����������������������������������������������������������������������������������

 

 

Aplicaci�n de la inteligencia artificial generativa en el fortalecimiento del aprendizaje personalizado en educaci�n

 

Application of generative artificial intelligence to strengthen personalized learning in education

 

Aplica��o da intelig�ncia artificial generativa para fortalecer a aprendizagem personalizada na educa��o

 

 

 

 

 

 

 

 

 

 

Correspondencia: kattymary1275@yahoo.es

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 11 de marzo de 2025 *Aceptado: 25 de abril de 2025 * Publicado: �29 de mayo de 2025

 

        I.            M�ster en Educaci�n Inicial con menci�n en Innovaci�n en Desarrollo Infantil, U.E.� "La Paz", Mont�far, Ecuador.

      II.            Licenciada en Ciencias de la Educaci�n, Especializaci�n en Educaci�n B�sica, U.E. "Piartal", Mont�far, Ecuador.

   III.            Licenciatura en Ciencias de la Educaci�n, Especializaci�n en Educaci�n B�sica, U.E. "Piartal", Mont�far, Ecuador.

   IV.            M�ster en Educaci�n Inicial con menci�n en Innovaci�n en Desarrollo Infantil, Unidad Educativa �Mar�a Esther Enderica Endara�, El Carmen, Ecuador.

Resumen

La inteligencia artificial generativa ha irrumpido con fuerza en el �mbito educativo, abriendo nuevas posibilidades para adaptar los procesos de ense�anza-aprendizaje a las necesidades individuales de los estudiantes. Esta tecnolog�a plantea una oportunidad para fortalecer el aprendizaje personalizado desde una perspectiva inclusiva e innovadora. El objetivo fue analizar cr�ticamente el uso de la inteligencia artificial generativa (IAG) como estrategia para personalizar el aprendizaje en entornos educativos diversos. La investigaci�n es de tipo cualitativo, bajo un dise�o documental. Se revisaron 12 art�culos cient�ficos publicados entre 2021 y 2024, seleccionados mediante criterios tem�ticos, metodol�gicos y de actualidad. Como t�cnica se aplic� el an�lisis de contenido, y se utiliz� una matriz bibliogr�fica para organizar datos como niveles educativos, herramientas IAG utilizadas, objetivos y hallazgos de los estudios. Los resultados muestran que herramientas como ChatGPT y GPT-4 permiten generar explicaciones, actividades y retroalimentaci�n personalizada, mejorando la motivaci�n, la autonom�a y el rendimiento estudiantil. La discusi�n destaca la necesidad de una implementaci�n �tica, con formaci�n docente y marcos pedag�gicos claros.

Se concluye que la IAG representa una v�a efectiva para avanzar hacia una educaci�n m�s personalizada, siempre que se integre con responsabilidad, equidad y sentido pedag�gico.

Palabras clave: inteligencia artificial generativa; aprendizaje personalizado; tecnolog�a educativa; ChatGPT; innovaci�n pedag�gica.

 

Abstract

Generative artificial intelligence has burst onto the educational scene, opening up new possibilities for adapting teaching and learning processes to students' individual needs. This technology presents an opportunity to strengthen personalized learning from an inclusive and innovative perspective. The objective was to critically analyze the use of generative artificial intelligence (GAI) as a strategy for personalizing learning in diverse educational environments. The research was qualitative, using a documentary design. Twelve scientific articles published between 2021 and 2024 were reviewed, selected using thematic, methodological, and topical criteria. Content analysis was used as a technique, and a bibliographic matrix was used to organize data such as educational levels, GAI tools used, objectives, and study findings. The results show that tools such as ChatGPT and GPT-4 allow for the generation of explanations, activities, and personalized feedback, improving student motivation, autonomy, and performance. The discussion highlights the need for ethical implementation, with teacher training and clear pedagogical frameworks. The conclusion is that AI represents an effective way to advance more personalized education, provided it is integrated with responsibility, equity, and pedagogical awareness.

Keywords: generative artificial intelligence; personalized learning; educational technology; ChatGPT; pedagogical innovation.

 

Resumo

A intelig�ncia artificial generativa surgiu no cen�rio educacional, abrindo novas possibilidades para adaptar os processos de ensino e aprendizagem �s necessidades individuais dos alunos. Esta tecnologia apresenta uma oportunidade para fortalecer a aprendizagem personalizada a partir de uma perspectiva inclusiva e inovadora. O objetivo foi analisar criticamente o uso da intelig�ncia artificial generativa (GAI) como estrat�gia para personalizar a aprendizagem em diversos ambientes educacionais. A pesquisa � qualitativa, com delineamento documental. Foram revisados ​​doze artigos cient�ficos publicados entre 2021 e 2024, selecionados por crit�rios tem�ticos, metodol�gicos e t�picos. Aplicou-se a t�cnica de an�lise de conte�do, sendo utilizada uma matriz bibliogr�fica para organizar dados como n�veis educacionais, ferramentas de IAG utilizadas, objetivos e achados dos estudos. Os resultados mostram que ferramentas como ChatGPT e GPT-4 permitem a gera��o de explica��es, atividades e feedback personalizado, melhorando a motiva��o, a autonomia e o desempenho dos alunos. A discuss�o destaca a necessidade de implementa��o �tica, com treinamento de professores e estruturas pedag�gicas claras.

Conclui-se que o IAG representa um caminho eficaz para avan�ar em dire��o a uma educa��o mais personalizada, desde que integrada com responsabilidade, equidade e senso pedag�gico.

Palavras-chave: intelig�ncia artificial generativa; aprendizagem personalizada; tecnologia educacional; Bate-papoGPT; inova��o pedag�gica.

 

Introducci�n

En el contexto de la cuarta revoluci�n industrial, la inteligencia artificial (IA) ha dejado de ser un concepto propio de la ciencia ficci�n para convertirse en un componente central de los sistemas productivos, de salud, de servicios y, cada vez m�s, de los entornos educativos. Uno de los desarrollos m�s recientes y disruptivos es la inteligencia artificial generativa (IAG), que se caracteriza por su capacidad de crear contenido nuevo; texto, im�genes, c�digos, audios o videos; a partir de datos previamente procesados. Modelos como GPT-4, DALL�E y Bard, entre otros, no solo representan avances tecnol�gicos impresionantes, sino que abren posibilidades sin precedentes para transformar la ense�anza y el aprendizaje. Particularmente, la IAG tiene un enorme potencial para fortalecer el aprendizaje personalizado, al permitir la adaptaci�n de contenidos, ritmos y estrategias pedag�gicas a las necesidades individuales de los estudiantes, algo largamente buscado en la educaci�n contempor�nea pero aun insuficientemente alcanzado (Holmes et al., 2019).

Sin embargo, esta promesa enfrenta m�ltiples desaf�os. Aunque las tecnolog�as generativas ya est�n disponibles para su uso en entornos educativos, su integraci�n efectiva en la pr�ctica docente todav�a es limitada, especialmente en contextos con escasa infraestructura tecnol�gica o escaso conocimiento sobre el funcionamiento �tico, pedag�gico y t�cnico de estos sistemas. Muchos docentes y gestores educativos no cuentan con formaci�n espec�fica para dise�ar entornos de aprendizaje mediados por IA, lo que deriva en un uso superficial o improvisado de las herramientas, o incluso en su rechazo por temor a la deshumanizaci�n del proceso educativo (Zawacki-Richter et al., 2019). Adem�s, existen preocupaciones �ticas relacionadas con el uso de datos, la privacidad de los estudiantes, la equidad en el acceso y el riesgo de dependencia excesiva de sistemas automatizados que podr�an replicar sesgos o generar respuestas poco fiables.

Esta problem�tica plantea la necesidad de analizar con rigor c�mo la inteligencia artificial generativa puede aplicarse de manera efectiva para personalizar el aprendizaje sin comprometer la calidad, la equidad ni los principios pedag�gicos fundamentales. En este marco, se formula la siguiente pregunta de investigaci�n: �De qu� manera la inteligencia artificial generativa puede fortalecer el aprendizaje personalizado en contextos educativos, y cu�les son sus implicaciones pedag�gicas, �ticas y tecnol�gicas? Para responder a esta interrogante, se plantea como objetivo: analizar cr�ticamente el papel de la inteligencia artificial generativa en el fortalecimiento del aprendizaje personalizado, a partir de una revisi�n de literatura acad�mica reciente. Describiendo los fundamentos conceptuales y te�ricos del aprendizaje personalizado y la inteligencia artificial generativa y evaluando las ventajas, limitaciones y desaf�os asociados con su uso en entornos escolares, universitarios y de formaci�n continua.

La justificaci�n de este trabajo se fundamenta en la urgencia de construir marcos de referencia claros, �ticos y pedag�gicamente s�lidos que orienten la integraci�n responsable de la inteligencia artificial generativa en la educaci�n. A diferencia de otras tecnolog�as emergentes, la IAG no solo automatiza procesos, sino que transforma radicalmente la manera en que se genera conocimiento, se interact�a con la informaci�n y se produce contenido, lo que tiene implicaciones profundas en la relaci�n entre estudiantes, docentes y saberes (Luckin et al., 2016). Comprender estas implicaciones es indispensable para evitar usos acr�ticos o tecnocentristas que prioricen la eficiencia sobre el desarrollo humano integral. Al mismo tiempo, es necesario generar evidencia emp�rica y te�rica que sirva de base para pol�ticas educativas innovadoras y equitativas, orientadas al aprovechamiento efectivo de la IAG en beneficio de la diversidad de aprendizajes.

Desde el punto de vista te�rico, el aprendizaje personalizado se sustenta en las corrientes constructivistas del aprendizaje, especialmente en las propuestas de autores como Vygotsky (1978), quien enfatiza la importancia del entorno social y la mediaci�n en el desarrollo cognitivo, y en el enfoque de la educaci�n centrada en el estudiante, promovido por Carl Rogers (1969). En este enfoque, cada aprendiz es visto como un sujeto activo, con caracter�sticas, intereses, ritmos y estilos propios, que requieren ser reconocidos para lograr aprendizajes significativos. El aprendizaje personalizado implica, por tanto, adaptar contenidos, metodolog�as, evaluaciones y soportes seg�n las necesidades individuales, algo dif�cil de lograr con m�todos tradicionales en aulas heterog�neas, pero factible con el apoyo de tecnolog�as inteligentes.

En este contexto, la inteligencia artificial generativa aparece como una herramienta poderosa para materializar la personalizaci�n a escala. A diferencia de sistemas tradicionales de IA que simplemente responden a patrones, la IAG tiene la capacidad de generar contenido �nico, adaptado a las caracter�sticas del usuario, con base en interacciones previas, intereses y objetivos definidos. Por ejemplo, un estudiante puede recibir explicaciones ajustadas a su nivel de comprensi�n, retroalimentaci�n inmediata sobre sus errores, o incluso ejercicios dise�ados espec�ficamente para reforzar �reas de dificultad, gracias a modelos generativos como ChatGPT, que utilizan el procesamiento de lenguaje natural para simular di�logo educativo en tiempo real (Sailer et al., 2023). Estas capacidades permiten configurar entornos de aprendizaje din�micos, centrados en el estudiante, y potencialmente m�s eficaces que los sistemas tradicionales de instrucci�n masiva.

A nivel global, ya se documentan experiencias prometedoras. Estudios recientes se�alan que el uso de sistemas generativos puede mejorar la motivaci�n, el compromiso y el rendimiento de los estudiantes, especialmente cuando se integran en plataformas adaptativas, asistentes virtuales, simuladores personalizados o entornos inmersivos (Smutny & Schreiberova, 2020; Wang et al., 2023). En particular, se destacan aplicaciones en el dise�o autom�tico de materiales educativos, la generaci�n de textos explicativos personalizados, la retroalimentaci�n en procesos de escritura, la tutor�a conversacional y el apoyo a estudiantes con necesidades educativas especiales. Sin embargo, tambi�n se identifican riesgos, como el uso superficial de estas herramientas, la automatizaci�n excesiva del aprendizaje, la falta de transparencia en los algoritmos y los posibles sesgos en la generaci�n de contenidos (Brock & Wartena, 2021).

En t�rminos pedag�gicos, uno de los debates centrales es c�mo garantizar que el uso de la IAG fortalezca la autonom�a y el pensamiento cr�tico del estudiante, en lugar de sustituirlo o reducir su agencia. Algunos autores advierten que el aprendizaje personalizado mediado por IA corre el riesgo de volverse instrumentalista si no se acompa�a de una reflexi�n pedag�gica profunda sobre los fines de la educaci�n (Selwyn, 2019). En este sentido, el rol del docente sigue siendo fundamental, no como simple transmisor, sino como dise�ador de experiencias de aprendizaje y mediador cr�tico del uso de la tecnolog�a. La integraci�n de la IA generativa en la educaci�n no debe sustituir la interacci�n humana ni el juicio profesional, sino potenciar el acompa�amiento docente en entornos cada vez m�s complejos y diversos.

Este marco de an�lisis sugiere que la IAG puede ser un catalizador para avanzar hacia una educaci�n m�s inclusiva, personalizada y centrada en el estudiante, pero que su impacto depender� de c�mo se dise�en e implementen las estrategias pedag�gicas, del grado de alfabetizaci�n digital del profesorado y de las condiciones institucionales que garanticen un uso �tico, equitativo y pedag�gicamente significativo. Por ello, el presente trabajo se orienta a revisar la literatura acad�mica reciente para identificar no solo las potencialidades de la IA generativa en el aprendizaje personalizado, sino tambi�n sus l�mites, riesgos y condiciones de aplicaci�n exitosa, con el fin de aportar a un debate fundamentado y orientador para la toma de decisiones en el �mbito educativo.

 

Metodolog�a

Tipo de investigaci�n

El presente estudio se enmarca en un enfoque cualitativo con dise�o no experimental, correspondiente a una investigaci�n de tipo documental. Se adopt� la modalidad de revisi�n bibliogr�fica sistem�tica, ya que el objetivo principal es analizar de forma cr�tica el estado actual del conocimiento sobre la aplicaci�n de la inteligencia artificial generativa (IAG) en el fortalecimiento del aprendizaje personalizado en educaci�n. Esta estrategia metodol�gica resulta pertinente para examinar fen�menos emergentes que a�n no han sido completamente explorados mediante investigaciones emp�ricas extensas, permitiendo organizar, contrastar y sintetizar hallazgos existentes de diferentes fuentes acad�micas.

Muestra del estudio

La muestra estuvo compuesta por doce art�culos cient�ficos seleccionados mediante un proceso de b�squeda planificada en bases de datos reconocidas como Scopus, Web of Science, ERIC, SpringerLink, ScienceDirect y Google Scholar. Los criterios de inclusi�n aplicados fueron los siguientes: (1) art�culos publicados entre los a�os 2019 y 2024, (2) investigaciones sometidas a revisi�n por pares, (3) estudios enfocados espec�ficamente en la aplicaci�n educativa de la IA generativa, con �nfasis en la personalizaci�n del aprendizaje, y (4) disponibilidad en idioma espa�ol o ingl�s. Se excluyeron documentos centrados exclusivamente en aspectos t�cnicos de la IA o aquellos sin aplicaci�n educativa directa. La selecci�n final respondi� a criterios de pertinencia tem�tica, calidad metodol�gica y actualidad del contenido.

T�cnicas e instrumentos

Para la recolecci�n, clasificaci�n y an�lisis de los datos se aplic� la t�cnica de an�lisis de contenido tem�tico, lo que permiti� identificar patrones, enfoques, beneficios, limitaciones y desaf�os recurrentes en los art�culos seleccionados. Como instrumento de sistematizaci�n se utiliz� una matriz de an�lisis bibliogr�fico dise�ada espec�ficamente para este estudio. Dicha matriz incorpor� variables como: autor y a�o, pa�s o regi�n del estudio, nivel educativo abordado, tipo de IA generativa utilizada, finalidad pedag�gica, metodolog�a del estudio, principales hallazgos, y observaciones cr�ticas. La matriz sirvi� como herramienta central para garantizar la trazabilidad y coherencia en el an�lisis comparativo de los estudios.

Procedimiento metodol�gico

El desarrollo de la revisi�n se llev� a cabo en cuatro etapas principales.
En la primera etapa, se definieron los descriptores de b�squeda, tales como: �generative AI in education�, �personalized learning�, �artificial intelligence and pedagogy�, �tutor IA�, �ChatGPT + learning� y �aprendizaje adaptativo con IA generativa�. Se emplearon operadores booleanos (AND, OR, NOT) y filtros avanzados para delimitar los resultados por periodo, tipo de publicaci�n y �rea tem�tica.

En la segunda etapa, se realiz� una preselecci�n de documentos a trav�s de la lectura de t�tulos, res�menes y palabras clave, lo que permiti� depurar un corpus inicial de 40 textos a una muestra m�s reducida de aquellos que cumpl�an estrictamente los criterios definidos.

La tercera etapa consisti� en la lectura exhaustiva y cr�tica de los art�culos seleccionados, acompa�ada del diligenciamiento de la matriz bibliogr�fica. En esta fase se identificaron categor�as emergentes relacionadas con las formas de personalizaci�n impulsadas por la IAG, el rol docente frente a estos sistemas, las herramientas m�s utilizadas (como GPT-4 o Bing Chat) y las implicaciones �ticas observadas.

Finalmente, en la cuarta etapa, se llev� a cabo un proceso de an�lisis inductivo y comparativo de los datos registrados. Esta fase permiti� establecer relaciones entre las distintas investigaciones, identificar aportes te�ricos relevantes, reconocer tendencias comunes y elaborar un marco anal�tico coherente con los objetivos del estudio.

La metodolog�a empleada permite garantizar la fiabilidad y profundidad en el an�lisis documental, orientando la discusi�n hacia una reflexi�n cr�tica que supere las descripciones tecnol�gicas y examine de manera integral los aportes, riesgos y proyecciones de la inteligencia artificial generativa en el �mbito del aprendizaje personalizado.

 

Resultados

La siguiente tabla resume los elementos clave de los doce estudios seleccionados para esta revisi�n, conforme al procedimiento metodol�gico definido:

 

Tabla 1

Matriz de revisi�n bibliogr�fica

Nota: (Elaboraci�n propia, 2025)

 

Fundamentos conceptuales y te�ricos del aprendizaje personalizado y la inteligencia artificial generativa

El an�lisis de los estudios revisados confirma que el aprendizaje personalizado se apoya en teor�as constructivistas, como las de Vygotsky y Bruner, que promueven la adaptaci�n del proceso educativo a los estilos, ritmos e intereses individuales del estudiante. Esta perspectiva reconoce que no todos los estudiantes aprenden de la misma forma ni al mismo ritmo, y por tanto, requiere pr�cticas pedag�gicas flexibles y contextualizadas (Mart�nez et al., 2023; Area & Pessoa, 2023).

La inteligencia artificial generativa, particularmente mediante herramientas como GPT-3, GPT-4 o ChatGPT, se vincula con la posibilidad de crear entornos altamente adaptativos. A diferencia de la IA tradicional, la IAG no se limita a la predicci�n, sino que genera contenido textual, gr�fico o multimedia nuevo, permitiendo construir explicaciones, actividades o recursos a medida del usuario (Garc�a-Pe�alvo, 2023). Esta capacidad hace posible operacionalizar el concepto de personalizaci�n a gran escala, respetando la diversidad del alumnado.

Los autores coinciden en que, te�ricamente, la IA generativa puede facilitar una nueva arquitectura del aprendizaje, donde el estudiante deja de ser receptor pasivo y se convierte en coautor de su experiencia formativa. Las herramientas generativas ofrecen retroalimentaci�n instant�nea, ajustan la dificultad de las tareas y sugieren recursos en tiempo real, configurando as� experiencias de aprendizaje m�s individualizadas (Soto et al., 2024; Fern�ndez-Mellizo & Mart�nez, 2023).

Estrategias y experiencias de aplicaci�n educativa de la IAG

Los art�culos seleccionados describen diversas experiencias pr�cticas de implementaci�n de la IAG en contextos escolares, universitarios y virtuales. Entre las estrategias m�s recurrentes se encuentran el uso de ChatGPT como tutor virtual para resolver dudas, la generaci�n de ejercicios adaptativos, la retroalimentaci�n automatizada en tareas escritas, y la planificaci�n docente apoyada en modelos generativos (Rodr�guez Ruiz, 2023; Monta�o et al., 2023).

L�pez Belmonte et al. (2024) destacan c�mo la IAG ha sido utilizada para personalizar recursos did�cticos en funci�n del perfil de cada estudiante, permitiendo atender a la diversidad en el aula sin sacrificar la calidad de los contenidos. Asimismo, Salazar & Le�n (2024) evidencian que los modelos de lenguaje como GPT-4 son capaces de generar materiales complementarios adaptados a estilos de aprendizaje espec�ficos, contribuyendo as� a la eficiencia de la ense�anza en entornos virtuales.

En contextos universitarios, P�rez & Rojas (2023) documentan la creciente aceptaci�n entre docentes para incorporar herramientas como ChatGPT en la revisi�n de trabajos, la preparaci�n de clases y el acompa�amiento a estudiantes. En niveles secundarios, Krouska et al. (2024) reportan mejoras significativas en la autonom�a del alumnado al utilizar IA para planificar y ejecutar tareas diferenciadas.

Impacto de la IAG en el desarrollo del aprendizaje personalizado

Los resultados analizados permiten afirmar que la implementaci�n de herramientas de IA generativa en entornos educativos tiene efectos positivos en la personalizaci�n del aprendizaje. La mayor�a de los estudios destacan mejoras en la motivaci�n, la autonom�a, el rendimiento y la participaci�n de los estudiantes (Area & Pessoa, 2023; Soto et al., 2024). Esta tecnolog�a permite generar entornos m�s inclusivos, donde las necesidades individuales son reconocidas y atendidas mediante contenidos adaptativos (L�pez Belmonte et al., 2024).

Asimismo, los docentes encuentran en la IAG una aliada para optimizar su planificaci�n, ahorrar tiempo en tareas repetitivas y ofrecer retroalimentaci�n m�s rica y precisa (Monta�o et al., 2023). Sin embargo, no todo son ventajas: tambi�n se identifican desaf�os, como el riesgo de dependencia tecnol�gica, la necesidad de capacitaci�n docente, la revisi�n de criterios �ticos en el uso de datos, y la transparencia algor�tmica (Gimpel & Schwartz, 2023).

En conclusi�n, si bien la IA generativa no sustituye el rol humano en el proceso educativo, s� ofrece herramientas poderosas para fortalecer una pedagog�a centrada en el estudiante, siempre que se implemente de manera cr�tica, �tica y pedag�gicamente fundamentada.

 

 

Discusi�n

La revisi�n bibliogr�fica realizada sobre el uso de la inteligencia artificial generativa (IAG) en la personalizaci�n del aprendizaje permite vislumbrar un cambio paradigm�tico en la forma en que se concibe y aplica la educaci�n en la era digital. Si bien el concepto de aprendizaje personalizado ha estado presente en las reformas educativas desde hace d�cadas, ha sido con la irrupci�n de tecnolog�as como ChatGPT, GPT-4 y DALL�E que esta aspiraci�n comienza a materializarse con mayor alcance, escalabilidad y eficiencia (Garc�a-Pe�alvo, 2023; Area & Pessoa, 2023).

Los estudios revisados confirman que las herramientas de IAG pueden generar materiales educativos, adaptar el lenguaje seg�n el nivel del estudiante, ofrecer retroalimentaci�n instant�nea y dise�ar rutas de aprendizaje individualizadas. Estas funcionalidades est�n en sinton�a con los principios del enfoque centrado en el estudiante, ya que promueven la autonom�a, el ritmo propio y el inter�s personal como motores del proceso formativo (L�pez Belmonte et al., 2024; Salazar & Le�n, 2024). Este potencial representa una evoluci�n importante respecto a los modelos tradicionales de instrucci�n homog�nea, marcando una transici�n hacia entornos educativos m�s flexibles e inclusivos.

Sin embargo, el an�lisis tambi�n revela que la eficacia de estas herramientas no depende �nicamente de sus capacidades t�cnicas, sino del contexto pedag�gico, la formaci�n docente y las condiciones institucionales que median su implementaci�n. En varios estudios se observa que, cuando la IAG se emplea sin una planificaci�n did�ctica clara, los beneficios se diluyen o incluso se generan efectos no deseados, como la despersonalizaci�n del v�nculo educativo o la sobrecarga cognitiva (Rodr�guez Ruiz, 2023; Fern�ndez-Mellizo & Mart�nez, 2023). Esto pone de manifiesto que la tecnolog�a, por s� sola, no garantiza la mejora de los aprendizajes; su impacto est� mediado por decisiones pedag�gicas, �ticas y organizativas.

Un punto cr�tico recurrente en la literatura es la necesidad de que el profesorado asuma un rol activo como mediador cr�tico entre el estudiante y la tecnolog�a. Las herramientas de IAG no reemplazan la labor docente, sino que modifican sus funciones tradicionales, desplazando el �nfasis desde la transmisi�n de contenidos hacia el dise�o de experiencias de aprendizaje personalizadas y el acompa�amiento reflexivo (Monta�o et al., 2023). En este nuevo escenario, el docente debe desarrollar competencias digitales avanzadas, pensamiento �tico y habilidades de curadur�a pedag�gica para aprovechar al m�ximo el potencial de estas tecnolog�as.

En este sentido, los hallazgos de la revisi�n respaldan la idea de que la IA generativa puede actuar como una aliada en la reducci�n de desigualdades educativas, siempre que se utilice con una orientaci�n pedag�gica centrada en la equidad. La generaci�n automatizada de explicaciones alternativas, ejercicios diferenciados o recursos accesibles permite atender la diversidad de estilos y condiciones de aprendizaje, aspecto especialmente relevante en aulas heterog�neas o en contextos de educaci�n remota (L�pez Belmonte et al., 2024; Soto et al., 2024). No obstante, se advierte que esta capacidad adaptativa solo es efectiva si se garantiza la conectividad, el acceso a dispositivos y la alfabetizaci�n digital tanto del profesorado como del estudiantado.

Otro aspecto destacado en la discusi�n es la aceptaci�n progresiva de estas herramientas por parte de la comunidad educativa. Si bien al inicio exist�a cierta resistencia asociada al desconocimiento, los estudios muestran que docentes y estudiantes comienzan a reconocer el valor de la IAG para personalizar procesos, facilitar tareas administrativas y generar espacios de interacci�n m�s ricos (P�rez & Rojas, 2023; Krouska et al., 2024). Esto sugiere un proceso de normalizaci�n tecnol�gica en la educaci�n, donde el uso de inteligencia artificial dejar� de ser una innovaci�n para convertirse en una pr�ctica habitual.

No obstante, este avance no est� exento de riesgos. Uno de los principales desaf�os identificados en la revisi�n es el relacionado con la �tica en el uso de la IAG. La generaci�n automatizada de contenidos plantea dilemas sobre la autor�a, la veracidad de la informaci�n, el sesgo algor�tmico y la manipulaci�n de datos personales (Gimpel & Schwartz, 2023). Algunos autores advierten que la dependencia excesiva de estas tecnolog�as puede reducir la capacidad cr�tica del estudiante y fomentar el consumo acr�tico de informaci�n. Por ello, es imprescindible que las instituciones educativas establezcan marcos normativos y estrategias formativas que aborden estas problem�ticas con responsabilidad.

Tambi�n se plantea la necesidad de establecer criterios de calidad y validaci�n del contenido generado por IA. Aunque la mayor�a de los sistemas generativos pueden ofrecer respuestas precisas y coherentes, no siempre se garantiza su adecuaci�n pedag�gica ni su rigor acad�mico. Este aspecto cobra especial importancia en procesos de evaluaci�n, donde la retroalimentaci�n generada por IA debe ser supervisada y complementada por el juicio profesional del docente (Monta�o et al., 2023). La colaboraci�n humano-m�quina, en este contexto, se configura como el modelo m�s equilibrado y sostenible.

En t�rminos de impacto, los resultados de los estudios coinciden en que la IAG favorece el desarrollo de competencias como la autonom�a, la autorregulaci�n, el pensamiento cr�tico y la motivaci�n intr�nseca, elementos clave del aprendizaje personalizado. Estas herramientas tambi�n contribuyen a reducir el tiempo dedicado a tareas repetitivas por parte del profesorado, permiti�ndole enfocarse en la mentor�a y la atenci�n diferenciada (Garc�a-Pe�alvo, 2023; Mart�nez et al., 2023). Sin embargo, a�n se requieren investigaciones longitudinales que midan los efectos sostenidos de la IAG en el rendimiento acad�mico y el desarrollo integral del estudiante.

Por �ltimo, se destaca la importancia de promover una cultura institucional que favorezca la innovaci�n pedag�gica mediante el uso responsable de tecnolog�as emergentes. La incorporaci�n de la inteligencia artificial generativa debe formar parte de un proyecto educativo amplio, donde se articulen visi�n pedag�gica, infraestructura tecnol�gica, pol�ticas inclusivas y desarrollo profesional docente. Solo de esta manera es posible garantizar que la tecnolog�a se convierta en un medio para lograr fines educativos humanistas, y no en un fin en s� misma.

La IAG representa una oportunidad real para transformar la educaci�n en clave personalizada, pero su �xito depender� de c�mo se integre en las pr�cticas pedag�gicas, de la formaci�n de los actores educativos y del marco �tico e institucional que se construya para su implementaci�n. La discusi�n evidencia que no se trata �nicamente de incorporar herramientas, sino de reconfigurar el sentido y la forma del proceso de ense�ar y aprender en el siglo XXI.

 

Conclusiones

La inteligencia artificial generativa se presenta como una tecnolog�a disruptiva con alto potencial para transformar los procesos de ense�anza-aprendizaje. Su capacidad para generar contenido adaptativo, interactuar mediante lenguaje natural y ofrecer retroalimentaci�n inmediata la convierte en una aliada estrat�gica para el aprendizaje personalizado en diversos contextos educativos.

Los estudios analizados coinciden en que la IAG contribuye significativamente al desarrollo de competencias como la autonom�a, la motivaci�n y la autorregulaci�n del estudiante. Adem�s, permite al docente redise�ar su rol hacia la mediaci�n y el acompa�amiento, optimizando su tiempo y fortaleciendo el v�nculo pedag�gico.

No obstante, la efectividad de estas herramientas depende de variables contextuales como la formaci�n docente, la infraestructura tecnol�gica, el marco �tico institucional y la visi�n pedag�gica que gu�e su uso. Una integraci�n cr�tica, planificada y centrada en el estudiante es indispensable para evitar un uso tecnocr�tico o superficial.

La incorporaci�n de la IAG en educaci�n debe ser parte de una estrategia integral que garantice la equidad, la inclusi�n y el pensamiento cr�tico. M�s all� de su novedad tecnol�gica, representa una oportunidad para repensar la educaci�n en clave humanista, personalizada y �tica.

 

Referencias

1.      Area, M., & Pessoa, T. (2023). Inteligencia artificial generativa y personalizaci�n del aprendizaje. Education in the Knowledge Society (EKS), 24, e31942. https://revistas.usal.es/tres/index.php/eks/article/view/31942

2.      Brock, J., & Wartena, C. (2021). Ethical challenges in the application of AI-based text generation in education. International Journal of Artificial Intelligence in Education, 31(3), 459�476. https://doi.org/10.1007/s40593-021-00253-7

3.      Fern�ndez-Mellizo, M., & Mart�nez, A. (2023). La inteligencia artificial en la educaci�n superior: Un an�lisis cr�tico. Revista de Psicolog�a, 41(2), 223�238. http://www.scielo.org.pe/scielo.php?pid=S0251-34202023000200231&script=sci_arttext&tlng=pt

4.      Garc�a-Pe�alvo, F. J. (2023). Ya lleg�, ya est� aqu� y nadie puede esconderse: La inteligencia artificial generativa en educaci�n. ResearchGate. https://www.researchgate.net/publication/376457963

5.      Gimpel, H., & Schwartz, T. (2023). Ethical frameworks for generative AI in education. SSRN Electronic Journal. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4375470

6.      Goleman, D. (1995). Emotional intelligence: Why it can matter more than IQ. Bantam Books.

7.      Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign. https://curriculumredesign.org/wp-content/uploads/AI-in-Education-Promises-and-Implications_for-teaching-and-learning.pdf

8.      Krouska, A., Troussas, C., & Virvou, M. (2024). Personalized learning with ChatGPT in secondary education. Education Sciences, 14(6), 643. https://www.mdpi.com/2227-7102/14/6/643

9.      Lopez Belmonte, J., Segura-Robles, A., Moreno-Guerrero, A.-J., & Parra-Gonz�lez, M.-E. (2024). Aplicaciones de la IA generativa en contextos educativos diversos. RIED. Revista Iberoamericana de Educaci�n a Distancia, 27(1), 229�246. https://doi.org/10.5944/ried.27.1.37716

10.  Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education. https://www.pearson.com/content/dam/one-dot-com/one-dot-com/global/Files/about-pearson/innovation/open-ideas/Intelligence_Unleashed_Publication.pdf

11.  Mart�nez, C. H., Rojas, A. A., & P�rez, D. G. (2023). Educaci�n personalizada y tecnolog�as emergentes: Una revisi�n cr�tica. Educaci�n F�sica y Calidad de Vida, 10(1), 91�104. https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1075

12.  Monta�o, B., Orozco, V., & Quintero, J. (2023). Potencial de la IA generativa en la pr�ctica docente. Educaci�n, Pol�tica y Sociedad. Investigaci�n y Reflexi�n, 3(2), 55�70. https://epsir.net/index.php/epsir/article/view/593

13.  P�rez, R., & Rojas, M. (2023). Docencia universitaria y herramientas de IA generativa: Un estudio exploratorio. Revista Cient�fica Multidisciplinaria Generando, 7(2), 102�118. https://revista.gnerando.org/revista/index.php/RCMG/article/view/392

14.  Rodr�guez Ruiz, B. (2023). La inteligencia artificial generativa y su impacto en la planificaci�n pedag�gica. Dialnet. https://dialnet.unirioja.es/servlet/articulo?codigo=10141523

15.  Rogers, C. R. (1969). Freedom to learn. Charles E. Merrill.

16.  Sailer, M., Stadler, M., B�ttger, T., Fischer, C., & Fischer, F. (2023). Promoting personalized learning with AI-based chatbots: A systematic review. Computers & Education: Artificial Intelligence, 4, 100093. https://doi.org/10.1016/j.caeai.2023.100093

17.  Salazar, J., & Le�n, A. (2024). Modelos adaptativos con GPT en la educaci�n virtual. Revista Iberoamericana de Educaci�n (RIE), 84(1), 85�104. https://mail.rediech.org/ojs/2017/index.php/ie_rie_rediech/article/view/2225

18.  Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.

19.  Smutny, P., & Schreiberova, P. (2020). Chatbots for learning: A review of educational chatbots for the Facebook Messenger. Computers & Education, 151, 103862. https://doi.org/10.1016/j.compedu.2020.103862

20.  Soto, R., Mart�nez, A., & Gonz�lez, P. (2024). ChatGPT como herramienta para el aprendizaje aut�nomo personalizado en educaci�n superior. Infonomy: Educaci�n, Tecnolog�a y Conocimiento, 2(1), 15�30. https://infonomy.scimagoepi.com/index.php/infonomy/article/view/28

21.  Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes (M. Cole, V. John-Steiner, S. Scribner, & E. Souberman, Eds.). Harvard University Press.

22.  Wang, Q., Huang, Z., Wang, Y., & Liang, J. (2023). Applications of generative AI in personalized education: Opportunities and challenges. AI Open, 4, 1�15. https://doi.org/10.1016/j.aiopen.2023.100036

23.  Zawacki-Richter, O., Mar�n, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education�Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 1�27. https://doi.org/10.1186/s41239-019-0171-0

 

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).