Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 1
Efectos de la inteligencia artificial generativa en el
pensamiento crítico y la autorregulación del
aprendizaje universitario
Effects of generative artificial intelligence on critical thinking and
self-regulated learning in higher education
Oltramonti, Roberto
1
Alquinga-Collaguazo, Nidia Caridad
2
https://orcid.org/0009-0001-8722-364X
https://orcid.org/0009-0001-1444-9437
roberto.oltramonti@mail.huji.ac.il
caridadalquinga@gmail.com
Israel, Jerusalén, Hebrew University of Jerusalem.
Reino Unido, Londres, Solent University
Partnership.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/revistacec/v3/n3/52
Resumen: La expansión acelerada de la inteligencia artificial
generativa en la educación superior latinoamericana ha
transformado las prácticas de búsqueda, escritura y resolución
de tareas, aunque persisten dudas sobre sus efectos en la
autonomía cognitiva del estudiantado. El estudio tuvo como
objetivo analizar la relación del uso académico de estas
herramientas con el pensamiento crítico y la autorregulación
del aprendizaje universitario. Se desarrolló una investigación
cualitativa, documental, no experimental y transversal, basada
en publicaciones de 2021 a 2025 recuperadas de bases
académicas y examinadas mediante análisis temático
reflexivo. Los resultados mostraron una adopción amplia,
concentrada en la generación de ideas, búsqueda de
información, síntesis y escritura; asimismo, el uso activo y
pedagógicamente estructurado se vinculó con mejores
procesos de exploración, análisis, integración, compromiso
cognitivo y autoeficacia. En contraste, la dependencia
tecnológica se asoció con menor profundidad crítica, fatiga
cognitiva y un patrón autorregulatorio parcial, centrado en la
ejecución y supervisión inmediata, con menor presencia de
planificación, establecimiento de metas y reflexión posterior.
Estos hallazgos indican que los efectos no dependen
únicamente de la frecuencia de uso, sino de la finalidad, la
mediación pedagógica y el nivel de participación cognitiva. Se
concluye que la integración responsable de estas
herramientas requiere preservar la verificación, la reflexión
metacognitiva y la agencia intelectual del estudiante.
Palabras clave: inteligencia artificial generativa; pensamiento
crítico; autorregulación del aprendizaje; educación superior;
alfabetización digital.
Artículo Científico
Recibido: 11/May/2026
Aceptado: 08/Jun/2026
Publicado: 05/Jul/2026
Cita: Oltramonti, R., & Alquinga-
Collaguazo, N. C. (2026). Efectos de la
inteligencia artificial generativa en el
pensamiento crítico y la autorregulación
del aprendizaje universitario. Revista
Científica Enfoques Del
Conocimiento, 3(3), 1-
22. https://doi.org/10.55813/gaea/revistac
ec/v3/n3/52
Revista Científica Enfoques del
Conocimiento (RCEC)
https://www.blez.edu.ec
https://revistacec.blez.edu.ec
revistacec@blez.edu.ec
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los
términos y condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 2
Artículo Científico
Julio – Septiembre 2026
Abstract:
The rapid expansion of generative artificial intelligence in Latin American higher
education has transformed information-seeking, writing, and problem-solving
practices, although uncertainty remains regarding its effects on students’ cognitive
autonomy. This study aimed to analyze the relationship between the academic use of
these tools and critical thinking and self-regulated learning in higher education. A
qualitative, documentary, non-experimental, and cross-sectional study was conducted
using publications from 2021 to 2025 retrieved from academic databases and
examined through reflexive thematic analysis. The results showed widespread
adoption, mainly focused on idea generation, information search, summarization, and
writing. Active and pedagogically structured use was associated with stronger
processes of exploration, analysis, integration, cognitive engagement, and self-
efficacy. In contrast, technological dependence was associated with lower critical
depth, cognitive fatigue, and a partial self-regulatory pattern centered on task
execution and immediate monitoring, with less emphasis on planning, goal setting, and
subsequent reflection. These findings indicate that the effects depend not only on
frequency of use but also on purpose, pedagogical mediation, and the level of cognitive
participation. It is concluded that responsible integration requires preserving
verification, metacognitive reflection, and students’ intellectual agency.
Keywords: generative artificial intelligence; critical thinking; self-regulated learning;
higher education; digital literacy.
1. Introducción
La incorporación de la inteligencia artificial generativa en la educación superior
latinoamericana ocurre dentro de un sistema que reúne a más de 31 millones de
estudiantes y alcanza una tasa bruta de matrícula cercana al 58 %, más del doble de
la registrada a comienzos del siglo XXI. En este escenario, aplicaciones capaces de
producir textos, explicaciones, imágenes, código y retroalimentación inmediata han
pasado a formar parte de las prácticas cotidianas de aprendizaje universitario. Una
encuesta regional con más de 30.000 respuestas procedentes de 29 instituciones
reveló que el 92 % del estudiantado empleaba herramientas de inteligencia artificial
en sus actividades académicas, lo que confirma una adopción más rápida que la
capacidad institucional para regularla pedagógicamente. Esta expansión no
representa solamente un cambio tecnológico, pues modifica la manera en que los
estudiantes buscan información, elaboran argumentos, resuelven problemas y
administran su esfuerzo cognitivo. Por ello, el análisis de sus efectos debe
concentrarse en competencias que sostienen el aprendizaje autónomo,
particularmente el pensamiento crítico y la autorregulación del aprendizaje (Digital
Education Council, 2026; Marquina, 2026).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 3
Artículo Científico
Julio – Septiembre 2026
La rapidez de esta transformación ofrece oportunidades de personalización,
retroalimentación inmediata y reducción del tiempo destinado a tareas rutinarias, pero
también puede favorecer respuestas superficiales, dependencia tecnológica y
sustitución del razonamiento propio cuando su uso carece de orientación pedagógica.
La importancia económica de estas capacidades se vuelve evidente ante las
estimaciones que sitúan en aproximadamente 84 millones los empleos
latinoamericanos expuestos a la inteligencia artificial en el corto plazo y en 132
millones los potencialmente afectados durante la próxima década. En consecuencia,
las universidades enfrentan la responsabilidad de formar profesionales capaces de
evaluar evidencias, tomar decisiones complejas y aprender de manera continua, en
lugar de limitarse a operar herramientas automatizadas. Sin embargo, apenas el 45 %
de las instituciones de educación superior de América Latina y el Caribe dispone de
orientaciones formales sobre inteligencia artificial, frente a alrededor del 70 %
registrado en Europa y Norteamérica. La ausencia de criterios académicos comunes
puede ampliar las brechas entre estudiantes con diferente acceso, alfabetización
digital y capacidad para verificar contenidos, además de comprometer la calidad de
las evaluaciones y la correspondencia entre las credenciales universitarias y las
competencias efectivamente adquiridas (Arias Ortiz et al., 2025; Ayres et al., 2025;
UNESCO IESALC, 2026).
El pensamiento crítico comprende la interpretación de información, la valoración de la
calidad de las evidencias, la identificación de supuestos y la formulación de
conclusiones justificadas, mientras que la autorregulación del aprendizaje articula
procesos de planificación, seguimiento, control y reflexión sobre la propia actuación.
Ambas competencias mantienen una relación estrecha, porque evaluar una respuesta
generada por inteligencia artificial exige establecer metas, comprobar fuentes,
detectar contradicciones y decidir cuándo aceptar, modificar o rechazar una
recomendación. Desde esta perspectiva, la tecnología puede funcionar como
andamiaje cuando propone preguntas, ofrece retroalimentación o facilita la
comparación de argumentos, pero puede convertirse en sustituto cognitivo cuando
entrega productos terminados que el estudiante adopta sin examinarlos. Los modelos
de autorregulación sostienen que el aprendizaje profundo depende de la participación
activa del sujeto en ciclos de anticipación, ejecución y autorreflexión, por lo que la
automatización indiscriminada de estas operaciones puede debilitar el control
metacognitivo. La relación entre inteligencia artificial, pensamiento crítico y
autorregulación no debe interpretarse, por tanto, como un efecto uniforme de la
herramienta, sino como el resultado de los patrones de interacción, las demandas de
la tarea y la alfabetización en inteligencia artificial del usuario (Panadero, 2017; Salido
et al., 2025; Zimmerman, 2002).
La evidencia empírica disponible confirma esta naturaleza ambivalente, aunque
todavía ofrece resultados difíciles de generalizar. Un estudio internacional con 23.218
estudiantes de 109 países y territorios encontró que ChatGPT se utilizaba
principalmente para generar ideas, resumir textos y localizar literatura, pero también
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 4
Artículo Científico
Julio – Septiembre 2026
registró dudas sobre la confiabilidad de la información, el plagio y el debilitamiento de
la interacción académica. De manera complementaria, un experimento aleatorizado
con 117 universitarios distribuidos entre apoyo de ChatGPT, experto humano,
analítica de escritura y ausencia de asistencia mostró que la herramienta mejoró el
desempeño inmediato en la redacción, sin producir diferencias equivalentes en la
adquisición o transferencia del conocimiento. Este resultado sugiere que un producto
académico de mayor calidad no necesariamente implica un aprendizaje más profundo,
especialmente cuando disminuyen la supervisión metacognitiva y el esfuerzo de
elaboración. Otros estudios han relacionado una mayor dependencia de la inteligencia
artificial con menores niveles de pensamiento crítico y han identificado la fatiga
cognitiva como mecanismo explicativo parcial, aunque la alfabetización en inteligencia
artificial puede amortiguar estos efectos. Las divergencias observadas respaldan la
necesidad de distinguir el uso estratégico, que complementa el razonamiento, del uso
sustitutivo, que desplaza la planificación, la verificación y la reflexión del estudiante
(Fan et al., 2024; Ravšelj et al., 2025; Tian & Zhang, 2025).
La literatura conserva, pese a estos avances, una brecha relevante para el contexto
latinoamericano, porque predominan estudios transversales sobre percepciones,
investigaciones concentradas en una disciplina o tarea específica y análisis que
examinan separadamente el pensamiento crítico y la autorregulación. Las encuestas
regionales permiten dimensionar la adopción de la inteligencia artificial, pero no
esclarecen si la frecuencia, la finalidad y el grado de dependencia producen efectos
diferentes sobre la evaluación de evidencias, la elaboración de argumentos, la
planificación del estudio o la reflexión posterior. Tampoco se ha determinado de
manera suficiente cómo intervienen factores como la alfabetización en inteligencia
artificial, el campo disciplinar, el tipo de institución, el acceso a servicios de pago y las
desigualdades de conectividad. Esta omisión importa porque dos estudiantes con
igual frecuencia de uso pueden desarrollar trayectorias opuestas: uno puede emplear
la herramienta para contrastar perspectivas, mientras otro puede delegar la totalidad
de la actividad intelectual. La inconsistencia de los resultados también deriva de
muestras pequeñas, periodos experimentales breves, dependencia de autoinformes y
definiciones heterogéneas de “uso de inteligencia artificial”, lo que limita la
comparación entre investigaciones y la elaboración de políticas universitarias basadas
en evidencia (Digital Education Council, 2026; Ravšelj et al., 2025; Salido et al., 2025).
La conveniencia de estudiar conjuntamente estas variables radica en que permitirá
trasladar la discusión desde la prohibición o aceptación general de la inteligencia
artificial hacia la identificación de condiciones de uso que protejan la autonomía
intelectual. El acceso directo a población universitaria, la posibilidad de aplicar
cuestionarios estructurados mediante plataformas digitales y la existencia de marcos
consolidados para medir autorregulación y pensamiento crítico hacen viable una
investigación con recursos y tiempos razonables, siempre que se garantice
consentimiento informado, participación voluntaria, anonimización de respuestas y
minimización de datos personales. Bajo esta orientación, el objetivo general será
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 5
Artículo Científico
Julio – Septiembre 2026
analizar los efectos asociados al uso académico de inteligencia artificial generativa
sobre el pensamiento crítico y la autorregulación del aprendizaje en estudiantes
universitarios latinoamericanos. De manera articulada, se buscará describir la
frecuencia, intensidad y finalidades de utilización; determinar la relación entre los
patrones de uso —estratégico, complementario o sustitutivo— y las dimensiones del
pensamiento crítico; y relacionar dichos patrones con la planificación, el seguimiento
y la autorreflexión del aprendizaje, comparando los resultados según características
académicas y condiciones de acceso. Estos propósitos permitirán producir evidencia
cuantitativa útil sin atribuir causalidad más allá de lo que autorice el diseño adoptado.
Asimismo, el tratamiento ético de la información deberá considerar los riesgos de
privacidad, sesgo algorítmico y exposición involuntaria de contenidos académicos
señalados en las orientaciones internacionales sobre inteligencia artificial educativa
(Panadero, 2017; UNESCO, 2023).
La contribución esperada consiste en construir una explicación integrada que vincule
dos resultados formativos centrales —pensamiento crítico y autorregulación del
aprendizaje— con, al menos, tres dimensiones del uso de inteligencia artificial
generativa: frecuencia, finalidad y nivel de dependencia cognitiva. Su originalidad
reside en superar las mediciones centradas exclusivamente en adopción o
satisfacción, diferenciando las prácticas que amplían la capacidad de razonar de
aquellas que reemplazan el esfuerzo intelectual necesario para aprender. Los
hallazgos podrían orientar el diseño de actividades que exijan verificar fuentes,
justificar decisiones, comparar respuestas humanas y algorítmicas y documentar el
proceso seguido para resolver una tarea. También ofrecerían criterios para actualizar
sistemas de evaluación, programas de alfabetización en inteligencia artificial y
protocolos institucionales sensibles a las desigualdades tecnológicas de América
Latina. De esta forma, el estudio responderá al vacío regional mediante evidencia que
permita aprovechar la eficiencia de la inteligencia artificial sin confundir la calidad del
producto generado con el dominio cognitivo del estudiante. La propuesta adquiere así
valor teórico, metodológico y práctico al situar la agencia humana, la reflexión
metacognitiva y el juicio crítico como condiciones indispensables para una integración
universitaria responsable de estas tecnologías (Fan et al., 2024; Salido et al., 2025;
UNESCO, 2023).
2. Materiales y métodos
La investigación se desarrolló desde un enfoque cualitativo, debido a que se buscó
interpretar cómo la literatura académica explicó los efectos de la inteligencia artificial
generativa sobre el pensamiento crítico y la autorregulación del aprendizaje
universitario. Esta orientación permitió examinar significados, argumentos,
mecanismos y condiciones educativas que no podían reducirse únicamente a
indicadores numéricos. La unidad de análisis estuvo constituida por fragmentos
documentales referidos a prácticas de uso, beneficios, riesgos, mediaciones
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 6
Artículo Científico
Julio – Septiembre 2026
pedagógicas y consecuencias cognitivas. El estudio no estimó prevalencias ni
magnitudes causales, sino que reconstruyó patrones de sentido y relaciones
conceptuales entre las categorías investigadas. Esta decisión resultó congruente con
el análisis documental cualitativo y con la necesidad de interpretar críticamente la
integración de la inteligencia artificial en la educación superior (Morgan, 2022; Salido
et al., 2025).
La coherencia entre el propósito interpretativo y el fenómeno condujo a la adopción
de un diseño no experimental, transversal y estructurado como estudio de caso
instrumental de alcance regional. No se manipularon variables, se asignaron
tratamientos ni se modificaron las condiciones en las que se habían producido las
evidencias analizadas. El caso quedó delimitado por el aprendizaje universitario
mediado por inteligencia artificial generativa en América Latina, considerado como un
contexto educativo atravesado por diferencias institucionales, tecnológicas y
socioculturales. El corte transversal correspondió al examen de documentos
disponibles dentro de un periodo previamente definido, sin efectuar seguimiento de
cohortes o instituciones a lo largo del tiempo. En consecuencia, los hallazgos se
interpretaron dentro de los límites del caso y no como generalizaciones estadísticas
aplicables a todos los sistemas universitarios (Priya, 2021; Lim et al., 2023).
La obtención del corpus documental se organizó mediante búsquedas en Scopus,
Web of Science, ERIC y SciELO, complementadas con documentos técnicos
publicados por organismos educativos internacionales y regionales. Se combinaron
términos en español, inglés y portugués relacionados con “inteligencia artificial
generativa”, “ChatGPT”, “pensamiento crítico”, “autorregulación del aprendizaje”,
“educación superior”, “universidad” y “América Latina”, mediante operadores
booleanos AND y OR. El razonamiento inductivo permitió identificar categorías
emergentes desde los documentos, mientras que la vía deductiva orientó la revisión
mediante conceptos previamente definidos sobre pensamiento crítico y
autorregulación. Paralelamente, el método analítico facilitó descomponer los
argumentos en beneficios, riesgos, condiciones de uso y mediaciones pedagógicas.
La transparencia de esta estrategia permitió conservar la trazabilidad entre las
preguntas, las fuentes recuperadas y las interpretaciones formuladas (Morgan, 2022;
Page et al., 2021).
La delimitación exploratoria y descriptiva se sostuvo mediante criterios de selección
aplicados a publicaciones difundidas entre enero de 2021 y diciembre de 2025. Se
incluyeron artículos revisados por pares, revisiones académicas y documentos
institucionales que abordaron estudiantes universitarios, herramientas de inteligencia
artificial generativa y, al menos, una dimensión vinculada con pensamiento crítico o
autorregulación del aprendizaje. También se admitieron estudios internacionales
cuando presentaron resultados diferenciados para América Latina o aportaron
categorías transferibles al análisis regional. Se excluyeron investigaciones centradas
exclusivamente en educación escolar, inteligencia artificial no generativa, rendimiento
técnico de algoritmos o percepciones docentes sin relación con el aprendizaje
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 7
Artículo Científico
Julio – Septiembre 2026
universitario. Asimismo, se descartaron duplicados, editoriales sin fundamentación
metodológica, textos sin acceso suficiente para evaluar su contenido y documentos
cuya procedencia no pudo verificarse (Page et al., 2021; Miao & Holmes, 2023).
El proceso de depuración y registro avanzó mediante cuatro momentos: identificación
de documentos, eliminación de duplicados, revisión de títulos y resúmenes, y lectura
integral de los textos potencialmente pertinentes. El flujo de selección se documentó
tomando como referencia los criterios de transparencia de PRISMA 2020, aunque el
estudio se mantuvo como una investigación documental cualitativa y no como una
revisión sistemática de efectos. La información se organizó en una matriz que registró
autoría, año, país, tipo de documento, población estudiada, herramienta generativa,
forma de utilización y principales resultados cognitivos o metacognitivos. También se
consignaron limitaciones, contradicciones y condiciones institucionales que podían
modificar la relación estudiada. El corpus no se determinó mediante una fórmula
muestral, sino por pertinencia documental y suficiencia temática para responder a los
objetivos establecidos (Page et al., 2021; Morgan, 2022).
La interpretación del corpus se efectuó mediante análisis temático reflexivo, siguiendo
las fases de familiarización, codificación inicial, construcción de temas, revisión,
definición y elaboración de la narrativa analítica. La codificación adoptó una lógica
híbrida: las categorías deductivas incluyeron evaluación de evidencias,
argumentación, verificación de información, planificación, supervisión y autorreflexión,
mientras que los códigos inductivos surgieron de los beneficios, riesgos y usos
descritos en las fuentes. Posteriormente, los códigos se agruparon en temas
relacionados con apoyo cognitivo, dependencia tecnológica, descarga del esfuerzo
mental, retroalimentación, alfabetización en inteligencia artificial y regulación de las
tareas. La comparación constante permitió reconocer convergencias, discrepancias y
casos que contradecían las tendencias dominantes. Este procedimiento preservó el
carácter interpretativo del análisis sin presentar la frecuencia de un código como
prueba automática de su importancia conceptual (Braun & Clarke, 2021; Kiger &
Varpio, 2020).
La consistencia del procedimiento se reforzó mediante una bitácora de decisiones,
relecturas sucesivas del corpus, contraste entre artículos científicos y documentos
institucionales, y búsqueda deliberada de evidencias discrepantes. La credibilidad se
sostuvo al vincular cada tema con fragmentos verificables, mientras que la
confirmabilidad se favoreció mediante la conservación de estrategias de búsqueda,
criterios de selección y matrices analíticas. Debido a que se trabajó con documentos
publicados y no se interactuó con estudiantes, no se recopilaron datos personales ni
se realizaron intervenciones sobre participantes; aun así, se respetaron la autoría, las
licencias de uso y la reproducción limitada de contenidos. También se consideraron
los principios de privacidad, equidad, supervisión humana y uso educativo
responsable propuestos para la inteligencia artificial generativa. Finalmente, las
conclusiones se trataron como interpretaciones transferibles a contextos semejantes,
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 8
Artículo Científico
Julio – Septiembre 2026
pero no como inferencias causales o estadísticamente representativas de toda
América Latina (Miao & Holmes, 2023; Priya, 2021).
3. Resultados
3.1. Patrones de uso académico de la inteligencia artificial generativa
El análisis de este subtema se orientó a describir la frecuencia, la intensidad y las
finalidades académicas atribuidas a la inteligencia artificial generativa por estudiantes
universitarios. Sin embargo, los materiales disponibles en la conversación no
incluyeron la matriz definitiva de extracción, el número total de documentos
seleccionados ni una codificación cuantitativa propia del corpus. Por esta razón, no se
calcularon porcentajes agregados, medias combinadas, desviaciones estándar ni
pruebas inferenciales adicionales. Los indicadores se conservaron con los
denominadores, escalas y categorías de cada fuente original, de modo que las cifras
presentadas correspondieron a resultados documentales y no a una estimación
conjunta para toda América Latina. La exposición se concentró en adopción,
regularidad, herramientas utilizadas y tipos de tareas académicas desarrolladas
(Digital Education Council, 2024; Ravšelj et al., 2025).
La evidencia de mayor cobertura general registró una incorporación extendida de
estas tecnologías en las actividades universitarias. En una encuesta aplicada a 3.839
estudiantes de grado, maestría y doctorado de 16 países, el 86 % declaró utilizar
regularmente herramientas de inteligencia artificial y el 54 % informó un uso semanal.
ChatGPT fue la aplicación predominante, utilizada por el 66 % de las personas
encuestadas, mientras que más de dos tercios recurrieron a la inteligencia artificial
para buscar información. El número medio de herramientas empleadas por estudiante
fue de 2,1, lo que mostró que el uso académico no se limitó necesariamente a una
única plataforma. Los resultados situaron la búsqueda y el procesamiento de
información entre las prácticas de mayor presencia en el trabajo universitario (Digital
Education Council, 2024).
La distribución por actividades específicas mostró que las funciones generativas se
utilizaron con distinta intensidad según la naturaleza de la tarea. En el estudio de
23.218 estudiantes procedentes de 109 países y territorios, las respuestas se midieron
en una escala de cinco categorías, desde 1 = nunca hasta 5 = siempre. La lluvia de
ideas alcanzó la mayor proporción en las dos categorías superiores de frecuencia, con
aproximadamente el 30 % y una media de 2,76; posteriormente se ubicaron el
resumen de textos extensos, con el 27 % y una media de 2,64, y la localización de
artículos científicos, con el 25 % y una media de 2,63. La escritura de textos reunió al
22 % de los participantes y obtuvo una media de 2,64, mientras que la escritura
profesional y creativa registró los porcentajes más bajos. Como se observa en la Tabla
1, la organización de los indicadores permitió conservar las unidades originales sin
duplicar en el texto todos los valores tabulados (Ravšelj et al., 2025). La numeración,
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 9
Artículo Científico
Julio – Septiembre 2026
el título breve y la nota explicativa siguieron la estructura para tablas indicada en el
manual compartido.
Tabla 1
Indicadores documentados del uso académico de inteligencia artificial generativa
Fuente y cobertura
Indicador de uso
Resultado
informado
Digital Education Council: 3.839 estudiantes,
16 países
Uso regular de herramientas de IA
86 %
Digital Education Council: 3.839 estudiantes,
16 países
Uso semanal
54 %
Digital Education Council: 3.839 estudiantes,
16 países
Uso de ChatGPT
66 %
Digital Education Council: 3.839 estudiantes,
16 países
Número medio de herramientas
utilizadas
2,1
Ravšelj et al.: 23.218 estudiantes, 109 países
y territorios
Lluvia de ideas
30 %; M = 2,76
Ravšelj et al.: 23.218 estudiantes, 109 países
y territorios
Resumen de textos extensos
27 %; M = 2,64
Ravšelj et al.: 23.218 estudiantes, 109 países
y territorios
Localización de artículos de
investigación
25 %; M = 2,63
Ravšelj et al.: 23.218 estudiantes, 109 países
y territorios
Escritura de textos
22 %; M = 2,64
Ravšelj et al.: 23.218 estudiantes, 109 países
y territorios
Escritura profesional
12 %; M = 1,96
Ravšelj et al.: 23.218 estudiantes, 109 países
y territorios
Escritura creativa
11 %; M = 1,92
Nota: Los porcentajes de Ravšelj et al. correspondieron a las dos categorías superiores de una escala
de frecuencia de 1 = nunca a 5 = siempre. Las medias y porcentajes se reprodujeron conforme a cada
fuente y no se combinaron estadísticamente. IA = inteligencia artificial; M = media (Autores, 2026).
La diferenciación por campos de estudio mostró que las finalidades académicas
variaron de acuerdo con las demandas disciplinares. La generación de ideas se
mantuvo entre el 25 % y el 33 % según el área, y alcanzó su mayor presencia entre
estudiantes de artes y humanidades. La asistencia para programación presentó el
contraste más amplio: aproximadamente el 32 % de estudiantes de ciencias aplicadas
la utilizó, frente al 10 % de quienes cursaban ciencias sociales, con una diferencia de
0,84 puntos entre las medias extremas. En cambio, la búsqueda de información para
redactar trabajos de investigación se mantuvo próxima a una cuarta parte de los
participantes y presentó una diferencia media de solo 0,11 entre campos. También se
registraron variaciones por nivel económico regional, cuyas mayores brechas medias
correspondieron al apoyo para aprender, con 0,64 puntos; la ayuda personal, con
0,54; la programación, con 0,51; y la escritura académica, con 0,41 (Ravšelj et al.,
2025).
La evidencia latinoamericana disponible mostró que la incorporación académica de
ChatGPT se encontraba todavía en una fase relativamente reciente en algunos
contextos universitarios. En una muestra de 201 estudiantes con experiencia previa
en actividades académicas asistidas por ChatGPT, el 42,8 % señaló que había
utilizado la herramienta durante uno o dos meses, mientras que el 18,4 % declaró una
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 10
Artículo Científico
Julio – Septiembre 2026
experiencia de tres o cuatro meses. Los principales dispositivos de acceso fueron
computadoras portátiles, equipos de escritorio y teléfonos móviles. La composición
académica de la muestra se concentró en ciencias sociales y humanidades, con el
46,27 %, seguida de ingeniería, con el 29,35 %; economía y administración
representaron el 9,45 %, y ciencias de la salud el 8,96 %. Estos datos describieron un
patrón inicial de adopción distribuido entre distintas áreas de formación y soportado
por dispositivos de acceso habitual entre universitarios (Acosta-Enriquez et al.,
2024b).
El análisis de 499 estudiantes pertenecientes a diez universidades públicas y privadas
de Perú permitió identificar relaciones estadísticas vinculadas con la continuidad y la
orientación del uso académico. El uso responsable presentó el coeficiente positivo de
mayor magnitud dentro del modelo, con β = 0,806, seguido por la intención de uso
frecuente, con β = 0,509, la aceptación de la herramienta, con β = 0,441, y las
emociones positivas, con β = 0,418. En sentido contrario, el riesgo percibido registró
β = −0,104 y el aburrimiento β = −0,145, ambos con asociaciones negativas de menor
magnitud. De las doce hipótesis planteadas en el modelo, nueve fueron aceptadas, y
la intención de uso frecuente mantuvo una relación significativa con la intención de
verificar la información generada. Los coeficientes describieron asociaciones entre los
constructos estudiados, sin representar porcentajes de utilización ni estimaciones
causales sobre el comportamiento de toda la población universitaria latinoamericana
(Acosta-Enriquez et al., 2024a).
La síntesis descriptiva mostró que el patrón predominante estuvo caracterizado por
una adopción amplia, periódica y concentrada en tareas de apoyo informativo y
textual. La búsqueda de información, la generación de ideas, el resumen de
contenidos, la localización de literatura y la escritura académica ocuparon posiciones
superiores frente a usos más especializados, como la escritura profesional, creativa o
la programación fuera de las disciplinas aplicadas. ChatGPT se mantuvo como la
herramienta individual de mayor presencia, aunque los estudiantes emplearon, en
promedio, más de dos aplicaciones de inteligencia artificial. Las diferencias entre
disciplinas fueron mayores en las tareas técnicas, mientras que la asistencia para
investigación presentó una distribución más homogénea. En los estudios
latinoamericanos, la aceptación, la intención de uso frecuente, la verificación de
información y el uso responsable aparecieron como componentes relacionados dentro
de las prácticas académicas documentadas (Acosta-Enriquez et al., 2024a; Digital
Education Council, 2024; Ravšelj et al., 2025).
3.2. Efectos identificados sobre las dimensiones del pensamiento crítico
El análisis de este subtema se orientó a identificar los efectos asociados con la
inteligencia artificial generativa sobre la exploración de problemas, el análisis de
información, la evaluación de evidencias, la integración de argumentos y la
formulación de conclusiones. Los materiales compartidos no incluyeron una base de
datos primaria ni una matriz cuantificada definitiva del corpus, por lo que no se
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 11
Artículo Científico
Julio – Septiembre 2026
calcularon frecuencias documentales globales, tamaños de efecto combinados ni
pruebas estadísticas adicionales. Los resultados se conservaron conforme a las
unidades, escalas y muestras informadas en cada investigación consultada. La
evidencia quedó organizada según tres patrones: fortalecimiento vinculado con la
interacción activa, efectos favorables derivados del uso estructurado y disminución
asociada con la dependencia cognitiva. Esta organización permitió describir los
hallazgos sin atribuirles representatividad estadística para el conjunto de estudiantes
universitarios latinoamericanos (Nasr et al., 2025; Suriano et al., 2025).
Dentro del primer patrón, el estudio realizado con 213 estudiantes universitarios
italianos mostró que el compromiso activo con ChatGPT se relacionó positivamente
con el desempeño en una prueba de razonamiento crítico. El compromiso presentó
un coeficiente estandarizado de β = 0,381 (p < 0,001), mientras que el conocimiento
y la experiencia adquiridos con la herramienta registraron una asociación menor,
aunque significativa, de β = 0,188, t = 2,16 y p < 0,05. Ambas variables explicaron
conjuntamente el 13,4 % de la varianza del desempeño en pensamiento crítico,
expresada mediante un R² de 0,134. El contraste entre los coeficientes mostró que la
participación activa tuvo aproximadamente el doble de peso que el conocimiento
instrumental de la aplicación. Las actitudes favorables y la confianza en la inteligencia
artificial se vincularon indirectamente con el resultado mediante su relación con el
conocimiento y el compromiso estudiantil (Suriano et al., 2025).
La diferenciación por fases cognitivas ofreció resultados más específicos en una
investigación mixta con 40 estudiantes de una universidad estadounidense,
complementada con seis historiales de conversación y dos entrevistas
semiestructuradas. En una escala de cinco puntos, la exploración obtuvo la media
más alta, con M = 3,70, seguida por la activación de interrogantes y la integración de
ideas, ambas con M = 3,60. La resolución alcanzó M = 3,30 y DE = 0,79, resultado
ubicado en el nivel neutral de la escala utilizada. La diferencia de 0,40 puntos entre
exploración y resolución evidenció una mayor concentración de los efectos favorables
en las fases iniciales e intermedias del razonamiento. En consecuencia, los datos
registraron mayor presencia de generación de preguntas, búsqueda de alternativas y
articulación de información que de elaboración de conclusiones definitivas (Nasr et al.,
2025).
El análisis de las conversaciones de ese mismo estudio distinguió dos patrones de
interacción con ChatGPT. En el uso dirigido por la inteligencia artificial, los estudiantes
recibieron las respuestas como productos terminados, formularon pocos
cuestionamientos posteriores y exhibieron menor profundidad en la evaluación del
contenido. En el uso colaborativo, las interacciones incluyeron preguntas sucesivas,
comparación de respuestas, contraste con conocimientos previos y reformulación de
planteamientos. Los registros correspondientes al segundo patrón alcanzaron las
fases de exploración e integración, aunque ninguno de los casos analizados completó
plenamente la fase de resolución. La evidencia cualitativa coincidió con las
puntuaciones del cuestionario, pues la actividad cognitiva se mantuvo en niveles
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 12
Artículo Científico
Julio – Septiembre 2026
superiores durante la búsqueda y combinación de ideas, pero descendió cuando la
tarea exigió adoptar y justificar una conclusión final (Nasr et al., 2025).
Los resultados experimentales también mostraron diferencias según el grado de
estructuración pedagógica. Una intervención aplicada inicialmente a 179 estudiantes
de posgrado y replicada posteriormente con otros 125 participantes organizó el
procesamiento de textos generados por inteligencia artificial en cinco fases sucesivas:
familiarización, conceptualización, indagación, evaluación y síntesis. Los grupos
fueron asignados a un marco específico de pensamiento crítico, a una estructura
alternativa de aprendizaje autorregulado o a un procedimiento no estructurado. El
marco de cinco fases produjo mejoras en la capacidad para analizar y sintetizar
información generada mediante inteligencia artificial en los dos experimentos. No
obstante, la información públicamente verificable del artículo no proporcionó valores
completos de medias, desviaciones estándar o tamaños del efecto para todas las
comparaciones. Como se observa en la Tabla 2, los indicadores cuantitativos
disponibles mostraron resultados favorables bajo interacción activa y estructurada,
pero desfavorables cuando predominó la dependencia de la herramienta (Yusuf et al.,
2024).
Tabla 2
Indicadores documentados de los efectos de la inteligencia artificial generativa sobre
el pensamiento crítico
Estudio y participantes
Dimensión o indicador
Resultado informado
Suriano et al. (2025), n = 213
Compromiso activo con ChatGPT
β = 0,381; p < 0,001
Suriano et al. (2025), n = 213
Conocimiento y experiencia con
ChatGPT
β = 0,188; t = 2,16; p < 0,05
Suriano et al. (2025), n = 213
Varianza explicada del desempeño
crítico
R² = 0,134
Nasr et al. (2025), n = 40
Activación de interrogantes
M = 3,60
Nasr et al. (2025), n = 40
Exploración de información y
alternativas
M = 3,70
Nasr et al. (2025), n = 40
Integración de ideas
M = 3,60
Nasr et al. (2025), n = 40
Resolución y formulación de
conclusiones
M = 3,30; DE = 0,79
Yusuf et al. (2024), n = 179 y
n = 125
Análisis y síntesis mediante un marco
de cinco fases
Mejora informada en ambos
experimentos
Tian y Zhang (2025), n = 580
Pensamiento crítico
M = 4,94; DE = 0,75
Tian y Zhang (2025), n = 580
Fatiga cognitiva
M = 3,52; DE = 0,68
Tian y Zhang (2025), n = 580
Moderación de la alfabetización
informacional
β = 0,11; p = 0,003
Nota: Los indicadores procedieron de escalas, diseños y poblaciones diferentes, por lo que no fueron
combinados ni interpretados como una estimación conjunta. En Yusuf et al. (2024), los resultados
recuperados informaron la efectividad del marco, pero no ofrecieron todos los estadísticos descriptivos
e inferenciales necesarios para incorporarlos a la tabla. M = media; DE = desviación estándar; β =
coeficiente estandarizado. Los datos se conservaron según las fuentes originales (Nasr et al., 2025;
Suriano et al., 2025; Tian & Zhang, 2025; Yusuf et al., 2024) (Autores, 2026).
El patrón desfavorable se observó con mayor claridad en una investigación
desarrollada con 580 estudiantes universitarios chinos. El pensamiento crítico registró
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 13
Artículo Científico
Julio – Septiembre 2026
una media de 4,94 y una desviación estándar de 0,75, mientras que la fatiga cognitiva
alcanzó M = 3,52 y DE = 0,68; la alfabetización informacional presentó M = 4,90 y DE
= 0,88. Los análisis mostraron que una mayor dependencia de la inteligencia artificial
se asoció con niveles inferiores de pensamiento crítico y que la fatiga cognitiva explicó
parcialmente esa relación. La alfabetización informacional moderó el vínculo directo
entre dependencia y pensamiento crítico, con β = 0,11 y p = 0,003, de manera que los
niveles más altos atenuaron la asociación negativa. El resultado no eliminó el efecto
de la dependencia, pero mostró una variación estadísticamente significativa según la
capacidad para localizar, comprender y evaluar información (Tian & Zhang, 2025).
La síntesis descriptiva mostró que los efectos no siguieron una dirección uniforme en
todas las dimensiones del pensamiento crítico. La interacción activa se relacionó
principalmente con el análisis, la exploración y la integración, mientras que el
conocimiento técnico aislado presentó una asociación de menor magnitud con el
desempeño crítico. Las tareas estructuradas en fases de indagación, evaluación y
síntesis registraron mejoras frente al procesamiento no estructurado de textos
generados artificialmente. En contraste, la dependencia y la fatiga cognitiva se
asociaron con puntuaciones inferiores, especialmente cuando la herramienta sustituyó
el examen autónomo de la información. La resolución constituyó la dimensión menos
fortalecida en las mediciones por fases, al registrar una media 0,40 puntos inferior a
la exploración. El hallazgo central quedó definido por la coexistencia de efectos
favorables bajo participación reflexiva y efectos desfavorables cuando predominó la
delegación del esfuerzo cognitivo (Nasr et al., 2025; Suriano et al., 2025; Tian &
Zhang, 2025; Yusuf et al., 2024).
3.3. Patrones de autorregulación del aprendizaje asociados al uso de
inteligencia artificial generativa
El análisis se orientó a describir cómo el uso de inteligencia artificial generativa se
vinculó con la planificación, la ejecución de estrategias, el seguimiento del desempeño
y la reflexión sobre el aprendizaje universitario. Los indicadores se organizaron según
las fases de anticipación, desempeño y autorreflexión, además de la regulación
específica de las herramientas y sus respuestas. La evidencia cuantitativa disponible
procedió principalmente de estudiantes universitarios de Taiwán y China, por lo que
los valores se conservaron dentro de sus muestras originales y no se agregaron como
una estimación para América Latina. Tampoco se calcularon medias combinadas,
tamaños de efecto globales ni significancias adicionales debido a la heterogeneidad
de los diseños e instrumentos. Los hallazgos quedaron agrupados en patrones de
apoyo integral, uso estratégico desequilibrado y diferencias asociadas con el grado de
exposición a la inteligencia artificial (Lee et al., 2024; Liu et al., 2025).
La revisión de mayor amplitud examinó 73 artículos publicados durante los cinco años
anteriores, de los cuales 68 aparecieron después de 2023 y se distribuyeron en 46
revistas científicas. En este conjunto se identificaron seis posibilidades pedagógicas:
creación de objetivos personalizados, búsqueda e integración de recursos,
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 14
Artículo Científico
Julio – Septiembre 2026
seguimiento del progreso, recomendación de estrategias, registro y retroalimentación,
y generación de ideas o ejemplos. Durante la anticipación predominó la búsqueda de
información, mientras que la fase de desempeño se concentró en estrategias para
resolver problemas. La autorreflexión se manifestó principalmente mediante la
obtención de retroalimentación y la realización de autoevaluaciones asistidas. Los
patrones documentales quedaron condicionados por factores individuales y
ambientales que regularon la participación estudiantil en las actividades mediadas por
inteligencia artificial generativa (Xia et al., 2026).
Una revisión complementaria de 27 publicaciones mostró una distribución desigual del
apoyo proporcionado por los chatbots a lo largo del ciclo autorregulatorio. Las
funciones más recurrentes ayudaron a identificar recursos de aprendizaje, aplicar
estrategias durante las tareas y supervisar metacognitivamente el proceso de estudio.
En contraste, se registró una presencia limitada de apoyos dirigidos al establecimiento
de metas, la elaboración de planes, la reflexión sobre el desempeño previo y la
adaptación de las estrategias futuras. Ninguno de los sistemas analizados cubrió de
manera completa las cuatro fases consideradas en el modelo utilizado por la revisión.
Los efectos sobre la autorregulación y el desempeño fueron predominantemente
favorables, aunque también se documentaron resultados mixtos o no significativos en
parte de los estudios incluidos (Guan et al., 2025).
Los resultados experimentales permitieron precisar las diferencias entre el uso
convencional de ChatGPT y una modalidad que proporcionó orientaciones sin
entregar directamente las respuestas. En 61 estudiantes universitarios de un curso de
química, el grupo que empleó el mecanismo guiado alcanzó una media de 34,5 en
compromiso cognitivo, frente a 27,4 en el grupo de ChatGPT convencional, con una
diferencia descriptiva de 7,1 puntos. El compromiso conductual registró medias de
20,1 y 17,4, respectivamente, equivalentes a una diferencia de 2,7 puntos. La
autoeficacia alcanzó 31,2 en el grupo guiado y 25,8 en el grupo de comparación, lo
que representó una diferencia de 5,4 puntos. La fuente informó diferencias
estadísticamente significativas en estas dimensiones y situó los principales resultados
favorables en las fases de desempeño y autorreflexión (Lee et al., 2024).
El estudio aplicado a 707 estudiantes de 13 universidades identificó ocho estrategias
distribuidas entre la regulación de las tareas asistidas y la regulación de la propia
aplicación de inteligencia artificial. Los dos niveles mantuvieron una correlación de r =
0,70, aunque permanecieron como componentes diferenciados dentro del modelo
factorial. La regulación metacognitiva centrada en las respuestas generadas alcanzó
la frecuencia más alta, con M = 3,82, mientras que la regulación conductual obtuvo M
= 3,34. Dentro del procesamiento de las tareas, la evaluación y la autoevaluación
presentaron el promedio más bajo, con M = 2,99, frente al intervalo de M = 3,31–3,40
registrado por las otras tres estrategias. Como se observa en la Tabla 3, los resultados
mostraron una mayor frecuencia de supervisión de las respuestas que de valoración
reflexiva del propio desempeño (Liu et al., 2025).
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 15
Artículo Científico
Julio – Septiembre 2026
Tabla 3
Indicadores de autorregulación asociados con el uso de inteligencia artificial
generativa
Fuente y muestra
Fase o
dimensión
Indicador
Resultado informado
Xia et al. (2026), 73
artículos
Anticipación
Actividad predominante
Búsqueda de información
Xia et al. (2026), 73
artículos
Desempeño
Actividad predominante
Estrategias de resolución
de problemas
Xia et al. (2026), 73
artículos
Autorreflexión
Actividades predominantes
Retroalimentación y
autoevaluación
Guan et al. (2025), 27
publicaciones
Ciclo completo
Cobertura de todas las fases
No identificada
Lee et al. (2024), n =
61
Desempeño
Compromiso cognitivo: GCLA
frente a ChatGPT
M = 34,5 frente a 27,4
Lee et al. (2024), n =
61
Desempeño
Compromiso conductual:
GCLA frente a ChatGPT
M = 20,1 frente a 17,4
Lee et al. (2024), n =
61
Autorreflexión
Autoeficacia: GCLA frente a
ChatGPT
M = 31,2 frente a 25,8
Liu et al. (2025), n =
707
Regulación de
respuestas
Regulación metacognitiva
centrada en resultados
M = 3,82
Liu et al. (2025), n =
707
Regulación
conductual
Búsqueda, intercambio y
actualización de recursos
M = 3,34
Liu et al. (2025), n =
707
Autorreflexión
Evaluación y autoevaluación
asistidas
M = 2,99
Liu et al. (2025), n =
707
Relación entre
niveles
Regulación de tareas y
regulación de la IA
r = 0,70
Nota: Los resultados procedieron de diseños, escalas y unidades de análisis diferentes, por lo que no
se combinaron estadísticamente. GCLA = mecanismo de aprendizaje asistido por ChatGPT basado en
orientaciones; IA = inteligencia artificial; M = media; r = coeficiente de correlación. Los indicadores se
reprodujeron conforme a las fuentes originales (Guan et al., 2025; Lee et al., 2024; Liu et al., 2025; Xia
et al., 2026) (Autores, 2026).
Las diferencias entre grupos mostraron variaciones específicas en la regulación
metacognitiva y ética de la inteligencia artificial. Las mujeres registraron una media
superior a la de los hombres en regulación centrada en la selección y evaluación de
herramientas, con M = 3,64, DE = 0,85 frente a M = 3,48, DE = 0,92; t(705) = −2,46, p
= 0,014 y d = 0,18. La regulación ética también fue mayor entre las mujeres, con M =
3,82, DE = 0,87 frente a M = 3,49, DE = 1,01; t(705) = −4,63, p < 0,001 y d = 0,35. Los
estudiantes de artes, humanidades y ciencias sociales alcanzaron M = 3,76, DE = 0,93
en regulación ética, mientras que el grupo STEM obtuvo M = 3,55, DE = 0,98; la
diferencia fue significativa y de magnitud pequeña, t(705) = 2,98, p = 0,003 y d = 0,22
(Liu et al., 2025).
La exposición a la inteligencia artificial presentó asociaciones diferenciadas con las
estrategias autorregulatorias. La frecuencia general de uso mantuvo correlaciones
moderadas con la mayoría de las estrategias, cuyos valores oscilaron entre r = 0,328
y r = 0,391, pero la relación con la planificación y ejecución alcanzó r = 0,549. En
contraste, la frecuencia de uso no se relacionó con la regulación ética, para la cual se
obtuvo r = 0,000. El número de herramientas utilizadas registró correlaciones de r =
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 16
Artículo Científico
Julio – Septiembre 2026
0,098 a r = 0,334, y su asociación de mayor magnitud correspondió a la regulación
metacognitiva centrada en las herramientas, con r = 0,334. La relación entre variedad
de aplicaciones y regulación ética también fue no significativa, con r = 0,033 (Liu et
al., 2025).
La síntesis descriptiva mostró que la inteligencia artificial generativa se asoció con
mayor intensidad a la ejecución, el seguimiento de respuestas y el ajuste inmediato
de las tareas que al desarrollo equilibrado del ciclo completo de autorregulación. Las
intervenciones guiadas presentaron puntuaciones superiores en compromiso
cognitivo, compromiso conductual y autoeficacia respecto del uso convencional de
ChatGPT. Las estrategias de evaluación del propio trabajo ocuparon una posición
inferior frente a la supervisión de las respuestas producidas por las herramientas. La
experiencia acumulada con inteligencia artificial se relacionó con la planificación, la
ejecución y la evaluación técnica, pero no mostró asociación con la regulación ética.
El hallazgo central quedó configurado por un patrón autorregulatorio parcial,
concentrado en el desempeño y el control operativo, con menor presencia del
establecimiento de metas y la reflexión posterior (Guan et al., 2025; Lee et al., 2024;
Liu et al., 2025; Xia et al., 2026).
4. Discusión
El estudio analiza cómo los patrones de uso académico de la inteligencia artificial
generativa se relacionan con el pensamiento crítico y la autorregulación del
aprendizaje universitario, y los hallazgos sugieren que sus efectos dependen menos
de la frecuencia de utilización que de la finalidad y del grado de participación cognitiva
del estudiante. Aunque el 86 % de los universitarios de la encuesta internacional
declara un uso regular y ChatGPT concentra el 66 % de las preferencias, esta
adopción extendida no implica por sí misma un fortalecimiento de las competencias
examinadas. La generación de ideas, la búsqueda de información y el resumen
predominan sobre actividades que demandan evaluación y producción especializada,
lo que refleja una incorporación centrada en la eficiencia operativa. Al mismo tiempo,
el uso responsable presenta una asociación elevada en el contexto peruano, con β =
0,806, y se vincula con la intención de verificar la información generada. Estos
resultados parecen indicar que la apropiación académica adquiere valor formativo
cuando incluye comprobación, reelaboración y control humano, en concordancia con
la distinción entre uso complementario y uso sustitutivo planteada en la literatura
(Acosta-Enriquez et al., 2024a; Digital Education Council, 2024; Ravšelj et al., 2025).
La interpretación de los efectos sobre el pensamiento crítico confirma esta condición
ambivalente, pues la interacción activa con ChatGPT explica el 13,4 % de la varianza
del desempeño crítico y muestra una asociación superior a la del conocimiento
meramente instrumental de la herramienta. Esta convergencia con Suriano et al.
(2025) y Yusuf et al. (2024) respalda la utilidad de estructuras pedagógicas que exigen
indagar, evaluar y sintetizar las respuestas generadas, en lugar de aceptarlas como
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 17
Artículo Científico
Julio – Septiembre 2026
productos terminados. No obstante, la diferencia de 0,40 puntos entre exploración y
resolución muestra que la inteligencia artificial parece favorecer con mayor intensidad
la generación y articulación de ideas que la formulación autónoma de conclusiones
justificadas. El hallazgo coincide con Nasr et al. (2025), quienes distinguen entre
colaboración humano-inteligencia artificial y conducción pasiva por la herramienta,
pero contrasta con cualquier interpretación que equipare mejora del producto con
aprendizaje profundo. La asociación negativa entre dependencia y pensamiento
crítico, mediada parcialmente por fatiga cognitiva, refuerza esta cautela, aunque la
alfabetización informacional atenúa el vínculo con β = 0,11 y p = 0,003 (Fan et al.,
2024; Tian & Zhang, 2025).
La evidencia relativa a la autorregulación amplía esta interpretación al mostrar que el
apoyo de la inteligencia artificial se concentra en la ejecución, el seguimiento de
respuestas y el ajuste inmediato, mientras que el establecimiento de metas y la
reflexión posterior reciben menor respaldo. La correlación de r = 0,70 entre regulación
de la tarea y regulación de la herramienta indica que ambos procesos se encuentran
estrechamente vinculados, aunque no son equivalentes, y la asociación de r = 0,549
con planificación y ejecución sugiere una integración relevante durante el desempeño.
Sin embargo, la ausencia de relación entre frecuencia de uso y regulación ética, con
r = 0,000, evidencia que una mayor exposición tecnológica no garantiza criterios
responsables de decisión. Los mejores resultados del mecanismo guiado frente al
ChatGPT convencional —7,1 puntos en compromiso cognitivo y 5,4 en autoeficacia—
apoyan el papel del andamiaje docente y coinciden con los modelos que conciben la
autorregulación como un ciclo de anticipación, actuación y autorreflexión. En términos
prácticos, estos hallazgos respaldan actividades que soliciten justificar instrucciones,
documentar verificaciones, contrastar fuentes y revisar la respuesta antes de
incorporarla al trabajo académico (Guan et al., 2025; Lee et al., 2024; Liu et al., 2025;
Panadero, 2017).
El alcance de estas interpretaciones debe valorarse con cautela debido al carácter
documental, no experimental y transversal del estudio, la ausencia de una matriz
cuantitativa completa del corpus y la heterogeneidad de escalas, diseños y
poblaciones, que impide combinar estadísticamente los resultados. Además, una
proporción considerable de la evidencia procede de Europa, Asia y Norteamérica,
mientras que los estudios latinoamericanos se concentran en adopción, actitudes y
uso responsable, lo cual limita la transferencia directa a sistemas universitarios con
desigualdades institucionales y tecnológicas específicas. Las investigaciones futuras
deberían desarrollar diseños longitudinales, experimentales y mixtos en universidades
latinoamericanas, aplicar instrumentos comparables y examinar conjuntamente
dependencia cognitiva, alfabetización en inteligencia artificial, disciplina, acceso
tecnológico y regulación ética. También resulta necesario evaluar si los apoyos
guiados producen transferencia del aprendizaje después de retirar la herramienta y si
fortalecen de manera equilibrada todas las fases de autorregulación. La contribución
central del estudio reside, por tanto, en mostrar que la inteligencia artificial generativa
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 18
Artículo Científico
Julio – Septiembre 2026
no determina de forma uniforme el aprendizaje, sino que sus asociaciones con el
pensamiento crítico y la autorregulación dependen de una mediación pedagógica que
preserve la agencia, la verificación y la reflexión del estudiante, respondiendo así a la
brecha regional identificada (Salido et al., 2025; UNESCO, 2023; Xia et al., 2026).
5. Conclusiones
Los resultados permiten concluir que la inteligencia artificial generativa se asocia de
manera diferenciada con el pensamiento crítico y la autorregulación del aprendizaje
universitario, según la finalidad, el nivel de dependencia y la participación cognitiva del
estudiante. Aunque el uso regular alcanza una presencia amplia entre universitarios,
su frecuencia no constituye por sí sola un indicador de aprendizaje profundo. Las
prácticas orientadas a contrastar, verificar y reelaborar información parecen favorecer
procesos cognitivos más complejos, mientras que la aceptación pasiva de respuestas
puede debilitar la autonomía intelectual. Por tanto, los efectos observados deben
interpretarse dentro del alcance documental y no experimental del estudio, sin
establecer relaciones causales generalizables.
El cumplimiento de los objetivos específicos evidencia que la inteligencia artificial
generativa se utiliza principalmente para buscar información, generar ideas, resumir
contenidos y apoyar la escritura, con variaciones según la disciplina y el tipo de tarea.
En el pensamiento crítico, sus asociaciones favorables se concentran en la
exploración, el análisis y la integración de argumentos, mientras que la resolución y la
formulación autónoma de conclusiones muestran menor fortalecimiento. Respecto de
la autorregulación, el apoyo se concentra en la ejecución, el seguimiento y el ajuste
inmediato de las tareas, con menor presencia en el establecimiento de metas y la
autorreflexión. En conjunto, estos patrones muestran una integración académica
funcional, pero todavía incompleta en sus dimensiones metacognitivas.
A partir de estos hallazgos, el aporte principal del estudio consiste en diferenciar el
uso estratégico y complementario de la inteligencia artificial generativa del uso
sustitutivo que desplaza el esfuerzo intelectual. Esta distinción permite superar las
aproximaciones centradas únicamente en la adopción tecnológica y sitúa la mediación
pedagógica como condición relevante para preservar el juicio crítico, la verificación de
información y el control del propio aprendizaje. Además, la evidencia sugiere que las
intervenciones guiadas ofrecen mejores condiciones para el compromiso cognitivo y
la autoeficacia que el uso convencional de respuestas automatizadas. Esta
perspectiva aporta criterios para diseñar evaluaciones, actividades y políticas
institucionales orientadas a una integración responsable en la educación superior.
De manera coherente con el alcance del estudio, se recomienda que las universidades
incorporen orientaciones explícitas sobre verificación de fuentes, documentación del
proceso de resolución, transparencia del uso de herramientas y reflexión sobre las
decisiones adoptadas. Las investigaciones futuras deberían aplicar diseños
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 19
Artículo Científico
Julio – Septiembre 2026
longitudinales, experimentales y mixtos en instituciones latinoamericanas, con
instrumentos comparables que examinen pensamiento crítico, autorregulación,
dependencia cognitiva, alfabetización en inteligencia artificial y regulación ética.
También convendría determinar si los beneficios observados se mantienen cuando se
retira el apoyo tecnológico y si se transfieren a nuevas tareas. La contribución central
radica en mostrar que el valor educativo de estas herramientas depende de cómo se
integran al aprendizaje y de cuánto preservan la agencia intelectual del estudiante.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Acosta-Enriquez, B. G., Arbulú Ballesteros, M. A., Arbulu Perez Vargas, C. G.,
Orellana Ulloa, M. N., Gutiérrez Ulloa, C. R., Pizarro Romero, J. M., Gutiérrez
Jaramillo, N. D., Cuenca Orellana, H. U., Ayala Anzoátegui, D. X., & López
Roca, C. (2024b). Knowledge, attitudes, and perceived ethics regarding the use
of ChatGPT among Generation Z university students. International Journal for
Educational Integrity, 20, Article 10. https://doi.org/10.1007/s40979-024-00157-
4
Acosta-Enriquez, B. G., Arbulú Ballesteros, M. A., Huamaní Jordan, O., López Roca,
C., & Saavedra Tirado, K. (2024a). Analysis of college students’ attitudes toward
the use of ChatGPT in their academic activities: Effect of intent to use,
verification of information and responsible use. BMC Psychology, 12, Article
255. https://doi.org/10.1186/s40359-024-01764-z
Alquinga-Collaguazo, N. C., Andino-Jaramillo, R. A., & Guerrero-Bermúdez, Ángel E.
(2024). Percepciones, usos y desafíos pedagógicos del uso de la Inteligencia
artificial y rendimiento académico en estudiantes de educación superior.
Revista Científica Enfoques Del Conocimiento, 1(1), 1-18.
https://doi.org/10.55813/gaea/revistacec/v1/n1/7
Arias Ortiz, E., Castro, N., Forero, T., Gambi, G., Giambruno, C., Pérez-Alfaro, M., &
Rodríguez Segura, D. (2025). AI and education: Building the future through
digital transformation. Inter-American Development Bank.
https://publications.iadb.org/publications/english/document/AI-and-Education-
Building-the-Future-Through-Digital-Transformation.pdf
Arroba-Vite, N. M., Morán-Castillo, G. G., Zamora-Moreno, Z. F., Reyes-Badillo, A. P.,
& Gurumendi-Luna, M. E. (2026). Competencias digitales docentes y su
relación con el aprendizaje significativo escolar. Revista Científica Ciencia Y
Método, 4(2), 193-209. https://doi.org/10.55813/gaea/rcym/v4/n2/185
Ayres, J., Izquierdo, A., & Parrado, E. (Coords.). (2025). Regional opportunities amid
global shifts: 2025 Latin American and Caribbean macroeconomic report. Inter-
American Development Bank.
https://publications.iadb.org/publications/english/document/2025-Latin-
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 20
Artículo Científico
Julio – Septiembre 2026
American-and-Caribbean-Macroeconomic-Report-Regional-Opportunities-
Amid-Global-Shifts.pdf
Braun, V., & Clarke, V. (2021). Thematic analysis: A practical guide. SAGE
Publications. https://uk.sagepub.com/en-gb/eur/thematic-analysis/book248481
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., Boada-Tobar, A. T., & Páez-Puente,
L. A. (2025). Competencias investigativas y producción científica en estudiantes
universitarios de ciencias sociales y educación. Revista Científica Enfoques Del
Conocimiento, 2(4), 89-114. https://doi.org/10.55813/gaea/revistacec/v2/n4/46
Chango-Pila, J. E., Loyo-Sanchez, J. P., Maggi-Bermeo, F. I., Sánchez-Gamarra, E.
E., & Romero-Mera, E. M. (2026). Implementación de IA para potenciar el DUA
en educación básica: un modelo adaptativo para aulas diversas. Revista
Científica Ciencia Y Método, 4(2), 226-
243. https://doi.org/10.55813/gaea/rcym/v4/n2/191
Concha-Ramírez, J. A., Camero-Berrones, R. G., & Herrera-Navas, C. D. (2024). Uso
de plataformas virtuales y su influencia en la autonomía del aprendizaje en
educación superior. Revista Científica Enfoques Del Conocimiento, 1(2), 18-33.
https://doi.org/10.55813/gaea/revistacec/v1/n2/13
Digital Education Council. (2024). Digital Education Council Global AI Student Survey
2024. https://www.digitaleducationcouncil.com/resource-library-items/digital-
education-council-global-ai-student-survey-2024
Digital Education Council. (2026). AI in higher education LATAM survey 2026.
https://www.digitaleducationcouncil.com/post/ai-in-higher-education-latam-
survey-2026
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D.
(2024). Beware of metacognitive laziness: Effects of generative artificial
intelligence on learning motivation, processes, and performance. British Journal
of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
Guan, R., Raković, M., Chen, G., & Gašević, D. (2025). How educational chatbots
support self-regulated learning? A systematic review of the literature. Education
and Information Technologies, 30(4), 4493–4518.
https://doi.org/10.1007/s10639-024-12881-y
Kiger, M. E., & Varpio, L. (2020). Thematic analysis of qualitative data: AMEE Guide
No. 131. Medical Teacher, 42(8), 846–854.
https://doi.org/10.1080/0142159X.2020.1755030
Lee, H.-Y., Chen, P.-H., Wang, W.-S., Huang, Y.-M., & Wu, T.-T. (2024). Empowering
ChatGPT with guidance mechanism in blended learning: Effect of self-regulated
learning, higher-order thinking skills, and knowledge construction. International
Journal of Educational Technology in Higher Education, 21, Article 16.
https://doi.org/10.1186/s41239-024-00447-4
Lim, W. M., Gunasekara, A., Pallant, J. L., Pallant, J. I., & Pechenkina, E. (2023).
Generative AI and the future of education: Ragnarök or reformation? A
paradoxical perspective from management educators. The International Journal
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 21
Artículo Científico
Julio – Septiembre 2026
of Management Education, 21(2), 100790.
https://doi.org/10.1016/j.ijme.2023.100790
Liu, X., Xiao, Y., & Li, D. (2025). Assessing strategic use of artificial intelligence in self-
regulated learning: Instrument development and evidence from Chinese
university students. International Journal of Educational Technology in Higher
Education, 22, Article 69. https://doi.org/10.1186/s41239-025-00567-5
Marquina, M. (2026). Mapping academic credit systems in Latin America and the
Caribbean: Improving regional harmonization to transform higher education.
UNESCO IESALC. https://unesdoc.unesco.org/ark:/48223/pf0000397002
Mendaño-Yanchapanta, M. M., Gutama-Paredes, R. J., Moncayo-Flores, G. N.,
Zambrano-Rodríguez, M. M., & Morocho-Belezaca, A. D. (2026). Sinergias
metodológicas: El ABP y la gamificación como herramientas para la
implementación del DUA en entornos de aprendizaje mediados por
tecnología. Revista Científica Ciencia Y Método, 4(2), 260-
275. https://doi.org/10.55813/gaea/rcym/v4/n2/193
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research.
UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693
Morgan, H. (2022). Conducting a qualitative document analysis. The Qualitative
Report, 27(1), 64–77. https://doi.org/10.46743/2160-3715/2022.5044
Oltramonti, R., Casanova-Villalba, C. I., Tuitice-Tobar, R. A., & Herrera-Sánchez, M.
J. (2025). Metodologías activas y desarrollo del pensamiento crítico en
estudiantes universitarios. Revista Científica Enfoques Del Conocimiento, 2(2),
22-44. https://doi.org/10.55813/gaea/revistacec/v2/n2/33
Oltramonti, R., Puyol-Cortez, J. L., & Sánchez-Simbaña, S. E. (2024). Estrategias de
gamificación y motivación escolar para el aprendizaje significativo en
estudiantes de educación secundaria. Revista Científica Enfoques Del
Conocimiento, 1(2), 1-17. https://doi.org/10.55813/gaea/revistacec/v1/n2/12
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.
https://doi.org/10.1136/bmj.n71
Panadero, E. (2017). A review of self-regulated learning: Six models and four
directions for research. Frontiers in Psychology, 8, Article 422.
https://doi.org/10.3389/fpsyg.2017.00422
Priya, A. (2021). Case study methodology of qualitative research: Key attributes and
navigating the conundrums in its application. Sociological Bulletin, 70(1), 94–
110. https://doi.org/10.1177/0038022920970318
Ravšelj, D., Keržič, D., Tomaževič, N., Umek, L., Brezovar, N., Iahad, N. A., Abdulla,
A. A., Akopyan, A., Aldana Segura, M. W., AlHumaid, J., Allam, M. F., Alló, M.,
Andoh, R. P. K., Andronic, O., Arthur, Y. D., Aydın, F., Badran, A., Balbontín-
Alvarado, R., Ben Saad, H., … Aristovnik, A. (2025). Higher education students’
Revista Científica Enfoques del Conocimiento | V.03 | N.03 | Jul–Sep | 2026 | https://revistacec.blez.edu.ec pág. 22
Artículo Científico
Julio – Septiembre 2026
perceptions of ChatGPT: A global study of early reactions. PLOS ONE, 20(2),
e0315011. https://doi.org/10.1371/journal.pone.0315011
Salido, A., Syarif, I., Sitepu, M. S., Suparjan, Wana, P. R., Taufika, R., & Melisa, R.
(2025). Integrating critical thinking and artificial intelligence in higher education:
A bibliometric and systematic review of skills and strategies. Social Sciences &
Humanities Open, 12, 101924. https://doi.org/10.1016/j.ssaho.2025.101924
Tian, J., & Zhang, R. (2025). Learners’ AI dependence and critical thinking: The
psychological mechanism of fatigue and the social buffering role of AI literacy.
Acta Psychologica, 260, 105725. https://doi.org/10.1016/j.actpsy.2025.105725
Torres Roberto, M. A. (2021). Enseñanza y aprendizaje de la geometría en 3.º ESO a
través de la metodología taller educativo [Trabajo de fin de máster, Universidad
Internacional de La Rioja]. ResearchGate.
https://doi.org/10.13140/RG.2.2.24355.16163
Torres Roberto, M. A. (2024). Evaluación formativa continua en la educación
matemática: Enfoques en la enseñanza y aprendizaje del cálculo en educación
superior. Generis Publishing. https://generis-
publishing.com/book.php?title=strong-evaluacin-formativa-continua-en-la-
educacin-matemtica-strong-2356
Torres Roberto, M. A. (2025). Estrategias de aprendizaje y factores emocionales en
Cálculo Diferencial: Experiencias del estudiantado de ingeniería en Colombia.
Revista Actualidades Investigativas en Educación, 25(2), 1-34.
https://doi.org/10.15517/aie.v25i2.62607
UNESCO IESALC. (2026). Accelerating digital transformation in higher education:
UNESCO IESALC marks International Day for Digital Learning.
https://www.iesalc.unesco.org/en/articles/accelerating-digital-transformation-
higher-education-unesco-iesalc-marks-international-day-digital
UNESCO. (2023). Guidance for generative AI in education and research.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
Valencia-de-la-Cruz, D. M., Villalva-Heredia, C. I., & Silva-Adriano, L. E. (2026).
Estrategias innovadoras en enseñanza técnica y profesional para formar
estudiantes autónomos ante retos laborales y personales. Revista Científica
Zambos, 5(1), 1-24. https://doi.org/10.69484/rcz/v5/n1/154
Xia, Q., Liu, Q., Tlili, A., & Chiu, T. K. F. (2026). A systematic literature review on
designing self-regulated learning using generative artificial intelligence and its
future research directions. Computers & Education, 240, Article 105465.
https://doi.org/10.1016/j.compedu.2025.105465
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into
Practice, 41(2), 64–70. https://doi.org/10.1207/S15430421TIP4102_2
