Forma Descripción generada automáticamente
Forma Descripción generada automáticamente
Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 3, 2026, julio-septiembre
DOI: https://doi.org/10.71112/yfy1ba89
EVIDENCIAS DE APRENDIZAJE EN TIEMPOS DE INTELIGENCIA ARTIFICIAL
DESDE LA TEORÍA DE LA EVIDENCIA COGNITIVA PROGRESIVA: UN ESTUDIO
FENOMENOLÓGICO
EVIDENCE OF LEARNING IN TIMES OF ARTIFICIAL INTELLIGENCE FROM THE
THEORY OF PROGRESSIVE COGNITIVE EVIDENCE: A PHENOMENOLOGICAL
STUDY
Luis Angel Vega Palomino
Perú
DOI: https://doi.org/10.71112/yfy1ba89
1646 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Evidencias de aprendizaje en tiempos de inteligencia artificial desde la teoría de
la evidencia cognitiva progresiva: un estudio fenomenológico
Evidence of learning in times of artificial intelligence from the theory of
progressive cognitive evidence: a phenomenological study
Luis Angel Vega Palomino
a,*
lavegap27@gmail.com
https://orcid.org/0000-0003-0595-4463
*
Autor de correspondencia: lavegap27@gmail.com,
a
Universidad César Vallejo, Perú
RESUMEN
El objetivo del estudio fue comprender el significado que los estudiantes universitarios atribuyen
a las evidencias de aprendizaje construidas durante el uso de herramientas de IA, tomando
como referente interpretativo la Teoría de la Evidencia Cognitiva Progresiva (TECP). Se realizó
un estudio cualitativo con enfoque fenomenológico en diez estudiantes de una universidad
privada de Lima. En el resultado, se evidenciaron que los estudiantes construyen evidencias de
aprendizaje durante el uso de herramientas de IA, manifestadas en seis dimensiones como la
calidad del razonamiento, evolución conceptual, reflexión metacognitiva, autorregulación del
aprendizaje, transferencia del conocimiento y coherencia entre proceso y producto. En
conclusión, la evaluación del aprendizaje en contextos mediados por IA debe centrarse en las
evidencias cognitivas construidas durante el proceso formativo, respaldado a la TECP como un
marco interpretativo para comprender dicha progresión.
Palabras clave: inteligencia artificial; evaluación del aprendizaje; educación superior;
fenomenología; evidencia cognitiva progresiva.
DOI: https://doi.org/10.71112/yfy1ba89
1647 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
ABSTRACT
The objective of the study was to understand the meaning that university students attribute to
the learning evidence constructed during the use of AI tools, taking the Theory of Progressive
Cognitive Evidence (TECP) as an interpretative referent. A qualitative study with a
phenomenological focus was carried out among students from a private university in Lima. In
the result, it was evident that students built evidence of learning during the use of AI tools,
manifested in six dimensions such as the quality of reasoning, conceptual evolution,
metacognitive reflection, self-regulation of learning, knowledge transfer and coherence between
process and product. In conclusion, the evaluation of learning in contexts mediated by AI must
focus on the cognitive evidence built during the formative process, supported by TECP as an
interpretative framework to understand this progression.
Keywords: artificial intelligence; evaluation of learning; higher education; phenomenology;
progressive cognitive evidence.
Recibido: 3 agosto 2026 | Aceptado: 18 agosto 2026 | Publicado: 19 agosto 2026
INTRODUCCIÓN
La evaluación del aprendizaje atraviesa un proceso de transformación en la educación
superior, impulsado por el enfoque centrado en el estudiante, la formación por competencias y
el aseguramiento de la calidad. Tradicionalmente, la evaluación del aprendizaje estuvo
centrada en el rendimiento académico; sin embargo, actualmente se concibe como un proceso
continuo y contextualizado (Gaitán et al., 2025; Rutherford et al., 2025). Se evidencian cambios
que favorecen la inclusión de modelos evaluativos que propicien el desarrollo de metodologías
activas y la construcción progresiva de evidencias de aprendizaje durante el proceso formativo
(Álvarez, 2024; Santana, 2025).
DOI: https://doi.org/10.71112/yfy1ba89
1648 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Las metodologías activas toman protagonismo en la educación superior, al fomentar el
desarrollo de competencias a través de la resolución de problemas, reflexión y autonomía del
estudiante (Mora et al., 2024). Estrategias como el aprendizaje basado en proyectos y el
aprendizaje colaborativo fomentan la construcción progresiva de evidencias de aprendizaje y
plantean procesos de evaluación que requieran valorar el desempeño individual como el trabajo
colaborativo (Francis et al., 2025; Novalia et al., 2025).
Paralelamente al desarrollo y generalización de las metodologías activas, la irrupción de
la inteligencia artificial generativa (IAG) ha cambiado radicalmente las formas de acceso,
producción y gestión del conocimiento en la educación superior; y, el uso de la IAG promueve
el aprendizaje autorregulado a través de sistemas de feedback, tutores inteligentes o recursos
adaptativos (Lan & Zhou, 2025). No obstante, también plantea desafíos para la evaluación del
aprendizaje, ya que los productos generados con inteligencia artificial (IA) pueden dificultar la
identificación de la participación cognitiva auténtica del estudiante y cuestionar la validez de las
evidencias utilizadas en los procesos evaluativos (Kofinas et al., 2025).
En la actualidad, los estudiantes universitarios desarrollan su aprendizaje en un
contexto caracterizado por una elevada carga académica, la sobreabundancia de información y
la necesidad de adquirir nuevas competencias en períodos cada vez más cortos (Abdaljaleel et
al., 2024). En este escenario, la IAG ha adquirido un papel relevante como apoyo para la
búsqueda de información, la resolución de problemas, la elaboración de trabajos académicos y
el aprendizaje autónomo (Dashti et al., 2024). Herramientas como ChatGPT, además, están
transformando las prácticas educativas al facilitar procesos de aprendizaje y desarrollo de
competencias cuando su utilización es crítica y responsable (Sallam, 2023).
La IA ha ampliado su aplicación en diversos ámbitos profesionales, favoreciendo el
análisis de información y la toma de decisiones (Hegde et al., 2023; Uribe, 2021). En
educación, su incorporación plantea la necesidad de replantear los procesos de evaluación,
DOI: https://doi.org/10.71112/yfy1ba89
1649 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
promoviendo una transición desde un modelo centrado en la calificación del producto final
hacia otro que valore las evidencias cognitivas construidas durante el proceso de aprendizaje
(Rahiman & Kodikal, 2024). Además, la investigación educativa ha impulsado estrategias de
evaluación más auténticas, flexibles y centradas en el aprendizaje, orientadas a valorar el
razonamiento, la toma de decisiones, la reflexión y la evolución de las competencias durante el
proceso formativo, especialmente cuando la IA interviene en la elaboración de las actividades
académicas (Bhardwaj et al., 2025; Keykha et al., 2026).
En los últimos años, la investigación en educación superior ha mostrado un creciente
interés por comprender cómo la IA transforma los procesos de enseñanza, aprendizaje y
evaluación. Lara et al. (2025) señalaron que su incorporación exige replantear las prácticas
educativas y desarrollar nuevas competencias, mientras que Gavilán et al. (2026) destacaron la
necesidad de innovar los procesos de enseñanza y evaluación. No obstante, aún son limitadas
las investigaciones que analizan cómo los estudiantes construyen evidencias de aprendizaje
durante el uso de herramientas de IA. Los estudios fenomenológicos muestran que los
entornos digitales influyen en la atención, la autorregulación y las estrategias de aprendizaje
(Özbay, 2026). Asimismo, así como en las percepciones sobre la inmediatez, la equidad y la
integridad académica asociadas al uso de ChatGPT (Holland & Ciachir, 2025).
En la actualidad, las universidades de Lima no permanecen ajenas a dicha realidad, ya
que los estudiantes incorporan con mayor frecuencia herramientas de IA en sus actividades
académicas. Sin embargo, persiste una limitada evidencia sobre la interpretación que estos
estudiantes realizan de las evidencias de aprendizaje que generan durante el uso de estas
tecnologías, lo que justifica profundizar en sus experiencias desde el contexto de la educación
superior limeña.
Este vacío justifica la adopción de un enfoque fenomenológico, al posibilitar la
comprensión de los significados que los estudiantes atribuyen a las evidencias de aprendizaje
DOI: https://doi.org/10.71112/yfy1ba89
1650 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
generadas a partir del uso de herramientas de IA, en lugar de explicar el fenómeno mediante
relaciones causales. En efecto, el interés se centra en cómo los estudiantes interpretan y
atribuyen sentido a dichas evidencias de aprendizaje durante los procesos evaluativos. De igual
importancia, Ruihua et al. (2025) identificaron que conductas observables, como la búsqueda
de ayuda académica, solo pueden comprenderse plenamente a partir de las percepciones,
decisiones, emociones e interpretaciones de los propios estudiantes.
La TECP integra aportes de la psicología del aprendizaje y de la teoría de la evaluación.
Retoma la concepción de Piaget (1952) sobre la progresión del desarrollo cognitivo, el
aprendizaje significativo de Ausubel (1980), la metacognición de Flavell (1979), la
autorregulación de Zimmerman (2000), la transferencia del aprendizaje de Perkins & Salomon
(1992), así como los planteamientos de Shepard (2018) y Wiggins (1998) sobre progresiones
del aprendizaje y evaluación auténtica. Esta integración permite comprender la evaluación
como un proceso centrado en las evidencias cognitivas que emergen durante la construcción
del conocimiento.
En este contexto de vacío, la Teoría de la Evidencia Cognitiva Progresiva (TECP)
plantea un modelo explicativo de las evidencias cognitivas como un proceso de generación,
progresión y significación en el aprendizaje (Vega, 2026). Desde esta concepción, el proceso
de aprendizaje no se explicaría únicamente por los resultados finales, sino por la progresión de
las evidencias emergentes y articuladas en el proceso de objetivación del conocimiento, aun en
situaciones tecnopedagógicas mediadas por IA. La TECP organiza el constructo Evidencia
Cognitiva Progresiva en seis dimensiones: calidad del razonamiento, evolución conceptual,
reflexión metacognitiva, autorregulación del aprendizaje, transferencia del conocimiento y
coherencia entre proceso y producto.
En este contexto, el presente estudio tuvo como objetivo comprender el significado que
los estudiantes universitarios atribuyen a las evidencias de aprendizaje construidas durante el
DOI: https://doi.org/10.71112/yfy1ba89
1651 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
uso de herramientas de IA en sus procesos académicos, tomando como referente interpretativo
la TECP. Con ello, se busca aportar evidencia empírica que contribuya a fortalecer esta
propuesta teórica y ampliar el conocimiento sobre la evaluación del aprendizaje en contextos
de educación superior mediados por IA.
METODOLOGÍA
El estudio se desarrolló desde un enfoque cualitativo, porque se orienta a comprender e
interpretar los significados, percepciones y experiencias que las personas atribuyen a un
fenómeno dentro de su contexto natural (Isik, 2025). Este enfoque permite estudiar los
fenómenos en su contexto natural a partir de las experiencias e interpretaciones de los
participantes (Lim, 2025). El estudio adoptó un diseño fenomenológico, cuyo propósito consiste
en comprender la esencia de las experiencias vividas por las personas respecto de un
fenómeno determinado (Hernández & Mendoza, 2018).
En este sentido, la fenomenología permitió comprender e interpretar las experiencias
vividas por los estudiantes durante la construcción de evidencias de aprendizaje en contextos
mediados por IA (Cejas et al., 2023). Además, la interpretación de las experiencias se orientó
mediante la TECP, utilizada como marco conceptual para comprender la generación,
progresión y significado de las evidencias cognitivas desde la perspectiva de los participantes
(Vega, 2026).
Por otro lado, la población estuvo conformada por estudiantes universitarios de Lima -
Perú. De esta población se seleccionó una muestra de 10 estudiantes mediante un muestreo
no probabilístico intencional por criterios, debido a que este tipo de muestreo permite
seleccionar participantes que han experimentado directamente el fenómeno objeto de estudio y
pueden aportar información relevante para su comprensión (Alhazmi & Kaufmann, 2022). Como
criterios de inclusión se estableció que los participantes estuvieran matriculados en programas
DOI: https://doi.org/10.71112/yfy1ba89
1652 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
de pregrado, hubieran utilizado herramientas de IA durante sus actividades académicas y
contaran con experiencias relacionadas con la construcción de evidencias de aprendizaje.
Asimismo, aceptaron participar voluntariamente en el estudio. Además, la muestra se
determinó conforme al principio de saturación, alcanzado cuando las respuestas de los
participantes dejaron de aportar nuevos significados relevantes para la comprensión del
fenómeno (Tiwari et al., 2025). Antes del trabajo de campo, los participantes recibieron
información sobre los objetivos del estudio, la voluntariedad de su participación, la
confidencialidad de la información y el uso de los datos exclusivamente con fines de
investigación.
La encuesta cualitativa fue una técnica de recolección de información que permitió
obtener descripciones escritas sobre las experiencias, percepciones y significados de los
participantes respecto al fenómeno de estudio (Hernández & Mendoza, 2018). Como
instrumento se utilizó un cuestionario de preguntas abiertas, administrado mediante un
formulario, el cual fue respondido de manera individual y voluntaria por los participantes.
El cuestionario de preguntas abiertas fue elaborado a partir de la TECP y estuvo
conformado por seis preguntas abiertas, cada una orientada a explorar las experiencias de los
estudiantes en relación con las subcategorías analíticas correspondientes a las dimensiones
del constructo Evidencia Cognitiva Progresiva (Vega, 2026). Estas subcategorías constituyeron
el referente conceptual para la organización e interpretación de la información obtenida. La
estructura del instrumento se presenta en la tabla 1.
DOI: https://doi.org/10.71112/yfy1ba89
1653 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Tabla 1.
Relación entre las dimensiones de la TECP y las preguntas del cuestionario
Categoría
Subcategoría
(dimensión de
la TECP)
Pregunta del
instrumento
Evidencia
Cognitiva
Progresiva
Calidad del
razonamiento
Cuéntanos una experiencia en
la que utilizaste una herramienta
de inteligencia artificial (por
ejemplo, ChatGPT, Gemini o
Copilot) para realizar una
actividad de un curso. ¿Cómo
influyó esa experiencia en la
forma en que analizaste el
problema, tomaste decisiones o
llegaste a una respuesta?
Evolución
conceptual
Cuéntanos una experiencia en
la que utilizaste una herramienta
de inteligencia artificial y
comprendiste un tema de una
manera diferente. ¿Qué cambió
en tu forma de entender ese
tema?
Reflexión
metacognitiva
Cuéntanos una experiencia en
la que utilizar una herramienta
de inteligencia artificial te hizo
reflexionar sobre tu forma de
aprender. ¿Qué descubriste
sobre ti mismo durante esa
experiencia?
Autorregulación
del aprendizaje
Cuéntanos una experiencia en
la que el uso de una
herramienta de inteligencia
artificial cambió la forma en que
organizaste, realizaste o
mejoraste una actividad
DOI: https://doi.org/10.71112/yfy1ba89
1654 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
académica. ¿Cómo viviste ese
cambio?
Transferencia
del
conocimiento
Cuéntanos una experiencia en
la que lo que aprendiste con
ayuda de una herramienta de
inteligencia artificial te sirvió
para resolver otra tarea o una
situación diferente.
Coherencia
entre proceso y
producto
Cuéntanos una experiencia en
la que utilizaste una herramienta
de inteligencia artificial para
realizar una actividad
académica. Al terminarla,
¿consideraste que el trabajo
final reflejaba lo que habías
aprendido durante el proceso?
¿Por qué?
Fuente: Elaboración propia a partir de la TECP (Vega, 2026).
El cuestionario de preguntas abiertas se estructuró a partir de la categoría central
Evidencia Cognitiva Progresiva, organizada en seis subcategorías analíticas correspondientes
a las dimensiones de la TECP. Estas subcategorías orientaron la formulación de las preguntas
abiertas y constituyeron el referente conceptual para el análisis e interpretación fenomenológica
de las experiencias de los participantes. Asimismo, fue validado mediante juicio de tres
expertos con experiencia cualitativa, evaluación del aprendizaje y educación superior. La
validez de contenido, estimada mediante el coeficiente V de Aiken, alcanzó un valor global de
1.000, evidenciando un alto nivel de acuerdo respecto de la calidad del instrumento.
Por otro lado, el procedimiento comprendió la selección de los participantes conforme a
los criterios de inclusión, la obtención del consentimiento informado, la aplicación presencial del
cuestionario de preguntas abiertas y la organización de la información para su posterior análisis
fenomenológico. La información fue examinada mediante un análisis fenomenológico temático,
DOI: https://doi.org/10.71112/yfy1ba89
1655 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
con el objetivo de comprender los significados que los participantes atribuyen a sus
experiencias. El proceso comprendió una lectura reiterada de los relatos, la identificación de
unidades de significado, la codificación de la información, el agrupamiento en categorías y
subcategorías, y la interpretación de los hallazgos con base en la TECP.
La categorización inicial de los datos se realizó tomando como base las seis
dimensiones de la TECP. No obstante, durante el proceso analítico también se incorporaron
categorías emergentes cuando los relatos evidenciaron significados relevantes no
contemplados inicialmente. Finalmente, los hallazgos fueron interpretados desde una
perspectiva fenomenológica, utilizando la TECP como marco interpretativo para comprender los
significados que los estudiantes atribuyen a las evidencias de aprendizaje construidas durante
el uso de herramientas de IA.
El estudio se desarrolló de conformidad con los principios éticos para la investigación
con seres humanos. La participación fue voluntaria y estuvo precedida por la firma del
consentimiento informado, mediante el cual se explicó el propósito del estudio, el carácter
confidencial de la información y el derecho de los participantes a retirarse en cualquier
momento sin perjuicio alguno. Por último, se garantizó el anonimato mediante la asignación de
códigos a los participantes y la información recopilada fue utilizada exclusivamente con fines
académicos y de investigación.
RESULTADOS
La tabla 2 presenta las características de los diez estudiantes universitarios que
participaron en el estudio. Las edades oscilaron entre 18 y 36 años. Los participantes
pertenecían a ocho carreras profesionales, con predominio de estudiantes de Psicología (n =
3), y cursaban entre el II y VIII ciclo académico. Para preservar la confidencialidad, cada
participante fue identificado mediante un código alfanumérico (P1–P10).
DOI: https://doi.org/10.71112/yfy1ba89
1656 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Tabla 2.
Características de los participantes
Código
Edad
Sexo
Carrera
profesional
Ciclo
académico
P1
36
Masculino
Psicología
VIII
P2
28
Masculino
Ingeniería de Sistemas
VII
P3
22
Masculino
Hotelería y Turismo
VI
P4
24
Femenino
Trabajo Social
VIII
P5
20
Masculino
Ingeniería de Software
IV
P6
28
Femenino
Nutrición y Dietética
V
P7
18
Femenino
Psicología
II
P8
21
Masculino
Psicología
VIII
P9
23
Masculino
Administración
VI
P10
19
Masculino
Ingeniería Civil
IV
Fuente: Elaboración propia.
A continuación, los resultados se presentan de acuerdo con las seis dimensiones de la
TECP, las cuales orientaron el análisis fenomenológico de las experiencias de los participantes.
Calidad del razonamiento
Los participantes describieron que el uso de herramientas de IA fortaleció la calidad de
su razonamiento durante el desarrollo de actividades académicas. La forma en que los
encuestados manifestaron su experiencia fue en términos de poder tomar diferentes puntos de
vista sobre el planteamiento del problema, poder ordenar sus ideas, responder preguntas y dar
fundamentos a sus criterios de toma de decisiones. No se trataba tanto de obtener respuestas
rápidas, sino más bien de ampliar el entendimiento del planteamiento y generar respuestas
más justificadas.
Un estudiante comentó que ChatGPT ayudó a identificar los problemas principales de
un caso clínico y a priorizar las intervenciones de una manera más ordenada, favoreciendo un
análisis más estructurado del caso (P1). “En otra experiencia comparable, un participante indicó
que la IA le permitió contrastar distintas posiciones al respecto de un caso de estudio, lo que lo
DOI: https://doi.org/10.71112/yfy1ba89
1657 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
llevó a considerar puntos de vista que no había contemplado y a tomar decisiones más
fundamentadas: "Me ayudó a ver ángulos que no había considerado, lo que me permitió
evaluar mejor mis opciones y tomar decisiones más fundamentadas en lugar de quedarme solo
con mi primera idea" (P5).
Igualmente, otros participantes apuntaron que la IA les ayudó a organizar sus ideas
antes de realizar una actividad académica. Una participante mencionó que la utilizó para dar
una mejor formulación a un trabajo de investigación, y otra señaló que le ayudó a organizar las
aportaciones que ella misma hizo para poder generar un texto (P4 y P7). Estas experiencias
evidencian que la IA actuó como un apoyo para ordenar el pensamiento y favorecer un
razonamiento más claro durante la resolución de tareas.
De igual manera, algunos estudiantes la consideran como una herramienta para
despejar dudas. Un estudiante mencionó que la usaba para conocer ciertos aspectos que no
quedaban claros (P3). Otro dijo que le sirvió para revisar ejercicio por ejercicio, paso a paso, y
detectar errores antes de entregar una práctica (P10). En general, se observa que el relato
expresa que el nivel de razonamiento no se relaciona con la únicamente obtención de una
respuesta correcta, sino con procesos de análisis, organización de la información y toma de
decisiones justificada.
Evolución conceptual
Las experiencias de los participantes evidenciaron que el uso de herramientas de IA
favoreció la evolución de su comprensión conceptual. Expresaron los estudiantes que mediante
herramientas IA pudieron comprender contenidos que consideraban complejos a partir de
explicaciones simplificadas, ejemplos y analogías, facilitando la construcción de nuevos
significados y una mayor profundización en los temas tratados.
Varias respuestas de los participantes coincidieron en que poder solicitarle a la IA que
explicara con un lenguaje más sencillo les ayudó a subsanar obstáculos en la
DOI: https://doi.org/10.71112/yfy1ba89
1658 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
comprensión. Un estudiante comentó que pidió ayuda a la IA para explicar la
fisiopatología de una enfermedad a través de ejemplos simples, lo que le ayudó a
vincular mejor los conocimientos teóricos con la atención de pacientes (P1). De manera
similar, otro participante indicó que comprender la sintaxis de programación con ayuda
de la IA mejoró significativamente su aprendizaje (P2). Asimismo, una estudiante
expresó: "Cuando no me quedaba muy claro algún tema, buscaba información y
complementaba con IA. Le pedía que su explicación sea sencilla, sin usar muchos
términos académicos, lo que permitía que absorbiera mejor la información. Todo era
más sencillo y simple" (P4).
Otros participantes también expresaron que las explicaciones por medio de ejemplos
cotidianos ayudaban a comprender de una forma más profunda los contenidos. Como muestra,
un estudiante expresó: "Le pedí a la IA que me explicara un concepto complicado usando
ejemplos o analogías de la vida cotidiana. Esto me ayudó a cambiar la manera en la que veía el
tema, dado que pasé de memorizar definiciones teóricas abstractas a entender el razonamiento
práctico detrás" (P5).
Asimismo, otros estudiantes manifestaron que las explicaciones sencillas con ejemplos
contribuyeron a su comprensión de conceptos relacionados con psicometría, indicadores
financieros y equilibrio de fuerzas, favoreciendo la aplicación práctica de los conceptos
trabajados (P8, P9 y P10). Estas experiencias muestran que la IA no solo proveyó información,
sino que favoreció procesos de reconstrucción conceptual gracias a la adecuación de los
contenidos a las necesidades de aprendizaje particulares.
Finalmente, a partir de las narraciones, la evolución del concepto se entiende como una
evolución en los contenidos, de la memorización a la comprensión significativa, contextualizada
y transferible.
DOI: https://doi.org/10.71112/yfy1ba89
1659 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Reflexión metacognitiva
Los relatos de los participantes indican que el uso de las herramientas de IA propició
procesos de reflexión sobre la propia forma de aprender: las experiencias permiten identificar
estrategias personales de estudio, reconocer fortalezas y dificultades, e incluso valorar la
relevancia de participar activamente en la construcción del conocimiento. En este punto se
interpreta a la IA más como una herramienta que facilita la conciencia sobre el propio
aprendizaje que como un mecanismo para dar respuestas inmediatas.
Varios participantes manifestaron que la interacción con la IA les permitió identificar las
estrategias que mejor se ajustaban a sus necesidades de aprendizaje. Un estudiante señaló
que comprendió que aprende mejor cuando primero revisa el material del curso y
posteriormente utiliza la IA para resolver las dudas que permanecen después de la lectura (P1).
De forma similar, otro participante indicó que descubrió que la práctica constituye la mejor
forma de aprender programación (P2), mientras que un estudiante expresó: "Al usar la IA como
apoyo para hacer un ensayo, me di cuenta de que suelo dispersarme mucho al investigar.
Descubrí que aprendo mejor cuando primero organizo las ideas principales en un esquema
claro y luego profundizo punto por punto" (P5).
Del mismo modo, algunos participantes hicieron una reflexión sobre la puesta en
práctica de estrategias para aprender y asumir una actitud activa con respecto a los
conocimientos. El siguiente comentario refleja este tipo de experiencias: "Me di cuenta de que
hay diferentes tipos de aprendizaje y que no tengo que limitarme a un solo método, sino buscar
variantes diferentes para poder comprender mejor" (P7). Otra estudiante expone: "Me doy
cuenta de que aprendo más haciendo preguntas y buscando por qué son las cosas, que
leyendo superficialmente" (P8). Un grupo más amplio expresa su acuerdo con la idea de que
primero se tiene que entender la idea general y después se profundiza: "No me puedo quedar
con los detalles, primero tengo que entender la idea general" (P9).
DOI: https://doi.org/10.71112/yfy1ba89
1660 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Se determina que las evidencias hacen ver que la reflexión metacognitiva va más allá
de lo instrumental de la IA, los estudiantes reflexionaron sobre cómo aprenden, qué estrategias
les sirven más y cómo pueden mejorar sus procesos de estudio.
Autorregulación del aprendizaje
Los participantes mencionaron que la IA apoyó la regulación de sus aprendizajes, ya
que las actividades se podían planificar, organizar y controlar fácilmente. Las intervenciones
mencionan que la IA apoya la gestión del tiempo, organiza las actividades a realizar y ayuda a
realizar trabajos con más confianza, dando lugar a una mayor autonomía y organización en el
aprendizaje.
Varios estudiantes indicaron que la IA les ayudó a organizar sus actividades y
maximizar su tiempo de estudio. Un estudiante mencionó que la usó para elaborar un
cronograma de trabajo y distribuir mejor sus actividades académicas. (P1) Otro comentó: "Me
ayudó a organizarme mejor con el tiempo en el proyecto que estaba haciendo de
programación". (P2). Otra estudiante dijo que la IA redujo el estrés porque le facilitó conectar
ideas y acelero el desarrollo de actividades; aclara que: "debo contrastar siempre la información
obtenida con fuentes fiables". (P4)
Otra experiencia fue la expresada por otro estudiante participante, quien explicitó que le
permitió planificar mejores trabajos académicos de mayor extensión y complejidad: "Usé la
herramienta para planificar las partes y el índice de un trabajo extenso y lo viví con mucho alivio
porque disminuyó la ansiedad de no saber por dónde comenzar y me permitió destinar el
tiempo a escribir y reflexionar" (P5).
Por otro lado, una estudiante indicó que logró aprender a su ritmo y revisar los
contenidos tantas veces como fuera necesario hasta entenderlos (P6). Igualmente, otros
participantes manifestaron que la IA apoyó la organización de investigaciones, la distribución de
tareas en grupo y planificación de trabajos académicos, lo que favoreció el control sobre su
DOI: https://doi.org/10.71112/yfy1ba89
1661 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
proceso de aprendizaje (P7, P8, P9 y P10). Lo anterior pone en evidencia que, según lo
relatado por los participantes, la autorregulación del aprendizaje estuvo favorecida por una
mejor planificación, organización y seguimiento de las actividades académicas.
Transferencia del conocimiento
Los relatos de los participantes identificaron que los aprendizajes construidos con apoyo
de herramientas de IA fueron transferidos a diferentes contextos académicos. Las experiencias
muestran que las estrategias, conocimientos y procedimientos adquiridos durante una actividad
fueron posteriormente utilizados para resolver nuevas tareas, elaborar proyectos y afrontar
situaciones de aprendizaje en otros cursos. De este modo, la IA favoreció no solo la
comprensión de contenidos específicos, sino también la aplicación del conocimiento en
escenarios distintos.
Señalan varios estudiantes que las estrategias que les permitió desarrollar la IA
mejoraron su rendimiento en otras actividades. Un estudiante manifiesta que la manera en que
organizó la información de un caso clínico le sirvió para otras asignaturas del área asistencial
(P1). Otro estudiante dice que lo aprendido al elaborar una página web le ayudó a tener
mejores resultados en actividades posteriores de programación (P2). Señala una estudiante
que las sugerencias de la IA para organizar el trabajo en grupo mejoraron la coordinación y
distribución de tareas del equipo (P4).
Asimismo, otros alumnos expresaron que las estrategias de síntesis y estructuración
aprendidas con la IA se reutilizaron en otros espacios académicos. Un estudiante comentó:
"Desglosé un tema complicado en pasos simples gracias a la IA y posteriormente reutilicé esa
metodología para una exposición en otra asignatura y para explicar a mis compañeros el tema
de forma más clara" (P5).
No obstante, otros participantes refirieron que después aplicaron estrategias para
estudiar idiomas, preparar presentaciones, preparar exposiciones, resumir información y
DOI: https://doi.org/10.71112/yfy1ba89
1662 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
realizar ejercicios en otras materias, dando cuenta de transferencia del aprendizaje a contextos
académicos diferentes (P6, P7, P8, P9 y P10). Por lo tanto, las evidencias dan cuenta de que el
conocimiento construido con la IA trascendió la actividad planteada y fue transferido a
diferentes contextos de aprendizaje.
Coherencia entre proceso y producto
Los participantes manifestaron que el producto final reflejó su aprendizaje cuando la IA
fue utilizada como una herramienta de apoyo y no como un sustituto del trabajo intelectual. Las
experiencias evidenciaron que el valor del producto académico no estuvo determinado por el
uso de la IA, sino por el proceso de análisis, comprensión, revisión y elaboración personal
desarrollado durante la actividad. En este sentido, los estudiantes coincidieron en que el
aprendizaje se fortaleció cuando mantuvieron un papel activo en la construcción del
conocimiento.
Varias respuestas coincidieron en que el resultado obtenía era coherente con el
aprendizaje conseguido porque revisaron, analizaron y complementaron la información dada
por la IA. Un estudiante subrayó que el trabajo final era reflejo del aprendizaje conseguido
porque sólo utilizó la IA para resolver dudas y dar orden a las ideas, utilizando su propio criterio
para el análisis y la redacción (P1). Otra estudiante dijo que el trabajo elaborado partía de las
ideas del grupo y que únicamente la IA había servido para mejorar la organización y
presentación de las mismas (P4).
Otros participantes indicaron que era importante revisar críticamente las respuestas
generadas por la IA antes de incorporarlas a sus trabajos académicos. Un estudiante indicó:
“Usé la IA como un soporte en el debate de ideas y no para escribir por mí. Como tuve que
revisar, corregir y complementar toda la información, creo que el resultado final refleja
perfectamente lo que aprendí en el camino” (P5). En la misma sintonía, otro participante
expresó: “Usé la IA como apoyo para orientar mi trabajo, revisé, corregí y complementé toda la
DOI: https://doi.org/10.71112/yfy1ba89
1663 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
información. Por eso considero que el resultado final refleja realmente lo que aprendí durante el
proceso” (P8).
Asimismo, otros estudiantes coincidieron en que la IA les permitió comprender mejor los
conceptos, mejorar la redacción, corregir errores y fortalecer la calidad de sus trabajos; sin
embargo, enfatizaron que el aprendizaje solo fue significativo cuando participaron activamente
en la elaboración del producto final (P6, P7, P9 y P10). Finalmente, los relatos evidencian que
la coherencia entre el proceso y el producto se construyó a partir de una participación activa del
estudiante durante todo el proceso de aprendizaje.
DISCUSIÓN
El presente estudio permitió comprender cómo los estudiantes universitarios atribuyen
significado a las evidencias de aprendizaje construidas durante el uso de herramientas de IA.
Estas evidencias en conjunto demuestran que la IA promueve procesos cognitivos y
autorregulación en tanto sea utilizada como andamiaje y no como sustituto. Los hallazgos
parecen dar cuenta de una tendencia a orientaciones evaluativas procesuales más que
productivas, por lo que se pasaría de una valoración del producto a una evaluación de la
progresión de las evidencias cognitivas construidas en el proceso de aprendizaje, tal y como
plantea la TECP.
Sobre la calidad del razonamiento, los participantes indicaron que la IA favoreció el
análisis de situaciones, la estructuración del pensamiento y la fundamentación en la toma de
decisiones. Este hallazgo coincide con Lan & Zhou (2025), quienes sostienen que estas
herramientas potencian el pensamiento crítico mediante procesos de reflexión. Sin embargo,
los resultados del presente estudio permiten interpretar que el aporte de la IA no radica
únicamente en facilitar respuestas, sino en estimular la reorganización progresiva del
razonamiento cuando el estudiante contrasta información, evalúa alternativas y justifica sus
DOI: https://doi.org/10.71112/yfy1ba89
1664 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
decisiones. Desde la TECP, esta dimensión encuentra sustento en la concepción de Piaget
(1952) sobre la reestructuración progresiva de las estructuras cognitivas y en las progresiones
del aprendizaje propuestas por Shepard (2018), al considerar que el razonamiento constituye
una evidencia cognitiva observable durante el proceso de aprendizaje y no únicamente en el
desempeño final.
Respecto a la evolución conceptual, los estudiantes señalaron que comprendieron mejor
los contenidos mediante explicaciones sencillas, ejemplos y analogías. Este resultado
concuerda con Dashti et al. (2024), quienes indican que la IA facilita la comprensión al adaptar
la información a las necesidades del estudiante. No obstante, los hallazgos muestran que la
evolución conceptual implica una reconstrucción progresiva del conocimiento previo más que
una simple comprensión de nuevos contenidos. Desde la TECP, esta dimensión se fundamenta
en el aprendizaje significativo de Ausubel (1980), según el cual aprender supone reorganizar e
integrar nuevos conocimientos dentro de estructuras cognitivas previamente existentes. En
consecuencia, la comprensión alcanzada mediante la IA representa una evidencia del cambio
conceptual experimentado por el estudiante durante su proceso de aprendizaje.
Sobre la reflexión metacognitiva, los sujetos percibieron que la IA propició la
identificación de fortalezas y debilidades, así como estrategias de aprendizaje. Este resultado
es coherente con lo señalado por Ruihua et al. (2025), que indican que las percepciones y
experiencias del estudiante es fundamental para comprender el aprendizaje. Más allá de esta
coincidencia, los resultados evidencian que la interacción con la IA favorece procesos de
monitoreo y análisis de las propias estrategias cognitivas. Desde la perspectiva de la TECP,
esta dimensión está relacionada con la posición planteada por Flavell (1979), puesto que
considera a la metacognición como consciencia y autorregulación del propio proceso de
pensamiento. Por lo tanto, la reflexión metacognitiva resulta ser un indicador cognitivo para
inferir cómo va el aprendizaje independientemente del rendimiento final.
DOI: https://doi.org/10.71112/yfy1ba89
1665 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
En la autorregulación del aprendizaje, los estudiantes destacaron en sus comentarios
que con el uso de la IA planificaron, organizaron y controlaron el progreso de sus actividades
académicas. Estos resultados concuerdan con lo mencionado por Lan & Zhou (2025) en su
revisión donde establecen que estas herramientas benefician el aprendizaje autodirigido a
través de procesos de feedback; sin embargo, en los resultados del presente estudio se
observó que la autorregulación no se relaciona con el uso de la IA por sí sola, sino que se
relaciona directamente con la capacidad estratégica del estudiante para utilizar la IA. Desde la
TECP, esta dimensión encuentra fundamento en Zimmerman (2000), que define la
autorregulación como la supervisión y control consciente del aprendizaje. Por lo tanto, la
autorregulación es una muestra de progreso hacia una autonomía cognitiva construida a lo
largo del proceso formativo.
En relación a la transferencia del conocimiento, los estudiantes refirieron que llevaron a
la práctica las estrategias de IA aprendidas en otras asignaturas y situaciones académicas.
Este resultado coincide con Bhardwaj et al. (2025), quienes sostienen que la IA favorece
aprendizajes aplicables en diferentes contextos. Sin embargo, los hallazgos permiten
interpretar que la transferencia no constituye únicamente la aplicación posterior del
conocimiento, sino la evidencia de que este ha sido comprendido, reorganizado e integrado de
manera suficientemente sólida para responder a nuevas situaciones. Desde la TECP, esta
dimensión retoma el planteamiento de Perkins & Salomon (1992) sobre la transferencia del
aprendizaje, interpretándola como una manifestación de consolidación cognitiva alcanzada
durante el proceso educativo.
Finalmente, respecto a la coherencia entre proceso y producto, los estudiantes
consideraron que el producto final reflejó realmente su aprendizaje cuando utilizaron la IA como
una herramienta de apoyo y participaron activamente en la elaboración del trabajo. Este
hallazgo coincide con Kofinas et al. (2025), quienes destacan la importancia de preservar la
DOI: https://doi.org/10.71112/yfy1ba89
1666 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
participación cognitiva del estudiante frente al uso de herramientas generativas. Desde la
TECP, esta dimensión amplía el planteamiento de la evaluación auténtica propuesto por
Wiggins (1998), al sostener que el valor del producto académico no reside únicamente en su
calidad, sino en su correspondencia con la secuencia de evidencias cognitivas construidas
durante el aprendizaje. De tal manera que la coherencia entre el proceso y el producto
constituye la evidencia integradora del desarrollo cognitivo del estudiante.
En conjunto, este estudio proporciona evidencia empírica que apoya la TECP como
marco teórico para comprender la evaluación del aprendizaje en escenarios de mediación por
inteligencia artificial, ya que los resultados validan no únicamente las dimensiones que propuso
la teoría, sino que también dan cuenta de su identificación empírica a partir de las experiencias
de los estudiantes. Por lo tanto, la TECP se distingue de los marcos teóricos centrados
exclusivamente en la evaluación formativa o la evaluación auténtica, entre otros, al considerar
esos enfoques dentro de su perspectiva que aborda el crecimiento de las evidencias cognitivas
como fundamento de la evaluación del aprendizaje. Esta característica se considera su mayor
contribución teórica y plantea posibilidades para futuras investigaciones en torno al desarrollo y
validación de instrumentos asociados a la TECP.
El estudio mostró limitaciones ya que fue realizado con una muestra reducida de
alumnos de sólo una universidad privada de Lima, lo que hace que sus resultados sean
únicamente exploratorios y no generalizables, se busca conocer a los participantes en mayor
profundidad. En ese sentido, otros estudios podrían incluir diversos contextos educativos,
estudiantes de otras universidades, utilizando diseños cualitativos o mixtos que profundicen y
contrasten los alcances de la TECP en otros escenarios mediado por IA.
DOI: https://doi.org/10.71112/yfy1ba89
1667 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
CONCLUSIONES
La IA fue percibida por los estudiantes como una herramienta que favorece la
construcción de evidencias de aprendizaje cuando se utiliza como apoyo para el análisis, la
comprensión y la resolución de actividades académicas, y no como un sustituto del esfuerzo
cognitivo del estudiante. Los hallazgos evidenciaron que las experiencias de aprendizaje
mediadas por IA se manifestaron en las seis dimensiones propuestas por la TECP: calidad del
razonamiento, evolución conceptual, reflexión metacognitiva, autorregulación del aprendizaje,
transferencia del conocimiento y coherencia entre el proceso y el producto. Estas dimensiones
permitieron comprender cómo los estudiantes construyen significado durante el proceso de
aprendizaje.
A su vez, se identificó que las evidencias de aprendizaje se extienden más allá del
producto final y se manifiestan a través de procesos de análisis, comprensión, reflexión,
organización y aplicación del conocimiento; por lo que la evaluación del aprendizaje en
entornos de IA se orientaría a las evidencias cognitivas de proceso. Finalmente, el estudio
aporta evidencia empírica que sustenta la TECP como marco interpretativo para la
comprensión de la evaluación del aprendizaje en educación superior; dado que redefine el
alcance tradicional del concepto evaluativo para centrarse en los procesos de producción y
desarrollo de evidencias cognitivas construidas por los estudiantes a partir de sus interacciones
con tecnologías inteligentes.
DOI: https://doi.org/10.71112/yfy1ba89
1668 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Declaración de conflicto de interés
El autor declara no tener ningún conflicto de interés relacionado con esta investigación.
Declaración de contribución a la autoría
Luis Ángel Vega Palomino realizó la conceptualización del estudio, el diseño
metodológico, el análisis e interpretación de los datos y la redacción, revisión y aprobación de
la versión final del manuscrito.
Declaración de uso de inteligencia artificial
El autor utilizó herramientas de IA únicamente como apoyo en la elaboración del
manuscrito. Su uso no sustituyó el análisis, la interpretación, la argumentación científica ni la
autoría intelectual del trabajo.
REFERENCIAS
Abdaljaleel, M., Barakat, M., Alsanafi, M., Salim, N., Abazid, H., Malaeb, D., Mohammed, A.,
Hassan, B., Wayyes, A., Farhan, S., Khatib, S., Rahal, M., Sahban, A., Abdelaziz, D.,
Mansour, N., AlZayer, R., Khalil, R., Fekih, F., Hallit, R., … Sallam, M. (2024). A
multinational study on the factors influencing university students’ attitudes and usage of
ChatGPT. Scientific Reports, 14(1), 1–14. https://doi.org/10.1038/s41598-024-52549-8
Alhazmi, A., & Kaufmann, A. (2022). Phenomenological Qualitative Methods Applied to the
Analysis of Cross-Cultural Experience in Novel Educational Social Contexts. Frontiers in
Psychology, 13(4), 1–12. https://doi.org/10.3389/fpsyg.2022.785134
Álvarez, C. (2024). Modelo transformacional en evaluación para el empoderamiento y
transferencia de aprendizajes. Mendive. Revista de Educación, 22(3), 1–10.
https://mendive.upr.edu.cu/index.php/MendiveUPR/article/view/3972
Ausubel, D. (1980). Psicología educativa: Un punto de vista cognoscitivo. Trillas.
DOI: https://doi.org/10.71112/yfy1ba89
1669 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Bhardwaj, V., Zhang, S., Tan, Y., & Pandey, V. (2025). Redefining learning: student-centered
strategies for academic and personal growth. Frontiers in Education, 10(2), 1–15.
https://doi.org/10.3389/feduc.2025.1518602
Cejas, M. F., Liccioni, E., Aldaz, S., Murillo, M., & Venegas, G. (2023). Enfoque cuantitativo y
cualitativo: Una mirada de los métodos mixtos. Fundación Editorial Universidad Ezequiel
Zamora.
Dashti, M., Londono, J., Ghasemi, S., Khurshid, Z., Khosraviani, F., Moghaddasi, N., Zafar, M.,
& Hefzi, D. (2024). Attitudes, knowledge, and perceptions of dentists and dental students
toward artificial intelligence: a systematic review. Journal of Taibah University Medical
Sciences, 19(2), 327–337. https://doi.org/10.1016/j.jtumed.2023.12.010
Flavell, J. (1979). Metacognition and cognitive monitoring: A new area of cognitive-
developmental inquiry. American Psychologist, 34(10), 906–911.
https://doi.org/10.1037/0003-066X.34.10.906
Francis, N., Pritchard, C., Prytherch, Z., & Rutherford, S. (2025). Making teamwork work:
enhancing teamwork and assessment in higher education. FEBS Open Bio, 15(1), 35–
47. https://doi.org/10.1002/2211-5463.13936
Gaitán, A., Ñáñez, J., & Amador, L. (2025). Resultados de aprendizaje en educación superior:
un recorrido por el panorama actual de la investigación. Revista Iberoamericana de
Educación, 99(1), 95–112. https://doi.org/10.35362/rie9916822
Gavilán, D., Redman, A., & Álvarez, J. (2026). Editorial: University Education for Sustainable
Development: challenges and opportunities. Frontiers in Education, 11(1), 1–4.
https://doi.org/10.3389/feduc.2026.1776041
Hegde, S., Gao, J., Nanayakkara, S., Vasa, R., & Cox, S. (2023). [ in press] Australian Dentist’s
Knowledge and Perceptions of Factors Affecting Radiographic Interpretation.
International Dental Journal, 1–8. https://doi.org/10.1016/j.identj.2023.11.006
DOI: https://doi.org/10.71112/yfy1ba89
1670 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Hernández, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas cuantitativa,
cualitativa y mixta. Mc Graw Hill educación.
Holland, A., & Ciachir, C. (2025). A qualitative study of students’ lived experience and
perceptions of using ChatGPT: immediacy, equity and integrity. Interactive Learning
Environments, 33(1), 483–494. https://doi.org/10.1080/10494820.2024.2350655
Isik, O. (2025). Qualitative Research Approaches and Data Collection Methods: Understanding
Meaning and Experience. Journal of Humanities and Education Development, 7(6), 19–
32. https://doi.org/10.22161/jhed.7.6.3
Keykha, A., Mohammadi, H., Torabi, Z., & Darabi, F. (2026). An Analysis of the Application of
Metaverse in Medical Education: A Qualitative Meta-Synthesis. Journal of Advances in
Medical Education and Professionalism, 14(2), 107–128.
https://doi.org/10.30476/jamp.2025.106675.2168
Kofinas, A. ., Tsay, C., & Pike, D. (2025). The impact of generative AI on academic integrity of
authentic assessments within a higher education context. British Journal of Educational
Technology, 56(6), 2522–2549. https://doi.org/10.1111/bjet.13585
Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated
learning in higher education. Npj Science of Learning, 10(1), 1–16.
https://doi.org/10.1038/s41539-025-00319-0
Lara, P., Ferrer, A., Ismodes, E., Fosca, C., & Sánchez, E. (2025). The Future of Higher
Education: Trends, Challenges and Opportunities in AI-Driven Lifelong Learning in Peru.
Information (Switzerland), 16(3), 1–19. https://doi.org/10.3390/info16030224
Lim, W. (2025). What Is Qualitative Research? An Overview and Guidelines. Australasian
Marketing Journal, 33(2), 199–229. https://doi.org/10.1177/14413582241264619
Mora, P., Guerrero, J., Ruiz, D., Coya, Y., Vera, A., & Mendoza, Ma. (2024). La Aplicación De
Las Metodologías Activas En El Proceso De Enseñanza Aprendizaje En El Aula. Ciencia
DOI: https://doi.org/10.71112/yfy1ba89
1671 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Latina Revista Científica Multidisciplinar, 8(3), 983–1000.
https://doi.org/10.37811/cl_rcm.v8i3.11309
Novalia, R., Marini, A., Bintoro, T., & Muawanah, U. (2025). Project-based learning: For higher
education students’ learning independence. Social Sciences and Humanities Open,
11(April), 101530. https://doi.org/10.1016/j.ssaho.2025.101530
Özbay, Ö. (2026). ‘Brain Rot’ Among University Students in the Digital Age: A
Phenomenological Study. Current Psychiatry Reports, 28(1), 1–13.
https://doi.org/10.1007/s11920-025-01658-w
Perkins, D., & Salomon, G. (1992). Transfer of Learning. Pergamon Press.
Piaget, J. (1952). The origins of intelligence in children. International Universities Press.
https://doi.org/10.4324/9781315006260
Rahiman, H., & Kodikal, R. (2024). Revolutionizing education: Artificial intelligence empowered
learning in higher education. Cogent Education, 11(1), 1–24.
https://doi.org/10.1080/2331186X.2023.2293431
Ruihua, L., Che Hassan, N., & Saharuddin, N. (2025). Understanding academic help-seeking
among first-generation college students: a phenomenological approach. Humanities and
Social Sciences Communications, 12(1), 1–12. https://doi.org/10.1057/s41599-024-
04165-0
Rutherford, S., Pritchard, C., & Francis, N. (2025). Assessment IS learning: developing a
student-centred approach for assessment in Higher Education. FEBS Open Bio, 15(1),
21–34. https://doi.org/10.1002/2211-5463.13921
Sallam, M. (2023). Practice : Systematic Review on the Promising Perspectives and Valid
Concerns. Healthcare, 11(6), 1–20. https://doi.org/10.3390/healthcare11060887
DOI: https://doi.org/10.71112/yfy1ba89
1672 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Santana, B. (2025). Innovaciones pedagógicas para la educación superior en América Latina:
retos y perspectivas contemporáneas. Conexión Científica Revista Internacional, 2(4),
1–18. https://doi.org/10.71068/zptkj366
Shepard, L. (2018). Learning progressions as tools for assessment and learning. Applied
Measurement in Education, 31(2), 165–174.
https://doi.org/10.1080/08957347.2017.1408628
Tiwari, S., Chakravarty, R., & Srivastava, A. (2025). Exploring human experience through
phenomenological research. International Journal of Science and Research Archive,
14(1), 1865–1871. https://doi.org/10.30574/ijsra.2025.14.1.0319
Uribe, S. (2021). Futuro de la inteligencia artificial en Odontología. Odontología Sanmarquina,
24(3), 305–307. https://doi.org/10.15381/os.v24i3.20726
Vega, L. (2026). Teoría de la evidencia cognitiva progresiva: fundamentos para un nuevo
modelo de evaluación del aprendizaje. Revista Multidisciplinar Epistemología de Las
Ciencias, 3(3), 775–784. https://doi.org/10.71112/efty4b16
Wiggins, G. (1998). Educative assessment: Designing assessments to inform and improve
student performance. Jossey-Bass.
Zimmerman, B. (2000). Attaining self-regulation : A social cognitive perspective. Handbook of
Self-Regulation, 13–39.