Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
Estrategias pedagógicas mediadas por IA para la personalización
del aprendizaje en educación básica
AI-mediated pedagogical strategies for personalizing learning in basic
education
Estratégias pedagógicas mediadas por IA para a personalização da
aprendizagem no ensino básico
Castillo Tigasi, María José
Investigador Independiente
majitocastillo1@hotmail.com
https://orcid.org/0009-0002-0773-8262
Chango Pila, Jessica Elizabeth
Investigador Independiente
jessicachangopila@gmail.com
https://orcid.org/0009-0003-4492-5208
Tipanluisa Cando, Miryam Esthela
Investigador Independiente
esthetipan@gmail.com
https://orcid.org/0009-0007-2790-5714
Mendaño Yanchapanta, María Manuela
Investigador Independiente
maria.mendano@educacion.gob.ec
https://orcid.org/0009-0003-3633-9647
González Quezada, Katherine Vanessa
Investigador Independiente
katherinev.gonzalez@gmail.com
https://orcid.org/0009-0008-8351-7529
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/n2/1252
Como citar:
Castillo Tigasi, M. J., Chango Pila, J. E., Tipanluisa Cando, M. E., Mendaño Yanchapanta,
M. M., & González Quezada, K. V. (2025). Estrategias pedagógicas mediadas por IA para la
personalización del aprendizaje en educación básica. Código Científico Revista De
Investigación, 6(2), 1472–1489.
Recibido: 28/11/2025 Aceptado: 18/12/2025 Publicado: 31/12/2025
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1473
Resumen
La incorporación acelerada de la inteligencia artificial en la educación básica reaviva la
dificultad de atender ritmos y necesidades heterogéneas con tiempo docente limitado; este
estudio examina estrategias pedagógicas mediadas por esta tecnología para personalizar
contenidos, andamiaje y evaluación. Se realizó una revisión exploratoria de alcance de
literatura indexada entre 2011 y febrero de 2026, mediante búsquedas en bases de datos,
criterios de elegibilidad explícitos, cribado por doble revisión y síntesis narrativa. Los
hallazgos evidencian mejoras consistentes en aprendizaje y participación frente a enfoques no
adaptativos cuando la personalización se sustenta en diagnóstico fino, secuenciación adaptativa
y retroalimentación oportuna, alineadas con el currículo y la evaluación formativa. También se
identifican riesgos de sesgo y tensiones de privacidad que requieren gobernanza de datos,
auditorías de equidad y diseño centrado en docentes y estudiantes. Se concluye que estas
estrategias son más efectivas y sostenibles cuando amplifican la mediación docente mediante
analíticas accionables, desarrollo profesional y despliegues graduales de bajo riesgo.
Palabras clave: inteligencia artificial educativa; aprendizaje personalizado; analítica del
aprendizaje; tutoría inteligente; equidad educativa.
Abstract
The accelerated incorporation of artificial intelligence into basic education revives the
difficulty of addressing heterogeneous rhythms and needs with limited teaching time; this study
examines pedagogical strategies mediated by this technology to personalize content,
scaffolding, and assessment. An exploratory review of indexed literature between 2011 and
February 2026 was conducted using database searches, explicit eligibility criteria, double-blind
screening, and narrative synthesis. The findings show consistent improvements in learning and
participation compared to non-adaptive approaches when personalization is based on fine-
grained diagnosis, adaptive sequencing, and timely feedback, aligned with the curriculum and
formative assessment. Risks of bias and privacy tensions are also identified, requiring data
governance, equity audits, and teacher- and student-centered design. It is concluded that these
strategies are most effective and sustainable when they amplify teacher mediation through
actionable analytics, professional development, and gradual, low-risk deployments.
Keywords: educational artificial intelligence; personalized learning; learning analytics;
intelligent tutoring; educational equity.
Resumo
A incorporação acelerada da inteligência artificial na educação básica reaviva a dificuldade de
atender a ritmos e necessidades heterogéneas com tempo docente limitado; este estudo examina
estratégias pedagógicas mediadas por essa tecnologia para personalizar conteúdos, andaimes e
avaliações. Foi realizada uma revisão exploratória da literatura indexada entre 2011 e fevereiro
de 2026, por meio de pesquisas em bases de dados, critérios de elegibilidade explícitos, triagem
por dupla revisão e síntese narrativa. Os resultados evidenciam melhorias consistentes na
aprendizagem e participação em comparação com abordagens não adaptativas quando a
personalização se baseia em diagnósticos precisos, sequenciamento adaptativo e feedback
oportuno, alinhados com o currículo e a avaliação formativa. Também são identificados riscos
de viés e tensões de privacidade que exigem governança de dados, auditorias de equidade e
design centrado em professores e alunos. Conclui-se que estas estratégias são mais eficazes e
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1474
sustentáveis quando amplificam a mediação docente por meio de análises acionáveis,
desenvolvimento profissional e implementações graduais de baixo risco.
Palavras-chave: inteligência artificial educacional; aprendizagem personalizada; análise da
aprendizagem; tutoria inteligente; equidade educacional.
Introducción
La acelerada incorporación de la inteligencia artificial (IA) en educación básica reaviva
un problema persistente: la dificultad de atender la heterogeneidad de ritmos, trayectorias y
necesidades en aulas numerosas con tiempo docente limitado. La personalización del
aprendizaje —ajustar contenido, andamiaje y evaluación al perfil de cada estudiante— ha
mostrado ser una vía potente, pero su implementación sostenida ha estado restringida por
recursos y por la complejidad de tomar decisiones didácticas finamente calibradas en tiempo
real. La literatura reciente sugiere que las estrategias pedagógicas mediadas por IA, como los
tutores inteligentes, las plataformas adaptativas y la analítica del aprendizaje, pueden ofrecer
apoyos equivalentes a la tutoría individual a escala, con mejoras de logro frente a la instrucción
tradicional y a otras tecnologías no adaptativas (Ma et al., 2014; VanLehn, 2011; Fletcher &
Kulik, 2016).
Ahora bien, el problema no es únicamente tecnológico. En educación básica, la
“personalización” enfrenta factores y afectaciones que trascienden el rendimiento académico:
desigualdades de acceso, riesgos de sesgos algorítmicos que reproduzcan brechas, opacidad de
modelos, y tensiones con la privacidad y el control docente. La evidencia revisada en educación
con IA documenta manifestaciones de sesgo en sistemas de recomendación, predicción de
riesgo y calificación automatizada, con implicaciones de justicia para grupos históricamente
subatendidos (Baker & Hawn, 2021). A ello se suma que muchos despliegues priorizan la
automatización sin involucrar a docentes y estudiantes en el diseño, lo que merma confianza y
alineación pedagógica (Alfredo et al., 2024). La analítica del aprendizaje, piedra angular de la
personalización, exige salvaguardas para el tratamiento de datos estudiantiles y la reducción de
errores y sesgos, so pena de generar diagnósticos inexactos o usos no transparentes (Khor &
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1475
Mutthulakshmi, 2024). En este contexto, la necesidad no es “usar IA”, sino delimitar
condiciones didácticas, éticas y organizacionales que permitan estrategias pedagógicas
mediadas por IA centradas en el bienestar y la equidad del estudiantado de educación básica.
La justificación y viabilidad de una revisión bibliográfica focalizada en “estrategias
pedagógicas mediadas por IA para la personalización” descansa en tres pilares. Primero, existe
masa crítica de pruebas de eficacia: meta-análisis y revisiones muestran efectos positivos de
los sistemas de tutoría inteligente frente a clases tradicionales y a software no adaptativo; en
promedio, los tamaños de efecto oscilan entre g≈0.41 en términos globales y ventajas
específicas frente a instrucción grupal y materiales estáticos (Ma et al., 2014; Fletcher & Kulik,
2016; VanLehn, 2011). Asimismo, estudios experimentales en etapas tempranas de escolaridad
reportan ganancias de aprendizaje con recursos adaptativos orientados a matemáticas, lo que
sugiere aplicabilidad directa a educación básica (Bang et al., 2023). Segundo, la viabilidad
tecnológica ha madurado: las plataformas adaptativas basadas en IA ajustan rutas, nivel de
dificultad y retroalimentación mediante modelos de estudiante y técnicas de recomendación;
revisiones recientes sintetizan sus fundamentos y retos de despliegue en contextos reales (Tan,
Hu, Yeo, & Cheong, 2025; Wang et al., 2024). Tercero, se reconoce la centralidad del
profesorado: integrar IA con sentido pedagógico exige desarrollo profesional, nuevas prácticas
de evaluación formativa y gobernanza de datos; la literatura sistematiza necesidades docentes
y brechas de formación para una adopción responsable (Tan, Cheng, & Ling, 2025) y propone
marcos de diseño centrados en las personas para equilibrar control humano y automatización
(Alfredo et al., 2024).
Con base en lo anterior, esta revisión se propone un objetivo claro: examinar
críticamente la evidencia reciente y de alta calidad indexada (Scopus/WoS) sobre estrategias
pedagógicas mediadas por IA que habilitan la personalización del aprendizaje en educación
básica, articulando (a) qué enfoques muestran mayor efectividad (p. ej., tutores inteligentes,
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1476
plataformas adaptativas, analítica del aprendizaje en aula), (b) bajo qué condiciones didácticas
y de implementación resultan viables y éticamente responsables (gobernanza de datos,
mitigación de sesgos, rol docente), y (c) qué lagunas persisten para orientar futuras
investigaciones y políticas de escala. El propósito último es ofrecer lineamientos accionables
—anclados en pruebas y en principios de diseño centrado en estudiantes y docentes— para que
escuelas de educación básica incorporen IA no como fin, sino como medio para avanzar en
trayectorias personalizadas, oportunas y equitativas. (Khor & Mutthulakshmi, 2024; Baker &
Hawn, 2021).
Metodología
Se llevó a cabo una revisión exploratoria de la literatura con enfoque de alcance,
orientada a mapear y sintetizar la evidencia disponible sobre estrategias pedagógicas mediadas
por IA que posibilitan la personalización del aprendizaje en educación básica. El proceso
metodológico se diseñó para maximizar transparencia, reproducibilidad y cobertura temática,
combinando procedimientos sistematizados de búsqueda, cribado, evaluación de calidad y
síntesis narrativa. La pregunta guía se definió así: “¿Qué enfoques, condiciones de
implementación y resultados reporta la literatura indexada sobre estrategias pedagógicas
mediadas por IA para personalizar el aprendizaje en educación básica?” A partir de esta
pregunta se operacionalizaron términos clave y criterios de elegibilidad, y se elaboró un
protocolo previo que especificó fuentes de información, operadores de búsqueda,
procedimientos de doble revisión, variables de extracción y plan de análisis. El periodo de
interés se acotó entre enero de 2011 y febrero de 2026 para capturar el desarrollo
contemporáneo de la IA educativa; se incluyeron publicaciones en español e inglés con texto
completo accesible.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1477
La búsqueda bibliográfica se ejecutó principalmente en bases de datos indexadas y de
alta cobertura disciplinar: Scopus y Web of Science para el rastreo transversal, y ERIC, IEEE
Xplore y ACM Digital Library para recuperar estudios pedagógicos y tecnológicos relevantes.
Como estrategia de sensibilidad y especificidad, se combinaron términos controlados y
palabras clave libres, con uso de operadores booleanos, truncamientos y proximidad. Ejemplos
de cadenas maestras (ajustadas a cada base) fueron: (“intelligent tutoring system*” OR
“adaptive learning” OR “learning analytic*” OR “educational recommender*” OR “AI in
education”) AND (“personalized learning” OR personalisation OR “differentiated instruction”)
AND (“primary education” OR “elementary school” OR “K-12”); y su contraparte en español:
(“tutoría inteligente” OR “aprendizaje adaptativo” OR “analítica del aprendizaje” OR
“recomendadores educativos” OR “IA en educación”) AND (“aprendizaje personalizado” OR
“personalización” OR “diferenciación pedagógica”) AND (“educación básica” OR “educación
primaria” OR “escuela básica”). Para ampliar la cobertura se aplicó “snowballing” hacia atrás
y hacia adelante (revisión de referencias citadas y de citas recibidas) y se realizaron búsquedas
complementarias por autor y por revista en títulos especializados del campo. Los registros se
gestionaron en un gestor bibliográfico para depurar duplicados antes del cribado.
Los criterios de inclusión contemplaron estudios empíricos (cuasi-experimentales,
experimentales, de implementación o de métodos mixtos), revisiones sistemáticas o de alcance,
y marcos de diseño con validación en aula que: (a) abordaran explícitamente la personalización
del aprendizaje mediada por IA; (b) se desarrollaran en contextos de educación básica (primaria
o niveles K-6/K-8, incluyendo programas extracurriculares escolarizados); y (c) reportaran
resultados de aprendizaje, participación, equidad, carga docente o condiciones de
implementación. Se excluyeron artículos de opinión, notas técnicas sin evaluación en contextos
escolares, tesis no indexadas, estudios centrados exclusivamente en educación superior sin
extrapolación a básica, intervenciones no mediadas por IA (p. ej., plataformas estáticas), y
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1478
publicaciones sin acceso a texto completo o sin información metodológica suficiente. Dos
revisores entrenados aplicaron de manera independiente los criterios de elegibilidad en dos
fases (título/resumen y texto completo), con resolución de discrepancias por consenso o por un
tercer revisor. Se documentó el flujo de registros identificados, incluidos, excluidos y con
razones de exclusión, siguiendo un diagrama de proceso estándar para revisiones.
La evaluación de calidad y riesgo de sesgo se efectuó según la naturaleza del estudio.
Para diseños experimentales y cuasi-experimentales se valoraron la aleatorización,
equivalencia de grupos, cegamiento, integridad de datos y selectividad de reportes; en estudios
observacionales se consideraron la validez interna, control de confusores y claridad de la
medición; en revisiones secundarias se verificaron la exhaustividad de la búsqueda, la
transparencia del protocolo y la evaluación crítica de los estudios primarios. Los instrumentos
de referencia se adaptaron para asegurar consistencia entre revisores y se registraron
puntuaciones y juicios cualitativos, sin excluir estudios únicamente por calidad cuando
aportaban información contextual relevante, pero ponderando su peso en la síntesis.
La extracción de datos se realizó con una plantilla previamente pilotada que incluyó:
identificación bibliográfica; país y contexto escolar; nivel y área curricular; características de
la muestra; tipo de tecnología y aproximación de IA (p. ej., tutores inteligentes, plataformas
adaptativas, analítica del aprendizaje, agentes conversacionales); mecanismo de
personalización (modelado de estudiante, recomendación de contenidos, retroalimentación
adaptativa, agrupamiento dinámico); rol docente e integración curricular; diseño y duración de
la intervención; métricas de resultado (rendimiento, progreso, participación, equidad, carga
cognitiva, percepción docente/estudiantil); recursos e infraestructura; consideraciones éticas y
de gobernanza de datos; y limitaciones señaladas. La extracción fue doble e independiente en
una submuestra para asegurar confiabilidad interevaluador y luego continuó con verificación
cruzada.
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1479
Dada la heterogeneidad esperada en tecnologías, contextos y métricas, se optó por una
síntesis narrativa y una tematización inductivo-deductiva. En una primera etapa se codificaron
unidades de significado alineadas con la pregunta guía y los constructos del protocolo; en una
segunda, se agruparon códigos en categorías analíticas (p. ej., “eficacia sobre rendimiento”,
“condiciones de implementación”, “equidad y sesgos”, “desarrollo profesional docente”,
“sostenibilidad y escalabilidad”). Cuando fue metodológicamente defendible, se calcularon
efectos estandarizados a partir de estadísticos reportados para ofrecer referencias comparables,
sin realizar metaanálisis agregados debido a la variabilidad en diseños y resultados. Se
desarrollaron mapas de evidencia para visualizar densidades temáticas y vacíos de
investigación.
Para asegurar transparencia y reproducibilidad, se registró el protocolo, se preservaron
las cadenas de búsqueda exactas por base de datos, se documentaron decisiones de cribado y
evaluación, y se archivaron la matriz de extracción y el esquema de codificación en un
repositorio abierto. Al no involucrar interacción directa con seres humanos ni datos sensibles
a nivel individual, no fue necesaria aprobación ética; no obstante, se observaron criterios de
integridad académica y de uso responsable de la información. El resultado de este
procedimiento es una cartografía crítica de las estrategias pedagógicas mediadas por IA en
educación básica, sus condiciones de viabilidad y sus efectos reportados, que fundamenta las
conclusiones y recomendaciones del artículo.
Resultados
Efectividad y condiciones de implementación de estrategias pedagógicas mediadas por IA
para la personalización en educación básica
Efectos en el aprendizaje y la participación estudiantil
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1480
La evidencia de mayor jerarquía (síntesis cuantitativas y revisiones de alcance) respalda
que la personalización algorítmica logra incrementos de rendimiento y compromiso estudiantil
frente a comparadores no adaptativos o instrucción masiva. En el metaanálisis de Ma, Adesope,
Nesbit y Liu (2014), que integró 107 tamaños de efecto con 14 321 participantes, los sistemas
de tutoría inteligente (STI) superaron de manera consistente a la instrucción tradicional en gran
grupo y a software no adaptativo (g≈0,42 y g≈0,57, respectivamente), y no difirieron
significativamente de formatos de tutoría individual o en pequeños grupos, lo que sugiere que
la IA puede aproximar beneficios típicos de la atención uno-a-uno a escala. Estos resultados
—observados en primaria y secundaria, y en dominios como matemáticas, lectura y ciencias—
no se reducen a “efecto novedad”: emergen cuando el sistema densifica ciclos de práctica-
retroalimentación y regula dinámicamente la dificultad, manteniendo al estudiante en su zona
óptima de desafío y sosteniendo indicadores de participación como tiempo en tarea y
persistencia. (Ma et al., 2014).
Ahora bien, los tamaños de efecto no son invariantes: dependen de la calidad del
acoplamiento con el currículo, de la precisión diagnóstica del sistema y del grado en que la
retroalimentación se ofrece al nivel de paso o subpaso de la tarea. La comparación integradora
de VanLehn (2011) es elocuente: los STI con granularidad fina (step-based/substep-based)
alcanzan magnitudes de aprendizaje cercanas a la tutoría humana (d≈0,76 frente a d≈0,79),
mientras que los entornos “respuesta-a-respuesta” (answer-based) rinden menos. En aulas de
educación básica, ello se traduce en ventajas cuando el andamiaje es oportuno, específico y
graduado, y cuando las decisiones adaptativas están alineadas con metas de evaluación
formativa. (VanLehn, 2011).
Mecanismos de personalización y diseño instruccional
Los efectos anteriores se explican por tres engranajes didácticos: (a) modelado del
estudiante, que estima dominio y probabilidad de acierto por habilidad para decidir qué
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1481
practicar y cuándo intervenir; (b) recomendación y secuenciación adaptativa, que orquesta
rutas idiosincrásicas (diagnóstico → prescripción → evaluación) en congruencia con objetivos
curriculares; y (c) retroalimentación adaptativa a nivel de paso, que corrige errores en el
momento preciso y previene la sobreasistencia o la frustración. Cuando estos mecanismos se
operacionalizan con granularidad suficiente y se encadenan a prácticas de evaluación
formativa, los STI y plataformas adaptativas alcanzan efectos comparables a la tutoría humana
media; si la adaptación es superficial, opaca o desalineada del currículo, los beneficios
decrecen. En suma, no basta con adaptar: la personalización eficaz exige granularidad,
trazabilidad y criterio pedagógico en cada decisión algorítmica. (Ma et al., 2014; VanLehn,
2011).
Equidad, sesgos y protección de datos
El mismo andamiaje que mejora el aprendizaje puede amplificar disparidades si los
datos y modelos no representan la diversidad estudiantil o si se despliegan sin garantías de
justicia. Baker y Hawn (2022) sistematizan manifestaciones de sesgo en educación por
raza/etnia, género, nacionalidad, estatus socioeconómico o discapacidad, y mapean los puntos
de inyección del sesgo a lo largo del ciclo de vida del sistema (formulación del problema,
recopilación/rotulado, modelado, despliegue y uso). Su propuesta de avanzar de la “equidad
formal” (paridad de métricas) hacia una equidad sustantiva focalizada en impactos
diferenciales por subgrupos conlleva auditorías periódicas, métricas de equidad apropiadas al
contexto, trazabilidad de decisiones y rediseño socio-técnico con participación de docentes y
comunidades escolares. (Baker & Hawn, 2022).
En paralelo, la personalización guiada por analítica del aprendizaje exige salvaguardas
robustas de privacidad y gobernanza de datos. Slade y Prinsloo (2013) proponen un marco de
seis principios —que incluyen aprendizaje analítico como práctica moral, consentimiento
informado, minimización y de-identificación, transparencia y reciprocidad— para equilibrar
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1482
los beneficios pedagógicos con la protección de derechos en contextos educativos. Para
educación básica, donde las decisiones algorítmicas inciden tempranamente en trayectorias
académicas, el umbral aceptable no es solo la conformidad legal, sino la justificación
pedagógica de cada captura y uso de datos, con mecanismos asequibles de explicación,
objeción y reparación. (Slade & Prinsloo, 2013).
Rol docente, adopción y sostenibilidad
La evidencia empírica sugiere que el binomio docente-IA supera a cualquiera de sus
componentes aislados cuando se articula la complementariedad correcta: la IA como
infraestructura de diagnóstico y recomendación; el profesorado como agente de interpretación,
mediación y evaluación. Holstein, McLaren y Aleven (2019) muestran —mediante co-diseño
y pruebas en aula K-12— que herramientas de analítica en tiempo real, portadas por el
profesorado, incrementan la capacidad de orquestación (identificación de errores persistentes,
desatención o estancamiento), siempre que las interfaces prioricen explicabilidad para la
docencia (por qué se recomienda esto, con qué evidencia, y bajo qué umbral) y mantengan
control humano sobre alertas y umbrales. Esto habilita respuestas pedagógicas más finas
(reagrupamientos dinámicos, ajustes de andamiaje, intervenciones just-in-time) y refuerza la
agencia profesional. (Holstein, McLaren, & Aleven, 2019).
Para que esta promesa sea sostenible a escala escolar, se requieren condiciones
organizacionales y de política: (i) desarrollo profesional continuo para leer, cuestionar y
aprovechar evidencias algorítmicas en evaluación formativa; (ii) alineación curricular que evite
la disonancia entre lo que optimiza la plataforma y lo que valora la escuela; y (iii) gobernanza
de datos que legitime prácticas responsables y auditables (p. ej., acuerdos claros de finalidad,
retención y acceso). El resultado no es sustituir al docente, sino amplificar su alcance con
diagnóstico granular y bucles de mejora continua, manteniendo la responsabilidad última de
las decisiones pedagógicas en manos humanas. (Holstein et al., 2019; VanLehn, 2011).
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1483
Discusión
Los hallazgos sintetizados permiten discutir, con mirada crítica, el alcance y los límites
de la personalización mediada por IA en educación básica. En primer lugar, los efectos
positivos sobre el rendimiento y la participación parecen robustos siempre que la IA opere
como un amplificador de la evaluación formativa y no como un sustituto de la mediación
docente. La evidencia acumulada en metaanálisis sugiere que, frente a la instrucción masiva o
a software no adaptativo, los sistemas de tutoría inteligente (STI) producen ganancias de
magnitud moderada y, en algunos casos, comparables a la tutoría humana; sin embargo, tales
efectos varían según la granularidad de la interacción y la alineación con el currículo. Esta
heterogeneidad advierte contra inferencias simplistas: no es “la IA” en abstracto lo que rinde,
sino configuraciones específicas que densifican los ciclos de práctica-retroalimentación y
sitúan al estudiante en una zona óptima de desafío. Al mismo tiempo, la síntesis cuantitativa
disponible, si bien metodológicamente rigurosa, se nutre de estudios con diversidad de
dominios, contextos y medidas; por ello, la generalización a todas las áreas curriculares de
educación básica debe hacerse con prudencia y bajo marcos explícitos de transferibilidad.
Este patrón conduce a una implicación de diseño central: la “personalización” no
equivale a itinerarios opacos o a simples variaciones de dificultad, sino a mecanismos
instruccionales que articulan diagnóstico granular, secuenciación con propósito y
retroalimentación a nivel de paso. La literatura muestra que los STI de grano fino (step-based
o substep-based) convergen en efectos cercanos a la tutoría humana, mientras que los enfoques
answer-based —que interactúan solo a nivel de respuesta final— rinden menos al carecer de
andamiaje oportuno y específico. De aquí se desprende un principio operativo: la adaptación
debe ser explicable didácticamente (qué objetivo persigue cada decisión, con qué evidencia y
bajo qué criterio de salida) y trazable a competencias curriculares, so pena de producir “rutas”
eficientes en lo computacional pero subóptimas en lo pedagógico. En suma, la potencia de la
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1484
IA se realiza cuando el modelado del estudiante, la recomendación y la retroalimentación
componen un bucle diagnóstico-prescriptivo que el docente puede leer, interrogar y ajustar en
tiempo real.
No obstante, el rendimiento sin justicia es un espejismo. La literatura sobre sesgo
algorítmico en educación documenta que, sin salvaguardas explícitas, los sistemas pueden
reproducir y amplificar desigualdades por origen étnico, género, estatus socioeconómico o
discapacidad. La transición de la “equidad formal” (paridad de métricas agregadas) hacia una
equidad sustantiva exige auditorías periódicas, métricas sensibles a subgrupos y rediseños
sociotécnicos que incorporen voces docentes y comunitarias. En clave institucional, la analítica
del aprendizaje —frecuentemente el motor de la personalización— demanda una gobernanza
de datos que haga operativos principios de consentimiento informado, minimización y
transparencia sobre usos secundarios, con mecanismos accesibles de explicación y reparación.
En educación básica, donde las decisiones automatizadas pueden orientar tempranamente
trayectorias, el umbral ético no es solo la conformidad normativa: cada captura y uso de datos
debe ostentar una justificación pedagógica clara y proporcional (Piedra-Castro et al., 2024).
La agencia docente emerge como condición de posibilidad para la adopción con sentido
pedagógico. Cuando los sistemas proporcionan analíticas accionables y explicables —no
meramente paneles densos de indicadores—, el profesorado puede reorquestar con mayor
precisión (p. ej., reagrupamientos dinámicos, ajustes del andamiaje, intervenciones just-in-
time), con efectos añadidos sobre el compromiso y la equidad de atención. La investigación
basada en co-diseño en aulas K-12 ilustra que la “explicabilidad para la docencia” (por qué se
sugiere esto, sustentado en qué evidencia) y el control humano sobre umbrales y alertas son
determinantes de la apropiación, al convertir la IA en infraestructura para la evaluación
formativa más que en “caja negra” prescriptiva. La sostenibilidad, por su parte, se juega en tres
frentes: desarrollo profesional continuo (lectura crítica de evidencias algorítmicas), alineación
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1485
con el currículo y políticas de datos auditables; sin esta tríada, la innovación queda confinada
a pilotos con escasa capacidad de escala (Piedra-Castro et al., 2024).
De este análisis derivan líneas concretas para la investigación y la política educativa.
Primero, urge ampliar los ensayos controlados aleatorizados y los diseños cuasi-experimentales
en educación básica con seguimiento longitudinal, para estimar retención, transferencia y
efectos en subpoblaciones, además de costos y razón costo-efectividad frente a alternativas
pedagógicas. Segundo, se requieren protocolos de human-in-the-loop que especifiquen qué
decisiones permanecen bajo deliberación docente y cómo se integran las recomendaciones
algorítmicas a la evaluación formativa. Tercero, deben institucionalizarse auditorías de equidad
con indicadores sensibles al contexto, junto con marcos de privacidad que armonicen beneficio
pedagógico y protección de derechos. Finalmente, la evidencia invita a pensar la IA no como
un fin, sino como un medio para expandir la capacidad de diagnóstico y retroalimentación del
sistema escolar, manteniendo el juicio profesional del docente como instancia última de
validación. En la medida en que las implementaciones honren estos principios —granularidad
y trazabilidad pedagógicas, justicia algorítmica y gobernanza de datos, y complementariedad
efectiva con la docencia—, la personalización mediada por IA podrá materializar su promesa
sin incurrir en atajos que comprometan la integridad educativa (Cajamarca-Correa et al., 2024).
Conclusión
Las evidencias sintetizadas permiten concluir que las estrategias pedagógicas mediadas
por IA aportan mejoras consistentes y pedagógicamente significativas en aprendizaje y
participación del estudiantado de educación básica, siempre que operen como amplificadores
de la evaluación formativa y no como sustitutos de la docencia. La personalización efectiva no
se reduce a variar la dificultad: exige granularidad diagnóstica, secuenciación con propósito y
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1486
retroalimentación a nivel de paso, de modo que cada decisión algorítmica sitúe al estudiante en
su zona óptima de desafío y sustente ciclos reiterados de práctica-feedback.
La eficacia depende tanto del diseño instruccional como de la alineación con el
currículo. Los entornos que articulan modelado del estudiante, reglas claras de prescripción y
criterios de salida trazables a competencias curriculares muestran ventajas superiores a los que
ofrecen adaptaciones superficiales u opacas. Por ello, la explicabilidad didáctica —por qué se
recomienda una actividad, con base en qué evidencias y bajo qué umbral— es condición de
calidad y de uso responsable en aula.
En términos de implementación, el rol docente es insustituible. La complementariedad
docente-IA se materializa cuando las herramientas entregan analíticas accionables, oportunas
y comprensibles, que habilitan reorquestar la clase (reagrupamientos, ajustes de andamiaje,
intervenciones just-in-time) sin erosionar la agencia profesional. El desarrollo profesional
continuo, el soporte técnico y la coordinación curricular constituyen palancas para transitar de
pilotos aislados a prácticas institucionalizadas y sostenibles.
Desde una perspectiva de justicia, la personalización mediada por IA solo es legítima
si incorpora salvaguardas robustas de equidad y privacidad. La gobernanza de datos debe
priorizar minimización, de-identificación, propósitos explícitos y mecanismos de objeción y
reparación, mientras que la evaluación de impacto debe monitorear efectos diferenciales por
subgrupos para prevenir la amplificación de brechas. La meta no es la “paridad” agregada, sino
la equidad sustantiva en resultados y oportunidades.
En consecuencia, las instituciones educativas que aspiren a escalar estas estrategias
deberían avanzar mediante despliegues graduales y de bajo riesgo, con ciclos de co-diseño y
mejora continua, métricas compartidas de éxito (aprendizaje, participación, equidad, carga
docente) y políticas claras sobre datos. Una agenda de investigación prioritaria incluye ensayos
con seguimiento longitudinal, análisis de costo-efectividad frente a alternativas pedagógicas,
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1487
estudios mixtos que capten mecanismos y condiciones de contexto, y replicaciones en diversos
sistemas escolares —incluidos los de habla hispana— para fortalecer la validez externa.
Finalmente, esta revisión se reconoce limitada por la heterogeneidad de diseños y
métricas, la posible subrepresentación de contextos no angloparlantes y la evolución acelerada
del campo. Ello refuerza la necesidad de revisiones “vivas” y de marcos institucionales que
combinen rigor pedagógico, prudencia ética y visión de sistema. Bajo estas condiciones, la IA
puede consolidarse como instrumento para expandir capacidades de diagnóstico y
retroalimentación, y así materializar una personalización genuina, equitativa y sostenible en
educación básica.
Referencias bibliográficas
Alcivar-Cordova, D. M., Saavedra-Calberto, I. M., Ayala-Chavez, N. E., Pazmiño-Sarriá, M.
E., & Ordoñez-Loor, I. I. (2025). Desigualdades educativas y estrategias de inclusión
en bachillerato en entornos socioeconómicos diversos. Revista Científica Ciencia Y
Método, 3(1), 84-98. https://doi.org/10.55813/gaea/rcym/v3/n1/55
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado,
R. (2024). Human-centred learning analytics and AI in education: A systematic
literature review. Computers and Education: Artificial Intelligence, 6, 100215.
https://doi.org/10.1016/j.caeai.2024.100215
Baker, R. S., & Hawn, A. (2021). Algorithmic bias in education. International Journal of
Artificial Intelligence in Education, 31(1), 1–41. https://doi.org/10.1007/s40593-021-
00285-9
Bang, H. J., Li, L., & Flynn, K. (2023). Efficacy of an adaptive game-based math learning app
to support personalized learning and improve early elementary school students’
learning. Early Childhood Education Journal, 51, 717–732.
https://doi.org/10.1007/s10643-022-01332-3
Bazurto-Mendoza, A. B., Vera-Peña, M. A., Maliza-Muñoz, W. F., & Gómez-Rodríguez, V.
G. (2025). Estrategia pedagógica del uso de los recursos digitales para la educación
remota. Revista Científica Zambos, 4(2), 1-20. https://doi.org/10.69484/rcz/v4/n2/105
Caicedo-Basurto, R. L., Camacho-Medina, B. M., Quinga-Villa, C. A., Fonseca-Lombeida, A.
F., & López-Freire, S. A. (2024). Análisis y beneficios de la educación en la era de la
inteligencia artificial. Journal of Economic and Social Science Research, 4(4), 291–
302. https://doi.org/10.55813/gaea/jessr/v4/n4/148
Cajamarca-Correa, M. A., Cangas-Cadena, A. L., Sánchez-Simbaña, S. E., & Pérez-Guillermo,
A. G. (2024). Nuevas tendencias en el uso de recursos y herramientas de la Tecnología
Educativa para la Educación Universitaria . Journal of Economic and Social Science
Research, 4(3), 127–150. https://doi.org/10.55813/gaea/jessr/v4/n3/124
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1488
Fletcher, J. D., & Kulik, J. A. (2016). Effectiveness of intelligent tutoring systems: A meta-
analytic review. Review of Educational Research, 86(1), 42–78.
https://doi.org/10.3102/0034654315581420
Khor, E. T., & Mutthulakshmi, K. (2024). A systematic review of the role of learning analytics
in supporting personalized learning. Education Sciences, 14(1), 51.
https://doi.org/10.3390/educsci14010051
Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and
learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–
918. https://doi.org/10.1037/a0037123
Moreira-Alcivar, E. F. (2025). Aprendizaje basado en retos (ABR) para el fomento del
pensamiento creativo y divergente en adolescentes: diseño, implementación y
evaluación en contextos escolares del nivel secundario. Revista Científica Zambos,
4(2), 171-184. https://doi.org/10.69484/rcz/v4/n2/119
Piedra-Castro, W. I., Burbano-Buñay, E. S., Tamayo-Verdezoto, J. J., & Moreira-Alcívar, E.
F. (2024). Inteligencia artificial y su incidencia en la estrategia metodológica de
aprendizaje basado en investigación. Journal of Economic and Social Science
Research, 4(2), 178–196. https://doi.org/10.55813/gaea/jessr/v4/n2/106
Piedra-Castro, W. I., Cajamarca-Correa, M. A., Burbano-Buñay, E. S., & Moreira-Alcívar, E.
F. (2024). Integración de la inteligencia artificial en la enseñanza de las Ciencias
Sociales en la educación superior. Journal of Economic and Social Science
Research, 4(3), 105–126. https://doi.org/10.55813/gaea/jessr/v4/n3/123
Rodriguez-Ayala, A. E., Ayala-Tigmasi, R. A., Anchundia-Aristega, Y. X., Días-Pilatasig, M.
J., & Arias-Arias, J. L. (2024). Análisis del modelo ERCA y su aporte en las
planificaciones curriculares. Journal of Economic and Social Science Research, 4(4),
278–290. https://doi.org/10.55813/gaea/jessr/v4/n4/147
Saavedra-Calberto, I. M., Esmeraldas-Espinoza, A. A., Ayala-Chavez, N. E., Reina-Bravo, E.
G., & Ordoñez-Loor, I. I. (2025). Factores determinantes del rendimiento académico en
estudiantes de bachillerato en instituciones públicas. Revista Científica Ciencia Y
Método, 3(1), 72-83. https://doi.org/10.55813/gaea/rcym/v3/n1/54
Salazar-Alcivar, A. N., Alcivar-Córdova, D. M., Flores-Verdesoto, G. E., Montaño-Villa, J. J.,
& Salazar-Alcivar, L. E. (2024). Educación ambiental como herramienta para fomentar
la conciencia ecológica en estudiantes de secundaria. Revista Científica Ciencia Y
Método, 2(2), 40-52. https://doi.org/10.55813/gaea/rcym/v2/n2/42
Sornoza-Delgado, Y. M. (2025). Estrategias para aplicar la pedagogía culturalmente receptiva
en el aula. Journal of Economic and Social Science Research, 5(1), 201–213.
https://doi.org/10.55813/gaea/jessr/v5/n1/170
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, 9,
100429. https://doi.org/10.1016/j.caeai.2025.100429
Tan, X., Cheng, G., & Ling, M. H. (2025). Artificial intelligence in teaching and teacher
professional development: A systematic review. Computers and Education: Artificial
Intelligence, 8, 100355. https://doi.org/10.1016/j.caeai.2024.100355
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems,
and other tutoring systems. Educational Psychologist, 46(4), 197–221.
https://doi.org/10.1080/00461520.2011.611369
Código Científico Revista de Investigación Vol. 6 – Núm. 2 / Julio – Diciembre – 2025
1489
Wang, S., Wang, F., Zhu, Z., Wang, J., & Tran, T. (2024). Artificial intelligence in education:
A systematic literature review. Expert Systems with Applications, 252, 124167.
https://doi.org/10.1016/j.eswa.2024.124167
