Original
Study
of the use of AI for learning the subject of programming I:
case
study of information technology career
Estudio del uso de IA para el aprendizaje de
la materia programación I:
caso de estudio carrera de tecnologías de la
información
Mariela
Paola Espinoza Martínez 1
ORCID: https://orcid.org/0000-0003-3677-019X
Fausto
Raúl Orozco Lara
1
ORCID: https://orcid.org/0000-0003-4872-3702
Andrew
Luis Aspiazu Soria 1
ORCID: https://orcid.org/0009-0006-6925-6356
Jorge
Armando Caguana Méndez 1
ORCID: https://orcid.org/0009-0002-8295-7545
Universidad de Guayaquil, Guayaquil,
Ecuador 1
Autor de
correspondencia
mariela.espinozam@ug.edu.ec
fausto.orozcol@ug.edu.ec
andrew.aspiazus@ug.edu.ec
jorge.caguanam@ug.edu.ec
Recibido: 22-01-2026
Aceptado: 05-03-2026
Disponible en línea: 15-05-2026
Abstract
The
objective of this study was to describe the trends observed in academic
performance during the use of Artificial Intelligence (AI) in the Programming 1
course in the Information Technology degree program. The methodology consisted
of a quasi-experimental quantitative design that integrated two sources of
data: academic performance and student perception, at a descriptive level, with
non-equivalent groups. To collect data, an experimental group was used with
Artificial Intelligence tools, and two comparison groups under traditional
instruction; the three courses shared the same syllabus and evaluation periods.
The quantitative results show the averages of the three courses in the “alert
zone” below 7/10, with no evidence of improvement attributable to the
intervention of these tools. 56.5% of students in the experimental group
perceived a reduction in academic frustration, and 78.2% expressed satisfaction
with learning with Artificial Intelligence. A dependency was evident: 82.6% of
students reported low confidence in passing an independent practical exam
without technological assistance. It was concluded that these tools functioned
as a technical safety net for syntax correction but did not replace
logical-algorithmic reasoning.
Keywords: artificial intelligence, programming, academic performance,
cognitive scaffolding.
Resumen
El
objetivo de este estudio fue describir las tendencias observadas en el
desempeño académico durante el uso de la Inteligencia Artificial (IA) en la
materia Programación 1 en la carrera de Tecnologías de la Información. La
metodología consistió en un diseño cuantitativo cuasiexperimental que integra
dos fuentes de datos: rendimiento académico y percepción estudiantil, de nivel
descriptivo, con grupos no equivalentes. Para recolectar datos se utilizó un
grupo experimental intervenido con herramientas de Inteligencia Artificial, y
dos grupos de comparación bajo instrucción tradicional; los tres cursos
compartían el mismo syllabus y períodos de evaluación. Los resultados
cuantitativos muestran los promedios de los tres cursos en “zona de alerta” por
debajo de 7/10, sin evidenciarse una mejora atribuible a la intervención de
dichas herramientas. El 56,5% de estudiantes del grupo experimental percibió
una reducción de frustración académica, y el 78,2% expresó satisfacción con el
aprendizaje con la Inteligencia Artificial. Se evidenció una dependencia: el
82,6% de los estudiantes reportó baja confianza para aprobar un examen práctico
autónomo sin asistencia tecnológica. Se concluye que estas herramientas funcionaron
como red de seguridad técnica para corrección de sintaxis, pero no sustituyeron
el razonamiento lógico-algorítmico.
Palabras clave:
inteligencia artificial, programación, rendimiento
académico, andamiaje cognitivo.
Introducción
La enseñanza de la programación en el nivel universitario enfrenta
una problemática estructural documentada en múltiples contextos
latinoamericanos: los cursos introductorios actúan históricamente como materias
“filtro” con elevadas tasas de reprobación y deserción, debido a que los
estudiantes deben enfrentar simultáneamente el aprendizaje de la lógica
algorítmica y la sintaxis de un lenguaje de programación, lo que genera una
sobrecarga cognitiva que deriva con frecuencia en frustración y abandono. En la
carrera de Tecnologías de la Información donde se realizó este estudio, se
identificó que una proporción considerable de estudiantes de primer semestre
ingresa sin bases formativas previa, provenientes de bachilleratos no técnicos,
lo que agrava las brechas de conocimiento al inicio del ciclo (Morillo, 2016).
Diversas investigaciones han abordado este fenómeno con distintas
aproximaciones. Vera Paredes et al. (2025), mediante una revisión sistemática
con metodología PRISMA, identificaron que las dificultades más frecuentes en
cursos de programación incluyen la abstracción lógica, la depuración de errores
y la desconexión entre teoría y práctica, y que las intervenciones pedagógicas
con tecnología adaptativa muestran resultados mixtos dependientes del diseño
instruccional. En el contexto ecuatoriano, Basantes Suñiga (2023) analizó el
uso de asistentes de IA en educación superior y encontró que su integración
puede reducir la carga cognitiva externa asociada a la sintaxis, aunque
advirtió sobre el riesgo de sustitución del pensamiento lógico por la
automatización. Por su parte, Díaz Vera et al. (2024), en un estudio con 334
docentes de educación superior, señalaron que la IA generativa se expande de
manera dinámica y compleja en el ámbito educativo, y que su implementación
requiere criterios éticos y estratégicos explícitos para evitar usos
dependientes y no reflexivos.
A pesar de este creciente cuerpo de evidencia, persiste un vacío en
la literatura respecto a cómo el uso de herramientas de IA influye
simultáneamente en el rendimiento académico y en la autonomía cognitiva de
estudiantes de primer semestre en cursos introductorios de programación dentro
de contextos universitarios latinoamericanos específicos. La mayoría de los
estudios existentes miden impactos en términos de calificaciones finales o
percepciones generales, sin analizar la tensión entre el apoyo técnico que
ofrece la IA y el riesgo de dependencia que puede comprometer la transferencia
del aprendizaje hacia evaluaciones autónomas. Por lo tanto, el objetivo del
presente estudio fue determinar la relación entre el uso de herramientas de
Inteligencia Artificial y el aprendizaje en la asignatura Programación 1 de la
carrera de Tecnologías de la Información, analizando simultáneamente el
rendimiento académico y la percepción estudiantil sobre autonomía y dependencia
tecnológica.
Metodología
El estudio adoptó un diseño cuantitativo cuasiexperimental que
integra dos fuentes: que son indicadores de rendimiento académico y datos de
percepción estudiantil. En una primera fase se recolectaron y analizaron datos
cuantitativos de rendimiento académico (calificaciones en seis momentos de
evaluación, procesadas por el Dashboard analítico); en una segunda fase, sobre
la base de esas tendencias, se incorporaron los datos de percepción estudiantil
obtenidos mediante un cuestionario de diez ítems de respuesta cerrada, cuyos
resultados se analizaron de forma cuantitativa descriptiva. Los resultados de
percepción se analizaron posteriormente para contextualizar e interpretar las
tendencias observadas en los indicadores de rendimiento académico.
El nivel de investigación fue descriptivo-explicativo: descriptivo,
porque caracterizó tendencias de desempeño por actividad y percepciones sobre
el uso de IA; explicativo, porque buscó analizar la asociación entre la
presencia de herramientas de IA y los resultados académicos observados. Sin
embargo, la ausencia de asignación aleatoria y la carencia de un pretest
estandarizado impiden establecer causalidad; las interpretaciones se limitan a
tendencias descriptivas con valor analítico contextual.
El diseño fue cuasiexperimental de grupos no equivalentes con
medición de solo postest. No se aplicó un instrumento de evaluación diagnóstica
estandarizado previo a la intervención que garantizara la equivalencia inicial
entre los tres paralelos. Esta ausencia de pretest formal constituye la
principal limitación del diseño: impide controlar diferencias de base en
conocimientos previos, rendimiento histórico, estilos de aprendizaje o nivel de
motivación entre grupos, restringiendo cualquier comparación entre cursos al nivel
de tendencia descriptiva contextual, no de efecto causal.
La población consistió en la totalidad de los estudiantes
matriculados en los tres paralelos de Programación 1 durante el primer parcial
del ciclo II 2025-2026 en la carrera de Tecnologías de la Información. El curso
1-6 (n = 37 matriculados; n = 23 que completaron todas las actividades y el
cuestionario) fue designado como grupo experimental, en el cual se implementó
la integración sistemática de herramientas de IA como andamiaje pedagógico. Los
cursos 1-2 y 1-7 actuaron como grupos de control bajo metodología tradicional,
sin integración sistemática de IA durante el parcial. Para equiparar las
condiciones de evaluación, los tres paralelos compartieron: (a) el mismo
contenido temático según el sílabo institucional; (b) las mismas seis
actividades evaluativas con idénticos criterios de calificación; y (c) el mismo
período temporal de aplicación. No obstante, variables de confusión no
controladas, como diferencias de conocimientos previos entre paralelos,
dinámica propia de cada grupo-clase y posible variación en el ritmo de avance
docente, deben tenerse en cuenta al leer cualquier diferencia entre cursos. En
cuanto a los aspectos éticos, el estudio contó con autorización institucional
para el acceso a los registros académicos y para la aplicación del cuestionario
de percepción. Los participantes fueron informados del propósito del estudio y
del carácter voluntario de su participación en el cuestionario; la identidad de
los estudiantes no se divulga en los resultados, preservando el anonimato de
los datos reportados.
La variable independiente fue la integración de herramientas de IA,
definida por la exposición tecnológica mediante registro docente y asignación
de paralelo, con presencia sistemática en el grupo experimental y ausencia en
los grupos de control. Las variables dependientes fueron: (a) rendimiento
académico, que abarcó las dimensiones de conocimiento de fundamentos,
resolución de algoritmos y autonomía evaluativa, operacionalizado como la calificación
obtenida en seis instancias evaluativas (un diagnóstico en Kahoot, cuatro
talleres en Forms/Quizizz y una lección sin asistencia de IA), en escala 0–10
registradas en el Dashboard analítico; y (b) percepción estudiantil sobre el
uso de IA, que analizó dimensiones de rol percibido, dependencia tecnológica,
impacto socioemocional y satisfacción general mediante las respuestas a diez
ítems cerrados aplicados al grupo experimental al término de la intervención.
Es fundamental subrayar que las actividades formativas no fueron diseñadas con
rúbricas que operacionalicen directamente constructos como carga cognitiva,
retención conceptual o pensamiento algorítmico; sus puntajes describen
desempeño en la tarea específica, cuya interpretación teórica se realiza en la
sección de Discusión, aclarando que los datos son consistentes con esas
hipótesis, pero no las miden de forma directa.
Las herramientas de IA integradas en el grupo experimental
incluyeron: zzzcode.ai (corrección de sintaxis y explicación de errores
lógicos), ChatGPT y Gemini (consultas conceptuales), Kahoot (evaluación
gamificada de fundamentos), Quizizz (refuerzo de estructuras de control) y
Google Forms (práctica estructurada). El uso fue guiado por el docente y
orientado a tareas específicas del sílabo; no se autorizó el uso libre sin
supervisión, ni el acceso a estas herramientas durante la lección evaluativa
final.
La recolección de datos se organizó en tres fases. Fase 1
Diagnóstico inicial (todos los grupos, sin IA): la Actividad 1 (Kahoot) se
aplicó a los tres paralelos sin acceso a herramientas de IA, con el propósito
de obtener una referencia descriptiva del nivel de conocimientos previos. Al no
constituir un pretest con instrumento estandarizado validado, sus resultados se
usan como línea de base orientativa, no como garantía de equivalencia entre
grupos. Fase 2 Intervención (grupo experimental con IA; grupos de control sin
IA): desde la Actividad 2 hasta la Actividad 5, el grupo 1-6 utilizó
herramientas de IA bajo supervisión docente como andamiaje pedagógico, mientras
los grupos 1-2 y 1-7 desarrollaron las mismas actividades bajo metodología
tradicional. Fase 3 Evaluación autónoma (todos los grupos, sin IA): la Lección
evaluativa se aplicó a los tres grupos en el mismo momento, sin acceso a IA,
como indicador de la transferencia del aprendizaje hacia la autonomía. Dado que
no existe pretest estandarizado, el diseño se clasifica como de solo postest
con grupos de comparación intactos; las comparaciones entre cursos son
descriptivas y contextuales, no causales.
Los datos cuantitativos de rendimiento se registraron de forma
continua en el Dashboard analítico, herramienta web personalizada que visualiza
calificaciones mediante gráficos de frecuencia, promedios por curso y
semaforización (verde: suficiente ≥7/10; amarillo: alerta 5–6,9; rojo: bajo
<5). Los datos de percepción se recogieron mediante un cuestionario de diez
ítems cerrados aplicado únicamente al grupo experimental al término de la
intervención, por lo que sus resultados describen la experiencia de ese grupo y
no permiten comparaciones con los cursos de control. El Dashboard cumple la
función de visualizador de tendencias; no constituye, por sí mismo, un
instrumento de validación de constructos psicoeducativos.
Resultados
Esta sección reporta, de forma estrictamente descriptiva, los
hallazgos obtenidos en las dos fuentes de datos del estudio: primero los
resultados cuantitativos de rendimiento académico, y luego los resultados
cuantitativos descriptivos de percepción estudiantil. Ambas fuentes se integran
en un apartado final de síntesis descriptiva entre indicadores de rendimiento y
percepciones estudiantiles. Las interpretaciones que siguen se limitan a
describir tendencias observadas; las explicaciones teóricas y el diálogo con la
literatura se desarrollan en la Discusión.
Contexto del aprendizaje en Programación 1
Como referencia contextual, se registró que la asignatura
Programación 1 presenta históricamente indicadores elevados de reprobación y
abandono en la carrera de Tecnologías de la Información, consistentes con la
literatura regional sobre cursos introductorios de programación (Morillo, 2016;
Vera Paredes et al., 2025). En el ciclo estudiado, un segmento considerable del
estudiantado ingresó sin formación computacional previa, proveniente de
bachilleratos no técnicos. Estos antecedentes contextualizan sin determinar los
niveles de desempeño observados en las actividades.
Resultados cuantitativos de rendimiento académico
Los datos cuantitativos se obtuvieron del Dashboard analítico, que
procesó las calificaciones de los tres cursos en seis instancias evaluativas
durante el primer parcial. Dado que el diseño no incluyó pretest estandarizado,
las comparaciones entre cursos son descriptivas y contextuales. En ningún caso
se interpreta una diferencia entre cursos como efecto causal de la intervención
con IA; factores no controlados de conocimientos previos, dinámica de cada
paralelo, ritmo de avance docente, pudieron contribuir a las diferencias
observadas. Se pueden observar mejor en la siguiente tabla 1:
Tabla 1
Promedios (M) y dispersión por actividad evaluativa
y curso/ Programación 1, ciclo II 2025-2026
|
Actividad
|
Herramienta
|
Fase
|
Curso
1-2 (Control)
|
Curso
1-6 (Experimental)
|
Curso
1-7 (Control)
|
Observación
|
|
|
|
|
M
|
Dispersión
|
M
|
Dispersión
|
M
|
Dispersión
|
|
|
Actividad
1
Kahoot
(diagnóstico inicial)
|
Kahoot
|
Diagnóstico
(sin
IA)
|
5.38
|
Heterogénea
|
5.08
|
Heterogénea
|
4.02
|
Zona
baja
|
Sin
IA. Media máx. 5.38 en los tres cursos
|
|
Actividad
2
Taller:
Sec., Selec. e Iteración
|
Forms/Quizizz
|
Intervención
|
6.05
|
Heterogénea
|
4.64
|
Heterogénea
|
4.95
|
Heterogénea
|
Distribuciones
heterogéneas entre cursos
|
|
Actividad
3
Forms:
Práctica de Refuerzo
|
Google
Forms
zzzcode.ai
|
Intervención
|
7.50
|
Alta
dispersión
|
4.82
|
Menor
dispersión
|
0.82
|
Alta
dispersión
|
Curso
1-6 con menor dispersión extrema
|
|
Actividad
4
Quizizz:
Bucles
|
Quizizz
|
Intervención
|
6
|
Incluye
notas nulas
|
4.15
|
Sin
notas nulas
|
5.18
|
Incluye
notas nulas
|
Grupo
exp. sin calificaciones nulas
|
|
Actividad
5
Práctica:
Arreglos y Matrices
|
Práctica
evaluada
Codeconvert.ai
|
Intervención
|
6.41
|
Moderada
|
4.18
|
Variable
|
2.95
|
Alta
|
Mayor
variabilidad entre cursos del parcial
|
|
Lección
evaluativa
Selec.
e Iteración (sin IA)
|
Lección
escrita
|
Eval.
autónoma
(sin
IA)
|
4.50
|
Zona
baja
|
3.66
|
Zona
baja
|
4.40
|
Zona
baja
|
Todos
los grupos en rendimiento bajo
|
Nota. Elaborada por los autores.
Resultados de percepción estudiantil: análisis por dimensiones
El cuestionario de diez ítems cerrados fue aplicado a los 37
estudiantes del grupo experimental (1-6) al término de la fase de intervención
pero solo respondieron los 23 estudiantes que participaron durante todo la
intervención. Sus resultados se analizan como datos cuantitativos descriptivos
de percepción; no constituyen análisis cualitativo en sentido estricto. Los
resultados se organizan en ocho dimensiones analíticas, no por número de
pregunta, definidas a partir de los focos temáticos del instrumento. Cada
dimensión se reporta indicando qué ítems la alimentan.
Dimensión 1 - Rol percibido de la IA (Ítem 1). El 39,1 % de los
estudiantes identificó la IA principalmente como «corrector de errores»; el
26,1 % como «generador de soluciones» (uso para obtener código directamente);
el 21,7 % como «tutor explicativo»; y el 13 % como generador de práctica
adicional (gráfico 7). La concentración del uso en funciones correctivas y de
generación de soluciones sumando 65,2 % describe que, en este grupo, la IA
operó predominantemente como apoyo técnico de sintaxis más que como herramienta
de razonamiento.
Gráfico 1
Rol percibido de la IA en el aprendizaje.
Nota. Resultados obtenidos de la encuesta aplicada a los 23
estudiantes participantes tras la implementación de herramientas de IA.
Dimensión 2 - Estrategias de depuración y autonomía (Ítem 2). Ante
errores en el código, el 47,8 % reportó analizar la explicación de la IA para
resolver el error de forma autónoma; el 30,4 % generó ejemplos similares para
practicar; y el 21,7 % copió el código corregido sin análisis previo (gráfico
8). El 21,7 % que copió sin analizar representa un patrón de uso que, en
términos descriptivos, apunta a posible dependencia; no puede afirmarse que ese
patrón fue o no reflexivo, dado que el instrumento no incluyó criterios de
observación independiente.
Gráfico 2
Estrategias de depuración reportadas.
Nota. Resultados de la encuesta aplicada para evaluar la
autonomía y el pensamiento crítico en la depuración de programas.
Dimensión 3 - Criterio crítico sobre la fiabilidad de la IA (Ítem
3). El 39,1 % reportó haber detectado respuestas incorrectas o ineficientes de
la IA y haber podido corregirlas; el 43,5 % no recordó errores de la
herramienta; y el 17,4 % detectó fallas pero no supo resolverlas sin recurrir a
otra herramienta (gráfico 9). El 17,4 % que no pudo resolver errores detectados
describe una fracción del grupo con vulnerabilidad crítica ante posibles
inexactitudes del modelo.
Gráfico 3
Criterio crítico sobre la fiabilidad de la IA.
Nota. Resultados de la encuesta aplicada para evaluar el
nivel de discernimiento técnico y supervisión humana sobre la herramienta de
IA.
Dimensión 4 - Dependencia ante evaluación sin IA (Ítem 4). El 47,8 %
declaró que enfrentaría un examen autónomo «con muchas dificultades»; el 34,8 %
se mostró “incierto”; y solo el 17,4 % se consideró “bastante capaz” (gráfico
10). En conjunto, el 82,6 % expresó algún nivel de inseguridad ante la
evaluación sin asistencia tecnológica. Este porcentaje es coherente con el
desempeño observado en la lección evaluativa (todos los grupos en zona roja),
lo que constituye el primer punto de articulación entre fuentes cuantitativas y
perceptuales del estudio.
Gráfico 3
Nivel de confianza para evaluación autónoma sin IA.
Nota. Resultados de la encuesta aplicada para evaluar la
seguridad estudiantil y la transferencia de conocimiento tras el uso de
herramientas de IA.
Dimensión 5 - Impacto socioemocional (Ítem 5). El 56,5 % reportó que
la IA redujo sustancialmente su frustración e incrementó su motivación; el
30,4 % señaló que, pese al apoyo, continuó experimentando dificultades; y el
13 % indicó que la IA le generó ansiedad respecto a la validez de su
aprendizaje (gráfico 11). La coexistencia de una alta percepción de alivio
emocional (56,5 %) con un desempeño bajo en la lección autónoma (3,66/10 en el
grupo experimental) constituye la tensión descriptiva central de este estudio:
confort emocional no equivale a aprendizaje autónomo consolidado.
Gráfico 4
Impacto socioemocional percibido del uso de IA.
Nota. Resultados de la encuesta aplicada para evaluar el
bienestar emocional y la persistencia académica tras la intervención
tecnológica.
Dimensión 6 - Cambios en los hábitos de estudio (Ítem 6). El 52,2 %
empleó la IA como un recurso de explicación de conceptos fuera del horario de
clases; el 39,1 % la usó para verificar y depurar su propio código; el 21,7 %
sustituyó fuentes de consulta tradicionales; y otro 21,7 % automatizó tareas
para reducir el tiempo de estudio (gráfico 12). Solo el 8,7 % no reportó
cambios. El patrón de automatización de tareas (21,7 %) describe un
comportamiento que, de ampliarse, podría reducir el esfuerzo cognitivo
invertido; su interpretación teórica se desarrolla en la Discusión.
Gráfico 5
Cambios en hábitos de estudio reportados.
Nota. Resultados de la encuesta aplicada para
identificar la evolución de las estrategias de aprendizaje autónomo.
Dimensiones 7 y 8 - Postura ética y satisfacción general (Ítems 7 y
8). El 65,2 % consideró que la IA debería enseñarse formalmente como habilidad
técnica en el currículo; el 26,1 % apoyó su uso libre; y el 8,7 % propuso su
prohibición en niveles básicos (gráfico 13). En cuanto a satisfacción general,
el 78,2 % expresó niveles favorables (39,1 % totalmente satisfecho y 39,1 %
satisfecho); el 13 % neutral; y el 8,7 % insatisfecho (gráfico 14). La alta
tasa de aprobación de la experiencia (78,2 %) contrasta con el indicador de
dependencia (82,6 %), reforzando la tensión descriptiva entre valoración
positiva de la experiencia y fragilidad en la autonomía evaluativa.
Gráfico 6
Postura ética sobre la IA en el currículo.
Nota. Resultados de la encuesta aplicada para
definir la visión de los futuros profesionales de TI sobre el currículo
académico.
Gráfico 7
Nivel de satisfacción general con el aprendizaje
asistido por IA.
Nota. Resultados de la encuesta aplicada para
medir la aceptación tecnológica y el impacto en la experiencia de aprendizaje.
Dimensión 9 - Motivación y dinamismo con IA frente a métodos
tradicionales (Ítem 9). El 47,8 % de los estudiantes afirmó que el aprendizaje
resultó más dinámico e interesante con las herramientas de IA en comparación
con el uso exclusivo de libros o diapositivas; el 43,5 % no percibió diferencia
significativa respecto a los métodos tradicionales; y el 8,7 % expresó
preferencia por la metodología tradicional sin asistencia tecnológica (gráfico
15). La coexistencia de una mayoría que valoró positivamente el dinamismo (47,8
%) con un grupo significativo que no distinguió cambio (43,5 %) sugiere que el
impacto motivacional de la IA no fue homogéneo en el grupo y que factores
individuales de perfil de aprendizaje pudieron modular la percepción de interés
y compromiso.
Gráfico 8
Percepción sobre dinamismo y motivación con IA
frente a métodos tradicionales.
Nota. Resultados de la encuesta aplicada para
evaluar el impacto de la tecnología en el compromiso estudiantil (n = 23).
Dimensión 10 - Preferencia de modalidad educativa futura (Ítem 10).
El 65,2 % de los estudiantes declaró que preferiría cursar futuras asignaturas
de programación con integración de herramientas de IA; el 21,7 % mostró
indiferencia ante la modalidad; y el 13 % prefirió retornar a una metodología
sin IA (gráfico 16). Este alto porcentaje de preferencia por la modalidad
asistida (65,2 %) es coherente con los indicadores de satisfacción general
(78,2 %, Dimensión 8) y constituye un indicador de aceptación tecnológica que,
no obstante, debe leerse junto al indicador de dependencia (82,6 %, Dimensión
4): la preferencia declarada por la asistencia tecnológica puede reflejar tanto
una valoración pedagógica positiva como una tendencia a preferir el andamiaje
frente a la autonomía evaluativa.
Gráfico 9
Preferencia de modalidad educativa para futuras asignaturas de programación.
Nota.
Resultados de la encuesta
aplicada para evaluar la sostenibilidad de la integración de la IA en la
formación académica (n = 23).
Triangulación entre indicadores de rendimiento y dimensiones de
percepción
La Tabla 1 integra los indicadores de rendimiento con las
dimensiones de percepción como síntesis descriptiva entre ambas fuentes
cuantitativas, mostrando la correspondencia entre tendencias y la lectura
conjunta que resulta de articularlas. Los datos de percepción permiten
contextualizar e interpretar las tendencias observadas en los indicadores de
rendimiento académico.
Tabla 2
Triangulación entre indicadores de rendimiento y dimensiones de
percepción.
|
Dimensión
perceptual
|
Ítems que la
alimentan
|
Tendencia de
percepción
|
Indicador de
rendimiento relacionado
|
Tendencia
integrada
|
|
Dependencia
ante evaluación sin IA
|
Ítem 4
|
82,6 % con
inseguridad o baja confianza
|
Lección
autónoma: todos los grupos en zona roja (3,66/10 en grupo exp.)
|
Dependencia
autorreportada consistente con el desempeño en evaluación autónoma
|
|
Impacto
socioemocional
|
Ítem 5
|
56,5 % reporta
reducción de frustración
|
Promedios en
zona de alerta en todas las actividades; lección en zona roja
|
Alivio
emocional sin mejora académica autónoma consolidada
|
|
Rol percibido
de la IA
|
Ítem 1
|
65,2 % la
percibe como corrector o generador de soluciones
|
Distribuciones
de rendimiento similares entre grupos en actividades de intervención
|
Uso
predominantemente técnico-correctivo, no de razonamiento profundo
|
|
Estrategias de
depuración
|
Ítem 2
|
21,7 % copia
sin analizar
|
No existe
indicador directo; coherente con la fragilidad en la lección autónoma
|
Patrón de uso
sustitutivo en fracción relevante del grupo
|
|
Satisfacción
general
|
Ítem 8
|
78,2 %
satisfecho o muy satisfecho
|
Promedios en
zona de alerta en todas las actividades
|
Alta valoración
de la experiencia con rendimiento académico no mejorado
|
Nota. Elaborada por los autores.
Discusión
Interpretación de la tensión central: confort emocional y fragilidad
autónoma
El hallazgo más relevante del estudio es la coexistencia de dos
tendencias aparentemente contradictorias: por un lado, una percepción elevada
de reducción de frustración y de satisfacción con la experiencia asistida por
IA (56,5 % y 78,2 %, respectivamente); por otro, la persistencia de promedios
en zona de alerta en todas las actividades formativas y un desempeño bajo en la
lección evaluativa sin asistencia (3,66/10 en el grupo experimental), con un
82,6 % de estudiantes que reportó inseguridad ante una evaluación autónoma.
Esta dualidad es consistente con lo que Vera Paredes et al. (2025) describen
como el riesgo de intervenciones tecnológicas que reducen la carga cognitiva
externa (asociada a la sintaxis) sin generar comprensión profunda de la lógica
algorítmica, que requiere esfuerzo cognitivo activo. Los datos de este estudio
son consistentes con esa advertencia, aunque no la demuestran directamente,
dado que no se midió carga cognitiva con instrumentos específicos.
El patrón de uso observado, donde la IA funcionó predominantemente
como “corrector de errores” (39,1 %) y “generador de soluciones” (26,1 %), es
coherente con la hipótesis de andamiaje técnico: la herramienta ofreció soporte
en la dimensión superficial (sintaxis) más que en la dimensión profunda
(razonamiento algorítmico). Pairetti et al. (2023) plantean que el uso
pedagógico efectivo de la IA generativa debería orientarse a problemas de
complejidad que el estudiante no puede abordar de forma independiente en los
tiempos del curso, preservando la responsabilidad del razonamiento en el propio
alumno. Los resultados sugieren que esa condición no se alcanzó plenamente en
este contexto: la ausencia de una retirada progresiva del andamiaje evidente en
los niveles de dependencia autorreportada habría facilitado el uso sustitutivo
más que el uso amplificador. Sin embargo, estas interpretaciones son
hipotéticas; el diseño del estudio no permite verificarlas con certeza.
Diálogo con la literatura sobre impacto socioemocional y dependencia
El impacto socioemocional positivo, reducción de frustración y alta
satisfacción; se alinea con los hallazgos de Díaz Vera et al. (2024), quienes
documentaron que la IA generativa puede actuar como facilitadora de la
motivación y la persistencia académica cuando se integra de forma controlada.
No obstante, los mismos autores advierten que su uso sin criterios éticos y
estratégicos claros puede generar sustitución del pensamiento más que
amplificación cognitiva. En este estudio, el porcentaje de estudiantes que
copió soluciones sin análisis previo (21,7 %) y el que reportó baja confianza
ante evaluaciones autónomas (82,6 %) describen indicadores de dependencia que
coinciden con esas advertencias, aunque la encuesta no permite distinguir cuál
fue el proceso cognitivo real detrás de cada uso autorreportado.
Basantes Suñiga (2023) advirtió específicamente sobre el riesgo de
que los asistentes de IA en programación sustituyan el pensamiento lógico por
automatización. Los datos de hábitos de estudio de este estudio, donde el
21,7 % automatizó tareas para reducir el tiempo invertido; son coherentes con
esa advertencia a nivel descriptivo. Sin embargo, dado que la encuesta es de
autorreporte, no puede descartarse que la percepción de “automatización”
refleje en parte una interpretación subjetiva del propio proceso de aprendizaje
asistido.
Limitaciones metodológicas y alcance de las inferencias
Es indispensable delimitar con precisión las limitaciones que
condicionan el alcance de las interpretaciones anteriores. En primer lugar, la
ausencia de asignación aleatoria y de pretest estandarizado impide atribuir
diferencias entre cursos a la intervención con IA; factores de base no
controlados, conocimientos previos, dinámica de grupo y motivación inicial
pudieron haber influido en los resultados. En segundo lugar, la duración del
estudio se limitó al primer parcial del ciclo, lo que impide observar efectos
de mediano o largo plazo en el aprendizaje. En tercer lugar, el posible efecto
novedad de las herramientas de IA pudo haber incrementado temporalmente la
motivación sin que ello se traduzca en aprendizaje sostenido. En cuarto lugar,
el cuestionario de autorreporte introduce sesgos de deseabilidad social, y no
permite verificar si los comportamientos declarados se dieron efectivamente de
esa forma. En quinto lugar, la ausencia de instrumentos validados para medir
constructos como carga cognitiva, retención conceptual o razonamiento algorítmico
impide hacer afirmaciones directas sobre esos procesos; el Dashboard visualiza
tendencias de calificaciones, pero no valida constructos psicoeducativos.
Finalmente, la muestra (n = 23 en el grupo experimental) limita la estabilidad
descriptiva de los porcentajes reportados.
Los hallazgos de este estudio se circunscriben al contexto
específico analizado: primer parcial del ciclo II 2025-2026, carrera de
Tecnologías de la Información, con las herramientas y el diseño de intervención
descrito. Las inferencias son de carácter analítico y contextual, no generalizables
estadísticamente a otros contextos sin estudios adicionales que incorporen
asignación aleatoria, pretest estandarizado, mayor duración temporal y medición
específica de variables cognitivas.
Implicaciones pedagógicas
A partir de las tendencias observadas, y con la cautela inferencial
descrita, los hallazgos sugieren que la integración de herramientas de IA en
cursos introductorios de programación requiere al menos tres elementos de
diseño pedagógico: (a) fases progresivas y explícitas de retirada del andamiaje
tecnológico, para que el estudiante transite gradualmente hacia la autonomía
evaluativa; (b) criterios claros de uso ético que delimiten cuándo y cómo
emplear la IA como herramienta de aprendizaje y no como sustituto del
razonamiento; y (c) actividades de verificación crítica que entrenen al
estudiante en la detección y corrección de respuestas erróneas de la IA. Estos
elementos coinciden con los marcos de implementación responsable que Nivela y
Echeverría (2024) señalan como necesarios ante las limitaciones de preparación
técnica institucional para integrar IA en la educación superior, y con la
propuesta de Posso Pacheco et al. (2025) de una metodología de enseñanza
integrada que incorpore la IA como facilitadora de la analítica del aprendizaje
y los ajustes pedagógicos en tiempo real. De igual forma, Argudo et al. (2025)
documentan que la personalización de los procesos de aprendizaje y la
optimización de la gestión docente mediante IA son efectivas en la medida en
que se acompañen de estructuras pedagógicas que garanticen la construcción
activa del conocimiento. Estas implicaciones se plantean como hipótesis de
diseño para estudios futuros, no como conclusiones verificadas por el presente
estudio.
Conclusiones
En relación con el objetivo general del estudio, el análisis de las
tendencias observadas en el desempeño académico durante el uso de herramientas
de IA en la materia Programación 1, los datos descriptivos no evidenciaron
diferencias sustanciales ni consistentes en los promedios de calificaciones
entre el grupo experimental y los grupos de control a lo largo del primer
parcial del ciclo II 2025-2026. Los tres paralelos se mantuvieron
predominantemente en zona de alerta en todas las actividades formativas. En la
lección evaluativa aplicada sin acceso a herramientas de IA, todos los cursos
se ubicaron en zona de rendimiento bajo: el grupo experimental registró un
promedio de 3,66/10, resultado comparable al de los grupos de control, lo que
indica que la condición de intervención no se tradujo en una ventaja
descriptivamente perceptible en la evaluación autónoma. Dado que el estudio no
incluyó análisis inferenciales ni pruebas de contraste estadístico, estas
observaciones se expresan únicamente como tendencias descriptivas dentro del
contexto analizado, sin que sea posible establecer la existencia o ausencia de
relaciones causales ni hablar de diferencias estadísticamente significativas
entre grupos.
En relación con la percepción estudiantil, los datos del cuestionario
aplicado al grupo experimental mostraron una reducción en su nivel de
frustración académica y expresaron satisfacción general con el aprendizaje
asistido por IA. Estas percepciones positivas coexisten con un indicador de
dependencia autorreportada: por otro lado, un gran porcentaje de los
estudiantes indicaron que enfrentarían una evaluación práctica sin asistencia
tecnológica con dificultades o incertidumbre. Esta tendencia es coherente con
el desempeño bajo registrado en la lección evaluativa autónoma. La lectura
conjunta de ambas fuentes de datos, rendimiento y percepción sugiere que las
herramientas de IA operaron principalmente como apoyo técnico en la corrección
de sintaxis y la reducción de la ansiedad asociada a esa dimensión, sin que se
observe, en los datos disponibles, una mejora consistente en el desempeño de
las evaluaciones autónomas sin asistencia tecnológica. La dependencia se
infiere a partir de la autopercepción autorreportada mediante el cuestionario
aplicado al grupo experimental; al tratarse de un instrumento de autorreporte
con n = 23 estudiantes, esta tendencia debe interpretarse con cautela y no
puede generalizarse a otros contextos.
El Dashboard analítico utilizado en el estudio cumplió su propósito
instrumental de visualizar tendencias de calificaciones y facilitar la toma de
decisiones docentes basadas en datos dentro del contexto de la intervención; no
obstante, su evaluación no constituyó el objetivo principal de la
investigación. Los hallazgos de este estudio se circunscriben al contexto
específico analizado y no son generalizables a otros cursos, instituciones o
ciclos sin estudios adicionales que incorporen asignación aleatoria, pretest
estandarizado, mayor duración temporal, medición específica de variables
cognitivas e instrumentos validados para la construcción teórica que aquí se
interpreta de forma contextual.
Referencias
Argudo, R., Aveiga, C., Cruz, A.,
& Otero, O. (2025). Inteligencia artificial ( IA ) para el aprendizaje
en el contexto académico universitario. 6(12), 1854–1867. https://doi.org/10.55813/gaea/ccri/v6/nE2/1140
Basantes, R. (2023). Estudio
comparativo de las herramientas de ia (inteligencia artificial) Code GPT Y
GITHUB COPILOT como asistentes de programación en el desarrollo de software.
[Tesis de Licenciatura] Universidad Técnica de Babahoyo.
http://dspace.utb.edu.ec/handle/49000/13900
Díaz Vera, J. P., Molina Izurieta,
R., Bayas Jaramillo, C. M., & Ruiz Ramírez, A. K. (2024). Asistencia de la
inteligencia artificial generativa como herramienta pedagógica en la educación
superior. Revista de Investigación En Tecnologías de La Información, 12(26),
61–76. https://doi.org/10.36825/RITI.12.26.006
Espin, L. (2025). Inteligencia
artificial en el desarrollo cognitivo en la enseñanza de la historia y ciencias
sociales. Guía didáctica. [Tesis de Licenciatura] Universidad de Guayaquil.
https://repositorio.ug.edu.ec/handle/redug/80810
Granda Dávila, M. F., Muncha Cofre
, I. J., Guamanquispe Rosero , F. V., & Jácome Noroña , J. H. (2024). Artificial Intelligence: advantages and disadvantages of its use in
the teaching-learning process. MENTOR Revista De
investigación Educativa Y Deportiva , 3(7),
202–224. https://doi.org/10.56200/mried.v3i7.7081
Martínez, R. (2023). El impacto
del uso de la inteligencia artificial como herramienta educativa en los
procesos de aprendizaje [Tesis de Pregrado] Universidad de Chile. https://repositorio.uchile.cl/bitstream/handle/2250/201369/El-impacto-del-uso-de-la-inteligencia-artificial-como-herramienta-educativa-en-los-procesos-de-aprendizaje-Rowan-Martinez-Tralma.pdf
Morillo, M. del C. (2016). Aprendizaje
Adaptativo [Trabajo fin de Máster] Universidad de Valladolid. http://uvadoc.uva.es/handle/10324/21000
Nivela, M., & Echeverría, S.
(2024). Inteligencia Artificial en la Educación Superior: Innovación, Desafíos
y Perspectivas para el Futuro. Código Científico Revista de Investigación,
5(2), 1242–1266. https://revistacodigocientifico.itslosandes.net/index.php/1/article/view/625/1379
Pairetti, C. I., Rodríguez, G. L.,
& Decoppet, G. (2023). Uso de IA generativa como
herramienta de inducción a la programación en carreras STEAM. Memorias de
Las JAIIO, 9(9), 20–33. https://revistas.unlp.edu.ar/JAIIO/article/view/18050/17718
Posso Pacheco, R. J., Posso
Pacheco, E. E., & Salazar Ayala, J. J. (2025). Artificial
Intelligence in Education: Proposal for an Integrated Teaching
Methodology. MENTOR Revista De investigación
Educativa Y Deportiva , 4(10),
1–8. https://doi.org/10.56200/mried.v4i10.9501
Ruiz, G. (2025). El impacto de la
inteligencia artificial y las herramientas digitales en las asignaturas básicas
de la educación superior The Impact of artificial intelligence and digital
tools on core subjects in higher education. Revista de Investigación En
Tecnologías de La Información, 13(30), 9–24. https://doi.org/10.36825/RITI.13.30.002
Vera Paredes, D. A., Franco Arias,
O. O., & Córdova Martínez, L. C. (2025). Impacto de la inteligencia
artificial en el aprendizaje de la programación informática en los estudiantes
universitarios. Ciencia y Educación, 6(3), 33–50. https://doi.org/10.5281/ZENODO.15056104
Financiación
Los autores no recibieron financiación para el desarrollo de la
presente investigación.
Conflicto de Intereses
Los autores declaran que no existe conflicto de intereses.
Contribución de Autoría:
Los autores han
participado en la construcción del documento.
