Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
96
Artículo Cientíco
Uso de inteligencia artificial para fortalecer continuidad
educativa y reducir deserción escolar en bachillerato
ecuatoriano.
Use of artificial intelligence to strengthen educational continuity and reduce
school dropout rates in Ecuadorian high schools.
Velepucha-Caiminagua,Mayra Soraya1; Ordoñez-Tituana, Mónica Lorena2; Paucar-Córdova,
Rosman José3; Prado-Aguilar, Orlando Javier4.
1 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0009-0002-
8825-869X; mvelepuchac@unemi.edu.ec
2 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0009-0005-
4863-5982; mordonezt3@unemi.edu.ec
3 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0000-0001-
5254-4921; rpaucarc2@unemi.edu.ec
4 Ministerio de Educación, Deporte y Cultura; Ecuador, Machala;
https://orcid.org/0009-0005-0411-8350;
orlando.prado@docentes.educacion.edu.ec
1 Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n2/257
Resumen: Esta investigación analizó la relación entre el uso de herramientas de inteligencia
artificial (IA) y la continuidad escolar en estudiantes con escolaridad inconclusa del nivel de
bachillerato en Ecuador. Se desarrolló un estudio cuantitativo, transversal y correlacional con 94
participantes. Se aplicó una encuesta tipo Likert (1–5) de 30 ítems, organizada en dos
dimensiones: uso/condiciones para el uso de IA (15 ítems) y continuidad educativa (15 ítems).
La consistencia interna fue alta (IA: α = 0.979; continuidad: α = 0.964). En términos descriptivos,
el puntaje promedio de IA fue M = 2.45 (DE = 1.14) y el de continuidad educativa M = 3.31 (DE
= 1.11). Se observó una asociación positiva fuerte entre ambas dimensiones (r = 0.694; ρ =
0.687; p < 0.001). En la regresión lineal, el uso/condiciones de IA predijo significativamente la
continuidad educativa (B = 0.678, IC95% [0.533, 0.824]), explicando el 48% de la varianza (R²
= 0.48). Los hallazgos sugieren que una integración pedagógica de la IA se vincula con mayor
continuidad escolar, destacándose la necesidad de fortalecer capacitación y apoyo institucional
para una implementación equitativa y sostenible.
Palabras clave: Inteligencia artificial; Continuidad educativa; Deserción escolar; Bachillerato.
Abstract: This research analyzed the relationship between the use of artificial intelligence (AI)
tools and school retention among high school students with incomplete education in Ecuador. A
quantitative, cross-sectional, and correlational study was conducted with 94 participants. A 30-
item Likert-type (1–5) survey was administered, organized into two dimensions: AI use/conditions
for use (15 items) and educational retention (15 items). Internal consistency was high (AI: α =
0.979; retention: α = 0.964). Descriptively, the mean AI score was M = 2.45 (SD = 1.14) and the
mean educational retention score was M = 3.31 (SD = 1.11). A strong positive association was
observed between both dimensions (r = 0.694; ρ = 0.687; p < 0.001). In the linear regression, AI
use/conditions significantly predicted educational continuity (B = 0.678, 95% CI [0.533, 0.824]),
explaining 48% of the variance (R² = 0.48). The findings suggest that pedagogical integration of
AI is linked to greater school continuity, highlighting the need to strengthen training and
institutional support for equitable and sustainable implementation.
Keywords: Artificial intelligence; Educational continuity; School dropout; High school.
Cita: Velepucha-Caiminagua, M.
S., Ordoñez-Tituana, M. L.,
Paucar-Córdova, R. J., & Prado-
Aguilar, O. J. (2026). Uso de
inteligencia artificial para
fortalecer continuidad educativa y
reducir deserción escolar en
bachillerato ecuatoriano. Innova
Science Journal, 4(2), 96-
105. https://doi.org/10.63618/omd
/isj/v4/n2/257
Recibido: 26/10/2025
Aceptado: 02/03/2026
Publicado: 30/04/2026
Copyright: © 2026 por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional. (CC
BY-NC).
(https://creativecommons.org/lice
nses/by-nc/4.0/)
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
97
Artículo Cientíco
1. Introducción
La presente investigación surge de la necesidad de identificar estrategias educativas
innovadoras que contribuyan a mitigar el abandono escolar en el bachillerato
ecuatoriano, particularmente en estudiantes cuyas trayectorias formativas han sido
interrumpidas. En coherencia con las políticas orientadas a la prevención de la deserción
y a la reinserción educativa, la respuesta institucional requiere intervenciones
pedagógicas sostenibles y sustentadas en evidencia científica (Ministerio de Educación
del Ecuador, 2024). En este marco, la inteligencia artificial (IA) se posiciona como una
tecnología disruptiva con potencial para personalizar el aprendizaje y ofrecer
retroalimentación inmediata, siempre que su implementación responda a fines
pedagógicos claros y al liderazgo del docente. La escolaridad inconclusa continúa
siendo un obstáculo para el ejercicio pleno del derecho a la educación en el contexto
nacional, por lo que resulta imprescindible transitar hacia una perspectiva de trayectorias
educativas protegidas, donde la integración digital opere como habilitadora de equidad.
En este sentido, la transformación digital impulsada por la IA puede contribuir al cierre
de brechas de aprendizaje si se articula con una gobernanza ética de datos y un diseño
centrado en el estudiante (Arias Ortiz et al., 2025), evitando que la innovación profundice
desigualdades preexistentes (Juna-Pozo, 2025) y garantizando transparencia y
responsabilidad institucional (OECD, 2021).
Desde el plano teórico, la integración de la IA en el bachillerato se fundamenta en el
Aprendizaje Adaptativo, enfoque que permite ajustar los contenidos y ritmos a las
necesidades individuales mediante sistemas capaces de identificar vacíos de
conocimiento en tiempo real. La evidencia señala que la analítica predictiva no solo
mejora el rendimiento, sino que actúa como factor de retención al reducir la frustración
académica y anticipar riesgos de abandono, transformando datos en intervenciones
pedagógicas oportunas (Ocaña-Fernández et al., 2023). No obstante, su despliegue en
Ecuador exige enfrentar de manera crítica las brechas de acceso y los desafíos éticos
asociados al manejo de datos, pues la falta de infraestructura y de políticas inclusivas
podría exacerbar desigualdades territoriales. La ética de la IA educativa implica
protección de la privacidad, transparencia algorítmica y fortalecimiento de la
competencia digital docente para asegurar que la innovación sea un vehículo de equidad
y no de exclusión (De León Nazareno, 2024).
A nivel internacional, experiencias como el asistente virtual “Jill Watson” en Georgia
Tech evidencian mejoras en satisfacción y finalización de cursos cuando la IA se integra
en ecosistemas con diseño pedagógico explícito y acompañamiento humano. Asimismo,
plataformas adaptativas y chatbots tutoriales han mostrado eficacia en la reducción del
abandono mediante respuestas inmediatas y sistemas de alerta temprana, siempre que
optimicen la labor docente sin sustituir la mediación humana (Maldonado Peñaranda &
Soledispa Pereira, 2024). En el contexto ecuatoriano, el uso de recursos adaptativos y
plataformas como Khan Academy ha favorecido la permanencia escolar al ofrecer
apoyos individualizados, aunque su impacto se potencia cuando el contenido se
contextualiza y se articula con la orientación docente (García-Pacheco & Crespo-Asqui,
2025). De igual forma, las herramientas de IA generativa pueden promover autonomía
y personalización, condicionadas a la formación del profesorado y a condiciones
tecnológicas seguras (Ganchozo-Loor et al., 2025).
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
98
Artículo Cientíco
En consecuencia, para que la IA actúe como catalizador de la continuidad educativa, su
implementación debe trascender lo técnico y orientarse hacia una apropiación
pedagógica contextualizada, con alineación curricular, evaluación formativa y
acompañamiento constante (Garrido-Miranda & Polanco Madariaga, 2020). La
capacitación docente resulta clave para integrar la tecnología con sentido y propósito
(Duran-González et al., 2025; Herrera-Sánchez et al., 2024), mientras que la selección
de herramientas debe regirse por criterios de accesibilidad y atención a la diversidad,
especialmente en contextos rurales y en estudiantes con necesidades educativas
especiales (Muñoz Olvera et al., 2024). Finalmente, la colaboración interdisciplinaria y
la investigación formativa consolidan una cultura de mejora continua que permite
adaptar la IA a las particularidades de cada aula, garantizando una innovación
pedagógica ética, contextualizada y sostenible en el tiempo.
2. Materiales y Métodos
2.1. Diseño y enfoque
Se realizó un estudio de enfoque cuantitativo, de alcance correlacional y diseño no
experimental, transversal, orientado a analizar la relación entre el uso de herramientas
de inteligencia artificial (IA) y la continuidad educativa en estudiantes de bachillerato en
modalidad de escolaridad inconclusa.
2.2. Contexto y participantes
La investigación se desarrolló en Colegio de Bachillerato PCEI “Monseñor Vicente
Maya”, ubicada en la provincia de El Oro (Ecuador), en el marco de escolaridad
inconclusa, caracterizada por atender a población estudiantil con trayectorias educativas
interrumpidas y rangos etarios heterogéneos.
La muestra estuvo conformada por 94 estudiantes seleccionados mediante muestreo no
probabilístico por accesibilidad. El rango de edad fue de 15 a 58 años. En cuanto al
sexo, participaron 52 mujeres (55,3%) y 42 varones (44,7%).
Como criterios de inclusión se consideraron: (a) estar matriculado/a en bachillerato en
la modalidad descrita, (b) aceptar participar voluntariamente y (c) completar el
cuestionario en su totalidad. Se excluyeron registros incompletos o duplicados.
2.3. Variables del estudio y operacionalización
Se analizaron dos variables principales:
1. Uso/condiciones para el uso de IA (Variable predictora): construida a partir
del promedio de 15 ítems tipo Likert (rango 1–5). Puntuaciones mayores reflejan
mayor uso y/o condiciones más favorables para el uso de IA.
2. Continuidad educativa (Variable criterio): construida a partir del promedio de
15 ítems tipo Likert (rango 1–5). Puntuaciones mayores reflejan mayor
continuidad educativa.
Para ambas dimensiones se utilizó el promedio como método de agregación a fin de
conservar la escala original (1–5) y facilitar la interpretación de los coeficientes.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
99
Artículo Cientíco
2.4. Instrumento de recolección de datos
Se aplicó una encuesta estructurada tipo Likert de 30 ítems con cinco opciones de
respuesta codificadas numéricamente de 1 a 5. El instrumento se organizó en dos
dimensiones:
• Dimensión 1: Uso/condiciones para el uso de IA (15 ítems).
• Dimensión 2: Continuidad educativa (15 ítems).
La confiabilidad interna se estimó mediante alfa de Cronbach (α), obteniéndose valores
altos para ambas escalas: IA: α = 0.979 y continuidad educativa: α = 0.964, lo cual
respalda la consistencia interna del instrumento para análisis correlacionales y de
regresión.
2.5. Procedimiento de recolección y depuración de datos
La recolección se realizó a través de un formulario digital autoadministrado mediante la
plataforma Google forms. Cada envío fue registrado como un caso independiente.
Posteriormente, la base fue exportada a formato tabular para su análisis. La depuración
incluyó: (a) verificación del rango de respuesta (1–5) por ítem, (b) estandarización de
variables numéricas y (c) cálculo de puntajes compuestos por dimensión mediante
promedios de ítems.
2.6. Técnicas y plan de análisis estadístico
El análisis estadístico se organizó en cuatro fases:
1. Análisis descriptivo: Cálculo de media (M), desviación estándar (DE), mínimo
y máximo para cada dimensión y para los ítems.
2. Análisis de confiabilidad: estimación del alfa de Cronbach (α) para cada
dimensión (15 ítems).
3. Asociación bivariada: cálculo de correlación de Pearson (r) entre puntajes
promedios de IA y continuidad educativa. Dado que los ítems se originan en una
escala Likert (ordinal), se estimó adicionalmente la correlación de Spearman (ρ)
como contraste de robustez.
4. Modelo predictivo: estimación de una regresión lineal simple con continuidad
educativa como variable dependiente y uso/condiciones de IA como predictor.
Se reportaron el coeficiente no estandarizado (B), error estándar (EE),
estadístico t, valor p, intervalo de confianza al 95% (IC95%), estadístico F y
varianza explicada (R²).
2.7. Evaluación de supuestos
Se inspeccionó la relación lineal mediante dispersión, la normalidad de residuos y la
homocedasticidad del modelo. Cuando correspondió, se complementó la estimación con
errores estándar robustos como análisis de sensibilidad, con el fin de reducir el riesgo
de inferencias sesgadas ante heterocedasticidad. El nivel de significación se fijó en α =
0.05.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
100
Artículo Cientíco
2.8. Consideraciones éticas
La participación fue voluntaria y la información se utilizó exclusivamente con fines
académicos y de investigación. Se resguardó la confidencialidad de los datos, evitando
el uso de identificadores directos en el procesamiento y reporte de resultados.
3. Resultados
Los estadísticos descriptivos evidenciaron que el puntaje promedio de uso/condiciones
para el uso de IA fue bajo–moderado (M = 2.45, DE = 1.14; rango = 1.00–5.00), mientras
que la continuidad educativa presentó un nivel moderado (M = 3.31, DE = 1.11; rango =
1.07–5.00) (ver Tabla 1).
Tabla 1
Estadísticos descriptivos y fiabilidad de las dimensiones
n
Min
Max
M
DE
α
94
1.00
5.00
2.45
1.14
0.979
94
1.07
5.00
3.31
1.11
0.964
Nota. Las puntuaciones corresponden al promedio de los ítems por dimensión (escala Likert 1–
5). M = media; DE = desviación estándar; α = alfa de Cronbach. El valor mínimo de continuidad
(1.07) se explica por el cálculo mediante promedios de ítems.
En términos de confiabilidad, ambas dimensiones mostraron alta consistencia interna
(IA: α = 0.979; continuidad: α = 0.964), lo cual respalda la estabilidad de los puntajes
compuestos utilizados para el análisis inferencial (Cronbach, 1951).
En la dimensión de IA, los promedios más bajos se observaron en ítems vinculados con
capacitación, habilidades para manejar plataformas y apoyo técnico/institucional (p. ej.,
“He recibido capacitación…”, M = 2.16), lo que sugiere limitaciones en condiciones
habilitantes para el uso pedagógico de estas herramientas (ver Tabla 2).
Tabla 2
Estadísticos descriptivos por ítem: uso/condiciones para el uso de IA
Ítem
Enunciado
M
DE
IA_01
Conozco al menos una herramienta educativa basada en inteligencia artificial.
2.64
1.34
IA_02
Uso herramientas de IA al menos una vez por semana para apoyar mi aprendizaje.
2.61
1.31
IA_03
Utilizo la IA principalmente para tutorías, retroalimentación o evaluación automatizada.
2.39
1.25
IA_04
Las plataformas educativas con IA que conozco son accesibles y fáciles de usar.
2.51
1.35
IA_05
Tengo experiencia práctica utilizando herramientas con inteligencia artificial.
2.31
1.21
IA_06
Tengo acceso frecuente a un dispositivo con conexión a internet.
2.69
1.46
IA_07
Cuento con habilidades suficientes para manejar plataformas con IA.
2.27
1.27
IA_08
Me siento cómodo/a usando tecnologías educativas con IA sin ayuda constante.
2.49
1.28
IA_09
He recibido capacitación sobre el uso de tecnologías con IA.
2.16
1.27
IA_10
Cuento con apoyo técnico o institucional cuando tengo dificultades tecnológicas.
2.27
1.26
IA_11
La IA me ayuda a comprender mejor los contenidos educativos.
2.49
1.29
IA_12
Me permite aprender a mi ritmo, según mis necesidades.
2.59
1.30
IA_13
Me ofrece explicaciones claras o ejemplos cuando tengo dudas.
2.54
1.28
IA_14
Recibo retroalimentación inmediata de las herramientas de IA.
2.37
1.28
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
101
Artículo Cientíco
IA_15
Usar IA me motiva más que métodos tradicionales de aprendizaje.
2.41
1.23
Nota. n = 94. Escala Likert 1–5. M = media; DE = desviación estándar.
En continuidad educativa, los promedios más altos se ubicaron en comportamientos de
permanencia (p. ej., “Asisto regularmente…”, M = 3.91) y en intención de culminación
(“Tengo la intención firme de terminar…”, M = 3.80), mientras que los más bajos se
asociaron a orientación o apoyo para seguir estudiando (p. ej., “He recibido orientación
o apoyo…”, M = 3.03) (ver Tabla 3).
Tabla 3
Estadísticos descriptivos por ítem: continuidad educativa
Ítem
Enunciado
M
DE
CE_01
Asisto regularmente a mis clases presenciales o virtuales.
3.91
1.16
CE_02
Dedico al menos una hora diaria a mis actividades escolares.
3.39
1.25
CE_03
Participo activamente en tareas, foros u otras actividades académicas.
3.19
1.29
CE_04
Rara vez dejo tareas escolares sin entregar.
3.06
1.28
CE_05
Interactúo frecuentemente con docentes y tutores para aclarar dudas.
3.16
1.31
CE_06
Tengo la intención firme de terminar el bachillerato.
3.80
1.33
CE_07
Planeo estudiar en una universidad o instituto después de graduarme.
3.41
1.48
CE_08
Estoy interesado/a en capacitarme más allá de mis estudios formales.
3.34
1.37
CE_09
Me autoevalúo constantemente para mejorar mi desempeño académico.
3.07
1.44
CE_10
Tengo confianza en que alcanzaré mis metas educativas.
3.60
1.35
CE_11
Asisto con mayor frecuencia a clases ahora que antes.
3.05
1.35
CE_12
Mi rendimiento académico ha mejorado en comparación con años anteriores.
3.23
1.39
CE_13
Ya no tengo tantas dificultades para estudiar como antes.
3.16
1.42
CE_14
He recibido orientación o apoyo que me ha ayudado a continuar estudiando.
3.03
1.51
CE_15
Siento que tengo las mismas oportunidades educativas que otros estudiantes.
3.24
1.48
Nota. n = 94. Escala Likert 1–5. M = media; DE = desviación estándar.
Este patrón es coherente con la distinción entre motivación/compromiso del estudiante
y disponibilidad efectiva de apoyos institucionales (Ministerio de Educación del Ecuador,
2024).
El análisis bivariado mostró una asociación positiva fuerte entre el uso/condiciones de
IA y la continuidad educativa, tanto con Pearson (r = .694, p < .001) como con Spearman
(ρ = .687, p < 0.001) (ver Tabla 4).
Tabla 4
Correlaciones entre uso/condiciones de IA y continuidad educativa
Variables
n
r (Pearson)
p
ρ (Spearman)
p
IA (promedio) – Continuidad educativa (promedio)
94
.694
< .001
.687
< .001
Nota. r = correlación de Pearson; ρ = correlación de Spearman. Los puntajes corresponden al
promedio de ítems por dimensión (escala 1–5). Nivel de significación: p < .05.
De acuerdo con criterios convencionales para interpretar tamaños de efecto en
correlaciones, el resultado corresponde a un efecto grande, lo que indica una relación
sustantiva entre ambas dimensiones en la muestra (Cohen, 1988).
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
102
Artículo Cientíco
El modelo de regresión lineal simple fue estadísticamente significativo (F(1, 92) = 85.30,
p < .001) y explicó el 48% de la varianza de la continuidad educativa (R² = .48). El
uso/condiciones de IA predijo de manera positiva la continuidad educativa (B = 0.678,
EE = 0.073, t = 9.24, p < .001, IC95% [.533, .824]). En términos prácticos, un incremento
de 1 punto en el promedio de IA (escala 1–5) se asoció con un incremento aproximado
de 0.68 puntos en el promedio de continuidad educativa (escala 1–5), lo cual es
consistente con el patrón lineal observado en la dispersión (ver Figura 1)
Figura 1
Diagrama de dispersión y recta de regresión entre IA y continuidad educativa.
Nota: Nota: Elaborado por los autores
4. Discusión
Los resultados sugieren que mejores condiciones y mayor uso de IA se asocian con
mayores niveles de continuidad educativa y, además, que la IA funciona como un
predictor estadísticamente significativo de la continuidad en la muestra. Esta evidencia
es congruente con marcos internacionales que sostienen que la IA puede fortalecer
trayectorias educativas al potenciar personalización, retroalimentación oportuna y
apoyos adaptativos, siempre que exista mediación pedagógica y condiciones de
implementación (OECD, 2021; UNESCO, 2023). En el contexto del estudio, la magnitud
de la asociación (r ≈ .69) respalda que la dimensión IA no opera de forma marginal, sino
vinculada de manera sustantiva a indicadores de permanencia y compromiso escolar
(Cohen, 1988).
Un hallazgo relevante es el contraste entre una continuidad educativa moderada (M =
3.31) y niveles más bajos de uso/condiciones de IA (M = 2.45), lo cual sugiere que,
aunque los estudiantes reportan intención y asistencia relativamente favorables, la
integración de IA podría estar condicionada por brechas formativas y de soporte
institucional. Esto dialoga con advertencias de organismos internacionales: el impacto
educativo de la IA depende críticamente de infraestructura, formación docente,
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
103
Artículo Cientíco
acompañamiento y gobernanza de datos, especialmente en contextos vulnerables
donde la brecha digital persiste (OECD, 2021; UNESCO, 2023). A nivel nacional, estos
desafíos se alinean con el enfoque de prevención y reinserción que requiere acciones
articuladas y sostenibles para sostener trayectorias (Ministerio de Educación del
Ecuador, 2024).
Desde una perspectiva pedagógica, el modelo predictivo (R² = .48) sugiere que
fortalecer condiciones de uso de IA (acceso, habilidades y apoyo) podría relacionarse
con mejoras importantes en continuidad educativa. Esto es consistente con literatura
que enfatiza que herramientas adaptativas y tutorías inteligentes pueden sostener
motivación y persistencia cuando reducen la frustración y ofrecen retroalimentación
oportuna, en lugar de reemplazar la interacción educativa humana (UNESCO, 2023).
En términos de implementación, los promedios por ítem que reflejan déficits de
capacitación y apoyo técnico apuntan a que la prioridad no es solo “incorporar
herramientas”, sino consolidar un ecosistema pedagógico que habilite su uso
significativo (BID, 2025; OECD, 2021).
La contribución principal del trabajo radica en aportar evidencia empírica reciente, con
un instrumento de alta consistencia interna (α > .96), sobre la relación entre
uso/condiciones de IA y continuidad educativa en bachillerato. La novedad se sitúa en
el énfasis de “condiciones de uso” como variable educativa relevante, lo cual permite
orientar intervenciones hacia factores modificables (formación, soporte, conectividad)
más que hacia explicaciones exclusivamente estructurales (UNESCO, 2023). No
obstante, es necesario subrayar el carácter potencialmente controversial del uso de IA:
sin marcos éticos y protección de datos, estas soluciones pueden amplificar sesgos y
vulneraciones de privacidad, especialmente en poblaciones vulnerables (UNESCO,
2021, 2023).
Los hallazgos deben interpretarse considerando limitaciones típicas de estudios
transversales: (a) no permiten inferir causalidad, (b) se basan en autoinforme, y (c) el
muestreo no probabilístico restringe la generalización. Adicionalmente, al provenir
ambas variables del mismo instrumento, es posible la presencia de varianza de método
común, por lo que se recomienda complementar con indicadores objetivos (asistencia
real, calificaciones, registros de plataforma) y diseños longitudinales (Rumberger, 2011).
En futuras investigaciones, resulta pertinente evaluar modelos multivariados (p. ej.,
incorporando conectividad, nivel socioeconómico, apoyo familiar, ruralidad) y enfoques
mixtos para comprender mecanismos y condiciones contextuales de implementación
(OECD, 2021; Ministerio de Educación del Ecuador, 2024).
En términos aplicados, los resultados respaldan tres líneas de acción: (1) programas de
formación docente y alfabetización estudiantil en IA con enfoque pedagógico; (2)
fortalecimiento de soporte técnico e infraestructura mínima en territorios vulnerables; y
(3) integración de IA a estrategias institucionales de prevención y reinserción, por
ejemplo, articulada con rutas de acompañamiento para sostener trayectorias escolares.
De este modo, el estudio se alinea con una línea de investigación sobre innovación
educativa y continuidad escolar basada en evidencia, aportando un marco empírico para
decisiones pedagógicas y de política pública (UNESCO, 2023).
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
104
Artículo Cientíco
5. Conclusiones
Los resultados evidenciaron una relación positiva y fuerte entre el uso/condiciones para
el uso de IA y la continuidad educativa en estudiantes de bachillerato (r = 0.694; ρ =
0.687; p < 0.001), lo que respalda que ambas dimensiones se asocian de manera
sustantiva en la muestra.
El modelo predictivo confirmó que el uso/condiciones de IA predice significativamente la
continuidad educativa (B = 0.678, IC95% [0.533, 0.824]; R² = .48; p < 0.001), sugiriendo
que mejores condiciones de acceso, habilidades y apoyo para IA se vinculan con
mayores niveles de permanencia y progresión escolar.
A nivel descriptivo, se observaron puntajes moderados de continuidad educativa (M =
3.31, DE = 1.11) y más bajos en uso/condiciones de IA (M = 2.45, DE = 1.14), lo cual
indica un escenario donde la continuidad puede fortalecerse si se mejoran condiciones
habilitantes de uso de IA, especialmente capacitación y soporte técnico, que
concentraron valores relativamente bajos.
La alta consistencia interna de las dimensiones (α IA = 0.979; α continuidad = 0.964)
respalda la fiabilidad de los puntajes empleados y aporta solidez metodológica para la
interpretación de los hallazgos.
En términos aplicados, el estudio sugiere que la IA puede contribuir a la continuidad
educativa solo si se implementa con enfoque pedagógico y ético, articulada a estrategias
institucionales de acompañamiento, formación docente y reducción de brechas de
conectividad; de lo contrario, su potencial puede verse limitado por desigualdades
estructurales.
Referencias Bibliográficas
Arias Ortiz, E., Cristia, J. P., Hincapié, D., & Rivera, L. (2025). Inteligencia artificial y
educación: Construyendo el futuro mediante la transformación digital. Banco
Interamericano de Desarrollo. https://doi.org/10.18235/0013500
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.).
Lawrence Erlbaum Associates.
De León Nazareno, D. O. (2024). Brecha educativa en tecnología y su influencia en la
transformación digital en Ecuador. Serie Científica de la Universidad de las Ciencias
Informáticas, 17(11), 163-186. http://publicaciones.uci.cu/
Duran-González, K. A., Muñoz-Guadamud, M. L., Solorzano-Cedeño, O. P., &
Gallardo-Loor, A. P. (2025). Competencias Digitales Docentes y su Impacto
en la Práctica Pedagógica. Innova Science Journal,3(E1), 143-157.
https://doi.org/10.63618/omd/isj/v3/nE1/185
Ganchozo-Loor, M. V., Párraga-Gallardo, J. L., Alcívar Cedeño, D. S., & Vera Vera, V.
J. (2025). Inteligencia artificial y aprendizaje significativo en contextos rurales: una
revisión crítica de la literatura. Innova Science Journal, 3(2).
https://doi.org/10.63618/omd/isj/v3/n2/56
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026| www.innovasciencejournal.omeditorial.com
105
Artículo Cientíco
García-Pacheco, M. A., & Crespo-Asqui, J. D. (2025). La inteligencia artificial en la
educación: Hacia un aprendizaje personalizado. Revista Iberoamericana de
Investigación en Educación, (9). https://doi.org/10.58692/riied.v9i0.267
Garrido-Miranda, J., & Polanco Madariaga, M. (2020). La voz de los estudiantes en
riesgo de abandono escolar. Su visión sobre el profesorado. Perfiles Educativos,
42(170), 6–21. https://doi.org/10.22201/iisue.24486167e.2020.170.59512
Herrera-Sánchez, M. J., Casanova-Villalba, C. I., Concha-Ramirez, J. A., & López-
Pérez, P. J. (2024). Impacto de la inteligencia artificial en los procesos de
auditoría contable. Innova Science Journal,2(1), 1-14.
https://doi.org/10.63618/omd/isj/v2/n1/28.
Juna-Pozo, L. P. (2025). Percepciones sobre la inteligencia artificial analizadas con
componentes principales y regresión multinomial. Innova Science Journal,3(E1),
289-302. https://doi.org/10.63618/omd/isj/v3/nE1/194
Maldonado Peñaranda, R., & Soledispa Pereira, S. J. (2024). Factores de deserción
escolar de los estudiantes de la Unidad Educativa Leónidas Plaza km. 20. Revista
Científica Multidisciplinaria SAPIENTIAE, 7(14), 175–185.
https://doi.org/10.56124/sapientiae.v7i14.0012
Ministerio de Educación del Ecuador. (2024). Plan nacional “Cuidamos de ti”: Para
prevenir los casos de abandono escolar y la promoción de la reinserción en el
Sistema Nacional de Educación. Ministerio de Educación del Ecuador.
Muñoz Olvera, G. R., Carriel, N. D., Campuzano Vásquez, J. A., & Luna Romero, Á. E.
(2024). Acceso a internet en el Cantón Balsas, provincia El Oro, Ecuador. In 22nd
LACCEI International Multi-Conference for Engineering, Education, and
Technology: “Sustainable Development: The Role of Engineering and Technology
in a Globalized World”. https://doi.org/10.18687/LACCEI2024.1.1.465
Ocaña-Fernández, Y., Valenzuela-Fernández, L. A., & Garro-Aburto, L. L. (2023).
Inteligencia artificial y sus implicaciones en la educación superior. Propósitos y
Representaciones, 11(1). http://dx.doi.org/10.20511/pyr2019.v7n2.274
Organisation for Economic Co-operation and Development (OECD). (2021). OECD
digital education outlook 2021: Pushing the frontiers with AI, blockchain and robots.
OECD Publishing.
United Nations Educational, Scientific and Cultural Organization (UNESCO). (2023).
Guidance for generative AI in education and research. UNESCO.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.