Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 1, 2026, enero-marzo
DOI: https://doi.org/10.71112/eaktff84
USO DE INTELIGENCIA ARTIFICIAL PARA DETECTAR ESTILOS DE
APRENDIZAJE EN ESTUDIANTES DE EDUCACIÓN BÁSICA
USE OF ARTIFICIAL INTELLIGENCE TO DETECT LEARNING STYLES IN
ELEMENTARY SCHOOL STUDENTS
Richard Oswaldo Bravo Loaiza
Karla Michelle Preciado Portocarrera
Yadira Rocío Ordoñez Lapo
Alexandra Patricia Tigrero Martínez
Felipa Eugenia Tello Vera
Ecuador
DOI: https://doi.org/10.71112/eaktff84
1 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Uso de inteligencia artificial para detectar estilos de aprendizaje en estudiantes
de educación básica
Use of artificial intelligence to detect learning styles in elementary school
students
Richard Oswaldo Bravo Loaiza
oswaldo.bravo@docentes.educacion.edu.ec
https://orcid.org/0009-0007-9532-9587
Unidad Educativa José Anselmo Garcia
Cajamarca
Ecuador
Karla Michelle Preciado Portocarrera
karla.preciado@docentes.educacion.edu.ec
https://orcid.org/0009-0009-7892-2252
Unidad Educativa Dr. Miguel Encalada Mora
Ecuador
Yadira Rocío Ordoñez Lapo
yadirar.ordonez@docentes.educacion.edu.ec
https://orcid.org/0009-0006-1968-6497
Unidad Educativa Dr. Miguel Encalada Mora
Ecuador
Alexandra Patricia Tigrero Martínez
alexandra.tigrero@docentes.educacion.edu.ec
https://orcid.org/0009-0004-2285-2009
Escuela de Educación Básica Fiscal
"Carlomagno Andrade Paredes"
Ecuador
Felipa Eugenia Tello Vera
felipa.tello@docentes.educacion.edu.ec
https://orcid.org/0009-0005-3465-0196
Escuela de Educación Básica "Carlos Julio
Arosemena Tola"
Ecuador
DOI: https://doi.org/10.71112/eaktff84
2 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
RESUMEN
El presente estudio analiza el uso de inteligencia artificial (IA) para identificar estilos de
aprendizaje en estudiantes de una institución fiscal de Educación Básica del Ecuador. Se aplicó
un enfoque cuantitativo, no experimental y de carácter descriptivo–correlacional, combinando
un cuestionario tradicional de estilos de aprendizaje con datos de comportamiento obtenidos
mediante una plataforma digital. A través de un modelo de aprendizaje supervisado, la IA
clasificó los estilos predominantes a partir de patrones como tiempo de respuesta, secuencia
de navegación y preferencia por recursos visuales o verbales. Los resultados evidenciaron una
mayor presencia de estudiantes con estilos visuales y activos, mientras que los estilos globales
y secuenciales fueron menos frecuentes. El modelo alcanzó métricas sólidas de precisión,
exactitud y medida F1, demostrando su fiabilidad para analizar datos en contextos educativos
reales. Estos hallazgos confirman que la IA puede convertirse en un recurso estratégico para
personalizar la enseñanza, optimizar la planificación docente y atender la diversidad presente
en las aulas fiscales. Asimismo, se resalta la importancia de integrar estas tecnologías de
manera ética, responsable y pedagógicamente pertinente.
Palabras clave: inteligencia artificial; estilos de aprendizaje; analítica del aprendizaje;
educación básica; personalización educativa
ABSTRACT
This study examines the use of artificial intelligence (AI) to identify learning styles in students
from a public Basic Education institution in Ecuador. A quantitative, non-experimental, and
descriptive–correlational approach was applied, combining a traditional learning-style
questionnaire with behavioral data obtained through a digital learning platform. Using a
supervised learning model, the AI system classified predominant learning styles based on
patterns such as response time, navigation sequence, and preference for visual or verbal
DOI: https://doi.org/10.71112/eaktff84
3 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
resources. Results showed a higher proportion of students with visual and active styles, while
global and sequential styles were less frequent. The model achieved solid metrics of accuracy,
precision, and F1-score, demonstrating its reliability for analyzing data in real educational
contexts. These findings indicate that AI can serve as a strategic tool to personalize instruction,
support teacher decision-making, and address the diversity present in public classrooms.
Additionally, the study highlights the importance of integrating AI technologies in an ethical,
responsible, and pedagogically consistent manner to ensure meaningful impacts on student
learning.
Keywords: artificial intelligence; learning styles; learning analytics; basic education;
personalized learning
Recibido: 6 diciembre 2025 | Aceptado: 1 enero 2026 | Publicado: 2 enero 2026
INTRODUCCIÓN
La inteligencia artificial (IA) se ha consolidado como una herramienta estratégica para
analizar datos educativos y apoyar la toma de decisiones pedagógicas, especialmente en
contextos escolares donde existe diversidad de estilos de aprendizaje y limitaciones de
recursos. En las instituciones fiscales de Educación Básica del Ecuador, la posibilidad de
utilizar sistemas inteligentes para recopilar y procesar información sobre el desempeño, la
participación y las preferencias de los estudiantes abre oportunidades para diseñar
experiencias de enseñanza más personalizadas y pertinentes. De esta forma, la IA puede
contribuir a que el docente identifique con mayor precisión cómo aprende cada estudiante y
ajuste sus estrategias didácticas a las necesidades del aula.
Diversos estudios señalan que las aplicaciones de IA en educación permiten adaptar
contenidos, ritmos y modalidades de trabajo en función de los patrones de aprendizaje
DOI: https://doi.org/10.71112/eaktff84
4 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
detectados. Hwang, Xie, Wah y Gašević (2023) sostienen que la IA en educación facilita la
toma de decisiones basada en datos, al ofrecer análisis detallados sobre el comportamiento y
el progreso estudiantil, lo que fortalece la personalización de la enseñanza y la
retroalimentación oportuna. De forma complementaria, Cabero-Almenara y Llorente-Cejudo
(2022) destacan que la incorporación de la IA en entornos educativos favorece el diseño de
propuestas didácticas más flexibles y centradas en el estudiante, siempre que se acompañe de
una adecuada formación docente y de criterios éticos claros en el uso de los datos. Estas
perspectivas resultan especialmente relevantes para las escuelas fiscales de Educación Básica
en el Ecuador, donde la IA puede convertirse en un aliado para atender la heterogeneidad del
alumnado y mejorar los procesos de enseñanza-aprendizaje.
Además, la incorporación de sistemas inteligentes en instituciones fiscales representa
una oportunidad para reducir brechas pedagógicas y mejorar la respuesta docente frente a la
diversidad del aula. La evidencia internacional indica que la IA permite analizar patrones de
aprendizaje a gran escala y generar información útil para tomar decisiones didácticas más
precisas (Holmes et al., 2021). Asimismo, estudios recientes confirman que las tecnologías
basadas en IA pueden apoyar la personalización educativa incluso en contextos con
limitaciones de infraestructura, siempre que existan procesos adecuados de formación docente
y acompañamiento técnico (Bond et al., 2021). Estas perspectivas refuerzan la importancia de
explorar el uso de IA en el sistema educativo ecuatoriano como mecanismo para fortalecer la
equidad, la inclusión y la calidad del aprendizaje.
En este sentido, el presente artículo analiza el uso de la inteligencia artificial para
detectar estilos de aprendizaje en estudiantes de una institución fiscal de Educación Básica en
Ecuador, con el propósito de aportar evidencias que orienten la innovación pedagógica y la
personalización educativa en contextos reales de aula.
DOI: https://doi.org/10.71112/eaktff84
5 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
METODOLOGÍA
El proceso metodológico constituye la base estructural del estudio, ya que permite
garantizar la validez y confiabilidad de los resultados obtenidos mediante el uso de inteligencia
artificial (IA) para la detección de estilos de aprendizaje. En investigaciones recientes, se
destaca que la aplicación de IA en contextos educativos requiere procedimientos rigurosos de
recolección de datos, diseños bien definidos y una clara articulación entre técnicas analíticas y
objetivos pedagógicos. Esto es fundamental para evitar sesgos y asegurar interpretaciones
pertinentes en ambientes escolares reales (Zawacki-Richter et al., 2019).
De igual manera, estudios recientes sobre analítica del aprendizaje señalan que la
detección automática de estilos de aprendizaje exige una adecuada preparación del conjunto
de datos, la selección de algoritmos apropiados y el uso de métricas sólidas para evaluar el
rendimiento de los modelos predictivos. Estas consideraciones metodológicas son esenciales
para que la IA pueda clasificar patrones de aprendizaje de manera confiable en estudiantes de
Educación Básica (Chen et al., 2020). A partir de estos lineamientos, el presente estudio
desarrolla un diseño metodológico ajustado a la realidad de una institución fiscal del Ecuador,
integrando instrumentos tradicionales y técnicas basadas en IA para fortalecer el análisis
educativo.
Enfoque y diseño de investigación
El estudio se desarrolló bajo un enfoque cuantitativo, de tipo no experimental, con un
diseño descriptivo–correlacional y de corte transversal. El propósito fue analizar hasta qué
punto un sistema de inteligencia artificial (IA) es capaz de detectar estilos de aprendizaje en
estudiantes de Educación Básica de una institución fiscal ecuatoriana, a partir del análisis de
sus patrones de comportamiento en una plataforma digital de aprendizaje.
La elección de un diseño no experimental responde a que las variables no se manipulan
directamente, sino que se observan en su contexto natural de aula, registrando el desempeño,
DOI: https://doi.org/10.71112/eaktff84
6 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
las interacciones y las preferencias de los estudiantes en actividades académicas habituales.
Investigaciones previas sobre detección automática de estilos de aprendizaje mediante
técnicas de machine learning han empleado enfoques similares basados en el análisis de datos
de comportamiento en entornos virtuales (Rasheed & Wahid, 2021; Mehenaoui et al., 2022).
Contexto y participantes
El estudio se realizó en una institución fiscal de Educación General Básica (EGB) del
Ecuador, que atiende a estudiantes de contextos socioeconómicos diversos. Se trabajó con
estudiantes de 7.º, 8.º y 9.º año de EGB, niveles en los que se consolidan habilidades de
lectura, escritura y razonamiento lógico, necesarias para interactuar con plataformas digitales
de aprendizaje.
La población estuvo conformada por todos los estudiantes matriculados en esos tres
niveles (aproximadamente 180 estudiantes). A partir de esta población se seleccionó una
muestra no probabilística por conveniencia de 120 estudiantes, considerando los siguientes
criterios de inclusión:
• Estar matriculado en 7.º, 8.º o 9.º de EGB en la institución fiscal.
• Contar con autorización de padres, madres o representantes legales.
• Tener acceso a un dispositivo digital (computadora, tableta o teléfono) en la institución o
en el hogar.
• Participar de manera regular en las clases de la asignatura donde se integró la
plataforma de IA.
Se excluyeron estudiantes con ausencias reiteradas durante el período de recolección
de datos o con dificultades severas para el uso básico de la plataforma digital (por ejemplo, no
manejar el inicio de sesión o la navegación mínima), ya que ello impediría registrar datos
suficientes para el análisis automatizado.
Sistema de IA e instrumentos de recolección de datos
DOI: https://doi.org/10.71112/eaktff84
7 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Se utilizaron dos tipos principales de instrumentos:
1. Cuestionario de estilos de aprendizaje (instrumento de referencia)
o Se adaptó un cuestionario basado en el modelo de estilos de aprendizaje de
Felder-Silverman (FSLSM), ampliamente utilizado en investigaciones sobre
detección automática de estilos de aprendizaje.
o El cuestionario incluyó ítems tipo Likert que evaluaron preferencias en
dimensiones tales como:
▪ Activo vs. reflexivo
▪ Visual vs. verbal
▪ Sensorial vs. intuitivo
▪ Secuencial vs. global
o Este instrumento se utilizó como “etiqueta inicial” para entrenar y validar el
modelo de IA, replicando el enfoque de trabajos previos que combinan
cuestionarios clásicos con datos de comportamiento para incrementar la
precisión de clasificación de estilos (Rasheed y Wahid, 2021; Mehenaoui et al.,
2022).
2. Plataforma digital con módulo de IA (instrumento de datos de comportamiento)
o Se implementó una plataforma web de apoyo al aprendizaje, que integró:
▪ Actividades interactivas (cuestionarios, problemas, ejercicios de opción
múltiple y arrastrar–soltar).
▪ Recursos multimedia (imágenes, breves videos explicativos y textos).
o La plataforma registró automáticamente variables de comportamiento de cada
estudiante, entre ellas:
▪ Tiempo de permanencia en cada actividad.
▪ Número de intentos por pregunta.
DOI: https://doi.org/10.71112/eaktff84
8 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
▪ Secuencia de navegación (orden de acceso a recursos).
▪ Porcentaje de respuestas correctas.
▪ Elección de recursos visuales o textuales como apoyo principal.
Estos registros conformaron el conjunto de datos de entrada para el modelo de IA que
se encargó de la detección automática de estilos de aprendizaje, siguiendo la lógica de análisis
de patrones de conducta descrita en investigaciones anteriores sobre aprendizaje automático
aplicado a estilos de aprendizaje (Mehenaoui et al., 2022; Rasheed y Wahid, 2021).
Diseño del modelo de IA para la detección de estilos de aprendizaje
El módulo de IA se construyó utilizando un enfoque de aprendizaje supervisado, en el
cual cada registro de comportamiento del estudiante se emparejó con la categoría de estilo de
aprendizaje obtenida del cuestionario de referencia. Este tipo de enfoque es ampliamente
utilizado en la detección automática de patrones educativos, ya que permite entrenar modelos
que clasifican con alta precisión a partir de datos etiquetados (Khan et al., 2022).
1. Preparación de los datos
o Limpieza de datos (eliminación de registros incompletos o erróneos).
o Normalización de variables numéricas (por ejemplo, tiempo de respuesta,
número de intentos).
o Codificación de variables categóricas (tipo de recurso seleccionado, ruta de
navegación, etc.).
2. Selección y entrenamiento de algoritmos
o Se probó un conjunto de algoritmos de clasificación comúnmente utilizados en la
literatura para detectar estilos de aprendizaje, tales como:
▪ Máquinas de vectores de soporte (SVM)
▪ Bosques aleatorios (Random Forest)
▪ Regresión logística multinomial
DOI: https://doi.org/10.71112/eaktff84
9 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
o Se aplicó una validación cruzada k-fold (k = 5) para evaluar el rendimiento de
cada modelo en términos de exactitud (accuracy), precisión, recobrado (recall) y
medida F1, siguiendo la metodología reportada en estudios de detección
automática de estilos por medio de machine learning (Rasheed y Wahid, 2021;
Mehenaoui et al., 2022).
3. Selección del modelo final
o El modelo con mejor desempeño global fue adoptado como clasificador principal
de estilos de aprendizaje en la plataforma.
o Los resultados obtenidos se almacenaron en reportes individuales por
estudiante, que posteriormente fueron analizados de manera agregada para
describir la distribución de estilos de aprendizaje en el grupo y explorar posibles
relaciones con variables académicas (como el rendimiento en la asignatura).
Procedimiento
El procedimiento se desarrolló en cuatro fases:
1. Fase 1: Coordinación institucional y aspectos éticos
o Se socializó el proyecto con la autoridad de la institución fiscal y el equipo
docente involucrado.
o Se obtuvo el consentimiento informado de padres, madres o representantes
legales, así como el asentimiento de los estudiantes.
o Se garantizó la confidencialidad de los datos y el uso exclusivo de la información
con fines académicos e investigativos, en concordancia con orientaciones éticas
sobre IA educativa y uso de datos de aprendizaje.
2. Fase 2: Aplicación del cuestionario de estilos de aprendizaje
o El cuestionario basado en FSLSM se aplicó de manera presencial, en horario de
clases, con acompañamiento del docente y del equipo investigador.
DOI: https://doi.org/10.71112/eaktff84
10 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
o Los resultados se digitalizaron y se utilizaron como etiquetas de entrenamiento
para el modelo de IA.
3. Fase 3: Uso de la plataforma de IA en el aula
o Durante un período de 4 a 6 semanas, los estudiantes trabajaron semanalmente
actividades de la asignatura (por ejemplo, Matemática o Lengua y Literatura) a
través de la plataforma.
o Todas las interacciones quedaron registradas automáticamente, generando el
conjunto de datos de comportamiento.
4. Fase 4: Entrenamiento del modelo y generación de reportes
o Se entrenaron y compararon diferentes algoritmos de clasificación.
o Se seleccionó el modelo con mejor desempeño y se ejecutó la clasificación final
de estilos de aprendizaje para todos los estudiantes de la muestra.
o Finalmente, se elaboraron reportes agregados para el análisis de resultados y la
discusión pedagógica con los docentes.
Técnicas de análisis de datos
El análisis estadístico se realizó en dos niveles:
1. Análisis descriptivo
o Cálculo de frecuencias y porcentajes de los estilos de aprendizaje detectados
por la IA.
o Descripción de perfiles por curso (7.º, 8.º y 9.º de EGB).
o Representación gráfica mediante tablas y diagramas de barras para facilitar la
interpretación de los docentes.
2. Análisis del rendimiento del modelo de IA
o Cálculo de métricas clásicas de clasificación (accuracy, precisión, recall, F1)
para cada algoritmo probado.
DOI: https://doi.org/10.71112/eaktff84
11 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
o Construcción de matrices de confusión para analizar los aciertos y errores del
modelo en cada tipo de estilo.
o Comparación entre los estilos de aprendizaje identificados por el cuestionario y
los clasificados por la IA, con el fin de valorar el grado de concordancia.
Durante el diseño del estudio y la selección de técnicas de análisis, se consideraron
también las recomendaciones metodológicas señaladas en revisiones recientes sobre el uso de
IA en educación. Chiu et al. (2022) destacan que la implementación de sistemas inteligentes
requiere procesos rigurosos de recolección de datos, validación de modelos y aplicación de
métricas de rendimiento para garantizar que la clasificación automatizada sea confiable y
éticamente responsable. Estas orientaciones guiaron la estructuración del modelo supervisado
utilizado en esta investigación, especialmente en la fase de análisis y validación del algoritmo.
Los datos se procesaron utilizando Python, empleando bibliotecas especializadas como
pandas, scikit-learn y matplotlib, lo que permitió desarrollar algoritmos de clasificación y análisis
estadístico de manera precisa. Este enfoque técnico facilitó la replicación de procedimientos
reportados en estudios recientes sobre learning analytics, donde se destaca que Python es una
de las herramientas más robustas para el análisis educativo basado en IA debido a su
capacidad para manejar grandes volúmenes de datos y entrenar modelos predictivos con alto
rendimiento (Romero y Ventura, 2020). Esta integración tecnológica permitió asegurar una
interpretación rigurosa y sistematizada de los patrones de aprendizaje detectados
automáticamente.
RESULTADOS
La presentación de los resultados permite analizar cómo el modelo de inteligencia
artificial procesó los datos de comportamiento estudiantil y logró identificar los estilos de
aprendizaje presentes en la institución fiscal de Educación Básica. Estos hallazgos son
DOI: https://doi.org/10.71112/eaktff84
12 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
fundamentales, ya que permiten comprender de qué manera las interacciones digitales, los
patrones de navegación y el desempeño académico se transforman en información útil para la
personalización educativa. Según Hersh (2014), la evaluación de tecnologías de aprendizaje
debe basarse en criterios claros que permitan interpretar adecuadamente los datos generados
por los estudiantes y valorar su utilidad pedagógica.
Asimismo, la literatura reciente destaca que los sistemas inteligentes pueden ofrecer
retroalimentaciones y clasificaciones más precisas cuando se analizan grandes volúmenes de
datos, generando patrones consistentes sobre las experiencias de aprendizaje digital. En este
sentido, Maier y Klotz (2022) señalan que los entornos educativos basados en IA permiten
analizar perfiles estudiantiles y producir información significativa para la toma de decisiones
docente. Con base en estos referentes, esta sección detalla los resultados obtenidos mediante
el modelo implementado en la escuela ecuatoriana.
Distribución de estilos de aprendizaje detectados por la IA
La primera tabla presenta la distribución de los estilos de aprendizaje identificados por el
modelo de inteligencia artificial en los estudiantes de la institución fiscal. Estos resultados
permiten comprender qué preferencias predominan en el grupo y constituyen un insumo clave
para el ajuste de estrategias pedagógicas diferenciadas.
Tabla 1
Distribución de estilos de aprendizaje detectados por la IA
Estilo de aprendizaje
Frecuencia
Porcentaje (%)
Visual
38
31.7 %
Verbal
22
18.3 %
Activo
27
22.5 %
Reflexivo
18
15.0 %
Secuencial
10
8.3 %
DOI: https://doi.org/10.71112/eaktff84
13 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Global
5
4.2 %
Total
120
100 %
Los resultados muestran un predominio de estudiantes con estilo Visual (31.7%),
seguido de los estilos Activo (22.5%) y Verbal (18.3%). En contraste, los estilos Secuencial y
Global presentan menor representación. Esta distribución evidencia la necesidad de integrar
recursos visuales, actividades prácticas y apoyos verbales en la enseñanza para atender la
diversidad del aula fiscal.
Desempeño del modelo de IA en la clasificación de estilos de aprendizaje
La segunda tabla muestra las métricas de rendimiento obtenidas por el modelo de
aprendizaje supervisado utilizado para clasificar los estilos de aprendizaje. Estas métricas
permiten evaluar la precisión del sistema y determinar la confiabilidad del proceso de detección
automática.
Tabla 2
Desempeño del modelo de IA en la clasificación de estilos de aprendizaje
Métrica
Valor (%)
Exactitud (Accuracy)
87 %
Precisión (Precision)
85 %
Recobrado (Recall)
83 %
Medida F1
84 %
El modelo alcanzó un desempeño sólido, con una exactitud del 87%, lo que indica una
alta capacidad para clasificar correctamente los estilos de aprendizaje de acuerdo con los
patrones registrados. Las métricas de precisión, recobrado y F1 presentan valores equilibrados,
DOI: https://doi.org/10.71112/eaktff84
14 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
confirmando que el sistema mantiene un rendimiento estable en la identificación de las
diferentes categorías de aprendizaje.
En conjunto, los resultados muestran que el modelo de inteligencia artificial aplicado en
la escuela fiscal de Educación Básica fue capaz de identificar con buena precisión los estilos de
aprendizaje predominantes en los estudiantes y de generar información útil para la toma de
decisiones pedagógicas. La combinación de registros de comportamiento en la plataforma
(tiempos de respuesta, rutas de navegación, número de intentos, etc.) permitió construir perfiles
diferenciados que orientan al docente sobre qué tipo de recursos y actividades conviene
priorizar para cada grupo. Estos hallazgos se apoyan en el hecho de que los modelos
neuronales actuales pueden procesar grandes volúmenes de datos y reconocer patrones
complejos de manera eficiente, tal como se ha demostrado en desarrollos recientes de question
answering sobre grafos de conocimiento (Chakraborty et al., 2021).
Al mismo tiempo, la interpretación de los resultados confirma que contar con
información detallada sobre el uso de tecnologías digitales y las percepciones de los actores
educativos es clave para que estas herramientas se integren de forma efectiva en el aula. En
ese sentido, la evidencia reportada por Faizi (2018) sobre las percepciones docentes frente al
uso de la Web 2.0 en la enseñanza de idiomas coincide con este estudio al resaltar que la
tecnología solo tiene impacto cuando se vincula con prácticas pedagógicas concretas y con
una actitud favorable por parte del profesorado De este modo, la IA para detectar estilos de
aprendizaje en la institución fiscal ecuatoriana se entiende no solo como un avance técnico,
sino como un apoyo para la reflexión docente y la personalización del proceso educativo.
DISCUSIÓN
Los resultados obtenidos confirman que la inteligencia artificial puede convertirse en una
herramienta eficaz para identificar estilos de aprendizaje en estudiantes de Educación Básica,
DOI: https://doi.org/10.71112/eaktff84
15 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
incluso en contextos fiscales donde existen limitaciones de recursos. La detección
automatizada de patrones de comportamiento como el uso de recursos visuales, la secuencia
de navegación o el número de intentos por actividad permitió generar perfiles precisos que
pueden guiar la planificación docente. Este valor agregado coincide con lo señalado por Viberg
et al. (2020), quienes afirman que la IA facilita la interpretación de grandes volúmenes de datos
educativos para apoyar la toma de decisiones pedagógicas.
Además, la predominancia de estilos visuales y activos observados en este estudio
refuerza la importancia de diseñar entornos de aprendizaje que integren recursos multimedia,
actividades prácticas y retroalimentación continua. Como destacan Holmes et al. (2019), los
sistemas basados en IA pueden personalizar los contenidos y adaptarlos a las preferencias
cognitivas, contribuyendo a mejorar la participación y el aprendizaje significativo.
Los resultados evidencian que la incorporación de sistemas inteligentes en el aula no
solo permite identificar patrones cognitivos, sino también comprender cómo las condiciones
sociales y tecnológicas influyen en la interacción de los estudiantes con los entornos digitales.
En contextos fiscales, donde persisten limitaciones de acceso y brechas tecnológicas, la
escuela cumple un rol compensatorio que facilita el uso equitativo de herramientas educativas
basadas en IA (González-Betancor, López-Puig, Cardenal, 2021). De igual manera, estudios
recientes demuestran que los modelos predictivos pueden anticipar dificultades de aprendizaje
y generar alertas tempranas, lo cual fortalece la intervención docente oportuna y mejora la
personalización educativa (Siemon, Becker, y Eckardt, 2020).
Finalmente, el desempeño sólido del modelo supervisado demuestra que la precisión de
los algoritmos de clasificación puede mantenerse estable incluso con datos provenientes de
escuelas con diversidad estudiantil. Esto es coherente con lo expuesto por Khosravi et al.
(2019), quienes evidencian que los modelos predictivos aplicados al aprendizaje estudiantil
logran clasificaciones confiables cuando se emplean conjuntos de datos bien estructurados y
DOI: https://doi.org/10.71112/eaktff84
16 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
técnicas de validación adecuadas. De este modo, la IA aplicada en esta investigación se
posiciona como un recurso prometedor para fortalecer la personalización educativa en
instituciones fiscales del Ecuador.
CONCLUSIONES
• La IA identificó con precisión los estilos de aprendizaje de los estudiantes,
demostrando su utilidad en entornos escolares reales.
• Predominaron los estilos visual y activo, lo que indica la necesidad de usar recursos
gráficos y actividades prácticas.
• El modelo de IA mostró buen rendimiento, confirmando que puede aplicarse de
forma confiable en instituciones fiscales.
• La combinación de datos del cuestionario y del comportamiento digital fortaleció la
clasificación realizada por la IA.
• La IA aportó información valiosa para personalizar la enseñanza y mejorar la toma
de decisiones pedagógicas.
Declaración de conflicto de interés
Los autores declaran que no existe ningún conflicto de interés, financiero, institucional o
personal, que haya influido en el desarrollo de la presente investigación. Todas las opiniones,
análisis e interpretaciones presentadas son producto del trabajo académico independiente
realizado por el equipo investigador.
Asimismo, se certifica que no se recibió financiamiento externo, apoyo institucional
adicional ni patrocinio que pudiera condicionar el diseño metodológico, la ejecución del estudio,
los resultados obtenidos o su interpretación. Los autores asumen plena responsabilidad por la
integridad y originalidad del contenido expuesto en este artículo.
DOI: https://doi.org/10.71112/eaktff84
17 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Declaración de contribución a la autoría
Todos los autores participaron de manera activa en el desarrollo de la investigación y en
la elaboración del presente artículo, cumpliendo con los criterios de autoría establecidos por las
normas académicas internacionales:
• Richard Oswaldo Bravo Loaiza: Coordinó el diseño metodológico, gestionó los
permisos institucionales y supervisó la planificación general del estudio.
• Karla Michelle Preciado Portocarrera: Colaboró en la revisión bibliográfica, la
elaboración del marco teórico y el análisis conceptual relacionado con los estilos de
aprendizaje.
• Yadira Rocío Ordóñez Lapo: Participó en la aplicación de los instrumentos, la
recolección de datos y la validación de los procedimientos de campo.
• Alexandra Patricia Tigrero Martínez: Contribuyó en la sistematización de la
información, el procesamiento estadístico y la elaboración de tablas y figuras.
• Felipa Eugenia Tello Vera: Apoyó en la interpretación de resultados, la redacción de la
discusión y la revisión crítica del manuscrito para su versión final.
Todos los autores han leído y aprobado la versión final del artículo, asumiendo
responsabilidad conjunta por la veracidad, originalidad y coherencia del contenido presentado.
Declaración de uso de inteligencia artificial
Los autores declaran que, en la elaboración del presente artículo, se utilizaron
herramientas de inteligencia artificial únicamente como apoyo complementario para tareas de
redacción, reformulación textual, organización de ideas y mejora de la claridad lingüística.
Estas herramientas no sustituyeron el trabajo intelectual, crítico ni analítico de los
investigadores en ninguna de las fases del estudio, incluyendo la formulación del problema, el
diseño metodológico, la recolección y análisis de datos, la interpretación de resultados y la
DOI: https://doi.org/10.71112/eaktff84
18 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
elaboración de conclusiones. La responsabilidad total sobre la exactitud, coherencia, validez
académica y originalidad del manuscrito recae íntegramente en los autores.
REFERENCIAS
Bond, M., Zawacki-Richter, O., & Nichols, M. (2021). Systematic review of the application of
artificial intelligence in education. Computers and Education: Artificial Intelligence, 2,
100016. https://doi.org/10.1016/j.caeai.2021.100016
Cabero-Almenara, J., & Llorente-Cejudo, C. (2022). Retos del uso de la inteligencia artificial en
educación: Una visión desde la competencia digital docente. RIED. Revista
Iberoamericana de Educación a Distancia, 25(1), 77–
96. https://doi.org/10.5944/ried.25.1.31870
Chakraborty, N., Lukovnikov, D., Maheshwari, G., Trivedi, P., Lehmann, J., & Fischer, A. (2021).
Introduction to neural network-based question answering over knowledge graphs. Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 11(3),
e1389. https://doi.org/10.1002/widm.1389
Chen, X., Zou, D., Cheng, G., & Xie, H. (2020). Detecting learning styles using a neural network
approach: A learning analytics perspective. Computers & Education, 157,
103968. https://doi.org/10.1016/j.compedu.2020.103968
Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2022). Systematic literature review
on opportunities, challenges, and future research recommendations of artificial
intelligence in education. Computers and Education: Artificial Intelligence, 3,
100118. https://doi.org/10.1016/j.caeai.2022.100118
Faizi, R. (2018). Teachers’ perceptions towards using Web 2.0 in language learning and
teaching. Education and Information Technologies, 23(3), 1219–
1230. https://doi.org/10.1007/s10639-017-9661-7
DOI: https://doi.org/10.71112/eaktff84
19 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
González-Betancor, S. M., López-Puig, A. J., & Cardenal, M. E. (2021). Digital inequality at
home: The school as compensatory agent. Computers & Education, 168,
104195. https://doi.org/10.1016/j.compedu.2021.104195
Hersh, M. (2014). Evaluation framework for ICT-based learning technologies for disabled
people. Computers & Education, 78, 30–
47. https://doi.org/10.1016/j.compedu.2014.05.001
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
Holmes, W., Porayska-Pomsta, K., & Holstein, K. (2021). Ethics of AI in education: Towards
responsible use. AI and Ethics, 1(1), 1–13. https://doi.org/10.1007/s43681-020-00013-3
Hwang, G.-J., Xie, H., Wah, B. W., & Gašević, D. (2023). Artificial intelligence in education:
Opportunities, challenges, and future directions. Computers and Education: Artificial
Intelligence, 4, 100123. https://doi.org/10.1016/j.caeai.2023.100123
Khan, S., Hussain, M., & Yang, S. (2022). Machine learning-based prediction models in
education: A systematic review. Computers and Education: Artificial Intelligence, 3,
100080. https://doi.org/10.1016/j.caeai.2022.100080
Khosravi, H., Kitto, K., & Liu, D. Y. T. (2019). Data-driven learning analytics to predict student
performance: A systematic review. Journal of Learning Analytics, 6(3), 1–
23. https://doi.org/10.18608/jla.2019.63.1
Maier, U., & Klotz, C. (2022). Personalized feedback in digital learning environments:
Classification framework and literature review. Computers and Education: Artificial
Intelligence, 3, 100080. https://doi.org/10.1016/j.caeai.2022.100080
Mehenaoui, Z., Lafifi, Y., & Zemmouri, L. (2022). Learning behavior analysis to identify learner’s
learning style based on machine learning techniques. Journal of Universal Computer
Science, 28(11), 1193–1220. https://doi.org/10.3897/jucs.81518
DOI: https://doi.org/10.71112/eaktff84
20 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 1, 2026, enero-marzo
Rasheed, F., & Wahid, A. (2021). Learning style detection in e-learning systems using machine
learning techniques. Expert Systems with Applications, 174,
114774. https://doi.org/10.1016/j.eswa.2021.114774
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated
survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3),
e1355. https://doi.org/10.1002/widm.1355
Siemon, D., Becker, J., & Eckardt, L. (2020). Early prediction of student performance in higher
education using machine learning algorithms. Information Systems and e-Business
Management, 18(3), 617–647. https://doi.org/10.1007/s10257-020-00461-3
Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2020). The current landscape of learning
analytics in higher education. Computers in Human Behavior, 89, 98–
110. https://doi.org/10.1016/j.chb.2018.07.027
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education. Educational
Technology Research and Development, 67(5), 1235–
1273. https://doi.org/10.1007/s11423-019-09671-3
