Aprendizaje personalizado con IA generativa para enseñar la conservación de la energía mecánica según niveles cognitivos.
DOI:
https://doi.org/10.63618/omd/isj/v4/n3/326Palabras clave:
Inteligencia artificial generativa, Aprendizaje personalizado, Tutoría socrática, Conservación de la energía mecánica, Formación de profesores de FísicaResumen
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.
Descargas
Referencias
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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. DOI: https://doi.org/10.6017/895b9e0d.36d8e241
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 DOI: 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 DOI: https://doi.org/10.3389/feduc.2025.1528603
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1136/bmj.h1258
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.3390/educsci15020214
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Guerrero-Zambrano, Marcos, Cevallos-Torres, Lorenzo, Rumbaut-Rangel, Dayron (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
: