0
1
La singularidad pedagógica:
personalización del aprendizaje en la
educación superior mediante los
sistemas de tutoría inteligente
Lázaro Guillermo, Juan Carlos; Niño Cueva,
Danés Carlos Enrique; Niño Cueva, Moises
Ronal; Mancco Rivas, Fanny Remigia;
Ramirez Morales, Duliano Christian; Chávez
Chavez, Oscar Eliseo; Cordova Rengifo,
Mariella Janet
© Lázaro Guillermo, Juan Carlos; Niño Cueva,
Danés Carlos Enrique; Niño Cueva, Moises
Ronal; Mancco Rivas, Fanny Remigia;
Ramirez Morales, Duliano Christian; Chávez
Chavez, Oscar Eliseo; Cordova Rengifo,
Mariella Janet, 2026
Primera edición (1.ª ed.): febrero, 2026
Editado por:
Editorial Mar Caribe ®
www.editorialmarcaribe.es
Av. Gral. Flores 547, 70000 Col. del
Sacramento, Departamento de Colonia,
Uruguay.
Diseño de carátula e ilustraciones: Luisa
Fernanda Lugo Rojas
Libro electrónico disponible en:
https://editorialmarcaribe.es/ark:/10951/is
bn.9789915698755
Formato: Electrónico
ISBN: 978-9915-698-75-5
ARK: ark:/10951/isbn.9789915698755
Editorial Mar Caribe (OASPA): Como miembro de la
Open Access Scholarly Publishing Association,
apoyamos el acceso abierto de acuerdo con el código
de conducta, la transparencia y las mejores prácticas
de OASPA para la publicación de libros académicos
y de investigación. Estamos comprometidos con los
más altos estándares editoriales en ética y
deontología, bajo la premisa de «Ciencia Abierta en
América Latina y el Caribe»
Editorial Mar Caribe, firmante Nº 795 de 12.08.2024
de la Declaración de Berlín
"... Nos sentimos obligados a abordar los retos de Internet
como un medio funcional emergente para la distribución
del conocimiento. Obviamente, estos avances pueden
modificar significativamente la naturaleza de la
publicación científica, así como el actual sistema de
garantía de calidad...." (Max Planck Society, ed. 2003,
pp. 152-153).
CC BY-NC 4.0
Los autores pueden autorizar al público en general a
reutilizar sus obras únicamente con fines no
lucrativos, los lectores pueden utilizar una obra para
generar otra, siempre que se dé crédito a la
investigación, y conceden al editor el derecho a
publicar primero su ensayo bajo los términos de la
licencia CC BY-NC 4.0.
Editorial Mar Caribe se adhiere a la "Recomendación
relativa a la preservación del patrimonio documental,
comprendido el patrimonio digital, y el acceso al
mismo" de la UNESCO y a la Norma Internacional de
referencia para un sistema abierto de información
archivística (OAIS-ISO 14721). Este libro está
preservado digitalmente por ARAMEO.NET
2
Editorial Mar Caribe
La singularidad pedagógica: personalización del
aprendizaje en la educación superior mediante los
sistemas de tutoría inteligente
Colonia, Uruguay
2026
3
La singularidad pedagógica: personalización del
aprendizaje en la educación superior mediante los
sistemas de tutoría inteligente
5
Índice
Introducción ............................................................................................................ 9
Capítulo 1 .............................................................................................................. 12
La singularidad pedagógica: personalización del aprendizaje en la educación
superior mediante sistemas de tutoría inteligente ........................................... 12
El surgimiento de los sistemas de tutoría inteligente como respuesta al
dilema de la escala ........................................................................................... 13
Mecanismos de personalización y andamiaje cognitivo en tiempo real ...... 15
Algoritmos de adaptación y feedback jerárquico ....................................... 16
El papel transformador de la IA generativa y los modelos de lenguaje
extensos ............................................................................................................. 17
Modelos de tutoría basados en agentes y arquitectura agnóstica ........... 18
Evidencia empírica: impacto en el rendimiento y la retención estudiantil .. 19
Influencia en la motivación y las actitudes de aprendizaje ....................... 20
Ingeniería y educación técnica ..................................................................... 21
Medicina y Ciencias de la Salud ................................................................... 21
Ciencias Básicas y Matemáticas ................................................................... 22
Análisis comparativo de plataformas y modelos de mercado ...................... 23
Plataformas de IA agnóstica vs. Sistemas cerrados .................................. 24
El auge de las plataformas de infraestructura de IA ................................. 24
La reconfiguración del rol docente y el modelo híbrido ................................ 26
Del transmisor de información al facilitador del aprendizaje ................... 26
Desafíos en la transición docente ................................................................ 27
Privacidad de datos y vigilancia ................................................................... 27
Sesgo algorítmico y equidad en el acceso .................................................. 28
El futuro de la singularidad pedagógica: Hacia la IA afectiva y evolutiva .. 29
Computación afectiva e interfaces sensocognitivas ................................... 29
El ecosistema metaeducativo ....................................................................... 30
Capítulo 2 .............................................................................................................. 32
6
Ecosistemas de aprendizaje adaptativo en la educación superior: modelado
del estudiante, retroalimentación, autonomía y flexibilidad curricular ........... 32
Evolución y dimensiones del modelado del estudiante ................................. 33
La retroalimentación inmediata como catalizador del aprendizaje profundo
............................................................................................................................ 35
Autonomía y autorregulación en el estudiante universitario ........................ 38
Flexibilidad en la educación superior: estructuras curriculares y
pedagógicas ....................................................................................................... 40
Diseño instruccional: el arquitecto de la personalización ............................. 42
Impacto de la inteligencia artificial y analítica de datos en el rendimiento 44
Calidad académica y prácticas docentes efectivas ......................................... 46
Comparativa: metodologías tradicionales frente a innovaciones adaptativas
............................................................................................................................ 48
Desafíos, ética y futuro de la educación disruptiva ....................................... 50
Capítulo 3 .............................................................................................................. 52
Marco integral de derechos humanos, inclusión y transparencia en los
sistemas educativos basados en inteligencia artificial ..................................... 52
Paradigmas Globales de Gobernanza y Ética en la Educación Digital ......... 52
El Derecho a la Educación y la Protección de la Infancia en Entornos
Automatizados ................................................................................................... 55
El Pilar de Contenidos y Soluciones en el Marco 5C................................... 56
Inclusión Digital y el Desafío de las Brechas Estructurales en Perú ........... 56
Impacto de la alfabetización digital en la empleabilidad .......................... 58
Transparencia Algorítmica: Hacia la Explicabilidad y Rendición de Cuentas
............................................................................................................................ 58
El Marco Normativo Peruano: Ley 31814 y su Reglamento .......................... 60
Clasificación de Riesgos en el Sistema Educativo Peruano ....................... 61
Supervisión Humana y la Prevención del Sesgo de Automatización ............ 63
Lecciones de la Praxis: Casos de Éxito y Fallos Críticos ................................ 64
Análisis del fallo del algoritmo de Ofqual (Reino Unido, 2020) ................ 64
Capítulo 4 .............................................................................................................. 68
7
La integración de la educación emocional e interdisciplinaria ........................ 68
Fundamentos Teóricos y Evolución de la Educación Emocional ................... 69
Evolución Conceptual y Diferenciación Terminológica ............................... 69
La Dimensión Pedagógica de la Emoción .................................................... 71
Interdisciplinariedad: Niveles de Integración del Conocimiento .................. 72
Beneficios de la Educación Interdisciplinaria ............................................. 74
Sinergia entre lo emocional y lo interdisciplinario: el enfoque integral ...... 75
La Neurobiología del Aprendizaje y el Clima de Aula ................................ 75
Competencias Socioemocionales y Rendimiento Académico ..................... 75
El Marco de Referencia CASEL y el Aprendizaje Socioemocional (SEL) ....... 77
Las Cinco Dimensiones del Modelo CASEL .................................................. 77
Integración en el Currículo Académico: El Modelo del Taburete .............. 78
Marco Normativo y Desarrollo de Habilidades Socioemocionales en el Perú
............................................................................................................................ 79
El Programa de Habilidades Socioemocionales (HSE) ............................... 80
Educación Sexual Integral (ESI) y Bienestar .............................................. 81
Proyectos y Campañas de Bienestar Recientes .......................................... 81
Estrategias Didácticas para la Integración en el Aula .................................. 82
Dinámicas Socioemocionales Transversales ............................................... 82
Integración en Áreas Específicas: Ciencias y Matemáticas ....................... 83
Desafíos y Barreras Estructurales en la Implementación ............................. 84
La Brecha entre la Teoría y la Práctica ........................................................ 84
Críticas y Riesgos del Enfoque Actual .......................................................... 84
Hacia la Educación 2030: El Futuro de la Pedagogía Integral ..................... 86
El Aprendizaje Socioemocional como Motor de Cambio ............................ 86
Capítulo 5 .............................................................................................................. 88
Convergencia de e-learning, realidad aumentada y metodologías activas ..... 88
El Ecosistema de la Realidad Aumentada y las Tecnologías Inmersivas .... 89
Metodologías Activas: Pedagogía para la Resiliencia .................................... 91
8
Aprendizaje Basado en Retos (ABR) ............................................................ 91
Gamificación y Aula Invertida....................................................................... 92
Microaprendizaje y Microcredenciales ......................................................... 93
Navegando el Futuro: El Marco de la OCDE y las Habilidades 2040 ............ 93
Aplicaciones de Impacto y Casos de Éxito en Sectores Estratégicos ........... 95
Formación Corporativa y Habilidades Blandas ........................................... 96
El Contexto Regional: Innovación Educativa en América Latina y Perú ...... 97
Instituciones Líderes en Perú ....................................................................... 98
Síntesis Estratégica: Construyendo un Ecosistema Educativo Efectivo........ 99
Conclusión ........................................................................................................... 101
Bibliografía .......................................................................................................... 104
9
Introducción
La educación superior atraviesa una transformación sin precedentes,
impulsada por la convergencia entre una crisis estructural de los modelos
tradicionales y el avance vertiginoso de las tecnologías de inteligencia artificial.
Históricamente, la universidad moderna se consolidó bajo una vocación de
homogeneización, un legado de la era industrial que buscaba estandarizar el
conocimiento para la formación masiva de profesionales. Este enfoque, aunque
facilitó la expansión del acceso a la educación, ha demostrado ser insuficiente
para atender la diversidad intrínseca de los estudiantes contemporáneos,
cuyas necesidades, ritmos de aprendizaje y contextos socioeconómicos son
profundamente heterogéneos.
En este escenario, el concepto de personalización del aprendizaje
emerge no como una tendencia pasajera, sino como un imperativo pedagógico.
La personalización busca adaptar el proceso educativo a las características
únicas de cada individuo, reconociendo que el centro de la experiencia
formativa debe ser el alumno y no el contenido. Este cambio de paradigma se
apoya en la noción de la singularidad pedagógica, un principio que sostiene
que, si bien todos los seres humanos comparten una naturaleza común, cada
persona es única e irrepetible. Por tanto, la práctica docente debe ser capaz
de considerar este ser singular desde la planificación hasta la evaluación,
fomentando la autonomía y la capacidad creativa del estudiante.
La era digital ha exacerbado esta necesidad. La identidad de los
estudiantes hoy se desdobla en facetas personales, públicas y digitales, lo que
obliga a las instituciones a repensar cómo se produce el diálogo educativo en
10
entornos mediados por la tecnología. La personalización en la educación
superior no solo busca mejorar el rendimiento académico, sino también
potenciar la autorregulación y el compromiso del estudiante, preparándolo
para un mundo laboral volátil donde el aprendizaje continuo será la única
constante.
La transición hacia este modelo no es sencilla. En este libro se esboza
un rediseño profundo del espacio, el tiempo y los recursos en el aula, así como
una formación docente que trascienda la mera alfabetización digital y abarque
una pedagogía basada en la inteligencia artificial. Sin embargo, los beneficios
potenciales —reducción de la deserción, cierre de brechas de aprendizaje y
mayor satisfacción estudiantil— justifican el esfuerzo por esta transformación
institucional.
La singularidad pedagógica se asienta en bases filosóficas y teóricas
que definen a la persona como un ser dotado de tres notas esenciales:
autonomía, apertura y singularidad. Estos principios, propuestos
originalmente por autores como García Hoz en el siglo XX, han sido
revitalizados por la investigación contemporánea en el contexto de la
educación a distancia y de los entornos virtuales. La singularidad implica que
cada aprendiz procesa la información de manera distinta, basándose en sus
ideas previas y en su capacidad de reelaboración creativa, lo cual constituye
una premisa alineada con el constructivismo piagetiano.
La autonomía, por su parte, se refiere a la capacidad del estudiante para
elegir su propio camino de aprendizaje y tomar decisiones sobre qué, cómo y
cuándo aprender. En un sistema educativo personalizado, la autonomía no
significa soledad; por el contrario, requiere un acompañamiento didáctico que
mitigue la rigidez de los programas excesivamente estructurados. El objetivo
11
es estudiar la dimensión social del ser humano, desde la construcción colectiva
que se produce a través del diálogo y la interacción con otros nodos de
conocimiento.
En este sentido, estos principios se traducen en la necesidad de ofrecer
rutas de aprendizaje flexibles. Las instituciones que adoptan este enfoque
mantienen perfiles detallados de sus estudiantes, registrando no solo sus
calificaciones, sino también sus motivaciones, fortalezas y metas individuales.
Estos perfiles permiten a los docentes tomar decisiones proactivas antes de
que el estudiante fracase, transformando la educación en un proceso
preventivo y no solo reactivo.
Los autores invitan a los lectores a interpretar la singularidad, con
implicaciones directas para la evaluación. En lugar de centrarse
exclusivamente en la función certificadora, la educación personalizada pone
especial énfasis en la evaluación diagnóstica y formativa. Por ende, la
autoevaluación se convierte en una herramienta crítica para que el estudiante
tome conciencia de su propio proceso de pensamiento, fomentando la
metacognición y la autorregulación. Por ello, la singularidad pedagógica busca
que la educación superior no sea un proceso de nivelación hacia la media, sino
una plataforma para que cada individuo alcance su máximo potencial de
desarrollo.
12
Capítulo 1
La singularidad pedagógica:
personalización del aprendizaje
en la educación superior
mediante sistemas de tutoría
inteligente
La educación superior se encuentra actualmente en un punto de
inflexión histórico, una encrucijada en la que la masificación de las aulas y la
estandarización curricular han entrado en conflicto directo con la necesidad
imperativa de un aprendizaje profundo y significativo. En este contexto, surge
la propuesta de la singularidad pedagógica, un concepto que no se limita a la
mera implementación de algoritmos, sino que se erige como una propuesta
filosófica y técnica sobre la capacidad de la Inteligencia Artificial para devolver
a la enseñanza su esencia más humana: la atención individualizada. Esta
transformación sugiere que la tecnología, lejos de deshumanizar el proceso
educativo, actúa como el catalizador necesario para replicar a gran escala el
diálogo uno a uno que definió los modelos clásicos de tutoría, desde la
Academia de Platón hasta el sistema de Oxford.
La singularidad pedagógica se define como la materialización de una
autopoiesis pedagógica, en la que la máquina trasciende su rol tradicional de
vicaria instruccional para convertirse en una constructora del ecosistema
13
cognitivo del estudiante. Bajo esta visión, la universidad ya no se limita a
enseñar sobre inteligencia artificial, sino que se transforma en una entidad
que, en su estructura misma, es inteligencia artificial, regenerando procesos
cognitivos adaptativos en lugar de simplemente certificar saberes estáticos
(Perochena et al., 2016). Este cambio de paradigma implica una evolución
desde la formación de sujetos pasivos hacia la coevolución de inteligencias, en
la que los flujos de conocimiento humano y digital se entrelazan en tiempo
real.
El surgimiento de los sistemas de tutoría
inteligente como respuesta al dilema de la
escala
El desafío persistente de la educación superior ha sido la imposibilidad
de ofrecer una tutoría personalizada de alta calidad a una población
estudiantil en constante crecimiento. La investigación histórica ha demostrado
que la tutoría individual humana puede aumentar los resultados de
rendimiento en hasta dos desviaciones estándar, un fenómeno conocido como
el problema de los dos sigmas de Bloom. Los sistemas de tutoría inteligente
(ITS, por sus siglas en inglés) emergen como la solución tecnológica a este
dilema, diseñados para interactuar directamente con los estudiantes y realizar
funciones instruccionales tradicionalmente reservadas a los docentes
humanos, sin requerir una intervención constante de estos (Rodríguez, 2021).
Estos sistemas han evolucionado desde simples programas de práctica
14
y repetición en la década de 1970 hasta plataformas sofisticadas que integran
el procesamiento del lenguaje natural (NLP), el aprendizaje profundo y el
análisis de sentimientos. La capacidad de estos sistemas para capturar datos
sobre las respuestas de los alumnos, modelar su conocimiento, su
metacognición y su estado emocional, y adaptar la instrucción en consecuencia
constituye el núcleo de la personalización moderna.
La estructura de un ITS se sustenta en una arquitectura de cuatro
modelos interconectados que permiten simular a un tutor experto. Cada
componente cumple una función crítica en la creación de una experiencia de
aprendizaje adaptativa y coherente (véase la Tabla 1).
Tabla 1: Arquitectura fundamental de los sistemas de tutoría inteligente
Modelo
Función Técnica y
Pedagógica
Impacto en la
Personalización
Modelo del Dominio
Contiene el conocimiento
y las habilidades que se
van a enseñar; es el
repositorio del saber
experto.
Garantiza que el
contenido sea preciso y
lógico en su estructura.
Modelo del Estudiante
Rastrea el progreso,
identifica fortalezas y
debilidades y construye
un perfil cognitivo
dinámico.
Permite ajustar la
dificultad y el ritmo según
el desempeño histórico y
actual.
Modelo de Tutoría
Determina las estrategias
de enseñanza basadas en
los datos de otros
modelos; actúa como el
Selecciona el tipo de
feedback, la pista o el
recurso más adecuado
15
motor de la toma de
decisiones.
para el momento.
Modelo de Interfaz
Gestiona la interacción
entre el alumno y el
sistema, presentando la
información de forma
atractiva y funcional.
Optimiza el compromiso
del usuario y facilita el
diálogo natural.
Este esbozo clásico se ha potenciado mediante la integración de
agentes de planificación causales y de rutas de aprendizaje por refuerzo
asistido por IA, lo que permite que el sistema no solo reaccione a las acciones
del estudiante, sino que también anticipe sus necesidades futuras y reflexione
sobre la eficacia de sus propias intervenciones pedagógicas. En sistemas de
vanguardia como MEM-E, se implementa una memoria dinámica que se ajusta
mediante el contraste entre memorias previas, maximizando la eficiencia del
modelo en tareas de aprendizaje complejas.
Mecanismos de personalización y andamiaje
cognitivo en tiempo real
La personalización en la educación superior mediante ITS va más allá
de la mera selección de contenidos. Se trata de un proceso de síntesis cognitiva
personalizada que facilita un aprendizaje significativo y profundo. Este
enfoque disruptivo se basa en una interacción constante en la que el sistema
genera desafíos cognitivos, preguntas de reflexión y oportunidades de
autoevaluación a medida que el estudiante avanza en su camino (Serrano y
16
Moreno, 2024).
Uno de los mecanismos más efectivos es el andamiaje en tiempo real
(real-time scaffolding). Los sistemas inteligentes no solo detectan si una
respuesta es incorrecta, sino que analizan los errores para identificar la brecha
conceptual subyacente. Al proporcionar pistas granulares y retroalimentación
inmediata en el punto exacto en el que el estudiante se encuentra bloqueado,
el ITS previene la consolidación de conceptos erróneos y reduce la frustración.
Algoritmos de adaptación y feedback jerárquico
La implementación de algoritmos de toma de decisiones permite que el
sistema modifique su respuesta según el nivel de competencia demostrado
por el alumno. Por ejemplo, se utilizan árboles de decisión y redes bayesianas
para diagnosticar el desempeño y proyectar en tiempo real la trayectoria
óptima de aprendizaje (véase la Tabla 2).
Tabla 2: Estrategias pedagógicas con base al desempeño porcentual
Nivel de Desempeño
Tipo de
Retroalimentación y
Estrategia
Objetivo Pedagógico
Menor al 50%
Retroalimentación básica,
sugerencia de estrategias
de mejora y simplificación
del contenido.
Estabilizar el
conocimiento base y
reducir la carga cognitiva.
Entre 50% y 80%
Retroalimentación
desafiante que invita a
profundizar y reflexionar
sobre el proceso.
Fomentar la conexión
entre conceptos y la
autonomía.
17
Mayor al 80%
Retroalimentación
avanzada, tareas de alta
complejidad y fomento
del autoaprendizaje
profundo.
Maximizar el potencial y
preparar para la
transferencia de
conocimiento.
Este feedback jerárquico no es estático; se ajusta según la modalidad
preferida del estudiante, ya sea mediante videos, lecturas o ejercicios
interactivos, basándose en la detección de qué estímulos favorecen una
progresión más rápida en el aprendizaje. Además, la integración de la
metacognición permite que el sistema sugiera estrategias de aprendizaje
específicas basadas en el tipo de dificultades que enfrenta el estudiante,
ayudándole a desarrollar habilidades de autorregulación esenciales para el
éxito profesional.
El papel transformador de la IA generativa y
los modelos de lenguaje extensos
La emergencia de la IA generativa (GenAI) y de los modelos de lenguaje
extensos (LLM) ha marcado un salto cualitativo en la capacidad de los ITS para
simular interacciones humanas auténticas. A diferencia de los sistemas
tradicionales basados en reglas rígidas o en guiones predefinidos, los tutores
potenciados por LLM pueden generar diálogos naturalistas, explicaciones
personalizadas y respuestas a preguntas abiertas en tiempo real (Desantes,
2025).
La GenAI permite que la tutoría sea verdaderamente dialógica. Los
18
estudiantes pueden formular preguntas de seguimiento en lenguaje natural y
recibir respuestas contextualmente apropiadas, lo que crea un entorno de
aprendizaje psicológicamente seguro en el que el alumno no teme expresar su
confusión o desconocimiento. Este avance es fundamental para la enseñanza
de habilidades complejas, como la escritura o la resolución de problemas
matemáticos mal estructurados, en los que no existe una única respuesta
correcta.
Modelos de tutoría basados en agentes y arquitectura
agnóstica
Plataformas de vanguardia para la educación superior, como ibl.ai, han
adoptado una arquitectura agnóstica de LLM, lo que permite a las instituciones
utilizar diversos modelos (como GPT-5, Claude, Gemini o Llama) según la
necesidad específica de costo o de capacidad. Estos sistemas se denominan
agentes de IA conscientes del curso porque son entrenados o ajustados con el
corpus específico de la materia: sílabos, libros de texto y materiales de lectura
del propio docente.
Este enfoque resuelve uno de los problemas críticos de los LLM
genéricos: el riesgo de alucinaciones. Al anclar las respuestas del tutor en el
material curricular verificado, se garantiza que la IA no proporcione
información fuera de contexto ni incorrecta, preservando la integridad
académica. Además, estas plataformas permiten que los profesores
mantengan el control pedagógico, supervisando las respuestas de la IA y
ajustando los parámetros de instrucción según los objetivos de aprendizaje de
la asignatura.
19
Evidencia empírica: impacto en el rendimiento
y la retención estudiantil
La eficacia de los sistemas de tutoría inteligente ha sido objeto de
estudios rigurosos y de metaanálisis que confirman su capacidad para mejorar
significativamente los resultados educativos. La investigación sugiere que los
ITS pueden igualar e incluso superar la efectividad de la instrucción tradicional
en diversos contextos (véase la Tabla 3)
Tabla 3: Métricas de impacto para la variable rendimiento estudiantil
Métrica de impacto
Resultado Observado
Fuente de la
investigación
Mejora general del
rendimiento
Aproximadamente un
20% de incremento en las
puntuaciones de los tests.
ArXiv:2507.18882
Tamaño de efecto (ITS vs
Clase Tradicional)
Entre 0.4 y 0.8
desviaciones estándar
().
IJCESEN (2025)
Tamaño de efecto (ITS vs
Sin Instrucción)
(Efecto muy
grande).
APA Spotlight
Ganancia en conocimiento
médico
46% de mejora en la
adquisición de
conocimientos clínicos.
PMC12268559
Retención de información
(VR + AI)
Hasta un 40% más de
retención que los
métodos tradicionales.
TandF Online (2025)
20
Los estudios realizados por el Banco Mundial y la Universidad de
Stanford han subrayado que los sistemas de tutoría mejorados con IA no solo
generan ganancias de aprendizaje sustanciales, sino que también lo hacen de
manera costo-efectiva. En algunos casos, el uso de estos sistemas ha generado
avances equivalentes a 1,5 o 2 años de escolarización normal en comparación
con el modelo tradicional (Lossio et al., 2025). Es particularmente relevante
que, al comparar los ITS con la tutoría humana uno a uno, no se detecten
diferencias estadísticamente significativas, lo que valida la capacidad de la
tecnología para replicar los beneficios del experto humano en contextos de
alta demanda.
Influencia en la motivación y las actitudes de aprendizaje
Más allá de las calificaciones, los ITS tienen un impacto positivo en las
dimensiones afectivas del aprendizaje. Los sistemas de tutoría que integran
elementos de gamificación y feedback en tiempo real mejoran la participación
del estudiante y su satisfacción general. La posibilidad de recibir ayuda
instantánea, 24/7, elimina los cuellos de botella que suelen surgir durante el
estudio independiente, lo que reduce la ansiedad y fomenta una mentalidad
de crecimiento.
Sin embargo, los resultados sobre la motivación intrínseca y las
habilidades de resolución de problemas complejos son menos concluyentes en
algunos estudios, lo que sugiere que la eficacia del sistema depende
críticamente de la calidad del diseño pedagógico y de su alineación con los
21
objetivos curriculares. La dependencia excesiva del sistema también puede ser
un riesgo; investigaciones indican que los estudiantes con menores niveles de
conocimiento inicial pueden depender demasiado de las funciones de ayuda
(hints), lo que a veces limita el desarrollo de sus habilidades de resolución de
problemas autónoma.
La singularidad pedagógica se manifiesta de diversas formas según las
demandas cognitivas de cada disciplina. En la educación superior, los ITS se
han desplegado con especial éxito en campos donde el contenido es altamente
estructurado o técnicamente denso.
Ingeniería y educación técnica
En las facultades de ingeniería, donde los estudiantes a menudo luchan
con conceptos abstractos y complejos, los ITS facilitan la transición de la
exploración guiada a la resolución independiente de problemas. Sistemas
implementados en instituciones como la Universidad de Oporto analizan la
trayectoria del alumno durante la resolución de problemas de ingeniería y
proporcionan retroalimentación analítica que ayuda a integrar conceptos de
ciencia, matemáticas y diseño técnico. El uso de gemelos digitales y de
laboratorios virtuales integrados con tutores de IA permite a los estudiantes
de ingeniería experimentar en entornos simulados, donde pueden probar
hipótesis y observar resultados en tiempo real, sin riesgos físicos.
Medicina y Ciencias de la Salud
La educación médica ha encontrado en los ITS una herramienta vital
para el desarrollo del razonamiento clínico. Plataformas como COMET y
22
METEOR utilizan ontologías médicas robustas para guiar a los estudiantes en
el diagnóstico de pacientes en entornos virtuales. En la Escuela de Medicina
de la Universidad George Washington, el uso de mentores de IA permite a los
estudiantes de Physician Associate generar preguntas de examen
personalizadas basadas en la evidencia y recibir tutoría alineada con el rigor
clínico necesario para su práctica futura.
La IA generativa permite crear casos clínicos sintéticos multimodales
que integran texto médico, imágenes radiológicas y señales fisiológicas,
proporcionando una simulación mucho más realista que la de los casos
estáticos tradicionales. Esto es crucial para entrenar la precisión diagnóstica y
la toma de decisiones bajo presión antes de la interacción con pacientes reales
(Lippi y Plebani, 2025).
Ciencias Básicas y Matemáticas
En el ámbito de las matemáticas y las ciencias básicas, sistemas como
ALEKS (basado en la Teoría de Espacios de Conocimiento) y los tutores
cognitivos de Carnegie Learning han demostrado una capacidad excepcional
para identificar lagunas conceptuales precisas y remediarlas de forma
secuencial. Estos sistemas son capaces de rastrear el dominio de cientos de
microconceptos, asegurando que el estudiante no avance a temas complejos
sin haber consolidado los fundamentos necesarios (véase la Tabla 4).
Tabla 4: ITS predominante y beneficios clave observados en disciplinas
varias
23
Disciplina
Tipo de ITS
predominante
Beneficio Clave
Observado
Ingeniería
Sistemas guiados de
resolución de problemas.
Mejora en la
descomposición de
problemas complejos.
Medicina
Simuladores de pacientes
y tutores de razonamiento
clínico.
Aumento de la precisión
diagnóstica en entornos
seguros.
Programación
Tutores de código como
ITS-CAL.
Feedback inmediato en
debugging y en lógica
algorítmica.
Matemáticas
Sistemas de aprendizaje
de dominio adaptativo.
Reducción de la brecha de
conocimientos previos.
Análisis comparativo de plataformas y
modelos de mercado
El mercado de sistemas de tutoría inteligente se ha consolidado en
torno a varios actores clave que ofrecen diferentes aproximaciones a la
personalización en la educación superior. La distinción principal radica en si la
plataforma es un ecosistema cerrado de contenido o un motor de IA que se
integra con los recursos propios de la universidad (Proaño et al., 2025).
24
Plataformas de IA agnóstica vs. Sistemas cerrados
Plataformas como ibl.ai representan el estándar de oro para las
universidades que desean mantener el control total sobre su pedagogía y sus
datos. A diferencia de Khanmigo (de Khan Academy), que está vinculado
principalmente a su propio contenido, ibl.ai permite a la institución subir sus
propios materiales curriculares y elegir entre diversos modelos de lenguaje.
Esto es fundamental en la educación superior, donde el conocimiento suele ser
especializado y propiedad del docente.
Por otro lado, sistemas como ALEKS y Carnegie Learning ofrecen una
integración profunda entre el contenido experto y el motor de IA, lo que
garantiza una alineación pedagógica sólida en áreas específicas como las
matemáticas y las ciencias exactas, aunque con menor flexibilidad en otros
dominios.
El auge de las plataformas de infraestructura de IA
Nuevos jugadores como SiliconFlow, Hugging Face y Firework AI están
proporcionando la infraestructura subyacente para que las universidades
desarrollen sus propios ITS personalizados. SiliconFlow, por ejemplo, destaca
por su baja latencia y alta velocidad de inferencia, lo que permite tutorías en
tiempo real con feedback instantáneo, crucial para mantener el compromiso
del estudiante durante sesiones intensas de estudio (véase la Tabla 5).
25
Tabla 5: Plataformas de infraestructura de inteligencia artificial
Plataforma
Calificación de
Usuario
Enfoque Principal
Diferenciador
Tecnológico
ibl.ai
⭐⭐⭐⭐⭐
Educación
Superior Integral
Arquitectura
agnóstica de LLM
y propiedad de
datos.
SiliconFlow
⭐⭐⭐⭐
Infraestructura de
IA en la nube
Optimización de la
inferencia 2,3
veces más rápida.
Khanmigo
⭐⭐⭐⭐
K-12 y Soporte
General
Metodología de
diálogo socrático
experto.
ALEKS
⭐⭐⭐⭐
STEM y Evaluación
Basado en la
teoría de los
espacios de
conocimiento.
El modelo económico también está cambiando. Mientras que las
licencias tradicionales se basan en pagos por estudiante, las nuevas
plataformas como ibl.ai proponen modelos de tarifa plana institucional, lo que
puede representar ahorros del 85% al 96% en comparación con los modelos
de competencia por usuario. Esta sostenibilidad financiera es vital para la
adopción masiva en instituciones públicas con presupuestos limitados.
26
La reconfiguración del rol docente y el modelo
híbrido
La implementación de ITS no marca el fin del profesor universitario,
sino su evolución hacia un rol de arquitecto de experiencias de aprendizaje y
de mentor de alta complejidad. La investigación sugiere un modelo de vigor
híbrido, en el que los maestros y la IA trabajan en conjunto para maximizar
los resultados (Morel et al., 2024).
Del transmisor de información al facilitador del aprendizaje
En el entorno de la singularidad pedagógica, el profesor se libera de la
carga de tareas repetitivas —como la entrega de explicaciones básicas, la
calificación de evaluaciones formativas y el seguimiento administrativo— para
centrarse en interacciones de alto valor. La IA actúa como un Jarvis para
educadores, proporcionando análisis de aprendizaje en tiempo real que les
permiten al docente identificar exactamente qué alumnos necesitan una
intervención humana y en qué temas específicos.
Este cambio permite que el tiempo de clase se dedique a metodologías
activas, como el aprendizaje basado en retos, los debates éticos, la resolución
de casos complejos y los proyectos de investigación colaborativa. El profesor
asume la responsabilidad de diseñar el entorno en el que la IA opera,
asegurando el cumplimiento de los objetivos pedagógicos y proporcionando
empatía, inspiración y guía crítica que las máquinas aún no pueden replicar.
27
Desafíos en la transición docente
A pesar de los beneficios, la adopción enfrenta una resistencia
significativa por parte del profesorado. Las preocupaciones incluyen el temor
al reemplazo tecnológico, la falta de capacitación técnica y las dudas sobre la
eficacia de la IA para enseñar habilidades de pensamiento crítico de alto nivel.
Para una implementación exitosa, las universidades deben invertir en
programas de desarrollo profesional que preparen a los docentes para
integrar estas herramientas en su práctica diaria, pasando de ser el sabio en
el escenario a ser el guía al lado.
La personalización masiva del aprendizaje conlleva implicaciones éticas
profundas que deben abordarse para garantizar un entorno educativo justo y
seguro. La singularidad pedagógica requiere un marco de gobernanza que
priorice la transparencia, la equidad y la protección de los derechos de los
estudiantes (Saltos et al., 2025).
Privacidad de datos y vigilancia
Los ITS recopilan una cantidad asombrosa de datos: no solo respuestas
académicas, sino también patrones de escritura, métricas de atención,
microexpresiones faciales y estados emocionales. Esto plantea riesgos
inherentes de vigilancia y el riesgo de que la recopilación excesiva, bajo el
pretexto de la personalización, erosione la confianza del estudiante en el
sistema educativo.
Casos como la brecha de datos de Duolingo en 2023 resaltan la
vulnerabilidad de estas plataformas ante ciberataques, lo que hace imperativo
28
el uso de medidas de seguridad avanzadas, como el cifrado de extremo a
extremo, la autenticación multifactor y el cumplimiento estricto de marcos
legales como el GDPR y el FERPA. La propiedad de los datos es un punto de
fricción; las instituciones deben asegurar que la información de sus
estudiantes no se utilice para entrenar modelos comerciales de terceros sin el
consentimiento explícito e informado de dichos estudiantes.
Sesgo algorítmico y equidad en el acceso
Existe un riesgo real de que la IA perpetúe sesgos sociales e históricos.
Algoritmos de evaluación que favorecen ciertos dialectos o estilos de escritura
pueden penalizar injustamente a estudiantes de minorías o a hablantes no
nativos de inglés. Un estudio demostró que más de la mitad de las muestras
de escritura de hablantes no nativos fueron clasificadas erróneamente como
generadas por IA, debido a que los detectores asocian la complejidad literaria
con lo humano (García, 2025) (véase la Tabla 6).
Tabla 6: Sesgos algorítmicos de la inteligencia artificial en la redacción de
texto escrito
Riesgo Ético
Mecanismo de mitigación propuesto
Sesgo en el entrenamiento
Diversificación de los conjuntos de datos
y auditorías regulares externas.
Opacidad (Caja Negra)
Implementación de IA explicable (XAI) y
de transparencia algorítmica.
Inequidad en el acceso
Tratar el acceso a la IA como una utilidad
29
pública del campus, no como un
privilegio.
Erosión de la autonomía
Mantener el control humano sobre las
decisiones de alto impacto (como las de
becas y graduaciones).
Para cerrar la brecha de equidad, las universidades deben tratar la
infraestructura de IA como un servicio básico, similar a la electricidad o el Wi-
Fi, asegurando que todos los estudiantes, independientemente de su
capacidad económica, tengan acceso a herramientas de tutoría premium.
El futuro de la singularidad pedagógica: Hacia
la IA afectiva y evolutiva
Las tendencias proyectadas para el periodo 2025-2030 indican que los
ITS se volverán cada vez más inmersivos y sensibles al contexto emocional del
usuario. El mercado global de ITS, estimado en millones de dólares en
2025, se prevé que alcance los millones de dólares para 2034, con
una tasa de crecimiento anual compuesta (CAGR) del 31,7%.
Computación afectiva e interfaces sensocognitivas
La próxima frontera es la IA afectiva: sistemas capaces de interpretar
gestos, el tono de voz y la temperatura facial para determinar el estado
afectivo óptimo para el aprendizaje. Por ejemplo, tecnologías como Gaze Tutor
30
ya rastrean los movimientos oculares de los estudiantes para detectar el
aburrimiento o la distracción y actuar para comprometer al alumno. En el
futuro, estas interfaces se integrarán con dispositivos de BCI (Brain-Computer
Interface) para un aprendizaje contextual derivado directamente de la
experiencia real y no solo de la simulada.
El ecosistema metaeducativo
La singularidad pedagógica evolucionará hacia ecosistemas
metaeducativos en los que las aulas actúen como nodos interinteligentes
conectados entre sí mediante una memoria compartida. En este escenario, la
universidad no solo enseña, sino que coevoluciona junto a sus participantes
humanos y digitales, adaptándose estructuralmente a los cambios sociales y
tecnológicos en tiempo real (González et al., 2025).
La IA dejará de ser una herramienta reactiva para convertirse en una
inteligencia históricamente consciente que no solo anticipa, sino que también
reflexiona sobre el progreso de la civilización humana y del conocimiento. Esto
permitirá que el aprendizaje sea un proceso continuo y vitalicio (lifelong
learning), perfectamente integrado en el flujo de la vida cotidiana y profesional
de las personas.
La singularidad pedagógica en la educación superior no supone la
sustitución del factor humano por el mecánico, sino una alianza estratégica
que potencia las capacidades cognitivas de ambos. La personalización del
aprendizaje mediante sistemas de tutoría inteligente ofrece, por primera vez
en la historia, la posibilidad de escalar la excelencia educativa sin sacrificar la
31
atención individualizada. La clave del éxito reside en la integración armoniosa
de tres ejes fundamentales:
1. Excelencia Tecnológica: El uso de arquitecturas agnósticas, LLMs
anclados en el currículo y sistemas de respuesta en tiempo real.
2. Solidez Pedagógica: El mantenimiento del control docente sobre el
diseño instruccional y la transición hacia modelos de tutoría híbrida.
3. Compromiso Ético: La garantía de privacidad, la mitigación proactiva de
sesgos y la transparencia absoluta en la toma de decisiones algorítmicas.
Al adoptar esta visión, las instituciones de educación superior no solo
mejoran sus métricas de rendimiento y retención, sino que cumplen su misión
fundamental: formar individuos autónomos, críticos y capaces de navegar en
un mundo cada vez más complejo. La IA, paradójicamente, nos permite volver
a lo más humano de la educación: el valor de una conversación inteligente,
adaptada y profunda que guía al ser humano hacia su máximo potencial.
32
Capítulo 2
Ecosistemas de aprendizaje
adaptativo en la educación
superior: modelado del
estudiante, retroalimentación,
autonomía y flexibilidad curricular
El paradigma educativo contemporáneo en el nivel superior se
encuentra en un punto de inflexión histórico, impulsado por la transición de
una sociedad de la información a una sociedad del conocimiento altamente
digitalizada, dinámica y globalizada. Esta transformación no solo demanda la
incorporación de herramientas tecnológicas avanzadas, sino también una
profunda reconfiguración de los roles de los actores educativos, en la que el
estudiante deja de ser un receptor pasivo para convertirse en el arquitecto de
su propia formación profesional.
En este contexto, la convergencia entre el modelado del estudiante, la
retroalimentación inmediata, la autonomía y la flexibilidad curricular
constituye la base de una educación disruptiva capaz de responder a las
demandas sociales y laborales del siglo XXI.
La educación superior hoy enfrenta el reto de formar profesionales
capaces de adaptarse a contextos inciertos, lo que exige un enfoque
pedagógico innovador y centrado en el individuo. La personalización de la
33
formación, la optimización del rendimiento académico y la facilitación de la
interacción entre estudiantes y entornos digitales son objetivos alcanzables
mediante la implementación sistemática de modelos adaptativos y de sistemas
de tutoría inteligente. Estos sistemas no actúan como meros repositorios de
contenido, sino como ecosistemas vivos que comprenden las necesidades,
estilos y ritmos de cada aprendiz para ofrecer trayectorias diferenciadas y
eficaces.
Evolución y dimensiones del modelado del
estudiante
El modelado del estudiante constituye el núcleo inteligente de cualquier
sistema educativo adaptativo. Consiste en la construcción y actualización
constantes de una representación digital de las características cognitivas,
afectivas, comportamentales y sociales del discente. Este proceso permite que
el sistema entienda al usuario en tiempo real, lo que facilita la toma de
decisiones pedagógicas basadas en datos (Morón, 2024). Históricamente, el
modelado se limitaba a registrar calificaciones; hoy, gracias a la inteligencia
artificial (IA) y la analítica de aprendizaje (Learning Analytics), es posible
capturar la esencia multidimensional del proceso de aprendizaje.
La dimensión cognitiva del modelado se centra en identificar los
conocimientos previos, los niveles de dominio conceptual y los estilos de
procesamiento de la información de cada estudiante. Instrumentos como el
Cuestionario de Honey-Alonso de Estilos de Aprendizaje (CHAEA) o el
Inventario de Estilos de Aprendizaje (LSI) han sido fundamentales para
34
caracterizar si un estudiante es activo, reflexivo, teórico o pragmático. Esta
información permite que el diseño instruccional asigne recursos específicos —
como videos para perfiles visuales o simuladores para perfiles kinestésicos—
que maximicen la retención y la transferencia del conocimiento (véase la Tabla
7).
Tabla 7: Dimensiones del modelado del estudiante
Componente del Modelo
Descripción y Variables
Clave
Mecanismo de Captura y
Análisis
Perfil Cognitivo
Conocimientos previos,
lagunas conceptuales,
estilos de aprendizaje.
Algoritmos de Machine
Learning (ML), test de
diagnóstico, pretests
cognitivos.
Perfil Afectivo
Motivación, ansiedad,
frustración, aburrimiento,
compromiso emocional.
Reconocimiento de
patrones en la
interacción, análisis de
sentimientos, biometría
en RV.
Perfil Comportamental
Tiempo de dedicación,
frecuencia de acceso,
patrones de navegación,
ritmo de estudio.
Trazas de datos (log files)
en LMS, analítica de
aprendizaje en tiempo
real.
Perfil Social/Familiar
Nivel socioeconómico,
apoyo familiar, hábitos de
trabajo, expectativas
futuras.
Encuestas
sociodemográficas,
entrevistas, escalas de
expectativas académicas.
El modelado afectivo-emocional ha cobrado una relevancia crítica en la
última década. Se reconoce que las emociones positivas, como la alegría, la
35
curiosidad y el optimismo, fomentan la persistencia y el compromiso
académico, mientras que el miedo y la frustración pueden conducir al
abandono. Los sistemas de tutoría inteligente de última generación utilizan
modelos generativos para ajustar dinámicamente la dificultad de los
escenarios según el estado emocional detectado. Por ejemplo, si un estudiante
muestra signos de frustración prolongada ante un problema complejo, el
sistema puede sugerir un andamiaje (scaffolding) adicional o proponer un
descanso activo para reducir la carga cognitiva.
Más allá de lo individual, el modelado del estudiante permite identificar
tendencias a nivel grupal e institucional. Al procesar grandes volúmenes de
datos, las universidades pueden anticipar riesgos de bajo rendimiento o de
deserción prematura. Este enfoque predictivo es fundamental para la equidad
educativa, ya que permite realizar intervenciones tempranas y personalizadas
en poblaciones vulnerables. El modelado, por tanto, deja de ser una
herramienta técnica para convertirse en un instrumento de justicia social y de
calidad académica.
La retroalimentación inmediata como
catalizador del aprendizaje profundo
La retroalimentación se define no solo como la entrega de información
sobre el desempeño, sino también como un proceso de comunicación
interpersonal, circular y no lineal. Su función esencial es brindar apoyo y
soporte para el aprendizaje, orientando al estudiante sobre su meta (Feed-Up),
su situación actual (Feed-Back) y los pasos necesarios para seguir mejorando
36
(Feed-Forward). En la educación superior, la inmediatez de esta
retroalimentación es un factor determinante para la autorregulación y la
motivación intrínseca (Nuñez et al., 2024).
La retroalimentación inmediata permite al estudiante identificar
oportunamente errores y aciertos, evitando que las concepciones erróneas se
consoliden en la memoria a largo plazo. En entornos virtuales, esta inmediatez
se logra mediante sistemas automáticos que proporcionan explicaciones
detalladas tras cada respuesta. Sin embargo, la investigación sugiere una
distinción importante: mientras que la retroalimentación inmediata es vital
para corregir errores procedimentales o reforzar conductas positivas menores,
la retroalimentación diferida (entregada al final de una tarea compleja) puede
favorecer un aprendizaje más profundo al obligar al estudiante a realizar una
recuperación de información más esforzada (véase la Tabla 8).
Tabla 8: Herramientas tecnológicas empleadas en el aprendizaje profundo
Herramienta
Tecnológica
Funcionalidad en
Retroalimentación
Impacto Pedagógico
Kaizena
Comentarios de voz y
habilidades en Google
Docs.
Permite la
retroalimentación
auténtica y personalizada
sin salir del documento.
Audacity
Grabación y edición de
retroalimentación de
audio.
Transmite sutilezas
tonales que mejoran la
relación entre el docente y
el estudiante.
Screencastify
Grabación de pantalla con
Sirve como modelo de
37
video y anotaciones.
mejora y permite el
aprendizaje guiado
asincrónico.
Chatbots (IA)
Respuestas inmediatas
24/7 a dudas académicas.
Reduce las brechas de
aprendizaje y proporciona
soporte continuo a escala.
Vocaroo
Grabador de voz web
simple para compartir
enlaces.
Optimiza el tiempo del
docente y ofrece cercanía
emocional al estudiante.
Para que la retroalimentación sea verdaderamente efectiva en el nivel
superior, debe trascender la visión tradicional del producto (en la que el
docente es el único emisor) y convertirse en un acto dialógico. En este modelo,
el aprendizaje se produce a través de la interacción dinámica y la negociación
de significados. Los docentes deben desarrollar las dimensiones cognitivas,
socioafectivas y estructurales, fomentando un clima de confianza en el que el
estudiante se sienta seguro para asumir riesgos y aprender de sus fallos.
El concepto de retroalimentación sostenible propone que la práctica
evaluativa debe preparar al estudiante para la vida profesional, en la que ya
no contará con la guía constante de un profesor. Esto implica desarrollar la
capacidad de juicio del estudiante sobre su propio trabajo mediante la
autoevaluación y la evaluación por pares. Al participar en ciclos de
retroalimentación en los que deben analizar y comentar el trabajo de otros,
los estudiantes internalizan los criterios de calidad y desarrollan habilidades
metacognitivas críticas (Lozano y Tamez, 2014). El anonimato en la evaluación
por pares suele recomendarse para reducir la presión social y fomentar la
38
honestidad en las críticas constructivas.
Autonomía y autorregulación en el estudiante
universitario
La autonomía en el aprendizaje superior no es una capacidad innata,
sino una competencia que debe cultivarse mediante el diseño pedagógico. Se
refiere a la facultad del estudiante para tomar decisiones informadas sobre su
proceso formativo: qué aprender, cómo hacerlo, cuándo y en qué contexto
(Chapa, 2025). Esta independencia es la piedra angular de los modelos de
educación a distancia y de los entornos virtuales, en los que la separación
física entre docente y discente exige un alto grado de autodirección (véase la
Tabla 9).
La autorregulación es el conjunto de procesos cíclicos —metacognitivos,
motivacionales y conductuales— que le permiten al estudiante gestionar su
autonomía de manera efectiva. Según el modelo de Zimmerman, este ciclo
comprende tres fases:
1. Planificación: análisis de la tarea, establecimiento de metas y selección
de estrategias. Aquí influyen la autoeficacia percibida y las expectativas
de éxito.
2. Ejecución: monitoreo del desempeño, control de la atención y aplicación
de estrategias de aprendizaje.
3. Autorreflexión: Evaluación de los resultados obtenidos y ajuste de las
estrategias ante desafíos futuros.
39
Tabla 9: Autonomía en el aprendizaje superior
Faceta de la Autonomía
Descripción en el
Entorno Universitario
Rol de la Tecnología y el
Docente
Ritmo (Pacing)
Capacidad para acelerar o
ralentizar el avance según
las necesidades.
Modelos asíncronos y
plataformas que permiten
el acceso 24/7.
Objetivos
Personalización de metas
dentro de los márgenes
curriculares.
Tutoría académica y
sistemas de
recomendación basados
en IA.
Estrategias
Libertad para elegir entre
los recursos (videos,
textos, debates,
simuladores).
Provisión de materiales
diversificados y formación
en estrategias
ACRA/LASSI.
Evaluación
Implicación en la
autoevaluación y en la
evaluación por pares.
Uso de rúbricas
transparentes y de
espacios de reflexión
participativa.
El desarrollo de la agencia estudiantil también implica la capacidad de
reflexionar sobre las propias capacidades y la efectividad de las acciones
emprendidas. Un estudiante con alta agencia es capaz de ajustar sus
emociones y pensamientos ante la dificultad, buscando alternativas activas en
lugar de caer en la pasividad. La autonomía, por tanto, se vincula
estrechamente con la madurez intelectual y la responsabilidad social del
futuro ciudadano.
Sin embargo, la formación de la autonomía en entornos virtuales
40
plantea desafíos. La falta de presencia física del docente requiere un
andamiaje (scaffolding) digital (scaffolding) muy robusto, en el que las
instrucciones sean claras y las plataformas sean intuitivas y cómodas de usar.
La percepción de control del estudiante —tanto cognitiva como social— es un
predictor clave del éxito académico. Cuando el estudiante siente que el
resultado de su aprendizaje depende de su propio esfuerzo y de sus decisiones
(locus de control interno), su motivación y persistencia aumentan
significativamente.
Flexibilidad en la educación superior:
estructuras curriculares y pedagógicas
La flexibilidad educativa es una estrategia institucional que busca
adaptar la oferta académica a las diversas condiciones, intereses y trayectorias
de los estudiantes. No se trata solo de conveniencia logística, sino de una
nueva cultura académica que fundamenta nuevas actitudes hacia el
conocimiento y la sociedad. En la educación superior contemporánea, la
flexibilidad se manifiesta en tres planos interrelacionados: el curricular, el
pedagógico y el administrativo (Pajares, 2025).
La flexibilidad curricular se refiere a la organización de los planes de
estudio en estructuras modulares, ciclos o núcleos que permiten al estudiante
transitar eficientemente entre programas y elegir trayectorias personalizadas.
Esto incluye la posibilidad de optar por contenidos según intereses específicos,
decidir cuándo solicitar ayuda docente y gestionar la trayectoria académica de
acuerdo con los propios estilos de aprendizaje. En México, por ejemplo, el
41
Reconocimiento de Validez Oficial de Estudios (RVOE) se otorga a planes
específicos, lo que exige que las instituciones equilibren la innovación y la
flexibilidad con los marcos regulatorios nacionales.
La flexibilidad pedagógica o didáctica se relaciona con la plasticidad de
los métodos de enseñanza y de aprendizaje. En un entorno virtual, el foco se
desplaza hacia el autoaprendizaje, mediante técnicas que facilitan la
interacción con el conocimiento sin entorpecer el proceso. Los modelos de
aprendizaje adaptativo son la máxima expresión de esta flexibilidad, ya que
ajustan automáticamente la dificultad de los ejercicios y sugieren recursos
complementarios en función del desempeño en tiempo real.
Dimensión de la
Flexibilidad
Descripción de
Aplicación Práctica
Beneficios para el
Estudiante y la
Institución
En el Tiempo
Modelos asíncronos,
microcursos, créditos a
ritmo propio.
Facilita el equilibrio vida-
trabajo-estudio; reduce la
deserción.
En el Espacio
Movilidad entre campus,
entornos virtuales,
laboratorios remotos.
Amplía el acceso
geográfico y democratiza
la educación de calidad.
En el Contenido
Elección de optativas,
proyectos de
investigación
personalizados.
Aumenta la motivación
intrínseca y la pertinencia
laboral.
En la Evaluación
Elección de formatos
(ensayo, video, podcast),
Reconoce diversas
fortalezas y se prepara
42
criterios negociados.
para la complejidad real.
Un marco emergente de gran impacto es la evaluación flexible,
propuesta por organismos como la QAA (Quality Assurance Agency). Este
enfoque permite que los estudiantes demuestren su aprendizaje mediante una
variedad de métodos y formatos alineados con los resultados de aprendizaje
esperados. Al ofrecer opciones significativas sobre cómo, cuándo y, a veces,
qué se evalúa, se fomenta el bienestar estudiantil, se reduce la ansiedad y se
prepara a los graduados para la toma de decisiones complejas en entornos
profesionales reales. La consistencia en el marcado y la transparencia de las
rúbricas son esenciales para mantener el rigor académico en estos modelos
flexibles.
Diseño instruccional: el arquitecto de la
personalización
El diseño instruccional (DI) es la disciplina que establece las
especificaciones para desarrollar, implementar y evaluar situaciones que
facilitan el aprendizaje. En el contexto de la educación superior flexible y
adaptativa, el DI actúa como puente entre la teoría pedagógica y la
implementación tecnológica (España, 2024). A lo largo de la historia, el DI ha
pasado por cinco generaciones, desde el conductismo de los años 60, centrado
en estímulos y respuestas, hasta el conectivismo y el e-learning del siglo XXI,
en los que el individuo es el punto de partida y el nodo de conocimiento.
43
Los modelos de DI más utilizados en la actualidad, como ADDIE
(Análisis, Diseño, Desarrollo, Implementación, Evaluación) o el Modelo de Dick
y Carey, se basan en procesos sistemáticos para asegurar experiencias de
aprendizaje positivas. El DI moderno debe ser intrínsecamente flexible e
incorporar modalidades asincrónicas o combinadas según los perfiles de los
estudiantes. Además, se apoya en principios como los de Merrill (activación,
demostración, aplicación e integración) para garantizar que el conocimiento
no se limite a la mera memorización, sino que sea funcional y transferible
(véase la Tabla 10).
Tabla 10: Modelos de diseño instruccional y su aplicabilidad en entornos
digitales
Modelo de Diseño
Instruccional
Enfoque Principal
Aplicabilidad en
Entornos Digitales
Modelo ADDIE
Proceso sistemático de 5
fases recurrentes.
Estándar de oro para la
creación de cursos
virtuales escalables.
Modelo de Gagné
Basado en el
procesamiento de la
información y en el
estímulo-respuesta.
Útil para el diseño de
actividades de refuerzo y
de retroalimentación
inmediata.
Microaprendizaje
Segmentación en
módulos breves y
enfocados.
Ideal para periodos de
atención cortos y para el
aprendizaje justo a
tiempo.
Diseño Adaptativo
Centrado en el usuario
con planificación
dinámica.
Base para microcursos
asíncronos y plataformas
de IA.
44
La relación entre los contenidos y las estrategias de aprendizaje es lo
que otorga calidad y pertinencia a la educación en línea. Para que el
aprendizaje sea significativo, la nueva información debe anclarse de forma no
arbitraria a los conocimientos previos del estudiante. El diseño instruccional
disruptivo, según autores como Juan Domingo Farnós, integra modelos
generativos en simulaciones educativas, fomentando el pensamiento crítico y
la reflexión sobre el propio aprendizaje. Al ajustar dinámicamente la dificultad
y los escenarios, el DI asegura que cada experiencia sea única y se adapte a
las necesidades individuales, lo cual es esencial para enfrentar los desafíos del
futuro profesional.
Impacto de la inteligencia artificial y analítica
de datos en el rendimiento
La integración de la inteligencia artificial en la educación superior ha
demostrado un potencial sin precedentes para transformar los resultados
académicos. Según informes del Banco Mundial de 2025, los sistemas de
tutoría basados en IA (AITS) bien diseñados permiten que los estudiantes
aprendan más del doble en menos tiempo que las metodologías tradicionales
(Chamoli et al., 2026). Estas herramientas permiten abordar el problema de
los 2 Sigmas de Bloom, ofreciendo apoyo personalizado 24/7 que se adapta a
las necesidades únicas de cada alumno y cierra brechas de aprendizaje de
manera eficiente.
45
La analítica de aprendizaje (Learning Analytics) proporciona a las
facultades datos valiosos para la toma de decisiones basada en evidencia.
Permite identificar patrones de comportamiento, detectar áreas de dificultad
conceptual a nivel grupal y anticipar riesgos de bajo rendimiento o de
deserción mediante modelos predictivos precisos. Por ejemplo, los algoritmos
de Deep Learning pueden procesar datos multivariados para generar
trayectorias formativas que optimicen el compromiso y la motivación del
estudiante (véase la Tabla 11).
Tabla 11: Impacto de la inteligencia artificial en la gestión educativa
Aplicación de la IA en la
Gestión Educativa
Función y Beneficios
Impacto Estadístico /
Observado
Sistemas de Admisión
Asignación de estudiantes
basada en perfiles y
necesidades.
Mejora del 20% en la
eficiencia de colocación;
38% más opciones.
Tutor Mateo (IA)
Tutoría personalizada
desarrollada por
universidades regionales.
Cierre de brechas de
aprendizaje y refuerzo de
habilidades clave.
Evaluación
Automatizada
Calificación inmediata de
ejercicios y proyectos
mediante NLP.
Ahorro masivo de tiempo
docente (aprox. 5
horas/semana).
Predictores de deserción
Identificación temprana
de estudiantes en riesgo
académico.
Intervenciones
preventivas oportunas
que salvan trayectorias.
Además de la instrucción, la IA impacta positivamente en el gobierno
corporativo universitario, aportando transparencia en la asignación de
46
presupuestos y eficiencia en los procesos administrativos. En el plano
internacional, los sistemas de traducción automática en tiempo real permiten
crear aulas globales en las que estudiantes y docentes de distintos países
interactúan sin barreras lingüísticas, promoviendo la inclusión y la sensibilidad
cultural. La IA-AGI (Inteligencia Artificial General) comienza a integrarse
incluso en proyectos de investigación de posgrado, guiando a los estudiantes
en la generación de hipótesis y en el análisis complejo de datos disruptivos.
Calidad académica y prácticas docentes
efectivas
La calidad educativa en la enseñanza superior constituye un factor
imprescindible para la valoración institucional. Se define no solo por el
rendimiento académico tradicional, sino también por la capacidad de las
instituciones para promover el progreso intelectual, social, moral y emocional
de los estudiantes. Una educación de calidad es aquella que logra que los
alumnos aprendan de manera significativa lo estipulado en los planes
curriculares y formen ciudadanos responsables y profesionales competentes
para la sociedad moderna (Espino et al., 2023).
Las mejores prácticas docentes para garantizar esta calidad incluyen
adoptar una postura reflexiva y autocrítica. El docente-evaluador debe poseer
competencias teórico-metodológicas flexibles, capaces de responder a las
necesidades específicas de cada contexto. Se recomienda el uso de la Práctica
de Recuperación (Retrieval Practice) —como quizzes de bajo riesgo, tarjetas
de memoria o boletos de salida— en lugar de la simple relectura, ya que la
47
llamada deliberada a la memoria de la información fortalece la memoria y
reduce el olvido (véase la Tabla 12).
Tabla 12: Estrategias de evaluación formativa
Estrategia de Evaluación
Formativa
Descripción de la
Práctica
Fundamento y Beneficio
Práctica Espaciada
Realizar repasos o
quizzes distribuidos a lo
largo del tiempo.
Combate la curva del
olvido y fomenta la
retención a largo plazo.
Modelo SBI
Situation-Behavior-
Impact: Feedback
estructurado.
Proporciona
retroalimentación
objetiva, clara y
accionable.
Interleaving
(Intercalado)
Mezclar temas diversos
durante las sesiones de
estudio.
Ayuda a establecer
conexiones entre tópicos y
a mejorar la aplicación.
Diario de Campo
Instrumento cualitativo
de registro y de reflexión
continua.
Valora los elementos
cognitivos, emocionales y
éticos del aprendizaje.
El clima institucional y el liderazgo también desempeñan un papel
crucial en la calidad educativa. Un liderazgo transformador motiva a los
colaboradores, fomenta un buen clima laboral y promueve la mejora continua
mediante la capacitación docente. Sin embargo, se reporta que una parte
significativa de los docentes universitarios no utiliza plenamente la
infraestructura tecnológica disponible o no participa con regularidad en
capacitaciones de actualización pedagógica. La transición hacia modelos
48
adaptativos requiere que los educadores redefinan su rol de transmisores a
facilitadores, lo que implica una inversión sostenida en su desarrollo
profesional.
Comparativa: metodologías tradicionales
frente a innovaciones adaptativas
La eficacia de las metodologías activas y participativas frente al
paradigma tradicional ha sido objeto de numerosas revisiones sistemáticas.
Aunque en algunos estudios no se evidencian diferencias estadísticamente
significativas en la adquisición de conocimientos teóricos básicos (medidos
mediante exámenes estándar), las metodologías innovadoras como el
Aprendizaje Basado en Problemas (ABP) muestran una clara superioridad en
el desarrollo de habilidades blandas y en el pensamiento complejo (véase la
Tabla 13).
El ABP, por ejemplo, mejora significativamente el razonamiento lógico
y argumentativo, así como la capacidad para proponer soluciones
fundamentadas ante problemas reales. Además, fomenta el liderazgo, la
independencia y la responsabilidad social entre los estudiantes (Lozada et al.,
2025). Por otro lado, la enseñanza híbrida (blended learning) ha demostrado
mejores resultados académicos que las modalidades puramente presenciales
u online, al combinar la interactividad cara a cara con la flexibilidad del
entorno digital.
49
Tabla 13: Paradigma tradicional vs. Innovaciones adaptativas
Aspecto Comparativo
Paradigma Tradicional
Innovaciones
Adaptativas / Activas
Enfoque de Aprendizaje
Centrado en la enseñanza
y en el docente.
Centrado en el
aprendizaje y en el
alumno.
Producto del
Aprendizaje
Cambio conductual
observable,
memorización.
Cambio mental,
construcción de
conocimiento propio.
Responsabilidad
Curricular
Exclusiva del profesor o
de la institución.
Cooperación entre
profesor y estudiantes.
Uso de la tecnología
Complementario,
automatización de lo
analógico.
Catalizador, motor de
cambio y de
personalización.
En la práctica, las analíticas de aprendizaje revelan diferencias
cualitativas en el compromiso. Actividades como wikis, foros colaborativos y
talleres de coevaluación suelen generar notas de mejor calidad y una menor
dispersión del rendimiento que las tareas individuales tradicionales. No
obstante, la implementación de estas metodologías requiere una planificación
cuidadosa, recursos adecuados y, sobre todo, una mediación pedagógica activa
por parte del docente para evitar que la tecnología se convierta en una barrera
o en una fuente de aislamiento social.
50
Desafíos, ética y futuro de la educación
disruptiva
La marcha hacia una educación superior plenamente adaptativa y
flexible no está exenta de obstáculos críticos. En el contexto de América Latina,
la brecha digital sigue siendo la principal preocupación. La simple distribución
de dispositivos no cierra las brechas de aprendizaje si no se garantizan una
conectividad confiable, el mantenimiento y, fundamentalmente, una formación
pedagógica que dé sentido a la herramienta (Alcázar et al., 2026). La adopción
es fragmentada y a menudo se limita a instituciones con mayores recursos, lo
que podría amplificar las desigualdades preexistentes si no se diseñan
políticas de inclusión digital efectivas.
Desde la perspectiva ética, el modelado del estudiante plantea
interrogantes sobre la privacidad de los datos y el sesgo algorítmico. Si los
sistemas de IA se entrenan con perfiles homogéneos, pueden fallar al
interpretar a estudiantes con trayectorias atípicas o de minorías culturales.
Además, existe el riesgo de una enseñanza prescriptiva, en la que los datos
determinen el camino de un estudiante de forma tan rígida que se pierda la
exploración autónoma y la serendipia intelectual. El equilibrio entre la
personalización algorítmica y la relación interpersonal humana es vital; la
tecnología debe ser un complemento, no un reemplazo de la mentoría docente.
El futuro de la educación superior apunta hacia una mentalidad
globalizada y proyectos interdisciplinarios que utilicen la IA-AGI como copiloto
de la investigación. Las universidades se transformarán en espacios activos de
51
innovación y creación tecnológica, conectadas en nodos de conocimiento a
nivel mundial. La democratización del acceso a herramientas avanzadas y la
capacitación en lenguajes como Python permitirán que estudiantes y docentes
trabajen en problemas reales con una agilidad sin precedentes.
Por ende, la integración armoniosa del modelado preciso del estudiante,
la retroalimentación que inspire la mejora constante y un marco de autonomía
y flexibilidad reales permitirán que las instituciones de educación superior
cumplan su misión de formar profesionales preparados para transformar la
sociedad del conocimiento.
52
Capítulo 3
Marco integral de derechos
humanos, inclusión y
transparencia en los sistemas
educativos basados en
inteligencia artificial
La convergencia entre la inteligencia artificial y los sistemas de
instrucción formal ha inaugurado una era de posibilidades sin precedentes
para la personalización del aprendizaje y la eficiencia administrativa. No
obstante, esta transformación no está exenta de dilemas éticos profundos que
afectan el núcleo de la dignidad humana y los derechos fundamentales de los
educandos. La implementación de algoritmos en el aula requiere un análisis
exhaustivo que trascienda la mera eficacia técnica para situarse en un marco
de gobernanza centrado en el ser humano, donde la inclusión y la
transparencia no sean objetivos secundarios, sino requisitos arquitectónicos
de cualquier ecosistema pedagógico moderno.
Paradigmas Globales de Gobernanza y Ética
en la Educación Digital
La respuesta internacional ante el despliegue de la inteligencia artificial
53
en contextos educativos ha consistido en la formulación de marcos normativos
que buscan armonizar la innovación con la protección de las libertades civiles.
Organizaciones de alcance mundial como la UNESCO, la Organización para la
Cooperación y el Desarrollo Económicos (OECD) y la Unión Europea han
liderado la creación de directrices que, aunque convergen en principios
fundamentales, presentan matices significativos en su enfoque y en su
aplicación.
La Recomendación sobre la Ética de la Inteligencia Artificial de la
UNESCO (2023) se distingue por ser el primer estándar global adoptado por
194 Estados miembros, fundamentado estrictamente en el derecho
internacional de los derechos humanos. Este marco propone que la tecnología
debe ser un vehículo para la justicia social y el bienestar ambiental, y enfatiza
que la IA no debe desplazar la responsabilidad humana ni socavar la
autonomía del estudiante.
Por su parte, la OCDE centra sus principios en el equilibrio entre la
innovación económica y la creación de sistemas de IA confiables que
promuevan el crecimiento inclusivo. En contraste, la Unión Europea ha
avanzado hacia estructuras de gobernanza más rígidas y vinculantes,
categorizando los sistemas según su nivel de riesgo para la seguridad y los
derechos fundamentales, una tendencia que ha influido directamente en
legislaciones regionales como la peruana (véase la Tabla 14).
54
Tabla 14: Comparativa de Enfoques de Organizaciones Internacionales en
IA Educativa
Organización
Marco Referencial
Enfoque Filosófico
Mecanismo de
Implementación
UNESCO
Recomendación
(2021)
Humanocentrismo y
Justicia Social
Estándar Normativo
Global
OECD
Principios de IA
(2019/2024)
Innovación,
Confianza y
Economía
Recomendaciones de
Política
Unión Europea
Guías de IA Fiable /
Ley de IA
Gestión de Riesgo y
Rendición de
Cuentas
Regulación
Vinculante
DCO
Rights by Design
(2025)
Integración
Operativa de
Derechos
Marco de Diseño para
Estados Miembros
La síntesis de estos marcos sugiere la consolidación de un modelo de
Gobernanza Global de la IA Educativa (GEAIG), que postula la transparencia y
la explicabilidad como condiciones sine qua non para el despliegue ético de la
tecnología. Este modelo no solo exige que los algoritmos sean auditables, sino
55
que los resultados proporcionados por los sistemas de tutoría inteligente o de
analítica predictiva sean interpretables por los docentes y estudiantes
afectados.
El Derecho a la Educación y la Protección de la
Infancia en Entornos Automatizados
El derecho a la educación, consagrado en instrumentos internacionales,
se ve tanto potenciado como amenazado por la integración de la IA. Si bien
herramientas como el procesamiento del lenguaje natural y la
retroalimentación en tiempo real pueden mejorar la precisión de las
evaluaciones y reducir la carga laboral del docente, también introducen
riesgos de vigilancia masiva y de perfilamiento de menores de edad (Mosquera
y Canut, 2025). El marco Rights by Design (Derechos por Diseño) sostiene que
la protección de los derechos humanos debe integrarse a lo largo de todo el
ciclo de vida del sistema, desde la recolección de datos de entrenamiento hasta
la fase de postprocesamiento.
Un punto de fricción crítico radica en el derecho a la privacidad. La
dependencia de la IA respecto de volúmenes masivos de datos personales
implica una interferencia directa en la intimidad de los estudiantes. Existe una
preocupación creciente sobre el uso del consentimiento como base legal única
en entornos escolares, dado que los educandos y sus familias a menudo
carecen de alternativas reales, lo que genera una dinámica de intercambio
asimétrico de privacidad a cambio del acceso al conocimiento. Además, la
implementación de tecnologías de reconocimiento facial para el monitoreo de
56
la asistencia o la detección de emociones ha sido señalada como una práctica
de alto riesgo que puede perpetuar sesgos raciales y coartar la libertad de
expresión en el aula.
El Pilar de Contenidos y Soluciones en el Marco 5C
La UNESCO propone el marco 5C, en el que el pilar de contenidos y
soluciones establece que los currículos y los sistemas de evaluación deben
alinearse con el derecho internacional de los derechos humanos. Este enfoque
exige que el desarrollo de capacidades no se limite al entrenamiento técnico,
sino que fomente una mentalidad de innovación y la capacidad de los docentes
para navegar de forma segura y ética en el entorno digital. La autonomía
pedagógica es fundamental; los docentes deben conservar la libertad de
adaptar el contenido y de elegir las herramientas tecnológicas que mejor se
ajusten a las necesidades de sus alumnos, evitando que el algoritmo dicte la
trayectoria de aprendizaje de forma determinista.
Inclusión Digital y el Desafío de las Brechas
Estructurales en Perú
La inclusión en los sistemas educativos basados en IA no puede
lograrse sin abordar primero la brecha digital en el acceso y en las habilidades.
En el contexto peruano, aunque la conectividad ha experimentado un
crecimiento notable, pasando del 36% al 77% entre 2011 y 2023, las
disparidades regionales siguen siendo una barrera para la equidad educativa.
La diferencia de 17,4 puntos porcentuales en el acceso a internet entre la costa
57
y la sierra evidencia que los beneficios de la revolución tecnológica no se
distribuyen de manera uniforme (véase la Tabla 15).
Tabla 15: Indicadores de Acceso y Brecha Digital en el Territorio Peruano
(2023-2024)
Región / Ámbito
Población con
acceso a Internet
(6+ años)
Hogares con
telefonía móvil
Hogares con
computadora
Nacional
77.0% - 79.0%
95.2%
36.8%
Lima Metropolitana
88.3%
98.0%
55.0%
Áreas Rurales
51.8%
86.6%
8.2%
Selva
62.7%
Variable
Limitado
La falta de infraestructura digital tiene un impacto directo en la
deserción escolar. Se estima que en años recientes cerca de 230.000
estudiantes abandonaron sus estudios debido a la imposibilidad de acceder a
plataformas digitales o a la carencia de dispositivos adecuados. Esta realidad
subraya que la inclusión digital no es solo una cuestión de conectividad, sino
58
también un requisito previo para el ejercicio del derecho a la educación en el
siglo XXI.
La brecha de segundo nivel, referida a la capacidad de aprovechar las
tecnologías de forma productiva, es particularmente evidente: solo el 7% de la
población adulta en Perú se considera competente en la resolución de
problemas en entornos tecnológicos, una cifra significativamente inferior al
30% promedio de la OCDE (Flores et al., 2020).
Impacto de la alfabetización digital en la empleabilidad
La relación entre educación, inclusión y trabajo es simbiótica en la era
de la IA. La digitalización facilita el acceso a empleos mejor remunerados y
amplía las oportunidades laborales, pero también amenaza con desplazar a
quienes carecen de habilidades avanzadas (Llacsa et al., 2026). La Estrategia
Nacional de Inteligencia Artificial (ENIA) del Perú para el periodo 2026-2030
identifica el desarrollo del talento humano como su eje prioritario, con el
objetivo de reducir la brecha de género en las áreas STEM y capacitar a la
fuerza laboral para una economía cada vez más automatizada.
Transparencia Algorítmica: Hacia la
Explicabilidad y Rendición de Cuentas
La transparencia en los sistemas de IA educativa no debe entenderse
como la mera publicación de código, sino como la capacidad de hacer
comprensibles los procesos de toma de decisiones para los actores humanos.
El principio de explicabilidad (XAI) es fundamental para garantizar la
59
confianza en las herramientas que evalúan el rendimiento estudiantil o
predicen el riesgo de abandono (véase la Tabla 16).
Tabla 16: Instrumentos de Transparencia en el Sector Público y Educativo
Categoría
Instrumento
Función Principal
Proactiva
Registros Públicos de
Algoritmos
Inventariar y describir los
sistemas utilizados por el
Estado.
Proactiva
Estándares de Registro (ej.
ATRS)
Definir qué información debe
ser pública y cómo.
Reactiva
Auditorías de terceros
Evaluar externamente el
cumplimiento ético y técnico.
Reactiva
Acceso al Código y Datos
Permitir la inspección judicial
o ciudadana en casos críticos.
La implementación de técnicas de IA explicable, como los valores SHAP
(SHapley Additive exPlanations) o el método LIME (Local Interpretable Model-
agnostic Explanations), permite desglosar qué variables influyeron en una
60
predicción específica. En la práctica educativa, esto significa que si un sistema
de alerta temprana etiqueta a un estudiante con alto riesgo de deserción, el
docente puede identificar si dicha etiqueta se basa en factores académicos
(como bajas calificaciones) o en variables proxy que podrían ocultar prejuicios
socioeconómicos (como el código postal o el tipo de dispositivo de acceso).
La transparencia también cumple una función democrática. Al permitir
que los ciudadanos comprendan la lógica de los sistemas automatizados, se
facilita el ejercicio del derecho de impugnación y se previene la arbitrariedad
algorítmica. En jurisdicciones como la Unión Europea y, recientemente, en
Perú, la transparencia es una obligación legal para los sistemas considerados
de alto riesgo, lo que incluye la mayoría de las aplicaciones de evaluación y
gestión de personal en el ámbito educativo.
El Marco Normativo Peruano: Ley 31814 y su
Reglamento
Perú se ha posicionado como un referente regional al aprobar un marco
legal robusto para la IA. La Ley 31814, que promueve el uso de la IA en favor
del desarrollo económico y social, y su Reglamento, aprobado mediante el
Decreto Supremo 115-2025-PCM, establecen las bases para una adopción
ética y segura de estas tecnologías. El reglamento asigna a la Secretaría de
Gobierno y Transformación Digital (SGTD) de la Presidencia del Consejo de
Ministros la autoridad para supervisar el uso de la IA en el país (Garrigues,
2025).
61
Clasificación de Riesgos en el Sistema Educativo Peruano
El reglamento introduce una taxonomía de riesgos que determina las
condiciones de uso de los sistemas de IA:
1. Uso Indebido (Prohibido): Incluye la manipulación de decisiones
humanas, el aprovechamiento de vulnerabilidades cognitivas y la
vigilancia masiva sin sustento legal. En educación, esto prohibiría los
sistemas que busquen condicionar de forma subrepticia el
comportamiento del estudiante.
2. Riesgo Alto (Permitido bajo condiciones estrictas): Engloba sistemas
que impactan directamente en el acceso a servicios esenciales, incluyendo
decisiones de admisión escolar, evaluación de exámenes y detección de
emociones en aulas. Estos sistemas requieren una supervisión humana
integral y transparencia técnica.
3. Riesgo Aceptable (Permitido): Usos que no afectan derechos
fundamentales de forma directa, como herramientas administrativas
menores o asistentes de estudio personalizados no vinculados a
calificaciones críticas.
El artículo 21 del reglamento establece la responsabilidad del
implementador por cualquier afectación a los derechos fundamentales, lo que
reforza la necesidad de realizar evaluaciones de impacto ético antes de poner
en marcha cualquier sistema de IA en colegios o universidades. Asimismo, el
Ministerio de Educación tiene el mandato de promover la alfabetización digital
y el uso ético de la tecnología en el Currículo Nacional, asegurando que los
estudiantes no solo consuman tecnología, sino que la comprendan
62
críticamente.
Para que un sistema sea verdaderamente inclusivo y transparente, debe
someterse a procesos de auditoría rigurosos que detecten y mitiguen los
sesgos inherentes a los datos y a los modelos. Los sesgos en la IA educativa
no son solo errores técnicos, sino también legados de desigualdades históricas
que el algoritmo puede amplificar si no se interviene adecuadamente (véase
la Tabla 17).
Tabla 17: Fases del Protocolo de Auditoría en EdTech
Fase
Enfoque
Acciones Clave
Pre-procesamiento
Datos y Arquitectura
Identificar variables proxy;
analizar la representatividad
de las minorías.
Procesamiento
Auditoría Técnica
Aplicar métricas de equidad;
implementar herramientas
de XAI.
Post-procesamiento
Interacción Humana
Evaluar el sesgo de
automatización; asegurar la
capacidad de anulación.
Los auditores deben aplicar métricas matemáticas para cuantificar la
63
justicia del sistema. Entre las más relevantes se encuentran la Paridad
Demográfica, que exige que la probabilidad de un resultado positivo sea igual
para todos los grupos, y el Ratio de Impacto Dispar (DIR). Si el DIR es inferior
a 0.8 (la regla del 80%), existe evidencia estadística de discriminación que debe
corregirse mediante técnicas de ponderación de datos o ajuste del modelo.
La mitigación del sesgo también requiere diversidad en los equipos de
desarrollo. Un diseño inclusivo desde el origen reduce la probabilidad de que
se ignoren las necesidades de colectivos específicos, como estudiantes con
discapacidades o hablantes de lenguas indígenas.
Supervisión Humana y la Prevención del Sesgo
de Automatización
El principio de supervisión humana garantiza que las decisiones críticas
en educación —como la reprobación de un alumno o la asignación de una
beca— no sean delegadas por completo a la máquina. Los sistemas deben
diseñarse para que el docente pueda intervenir, revisar y, si es necesario,
revertir la recomendación del algoritmo.
Un desafío psicológico significativo es el sesgo de automatización, en el
que los humanos tienden a confiar excesivamente en los resultados de los
sistemas informáticos, incluso cuando estos son erróneos. Para contrarrestar
esto, la gobernanza de IA propone la fricción deliberada (deliberate friction).
64
Esto consiste en requerir que el docente proporcione una breve justificación
antes de validar una calificación generada por IA, obligándolo a emitir un juicio
crítico en lugar de aceptar pasivamente el resultado. La autonomía docente es,
por tanto, un baluarte contra la deshumanización de la pedagogía
(Universidad de Chile, 2023).
Lecciones de la Praxis: Casos de Éxito y Fallos
Críticos
El análisis de casos reales ofrece una perspectiva pragmática sobre los
riesgos de una IA mal gobernada. El caso más emblemático de fracaso
algorítmico ocurrió en el Reino Unido en 2020, cuando el regulador Ofqual
utilizó un modelo para asignar calificaciones de A-Levels debido a la
cancelación de los exámenes por la pandemia.
Análisis del fallo del algoritmo de Ofqual (Reino Unido,
2020)
El algoritmo fue diseñado para evitar la inflación de calificaciones y
mantener la consistencia histórica de cada centro educativo. Sin embargo, esta
lógica colectivista perjudicó a los individuos con mejor desempeño en escuelas
históricamente deficientes, impidiéndoles superar el promedio de sus
predecesores. Al mismo tiempo, las escuelas privadas, con clases más
pequeñas, se beneficiaron de una menor intervención algorítmica, lo que
exacerbó la desigualdad social preexistente. Este fiasco demuestra que un
modelo que funciona técnicamente según sus metas programadas puede ser
65
éticamente inaceptable si ignora los factores individuales y los derechos de los
estudiantes.
En el ámbito de la integridad académica, las herramientas de detección
de IA también han suscitado controversias. Estudios han revelado que estos
detectores tienen una tasa de falsos positivos superior al 50% en ensayos
escritos por estudiantes no nativos en inglés, lo que ha derivado en demandas
legales, como las presentadas contra la Universidad de Yale y la OP Jindal
Global University. Estos incidentes subrayan que la tecnología de detección no
es infalible y que su uso como prueba única de fraude constituye una violación
del debido proceso.
Por el contrario, casos de éxito como los reportados por el Tecnológico
de Monterrey muestran que, bajo una supervisión ética, la IA puede optimizar
la creación de rúbricas y mejorar la retroalimentación personalizada sin
comprometer el razonamiento crítico de los alumnos. La clave del éxito reside
en tratar a la IA como un complemento, no como sustituto de la labor docente.
La integración de la inteligencia artificial en la educación es un proceso
irreversible que exige una vigilancia ética constante. La protección de los
derechos humanos, el fomento de la inclusión genuina y la garantía de una
transparencia radical son los únicos caminos para asegurar que la
automatización fortalezca, en lugar de debilitar, el tejido social de la educación
(Pérez, 2025). Para lograr una gobernanza efectiva, se proponen las siguientes
acciones estratégicas:
1. Adopción de Marcos de Derechos por Diseño: Las instituciones
66
educativas deben exigir que cualquier sistema de IA sea evaluado según
criterios de impacto en los derechos humanos antes de su adquisición,
priorizando herramientas que permitan la explicabilidad y la auditoría
externa.
2. Cierre de la Brecha Digital Multidimensional: El Estado debe invertir no
solo en infraestructura de conectividad, especialmente en zonas rurales y
de selva, sino también en programas de alfabetización en datos para
docentes y alumnos, a fin de reducir la asimetría de competencias
tecnológicas.
3. Implementación de Supervisión Humana Significativa: Es imperativo
establecer protocolos institucionales que respalden la autonomía del
profesorado para cuestionar y anular decisiones algorítmicas, mitigando
el sesgo de automatización mediante el diseño de interfaces con fricción
deliberada.
4. Desarrollo de Estándares de Transparencia Algorítmica: Se debe
fomentar la creación de repositorios públicos de algoritmos educativos en
los que se detallen las fuentes de datos, la lógica del modelo y los
resultados de las pruebas de equidad, siguiendo las mejores prácticas
internacionales de la OCDE y la UNESCO.
5. Regulación Proporcional al Riesgo: La normativa nacional debe
continuar evolucionando para ofrecer definiciones claras y medibles sobre
qué constituye un uso ético y probó de la IA, evitando la ambigüedad que
pueda desproteger a los menores frente a intereses comerciales.
La IA tiene el potencial de democratizar el acceso al conocimiento y
personalizar la enseñanza a escala masiva. Sin embargo, este potencial solo
67
se realizará plenamente si la tecnología se despliega con un compromiso
inquebrantable con la justicia, la equidad y la dignidad de cada estudiante.
68
Capítulo 4
La integración de la educación
emocional e interdisciplinaria
El panorama educativo contemporáneo atraviesa una profunda
metamorfosis, impulsada por la necesidad de trascender los modelos de
instrucción puramente cognitivos y fragmentados que caracterizaron la era
industrial. En este contexto, la educación emocional y la interdisciplinariedad
emergen no como meras adiciones curriculares, sino como pilares
fundamentales sobre los cuales debe reconstruirse la experiencia de
aprendizaje para responder a las complejidades de un mundo interconectado
y volátil.
La educación emocional se define formalmente como un proceso
educativo, continuo y permanente, cuyo propósito es potenciar el desarrollo de
las competencias emocionales como complemento indispensable del
desarrollo cognitivo, conformando así los elementos esenciales de la
personalidad integral (Vivas, 2003). Por otro lado, la interdisciplinariedad se
presenta como una estrategia que integra perspectivas, conceptos y métodos
de diversas disciplinas para abordar fenómenos de alta complejidad, resolver
problemas del mundo real y fomentar un pensamiento crítico y autónomo en
el estudiante.
La convergencia de estos dos enfoques propone una visión holística de
la formación humana, donde el desarrollo de la inteligencia emocional —la
69
capacidad de reconocer, comprender y gestionar las emociones propias y
ajenas— se entrelaza con la integración de conocimientos heterogéneos para
enfrentar desafíos globales. Esta integración es crucial porque, como señala la
evidencia neuropsicológica, las emociones no son un accesorio del
conocimiento, sino el terreno fértil donde este germina; un estudiante
emocionalmente seguro y capaz de ver las conexiones entre distintas áreas del
saber está significativamente mejor preparado para la vida adulta y el éxito
profesional.
Fundamentos Teóricos y Evolución de la
Educación Emocional
El concepto de educación emocional ha recorrido un largo camino desde
su surgimiento en el campo de la psicología hasta su plena inmersión en el
ámbito educativo. Históricamente, la educación formal ha priorizado la
acumulación de conocimientos técnicos, descuidando la esfera afectiva del
individuo. Sin embargo, en las últimas décadas, este paradigma ha sido
cuestionado por la necesidad de responder a demandas sociales no atendidas,
como la gestión del estrés, la prevención de la violencia y el fomento del
bienestar personal y social (Vivas, 2003).
Evolución Conceptual y Diferenciación Terminológica
Es imperativo establecer una distinción clara entre la inteligencia
emocional y la educación emocional. Mientras que la inteligencia emocional se
refiere a la capacidad psicológica individual para manejar las emociones, la
70
educación emocional es la metodología pedagógica intencional y sistemática
que permite desarrollar dichas capacidades en un entorno formativo. Autores
pioneros como Salovey y Mayer (1990) definieron la inteligencia emocional
como una forma de inteligencia social que implica la habilidad para supervisar
los sentimientos propios y ajenos, discriminar entre ellos y utilizar esta
información para orientar la acción y el pensamiento. Posteriormente, Daniel
Goleman popularizó el término en 1995, convirtiéndolo en un fenómeno
mundial al subrayar que el éxito vital depende más de la gestión emocional
que del cociente intelectual tradicional (Fernández y Extremera, 2005) (véase
la Tabla 18).
Tabla 18: Enfoque y componentes clave de modelos teóricos emocionales
Modelo Teórico
Autor Principal
Enfoque y Componentes
Clave
Modelo de Habilidad
Salovey y Mayer
Se centra en el
procesamiento de la
información emocional: la
percepción, la facilitación,
la comprensión y la
regulación emocional.
Modelo Mixto
Daniel Goleman
Combina habilidades
cognitivas con rasgos de
personalidad:
autoconciencia,
autorregulación,
motivación, empatía y
habilidades sociales.
71
Modelo de Rasgo / EQ-i
Reuven Bar-On
Enfocado en el inventario
de cociente emocional
que mide la adaptabilidad
y el manejo del estrés.
Enfoque Pedagógico
Rafael Bisquerra
Define la educación
emocional como un
proceso continuo para el
desarrollo de la
personalidad integral.
Para teóricos como Steiner y Perry (1997), la educación emocional debe
centrarse específicamente en el desarrollo de tres capacidades básicas: la
comprensión de las emociones, la expresión productiva de las mismas y la
escucha empática hacia los demás. Este cambio de perspectiva exige que el
papel del maestro evolucione de ser un mero transmisor de información a un
facilitador del bienestar emocional y un modelo de comportamiento asertivo
(Vivas, 2003).
La Dimensión Pedagógica de la Emoción
A lo largo de la historia de la pedagogía, diversos pensadores han
abogado por la inclusión de la dimensión afectiva. Los autores destacan que
el afecto constituye la primera matriz de formación humana, que se inicia en
el vínculo materno y encuentra su relevo posterior en la comprensión
afectuosa del docente. En la actualidad, ya no se trata simplemente de educar
con afecto, sino de educar el afecto, lo que implica impartir conocimientos
teóricos y prácticos sobre la naturaleza de las emociones para dotar al
72
individuo de herramientas de afrontamiento y resiliencia ante los retos
cotidianos.
La educación emocional, por tanto, se configura como una innovación
educativa que responde a una carencia histórica del currículo académico
ordinario. Al integrar la formación emocional, se busca no solo mejorar el
rendimiento académico, sino también reducir las conductas disruptivas y
preparar al alumnado para una ciudadanía activa y saludable.
Interdisciplinariedad: Niveles de Integración
del Conocimiento
La interdisciplinariedad representa un enfoque clave que fomenta un
aprendizaje completo al integrar múltiples perspectivas sobre un mismo
objeto de estudio. Este método permite a los alumnos resolver problemas de
forma más eficaz y adaptada a la realidad del mundo contemporáneo, que rara
vez presenta desafíos que puedan resolverse desde una sola parcela del saber
(Cardozo, 2023).
Para implementar con éxito estrategias interdisciplinarias, es
fundamental comprender los distintos niveles de relación que pueden
establecerse entre las disciplinas académicas. Los autores proponen una
clasificación que ayuda a los educadores a diseñar currículos más integrados
y menos fragmentados (véase la Tabla 19).
73
Tabla 19: Conceptualización y Jerarquía de la Relación Disciplinar
Nivel de Relación
Descripción Técnica
Implicación Pedagógica
Multidisciplinariedad
Yuxtaposición de diversas
disciplinas que se
presentan de forma
independiente sin
relaciones internas claras.
El alumno recibe
información fragmentaria
de distintas materias
sobre un tema común.
Pluridisciplinariedad
Relación entre disciplinas
adyacentes con un nivel
básico de intercambio de
información.
Se establecen conexiones
sencillas entre temas
relacionados de distintas
áreas.
Interdisciplinariedad
Cooperación y diálogo
entre disciplinas que
implican el intercambio, el
enriquecimiento mutuo y
la transformación de los
métodos.
El aprendizaje se organiza
en torno a problemas
complejos que requieren
la síntesis de varios
campos.
Transdisciplinariedad
Nivel superior de
integración en el que
desaparecen los límites
entre disciplinas,
ofreciendo una imagen
fiel de la realidad global.
Aspira a unificar la ciencia
y los recursos para
explicar la totalidad de lo
real.
La búsqueda de lo que se denomina interdisciplinariedad unificadora o
compuesta es esencial para abordar problemas de alta complejidad, como en
la educación sanitaria, donde se interconectan la medicina, la sociología, la
74
psicología y la economía. Este enfoque busca romper el encierro disciplinario
—un concepto de Edgar Morin (1999) que alude a las visiones que constriñen
el conocimiento en compartimentos estancos— y promover una perspectiva
multidimensional y multifocal.
Beneficios de la Educación Interdisciplinaria
La implementación de la interdisciplinariedad en la educación superior
y básica aporta ventajas cognitivas y sociales sustanciales. Permite a los
estudiantes no solo adquirir datos, sino también desarrollar habilidades para
pensar de manera autónoma y enfrentar retos futuros que requieren el cruce
de fronteras disciplinarias. Entre los beneficios más destacados según
Ackerman (1988) se encuentran:
● Generación de un Pensamiento Flexible: La capacidad de adaptar el
razonamiento a diferentes contextos y marcos teóricos.
● Habilidad para Analogías y Metáforas: Facilita la comprensión de
conceptos complejos mediante analogías con estructuras de otras áreas.
● Conciencia de las Limitaciones Disciplinarias: Ayuda al alumno a
entender qué puede y qué no puede resolver una ciencia específica por sí
sola.
● Mejora de la Retención y el Rendimiento: La integración de contenidos
favorece la consolidación de la memoria a largo plazo y mejora las
habilidades cognitivas de alto orden.
75
Sinergia entre lo emocional y lo
interdisciplinario: el enfoque integral
La intersección entre la educación emocional y el aprendizaje
interdisciplinario constituye el núcleo de una formación verdaderamente
integral. No es posible hablar de un desarrollo académico óptimo si se ignora
el clima emocional del aula o la capacidad del estudiante para relacionarse
con sus pares en proyectos colaborativos complejos.
La Neurobiología del Aprendizaje y el Clima de Aula
La ciencia moderna ha demostrado que las emociones actúan como el
principal activador de la atención. Un niño que se siente seguro aprende más
rápido, mientras que aquel que se siente invisible o humillado simplemente se
desconecta del proceso cognitivo. El aula, por tanto, no es solo un espacio
físico, sino también un entorno emocional que incide profundamente en la
motivación (Ibañez, 2002).
Los autores plantean que la seguridad afectiva es el prerrequisito para
que los estudiantes participen activamente, se autorregulen y estén dispuestos
a enfrentar los desafíos del aprendizaje interdisciplinario. En este sentido, la
autoconciencia emocional —entender con claridad lo que sentimos— cambia
el fondo en el que procesamos la información y pensamos.
Competencias Socioemocionales y Rendimiento Académico
Existe una correlación directa y positiva entre el dominio de las
76
competencias socioemocionales y el éxito escolar. Diversos estudios indican
que variables como la autoestima, la perseverancia (o grit) y la autoeficacia
median significativamente entre la salud mental y las calificaciones obtenidas.
En disciplinas específicas como las matemáticas, se ha demostrado que una
percepción positiva de las propias capacidades predice un mejor desempeño
(véase la Tabla 20).
Tabla 20: Competencia socioemocional e impacto en el aprendizaje
Competencia
Socioemocional
Impacto en el
Aprendizaje
Autorregulación
Mejora la concentración y
reduce las respuestas
impulsivas ante el fracaso
académico.
Empatía
Facilita el trabajo
colaborativo en proyectos
interdisciplinarios y
mejora el clima de aula.
Autoeficacia
Incrementa la
persistencia ante tareas
complejas en ciencias y
matemáticas.
Conciencia Social
Permite comprender
cómo los problemas
globales afectan a
distintas comunidades
humanas.
77
La integración de la educación emocional en el proceso de enseñanza-
aprendizaje permite a los estudiantes adaptarse y vivir en un mundo marcado
por las innovaciones disruptivas y el cambio constante. Esto es especialmente
relevante en la educación superior, donde las exigencias profesionales
actuales demandan no solo la excelencia técnica, sino también una alta
empleabilidad basada en habilidades de autogestión y de liderazgo emocional.
El Marco de Referencia CASEL y el Aprendizaje
Socioemocional (SEL)
El modelo desarrollado por la Colaboración para el Aprendizaje
Académico, Social y Emocional (CASEL) se ha consolidado como el referente
teórico y práctico más importante a nivel mundial. CASEL propone un enfoque
sistémico e integral para el Aprendizaje Socioemocional (ASE o SEL, por sus
siglas en inglés), que no solo se centra en el individuo, sino que también abarca
la cultura de la escuela, la familia y la comunidad.
Las Cinco Dimensiones del Modelo CASEL
CASEL organiza las competencias socioemocionales en cinco áreas clave
que permiten establecer ambientes equitativos de aprendizaje y desarrollo:
1. Autoconciencia: la capacidad de comprender las propias emociones,
pensamientos y valores y cómo estos influyen en el comportamiento.
Incluye la identificación de emociones, el reconocimiento de fortalezas y
limitaciones, y una mentalidad de crecimiento basada en la confianza.
2. Autocontrol (o Autogestión): Habilidad para manejar las emociones y los
78
comportamientos de forma eficaz en diferentes situaciones, con el fin de
alcanzar metas y aspiraciones. Involucra la regulación del estrés, el
control de los impulsos y la automotivación.
3. Conciencia Social: Capacidad para adoptar la perspectiva de los demás y
empatizar con personas de orígenes y culturas diversos. Implica
comprender las normas sociales y éticas de comportamiento, así como
reconocer los recursos de apoyo de la familia y de la comunidad.
4. Habilidades para Relacionarse: Competencia para establecer y mantener
relaciones saludables y de apoyo. Incluye la comunicación clara, la
escucha activa, la colaboración para resolver problemas y la negociación
constructiva de conflictos.
5. Toma de Decisiones Responsable: Capacidad para tomar decisiones
constructivas sobre la conducta personal y las interacciones sociales,
basadas en estándares éticos, la seguridad y las normas sociales.
Requiere identificar problemas, analizar situaciones y evaluar las
consecuencias de las acciones para el bienestar colectivo.
Integración en el Currículo Académico: El Modelo del
Taburete
CASEL enfatiza que el aprendizaje socioemocional no debe ser una
lección aislada, sino que debe integrarse en las materias académicas
ordinarias. Esta integración se apoya en tres pilares fundamentales,
comparables a las patas de un taburete: un entorno de aprendizaje de apoyo,
la integración explícita de competencias ASE y una pedagogía interactiva.
● En Lengua y Literatura: El estudio de la narrativa ofrece oportunidades
79
naturales para trabajar la empatía mediante el análisis de los
sentimientos y las motivaciones de los personajes literarios. Evaluar cómo
resuelven sus conflictos permite discutir la toma de decisiones
responsable y las habilidades para relacionarse.
● En matemáticas: Esta asignatura se utiliza para fomentar la resiliencia.
El profesorado puede modelar la persistencia ante problemas difíciles,
enseñando a los alumnos a gestionar la frustración y a ver el error como
una oportunidad de aprendizaje, lo cual refuerza el autocontrol y la
mentalidad de crecimiento.
● En Ciencias Naturales: El método científico requiere colaboración,
honestidad en el manejo de datos y una toma de decisiones basada en la
evidencia, lo cual se alinea con la responsabilidad ética y con las
habilidades interpersonales.
Marco Normativo y Desarrollo de Habilidades
Socioemocionales en el Perú
En el contexto peruano, el Ministerio de Educación (MINEDU) ha
realizado esfuerzos significativos para integrar el bienestar socioemocional
como eje transversal de la política educativa. El Currículo Nacional de la
Educación Básica (CNEB) establece que el perfil de egreso del estudiante debe
incluir una sólida formación ética y una capacidad para convivir y participar
democráticamente en la búsqueda del bien común.
80
El Programa de Habilidades Socioemocionales (HSE)
El MINEDU, en colaboración con organismos como UNICEF, ha
priorizado el desarrollo de 13 habilidades socioemocionales fundamentales.
Estas habilidades se agrupan en dimensiones que permiten al estudiante
gestionar su proyecto de vida y relacionarse de manera adaptativa con su
entorno, especialmente en contextos de vulnerabilidad poscrisis sanitaria
(véase la Tabla 21).
Tabla 21: Habilidades socioemocionales fundamentales
Dimensión
Habilidades Priorizadas por el MINEDU
Habilidades Intrapersonales
Autoconcepto, autoestima, conciencia
emocional, regulación emocional,
autocuidado.
Habilidades Interpersonales
Comunicación asertiva, empatía,
resolución de conflictos, trabajo en
equipo, comportamiento prosocial.
Habilidades para el Entorno
Conciencia social, toma de decisiones
responsable, creatividad.
La implementación de estas habilidades se realiza mediante la Tutoría
y Orientación Educativa (TOE). El MINEDU ha desarrollado guías pedagógicas
y herramientas como el Kit de Bienestar Socioemocional, que permite recoger
información sobre el estado emocional de los estudiantes y los factores de
riesgo a los que están expuestos tras la pandemia de COVID-19.
81
Educación Sexual Integral (ESI) y Bienestar
Un componente vital del marco normativo peruano es la Educación
Sexual Integral (ESI). Esta se concibe como un proceso formativo integral,
sistemático y científico que abarca las dimensiones biológica-reproductiva,
socioafectiva, ética y moral de la persona. La ESI promueve la autonomía, el
autocuidado y el respeto al consentimiento, contribuyendo directamente a la
prevención de la violencia y el acoso escolar. Desde la competencia, convive y
participa de manera democrática; la ESI favorece vínculos afectivos saludables
y el respeto a la diversidad sin discriminación (Centro de la Mujer Peruana
Flora Tristán, 2026).
Proyectos y Campañas de Bienestar Recientes
En los últimos años, el gobierno peruano ha impulsado diversas
iniciativas para fortalecer la salud mental en el ámbito escolar:
● Campaña Fuertes DE VERDAD: Iniciada en 2022 para contrarrestar el
impacto de la pandemia en el desarrollo socioafectivo de los escolares y
promover la fortaleza emocional necesaria para la recuperación de los
aprendizajes.
● Plan Nacional de Salud Mental en tu Cole (2025-2026): Una estrategia
intersectorial, liderada por el Ministerio de Salud (MINSA) y con el
respaldo de la Presidencia del Consejo de Ministros (PCM), orientada a
brindar soporte directo a más de 83.000 estudiantes y 50.000 familias a
nivel nacional.
● Evaluación ENLA 2024: El MINEDU ha incorporado la evaluación de la
autorregulación y la conciencia emocional en sus pruebas nacionales de
82
logros de aprendizaje, lo que permite analizar las prácticas docentes
relacionadas con el tratamiento de las HSE.
Estrategias Didácticas para la Integración en
el Aula
La puesta en práctica de la educación emocional e interdisciplinaria no
requiere necesariamente grandes cambios estructurales, sino la incorporación
de dinámicas que favorezcan el desarrollo afectivo y el pensamiento crítico.
Dinámicas Socioemocionales Transversales
Existen numerosas actividades que pueden ser adaptadas a cualquier
nivel educativo para fomentar la autoconciencia y la autorregulación:
● El Termómetro Emocional: Una escala visual al inicio de la jornada en la
que los alumnos marcan cómo se sienten, lo que permite abrir espacios
de diálogo sobre sus motivaciones.
● La Rueda de las Emociones y el Juego de Roles: actividades de
dramatización que permiten a los estudiantes practicar la expresión
adecuada de las emociones y la resolución asertiva de conflictos en un
entorno seguro.
● Diarios de Emociones: Una técnica de autorreflexión semanal en la que
los alumnos registran sus sentimientos y las situaciones que los
provocaron, lo que fomenta la conciencia emocional y el entendimiento
mutuo.
● El Frasco de la Gratitud y el Tarro de las Buenas Noticias: Dinámicas
83
sencillas para potenciar el optimismo mediante el reconocimiento de
logros personales y colectivos.
Integración en Áreas Específicas: Ciencias y Matemáticas
La interdisciplinariedad cobra vida cuando vinculamos los contenidos
curriculares con la experiencia emocional del estudiante.
● En Ciencias Naturales: Proyectos como el huerto escolar Semillas de
Esperanza permiten establecer paralelos entre el crecimiento de una
planta y el proceso personal de resiliencia. Los alumnos pueden realizar
un mapa emocional-naturaleza, identificando cómo factores ambientales,
como la luz o la humedad, influyen en su estado de ánimo y en el bienestar
de los seres vivos. El uso de diarios científicos que incluyan reflexiones
emocionales ayuda a vincular las ideas científicas con las vivencias
personales.
● En matemáticas: la enseñanza de la estadística puede utilizarse para
evaluar el clima escolar. Los estudiantes pueden recolectar datos sobre la
convivencia en el aula y aplicar medidas de tendencia central (media,
mediana) para analizar los niveles de satisfacción emocional de su grupo.
Esto no solo hace que la matemática sea útil, sino que también desarrolla
la conciencia social y la toma de decisiones basada en evidencia. Además,
el docente de matemáticas puede utilizar técnicas de desarrollo de
conocimiento emocional para identificar situaciones que desencadenan el
odio o el miedo hacia la materia, transformando estas emociones en
motivación y persistencia.
84
Desafíos y Barreras Estructurales en la
Implementación
A pesar del reconocimiento global de su importancia, la implementación
de la educación emocional e interdisciplinaria en América Latina enfrenta
obstáculos significativos que limitan su impacto.
La Brecha entre la Teoría y la Práctica
Uno de los principales desafíos identificados es la falta de formación
docente sólida y continua. Muchos maestros perciben la educación emocional
como una carga laboral adicional o como un conjunto de rasgos de
personalidad que no pueden enseñarse de forma sistemática. Además, el foco
de las políticas educativas en evaluaciones académicas estandarizadas a
menudo entra en conflicto con el tiempo necesario para el desarrollo
socioemocional, que en ocasiones se percibe como un obstáculo para cumplir
con los contenidos obligatorios (Cabezas et al., 2025).
Críticas y Riesgos del Enfoque Actual
Algunos expertos advierten sobre el riesgo de una emocionalización
superficial en el ámbito educativo. Critican que, en ocasiones, se promueve una
positividad excesiva que niega o reprime las llamadas emociones negativas
(tristeza, rabia, miedo), necesarias para el equilibrio psicológico y la
comprensión de la realidad social.
Asimismo, existe el peligro de la responsabilización individual: suponer
85
que todos los problemas emocionales se deben a una falta de capacitación
personal, invisibilizando el carácter relacional de las emociones y el impacto
de las condiciones de vida precarias, la pobreza y la violencia estructural. Por
ello, se insiste en que la educación emocional no debe ser una prescripción de
habilidades para el buen sentir, sino un proceso de construcción colectiva de
saberes y sentires en diálogo con la comunidad (véase la Tabla 22).
Tabla 22: Proceso de construcción colectiva de saberes
Desafío Estructural
Manifestación en el aula
Posible Estrategia de
Mitigación
Exigencia Curricular
Académica
Prioridad a la
memorización y a las
pruebas por encima del
bienestar.
Integración transversal
del ASE en las materias
troncales.
Falta de Formación
Continua
Docentes sin
herramientas para
gestionar sus propias
emociones.
Programas de
autocuidado y de
formación técnica para el
profesorado.
Fragmentación del Saber
Materias aisladas sin
conexión con la realidad
del alumno.
Implementación de
Aprendizaje Basado en
Proyectos (ABP).
Resistencia de la
Comunidad
Familias que ven la
educación emocional
como algo secundario.
Talleres para padres y
demostración del vínculo
entre la emoción y el éxito
académico.
86
Hacia la Educación 2030: El Futuro de la
Pedagogía Integral
La UNESCO, a través de sus informes más recientes, ha validado el
enfoque cognitivo-emocional como clave para la transformación de la
educación a nivel mundial. La Agenda 2030, y específicamente el ODS 4,
propone garantizar una educación inclusiva y equitativa que empodere a los
estudiantes para construir sociedades justas, sanas y pacíficas.
El Aprendizaje Socioemocional como Motor de Cambio
La UNESCO sostiene que el aprendizaje socioemocional desempeña un
papel crucial en los esfuerzos colectivos para transformar los sistemas
educativos. Esto implica dotar a los alumnos no solo de conocimientos
técnicos, sino también de los valores necesarios para lograr un cambio social
positivo. En el futuro, se espera que las políticas educativas se guíen por la
ciencia y la evidencia, incorporando el modelo de las cinco dimensiones
(CASEL) de manera universal (Herrera et al., 2025).
La formación para el futuro laboral también exige este cambio. Un
individuo con alta conciencia social y empatía estará más abierto a la
colaboración y tendrá una mirada altruista y de bondad ante los desafíos
globales, como el cambio climático y las desigualdades sociales. La verdadera
calidad educativa ya no se mide únicamente por los resultados académicos,
sino también por la capacidad de los actores educativos para formar personas
conscientes y comprometidas con su entorno.
87
La integración de la educación emocional y la interdisciplinariedad no
es un lujo pedagógico, sino una necesidad imperativa en una sociedad
marcada por la incertidumbre y la complejidad. La evidencia analizada
demuestra que las emociones son el motor del aprendizaje significativo y que
la capacidad de conectar saberes heterogéneos es fundamental para la
resolución de problemas reales (García, 2012).
Para el éxito de este paradigma, es esencial que los sistemas educativos
inviertan en la competencia emocional de los docentes y en la creación de
climas de aula seguros y estimulantes. Solo a través de un enfoque que valore
tanto la dimensión afectiva como la cognitiva será posible formar ciudadanos
resilientes, éticos y competentes, capaces de navegar por los desafíos del siglo
XXI con humanidad y determinación. La educación del futuro debe, por tanto,
reconciliar la razón con la emoción, reconociendo que el ser humano aprende
verdaderamente cuando aquello que conoce le permite, al mismo tiempo,
comprenderse a sí mismo y conectar con los demás.
88
Capítulo 5
Convergencia de e-learning,
realidad aumentada y
metodologías activas
El paradigma educativo contemporáneo se encuentra en profunda
mutación, impulsada no solo por la aceleración tecnológica, sino también por
la necesidad imperativa de adaptar los sistemas de enseñanza a un entorno
de volatilidad e incertidumbre. En este escenario, la intersección entre el e-
learning, la realidad aumentada y las metodologías de aprendizaje activo no
constituye una mera opción de modernización, sino un eje vertebrador para la
supervivencia funcional de las instituciones educativas y corporativas.
La transición hacia una sociedad digitalizada demanda un rediseño de
la experiencia de aprendizaje que priorice la navegación autónoma del
estudiante en contextos desconocidos, un concepto que la Organización para
la Cooperación y el Desarrollo Económicos define mediante la Brújula del
Aprendizaje 2030. La presente investigación analiza cómo estas tecnologías y
metodologías se amalgaman para preparar a los individuos para profesiones
aún no inventadas y desafíos que requieren una resiliencia cognitiva y
emocional sin precedentes.
89
El Ecosistema de la Realidad Aumentada y las
Tecnologías Inmersivas
La realidad aumentada (RA) se distingue fundamentalmente de la
realidad virtual (RV) por su capacidad de superponer información digital —
como imágenes, videos y modelos tridimensionales— sobre el entorno real del
usuario, mejorando su percepción del contexto físico sin extraerla de él.
Mientras que la RV busca la inmersión total en un mundo alternativo simulado
por ordenador, la RA aprovecha la ubicuidad de los dispositivos móviles y las
gafas inteligentes para dotar al mundo real de una capa adicional de
significado (Merchán y Valero, 2024). Esta característica de ubicuidad es
esencial en el ámbito educativo moderno, ya que permite que el aprendizaje
ocurra en cualquier momento y lugar, rompiendo las barreras físicas del aula
tradicional.
En el contexto actual, la realidad aumentada se integra en un espectro
más amplio denominado Realidad Extendida (XR), que también abarca la
realidad mixta (RM) y la realidad virtual (RV), ofreciendo un continuum de
experiencias que varían según el grado de integración de elementos digitales
y físicos (véase la Tabla 23).
Tabla 23: Comparativa Técnica y Funcional de las Modalidades de Realidad
Tecnología
Definición
Operativa
Nivel de
Inmersión
Hardware
Principal
Interacción con
el Entorno
90
Realidad
aumentada
(RA)
Integración de
datos digitales
en el mundo
real.
Parcial
Smartphones,
Tablets, Gafas
AR
Superposición de
capas
informativas.
Realidad virtual
(RV)
Inmersión en
un entorno
100% digital.
Total
Cascos (HMD)
Aislamiento total
del entorno
físico.
Realidad Mixta
(RM)
Hibridación en
la que objetos
reales y
virtuales
coexisten e
interactúan.
Híbrida
HoloLens,
Magic Leap
Reconocimiento
espacial y anclaje
físico.
Realidad
Extendida (XR)
Término
paraguas que
engloba RA, RV
y RM.
Variable
Multiplataform
a
Continuum entre
lo real y lo virtual.
El impacto de la RA en el aprendizaje no se limita a la novedad visual;
se fundamenta en su capacidad para convertir el conocimiento en una
aventura palpable y memorable. Al involucrar múltiples sentidos, esta
tecnología facilita la retención y la comprensión de conceptos abstractos,
91
permitiendo a los estudiantes visualizar, por ejemplo, la estructura del ADN en
3D o el funcionamiento interno de una turbina eólica en tiempo real. Estudios
recientes sugieren que el uso de RA en el aula puede duplicar la tasa de
retención de información, ya que los alumnos no son meros receptores de
datos, sino participantes activos que manipulan elementos virtuales en su
entorno físico.
Metodologías Activas: Pedagogía para la
Resiliencia
La integración exitosa de la tecnología en el e-learning requiere un
cambio de paradigma pedagógico que abandone la transmisión lineal de la
información a favor de metodologías activas. Estas metodologías, centradas en
el estudiante, promueven el desarrollo de competencias transversales como el
pensamiento crítico, la resolución de problemas y la colaboración
multidisciplinar. En las metodologías activas, la experiencia del alumno se
vuelve significativa mediante la retroalimentación constante, lo que conecta
los nuevos conocimientos con los saberes previos de manera orgánica.
Aprendizaje Basado en Retos (ABR)
El Aprendizaje Basado en Retos (ABR) destaca como una de las
metodologías más eficaces para preparar a los estudiantes para un futuro
incierto. A diferencia del aprendizaje basado en problemas, que a menudo
utiliza escenarios ficticios, el ABR involucra al estudiante en problemáticas
reales de su entorno social o físico, exigiéndole que diseñe e implemente
92
soluciones tangibles. Este enfoque no solo busca que el alumno adquiera
conocimientos disciplinares, sino que también desarrolle una comprensión
profunda y transferible de la realidad (Herrera et al., 2025). El proceso del ABR
se estructura en una secuencia lógica que fomenta la autonomía:
1. Planteamiento del Gran Tema: Una idea amplia con impacto social (p. ej.,
el cambio climático o la seguridad alimentaria).
2. Preguntas Guía y Definición del Reto: Los estudiantes investigan para
concretar un desafío específico y alcanzable.
3. Desarrollo de la Solución: Uso intensivo de las TIC y de recursos
tecnológicos para investigar, prototipar y validar ideas.
4. Implementación y Difusión: La solución se prueba en contextos reales y
los resultados se comparten con la comunidad.
5. Evaluación y Reflexión: Se valoran tanto el producto final como las
competencias desarrolladas durante el proceso.
Un aspecto crítico del ABR es el rol del docente como dinamizador
socioemocional. En un entorno de incertidumbre, el docente debe fomentar la
resiliencia y la tolerancia a la frustración, permitiendo que los estudiantes vean
el fracaso inicial como una oportunidad de aprendizaje y no como un callejón
sin salida. Esta capacidad de aceptar el error es fundamental para la
adaptabilidad técnica necesaria en las industrias del futuro.
Gamificación y Aula Invertida
La gamificación, o el uso de elementos de diseño de juegos en contextos
educativos, se ha consolidado como una herramienta poderosa para aumentar
93
el compromiso y la motivación de los participantes. Al introducir mecánicas
como niveles, misiones y recompensas, se aprovecha la predisposición
psicológica al juego para facilitar la adquisición de conductas y conocimientos
complejos (Peñafiel et al., 2025). Cuando la gamificación se integra con el
modelo de aula invertida (flipped classroom), el proceso se optimiza: los
estudiantes acceden a los contenidos teóricos de forma asíncrona fuera del
aula y utilizan el tiempo presencial —físico o virtual— para resolver dudas,
debatir y aplicar de forma práctica mediante desafíos gamificados.
Microaprendizaje y Microcredenciales
Esta metodología divide el contenido en cápsulas breves y asimilables,
lo que facilita la retención y la aplicación inmediata en el contexto laboral. El
microaprendizaje es especialmente valioso para el upskilling y el reskilling
técnicos, permitiendo a los trabajadores actualizar competencias específicas
sin interrumpir su jornada laboral. La validación de estos aprendizajes
mediante microcredenciales digitales proporciona un reconocimiento formal y
flexible de las habilidades adquiridas, lo que fortalece las trayectorias
profesionales en sectores tecnológicos en constante cambio.
Navegando el Futuro: El Marco de la OCDE y
las Habilidades 2040
La educación para el futuro no consiste en predecir qué conocimientos
específicos serán necesarios, sino en dotar a los alumnos de una brújula que
les permita orientarse en la complejidad. El proyecto de la OCDE sobre el
94
Futuro de la Educación y las Competencias 2030 subraya que el bienestar
individual y colectivo es el destino compartido de los sistemas educativos
(véase la Tabla 24)
Tabla 24: Componentes de la Brújula del Aprendizaje 2030
Componente
Función en el proceso de
aprendizaje
Relevancia ante la
Incertidumbre
Agencia del Estudiante
Voluntad y capacidad para
influir positivamente en el
mundo.
Fomenta la proactividad y la
responsabilidad ética.
Ciclo AAR
Ciclo iterativo de
Anticipación, Acción y
Reflexión.
Permite mejorar de forma
continua el pensamiento
crítico.
Competencias
Transformadoras
Crear nuevo valor, conciliar
tensiones y asumir
responsabilidades.
Prepara para resolver
dilemas globales complejos.
Fundamentos Básicos
Alfabetización digital,
numerismo y salud
socioemocional.
Constituyen la base necesaria
para cualquier aprendizaje
superior.
95
Este marco conceptual se complementa con la visión de la
multiversidad, un modelo educativo que trasciende la universidad tradicional
al integrar la multidisciplinariedad, la multimodalidad y la colaboración
estrecha con empresas y startups. La multiversidad se apoya en la
multiinteligencia, promoviendo la colaboración simbiótica entre seres
humanos y sistemas de inteligencia artificial (IA) para abordar problemas
globales.
Aunque existen preocupaciones legítimas sobre la privacidad y la
desigualdad, la mayoría de los expertos coinciden en que estas tecnologías
facilitarán una educación más personalizada y equitativa, siempre que se
construyan con principios de ética por diseño. En este horizonte, las
habilidades socioemocionales —como la empatía, la gestión de conflictos y la
autoconciencia— serán tan valoradas como las competencias técnicas, ya que
son capacidades humanas que la automatización no puede replicar fácilmente.
Aplicaciones de Impacto y Casos de Éxito en
Sectores Estratégicos
La convergencia entre el e-learning y las tecnologías inmersivas ya está
produciendo resultados transformadores en diversos sectores, desde la
medicina hasta la minería y la gestión corporativa. En el ámbito de la salud, la
RA y la RV están revolucionando tanto la formación como la práctica clínica.
Aplicaciones como HoloAnatomy permiten a los estudiantes de primer
año de medicina explorar el cuerpo humano en 3D desde sus hogares,
96
superando las limitaciones de la disponibilidad de cadáveres para la disección
o de las ilustraciones 2D tradicionales. Además, el uso de simulaciones
virtuales permite a los futuros cirujanos practicar procedimientos complejos
en entornos libres de riesgo, lo que reduce la ansiedad y aumenta la precisión
técnica antes de interactuar con pacientes reales (Hech et al., 2023).
En Perú, la minería moderna ha adoptado la realidad virtual y
aumentada para mejorar la seguridad y la eficiencia operativa.
Aproximadamente el 17% de las empresas mineras del país ya utilizan estas
tecnologías para capacitar a su personal en el manejo de maquinaria pesada
y en protocolos de respuesta ante emergencias (Herrera et al., 2025).
● Capacitación de Operadores: El uso de RV permite simular entornos de
perforación y voladura, donde los trabajadores pueden practicar medidas
precisas para evitar fracturas inesperadas en la roca, una de las
principales causas de accidentes mortales.
● Asistencia Remota: Mediante gafas de RA, los técnicos en campo pueden
recibir instrucciones en tiempo real de expertos ubicados en cualquier
parte del mundo, visualizando manuales y diagramas superpuestos sobre
las máquinas que están reparando.
● Reclutamiento: Las plataformas de RV se utilizan para evaluar las
aptitudes reales de los candidatos antes de que lleguen a la zona de
operaciones, lo que reduce el riesgo de errores humanos críticos.
Formación Corporativa y Habilidades Blandas
Un estudio fundamental de PwC comparó la eficacia del aprendizaje en
el aula, del e-learning tradicional y del aprendizaje basado en realidad virtual
97
(V-learning) para la enseñanza de habilidades blandas. Los hallazgos subrayan
la superioridad de las tecnologías inmersivas:
● Velocidad: Los empleados entrenados con RV aprenden hasta cuatro
veces más rápido que en un aula tradicional. Lo que toma dos horas en
un entorno clásico puede dominarse en 30 minutos con RV.
● Confianza: Los estudiantes de RV mostraron un 275% más de confianza
para aplicar lo aprendido tras la capacitación, un factor crucial para tareas
como el liderazgo inclusivo o la gestión de conversaciones difíciles.
● Conexión Emocional: El V-learning generó una conexión emocional con el
contenido 3,75 veces mayor que en el aula presencial, lo que facilita un
cambio de mentalidad duradero en temas de diversidad e inclusión.
El Contexto Regional: Innovación Educativa en
América Latina y Perú
América Latina enfrenta el desafío de integrar estas tecnologías en un
contexto de brecha digital y de recursos limitados. Sin embargo, la región ha
demostrado una notable capacidad de innovación mediante proyectos que
priorizan el sentido pedagógico por encima de la sofisticación del hardware. El
Segundo Mapeo de Buenas Prácticas en Educación Digital de las Américas
revela que el 79% de las iniciativas se orientan directamente a estudiantes y
que el 13% se implementa con éxito en zonas rurales aisladas (Herera et al.,
2025).
98
Instituciones Líderes en Perú
1. LabXR (PUCP): El Laboratorio de Innovación y Creación Digital de la
Pontificia Universidad Católica del Perú es una plataforma interdisciplinar
que aplica la RA y la RV en las artes escénicas, la medicina y la seguridad
pública.27 Su proyecto Bomberos VR utiliza dispositivos de bajo costo
(smartphones y cardboards) para entrenar a bomberos voluntarios de
todo el país en situaciones de incendio, democratizando el acceso a
tecnología de punta.
2. UPC y su Estrategia de Realidad Extendida: La Universidad Peruana de
Ciencias Aplicadas ha implementado una robusta infraestructura de
Realidad Extendida que impacta a más de 1.500 usuarios. Mediante la
certificación de docentes en la plataforma EON Reality, la institución ha
logrado integrar la RA en cursos de gastronomía (Bioferia virtual),
patrimonio inmaterial y artes escénicas, preparando a los alumnos para
un mercado laboral altamente tecnificado.
3. Proyectos de Impacto Social del Minedu: El Ministerio de Educación del
Perú ha sido premiado por la OEI por la implementación de una
plataforma offline con inteligencia artificial destinada a escuelas rurales,
lo que demuestra que la tecnología puede adaptarse para cerrar brechas
en la calidad educativa sin depender de una conectividad constante de
alta gama.
A pesar de estos avances, el informe PISA 2025 evidenciará las
disparidades persistentes en el acceso a las tecnologías educativas en los
países emergentes. En América Latina, el acceso a computadoras en las
escuelas no ha mejorado significativamente entre 2018 y 2022, y la falta de
99
conectividad sigue afectando la motivación y el rendimiento de millones de
estudiantes (Seoane, 2024). La capacitación docente emerge como el reto más
urgente: muchos profesores carecen de las competencias digitales necesarias
para diseñar actividades que trasciendan el uso decorativo de la tecnología. La
verdadera transformación no vendrá de la compra de dispositivos, sino de una
reevaluación profunda de cómo se enseña y se aprende en el siglo XXI.
Síntesis Estratégica: Construyendo un
Ecosistema Educativo Efectivo
La adaptación exitosa a un futuro incierto requiere la integración de
cinco dimensiones críticas que deben actuar de manera sinérgica en cualquier
ecosistema de aprendizaje:
1. Infraestructura y Conectividad Significativa: No basta con tener acceso
a internet; se requiere una conexión que permita el uso fluido de
herramientas inmersivas y colaborativas.
2. Pedagogía Centrada en el Estudiante: El aprendizaje debe ser
personalizado, permitiendo que cada alumno avance a su propio ritmo y
explore contenidos según sus intereses y necesidades individuales.
3. Capacitación Docente Continua: El educador debe evolucionar de un
transmisor de conocimientos a un mentor, facilitador y diseñador de
experiencias de aprendizaje mediadas por la tecnología.
4. Uso Ético y Responsable de la IA y los Datos: La protección de la
privacidad y la mitigación de los sesgos algorítmicos deben ser pilares
fundamentales de cualquier plataforma educativa.
100
5. Vínculo con la Realidad y la Industria: Las instituciones educativas deben
funcionar como nodos dentro de una red más amplia que incluya al sector
productivo, asegurando que el aprendizaje sea aplicable y relevante para
los desafíos actuales y futuros.
El e-learning, potenciado por la realidad aumentada y sustentado en
metodologías activas como el Aprendizaje Basado en Retos, constituye la
respuesta más robusta ante la incertidumbre global. La tecnología no es un
fin en sí mismo, sino un facilitador que permite ampliar las capacidades
humanas, fomentando una comprensión más profunda de la realidad y una
mayor confianza para actuar sobre ella (Benítez et al., 2025). Los datos
presentados en esta investigación confirman que las experiencias inmersivas
aceleran el aprendizaje, mejoran la retención y fortalecen la conexión
emocional con el conocimiento, elementos indispensables para formar
ciudadanos resilientes y competentes.
El reto para las próximas décadas radica en garantizar que esta
transformación sea inclusiva y ética. Mientras instituciones en Perú y en el
resto del mundo demuestran que es posible innovar con recursos limitados,
los gobiernos y las organizaciones internacionales deben redoblar sus
esfuerzos para cerrar la brecha digital y profesionalizar la docencia. Al final,
la educación para el futuro no se trata de dominar herramientas que pronto
serán obsoletas, sino de cultivar la curiosidad, el pensamiento crítico y la
capacidad de colaborar que permitirán a la humanidad no solo adaptarse a los
cambios, sino también ser la fuerza impulsora detrás de ellos.
101
Conclusión
La singularidad pedagógica, entendida como el respeto y el cultivo de
lo que hace a cada estudiante único, encuentra en los STI su mejor aliado. No
obstante, para que esta promesa se cumpla, es necesario superar la
fragmentación institucional y construir una visión compartida que priorice la
equidad y la calidad humana por encima de la mera eficiencia tecnológica.
La personalización del aprendizaje mediante sistemas de tutoría
inteligente no es solo una solución técnica a los problemas de la masificación;
es una oportunidad para humanizar la educación superior en la era digital. Al
permitir que cada estudiante progrese de acuerdo con sus posibilidades,
motivaciones y talentos, la universidad cumple con su misión más profunda:
formar personas autónomas, abiertas al mundo y conscientes de su propia
singularidad. Este libro ofrece una hoja de ruta para navegar por esta
transformación, combinando el rigor de la investigación científica con una
visión humanista de la tecnología al servicio del desarrollo humano integral.
Un riesgo pedagógico crítico es que los STI, al decidir todo el camino
de aprendizaje, mermen la capacidad de autorregulación del estudiante o
fomenten una dependencia excesiva de la tecnología para resolver problemas
simples. Para mitigar esto, los sistemas deben diseñarse para fomentar el
pensamiento de orden superior y ofrecer siempre opciones elegibles que
refuercen la agencia del alumno.
La adopción de la inteligencia artificial en la educación superior suscita
un complejo debate ético que no puede ignorarse. Los STI, al basarse en la
102
recopilación masiva de datos (historial académico, interacciones, tiempos de
respuesta e incluso emociones), plantean riesgos significativos para la
privacidad y la seguridad de los estudiantes.
Existe una preocupación legítima sobre quién tiene acceso a la
información recopilada y cómo se protege de usos indebidos o filtraciones. Las
universidades deben implementar políticas claras de protección de datos y
realizar evaluaciones de impacto antes de desplegar sistemas de IA. La
transparencia es fundamental: los estudiantes tienen derecho a saber cómo
se utilizan sus datos para tomar decisiones sobre su proceso educativo.
En consecuencia, los algoritmos pueden heredar y amplificar sesgos
presentes en los datos de entrenamiento, lo que podría llevar a una
discriminación injusta por género, raza o condición socioeconómica. Por
ejemplo, sistemas de admisión o de evaluación que penalicen injustamente a
ciertos grupos étnicos constituyen riesgos reales documentados. La
gobernanza ética exige auditorías externas, transparencia en los procesos de
toma de decisiones y mecanismos de apelación para corregir los sesgos de la
IA.
En conclusión, a diferencia de la idea de que la IA sustituirá a los
profesores, la investigación sugiere que su rol se expandirá y se transformará
profundamente. En un entorno de aprendizaje personalizado mediado por STI,
el docente deja de ser el único transmisor de conocimientos para convertirse
en un facilitador, mentor y curador de experiencias de aprendizaje. La IA
maneja las tareas rutinarias —calificación de ejercicios básicos, programación
de entregas y retroalimentación inmediata—, lo que permite que el profesor
103
dedique hasta un 60% más de tiempo a interacciones de alto valor pedagógico,
como la discusión de casos complejos, el apoyo emocional y el fomento del
pensamiento crítico. El docente utiliza la analítica proporcionada por el STI
para realizar diagnósticos precisos y adaptar su enseñanza en el aula de
manera mucho más efectiva.
Finalmente, la brecha cultural y digital constituye otro obstáculo
significativo. No basta con que las universidades estén presentes en Internet;
deben incorporar la inteligencia artificial en su gestión diaria para no volverse
irrelevantes. La falta de una estrategia cohesionada y la adopción fragmentada
de herramientas de IA generativa no permiten el desarrollo sistemático de las
habilidades necesarias tanto para los estudiantes como para el profesorado.
Existe una necesidad acuciante de marcos normativos y pedagógicos que
aseguren que la adopción de estas tecnologías sea equitativa y no profundice
las desigualdades existentes.
104
Bibliografía
Alcázar Pichucho, M.T., Solórzano Cevallos , L.E., Parrales Pincay, V.A., & Fienco
Calderón, N.A. (2026). Brecha digital y conectividad en el acceso a la educación
superior en línea: estudio de caso en estudiantes
UNESUM. RECIMUNDO, 10(1), 483–492.
https://doi.org/10.26820/recimundo/10.(1).enero.2026.483-492
Benítez Romero, F.X., Caicedo Pantoja, J.E., & Armas Sánchez, K.A. (2025).
Estrategias de enseñanza basadas en Realidad Aumentada retos y
oportunidades en la universidad. Technology Rain Journal, 4(1).
https://doi.org/10.55204/trj.v4i1.e77
Cabezas-Cerna, J.I., Belduma-Rentería, L.A., Robalino-Laje, L.E., & Lemache-
Alvarado, A.A. (2025). Bienestar emocional del docente y su impacto en la
calidad educativa: Emotional Well-being of Teachers and Its Impact on
Educational Quality. Revista Científica Multidisciplinar G-Nerando, 6(1), Pág.
3820 –. https://doi.org/10.60100/rcmg.v6i1.573
Cardozo, S. (2023). Una aproximación a la interdisciplinariedad como
estrategia de enseñanza-aprendizaje desde la perspectiva de docentes
universitarios. Revista científica en ciencias sociales, 5(1), 35-43.
https://doi.org/10.53732/rccsociales/05.01.2023.35
Centro de la Mujer Peruana Flora Tristán. (2026). Educar con igualdad para
prevenir la violencia: Guía metodológica para la implementación de la Educación
Sexual Integral en educación secundaria. Lima: Centro de la Mujer Peruana
Flora Tristán. https://www.flora.org.pe/wp-
content/uploads/publicaciones/Guia-Metodologica-de-Sesiones-ESI.pdf
105
Chamoli Falcón, A.W., Gómez Reategui , J.F., Celi-Arévalo , K.J., & Graus Cortez,
L.E. (2026). Integración de la inteligencia artificial en la educación superior:
estudio sistemático y bibliométrico. Revista Prisma Social, (52), 334–350.
https://doi.org/10.65598/rps.5992
Chapa González, D.M. (2025). Autonomía en el Aprendizaje y el Apoyo a la
Autonomía Docente en Estudiantes Universitarios: Revisión
Sistemática. EDUCA. Revista Internacional Para La Calidad Educativa, 5(2), 1-
29. https://doi.org/10.55040/rtz5a066
Desantes de Mergelina, A. (2025). IA generativa y asistentes inteligentes. ICE,
Revista De Economía, (938). https://doi.org/10.32796/ice.2025.938.7887
España Gallardo, O. (2024). Aplicación del diseño instruccional en el
aprendizaje activo para el nivel superior . Revista Guatemalteca De Educación
Superior, 7(2), 23–39. https://doi.org/10.46954/revistages.v7i2.134
Espino Wuffarden, J.E., Morón Hernández, J.L., Huamán Munares, L.K., Soto
Saldaña, B.N., & Morón Hernández, L.E.. (2023). El desarrollo de la calidad
educativa en educación superior universitaria: Revisión sistemática 2019-
2023. Comuni@cción, 14(4), 348-359. https://doi.org/10.33595/2226-
1478.14.4.876
Fernández Berrocal, P., & Extremera Pacheco, N. (2005). La Inteligencia
Emocional y la educación de las emociones desde el Modelo de Mayer y
Salovey. Revista Interuniversitaria de Formación del Profesorado, 19(3),63-93.
https://www.redalyc.org/articulo.oa?id=27411927005
Flores-Cueto, J.J., Hernández Ronald, M., Garay-Argandoña, R. (2020).
Tecnologías de información: Acceso a internet y brecha digital en Perú. Revista
Venezolana de Gerencia, 25(90),
https://www.redalyc.org/articulo.oa?id=29063559007
106
García Retana, J.Á. (2012). La educación emocional, su importancia en el
proceso de aprendizaje. Revista Educación, 36(1), 1-24.
https://www.redalyc.org/articulo.oa?id=44023984007
Garrigues. (2025, 15 de septiembre). Perú: Se aprueba el reglamento de la Ley
que promueve el uso de la inteligencia artificial en favor del desarrollo
económico y social del país [Comunicado de prensa].
https://www.garrigues.com/es_ES/noticia/peru-aprueba-reglamento-ley-
promueve-uso-inteligencia-artificial-favor-desarrollo-economico
González Rosado, M.M, González López, G.V, González Rosado, L.L., & Morán
Vera, M.I. (2025). Educación pedagógica para la sostenibilidad digital
universitaria. Universidad, Ciencia y Tecnología, 29(126), 123-129.
https://doi.org/10.47460/uct.v29i126.946
Hecht-López, P., Maturana-Arancibia, J.C., & Parra-Villegas, E. (2023). Nuevos
Recursos Digitales y 3D en la Enseñanza de Anatomía. Experiencia
Internacional Reportada en el “Sectra Users Meeting 2019”, Karolinska
Institutet, Suecia, antes de la Pandemia de COVID-19. International Journal of
Morphology, 41(3), 690-698. https://dx.doi.org/10.4067/S0717-
95022023000300690
Herrera, P., Huepe, M., & Trucco, D. (2025). Educación y desarrollo de
competencias digitales en América Latina y el Caribe. Santiago: CEPAL.
https://repositorio.cepal.org/server/api/core/bitstreams/1bcc9786-a37c-
4325-ba30-efe8b5f26022/content
Ibáñez, Nolfa. (2002). Las emociones en el aula. Estudios pedagógicos
(Valdivia), (28), 31-45. https://dx.doi.org/10.4067/S0718-
07052002000100002
Lippi, G., & Plebani, M. (2025). Luces y sombras de la inteligencia artificial en
107
la medicina de laboratorio. Advances in laboratory medicine, 6(1), 4–6.
https://doi.org/10.1515/almed-2025-0039
Llacsa Puma, L.J., Meleán Romero , R.A., Guadalupe-Zevallos, O.G., & Mamani
Cachicatari, G. (2026). Marco legal para regular el uso de la inteligencia
artificial en educación: Reflexiones sobre derechos fundamentales en edades
tempranas. Cuestiones Políticas, 44(84), 75-85.
https://doi.org/10.5281/zenodo.18735101
Lossio-Larrea, P.E., León-Palacios de Canales, M.L., Carrasco-Camones, G.,
Puente-Paredes, E.W., & Holgado-Quispe, A.M. (2025). Revisión sistemática
sobre la influencia de la inteligencia artificial en los sistemas tutoriales
académicos. Prohominum. Revista de Ciencias Sociales y Humanas, 7(4), 418-
427. https://doi.org/10.47606/acven/ph0406
Lozada-Lozada, R., Valencia Cifuentes, N., Cedeño-Cedeño, R., & De la Cueva
Cedeño, E. (2025). Aprendizaje basado en problemas y su fomento del
pensamiento crítico en estudiantes universitarios: Una revisión sistemática de
la literatura. e-Revista Multidisciplinaria del Saber, 3, e-RMS22022025.
https://doi.org/10.61286/e-rms.v3i.174
Lozano, F., y Tamez Vargas, L. (2014). Retroalimentación formativa para
estudiantes de educación a distancia. Revista Iberoamericana de Educación a
Distancia, 197-221. http://revistas.uned.es/index.php/ried/article/view/12684
Merchán Freire, J.L., & Valero Díaz, N.F. (2024). Realidad Aumentada vs
Realidad Virtual: Un Análisis Comparativo en la Educación
Superior. Reincisol, 3(6), 6025–6048.
https://doi.org/10.59282/reincisol.V3(6)6025-6048
Morel, R.O.R., Delacruz, R.P., Nuñez, E.A.A., & Salvatierra, P.N.Y. (2024). El
Impacto de la Inteligencia Artificial en la Formación Docente. Revista
108
Tecnológica-Educativa Docentes 2.0, 17(2), 368-375.
https://doi.org/10.37843/rted.v17i2.566
Morón Durán, E.D.J. (2024). Modelo didáctico basado en estilos de aprendizaje
para la formación integral de estudiantes. Delectus, 7(1), 52-62.
https://doi.org/10.36996/delectus.v7i1.243
Mosquera-Gende, I., & Canut Delgado, L. (2025). Percepción docente sobre el
uso de la Inteligencia Artificial en el contexto educativo. EDUCA. Revista
Internacional Para La Calidad Educativa, 5(2), 1-
22. https://doi.org/10.55040/86gnwm87
Núñez-Valdés, K., Núñez-Valdés, G., & Castillo-Paredes, A. (2024).
Retroalimentación en el contexto educativo: Una revisión
sistemática. Formación universitaria, 17(2), 61-
72. https://dx.doi.org/10.4067/s0718-50062024000200061
Pajares-Paz, A.. (2025). Desafíos y oportunidades: evaluación de políticas
educativas para trayectorias flexibles en la educación superior
tecnológica. Noesis, 7(14), 974-988.
https://doi.org/10.35381/noesisin.v7i14.642
Peñafiel Villavicencio, P.V., Ordoñez Reino, B.K., & Fernández-Sánchez, L.
(2025). El juego y la gamificación como facilitadores del aprendizaje en
estudiantes. Revista InveCom, 5(3), e050309.
https://doi.org/10.5281/zenodo.14020536
Pérez Pacheco, Y. (2025). La integración de la inteligencia artificial en la
educación superior desde una perspectiva de derechos humanos. DOCERE,
(32), 30–36. https://doi.org/10.33064/2025docere328343
Perochena, P., Matilde, G., & Calderón, J.F. (2016). La singularidad según la
educación personalizada en la era digital. Educación, 26(50), 162-181.
109
https://doi.org/10.18800/educacion.201701.009
Proaño Quishpe, K.E., Morocho Cabrera, L.N., Pulluquitín Cordovillo, M.C.,
Morales Escobar, O.E., Chacon Chacon, D.P., Estrella Hidalgo, E.M., & Estrella
Hidalgo, R.M. (2025). Sistemas Inteligentes de Tutoría Personalizada Basados
en IA para la Enseñanza de Matemáticas en Entornos Virtuales . Revista
Científica De Salud Y Desarrollo Humano , 6(2), 124–142.
https://doi.org/10.61368/r.s.d.h.v6i2.589
Rodríguez Chávez, M.H. (2021). Sistemas de tutoría inteligente y su aplicación
en la educación superior. RIDE. Revista Iberoamericana para la Investigación y
el Desarrollo Educativo, 11(22), e015.
https://doi.org/10.23913/ride.v11i22.848
Saltos-Paredes, K.C., Núñez-Michuy, C.M., Herrera-Irazábal, E.G., & Cabezas-
Cerna, J.I. (2025). Impacto de la Inteligencia Artificial en la Personalización
del Aprendizaje: Un Enfoque Hacia la Equidad Educativa. Revista Científica
Multidisciplinar G-Nerando, 6(1), 2794-2811.
https://doi.org/10.60100/rcmg.v6i1.540
Seoane, V. (2024). Brecha digital en educación y PISA 2025: Desafíos y
oportunidades. Millcayac, 11(21),
https://www.redalyc.org/journal/5258/525881400008/html/
Serrano, J.L., & Moreno-García, J. (2024). Inteligencia artificial y
personalización del aprendizaje: ¿innovación educativa o promesas
recicladas?. Edutec, Revista Electrónica De Tecnología Educativa, (89), 1–17.
https://doi.org/10.21556/edutec.2024.89.3577
UNESCO. (2023, 30 de agosto). Recomendación sobre la ética de la inteligencia
artificial [Comunicado de prensa].
https://www.unesco.org/es/articles/recomendacion-sobre-la-etica-de-la-
110
inteligencia-artificial
Universidad de Chile. (2023, 27 de septiembre). Alucinaciones, sesgos y plagio:
Los desafíos en torno al uso de chatbots e inteligencia artificial en educación
[Comunicado de prensa]. https://uchile.cl/noticias/209467/los-desafios-
sobre-el-uso-de-inteligencia-artificial-en-la-educacion
Vivas García, M., (2003). La educación emocional: conceptos fundamentales.
Sapiens. Revista Universitaria de Investigación, 4(2).
https://www.redalyc.org/articulo.oa?id=41040202
111
De esta edición de “La singularidad pedagógica: personalización del
aprendizaje en la educación superior mediante los sistemas de tutoría
inteligente”, se terminó de editar en la ciudad de Colonia del Sacramento en
la República Oriental del Uruguay el 27 de febrero de 2026
112
