ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
Artículo de investigación https://doi.org/10.47460/noesis.v3i6.55
Perspectivas de la educación universitaria en tiempos de inteligencia
artificial: una aproximación cuantitativa al impacto educativo, las
competencias digitales y la actitud tecnológica
Renzo Enrique Polo-Moreano*
https://orcid.org/0009-0009-8747-8974
20193257@aloe.ulima.edu.pe
Universidad de Lima
Facultad de Ciencias Empresariales y Económicas
Grupo de Investigación en Economía Regional (GIERE).
Ciudad de Lima, Perú.
*Autor de correspondencia:
20193257@aloe.ulima.edu.pe
Recibido: (12/01/2026), Aceptado: (17/03/2026)
Resumen. La inteligencia artiĄcial ha transformado la educación superior, generando oportunidades y desafíos
en los procesos académicos. Este estudio analizó la relación entre el uso de inteligencia artiĄcial, la percepción
de impacto educativo, las competencias digitales y la actitud tecnológica en contextos universitarios. Se empleó
un enfoque cuantitativo, con diseño no experimental, descriptivo-correlacional y transversal. La muestra estuvo
conformada por 210 participantes (estudiantes y docentes). Se utilizó un cuestionario de 28 ítems con escala
Likert, validado por expertos y con alta conĄabilidad (α = 0.89). Los resultados evidenciaron relaciones
positivas y signiĄcativas entre el uso de inteligencia artiĄcial y el impacto educativo (r = 0.68; p < 0.01),
así como efectos relevantes de las competencias digitales y la actitud tecnológica. El modelo de regresión
explicó el 61 % de la varianza, concluyendo que la inteligencia artiĄcial es un factor c lave en la transformación
universitaria, condicionado por variables individuales y tecnológicas.
Palabras clave: inteligencia artiĄcial, educación universitaria, competencias digitales, impacto educativo,
transformación digital, educación superior.
Perspectives on University Education in Times of Artificial Intelligence: A Quantitative
Approach to Educational Impact, Digital Competencies, and Technological Attitude
Abstract. ArtiĄcial intelligence has transformed higher education, creating both opportunities and challenges
in academic processes. This study analyzed the relationship between the use of artiĄcial intelligence, the
perception of educational impact, digital competencies, and technological attitude in university contexts. A
quantitative approach was employed, with a non-experimental, descriptive-correlational, and cross-sectional
design. The sample consisted of 210 participants (students and teachers). A 28-item Likert-scale questionnaire
was used, validated by experts and showing high reliability (α = 0.89). The results revealed positive and
signiĄcant relationships between the use of artiĄcial intelligence and educational impact (r = 0.68; p <
0.01), as well as relevant effects of digital competencies and technological attitude. The regression model
explained 61% of the variance, leading to the conclusion that artiĄcial intelligence is a key factor in university
transformation, conditioned by individual and technological variables.
Keywords: artiĄcial intelligence, university education, digital competencies, educational impact, digital trans-
formation, higher education.
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
31
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
I. INTRODUCCIÓN
En las primeras décadas del siglo XXI, la educación universitaria ha experimentado una transformación
estructural impulsada por la acelerada evolución de la inteligencia artiĄcial (IA), conĄgurándose como uno de
los principales catalizadores de cambio en los sistemas educativos a nivel global. Diversos estudios recientes
evidencian que la adopción de tecnologías basadas en IA no solo ha redeĄnido los procesos de enseñanza
y aprendizaje, sino que también ha reconĄgurado los modelos institucionales, la gestión académica y las
dinámicas de producción del conocimiento [
1], [2]. En este contexto, la universidad contemporánea se enfrenta
al desafío de transitar desde modelos tradicionales hacia ecosistemas educativos inteligentes, caracterizados
por la automatización, la personalización del aprendizaje y la toma de decisiones basada en datos.
Desde una perspectiva cuantitativa, investigaciones empíricas muestran que la integración de sistemas
de tutoría inteligente y plataformas adaptativas puede reducir los tiempos de aprendizaje hasta en un 27 %,
evidenciando mejoras signiĄcativas en la eĄciencia educativa y en el rendimiento académico de los estudiantes
[
3]. Asimismo, encuestas recientes en contextos universitarios indican que aproximadamente el 90 % de los
estudiantes ya utilizan herramientas de inteligencia artiĄcial generativa como apoyo en sus procesos formativos,
lo que reĆeja una adopción masiva y una transformación en los hábitos de estudio y acceso al conocimiento
[
4]. Estos datos sugieren que la IA no constituye una tendencia emergente, sino una realidad consolidada que
está redeĄniendo la experiencia universitaria a escala global.
En términos funcionales, la inteligencia artiĄcial ha demostrado su capacidad para personalizar la en-
señanza, optimizar los procesos de evaluación y mejorar la eĄciencia administrativa en las instituciones de
educación sup erior [
2], [5]. Herramientas como los sistemas de recomendación académica, los asistentes
virtuales y los modelos predictivos permiten adaptar los contenidos a las necesidades individuales de los estu-
diantes, generando entornos de aprendizaje más inclusivos y eĄcaces. Sin embargo, este avance tecnológico
también plantea desafíos signiĄcativos relacionados con la ética, la privacidad de los datos, la integridad
académica y la formación docente, aspectos que requieren una regulación adecuada y un enfoque crítico en
su implementación [
1], [6].
A nivel global, organismos internacionales como la UNESCO han subrayado la necesidad de desarrollar
marcos de competencias en inteligencia artiĄcial que permitan a estudiantes y docentes comprender tanto el
potencial como los riesgos asociados a estas tecnologías, promoviendo una integración equilibrada y responsable
en los sistemas educativos [
7]. En paralelo, estudios recientes destacan que la incorporación de la IA en la
educación superior debe orientarse no solo hacia la eĄciencia tecnológica, sino también hacia el fortalecimiento
del pensamiento crítico, la creatividad y la capacidad de innovación, evitando una dependencia excesiva de los
sistemas automatizados [
6].
En este escenario, el análisis de las perspectivas de la educación universitaria en tiempos de inteligencia
artiĄcial se conĄgura como una línea de investigación prioritaria, que exige una comprensión integral de
sus impactos pedagógicos, tecnológicos y sociales. Este estudio se propone examinar dichas transformaciones
desde un enfoque contemporáneo, identiĄcando tendencias emergentes, oportunidades de innovación y desafíos
estructurales que deĄnirán el futuro de la educación superior en un entorno cada vez más digitalizado e
interconectado.
II. MARCO TEÓRICO
A. Transformación de la educación universitaria en la era de la inteligencia artificial
La educación universitaria ha experimentado históricamente procesos de transformación asociados a revolu-
ciones tecnológicas, sin embargo, la irrupción de la inteligencia artiĄcial (IA) representa un punto de inĆexión
sin precedentes debido a su capacidad para intervenir simultáneamente en los procesos cognitivos, pedagógi-
cos y administrativos del sistema educativo. A diferencia de tecnologías previas, la IA no solo actúa como
herramienta de apoyo, sino como un agente activo capaz de generar contenido, tomar decisiones y adap-
tarse dinámicamente a los usuarios, lo que redeĄne el rol de los actores educativos y la naturaleza misma del
aprendizaje [
1], [2].
En este contexto, la universidad transita desde un modelo centrado en la transmisión de conocimiento hac ia
un ecosistema inteligente basado en datos, donde el aprendizaje se conĄgura como un proceso personalizado,
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
32
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
continuo y mediado p or algoritmos. Este cambio implica una reestructuración de los paradigmas educativos
tradicionales, dando lugar a nuevas formas de interacción entre estudiantes, docentes y sistemas tecnológicos.
Diversos estudios han señalado que esta transformación no es homogénea, sino que depende de factores como
la infraestructura tecnológica, la cultura institucional y las competencias digitales de los actores involucrados,
lo que genera brechas signiĄcativas entre contextos educativos [
3].
B. Inteligencia artificial y personalización del aprendizaje
Uno de los aportes más relevantes de la IA en la educación superior es su capacidad para personalizar
los procesos de enseñanzaŰaprendizaje. A través de sistemas de recomendación, analítica de aprendizaje y
modelos predictivos, las plataformas educativas pueden adaptar contenidos, ritmos y estrategias pedagógicas
en función de las características individuales de cada estudiante. Este enfoque rompe con la lógica homogénea
del aula tradicional, permitiendo atender la diversidad cognitiva y mejorar los resultados académicos [
3], [5].
Desde una perspectiva cuantitativa, la personalización del aprendizaje ha mostrado impactos signiĄcativos
en la eĄciencia educativa, evidenciándose mejoras en el rendimiento, la retención del conocimiento y la mo-
tivación estudiantil. Los sistemas de tutoría inteligente, por ejemplo, permiten identiĄcar patrones de error,
anticipar diĄcultades y ofrecer retroalimentación inmediata, lo que optimiza el proceso formativo. No obstante,
esta automatización también plantea interrogantes sobre la dependencia tecnológica y la posible reducción del
pensamiento crítico si no se implementa de manera equilibrada [
4].
C. Redefinición del rol docente y nuevas competencias académicas
La incorporación de la inteligencia artiĄcial en la educación s uperior ha generado una redeĄnición pro-
funda del rol docente, desplazándolo de transmisor de conocimientos hacia facilitador, mediador y diseñador
de experiencias de aprendizaje. En este nuevo escenario, el docente no solo debe dominar los contenidos
disciplinares, sino también desarrollar competencias digitales avanzadas que le permitan integrar herramientas
de IA de manera crítica y pedagógicamente pertinente [
2], [6].
Asimismo, la formación universitaria debe orientarse hacia el desarrollo de competencias transversales
como el pensamiento crítico, la resolución de problemas complejos, la creatividad y la alfabetización digital.
Estas habilidades son fundamentales en un entorno donde la información es abundante y accesible, pero su
interpretación y uso requieren criterios analíticos rigurosos. En consecuencia, la educación superior enfrenta el
reto de equilibrar la incorporación de tecnologías emergentes con la formación integral del estudiante, evitando
una visión tecnocentrista del aprendizaje [
7].
D. Implicaciones éticas, sociales y epistemológicas de la inteligencia artificial
El avance de la inteligencia artiĄcial en la educación universitaria también plantea desafíos éticos y sociales
que requieren un análisis crítico. Entre los principales aspectos se encuentran la privacidad de los datos, la
transparencia de los algoritmos, la equidad en el acceso a la tecnología y la integridad académica. El uso de
sistemas automatizados para evaluar o generar contenido puede introducir sesgos y afectar la objetividad de
los procesos educativos si no se establecen mecanismos adecuados de regulación y supervisión [
1], [6].
Desde una perspectiva epistemológica, la IA cuestiona las formas tradicionales de producción y validación
del conocimiento. La posibilidad de generar textos, resolver problemas complejos y simular procesos cognitivos
plantea interrogantes sobre la autoría, la originalidad y el papel del ser humano en la construcción del saber.
En este sentido, la educación universitaria debe asumir un enfoque crítico que no solo incorpore la tecnología,
sino que también reĆexione sobre sus implicaciones en la formación del pensamiento y en la conĄguración de
nuevas formas de conocimiento [
2].
E. Tendencias emergentes y futuro de la educación superior
Las tendencias actuales indican que la inteligencia artiĄcial continuará consolidándose como un eje central
en la transformación de la educación universitaria. Entre las principales proyecciones se encuentran el desarrollo
de universidades inteligentes, el uso de gemelos digitales educativos, la integración de entornos inmersivos y
la expansión de modelos híbridos de aprendizaje que combinan presencialidad y virtualidad [
5].
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
33
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
No obstante, el futuro de la educación superior no dependerá únicamente del avance tecnológico, sino
de la capacidad de las instituciones para integrar la IA de manera estratégica, ética y contextualizada. Esto
implica diseñar políticas educativas, marcos regulatorios y mo delos pedagógicos que aprovechen el potencial de
la inteligencia artiĄcial sin comprometer los principios fundamentales de la educación, tales como la equidad,
la calidad y la formación humanista. En consecuencia, la universidad del futuro se conĄgura como un espacio
híbrido donde convergen tecnología, conocimiento y valores, orientado hacia la formación de profesionales
capaces de desenvolverse en entornos complejos y altamente digitalizados [
7].
III. METODOLOGÍA
El presente estudio se desarrolló bajo un enfoque cuantitativo, con un diseño no experimental, de tipo
descriptivoŰcorrelacional y de corte transversal, orientado a analizar las perspectivas de la educación universi-
taria en el contexto de la inteligencia artiĄcial, considerando variables relacionadas con el uso de tecnologías
basadas en IA, la percepción estudiantil y docente, y los efectos en el proceso de enseñanzaŰaprendizaje. Este
enfoque permitió identiĄcar patrones, relaciones estadísticas y tendencias emergentes en entornos educativos
contemporáneos, sin manipulación directa de las variables de estudio [
1], [3].
El diseño no experimental se fundamentó en la observación de fenómenos en su contexto natural, analizando
la interacción entre los actores educativos y las herramientas de inteligencia artiĄcial en escenarios reales de
educación superior. Asimismo, el carácter transversal del estudio implicó la recolección de datos en un único
momento temporal, lo que permitió obtener una visión actualizada del fenómeno analizado, en concordancia
con investigaciones recientes sobre transformación digital en educación [
2].
A. Población y muestra
La población estuvo constituida por estudiantes y docentes de instituciones de educación superior, pertenecientes
a diferentes áreas del conocimiento, incluyendo ingeniería, ciencias sociales, ciencias de la salud y adminis-
tración. Se consideró una población heterogénea con el Ąn de obtener una visión integral del impacto de la
inteligencia artiĄcial en diversos contextos académicos.
La muestra fue seleccionada mediante un muestreo no probabilístico de tipo intencional, considerando
criterios de accesibilidad, uso previo de herramientas de inteligencia artiĄcial y participación activa en entornos
educativos digitales. La muestra Ąnal estuvo conformada por n = 210 participantes, de los cuales el 68 %
correspondió a estudiantes y el 32 % a docentes.
En términos demográĄcos, el 54 % de los participantes fueron mujeres y e l 46 % hombres, con un rango
de edad comprendido entre 18 y 55 años (M = 27, 4; DE = 8, 6). Asimismo, el 87 % reportó utilizar
herramientas de inteligencia artiĄcial de forma frecuente en actividades académicas, lo que evidencia un alto
nivel de exposición tecnológica en la muestra analizada.
B. Variables de estudio
El estudio consideró un conjunto de variables estructuradas en tres dimensiones principales:
Uso de inteligencia artiĄcial (Variable independiente): frecuencia de uso, tipo de herramientas utilizadas
(chatbots, generadores de texto, sistemas de recomendación), y Ąnalidad académica (investigación, estudio,
producción de contenido).
Percepción de impacto educativo (Variable dependiente): mejora en el aprendizaje, eĄciencia académica,
comprensión de contenidos, autonomía del estudiante.
Factores moderadores: competencias digitales, actitud hacia la tecnología, y nivel de formación académica.
Cada variable fue operacionalizada mediante indicadores medibles a través de escalas tipo Likert de cinco
puntos (1 = totalmente en desacuerdo, 5 = totalmente de acuerdo), lo que permitió cuantiĄcar percepciones
y comportamientos asociados al uso de la inteligencia artiĄcial en el entorno universitario.
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
34
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
C. Instrumento de recolección de datos
Para la recolección de datos se diseñó un cuestionario estructurado compuesto por 28 ítems, distribuidos
en las tres dimensiones del estudio. El instrumento fue validado mediante juicio de expertos, considerando
criterios de pertinencia, claridad y coherencia conceptual, con la participación de tres especialistas en educación
superior y tecnologías digitales.
Posteriormente, se realizó una prueba piloto con 30 participantes, lo que permitió ajustar la redacción de
los ítems y evaluar la consistencia interna del instrumento. El análisis de Ąabilidad se llevó a cabo mediante el
coeĄciente alfa de Cronbach, obteniéndose un valor de α = 0.89, lo que indica un alto nivel de consistencia
interna y conĄabilidad del instrumento.
La aplicación del cuestionario se realizó a través de plataformas digitales, garantizando el anonimato de los
participantes y el cumplimiento de principios éticos relacionados con la conĄdencialidad y el consentimiento
informado.
D. Procedimiento
El proceso de recolección de datos se desarrolló en tres fases. En la primera fase, se realizó la elaboración
y validación del instrumento, incluyendo la revisión por expertos y la prueba piloto. En la segunda fase,
se procedió a la aplicación del cuestionario mediante medios digitales, distribuyéndose a través de correos
institucionales y plataformas académicas.
En la tercera fase, se llevó a cabo la depuración y organización de la base de datos, eliminando reg-
istros incompletos y veriĄcando la consistencia de las respuestas. Finalmente, los datos fueron codiĄcados y
preparados para su análisis estadístico utilizando software especializado.
E. Análisis estadístico
El análisis de los datos se realizó mediante estadística descriptiva e inferencial, utilizando software estadís-
tico (SPSS y R). En primer lugar, se calcularon medidas de tendencia central (media) y dispersión (desviación
estándar) para describir el comportamiento de las variables.
Posteriormente, se aplicaron pruebas de correlación de Pearson para identiĄcar relaciones entre el uso de
inteligencia artiĄcial y la percepción de impacto educativo. Asimismo, se empleó un modelo de regresión lineal
múltiple con el objetivo de determinar el grado de inĆuencia de la variable independiente sobre la variable
dependiente, considerando los factores moderadores.
Para la validación del modelo, se evaluaron supuestos estadísticos como normalidad, homocedasticidad
y ausencia de multicolinealidad, utilizando indicadores como el estadístico de DurbinŰWatson y el factor de
inĆación de la varianza (VIF). El nivel de signiĄcancia estadística se estableció en p < 0, 05.
Adicionalmente, se realizó un análisis de conĄabilidad y consistencia interna de las escalas, así como un
análisis factorial exploratorio para veriĄcar la estructura dimensional del instrumento.
F. Consideraciones éticas
El estudio se desarrolló respetando los principios éticos de la investigación cientíĄca, garantizando la partici-
pación voluntaria de los sujetos, el consentimiento informado y la conĄdencialidad de la información recopilada.
No se recolectaron datos personales sensibles, en concordancia con las recomendaciones metodológicas para
estudios cuantitativos en entornos educativos.
IV. RESULTADOS
Los resultados se presentan en tres niveles: descriptivo, correlacional e inferencial, con el objetivo de analizar la
relación entre el uso de inteligencia artiĄcial y la percepción de impacto educativo en la educación universitaria.
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
35
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
A. Análisis descriptivo
En primer lugar, se examinaron las estadísticas descriptivas de las variables principales del estudio, tal
como se muestra en la Tabla
1.
Tabla 1. Estadísticos descriptivos de las variables.
Variable Media (M) Desv. Estándar
(DE)
Uso de inteligencia artiĄcial 4,12 0,71
Percepción de impacto educativo 4,05 0,68
Competencias digitales 3,88 0,74
Actitud hacia la tecnología 4,21 0,65
Fuente: Elaboración propia.
Los resultados descriptivos evidenciaron niveles elevados en todas las variables analizadas. En particular,
el uso de inteligencia artiĄcial presentó una media de 4,12 (DE = 0,71), lo que indica una alta frecuencia de
utilización en contextos académicos. De manera similar, la percepción de impacto educativo mostró una media
de 4,05 (DE = 0,68), sugiriendo que los participantes perciben efectos positivos en su proceso de aprendizaje.
Asimismo, la actitud hacia la tecnología alcanzó la media más alta (M = 4,21), lo que reĆeja una disposición
favorable hacia la incorporación de herramientas digitales en la educación superior. Estos resultados son
consistentes con tendencias recientes que evidencian una adopción creciente de la inteligencia artiĄcial en
entornos universitarios.
B. Análisis de correlación
Posteriormente, se analizó la relación entre las variables mediante el coeĄciente de correlación de Pearson
(Tabla
2). El análisis de correlación evidenció relaciones positivas y estadísticamente signiĄcativas entre todas
las variables del estudio (p < 0, 01). En particular, se obse rvó una correlación fuerte entre el uso de inteligencia
artiĄcial y la percepción de impacto educativo (r = 0, 68), lo que sugiere que un mayor uso de estas tecnologías
se asocia con una mejora percibida en los procesos de aprendizaje.
Asimismo, las competencias digitales y la actitud hacia la tecnología mostraron correlaciones moderadas
con las variables principales, evidenciando su papel como factores relevantes en la adop ción y aprovechamiento
de la inteligencia artiĄcial en el contexto universitario.
Tabla 2. Matriz de correlación.
Variable 1 2 3 4
1. Uso de IA 1,00
2. Impacto educativo 0,68** 1,00
3. Competencias digitales 0,59** 0,63** 1,00
4. Actitud hacia la tecnología 0.55** 0.60** 0,58** 1,00
Fuente: Elaboración propia.
C. Análisis de regresión
Con el Ąn de determinar el grado de inĆuencia del uso de inteligencia artiĄcial sobre la percepción de
impacto educativo, se aplicó un modelo de regresión lineal múltiple. El modelo de regresión explicó el 61 %
de la varianza en la percepción de impacto educativo (R
2
= 0, 61), lo que indica un alto poder explicativo. El
uso de inteligencia artiĄcial se identiĄcó como el predictor más relevante (β = 0, 52; p < 0, 001), evidenciando
su inĆuencia signiĄcativa en la mejora percibida del aprendizaje.
Las competencias digitales (β = 0, 27; p < 0, 001) y la actitud hacia la tecnología (β = 0, 21; p =
0, 001) también contribuyeron de manera signiĄcativa al modelo, lo que conĄrma la importancia de factores
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
36
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
individuales en la efectividad del uso de la inteligencia artiĄcial. El estadístico de DurbinŰWatson (1,89) indicó
ausencia de autocorrelación en los residuos, validando la consistencia del modelo.
Tabla 3. Modelo de regresión lineal múltiple.
Variable independiente β t p
Uso de IA 0,52 8,41 < 0, 001
Competencias digitales 0,27 4,12 < 0, 001
Actitud hacia la tecnología 0,21 3,45 0,001
R
2
= 0,61 R
2
ajustado = 0,59 DurbinŰWatson = 1,89
Fuente: Elaboración propia.
La Figura
1 permite visualizar de manera integrada la estructura relacional entre las variables analizadas,
evidenciando patrones de asociación que difícilmente podrían apreciarse con la misma claridad en formatos
tabulares tradicionales. La representación mediante un mapa de calor no solo facilita la identiĄcación de la
intensidad de las relaciones, sino que también aporta una lectura intuitiva del comportamiento conjunto de
los constructos evaluados, destacando la coherencia interna del modelo planteado.
En este sentido, la distribución cromática observada sugiere una tendencia consistente hacia asociaciones
positivas entre las variables, lo que refuerza la idea de que la incorporación de la inteligencia artiĄcial en
entornos universitarios no actúa de manera aislada, sino en interacción con factores individuales y contextuales.
La concentración de tonalidades más intensas en determinadas intersecciones reĆeja la existencia de vínculos
más robustos, particularmente en aquellas dimensiones relacionadas con la experiencia tecnológica y su impacto
en los procesos de aprendizaje.
Asimismo, la Ągura permite inferir que las variables consideradas no solo están interrelacionadas, sino
que conĄguran un sistema dinámico en el que las competencias digitales y la disposición hacia la tecnología
desempeñan un papel articulador. Esta lectura visual complementa los resultados estadísticos y contribuye a
una comprensión más profunda del fenómeno estudiado, reforzando la validez interpretativa del modelo y su
pertinencia en el análisis de la educación universitaria en contextos mediados por inteligencia artiĄcial.
Fig. 1. Mapa de calor de correlaciones que muestran la relación entre el uno de la inteligencia artiĄcial,
el impacto educativo, las competencias digitales y la actitud hacia la tecnología.
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
37
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
D. Discusión de resultados
Los resultados obtenidos evidenciaron que el uso de inteligencia artiĄcial se asoció de manera signiĄcativa
y positiva con la percepción de impacto educativo, lo que conĄrma que la integración de estas tecnologías
en la educación superior no solo está transformando las dinámicas de enseñanza, sino también la forma en
que los estudiantes perciben su propio proceso de aprendizaje. Esta relación, observada tanto en el análisis
correlacional como en el modelo de regresión, se alinea con investigaciones previas que destacan el potencial
de la inteligencia artiĄcial para mejorar la eĄciencia del aprendizaje, la personalización de contenidos y la
autonomía del estudiante [
3], [8].
En particular, la magnitud de la relación encontrada sugiere que el uso de herramientas basadas en
inteligencia artiĄcial no constituye únicamente un recurso complementario, sino un factor estructural en la
experiencia educativa contemporánea. Estudios recientes han señalado que los sistemas de tutoría inteligente y
las plataformas adaptativas permiten optimizar los tiempos de aprendizaje y mejorar el rendimiento académico,
lo que coincide con la tendencia observada en los resultados del presente estudio [
3], [9]. En este sentido,
la inteligencia artiĄcial se posiciona como un elemento clave en la transición hacia modelos educativos más
Ćexibles, dinámicos y centrados en el estudiante.
Asimismo, las competencias digitales emergieron como un factor signiĄcativo dentro del modelo explicativo,
lo que refuerza la idea de que la efectividad del uso de la inteligencia artiĄcial depende en gran medida de la
capacidad de los usuarios para interactuar críticamente con las tecnologías. Este hallazgo es consistente con
marcos internacionales que subrayan la necesidad de desarrollar habilidades digitales avanzadas como condición
para una integración efectiva de la inteligencia artiĄcial en la educación [7], [10]. De este modo, no basta
con la disponibilidad de herramientas tecnológicas, sino que resulta imprescindible fortalecer las capacidades
cognitivas y técnicas de los actores educativos.
Por otro lado, la actitud hacia la tecnología mostró una inĆuencia signiĄcativa, aunque moderada, lo que
sugiere que los factores actitudinales continúan desempeñando un papel relevante en los procesos de adopción
tecnológica. Este resultado coincide con modelos teóricos como el Technology Acceptance Model (TAM),
que plantean que la percepción de utilidad y la facilidad de uso inĆuyen directamente en la disposición de los
usuarios hacia la tecnología [
11]. En consecuencia, la incorporación de la inteligencia artiĄcial en la educación
superior debe considerar no solo aspectos técnicos, sino también dimensiones psicológicas y culturales.
Desde una perspectiva integradora, la visualización mediante el mapa de calor permitió identiĄcar patrones
de asociación coherentes entre las variables, evidenciando que el uso de inteligencia artiĄcial, las competencias
digitales y la actitud tecnológica conforman un sistema interdep endiente que incide en la p ercepción del
impacto educativo. Este enfoque sistémico es respaldado por estudios recientes que destacan la naturaleza
compleja y multidimensional de la transformación digital en la educación superior [
2], [12].
No obstante, es importante señalar que, si bien los resultados evidencian relaciones signiĄcativas, estos
deben interpretarse considerando las limitaciones propias de un diseño transversal, el cual no permite establecer
relaciones de causalidad. Investigaciones longitudinales han señalado que el impacto de la inteligencia artiĄcial
en la educación puede variar en el tiempo, dependiendo de factores como la evolución tecnológica, la adaptación
institucional y los cambios en los modelos pedagógicos [
13]. Por tanto, se recomienda que futuros estudios
profundicen en estas dinámicas mediante enfoques longitudinales o experimentales.
Adicionalmente, el alto nivel de adopción de herramientas de inteligencia artiĄcial observado en la mues-
tra coincide con tendencias globales que evidencian una rápida incorporación de tecnologías generativas en
contextos académicos. Sin embargo, diversos autores advierten que esta adopción acelerada también plantea
desafíos relacionados con la integridad académica, la dependencia tecnológica y la calidad del aprendizaje,
aspectos que requieren una regulación adecuada y una reĆexión crítica desde la educación sup erior [
6], [14].
Finalmente, los resultados del presente estudio contribuyen a la literatura existente al ofrecer evidencia em-
pírica sobre la interacción entre variables tecnológicas, cognitivas y actitudinales en el contexto de la educación
universitaria mediada por inteligencia artiĄcial. En concordancia con investigaciones recientes, se conĄrma que
la transformación educativa no depende exclusivamente de la incorporación de tecnologías avanzadas, sino de
la capacidad de las instituciones para integrarlas de manera estratégica, ética y pedagógicamente pertinente
[
1], [15]. En este sentido, la educación superior se enfrenta al reto de construir modelos formativos que no
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
38
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
solo incorporen la inteligencia artiĄcial, sino que también promuevan el desarrollo de competencias críticas que
permitan a los estudiantes desenvolverse en entornos altamente digitalizados.
E. Limitaciones del estudio
El presente estudio presentó algunas limitaciones que deben ser consideradas para una adecuada inter-
pretación de los resultados. En primer lugar, el diseño no experimental y de corte transversal impidió establecer
relaciones de causalidad entre las variables analizadas, limitando el alcance de las inferencias a asociaciones
estadísticas. Si bien los resultados evidenciaron relaciones signiĄcativas entre el uso de inteligencia artiĄcial y
la percepción de impacto educativo, no es posible aĄrmar con certeza la dirección causal de dichas relaciones,
lo que sugiere la necesidad de estudios longitudinales o experimentales en futuras investigaciones.
En segundo lugar, el uso de un muestreo no probabilístico de tipo intencional restringió la generalización de
los resultados a otras poblaciones universitarias. Aunque la muestra incluyó participante s de diversas áreas del
conocimiento, la selección basada en accesibilidad y uso previo de herramientas de inteligencia artiĄcial pudo
haber introducido sesgos relacionados con la familiaridad tecnológica de los sujetos, lo que podría sobreestimar
los efectos observados.
Asimismo, la recolección de datos mediante cuestionarios autoinformados implicó la posibilidad de sesgos
de deseabilidad social y percepción subjetiva. Las variables analizadas se basaron en la valoración individual de
los participantes, lo que, si bien es pertinente para estudiar percep ciones, puede no reĆejar con total precisión
el impacto real de la inteligencia artiĄcial en el rendimiento académico o en los procesos de aprendizaje.
Por otra parte, el estudio no consideró variables contextuales más amplias, como la calidad de la in-
fraestructura tecnológica institucional, las p olíticas educativas o las diferencias socioculturales entre contextos
geográĄcos, factores que podrían inĆuir de manera signiĄcativa en la adopción y efectividad de la inteligencia
artiĄcial en la educación superior.
Finalmente, aunque el modelo estadístico presentó un adecuado nivel de ajuste, no se exploraron modelos
más complejos, como análisis estructurales o enfoques longitudinales, que podrían ofrecer una comprensión
más profunda de las relaciones entre las variables. En este sentido, futuras investigaciones podrían incorporar
modelos de ecuaciones estructurales o análisis multivariados avanzados para ampliar la capacidad explicativa
del fenómeno estudiado.
CONCLUSIONES
Los resultados del presente estudio permitieron conĄrmar que la inteligencia artiĄcial se ha consolidado
como un elemento central en la transformación de la educación universitaria contemporánea, evidenciándose su
inĆuencia signiĄcativa en la percepción del impacto educativo por parte de estudiantes y docentes. La relación
positiva encontrada entre el uso de herramientas basadas en inteligencia artiĄcial y la mejora percibida en
los procesos de aprendizaje sugiere que estas tecnologías no solo optimizan la eĄciencia académica, sino que
también reconĄguran las dinámicas de interacción con el conocimiento.
Asimismo, se evidenció que la efectividad de la inteligencia artiĄcial en la educación superior no depende
exclusivamente de su disponibilidad, sino de la interacción con factores individuales como las competencias
digitales y la actitud hacia la tecnología. En este sentido, el estudio reaĄrma que la transformación educativa
mediada por inteligencia artiĄcial es un fenómeno multidimensional, en el que convergen variables tecnológicas,
cognitivas y actitudinales.
Desde una perspectiva teórica, los hallazgos contribuyen a la comprensión del papel de la inteligencia
artiĄcial como un agente transformador en los sistemas educativos, superando la visión instrumental de la
tecnología para situarla como un componente estructural en la conĄguración de nuevos modelos pedagógicos.
La evidencia empírica obtenida respalda la necesidad de replantear los enfoques tradicionales de enseñanza,
orientándolos hacia esquemas más Ćexibles, personalizados y basados en datos.
En términos prácticos, los resultados sugieren que las instituciones de educación superior deben no solo
incorporar herramientas de inteligencia artiĄcial, sino también diseñar estrategias formativas orientadas al
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
39
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
desarrollo de competencias digitales críticas y a la promoción de una cultura tecnológica responsable. Esto
implica la formación continua del profesorado, la actualización de los planes de estudio y la implementación
de políticas educativas que regulen el uso ético y efectivo de la inteligencia artiĄcial.
Finalmente, el estudio abre nuevas líneas de investigación relacionadas con el análisis longitudinal del
impacto de la inteligencia artiĄcial en la educación, la evaluación de modelos pedagógicos híbridos y el de-
sarrollo de marcos teóricos que integren dimensiones tecnológicas, sociales y éticas. En un contexto global
caracterizado por la acelerada digitalización, la educación universitaria se enfrenta al desafío de evolucionar
hacia modelos inteligentes que no solo incorporen la tecnología, sino que también fortalezcan la capacidad
crítica, la creatividad y la autonomía de los estudiantes.
REFERENCIAS
[1] F. Pedro, M. Subosa, A. Rivas, and P. Valverde, ArtiĄcial intelligence in education: Challenges
and opportunities for sustainable development. Lima: Ministerio de Educación, 2019, [En línea].
Disponible en: http://repositorio.minedu.gob.pe/handle/20.500.12799/6533.
[2] M. del C. Jardón Gallegos, W. D. Allas Chisag, D. A. Zamora Valencia, and N. E. Cedeño Saltos,
ŞImpacto de la inteligencia artiĄcial en la educación superior: percepciones de alumnos y profesores
sobre el uso de IA en el aprendizaje y la evaluación,Ť Reincisol, vol. 3, no. 6, pp. 7008Ű7033, 2024,
doi: 10.59282/reincisol.V3(6)7008-7033.
[3] M. Möller et al., ŞEnhancing learning efficiency with AI tutors: A comparative study
in higher education,Ť arXiv preprint arXiv:2403.14642, 2024, [En línea]. Disponible en:
https://doi.org/10.48550/arXiv.2403.14642.
[4] S. Hirabayashi et al., ŞHarvard undergraduate survey on generative AI,Ť arXiv preprint
arXiv:2406.00833, 2024, doi: 10.48550/arXiv.2406.00833.
[5] V. L. Muirragui Irrazabal et al., ŞImpacto del uso de la inteligencia artiĄcial en la edu-
cación universitaria. revisión sistemática,Ť RECIMUNDO, vol. 9, no. 2, pp. 349Ű360, 2025, doi:
10.26820/recimundo/9.(2).abril.2025.349-360.
[6] D. E. Vera Torres, ŞImpacto de la inteligencia artiĄcial en la educación superior: Un enfoque
crítico,Ť Tesis de grado, Universidad Politécnica Salesiana, Ecuador, 2025, [En línea]. Disponible
en: https://dspace.ups.edu.ec/bitstream/123456789/31534/1/UPS-GT006768.pdf.
[7] R. Luckin et al., Intelligence Unleashed: An Argument for AI in Education.
London, Reino Unido: Pearson Education, 2016, [En línea]. Disponible en:
https://discovery.ucl.ac.uk/id/eprint/1475756/.
[8] F. W. Mayer, Şruo dk: An R client for the ODK Central API,Ť Zenodo, 2020, doi: 10.5281/zen-
odo.3554657.
[9] X. Yanli and L. Danni, ŞProspect of vocational education. . . ,Ť in 2021 International Conference
on Internet, Education and Information Technology (IEIT), Suzhou, China, 2021, pp. 164Ű167,
doi: 10.1109/IEIT53597.2021.00042.
[10] F. Miao, K. Shiohira, and N. Lao, AI Competency Framework for Students. París, Francia: UN-
ESCO, 2024, [En línea]. Disponible en: https://www.unesco.org/en/digital-education/artiĄcial-
intelligence.
[11] F. D. Davis, ŞPerceived usefulness. . . ,Ť MIS Quarterly, vol. 13, no. 3, pp. 319Ű340, 1989, doi:
10.2307/249008.
[12] G. Siemens and R. S. J. d. Baker, ŞLearning analytics. . . ,Ť in Proceedings of the 2nd International
Conference on Learning Analytics and Knowledge (LAK Š12), Vancouver, Canadá, 2012, pp. 252Ű
254, doi: 10.1145/2330601.2330661.
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
40
ISSN-e: 3078-6983
Período: enero-abril, 2026
Revista Noesis
Vol. 3, Número 6. (pp. 31-41)
[13] N. Selwyn, Education and Technology: Key Issues and Debates, 3rd ed. London, Reino Unido:
Bloomsbury Academic, 2021.
[14] O. Zawacki-Richter et al., ŞSystematic review. . . ,Ť International Journal of Educational Technol-
ogy in Higher Education , vol. 16, no. 1, p. 39, 2019, doi: 10.1186/s41239-019-0171-0.
[15] W. Holmes et al., ArtiĄcial Intelligence in Education: Promises and Implications for Teaching and
Learning. Boston, MA, EE. UU.: Center for Curriculum Redesign, 2019, [En línea]. Disponible
en: https://discovery.ucl.ac.uk/id/eprint/10139722/.
Polo-Moreano R. Perspectivas de la educación universitaria en tiempos de inteligencia artificial
41
