Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
ISSN: 2806
-
5697
Vol.
6
–
Núm. E
1
/ 202
5
pág.
2671
La inteligencia artificial y su incidencia en el aprendizaje de
biología
Artificial intelligence and its impact on biology learning
A inteligência artificial e o seu impacto na aprendizagem da biologia
Criollo Sangoquiza
,
Vilma
Azucena
Unidad educativa Leopoldo Mercado
vilma.criollo@educacion.gob.ec
https://orcid.org/0009
-
0009
-
7680
-
9977
DOI / URL:
https://doi.org/10.55813/gaea/ccri/v6/nE1/850
Como citar:
Criollo Sangoquiza, V. A. (2025). La inteligencia artificial y su incidencia en el aprendizaje de
biología.
Código Científico Revista De Investigación
,
6
(E1), 2671
–
2687.
https://doi.org/10.55813/gaea/ccri/v6/nE1/850
.
Recibido
:
24
/
0
2
/202
5
Aceptado
:
1
5
/0
3
/202
5
Publicado
:
31
/0
3
/202
5
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2672
Research Article
Volumen
6
, Número E
special
1
, 202
5
Resumen
El presente estudio aborda la creciente utilización de la inteligencia artificial (IA) en la
enseñanza de la biología, destacando su potencial transformador en el aprendizaje de
contenidos complejos. A partir de una revisión bibliográfica sistematizada, se
analizaron
investigaciones recientes indexadas en Scopus y Web of Science que evalúan la efectividad de
tutores inteligentes y simuladores adaptativos en contextos educativos. Los hallazgos indican
que estas tecnologías permiten personalizar el proceso ed
ucativo, mejorar el rendimiento
académico, fortalecer la comprensión conceptual y fomentar la motivación intrínseca de los
estudiantes. En particular, plataformas como AutoTutor, Andes, BioLogica y Cell Collective
han demostrado ser eficaces para la enseña
nza de genética, fisiología y otros temas abstractos.
Sin embargo, los beneficios dependen de su adecuada integración pedagógica, la formación
docente y el diseño instruccional centrado en el estudiante. Se concluye que la IA, bien
implementada, representa
una herramienta clave para una educación más equitativa, crítica y
eficaz en ciencias biológicas.
Palabras clave:
inteligencia artificial; enseñanza de biología; tutores inteligentes; simuladores
educativos; aprendizaje adaptativo.
Abstract
This study addresses the growing use of artificial intelligence (AI) in biology education,
highlighting its transformative potential in the learning of complex content. Based on a
systematized literature review, recent research indexed in Scopus and Web of
Science
evaluating the effectiveness of intelligent tutors and adaptive simulators in educational contexts
was analyzed. The findings indicate that these technologies allow personalizing the educational
process, improving academic performance, strengtheni
ng conceptual understanding and
fostering students' intrinsic motivation. In particular, platforms such as AutoTutor, Andes,
BioLogica and Cell Collective have proven to be effective for teaching genetics, physiology
and other abstract topics. However, the
benefits depend on their proper pedagogical integration,
teacher training and student
-
centered instructional design. It is concluded that AI, properly
implemented, represents a key tool for a more equitable, critical and effective education in
biological
sciences.
Keywords:
artificial intelligence; biology teaching; intelligent tutors; educational simulators;
adaptive learning.
Resumo
Este estudo aborda a crescente utilização da inteligência artificial (IA) no ensino da biologia,
destacando o seu potencial transformador na aprendizagem de conteúdos complexos. A partir
de uma revisão sistematizada da literatura, analisamos pesquisas rece
ntes indexadas nas bases
Scopus e Web of Science que avaliam a eficácia de tutores inteligentes e simuladores
adaptativos em contextos educacionais. Os resultados indicam que estas tecnologias permitem
personalizar o processo educativo, melhorar o desempen
ho académico, reforçar a compreensão
concetual e fomentar a motivação intrínseca dos alunos. Em particular, plataformas como o
AutoTutor, o Andes, o BioLogica e o Cell Collective provaram ser eficazes no ensino da
genética, da fisiologia e de outros temas
abstractos. No entanto, os benefícios dependem da sua
correta integração pedagógica, da formação dos professores e de uma conceção pedagógica
centrada no aluno. Conclui
-
se que a IA, devidamente implementada, representa uma
ferramenta fundamental para um en
sino mais equitativo, crítico e eficaz das ciências da vida.
Palavras
-
chave:
inteligência artificial; ensino da biologia; tutores inteligentes; simuladores
educativos; aprendizagem adaptativa.
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2673
Research Article
Volumen
6
, Número E
special
1
, 202
5
Introducción
La transformación digital ha dado lugar a una evolución significativa en los procesos
educativos, y entre las tecnologías emergentes más influyentes se encuentra la
inteligencia
artificial (IA). En el contexto de la enseñanza de las ciencias naturales, particularmente la
biología, la incorporación de herramientas basadas en IA representa un fenómeno creciente que
está reformulando los métodos de enseñanza y aprendizaj
e. Sin embargo, esta integración
tecnológica plantea una serie de interrogantes sobre su real incidencia en el aprendizaje
significativo de los estudiantes, tanto en entornos formales como no formales. Pese al
incremento del uso de estas tecnologías, persi
sten vacíos conceptuales y empíricos respecto a
su impacto pedagógico, eficacia cognitiva y adaptabilidad curricular en la enseñanza de
contenidos complejos propios de la biología (Holmes et al., 2019).
El principal problema radica en la falta de una articulación clara entre el desarrollo
tecnológico y los enfoques pedagógicos sustentados en teorías del aprendizaje. Aunque existen
iniciativas que implementan algoritmos de IA en plataformas educativas, muc
has de estas
carecen de fundamentos didácticos robustos, lo cual limita su potencial para promover un
aprendizaje profundo. Además, la IA no siempre se adapta a las necesidades cognitivas de los
estudiantes, especialmente en asignaturas que requieren la co
mprensión de fenómenos
abstractos, como la genética, la fisiología o la ecología (Zawacki
-
Richter et al., 2019). En este
sentido, el uso de IA en la enseñanza de biología puede convertirse en una solución superficial
si no se acompaña de estrategias pedagó
gicas adecuadas.
Entre los factores que agravan esta problemática se encuentran la escasa capacitación
docente en el uso de tecnologías inteligentes, la resistencia al cambio por parte de las
instituciones educativas, y la limitada disponibilidad de herramientas diseñadas
específicamente para contextos educativos en ciencias biológicas. A esto se suma la falta de
investigación empírica longitudinal que evalúe el impacto de la IA en términos de retención de
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2674
Research Article
Volumen
6
, Número E
special
1
, 202
5
conocimientos, desarrollo de habilidades científicas y pensamiento crítico. Según Chen et al.
(2020), muchos estudios existentes sobre IA en educación se centran en los aspectos
tecnológicos o de programación, dejando de lado su integración en procesos de
enseñanza
disciplinar. Esta desconexión entre tecnología y pedagogía obstaculiza el aprovechamiento
efectivo de la IA como instrumento mediador del aprendizaje.
Justificar una revisión bibliográfica sobre este tema es pertinente y necesario, dado el
avance acelerado de la IA en la educación y la urgente necesidad de comprender sus
implicaciones en disciplinas específicas. La biología, al ser una ciencia que combin
a
conceptualización teórica, análisis empírico y pensamiento sistémico, requiere enfoques
educativos innovadores que promuevan la comprensión integral de sus contenidos. Las
herramientas de IA, tales como tutores inteligentes, sistemas de aprendizaje adapt
ativo y
entornos de simulación, pueden facilitar este proceso si son correctamente implementadas (Lu
et al., 2018). Además, explorar críticamente la literatura científica actual sobre esta temática
permitirá identificar buenas prácticas, brechas de conocim
iento y desafíos emergentes,
contribuyendo así a un desarrollo educativo más equitativo, eficiente y tecnológicamente
informado.
La viabilidad de este trabajo se sustenta en la amplia disponibilidad de investigaciones
recientes indexadas en bases de datos científicas como Scopus y Web of Science, lo cual facilita
el acceso a estudios de caso, revisiones sistemáticas y marcos teórico
s actualizados. Asimismo,
la revisión permitirá comparar diversos enfoques metodológicos, identificar patrones de
implementación y analizar los resultados obtenidos en distintos niveles educativos y contextos
culturales. Esta pluralidad de fuentes contribu
irá a una comprensión más profunda y crítica
sobre la interacción entre inteligencia artificial y aprendizaje de la biología.
El objetivo de esta revisión bibliográfica es analizar el impacto de la inteligencia
artificial en el aprendizaje de la biología, evaluando las evidencias empíricas disponibles, los
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2675
Research Article
Volumen
6
, Número E
special
1
, 202
5
marcos teóricos utilizados y las aplicaciones tecnológicas más relevantes. Se busca identificar
cómo la IA ha sido implementada en la enseñanza de esta disciplina, qué resultados ha generado
en el aprendizaje de los estudiantes y cuáles son las limitacione
s y oportunidades de su uso
pedagógico. A partir de este análisis, se pretende contribuir al diseño de estrategias educativas
más efectivas e inclusivas que integren las tecnologías inteligentes de manera crítica y
contextualizada.
Metodología
El presente estudio se enmarca dentro de un enfoque cualitativo de tipo exploratorio,
basado en una revisión bibliográfica sistematizada cuyo propósito es analizar la incidencia de
la inteligencia artificial en el aprendizaje de la biología. Para ello, se
realizó una búsqueda
exhaustiva de literatura académica publicada entre los años 2018 y 2024, seleccionando
exclusivamente fuentes científicas indexadas en bases de datos reconocidas como Scopus y
Web of Science. Esta estrategia permitió garantizar la cali
dad, pertinencia y actualidad de los
documentos revisados, priorizando aquellos que presentaran evidencia empírica, revisiones
sistemáticas o análisis teóricos relacionados con la aplicación de tecnologías basadas en
inteligencia artificial en contextos ed
ucativos, específicamente en la enseñanza de ciencias
biológicas.
El proceso de recopilación de información se efectuó mediante el uso de descriptores
en inglés y español, tales como “inteligencia artificial”, “aprendizaje”, “educación en biología”,
“tecnologías educativas” y “AI in biology education”, combinados mediant
e operadores
booleanos (AND, OR) para afinar los resultados. La selección de los artículos se realizó
siguiendo criterios de inclusión que consideraron la relevancia temática, el acceso al texto
completo, la rigurosidad metodológica, y su contribución al a
nálisis del fenómeno estudiado.
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2676
Research Article
Volumen
6
, Número E
special
1
, 202
5
Se excluyeron documentos duplicados, publicaciones en idiomas distintos al español o inglés,
y aquellos que no abordaran explícitamente el vínculo entre IA y la enseñanza de la biología.
Una vez obtenidos los documentos, se procedió a su lectura crítica, con el objetivo de
identificar enfoques metodológicos, contextos de aplicación, hallazgos principales y
limitaciones reportadas. Esta etapa permitió construir una matriz de análisis en la
que se
organizaron las publicaciones según su tipo de estudio, población abordada, tecnología
aplicada y resultados observados. A partir de esta sistematización, se realizó una síntesis
interpretativa que facilitó la identificación de patrones comunes, vac
íos investigativos y
perspectivas emergentes en torno al uso de inteligencia artificial como herramienta de apoyo
al aprendizaje biológico.
La metodología adoptada no busca establecer generalizaciones estadísticas, sino
comprender en profundidad cómo ha sido conceptualizada y aplicada la inteligencia artificial
en el campo educativo de la biología. Este abordaje permite ofrecer una visión inte
gradora,
crítica y fundamentada del estado actual del conocimiento, lo cual resulta pertinente para
orientar futuras investigaciones, así como para fundamentar decisiones pedagógicas y
tecnológicas en contextos educativos diversos.
Resultados
Aplicaciones de la inteligencia artificial en biología
La educación en ciencias biológicas enfrenta desafíos significativos debido a la
naturaleza abstracta, compleja e interdisciplinaria de sus contenidos, lo que demanda nuevas
estrategias pedagógicas que favorezcan una comprensión significativa y duradera. E
n este
contexto, la inteligencia artificial (IA) ha irrumpido como un recurso transformador que ofrece
soluciones innovadoras mediante el diseño de tecnologías educativas adaptativas. Entre las
aplicaciones más destacadas en el ámbito de la enseñanza de la
biología se encuentran los
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2677
Research Article
Volumen
6
, Número E
special
1
, 202
5
tutores inteligentes y los simuladores interactivos, herramientas que permiten personalizar el
proceso de aprendizaje y facilitar la comprensión de fenómenos biológicos complejos a través
de experiencias inmersivas y adaptativas.
Los tutores inteligentes (Intelligent Tutoring Systems, ITS) son plataformas
computacionales diseñadas para emular la enseñanza individualizada propia de un docente
humano experto. Estos sistemas integran algoritmos de aprendizaje automático y modelado del
conocimiento para diagnosticar el nivel de competencia del estudiante, identificar errores
conceptuales y proporcionar retroalimentación específica en tiempo real. En la enseñanza de
biología, los ITS se han aplicado exitosamente en contenidos que requier
en una fuerte carga
cognitiva, como genética molecular, fisiología celular o procesos metabólicos, donde el
pensamiento abstracto y la capacidad de razonamiento causal son esenciales (VanLehn, 2011).
Uno de los ejemplos más representativos es el sistema
AutoTutor
, desarrollado para
facilitar la comprensión de temas científicos mediante el uso del lenguaje natural. Este tutor ha
sido adaptado para la enseñanza de biología celular y molecular, permitiendo a los estudiantes
interactuar en un entorno de conversación a
utomatizada que fomenta el razonamiento profundo
y el aprendizaje autorregulado (Graesser et al., 2022). La interacción con
AutoTutor
ha
demostrado mejorar el rendimiento en evaluaciones concep
tuales y la calidad del discurso
científico de los estudiantes, gracias a su capacidad para mantener diálogos socráticos, formular
preguntas estratégicas y ofrecer retroalimentación inmediata.
Otra aplicación destacada es el tutor
Andes
, que ha sido utilizado para enseñar
principios biofísicos aplicados a la biología, permitiendo a los estudiantes resolver problemas
complejos mediante esquemas interactivos y asesoramiento paso a paso. En estudios
experimentales, los estudiantes que utili
zaron tutores inteligentes mostraron una mejora
significativa en la retención de conceptos y una mayor transferencia de conocimientos en
comparación con aquellos expuestos a métodos de enseñanza tradicionales (Nye
et al., 2014).
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2678
Research Article
Volumen
6
, Número E
special
1
, 202
5
La efectividad de estos sistemas radica en su capacidad para adaptar los contenidos, el ritmo y
el tipo de retroalimentación en función del estilo y ritmo de aprendizaje del usuario,
promoviendo así la equidad educativa y la personalización del proceso for
mativo.
Complementariamente, los simuladores inteligentes representan otra vertiente crucial
dentro del ecosistema de herramientas basadas en IA aplicadas a la enseñanza de biología.
Estos sistemas permiten modelar de manera visual e interactiva procesos biológico
s complejos,
facilitando la exploración, manipulación y observación de variables en contextos virtuales
seguros y controlados. Por ejemplo, el simulador
BioLogica
, desarrollado por el Concord
Consortium, ha sido ampliamente utilizado para la enseñanza de g
enética mendeliana y
molecular. Este simulador permite a los estudiantes experimentar con cruzamientos genéticos,
manipular alelos, observar la herencia de rasgos fenotípicos y analizar la relación entre
genotipo y fenotipo, contribuyendo así a una compren
sión activa de los principios de la
herencia (Horwitz & Christie, 2000).
Otro ejemplo relevante es el sistema
Cell Collective
, una plataforma de simulación
colaborativa que permite a los estudiantes modelar redes metabólicas y procesos celulares
mediante la creación de modelos computacionales dinámicos. Investigaciones recientes indican
que el uso de este tipo de simuladores mej
ora la comprensión de los mecanismos moleculares
subyacentes y promueve el desarrollo del pensamiento sistémico en estudiantes de nivel medio
y universitario (Helikar et al., 2015). Además, estos entornos
virtuales ofrecen la posibilidad
de generar escenarios experimentales que serían imposibles o costosos de reproducir en
laboratorios físicos, aumentando la accesibilidad y la seguridad en la enseñanza de biología.
Desde un enfoque pedagógico, tanto los tutores como los simuladores inteligentes
promueven el aprendizaje activo y autónomo, alineándose con teorías del aprendizaje
constructivista y del procesamiento profundo de la información. Estas tecnologías no solo
p
roporcionan contenido, sino que estructuran el entorno de aprendizaje en función de las
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2679
Research Article
Volumen
6
, Número E
special
1
, 202
5
necesidades individuales del estudiante, promoviendo la autorregulación, la metacognición y
la transferencia de conocimientos a situaciones nuevas. Además, permiten un seguimiento
continuo del progreso estudiantil, generando datos que pueden ser utilizados
para
retroalimentar tanto a estudiantes como a docentes en tiempo real (Luckin et al., 2016).
Sin embargo, la implementación efectiva de estas tecnologías en la enseñanza de
biología exige una planificación curricular adecuada, formación docente especializada y una
evaluación continua de su impacto educativo. La mera disponibilidad de tutores y sim
uladores
inteligentes no garantiza una mejora automática del aprendizaje; es necesario integrarlos en
secuencias didácticas coherentes, con objetivos claros y metodologías activas que fomenten el
pensamiento crítico y la indagación científica.
En síntesis, los tutores inteligentes y los simuladores basados en IA constituyen
herramientas de alto potencial para transformar la enseñanza de la biología. Su capacidad para
personalizar la instrucción,
simular fenómenos complejos y fomentar el aprendizaje activo los
posiciona como recursos clave en la educación del siglo XXI. No obstante, su efectividad
depende de su integración pedagógica, de la formación docente y del diseño instruccional con
enfoque c
entrado en el estudiante, lo cual plantea nuevos desafíos para la investigación y la
práctica educativa
, l
a siguiente tabla resume los elementos clave del análisis sobre el uso de la
inteligencia artificial en la enseñanza de la biología, destacando los pr
incipales desafíos
educativos, las soluciones tecnológicas propuestas y sus implicaciones pedagógicas.
Tabla 1
Aplicaciones de la inteligencia artificial en la enseñanza de la biología: síntesis de
herramientas y enfoques pedagógicos
Aspecto
Descripción
Problema
La enseñanza de las ciencias biológicas enfrenta desafíos por su carácter abstracto,
complejo e interdisciplinario.
Solución propuesta
Uso de tecnologías basadas en inteligencia artificial (IA), como tutores inteligentes y
simuladores interactivos.
Tutores Inteligentes (ITS)
Sistemas que simulan la enseñanza individualizada, adaptan contenidos y ofrecen
retroalimentación personalizada.
Ejemplos de ITS
-
AutoTutor: enseña biología celular y molecular mediante diálogo natural.
-
Andes:
enseña biofísica con asesoramiento paso a paso.
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2680
Research Article
Volumen
6
, Número E
special
1
, 202
5
Aspecto
Descripción
Resultados de los ITS
Mejora en comprensión conceptual, retención y transferencia del conocimiento frente
a métodos tradicionales.
Simuladores Inteligentes
Modelan procesos biológicos complejos de forma visual e interactiva en entornos
virtuales seguros.
Ejemplos de simuladores
-
BioLogica: simula genética mendeliana y molecular.
-
Cell Collective: permite
modelar redes metabólicas y procesos celulares.
Beneficios de los
simuladores
Facilitan comprensión activa, desarrollo del pensamiento sistémico y
experimentación sin riesgos físicos.
Fundamento pedagógico
Basado en teorías constructivistas y del procesamiento profundo; fomentan el
aprendizaje autónomo, autorregulación y metacognición.
Condiciones para su
implementación
Formación docente, diseño instruccional centrado en el estudiante, integración
curricular coherente y evaluación del impacto educativo.
Conclusión
Los ITS y simuladores son herramientas clave para la educación en biología del siglo
XXI, pero su éxito depende de una implementación pedagógica adecuada.
Nota:
Esta tabla facilita una visión estructurada y comparativa del contenido, permitiendo identificar con claridad
las aplicaciones, beneficios y condiciones necesarias para la integración efectiva de tutores y simuladores
inteligentes en el aula de biología (
Autores, 2025).
Impacto en el aprendizaje estudiantil
La integración de la inteligencia artificial (IA) en los procesos de
enseñanza
-
aprendizaje ha generado un cambio paradigmático en el diseño y ejecución de entornos
educativos, particularmente en áreas que demandan alta carga cognitiva como la biología. En
este contexto, uno de los aspectos más ampliamente documentados y ana
lizados es su impacto
en el rendimiento académico y la motivación del estudiantado. Ambos factores, aunque
distintos en su naturaleza, mantienen una estrecha interdependencia, ya que la motivación
influye directamente en la disposición hacia el aprendizaje
y, en consecuencia, en el desempeño
académico. La literatura científica más reciente converge en que la IA, cuando es implementada
adecuadamente, actúa como un catalizador que potencia significativamente estos dos pilares
del proceso educativo.
En lo que respecta al rendimiento académico, diversos estudios empíricos han
demostrado que los entornos educativos mediados por IA contribuyen a mejorar la
comprensión de los contenidos, el desarrollo de habilidades cognitivas superiores y la
capacidad de
transferir conocimientos a situaciones nuevas. Esta mejora se explica por la
naturaleza adaptativa de las tecnologías inteligentes, que permiten ajustar los contenidos, el
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2681
Research Article
Volumen
6
, Número E
special
1
, 202
5
ritmo de instrucción y la retroalimentación en función de las características individuales del
estudiante. En el caso de la biología, estos sistemas han sido particularmente efectivos en la
enseñanza de contenidos complejos como genética, fisiología, evolu
ción y ecología, áreas que
suelen representar dificultades para los estudiantes debido a su alto nivel de abstracción y
densidad conceptual (Aljohani et al., 2022).
Un ejemplo concreto de esta mejora en el rendimiento se encuentra en el uso de sistemas
de aprendizaje adaptativo como
ALEKS
(Assessment and Learning in Knowledge Spaces), que
han sido aplicados en contextos universitarios para enseñar conceptos científicos.
Investigaciones realizadas por Steenbergen
-
Hu y Cooper (2014) indican que estudiantes que
utilizaron este tipo de platafo
rmas mostraron mejoras estadísticamente significativas en sus
calificaciones finales en comparación con grupos de control que emplea
ron métodos
tradicionales. Estos hallazgos fueron consistentes incluso en cursos de biología introductoria,
donde la aplicación de IA permitió una mejor alineación entre los contenidos, las evaluaciones
y las necesidades individuales de los estudiantes
(
Cajamarca
-
Correa
et al.,
2024)
.
Asimismo, el uso de tutores inteligentes, como
AutoTutor
o
ANDES
, ha permitido un
aumento notable en la precisión conceptual, la resolución de problemas y el pensamiento lógico
aplicado, gracias a su capacidad para ofrecer instrucción personalizada basada en el análisis
semántico de las respuestas de los estudiantes (G
raesser et al., 2022). Estos sistemas no solo
entregan información, sino que estructuran el aprendizaje mediante un modelo pedagógico que
simula la tutoría uno a uno, empleando estrategias de
andamiaje, preguntas abiertas,
explicaciones guiadas y retroalimentación correctiva inmediata.
Por otro lado, el impacto de la IA en la motivación estudiantil también ha sido
ampliamente documentado en la literatura especializada. Desde la perspectiva de la Teoría de
la Autodeterminación (Deci & Ryan, 2000), la motivación intrínseca se fortalece cua
ndo los
estudiantes perciben que tienen control sobre su proceso de aprendizaje, cuando sienten que
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2682
Research Article
Volumen
6
, Número E
special
1
, 202
5
sus habilidades son adecuadas para enfrentar los desafíos propuestos y cuando experimentan
un vínculo significativo con los contenidos. Las tecnologías basadas en IA satisfacen estas tres
necesidades psicológicas básicas al ofrecer entornos personalizados,
desafiantes pero
accesibles, y con alto grado de interactividad, lo que convierte el proceso educativo en una
experiencia más atractiva y emocionalmente gratificante.
Estudios realizados por Holmes et al. (2019) y Lu et al. (2018) indican que la
introducción de simuladores inteligentes y plataformas adaptativas en la enseñanza de biología
incrementa de forma significativa los niveles de motivación, interés y satisfacció
n de los
estudiantes. En particular, la posibilidad de explorar fenómenos biológicos complejos a través
de visualizaciones dinámicas, escenarios experimentales interactivos y retroalimentación
inmediata favorece la curiosidad, el compromiso activo y la per
severancia frente a tareas
desafiantes. Esta motivación sostenida se traduce no solo en mejores resultados académicos,
sino también en una actitud más positiva hacia el estudio de las ciencias y una mayor
disposición a continuar aprendiendo en el futuro
(
Piedra
-
Castro
et al.,
2024).
Además, el uso de inteligencia artificial en el aula ha mostrado efectos positivos en el
desarrollo de competencias transversales como la autorregulación del aprendizaje, la
autonomía y la metacognición. Al recibir información continua sobre su desempeño,
los
estudiantes son capaces de monitorear su progreso, identificar sus errores y ajustar sus
estrategias de estudio, lo que incrementa su sentido de autoeficacia y su motivación para
enfrentar nuevos desafíos académicos (Chen et al., 2020). Este proceso de
mejora continua es
especialmente importante en la biología, donde la comprensión profunda de los contenidos
requiere múltiples aproximaciones y niveles de análisis.
No obstante, es necesario señalar que los beneficios de la IA sobre el rendimiento y la
motivación no son automáticos ni universales. Su efectividad depende de múltiples factores,
entre ellos la calidad del diseño instruccional, el nivel de formación del p
rofesorado, la
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2683
Research Article
Volumen
6
, Número E
special
1
, 202
5
adecuación del contenido a los objetivos curriculares y el contexto sociocultural del
estudiantado. Una implementación tecnocéntrica o descontextualizada puede incluso generar
efectos negativos, como la desmotivación o la dependencia excesiva de la tecnolo
gía (Luckin
et al., 2016). Por ello, resulta imprescindible concebir el uso de la IA no como un fin en sí
mismo, sino como una herramienta al servicio de una pedagogía centrada en el estudiante,
crítica y reflexiva.
En conclusión, la inteligencia artificial tiene un impacto altamente positivo en el
aprendizaje estudiantil de la biología, al mejorar tanto el rendimiento académico como la
motivación intrínseca. Las evidencias empíricas muestran que los sistemas intelige
ntes, al
personalizar la enseñanza y ofrecer entornos de aprendizaje interactivos y adaptativos, no solo
optimizan los resultados académicos, sino que también estimulan el compromiso, el interés y
la autonomía del estudiante. Sin embargo, para alcanzar su
máximo potencial, estas
herramientas deben integrarse de manera coherente con principios pedagógicos sólidos, dentro
de un marco curricular que promueva el pensamiento crítico, la participación activa y la
equidad en el acceso al conocimiento científico
(
Moreno
-
Rodriguez
et al.,
2024).
Discusión
Los hallazgos obtenidos en esta revisión bibliográfica permiten concluir que la
inteligencia artificial representa una herramienta didáctica con alto potencial para transformar
los procesos de enseñanza
-
aprendizaje en la disciplina de biología. Más allá de su valor como
innovación tecnológica, la IA funciona como un instrumento pedagó
gico que, adecuadamente
integrado, puede mejorar tanto la calidad del aprendizaje como la participación del estudiante.
En particular, los tutores inteligentes y los simuladores adaptativos se han consolidado como
recursos clave para enfrentar los desafíos
inherentes a la enseñanza de contenidos altamente
complejos y abstractos propios de esta área del conocimiento
(
Piedra
-
Castro
et al.,
2024).
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2684
Research Article
Volumen
6
, Número E
special
1
, 202
5
Los tutores inteligentes, al permitir una personalización continua del proceso educativo,
suplen muchas de las limitaciones de los modelos tradicionales, donde la instrucción
homogénea y lineal no se adapta a la diversidad de ritmos y estilos de aprendizaj
e presentes en
el aula. Estas tecnologías configuran entornos de aprendizaje dinámicos que responden al
progreso individual del estudiante, ajustando tanto la dificultad de los contenidos como la
retroalimentación ofrecida. Esta adaptabilidad se vuelve ese
ncial en la biología, donde el
desarrollo de una comprensión profunda requiere de secuencias conceptuales progresivas, de
la visualización de procesos no observables y del uso preciso de un lenguaje técnico
especializado
(
Cajamarca
-
Correa
et al.,
2024)
.
Por otra parte, los simuladores interactivos permiten representar de forma gráfica,
manipulable e inmersiva fenómenos biológicos que, debido a su escala o nivel de abstracción,
no pueden ser fácilmente observados en un entorno físico. Estas herramientas po
tencian el
aprendizaje experiencial y el razonamiento científico, ya que permiten al estudiante
experimentar con variables, formular hipótesis, observar resultados y establecer relaciones
causales. En consecuencia, no solo se facilita la comprensión de con
ceptos complejos, sino que
también se promueve el desarrollo de habilidades científicas transversales como el análisis, la
síntesis, la modelización y la toma de decisiones informadas.
En cuanto al impacto de estas tecnologías en el aprendizaje estudiantil, los beneficios
son evidentes en dos dimensiones fundamentales: el rendimiento académico y la motivación.
En la primera, se observa un incremento en la retención de conocimientos, la p
recisión
conceptual y la capacidad de resolución de problemas. Esto se explica por la forma en que las
plataformas basadas en IA estructuran experiencias de aprendizaje adaptativas y orientadas al
logro, en las que el estudiante recibe una retroalimentació
n constante que le permite corregir
errores, profundizar contenidos y progresar de manera autónoma. En la segunda dimensión, la
motivación, los entornos inteligentes generan un efecto estimulante al permitir experiencias
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2685
Research Article
Volumen
6
, Número E
special
1
, 202
5
interactivas, visualmente atractivas y adaptadas al nivel de competencia del usuario. Esta
combinación favorece el interés sostenido, la autorregulación del estudio y el compromiso
emocional con la disciplina, factores que inciden directamente en la dispos
ición para aprender
y en la permanencia en trayectorias científicas
(
Moreno
-
Rodriguez
et al.,
2024).
No obstante, los beneficios de la inteligencia artificial en educación no deben
considerarse automáticos ni generalizables sin un análisis crítico de los contextos en los que se
implementa. Su efectividad está condicionada por la calidad del diseño instruc
cional, la
competencia pedagógica del docente, el acceso equitativo a recursos tecnológicos y la
articulación con los objetivos curriculares. Sin estos elementos, el uso de IA puede reducirse a
una experiencia superficial, centrada en la herramienta y no e
n el aprendizaje, e incluso generar
desmotivación o dependencia tecnológica.
En síntesis, la inteligencia artificial, cuando se integra con criterios pedagógicos claros,
promueve mejoras sustanciales en el aprendizaje de la biología. Contribuye al rendimiento
académico a través de la adaptación personalizada de los contenidos y fom
enta la motivación
al ofrecer experiencias significativas, interactivas y centradas en el estudiante. No obstante, su
implementación requiere planificación, formación docente y una visión crítica que supere el
entusiasmo tecnológico para enfocarse en la tr
ansformación educativa auténtica. La IA, por
tanto, debe entenderse como un medio al servicio de una pedagogía reflexiva, inclusiva y
orientada al desarrollo integral del pensamiento científico
(Chen et al., 2020).
Conclusión
La inteligencia artificial se consolida como un recurso pedagógico de alto valor en el
ámbito de la enseñanza de la biología, al facilitar procesos de aprendizaje más personalizados,
interactivos y eficaces. A través del uso de tutores inteligentes y simul
adores adaptativos, los
estudiantes no solo logran comprender con mayor profundidad los conceptos complejos
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2686
Research Article
Volumen
6
, Número E
special
1
, 202
5
propios de esta disciplina, sino que también desarrollan habilidades cognitivas avanzadas y una
mayor disposición para el estudio autónomo. Estas herramientas permiten adaptar la enseñanza
al ritmo y estilo de cada estudiante, favoreciendo la autorregulaci
ón del aprendizaje y
mejorando sustancialmente el rendimiento académico. Al mismo tiempo, la interactividad, la
visualización de fenómenos abstractos y la retroalimentación inmediata que ofrecen estos
entornos fomentan la motivación intrínseca y el comprom
iso sostenido con la materia. Sin
embargo, estos beneficios no se alcanzan por la mera incorporación de tecnología, sino que
dependen de su integración pedagógica adecuada, de una planificación didáctica coherente y
de la formación docente pertinente. En e
ste sentido, la inteligencia artificial debe ser entendida
como una herramienta al servicio de una educación más inclusiva, crítica y centrada en el
estudiante, capaz de responder a las demandas formativas del siglo XXI. Por tanto, se hace
necesario contin
uar investigando sus aplicaciones en distintos contextos y niveles educativos,
así como generar marcos de implementación que garanticen su uso ético, equitativo y
pedagógicamente sustentado.
Referencias bibliográficas
Aljohani, N. R., Davis, H. C., & Pallant, E. (2022).
Adaptive Learning Systems and Student
Performance: A Systematic Literature Review.
Education and Information
Technologies, 27
, 679
–
702.
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
Chen, L., Chen, P., & Lin, Z. (2020). Artificial Intelligence in Education: A Review.
IEEE
Access, 8
, 75264
–
75278.
https://doi.org/10.1109/ACCESS.2020.2988510
Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and
the self
-
determination of behavior.
Psychological Inquiry, 11
(4), 227
–
268.
https://doi.org/10.1207/S15327965PLI1104_01
Graesser, A., Hu, X., Nye, B. D., & Sottilare, R. (2022). Intelligent tutoring systems and
learning outcomes: A meta
-
analytic review. In R. Sottilare & A. Graesser (Eds.),
Design recommendations for intelligent tutoring systems
(Vol. 10, pp. 3
–
26). U.S.
Código Científico Revista de Investigación/ V.
6
/ N
.E
1
/
www.revistacodigocientifico.itslosandes.net
pág.
2687
Research Article
Volumen
6
, Número E
special
1
, 202
5
Army Combat Capabilities Development Command.
Helikar, T., Kowal, B., McClenathan, S.
et al.
The Cell Collective: Toward an open and
collaborative approach to systems biology.
BMC Syst Biol
6, 96 (2012).
https://doi.org/10.1186/1752
-
0509
-
6
-
96
Holmes, W., Bialik, M., & Fadel, C. (2019).
Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning
. Center for Curriculum Redesign.
https://curriculumredesign.org/wp
-
content/uploads/AI
-
in
-
Education.pdf
Horwitz, P., & Christie, M. A. (2000). Using computer models to teach genetics: The
BioLogica
™
project.
Journal of Biological Education, 34
(2), 80
–
83.
Lu, O. H. T., Huang, A. Y. Q., Huang, J. C. H., & Yang, S. J. H. (2018). Applying learning
analytics for the early prediction of students’ academic performance in blended
learning.
Educational Technology & Society, 21
(2), 220
–
232.
https://www.jstor.org/stable/26388400
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016).
Intelligence Unleashed: An
Argument for AI in Education
.
Pearson Education.
https://discovery.ucl.ac.uk/id/eprint/1475756
Moreno
-
Rodriguez, C. J., Otavalo
-
Criollo, I. A., Gallardo
-
Chiluisa, N. N., Díaz
-
Avelino, J. R.,
Ochoa Reyes, R. D., Moreno
-
Gudiño, B. P., Peñaherrera Andrade, R. S., & Ojeda
-
Ojeda, J. J. (2024).
Gestión del Conocimiento y Educación en el Desarrollo
Organizacional y Académico
.
Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.98
Nye, B. D., Graesser, A. C., & Hu, X. (2014).
AutoTutor and Family: A Review of 17 Years
of Natural Language Tutoring.
International Journal of Artificial Intelligence in
Education, 24
(4), 427
–
469.
https://doi.org/10.1007/s40593
-
014
-
0029
-
5
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
Steenbergen
-
Hu, S., & Cooper, H. (2014). A meta
-
analysis of the effectiveness of intelligent
tutoring systems on college students’ academic learning.
Journal of Educational
Psychology, 106
(2), 331
–
347.
https://doi.org/10.1037/a0034752
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
Zawacki
-
Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education
–
where are the
educators?
International Journal of Educational Technology in Higher Education,
16
(1), 1
–
27.
https://doi.org/10.1186/s41239
-
019
-
0171
-
0