Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 226
Implementación de IA para potenciar el DUA en educación
básica: un modelo adaptativo para aulas diversas
AI Implementation to Enhance UDL in Basic Education: An Adaptive
Model for Diverse Classrooms
Chango-Pila, Jessica Elizabeth
1
Loyo-Sanchez, Jessica Paola
2
https://orcid.org/0009-0003-4492-5208
https://orcid.org/0009-0001-6996-441X
jessicachangopila@gmail.com
jessicapaolasanchez.02@gmail.com
Investigador Independiente, Ecuador.
Investigador Independiente, Ecuador.
Maggi-Bermeo, Fernanda Isabel
3
Sánchez-Gamarra, Erika Estefania
4
https://orcid.org/0009-0009-5787-3949
https://orcid.org/0009-0009-8166-9032
fernanda.maggi@docentes.educacion.edu.ec
eriisanzgama@gmail.com
Investigador Independiente, Ecuador.
Investigador Independiente, Ecuador.
Romero-Mera, Estela Marcia
5
https://orcid.org/0009-0000-4954-5560
juniorcevallos2014@hotmail.com
Investigador Independiente, Ecuador.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n2/191
Resumen: El artículo examina cómo la inteligencia artificial puede
potenciar el Diseño Universal para el Aprendizaje en educación
básica dentro de aulas caracterizadas por una alta diversidad
estudiantil. Su propósito es analizar la articulación entre ambas
perspectivas y proponer una comprensión adaptativa que permita
ampliar el acceso, la participación y la expresión del alumnado
desde una lógica inclusiva. Metodológicamente, se desarrolla una
revisión bibliográfica exploratoria, de carácter documental, con
enfoque cualitativo y alcance descriptivo-interpretativo, sustentada
en la búsqueda y análisis temático de literatura académica e
institucional localizada en bases como Scopus, Web of Science,
ERIC, SciELO, Dialnet y Google Scholar. Los hallazgos muestran
que la inteligencia artificial puede fortalecer el DUA en cuatro
dimensiones principales: la personalización flexible de contenidos
y actividades, la mejora de la accesibilidad y la representación
múltiple de la información, la retroalimentación inmediata para
apoyar la autorregulación y el seguimiento del progreso, y la
ampliación de las formas de participación y expresión diversa. No
obstante, el estudio concluye que estos beneficios no son
automáticos, ya que dependen de formación docente,
infraestructura adecuada, supervisión humana, criterios éticos y
gobernanza centrada en la equidad. En consecuencia, la
inteligencia artificial solo resulta pedagógicamente valiosa cuando
amplía oportunidades inclusivas sin sustituir el juicio profesional
docente.
Palabras clave: inteligencia artificial; DUA; educación básica;
inclusión educativa; aulas diversas.
Artículo Científico
Received: 20/Mar/2026
Accepted: 15/Abr/2026
Published: 29/Abr/2026
Cita: Chango-Pila, J. E., Loyo-Sanchez, J. P.,
Maggi-Bermeo, F. I., Sánchez-Gamarra, E. E.,
& Romero-Mera, E. M. (2026). Implementación
de IA para potenciar el DUA en educación
básica: un modelo adaptativo para aulas
diversas. Revista Científica Ciencia Y
Método, 4(2), 226-
243. https://doi.org/10.55813/gaea/rcym/v4/n2
/191
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 227
Artículo Científico
Abril – Junio 2026
Abstract:
The article examines how artificial intelligence can enhance Universal Design for
Learning in basic education within classrooms characterized by high student diversity.
Its purpose is to analyze the articulation between both perspectives and propose an
adaptive understanding that broadens students’ access, participation, and expression
from an inclusive standpoint. Methodologically, it develops an exploratory bibliographic
review of a documentary nature, with a qualitative approach and a descriptive-
interpretative scope, supported by the search and thematic analysis of academic and
institutional literature identified in databases such as Scopus, Web of Science, ERIC,
SciELO, Dialnet, and Google Scholar. The findings show that artificial intelligence can
strengthen UDL in four main dimensions: the flexible personalization of content and
learning activities, the improvement of accessibility and multiple representation of
information, immediate feedback to support self-regulation and progress monitoring,
and the expansion of forms of participation and diverse student expression. However,
the study concludes that these benefits are not automatic, since they depend on
teacher training, adequate infrastructure, human supervision, ethical criteria, and
equity-centered governance. Consequently, artificial intelligence is only pedagogically
valuable when it expands inclusive opportunities without replacing teachers’
professional judgment.
Keywords: artificial intelligence; UDL; basic education; inclusive education; diverse
classrooms.
1. Introducción
En la educación básica, la creciente heterogeneidad del alumnado ha convertido la
inclusión en una exigencia pedagógica y no en una medida compensatoria marginal.
En un mismo aula confluyen estudiantes con distintos ritmos de aprendizaje, perfiles
lingüísticos, trayectorias socioculturales, niveles de competencia digital y necesidades
específicas de apoyo educativo; por ello, diseñar para un estudiante “promedio” suele
producir barreras de acceso, participación y expresión. En este escenario, el Diseño
Universal para el Aprendizaje (DUA) se ha consolidado como un marco que propone
anticipar la variabilidad desde la planificación, ofreciendo múltiples medios de
implicación, representación y acción-expresión para ampliar las oportunidades de
aprendizaje para todos (CAST, 2024; Ok et al., 2017). Sin embargo, aunque el DUA
ofrece una base sólida para la inclusión, su puesta en práctica cotidiana sigue siendo
desigual, especialmente cuando el profesorado debe responder simultáneamente a la
diversidad del aula, a las presiones curriculares y a la rápida incorporación de
tecnologías emergentes como la inteligencia artificial (IA) (Miao & Holmes, 2023).
Además, la irrupción de la IA en contextos escolares ha abierto posibilidades
relevantes, pero también tensiones pedagógicas, éticas y organizativas (Posso-De-la-
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 228
Artículo Científico
Abril – Junio 2026
Cruz et al., 2025). La literatura sobre IA en educación básica muestra que sus
principales potencialidades se concentran en la personalización del aprendizaje, la
retroalimentación inmediata, los apoyos multimodales y ciertas funciones diagnósticas
y administrativas; no obstante, también se reportan percepciones negativas, brechas
de habilidades tecnológicas, problemas de diseño de herramientas y preocupaciones
éticas vinculadas con sesgos, privacidad y supervisión humana (Crompton et al.,
2024; Varsik & Vosberg, 2024). En el plano inclusivo, revisiones recientes señalan que
la IA puede mejorar la accesibilidad mediante materiales adaptados, transcripciones,
descripciones de imágenes y apoyos ajustados al ritmo del estudiante, pero su
impacto depende de infraestructura suficiente, formación docente y criterios claros de
uso responsable (Melo-López et al., 2025; UNESCO, 2021). Si estas condiciones no
se atienden, el riesgo no es solo técnico, sino educativo: la IA puede amplificar
desigualdades preexistentes y debilitar el principio de equidad que la educación básica
debe resguardar (UNESCO, 2021; Varsik & Vosberg, 2024).
No obstante, una lectura crítica de la literatura revela una brecha específica que
justifica esta revisión (Saavedra-Calberto et al., 2025). Por un lado, las síntesis sobre
DUA muestran resultados prometedores en términos de acceso, participación y
aprendizaje, aunque también reportan evidencia heterogénea y variabilidad
considerable en la forma de operacionalizar el marco en las aulas (Almeqdad et al.,
2023; Zhang et al., 2024). Por otro lado, las revisiones sobre IA en educación básica
y educación inclusiva se concentran, en general, en beneficios, desafíos o tipos de
herramientas, pero no siempre articulan esas aplicaciones con un marco pedagógico
inclusivo explícito y sistemático para orientar su uso en aulas diversas (Crompton et
al., 2024; Melo-López et al., 2025). Asimismo, la investigación sobre DUA en
estructuras escolares formales sigue siendo limitada en comparación con otros niveles
o contextos, lo que reduce la disponibilidad de modelos transferibles para educación
básica (Ewe & Galvin, 2023). En conjunto, esta dispersión sugiere —como inferencia
derivada de revisiones paralelas más que de un único estudio— que aún falta un
modelo adaptativo que vincule de manera orgánica la capacidad de personalización
de la IA con la lógica preventiva, flexible y equitativa del DUA en la educación básica
(Zhang et al., 2024; Varsik & Vosberg, 2024).
Desde esta perspectiva, la conveniencia del presente artículo de revisión es doble. En
el plano social y educativo, aporta una base argumentada para discutir cómo la IA
puede contribuir a disminuir barreras y no a reforzarlas, algo crucial en sistemas
escolares que buscan combinar calidad, inclusión y sostenibilidad pedagógica (Miao
& Holmes, 2023; UNESCO, 2021). En el plano teórico, permite integrar dos corrientes
que a menudo han avanzado por carriles distintos: el DUA como marco de diseño
inclusivo y la IA como conjunto de herramientas de adaptación y apoyo (Alcivar-
Cordova et al., 2025). Metodológicamente, la revisión es viable porque existe ya un
cuerpo creciente de revisiones sistemáticas, lineamientos internacionales y estudios
sobre formación docente que permiten comparar hallazgos, identificar convergencias
y delimitar condiciones de implementación responsable (Rusconi & Squillaci, 2023;
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 229
Artículo Científico
Abril – Junio 2026
Tan et al., 2025). De hecho, la evidencia disponible sugiere que la formación
específica fortalece competencias para planificar entornos accesibles, mientras que la
integración efectiva de IA depende de alfabetización docente, desarrollo profesional
continuo y criterios de gobernanza educativa (Rusconi & Squillaci, 2023; Tan et al.,
2025).
A la luz de estas brechas y condiciones, el propósito de este artículo es analizar cómo
la implementación de IA puede potenciar el DUA en educación básica mediante la
formulación de un modelo adaptativo para aulas diversas (Zhang et al., 2024; CAST,
2024). En términos operativos, la revisión se orienta a identificar los principios del DUA
más pertinentes para la mediación con IA, examinar las aplicaciones de IA con mayor
potencial para ampliar acceso, participación y expresión del alumnado, y comparar
riesgos, oportunidades y condiciones pedagógicas, éticas y organizativas de su
adopción en contextos escolares diversos (Varsik & Vosberg, 2024; Melo-López et al.,
2025). Con ello, se espera ofrecer una contribución original: no solo resumir evidencia
existente, sino reorganizarla en una propuesta interpretativa que conecte
personalización tecnológica con inclusión pedagógica desde una lógica preventiva,
evitando que la IA se use como sustituto del juicio docente y situándola, en cambio,
como un recurso para fortalecer la agencia del estudiante y la capacidad de respuesta
del aula diversa (Miao & Holmes, 2023; UNESCO, 2021).
2. Materiales y métodos
Se desarrolló una revisión bibliográfica exploratoria de carácter documental, con
orientación cualitativa y alcance descriptivo-interpretativo, adecuada para un objeto
de estudio todavía en consolidación, como la articulación entre inteligencia artificial y
Diseño Universal para el Aprendizaje en educación básica. En coherencia con esta
finalidad, el interés no estuvo en estimar efectos agregados ni en contrastar
intervenciones homogéneas, sino en reconocer cómo se ha configurado el campo,
qué conceptos lo organizan, qué aplicaciones se reportan, qué tensiones éticas y
pedagógicas emergen y qué vacíos persisten (Herrera-Sánchez et al., 2025). Bajo esa
lógica, el trabajo se estructuró como una síntesis de literatura apoyada en una
secuencia explícita de formulación del problema, delimitación del alcance, búsqueda,
selección, extracción y análisis temático, con criterios de transparencia inspirados en
marcos contemporáneos para revisiones y scoping reviews, aunque sin convertir el
estudio en una revisión sistemática estricta (Casanova-Villalba et al., 2024a).
A partir de ello, la estrategia de búsqueda se concentró en bases de datos pertinentes
para educación, ciencias sociales y tecnología educativa, privilegiando Scopus, Web
of Science y ERIC, y complementando la localización con SciELO, Dialnet y Google
Scholar para ampliar la cobertura iberoamericana y recuperar literatura difícil de
indexar en bases internacionales. La ventana temporal principal se fijó entre 2015 y
2025 para captar la aceleración reciente de la IA en educación, sin excluir trabajos
seminales previos cuando resultaron indispensables para definir el DUA o precisar
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 230
Artículo Científico
Abril – Junio 2026
categorías conceptuales. Los descriptores se formularon en español e inglés y se
combinaron mediante operadores booleanos, con expresiones como “inteligencia
artificial”, “artificial intelligence”, “universal design for learning”, “DUA”, “educación
básica”, “K-12”, “inclusive education”, “adaptive learning” y “diverse classrooms”. Esta
construcción de la búsqueda respondió al principio de exhaustividad razonable, propio
de revisiones de alcance amplio, y a la necesidad de asegurar trazabilidad en la
recuperación de fuentes (Casanova-Villalba et al., 2024b).
De manera coherente con lo anterior, se establecieron criterios de inclusión orientados
a conservar documentos directamente vinculados con al menos uno de los dos ejes
del estudio —IA o DUA— y, de preferencia, con su intersección en contextos de
educación básica o escolaridad obligatoria. Se admitieron artículos empíricos,
revisiones, estudios teóricos y documentos institucionales de organismos reconocidos
cuando aportaron definiciones, lineamientos o marcos de implementación relevantes
para el problema analizado. En contraste, se excluyeron textos duplicados,
publicaciones sin arbitraje o sin sustento metodológico identificable, trabajos
centrados exclusivamente en educación superior sin posibilidad de transferencia
conceptual al nivel básico y documentos cuyo foco fuese puramente técnico, sin
relación explícita con inclusión, aprendizaje o diseño pedagógico. El proceso de
depuración avanzó desde la lectura de títulos y resúmenes hacia la revisión a texto
completo, registrando decisiones de elegibilidad en una matriz de seguimiento para
favorecer consistencia y replicabilidad.
Posteriormente, la extracción de información se organizó en una matriz analítica
diseñada para registrar autoría, año, país o contexto, nivel educativo, propósito del
estudio, tipo de IA considerada, principio o dimensión del DUA implicado, beneficios
reportados, limitaciones observadas y recomendaciones de implementación. Sobre
esa base, la síntesis se desarrolló mediante un procedimiento analítico-sintético y de
codificación temática, útil para identificar regularidades, contrastes y núcleos
argumentales en un corpus heterogéneo. Las categorías se refinaron de manera
iterativa hasta consolidar ejes como personalización del aprendizaje, accesibilidad y
multimodalidad, evaluación y retroalimentación, rol docente, equidad, riesgos éticos y
condiciones institucionales de adopción. Dado el carácter exploratorio del artículo, no
se aplicó una escala única de riesgo de sesgo como requisito de exclusión; en su
lugar, se valoró la consistencia interna de cada fuente, la claridad del procedimiento
descrito, la pertinencia para la pregunta de revisión y la autoridad académica o
institucional del documento.
Finalmente, la revisión se condujo bajo consideraciones éticas propias de la
investigación documental, ya que la unidad de análisis estuvo constituida por fuentes
públicas y no por participantes humanos, de modo que no implicó intervención, riesgo
directo ni tratamiento de datos personales sensibles. Aun así, se resguardaron
principios de integridad académica mediante la trazabilidad de la búsqueda, la
explicitación de criterios de selección, la citación rigurosa en formato APA y la
diferenciación entre hallazgos descritos por las fuentes y las inferencias elaboradas
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 231
Artículo Científico
Abril – Junio 2026
en la síntesis. Este encuadre buscó fortalecer la transparencia del proceso y la utilidad
del artículo como base para futuras revisiones sistemáticas o estudios aplicados sobre
implementación pedagógica de IA en aulas diversas, manteniendo un equilibrio entre
amplitud exploratoria y rigor metodológico.
3. Resultados
3.1. Aplicaciones de la IA para fortalecer el DUA en educación básica
La articulación entre inteligencia artificial y Diseño Universal para el Aprendizaje
adquiere especial densidad pedagógica en la educación básica porque ambos
enfoques, aunque proceden de tradiciones conceptuales distintas, convergen en un
mismo supuesto: la diversidad del alumnado no debe entenderse como una
desviación excepcional del proceso educativo, sino como su condición constitutiva.
Desde esa perspectiva, el DUA plantea que la enseñanza ha de prever, desde el
diseño inicial, múltiples formas de implicación, representación y acción-expresión;
paralelamente, la IA ofrece recursos para modular apoyos, reorganizar trayectorias y
ampliar las mediaciones didácticas con un nivel de granularidad difícil de alcanzar
mediante esquemas homogéneos. No obstante, la literatura reciente insiste en que
esta convergencia no posee un valor intrínsecamente inclusivo, pues sus beneficios
dependen de que la tecnología se inserte en una arquitectura pedagógica deliberada,
humanamente supervisada y éticamente regulada, evitando que la automatización
sustituya el juicio docente o naturalice nuevas formas de exclusión (CAST, 2024;
Crompton et al., 2024; Varsik & Vosberg, 2024).
Tabla 1
Articulación pedagógica entre inteligencia artificial y Diseño Universal para el
Aprendizaje en educación básica
Descripción
La articulación entre inteligencia artificial (IA) y Diseño Universal para el
Aprendizaje (DUA) adquiere gran relevancia pedagógica en la educación básica.
Ambos enfoques coinciden en que la diversidad del alumnado no debe verse
como una excepción, sino como una condición propia y permanente del proceso
educativo.
El DUA propone que la enseñanza se planifique desde el inicio considerando
múltiples formas de implicación, representación y acción-expresión.
La IA brinda recursos para ajustar apoyos, reorganizar trayectorias de
aprendizaje y ampliar las mediaciones didácticas con mayor nivel de precisión y
personalización.
La combinación de IA y DUA permite atender la heterogeneidad del estudiantado
de manera más flexible que los modelos de enseñanza homogéneos.
La literatura señala que esta convergencia no es inclusiva por sí misma, sino que
depende de una implementación pedagógica intencional.
La tecnología debe integrarse en una arquitectura pedagógica deliberada, con
supervisión humana y regulación ética.
Se debe evitar que la automatización reemplace el juicio docente o que genere
nuevas formas de exclusión educativa.
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 232
Artículo Científico
Abril – Junio 2026
Descripción
Esta postura es respaldada por estudios recientes como CAST (2024), Crompton
et al. (2024) y Varsik y Vosberg (2024).
Nota: (Autores, 2026).
En lo que respecta a la personalización de contenidos y actividades de aprendizaje,
la IA introduce una capacidad de ajuste dinámico que resulta particularmente afín al
principio del DUA de diseñar para la variabilidad. A diferencia de la enseñanza lineal,
que suele presuponer ritmos, intereses y repertorios cognitivos relativamente
uniformes, los sistemas adaptativos permiten reorganizar secuencias, graduar la
dificultad, recomendar actividades, anticipar apoyos y diversificar rutas de acceso al
contenido a partir de patrones de interacción y desempeño (Piedra-Castro et al.,
2024). Una revisión sistemática reciente sobre educación adaptativa, basada en 142
estudios empíricos, concluyó que la IA ha robustecido los procesos de personalización
al integrar aprendizaje automático, analítica multimodal y modelos de decisión que
ajustan el contenido en tiempo real, mejoran el involucramiento del estudiante y
pueden contribuir a la equidad educativa, aunque también plantean desafíos
vinculados con privacidad y sesgo algorítmico (Hariyanto et al., 2025). En términos
complementarios, la revisión de Zhang y Tur sobre ChatGPT en K-12 subraya que la
IA generativa puede asistir al profesorado en la diferenciación didáctica, la elaboración
de materiales y la optimización de experiencias de aprendizaje más ajustadas a la
heterogeneidad del aula, siempre que su uso no se limite a la automatización
superficial de tareas, sino que se oriente a decisiones pedagógicas fundamentadas
(Zhang & Tur, 2024). Así, la personalización que fortalece el DUA no consiste en
“individualizar” de manera atomizada a cada estudiante, sino en ampliar el repertorio
de caminos legítimos para aprender sin quebrar la cohesión curricular del grupo
(CAST, 2024; Hariyanto et al., 2025; Zhang & Tur, 2024).
Sin embargo, conviene matizar que no toda adaptación automatizada equivale a una
personalización pedagógicamente valiosa. La literatura especializada ha advertido
que los modelos algorítmicos pueden clasificar, predecir o recomendar con notable
eficacia técnica, pero ello no garantiza que comprendan la complejidad contextual del
aprendizaje escolar ni las mediaciones socioemocionales que estructuran la
experiencia educativa cotidiana. En el caso del alumnado con dificultades específicas
de aprendizaje, la revisión de Panjwani-Charania y Zhai muestra que la IA posee un
potencial apreciable para apoyar procesos de identificación, asistencia y mejora
funcional, pero el número de estudios empíricos sigue siendo limitado y aún se
requieren más investigaciones sobre cómo estas herramientas pueden apoyar el
aprendizaje más allá del diagnóstico (Panjwani-Charania & Zhai, 2024). En
consonancia con ello, el informe de la OECD advierte que el potencial adaptativo de
la IA debe leerse junto con riesgos persistentes: problemas de acceso desigual,
sesgos inherentes, insuficiente formación docente y la posibilidad de profundizar
disparidades ya existentes si la personalización se despliega sin sensibilidad cultural
ni criterio inclusivo (Varsik & Vosberg, 2024). Por tanto, la afinidad entre IA y DUA se
vuelve fecunda solo cuando la adaptación tecnológica se subordina a una lógica de
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 233
Artículo Científico
Abril – Junio 2026
equidad, interpretación profesional y vigilancia crítica de las decisiones automatizadas
(Panjwani-Charania & Zhai, 2024; Varsik & Vosberg, 2024).
En segundo lugar, la mejora de la accesibilidad y la representación múltiple de la
información constituye probablemente el terreno donde la alianza entre IA y DUA se
vuelve más visible desde el punto de vista inclusivo. El DUA sostiene que ningún
formato único de presentación resulta óptimo para todos los estudiantes; por ello,
promueve la coexistencia de múltiples canales de acceso al conocimiento. Bajo esta
premisa, la IA amplía de forma significativa la capacidad de traducir, transcribir,
sintetizar, describir y reconfigurar la información en modalidades diversas, lo que
favorece el acceso de estudiantes con barreras sensoriales, lingüísticas, cognitivas o
atencionales. La revisión sistemática de Melo-López y colaboradores señala
justamente que la IA puede potenciar la educación inclusiva mediante herramientas
de accesibilidad, apoyo adaptativo y mediaciones personalizadas que amplían la
participación de grupos históricamente marginados del diseño estandarizado de la
enseñanza (Melo-López et al., 2025). De forma convergente, la revisión de Crompton
y colegas, centrada en K-12, identifica entre las principales affordances de la IA
aquellas vinculadas con la personalización, ciertos apoyos pedagógicos y
herramientas diagnósticas, aunque recuerda que persisten obstáculos relacionados
con habilidades tecnológicas insuficientes, percepciones negativas y dificultades de
diseño y uso (Crompton et al., 2024). Vista desde el DUA, la accesibilidad no es un
añadido compensatorio, sino una propiedad del entorno de aprendizaje; en ese
sentido, la IA puede enriquecer la representación múltiple solo cuando sus
funcionalidades se integran en una pedagogía que conciba la diversidad como punto
de partida y no como excepción tardíamente atendida (CAST, 2024; Melo-López et
al., 2025; Crompton et al., 2024).
Aun así, sería metodológicamente improcedente asumir que más formatos equivalen
automáticamente a mayor inclusión. La accesibilidad efectiva no depende
exclusivamente de la disponibilidad de salidas multimodales, sino de su pertinencia
didáctica, inteligibilidad y articulación con los objetivos de aprendizaje. UNESCO ha
señalado que la IA generativa exige marcos regulatorios y pedagógicos centrados en
el ser humano, precisamente porque su rápida expansión puede dejar desprotegidos
aspectos clave como la privacidad, la validación institucional de las herramientas y la
calidad de los contenidos producidos (Miao & Holmes, 2023). Esta cautela dialoga con
el trabajo de Varsik y Vosberg, quienes subrayan que, además de la brecha de acceso,
deben atenderse la responsividad cultural, el riesgo de tecno-capacitismo y la
necesidad de aprendizaje profesional continuo para que la IA no reintroduzca
exclusiones bajo una apariencia de innovación (Varsik & Vosberg, 2024). En
consecuencia, el aporte de la IA a la representación múltiple se torna realmente
consistente con el DUA cuando las salidas tecnológicas no solo diversifican el formato,
sino que también preservan la comprensibilidad, la dignidad del estudiante y la
posibilidad de elegir entre alternativas significativas (Miao & Holmes, 2023; Varsik &
Vosberg, 2024).
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 234
Artículo Científico
Abril – Junio 2026
En tercer término, la retroalimentación inmediata y el seguimiento del progreso
estudiantil configuran una de las contribuciones más sustantivas de la IA al
fortalecimiento del DUA, especialmente porque permiten sostener procesos de
autorregulación, ajuste estratégico y acompañamiento formativo. Las tecnologías
basadas en analítica del aprendizaje y sistemas inteligentes pueden identificar
patrones de avance, detectar zonas de dificultad, visualizar tendencias de
participación y ofrecer señales de apoyo en tiempos mucho más breves que los que
permite, por sí sola, la evaluación tradicional. La revisión de Matcha y colaboradores,
elaborada desde una perspectiva de aprendizaje autorregulado, mostró que los
dashboards de analítica del aprendizaje tienen potencial para apoyar monitoreo,
reflexión y toma de decisiones cuando la información que despliegan se vincula con
procesos pedagógicos claros y comprensibles para el estudiante (Matcha et al., 2020).
A su vez, el estudio de Tzimas y Demetriadis encontró que, cuando la analítica se
acompaña de guía fuerte, aumentan las calificaciones finales, las habilidades de
autorregulación —incluidas actividades metacognitivas, manejo del tiempo,
persistencia y búsqueda de ayuda— y la satisfacción del alumnado (Tzimas &
Demetriadis, 2024). En una línea análoga, Zheng, Niu y Zhong documentaron que la
retroalimentación en tiempo real basada en learning analytics favoreció la elaboración
del conocimiento, la convergencia conceptual, las relaciones interactivas y el
desempeño grupal en entornos colaborativos (Zheng et al., 2022). Desde la lógica del
DUA, esto significa que la IA no solo informa sobre el aprendizaje, sino que puede
convertir esa información en andamiaje para actuar sobre él de forma oportuna,
inteligible y estratégica (CAST, 2024; Matcha et al., 2020; Tzimas & Demetriadis,
2024; Zheng et al., 2022).
Con todo, el seguimiento algorítmico del progreso estudiantil requiere una lectura
crítica para no confundir acompañamiento con vigilancia. La revisión sistemática de
Alfredo y colaboradores resulta especialmente esclarecedora en este punto, ya que
muestra que, pese al crecimiento de la analítica del aprendizaje y de la IA educativa,
aún existe una participación limitada de usuarios finales en el diseño real de estas
herramientas, así como vacíos en torno al control humano, la confiabilidad, la
seguridad y la agencia (Alfredo et al., 2024). Esta observación es decisiva para el
DUA, porque la retroalimentación inclusiva no puede reducirse a una acumulación de
métricas; necesita ser interpretable, negociable y útil para orientar decisiones
pedagógicas y autorreguladoras. Si los estudiantes y docentes no comprenden qué
se mide, cómo se infiere o con qué finalidad se emiten las recomendaciones, la
aparente inmediatez del feedback puede traducirse en opacidad tecnológica y
dependencia cognitiva. Por ello, el valor de la IA en este campo radica menos en su
capacidad de producir datos que en su aptitud para volverlos pedagógicamente
legibles y éticamente aceptables dentro de una relación educativa que sigue siendo
irreductiblemente humana (Alfredo et al., 2024; UNESCO, 2021).
Finalmente, el apoyo a la participación y la expresión diversa del alumnado permite
observar que la IA no solo modifica cómo se accede al contenido, sino también cómo
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 235
Artículo Científico
Abril – Junio 2026
se interviene, se colabora y se demuestra lo aprendido. El DUA reconoce que los
estudiantes difieren de manera sustantiva en sus formas de expresión y en los modos
en que sostienen su implicación; por ello, un entorno coherente con este marco debe
abrir posibilidades variadas para escribir, hablar, representar, diseñar, argumentar,
crear y resolver problemas (Torres-Torres, 2024). En ese sentido, la revisión de Zhang
y Tur muestra que herramientas como ChatGPT pueden asistir al profesorado en la
planificación curricular, la generación de recursos, la diferenciación y la optimización
de experiencias de aprendizaje personalizadas, lo que amplía indirectamente las vías
de participación y producción escolar (Zhang & Tur, 2024). Más específicamente, el
estudio de Kim y Kwon sobre un currículo inclusivo de IA para estudiantes de primaria
evidenció que un diseño apoyado en herramientas tangibles, colaboración y
resolución de problemas cotidianos produjo mejoras significativas en conocimiento
sobre IA, percepciones e intenciones conductuales, cerrando además las brechas
iniciales observadas sin diferencias finales atribuibles al género (Kim & Kwon, 2024).
Esto sugiere que la participación diversa no se potencia solo ofreciendo más opciones
de respuesta, sino configurando experiencias donde distintos perfiles de estudiantes
puedan intervenir con legitimidad, agencia y sentido de pertenencia (CAST, 2024;
Zhang & Tur, 2024; Kim & Kwon, 2024).
En suma, la evidencia examinada permite sostener que la IA puede fortalecer el DUA
en educación básica en cuatro planos interdependientes: intensificando la
personalización sin fragmentar el currículo, ampliando la accesibilidad y la
representación multimodal, enriqueciendo la retroalimentación formativa y
multiplicando las vías de participación y expresión del alumnado. No obstante, la
literatura más sólida coincide en que tales beneficios no emergen de manera
espontánea por el mero uso de tecnologías avanzadas. Para que esta convergencia
produzca efectos inclusivos reales, se requieren formación docente sostenida, diseño
centrado en el usuario, sensibilidad ética, supervisión humana, participación de
estudiantes y profesores en la configuración de las herramientas, y vigilancia activa
frente a sesgos, desigualdades de acceso y usos pedagógicamente pobres de la
automatización (Crompton et al., 2024; Alfredo et al., 2024; Varsik & Vosberg, 2024;
Miao & Holmes, 2023). En otras palabras, la IA robustece el DUA no cuando
reemplaza la mediación educativa, sino cuando amplía la capacidad de la escuela
para responder, con mayor fineza y justicia, a la heterogeneidad irreductible de las
aulas contemporáneas (CAST, 2024; Crompton et al., 2024; Varsik & Vosberg, 2024).
4. Discusión
La discusión de los hallazgos permite sostener que la relación entre inteligencia
artificial y Diseño Universal para el Aprendizaje no debe interpretarse como una simple
yuxtaposición entre innovación tecnológica e inclusión, sino como una convergencia
condicionada por el modo en que se concibe la diversidad escolar. La evidencia
revisada sugiere que el DUA mantiene un valor pedagógico relevante para ampliar
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 236
Artículo Científico
Abril – Junio 2026
acceso, participación y aprendizaje; sin embargo, también muestra que su
implementación en contextos escolares suele verse obstaculizada por traducciones
parciales del marco, apropiaciones instrumentales y dificultades para pasar de los
principios a decisiones didácticas consistentes (Moreira-Alcivar, 2025). En ese
escenario, la IA aparece menos como una solución autónoma que como un dispositivo
de mediación capaz de intensificar la plasticidad del diseño didáctico, siempre que no
desplace la deliberación pedagógica ni la responsabilidad ética del profesorado
(Almeqdad et al., 2023; CAST, 2024; Zhang et al., 2024; Crompton et al., 2024).
Desde esta perspectiva, uno de los aportes más significativos identificados en la
revisión radica en la personalización de contenidos y actividades de aprendizaje
(Bazurto-Mendoza et al., 2025). La literatura reciente coincide en que los sistemas
adaptativos basados en IA pueden reorganizar secuencias, modular niveles de
dificultad y ofrecer apoyos diferenciados en función de trayectorias de desempeño, lo
que resulta conceptualmente afín a la exigencia del DUA de planificar para la
variabilidad y no para un supuesto alumno promedio (Silva Alvarado & Herrera Navas,
2022). No obstante, esta afinidad no debería derivar en una celebración acrítica de la
personalización algorítmica, ya que el riesgo de convertir la diversidad en un conjunto
de perfiles fijos o de reducir la experiencia educativa a patrones de datos sigue siendo
considerable (Torres, 2025). En consecuencia, el valor de la adaptación inteligente
reside en su capacidad para ampliar opciones pedagógicas sin cristalizar categorías
deficitarias ni consolidar nuevas asimetrías de acceso, interpretación o expectativa
sobre el alumnado (Hariyanto et al., 2025; CAST, 2024; Varsik & Vosberg, 2024).
De manera concomitante, los resultados sobre accesibilidad y representación múltiple
permiten afirmar que la IA puede robustecer uno de los núcleos más sustantivos del
DUA: la provisión de múltiples formas de acceso al conocimiento. Herramientas
capaces de transcribir, traducir, simplificar, describir o reconfigurar materiales en
distintos formatos pueden reducir barreras para estudiantes con perfiles sensoriales,
lingüísticos o cognitivos heterogéneos, y con ello acercar la enseñanza a un ideal más
genuino de inclusión preventiva. Sin embargo, la accesibilidad efectiva no depende
exclusivamente de la abundancia de formatos, sino de la pertinencia didáctica, la
inteligibilidad de las mediaciones y la preservación de la agencia del estudiante frente
a tecnologías cada vez más opacas. Por ello, los hallazgos revisados invitan a leer la
multimodalidad asistida por IA no como un atributo técnico autosuficiente, sino como
una propiedad pedagógica que requiere supervisión humana, resguardo ético y una
comprensión situada de las barreras que el entorno escolar produce o reproduce
(Melo-López et al., 2025; CAST, 2024; UNESCO, 2023; Varsik & Vosberg, 2024).
En cuanto a la retroalimentación inmediata y al seguimiento del progreso estudiantil,
la revisión permite una lectura matizada. Por un lado, la IA amplía la capacidad de
generar información oportuna sobre avances, dificultades y patrones de interacción,
lo que puede fortalecer procesos de autorregulación y ajuste didáctico en tiempo real;
por otro, esta misma capacidad puede degenerar en una cultura de monitoreo
intensivo si los datos no se traducen en apoyos comprensibles, negociables y
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 237
Artículo Científico
Abril – Junio 2026
pedagógicamente significativos (Quinga-Villa et al., 2025). En otras palabras, la
promesa formativa de la IA no se agota en producir más información, sino en
transformar esa información en retroalimentación inteligible para estudiantes y
docentes. De ahí que el hallazgo más relevante no sea la velocidad del feedback, sino
su potencial para orientar decisiones con sentido formativo, evitando que la evaluación
automatizada sustituya la mediación interpretativa que exige toda pedagogía inclusiva
(Tzimas & Demetriadis, 2024; Crompton et al., 2024; Varsik & Vosberg, 2024).
A su vez, el apoyo a la participación y a la expresión diversa del alumnado refuerza la
tesis de que la contribución de la IA al DUA no se limita al acceso al contenido, sino
que también incide en las formas legítimas de intervenir, colaborar y demostrar
aprendizaje (Bonilla-Vimos & Logroño-Naranjo, 2025). La evidencia revisada sugiere
que currículos inclusivos de IA para primaria, así como usos pedagógicos prudentes
de herramientas generativas en K-12, pueden ampliar repertorios expresivos, facilitar
la construcción colaborativa y reducir ciertas brechas de participación cuando el
diseño didáctico privilegia actividades tangibles, resolución de problemas y producción
multimodal. Con todo, esta apertura expresiva solo resulta pedagógicamente valiosa
si evita la delegación excesiva de la autoría cognitiva en la herramienta y si preserva
el desarrollo de competencias de argumentación, creación y juicio. Por ello, más que
reemplazar la voz del estudiante, la IA debería ensanchar los medios a través de los
cuales esa voz se vuelve visible, audible y académicamente reconocible (Kim & Kwon,
2024; Zhang & Tur, 2024; CAST, 2024).
Ahora bien, los hallazgos también muestran que el principal punto de inflexión no se
sitúa exclusivamente en la sofisticación de las herramientas, sino en la capacidad
institucional y profesional para integrarlas con criterio pedagógico. La formación
docente emerge aquí como una variable decisiva, pues el DUA no se implementa por
mera adhesión declarativa, del mismo modo que la IA no produce inclusión por simple
disponibilidad tecnológica. La literatura sobre desarrollo de competencias docentes en
DUA indica que la formación específica mejora la comprensión y la aplicación del
marco, mientras que las orientaciones internacionales sobre IA en educación insisten
en la necesidad de una gobernanza centrada en el ser humano, con criterios de
transparencia, protección de datos y supervisión profesional. En este sentido, la
revisión confirma que la ecuación pedagógica pertinente no es IA más inclusión, sino
IA mediada por profesorado formado, instituciones capaces de regular su uso y
diseños didácticos sensibles a la variabilidad real de las aulas (Rusconi & Squillaci,
2023; UNESCO, 2023; Varsik & Vosberg, 2024; Crompton et al., 2024).
No obstante, la discusión también obliga a reconocer limitaciones importantes en el
estado del conocimiento disponible. Buena parte de la literatura revisada es
heterogénea en sus definiciones, en los contextos de aplicación y en los indicadores
con los que evalúa éxito, inclusión o aprendizaje, lo que dificulta establecer inferencias
firmes sobre magnitud de efectos y condiciones de transferencia entre escenarios.
Además, aunque existen revisiones robustas sobre DUA y sobre IA en educación, la
intersección específica entre ambas todavía aparece fragmentada, con predominio de
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 238
Artículo Científico
Abril – Junio 2026
estudios conceptuales, revisiones amplias o experiencias localizadas, y con una base
empírica desigual en educación básica (Rosero-Cardenas et al., 2024). Esta situación
aconseja prudencia interpretativa: el potencial de la IA para potenciar el DUA es
consistente como horizonte teórico-práctico, pero aún requiere diseños más
longitudinales, comparativos y contextualmente sensibles que permitan distinguir
innovación pedagógica genuina de simple novedad tecnológica (Zhang et al., 2024;
Crompton et al., 2024; Melo-López et al., 2025; Hariyanto et al., 2025).
En términos de síntesis interpretativa, esta revisión permite defender que la
originalidad del problema no radica en demostrar que la IA puede “hacer más” dentro
del aula, sino en esclarecer bajo qué condiciones puede contribuir a que la escuela
haga mejor aquello que el DUA exige desde hace tiempo: diseñar entornos flexibles,
accesibles y dignificantes para una diversidad irreductible de estudiantes (Tamayo-
Verdezoto, 2025). Así, el aporte más sólido del estudio consiste en reordenar la
evidencia hacia un modelo adaptativo en el que la personalización, la accesibilidad, la
retroalimentación y la expresión diversa se entienden como dimensiones articuladas
de una misma arquitectura inclusiva. Desde esta óptica, la IA solo fortalece el DUA
cuando se convierte en una tecnología de ampliación de oportunidades y no en una
maquinaria de clasificación, sustitución docente o homogeneización encubierta; por
ello, el criterio rector de su integración debe seguir siendo pedagógico, ético y
democrático antes que meramente técnico (CAST, 2024; UNESCO, 2023; Varsik &
Vosberg, 2024; Zhang et al., 2024).
5. Conclusiones
En conjunto, el análisis realizado permite concluir que la inteligencia artificial puede
constituirse en un catalizador relevante para potenciar el Diseño Universal para el
Aprendizaje en educación básica, pero únicamente cuando su incorporación se
orienta por finalidades pedagógicas explícitas y no por una lógica de innovación
meramente instrumental. A la luz de la evidencia revisada, la contribución más
consistente de la IA se localiza en cuatro planos complementarios: la personalización
flexible de contenidos y actividades, la ampliación de la accesibilidad y de la
representación múltiple de la información, la retroalimentación oportuna para apoyar
la autorregulación y el seguimiento del progreso, y la expansión de vías legítimas para
la participación y la expresión diversa del alumnado. En ese sentido, la convergencia
entre ambos marcos no confirma una sustitución del trabajo docente, sino una
posibilidad de enriquecer el diseño didáctico para responder con mayor fineza a la
heterogeneidad constitutiva de las aulas contemporáneas.
No obstante, también puede concluirse que el potencial inclusivo de esta articulación
no es automático ni universalizable sin mediaciones. La revisión mostró que la IA no
garantiza por sí misma equidad, accesibilidad ni aprendizaje significativo, ya que sus
beneficios dependen de condiciones habilitantes como la formación docente, la
alfabetización digital crítica, la disponibilidad de infraestructura, la transparencia de los
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 239
Artículo Científico
Abril – Junio 2026
sistemas y la existencia de marcos de gobernanza centrados en el ser humano. De
no considerarse estas condiciones, la misma tecnología que promete adaptar y
ampliar oportunidades podría reproducir sesgos, profundizar brechas de acceso o
reducir la complejidad del aprendizaje a métricas automatizadas. Por ello, el criterio
decisivo para su adopción no debe ser la sofisticación técnica de la herramienta, sino
su capacidad demostrable para disminuir barreras y ampliar oportunidades de
participación, comprensión y expresión en contextos escolares diversos.
Finalmente, el estudio permite afirmar que la principal aportación de esta revisión
bibliográfica consiste en reorganizar una literatura todavía dispersa hacia una
comprensión integrada del vínculo entre IA y DUA. Más que defender un entusiasmo
tecnológico acrítico, los hallazgos respaldan una postura prudente: la IA fortalece el
DUA cuando funciona como recurso de mediación para diversificar apoyos, flexibilizar
trayectorias y reconocer la variabilidad estudiantil como principio de diseño, no cuando
clasifica rígidamente, automatiza sin supervisión o debilita la agencia pedagógica del
profesorado y del propio estudiante. En consecuencia, futuras investigaciones
deberían profundizar en modelos aplicados de implementación en educación básica,
con especial atención a evaluación de impacto, ética, participación docente y
sostenibilidad institucional, de modo que la promesa adaptativa de la IA se traduzca
en prácticas genuinamente inclusivas y no en innovaciones solo aparentes.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Alcivar-Cordova, D. M., Saavedra-Calberto, I. M., Ayala-Chavez, N. E., Pazmiño-
Sarriá, M. E., & Ordoñez-Loor, I. I. (2025). Desigualdades educativas y
estrategias de inclusión en bachillerato en entornos socioeconómicos diversos.
Revista Científica Ciencia Y Método, 3(1), 84-98.
https://doi.org/10.55813/gaea/rcym/v3/n1/55
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-
Maldonado, R. (2024). Human-centred learning analytics and AI in education:
A systematic literature review. Computers and Education: Artificial Intelligence,
6, 100215. https://doi.org/10.1016/j.caeai.2024.100215
Almeqdad, Q. I., Alodat, A. M., Alquraan, M. F., Mohaidat, M. A., & Al-Makhzoomy, A.
K. (2023). The effectiveness of universal design for learning: A systematic
review of the literature and meta-analysis. Cogent Education, 10(1), 2218191.
https://doi.org/10.1080/2331186X.2023.2218191
Bazurto-Mendoza, A. B., Vera-Peña, M. A., Maliza-Muñoz, W. F., & Gómez-
Rodríguez, V. G. (2025). Estrategia pedagógica del uso de los recursos
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 240
Artículo Científico
Abril – Junio 2026
digitales para la educación remota. Revista Científica Zambos, 4(2), 1-20.
https://doi.org/10.69484/rcz/v4/n2/105
Bonilla-Vimos, W. R., & Logroño-Naranjo, S. I. (2025). Modelos predictivos para medir
la eficiencia del juego matemático inclusivo en estudiantes de la unidad
educativa “Manuela Cañizares”, Orellana. Journal of Economic and Social
Science Research, 5(4), 39-52. https://doi.org/10.55813/gaea/jessr/v5/n4/216
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., & Casanova-Villalba, L. A. (2024a).
Spin-offs y su impacto económico en el desarrollo de un ecosistema innovador
y sostenible en Ecuador. En Gestión inteligente: Sinergias en la administración.
(175–192). Editorial Grupo AEA. https://doi.org/10.55813/egaea.cl.82
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., Bravo-Bravo, I. F., & Barba-
Mosquera, A. E. (2024b). Transformación de universidades incubadoras a
creadoras directas de empresas Spin-Off. Revista De Ciencias Sociales, 30(2),
305-319. https://doi.org/10.31876/rcs.v30i2.41911
CAST. (2024). CAST Universal Design for Learning Guidelines version 3.0.
https://udlguidelines.cast.org
CAST. (2024). UDL guidelines 3.0. https://udlguidelines.cast.org/
Crompton, H., Jones, M. V., & Burke, D. (2024). Affordances and challenges of artificial
intelligence in K-12 education: A systematic review. Journal of Research on
Technology in Education, 56(3), 248–268.
https://doi.org/10.1080/15391523.2022.2121344
Ewe, L. P., & Galvin, T. (2023). Universal design for learning across formal school
structures in Europe—A systematic review. Education Sciences, 13(9), 867.
https://doi.org/10.3390/educsci13090867
Hariyanto, Kristianingsih, F. X. D., & Maharani, R. (2025). Artificial intelligence in
adaptive education: A systematic review of techniques for personalized
learning. Discover Education, 4, 458. https://doi.org/10.1007/s44217-025-
00908-6
Herrera-Sánchez, P. J., López -Cudco, L. L., & Mina-Villalta, G. Y. (2025). Uso de
realidad virtual en la formación de habilidades clínicas en estudiantes de
enfermería. Revista Científica Ciencia Y Método, 3(2), 1-14.
https://doi.org/10.55813/gaea/rcym/v3/n2/1
Kim, K., & Kwon, K. (2024). Designing an inclusive artificial intelligence (AI) curriculum
for elementary students to address gender differences with collaborative and
tangible approaches. Journal of Educational Computing Research, 62(7), 1837–
1864. https://doi.org/10.1177/07356331241271059
Kim, K., & Kwon, K. (2024). Designing an inclusive artificial intelligence (AI) curriculum
for elementary students to address gender differences with collaborative and
tangible approaches. Journal of Educational Computing Research, 62(7), 1837–
1864. https://doi.org/10.1177/07356331241271059
Matcha, W., Uzir, N. A., Gašević, D., & Pardo, A. (2020). A systematic review of
empirical studies on learning analytics dashboards: A self-regulated learning
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 241
Artículo Científico
Abril – Junio 2026
perspective. IEEE Transactions on Learning Technologies, 13(2), 226–245.
https://doi.org/10.1109/TLT.2019.2916802
Melo-López, V.-A., Basantes-Andrade, A., Gudiño-Mejía, C.-B., & Hernández-
Martínez, E. (2025). The impact of artificial intelligence on inclusive education:
A systematic review. Education Sciences, 15(5), 539.
https://doi.org/10.3390/educsci15050539
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research.
UNESCO. https://www.unesco.org/en/articles/guidance-generative-ai-
education-and-research
Moreira-Alcivar, E. F. (2025). Aprendizaje basado en retos (ABR) para el fomento del
pensamiento creativo y divergente en adolescentes: diseño, implementación y
evaluación en contextos escolares del nivel secundario. Revista Científica
Zambos, 4(2), 171-184. https://doi.org/10.69484/rcz/v4/n2/119
Ok, M. W., Rao, K., Bryant, B. R., & McDougall, D. (2017). Universal design for learning
in Pre-K to Grade 12 classrooms: A systematic review of research.
Exceptionality, 25(2), 116–138.
https://doi.org/10.1080/09362835.2016.1196450
Panjwani-Charania, S., & Zhai, X. (2024). AI for students with learning disabilities: A
systematic review. En X. Zhai & J. Krajcik (Eds.), Uses of artificial intelligence
in STEM education (pp. 469–493). Oxford University Press.
https://doi.org/10.1093/oso/9780198882077.003.0021
Piedra-Castro, W. I., Burbano-Buñay, E. S., Tamayo-Verdezoto, J. J., & Moreira-
Alcívar, E. F. (2024). Inteligencia artificial y su incidencia en la estrategia
metodológica de aprendizaje basado en investigación. Journal of Economic and
Social Science Research, 4(2), 178–196.
https://doi.org/10.55813/gaea/jessr/v4/n2/106
Posso-De-la-Cruz, A. E., Angulo-Cerezo, M. I., Maliza-Muñoz, W. F., & Bernardes-
Carballo, K. (2025). Gamificación implementada en Quizziz como estrategia de
aprendizaje activo en Ciencias Naturales. Unidad Educativa Academia Militar
“San Diego". Revista Científica Zambos, 4(2), 87-100.
https://doi.org/10.69484/rcz/v4/n2/109
Quinga-Villa, C. A., Cabrera-Suarez, C. X., Medina-León, A., & Maqueira-Caraballo,
G. de la C. (2025). Entornos virtuales de aprendizaje con recursos pedagógicos
para la inclusión de estudiantes con discapacidad física. Journal of Economic
and Social Science Research, 5(4), 72-86.
https://doi.org/10.55813/gaea/jessr/v5/n4/218
Rosero-Cardenas, W. I., Ruiz-Gaona, P. G., Sislema-López, R. N., Tocagon-
Cabascango, J. F., & Tituaña-Sánchez, L. G. (2024). El Futuro del Aprendizaje:
Preparando a los Estudiantes de Primaria para el Mundo Digital. Journal of
Economic and Social Science Research, 4(4), 73–88.
https://doi.org/10.55813/gaea/jessr/v4/n4/133
Rusconi, L., & Squillaci, M. (2023). Effects of a universal design for learning (UDL)
training course on the development teachers’ competences: A systematic
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 242
Artículo Científico
Abril – Junio 2026
review. Education Sciences, 13(5), 466.
https://doi.org/10.3390/educsci13050466
Saavedra-Calberto, I. M., Esmeraldas-Espinoza, A. A., Ayala-Chavez, N. E., Reina-
Bravo, E. G., & Ordoñez-Loor, I. I. (2025). Factores determinantes del
rendimiento académico en estudiantes de bachillerato en instituciones públicas.
Revista Científica Ciencia Y Método, 3(1), 72-83.
https://doi.org/10.55813/gaea/rcym/v3/n1/54
Silva Alvarado, J. C., & Herrera Navas, C. D. (2022). Estudio de Kahoot como recurso
didáctico para innovar los procesos evaluativos pospandemia de básica
superior de la Unidad Educativa Iberoamericano. Journal of Economic and
Social Science Research, 2(4), 15–40.
https://doi.org/10.55813/gaea/jessr/v2/n4/23
Tamayo-Verdezoto, J. J. (2025). Los rezagos de la educación tradicional en los
momentos actuales en el Ecuador: Una educación carcelaria dentro de las
instituciones educativas. Journal of Economic and Social Science
Research, 5(1), 131–145. https://doi.org/10.55813/gaea/jessr/v5/n1/165
Tan, X., Cheng, G., & Ling, M. H. A. (2025). Artificial intelligence in teaching and
teacher professional development: A systematic review. Computers and
Education: Artificial Intelligence, 8, 100355.
https://doi.org/10.1016/j.caeai.2024.100355
Torres Roberto, M. A. (2025). Estrategias de aprendizaje y factores emocionales en
Cálculo Diferencial: Experiencias del estudiantado de ingeniería en Colombia.
Revista Actualidades Investigativas en Educación, 25(2), 1-34.
https://doi.org/10.15517/aie.v25i2.62607
Torres-Torres, O. L. (2024). Evaluación de Genially como herramienta didáctica en la
práctica docente de la educación a distancia. Journal of Economic and Social
Science Research, 4(1), 1–18. https://doi.org/10.55813/gaea/jessr/v4/n1/82
Tzimas, D. E., & Demetriadis, S. N. (2024). Impact of learning analytics guidance on
student self-regulated learning skills, performance, and satisfaction: A mixed
methods study. Education Sciences, 14(1), 92.
https://doi.org/10.3390/educsci14010092
UNESCO. (2021). Recommendation on the ethics of artificial intelligence.
https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-
intelligence
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
https://www.unesco.org/en/articles/guidance-generative-ai-education-and-
research
Varsik, S., & Vosberg, L. (2024). The potential impact of artificial intelligence on equity
and inclusion in education (OECD Artificial Intelligence Papers No. 23). OECD
Publishing. https://doi.org/10.1787/15df715b-en
Zhang, L., Carter, R. A., Greene, J. A., & Bernacki, M. L. (2024). Unraveling challenges
with the implementation of universal design for learning: A systematic literature
Revista Científica Ciencia y Método | Vol.04 | Núm.02 | Abr–Jun | 2026 | www.revistacym.com pág. 243
Artículo Científico
Abril – Junio 2026
review. Educational Psychology Review, 36, Article 35.
https://doi.org/10.1007/s10648-024-09860-7
Zhang, P., & Tur, G. (2024). A systematic review of ChatGPT use in K-12 education.
European Journal of Education, 59(2), e12599.
https://doi.org/10.1111/ejed.12599
Zheng, L., Niu, J., & Zhong, L. (2022). Effects of a learning analytics-based real-time
feedback approach on knowledge elaboration, knowledge convergence,
interactive relationships and group performance in CSCL. British Journal of
Educational Technology, 53(1), 130–149. https://doi.org/10.1111/bjet.13156