link,
Science Direct,
IEEE y WoS;
criterios PRISMA
para
inclusión/exclusión
(74 papers
analizados).
Identificó el
crecimiento
acelerado de
publicaciones
sobre IA educativa
en Nigeria entre
2017 y 2022;
predomina el uso
de tecnologías de
minería de datos,
LMS (Moodle,
Google
Classroom),
chatbots y
aprendizaje
adaptativo. Se
observan
limitaciones
infraestructurales
y escasa
formación
docente en IA.
Nigeria.
16
(Fonseca-i
Casas,
2025)
Decoupling
Learning from
Time and Space:
Towards the
Implementation
of the
Ubiquitous Class
Using Industry
4.0 Main Levers
Inteligencia
Artificial, Digital
Twin,
Computación en
la nube, Realidad
Aumentada y
Ciberseguridad
como palancas de
Educación 4.0.
Investigación
aplicada de
carácter
cuantitativo-
descriptivo con
estudio de casos
en la Universitat
Politècnica de
Catalunya.
Propone el
concepto de clase
ubícua, capaz de
desvincular el
aprendizaje del
tiempo y espacio
mediante IA,
gemelos digitales
y entornos
virtuales. La
implementación
en modelos
universitarios
demuestra mejora
en flexibilidad,
personalización y
continuidad
educativa.
España
(Universitat
Politècnica de
Catalunya –
BarcelonaTech).
17
(Al-
Bawaleez &
Turkey,
2025)
Artificial
Intelligence in
Gifted
Education
Institutes in
Jordan: Effects,
Roles, Practices,
and
Transformations
Inteligencia
Artificial aplicada
a tutorías
inteligentes,
analítica de
aprendizaje,
realidad virtual
(VR) y realidad
aumentada (AR).
Enfoque
cualitativo;
entrevistas
semiestructuradas
con seis docentes
de escuelas para
estudiantes
talentosos; análisis
temático.
La IA impacta
positivamente la
educación de
alumnos dotados
al facilitar la
personalización, la
retroalimentación
en tiempo real y la
automatización de
tareas. Mejora la
Jordania (King
Abdullah II
Schools for
Gifted
Students, Al-
Balqa Applied
University).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
0
creatividad, el
pensamiento
crítico y la
resolución de
problemas. Se
identifican
desafíos en la
dependencia
tecnológica y la
falta de
capacitación
pedagógica
especializada.
18
(Keyhan,
2025)
Designing a
Model for an AI-
Based
Intelligent
Assistant for
Personalized
Learning in
Higher
Education
Inteligencia
Artificial,
Procesamiento
del Lenguaje
Natural (NLP),
Machine
Learning,
Modelos de
Aprendizaje
Adaptativo,
Sistemas de
Recomendación y
Asistentes
Virtuales.
Cualitativo; teoría
fundamentada
(grounded theory)
con entrevistas
semiestructuradas
a 21 expertos en
ciencias de la
educación y
software.
Desarrolló un
modelo
conceptual de
asistente
inteligente basado
en IA que
personaliza la
enseñanza
mediante análisis
de datos de
aprendizaje y
retroalimentación
automatizada. El
modelo integra
siete dimensiones:
análisis de datos,
aprendizaje
adaptativo,
machine learning,
retroalimentación,
asesoría,
tecnologías
educativas e
infraestructura.
Irán (Islamic
Azad
University,
Teherán).
19
(Zhang,
2025)
Artificial
Intelligence in
Second
Language
Acquisition:
Bridging Gaps in
English
Education
Modelo híbrido
IGSO-FNN
(Intelligent
Galactic Swarm
Optimization +
Feedforward
Neural
Networks), con
algoritmos de
aprendizaje
supervisado,
reconocimiento
de voz y análisis
de texto (NLP).
Experimental
cuantitativo; uso
de datasets de
texto y voz
(Kaggle); análisis
mediante métricas
de desempeño
(Accuracy,
Precision, Recall,
F1-score, MSE).
El modelo IGSO-
FNN logró 97 % de
precisión, 95 % de
exactitud, 93 % de
F1-score y 96 % de
recall, con MSE =
0.04, superando
modelos previos
(LSTM/CaffeNet +
EHGS). Permite
personalización en
tiempo real del
aprendizaje del
idioma inglés.
Tailandia
(International
College Krirk
University,
Bangkok).
20
(Koshiry &
Tony, 2025)
Modern
Learning
Strategies in the
Age of Digital
Transformation:
Future Insights
and Practical
Challenges
Inteligencia
artificial aplicada
a sistemas de
tutoría
inteligente,
analítica de
aprendizaje,
gamificación,
Revisión
sistemática (2015–
2024)
complementada
con entrevistas a
educadores,
responsables de
políticas y
La IA potencia la
personalización, la
retroalimentación
en tiempo real y la
eficiencia
pedagógica, pero
persisten desafíos
de
Arabia Saudita
(King Faisal
University) y
Egipto (Arish
University &
Deraya
University).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
1
realidad virtual,
blockchain y
aprendizaje
adaptativo.
expertos
tecnológicos
(método mixto).
infraestructura,
brecha digital y
ética algorítmica.
Las universidades
desempeñan un
papel central en la
transformación
educativa digital.
En términos metodológicos, se observa una combinación equilibrada entre
enfoques cuantitativos, cualitativos y mixtos, destacando el uso de diseños
preexperimentales (Başgül & Coştu, 2025; Bermúdez-García et al., 2025),
revisiones sistemáticas con base PRISMA (Koshiry & Tony, 2025; Villarroel-Molina
et al., 2025) y estudios aplicados con recolección de datos empíricos (Beltrán-Arcos
et al., 2025; Katona & Gyonyoru, 2025). Este pluralismo metodológico ha permitido
obtener tanto evidencia numérica sobre la mejora del rendimiento académico como
aproximaciones cualitativas centradas en la percepción docente y la innovación
educativa. Las investigaciones latinoamericanas, en particular, consolidan un
enfoque humanista y contextual, priorizando la equidad, la inclusión digital y la
formación docente como condiciones necesarias para la efectividad de la IA
educativa.
Respecto a los tipos de herramientas de inteligencia artificial, los estudios
analizados clasifican cuatro grandes grupos: (a) sistemas de aprendizaje adaptativo
y plataformas con analítica predictiva (Aparicio-Gómez & Aparicio-Gómez, 2024;
García-Macías et al., 2025), (b) chatbots y tutores inteligentes aplicados a la
retroalimentación y acompañamiento personalizado (Álvarez-Merelo & Cepeda-
Morante, 2024; Parrales-Cedeño et al., 2025), (c) modelos de machine learning y
deep learning orientados a la predicción del desempeño (Suin-Guerrero et al., 2024;
Zhang, 2025), y (d) IA generativa y realidad aumentada vinculadas a entornos
inmersivos de aprendizaje (Al-Bawaleez & Turkey, 2025; Ganchozo-Loor et al.,
2025). Estas tecnologías, pese a su diversidad, coinciden en su capacidad para
adaptar contenidos, tiempos y trayectorias educativas según el perfil de cada
estudiante, confirmando la transición desde modelos homogéneos hacia un
aprendizaje verdaderamente personalizado.
Los principales hallazgos de la revisión señalan mejoras significativas en el
rendimiento académico, la motivación y la autonomía del estudiante al implementar
herramientas basadas en IA. En los contextos escolares, la IA ha permitido optimizar
la retroalimentación en tiempo real, mientras que en la educación superior se asocia
con la eficiencia institucional y la gestión inteligente del conocimiento. No obstante,
se identifican retos persistentes: la falta de infraestructura tecnológica, la brecha
digital, la escasa capacitación docente y los dilemas éticos vinculados a la
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
2
privacidad de datos y los sesgos algorítmicos (Nivela-Cornejo et al., 2024; Villarroel-
Molina et al., 2025). Estos desafíos condicionan la sostenibilidad y equidad de las
innovaciones, especialmente en entornos rurales y de recursos limitados.
En síntesis, la evidencia revisada demuestra que la inteligencia artificial no solo
mejora la eficiencia del proceso educativo, sino que redefine la relación entre el
docente y el estudiante, fortaleciendo un paradigma de educación personalizada,
inclusiva y digitalmente mediada. Las experiencias empíricas, teóricas y aplicadas
coinciden en que la IA constituye una oportunidad para transformar la práctica
educativa, siempre que su implementación se acompañe de políticas de formación
docente, regulación ética y estrategias institucionales que garanticen su pertinencia
pedagógica y social.
3.3. Tendencias y aportes de la inteligencia artificial en la personalización del
aprendizaje escolar
Las tendencias emergentes derivadas del análisis documental evidencian una
consolidación de la inteligencia artificial como eje transformador del aprendizaje
personalizado. En la mayoría de los estudios revisados, se observó un
desplazamiento del modelo instructivo tradicional hacia un enfoque adaptativo
sustentado en algoritmos de machine learning, sistemas de tutoría inteligente y
analítica de datos educativos. Estas tecnologías permiten ajustar los contenidos,
ritmos y estrategias pedagógicas al perfil cognitivo de cada estudiante, favoreciendo
la equidad y la participación activa. Autores como Beltrán Arcos et al. (2024) y
Katona y Katonane Gyonyoru (2025) demuestran que los entornos de aprendizaje
adaptativo potencian la motivación, el compromiso conductual y el rendimiento
académico, especialmente en poblaciones con brechas tecnológicas o sociales.
Paralelamente, el uso de chatbots y asistentes virtuales (Álvarez-Merelo & Cepeda-
Morante, 2024; Parrales-Cedeño et al., 2025) ha fortalecido la comunicación
bidireccional y la retroalimentación inmediata, configurando experiencias de
aprendizaje más autónomas e inclusivas.
Por otro lado, los aportes identificados trascienden la dimensión tecnológica,
consolidando un marco pedagógico orientado hacia la educación 4.0, donde la IA
se articula con metodologías activas, evaluación formativa y aprendizaje
significativo. Las investigaciones de Nivela-Cornejo et al. (2024), Fonseca-i Casas
(2025) y Zhang (2025) destacan que la personalización mediada por IA favorece el
pensamiento crítico, la creatividad y la flexibilidad cognitiva, elementos esenciales
para la formación de competencias del siglo XXI. Asimismo, los hallazgos de
Villarroel-Molina et al. (2025) y El Koshiry & Tony (2025) confirman que la
implementación responsable de la IA impulsa la innovación curricular y la gestión
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
3
ética de los datos educativos. En conjunto, estas tendencias proyectan un escenario
en el que la inteligencia artificial no solo actúa como herramienta de apoyo, sino
como un agente cognitivo y pedagógico clave en la construcción de entornos
educativos inteligentes, personalizados y centrados en el desarrollo integral del
estudiante.
3.4. Desafíos, limitaciones y perspectivas futuras
A pesar de los avances registrados, la revisión documental revela una serie de
desafíos estructurales, pedagógicos y éticos que condicionan la plena adopción de
la inteligencia artificial en la personalización del aprendizaje escolar. Entre los
principales obstáculos se identifican la brecha digital, la insuficiente capacitación
docente y las limitaciones infraestructurales presentes en muchos contextos
educativos, especialmente de América Latina y África (Beltrán-Arcos et al., 2024;
Bulus-Bali et al., 2024). Asimismo, los estudios advierten sobre la dependencia
tecnológica, la resistencia al cambio y la falta de políticas institucionales claras para
la integración ética de la IA en los procesos de enseñanza (Nivela-Cornejo et al.,
2024; Al-Bawaleez & Turkey, 2025). Las preocupaciones relacionadas con la
privacidad de datos, los sesgos algorítmicos y el uso indebido de herramientas
generativas como ChatGPT y DALL·E (Ganchozo-Loor et al., 2025; Villarroel-Molina
et al., 2025) subrayan la necesidad urgente de marcos regulatorios y normativas
que garanticen un uso responsable, transparente y equitativo de la tecnología
educativa.
En cuanto a las perspectivas futuras, los resultados de la revisión apuntan hacia la
consolidación de modelos híbridos e inteligentes de enseñanza en los que la IA
actúe como mediadora entre la pedagogía y la analítica de datos. Se proyecta una
evolución hacia ecosistemas educativos interconectados, sustentados en el análisis
predictivo, la realidad aumentada y los entornos inmersivos, capaces de generar
experiencias de aprendizaje más dinámicas y personalizadas (Fonseca-i Casas,
2025; Zhang, 2025). Para alcanzar este horizonte, será esencial fortalecer la
formación docente en competencias digitales y éticas, promover investigaciones
interdisciplinarias y consolidar alianzas entre instituciones educativas, tecnológicas
y gubernamentales. En este sentido, la IA no debe concebirse únicamente como
una herramienta técnica, sino como un agente transformador del aprendizaje y la
inclusión educativa, cuya implementación debe estar guiada por principios
humanistas, equitativos y sostenibles.
4. Discusión
Los resultados obtenidos en la revisión documental evidencian que la inteligencia
artificial se consolida como un catalizador fundamental en la personalización del
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
4
aprendizaje, al permitir la adaptación de contenidos, ritmos y trayectorias según las
características individuales del estudiante. Esta conclusión coincide con las
observaciones de Aparicio-Gómez y Aparicio-Gómez (2024), quienes plantean que
los sistemas de aprendizaje adaptativo representan una nueva frontera en la
innovación pedagógica, y con los hallazgos de García-Macías et al. (2025), que
demuestran el impacto positivo del aprendizaje personalizado en la motivación y el
rendimiento académico. A diferencia de enfoques tradicionales centrados en la
enseñanza estandarizada, la IA promueve una educación dinámica y flexible
sustentada en datos, retroalimentación inmediata y aprendizaje significativo (Nivela
Cornejo et al., 2024; Parrales-Cedeño et al., 2025). Estos resultados confirman la
hipótesis de que la incorporación de tecnologías inteligentes transforma la relación
docente-estudiante, otorgando mayor protagonismo al aprendizaje autónomo y a la
toma de decisiones pedagógicas informadas por la analítica educativa.
Sin embargo, la evidencia también revela limitaciones estructurales y éticas que
condicionan la eficacia de los modelos de personalización. Estudios como los de
Beltrán Arcos et al. (2024) y Bermúdez-García et al. (2025) señalan que la falta de
infraestructura tecnológica, la capacitación insuficiente y la resistencia docente
constituyen barreras persistentes, especialmente en contextos educativos de
América Latina. Del mismo modo, Villarroel-Molina et al. (2025) y Ganchozo-Loor et
al. (2025) advierten que la ausencia de políticas claras sobre privacidad y uso de
datos estudiantiles genera tensiones éticas que podrían obstaculizar la
sostenibilidad del proceso. Aunque la IA se muestra eficaz para mejorar el
aprendizaje y la inclusión —como demuestran los experimentos de Başgül y Coştu
(2025) y Katona y Katonane Gyonyoru (2025)— su implementación aún depende
de factores humanos, institucionales y culturales que trascienden lo meramente
tecnológico. En consecuencia, la personalización del aprendizaje mediada por IA no
puede ser comprendida como una solución inmediata, sino como un proceso
gradual de transformación pedagógica y organizativa.
Desde una perspectiva prospectiva, los resultados de la revisión sugieren la
necesidad de fortalecer la investigación interdisciplinaria y el desarrollo de marcos
éticos y normativos para garantizar una integración responsable de la IA en la
educación. Autores como Fonseca (2025) y El Koshiry y Tony (2025) coinciden en
que las tendencias futuras se orientan hacia aulas ubicuas y ecosistemas de
aprendizaje híbridos, sustentados en gemelos digitales, realidad aumentada y
analítica predictiva. Estas innovaciones redefinen el papel del docente, que pasa de
ser transmisor de conocimiento a facilitador y mediador del aprendizaje adaptativo.
A la luz de estos hallazgos, se reafirma que la inteligencia artificial posee un
potencial transformador indiscutible; sin embargo, su impacto real dependerá de la
coherencia entre tecnología, pedagogía y ética, así como de la capacidad de los
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
5
sistemas educativos para adoptar un enfoque centrado en el ser humano, inclusivo
y sostenible.
5. Conclusiones
El estudio demuestra que la inteligencia artificial representa un punto de inflexión en
la evolución del aprendizaje escolar, al consolidarse como una herramienta
estratégica para la personalización educativa. La evidencia analizada confirma que
los sistemas adaptativos, los tutores inteligentes y las plataformas de analítica de
aprendizaje permiten ajustar los procesos de enseñanza a las necesidades, ritmos
y estilos de cada estudiante. Este cambio supone una transición paradigmática
desde los modelos homogéneos de instrucción hacia una educación centrada en el
sujeto, donde la tecnología actúa como mediadora del desarrollo cognitivo,
emocional y social. La inteligencia artificial no sustituye la labor docente, sino que la
transforma en una práctica reflexiva, basada en el análisis de datos y la toma de
decisiones pedagógicas informadas, fortaleciendo la equidad y la autonomía del
aprendizaje.
Los resultados alcanzados evidencian que los impactos más significativos de la IA
se observan en la mejora del rendimiento académico, la motivación y la
autorregulación del estudiante. Las herramientas inteligentes permiten detectar
tempranamente dificultades de aprendizaje, generar retroalimentación inmediata y
ofrecer rutas personalizadas de progreso, optimizando tanto el tiempo como la
eficiencia del proceso educativo. En contextos de educación básica, la IA contribuye
a desarrollar competencias STEM, pensamiento crítico y resolución de problemas,
mientras que en la educación superior facilita la innovación curricular, la
virtualización de entornos y la gestión del conocimiento. Estos avances consolidan
un marco pedagógico coherente con los principios de la Educación 4.0, en el que la
tecnología no solo apoya la instrucción, sino que la redefine bajo criterios de
flexibilidad, adaptabilidad y sostenibilidad.
Sin embargo, el estudio también permite reconocer limitaciones estructurales y
éticas que condicionan el impacto de la inteligencia artificial en la educación. Las
desigualdades tecnológicas entre países, instituciones y territorios rurales
evidencian que la personalización aún no alcanza su potencial universal. La falta de
infraestructura, conectividad y formación docente, junto con la ausencia de políticas
educativas integrales, sigue siendo una barrera crítica para su implementación
efectiva. Además, la expansión de sistemas de análisis predictivo y algoritmos de
recomendación plantea dilemas sobre la privacidad, la transparencia y el uso
responsable de los datos estudiantiles. Estos desafíos exigen la creación de marcos
regulatorios claros, prácticas de auditoría ética y modelos de gobernanza educativa
que garanticen la confianza y el bienestar digital de las comunidades escolares.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
6
En términos de aporte científico, esta revisión contribuye a ampliar el conocimiento
sobre la relación entre inteligencia artificial y personalización del aprendizaje
escolar, integrando resultados de diversas regiones y metodologías. Su valor radica
en la sistematización de experiencias empíricas y teóricas que evidencian la
convergencia de la IA con la neuroeducación, la analítica del aprendizaje y la
pedagogía inclusiva. A partir de este análisis, se propone considerar a la inteligencia
artificial no como un fin en sí misma, sino como un medio para fortalecer la equidad,
la creatividad y la participación activa del estudiante en su propio proceso formativo.
Esta perspectiva humanista y crítica amplía las posibilidades de la IA, al orientarla
hacia el desarrollo de aprendizajes significativos y contextualizados.
Se concluye como apartado final que la implementación sostenible de la inteligencia
artificial en el ámbito educativo requiere de una visión integral y colaborativa que
articule a docentes, instituciones, gobiernos y comunidades. La formación continua
en competencias digitales, la ética algorítmica y la gestión de datos educativos
deben asumirse como prioridades estratégicas. Asimismo, es indispensable
impulsar la investigación interdisciplinaria que explore nuevos modelos de
enseñanza híbrida, aulas ubicuas y entornos inteligentes capaces de responder a
la diversidad del alumnado.
CONFLICTO DE INTERESES
Indicar si existen intereses particulares por parte de los autores o de la entidad
científica que pudiesen afectar directa o indirectamente a los resultados. Caso
contrario de no existir conflictos ubicar “Los autores declaran no tener ningún
conflicto de intereses”.
Referencias Bibliográficas
Aguilar-Muñoz, J. A., Gaibor-Bifarini, J. M., Vizcaino-Pusda, V. D., & Muyolema-
Guayanlema, V. A. (2024). Impacto de la inteligencia artificial en la
personalización de la educación en línea. Space Scientific Journal of
Multidisciplinary, 2(3), 28–41. https://doi.org/10.63618/omd/ssjm/v2/n3/33
Al-Bawaleez, M., & Turkey, J. A. R. (2025). Artificial Intelligence in Gifted Education
Institutes in Jordan: Effects, Roles, Practices, and Transformations.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
7
Educational Process: International Journal, 16.
https://doi.org/10.22521/edupij.2025.16.234
Álvarez-Merelo, J. C., & Cepeda-Morante, L. J. (2024). El impacto de la
inteligencia artificial en la enseñanza y el aprendizaje: The impact of
artificial intelligence on teaching and Learning. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, 5(3), 599–610.
https://doi.org/10.56712/latam.v5i3.2061
Aparicio-Gómez, O.-Y., & Aparicio-Gómez, W.-O. (2024). Innovación educativa con
sistemas de aprendizaje adaptativo impulsados por Inteligencia Artificial.
Revista Internacional de Pedagogía e Innovación Educativa, 4(2), 343–363.
https://doi.org/10.51660/ripie42222
Bali, B., Garba, E. J., Ahmadu, A. S., Takwate, K. T., & Malgwi, Y. M. (2024).
Analysis of emerging trends in artificial intelligence for education in Nigeria.
Discover Artificial Intelligence, 4(1), 110. https://doi.org/10.1007/s44163-
024-00163-y
Başgül, M., & Coştu, B. (2025). The effect of Education 4.0 tools on 7th grade
students’ learning outcomes and attitudes in the electrical circuits unit.
Education and Information Technologies, 30(11), 15645–15689.
https://doi.org/10.1007/s10639-025-13404-z
Beltrán-Arcos, M. T., Arcos-Ribadeneira, A. M., Viscarra-Arellano, W. D., Barahona-
Quimis, G. G., & Sánchez-Núñez, A. V. (2025). Integración de la Inteligencia
Artificial y el Aprendizaje Adaptativo para Personalizar la Experiencia
Educativa. Revista Científica de Salud y Desarrollo Humano, 6(1), 1882–
1914. https://doi.org/10.61368/r.s.d.h.v6i1.567
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
8
Bermúdez-García, G. B., Coronel-Coronel, R. A., Alvarado-Vega, M. L., Espin-
Urrea, J. R., & Gómez-Amaiquema, S. de L. (2025). Estrategias de
Enseñanza basadas en Inteligencia Artificial y su Impacto en el Aprendizaje
Personalizado de los Estudiantes. Ciencia Latina Revista Científica
Multidisciplinar, 9(2), 6822–6836.
https://doi.org/10.37811/cl_rcm.v9i2.17409
Cisneros-Vásquez, E. D., Nevárez-Loza, R. F., Farez_Cherrez, A. M., & Torres-
Montes, R. E. (2024). Uso de la inteligencia artificial en la personalización
del aprendizaje. Conocimiento global, 9(1), 75–83.
https://doi.org/10.70165/cglobal.v9i1.339
Febrianti, C., Tari, K. J., Ariska, Y., & Lestari, R. (2025). The Use of Artificial
Intelligence in Personalizing Learning Experiences at Schools. PPSDP
International Journal of Education, 4(1), 1–16.
https://doi.org/10.59175/pijed.v4i1.372
Fonseca-i Casas, P. (2025). Decoupling Learning from Time and Space. Towards
the Implementation of the Ubiquitous Class Using Industry 4.0 Main Levers.
Technology, Knowledge and Learning. https://doi.org/10.1007/s10758-025-
09845-7
Ganchozo-Loor, M. V., Párraga-Gallardo, J. L., Alcívar-Cedeño, D. S., & Vera-Vera,
V. J. (2025). Inteligencia artificial y aprendizaje significativo en contextos
rurales: Una revisión crítica de la literatura. Innova Science Journal, 3(2),
77–95. https://doi.org/10.63618/omd/isj/v3/n2/56
García-Macías, V. M., Moreira-Pérez, R. W., Ponce-Martínez, R. I., & Loor-Domo,
M. (2025). Aprendizaje adaptativo a través de la Inteligencia Artificial en la
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
11
9
Educación Superior. Revista Científica de Innovación Educativa y Sociedad
Actual “ALCON”, 5(4), 480–489. https://doi.org/10.62305/alcon.v5i4.775
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
Ibarvo-Arias, D. A., Ibarbo-Arias, B. I., Martínez-Lastra, M. A., Alban-Camino, L. X.,
& Moyon-Sani, V. E. (2025). Inteligencia Artificial y Personalización del
Aprendizaje en Estudios Sociales: Desafíos y Oportunidades. ASCE
MAGAZINE, 4(3), 2231–2251.
https://doi.org/10.70577/ASCE/2231.2251/2025
Katona, J., & Gyonyoru, K. I. K. (2025). AI-based Adaptive Programming Education
for Socially Disadvantaged Students: Bridging the Digital Divide.
TechTrends. https://doi.org/10.1007/s11528-025-01088-8
Keyhan, J. (2025). Designing a Model for an AI-Based Intelligent Assistant for
Personalized Learning in Higher Education. International Journal of
Technology in Education and Science, 9(2), 255–269.
https://doi.org/10.46328/ijtes.616
Koshiry, A. E., & Tony, M. A. A. (2025). Modern Learning Strategies in the Age of
Digital Transformation: Future Insights and Practical Challenges.
Educational Process: International Journal, 17.
https://doi.org/10.22521/edupij.2025.17.313
Maldonado-Chacón, M. C., Morales-Sigcha, P. R., Oña-Guachamín, M. R.,
Alanuca-Aimacaña, M. J., Chuquimarca-Llulluna, M. L., & Guamán-Chile, Á.
J. (2024). La personalización del aprendizaje en la educación inclusiva.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
12
0
Revista Científica Retos de la Ciencia, 8(18), 190–203.
https://doi.org/10.53877/rc.8.18.20240701.16
Nivela-Cornejo, M. A., González-Suárez, G. E., & Pérez-Barrera, H. M. (2024).
Transformando la Educación: El Rol de la Inteligencia Artificial en la
Personalización del Aprendizaje. Código Científico Revista de Investigación,
5(2), 1314–1338. https://doi.org/10.55813/gaea/ccri/v5/n2/629
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow,
C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R.,
Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E.
W., Mayo-Wilson, E., McDonald, S., … Alonso-Fernández, S. (2021).
Declaración PRISMA 2020: Una guía actualizada para la publicación de
revisiones sistemáticas. Revista Española de Cardiología, 74(9), 790–799.
https://doi.org/10.1016/j.recesp.2021.06.016
Parrales-Cedeño, K. J., Cevallos-Ponce, G. K., Manobanda-Parrales, M. M., &
Guaranda-Mero, B. G. (2025). El impacto de la Inteligencia Artificial en el
aprendizaje y sus implicaciones para la innovación educativa.
RECIMUNDO, 9(2), 892–901.
https://doi.org/10.26820/recimundo/9.(2).abril.2025.892-901
Serrano, J. L., & Moreno-García, J. (2024). Inteligencia artificial y personalización
del aprendizaje: ¿innovación educativa o promesas recicladas? Edutec,
Revista Electrónica de Tecnología Educativa, 89, 1–17.
https://doi.org/10.21556/edutec.2024.89.3577
Suin-Guerrero, A. R., Guerrero-Lucio, N. I., Merchán-Suin, R. R., & Quijije-Moran,
W. V. (2024). El impacto del aprendizaje automático en la educación
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
12
1
personalizada: Hacia un aprendizaje adaptativo y eficiente. Revista
Científica de Innovación Educativa y Sociedad Actual “ALCON”, 4(5), 83–
92. https://doi.org/10.62305/alcon.v4i5.283
U.S. Department of Education. (2023). Artificial Intelligence and the Future of
Teaching and Learning. Office of Educational Technology.
https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
Vera-Arias, M. J., Nevárez-Loza, R., Beltrán-Ayala, L. A., Vera-Vera, J. E., &
Mendoza-Vega, A. J. (2023). Revisión Teórica de los Aspectos
Fundamentales que Influyen en el Aprendizaje. Ciencia Latina Revista
Científica Multidisciplinar, 7(5), 10726–10741.
https://doi.org/10.37811/cl_rcm.v7i5.8725
Villarroel-Molina, R. R., Zapata-Velasco, M. L., Villarroel-Molina, L. M., Molina-
Endara, C. M., & Peralta-Arana, M. J. (2025). Inteligencia Artificial en la
Educación: Avances, Retos Éticos y Perspectivas Pedagógicas. Innova
Science Journal, 3(3), 400–421. https://doi.org/10.63618/omd/isj/v3/n3/90
Vorobyeva, K. I., Belous, S., Savchenko, N. V., Smirnova, L. M., Nikitina, S. A., &
Zhdanov, S. P. (2025). Personalized learning through AI: Pedagogical
approaches and critical insights. Contemporary Educational Technology,
17(2), ep574. https://doi.org/10.30935/cedtech/16108
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial
intelligence in education: A systematic literature review. Expert Systems with
Applications, 252, 124167. https://doi.org/10.1016/j.eswa.2024.124167
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.03 | Núm.04 | Oct – Dic | 2025
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
12
2
Zhang, Y. (2025). Artificial Intelligence in Second Language Acquisition: Bridging
Gaps in English Education. Novitas-ROYAL (Research on Youth and
Language), 19(1), 215–228. https://doi.org/10.528/zenodo.15228327
