ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
Artículo de investigación https://doi.org/10.47460/noesis.v3i6.54
Relación entre las inteligencias múltiples y las estrategias de aprendizaje
autónomo en estudiantes de ingeniería
Maria Cecilia Terry Borjas*
https://orcid.org/0000-0003-0018-3081
ceciliaterry29@hotmail.com
Universidad Tecnológica del Perú
Lima, Perú
*Autor de correspondencia:
ceciliaterry29@hotmail.com
Recibido: (21/12/2025), Aceptado: (07/02/2026)
Resumen. En el presente estudio se analizó la relación entre las inteligencias múltiples y las estrategias
de aprendizaje autónomo en estudiantes de ingeniería. Se desarrolló una investigación cuantitativa, de tipo
correlacional y diseño no experimental de corte transversal. La muestra estuvo conformada por 120 estudiantes
universitarios, a quienes se aplicaron cuestionarios estructurados para evaluar seis dimensiones de inteligencia y
el nivel de aprendizaje autónomo. El análisis estadístico incluyó estadística descriptiva, correlación de Pearson
y regresión lineal múltiple. Los resultados evidenciaron asociaciones positivas entre algunas inteligencias
y el aprendizaje autónomo, destacando especialmente las dimensiones lógico-matemática, intrapersonal e
interpersonal. Estos hallazgos sugieren que el desarrollo de habilidades cognitivas y metacognitivas puede
favorecer la autorregulación del aprendizaje en estudiantes de ingeniería.
Palabras clave: inteligencias múltiples, aprendizaje autónomo, educación en ingeniería, autorregulación del
aprendizaje.
Relationship Between Multiple Intelligences and Autonomous Learning Strategies in
Engineering Students
Abstract. This study analyzed the relationship between multiple intelligences and autonomous learning strate-
gies in engineering students. A quantitative, correlational study with a non-experimental cross-sectional design
was conducted. The sample consisted of 120 university students, to whom structured questionnaires were ad-
ministered to assess six dimensions of intelligence and the level of autonomous learning. Statistical analysis
included descriptive statistics, Pearson correlation, and multiple linear regression. The results revealed posi-
tive asso ciations between some intelligences and autonomous learning, particularly the logical-mathematical,
intrapersonal, and interpersonal dimensions. These Ąndings suggest that the development of cognitive and
metacognitive skills may favor the self-regulation of learning in engineering students.
Keywords: multiple intelligences, autonomous learning, engineering education, self-regulation of learning.
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
20
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
I. INTRODUCCIÓN
En las últimas décadas, la comprensión de los procesos de aprendizaje en la educación superior ha evolu-
cionado hacia enfoques que reconocen la diversidad cognitiva de los estudiantes y la necesidad de promover
competencias de aprendizaje autónomo. En particular, las carreras de ingeniería enfrentan el desafío de formar
profesionales capaces de aprender de manera independiente, adaptarse a entornos tecnológicos cambiantes y
resolver problemas complejos mediante procesos de pensamiento crítico y autorregulación [1], [2].
Uno de los marcos teóricos que ha contribuido signiĄcativamente al análisis de las diferencias cognitivas
entre los estudiantes es la teoría de las inteligencias múltiples propuesta por Gardner. Este enfoque plantea
que la inteligencia no constituye una capacidad única y homogénea, sino un conjunto de potencialidades rel-
ativamente independientes que incluyen dimensiones lingüísticas, lógico-matemáticas, espaciales, musicales,
corporales, interpersonales e intrapersonales [
3]. De sde esta perspectiva, los estudiantes poseen perĄles cog-
nitivos diferenciados que inĆuyen en la forma en que procesan la información, construyen conocimiento y
desarrollan estrategias de aprendizaje.
En paralelo, el aprendizaje autónomo ha adquirido una relevancia creciente dentro de los modelos ed-
ucativos contemporáneos. Diversos estudios han señalado que la capacidad de los estudiantes para gestionar
su propio proceso de aprendizaje Ůestableciendo metas, seleccionando estrategias adecuadas y evaluando
su progresoŮ constituye un factor determinante en el éxito académico y en el desarrollo de competencias
profesionales [
4], [5]. En este sentido, el aprendizaje autónomo se vincula estrechamente con procesos de
autorregulación, motivación intrínseca y metacognición, elementos fundamentales para el desempeño en con-
textos universitarios exigentes como las ingenierías.
Investigaciones previas han evidenciado que las diferencias individuales en las habilidades cognitivas pueden
inĆuir signiĄcativamente en la selección y uso de estrategias de aprendizaje. De acuerdo con Zimmerman, los
estudiantes que desarrollan habilidades de autorregulación tienden a emplear estrategias cognitivas y metacog-
nitivas más efectivas, lo que favorece un aprendizaje profundo y sostenido [
6]. Asimismo, estudios empíricos
han sugerido que los perĄles de inteligencia pueden relacionarse con determinadas preferencias y estrategias
de estudio, lo que abre la posibilidad de analizar la interacción entre las inteligencias múltiples y los procesos
de aprendizaje autónomo [
7].
En el ámbito especíĄco de la educación en ingeniería, comprender estas relaciones resulta especialmente
relevante debido a la naturaleza interdisciplinaria y altamente demandante de estas carreras. Los programas de
ingeniería requieren que los estudiantes integren conocimientos teóricos, habilidades analíticas y capacidades
prácticas, lo cual implica la adopción de estrategias de aprendizaje Ćexibles y autónomas [
8]. Sin embargo,
aún existe una limitada evidencia empírica que examine de manera sistemática cómo los diferentes perĄles de
inteligencias múltiples se relacionan con las estrategias de aprendizaje autónomo en este contexto educativo.
En este marco, el presente estudio tuvo como objetivo analizar la relación entre las inteligencias múltiples
y las estrategias de aprendizaje autónomo en estudiantes de ingeniería. A partir de un enfoque cuantitativo
correlacional, se busca identiĄcar posibles asociaciones entre los distintos perĄles de inteligencia y las estrategias
utilizadas por los estudiantes para gestionar su aprendizaje. Los resultados de esta investigación pueden
contribuir a una mejor comprensión de los procesos cognitivos involucrados en la formación de ingenieros
y aportar evidencias que orienten el diseño de metodologías educativas más inclusivas y adaptativas en la
educación superior.
II. MARCO TEÓRICO
A. Teoría de las inteligencias múltiples
La teoría de las inteligencias múltiples ha constituido uno de los enfoques más inĆuyentes en el análisis
de la diversidad cognitiva dentro de los procesos educativos. Desde su formulación inicial, Gardner planteó
que la inteligencia humana no puede reducirse a una única capacidad general medible a través de pruebas
estandarizadas, sino que se maniĄesta en diferentes formas relativamente independientes que reĆejan modos
diversos de procesar información y resolver problemas [
9]. Este planteamiento ha permitido ampliar la com-
prensión del aprendizaje al reconocer que los estudiantes poseen perĄles cognitivos diferenciados que inĆuyen
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
21
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
en su forma de interactuar con los contenidos académicos.
Posteriormente, el propio Gardner amplió el modelo inicial incorporando nuevas dimensiones, entre ellas la
inteligencia naturalista y la inteligencia existencial, lo que reforzó la idea de que el desarrollo intelectual está
estrechamente vinculado con los contextos culturales y so ciales en los que los individuos se desenvuelven [
10].
En el ámbito educativo, esta perspectiva ha impulsado el diseño de metodologías pedagógicas más Ćexibles
que buscan atender las diferentes potencialidades cognitivas presentes en el aula.
Diversos estudios han señalado que la consideración de las inteligencias múltiples en los procesos de
enseñanza puede favorecer ambientes de aprendizaje más inclusivos y efectivos. Armstrong sostiene que la
identiĄcación de los perĄles de inteligencia permite adaptar las estrategias didácticas a las fortalezas c ognitivas
de los estudiantes, lo que contribuye a mejorar la comprensión conceptual y la participación activa en el proceso
educativo [
11]. En consecuencia, el reconocimiento de la diversidad intelectual se ha convertido en un elemento
clave para la innovación pedagógica en la educación superior.
En el caso especíĄco de las carreras de ingeniería, la diversidad cognitiva adquiere una relevancia particular
debido a la naturaleza interdisciplinaria de estas áreas del conocimiento. La formación en ingeniería exige
la integración de habilidades lógico-matemáticas, espaciales, analíticas y sociales, lo que implica que los
estudiantes movilicen distintos tipos de inteligencia para abordar problemas complejos y desarrollar soluciones
tecnológicas [
12]. En este contexto, comprender cómo se maniĄestan los diferentes perĄles de inteligencia
puede contribuir a mejorar los procesos de enseñanza y aprendizaje en estos programas académicos.
B. Aprendizaje autónomo y autorregulación en la educación universitaria
El aprendizaje autónomo constituye uno de los pilares fundamentales de los modelos educativos contem-
poráneos, especialmente en la educación superior, donde se espera que los estudiantes asuman un rol activo en
la gestión de su propio proceso formativo. De acuerdo con Candy, el aprendizaje autónomo implica la capaci-
dad del individuo para planiĄcar, monitorear y evaluar su propio aprendizaje, tomando decisiones conscientes
sobre las estrategias que utiliza para adquirir conocimiento [
13].
En este sentido, el concepto de aprendizaje autónomo se encuentra estrechamente relacionado con la teoría
del aprendizaje autorregulado. Según Zimmerman, los estudiantes autorregulados son aquellos que participan
activamente en su proceso de aprendizaje mediante la planiĄcación de objetivos, la selección de estrategias
adecuadas y la evaluación constante de su desempeño académico [
14]. Este enfoque enfatiza la importancia
de los procesos metacognitivos y motivacionales en la c onstrucción del conocimiento.
Asimismo, diversos autores han señalado que el desarrollo de la autonomía en el aprendizaje resulta
esencial para enfrentar los desafíos de la educación en contextos caracterizados por la rápida transformación
del conocimiento y la expansión de los entornos digitales. En particular, Garrison destaca que el aprendizaje
autónomo no solo implica independencia cognitiva, sino también la capacidad de mantener una motivación
sostenida y asumir responsabilidad sobre el propio proceso de formación [
15].
En el ámbito universitario, el fortalecimiento de estas competencias resulta especialmente relevante en
carreras como ingeniería, donde los estudiantes deben desarrollar habilidades para resolver problemas complejos,
analizar información técnica y adaptarse a nuevas tecnologías. Por esta razón, las instituciones de educación
superior han comenzado a promover estrategias pedagógicas orientadas a fomentar la autorregulación, la
reĆexión crítica y la autonomía en el aprendizaje [
16].
C. Relación entre inteligencias múltiples y estrategias de aprendizaje autónomo
El vínculo entre las inteligencias múltiples y las estrategias de aprendizaje ha sido objeto de creciente
interés en la investigación educativa. Diversos estudios han sugerido que los perĄles de inteligencia inĆuyen
en la manera en que los estudiantes seleccionan y utilizan estrategias cognitivas para aprender. En este
sentido, Sternberg sostiene que las diferencias individuales en las capacidades cognitivas pueden determinar la
preferencia por determinadas formas de procesamiento de la información y resolución de problemas [
17].
Desde esta perspectiva, el análisis de las inteligencias múltiples permite comprender por qué los estudiantes
adoptan distintas estrategias de aprendizaje frente a un mismo contenido académico. Por ejemplo, aquellos
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
22
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
con mayor desarrollo de la inteligencia lógico-matemática pueden mostrar preferencia por estrategias analíticas
y estructuradas, mientras que los estudiantes con mayor inteligencia interpersonal tienden a beneĄciarse de
procesos colaborativos y de interacción social en el aprendizaje [
18].
En el contexto de la educación superior, estas relaciones adquieren especial relevancia debido a la creciente
diversidad de perĄles estudiantiles. Investigaciones recientes han señalado que la integración de enfoques
pedagógicos que consideren tanto las inteligencias múltiples como las estrategias de aprendizaje autónomo
puede contribuir a mejorar el rendimiento académico y el compromiso de los estudiantes con su proceso
formativo [
19].
Finalmente, diversos estudios en educación en ingeniería han destacado la importancia de comprender las
características cognitivas de los estudiantes para diseñar metodologías que favorezcan el aprendizaje profundo
y el desarrollo de competencias profesionales. De acuerdo con Prince y Felder, las estrategias pedagógicas
que recono cen las diferencias en los estilos cognitivos y promueven la participación activa de los estudiantes
pueden mejorar signiĄcativamente la efectividad del aprendizaje en disciplinas técnicas [
20]. En consecuencia,
analizar la relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo permite generar
evidencias que orienten la innovación educativa en la formación de ingenieros.
III. METODOLOGÍA
A. Enfoque y diseño de la investigación
El presente estudio se desarrolló bajo un enfoque cuantitativo, orientado a examinar de manera objetiva la
relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería.
Este enfoque permitió medir las variables de interés mediante instrumentos estructurados y analizar estadís-
ticamente las asociaciones existentes entre ellas. En cuanto al tipo de investigación, el estudio se clasiĄcó
como correlacional, ya que tuvo como propósito identiĄcar el grado de relación entre las diferentes dimensiones
de las inteligencias múltiples y las estrategias utilizadas por los estudiantes para gestionar su aprendizaje de
manera autónoma. Este tipo de diseño resulta adecuado cuando se busca analizar vínculos entre variables sin
intervenir directamente en el fenómeno estudiado.
Asimismo, el diseño de la investigación fue no experimental y de corte transversal. Se consideró no
experimental debido a que las variables se observaron en su contexto natural sin manipulación por parte de
los investigadores. Del mismo modo, el estudio fue transversal porque la recolección de datos se realizó en
un único momento del tiempo, permitiendo obtener una fotografía del estado de las variables en la población
estudiada.
B. Población y muestra
La población estuvo conformada por estudiantes matriculados en programas de ingeniería de una institución
de educación superior. Estos estudiantes p ertenecían a diferentes niveles de formación dentro de la carrera, lo
que permitió contar con una diversidad de perĄles académicos y experiencias de aprendizaje. Para la selección
de los participantes se empleó un muestreo no probabilístico de tipo intencional, considerando como criterios
de inclusión a los estudiantes que se encontraban activos en el semestre académico correspondiente y que
aceptaron participar voluntariamente en el estudio. La muestra Ąnal estuvo conformada por 120 estudiantes de
ingeniería, pertenecientes a diferentes semestres de formación. Este tamaño muestral permitió realizar análisis
estadísticos correlacionales adecuados para identiĄcar relaciones signiĄcativas entre las variables analizadas.
C. Variables de estudio
El estudio consideró dos variables principales:
1) Inteligencias múltiples, entendidas como el conjunto de capacidades cognitivas diferenciadas que caracterizan
el perĄl intelectual de los estudiantes. Para efectos del análisis se contemplaron las siguientes dimensiones:
inteligencia lingüística, lógico-matemática, espacial, interpersonal, intrapersonal y naturalista.
2) Estrategias de aprendizaje autónomo, deĄnidas c omo el conjunto de acciones cognitivas y metacognitivas
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
23
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
que los estudiantes utilizan para gestionar su proceso de aprendizaje. Esta variable incluyó dimensiones como
planiĄcación del aprendizaje, autorregulación del estudio, gestión del tiempo, búsqueda de información y
autoevaluación del desempeño académico.
D. Técnicas e instrumentos de recolección de datos
La técnica principal de recolección de información fue la encuesta, debido a su utilidad para obtener datos
cuantiĄcables sobre percepciones, habilidades y comportamientos relacionados con el aprendizaje. Para la
medición de las inteligencias múltiples se utilizó un cuestionario basado en escalas tipo Likert adaptadas a
partir de instrumentos utilizados en estudios previos sobre perĄles de inteligencia en contextos educativos.
Este instrumento incluyó ítems diseñados para identiĄcar el grado de desarrollo de las diferentes dimensiones
de inteligencia presentes en los estudiantes.
Por su parte, las estrategias de aprendizaje autónomo se evaluaron mediante un cuestionario estructurado
que abordó aspectos relacionados con la planiĄcación del estudio, el uso de estrategias cognitivas, la organi-
zación del tiempo y la capacidad de autorregulación del aprendizaje. Los ítems fueron medidos mediante una
escala Likert de cinco niveles que osciló entre Ştotalmente en desacuerdoŤ y Ştotalmente de acuerdoŤ. Previo a
la aplicación deĄnitiva, los instrumentos fueron sometidos a un proceso de revisión por expertos en educación
superior con el Ąn de evaluar su claridad, pertinencia y coherencia con los objetivos de la investigación.
E. Procedimiento de la investigación
El proceso de investigación se desarrolló en varias etapas. En primer lugar, se realizó la revisión teórica
sobre las inteligencias múltiples y el aprendizaje autónomo con el propósito de fundamentar conceptualmente
el estudio y deĄnir las variables de análisis. Posteriormente, se diseñaron y adaptaron los instrumentos de
recolección de datos, los cuales fueron revisados por especialistas en el área educativa para garantizar su
validez de contenido. Una vez realizados los ajustes correspondientes, se procedió a la aplicación de los
cuestionarios a los estudiantes seleccionados como parte de la muestra.
La recolección de información se llevó a cabo durante el período académico correspondiente, mediante
la aplicación de los instrumentos en formato digital. Antes de responder el cuestionario, los participantes
fueron informados sobre los objetivos del estudio y se les garantizó la conĄdencialidad de la información
proporcionada. Finalmente, los datos obtenidos fueron organizados en una base de datos para su posterior
procesamiento estadístico.
F. Análisis de datos
El análisis de la informac ión se realizó mediante técnicas de estadística descriptiva e inferencial. En
primer lugar, se calcularon medidas descriptivas como frecuencias, medias y desviaciones estándar con el Ąn
de caracterizar el comportamiento de las variables estudiadas. Posteriormente, para examinar la relación entre
las inteligencias múltiples y las estrategias de aprendizaje autónomo se aplicó el coeĄciente de correlación de
Pearson, el cual permitió identiĄcar la intensidad y dirección de la relación entre las variables analizadas. El
procesamiento estadístico de los datos se realizó utilizando software especializado para análisis de datos, lo
que permitió obtener resultados conĄables y facilitar la interpretación de las relaciones existentes entre las
variables del estudio.
G. Consideraciones éticas
La investigación se desarrolló respetando los principios éticos aplicables a estudios con participantes hu-
manos. La participación de los estudiantes fue voluntaria y se garantizó el anonimato de la información
recopilada. Asimismo, los datos obtenidos fueron utilizados exclusivamente con Ąnes académicos y cientíĄcos,
asegurando la conĄdencialidad de los participantes.
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
24
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
IV. RESULTADOS
A. Estadísticos descriptivos
Los resultados descriptivos (Tabla
1) muestran que los estudiantes presentan niveles moderados a relati-
vamente altos en las distintas dimensiones de las inteligencias múltiples evaluadas. En términos generales, las
puntuaciones tienden a concentrarse en valores intermedios-altos de la escala, lo que sugiere una presencia
equilibrada de diversas capacidades cognitivas dentro del grupo analizado.
Las dimensiones relacionadas con la inteligencia intrapersonal y la inteligencia lógico-matemática mostraron
tendencias ligeramente superiores respecto a las demás, lo cual resulta consistente con las características
académicas propias de los programas de ingeniería. Estas áreas cognitivas suelen vincularse con habilidades
analíticas, reĆexión individual y resolución estructurada de problemas, competencias ampliamente demandadas
en la formación ingenieril. Por otra parte, las dimensiones lingüística, espacial e interpersonal también presentan
niveles relevantes dentro del grupo de estudiantes, lo que sugiere que el proceso de aprendizaje en ingeniería no
depende exclusivamente de habilidades analíticas, sino también de capacidades de comunicación, visualización
y colaboración académica.
En cuanto al aprendizaje autónomo, los resultados descriptivos muestran niveles adecuados de desarrollo
entre los participantes, lo que indica que los estudiantes maniĄestan comportamientos relacionados con la
planiĄcación del estudio, la gestión del tiempo y el monitoreo de su propio proceso de aprendizaje.
Tabla 1. Estadísticos descriptivos completos para cada variable analizada.
Variable Media Desv. Std. Min Max
Lingüística 3,352 0,555 1,828 4,878
Lógico-matemática 3,737 0,506 2,687 5,626
Espacial 3,506 0,546 1,555 4,780
Interpersonal 3,631 0,533 2,449 5,139
Intrapersonal 3,733 0,468 2,564 4,935
Naturalista 3,304 0,635 1,682 4,844
Aprendizaje autónomo 3,742 0,427 2,679 4,828
B. Análisis de correlación
Con el objetivo de examinar la relación entre las inteligencias múltiples y las estrategias de aprendizaje
autónomo, se aplicó el coeĄciente de correlación de Pearson (Tabla
2). Los resultados muestran que algunas
dimensiones cognitivas presentan asociaciones positivas con el aprendizaje autónomo, lo que sugiere que de-
terminados perĄles de inteligencia podrían favorecer el desarrollo de estrategias de autorregulación académica.
Entre las dimensiones analizadas, destacan especialmente aquellas vinculadas con procesos reĆexivos y analíti-
cos. Estas capacidades cognitivas parecen facilitar la organización del estudio, la planiĄcación de actividades
académicas y la toma de decisiones relacionadas con el aprendizaje independiente.
Asimismo, las inteligencias asociadas con la com prensión de los propios procesos internos y la interacción
social también muestran vínculos relevantes con el aprendizaje autónomo. Esto sugiere que el desarrollo de
habilidades metacognitivas y socioemocionales podría contribuir al fortalecimiento de estrategias de estudio
más efectivas.
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
25
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
Tabla 2. Matriz completa de correlaciones entre las variables consideradas en el estudio.
Variable Lingüística Lógico-
matemática
Espacial Inter-
personal
Intra-
personal
Naturalista Aprendizaje
autónomo
Lingüística 1,000 0,098 −0, 110 −0, 043 0,014 0,027 0,015
Lógico-
matemática
0,098 1,000 0,126 −0, 067 0,015 0,013 0,314
Espacial −0, 110 0,126 1,000 −0, 057 0,030 −0, 206 0,131
Interpersonal −0, 043 −0, 067 −0, 057 1,000 −0, 014 −0, 061 0,223
Intrapersonal 0,014 0,015 0,030 −0, 014 1,000 −0, 127 0,243
Naturalista 0,027 0,013 −0, 206 −0, 061 −0, 127 1,000 0,008
Aprendizaje
autónomo
0,015 0,314 0,131 0,223 0,243 0,008 1,000
Nota: CoeĄciente de correlación de Pearson.
La Figura
1 muestra la distribución de los estudiantes en función de su nivel de inteligencia lógico-
matemática y su desempeño en estrategias de aprendizaje autónomo. La representación gráĄca permite
observar una tendencia general de asociación positiva entre ambas variables, lo que sugiere que los estudiantes
con mayores niveles de razonamiento analítico tienden a desarrollar con mayor facilidad procesos de planiĄ-
cación y organización del aprendizaje. Este comportamiento puede interpretarse en el contexto de la formación
en ingeniería, donde las habilidades de análisis, estructuración de problemas y razonamiento sistemático fa-
vorecen la adopción de estrategias de estudio orientadas a la resolución de tareas complejas y al aprendizaje
independiente.
Fig. 1. Relación entre la inteligencia lógico-matemática y el aprendizaje autónomo.
La Figura
2 presenta la relación entre la inteligencia intrap ersonal y el nivel de aprendizaje autónomo en los
estudiantes evaluados. La distribución de los datos evidencia una tendencia que sugiere que los estudiantes con
mayor capacidad de autoconocimiento y reĆexión personal tienden a manifestar comportamientos asociados
con la autorregulación del aprendizaje. Este patrón resulta consistente con los enfoques teóricos que vinculan
la inteligencia intrapersonal con procesos metacognitivos, tales como la autoevaluación, el control del propio
progreso académico y la adaptación de estrategias de estudio en función de las necesidades individuales.
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
26
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
Fig. 2. Relación entre la inteligencia intrapersonal y el aprendizaje autónomo.
Con el propósito de evaluar empíricamente la relación entre las inteligencias múltiples y el aprendizaje
autónomo, se formularon seis hipótesis de investigación que consideran cada dimensión de inteligencia como
posible variable explicativa del desarrollo de estrategias de aprendizaje autónomo en estudiantes de ingeniería.
La Tabla 3 presenta las hipótesis planteadas junto con las pruebas estadísticas utilizadas para su contraste.
Tabla 3. Hipótesis de investigación y pruebas estadísticas.
Hipótesis Descripción Tipo de prueba Variable indepen-
diente
Variable depen-
diente
H1 Existe relación signiĄcativa entre la
inteligencia lingüística y el apren-
dizaje autónomo en estudiantes de in-
geniería
Correlación de
Pearson
Inteligencia lingüís-
tica
Aprendizaje
autónomo
H2 Existe relación signiĄcativa entre la
inteligencia lógico-matemática y el
aprendizaje autónomo
Correlación de
Pearson
Inteligencia lógico-
matemática
Aprendizaje
autónomo
H3 Existe relación signiĄcativa entre la
inteligencia espacial y el aprendizaje
autónomo
Correlación de
Pearson
Inteligencia espacial Aprendizaje
autónomo
H4 Existe relación signiĄcativa entre la
inteligencia interpersonal y el apren-
dizaje autónomo
Correlación de
Pearson
Inteligencia interper-
sonal
Aprendizaje
autónomo
H5 Existe relación signiĄcativa entre la
inteligencia intrapersonal y el apren-
dizaje autónomo
Correlación de
Pearson
Inteligencia intraper-
sonal
Aprendizaje
autónomo
H6 Existe relación signiĄcativa entre la
inteligencia naturalista y el apren-
dizaje autónomo
Correlación de
Pearson
Inteligencia natural-
ista
Aprendizaje
autónomo
Fuente: Elaboración propia.
C. Modelo de regresión múltiple
Para complementar el análisis correlacional, se estimó un modelo de regresión lineal múltiple, con el Ąn
de analizar el efecto conjunto de las diferentes inteligencias sobre el aprendizaje autónomo. De esta manera,
el modelo estadístico se describe en (1) donde AA = Aprendizaje autónomo, IL = Inteligencia lingüística,
ILM = Inteligencia lógico-matemática, IE = Inteligencia espacial, IInter = Inteligencia interpersonal, IIntra =
Inteligencia intrapersonal, IN = Inteligencia naturalista, β
0
= intercepto, β
1
. . . β
6
= coeĄcientes del modelo,
ε = término de error.
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
27
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
AA = β
0
+ β
1
IL + β
2
ILM + β
3
IE + β
4
IInter + β
5
IIntra + β
6
IN + ε (1)
Tabla 4. Modelo de regresión múltiple
Variable CoeĄciente β Error están-
dar
t p
Constante 0,84 0,31 2,71 0,008
Inteligencia lingüística 0,11 0,07 1,59 0,114
Inteligencia lógico-matemática 0,32 0,08 4,01 < 0, 001
Inteligencia espacial 0,09 0,06 1,45 0,150
Inteligencia interpersonal 0,18 0,07 2,57 0,011
Inteligencia intrapersonal 0,29 0,07 3,84 < 0, 001
Inteligencia naturalista 0,05 0,06 0,83 0,409
Fuente: Elaboración propia.
El modelo de regresión múltiple permitió analizar el efecto simultáne o de las distintas inteligencias sobre
el aprendizaje autónomo. Los resultados indican que el conjunto de variables incluidas en el modelo explica
una proporción considerable de la variabilidad observada en las estrategias de aprendizaje autónomo de los
estudiantes. Entre las variables analizadas, las dimensiones lógico-matemática, intrapersonal e interpersonal
muestran contribuciones estadísticamente signiĄcativas dentro del modelo, lo que sugiere que estas capacidades
cognitivas y socioemocionales desempeñan un papel relevante en el desarrollo de habilidades de autorregulación
académica. En contraste, otras dimensiones como la inteligencia lingüística, espacial y naturalista no presentan
efectos signiĄcativos dentro del modelo global, lo que podría indicar que su inĆuencia sobre el aprendizaje
autónomo se maniĄesta de manera indirecta o en c ombinación con otros factores educativos.
La Figura
3 presenta el modelo conceptual que orienta el análisis empírico del estudio. En este modelo,
las diferentes dimensiones de las inteligencias múltiples se consideran variables explicativas que pueden inĆuir
en el desarrollo de estrategias de aprendizaje autónomo en estudiantes de ingeniería. La representación gráĄca
sintetiza el enfoque analítico adoptado en la investigación, en el cual se plantea que el aprendizaje autónomo
puede verse favorecido por la interacción de diversas capacidades cognitivas y socioemocionales presentes en
los estudiantes.
Fig. 3. Modelo conceptual de relación entre inteligencias múltiples y aprendizaje autónomo.
D. Discusión
Los resultados de este estudio evidencian que algunas dimensiones de las inteligencias múltiples se asocian
con el desarrollo de estrategias de aprendizaje autónomo en estudiantes de ingeniería. En particular, las
inteligencias lógico-matemática, intrapersonal e interpersonal mostraron mayor relevancia dentro del modelo
explicativo, lo que sugiere que el aprendizaje autónomo depende no solo de habilidades analíticas, sino también
de capacidades relacionadas con la autorreĆexión y la interacción social.
La relación observada entre la inteligencia lógico-matemática y el aprendizaje autónomo resulta coherente
con la naturaleza de la formación en ingeniería, caracterizada por procesos de razonamiento estructurado y
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
28
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
resolución de problemas. En este sentido, Felder y Brent señalan que las diferencias cognitivas entre estudiantes
inĆuyen en la forma en que abordan el aprendizaje y la resolución de tareas en disciplinas técnicas [
8].
Asimismo, la inteligencia intrapersonal mostró una inĆuencia relevante en el desarrollo del aprendizaje
autónomo. Este resultado se relaciona con los planteamientos de la teoría del aprendizaje autorregulado, que
destaca el papel de la autorreĆexión y el control metacognitivo en la gestión del aprendizaje [
6]. Zimmerman
sostiene que la capacidad de evaluar el propio desempeño constituye un elemento central para la autorregulación
académica [4].
Por otra parte, la inteligencia interpersonal también se asocia con el aprendizaje autónomo, lo que sugiere
que los procesos de interacción social y colaboración académica pueden favorecer la reĆexión y el desarrollo
de estrategias de estudio más efectivas [
1].
En contraste, las inteligencias lingüística, espacial y naturalista no mostraron efectos signiĄcativos en
el modelo, lo que sugiere que su inĆuencia podría depender de otros factores pedagógicos o del contexto
educativo. Gardner señala que las distintas inteligencias interactúan entre sí y su desarrollo depende en gran
medida de las experiencias educativas de los estudiantes [
3], [9].
Desde una perspectiva p edagógica, estos hallazgos resaltan la importancia de reconocer la diversidad
cognitiva en la educación superior. Armstrong destaca que los enfoques basados en inteligencias múltiples
pueden favorecer ambientes de aprendizaje más inclusivos y adaptativos [
11]. De manera similar, Prince señala
que las metodologías activas promueven la participación estudiantil y fortalecen la autonomía en el aprendizaje
[12].
Los resultados sugieren que el aprendizaje autónomo en estudiantes de ingeniería se relaciona con una
combinación de factores cognitivos y metacognitivos. En consecuencia, el diseño de estrategias pedagógicas
que consideren esta diversidad de perĄles puede contribuir al fortalecimiento de la autorregulación y al desarrollo
de competencias académicas en la educación superior.
CONCLUSIONES
El presente estudio permitió analizar la relación entre las inteligencias múltiples y las estrategias de apren-
dizaje autónomo en estudiantes de ingeniería, aportando evidencia empírica sobre la inĆuencia de distintos
perĄles cognitivos en la gestión del aprendizaje en la educación superior. Los resultados obtenidos muestran
que el aprendizaje autónomo se encuentra asociado principalmente con aquellas dimensiones de inteligencia
vinculadas con procesos analíticos, reĆexivos y socioemocionales.
En particular, las inteligencias lógico-matemática, intrapersonal e interpersonal demostraron tener una
mayor relevancia dentro del modelo explicativo, lo que sugiere que el desarrollo del aprendizaje autónomo
en estudiantes de ingeniería depende no solo de habilidades cognitivas relacionadas con el razonamiento y la
resolución de problemas, sino también de capacidades aso ciadas con el autoconocimiento, la reĆexión sobre el
propio aprendizaje y la interacción con otros estudiantes. Estos hallazgos refuerzan la idea de que el aprendizaje
universitario constituye un proceso complejo que integra dimensiones cognitivas, metacognitivas y sociales.
Asimismo, los resultados del estudio destacan la importancia de considerar la diversidad de p erĄles intelec-
tuales presentes en los estudiantes al diseñar estrategias pedagógicas en la educación superior. La identiĄcación
de las diferentes inteligencias puede contribuir a la implementación de metodologías de enseñanza más Ćex-
ibles y adaptativas, capaces de favorecer el desarrollo de estrategias de aprendizaje autónomo y mejorar la
experiencia educativa en programas de ingeniería.
Desde una perspectiva educativa, los hallazgos sugieren que las instituciones de educación superior p odrían
fortalecer el aprendizaje autónomo mediante la incorporación de metodologías activas que promuevan la re-
Ćexión, la resolución de problemas y el trabajo colaborativo. Estas estrategias no solo contribuyen al desarrollo
de competencias cognitivas, sino también al fortalecimiento de habilidades metacognitivas que permiten a los
estudiantes gestionar de manera más efectiva su proceso de aprendizaje.
Finalmente, este estudio aporta evidencia que puede servir como base para futuras investigaciones orien-
tadas a profundizar en la relación entre los perĄles cognitivos y los procesos de aprendizaje en la educación
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
29
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 20-30)
superior. Investigaciones posteriores podrían explorar la inĆuencia de otras variables pedagógicas, tales como
las metodologías de enseñanza, los entornos de aprendizaje digitales o los factores motivacionales, con el Ąn de
ampliar la comprensión de los mecanismos que favorecen el aprendizaje autónomo en estudiantes universitarios.
REFERENCIAS
[1] J. Biggs and C. Tang, Teaching for Quality Learning at University, 4th ed. Maidenhead: McGraw-
Hill Education, 2011.
[2] D. H. Jonassen, J. Strobel, and C. B. Lee, ŞEveryday problem solving in engineering: Lessons for
engineering educators,Ť Journal of Engineering Education, vol. 95, no. 2, pp. 139Ű151, 2006.
[3] H. Gardner, Frames of Mind: The Theory of Multiple Intelligences. New York: Basic Books,
1983.
[4] B. J. Zimmerman, ŞBecoming a self-regulated learner: An overview,Ť Theory Into Practice, vol. 41,
no. 2, pp. 64Ű70, 2002.
[5] P. R. Pintrich, ŞThe role of motivation in promoting and sustaining self-regulated learning,Ť
International Journal of Educational Research, vol. 31, no. 6, pp. 459Ű470, 1999.
[6] B. J. Zimmerman and D. H. Schunk, Self-Regulated Learning and Academic Achievement: The-
oretical Perspectives, 2nd ed. Mahwah: Lawrence Erlbaum Associates, 2001.
[7] T. Armstrong, Multiple Intelligences in the Classroom, 3rd ed. Alexandria: ASCD, 2009.
[8] R. M. Felder and R. Brent, ŞUnderstanding student differences,Ť Journal of Engineering Education,
vol. 94, no. 1, pp. 57Ű72, 2005.
[9] H. Gardner, Multiple Intelligences: New Horizons in Theory and Practice. New York: Basic
Books, 2006.
[10] ŮŮ, Intelligence Reframed: Multiple Intelligences for the 21st Century. New York: Basic Books,
1999.
[11] T. Armstrong, Multiple Intelligences in the Classroom, 3rd ed. Alexandria: ASCD, 2009.
[12] M. Prince, ŞDoes active learning work? A review of the research,Ť Journal of Engineering Educa-
tion, vol. 93, no. 3, pp. 223Ű231, 2004.
[13] P. C. Candy, Self-Direction for Lifelong Learning. San Francisco: Jossey-Bass, 1991.
[14] 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.
[15] D. R. Garrison, ŞSelf-directed learning: Toward a comprehensive model,Ť Adult Education Quar-
terly, vol. 48, no. 1, pp. 18Ű33, 1997.
[16] D. H. Schunk and B. J. Zimmerman, Motivation and Self-Regulated Learning: Theory, Research,
and Applications. New York: Routledge, 2008.
[17] R. J. Stern berg, Thinking Styles. Cambridge: Cambridge University Press, 1997.
[18] J. A. Plucker and C. M. Callahan, Critical issues and practices in gifted education: What the
research says. Prufrock Press, 2008.
[19] R. Riding and S. Rayner, Cognitive Styles and Learning Strategies. London: David Fulton
Publishers, 1998.
[20] M. Prince and R. Felder, ŞInductive teaching and learning methods: DeĄnitions, comparisons,
and research bases,Ť Journal of Engineering Education, vol. 95, no. 2, pp. 123Ű138, 2006.
Terry M. Relación entre las inteligencias múltiples y las estrategias de aprendizaje autónomo en estudiantes de ingeniería
30
