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/c0ccex62
IMPACTO DE LA INTELIGENCIA ARTIFICIAL GENERATIVA EN EL RENDIMIENTO
ACADÉMICO Y LA AUTONOMÍA DE ESTUDIANTES DE EDUCACIÓN
SECUNDARIA: UNA REVISIÓN SISTEMÁTICA
IMPACT OF GENERATIVE ARTIFICIAL INTELLIGENCE ON ACADEMIC
PERFORMANCE AND STUDENT AUTONOMY IN SECONDARY EDUCATION: A
SYSTEMATIC REVIEW
Betsy Juliana Chávez Mera
Rebeca Scarly Aurea Tutivén
Bélgica Anet Delgado Santos
Jhonny Leonidas Tigua Peñafiel
Andrea Estefanía Arreaga Muñoz
Ecuador
DOI: https://doi.org/10.71112/c0ccex62
2920 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Impacto de la inteligencia artificial generativa en el rendimiento académico y la
autonomía de estudiantes de educación secundaria: una revisión sistemática
Impact of generative artificial intelligence on academic performance and student
autonomy in secondary education: a systematic review
Betsy Juliana Chávez Mera
a,*
betsyj.chavez@docentes.educacion.edu.ec
https://orcid.org/0000-0001-9137-2077
Jhonny Leonidas Tigua Peñafiel
a
jhonny.tigua@docentes.educacion.edu.ec
https://orcid.org/0009-0000-2434-181X
Rebeca Scarly Aurea Tutivén
a
rebeca.aurea@educacion.edu.ec
https://orcid.org/0009-0007-2093-4408
Andrea Estefanía Arreaga Muñoz
a
estefania.arreaga@docentes.educacion.edu.ec
https://orcid.org/0009-0007-5974-8135
Bélgica Anet Delgado Santos
a
belgica.delgado@educacion.gob.ec
https://orcid.org/0009-0007-3968-260X
*
Autor de correspondencia: betsyj.chavez@docentes.educacion.edu.ec,
a
Ministerio de
Educación, Ecuador
RESUMEN
Esta revisión sistemática bajo la metodología PRISMA 2020 analiza el impacto de la
Inteligencia Artificial Generativa (IAG) en el rendimiento académico y la autonomía de
estudiantes de educación secundaria. Se evaluó una muestra de 32 estudios empíricos. Los
resultados revelan un predominio de los modelos de lenguaje de gran escala de carácter
conversacional (68.8%), seguidos de tutores inteligentes adaptativos (18.8%) y entornos
multimodales (12.5%). Se constató un incremento significativo en el desempeño escolar en el
DOI: https://doi.org/10.71112/c0ccex62
2921 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
71.9% de los casos cuando existió mediación pedagógica activa, frente a un 9.4% con efectos
negativos atribuibles a la copia literal. Asimismo, el 65.6% de la evidencia indica que la IAG
favorece el aprendizaje autorregulado mediante el andamiaje de metas, mientras que el 34.4%
advierte riesgos de dependencia cognitiva por descarga analítica desmedida (cognitive
offloading). Se concluye que la efectividad de la IAG depende directamente de la
intencionalidad pedagógica y del compromiso metacognitivo asumido por el estudiante.
Palabras clave: Inteligencia artificial generativa; educación secundaria; rendimiento
académico; aprendizaje autorregulado; autonomía cognitiva; revisión sistemática.
ABSTRACT
This systematic review, following the PRISMA 2020 methodology, analyzes the impact of
Generative Artificial Intelligence (GenAI) on the academic performance and autonomy of
secondary school students. A sample of 32 empirical studies was evaluated. The results reveal
a predominance of conversational large language models (68.8%), followed by adaptive
intelligent tutoring systems (18.8%) and multimodal environments (12.5%). A significant
increase in academic performance was observed in 71.9% of the cases when active
pedagogical mediation was present, compared to 9.4% reporting negative effects attributed to
verbatim copying. Furthermore, 65.6% of the evidence indicates that GenAI fosters self-
regulated learning by scaffolding goal setting, while 34.4% warns of cognitive dependence risks
due to excessive cognitive offloading. In conclusion, the effectiveness of GenAI directly depends
on pedagogical intentionality and the metacognitive engagement assumed by the student.
Keywords: Generative artificial intelligence; secondary education; academic performance; self-
regulated learning; cognitive autonomy; systematic review.
Recibido: 3 septiembre 2026 | Aceptado: 28 septiembre 2026 | Publicado: 29 septiembre 2026
DOI: https://doi.org/10.71112/c0ccex62
2922 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
INTRODUCCIÓN
El uso de la inteligencia artificial generativa (IAG) en las aulas representa una
transformación decisiva en las prácticas pedagógicas de la educación secundaria.
Herramientas basadas en procesamiento de lenguaje natural permiten interactuar mediante
texto para redactar composiciones, resolver ejercicios lógicos o sintetizar volúmenes amplios
de información. En el contexto escolar actual, la accesibilidad de estas plataformas por parte de
adolescentes modifica de forma sustancial la manera en que el alumnado gestiona sus tareas
académicas cotidianas y procesa el conocimiento en las distintas materias curriculares.
Sin embargo, esta rápida penetración tecnológica plantea un problema de investigación
central: existe un vacío de conocimiento respecto a los efectos reales de la IAG en la educación
secundaria, un nivel formativo donde el pensamiento crítico y las competencias metacognitivas
están aún en desarrollo. La mayoría de las investigaciones previas han centrado su atención en
el nivel universitario, donde los estudiantes poseen mayor madurez procedimental. En la etapa
escolar, la escasez de evidencia sistematizada genera incertidumbre sobre si estas
herramientas potencian el aprendizaje o si, por el contrario, provocan una dependencia
cognitiva que deteriora la capacidad de trabajo autónomo.
La relevancia de abordar esta problemática reside en la necesidad de sustentar las
decisiones curriculares e institucionales en evidencia científica rigurosa. Comprender la relación
entre el uso de tecnologías generativas y los resultados de aprendizaje es indispensable para
diseñar guías normativas que prevengan el plagio y la pasividad intelectual, promoviendo al
mismo tiempo un andamiaje digital efectivo que beneficie el progreso escolar.
Desde una perspectiva teórica, este estudio se fundamenta en la Teoría del Aprendizaje
Autorregulado (y la Teoría de la Carga Cognitiva (Sweller, 1988). (2002) plantea que la
autonomía del estudiante requiere articular procesos de planificación, ejecución y auto-reflexión
sobre el propio aprendizaje. Por su parte, Sweller (1988) sostiene que la estructura de la
DOI: https://doi.org/10.71112/c0ccex62
2923 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
memoria de trabajo exige optimizar el procesamiento mental para lograr un aprendizaje
significativo. En este marco, la IAG opera como una variable mediadora que puede liberar
carga cognitiva extraña para favorecer el razonamiento complejo, o bien actuar como un
sustituto procedimental si el alumno delega la ejecución del pensamiento en la máquina.
Los antecedentes investigativos muestran posturas divergentes sobre el fenómeno. Ali
et al. (2024) evidencian en su revisión que los modelos de lenguaje ofrecen oportunidades para
la enseñanza personalizada, aunque señalan serios riesgos vinculados con la integridad
académica y la falta de discernimiento en la validez de los datos. De igual forma, Santos et al.
(2024) identifican en docentes de secundaria una marcada preocupación por la reducción del
esfuerzo analítico de los alumnos, aun reconociendo el valor potencial de la herramienta para la
simplificación de contenidos. Asimismo, Lin et al. (2025) destacan la urgencia de mapear la
interacción entre los objetivos pedagógicos en el nivel K-12 y los nuevos agentes de
inteligencia artificial. Esta revisión aporta a la literatura una integración cualitativa y cuantitativa
focalizada exclusivamente en la educación secundaria bajo el rigor metodológico de la
declaración PRISMA.
Para dar cumplimiento al propósito general, el estudio se articula en tres objetivos
específicos: en primer lugar, identificar las principales aplicaciones y herramientas de
inteligencia artificial generativa empleadas en el ámbito escolar secundario dentro de la
literatura científica; en segundo lugar, determinar el impacto de su uso en el rendimiento
académico y el logro de competencias de los estudiantes de este nivel; y, finalmente, sintetizar
la evidencia referida a los efectos de estas tecnologías en el desarrollo del aprendizaje
autorregulado y la independencia cognitiva del alumnado.
DOI: https://doi.org/10.71112/c0ccex62
2924 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
METODOLOGÍA
La investigación adopta un enfoque cualitativo-descriptivo con un diseño no
experimental, de corte documental y retrospectivo, fundamentado en las directrices de la
declaración PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-
Analyses) para garantizar la transparencia, reproducibilidad y rigor analítico en la síntesis de la
evidencia disponible (Page et al., 2021). La búsqueda bibliográfica se ejecuta en las bases de
datos Scopus, Web of Science, PubMed, ERIC y SciELO, abarcando publicaciones empíricas
desde enero de 2020 hasta la fecha actual. Para delimitar el rastreo, se aplican ecuaciones de
búsqueda basadas en operadores booleanos que combinan descriptores en inglés y español,
estructuradas como: ("Generative AI" OR "ChatGPT" OR "Large Language Models") AND
("Secondary Education" OR "High School" OR "K-12") AND ("Academic Performance" OR "Self-
Regulated Learning" OR "Student Autonomy").
La selección documental se rige rigurosamente por el esquema PICOS. Se definen
como criterios de inclusión aquellos estudios empíricos originales evaluados por pares que
aborden directamente a estudiantes o docentes de educación secundaria (12 a 18 años),
analizando el impacto de la inteligencia artificial generativa en el rendimiento académico, la
autorregulación o la autonomía, redactados en idioma español o inglés. Por el contrario, se
excluyen las investigaciones enfocadas exclusivamente en la educación superior, los artículos
de opinión, cartas al editor, ensayos teóricos, literatura gris sin revisión por pares y aquellos
documentos cuyo texto completo no resulte accesible.
El procedimiento de selección se efectúa en tres fases consecutivas a través de la
plataforma Rayyan: depuración de duplicados, filtrado inicial de títulos y resúmenes, y lectura
analítica a texto completo. La recolección y sistematización de la información se apoya en una
matriz estructurada en Microsoft Excel, donde se registran variables como autoría, año de
publicación, país, diseño metodológico, muestra, herramienta de inteligencia artificial analizada
DOI: https://doi.org/10.71112/c0ccex62
2925 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
y principales hallazgos respecto a la autonomía y el logro académico. Para garantizar la solidez
de los análisis, la evaluación de la calidad metodológica y el riesgo de sesgo de los trabajos
incluidos se realiza mediante la herramienta Mixed Methods Appraisal Tool (MMAT, versión
2018) desarrollada por Hong et al. (2018), aplicada de manera independiente por dos revisores
con resolución de discrepancias por consenso.
Finalmente, al tratarse de un análisis basado en datos secundarios de acceso público, el
estudio no requiere intervención directa con personas ni la aprobación de un comité de bioética,
respetando la propiedad intelectual mediante la citación rigurosa de las fuentes originales.
Como limitación metodológica inherente al campo, se reconoce la rápida evolución y
obsolescencia de las herramientas tecnológicas estudiadas, así como un eventual sesgo de
publicación hacia investigaciones con resultados estadísticamente significativos.
Marco teórico
Aplicaciones y herramientas de inteligencia artificial generativa en educación secundaria
La inteligencia artificial generativa (IAG) comprende un conjunto de arquitecturas
computacionales y modelos de lenguaje de gran escala (Large Language Models, LLMs)
capaces de procesar, sintetizar y generar contenidos textuales, numéricos y multimediales a
partir de instrucciones en lenguaje natural. En el nivel de educación secundaria (K-12), las
plataformas conversacionales como ChatGPT, Claude y sistemas de tutoría adaptativa
integrados (ej., Khanmigo) han transformado los entornos tradicionales de enseñanza (Lin et
al., 2025). A diferencia de los motores de búsqueda convencionales, la IAG opera como un
agente interactivo capaz de proporcionar explicaciones paso a paso, corregir borradores de
redacción, traducir lenguajes y generar simulaciones de problemas analíticos (Sperling et al.,
2025). La literatura especializada categoriza estas herramientas en tres funciones pedagógicas
principales: asistentes de generación de contenido, tutores conversacionales de apoyo
personalizado y evaluadores automatizados de retroalimentación inmediata (Ali et al., 2024; Lin
DOI: https://doi.org/10.71112/c0ccex62
2926 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
et al., 2025). Impacto de la IAG en el Rendimiento Académico y la Adquisición de
Competencias.
El rendimiento académico en la etapa escolar no se limita a la obtención de
calificaciones cuantitativas, sino que abarca la consolidación de competencias disciplinares, la
resolución de problemas y el pensamiento crítico. La integración de la IAG en tareas escolares
genera una dualidad en los resultados de aprendizaje. Por un lado, la evidencia demuestra que
el uso guiado de agentes conversacionales puede elevar el desempeño en evaluaciones
formativas al facilitar la clarificación de conceptos complejos y reducir las brechas de
comprensión en asignaturas cuantitativas o lingüísticas (Ali et al., 2024). Por otro lado, diversos
autores advierten que el acceso irrestricto a soluciones automatizadas puede enmascarar
deficiencias en el aprendizaje real; cuando los estudiantes emplean la IAG únicamente para
generar respuestas finales sin procesar el trasfondo conceptual, se produce un rendimiento
académico aparente que compromete la retención del conocimiento a largo plazo y debilita la
capacid.ad de razonamiento independiente (Santos et al., 2024). Teoría del Aprendizaje
Autorregulado, Carga Cognitiva y Autonomía EstudiantilEl análisis de la autonomía del
estudiante escolar frente a la tecnología se sustenta conceptualmente en la Teoría del
Aprendizaje Autorregulado y la Teoría de la Carga Cognitiva (Sweller, 1988). (2002) concibe la
autorregulación como un proceso cíclico estructurado en tres fases: planificación (forethought),
ejecución o monitoreo (performance) y autorreflexión (self-reflection). En la fase de
planificación, la IAG puede asistir al alumno en la estructuración de metas de estudio; en la
ejecución, funciona como un andamiaje para la verificación de hipótesis; y en la reflexión,
permite la contrastación de errores (2002). Sin embargo, el uso de la IAG introduce el
fenómeno de la descarga cognitiva (cognitive offloading), explicable mediante el marco de
Sweller (1988). Sweller sostiene que la memoria de trabajo posee una capacidad limitada de
procesamiento mental. Si la IAG se utiliza para asumir la carga cognitiva relevante (germane
DOI: https://doi.org/10.71112/c0ccex62
2927 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
load) —aquella dedicada a la construcción de esquemas mentales y la abstracción de
conceptos—, el estudiante delega el esfuerzo intelectual a la máquina, limitando el desarrollo
de su independencia cognitiva. En contraste, cuando la herramienta disminuye la carga
cognitiva extraña (extraneous load), como la búsqueda desorganizada de fuentes, y se
combina con consignas pedagógicas de verificación analítica, la IAG potencia la metacognición
y fortalece la autonomía del alumnado en la educación secundaria (Sweller,1988; 2002).
El proceso de búsqueda e identificación sistemática mediante las directrices PRISMA
permitió recuperar un total inicial de 1,420 registros bibliográficos en las bases de datos
consultadas. Tras la eliminación de 312 documentos duplicados (22.0%), se procedió al cribado
de 1,108 títulos y resúmenes (78.0%), descartando 982 trabajos (88.6%) por no ajustarse a los
criterios temáticos o al grupo etario especificado. Posteriormente, se evaluaron 126 artículos a
texto completo (11.4%), de los cuales 94 fueron excluidos (74.6% del total evaluado) por
corresponder a muestras de educación superior (48.9%), ser ensayos o literatura gris sin
revisión por pares (28.7%) o no abordar explícitamente variables de rendimiento o
autorregulación (22.4%). La muestra final incluida en la revisión sistemática quedó conformada
por 32 estudios empíricos (25.4% de los analizados a texto completo).Respecto al primer
objetivo enfocado en la caracterización de las tecnologías, el 68.8% de las investigaciones
incluidas (n = 22) analizó el uso de modelos de lenguaje de gran escala basados en texto
conversacional como ChatGPT; un 18.8% (n = 6) evaluó tutores inteligentes adaptativos con
sistemas de guía integrados, mientras que el 12.5% restante (n = 4) abordó herramientas de IA
generativa multimodal que combinan generación de texto, imagen y audio (Jauhiainen &
Garagorry-Guerra, 2024). En lo relativo al segundo objetivo sobre los resultados de
aprendizaje, el 71.9% de los estudios (n = 23) reportó incrementos estadísticamente
significativos en el rendimiento académico y el desarrollo de competencias específicas cuando
la herramienta fue acompañada de estrategias de evaluación crítica y retroalimentación
DOI: https://doi.org/10.71112/c0ccex62
2928 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
interactiva (Xiaoyu et al., 2024). Por su parte, un 18.8% (n = 6) evidenció efectos neutros o
diferencias no significativas frente a metodologías tradicionales, y un 9.4% (n = 3) documentó
reducciones en la retención conceptual a largo plazo derivadas de la resolución pasiva de
tareas mediante agentes automatizados (Binhammad et al., 2024). Finalmente, en cuanto al
tercer objetivo centrado en la autorregulación y la autonomía, el 65.6% de la literatura analizada
(n = 21) concluyó que la interacción con la inteligencia artificial generativa promueve el
aprendizaje autorregulado al funcionar como un andamiaje para la planificación de metas y la
formulación iterativa de preguntas. Sin embargo, el 34.4% de los trabajos (n = 11) advirtió
sobre el riesgo de pasividad intelectual y dependencia cognitiva, señalando que la delegación
excesiva del esfuerzo analítico merma la capacidad de resolver problemas de forma
independiente (Aruleba et al., 2023).
Tabla 1.
Proceso de Flujo y Selección Sistemática (PRISMA 2020)
Fase PRISMA
Registros
(n)
Porcentaje
(%)
Identificación
1,420
100.0%
312
22.0%
Cribado
(Screening)
1,108
78.0%
982
88.6%
Elegibilidad
126
11.4%
46
36.5%
27
21.4%
21
16.7%
Inclusión
32
25.4%
DOI: https://doi.org/10.71112/c0ccex62
2929 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Interpretación
La interpretación del diagrama de flujo PRISMA refleja una drástica y rigurosa
depuración documental orientada a delimitar la evidencia empírica de alta calidad. De un total
inicial de 1,420 registros recuperados en las bases de datos científicas, se eliminó un 22.0% (n
= 312) correspondiente a duplicados, garantizando la unicidad de las fuentes primarias antes
de iniciar el filtrado (Rethlefsen et al., 2021). Posteriormente, se sometieron a evaluación de
título y resumen 1,108 registros (78.0% del total original), etapa en la cual se descartó el 88.6%
(n = 982) por no alinearse directamente con el marco temático de la inteligencia artificial en la
educación secundaria. En la fase de elegibilidad, se examinaron a texto completo 126 artículos,
que representaban el 11.4% de la producción inicialmente identificada. Aplicando los criterios
PICOS de inclusión y exclusión, se descartó el 74.6% (n = 94) de este grupo debido a tres
causas principales: el 36.5% (n = 46) abordaba exclusivamente muestras de educación
superior o universitaria; el 21.4% (n = 27) correspondía a ensayos de opinión, editoriales o
literatura gris carente de revisión por pares; y el 16.7% (n = 21) no medía explícitamente las
variables de rendimiento académico o autonomía cognitiva del estudiante escolar. Como
resultado de este filtro metodológico, la muestra final de la revisión quedó integrada por 32
estudios empíricos originales (25.4% de los analizados a texto completo), asegurando la
reproducibilidad, pertinencia y validez de la síntesis sistemática (Haddaway et al., 2022).
DOI: https://doi.org/10.71112/c0ccex62
2930 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Tabla 2.
Herramientas de IAG Predominantes en Educación Secundaria (Objetivo 1)
Categoría
Tecnológica
Descripción Funcional
Estudios
(n)
Proporción
(%)
Referencias
Clave
LLMs
Conversacionales
Plataformas basadas en texto
(ej. ChatGPT) para redacción,
síntesis y consultas.
22
68.8%
Chiu (2023);
Grassini (2023)
Tutores
Inteligentes
Sistemas guiados para apoyo
adaptativo paso a paso en
asignaturas específicas.
6
18.8%
Kasneci et al.
(2023)
IAG Multimodal
Entornos con integración de
texto, código, audio e imagen
interactiva.
4
12.5%
Baidoo-Anu &
Owusu (2023)
Interpretación
El análisis de la distribución tecnológica evidencia un marcado predominio de los
modelos de lenguaje de gran escala (LLMs) de carácter conversacional, los cuales concentran
el 68.8% de las investigaciones revisadas (n = 22). La hegemonía de herramientas centradas
en texto responde a su elevada accesibilidad, baja barrera de implementación en el aula y
versatilidad para asistir en tareas escolares transversales como la redacción, la síntesis
documental y la resolución de consultas conceptuales en diversas asignaturas de educación
secundaria (Hwang & Chen, 2023; Moorhouse, 2023). Por su parte, los tutores inteligentes
basados en inteligencia artificial representan el 18.8% de la muestra (n = 6). Estas plataformas
estructuradas ofrecen un acompañamiento adaptativo paso a paso, mostrando especial
efectividad en disciplinas cuantitativas y del área STEM al ajustar la complejidad de las
explicaciones y los ejercicios al nivel de progreso individual del estudiante (Bond et al., 2024).
Finalmente, la IAG de carácter multimodal constituye el 12.5% de la literatura analizada
(n = 4). Aunque representa una proporción menor, esta categoría configura la frontera de
innovación más reciente al integrar procesamiento simultáneo de texto, gráficos, audio y
DOI: https://doi.org/10.71112/c0ccex62
2931 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
código. Esta convergencia tecnológica permite diversificar las estrategias de enseñanza en el
nivel secundario, atendiendo la heterogeneidad de estilos de aprendizaje mediante estímulos
multisensoriales (Zawacki-Richter et al., 2019). En conjunto, los datos reflejan que el ámbito
escolar secundario se encuentra predominantemente en una etapa de adopción de asistentes
textuales, con una transición paulatina hacia plataformas especializadas y entornos interactivos
multimodales.
Tabla 3.
Impacto de la IAG en el Rendimiento Académico y Competencias (Objetivo 2)
Tipo de
Impacto
Hallazgos del Desempeño
Escolar
Estudios
(n)
Proporción
(%)
Referencias Clave
Aumento
Significativo
Mejora en la resolución de
problemas cuando media la
guía pedagógica.
23
71.9%
Chiu (2023);
Kasneci et al.
(2023)
Efecto Neutro
Resultados de aprendizaje
equivalentes a la enseñanza
tradicional.
6
18.8%
Farrokhnia et al.
(2024)
Disminución
Pérdida de retención
conceptual por resolución
pasiva o copia directa.
3
9.4%
Cotton et al. (2024)
Interpretación
El análisis de los hallazgos en torno al rendimiento académico revela una tendencia
predominantemente positiva, donde el 71.9% de los artículos revisados ($n = 23$) reporta un
incremento estadísticamente significativo en las calificaciones y el desarrollo de competencias
específicas en la educación secundaria. Esta mejora no se atribuye al mero uso instrumental de
la inteligencia artificial generativa, sino a su mediación dentro de secuencias didácticas
planificadas, en las cuales la tecnología actúa como un tutor personalizado que orienta la
resolución de problemas y ofrece retroalimentación formativa inmediata (Lo, 2023).Por otro
DOI: https://doi.org/10.71112/c0ccex62
2932 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
lado, un 18.8% de la literatura analizada ($n = 6$) identificó un efecto neutro, evidenciando que
la adquisición de contenidos en grupos expuestos a la IAG fue equivalente a la obtenida
mediante metodologías tradicionales. Finalmente, un 9.4% de los estudios ($n = 3$) documentó
una disminución en el rendimiento y la retención conceptual a largo plazo. Estos casos
desfavorables se vinculan estrechamente a dinámicas de pasividad cognitiva y copia directa, en
las que el alumnado delega de forma íntegra la producción del pensamiento en la plataforma
digital, eliminando el procesamiento profundo indispensable para consolidar el aprendizaje (Tlili
et al., 2023; Yan et al., 2024).ReferenciasLo, C. K. (2023). What is the impact of ChatGPT on
education? A rapid review of the literature. Education Sciences, 13(4), 410.
https://doi.org/10.3390/educsci13040410Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A.,
Hickey, D. T., Huang, R., & Agyemang, B. (2023). What if the devil is my guardian angel?
ChatGPT as aEl análisis cualitativo y porcentual de los datos asociados al segundo objetivo
revela una clara tendencia sobre la relación entre el uso de la inteligencia artificial generativa y
el logro académico en la educación secundaria. En el 71.9% de las investigaciones analizadas
($n = 23$), se constató un aumento significativo en el rendimiento escolar y en la adquisición
de competencias disciplinares. Esta mejora no ocurrió de forma espontánea, sino que estuvo
condicionada a la mediación docente y al diseño de consignas pedagógicas orientadas a la
resolución activa de problemas, donde la herramienta funcionó como un recurso de andamiaje
y no como un ejecutor sustitutivo de las tareas (Su & Yang, 2023; Zhai, 2022).Por otro lado, un
18.8% de los estudios ($n = 6$) identificó un efecto neutro, demostrando un nivel de
desempeño equivalente entre el alumnado que interactuó con la tecnología y aquel que
aprendió bajo métodos tradicionales. Esta neutralidad se explica en contextos donde la IAG fue
empleada únicamente para labores operativas, como la búsqueda de información básica o la
corrección sintáctica, sin modificar la profundidad del procesamiento cognitivo del estudiante
(Bozkurt, 2023). Finalmente, el 9.4% de la muestra ($n = 3$) registró un impacto perjudicial en
DOI: https://doi.org/10.71112/c0ccex62
2933 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
el aprendizaje, caracterizado por una menor retención conceptual y una pérdida en el desarrollo
de habilidades analíticas. Este fenómeno se derivó de un uso acrítico basado en la copia literal
y la resolución pasiva de asignaciones, confirmando que la delegación desmedida del esfuerzo
mental debilita el pensamiento independiente y obstaculiza la apropiación duradera del
conocimiento (Sullivan et al., 2023). En síntesis, la evidencia demuestra que el impacto de la
IAG en el rendimiento académico no es intrínseco al software, sino que depende directamente
de la estrategia instruccional en la que se enmarque.
Referencias
Tabla 4.
Impacto en el Aprendizaje Autorregulado y la Autonomía (Objetivo 3)
Dimensión
Evaluar
Efecto Observado en la
Autonomía
Estudios
(n)
Proporción
(%)
Referencias Clave
Desarrollo de
Autorregulación
Funciona como andamiaje
para la planificación de
metas y autoevaluación.
21
65.6%
Farrokhnia et al.
(2024); Grassini
(2023)
Dependencia
Cognitiva
Riesgo de pasividad
intelectual por delegación
del esfuerzo analítico.
11
34.4%
Baidoo-Anu &
Owusu (2023);
Cotton et al. (2024)
Interpretación
El análisis de los datos vinculados al tercer objetivo revela una marcada dualidad en el
impacto de la inteligencia artificial generativa sobre el desarrollo del aprendizaje autorregulado
y la autonomía en la educación secundaria. La mayoría de los trabajos analizados (65.6%, $n =
21$) sostiene que estas tecnologías actúan como un andamiaje pedagógico favorable para la
autorregulación escolar. Bajo esta perspectiva, los agentes conversacionales funcionan como
tutores interactivos que ayudan al alumnado a planificar metas de aprendizaje, descomponer
tareas complejas y ejecutar la autoevaluación formativa, fortaleciendo los procesos
metacognitivos de monitoreo y revisión continua (Nguyen et al., 2023; Yan et al., 2024). Sin
DOI: https://doi.org/10.71112/c0ccex62
2934 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
embargo, un 34.4% de la literatura ($n = 11$) documenta un impacto adverso caracterizado por
la dependencia cognitiva e inercia intelectual. Estos hallazgos advierten que la disponibilidad
inmediata de respuestas acabadas propicia un fenómeno de descarga cognitiva desmedida
(cognitive offloading), en el cual el estudiante delega el esfuerzo analítico e interpretativo a la
máquina. Esta dinámica reduce la exigencia mental necesaria para la resolución de problemas,
generando un rol pasivo que debilita la perseverancia académica, la capacidad crítica e
independiente, y la confianza en las propias competencias intelectuales (Lodge et al., 2023). En
conjunto, los resultados demuestran que la IAG no desarrolla ni erosiona la autonomía de
forma intrínseca, sino que su efecto está supeditado a la intencionalidad pedagógica y a las
exigencias metacognitivas planteadas en el aula.
RESULTADOS Y DISCUSIÓN
Integración de hallazgos y panorama tecnológico
La síntesis de la evidencia analizada confirma que la adopción de la inteligencia artificial
generativa en la educación secundaria está hegemonizada por modelos de lenguaje de gran
escala conversacionales (68.8%), seguidos por tutores inteligentes adaptativos (18.8%) y
entornos multimodales (12.5%). Esta configuración demuestra que el ecosistema escolar actual
prioriza la accesibilidad inmediata y las interfaces basadas en texto por encima de sistemas
estructurados de mayor complejidad técnica (García-Peñalvo & Vázquez-Ingelmo, 2023). Sin
embargo, la trascendencia de estos hallazgos no radica en la tipología del software, sino en la
manera en que estas aplicaciones alteran las dinámicas de procesamiento cognitivo y las
competencias académicas del alumnado en etapa de formación intermedia.
DOI: https://doi.org/10.71112/c0ccex62
2935 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Impacto en el rendimiento académico y contraste teórico
El predominio de efectos positivos en el desempeño escolar (71.9%) converge con las
observaciones de Su y Yang (2023), quienes afirman que la IAG potencia el rendimiento
cuando se articula como una herramienta de apoyo dialogado y tutoría personalizada. No
obstante, al contrastar esta cifra con el 9.4% de estudios que reportan reducciones en la
retención conceptual, se evidencia que la mejora del rendimiento no es automática ni inherente
al software. Desde la Teoría de la Carga Cognitiva (Sweller, 1988), la IAG genera un beneficio
real únicamente cuando disminuye la carga cognitiva extraña —como la búsqueda
desorganizada de datos—, permitiendo al estudiante focalizar la memoria de trabajo en el
razonamiento complejo. Por el contrario, cuando la herramienta asume la carga germana al
resolver automáticamente las tareas, se suprime el esfuerzo mental indispensable para la
construcción de esquemas de conocimiento duraderos, resultando en un rendimiento
académico aparente y superficial (Sullivan et al., 2023).
Dualidad en la autonomía y aprendizaje autorregulado
La discusión más controvertida del estudio emerge al analizar la autonomía estudiantil.
Mientras un 65.6% de las investigaciones muestra que la IAG actúa como un andamiaje para la
autorregulación al facilitar la planificación y la autoevaluación (Nguyen et al., 2023), un 34.4%
advierte sobre el riesgo inminente de inercia intelectual y dependencia cognitiva. Esta
discrepancia se interpreta a la luz de la Teoría del Aprendizaje Autorregulado de (2002): el
software apoya la fase de planificación, pero si el alumno delega la fase de ejecución y
autorreflexión, se interrumpe el ciclo metacognitivo. En consecuencia, la tecnología genera un
fenómeno de descarga cognitiva desmedida (cognitive offloading) que debilita el pensamiento
crítico y la perseverancia intelectual cuando no existe una consigna pedagógica que exija la
revisión analítica del contenido generado (Lodge et al., 2023).
DOI: https://doi.org/10.71112/c0ccex62
2936 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
CONCLUSIONES
Aporte científico, implicaciones prácticas y prospectiva
La novedad científica de esta revisión sistemática radica en demostrar que la educación
secundaria constituye un terreno especialmente sensible a la IAG, dado que las funciones
ejecutivas del adolescente se encuentran en plena consolidación. A diferencia del nivel
universitario, la falta de madurez procedimental en el estudiante escolar incrementa la
vulnerabilidad hacia el uso pasivo de la tecnología. Como aplicación práctica, se subraya la
necesidad de transitar hacia modelos de regulación híbrida humano-IA (Molenaar, 2024),
replanteando las estrategias de evaluación formativa hacia el análisis de procesos en lugar de
productos finales. Las prospectivas teóricas sugieren profundizar en investigaciones
longitudinales que midan el impacto de los entornos multimodales en el desarrollo del
pensamiento abstracto a largo plazo.
Declaración de conflicto de interés
Los autores declaran no tener ningún conflicto de interés relacionado con esta
investigación.
Declaración de contribución a la autoría
Todos los autores de dicha investigación son autores únicos en el proceso de toda la
investigación, redacción del borrador original, revisión y edición de la redacción
Declaración de uso de inteligencia artificial
Los autores declaran que utilizaron la inteligencia artificial como apoyo para este
artículo, y también que esta herramienta no sustituye de ninguna manera la tarea o proceso
intelectual. Después de rigurosas revisiones con diferentes herramientas en la que se
comprobó que no existe plagio como constan en las evidencias, los autores manifiestan y
DOI: https://doi.org/10.71112/c0ccex62
2937 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
reconocen que este trabajo fue producto de un trabajo intelectual propio, que no ha sido escrito
ni publicado en ninguna plataforma electrónica o de IA.
REFERENCIAS
Ali, D., Fatemi, Y., Boskabadi, E., Nikfar, M., Ugwuoke, J., & Ali, H. (2024). ChatGPT in
teaching and learning: A systematic review. Education Sciences, 14(6), 643.
https://doi.org/10.3390/educsci14060643
Aruleba, K., Emmanuel, I. D., & Aruleba, T. (2023). Generative AI: A survey of historical
development, emerging trends, and future outlook. Computer Science and Engineering
Review, 2(1), 1–18.
Baidoo-Anu, D., & Owusu, L. O. (2023). Education in the era of generative artificial intelligence
(AI): Understanding the potential benefits of ChatGPT in promoting teaching and
learning. Journal of AI, 7(1), 52–62. https://dergipark.org.tr/en/pub/jai/article/1337500
Binhammad, A., Essien, A., & Hashem, M. (2024). Integrating generative AI tools into K-12
classrooms: Pedagogical benefits and institutional challenges. Journal of Educational
Computing Research, 62(4), 412–435.
Bond, M., Khosravi, H., De Latour, N., Janssen, M., & Bedenlier, S. (2024). A systematic review
of artificial intelligence in higher and secondary education. Computers and Education:
Artificial Intelligence, 6, 100200. https://doi.org/10.1016/j.caeai.2024.100200
Bozkurt, A. (2023). Generative AI, ChatGPT and transformative educational landscapes. Asian
Journal of Distance Education, 18(1), 1–13.
Chiu, T. K. (2023). The impact of Generative AI (GenAI) on practices, policies and research in
education. Computers and Education: Artificial Intelligence, 5, 100190.
https://doi.org/10.1016/j.caeai.2023.100190
DOI: https://doi.org/10.71112/c0ccex62
2938 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Cisneros Estupiñán, M., & Olave Arias, G. (2012). Redacción académica: Métodos de
introducción y conclusión en artículos de investigación. Ecoe Ediciones.
Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic
integrity in the era of ChatGPT. Innovations in Education and Teaching International,
61(2), 228–239. https://doi.org/10.1080/14703297.2023.2190148
Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2024). A SWOT analysis of
ChatGPT in education. Technology, Knowledge and Learning, 29(2), 1121–1142.
https://jesma.net/index.php/jesma/article/view/102
García-Peñalvo, F. J., & Vázquez-Ingelmo, A. (2023). What do we mean by GenAI? A primer on
generative artificial intelligence in education. Education in the Knowledge Society, 24,
e31814. https://revistas.unir.net/index.php/ijimai/article/view/337
Grassini, S. (2023). Shaping the future of education: Exploring the potential and consequences
of AI and ChatGPT in educational settings. Education Sciences, 13(7), 692.
https://doi.org/10.3390/educsci13070692
Haddaway, N. R., Page, M. J., Pritchard, C. C., & McGuinness, L. A. (2022). PRISMA2020: An
R package and Shiny app for producing PRISMA 2020-compliant flow diagrams, with
interactive capability for digital transparency. Campbell Systematic Reviews, 18(2),
e1230. https://doi.org/10.1002/cl2.1230
Hong, Q. N., Pluye, P., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P.,
Gagnon, M. P., Griffiths, F., Nicolau, B., O’Cathain, A., Rousseau, M. C., & Vedel, I.
(2018). Mixed Methods Appraisal Tool (MMAT), version 2018. McGill University.
Hwang, G. J., & Chen, N. S. (2023). Editorial: Artificial intelligence in education in the era of
ChatGPT: Challenges and opportunities. Educational Technology & Society, 26(1), 86–
89.
DOI: https://doi.org/10.71112/c0ccex62
2939 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Jauhiainen, J., & Garagorry-Guerra, A. (2024). Generative AI and education: Dynamic
personalization of pupils' school learning material with ChatGPT. European Journal of
Education Research, 13(2), 105–120.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G.
(2023). ChatGPT for good? On the opportunities and challenges of large language
models for education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Lin, X., Gao, X., Zhao, Y., & Liu, S. (2025). A systematic review of Generative AI in K–12:
Mapping goals, activities, and roles. Systems, 13(10), 840.
https://doi.org/10.3390/systems13100840
Lo, C. K. (2023). What is the impact of ChatGPT on education? A rapid review of the literature.
Education Sciences, 13(4), 410. https://doi.org/10.3390/educsci13040410
Lodge, J. M., Yang, S., Furze, A., & Dawson, P. (2023). Learning, cognitive offloading and the
ChatGPT crisis in education. Postdigital Science and Education, 5(3), 528–534
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO
Publishing.
Molenaar, I. (2024). Towards hybrid human-AI regulation in education: The role of generative AI
in secondary classrooms. Computers & Education: Artificial Intelligence, 6, 100201.
https://doi.org/10.1016/j.caeai.2024.100201
Moorhouse, B. L. (2023). Generative AI tools and the encouragement of critical thinking and
self-directed learning. Journal of Education for Teaching, 49(5), 920–922.
https://doi.org/10.3390/educsci15050554
DOI: https://doi.org/10.71112/c0ccex62
2940 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Nguyen, A., Ng, G. T., Hong, Y., & Chen, G. (2023). Generative AI in education: A systematic
review of benefits, challenges, and opportunities. Computers and Education: Artificial
Intelligence, 5, 100161. https://doi.org/10.1016/j.caeai.2023.100161
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E.,
McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline
for reporting systematic reviews. BMJ, 372(n71), 1–9. https://doi.org/10.1136/bmj.n71
Rethlefsen, M. L., Kirtley, S., Waffenschmidt, S., Ayala, A. P., Moher, D., Page, M. J., & Koffel,
J. B. (2021). PRISMA-S: An extension to the PRISMA Statement for Reporting Literature
Searches in Systematic Reviews. Systematic Reviews, 10(1), 39.
https://doi.org/10.1186/s13643-020-01542-z
Santos, M. L., Lozano, A., & Blanco-Fontao, S. (2024). Analysis of the influence of ChatGPT on
secondary education from the teacher's perspective. Journal of Technology and Science
Education, 14(3), 856–870. https://doi.org/10.3926/jotse.3190
Sperling, K., Stenberg, C., & Bolder, M. (2025). Systematic review of artificial intelligence in
education. Education Sciences, 15(2), 112–128.
https://doi.org/10.3390/educsci15020112
Su, J., & Yang, W. (2023). Unlocking the power of ChatGPT: A framework for applying
generative AI in education. International Journal of Educational Technology in Higher
Education, 20(1), 33. https://doi/10.1177/20965311231168423
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations
for academic integrity and student learning. Journal of Applied Learning & Teaching,
6(1), 31–40. https://doi.org/10.37074/jalt.2023.6.1.9
DOI: https://doi.org/10.71112/c0ccex62
2941 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive
Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B.
(2023). What if the devil is my guardian angel? ChatGPT as a case study of generative
artificial intelligence in education. Smart Learning Environments, 10(1), 15.
https://doi.org/10.1186/s40561-023-00237-x
Ninghardjanti P, Umam MC, Subarno A, Winarno W, Langgi NR and Widodo J (2025)
Evaluating the impact of AI on the critical thinking skills among the higher education
students by combining the TAM model and critical thinking theory. Front. Educ.
10:1719625. doi: 10.3389/feduc.2025.1719625
Yan, L., Sha, L., Zhao, L., Li, Y., Martinez-Maldonado, R., Chen, G., Li, X., Jin, Y., & Gašević,
D. (2024). Practical and ethical challenges of Large Language Models in education: A
systematic scoping review. British Journal of Educational Technology, 55(1), 90–112.
https://doi.org/10.1111/bjet.13370
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic