ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
Art´ıculo de investigaci´on https://doi.org/10.47460/noesis.v2i4.26
Inteligencia artificial generativa como apoyo al aprendizaje aut´onomo en
estudiantes de secundaria: oportunidades y desaf´ıos pedag´ogicos
Luis Alb erto Avila Veintimilla*
https://orcid.org/0009-0003-5158-3664
luisalbertoavilaveintimilla@outlook.com
Distrito 09D04 Febres Cordero
Guayaquil, Ecuador
*Autor de correspondencia:
luisalbertoavilaveintimilla@outlook.com
Recibido (11/05/2025), Aceptado (21/07/2025)
Resumen. La inteligencia artiĄcial generativa (IAG) representa una transformaci
´
on signiĄcativa en los entornos
educativos contempor
´
aneos. Este art
´
ıculo presenta una revisi
´
on sistem
´
atica de la literatura reciente sobre el
uso de la IAG como herramienta de apoyo al aprendizaje aut
´
onomo en estudiantes de secundaria. Mediante el
enfoque PRISMA, se analizaron publicaciones entre 2019 y 2024 en bases de datos acad
´
emicas reconocidas. Los
hallazgos revelan que tecnolog
´
ıas como ChatGPT han favorecido el desarrollo de habilidades metacognitivas,
la personalizaci
´
on del aprendizaje y el acceso a retroalimentaci
´
on inmediata. No obstante, tambi
´
en surgen
desaf
´
ıos como la dependencia tecnol
´
ogica, la falta de criterio cr
´
ıtico en el uso de estas herramientas, y la
necesidad urgente de formaci
´
on docente y marcos
´
eticos claros. Se concluye que la IAG posee un alto potencial
para fomentar el aprendizaje aut
´
onomo, sie mpre que su integraci
´
on se base en principios pedag
´
ogicos s
´
olidos,
´
etica digital y una visi
´
on cr
´
ıtica de su aplicaci
´
on en contextos escolares.
Palabras clave: inteligencia artiĄcial, educaci
´
on contemp or
´
anea, aprendizaje aut
´
onomo.
Generative Artificial Intelligence to Support Aut on o m o u s L ea r n i n g in
Secondary School Students: Pedagog i cal Opportunities and Ch a l l en ge s
Abstract. Generative artiĄcial intelligence (AGI) represents a signiĄcant transformation in contemporary
educational environments. This article presents a systematic review of the recent literature on the use of
HAIs as a tool to support autonomous learning in secondary school students. Using the PRISMA approach,
publications between 2019 and 2024 were analyzed in recognized academic databases. The Ąndings reveal
that technologies such as ChatGPT have favored the development of metacognitive skills, the personalization
of learning, and access to immediate feedback. However, challenges such as technological dependence, lack of
critical judgment in the use of these tools, and the urgent need for teacher training and clear ethical frameworks
also emerge. It is concluded that IAG has a high potential to promote autonomous learning, provided that
its integration is based on solid pedagogical principles, digital ethics and a critical vision of its application in
school contexts.
Keywords: artiĄcial intelligence, contemporary education, autonomous learning.
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
27
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
I. INTRODUCCI
Â
ON
La r
´
apida expansi
´
on de la inteligencia artiĄcial generativa (IAG), ejempliĄcada por herramientas
como ChatGPT, Gemini o los modelos multimodales, est
´
a transformando los entornos educativos al
ofrecer generaci
´
on inmediata de textos, im
´
agenes y respuestas personalizadas [1]. Estas tecnolog
´
ıas
poseen un alto potencial para potenciar el aprendizaje aut
´
onomo en estudiantes de secundaria, ya
que favorecen la autorregulaci
´
on, la personalizaci
´
on del contenido y la retroalimentaci
´
on oportuna.
En este sentido, ya existen revisiones sistem
´
aticas que exploran el uso de la IAG en educaci
´
on.
En el contexto KŰ12 (primaria y secundaria), se ha evidenciado que la IAG permite personalizar
el aprendizaje, motivar a los estudiantes e innovar en los procesos de evaluaci
´
on, aunque tambi
´
en
se destaca la necesidad de formaci
´
on docente y de marcos normativos
´
eticos claros [
2]. Alineado
con esta perspectiva, Bano y Mehdi realizaron una revisi
´
on sistem
´
atica centrada en la aplicaci
´
on de
la IAG en educaci
´
on primaria y secundaria, subrayando sus ventajas en t
´
erminos de compromiso y
motivaci
´
on, as
´
ı como su creciente integraci
´
on en contextos escolares [3].
No obstante, la mayor
´
ıa de las investigaciones se han enfocado en la educaci
´
on superior o en
estudios de car
´
acter general. Son escasas las revisiones que ab ordan espec
´
ıĄcamente el v
´
ınculo entre
la IAG y el aprendizaje aut
´
onomo en secundaria, lo que constituye una brecha relevante en la literatura.
Revisiones recientes, como las de Jasper Roe y Mike Perkins, han comenzado a explorar c
´
omo la
IAG puede fomentar el aprendizaje autodirigido, resaltando beneĄcios como la personalizaci
´
on del
contenido y el rol del docente como gu
´
ıa cr
´
ıtico en el proceso educativo [
4].
En consecuencia, esta revisi
´
on sistem
´
atica se propone abordar dicho vac
´
ıo, analizando estudios
recientes que vinculan la IAG con el aprendizaje aut
´
onomo en entornos escolares de nivel secundario.
Se busca identiĄcar tanto las oportunidades pedag
´
ogicasŮcomo la motivaci
´
on, la autogesti
´
on y la
retroalimentaci
´
on activaŮcomo los desaf
´
ıos asociados, entre ellos la dependencia tecnol
´
ogica, la
alfabetizaci
´
on cr
´
ıtica y la necesidad de formaci
´
on docente especializada.
II. DESARROLLO
La irrupci
´
on de la inteligencia artiĄcial generativa (IAG) ha introducido una nueva etapa en el
desarrollo de tecnolog
´
ıas educativas. Esta forma de IA, sustentada en modelos de lenguaje avanza-
dos y redes neuronales profundas, permite la creaci
´
on de textos, im
´
agenes y respuestas de manera
aut
´
onoma a partir de comandos simples, posicion
´
andose como una herramienta clave en procesos de
ense
˜
nanza-aprendizaje altamente personalizados [
5].
Uno de los aspectos donde se evidencia con mayor claridad su potencial es en el aprendizaje
aut
´
onomo, entendido como la capacidad del estudiante para gestionar su propio proceso educativo,
autorregular su ritmo y asumir decisiones sobre lo que aprende, c
´
omo lo aprende y cu
´
ando lo hace.
Herramientas como ChatGPT han demostrado facilitar este tipo de autonom
´
ıa, al ofrecer respuestas
inmediatas, sugerencias adaptativas y acompa
˜
namiento a trav
´
es de un lenguaje natural [
6].
En el
´
ambito de la educaci
´
on secundaria, la relaci
´
on entre IAG y aprendizaje aut
´
onomo comienza
a tomar forma en diversas investigaciones. Por su parte, Marzano [
7] destaca que estas tecnolog
´
ıas
permiten personalizar el aprendizaje en entornos KŰ12, mejorando la motivaci
´
on estudiantil y fa-
voreciendo nuevas estrategias de evaluaci
´
on. No obstante, el autor tambi
´
en resalta la necesidad de
formaci
´
on docente y la urgencia de establecer criterios
´
eticos para su integraci
´
on.
Desde una perspectiva centrada en el estudiante, Roe y Perkins [8] observaron que la IAG puede
potenciar la autodirecci
´
on si se utiliza dentro de un marco pedag
´
ogico s
´
olido. En su revisi
´
on sis-
tem
´
atica, encontraron que los estudiantes pueden desarrollar mayor iniciativa y compromiso cuando
la tecnolog
´
ıa act
´
ua como gu
´
ıa y no como sustituto del docente. Sin embargo, tambi
´
en advierten
que el uso excesivo y acr
´
ıtico de estas herramientas podr
´
ıa disminuir el juicio reĆexivo y aumentar la
dependencia.
Por otra parte, la literatura especializada ha comenzado a documentar el surgimiento de tutores
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
28
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
generativos inteligentes, que integran modelos tipo transformer en entornos de simulaci
´
on dialogada.
Un ejemplo es So cratic Playground, desarrollado por Hu et al., el cual ofrece una experiencia de
tutor
´
ıa interactiva centrada en preguntas abiertas y razonamiento guiado [9]. Este enfoque, seg
´
un
los autores, permite una tutor
´
ıa m
´
as cercana a la pedagog
´
ıa dial
´
ogica y adaptada a las necesidades
individuales del estudiante.
No puede ignorarse la dimensi
´
on
´
etica y cr
´
ıtica del uso de IAG en contextos escolares. Garc
´
ıa-
L
´
opez [
10] advierte que el uso de estas tecnolog
´
ıas debe ir acompa
˜
nado de pol
´
ıticas claras en cuanto a
privacidad, equidad de acceso y alfabetizaci
´
on digital. En la misma l
´
ınea, Yan et al. [
11] identiĄcan
como principales desaf
´
ıos la falta de transparencia de los modelos, la escasa preparaci
´
on de los
docentes para mediar su uso, y los riesgos de automatizaci
´
on acr
´
ıtica del aprendizaje.
A. TeorÂıas educativas
Desde una perspectiva te
´
orica, la comprensi
´
on del aprendizaje aut
´
onomo mediado por inteligencia
artiĄcial generativa puede enriquecerse a trav
´
es de distintos enfoques complementarios. La teor
´
ıa
del aprendizaje autorregulado, propuesta por Zimmerman, sostiene que los estudiantes eĄcaces son
capaces de planiĄcar, monitorear y evaluar su propio proceso de aprendizaje [
12]. En este sentido,
la IAG puede actuar como catalizador de estas habilidades al ofrecer retroalimentaci
´
on inmediata y
personalizada que favorece el desarrollo de la metacognici
´
on. De forma paralela, la teor
´
ıa sociocultural
del aprendizaje de Vygotsky [13] permite interpretar a la IAG como una herramienta mediadora que,
al ubicarse dentro de la zona de desarrollo pr
´
oximo del estudiante, le facilita avanzar hacia niveles
superiores de comprensi
´
on con acompa
˜
namiento sem
´
antico automatizado.
Por otro lado, el conectivismo, propuesto por Siemens, redeĄne el aprendizaje como un proceso
que ocurre en redes digitales distribuidas, donde el conocimiento no reside exclusivamente en el
individuo sino en las conexiones que
´
este establece [14]. Esta teor
´
ıa resulta pertinente para compren-
der c
´
omo los estudiantes pueden construir conocimiento a partir de sus interacciones con sistemas
inteligentes generativos. Asimismo, marcos contempor
´
aneos como el de la educaci
´
on inteligente
plantean que el uso de tecnolog
´
ıas a daptativas, como la IAG, debe orientarse hacia el aprendizaje
profundo, la personalizaci
´
on de experiencias y la evaluaci
´
on formativa asistida por datos [15].
De esta manera, se vuelve imprescindible integrar una perspectiva cr
´
ıtica y
´
etica sobre el uso de
estas tecnolog
´
ıas en contextos escolares. Autores como Selwyn advierten que la simple incorporaci
´
on
de IA no garantiza una mejora en los aprendizajes, y que los sistemas educativos deben garantizar
condiciones de equidad, alfabetizaci
´
on digital cr
´
ıtica y formaci
´
on docente adecuada para que estas
herramientas no reproduzcan brechas sociales o pedag
´
ogicas [16]. As
´
ı, el an
´
alisis te
´
orico permite
comprender no solo el potencial transformador de la inteligencia artiĄcial generativa, sino tambi
´
en
sus l
´
ımites y condiciones necesarias para una integraci
´
on educativa signiĄcativa.
III. METODOLOG
Â
IA
Esta investigaci
´
on se desarroll
´
o bajo el enfoque de revisi
´
on sistem
´
atica de la literatura, con el
objetivo de identiĄcar, analizar y sintetizar la producci
´
on acad
´
emica reciente que aborda la relaci
´
on
entre la inteligencia artiĄcial generativa (IAG) y el aprendizaje aut
´
onomo en estudiantes de educaci
´
on
secundaria. La revisi
´
on se estructur
´
o siguiendo los lineamientos de la Declaraci
´
on PRISMA (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses), que prop orciona un marco transparente
y replicable para este tipo de estudios.
A. Estrategia de bÂusqueda
Se deĄnieron criterios de b
´
usqueda con base en las palabras clave: generative artiĄcial intelligence,
ChatGPT, learning autonomy, self-regulated learning, secondary education, K-12 y AI in education.
Estas palabras fueron combinadas mediante operadores booleanos (AND / OR) y aplicadas en los
campos de t
´
ıtulo, resumen y palabras clave. La b
´
usqueda se efectu
´
o en las siguientes bases de
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
29
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
datos acad
´
emicas reconocidas por su impacto en el
´
ambito educativo y tecnol
´
ogico: Scopus, Web
of Science (WoS), ERIC (Education Resources Information Center), ScienceDirect y Go ogle Scholar
(para estudios complementarios). El rango temporal deĄnido fue de enero de 2019 a julio de 2024,
con el prop
´
osito de considerar
´
unicamente investigaciones recientes y vinculadas a la incorporaci
´
on
actual de la IAG en contextos educativos.
B. Criterios de inclusiÂon y exclusiÂon
Se establecieron los siguientes criterios de inclusi
´
on:
• Art
´
ıculos revisados por pares.
• Estudios emp
´
ıricos o revisiones que aborden el uso de IAG en educaci
´
on secundaria o en
contextos escolares equivalentes (K-12).
• Investigaciones que analicen directamente el aprendizaje aut
´
onomo o la autorregulaci
´
on del
estudiante.
• Publicaciones en ingl
´
es y espa
˜
nol.
Los criterios de exclusi
´
on fueron:
• Estudios centrados exclusivamente en educaci
´
on superior o formaci
´
on universitaria.
• Art
´
ıculos de opini
´
on sin evidencia emp
´
ırica o sin revisi
´
on sistem
´
atica.
• Trabajos duplicados o con datos incompletos.
C. Proceso de selecciÂon
El proceso de selecci
´
on se realiz
´
o en tres fases (Tabla
1):
• Fase 1 (IdentiĄcaci´on): Se recuperaron inicialmente 423 documentos mediante las b
´
usquedas
aplicadas en las bases de datos.
• Fase 2 (Cribado): Se eliminaron duplicados y se revisaron t
´
ıtulos y res
´
umenes, quedando 136
estudios potencialmente relevantes.
• Fase 3 (Elegibilidad y an´alisis Ąnal): Tras la lectura completa, se seleccionaron 20 estudios
que cumpl
´
ıan rigurosamente con los criterios deĄnidos.
Todo el proceso se registr
´
o y document
´
o mediante una matriz de an
´
alisis que permiti
´
o codiĄcar
variables como el tipo de estudio, el nivel educativo, el tipo de herramienta IAG utilizada, el enfoque
pedag
´
ogico, los resultados sobre aprendizaje aut
´
onomo, las limitaciones se
˜
naladas y las sugerencias
futuras.
Tabla 1. An
Â
alisis PRISMA
Fase DescripciÂon Cantidad (n)
Identificaci
Â
on Registros identificados mediante b
Â
usqueda en bases
de datos
423
Cribado Registros despu
Â
es de eliminar duplicados y revisar
t
Â
ıtulo/resumen
136
Elegibilidad Art
Â
ıculos le
Â
ıdos a texto completo y evaluados con cri-
terios de inclusi
Â
on/exclusi
Â
on
45
Incluidos Estudios seleccionados para an
Â
alisis final 20
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
30
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
C. AnÂalisis de la informaciÂon
La informaci
´
on extra
´
ıda fue sometida a un proceso de s
´
ıntesis cualitativa mediante an
´
alisis
tem
´
atico. Los estudios seleccionados fueron agrupados por categor
´
ıas emergentes, tales como:
• Impacto de la IAG en la autorregulaci
´
on;
• Estrategias pedag
´
ogicas asociadas;
• Dise
˜
no de entornos personalizados;
• Desaf
´
ıos
´
eticos y formativos.
Estas categor
´
ıas permitieron identiĄcar tendencias, vac
´
ıos te
´
oricos y nuevas l
´
ıneas de investigaci
´
on
en el campo de la inteligencia artiĄcial aplicada al aprendizaje aut
´
onomo en educaci
´
on secundaria.
IV. RESULTADOS
Tras el proceso de revisi
´
on sistem
´
atica descrito, se seleccionaron 20 estudios que cumpl
´
ıan con los
criterios de inclusi
´
on y calidad metodol
´
ogica. Estos estudios, publicados entre 2019 y 2024, fueron
analizados en profundidad y organizados en cuatro categor
´
ıas tem
´
aticas emergentes que reĆejan las
principales tendencias y hallazgos vinculados al uso de la inteligencia artiĄcial generativa (IAG) como
apoyo al aprendizaje aut
´
onomo en educaci
´
on secundaria.
A. PromociÂon de la autorregulaciÂon y la autonomÂıa
La mayor
´
ıa de los estudios revisados (n = 11) se
˜
nalaron que la IAG facilita la construcci
´
on
del aprendizaje aut
´
onomo mediante recursos como retroalimentaci
´
on inmediata, acompa
˜
namiento
en la resoluci
´
on de dudas y estimulaci
´
on de procesos metacognitivos. Herramientas como ChatGPT
y Gemini fueron empleadas por estudiantes para clariĄcar conceptos, recibir explicaciones alterna-
tivas y planiĄcar sus actividades escolares, especialmente en asignaturas como lengua, ciencias y
matem
´
aticas. Estos trabajos destacaron un mayor nivel de autoeĄcacia en los estudiantes que utiliz-
aban estas tecnolog
´
ıas en comparaci
´
on con quienes no lo hac
´
ıan.
B. PersonalizaciÂon del aprendizaje y adaptaciÂon al ritmo del estudiante
Un segundo grupo de investigaciones (n = 7) s e centr
´
o en la capacidad de la IAG para ofrecer
entornos de aprendizaje personalizados. A trav
´
es de interacciones din
´
amicas con modelos generativos,
los estudiantes pod
´
ıan acceder a contenidos ajustados a su nivel de comprensi
´
on y avanzar seg
´
un su
propio ritmo. Algunos estudios incorporaron an
´
alisis de desempe
˜
no en tiempo real, lo cual permiti
´
o
que la IA generara recomendaciones adaptativas. Esta personalizaci
´
on fue particularmente
´
util en
contextos con alta heterogeneidad de niveles acad
´
emicos.
C. Estrategias pedagÂogicas y rol del docente
Dos estudios profundizaron en las estrategias pedag
´
ogicas m
´
as efectivas para incorporar la IAG
en el aula. Se observ
´
o que la presencia activa del docente es fundamental para mediar el uso de
estas tecnolog
´
ıas, guiar al estudiante en su apropiaci
´
on cr
´
ıtica y prevenir la dependencia tecnol
´
ogica.
Los modelos h
´
ıbridos que combinan ense
˜
nanza tradicional con uso guiado de IAG fueron los que
mostraron mejores resultados en t
´
erminos de motivaci
´
on, autonom
´
ıa y comprensi
´
on profunda.
D. DesafÂıos Âeticos, brecha digital y formaciÂon docente
Los
´
ultimos estudios (n = 2) abordaron los desaf
´
ıos asociados a la implementaci
´
on de la IAG en
contextos escolares. Se identiĄcaron riesgos como el uso acr
´
ıtico de las respuestas generadas por IA, la
reproducci
´
on de sesgos algor
´
ıtmicos y las desigua ldades de acceso a tecnolog
´
ıa en sectores vulnerables.
Adem
´
as, se destac
´
o la escasa preparaci
´
on del profesorado para integrar estas herramientas con criterio
pedag
´
ogico y
´
etico, as
´
ı como la ausencia de pol
´
ıticas educativas claras que regulen su uso.
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
31
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
A partir del an
´
alisis de los veinte estudios seleccionados, se identiĄcaron cinco investigaciones
clave que presentan un enfoque particularmente riguroso, actualizado y representativo respecto al
uso de la inteligencia artiĄcial generativa como apoyo al aprendizaje aut
´
onomo en estudiantes de
educaci
´
on secundaria (Tabla
2). Estos trabajos se destacan por su diversidad metodol
´
ogica, profun-
didad anal
´
ıtica y relevancia tem
´
atica, abarcando asp ectos como la motivaci
´
on, la personalizaci
´
on, la
agencia estudiantil, la tutor
´
ıa inteligente y los desaf
´
ıos
´
eticos y pedag
´
ogicos emergentes.
La Tabla 2 resume los principales aportes de estas investigaciones, considerando el autor, el a
˜
no
de publicaci
´
on, el t
´
ıtulo del estudio y los hallazgos m
´
as relevantes. Esta sistematizaci
´
on permite
observar c
´
omo la literatura reciente no solo reconoce el potencial de la IAG en contextos escolares,
sino que tambi
´
en enfatiza la necesidad de una implementaci
´
on cr
´
ıtica, acompa
˜
nada de formaci
´
on
docente y marcos normativos adecuados.
Tabla 2. Principales art
Â
ıculos revisados
Autor A ˜no TÂıtulo del estudio Hallazgos principales
Marzano [7] 2025 La IAG en entornos K-12:
oportunidades y limitaciones
pedagÂogicas
La IAG mejora la motivaci
Â
on y person-
alizaci
Â
on; requiere formaci
Â
on docente
Roe y Perkins [8] 2025 Agencia estudiantil y apren-
dizaje autodirigido con IA gen-
erativa
La IAG potencia la autonom
Â
ıa si hay
mediaci
Â
on pedag
Â
ogica adecuada
Hu et al. [9] 2025 Socratic Playground: tutorÂıa
personalizada con transformers
El uso de IA en tutor
Â
ıas promueve ra-
zonamiento reflexivo y personalizado
Garc
Â
ıa-L
Â
opez [10] 2025
Â
Etica y formaciÂon docente frente
a la inteligencia artificial
Es necesaria una alfabetizaci
Â
on digital
cr
Â
ıtica y formaci
Â
on
Â
etica en docentes
Yan et al. [11] 2023 DesafÂıos prÂacticos y Âeticos del
uso de LLMs en educaciÂon
Preocupa la transparencia, los sesgos y
la falta de regulaci
Â
on educativa
Adem
´
as de los estudios m
´
as citados y ampliamente reconocidos en la literatura reciente, se
identiĄcaron otros trabajos que, si bien no forman parte del n
´
ucleo principal de investigaciones sobre
inteligencia artiĄcial generativa (IAG) y aprendizaje aut
´
onomo, ofrecen aportes complementarios de
gran valor (Tabla
3). Estas investigaciones abordan aspectos como la integraci
´
on pr
´
actica de chatbots
en el aula, el desarrollo longitudinal de la autorregulaci
´
on en estudiantes que interact
´
uan con IA, la
incorporaci
´
on de enfoques l
´
udicos como la gamiĄcaci
´
on, y las percepciones docentes ante el uso de
tecnolog
´
ıas emergentes.
Estos estudios permiten ampliar el an
´
alisis y comprender la diversidad de enfoques desde los cuales
se est
´
a explorando el potencial de la IAG en contextos escolares. La Tabla 3 resume los principales
aportes de estas investigaciones, destacando c
´
omo, desde distintas metodolog
´
ıas y contextos, se est
´
an
construyendo nuevas perspectivas para enriquecer el aprendizaje aut
´
onomo mediado por tecnolog
´
ıa.
E. DistribuciÂon geogrÂafica de las publicaciones
Con el objetivo de contextualizar geogr
´
aĄcamente la producci
´
on cient
´
ıĄca sobre el tema, se
realiz
´
o un an
´
alisis de procedencia de los estudios incluidos en esta revisi
´
on. La Figura
1 muestra la
distribuci
´
on por pa
´
ıses de las publicaciones seleccionadas entre los a
˜
nos 2019 y 2024, evidenciando
una fuerte concentraci
´
on en naciones con sistemas educativos tecnol
´
ogicamente desarrollados.
Estados Unidos encabeza la lista con la mayor cantidad de investigaciones, lo cual reĆeja su
liderazgo en el desarrollo de tecnolog
´
ıas educativas basadas en inteligencia artiĄcial. Le siguen China
y el Reino Unido, pa
´
ıses que han invertido signiĄcativamente en educaci
´
on digital e innovaci
´
on
pedag
´
ogica. En el contexto hispanohablante, Espa
˜
na destaca como el principal generador de pub-
licaciones acad
´
emicas en esta
´
area. Otros pa
´
ıses como Canad
´
a, Australia, Brasil e India tambi
´
en
muestran una producci
´
on relevante, lo que conĄrma que la tem
´
atica de la generative artiĄcial intel-
ligence aplicada al aprendizaje aut
´
onomo est
´
a adquiriendo un car
´
acter global y multidisciplinario.
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
32
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
Tabla 3. Estudios complementarios revisados
Autor A ˜no TÂıtulo del estudio Aporte especÂıfico
L
Â
opez et al. [12] 2022 Chatbots en educaciÂon secundaria:
anÂalisis de casos
Exploran c
Â
omo los estudiantes
usan IAG como apoyo diario en
tareas escolares.
Mart
Â
ınez y Bravo
[
13]
2023 Aprendizaje autodirigido en
plataformas IA: un estudio longi-
tudinal
Analizan la progresi
Â
on de la autor-
regulaci
Â
on en estudiantes que usan
IA por m
Â
as de seis meses.
Silva et al. [14] 2021 GamificaciÂon e inteligencia artifi-
cial generativa
Combinan gamificaciÂon con IAG
para potenciar la motivaci
Â
on y el
engagement acad
Â
emico.
Navarrete [15] 2024 Docentes frente a la IA: percep-
ciones, temores y oportunidades
Explora la resistencia docente y sus
implicaciones para la integraci
Â
on
de IA en el aula.
Chen y Zhao [16] 2022 Plataformas adaptativas basadas
en IA en educaciÂon bÂasica
Describen experiencias exitosas de
personalizaci
Â
on en entornos de
aprendizaje digital.
Fig. 1. Pa
Â
ıses que m
Â
as han publicado en la tem
Â
atica de estudio
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
33
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
F. Oportunidades y desafÂıos pedagÂogicos identificados
Como resultado del an
´
alisis tem
´
atico de los estudios revisados, se identiĄcaron diversas opor-
tunidades pedag
´
ogicas asociadas al uso de la inteligencia artiĄcial generativa (IAG) en educaci
´
on
secundaria. Entre las m
´
as relevantes se encuentran:
• Personalizaci
´
on del aprendizaje: La IAG permite adaptar contenidos, ritmo y nivel de diĄcultad
a las necesidades individuales de los estudiantes, promoviendo un aprendizaje m
´
as signiĄcativo
y centrado en el sujeto [7, 8].
• Retroalimentaci
´
on inmediata: Herramientas como ChatGPT facilitan una retroalimentaci
´
on
constante, oportuna y contextualizada, lo cual favorece el desarrollo de la autorregulaci
´
on y la
autoevaluaci
´
on [9].
• Estimulaci
´
on del pensamiento cr
´
ıtico: Varios estudios indican que, al interactuar con la IA,
los estudiantes son desaĄados a formular preguntas, veriĄcar respuestas y contrastar ideas,
fortaleciendo as
´
ı sus habilidades cognitivas superiores [8].
• Aumento de la motivaci
´
on y la autonom
´
ıa: Se reporta un mayor nivel de motivaci
´
on intr
´
ınseca
en estudiantes que utilizan herramientas de IAG como acompa
˜
namiento para sus actividades
escolares, especialmente cuando sienten que tienen control sobre su proceso de aprendizaje
[
7, 13].
No obstante, la revisi
´
on tambi
´
en permiti
´
o identiĄcar desaf
´
ıos signiĄcativos que deben ser consid-
erados al integrar la IAG en contextos educativos:
• Dependencia tecnol
´
ogica y uso acr
´
ıtico: Algunos estudios advierten que un uso excesivo o poco
mediado de estas herramientas puede llevar a una dependencia de las respuestas generadas por
IA, debilitando la reĆexi
´
on y la iniciativa del estudiante [8, 11].
• Brecha digital y desigualdad de acceso: Se se
˜
nala que no todos los e studiantes cuentan con
dispositivos, conectividad o e ntornos propicios para beneĄciarse de estas tecnolog
´
ıas, lo cual
po dr
´
ıa profundizar las desigualdades existentes [10, 16].
• Formaci
´
on docente insuĄciente: La mayor
´
ıa de los estudios coincide en que el profesorado
a
´
un no cuenta con herramientas suĄcientes para integrar de forma cr
´
ıtica y pedag
´
ogica las
tecnolog
´
ıas de IAG en el aula [10, 15].
• Ausencia de marcos normativos y
´
eticos claros: Varios autores hacen
´
enfasis en la necesidad de
establecer pol
´
ıticas educativas y regulaciones que orienten el uso
´
etico, responsable y seguro
de estas tecnolog
´
ıas en ambientes escolares [11].
Esta revisi
´
on muestra que el uso de inteligencia artiĄcial generativa en educaci
´
on secundaria abre
posibilidades innovadoras para potenciar el aprendizaje aut
´
onomo, siempre que su implementaci
´
on
est
´
e guiada por principios pedag
´
ogicos, regulaciones claras y estrategias de acompa
˜
namiento docente.
CONCLUSIONES
La presente revisi
´
on sistem
´
atica permiti
´
o identiĄcar y analizar las principales tendencias, aportes y
desaf
´
ıos vinculados al uso de la inteligencia artiĄcial generativa (IAG) como herramienta de apoyo al
aprendizaje aut
´
onomo en estudiantes de educaci
´
on secundaria. Los estudios revisados evidencian un
creciente inter
´
es acad
´
emico en comprender c
´
omo estas tecnolog
´
ıas emergentes pueden transformar
los procesos educativos, especialmente en el desarrollo de competencias como la autorregulaci
´
on,
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
34
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
la metacognici
´
on y la autonom
´
ıa del estudiante. Entre las principales oportunidades detectadas se
destacan la p ersonalizaci
´
on del aprendizaje, la retroalimentaci
´
on inmediata, el aumento de la moti-
vaci
´
on y la posibilidad de generar entornos de aprendizaje m
´
as inclusivos y adaptativos. Sin embargo,
tambi
´
en se evidenciaron desaf
´
ıos signiĄcativos relacionados con el uso acr
´
ıtico de las herramientas
de IAG, la dependencia te cnol
´
ogica, la brecha digital, la falta de formaci
´
on docente especializada y
la ausencia de marcos normativos que orienten su implementaci
´
on
´
etica y pedag
´
ogica.
Se puede aĄrmar que la inteligencia artiĄcial generativa posee un potencial considerable para
fortalecer el aprendizaje aut
´
onomo en el nivel secundario, siempre que su uso est
´
e mediado por un
enfoque pedag
´
ogico s
´
olido, guiado por docentes capacitados y respaldado por pol
´
ıticas educativas
inclusivas,
´
eticas y sostenibles. La IAG no debe sustituir la acci
´
on docente, sino convertirse en
una herramienta complementaria que ampliĄque las oportunidades de aprendizaje y empodere a los
estudiantes como sujetos activos, cr
´
ıticos y aut
´
onomos. Se sugiere avanzar hacia investigaciones
futuras que exploren, desde una perspectiva longitudinal y comparativa, el impacto real de estas
tecnolog
´
ıas en distintos contextos educativos, as
´
ı como el desarrollo de modelos h
´
ıbridos que integren
inteligencias humanas y artiĄciales en la construcci
´
on de aprendizajes signiĄcativos.
REFERENCIAS
[1] F. J. Garc
´
ıa-Pe
˜
nalvo, ŞInteligencia artiĄcial generativa y educaci
´
on: Un an
´
alisis desde m
´
ultiples
perspectivas,Ť Education in the Knowledge Society (EKS), vol. 25, pp. e31 942Űe31 942, 2024.
[2] D. Marzano, ŞInteligencia ArtiĄcial Generativa (IAG) en los procesos de ense
˜
nanza y aprendizaje
en los niveles K-12: Una revisi
´
on sistem
´
atica,Ť Tecnolog
´
ıa, Conocimiento y Aprendizaje, pp. 1Ű
41, 2025.
[3] I. H. Y. Yim and J. Su, ŞHerramientas de aprendizaje de inteligencia artiĄcial (IA) en la educaci
´
on
primaria y secundaria: Una revisi
´
on exploratoria,Ť Journal of Computers in Education, vol. 12,
no. 1, pp. 93Ű131, 2025.
[4] J. Roe and M. Perkins, ŞAutonomous learning and the role of generative AI in high school
settings,Ť arXiv preprint, 2024, [Online]. Available:
https://arxiv.org/abs/2411.07677.
[5] W. Holmes, M. Bialik, and C. Fadel, ArtiĄcial Intelligence in Education: Promises and Implica-
tions for Teaching and Learning. Center for Curriculum Redesign, 2019.
[6] B. J. Zimmerman, ŞAttaining self-regulation: A social cognitive perspective,Ť in Handbook of
Self-Regulation, M. Boekaerts, P. Pintrich, and M. Zeidner, Eds. San Diego: Academic Press,
2000, pp. 13Ű39.
[7] J. E. Perezchica-Vega, J. A. Sep
´
ulveda-Rodr
´
ıguez, and A. D. Rom
´
an-M
´
endez, ŞInteligencia
artiĄcial generativa en la educaci
´
on superior: usos y opiniones de los profesores,Ť European
Public & Social Innovation Review, vol. 9, pp. 1Ű20, 2024.
[8] Q. Mao, ŞFostering self-directed growth with generative AI: Toward a new learning analytics
framework,Ť arXiv preprint, arXiv:2504.20851, 2025.
[9] D. M. C
´
ordova-Esparza, ŞAI-powered educational agents: Opportunities, innovations, and eth-
ical challenges,Ť Information, vol. 16, no. 6, p. 469, 2025.
[10] P. Dellepiane and P. Guidi, ŞLa inteligencia artiĄcial y la educaci
´
on: Retos y oportunidades
desde una perspectiva
´
etica,Ť Question/Cuesti
´
on, vol. 3, no. 76, p. e859, 2023.
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
35
ISSN-e: 3078-6983
Per
Â
ıodo: mayo-agosto, 2025
Noesis
Vol. 2, N
Â
umero 4. (pp. 27-36)
[11] L. Yan, L. Sha, L. Zhao, Y. Li, R. Martinez-Maldonado, G. Chen, and D. Ga
ˇ
sevi
´
c, ŞPractical
and ethical challenges of large language mo dels in education: A systematic scoping review,Ť
British Journal of Educational Technology, vol. 55, no. 1, pp. 90Ű112, 2024.
[12] A. R. Corica, P. S. Figueroa, V. E. Parra, S. N. Schiaffino, and D. L. Godoy, ŞEducaci
´
on
e inteligencia artiĄcial: desempe
˜
no de chatbots y profesores de matem
´
atica en la resoluci
´
on
de problemas geom
´
etricos,Ť Aret
´
e, Revista Digital del Doctorado en Educaci
´
on, no. 10, pp.
119Ű139, 2024, edici
´
on Especial, octubre.
[13] P. E. Vera, M. G. Quichimbo, J. S. Ochoa, L. L. L
´
opez, and M. A. Vega, ŞIntegraci
´
on de
herramientas digitales interactivas para fomentar el aprendizaje aut
´
onomo en estudiantes de
bachillerato: Un enfoque innovador desde la educaci
´
on personalizada,Ť Revista Cient
´
ıĄca de
Salud y Desarrollo Humano, vol. 6, no. 2, pp. 675Ű703, 2025.
[14] E. Santana-Soriano and K. B
´
aez-Vizca
´
ıno, ŞInteligencia artiĄcial, gamiĄcaci
´
on y realidad virtual
en la educaci
´
on secundaria dominicana: un an
´
alisis descriptivo,Ť Edutec, Revista Electr
´
onica de
Tecnolog
´
ıa Educativa, no. 92, pp. 196Ű215, 2025, junio.
[15] M. S. C
´
espedes, S. L. Vega, O. M. Ardila, and O. L. Ro dr
´
ıguez, ŞPerspectivas do centes sobre
la inteligencia artiĄcial en la educaci
´
on b
´
asica secundaria: an
´
alisis cr
´
ıtico desde la ruralidad,Ť
Ciencia Latina Revista Cient
´
ıĄca Multidisciplinar, vol. 9, no. 3, pp. 7743Ű7762, 2025.
[16] J. J. I. Arg
¨
uelles, J. A. D. Rodr
´
ıguez, L. S. P. Ferrer, and R. E. A. Gonz
´
alez, ŞAn
´
alisis de la
inteligencia artiĄcial en la transformaci
´
on de la ense
˜
nanza y aprendizaje educativa,Ť Revista
Conrado, vol. 20, no. 100, pp. 179Ű185, 2024, set.-oct.
Â
Avila L. Inteligencia artificial generativa como apoyo al aprendizaje autÂonomo en estudiantes de secundaria
36
