Artículo

Eliel Da Silva Souza; Washington Maciel da Silva

DOI: 10.22167/2675-6528-202603623

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Se exploró la intersección entre la neurociencia y la Inteligencia Artificial (IA) en el proceso de aprendizaje. El estudio tuvo como objetivo analizar el impacto de la mediación tecnológica en el rendimiento académico de los estudiantes. Se empleó un método mixto, combinando análisis de contenido documental y estadística inferencial sobre datos secundarios. La investigación se basó en un relevamiento de bases de datos consolidadas, garantizando el anonimato y la ausencia de contacto directo con los alumnos. Se analizaron informes de plataformas de IA, registros pedagógicos de consejos de clase e indicadores de rendimiento académico, como notas y asistencia. Los datos cuantitativos, provenientes de 40 registros, revelaron un impacto significativo de la mediación tecnológica. Se observó un aumento de aproximadamente el 46,6% en la media general de rendimiento, que pasó de 4,93 antes de la intervención a 7,23 después de la implementación de herramientas de IA. La prueba de Wilcoxon para muestras emparejadas confirmó la relevancia estadística de este cambio (p=0,001), indicando que la mejora resultó de la intervención. Adicionalmente, un modelo de regresión lineal señaló que la intervención introdujo nuevos determinantes de cambio, independientes del nivel de conocimiento previo de los usuarios. La perspectiva neurocientífica sugirió que los Recursos Educativos Digitales (RED) promueven autonomía, pero pueden causar atrofia cognitiva si se usan solo para automatizar funciones. Se concluyó que la IA representa un soporte adaptativo valioso, cuya eficacia está vinculada a la intervención del profesor para asegurar un aprendizaje crítico y consolidado.

Palabras clave: Aprendizaje personalizado; Inteligencia artificial educativa; Neurociencia cognitiva; Tecnologías educativas.

1. Introducción

La Inteligencia Artificial (IA), estudiada en el campo de las Ciencias de la Computación, se configura como un área interdisciplinaria que se conecta a diversas otras disciplinas del conocimiento. Su propósito central es desarrollar sistemas capaces de imitar la inteligencia humana, abarcando habilidades como razonar, aprender, hacer inferencias y adaptarse. Para alcanzar estos objetivos, la IA integra conocimientos de neurociencias, teoría de la mente, lingüística y estadística (Catania, 2021).

En este contexto, la neurociencia ofrece principios fundamentales sobre cómo el cerebro humano aprende, memoriza y reacciona a estímulos. Paralelamente, la IA posibilita la creación de herramientas que se ajustan al ritmo y a las necesidades individuales de cada estudiante. Los recursos educativos digitales (RED) basados en IA, inspirados en el funcionamiento cerebral, demuestran un potencial significativo para personalizar y mejorar el proceso de enseñanza-aprendizaje.

En la concepción de Sosa-Alonso et al. (2025), los instrumentos tecnológicos desarrollados específicamente para auxiliar y optimizar los procesos de aprendizaje se consideran alternativas prometedoras en el entorno escolar. Las Tecnologías de la Información y la Comunicación (TIC) abarcan un conjunto de herramientas digitales que brindan soporte a las clases, mientras que los Recursos Educativos Digitales (RED) comprenden una amplia gama de materiales, incluyendo libros de texto digitales, plataformas de aprendizaje interactivas, entornos de aprendizaje adaptativos y robótica educativa.

A pesar de la creciente ubicuidad de la tecnología, Moreno y Heidelmann (2017) argumentan que, a menudo, estos recursos digitales representan un desafío adicional para los profesores, en lugar de una solución inmediata. Esto destaca uno de los principales desafíos del nuevo milenio: la necesidad de integrar la práctica educativa al uso eficiente de las TIC. Aunque la mayoría de los profesores en escuelas públicas (92%) y privadas (95%) en Brasil tiene acceso a internet, el uso de estas herramientas frecuentemente se restringe a actividades básicas, como búsquedas, redes sociales y descarga de materiales.

La inserción masiva de herramientas digitales en la enseñanza ha provocado cambios en el método tradicional de enseñanza-aprendizaje en la educación básica. Sin embargo, la aplicación de recursos de IA para personalizar la educación, especialmente en la enseñanza de la química, ha recibido poca atención en las escuelas. La enseñanza de las ciencias, en general, recibe un énfasis insuficiente en las escuelas públicas brasileñas, lo que resulta en un desfase significativo de conocimientos necesarios para la comprensión de los fenómenos naturales y sus tecnologías asociadas.

Ferreira et al. (2026) corroboran que la enseñanza de las ciencias en las escuelas enfrenta desafíos profundos, lo que culmina en un desfase de conocimiento y en la negligencia de esta área en relación con otras demandas. Es común que las disciplinas de portugués y matemáticas sean priorizadas, como si el aprendizaje de las ciencias no fuera esencial para la formación humana y social de los estudiantes. Ante este escenario, la personalización del aprendizaje, según Nja et al. (2024), a través de metodologías activas basadas en IA, que adaptan las experiencias de aprendizaje a las necesidades, fortalezas, debilidades e intereses individuales de cada alumno, emerge como un enfoque relevante.

Por lo tanto, este estudio se justifica por la necesidad de comprender la percepción de los usuarios y los impactos reales de las tecnologías de Inteligencia Artificial en el entorno educativo, así como propiciar una reflexión crítica sobre los beneficios y desafíos éticos de su adopción. Esta investigación es relevante tanto para la innovación pedagógica como para la formación de ciudadanos conscientes sobre el uso responsable de la tecnología. En este contexto, el presente trabajo tuvo como objetivo explorar la intersección entre neurociencia e Inteligencia Artificial en el proceso de aprendizaje, buscando comprender la percepción de los usuarios y los impactos reales de estas tecnologías en el entorno educativo, con foco en la disciplina de química para estudiantes de secundaria.

2. Material y Métodos

El presente estudio empleó un enfoque metodológico mixto, combinando elementos cualitativos y cuantitativos para investigar la relación entre neurociencias, inteligencia artificial y el proceso de aprendizaje. La investigación se caracterizó como un sondeo en bases de datos consolidadas, con el objetivo de generar conocimiento aplicable a desafíos educativos. La unidad de análisis consistió en registros de clases de estudiantes de 3er año de secundaria en la disciplina de química, que ya habían utilizado herramientas tecnológicas. El enfoque se centró en el análisis de datos secundarios y registros institucionales preexistentes, sin interacción directa con los participantes, garantizando anonimato y ausencia de contacto, según el diseño metodológico establecido.

La investigación se estructuró en tres fases principales de análisis documental. La primera, Diagnóstico Retrospectivo, implicó la recopilación de datos agregados sobre hábitos de estudio y rendimiento académico, incluyendo calificaciones y asistencia, registrados en el sistema de la institución antes de la implementación de prácticas de Inteligencia Artificial. Este proceso estableció un panorama inicial del rendimiento de los estudiantes.

La segunda fase, Intervención Documental, consistió en el análisis de informes de uso de plataformas adaptativas y chatbots educativos, ya archivados. Se recopiló información sobre el tiempo de uso, los tipos de herramientas accedidas y el compromiso registrado automáticamente por el sistema. No hubo contacto con los alumnos durante esta fase.

En la tercera fase, Evaluación de Impacto Mediante Datos Secundarios, se realizó una comparación estadística de los indicadores de desempeño académico recopilados en la fase de diagnóstico con los resultados obtenidos tras el uso de las herramientas de IA. Las percepciones de los docentes sobre el compromiso y los desafíos tecnológicos se extrajeron de informes de consejos de clase o documentos pedagógicos ya finalizados y archivados, manteniendo la premisa de cero interacción.

Los instrumentos de recolección de datos fueron exclusivamente registros institucionales y digitales preexistentes, organizados en tres frentes. El primer frente incluyó informes de uso generados automáticamente por plataformas de IA y entornos virtuales de aprendizaje. De estos, se extrajeron datos estadísticos sobre frecuencia, tiempo de permanencia, interacciones con chatbots y volumen de ejercicios, además de informes de aciertos y errores de las plataformas adaptativas.

El segundo frente de recolección abarcó registros pedagógicos archivados por la coordinación. Estos incluyeron dictámenes descriptivos y actas de reuniones de consejo de clase, con percepciones docentes sobre compromiso y desafíos tecnológicos. Se consultaron también diarios de clase digitales, que contenían anotaciones y observaciones de los profesores sobre el comportamiento y la dinámica de las clases.

El tercer frente implicó la recopilación de indicadores de desempeño académico, extraídos directamente del sistema de gestión escolar. Se recopilaron calificaciones de evaluaciones formativas y sumativas de períodos anteriores para comparación estadística, y registros de asistencia para verificar posibles correlaciones con el uso de herramientas tecnológicas y la asistencia escolar. El cuestionario presente en el Apéndice B.1, que mapea la percepción y el uso de la IA, fue considerado como uno de los documentos archivados analizados.

El análisis de los datos se dividió en enfoques cualitativo y cuantitativo. El análisis cualitativo, de contenido documental, se aplicó a los registros escritos preexistentes. Se examinaron informes pedagógicos de consejos de clase y registros de observación docente para identificar patrones sobre el comportamiento y los desafíos del uso de la IA en el entorno escolar, utilizando la técnica de ejes temáticos. La información se trianguló entre diferentes fuentes documentales para confirmar las tendencias observadas.

El análisis cuantitativo, de naturaleza estadística descriptiva e inferencial, se aplicó a la información numérica obtenida de las bases de datos. Se calcularon medias, frecuencias y porcentajes de compromiso y rendimiento. Para comparar el rendimiento académico antes y después del uso de la tecnología, se empleó la Prueba de Wilcoxon para muestras emparejadas, debido a la no normalidad de los datos. Se realizó, además, un análisis de correlación para examinar la conexión entre el compromiso digital y las variaciones en las calificaciones registradas. Todos los procedimientos garantizaron el anonimato absoluto de los datos, conforme al protocolo de ética.

3. Resultados y Discusión

El análisis inicial de la investigación reveló la amplia presencia de la Inteligencia Artificial (IA) en el cotidiano de los estudiantes, con aproximadamente el 96,2% de los participantes afirmando haber utilizado ya alguna tecnología basada en IA en su proceso de aprendizaje. Entre las herramientas más comúnmente empleadas, destacaron los chatbots educativos y las plataformas adaptativas. Esta predilección por tecnologías que promueven la interactividad y la personalización sugiere una transformación en el paradigma educacional, donde los estudiantes asumen un papel más proactivo en la búsqueda del conocimiento. La demanda de feedback inmediato y de alternativas que optimicen el tiempo de estudio indica que la mediación tecnológica se establece como un complemento relevante a la enseñanza tradicional en el aula.

La frecuencia de uso de estas tecnologías, sin embargo, presentó variaciones: el 53,2% de los encuestados las utiliza raramente, el 30,4% algunas veces por semana y el 16,5% diariamente. La principal contribución de la IA en el aprendizaje, según los participantes, reside en la capacidad de resolver dudas rápidamente, señalada por el 62% de ellos, seguida por la mejora en la comprensión de contenidos, mencionada por el 27,8%. La percepción general sobre el impacto de la IA en el aprendizaje fue significativamente positiva, con aproximadamente el 65,4% de los estudiantes reconociendo su relevancia. Este escenario de uso y percepción positiva es corroborado por Sosa-Alonso et al. (2025), quienes destacan el papel esencial de las Tecnologías de la Información y Comunicación (TIC) en la educación tras la pandemia de COVID-19, que aceleró la transición digital en todos los niveles de enseñanza.

Aunque la IA es ampliamente percibida como un factor que mejora el aprendizaje, con el 81% de los participantes indicando una mejora entre “mucho” y “un poco”, y como una ayuda eficaz para la rápida resolución de dudas, su uso sigue siendo mayoritariamente raro para el 53,2% de la muestra. Una barrera ética significativa identificada fue la fiabilidad de la información, con el 69,6% de los usuarios informando de haber encontrado datos imprecisos. A pesar de la valoración de la tecnología, la mayoría de los encuestados, el 40,5%, considera al profesor como esencial e insustituible. Existe un fuerte interés en integrar la IA en la educación como un complemento, siendo la personalización de la enseñanza el aspecto más deseado, pero persiste el escepticismo sobre la capacidad de la IA para comprender las emociones humanas como un profesor real.

La investigación también reveló que la mayoría de los encuestados, aproximadamente el 48,1%, expresó el deseo de que la escuela utilice más IA en la enseñanza de química, mientras que el 26,6% considera que sería muy útil en los enfoques de los contenidos. Las áreas donde la IA puede intervenir en la mejora de la enseñanza, según los estudiantes, incluyen el aprendizaje personalizado, la corrección automática de actividades, la ayuda en la organización de los estudios, el aumento del compromiso de los alumnos y el desarrollo de habilidades cognitivas. Sin embargo, un factor preocupante es la demanda de TIC en las escuelas sin una planificación adecuada de los impactos futuros, lo que puede acarrear atrofia cognitiva si los Recursos Educativos Digitales (RED) se utilizan solo para automatizar funciones. Habilidades como la escritura manual, el debate presencial y la experimentación física, especialmente en áreas como Física y Química, son fundamentales para la fijación del conocimiento y el desarrollo cognitivo.

El análisis cuantitativo de los 40 registros de desempeño académico demostró una evolución clara y significativa. Se observó un aumento de aproximadamente el 46,6% en la media general de desempeño, que pasó de 4,93 antes de la intervención con IA a 7,23 después de su implementación. La desviación estándar se mantuvo baja y muy similar en ambos momentos, con 1,14 antes y 1,10 después de la intervención, lo que indica que el grupo evolucionó de forma relativamente uniforme, sin un aumento drástico en la disparidad entre los estudiantes. Notablemente, el valor mínimo registrado en el momento post-intervención, que fue de 6,0, superó la media del momento pre-intervención, que era de 4,93. Esto sugiere que incluso los participantes con un desempeño inicial más bajo lograron superar el umbral medio anterior.

Los datos brutos de las calificaciones individuales, que variaron entre 3,0 y 7,0 antes de la IA y entre 6,0 y 9,0 después de la IA, presentaron una distribución oscilatoria con valles profundos en el período pre-intervención, y una tendencia más estable con picos elevados en el período post-intervención, con una media visual de aproximadamente 5,0 y 7,5, respectivamente. El análisis de normalidad de Shapiro-Wilk para las variables “pre IA” e “Intervención con IA” indicó que la suposición de que los datos siguen una distribución normal fue violada, con un p-valor de 0,002, inferior al límite de 0,05. Esta violación justificó la aplicación de pruebas no paramétricas, como la Prueba de Wilcoxon, que es más robusta para datos no normales. La Prueba de Wilcoxon para muestras emparejadas confirmó la relevancia estadística del cambio, con un p-valor de 0,001, indicando que la mejora observada no fue un evento casual, sino una consecuencia directa de la implementación de la IA.

Adicionalmente, el modelo de regresión lineal aplicado a los datos buscó comprender la influencia del nivel de desempeño “pre IA” en el éxito “post IA”. El modelo explicó solo el 10,9% de la varianza (R² = 0,109), sugiriendo que la “Intervención con IA” introdujo nuevos factores de cambio que no dependen puramente del nivel previo del usuario. Aunque el nivel “pre IA” demostró ser un predictor significativo (p = 0,037), su influencia fue moderada, con un coeficiente de 0,312. La ecuación de la recta, Post IA = 5,746 + (0,312 × Pre IA), indica que el intercepto de 5,746 representa el valor base esperado, mientras que el coeficiente de 0,312 muestra el incremento medio en la intervención por unidad adicional en “Pre IA”. Los residuos del modelo de regresión presentaron normalidad (p = 0,109), validando la solidez estadística del modelo para predicciones.

La integración de la Inteligencia Artificial y las plataformas digitales en el ecosistema educativo reformula las dinámicas de enseñanza-aprendizaje bajo múltiples dimensiones, según lo señalado por Maurer y Huwer (2026). En el plano pedagógico y cognitivo, los sistemas de tutoría adaptativa, especialmente en la enseñanza de Química, transforman el aprendizaje al estimular el razonamiento y ofrecer soportes personalizados para la resolución de problemas complejos (Journal of Chemical Education, 2026). Este enfoque dialoga con las discusiones sobre itinerarios de aprendizaje personalizados impulsados por la IA, que potencian la motivación intrínseca y fortalecen la autonomía del estudiante, convirtiéndolo en agente activo de su propio ritmo de aprendizaje.

Sin embargo, la efectividad de esta personalización tecnológica depende críticamente del proceso de apropiación docente. Los hallazgos publicados en Computers & Education (2025) y por Sosa-Alonso et al. (2025) enfatizan que la consolidación de los recursos educativos digitales exige superar la barrera de la moda pasajera hacia una adopción basada en la convicción pedagógica, garantizando que la tecnología amplíe y no limite el protagonismo de los alumnos. La triangulación de estas evidencias, incluyendo el estudio de Technology in Society (2025) que demuestra cómo el soporte computacional continuo mitiga la ansiedad tecnológica y genera ganancias académicas medibles, refuerza que la IA, cuando se implementa de forma personalizada e integrada a la práctica docente consciente, reduce barreras emocionales de aprendizaje y potencia el desarrollo del capital humano.

En resumen, la investigación demostró que la integración de la Inteligencia Artificial en la educación secundaria, particularmente en la disciplina de Química, promovió un impacto positivo y estadísticamente significativo en el rendimiento académico de los estudiantes, evidenciado por el aumento de la media general y la validación de la Prueba de Wilcoxon. Aunque la IA ofrece un potencial notable para la personalización y la autonomía en el aprendizaje, la perspectiva neurocientífica alerta sobre el riesgo de atrofia cognitiva si el uso se restringe a la automatización de funciones. Así, la eficacia de la IA como soporte adaptativo está intrínsecamente ligada a la intervención cualificada del profesor, que debe mediar el proceso para asegurar un aprendizaje crítico, consolidado y humanizado, alineándose al objetivo de comprender los impactos reales de estas tecnologías en el ambiente educacional.

4. Conclusión

El presente estudio tuvo como objetivo analizar el impacto de la mediación tecnológica de la Inteligencia Artificial en el rendimiento académico de los estudiantes, explorando la intersección entre neurociencia e IA en el proceso de aprendizaje, con enfoque en la disciplina de química. Se verificó un impacto positivo y estadísticamente significativo, evidenciado por un aumento del 46,6% en la media general de rendimiento, que pasó de 4,93 a 7,23 tras la intervención con herramientas de IA, según lo confirmado por la prueba de Wilcoxon (p=0,001). Se observó que la mayoría de los estudiantes ya utilizaba IA, principalmente chatbots y plataformas adaptativas, percibiendo beneficios en la resolución rápida de dudas y en la comprensión de contenidos. La regresión lineal indicó que la intervención introdujo nuevos factores de cambio, independientes del conocimiento previo. Sin embargo, la perspectiva neurocientífica alertó sobre la dualidad de los Recursos Educacionales Digitales, que, aunque promueven autonomía, pueden llevar a la atrofia cognitiva si se utilizan solo para automatizar funciones. La principal contribución reside en la demostración de que la IA representa un soporte adaptativo valioso, cuya eficacia está intrínsecamente ligada a la intervención cualificada del profesor para asegurar un aprendizaje crítico, consolidado y humanizado.

A pesar de los hallazgos sólidos, el estudio presentó limitaciones derivadas de la metodología de recopilación de datos secundarios, que impidió una interacción directa con los participantes para profundizar percepciones sobre la confiabilidad de la información y la frecuencia de uso. La muestra de 40 registros, aunque suficiente para el análisis estadístico empleado, puede limitar la generalización de los resultados. Se sugiere para estudios futuros la investigación de estrategias pedagógicas que integren la IA de forma a preservar y estimular habilidades cognitivas superiores, como la escritura manual, el debate presencial y la experimentación física, esenciales para la fijación del conocimiento. Es fundamental desarrollar investigaciones que aborden la planificación ética y pedagógica de la inserción de la IA en el ambiente educacional, garantizando que la tecnología complemente la enseñanza sin sustituir el papel insustituible del profesor en la mediación del aprendizaje y en la formación ciudadana.

Referencias Bibliograficas

Catania, L. J. Chapter 3 – The science and technologies of artificial intelligence (AI), Healthcare and Bioscience, 2021, Pages 29-72.

Ferreira, A; München, S; Wirzbicki, S. M. Educação do Campo e o Ensino de Ciências da Natureza e Suas Tecnologias no Ensino Médio: um panorama das pesquisas brasileiras. Brazilian Journal of Rural Education. Universidade Federal da Fronteira Sul – UFFS, 2024.

Maurer, N.; Huwer, J. Teaching and Learning about Artificial Intelligence (AI) in Secondary Education Chemistry Classes. Chemical Education Research| August 11, 2026

Moreno, E. L. e Heidelmann, S. P. Recursos Instrucionais Inovadores para o Ensino de Química. Quím. nova esc. São Paulo-SP, BR. Vol. 39, N° 1, p. 12-18, FEVEREIRO 2017

Nja; Obi, C.; Uwe; Edet, U. & Nkereuwem; Inwang, V. Artificial Intelligence Tools of Personalized Learning and Intelligent Tutoring System as Correlates of Students Motivation in Chemistry. AJSTME, Volume. 10, Issue 1. 27-32, January, 2024. ISSN: 2251-0141 (Print), 2971-6233 (Online).

Sosa-Alonso, J. J.; RIVERO, V. M. H.; Mesa, A. L. S.; Aguilar, A. B. Adoption of digital educational resources by early childhood education teachers: a fad or a conviction? Computers & Education 238 (2025) 105396.

Tian, J.; Zhang, Y. Does artificial intelligence help in improving human capital based educational development? Evidence from 29 countries. Technology in Society 83 (2025) 103004

Artículo originario del Trabajo de Conclusión de Curso de Neurociencia y Aprendizaje en la Educación

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy