A u t o r e s
Y a n e t h A l e m a n V i l c a
H i l d a L i z b e t h P i n t o P o m a r e d a
L i l i a n a R o s a r i o A l v a r e z S a l i n a s
M i g u e l A n g e l P a c h e c o Q u i c o
F e r d i n a n d E d d i n g t o n C e b a l l o s B e j a r a n o
J i m m y A n g e l D i a z F l o r e s
Educación superior y
transformación digital en la
sociedad: aplicaciones de la
inteligencia artificial y la
simulación computacional en la
formación universitaria
https://doi.org/10.47460/athenea.v6i21.98
ISBN: 978-9942-51-926-9
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Capítulo de libro https://doi.org/10.47460/athenea.v6i21.98
Educación superior y transformación
digital en la sociedad: aplicaciones de la
inteligencia artificial y la simulación
computacional en la formación
universitaria
Higher Education and Digital Transformation in Society: Applications of
Artificial Intelligence and Computational Simulation in University Training
Autores
Yaneth Aleman Vilca
g ORCID: 0000-0002-9820-6036 R yaleman@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú
Hilda Lizbeth Pinto Pomareda
g ORCID: 0000-0002-1719-4863 R hpintop@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú
Liliana Rosario Alvarez Salinas
g ORCID: 0000-0002-9160-7451 R lalvarezsal@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú
Aleman Vilca Y. et. al. 19
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Miguel Angel Pacheco Quico
g ORCID: 0000-0002-2767-9602 R mpachecoq@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú
Ferdinand Eddington Ceballos Bejarano
g ORCID: 0000-0003-0330-6673 R fceballos@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú
Jimmy Angel Diaz Flores
g ORCID: 0000-0002-2767-9602 R jdiazŕ@unsa.edu.pe
Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú
Educación superior y transformación digital en la sociedad: aplicaciones de la inteligencia
artiőcial y la simulación computacional en la formación universitaria
Autor(es): Aleman Vilca Y.; Pinto Pomareda H.; Alvarez Salinas L.; Pacheco Quico M.; Ceballos Beja-
rano F.; Diaz Flores J.
ISBN: 978-9942-51-926-9. Primera edición. Quito, Ecuador.
Derechos reservados © Creative Commons CC-BY, 2025.
AutanaBooks. Quito, Septiembre de 2025.
AutanaBooks
Jardines de San Antonio, Urb. Shyris, PO: 170311, Quito.
Pág. web: autanabooks.com
E-mail: editorial@autanabooks.com
Alemán Vilca Y. et. al. 20
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Capítulo 1
Resumen
La presente investigación aborda el impacto de la inteligencia artiőcial (IA) y la simulación
computacional en la formación universitaria, en el contexto de la transformación digital en la
educación superior. Se aplicó un enfoque cuantitativo con diseño no experimental y alcance
correlacional-descriptivo, mediante un cuestionario validado aplicado a 180 estudiantes de dis-
tintas áreas del conocimiento. Los resultados muestran una alta aceptación y uso académico de
herramientas de IA, especialmente en estudiantes de ingeniería y últimos semestres. Además,
se identiőcó una correlación positiva entre el uso de IA y el rendimiento académico, así como
diferencias signiőcativas según género y nivel de carrera. Se concluye que la IA se posiciona co-
mo un recurso clave en el desarrollo de competencias digitales, potenciando la comprensión, la
autonomía y la productividad académica. Este estudio aporta evidencia empírica para fortalecer
estrategias de integración de tecnologías emergentes en contextos educativos universitarios.
Palabras clave: transformación digital, inteligencia artiőcial, simulación computacional, edu-
cación universitaria.
Abstract
This research examines the impact of artiőcial intelligence (AI) and computational simulation
on university education within the framework of digital transformation in higher education. A
quantitative, non-experimental, and correlational-descriptive design was employed, using a vali-
dated questionnaire administered to 180 students from various academic disciplines. The őndings
reveal high levels of acceptance and academic use of AI tools, particularly among engineering
students and those in advanced semesters. Additionally, a positive correlation was identiőed bet-
ween AI usage and academic performance, along with signiőcant differences based on gender and
academic level. The study concludes that AI is emerging as a key resource in developing digital
competencies, enhancing students’ comprehension, autonomy, and academic productivity. This
research provides empirical evidence to support the integration of emerging technologies into
university education strategies.
Keywords: digital transformation, artiőcial intelligence, computational simulation, university
education.
Aleman Vilca Y. et. al. 21
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
I. Introducción
La transformación digital en la educación superior está impulsando cambios signiőcativos
en los métodos de enseñanza, especialmente en las disciplinas de ingeniería, donde el uso de
inteligencia artiőcial (IA) personaliza efectivamente los procesos de aprendizaje al adaptarlos
a las necesidades individuales, fortaleciendo la retención de conocimientos y la satisfacción del
estudiantado [
1]. Algunos autores, como Vera [1], destacan que los algoritmos de aprendizaje
automático permiten identiőcar patrones de estudio y ajustar contenidos según el estilo y ritmo de
cada estudiante, lo que se traduce en una experiencia educativa más individualizada y motivadora.
En el ámbito de la ingeniería, la simulación computacional surge como una herramienta peda-
gógica esencial. Magana [
2] utiliza la técnica Delphi para identiőcar prácticas clave de modelado
y simulación dentro del currículo de ingeniería, señalando su papel estratégico en el desarrollo
profesional de los futuros ingenieros y su relevancia tanto en pregrado como en posgrado. Asi-
mismo, Vargas-Parga [
3] resalta el impacto pedagógico de la IA en la innovación de estrategias
docentes, evidenciando avances en personalización educativa y metodologías activas más efecti-
vas. Estas tecnologías no solo contribuyen a modernizar la enseñanza técnica, sino que también
potencian el aprendizaje signiőcativo a través de enfoques aplicados y experienciales. En este
sentido, Cruz-Guimarães [
4] menciona cómo la IA aplicada en educación universitaria favorece
la personalización del aprendizaje, mejora la motivación y refuerza el compromiso académico,
elementos cruciales para la construcción de competencias técnicas [4].
A. La Inteligencia Artiőcial en el desarrollo social universitario
Más allá de sus aplicaciones técnicas y académicas, la inteligencia artiőcial (IA) está de-
sempeñando un papel emergente en el desarrollo social del estudiantado universitario. Diversos
estudios destacan cómo herramientas basadas en IA, como los asistentes virtuales, los sistemas
de tutoría inteligente y los entornos de aprendizaje adaptativo, no solo fortalecen el aprendizaje
individual, sino que también fomentan la colaboración, la autonomía, la gestión emocional y la
participación activa dentro de las comunidades universitarias [
5].
Estas tecnologías promueven espacios más inclusivos y equitativos al ofrecer accesos diferen-
ciados al conocimiento, adaptados a estudiantes con diversas trayectorias, niveles de preparación
o limitaciones. En este sentido, la IA contribuye a cerrar brechas sociales y académicas, favore-
ciendo la integración y la permanencia en el sistema universitario [
6]. Al mismo tiempo, permite
a los docentes generar alertas tempranas ante posibles riesgos de deserción, mediante el análisis
predictivo del comportamiento académico y social [
7].
Asimismo, el uso de IA en dinámicas grupales, simulaciones colaborativas y proyectos interdis-
ciplinarios estimula habilidades interpersonales y de liderazgo, fundamentales para la formación
integral del futuro profesional. Desde esta perspectiva, la inteligencia artiőcial no solo transforma
la forma en que se enseña y se aprende, sino que también amplía las posibilidades de interacción
social, compromiso ético y responsabilidad colectiva dentro del entorno universitario.
Por estas razones, el presente estudio tiene como objetivo generar evidencia empírica robusta
sobre cómo la integración de inteligencia artiőcial y simulación computacional en la educación
superior afecta positivamente el aprendizaje signiőcativo en ingeniería, ofreciendo contribuciones
relevantes tanto al campo pedagógico como a la formación técnica especializada y su impacto en
el contexto social estudiantil universitario.
Alemán Vilca Y. et. al. 22
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
II. Desarrollo
La educación superior se encuentra en una fase de transición estructural, impulsada por la
digitalización de los procesos formativos, administrativos y sociales. Esta transformación no se
limita al uso de tecnologías, sino que implica un replanteamiento de los modelos pedagógicos
y del rol de los actores universitarios. En este contexto, la formación en ingeniería se ha visto
particularmente inŕuenciada por el avance de las tecnologías emergentes, lo que exige nuevos
marcos de competencias digitales, pensamiento computacional y alfabetización algorítmica [1].
Según la UNESCO, la transformación digital en educación superior debe comprenderse como
un proceso profundo que modiőca no solo las herramientas, sino también la cultura institucional,
la evaluación del conocimiento y la naturaleza del aprendizaje profesional [
2]. En disciplinas
como la ingeniería, este fenómeno ha intensiőcado el uso de entornos digitales colaborativos,
sistemas inteligentes de gestión y entornos de simulación que permiten un aprendizaje más activo,
experimental y centrado en la resolución de problemas reales [
3].
Algunos autores [
2] aőrman que este proceso incluye el rediseño curricular, el uso estratégico
de plataformas digitales, la integración de análisis de datos para tomar decisiones pedagógicas y
el fomento de competencias digitales tanto en docentes como en estudiantes. A su vez, implica
desarrollar una infraestructura que permita la interoperabilidad entre sistemas educativos, admi-
nistrativos y tecnológicos. Además, la transformación digital no es neutra, ya que plantea desafíos
relacionados con la equidad, la privacidad, la soberanía de datos y la sostenibilidad tecnológica.
Por ello, se requiere un enfoque integrador que no solo modernice la formación, sino que preserve
los principios éticos y sociales de la educación [
3].
A. Inteligencia artiőcial en la educación universitaria
La inteligencia artiőcial (IA) aplicada a la educación superior ha evolucionado desde sistemas
automatizados simples hacia soluciones más complejas como tutores inteligentes, sistemas de
análisis predictivo y plataformas adaptativas de aprendizaje. Estas herramientas no solo permiten
una personalización más precisa del pro ceso formativo, sino que también optimizan la gestión
institucional y la interacción educativa [
4ś9].
En el ámbito de la ingeniería, la IA se ha integrado a plataformas de codiőcación automa-
tizada, asistentes en resolución de problemas matemáticos, y entornos de programación guiada
que se adaptan al ritmo de aprendizaje del estudiante [
5]. Estas soluciones no solo mejoran el
rendimiento académico, sino que también desarrollan habilidades de autoeőcacia, autonomía y
pensamiento computacional.
Estudios recientes han demostrado que la integración de IA en la enseñanza universitaria
mejora la autonomía del estudiante, favorece la retroalimentación en tiempo real y permite
diseñar rutas de aprendizaje diferenciadas según el peről cognitivo [5]. Además, la IA permite el
seguimiento continuo del rendimiento y del comportamiento académico, facilitando la toma de
decisiones pedagógicas fundamentadas [6]. En carreras técnicas como ingeniería, estos avances se
traducen en experiencias de aprendizaje más dinámicas, precisas y alineadas con los desafíos de
la industria 4.0.
B. Simulación computacional como recurso pedagógico
La simulación computacional es una estrategia fundamental para la enseñanza en ingeniería, ya
que permite modelar sistemas complejos, visualizar fenómenos abstractos y aplicar conceptos en
Alemán Vilca Y. et. al. 23
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
contextos realistas sin los riesgos ni costos de la experimentación física. Su uso en el aula permite
una aproximación más profunda a los principios de la ingeniería mediante procesos iterativos,
manipulables y con retroalimentación inmediata [
7].
Desde una perspectiva pedagógica, la simulación fortalece el aprendizaje signiőcativo al
promover el pensamiento crítico, la resolución de problemas y la transferencia de conocimientos
a escenarios reales o simulados [
8]. Además, su implementación favorece el aprendizaje activo,
colaborativo y por descubrimiento, lo que se alinea con los principios del constructivismo aplicado
a la formación en ciencias aplicadas y tecnología [
9].
Estas herramientas favorecen el aprendizaje signiőcativo, al vincular teoría y práctica en
entornos controlados. Simulaciones de estructuras, ŕuidos, circuitos, sistemas térmicos o diná-
micas poblacionales permiten a los estudiantes tomar decisiones técnicas, analizar escenarios y
desarrollar pensamiento sistémico [
8,10].
C. Formación de competencias digitales en contextos de ingeniería
Para que la transformación digital sea efectiva, es indispensable formar competencias digita-
les avanzadas, tanto en estudiantes como en docentes. Estas competencias no se limitan al uso
instrumental de tecnologías, sino que abarcan la alfabetización digital crítica, la gestión de infor-
mación, la seguridad, la colaboración en entornos virtuales y la creación de contenido técnico [
10].
En programas de ingeniería, el desarrollo de estas competencias debe integrarse transversalmente
al currículo, promoviendo el dominio de herramientas de simulación, lenguajes de programación,
plataformas colaborativas y soluciones basadas en inteligencia artiőcial. Esto permite que los
futuros ingenieros no solo consuman tecnología, sino que sean capaces de diseñarla, adaptarla y
mejorarla.
Las competencias digitales en ingeniería también incluyen el manejo de datos masivos, la
ética algorítmica, la validación de modelos y el uso de inteligencia artiőcial explicativa, lo cual
es clave para afrontar los desafíos de la industria 4.0 y la sociedad 5.0 [
11]. De esta manera,
la convergencia entre inteligencia artiőcial y simulación computacional potencia la formación
universitaria al combinar automatización inteligente con entornos dinámicos de práctica, lo que
fortalece competencias como la toma de decisiones, la visualización técnica, el razonamiento
cuantitativo y la modelación de sistemas [
10]. En este sentido, el uso conjunto de estas tecnologías
no solo transforma la experiencia de enseñanza-aprendizaje, sino que también redeőne el peről
del futuro profesional de la ingeniería.
Así, la literatura especializada coincide en que la transformación digital, al integrarse con
metodologías activas y recursos inteligentes, favorece un aprendizaje más contextualizado, inter-
disciplinar y ŕexible, y constituye una respuesta pertinente a los desafíos de la educación superior
en un entorno global, competitivo y tecnológico [
11ś13].
D. El impacto de la transformación digital en la sociedad moderna
La transformación digital constituye uno de los procesos más trascendentales de la sociedad
contemporánea, redeőniendo no solo la manera en que interactuamos con la tecnología, sino tam-
bién cómo nos comunicamos, aprendemos, producimos y nos relacionamos socialmente [ 14 ]. Este
fenómeno, acelerado por el desarrollo de tecnologías emergentes como la inteligencia artiőcial, el
internet de las cosas, el big data y la computación en la nube, ha generado un cambio estructural
en todos los sectores: desde la educación y la salud, hasta la industria, la economía y la cultura.
En el ámbito social, la transformación digital ha ampliado las posibilidades de acceso a la
Alemán Vilca Y. et. al. 24
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
información y al conocimiento, democratizando espacios que antes estaban restringidos por fac-
tores geográőcos, económicos o educativos [
15]. Las redes sociales, las plataformas de aprendizaje
en línea y los sistemas de gestión pública digitalizada han contribuido a la creación de nuevas
formas de ciudadanía, participación y expresión cultural. Sin embargo, este proceso también ha
traído consigo retos signiőcativos, como la profundización de la brecha digital, la pérdida de
privacidad, la dependencia tecnológica y la aparición de nuevas formas de exclusión [
16].
Desde una perspectiva estructural, la transformación digital ha reformulado los modelos de
producción y empleo, impulsando la automatización de tareas, la desmaterialización de procesos
y la aparición de economías basadas en el conocimiento [
15,17ś19]. Este nuevo paradigma exige
competencias digitales avanzadas y capacidad de adaptación continua, lo que plantea desafíos
urgentes para los sistemas educativos y las políticas de formación profesional. En este contexto,
la sociedad moderna transita hacia una era donde la innovación tecnológica no es solo una
herramienta, sino un eje articulador de la vida cotidiana, con el potencial de mejorar la calidad de
vida, pero también de reconőgurar profundamente las dinámicas de poder, inclusión y desarrollo.
III. Metodología
Esta investigación adoptó un enfoque cuantitativo con diseño no experimental, de tipo trans-
versal y correlacional, orientado a examinar el impacto de la inteligencia artiőcial (IA) y la simu-
lación computacional en la formación universitaria en el contexto de la transformación digital. El
estudio se concibió como empírico-aplicado, ya que buscó generar evidencia cuantiőcable sobre
fenómenos educativos reales en entornos digitales, con miras a fortalecer procesos pedagógicos
en carreras de ingeniería y áreas aőnes.
La elección del enfoque cuantitativo respondió a la necesidad de analizar relaciones entre
variables observables, como el nivel de uso de tecnologías emergentes (IA/simulación) y el grado
de aprendizaje signiőcativo percibido por los estudiantes. Se optó por un diseño transversal debido
a que los datos fueron recolectados en un único momento del tiempo, permitiendo obtener una
fotografía del fenómeno en un estado determinado, sin manipulación de variables.
La población objetivo estuvo conformada por estudiantes universitarios de carreras de ingenie-
ría, ciencias aplicadas y tecnologías de la información, pertenecientes a instituciones de educación
superior de carácter público y privado en América Latina. Se aplicó un muestreo no probabi-
lístico por conveniencia, seleccionando a los participantes en función del acceso institucional y
la disponibilidad para colaborar en el estudio. La muestra őnal estuvo compuesta por n = 180
estudiantes, distribuidos en niveles de formación de pregrado, con predominancia de tercer a
quinto semestre.
Se cuidó el equilibrio de representación por género, tipo de institución, y experiencia previa
en uso de plataformas de IA o simulación computacional. Todos los participantes aceptaron vo-
luntariamente colaborar, mediante consentimiento informado digital, y los datos fueron tratados
bajo criterios éticos y de conődencialidad conforme a las recomendaciones de la UNESCO y los
comités de bioética institucionales.
Para una mejor comprensión de la estructura conceptual del estudio, en la Tabla
1 se detallan
las variables principales, junto con sus respectivas dimensiones de análisis. Estas variables fueron
deőnidas a partir de los objetivos del estudio y sustentadas en referentes teóricos actualizados,
permitiendo evaluar la inŕuencia del uso de herramientas de inteligencia artiőcial y simulación
computacional sobre el aprendizaje signiőcativo en entornos universitarios.
Alemán Vilca Y. et. al. 25
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Tabla 1: Variables e indicadores de análisis
Variable Dimensiones Descripción
Uso de Inteligencia
Artiőcial
Frecuencia de uso de IA Cantidad de veces que el estudiante emplea
herramientas de IA en actividades acadé-
micas
Propósito educativo del
uso
Tipos de funciones educativas para las cua-
les se utiliza la IA (tutoría, análisis, asisten-
cia, etc.)
Nivel de autonomía de-
sarrollada
Grado en que la IA permite al estudiante
avanzar con independencia en su proceso
formativo
Uso de Simulación
Computacional
Tipo de software utiliza-
do
Herramientas de simulación empleadas
(MATLAB, ANSYS, COMSOL, etc.)
Aplicación práctica Integración del simulador en la solución de
problemas reales o experimentales
Interacción con modelos
dinámicos
Capacidad del estudiante para modiőcar
variables y observar consecuencias en tiem-
po real
Aprendizaje
signiőcativo
universitario
Comprensión concep-
tual
Nivel de comprensión profunda de los te-
mas abordados
Aplicación de conoci-
mientos
Habilidad para resolver problemas aplican-
do lo aprendido
Transferencia a nuevos
contextos
Capacidad de aplicar el aprendizaje en es-
cenarios nuevos o interdisciplinarios
Se empleó un cuestionario digital estructurado como principal instrumento, compuesto por 24
ítems distribuidos en tres dimensiones: uso y frecuencia de herramientas tecnológicas, percepción
de impacto en el aprendizaje, y evidencia de transferencia del conocimiento. El instrumento
fue validado por expertos en pedagogía digital e ingeniería educativa, y alcanzó un índice de
conőabilidad de Cronbach de 0.91, lo cual demuestra una alta consistencia interna.
En la Tabla
2 se presenta una síntesis de las principales características del cuestionario empleado
como instrumento de recolección de datos en esta investigación. El diseño del cuestionario estuvo
orientado a captar la percepción de los estudiantes sobre el uso de tecnologías emergentes en
la formación universitaria, evaluando aspectos clave como la frecuencia de uso, el impacto en el
aprendizaje y la aplicabilidad de los conocimientos adquiridos.
A. Procesamiento de la información
Los datos recolectados fueron codiőcados y procesados mediante el software estadístico R, apli-
cando los siguientes procedimientos:
Estadística descriptiva: frecuencias, porcentajes y promedios.
Correlación de Pearson: para determinar la fuerza y dirección de la relación entre las
variables principales.
Alemán Vilca Y. et. al. 26
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Tabla 2: Características del cuestionario
Aspecto Descripción
Nombre del instrumento Cuestionario de percepción y uso de tecnologías emergentes en
educación superior
Tipo de instrumento Cuestionario estructurado, digital, autoaplicado
Total de ítems 24 ítems distribuidos en 3 dimensiones principales
Dimensiones evaluadas 1. Uso de herramientas de IA y simulación
2. Percepción del impacto en el aprendizaje
3. Transferencia y aplicación de conocimientos
Escala de medición Escala tipo Likert de 5 puntos (1 = Totalmente en desacuerdo,
5 = Totalmente de acuerdo)
Formato de aplicación Formulario en línea (Google Forms)
Tiempo estimado de respuesta 15 a 20 minutos
Validación Validado por juicio de expertos en ingeniería educativa y pe-
dagogía digital
Conőabilidad Alfa de Cronbach = 0,91
Población objetivo Estudiantes universitarios de carreras de ingeniería y ciencias
sociales
Análisis de regresión lineal: para modelar el comportamiento predictivo.
Gráőcos de dispersión: para visualizar tendencias.
Todo el análisis se realizó con un nivel de conőanza del 95 % (p < 0,05), asegurando validez
cientíőca en la interpretación de los resultados.
IV. Resultados
A. Percepción del uso de tecnologías emergentes en la formación universitaria
Los resultados muestran que el 82 % de los estudiantes encuestados aőrmaron haber utilizado al
menos una herramienta de inteligencia artiőcial (IA) o simulación computacional en el desarrollo
de actividades académicas (Fig.
1). Las plataformas más mencionadas fueron simuladores de
circuitos, entornos de modelado matemático y asistentes con IA para programación o redacción.
Esta tendencia reŕeja una alta exposición y apropiación de herramientas digitales emergentes en
el contexto universitario actual.
Por otro lado, al estimar el impacto que se percibe en el aprendizaje, un 76 % de los estudiantes
perciben que estas tecnologías mejoran su comprensión de los contenidos y fomentan el aprendi-
zaje activo. Además, un 69 % indicó que la IA y la simulación les permiten visualizar conceptos
abstractos de manera más clara, particularmente en asignaturas vinculadas a física, matemáticas
aplicadas, termodinámica o estadística (Fig
2). Los estudiantes que utilizan con mayor frecuen-
cia estas herramientas reportaron caliőcaciones más altas en las evaluaciones intermedias del
semestre.
Alemán Vilca Y. et. al. 27
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Fig. 1: Uso de las tecnologías emergentes.
B. Aplicación ética y académica de la inteligencia artiőcial en el entorno universi-
tario
Los resultados reŕejan una integración progresiva de las herramientas de inteligencia artiőcial
en los procesos de aprendizaje universitario (Fig.
3). El 28 % de los estudiantes aőrmó utilizar
estas tecnologías como apoyo para la resolución de problemas, lo cual indica una orientación
hacia el uso estratégico y funcional de la IA. Le sigue un 26 % que emplea la IA para la crea-
ción de recursos educativos, como resúmenes, mapas conceptuales o esquemas, facilitando así la
organización del conocimiento. Por otro lado, un 24 % de los participantes manifestó utilizar la
IA para la búsqueda de información conőable, lo que sugiere una preocupación por validar y
contrastar fuentes digitales. Sin embargo, solamente un 13 % indicó que la IA les ayuda en el
desarrollo del pensamiento crítico, lo cual evidencia un área que aún requiere fortalecimiento en
los entornos digitales de formación.
También es importante mencionar un dato éticamente relevante: un 9 % de los estudiantes
reconoció utilizar la inteligencia artiőcial para la resolución automática de tareas sin comprender
los contenidos, lo que plantea un desafío pedagógico en torno a la supervisión y al diseño de
estrategias que promuevan el aprendizaje autónomo y reŕexivo.
C. Relación entre competencias tecnológicas y desempeño académico
Mediante un análisis de correlación de Pearson, se identiőcó una relación positiva moderada
entre el nivel de familiaridad con herramientas digitales (dimensión 1 del cuestionario) y el ren-
dimiento académico. Con el propósito de determinar la relación existente entre las competencias
digitales de los estudiantes y el uso académico de herramientas de inteligencia artiőcial, se aplicó
la prueba de correlación de Pearson entre:
Variable 1: Nivel de competencias digitales (escala de 1 a 5).
Variable 2: Nivel de aplicación académica de la IA (escala de 1 a 5).
El análisis arrojó un coeőciente r = 0,81, lo que indica una correlación positiva alta entre ambas
variables. La prueba de signiőcancia reportó p = 0,000 (p < 0,01), conőrmando que la correlación
Alemán Vilca Y. et. al. 28
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Fig. 2: Percepción sobre el aprendizaje adquirido.
es estadísticamente signiőcativa. En síntesis, a mayor nivel de competencias digitales, mayor es
también el uso adecuado y académico de herramientas basadas en IA. Asimismo, los estudiantes
con mayores habilidades digitales tienden a utilizar la IA de forma más crítica, creativa y ética,
mientras que quienes presentan menores niveles de competencia digital muestran mayor riesgo de
un uso automático o poco reŕexivo. Estos hallazgos respaldan la hipótesis de que la alfabetización
digital es clave para una integración responsable y eőciente de la IA en entornos universitarios.
D. Diferencias por nivel de carrera o semestre
Los resultados permiten observar diferencias signiőcativas en el uso de herramientas de inteli-
gencia artiőcial entre estudiantes de primeros semestres y de semestres avanzados. En los últimos
semestres se evidenció un uso más enfocado en actividades de apoyo académico avanzado, desta-
cando el desarrollo de pensamiento crítico (26 %) y la creación de recursos educativos complejos
como mapas conceptuales o resúmenes argumentativos (29 %). También se observó una mayor
inclinación hacia la búsqueda de información conőable (24 %) y un uso más ético de la IA (solo
5 % reportó resolver tareas sin comprensión).
Por su parte, los estudiantes de primeros semestres presentaron un uso más básico de la
IA, centrado en la resolución de problemas puntuales (33 %) y la automatización de tareas sin
comprensión profunda (14 %), con menor participación en actividades orientadas al desarrollo del
pensamiento crítico (10 %). Esto sugiere una brecha formativa que requiere atención curricular.
Asimismo, se identiőcaron diferencias por carrera: en ingeniería predominan usos técni-
cośanalíticos (simulaciones, cálculos automatizados, desarrollo de código asistido), mientras que
en ciencias sociales se observa un uso orientado a la síntesis de información, redacción de ensayos
y generación de esquemas conceptuales(Fig
4). A pesar de estas diferencias, persisten desafíos
comunes vinculados al uso ético, la comprensión del funcionamiento de los modelos de IA y su
integración como mediadores del aprendizaje.
Este hallazgo sugiere que la transformación digital en la educación superior no puede entenderse
de forma homogénea, sino que debe considerar las especiőcidades disciplinares y los diferentes
niveles de apropiación tecnológica de los estudiantes. Además, respalda la hipótesis de que el nivel
Alemán Vilca Y. et. al. 29
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Fig. 3: Porcentaje de estudiantes según el uso de las herramientas digitales
de madurez académica inŕuye en el tipo de interacción que los estudiantes establecen con las
herramientas digitales. En consecuencia, se plantea la necesidad de una formación progresiva en
competencias digitales e inteligencia artiőcial desde los primeros semestres, con un enfoque ético
y reŕexivo, para evitar prácticas reduccionistas que comprometan el aprendizaje signiőcativo.
E. Diferencias por género
El análisis realizado para comparar el uso académico de herramientas de inteligencia artiőcial
entre estudiantes hombres y mujeres indica lo siguiente:
Prueba empleada: t de Student para muestras independientes (ambos grupos con distribu-
ción normal).
Estadístico t = 4,69.
Valor p = 0,00006.
Esto implica que existen diferencias estadísticamente signiőcativas entre los géneros respecto
al uso de la IA, siendo más elevado en el grupo masculino según los datos analizados.
El análisis comparativo entre géneros revela patrones distintos en la utilización de herramien-
tas digitales con őnes académicos. Como se observa en la Fig. 5, tanto mujeres como hombres
presentan un alto uso de ChatGPT (85 % y 80 %, respectivamente). Sin embargo, se identiőcan
diferencias notables en otras plataformas: Grammarly es más utilizada por las mujeres (75 %)
que por los hombres (60 %), lo cual sugiere una mayor atención a la calidad lingüística y orto-
gráőca de las entregas. En contraste, los hombres hacen mayor uso de Copilot (65 %) frente a
un 40 % de las mujeres, reŕejando una mayor aőnidad hacia herramientas de programación o
asistencia técnica. En el caso de WolframAlpha y simuladores digitales, se observa una tendencia
similar: los hombres superan a las mujeres en su uso (55 % y 70 % frente a 30 % y 45 %). Aunque
hay herramientas transversales como ChatGPT, otras se emplean de forma diferenciada según
Alemán Vilca Y. et. al. 30
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Fig. 4: Diferencias entre las carreras con el uso de las herramientas digitales.
Fig. 5: Diferencias por género en el uso de las herramientas digitales
el género, posiblemente inŕuenciadas por la carrera cursada, intereses académicos y estilos de
aprendizaje.
F. Percepción del impacto de la IA en el aprendizaje
Para esta sección, se aplicó una escala tipo Likert con cinco aőrmaciones clave, orientadas a
conocer cómo los estudiantes perciben la inŕuencia de la inteligencia artiőcial en su experiencia
académica. Las respuestas se agruparon en cinco niveles:
Totalmente en desacuerdo
En desacuerdo
Alemán Vilca Y. et. al. 31
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Neutral
De acuerdo
Totalmente de acuerdo
Los resultados obtenidos revelan una percepción predominantemente positiva respecto al
impacto de la inteligencia artiőcial (IA) en los procesos de aprendizaje universitario (Tabla
3).
Más del 80 % de los estudiantes manifestó estar de acuerdo o totalmente de acuerdo con que
la IA les ha permitido comprender mejor temas complejos, lo cual evidencia el potencial de
estas tecnologías como herramientas cognitivas que complementan la docencia tradicional. Esta
aőrmación se refuerza con la alta proporción de estudiantes (84 %) que considera que su eőciencia
académica ha mejorado gracias al uso de la IA, lo que sugiere una optimización de los tiempos
y procesos de estudio.
Sin embargo, los resultados también invitan a una reŕexión crítica: el 60 % de los encuestados
reconoció sentirse más dependiente de las herramientas tecnológicas, lo que plantea un riesgo
latente de delegación excesiva de tareas intelectuales. Este fenómeno podría erosionar habilida-
des fundamentales como el análisis, la creatividad o la autorregulación del aprendizaje si no se
integra un enfoque formativo que promueva el uso consciente y ético de la IA. En este sentido,
destaca el hecho de que el 92 % de los participantes considera importante que la ética del uso
de la inteligencia artiőcial se aborde de forma explícita dentro de los programas académicos uni-
versitarios. Esta cifra sugiere una alta disposición a desarrollar una cultura crítica y responsable
frente al uso de estas tecnologías emergentes, lo cual representa una oportunidad valiosa para el
diseño de estrategias pedagógicas innovadoras en el contexto de la transformación digital.
G. Asociación entre el uso de IA y el rendimiento académico
Para evaluar si existe una relación entre la frecuencia de uso de herramientas de inteligencia
artiőcial (IA) y el rendimiento académico de los estudiantes, se aplicó una correlación de Pearson
entre:
Uso de herramientas de IA: frecuencia (1 = nunca, 2 = raramente, 3 = a veces, 4 =
frecuentemente, 5 = siempre).
Promedio académico autoinformado: escala de 0 a 10.
El análisis arrojó un coeőciente r = 0,41 con p < 0,01, lo que indica una correlación posi-
tiva y moderada estadísticamente signiőcativa. Esto sugiere que, a mayor frecuencia de uso de
herramientas de IA, mejor rendimiento académico reportado por los estudiantes. Este hallazgo
es coherente con trabajos que documentan a la IA como mediador del aprendizaje autónomo, al
facilitar el acceso a recursos personalizados, optimizar tiempos de estudio y brindar retroalimen-
tación inmediata [
17]. No obstante, la correlación no implica causalidad: el rendimiento depende
también de la motivación intrínseca, las estrategias de estudio, el acompañamiento docente y
el tipo de asignaturas. En consecuencia, un uso consciente, estratégico y ético de la IA, inte-
grado en acciones pedagógicas institucionales, podría potenciar su efecto positivo en los logros
estudiantiles.
Los datos obtenidos permitieron establecer una relación positiva entre el nivel de uso de
herramientas de inteligencia artiőcial por parte de los estudiantes universitarios y su rendimiento
académico, medido a través de la nota promedio (Fig.
6). El análisis se representó mediante un
gráőco de dispersión al que se incorporó una línea de tendencia lineal, obteniendo un coeőciente
de determinación R
2
= 0,97, lo que indica una correlación muy fuerte entre ambas variables.
Este resultado sugiere que los estudiantes que hacen un uso más frecuente y estratégico de
Alemán Vilca Y. et. al. 32
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Tabla 3: Elementos del cuestionario
Aőrmación Totalmente
en
desacuerdo
( %)
En
desacuerdo
( %)
Neutral
( %)
De acuerdo
( %)
Totalmente
de acuerdo
( %)
La IA me ha ayudado
a comprender mejor
los temas complejos.
3 6 11 48 32
Gracias a la IA soy
más eőciente en mis
tareas académicas.
2 5 9 55 29
El uso de IA ha
mejorado mi
capacidad de análisis
y síntesis.
5 10 22 45 18
El uso de IA me ha
hecho más
dependiente de las
herramientas
tecnológicas.
8 12 20 38 22
Considero que el uso
ético de la IA debería
incluirse como parte
de la formación
universitaria.
1 2 5 42 50
herramientas de IA (como simuladores, procesadores de lenguaje natural, asistentes de escritura
o plataformas de análisis de datos) tienden a obtener caliőcaciones más altas. La IA actuaría así
como un factor potenciador del aprendizaje, al facilitar la comprensión de conceptos complejos,
optimizar el tiempo dedicado a tareas y promover la autonomía académica.
Sin embargo, es importante señalar que la correlación no implica causalidad directa. Es
posible que los estudiantes con mayor rendimiento académico también tengan una disposición
más proactiva hacia el uso de tecnologías emergentes. Por ello, futuros estudios podrían incorporar
modelos multivariados que controlen variables como hábitos de estudio, nivel de motivación o
contexto socioeconómico. Este hallazgo refuerza la necesidad de integrar el uso de IA en las
estrategias pedagógicas universitarias, así como capacitar a los estudiantes en un uso crítico,
ético y reŕexivo de estas herramientas.
H. Discusión
Los hallazgos del estudio ofrecen una visión integral sobre el impacto de la inteligencia
artiőcial (IA) y las herramientas de simulación computacional en los entornos universitarios
actuales, especialmente en el contexto de la transformación digital. La evidencia empírica permite
reŕexionar sobre las prácticas, desafíos y oportunidades que emergen en los procesos formativos
de las instituciones de educación superior.
Alemán Vilca Y. et. al. 33
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Fig. 6: Correlación entre el uso de la IA y el rendimiento académico.
Uno de los principales resultados fue la alta frecuencia de uso de herramientas de IA por parte
de los estudiantes universitarios, lo cual se relacionó positivamente con una percepción favorable
respecto a su utilidad académica. El predominio de plataformas como ChatGPT, Grammarly y
simuladores especíőcos sugiere que los estudiantes ya no ven estas herramientas como simples asis-
tentes, sino como componentes esenciales del ecosistema de aprendizaje. Esta tendencia coincide
con investigaciones recientes que destacan el papel de la IA como potenciador del pensamiento
crítico, la personalización del aprendizaje y la resolución de problemas complejos [
18].
En cuanto a la percepción de la IA en el proceso de aprendizaje, se observó una valoración
mayormente positiva. Los estudiantes reportaron que estas tecnologías les han permitido com-
prender mejor temas complejos, gestionar su tiempo con mayor eőciencia y mejorar su desempeño
académico. Sin embargo, una minoría admitió utilizar la IA únicamente para automatizar tareas
sin buscar comprensión real, lo cual representa un riesgo ético y pedagógico. Este dato reŕeja
una dualidad en el uso de la IA: por un lado, su valor como herramienta cognitiva; por otro, su
potencial para fomentar una dependencia acrítica si no se regula ni acompaña adecuadamente
en el aula.
En el análisis por niveles de carrera o semestre, los estudiantes de semestres avanzados
demostraron un uso más soősticado de herramientas de IA, aplicándolas en proyectos őnales,
modelación y análisis de datos, mientras que los estudiantes de primeros niveles se centraron
más en usos básicos o automáticos. Esta diferencia revela cómo el desarrollo de competencias
digitales se construye progresivamente, y sugiere la necesidad de integrar estos aprendizajes desde
etapas tempranas del currículo universitario.
Respecto a la variable de género, aunque no se encontraron diferencias estadísticas signiő-
cativas, sí se observaron tendencias en el enfoque de uso: mientras los varones se inclinaron por
un uso técnico y funcional, las mujeres manifestaron preocupaciones éticas y un enfoque más
reŕexivo. Esta diferencia de enfoques podría enriquecer el debate sobre la equidad de género en
entornos digitales y sobre cómo diseñar estrategias de formación diferenciadas que potencien las
fortalezas de cada grupo sin estereotipar.
Por otra parte, el análisis de la asociación entre el uso de IA y el rendimiento académico
Alemán Vilca Y. et. al. 34
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
reveló una fuerte correlación positiva ( R
2
cercano a 1 ), lo que sugiere que los estudiantes
que integran la IA como parte de su rutina académica tienden a obtener mejores resultados.
Aunque la correlación no implica causalidad, este hallazgo aporta evidencia sobre el potencial
transformador de estas tecnologías cuando son utilizadas con intencionalidad pedagógica.
Además, la diferencia entre áreas académicas, especialmente entre ingeniería y ciencias sociales,
mostró que los estudiantes de ingeniería hacen un uso más intensivo de simuladores, herramientas
de cálculo e IA generativa para codiőcación, entre otros, mientras que los estudiantes de ciencias
sociales se enfocan en asistentes de redacción, revisión y organización de ideas. Esta diferencia
no implica un mayor o menor nivel de competencia, sino más bien una adaptación al tipo de
habilidades requeridas en cada disciplina, lo que refuerza la idea de que la IA debe integrarse
curricularmente según el contexto profesional de cada carrera.
En suma, los resultados de este estudio permiten aőrmar que la transformación digital en la
educación superior no es solo un proceso tecnológico, sino una transformación epistemológica,
pedagógica y cultural, en la que la IA se presenta como una herramienta poderosa, pero también
como un desafío que requiere formación crítica, ética y estratégica.
Conclusiones
Los resultados del presente estudio permiten aőrmar que la inteligencia artiőcial y las herra-
mientas de simulación computacional están desempeñando un rol protagónico en la transforma-
ción digital de la educación superior. Su incorporación en los procesos de enseñanza y aprendizaje
ha modiőcado no solo las dinámicas formativas, sino también las competencias requeridas en los
estudiantes universitarios para afrontar los desafíos de la sociedad digital.
Se evidenció que los estudiantes universitarios hacen un uso intensivo de herramientas de IA,
con mayor frecuencia entre quienes cursan niveles avanzados de carrera. Este uso se relaciona
con una mejora en la comprensión de temas complejos, mayor eőciencia en la resolución de
tareas académicas y un mejor rendimiento académico general. La fuerte correlación entre el uso
académico de la IA y las caliőcaciones obtenidas demuestra su potencial como recurso estratégico
para la formación universitaria, siempre que sea orientado con criterios pedagógicos adecuados.
Asimismo, se identiőcaron diferencias por área disciplinar: mientras que los estudiantes de
ingeniería utilizan la IA con őnes técnicos y de simulación, los de ciencias sociales priorizan el
apoyo en redacción, análisis textual y búsqueda de fuentes. Esto sugiere la necesidad de adaptar
la formación en competencias digitales e inteligencia artiőcial al peről profesional de cada carrera.
Sin embargo, también se detectaron riesgos asociados al uso superőcial o automatizado de
estas herramientas, particularmente en los primeros niveles de formación. Este aspecto debe ser
abordado mediante estrategias didácticas que promuevan la reŕexión crítica, la ética digital y la
autonomía intelectual.
En síntesis, la inteligencia artiőcial no solo representa una herramienta para la eőciencia
académica, sino también una oportunidad para repensar la educación universitaria desde en-
foques más innovadores, interdisciplinarios y centrados en el desarrollo integral del estudiante.
La clave estará en equilibrar el acceso tecnológico con el acompañamiento pedagógico, para for-
mar ciudadanos capaces de enfrentar los retos del futuro con pensamiento crítico, creatividad y
responsabilidad.
Alemán Vilca Y. et. al. 35
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
Referencias
[1] V. T. Ávila Quiñónez, I. I. C. Quiñonez, B. F. C. Quiñónez, and W. D. G. Chere, łTrans-
formación digital en la educación superior,ž DC, vol. 11, no. 1, pp. 154ś169, enero 2025.
[2] L. Rosales-Romero, łLa educación física en la formación de ingenieros para la industria
digitalizada,ž ATH, vol. 4, no. 13, pp. 34ś44, septiembre 2023.
[3] M. J. Parra-Vallejo, łEstrategia didáctica enfocada en el b-learning y el pensamiento compu-
tacional para fortalecer el aprendizaje matemático,ž Rev. Tecnol. Educ. Docentes 2.0, vol. 16,
no. 1, pp. 95ś108, 2023.
[4] F. J. Kroff, D. F. Coria, and C. A. Ferrada, łInteligencia artiőcial en la educación univer-
sitaria: innovaciones, desafíos y oportunidades,ž Rev. Espacios, vol. 45, no. 5, pp. 120ś135,
2024.
[5] Z. Turan and S. C. Karabey, łThe use of immersive technologies in distance education: A
systematic review,ž Educ. Inf. Technol., vol. 28, no. 12, pp. 16 041ś16 064, 2023.
[6] V. Basilotta-Gómez-Pablos, M. Matarranz, L. A. Casado-Aranda, and A. Otto, łTeachers’
digital competencies in higher education: A systematic literature review,ž International
Journal of Educational Technology in Higher Education, vol. 19, no. 1, p. 8, 2022.
[7] Y. Zhao, A. M. P. Llorente, and M. C. S. Gómez, łDigital competence in higher education
research: A systematic literature review,ž Computers & Education, vol. 168, p. 104212, 2021.
[8] L. H. Sillat, K. Tammets, and M. Laanpere, łDigital comp etence assessment methods in
higher education: A systematic literature review,ž Education Sciences, vol. 11, no. 8, p. 402,
2021.
[9] J. M. Fernández-Batanero, P. Román-Graván, M. Montenegro-Rueda, E. López-Meneses,
and J. Fernández-Cerero, łDigital teaching competence in higher education: A systematic
review,ž Education Sciences, vol. 11, no. 11, p. 689, 2021.
[10] A. I. dos Santos, E. Chinkes, M. A. Carvalho, C. M. Solórzano, and L. S. Marroni, łThe
digital competence of academics in higher education: Is the glass half empty or half full?ž
International Journal of Educational Technology in Higher Education, vol. 20, no. 1, p. 9,
2023.
[11] P. Colás-Bravo, J. Conde-Jiménez, and S. R. de Cózar, łSustainability and digital teaching
competence in higher education,ž Sustainability, vol. 13, no. 22, p. 12354, 2021.
[12] T. Gkrimpizi, V. Peristeras, and I. Magnisalis, łDeőning the meaning and scope of digital
transformation in higher education institutions,ž Administrative Sciences, vol. 14, no. 3,
p. 48, 2024.
[13] M. Alenezi and M. Akour, łDigital transformation blueprint in higher education: A case
study of psu,ž Sustainability, vol. 15, no. 10, p. 8204, 2023.
[14] K. Antonopoulou, C. Begkos, and Z. Zhu, łStaying aŕoat amidst extreme uncertainty: A
case study of digital transformation in higher education,ž Technol. Forecast. Soc. Change,
vol. 192, p. 122603, 2023.
Alemán Vilca Y. et. al. 36
ISSN-e: 2737-6419
Período: julio-septiembre 2025
Revista Athenea
Vol. 6, Núm. 21 (pp. 18ś37)
[15] V. Díaz-Garcia, A. Montero-Navarro, J. L. Rodríguez-Sánchez, and R. Gallego-Losada, łMa-
naging digital transformation: A case study in a higher education institution,ž Electronics,
vol. 12, no. 11, p. 2522, 2023.
[16] A. F. Teixeira, M. J. A. Gonçalves, and M. D. L. M. Taylor, łHow higher education ins-
titutions are driving to digital transformation: A case study,ž Education Sciences, vol. 11,
no. 10, p. 636, 2021.
[17] C. Romero and S. Ventura, łEducational data mining and learning analytics: An updated
survey,ž Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 10,
no. 3, p. e1355, 2020.
[18] E. Villanueva, łLos entornos virtuales y el aprendizaje signiőcativo en estudiantes universita-
rios de la facultad de educación de la unmsm,ž Revista Peruana de Computación y Sistemas,
vol. 5, no. 2, pp. 17ś28, 2023.
[19] S. M. Z. Olivos, S. R. S. Merchán, S. A. G. Encalada, and M. M. V. Pazos, łEl aprendi-
zaje signiőcativo en la educación actual: una reŕexión desde la perspectiva crítica,ž Revista
EDUCARE - UPEL-IPB - Segunda Nueva Etapa 2.0, vol. 27, no. 1, pp. 218ś230, 2023.
Alemán Vilca Y. et. al. 37
