Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
115
Artículo Cientíco
Inteligencia Artificial generativa como estrategia didáctica
para la comprensión lectora en estudiantes de séptimo EGB,
Ecuador.
Generative AI as a didactic strategy for reading comprehension in seventh
grade students, Ecuador.
Gallo-Saldarriaga, Keyla Guadalupe1; Cabero-Fajardo, Omaida Nataly2; Aguilar-Herrera, Jairo
Vladimi3; Delgado-Ramirez, Jorge Cristopher4.
1 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0009-0009-
2338-4186; kgallos@unemi.edu.ec
2 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0009-0008-
8230-0723; ocaberof@unemi.edu.ec
3 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0009-0004-
2869-3838; jaguilarh6@unemi.edu.ec
4 Universidad Estatal de Milagro; Ecuador, Machala; https://orcid.org/0000-0002-
0123-4031; jdelgador9@unemi.edu.ec
1 Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n2/259
Resumen: La investigación tuvo como objetivo analizar la relación entre el uso de la Inteligencia
Artificial (IA) generativa como estrategia didáctica y el fortalecimiento de la comprensión lectora
en estudiantes de séptimo grado de Educación General Básica. Se desarrolló bajo un enfoque
cuantitativo, con alcance descriptivo-correlacional y diseño no experimental de corte transversal.
La muestra estuvo conformada por 36 estudiantes de la Unidad Educativa “Juan León Mera”,
en Montalvo, Ecuador, a quienes se aplicó un cuestionario estructurado según las dimensiones
de los modelos TAM y TPACK. Los resultados evidenciaron que el 44,4% utiliza la IA con
frecuencia, principalmente como apoyo para comprender conceptos complejos. Se identificó una
mejora percibida más significativa en el nivel literal de comprensión lectora (44,4%), mientras
que el nivel inferencial presentó avances moderados (30,6%). Además, el 55,6% reportó un
incremento en su motivación y hábitos lectores. Se concluye que la IA generativa puede
constituirse en un recurso pedagógico que favorece el rendimiento académico y el compromiso
estudiantil, siempre que su implementación responda a un diseño didáctico orientado al
desarrollo del pensamiento crítico y la construcción profunda de significado.
Palabras clave: Inteligencia Artificial Generativa; Estrategia Didáctica; Comprensión Lectora;
EGB; Educación Digital.
Abstract: The objective of the research was to analyze the relationship between the use of
generative Artificial Intelligence (AI) as a teaching strategy and the strengthening of reading
comprehension in seventh-grade students in General Basic Education. It was developed using
a quantitative approach, with a descriptive-correlational scope and a non-experimental cross-
sectional design. The sample consisted of 36 students from the Juan León Mera Educational
Unit in Montalvo, Ecuador, who were given a structured questionnaire based on the TAM and
TPACK models. The results showed that 44.4% use AI frequently, mainly as a support for
understanding complex concepts. A more significant perceived improvement was identified in
the literal level of reading comprehension (44.4%), while the inferential level showed moderate
progress (30.6%). In addition, 55.6% reported an increase in their motivation and reading habits.
It is concluded that generative AI can be a pedagogical resource that promotes academic
performance and student engagement, provided that its implementation responds to a didactic
design oriented toward the development of critical thinking and the deep construction of meaning.
Keywords: Generative Artificial Intelligence; Didactic Strategy; Reading Comprehension;
Primary Education; Digital Education.
Cita: Gallo-Saldarriaga, K. G.,
Cabero-Fajardo, O. N., Aguilar-
Herrera, J. V., & Delgado-
Ramirez, J. C. (2026). Inteligencia
Artificial generativa como
estrategia didáctica para la
comprensión lectora en
estudiantes de séptimo EGB,
Ecuador. Innova Science
Journal, 4(2), 115-
122. https://doi.org/10.63618/omd
/isj/v4/n2/259
Recibido: 28/10/2025
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
116
Artículo Cientíco
1. Introducción
La comprensión lectora se constituye como una capacidad fundamental en la educación
básica, al permitir que el estudiante construya significado, integre ideas e infiera
información implícita, configurando un modelo mental coherente que sustenta el
aprendizaje en todas las áreas curriculares. No obstante, la literatura científica advierte
que persisten deficiencias críticas en esta competencia, especialmente en contextos
donde los métodos de enseñanza, el acceso tecnológico y las condiciones
socioeconómicas presentan limitaciones significativas (Palacios Villanes, 2023). Desde
una perspectiva conceptual, comprender implica un proceso activo de construcción de
significado a partir del texto, mediante la identificación de ideas, la integración de
información y la elaboración de inferencias apoyadas en el conocimiento previo
(Vásquez, 2022). En este sentido, la comprensión no equivale a la mera memorización
de frases, sino a la consolidación de una representación mental significativa del
contenido (Huamancha-Aguilar et al., 2026).
Asimismo, la comprensión lectora no es una habilidad monolítica, sino el resultado de la
interacción entre la decodificación técnica y la comprensión del lenguaje; aunque las
tecnologías pueden mitigar barreras de acceso al texto, la construcción de un modelo
mental coherente depende de la competencia lingüística subyacente (García-Sánchez
& Martínez-Ferrer, 2024). Este constructo multidimensional se despliega en niveles
literal, inferencial y crítico, siendo este último indispensable en entornos digitales donde
el estudiante debe evaluar la información y ejercer vigilancia epistémica (Quintana-
Espinoza & Silva-Sánchez, 2026). La evidencia muestra, además, que las habilidades
lectoras predicen la capacidad de evaluar información en búsquedas en internet,
reforzando la importancia de la comprensión crítica en contextos mediados por
herramientas digitales (Hahnel et al., 2018). De igual forma, la competencia lectora actúa
como eje transversal del rendimiento académico y favorece la transferencia de
habilidades hacia otras áreas del currículo (Vera-Alvarado et al., 2025).
En paralelo, la educación ha incorporado progresivamente tecnologías basadas en
inteligencia artificial (IA), destacándose la IA generativa como una vertiente disruptiva
sustentada en modelos de lenguaje capaces de producir texto, explicar conceptos y
generar materiales educativos (Duran-González et al., 2025). Estas herramientas
pueden desempeñar funciones de tutoría, práctica guiada, retroalimentación y
personalización; sin embargo, también presentan riesgos como errores o
“alucinaciones”, sesgos, opacidad, problemas de privacidad y dependencia del
estudiante (Kasneci et al., 2023). Las revisiones recientes reportan un crecimiento
acelerado de estudios empíricos desde 2022, con beneficios potenciales en rendimiento
y participación, pero con preocupaciones persistentes relacionadas con fiabilidad,
equidad y uso ético (Shi et al., 2026). En el ámbito K-12, se subraya que la efectividad
de la IA generativa depende de factores de implementación como el acompañamiento
docente, el diseño de actividades y el acceso tecnológico (Alfarwan, 2025).
Desde el punto de vista teórico, la IA generativa puede funcionar como andamiaje
(scaffolding) cuando apoya al estudiante en tareas que aún no domina, ofreciendo
explicaciones alternativas, generación de preguntas, resumen, simulación de diálogo
tutorial y retroalimentación inmediata (Floridi & Chiriati, 2020). No obstante, su valor
pedagógico no está garantizado por la tecnología en sí misma, sino por un diseño
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
117
Artículo Cientíco
didáctico sólido que defina el rol de la herramienta, los criterios de calidad y las formas
de evaluación. En este marco, la integración efectiva exige articular conocimiento
tecnológico, pedagógico y disciplinar, tal como lo plantea el modelo TPACK, así como
una implementación curricular alineada con objetivos claros (Alqarni, 2026). Además,
estudios sobre generación automática de preguntas evidencian efectos positivos en
comprensión lectora cuando la interrogación guiada se diseña adecuadamente (Steuer
et al., 2022), aunque se advierte que el uso inadecuado, por ejemplo, delegar el esfuerzo
cognitivo en la herramienta puede producir aprendizajes superficiales.
La literatura sobre aceptación tecnológica señala, asimismo, que la adopción depende
de la utilidad y facilidad de uso percibidas, variables que se vinculan con la accesibilidad
y las condiciones de implementación. En consecuencia, el uso educativo de IA
generativa puede analizarse a través de dimensiones como accesibilidad tecnológica,
estrategias didácticas apoyadas por IA, capacitación docente, motivación estudiantil y
evaluación del aprendizaje mediada por retroalimentación automática, todas ellas
potencialmente relacionadas con la comprensión lectora. Teóricamente, la IA podría
favorecer la comprensión literal mediante apoyo al vocabulario y explicación de ideas;
la comprensión inferencial a través de preguntas y prompts de reflexión; la comprensión
crítica mediante contraste de argumentos; y la autorregulación mediante
retroalimentación formativa inmediata y personalización de textos y actividades.
Pese a estas bases teóricas y empíricas, la evidencia en contextos específicos de
Educación General Básica (EGB) sigue siendo limitada, especialmente en escenarios
latinoamericanos. Por ello, la presente investigación examina la relación entre el uso de
IA generativa como estrategia didáctica y la comprensión lectora en estudiantes de
séptimo grado de la Unidad Educativa “Juan León Mera”, en el cantón Montalvo,
Ecuador. En coherencia con el marco conceptual expuesto, se plantea como hipótesis
general que existe una relación estadísticamente significativa entre el uso de IA
generativa en educación y la comprensión lectora en estudiantes de 7.º EGB, así como
hipótesis específicas vinculadas con la accesibilidad tecnológica, las estrategias
didácticas apoyadas por IA, la capacitación docente percibida, la motivación estudiantil
y la evaluación del aprendizaje mediada por IA. De este modo, el estudio busca aportar
evidencia empírica que oriente una integración responsable, crítica y pedagógicamente
fundamentada de la IA generativa en el sistema educativo.
2. Materiales y Métodos
2.1. Diseño de investigación
La presente investigación se desarrolló bajo un enfoque cuantitativo, de tipo descriptivo-
correlacional y con un diseño no experimental de corte transversal. Es descriptiva
porque busca caracterizar las dimensiones del uso de la IA y los niveles de comprensión
lectora, y correlacional porque pretende determinar el grado de relación entre ambas
variables en los estudiantes de 7.º EGB.
2.2. Población y muestra
• Población: Estudiantes de Educación General Básica (EGB).
• Muestra: La muestra es de tipo no probabilística por conveniencia, conformada
por 36 estudiantes de 7.º año de EGB. Paralelos “A” y “B” La elección de este
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
118
Artículo Cientíco
grupo se justifica en que la comprensión lectora en este nivel es un objetivo
central para el desempeño en múltiples áreas curriculares.
2.3. Operacionalización de variables
• Variable Independiente (Uso de IA Generativa): Se analizó a través de las
dimensiones de accesibilidad tecnológica, estrategias didácticas, capacitación
docente percibida, motivación y evaluación apoyada por IA.
• Variable Dependiente (Comprensión Lectora): Se evaluó mediante la
percepción de mejora en los niveles literal, inferencial y crítico, además de los
hábitos lectores y el rendimiento académico.
2.4. Instrumento de recolección de datos
Se utilizó la técnica de la encuesta a través de un cuestionario estructurado en Google
Forms. El instrumento consta de preguntas cerradas organizadas según las
dimensiones teóricas:
• Dimensión Tecnológica y Pedagógica: Basada en los modelos TAM y TPACK
para medir utilidad, facilidad y rol docente.
• Dimensión Cognitiva: Basada en modelos de construcción de significado e
inferencias para medir la competencia lectora.
3. Resultados
El análisis de los resultados se presenta siguiendo la estructura de las variables de
estudio, utilizando frecuencias absolutas y porcentajes para describir la situación de los
36 estudiantes evaluados. LA IA generativa como variable independiente se midió a
través de la frecuencia de uso, la facilidad percibida y el rol docente, factores clave en
los modelos de aceptación tecnológica.
Tabla 1
Frecuencia de uso y percepción de la IA
Categoría
Frecuencia (n)
Porcentaje (%)
Frecuente
16
44.4%
Ocasional
10
27.8%
Rara vez
10
27.8%
Muy fácil / Fácil
24
66.7%
Neutral
9
25.0%
Difícil
3
8.3%
Alta
16
44.4%
Media
16
44.4%
Baja
4
11.2%
Nota: Elaborado por los autores
Como se observa en la Tabla 1, existe un alto nivel de aceptación y facilidad percibida,
lo que sugiere que la barrera técnica es baja para este grupo de EGB. La percepción de
una capacitación docente mayoritariamente media-alta fundamenta el uso de la IA como
un recurso guiado y no meramente autónomo.
Para la comprensión lectora se evaluó la percepción de mejora en los tres niveles
fundamentales del proceso lector: literal, inferencial y crítico.
Se puede enunciar que los niveles de mejora percibida en comprensión lectora
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
119
Artículo Cientíco
• Comprensión Literal: 16 estudiantes (44.4%) perciben una mejora alta en la
identificación de datos explícitos.
• Comprensión Inferencial: Es el nivel con menores puntajes de mejora "alta"
(30.6%), lo que coincide con la teoría de que construir un modelo mental
profundo requiere un mayor esfuerzo cognitivo que la IA no siempre sustituye.
• Comprensión Crítica: Un 38.9% reporta una mejora significativa, indicando que
el uso de IA fomenta la vigilancia epistémica y la evaluación de fuentes en
entornos digitales.
3.1. Relación entre Estrategias de IA y Rendimiento
Un hallazgo relevante es la correlación percibida entre el tipo de actividad realizada con
la IA y el rendimiento académico final en la asignatura de Lengua y Literatura.
Tabla 2
Actividades con IA y Rendimiento Académico
Actividad Principal con IA
n
%
Mejora de Notas (Alta)
Explicación de temas difíciles
15
41.7%
11
Generación de resúmenes
11
30.6%
3
Creación de ejercicios
6
16.7%
2
Retroalimentación inmediata
4
11.1%
0
Total
36
100%
16 (44.4%)
Nota: Elaborado por los autores
Los datos de la Tabla 2 sugieren que la IA es más efectiva para el rendimiento cuando
se utiliza como andamiaje para la comprensión (explicación de temas) que cuando se
usa para tareas de síntesis mecánica como resúmenes. Esto refuerza tu base teórica
sobre la importancia del diseño didáctico.
3.2. Motivación y Hábitos Lectores
Finalmente, el 55.6% (20 estudiantes) manifestó que su interés por las actividades
escolares aumentó "Mucho" tras incorporar la IA. Este incremento motivacional se
traduce en una mejora percibida de los hábitos lectores en el 47.2% de la muestra,
validando la vía indirecta entre tecnología, participación y competencia lectora descrita
en la literatura.
4. Discusión
Los resultados obtenidos en este estudio con 36 estudiantes de 7.º EGB permiten
contrastar la teoría existente sobre la Inteligencia Artificial (IA) generativa y la
comprensión lectora, revelando puntos de convergencia y matices importantes.
En primer lugar, los datos confirman la relevancia del Modelo de Aceptación Tecnológica
(TAM). La alta facilidad de uso percibida (66.7%) y el uso frecuente (44.4%) coinciden
con lo planteado por Alfarwan (2025), quien señala que la adopción de la IA en K-12
depende directamente de la accesibilidad y la experiencia del usuario. Sin embargo, el
hecho de que el 25% de los estudiantes mantenga una postura neutral sobre la facilidad
sugiere que, incluso en entornos digitales, la brecha de habilidades técnicas persiste y
puede condicionar el aprendizaje.
Respecto a la comprensión lectora, se observa una asimetría entre los niveles literal e
inferencial. Mientras que el 44.4% reporta mejoras significativas en el nivel literal, solo
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
120
Artículo Cientíco
el 30.6% lo hace en el inferencial. Este hallazgo respalda la tesis de Huamancha-Aguilar
et al. (2026), quienes sostienen que la comprensión no es solo captar ideas sueltas, sino
construir modelos mentales profundos. La IA parece ser efectiva para el "andamiaje" de
vocabulario y datos explícitos (nivel literal), pero menos capaz de sustituir el esfuerzo
cognitivo complejo necesario para "llenar los vacíos" del autor (nivel inferencial).
Un punto crítico de la discusión es el rol docente y el marco TPACK. Los resultados
muestran que cuando la IA se utiliza para la "explicación de temas difíciles", la
percepción de mejora académica es mayor que cuando se usa para generar resúmenes
automáticos. Esto valida la advertencia de Kasneci et al. (2023) y Steuer et al. (2022):
el valor pedagógico no reside en la tecnología per se, sino en el diseño didáctico y el
acompañamiento docente que evita que el estudiante delegue su pensamiento crítico
en la herramienta.
Finalmente, el aumento del interés escolar en el 55.6% de los alumnos sugiere que la
IA actúa como un catalizador motivacional. Según García-Sánchez & Martínez-Ferrer
(2024), esta motivación es un predictor clave del éxito léxico y los hábitos lectores. No
obstante, se debe considerar el riesgo de "sobredependencia" mencionado por Shi et
al. (2026), ya que una motivación basada únicamente en la novedad tecnológica podría
no traducirse en una competencia lectora sostenible a largo plazo si no se fomenta la
lectura por placer fuera de las plataformas digitales.
5. Conclusiones
Se acepta la hipótesis general, ya que existe una relación positiva percibida entre el uso
de IA generativa y la comprensión lectora en los estudiantes de 7.º EGB. El 44.4% de
los alumnos reporta una mejora alta en sus calificaciones y un aumento significativo en
su desempeño lector.
La facilidad de uso y la accesibilidad tecnológica actúan como condicionantes del
aprendizaje. El hecho de que un 66.7% considere la herramienta fácil de usar valida el
modelo TAM, sugiriendo que una baja barrera técnica facilita que el estudiante se
concentre en el contenido y no solo en el manejo del sistema.
La IA es más efectiva cuando se emplea como andamiaje para explicar conceptos
complejos que cuando se usa para tareas mecánicas. Los resultados demuestran que
las estrategias que promueven la reflexión, como la lectura guiada, tienen una mayor
incidencia en el rendimiento que la simple generación de resúmenes.
La percepción de los estudiantes sobre la preparación de sus maestros (88.8% entre
media y alta) es fundamental para una integración segura y pedagógica. Esto confirma
que el éxito de la IA en el aula depende del conocimiento integrado del docente bajo el
marco TPACK.
El uso de IA generativa incrementa el nivel de interacción escolar en más de la mitad de
la muestra (55.6%). Esta mejora en la motivación se vincula indirectamente con la
consolidación de hábitos lectores, los cuales son el predictor más fuerte de éxito léxico
y académico a largo plazo.
Si bien la IA favorece notablemente la comprensión literal (44.4%), su impacto en la
comprensión inferencial es menor (30.6%). Esto concluye que la tecnología apoya la
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
121
Artículo Cientíco
base textual, pero la construcción de modelos mentales profundos sigue requiriendo una
intervención pedagógica específica que evite la sobre dependencia cognitiva.
Referencias Bibliográficas
Alfarwan, A. (2025). Generative AI use in K-12 education: A systematic review. Frontiers
in Education, 10, 1647573. https://doi.org/10.3389/feduc.2025.1647573
Alqarni, T. (2026). Teachers’ perceptions of generative AI in inclusive classrooms:
enhancing engagement for students with learning disabilities. Springer Nature,
25(22). https://doi.org/10.1007/s10209-025-01301-8
Delgado, P., Vargas, C., Ackerman, R., & Salmerón, L. (2018). Don’t throw away your
printed books: A meta-analysis on the effects of reading media on reading
comprehension. Educational Research Review, 25, 23–38.
https://doi.org/10.1016/j.edurev.2018.09.003
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
Echeverría, Q. B., & Otero, M. L. (2025). Inteligencia Artificial Generativa como
herramienta pedagógica: una revisión sistemática sobre su impacto en los procesos
de enseñanza-aprendizaje. Revista Científica Multidisciplinar SAGA, 2(3). Obtenido
de https://revistasaga.org/index.php/saga/article/view/223?utm_source
Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences.
Minds and Machines, 30, 681–694. https://doi.org/10.1007/s11023-020-09548-1
García, Á. & Martínez-Ferrer, J. (2024). Comprensión lectora en la era digital: Una
revisión sistemática de estrategias innovadoras y tecnologías educativas. Revista
Andina de Educación, 7(2), e20240721.
https://doi.org/10.32719/26312816.2024.7.2.1
Ghimire, A., Prather, J., & & Edwards, J. (2024). Generative AI in Education: A study of
educators’ awareness, sentiments, and influencing factors. Obtenido de arXiv.org:
https://arxiv.org/abs/2403.15586
Hahnel, C., Goldhammer, F., Kröhne, U., & Naumann, J. (2018). The role of reading
skills in the evaluation of online information gathered from search engine
environments. Computers in Human Behavior, 78, 223–234.
https://doi.org/10.1016/j.chb.2017.10.004
Huamancha-Aguilar, Martha Marisol, Mallma-Cayo, Juan Sony Ray, Quispe-Chuquiray,
Lorenza Emilia, & Pimentel, Ruth Vargas. (2026). Teorías sobre la comprensión
lectora: una revisión teórica de modelos. Revista InveCom, 6(3), e603006. Epub 30
de octubre de 2025. https://doi.org/10.5281/zenodo.17188890
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., et al.
(2023). ChatGPT for good? On opportunities and challenges of large language
models for education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.02 | Abril – Jun |2026 |www.innovasciencejournal.omeditorial.com
122
Artículo Cientíco
Palacios Villanes, A. M. (2023). Inteligencia artificial y comprensión lectora. Revista
Científica Germinal, 1(5). Obtenido de
https://revistas.uncp.edu.pe/index.php/germinal/article/view/1831?utm_source
Quintana-Espinoza, J. E., & Silva-Sánchez, M. (2026). Uso de la Inteligencia Artificial
para Potenciar la Comprensión Lectora en Estudiantes de Educación
Básica.Innova Science Journal,4(1), 178-191.
https://doi.org/10.63618/omd/isj/v4/n1/220
Shi, Y., Yu, K., Dong, Y., & Chen, F. (2026). Large language models in education: A
systematic review of empirical applications, benefits, and challenges. Computers
and Education: Artificial Intelligence, 10, 100529.
https://doi.org/10.1016/j.caeai.2025.100529
Steuer, T., Filighera, A., Tregel, T., & Miede, A. (2022). Educational automatic question
generation improves reading comprehension in non-native speakers: A learner-
centric case study. Frontiers in Artificial Intelligence, 5, 900304.
https://doi.org/10.3389/frai.2022.900304
Vásquez Sierra, A. J. (2022). Comprensión lectora: fundamentos teóricos y estrategias
de acercamiento al texto. Ciencia Latina Revista Científica Multidisciplinar, 6(4),
618-633. https://doi.org/10.37811/cl_rcm.v6i4.2607
Vera Alvarado, L. J., Navarrete Vilatuña, V. H., Jiménez Campoverde, J. A., & Ramírez
Coello, K. J. (2025). Estrategia de lectura comprensiva para mejorar el rendimiento
académico en estudiantes de segundo año. Código Científico Revista De
Investigación, 6(1), 1913–1919. https://doi.org/10.55813/gaea/ccri/v6/n1/981
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.