Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026 | www.innovasciencejournal.omeditorial.com
33
Artículo Científico
Aprendizaje personalizado con IA generativa para enseñar
la conservación de la energía mecánica según niveles
cognitivos.
Personalized learning with generative AI used to teach mechanical energy
conservation across cognitive levels.
Guerrero-Zambrano, Marcos1; Cevallos-Torres, Lorenzo2; Rumbaut-Rangel, Dayron3.
1 Universidad Bolivariana del Ecuador (UBE); Universidad Estatal de Milagro;
Ecuador, Durán; https://orcid.org/0000-0002-5617-6836;
mfguerreroz_a@ube.edu.ec; mguerreroz@unemi.edu.ec
2 Universidad Bolivariana del Ecuador (UBE); Ecuador, Durán;
https://orcid.org/0000-0002-7211-2891; ljcevallost@ube.edu.ec
3 Universidad Bolivariana del Ecuador (UBE); Ecuador, Durán;
https://orcid.org/0009-0001-9087-0979; drumbautr@ube.edu.ec
1 Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n3/326
Resumen: La investigación explora el potencial de la inteligencia artificial generativa para
personalizar el aprendizaje de la ley de conservación de la energía mecánica a futuros
profesores de Física de una universidad pública ecuatoriana, considerando las limitaciones de
infraestructura y los retos para incorporar pedagógicamente tecnologías emergentes. Método:
Se empleó un enfoque mixto explicativa secuencial con predominio cuantitativo y un diseño
preexperimental de grupo único (n = 9). Para la recolección de datos, se empleó una prueba de
opción múltiple alineado con los niveles cognitivos, tanto para el pretest como para el postest;
una encuesta de Likert que incluyó preguntas abiertas sobre la experiencia con un tutor
generativo usando Gemini. Resultados: Los hallazgos mostraron un aumento en el promedio de
aciertos que va desde el 52,8 % hasta el 88,0 % donde se observaron avances notables en la
comprensión, aplicación y creación, así como un progreso hacia el nivel máximo cognitivo.
Además, la percepción estudiantil fue positiva en cuanto a utilidad, motivación e impacto en el
aprendizaje, con una carga cognitiva moderada. Conclusiones: La tutoría socrática mediada por
IA, con supervisión docente, favorece aprendizajes más profundos y un uso crítico de la
tecnología, aunque se requieren muestras mayores y diseños comparativos para fortalecer la
validez externa de los hallazgos.
Palabras clave: Inteligencia artificial generativa; Aprendizaje personalizado; Tutoría socrática;
Conservación de la energía mecánica; Formación de profesores de Física.
Abstract: This study explores the potential of generative artificial intelligence to personalize the
learning of the law of conservation of mechanical energy among pre-service Physics teachers at
an Ecuadorian public university, taking into account infrastructure limitations and the challenges
of pedagogically integrating emerging technologies. Method: A quantitatively driven sequential
explanatory mixed-methods approach was employed, using a single-group pre-experimental
design (n = 9). Data were collected through a multiple-choice test aligned with cognitive levels,
administered as both a pretest and a posttest. In addition, a Likert-scale survey was applied,
which included open-ended questions regarding participants’ experience with a generative tutor
based on Gemini. Results: The findings showed an increase in the average percentage of correct
answers, rising from 52.8% to 88.0%. Notable gains were observed in understanding,
application, and creation, along with progress toward the highest cognitive level. Conclusions:
AI-mediated Socratic tutoring, under teacher supervision, fosters deeper learning and a more
critical use of technology; however, larger samples and comparative designs are required to
strengthen the external validity of the findings.
Keywords: Generative Artificial Intelligence; Personalized Learning; Socratic Tutoring;
Mechanical Energy Conservation; Physics Teacher Education.
Cita: Guerrero-Zambrano, M.,
Cevallos-Torres, L., & Rumbaut-
Rangel, D. (2026). Aprendizaje
personalizado con IA generativa
para enseñar la conservación de
la energía mecánica según
niveles cognitivos. Innova
Science Journal, 4(3), 33-
51. https://doi.org/10.63618/omd/i
sj/v4/n3/326
Recibido: 26/12/2025
Aceptado: 12/05/2026
Publicado: 31/07/2026
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.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
34
Artículo Científico
1. Introducción
En los últimos años, la Inteligencia Artificial Generativa (IAG) se ha perfilado como una
tecnología potencialmente capaz de transformar el futuro de la educación,
personalizando el aprendizaje y mejorando los resultados de aprendizaje (Ogunleye et
al., 2024; Prather et al., 2025). En educación, este potencial es especialmente relevante
cuando se trabaja con contenidos que requieren múltiples representaciones, explicación
causal y transferencia a nuevas situaciones.
En la enseñanza de la Física se siguen presentando dificultades en la comprensión de
conceptos relacionados con energía, el trabajo y muy en especial, la Ley de
Conservación de la Energía Mecánica (LCEM). La literatura informa concepciones
alternativas recurrentes, por ejemplo, la idea de que la energía se pierde o que solo está
presente cuando hay movimiento observable, lo cual produce aprendizajes
fragmentados y explicaciones inestables (Guerra-Reyes et al., 2024; Halilovic et al.,
2021; Kotsis & Panagou, 2023). Estas dificultades no son únicamente conceptuales;
sino que comprometen la interpretación de representaciones, la elección del sistema
físico y la justificación de los resultados.
Desde el punto de vista ético como pedagógico, la Inteligencia Artificial (IA) educativa
no es neutra. Su valor para la formación está sujeto a la construcción de la interacción,
al rol del docente y al tipo de andamiaje ofrecido al estudiante (Holmes et al., 2022). En
esta línea, estudios recientes indican que los tutores basados en modelos de lenguaje
pueden apoyar procesos de explicación, práctica guiada y retroalimentación inmediata,
cuando se articulan con principios pedagógicos sólidos y con supervisión docente
(Kestin et al., 2025; Memon & Kwan, 2025; Tu et al., 2025) .
En América Latina y, en particular, en Ecuador, esta discusión adquiere una importancia
especial. En la literatura se identifican desconexiones entre los textos de ciencias, las
prácticas pedagógicas en el aula y la incorporación de tecnologías emergentes, así
como tambien limitaciones de infraestructura, acceso y formación docente para integrar
la IA de forma equitativa y pedagógicamente pertinente (Ade Nandang Mustafa, 2025;
Barrera & Azeez, 2024; Castillo Villegas et al., 2025; Valdivieso & González, 2025). En
este escenario, todavía se cuenta con escasa evidencia empírica situada que articule
tutoría con la IAG, personalización explícita por niveles cognitivos y en un contenido
exigente como la LCEM.
A partir de la brecha antes mencionada, el presente estudio se plantea como un piloto
orientado a explorar los cambios observados en el aprendizaje de la LCEM y la
percepción asociada al uso de un tutor basado en IAG, estructurado según la
Taxonomía de Bloom, en futuros docentes de Física. En particular, el propósito general
de la investigación es analizar el impacto de una intervención de aprendizaje
personalizado con IAG, diseñada por niveles cognitivos de la taxonomía de Bloom,
sobre el desarrollo del conocimiento conceptual y aplicado de la LCEM en futuros
docentes de Física.
En coherencia con este propósito, la investigación se orienta por las siguientes
preguntas: ¿qué nivel de conocimiento inicial por niveles de la Taxonomía de Bloom
presentan los futuros docentes sobre la LCEM?, ¿cómo se estructura la adaptación del
tutor con IAG en los distintos niveleaula?itivos?, ¿qué percepción tienen los futuros
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
35
Artículo Científico
docentes de Física sobre el uso de la IAG como apoyo al aprendizaje personalizado de
la LCEM?, y ¿qué cambios se observan en el rendimiento académico y en el perfil
cognitivo tras la intervención en aula?. Responder estas preguntas permitirá aportar
evidencia empírica situada sobre el potencial de la IAG para apoyar procesos de
personalización del aprendizaje en Física en contextos ecuatorianos, así como orientar
el diseño de guías, rúbricas y recomendaciones pedagógicas transferibles a otros
contenidos y niveles educativos.
El aporte del estudio se ubica en tres planos que se complementan entre sí. En términos
pedagógicos, evidencia una secuencia de interacción basada en preguntas y
verificación para un contenido de gran densidad conceptual (Fakour & Imani, 2025; Tong
et al., 2023). Desde el punto de vista metodológico, organiza la evaluación por niveles
cognitivos con el fin de describir con mayor resolución el perfil de logro del grupo
(Almatrafi & Johri, 2025). En el ámbito educativo, revaloriza la opinión del futuro profesor
acerca de la utilidad y las limitaciones de la IAG como ayuda en la clase (Garcia Ramos
& Wilson-Kennedy, 2024; Kalniņa et al., 2024).
2. Materiales y Métodos
2.1. Diseño, enfoque, tipo y nivel de investigación
La investigación se realizó mediante un enfoque mixto secuencial explicativo con
predominio cuantitativo. En una primera fase se estudiaron los cambios observados en
el dominio conceptual y cognitivo aplicado de la LCEM, a través de mediciones pretest
y postest, y en una segunda fase se incorporaron respuestas abiertas y trazas de
interacción con el tutor para complementar la lectura de los resultados numéricos. La
integración de ambos componentes se hizo a nivel interpretativo, contrastando los
patrones de desempeño con la percepción reportada por los participantes (Araya-Muñoz
et al., 2019; Moore et al., 2015).
En la parte cuantitativa, se empleó un diseño preexperimental de grupo único con
medición pre-post, organizado en una estrategia didáctica con cuatro momentos,
denominada DEAPE, que significa Diagnóstico, Explicación, Aprendizaje Individualizado
con IAG y Evaluación, lo cual permite el seguimiento intra-sujeto del desempeño en
tareas alineadas a niveles cognitivos progresivos y comparables. Debido al carácter de
estudio piloto con un único grupo y n = 9 participantes, los resultados se ofrecen como
evidencia preliminar de cambios observados, pero no como prueba concluyente (Araya-
Muñoz et al., 2019; Hernández-Sampieri & Mendoza, 2023; Krathwohl, 2002).
Por su finalidad, el tipo de la investigación es aplicado y evaluativo, dado que tiene como
objetivo evaluar una estrategia de personalización del aprendizaje con IAG en un
contenido disciplinar concreto como es LCEM y la generación de evidencia valiosa para
la optimización de la práctica docente, conforme a las propuestas relativas a la
evaluación de intervenciones y recursos educativos en contextos de enseñanza superior
(Castillo Villegas et al., 2025). Respecto a su nivel, se propone un enfoque preliminar y
piloto, dirigido a la refinación y perfeccionamiento de secuencias, instrumentos y criterios
de implementación (Araya-Muñoz et al., 2019; Castillo Villegas et al., 2025).
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
36
Artículo Científico
2.2. Participantes y muestra
La muestra estuvo conformada por 9 estudiantes matriculados en la asignatura
Mecánica y Laboratorio de la carrera Pedagogía de las Ciencias Experimentales, en una
institución de educación superior pública de la ciudad de Milagro, Ecuador. Son futuros
profesores de Física en una etapa inicial de formación y para quienes la LCEM es un
contenido relevante para su futura práctica docente en el Bachillerato General Unificado.
La asignatura integra elementos teóricos y experimentales de mecánica, tales como el
movimiento, las fuerzas, el trabajo, la energía cinética, la energía potencial gravitacional,
la energía potencial elástica, las fuerzas conservativas y las no conservativas, energía
degradada, sistema, entorno, frontera y universo. La intervención se llevó a cabo en
dicho entorno educativo, donde la LCEM desempeña un papel fundamental como eje
de conexión entre la comprensión conceptual y la resolución de problemas.
Los participantes tenían a su disposición Chromebooks con acceso a internet y cuentas
institucionales de Google, lo que permitió utilizar el tutor generativo a través de un
prompt en Gemini en condiciones homogéneas de acceso durante las sesiones
presenciales. La muestra fue no probabilística por conveniencia, característica propia
del trabajo con grupos naturales de clase en contextos educativos (Hernández-Sampieri
& Mendoza, 2023). Se incluyeron estudiantes que estuviesen matriculados en el curso,
aceptasen participar mediante consentimiento informado y tuviesen acceso a internet y
dispositivo asignado por la institución.
Se utilizó un único grupo de intervención, sin grupo control, en concordancia con el
carácter piloto del estudio y con la intención de documentar la implementación en un
contexto real de aula universitaria (Kestin et al., 2025).
2.3. Contexto educativo
La intervención se realizó en una institución universitaria pública ecuatoriana de la
ciudad de Milagro, con 9 estudiantes en formación para futuros docentes de Física. La
asignatura de Mecánica y su Laboratorio incluye clases teóricas, resolución de
problemas y prácticas experimentales, utilizando tanto recursos tradicionales como
digitales.
En este espacio, la LCEM no solo fue tratada como contenido conceptual, sino que
también fue empleada como eje central para organizar el programa de Física, sirviendo
para explicar fenómenos relacionados con movimiento y oscilaciones como los sistemas
masa-resorte y péndulos. Por ello, resulta pertinente evaluar el desempeño conceptual
y cognitivo aplicado en este tema, a fin de valorar la preparación del futuro docente. En
Ecuador se dan retos ya descritos en la literatura, como la diversidad metodológica, las
dificultades para incorporar tecnologías emergentes y la persistencia de concepciones
alternativas en Física (Guerra-Reyes et al., 2024; Valdivieso & González, 2025), debido
a estas condiciones se aplicó un tutor de IAG usando Gemini, acoplado con la
Taxonomía de Bloom y mediado por la supervisión docente.
2.4. Estrategia didáctica DEAPE
La duración total de la estrategia didactica a la que los autores la han denominado
DEAPE tuvo una duración de 9 horas, desarrollándose en cuatro fases: Diagnóstico,
Explicación, Aprendizaje Personalizado con IAG y Evaluación.
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
37
Artículo Científico
2.4.1. Fase de diagnóstico
La fase de diagnóstico duró una hora y se aplicó una prueba inicial orientada a
diagnosticar el nivel cognitivo y el dominio del contenido sobre la LCEM.
El instrumento estuvo formado por 12 ítems de opción múltiple de tipo conceptual y/o
numérico, con 4 opciones de respuesta y una respuesta correcta. Los reactivos se
alinearon explícitamente con los 6 niveles de la Taxonomía de Bloom, con dos ítems por
nivel cada uno, e incorporaron situaciones contextualizadas en problemas típicos de
LCEM.
Con el fin de garantizar la validez de contenido, los ítems fueron sometidos en primera
instancia al Índice de Validez de Contenido (IVC) mediante el juicio de tres expertos en
pedagogía de la física, quienes juzgaron la pertinencia, claridad y representatividad de
cada ítem. A partir de ello, se modificaron los ítems de acuerdo a la evaluación del IVC,
y nuevamente con los cambios realizados se evaluaron los ítems con el IVC, obteniendo
la máxima nota por parte de los expertos.
2.4.2. Fase de Explicación
Tras el diagnóstico, el docente desarrolló una fase de explicación de 2 horas, en los que
se abordó los temas de energía cinética, energía potencial gravitacional y elástica,
fuerzas conservativas y no conservativas, trabajo, energía degradada, sistema, entorno,
frontera y universo.
La explicación se apoyó en la Figura 1, utilizada como organizador visual de la relación
entre energía y transferencia de energía (trabajo y calor).
Figura 1.
Diagrama utilizado por el docente para la explicación de la LCEM
Nota. Elaboración propia del diagrama conceptual utilizado durante la fase de explicación para
representar la relación entre sistema, entorno, frontera y transferencia de energía.
Esta figura permitió hacer explícita la relación entre las fuerzas conservativas, no
conservativas y la LCEM, además de contrastar casos con y sin fricción y ejemplificar
sistemas físicos de interés para la futura práctica docente, como sistemas de masa-
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
38
Artículo Científico
resorte, péndulos, juego de parque de diversiones, cuerpos en planos inclinados, entre
otras situaciones.
En esta fase se mezclaron miniexposiciones con preguntas conceptuales y numéricas
de control sobre la LCEM, como preparación para la fase de personalización con IAG.
2.4.3. Fase de aprendizaje individualizado con IAG
En la tercera fase, de 3 horas de duración, los estudiantes interactuaron con un tutor
basado en Gemini, configurado para actuar como tutor experto en LCEM y en la
Taxonomía de Bloom. La interacción se organizó en una secuencia de preguntas
socráticas distribuidas en los niveles recordar, comprender, aplicar, analizar, evaluar y
crear.
En cada nivel cognitivo de la Taxonomia de Bloom, el tutor generaba una primera
pregunta principal de tipo conceptual o numérica. Si la respuesta era correcta y
completa, procedía al siguiente nivel; si era incorrecta o incompleta, generaba preguntas
socráticas intermedias, una por una, hasta reconstruir el razonamiento necesario para
volver a platear la pregunta principal.
De esta manera, el tutor ofrecía problemas alineados con los niveles cognitivos de la
taxonomía de Bloom, ajustaba la complejidad de manera implícita dependiendo de la
calidad de la respuesta que daba el estudiante y promovía la metacognición a través de
justificación y verificación constante. Además, se cuidó que el lenguaje fuese claro y
apropiado para el perfil del Bachillerato General Unificado (BGU) del Ecuador.
El docente observó la interacción entre el estudiante y el tutor, además revisó las
conversaciones de muestra y orientó el uso crítico de la herramienta, en especial en la
comprobación de los resultados, su contraste con los apuntes de la clase y la detección
de posibles errores de la IAG. También se recogieron número de intentos, secuencia de
niveles alcanzados y patrones de error.
El prompt diseñado, fue probado previamente con estudiantes de la misma carrera para
ajustar su claridad operativa. En esta versión del manuscrito se sintetiza la lógica
funcional del mismo: tutoría socrática, avance por niveles cognitivos según la taxonomía
de Bloom, retroalimentación de las respuestas dadas por los estudiantes sin entrega
directa de la misma y finalmente el avance al siguiente nivel según la calidad de la
respuesta del estudiante.
2.4.4. Fase de evaluación
Al finalizar la intervención, se realizó un postest equivalente al pretest. El postest
preservó correspondencia conceptual, numérica y de nivel cognitivo con la versión
original del pretest, pero empleó enunciados y contextos diferentes para reducir efectos
de memorización y práctica (Siantuba et al., 2023).
También se aplicó una encuesta de percepción con escala Likert sobre el uso de la IAG
para aprender la LCEM, la misma consistió en 24 afirmaciones agrupadas en 6
dimensiones, entre ellas: utilidad percibida, motivación e interés, carga cognitiva,
aceptabilidad ética y confianza, impacto en el aprendizaje de la LCEM y facilidad de uso
y personalización. Incluyó, además, 3 preguntas abiertas sobre la utilidad de la
experiencia, las dificultades encontradas y las sugerencias de mejora.
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
39
Artículo Científico
Los datos cuantitativos fueron analizados mediante estadísticos descriptivos y pruebas
de comparación de medidas repetidas. Los puntajes por nivel cognitivo se analizaron
mediante la prueba de Wilcoxon de rangos con signo y, previa verificación de la
normalidad de las diferencias mediante la prueba de Shapiro-Wilk, se utilizó una t de
muestras pareadas para el puntaje total. El cambio por nivel se representó además en
un gráfico de bosque con las diferencias porcentuales post-pre e intervalos de confianza
del 95%, calculados sobre 18 respuestas por nivel, o sea 9 estudiantes por cada 2 ítems.
Las respuestas abiertas y los fragmentos de interacción con el tutor aportaron datos
cualitativos que se agruparon temáticamente según utilidades percibidas, dificultades y
sugerencias de mejora.
2.5. Consideraciones éticas
El estudio se desarrolló según los principios de ética relacionados a la investigación
educativa en educación superior, con la aprobación correspondiente de la institución.
La participación de los estudiantes fue voluntaria y se realizó mediante consentimiento
informado, donde se explicitaron los objetivos, los procedimientos, los posibles
beneficios y el derecho a retirarse sin consecuencias académicas.
Los datos de los estudiantes se codificaron con identificadores alfanuméricos para
mantener la confidencialidad de los mismos y los resultados se presentaron de forma
anónima. Además, la información analizada se trabajó de forma independiente a los
registros de calificaciones del curso y se dejó en claro que, con la participación de forma
correcta, se otorgaría una bonificación de 3 puntos extras para la asignatura.
2.6. Validez interna y limitaciones
Debido al diseño de un solo grupo preexperimental, la investigación está expuesta a las
amenazas tradicionales a la validez interna, como historia, maduración, efectos de
prueba y fluctuaciones mínimas en la aplicación de los instrumentos. En el periodo de
intervención, los estudiantes tuvieron la posibilidad de acceder a otros recursos
externos, lo cual puede contribuir como una influencia sobre el aprendizaje. También es
posible que parte de la mejoría observada se deba al avance natural en el contenido de
la asignatura y con el formato de evaluación. De igual manera, la repetición de tareas
similares como el pretest y el postest puede propiciar efectos de mejoría aun cuando se
hayan utilizado formas paralelas. Por último, las pequeñas diferencias de horario, de
ambiente de aula y de explicaciones operativas en el momento de la aplicación pueden
introducir pequeñas variaciones de instrumentación.
Para disminuir esas amenazas se utilizaron versiones paralelas del test, condiciones
similares de aplicación, instrucciones estandarizadas y un control uniforme del uso del
tutor durante las sesiones presenciales.
Respecto de la validez externa, los resultados deben leerse como evidencia situacional
y preliminar debido al tamaño reducido de la muestra, el trabajo con una sola asignatura,
la implementación en una única institución y el uso de una sola plataforma de IAG, ya
que la muestra fue pequeña (n = 9) y perteneció a un solo curso, la intervención se
desarrolló en una sola asignatura y en una única institución de educación superior;
además, se utilizó una única plataforma de IAG, Gemini, con una configuración
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
40
Artículo Científico
específica del tutor y el periodo de intervención fue breve y se concentró en 9 horas
dentro del semestre académico.
Por lo tanto, los hallazgos se ofrecen como resultados preliminares que pueden orientar
estudios posteriores con muestras más amplias y diseños comparativos mejor
controlados.
2.7. Prueba de entrada y salida basada en dominios de contenido y niveles
cognitivos en la LCEM: Diseño y medición
Con el fin de evaluar los niveles cognitivos relacionados al aprendizaje de la LCEM se
elaboró una prueba de pretest y postest de opción múltiple basada en la Taxonomía de
Bloom revisada por expertos en la asignatura (Anderson & Krathwohl, 2001; Krathwohl,
2002). La prueba estuvo conformada por 12 ítems, con 2 preguntas por cada nivel
cognitivo de la Taxonomia de Bloom: recordar, comprender, aplicar, analizar, evaluar y
crear.
Los dominios de contenido considerados fueron: C1: Conceptos básicos de energía
mecánica y LCEM; C2: Transformación y conservación de la energía en contextos sin
rozamiento; y C3: Razonamiento sobre rozamiento, degradación de energía y toma de
decisiones sobre procedimientos o propuestas de solución, tal como se muestra en la
tabla 1. De acuerdo con esta estructura, la prueba estuvo compuesta por preguntas
conceptuales, numéricas y de juicio sobre opciones de diseño y explicación, con el fin
de aproximarse a cada uno de los niveles cognitivos, sin dejar de lado el formato de
respuesta cerrada.
Cada ítem se elaboró con cuatro opciones de respuesta, donde una de ellas es correcta
y las otras 3 opciones son erróneas y que fueron diseñadas en base a concepciones
alternativas y errores conceptuales frecuentes sobre la LCEM. La organización en
niveles permite describir el nivel de pensamiento que evidencia el estudiante en cada
tramo del instrumento, más allá de la puntuación global.
Los reactivos fueron calificados de forma dicotómica, otorgando el valor de 1 a la
respuesta correcta y el valor de 0 a la respuesta incorrecta. Los ítems fueron agrupados
por pares para conformar un puntaje por nivel cognitivo posterior con rango de 0 a 2. Se
consideró que cada nivel correspondía a un rango de logro: 0 de 2, bajo logro; 1 de 2,
logro medio; y 2 de 2, alto logro o dominio del nivel. Esta manera de agrupar los datos
permite reconocer las fortalezas y los vacíos por nivel, y permite relacionar el análisis
de aprendizaje con la estructura cognitiva del instrumento. Además, el puntaje por nivel,
se determinó con el nivel máximo cognitivo consolidado de cada estudiante mediante la
siguiente regla: se considera que un nivel cognitivo está consolidado cuando el
estudiante obtiene 2 de 2 en ese nivel y mantiene al menos 1 de 2 en todos los niveles
inferiores. La combinación de dicha codificación dicotómica, por niveles y de criterio de
dominio permitió construir perfiles cognitivos y describir la diferencia observada entre el
pretest y el postest (Stanny, 2016).
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
41
Artículo Científico
Tabla 1.
Clasificación de la prueba por ítems, dominios de contenido y niveles cognitivos
Item
Dominio de contenido.
Nivel de
taxonomía de
Bloom.
Tipo de item.
1
C1. Conceptos básicos de energía mecánica y
ley de conservación de la energía mecánica,
definición de energía mecánica y
reconocimiento de sus componentes
Recordar
Conceptual de definición, identifica y
describe qué es la energía mecánica
en un contexto físico
2
C1. Conceptos básicos de energía mecánica,
energía potencial gravitatoria, relación entre
masa, gravedad y altura, reconocimiento de
variables y estructura de la expresión
Recordar
Conceptual de fórmula, reconoce la
expresión de energía potencial
gravitatoria y el significado de cada
variable
3
C2. Transformación de energía en un sistema
sin rozamiento durante caída libre, explicación
del cambio entre energía potencial gravitatoria
y energía cinética
Comprender
Conceptual de comprensión, explica
con palabras el cambio de forma de
energía en caída libre sin rozamiento
4
C2. Transformación de energía en movimiento
vertical sin rozamiento, interpretación del punto
más alto, relación entre velocidad instantánea
y energía potencial gravitatoria máxima
Comprender
Conceptual de interpretación, analiza
qué ocurre con la energía y la
velocidad en el punto más alto del
movimiento
5
C2. Aplicación de la ley de conservación de la
energía mecánica en caída libre sin
rozamiento, cálculo de rapidez o energía
cinética a partir de una altura inicial.
Aplicar
Numérico de aplicación, resuelve un
cálculo usando conservación de
energía para obtener rapidez o energía
cinética al caer desde una altura dada
6
C2. Aplicación de la ley de conservación de la
energía mecánica en lanzamiento vertical sin
rozamiento, determinación de altura máxima a
partir de la velocidad inicial.
Aplicar
Numérico de aplicación, calcula altura
máxima usando conservación de
energía y despeje de la variable
buscada
7
C2. Análisis comparativo de dos trayectorias
alternativas sin rozamiento, consistencia de la
energía mecánica a lo largo del recorrido,
justificación física de diferencias o
equivalencias.
Analizar
Conceptual de comparación, contrasta
trayectoria A y trayectoria B y justifica
con criterios de conservación de
energía
8
C2. Interpretación de una tabla con valores de
energía potencial gravitatoria y energía
cinética, verificación de constancia de energía
mecánica y detección de incoherencias.
Analizar
Mixto con datos, interpreta información
tabular, calcula, verifica consistencia y
argumenta conclusiones
9
C3. Efectos del rozamiento, distinción entre
conservación de energía mecánica y
conservación de energía total, juicio sobre
validez de afirmaciones en contextos con
pérdidas.
Evaluar
Conceptual de juicio, valora una
afirmación sobre conservación de
energía considerando rozamiento y
transferencia de energía.
10
C3. Evaluación crítica de un procedimiento o
explicación de solución, detección de errores
conceptuales sobre energía mecánica, energía
total y referencia, argumentación correctiva.
Evaluar
Conceptual de análisis de solución,
revisa el razonamiento de un
estudiante, identifica fallas y propone
corrección justificada
11
C3. Diseño experimental para estudiar
conservación de energía mecánica,
planteamiento de variables, controles,
mediciones, instrumentos, registro de datos y
criterios de validez.
Crear
Conceptual de planificación, selecciona
la mejor propuesta experimental entre
alternativas cerradas.
12
C3. Diseño de una actividad didáctica sobre
LCEM incorporando rozamiento, secuencia de
trabajo, recursos, consignas, evidencias y
evaluación.
Crear
Conceptual de diseño didáctico,
selecciona la alternativa más
pertinente para estructurar una
actividad sobre LCEM.
Nota. Los ítems 11 y 12 mantienen formato de opción múltiple y se orientan a la selección de
alternativas de planificación o diseño, no a la producción abierta de una propuesta.
3. Resultados
En la Figura 2 se muestra el porcentaje de aciertos por ítem en el pretest y en el postest
para los 12 reactivos del instrumento. Los 12 ítems muestran incrementos entre ambas
mediciones y no se aprecian retrocesos. De promedio, el grupo aumentó su número de
aciertos desde el 52,8 % en el pretest al 88,0 % en el postest, con una ganancia media
de 35,2 puntos porcentuales. Los mayores contrastes se agruparon en los ítems 3 y 4,
ambos relacionados con el nivel Comprender. El ítem 3 pasó de un 33,3 % a un 100 %
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
42
Artículo Científico
y el ítem 4 de un 22,2 % a un 88,9 %. Resalta, asimismo, el ítem 6, del nivel Aplicar, que
pasó de 22,2 % a 77,8 %. El segundo grupo está conformado por los ítems 8, 11, 5, 7 y
12. El ítem 8 pasó de 55,6 % a 100 %; el ítem 11, de 44,4 % a 88,9 %; el ítem 5, de 44,4
% a 77,8 %; el ítem 7, de 33,3 % a 66,7 %; y el ítem 12, de 88,9 % a 100 %. Las
diferencias más pequeñas son para los ítems que ya salían con porcentajes altos en el
pretest. En Recordar, los ítems 1 y 2 aumentaron de 66,7 % y 77,8 % a 88,9 %. En
Evaluar, los ítems 9 y 10 subieron de 77,8 % y 66,7 % a 88,9 %, respectivamente. Al
final de la medición, tres ítems alcanzaron un 100 % de aciertos y seis se situaron en
88,9 %.
Figura 2.
Porcentaje de aciertos por ítem en pretest y postest, ordenado por magnitud de
mejora
Nota. Elaboración propia con base en los porcentajes de aciertos obtenidos en el pretest y el
postest para los 12 ítems del instrumento (n = 9).
La Figura 3 resume el cambio porcentual post-pre por nivel cognitivo, incorporando
intervalos de confianza del 95 %. Todas las estimaciones puntuales están por encima
de cero. El cambio puntual más elevado lo aporta entender, con 66,67 puntos
porcentuales. Los niveles a aplicar y analizar presentan diferencias de 44,44 y 38,89
puntos porcentuales, respectivamente. El nivel crear presenta una diferencia de 27,78
puntos porcentuales, mientras que Recordar y Evaluar tienen una diferencia de 16,67
puntos porcentuales cada uno. Al entenderlo, el intervalo de confianza permanece por
encima de cero. En los restantes niveles, los intervalos son más amplios e incluyen o
rozan el cero.
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
43
Artículo Científico
Figura 3.
Cambio porcentual post-pre por nivel cognitivo con intervalos de confianza del 95
Nota. Elaboración propia con base en las diferencias porcentuales postest-pretest por nivel
cognitivo; los intervalos de confianza del 95 % se calcularon sobre 18 respuestas por nivel.%.
En la Figura 4 se ilustra el nivel máximo cognitivo alcanzado por cada estudiante en el
pretest y en el postest. En el pretest, 5 estudiantes alcanzaron a recordar como nivel
máximo y 4 no cumplieron el umbral mínimo para consolidar un nivel. En el postest,
ocho estudiantes alcanzaron como nivel máximo crear y uno llegó a analizar.
Figura 4.
Nivel máximo cognitivo consolidado por estudiante en pretest y postest
Nota. Elaboración propia con base en el nivel máximo cognitivo consolidado por estudiante en
el pretest y el postest (n = 9).
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
44
Artículo Científico
3.1. Análisis por estudiante y por nivel cognitivo
A cada estudiante se le calculó un puntaje por nivel cognitivo en el pretest y en el postest.
Como cada nivel se operacionalizó con dos ítems, el puntaje por nivel varió de 0 a 2.
Debido al carácter discreto de estos puntajes y al escaso tamaño muestral, se empleó
la prueba de rangos con signo de Wilcoxon para muestras apareadas para las
comparaciones por nivel. Para cada nivel, la hipótesis nula estableció que la mediana
de las diferencias postest-pretest era igual a 0; la hipótesis alternativa estableció que la
mediana fue distinta de 0. Para el RIC, que significa rango intercuartílico, se reporta la
correlación biserial por rangos, r biseral, como medida del tamaño del efecto en la
prueba de Wilcoxon.
Tabla 2.
Comparación de los rangos obtenidos en los niveles cognitivos entre el pretest y
postest (n = 9)
Nivel
Pretest
Mdn y
RIC
Postest Mdn
y RIC
Mejoran; Igual;
Retroceden
Prueba
p
valor
Tamaño de
efecto
Recordar
2 ; 1 a 2
2 ; 2 a 2
2 ; 7 ; 0
Wilcoxon
0,158
r biserial 1,00
Comprender
0 ; 0 a 1
2 ; 2 a 2
7 ; 2 ; 0
Wilcoxon
0,011
r biserial 1,00
Aplicar
1 ; 0 a 1
2 ; 1 a 2
7 ; 2 ; 0
Wilcoxon
0,01
r biserial 1,00
Analizar
1 ; 0 a 2
2 ; 1 a 2
5 ; 3 ; 1
Wilcoxon
0,076
r biserial 0,81
Evaluar
2 ; 1 a 2
2 ; 2 a 2
4 ; 3 ; 2
Wilcoxon
0,353
r biserial 0,43
Crear
1 ; 1 a 2
2 ; 2 a 2
4 ; 5 ; 0
Wilcoxon
0,047
r biserial 1,00
Nota. Mdn = Mediana; RIC = Rango Intercuartílico. La columna "Dirección del cambio"
representa el conteo de estudiantes que mejoran, se mantienen igual o retroceden,
respectivamente. rbiseral = coeficiente de correlación rango-biserial. p < 0,050 indica una
diferencia estadísticamente significativa.
En la Tabla 2 se observa que comprender pasó de una mediana de 0 a 2, con 7
estudiantes que mejoraron y ningún retroceso (p = 0,011). Aplicar pasó de 1 a 2, también
con siete mejoras y ningún retroceso (p = 0,010). Crear pasó de 1 a 2, con cuatro
mejoras y ningún retroceso (p = 0,047). Analizar pasó de 1 a 2, con cinco mejoras, tres
igualdades y un retroceso (p = 0,076). Recordar y Evaluar mantuvieron una mediana de
2, con predominio de igualdades.
Para el puntaje total, compuesto por 12 ítems, se evaluó la normalidad de las diferencias
entre postest y pretest mediante Shapiro-Wilk. El valor p = 0,687 indicó que no había
evidencia para rechazar la normalidad de las diferencias, por lo que se aplicó una t
pareada.
La hipótesis nula para el puntaje total estableció que la media de las diferencias postest-
pretest era igual a 0; la hipótesis alternativa planteó que era distinta de 0.
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
45
Artículo Científico
Tabla 3.
Análisis de diferencia de medias (Prueba t de Student) para muestras relacionadas
(n = 9)
n
Pre
media
Pre
DE
Post
media
Post
DE
Δ
media
IC95% Δ
Shapiro p
(Δ)
t
p
dz
9
6.33
0.87
10.56
1.01
4.22
3.08 a
5.36
0.687
8.55
< 0.001
2.85
Nota. M = Media; DE = Desviación estándar; IC 95% = Intervalo de confianza del 95%; Shapiro-
Wilk = valor-p de la prueba de normalidad de Shapiro-Wilk aplicada a las diferencias de los
puntajes. dz = Tamaño del efecto de Cohen para muestras pareadas. Un valor de p < 0,05 se
considera estadísticamente significativo.
La Tabla 3 muestra que la media pasó de 6,33 ± 0,87 en el pretest a 10,56 ± 1,01 en el
postest. La diferencia media fue de 4,22 ítems, con un intervalo de confianza del 95 %
entre 3,08 y 5,36. La prueba t pareada arrojó t = 8,55 y p < 0,001; el tamaño de efecto
reportado fue dz = 2,85.
3.2. Percepción de futuros docentes sobre la IAG y personalización del
aprendizaje
La percepción sobre el uso de la IAG como apoyo al aprendizaje personalizado de la
LCEM se estimó con una encuesta aplicada a los 9 participantes, conformada por 24
afirmaciones en escala Likert de 1 a 5 y tres preguntas abiertas. Para cada dimensión
se calcularon mediana, RIC, media, desviación estándar (D) y porcentaje de respuestas
altas que corresponden a 4 o 5 en la escala Likert.
Tabla 4.
Resumen descriptivo de los resultados por dimensiones del instrumento (n = 9)
Dimensión.
Ítems.
Mediana; RIC
Media ± DE
Respuestas
4 o 5,
porcentaje.
Utilidad percibida.
4
5,00; (4,75 a 5,00)
4,83 ± 0,28
100
Motivación e interés.
4
5,00; (4,75 a 5,00)
4,83 ± 0,22
100
Impacto en el aprendizaje de la
LCEM.
4
4,75; (4,50 a 5,00)
4,64 ± 0,42
88,9
Facilidad de uso y
personalización
4
4,25; (4,25 a 5,00)
4,47 ± 0,54
77,8
Aceptabilidad ética y confianza
4
4,00; (3,75 a 4,50)
4,06 ± 0,37
66,7
Carga cognitiva
4
2,25; (1,75 a 2,75)
2,39 ± 0,99
11,1
Nota. Mdn = Mediana; RIC = Rango Intercuartílico; M = Media; DE = Desviación Estándar. La
columna "Respuestas Altas (%)" representa la frecuencia relativa acumulada de las valoraciones
4 ("De acuerdo") y 5 ("Totalmente de acuerdo") en la escala Likert utilizada.
Las dimensiones con valores centrales más altos fueron utilidad percibida y motivación
e interés, ambas con mediana 5,00 y 100 % de respuestas altas. El impacto percibido
en el aprendizaje de la LCEM alcanzó una mediana de 4,75 y la facilidad de uso y
personalización, una mediana de 4,25. La aceptabilidad ética y confianza registró una
mediana de 4,00. La carga cognitiva mostró una mediana de 2,25.
En la personalización del aprendizaje, los 2 ítems referidos al ajuste del nivel de
explicación registraron mediana 5 y 100 % de respuestas 4 o 5. En carga cognitiva se
observó mayor dispersión. Las respuestas abiertas se organizaron en 3 temas: utilidad
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
46
Artículo Científico
del andamiaje socrático, dificultades puntuales durante la interacción y sugerencias de
mejora centradas en dosificar preguntas, usar mini preguntas, incorporar autoevaluación
al cierre y extender la estrategia a otras asignaturas.
4. Discusión
Los resultados de este estudio piloto demuestran que la intervención de aprendizaje
personalizado con IAG, estructurada por niveles cognitivos de la taxonomía de Bloom,
está asociada con mejoras sustantivas en el desempeño sobre la LCEM, en futuros
docentes de Física (Guerra-Reyes et al., 2024; Halilović et al., 2021). De promedio el
grupo pasó de un 52,8% de aciertos en el pretest a un 88,0% en el postest, con
incrementos especialmente importantes en los niveles comprender, aplicar y crear, lo
que sugiere un tránsito desde un dominio principalmente reproductivo hacia formas de
comprensión más profundas y capacidades de uso aplicado y diseño didáctico
(Anderson & Krathwohl, 2001; Krathwohl, 2002). Estos resultados coinciden con
investigaciones anteriores que sugieren que la IAG puede favorecer la personalización
del aprendizaje y elevar el desempeño académico cuando se incorpora propuestas
pedagógicas estructuradas y con objetivos claros (Ayeni et al., 2024; Ogunleye et al.,
2024).
Desde el punto de vista del entorno educativo, la secuencia DEAPE contribuyó a la
construcción de un contexto híbrido que articula exposición docente, resolución de
problemas, laboratorio y tutoría generativa en un aula universitaria pública ecuatoriana
(Castillo Villegas et al., 2025). Este ambiente combinó recursos tradicionales con acceso
homogéneo a un tutor generativo a través de dispositivos institucionales, lo que permitió
reducir barreras de acceso y mantener condiciones relativamente equitativas entre los
estudiantes (Valdivieso & González, 2025). La literatura sobre personalización del
aprendizaje señala que la efectividad de las tecnologías inteligentes no depende sólo
de los algoritmos, sino también de la forma en que se insertan en ambientes educativos
que facilitan la participación activa, la autorregulación y la interacción significativa entre
estudiantes, docente y contenidos (Barrios-Pérez & Amaya-Melgar, 2025; Rivera Viñan
et al., 2025).
La parte de tutoría socrática implementada con IAG parece haber sido una pieza clave
para la configuración de este ambiente de aprendizaje. El tutor generativo planteó
secuencias de preguntas graduadas según el nivel cognitivo, ajustando la complejidad
en función de las respuestas de cada estudiante, evitando la entrega directa de
soluciones y fomentando la explicación argumentada (Fakour & Imani, 2025). Esta
dinámica se alinea con investigaciones que evidencian el potencial de tutores basados
en modelos de lenguaje para sostener procesos de explicación, práctica guiada y
retroalimentación inmediata, siempre y cuando se diseñen como sistemas de andamiaje
y no de sustitución del docente (Kestin et al., 2025; Memon & Kwan, 2025; Tu et al.,
2025). Los participantes reportaron altos valores de utilidad percibida y motivación, lo
que indica que, en este ambiente, la interacción con el tutor se percibió como un apoyo
relevante para enfrentar un contenido de alta densidad conceptual como la LCEM
(Siantuba et al., 2023).
El contexto latinoamericano y, en particular, la realidad ecuatoriana, brindan importantes
matices a la interpretación de estos resultados. Diversos trabajos han señalado
limitaciones de infraestructura, heterogeneidad metodológica y dificultades para
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
47
Artículo Científico
incorporar tecnologías emergentes en entornos reales de aula en la región (Ade
Nandang Mustafa, 2025; Barrera & Azeez, 2024). En este estudio la experiencia se
desarrolló en una institución pública con recursos acotados pero gestionados de manera
organizada, lo que evidencia que es posible diseñar ambientes de aprendizaje
personalizados con IAG en condiciones de recursos moderados cuando se planifica
cuidadosamente el acceso y se acompaña al profesorado en el uso pedagógico de la
tecnología (Castillo Villegas et al., 2025; Valdivieso & González, 2025). Sin embargo, el
establecimiento de este tipo de entornos requiere políticas institucionales más
generales, financiamiento sostenido y programas de formación docente que atiendan
tanto dimensiones técnicas como éticas (Garcia Ramos & Wilson-Kennedy, 2024;
Kalniņa et al., 2024).
Los resultados de percepción de la encuesta ayudan a comprender cómo se vivió el
ambiente de aprendizaje de los estudiantes. Las dimensiones de utilidad percibida y
motivación e interés alcanzaron medianas máximas y un 100% de respuestas altas,
mientras que la dimensión de carga cognitiva se situó en valores moderados (Siantuba
et al., 2023). Estos resultados reflejan un equilibrio razonable entre el desafío y el apoyo,
coherente con investigaciones anteriores, en la que los entornos adaptativos mediante
IAG pueden aumentar el compromiso y la autorregulación al ajustar el nivel de dificultad
a la zona de desarrollo del estudiante (Barrios-Pérez & Amaya-Melgar, 2025; Rivera
Viñan et al., 2025). En cambio, las respuestas abiertas, resaltan la utilidad del
andamiaje, recomiendan dosificar la cantidad de interrogantes e incorporar momentos
explícitos de autoevaluación, para seguir afinando el diseño para que la personalización
se traduzca en oportunidades de reflexión, y no de sobrecarga cognitiva (Stanny, 2016).
Al mismo tiempo, los resultados deben enfocarse dentro de las limitaciones del diseño
metodológico. Se empleó un diseño preexperimental de un solo grupo, con una muestra
pequeña (n = 9), por lo que las amenazas a la validez interna, como historia,
maduración, práctica con el formato de prueba y otras influencias externas no pueden
descartarse por completo (Hernández-Sampieri & Mendoza, 2023). A pesar de
emplearse formas paralelas del instrumento, condiciones similares de aplicación e
instrucciones estandarizadas, parte de la mejoría observada podría estar relacionada
con el progreso natural en la materia y la repetición de tareas conceptualmente similares
(Ghasemi & Zahediasl, 2012; Kim, 2015). La gran amplitud de algunos intervalos de
confianza por nivel cognitivo y los elevadísimos tamaños del efecto refuerzan la
recomendación de replicar el estudio con muestras mayores y, de ser posible, diseños
cuasiexperimentales o experimentales que incorporen grupos de comparación (Araya-
Muñoz et al., 2019).
También cabe destacar la dimensión ética del ambiente educativo mediado por IAG.
Diferentes contribuciones ya han puesto sobre la mesa riesgos asociados a la opacidad
de los modelos, a la gestión de datos y a la reproducción de sesgos en contextos
educativos, sobre todo cuando los sistemas empiezan a asumir funciones tutoriales
(Holmes et al., 2022; Ogunleye et al., 2024). En esta investigación, la participación
continua del docente, la revisión de las interacciones y la invitación a comparar las
respuestas de la IAG con los apuntes y criterios de la asignatura contribuyeron a
enmarcar la experiencia dentro de una perspectiva crítica y responsable (Garcia Ramos
& Wilson-Kennedy, 2024; Kalniņa et al., 2024). Sin embargo, la posible expansión de
estas herramientas exige reforzar la formación ética y digital de los futuros docentes,
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
48
Artículo Científico
para que puedan incorporar la IAG en sus aulas de forma reflexiva, transparente y
orientada a la equidad (Memon & Kwan, 2025; Valdivieso & González, 2025).
Por último, esta investigación aporta elementos a la discusión en torno al diseño de
ambientes educativos que integran IAG y evaluaciones por niveles cognitivos. El diseńo
de una prueba pretest y postes alineada con la taxonomía de Bloom, la determinación
de niveles máximos consolidados y la combinación de análisis cuantitativos y
cualitativos permitieron caracterizar con mayor resolución el perfil de logro de cada
estudiante, antes y después de la intervención (Almatrafi & Johri, 2025; Anderson &
Krathwohl, 2001). Esta postura se alinea con aquellas que subrayan la necesidad de
conectar la personalización del aprendizaje con marcos curriculares claros, criterios de
evaluación transparentes y espacios que permitan la participación activa del
estudiantado (Barrios-Pérez & Amaya-Melgar, 2025; Rivera Viñan et al., 2025). En
contextos como Ecuador, donde se plantean estrategias para mejorar la enseñanza de
la Física y reducir brechas de aprendizaje, experiencias piloto como esta, pueden
funcionar como laboratorio para ajustar los diseños didácticos, instrumentos e
infraestructuras hacia entornos de aprendizaje más inclusivos y personalizados (Barrera
& Azeez, 2024; Rodríguez Castillo et al., 2025).
5. Conclusiones
La primera conclusión es que una intervención de aprendizaje personalizado con IAG,
organizada por niveles cognitivos, y situada en un ambiente universitario público, se
asocia con mejoras importantes en el desempeño conceptual y aplicado sobre la LCEM
de futuros docentes de Física. El aumento en el porcentaje de aciertos, las diferencias
encontradas en comprender, aplicar y crear y el cambio en el nivel máximo cognitivo
alcanzado desde recordar hacia niveles superiores sugieren un avance hacia formas de
aprendizaje más profundas y transferibles.
En segundo lugar, los participantes evaluaron positivamente la estrategia educativa
dada por la secuencia DEAPE, que integra explicación docente, actividades prácticas,
laboratorio y tutoría generativa, en términos de utilidad, motivación e impacto percibido
en su aprendizaje. La combinación de recursos tradicionales y de las tecnologías de
IAG, en condiciones relativamente equitativas de acceso, permitió crear un entorno de
trabajo exigente pero manejable, donde el diálogo con el tutor socrático y el
acompañamiento continuo del docente, parecen haber favorecido la reflexión.
En tercer lugar, esta investigación revela que es posible llevar a cabo experiencias de
personalización con IAG usando Gemini en el contexto universitario latinoamericano con
recursos limitados, siempre que se planifiquen con cuidado las condiciones de acceso,
se ajuste el diseño instruccional al contexto y se conserve la supervisión continua del
docente durante el uso de las herramientas. Sin embargo, para que estas experiencias
se generalicen, se necesitan políticas institucionales que fortalezcan la infraestructura,
la formación digital y los marcos éticos para el uso de IA en la educación.
En cuarto lugar, debido a las características del diseño preexperimental, con un solo
grupo y tamaño muestral reducido, los resultados deben ser tomados como evidencias
preliminares. Para llegar a conclusiones más robustas, se requieren estudios con
muestras más amplias, la comparación con un grupo de control y un análisis más
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
49
Artículo Científico
profundo de las interacciones y percepciones de los estudiantes, consideran con
conjuntamente métodos cuantitativos y cualitativos.
Finalmente, es importante que los futuros docentes se formen en el dominio conceptual
de la Física, así como en el uso pedagógico, crítico y ético de herramientas de IAG como
Gemini. En un escenario donde estas herramientas tenderán a integrarse en el aula, es
fundamental que los docentes en formación aprendan a diseñar secuencias didácticas
apoyadas en IAG, a interpretar los datos que se generan, y a garantizar que la
personalización del aprendizaje se oriente a la equidad y el desarrollo del pensamiento
crítico.
Referencias Bibliográficas
Ade Nandang Mustafa. (2025). Reimagining education in the age of artificial intelligence:
Challenges and strategies for developing nations. International Journal of Science
and Research Archive, 16(2), 291–298.
https://doi.org/10.30574/ijsra.2025.16.2.2029
Aljuraiban, G. S., Gibson, R., Chan, D. S. M., Van Horn, L., & Chan, Q. (2025).
Leveraging generative AI for course learning outcome categorization using Bloom’s
taxonomy. Computers and Education: Artificial Intelligence, 8, 100404.
https://doi.org/10.1016/j.caeai.2025.100404
Anderson, L. W., & Krathwohl, D. R. (2001). A taxonomy for learning, teaching, and
assessing: A revision of Bloom's taxonomy of educational objectives. Longman.
Araya-Muñoz, I., Fonseca-Argüello, M., Majano-Benavides, J., & Ugalde-Villalobos, M.
E. (2019). Evaluation of the design and didactic development of three blended
learning subjects: A pilot plan of the Faculty of Social Sciences at the Universidad
Nacional, Costa Rica. Revista Electrónica Educare, 23(1), 1–16.
https://doi.org/10.15359/ree.23-1.6
Ayeni, O. O., Hamad, N. M. A., Chisom, O. N., Osawaru, B., & Adewusi, O. E. (2024). AI
in education: A review of personalized learning and educational technology. GSC
Advanced Research and Reviews, 18(2), 261–271.
https://doi.org/10.30574/gscarr.2024.18.2.0062
Barrera, A. G., & Azeez, G. K. (2024). Artificial intelligence in higher education: Lessons
from Chile and Mexico. International Higher Education, (121), 24–25.
Barrios-Pérez, E. G., & Amaya-Melgar, S. (2025). Aprendizaje personalizado y entornos
personales de aprendizaje en la era de la inteligencia artificial: Apuntes teórico-
conceptuales. Emerging Trends in Education, 8(15), 105–121.
https://doi.org/10.19136/etie.v8n15.6341
Castillo Villegas, K. G., Villagómez Samaniego, E. P., & Chuquin Cuatis, M. R. M. (2025).
Educación basada en competencias: Diseño, implementación y evaluación en
programas de educación superior. Revista InveCom, 5(3), e050342.
https://doi.org/10.5281/zenodo.14270813
Fakour, H., & Imani, M. (2025). Socratic wisdom in the age of AI: A comparative study of
ChatGPT and human tutors in enhancing critical thinking skills. Frontiers in
Education, 10. https://doi.org/10.3389/feduc.2025.1528603
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
50
Artículo Científico
Garcia Ramos, J., & Wilson-Kennedy, Z. (2024). Promoting equity and addressing
concerns in teaching and learning with artificial intelligence. Frontiers in Education,
9. https://doi.org/10.3389/feduc.2024.1487882
Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for
non-statisticians. International Journal of Endocrinology and Metabolism, 10(2),
486–489. https://doi.org/10.5812/ijem.3505
Guerra-Reyes, F., Guerra-Dávila, E., Naranjo-Toro, M., Basantes-Andrade, A., &
Guevara-Betancourt, S. (2024). Misconceptions in the learning of natural sciences:
A systematic review. Education Sciences, 14(5), 497.
https://doi.org/10.3390/educsci14050497
Halilović, A., Mešić, V., Hasović, E., & Dervić, D. (2021). Students’ difficulties in applying
the law of conservation of mechanical energy: Results of a survey research. The
European Educational Researcher, 4(2), 171–192.
https://doi.org/10.31757/euer.423
Hernández-Sampieri, R., & Mendoza, C. (2023). Metodología de la investigación: Las
rutas cuantitativa, cualitativa y mixta (7.ª ed.). McGraw-Hill.
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B.,
Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K. R.
(2022). Ethics of AI in education: Towards a community-wide framework.
International Journal of Artificial Intelligence in Education, 32(3), 504–526.
https://doi.org/10.1007/s40593-021-00239-1
Kalniņa, D., Nīmante, D., & Baranova, S. (2024). Artificial intelligence for higher
education: Benefits and challenges for pre-service teachers. Frontiers in Education,
9. https://doi.org/10.3389/feduc.2024.1501819
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms
in-class active learning: An RCT introducing a novel research-based design in an
authentic educational setting. Scientific Reports, 15(1), 17458.
https://doi.org/10.1038/s41598-025-97652-6
Kim, T. K. (2015). T test as a parametric statistic. Korean Journal of Anesthesiology,
68(6), 540–546. https://doi.org/10.4097/kjae.2015.68.6.540
Kotsis, K. T., & Panagou, D. (2023). The determination of the learning curve on the
concept of energy using the alternatives ideas. Contemporary Mathematics and
Science Education, 4(1), ep23011. https://doi.org/10.30935/conmaths/13022
Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into
Practice, 41(4), 212–218. https://doi.org/10.1207/s15430421tip4104_2
Memon, T. D., & Kwan, P. (2025). A collaborative model for integrating teacher and
GenAI into future education. TechTrends, 69(6), 1192–1206.
https://doi.org/10.1007/s11528-025-01105-w
Moore, G. F., Audrey, S., Barker, M., Bond, L., Bonell, C., Hardeman, W., Moore, L.,
O’Cathain, A., Tinati, T., Wight, D., & Baird, J. (2015). Process evaluation of complex
interventions: Medical Research Council guidance. BMJ, 350, h1258.
https://doi.org/10.1136/bmj.h1258
Innova Science Journal
Innova Science Journal | Vol.04| Núm.03 | Jul – Sep | 2026| www.innovasciencejournal.omeditorial.com
51
Artículo Científico
Ogunleye, B., Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A
systematic review of generative AI for teaching and learning practice. Education
Sciences, 14(6), 636. https://doi.org/10.3390/educsci14060636
Prather, J., Leinonen, J., Kiesler, N., Gorson Benario, J., Lau, S., MacNeil, S., Norouzi,
N., Opel, S., Pettit, V., Porter, L., Reeves, B. N., Savelka, J., Smith, D. H., Strickroth,
S., & Zingaro, D. (2025). Beyond the hype: A comprehensive review of current
trends in generative AI research, teaching practices, and tools. 2024 Working Group
Reports on Innovation and Technology in Computer Science Education, 300–338.
https://doi.org/10.1145/3689187.3709614
Rivera Viñan, L. M., Romero Ramón, C. A., Montero Ortiz, M. A., Erique Campoverde,
L. J., & Erique Campoverde, J. A. (2025). Estrategias de aprendizaje personalizado:
Adaptando la enseñanza en el aula a las diversas necesidades y estilos de
aprendizaje de los estudiantes. Arandu UTIC, 12(3), 3460–3474.
https://doi.org/10.69639/arandu.v12i3.1568
Rodríguez Castillo, N. E., Posada González, J., Amores Campaña, F. A., Yacchirema
Jiménez, M. G., Yacchirema Jiménez, S. A., & Balseca Guzmán, C. E. (2025).
University Education 5.0: Artificial intelligence and emerging technologies for
innovation in higher education. Seminars in Medical Writing and Education, 4, 433.
https://doi.org/10.56294/mw2025433
Siantuba, J., Nkhata, L., & De Jong, T. (2023). The impact of an online inquiry-based
learning environment addressing misconceptions on students’ performance. Smart
Learning Environments, 10(1), 22. https://doi.org/10.1186/s40561-023-00236-y
Stanny, C. J. (2016). Reevaluating Bloom’s taxonomy: What measurable verbs can and
cannot say about student learning. Education Sciences, 6(4), 37.
https://doi.org/10.3390/educsci6040037
Tong, D., Liu, J., Sun, Y., Liu, Q., Zhang, X., Pan, S., & Bao, L. (2023). Assessment of
student knowledge integration in learning work and mechanical energy. Physical
Review Physics Education Research, 19(1), 010127.
https://doi.org/10.1103/PhysRevPhysEducRes.19.010127
Tu, Y., Chen, J., & Huang, C. (2025). Empowering personalized learning with generative
artificial intelligence: Mechanisms, challenges and pathways. Frontiers of Digital
Education, 2(2), 19. https://doi.org/10.1007/s44366-025-0056-9
Valdivieso, T., & González, O. (2025). Generative AI tools in Salvadoran higher
education: Balancing equity, ethics, and knowledge management in the Global
South. Education Sciences, 15(2), 214. https://doi.org/10.3390/educsci15020214
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
