Adaptación de estrategias pedagógicas según los estilos de

aprendizaje: una clave para mejorar el rendimiento

académico mediante algoritmos de inteligencia artificial

Adaptation of pedagogical strategies according to learning styles: A

key to improvekey to improving academic performance using
artificial intelligence algorithms

Para citar este trabajo:

García, N., Tapia, J., Soria, C., y Aguirre, S., (2024). Adaptación de estrategias pedagógicas según los
estilos de aprendizaje: una clave para mejorar el rendimiento académico mediante algoritmos de
inteligencia artificial. Reincisol, 3(6), pp. 4903-4927. https://doi.org/10.59282/reincisol.V3(6)4903-4927

Autores:

Nery Elisabeth García Paredes

Universidad Técnica de Cotopaxi
Ciudad: Latacunga, País: Ecuador
Correo Institucional: nery.garcia2577@utc.edu.ec
Orcid: https://orcid.org/0000-0001-5267-5868

Juan Carlos Tapia Molina

Universidad Técnica de Cotopaxi
Ciudad: Latacunga, País: Ecuador
Correo Institucional: juan.tapia0154@utc.edu.ec
Orcid: https://orcid.org/0009-0008-3777-7901

Carla Vanesa Soria Gualpa

Unidad Educativa Luis Alfredo Martínez
Ciudad: Salcedo, País: Ecuador
Correo Institucional: carla.soria@educacion.gob.ec
Orcid: https://orcid.org/0009-0004-7615-1945

Silvia Yolanda Margotd Aguirre Córdova

Unidad Educativa Corina Parral de Velasco Ibarra
Ciudad: San José de Chimbo, País: Ecuador
Correo Institucional: margotd.aguirre@educacion.gob.ec
Orcid: https://orcid.org/0009-0002-1960-4800

RECIBIDO: 22 septiembre 2024 ACEPTADO: 16 octubre 2024 PUBLICADO 15 noviembre 2024

4903
 Resumen

Este artículo presenta un análisis bibliométrico que examina el impacto de la

inteligencia artificial (IA) en la adaptación de los estilos de aprendizaje y el

rendimiento académico. La metodología empleada consistió en una revisión

sistemática de la literatura existente, utilizando la plataforma Scopus para

identificar y recopilar artículos relevantes. Se llevaron a cabo búsquedas

exhaustivas con operadores booleanos como "AND" y "OR" para filtrar y seleccionar

un conjunto significativo de estudios relacionados con la temática.

El análisis revela cómo las herramientas de IA pueden personalizar el aprendizaje,

ajustándose a las necesidades individuales de los estudiantes, lo que

potencialmente mejora su rendimiento académico. Además, se discuten los

desafíos que enfrentan los educadores al integrar la IA en sus prácticas

pedagógicas, así como la importancia de la calidad de los datos utilizados para

entrenar estos sistemas. Los hallazgos subrayan la creciente relevancia de la IA en

la educación y la necesidad de formar a los docentes para maximizar los beneficios

de estas tecnologías.

Por último, se identifican áreas de investigación futuras, particularmente en torno

a la equidad en el acceso a tecnologías educativas. Este análisis bibliométrico

contribuye al conocimiento existente y ofrece un marco útil para académicos y

responsables de políticas educativas en la integración de la inteligencia artificial en

el proceso de enseñanza-aprendizaje.

Palabras claves: inteligencia artificial; estilos de aprendizaje; rendimiento

académico; análisis bibliométrico; personalización educativa.

4904
 Abstract

This academic article presents a bibliometric analysis that examines the impact of

artificial intelligence (AI) on adaptive learning styles and academic performance.

The methodology employed consisted of a systematic review of the existing

literature, using the Scopus platform to identify and collect relevant articles.

Exhaustive searches were carried out using Boolean operators such as “AND” and

“OR” to filter and select a significant set of studies related to the subject matter.

The analysis reveals how AI tools can personalize learning, adjusting to the

individual needs of students, potentially improving their academic performance. In

addition, the challenges faced by educators in integrating AI into their pedagogical

practices are discussed, as well as the importance of the quality of the data used

to train these systems. The findings highlight the growing relevance of AI in

education and the need to train teachers to maximize the benefits of these

technologies.

Finally, areas for future research are identified, particularly around equity in

access to educational technologies. This bibliometric analysis contributes to

existing knowledge and provides a useful framework for academics and educational

policy makers in the integration of artificial intelligence in the teaching-learning

process.

Keywords: artificial intelligence; learning styles; academic performance;

bibliometric analysis; educational personalization.

4905
 INTRODUCCIÓN

Problema de investigación
La investigación analiza el impacto de la inteligencia artificial (IA) en la adaptación
de estilos de aprendizaje y el rendimiento académico. La educación tradicional ha
tenido dificultades para personalizar métodos de enseñanza que atiendan las
necesidades individuales, generando desigualdad en los resultados de aprendizaje
(de Oliveira, 2024). La IA aborda este desafío mediante la adaptación de contenidos,
recursos y estrategias pedagógicas a diversos estilos de aprendizaje. Sin embargo,
persiste una falta de claridad sobre su impacto real en el rendimiento académico y
los métodos más efectivos para personalizar la educación (Cechich et al., 2023).
Este análisis bibliométrico es esencial para explorar tendencias, patrones y
enfoques en el estudio de la IA aplicada a la educación. La investigación
proporciona una visión amplia de los estudios actuales, identificando vacíos en la
literatura y proponiendo posibles líneas de investigación (Dellacasa, 2024). El
propósito es evaluar si la IA contribuye efectivamente al éxito académico y mejora
la experiencia educativa de los estudiantes (Almustafa, Assaf, y Allahham, 2023).
Importancia
El estudio profundiza en el impacto de la tecnología IA en el ámbito educativo,
facilitando la personalización de contenidos según necesidades específicas (Latha
y Chandran, 2024). Aunque la IA promete una educación personalizada, su
impacto en el rendimiento académico y la adaptación a estilos de aprendizaje sigue
siendo incierto. Un análisis riguroso en este campo permitirá comprender mejor
los efectos de la IA en la educación, analizando si cumple sus promesas (Ruiz y de
Oliveira, 2023).
El análisis bibliométrico también es valioso para identificar tendencias, autores,
países e instituciones destacadas en la investigación, ayudando a detectar áreas
menos exploradas y dirigir futuros estudios (Álvarez Cuesta, 2024). Este análisis
facilita la evaluación de la calidad e impacto de investigaciones previas, brindando
una base sólida para nuevas exploraciones (de Vicente-Yagüe-Jara et al., 2023).
La promesa de la IA en la educación personalizada genera debates sobre su
efectividad, accesibilidad y el riesgo de crear desigualdades. Examinar estos temas
permitirá evaluar los logros de la IA en la educación y sus posibles implicaciones
éticas y sociales (Blanco, 2023).

4906
Antecedentes investigativos
La investigación sobre IA en educación ha avanzado notablemente, mostrando
cómo las tecnologías emergentes transforman el aprendizaje. Varios estudios
destacan que la IA permite personalizar la enseñanza, adaptando contenidos y
métodos a las necesidades individuales. Por ejemplo, Viruel et al. (2022) sugieren
que la IA ajusta el ritmo y la complejidad del contenido según el estilo de
aprendizaje, promoviendo una enseñanza más individualizada. Benites y Silveira
(2024) resaltan que la IA mejora la retroalimentación y el seguimiento, haciendo la
experiencia educativa más adaptada al estudiante.
En cuanto al rendimiento académico, los hallazgos son alentadores. D’Alva y
Paraná (2024) muestran que los sistemas de tutoría inteligente impulsados por IA
han mejorado el rendimiento en matemáticas y ciencias mediante
retroalimentación instantánea y personalizada. Sin embargo, estudios como el de
Rodríguez (2024) subrayan la importancia de analizar el impacto de la IA en
estudiantes de contextos socioeconómicos variados, ya que el acceso desigual a la
tecnología puede ampliar las brechas de rendimiento.
El uso de la bibliometría en el análisis de la investigación sobre IA en educación es
cada vez más relevante. Kroll y Sanz-Lázaro (2023) llevaron a cabo un análisis
bibliométrico de tendencias en tecnologías educativas, detectando un crecimiento
en publicaciones sobre IA y sus aplicaciones. Este tipo de análisis contribuye a
mapear el desarrollo del campo, señalando temas dominantes y áreas no
exploradas en la literatura.
Marco conceptual
Inteligencia Artificial (IA) en la Educación
La Inteligencia Artificial (IA) en educación emplea algoritmos y aprendizaje
automático para personalizar y mejorar el proceso educativo, transformando la
adquisición de conocimientos mediante la personalización de experiencias,
automatización de tareas y nuevos métodos de evaluación (Ufarte-Ruiz, Borden y
Codina, 2024). Entre sus aplicaciones destacan los sistemas de tutoría inteligente
y las plataformas de aprendizaje adaptativo, que ajustan el contenido al ritmo del
estudiante y adaptan el material en tiempo real (Pérez Laencina et al., 2024).
Un ejemplo son los chatbots educativos, que responden instantáneamente a las
preguntas de los estudiantes. Por otro lado, el aprendizaje adaptativo personaliza

4907
contenido y evaluaciones según el progreso del alumno, como lo hacen plataformas
como Knewton y Smart Sparrow (Hueso, 2024). La IA facilita la personalización del
aprendizaje en contraste con la enseñanza tradicional, identificando patrones en el
comportamiento estudiantil para desarrollar recursos específicos (Daungsupawong
y Wiwanitkit, 2024).
Asimismo, la IA automatiza tareas administrativas en las instituciones educativas,
como la gestión de inscripciones y la evaluación de exámenes, permitiendo a los
educadores concentrarse en la enseñanza (Barea Mendoza et al., 2024).
El futuro de la IA en educación es prometedor, con nuevas aplicaciones como la
realidad aumentada y virtual impulsadas por IA, que permitirán entornos de
aprendizaje autónomos y personalizados (Wedy y Campos, 2023). Así, se espera
que la IA haga la educación más accesible, inclusiva y eficiente, transformando los
métodos de enseñanza y la interacción con el conocimiento (Bujosa Vadell, 2022).
Estilos de Aprendizaje
Los estilos de aprendizaje se refieren a las formas en que los individuos prefieren
procesar, comprender y retener información. La teoría sugiere que cada persona
tiene una manera particular de aprender, aunque la mayoría puede adaptarse a
diferentes métodos (Vargas Mariño, 2023).
Varios modelos se han propuesto para categorizar los estilos de aprendizaje. Uno
de los más conocidos es el modelo VARK, desarrollado por Neil Fleming (Martínez-
Yepes, 2024), que propone cuatro estilos principales:
• Visual: Prefieren aprender a través de imágenes, gráficos y diagramas.
• Auditivo: Aprenden mejor al escuchar información y disfrutan de
discusiones en grupo.
• Lectura/Escritura: Prefieren leer y escribir como métodos principales de
aprendizaje.
• Kinestésico: Prefieren el aprendizaje práctico y basado en la acción,
manipulando objetos y participando en actividades físicas para comprender
conceptos (Fontalvo Herrera, Vega Hernández y Mejía Zambrano, 2023).
Otro modelo importante es el de Kolb, que propone un ciclo de aprendizaje
experimental con cuatro etapas: percepción (capturar información a través de
experiencias concretas o conceptualización abstracta) y procesamiento

4908
(internalizar la información mediante experimentación activa u observación
reflexiva). Según Kolb, existen cuatro estilos:
• Convergente: Prefieren resolver problemas prácticos, aplicando ideas de
manera concreta.
• Divergente: Prefieren observar antes de tomar decisiones, son creativos y
ven las situaciones desde múltiples perspectivas.
• Asimilador: Prefieren trabajar con ideas abstractas y disfrutan del análisis
teórico.
• Acomodador: Prefieren aprender mediante la práctica, adaptando su
conocimiento a situaciones nuevas (da Silva et al., 2023).
Howard Gardner propone la teoría de las inteligencias múltiples, que sugiere que
las personas tienen diferentes tipos de inteligencias que influyen en su aprendizaje
(Lopes, Forgas y Cerdà-Navarr, 2024). Gardner identifica al menos ocho tipos de
inteligencias:
• Lingüística: Capacidad para usar el lenguaje efectivamente.
• Lógico-matemática: Habilidad para resolver problemas abstractos y
trabajar con números.
• Espacial: Capacidad para pensar en tres dimensiones y trabajar con
imágenes mentales.
• Musical: Habilidad para entender y crear música.
• Corporal-kinestésica: Capacidad para usar el cuerpo en actividades físicas.
• Interpersonal: Habilidad para entender y trabajar con otras personas.
• Intrapersonal: Capacidad para comprenderse a uno mismo.
• Naturalista: Habilidad para trabajar con el entorno natural (Galván et al.,
2022).
El modelo de Honey y Mumford, basado en el trabajo de Kolb, identifica cuatro
estilos de aprendizaje:
• Activista: Prefieren aprender haciendo, disfrutan de experiencias dinámicas
y trabajo en grupo.
• Reflexivo: Prefieren observar y analizar antes de actuar, siendo cautelosos
y analíticos.
• Teórico: Prefieren un enfoque lógico y racional, buscando entender los
principios subyacentes.

4909
 • Pragmático: Se enfocan en la aplicación práctica de ideas y buscan ver
resultados concretos (Payeras, 2023).
La importancia de conocer los estilos de aprendizaje radica en la personalización
del aprendizaje, que permite una mejor adaptación a las necesidades de los
estudiantes. Los avances tecnológicos, como la inteligencia artificial, ayudan a
identificar y apoyar estos estilos de manera más efectiva (Berisha, Lopes y
Vitorovic, 2023).
Rendimiento Académico
El rendimiento académico refleja el logro del estudiante en tareas y exámenes,
esencial en educación para evaluar el progreso y eficacia del sistema. Se mide
cuantitativamente mediante calificaciones o cualitativamente, observando
habilidades adquiridas (Hernández Marín et al., 2024). Depende de factores como
características personales del estudiante (González de la Rosa, 2022). Los
motivados intrínsecamente tienden a comprometerse más y lograr mejores
resultados. El entorno familiar, con su apoyo, influye en el aprendizaje (Reyes-
Villalba et al., 2024), y familias con mayores recursos acceden a mejores
oportunidades (Rivera et al., 2024). Factores escolares y socioemocionales, como
docentes y tecnología, también afectan (Rodríguez, 2024).
Estrategias para mejorar el rendimiento académico incluyen:
• Enseñanza personalizada: Adaptar métodos de enseñanza a las
necesidades de cada estudiante, usando tecnologías educativas y
plataformas de aprendizaje adaptativo, para identificar áreas de mejora.
• Hábitos de estudio eficaces: Fomentar la planificación, organización del
tiempo, práctica regular y el uso de técnicas activas, como la autoevaluación
y el repaso espaciado.
• Apoyo emocional y psicológico: Brindar apoyo psicológico a estudiantes
con estrés o dificultades emocionales para mejorar su desempeño.
• Feedback constante: Proporcionar retroalimentación detallada sobre el
progreso académico para fomentar la autoeficacia y una actitud positiva
hacia el aprendizaje (Martínez, 2023).
Bibliometría
La bibliometría es una disciplina que emplea métodos estadísticos y matemáticos
para analizar la producción y el uso de la literatura científica, midiendo

4910
cuantitativamente publicaciones, autores, instituciones y temas de investigación,
así como el impacto y evolución del conocimiento en diversos campos (Palacios
Gómez, 2023). Gracias a esta herramienta, los investigadores pueden identificar
tendencias, analizar colaboraciones y evaluar el impacto de las publicaciones en la
academia (Vinichenko et al., 2022).
Aplicaciones de la Bibliometría
Los indicadores bibliométricos son fundamentales para medir el rendimiento y la
influencia de la producción científica. El número de publicaciones muestra la
cantidad de trabajos publicados por un autor, institución o país en un periodo
específico, facilitando la evaluación de la productividad investigadora (Solé, 2022).
Un alto número de publicaciones suele sugerir actividad investigadora, aunque
también es esencial evaluar la calidad (Macedo y Rocha, 2024).
Otro indicador clave es el número de citas recibidas, que refleja la influencia de un
trabajo en la comunidad académica. Las obras frecuentemente citadas se
consideran valiosas por sus hallazgos (Cruz et al., 2023). El índice h y el factor de
impacto complementan esta evaluación: el índice h mide la combinación de calidad
y productividad a través del número de publicaciones y citas (Grau, 2023),
mientras que el factor de impacto indica la frecuencia de citas de una revista,
evaluando así su reputación.
Herramientas y Recursos Bibliométricos
Bases de datos como Web of Science y Scopus son esenciales para el análisis
bibliométrico. Web of Science permite realizar análisis de citas y evaluaciones de
impacto, destacándose por su capacidad de filtrado (Fité, 2023). Scopus
proporciona métricas de citas y facilita análisis exhaustivos en varias disciplinas
(Maita-Cruz et al., 2022).
Google Scholar y Dimensions también son herramientas importantes. Google
Scholar permite evaluar el impacto de artículos a través del seguimiento de citas,
incluyendo literatura gris. Dimensions ofrece un análisis amplio de la investigación
integrando literatura, datos de financiación y métricas de impacto (Walker y
Winders, 2024).
Desafíos y Limitaciones de la Bibliometría
A pesar de sus ventajas, la bibliometría enfrenta desafíos que limitan la validez de
sus resultados. Un problema frecuente es el sesgo en la citación, que afecta a

4911
disciplinas como las humanidades o ciencias sociales, menos citadas en
comparación con áreas de alto impacto (Villa Quisphe, Cadena Moreano, y
Chancusig Chisag, 2024).
Otra limitación es la dificultad de comparar métricas entre disciplinas, debido a
normas de citación y publicación diferentes, lo que puede llevar a
malinterpretaciones (Grau, 2023). Además, la autocitación puede distorsionar la
percepción del impacto real, ya que algunos investigadores inflan sus índices de
citas, dando una imagen engañosa de su relevancia (Rodas-Trejo, 2024). Por ello,
es importante complementar métricas cuantitativas con evaluaciones cualitativas
para capturar plenamente la calidad y relevancia de la investigación (Costa et al.,
2024).
Este trabajo explora la relación entre inteligencia artificial (IA) y educación,
analizando cómo las tecnologías de IA pueden personalizar estilos de aprendizaje y
mejorar el rendimiento académico. Mediante un análisis bibliométrico, se
identifican tendencias en esta área, destacando autores y publicaciones clave y
evaluando el impacto de la IA en metodologías educativas.
MATERIALES Y METODOS

Se utilizó una revisión sistemática de literatura para esta investigación, con el

propósito de recopilar y analizar resultados de estudios sobre el tema de interés.
Primero, se efectuó una búsqueda exhaustiva en bases de datos académicas, como
SCOPUS, utilizando términos clave. La búsqueda inicial encontró 1,033 artículos
con el término "OR" y 421 con "AND". Se establecieron criterios de inclusión y
exclusión para seleccionar los artículos más relevantes en Educación, evaluando
tanto su pertinencia como la calidad metodológica.
Luego, se extrajeron datos clave de los artículos seleccionados, enfocándose en los
resultados de cada estudio. Se realizó una síntesis de los hallazgos y se compararon
los resultados de diversos estudios para identificar convergencias y divergencias
en la literatura. Las conclusiones se basaron en la evidencia recopilada,
subrayando las implicaciones prácticas y teóricas de los resultados. Además, se
identificaron lagunas en la investigación y se sugirieron áreas para estudios futuros
que contribuyan al avance del conocimiento.
En la elaboración de este artículo, se consideraron publicaciones con un máximo
de 5 años de antigüedad (de 2019 a 2024), que incluyeran tanto resultados

4912
positivos como negativos sobre los estilos de aprendizaje de estudiantes. Asimismo,
se seleccionaron estudios realizados por docentes, estudiantes y actores clave en
universidades, centrados en el rendimiento académico.

Figura 1. Documentos por año

Fuente. Elaboración propia, obtenido del software Bibliometrix.
La gráfica muestra una tendencia decreciente en el número de citas recibidas por
las publicaciones científicas entre los años 2022 y 2024. Esto indica que, en
promedio, los artículos publicados en 2024 están siendo citados con menos
frecuencia que aquellos publicados en 2022.

Figura 2. Fuentes mas relevantes

Fuente. Elaboración propia, obtenido del software Bibliometrix.
La gráfica muestra el número de documentos sobre el impacto de la inteligencia
artificial en la educación y áreas afines. "RISTI - Revista Iberoamericana de
Sistemas e Tecnologías" lidera con 31 documentos, seguida de "Proceedings of the
LACCEI International Multi-Conf" con 26 y "Data and Metadata" con 20. Revistas
como "Actualidad Jurídica Iberoamericana" y "Radiología" destacan, reflejando
interés en diversas disciplinas. "Digital Education Review" y "Daimon" aportan
menos, con 11 y 9 documentos.

4913
Figura 3. Documentos por país
Fuente. Elaboración propia, obtenido del software Bibliometrix.
Los países con más artículos publicados relevante al tema de estudio en el presente
articulo son: España (564), Brasil (274), Perú (152), Colombia (151), México (105),
Ecuador (65), Estados Unidos (65), Argentina (50), Canadá (20), India (20), China
(16), Venezuela (8), Arabia Saudita (7), Panamá (4), Irán (4), Sudáfrica (3), Nigeria
(3), Rusia (2), Australia (2), Honduras (1).

Figura 4. Palabras Clave

Fuente. Elaboración propia, obtenido del software Bibliometrix.
Mediante el análisis de Bibliometrix las palabras clave más usadas en el desarrollo
de los diferentes artículos con referencia a la inteligencia artificial en relación con
el rendimiento académico y los estilos de aprendizaje fueron: inteligencia artificial,
humano, mecanismo de aprendizaje, artículos y estudios académicos.

4914
Figura 5. Red de co-ocurrencia
Fuente. Elaboración propia, obtenido del software Bibliometrix.
La imagen muestra una red de conceptos relacionados con la inteligencia artificial
aplicada en la medicina. Los términos más destacados, como "inteligencia
artificial", "medicina" y "diagnóstico", sugieren su amplia investigación y aplicación
en salud. También se observan conexiones con informática, ingeniería y ciencias
de la vida, reflejando un enfoque multidisciplinario en esta investigación. Palabras
como "aprendizaje automático", "algoritmos" y "redes neuronales" destacan las
técnicas de IA más usadas en este campo.
RESULTADOS

3.1 Aprendizaje Autónomo Asistido por Inteligencia Artificial: Empoderando a los

Estudiantes en su Proceso Educativo
El aprendizaje autónomo asistido por inteligencia artificial representa un cambio
significativo en la manera en que los estudiantes interactúan con el proceso
educativo. Este enfoque empodera a los estudiantes para que asuman el control de
su propio aprendizaje, utilizando herramientas de IA que se adaptan a sus
necesidades y preferencias. Al permitir a los estudiantes definir sus objetivos y
estrategias de aprendizaje, este modelo fomenta un sentido de responsabilidad y
autonomía, lo que puede llevar a un mayor compromiso y motivación en el proceso
educativo.
Las herramientas de inteligencia artificial desempeñan un papel crucial en este
enfoque al ofrecer recursos personalizados que se ajustan a los estilos de
aprendizaje individuales. Esta personalización no solo facilita un aprendizaje más
efectivo, sino que también ayuda a los estudiantes a abordar sus debilidades y
fortalezas de manera más directa, contribuyendo a un avance académico más
significativo.
Además, la capacidad de proporcionar retroalimentación en tiempo real es una de
las características más valiosas del aprendizaje autónomo asistido por IA. A medida
que los estudiantes interactúan con el material y realizan actividades, los sistemas
de IA pueden ofrecer comentarios instantáneos sobre su desempeño.
3.2 Análisis de Datos Educativos: Mejorando el Aprendizaje a través de la
Inteligencia Artificial

4915
El análisis de datos educativos, conocido como learning analytics, se ha convertido
en una herramienta fundamental para mejorar la calidad de la educación en la era
digital. Este enfoque implica la recopilación y el análisis de datos provenientes de
las interacciones de los estudiantes con diversas plataformas educativas, como
sistemas de gestión de aprendizaje, aplicaciones y herramientas en línea. A través
del uso de técnicas avanzadas de inteligencia artificial, se pueden procesar grandes
volúmenes de información, lo que permite a los educadores identificar patrones y
tendencias en el comportamiento y el rendimiento de los estudiantes. Esta
capacidad de análisis permite a las instituciones educativas tomar decisiones
informadas y basadas en evidencia para mejorar la experiencia de aprendizaje.
Además, el uso de la inteligencia artificial en el análisis de datos educativos facilita
la personalización de la enseñanza, adaptando los métodos y recursos a los estilos
de aprendizaje individuales de cada estudiante.
3.3 Aula Inteligente: Transformando el Aprendizaje a Través de la Inteligencia
Artificial
El aula inteligente transforma el entorno educativo al usar inteligencia artificial (IA)
para personalizar el aprendizaje. Estas aulas adaptan el ambiente según las
características y necesidades individuales de los estudiantes, recopilando y
analizando datos sobre su comportamiento, intereses y rendimiento académico.
Así, el aula responde de manera proactiva a los requerimientos específicos de cada
alumno.
Una cualidad clave del aula inteligente es su capacidad para ajustar
automáticamente los recursos y actividades de acuerdo con los estilos de
aprendizaje. Si un estudiante presenta dificultades en un área específica, el
sistema lo redirige hacia actividades de refuerzo enfocadas en esa área, asegurando
apoyo adecuado para su progreso.
Además, los docentes acceden a análisis detallados del rendimiento estudiantil en
tiempo real, lo que les permite adaptar sus estrategias de enseñanza y evaluación,
optimizando el aprendizaje y el desarrollo de cada estudiante.
3.4 Gamificación Adaptativa: Potenciando el Aprendizaje a Través de Elementos de
Juego Personalizados
La gamificación adaptativa es una estrategia educativa innovadora que integra
elementos de juego en entornos de aprendizaje para enriquecer la experiencia

4916
educativa. Con inteligencia artificial, ajusta las dinámicas del juego según los
estilos y necesidades de cada estudiante. Al incluir puntos, niveles, insignias y
recompensas, transforma el aprendizaje en una experiencia atractiva, fomentando
la participación y el interés en el contenido.
Esta metodología aumenta la motivación y compromiso de los estudiantes al ofrecer
desafíos personalizados que se alinean con sus habilidades. Además, mejora el
rendimiento académico mediante la práctica y el refuerzo positivo. Los sistemas de
inteligencia artificial analizan el rendimiento y ajustan los niveles de dificultad y
actividades, garantizando que cada estudiante enfrente retos adecuados a su
capacidad.
3.5 Inteligencia Artificial Explicativa: Fomentando la Transparencia y la
Personalización en el Aprendizaje Educativo
La Inteligencia Artificial Explicativa (XAI) es esencial para desarrollar sistemas de
IA que, además de ofrecer resultados, proporcionan explicaciones claras sobre
cómo se alcanzan. Esto es crucial en educación, donde los docentes necesitan
comprender los procesos detrás de las decisiones generadas por sistemas
adaptativos. La XAI permite una mayor transparencia, fomentando la confianza en
las herramientas de IA y facilitando su uso en estrategias de enseñanza.
En un contexto educativo, la XAI ayuda a los docentes a interpretar datos y
resultados de aprendizaje. Esto mejora la comprensión de los docentes sobre las
capacidades del sistema, permitiéndoles tomar decisiones informadas para ajustar
sus métodos y responder a las necesidades individuales de los estudiantes.
Al conocer cómo los estilos de aprendizaje influyen en los resultados, los docentes
pueden adaptar su pedagogía para atender mejor a cada alumno. Por ejemplo, si
un sistema indica que un estudiante rinde mejor con contenido visual, el docente
podría emplear más recursos visuales, promoviendo un rendimiento académico
óptimo.
Finalmente, la capacidad de explicar los resultados de la IA fortalece la confianza
y colaboración entre docentes y sistemas de inteligencia artificial. Cuando los
educadores comprenden las recomendaciones de la IA, se sienten más capacitados
para integrarlas en su práctica diaria. Esto genera una sinergia efectiva entre la
experiencia docente y las capacidades analíticas de la IA, creando un entorno de
aprendizaje dinámico y adaptativo que beneficia a todos los involucrados.

4917
 DISCUSIÓN

La inteligencia artificial (IA) está transformando la industria global, facilitando la

gestión de información, automatización y toma de decisiones (Schönberger, 2023).
En las PYMES de construcción de San Miguel de Bolívar, la IA ofrece oportunidades
para mejorar competitividad y sostenibilidad, aunque su implementación enfrenta
barreras como inversión en tecnología y capacitación (Oldemeyer et al., 2024). De
las 33 PYMES encuestadas, ninguna utiliza IA, situación que refleja limitaciones
en el acceso a tecnología avanzada, recursos financieros y personal capacitado
(García-Vera et al., 2023; Rivera, 2021).
Entre los principales desafíos destacan la falta de conocimiento sobre IA y
percepciones de alto costo, lo cual es consistente con estudios que señalan la falta
de infraestructura y habilidades necesarias (Peretz-Anderson et al., 2024). A pesar
de las barreras, un 33,3% de las empresas considera a la IA como "muy importante"
y un 30,3% como "importante" para su competitividad, apoyando la idea de que la
IA incrementa la productividad (OCDE, 2022) y permite personalizar servicios
(Schönberger, 2023; Peña y Alarcón, 2021).
Sin embargo, un 97% de las PYMES no ha recibido propuestas de implementación
de IA, reflejando una desconexión entre proveedores tecnológicos y el sector. Solo
un 3% ha tenido algún acercamiento, subrayando la necesidad de colaboración
entre industria, academia y gobierno (Duan et al., 2019). Estrategias como
programas de capacitación y políticas públicas con incentivos fiscales podrían ser
clave para fomentar la adopción de IA (Rivera, 2021; Desta & Amantie, 2024).
CONCLUSIÓN

En conclusión, el análisis del impacto de la inteligencia artificial (IA) en la

adaptación de los estilos de aprendizaje y el rendimiento académico ha revelado un
potencial transformador en el ámbito educativo. A través de la revisión de la
literatura existente, se ha evidenciado que la integración de herramientas de IA en
entornos de aprendizaje permite una personalización efectiva de la enseñanza,
adaptándose a las necesidades individuales de los estudiantes y fomentando un
aprendizaje más significativo. Además, el uso de técnicas de análisis de datos, como
el learning analytics y la gamificación adaptativa, demuestra cómo la IA puede
incrementar la motivación y el compromiso de los alumnos, lo que se traduce en
un mejor rendimiento académico.

4918
Sin embargo, a pesar de los beneficios significativos que la inteligencia artificial
ofrece, es crucial considerar los desafíos y limitaciones asociados a su
implementación. La necesidad de garantizar la transparencia en los procesos de
toma de decisiones de la IA, así como la importancia de la formación docente para
el uso efectivo de estas herramientas, son aspectos que deben ser abordados para
maximizar el impacto positivo de la IA en la educación.
Por último, este análisis bibliométrico también pone de manifiesto la necesidad de
realizar investigaciones futuras que profundicen en las lagunas identificadas en la
literatura, especialmente en relación con la equidad en el acceso a tecnologías
educativas y su aplicación en diversos contextos.
REFERENCIAS BIBLIOGRÁFICAS

Aicha de, Andrade Quintero Eroud, y Fabrizio Bon Vecchio. 2023. «discrimination
in artificial in℡ligence algorithms and lgpd; [discriminação em algoritmos
de in℡igência artificial e a lgpd]». Revista Juridica 2(74).
Almustafa, Esmat, Ahmad Assaf, y Mahmoud Allahham. 2023. «implementation of
artificial in℡ligence for financial process innovation of commercial banks;
[implementação de in℡igência artificial para processo financeiro inovação
de bancos comerciais]». Revista de Gestao Social e Ambiental 17(9).
Álvarez Cuesta, Henar. 2024. «Experiences in collective bargaining to regulate the
labour impact of artificial intelligence and its use for control purposes;
[Experiencias convencionales de regulación del impacto laboral de la
inteligencia artificial y su uso con fines de control]». Trabajo y Derecho
2024(19).
Antezana Soria Galvarro, Marlene L. 2023. «Facing the Challenges of Artificial
Intelligence: Ethics, Transparency and the Future; [Enfrentando los Retos
de la Inteligencia Artificial: Ética, Transparencia y Futuro]». Gaceta Medica
Boliviana 46(2):5-6.
Barea Mendoza, Jesús Abelardo, Marcos Valiente Fernandez, Alex Pardo
Fernandez, y Josep Gómez Álvarez. 2024. «Current Perspectives on the Use
of Artificial Intelligence in Critical Patient Safety; [Perspectivas Actuales
Sobre El Uso de La Inteligencia Artificial En La Seguridad Del Paciente
Crítico]». Medicina Intensiva.

4919
Benites, Cristiano da Silva, y Ismar Frango Silveira. 2024. «Melody without
barriers: a historical analysis of the deaf individual and music; [Ensino de
música para surdos: de uma perspectiva histórica até o uso da Inteligência
Artificial]». RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao
2024(E70):486-97.
Berisha, Hatidza, Gabriel César Dias Lopes, y Zoran R. Vitorovic. 2023. «challenges
of application of artificial in℡ligence in military affairs; [desafios da
aplicação da in℡igência artificial em assuntos militares]». Journal of Law
and Sustainable Development 11(7).
Blanco, Mireya González. 2023. «Artificial intelligence. The word of the year!;
[Inteligencia artificial. ¡La palabra del año!]». Revista de Obstetricia y
Ginecologia de Venezuela 83(1):1-5.
Bujosa Vadell, Lorenzo M. 2022. «Ethics and artificial intelligence: A look from the
jurisdictional process; [ética e in℡igência artificial: um olhar a partir do
processo jurisdicional]; [ética e in℡igencia artificial: una mirada desde el
proceso jurisdiccional]». Revista Eletronica de Direito Processual 23(1):733-
68.
Cechich, Alejandra, Agustina Buccella, Carolina Villegas, Ayelén Montenegro,
Angel Muñoz, y Andrea Rodríguez. 2023. «A Model of Reusable Assets in AIE
Software Systems; [Un Modelo de Activos Reusables Dentro de La Ingeniería
de Sistemas de Inteligencia Artificial]». Journal of Computer Science and
Technology(Argentina) 23(2):145-60.
Coronado, Juan Romero. 2024. «Impact of Big Data and Artificial Intelligence on
Social Security Management; [Impacto del Big Data y la Inteligencia Artificial
en la gestión de la Seguridad Social]». Revista de Derecho de la Seguridad
Social, Laborum 2024(Ext6):49-70.
Costa, Eliana Dantas, José Andery Carneiro, Breno Augusto Guerra Zancan, Hugo
Gaêta-Araujo, Christiano Oliveira-Santos, Alessandra Alaniz Macedo, y
Camila Tirapelli. 2024. «Potential of Artificial Intelligence to Generate Health
Research Reports of Decayed, Missed and Restored Teeth; [Potencial de La
Inteligencia Artificial Para Generar Informes de Investigación Sanitaria
Sobre Dientes Cariados, Perdidos y Restaurados]». Odovtos - International
Journal of Dental Sciences 26(2):14-19.

4920
Cruz, Edmanuel, Jorge Castillo-Cruz, Adiz Mariel Acosta Reyes, Elia E. Cano,
Carlos Rovetto, y José Carlos Rangel. 2023. «Identifying the need for
preventive maintenance of electrical outlets using Artificial Intelligence;
[Identificación de necesidad de mantenimiento preventivo de tomacorrientes
utilizando inteligencia artificial]». RISTI - Revista Iberica de Sistemas e
Tecnologias de Informacao 2023(E57):93-102.
D’Alva, Oscar Arruda, y Edemilson Paraná. 2024. «Estatísticas Públicas, Big Data
e Inteligência Artificial: o caso da Plataforma Global da ONU». Estudos
Avancados 38(111):349-64.
Daungsupawong, H., y V. Wiwanitkit. 2024. «Correspondence “Exploring the
Potential of Artificial Intelligence in Traumatology: Conversational Answers
to Specific Questions”; [Correspondencia “Explorando El Potencial de La
Inteligencia Artificial En Traumatología: Respuestas Conversacionales a
Preguntas Específicas”]». Revista Espanola de Cirugia Ortopedica y
Traumatologia.
Dellacasa, Silvia Llambí. 2024. «A paradigm shift, the arrival of generative artificial
intelligence in scientific journals; [Un cambio de paradigma, la llegada de
Inteligencia artificial generativa a las revistas científicas]». Revista Cientifica
de la Facultad de Veterinaria 34(2).
Fernández, Cristina Galván. 2024. «La inteligencia artificial desde la educabilidad».
Digital Education Review (45):1-2.
Fité, Francisco Javier Carrión. 2023. «artificial intelligence in the textile and
fashion industry in 2023; [la in℡igencia artificial de 2023 en la industria
textil y la moda]». Revista de Quimica e Industria Textil 247:53-67.
Fontalvo Herrera, Tomás José, María Alejandra Vega Hernández, y Fabio Mejía
Zambrano. 2023. «Clustering method and artificial intelligence to classify
and project violent crime in Colombia; [Método de clustering e inteligencia
artificial para clasificar y proyectar delitos violentos en Colombia]». Revista
Cientifica General Jose Maria Cordova 21(42):551-72.
Galván, Pedro, José Fusillo, Felipe González, Oraldo Vukujevic, Luciano Recalde,
Ronald Rivas, José Ortellado, Juan Portillo, Julio Borba, y Enrique Hilario.
2022. «Feasibility of using artificial intelligence for screening COVID-19
patients in Paraguay; [Viabilidade do uso de inteligência artificial na triagem

4921
 de pacientes com COVID-19 no Paraguai]; [Factibilidad de la utilización de
la inteligencia artificial para el cribado de pacientes con COVID-19 en
Paraguay]». Revista Panamericana de Salud Publica/Pan American Journal
of Public Health 46.
García Chumacero, Juan M., Percy L. Acevedo Torres, Carlos C. Corcuera La
Portilla, y Sócrates P. Muñoz Perez. 2023. «Influence of Artificial Intelligence
on the Optimization of the Dosage of Natural Hydraulic Lime, Plastic and
Metallic Fibers on the Geological Characteristics of a Treated Soil; [Influencia
de La Inteligencia Artificial En La Optimización de La Dosificación de Cal
Hidráulica Natural, Fibras Plásticas y Metálicas Sobre Las Características
Geológicas de Un Suelo Tratado]». Revista Ingenieria de Construccion
38(3):473-84.
González de la Rosa, M. 2022. «Neglect What Is near. Commentary Regarding the
August 2021 Editorial on the Current State of Artificial Intelligence in
Ophthalmology; [El Menosprecio de Lo Próximo. Comentario Respecto al
Editorial de Agosto de 2021 Sobre El Estado Actual de La Inteligencia
Artificial En Oftalmología]». Archivos de La Sociedad Espanola de
Oftalmologia 97(7):417-18.
Gorospe-Sarasúa, L., J. M. Muñoz-Olmedo, F. Sendra-Portero, y R. de Luis-García.
2022. «Challenges of Radiology Education in the Era of Artificial Intelligence;
[Retos de La Formación En Radiología En La Era de La Inteligencia
Artificial]». Radiologia 64(1):54-59.
Grau, Guillem Izquierdo. 2023. «Defective software and algorithms: some
considerations on the liability of the software or AI system developer;
[Software y algoritmos defectuosos: algunas consideraciones sobre la
responsabilidad del desarrollador de software o de sistemas de inteligencia
artificial]». Revista de Internet, Derecho y Politica (38).
Hernández Marín, Cayetano M., Emilio Monte-Boquet, y José Luis Poveda Andrés.
2024. «Cybersecurity, a Priority for Pharmacy Services in the Age of Artificial
Intelligence; [Ciberseguridad, Una Prioridad de Los Servicios de Farmacia
En La Era de La Inteligencia Artificial]». Farmacia Hospitalaria 48(5):195-97.
Hueso, Lorenzo Cotino. 2024. «jurisdictional use of artificial in℡ligence: legal
bases and necessary guarantees and supervision by the cgpj; [el uso

4922
 jurisdiccional de la in℡igencia artificial: habilitación legal, garantías
necesarias y la supervisión por el cgpj]». Actualidad Juridica Iberoamericana
(21):494-527.
Kroll, Simon, y Fernando Sanz-Lázaro. 2023. «Rhythm and artificial intelligence:
New perspectives on Lope de Vega’s plays from the Digital Humanities;
[Ritmo e inteligencia artificial: nuevas perspectivas sobre teatro lopesco
desde las humanidades digitales]». Anuario Lope de Vega 29:351-75.
Latha, R. S., y M. Chandran. 2024. «Is Artificial Intelligence Really Influencing the
Marketing Strategies and Consumer Behaviour?; [¿Influye Realmente La
Inteligencia Artificial En Las Estrategias de Marketing y El Comportamiento
de Los Consumidores?]». Salud, Ciencia y Tecnologia - Serie de Conferencias
3.
Lopes, Carlos, Rubén Comas Forgas, y Antoni Cerdà-Navarr. 2024. «A PhD
Dissertation in Education Written by Artificial Intelligence?; [Tese de
Doutorado Em Educação Escrita Por Inteligência Artificial?]; [¿Tesis de
Doctorado En Educación Escrita Por La Inteligencia Artificial?]». Revista
Brasileira de Educacao 29.
Macedo, Tulio Augusto Alves, y Manoel de Souza Rocha. 2024. «Radiology in the
Age of Artificial Intelligence: Challenges and Opportunities; [A Radiologia Na
Era Da Inteligência Artificial: Desafios e Oportunidades]». Radiologia
Brasileira 57.
Maita-Cruz, Yoni Magali, William Sebastián Flores-Sotelo, Yuri Anselmo Maita-
Cruz, y Juan Carlos Cotrina-Aliaga. 2022. «Artificial intelligence in public
management in times of Covid-19; [Inteligencia artificial en la gestión
pública en tiempos de Covid-19]». Revista de Ciencias Sociales 28(ESPECIAL
5):331-40.
Martínez, AurelioLópez-Tarruella. 2023. «the future regulation of artificial
in℡ligence and relations with third states; [el futuro reglamento de
in℡igencia artificial y las relaciones con terceros estados]». Revista
Electronica de Estudios Internacionales (45).
Martinez-Yepes, Ruth. 2024. «Artificial intelligence, racialization, and art
resistance.; [Inteligência artificial, racialização e resistência da arte];

4923
 [Inteligencia artificial, racialización y resistencia a través del arte]».
Cuadernos de Musica, Artes Visuales y Artes Escenicas 19(1):222-35.
Masseno, Manuel David. 2022. «Brief Considerations on the Foundations of the
Proposal of Artificial Intelligence Act from the European Commission;
[considerações breves sobre os fundamentos da proposta de regulamento
in℡igência artificial da comissão europeia]; [consideraciones breves sobre
los fundamentos de la propuesta de ley de in℡igencia artificial de la
comisión europea]». Journal of Law and Sustainable Development 10(1).
de Oliveira, Nythamar H. 2024. «A Decolonial Critical Theory of Artificial
Intelligence: Intersectional Egalitarianism, Moral Alignment, and AI
Governance; [Uma Teoria Crítica Decolonial Da Inteligência Artificial:
Igualitarismo Interseccional, Alinhamento Moral e Governança Da IA]».
Filosofia Unisinos 25(1).
Olusegun Oyetola, Solomon, Bolaji David Oladokun, Charity Ezinne Maxwell, y
Solomon Obotu Akor. 2023. «Artificial Intelligence in the Library: Gauging
the Potential Application and Implications for Contemporary Library
Services in Nigeria; [Inteligencia Artificial En La Biblioteca: Calibrando La
Aplicación Potencial y Las Implicaciones Para Los Servicios Bibliotecarios
Contemporáneos En Nigeria]». Data and Metadata 2.
Palacios Gómez, Mauricio. 2023. «Human intelligence for authors, reviewers and
editors using artificial intelligence; [Inteligencia humana para autores,
revisores y editores que utilicen inteligencia artificial]». Colombia Medica
54(3).
Palomo, Bella, Edson C. Tandoc, y Rodrigo Cunha. 2023. «El impacto de la
desinformación en las rutinas profesionales y soluciones basadas en la
inteligencia artificial». Estudios Sobre el Mensaje Periodistico 29(4):757-59.
Payeras, Miguel Coca. 2023. «EU initiatives on artificial intelligence: from electronic
personnel, to the difficult balance between the need to promote it and avoid
its risks; [las iniciativas de la unión europea sobre in℡igencia artificial: de
la persona electrónica, al difícil equilibrio entre la necesidad de impulsarla
y evitar sus riesgos]». Revista de Derecho Civil 10(2):3-40.
Pérez Laencina, M., J. M. Plasencia Martínez, M. Sánchez Canales, C. Jiménez
Pulido, R. Rodríguez Mondéjar, L. Martínez Encarnación, C. García Hidalgo,

4924
 D. Galdo Galián, P. Hernández Madrid, L. Chico Caballero, E. Guillén
García, M. N. Plasencia Martínez, S. Martínez Romero, J. García Molina, y
J. M. García Santos. 2024. «A Commercial AI Tool Untrained for COVID-19
Demonstrates Slight Improvement in the Interpretation of COVID-19
Pneumonia x-Rays, Especially among Inexperienced Readers; [Usar Una
Herramienta Comercial de Inteligencia Artificial No Entrenada Para COVID-
19 Mejora Ligeramente La Interpretación de Las Radiografías Con Neumonía
COVID-19, Especialmente Entre Lectores Inexpertos]». Radiologia.
Rama, Claudio. 2023. «Nueva fase educativa digital con inteligencia artificial».
Perfiles Educativos 45(Especial):9-23.
Reyes-Villalba, Edwin, Rocio Elena Reyes-Arco, y Benjamin Maraza-Quispe. 2024.
«educational practices and the use of artificial in℡ligence: a multifaceted
analysis in the current context; [práticas educacionais e o uso da
in℡igência artificial: uma análise multifacetada no contexto atual];
[prácticas educativas y uso de la in℡igencia artificial: un análisis
multifacético en el contexto actual]». Revista de Gestao Social e Ambiental
18(8).
Rodas-Trejo, Jenner. 2024. «Camelot: An intuitive tool for managing and processing
camera trap images using artificial intelligence; [Camelot: Una herramienta
intuitiva para el manejo y procesamiento de imágenes de cámaras trampa
utilizando inteligencia artificial]». Ecosistemas 33(2).
Rodríguez, Jesús Baz. 2024. «Los retos de la financiación de la seguridad social en
la era de la inteligencia artificial. Algunas claves para el debate (1)». Trabajo
y Derecho 2024(19).
Ruiz, Isadora Maria Roseiro, y Cristina Godoy Bernardo de Oliveira. 2023. «A
Inteligência Artificial na divisão leste-oeste». Estudos Avancados
37(107):387-93.
dos Santos, Mateus Lins, y Vera Nascimento Gomes Victória. 2024. «Critical
Evaluation of Applications of Artificial Intelligence Based Linguistic Models
in Occupational Health; [Avaliação Crítica Das Aplicações de Modelos
Linguísticos Baseados Em Inteligência Artificial Na Medicina Do Trabalho]».
Revista Brasileira de Medicina Do Trabalho 22(1).

4925
da Silva, Alexandre Fieno, Eduardo Almeida Soares, Luis Antonio Tavares,
Alexandre Calazans Possari, Guilherme Henrique da Silva, y Bernardo
Sant’Anna Costa. 2023. «Automated Sorting:Mapping of Selective Collection
Disposal Objects Using Artificial Intelligence; [Classificação Automatizada:
Mapeamento de Objetos de Coleta Seletiva Usando Inteligência Artificial]».
AtoZ 12.
Solé, Juli Ponce. 2022. «the relationships between artificial in℡ligence, regulation
and ethics, with special atention to the public sector; [las relaciones entre
in℡igencia artificial, regulación y ética, con especial atención al sector
público]». Revista General de Derecho Administrativo 61:1-29.
Ufarte-Ruiz, María José, Sandra L. Borden, y Lluís Codina. 2024. «Introduction.
The Revolution Driven by Artificial Intelligence Continues: A Journey
through the Media Landscape; [La Revolución Impulsada Por La Inteligencia
Artificial Continúa: Un Viaje Por El Panorama Mediático]». Communication
and Society 37(3 Special Issue):197-99.
Valero, Gerardo Aguas. 2022. «Chronicle of the 1st International Congress on
Person and Civil Law: The challenges of the 21st century (person, gender,
transgender; artificial intelligence and sentient animals); [crónica del i
congreso internacional sobre persona y derecho civil: los retos del siglo xxi
(persona, género, transgénero; in℡igencia artificial y animales sensibles)]».
Actualidad Juridica Iberoamericana (17):1-4.
Vargas Mariño, Andrés Felipe. 2023. «Deus ex Machina: Artificial Intelligence and
Epistemic Plurality; [Deus ex machina: inteligência artificial perante a
pluralidade epistémica]; [Deus ex machina: inteligencia artificial frente a la
pluralidad epistémica]». Nomadas 57.
de Vicente-Yagüe-Jara, María-Isabel, Olivia López-Martínez, Verónica Navarro-
Navarro, y Francisco Cuéllar-Santiago. 2023. «Writing, creativity, and
artificial intelligence. ChatGPT in the university context; [Escritura,
creatividad e inteligencia artificial. ChatGPT en el contexto universitario]».
Comunicar 31(77):47-57.
Villa Quisphe, Manuel William, José Augusto Cadena Moreano, y Juan Carlos
Chancusig Chisag. 2024. «Artificial intelligence: prototype of an automated
irrigation system for the cultivation of roses in Cotopaxi; [Inteligencia

4926
 artificial: prototipo de sistema de riego automatizado para el cultivo de rosas
en Cotopaxi]». Data and Metadata 3.
Vinichenko, Mikhail V., Galina Yu. Nikiporets-Takigawa, Aleksander A. Oseev, y
Sergey A. Makushkin. 2022. «trust of the generation z in artificial
in℡ligence in the assessment of historical events; [confiança da geração z
na in℡igência artificial na avaliação de eventos históricos]». Relacoes
Internacionais No Mundo Atual 1(34):224-43.
Viruel, Marcos L., Eduardo Delgado Pereyra, Lucas Ferrero, Eduardo S. Giner,
Edgardo D. Miraglia, Raúl Echegoyen, Florencia Muñoz, Federico Wekesser,
Juan Furmento, y Juan Pablo Costabel. 2022. «National validation of an
artificial intelligence algorithm to predict risk of acute coronary syndrome –
ANGINA II; [Validación de predictor de riesgo de síndrome coronario agudo
basado en inteligencia artificial-ANGINA II]». Revista de la Federacion
Argentina de Cardiologia 51(4):153-57.
Walker, Margath, y Jamie L. Winders. 2024. «Geographies of Artificial Intelligence:
Labor, Surveillance, and Activism; [Geografías de La Inteligencia Artificial:
Trabajo, Vigilancia y Activismo]». Human Geography(United Kingdom)
17(2):227-35.
Wedy, gabriel de jesus tedesco, y eduardo coimbra villa coimbra campos. 2023.
«brief reflections on artificial in℡ligence and law and the rule of law; [breves
reflexões sobre a in℡igência artificial e o estado de direito]». Revista
Juridica 2(74):259-86.

Conflicto de intereses

Los autores indican que esta investigación no tiene conflicto de intereses y, por
tanto, acepta las normativas de la publicación en esta revista.

Con certificación de:

4927