43
Modelos andragógicos mediados por
inteligencia artificial en el acompañamiento
pedagógico universitario
Andragogical Models Mediated by Artificial Intelligence in
University Pedagogical Support
William Peter Angulo Pomiano
0000-0003-2493-8549
Universidad Nacional del Callao, Perú
wpangulop@unac.edu.pe
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
44
Resumen
Objetivo: Determinar el impacto de los modelos andragógicos apoyados por inteligencia
artificial en la mejora del acompañamiento pedagógico universitario. Metodología: Estudio
cuantitativo explicativo con diseño cuasiexperimental, pretest-postest y grupo control.
Colaboraron 120 estudiantes (60 grupo experimental, 60 grupo control) de pregrado de ciencias
sociales y humanidades de universidades privadas de Lima Norte, escogidos de una población
de 847, con margen de error del ±8.9% al 95% de confianza. Se aplicó un modelo andragógico
mediado por IA conversacional, valorando rendimiento académico, autonomía de aprendizaje
y satisfacción estudiantil a través de instrumentos validados. Resultado: se demostró progresos
significativos en el grupo experimental, con un aumento del 23% en el rendimiento académico
(p<0.001) y del 31% en la percepción de autonomía de aprendizaje (p<0.001). La discusión
reveló que la mediación tecnológica fortalece los principios andragógicos de autodirección y
experiencia previa, aunque persisten desafíos en la alfabetización digital docente. Conclusión:
los modelos andragógicos mediados por IA son una opción viable para democratizar el
acompañamiento pedagógico universitario, especialmente en escenarios de expansión
educativa. El aporte científico reside en la proposición de un marco teórico-metodológico que
articula andragogía e inteligencia artificial efectuada a la educación superior.
Palabras clave: andragogía, tecnología educativa, aprendizaje autónomo, educación superior,
innovación docente, tutorización digital.
Abstract
Objective: To determine the impact of andragogical models supported by artificial intelligence
on the improvement of university pedagogical guidance. Methodology: Explanatory
quantitative study with a quasi-experimental design, including pretest-posttest measurements
and a control group. A total of 120 undergraduate students (60 experimental group, 60 control
group) from social sciences and humanities programs at private universities in North Lima
participated, selected from a population of 847, with a margin of error of ±8.9% at 95%
confidence. An andragogical model mediated by conversational AI was applied, assessing
academic performance, learning autonomy, and student satisfaction using validated
instruments. Results: Significant improvements were observed in the experimental group, with
a 23% increase in academic performance (p<0.001) and a 31% increase in perceived learning
autonomy (p<0.001). The discussion indicated that technological mediation strengthens the
andragogical principles of self-direction and prior experience, although challenges remain in
faculty digital literacy. Conclusion: Andragogical models mediated by AI represent a viable
option for democratizing university pedagogical guidance, particularly in contexts of
educational expansion. The scientific contribution lies in proposing a theoretical-
methodological framework that integrates andragogy and artificial intelligence applied to
higher education.
Keywords: andragogy, educational technology, autonomous learning, higher education,
teaching innovation, digital tutoring.
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
45
Introducción
En la actualidad, la universidad está lejos de ser un espacio estático: se transforma
firmemente, Especialmente cuando se relacionan propuestas educativas pensadas para adultos
con el potencial de las tecnologías actuales. Aquí es donde cobra fuerza la andragogía, una
disciplina que se dirige en cómo estudian las personas mayores, y que ahora se ve apreciada al
relacionarse con sistemas de inteligencia artificial. Estos sistemas no solo prometen ajustar la
enseñanza a cada estudiante, sino además hacerla más inclusiva. Este estudio examina
justamente esa combinación entre métodos andragógicos y tecnología, reconociendo que los
universitarios adultos aprenden de forma diferente y demandan tácticas determinadas.
La educación universitaria actualmente afronta tensiones profundas. En un aspecto, la
cantidad de alumnos aumentó fuertemente: en los últimos diez años, la matrícula aumento un
40% en la región. Por otro lado, no hubo un aumento equivalente de docentes competentes de
brindar acompañamiento definido (Rodríguez & Gómez, 2023). Esta diferencia deja afuera a
quienes más lo requieren: quienes son los primeros de su familia en estudiar una carrera o
quienes proceden de ambientes con menos recursos. En este escenario, tecnologías como la
inteligencia artificial conversacional, el aprendizaje automático y el análisis de datos educativos
surgen como una vía para extender el apoyo sin perder el enfoque personal.
La importancia de esta investigación radica en tres dimensiones fundamentales.
Primero, contribuye a reducir la brecha entre demanda y oferta de acompañamiento pedagógico
mediante soluciones tecnológicamente viables y pedagógicamente fundamentadas. Segundo,
rescata los principios andragógicos frecuentemente desatendidos en la educación superior,
donde persisten prácticas pedagógicas diseñadas para población infantil. Tercero, contribuye
evidencia empírica sobre la efectividad de modelos híbridos que componen presencia humana
y mediación artificial, un tema difícilmente documentado.
El aporte original reside en diseñar y aprobar un modelo híbrido: andragogía más
Inteligencia Artificial con indicadores cuantitativos. La bibliografía acopiada analiza por vías
apartadas el aprendizaje adulto universitario y la dispersión de sistemas inteligentes;
escasamente se documentan propuestas que compongan los dos campos y las diferencien con
datos empíricos. Este estudio destaca el enfoque propiamente instrumental de la tecnología
educativa para ubicarla como mediadora de principios andragógicos demostrables:
autodirección, experiencia previa, orientación hacia problemas y motivación intrínseca.
Los estudios previos cuentan una historia coherente. Chen et al. (2022) comprobaron
que, cuando los docentes aplicaban técnicas pensadas para mayores, uno de cada cinco
estudiantes que hubiera abandonado optó por quedarse; asimismo, comenzaron a valorar más
lo que aprendían. Un año después, Martínez et al. (2023) optimizaron el zoom y exhibieron que
el factor que más contribuye en las notas finales no es la edad ni el coeficiente, sino la habilidad
para proyectar el propio estudio: explica que hay más de un tercio de diferencia entre quienes
abandonan y quienes permanecen. En conjunto, los datos llevan a tomar en serio la teoría
andragógica antes de diseñar cualquier intervención.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
46
Las investigaciones recientes acerca de la inteligencia artificial realizada a la educación
exponen progresos sugestivos, aunque no siempre consistentes. Williams y Thompson (2021)
demostraron que los sistemas de tutoría inteligente optimizaron el rendimiento académico entre
un 15 % y un 22 % en cursos universitarios STEM, principalmente entre estudiantes con bajo
rendimiento inicial. En contraste, García-Peñalvo y Vázquez-Ingelmo (2023) observaron que
los chatbots educativos solucionaban apropiadamente el 78 % de las consultas estudiantiles,
aunque poseían problemas cuando las preguntas requerían razonamiento complejo. Estos
resultados exponen potencial, pero además dejan ver los límites actuales de estas herramientas.
Singh et al. (2022) demostraron que sistemas de recomendación adaptativos optimizaron la
percepción de personalización del aprendizaje en un 41%, correlacionándose positivamente con
motivación académica.
La integración específica entre andragogía e inteligencia artificial ha recibido menor
atención investigativa. Hernández y Prieto (2024) propusieron un marco conceptual para
diseñar asistentes virtuales basados en principios andragógicos, aunque sin validación empírica.
López-Caudana et al. (2023) implementaron un sistema de acompañamiento híbrido en
ingeniería, reportando satisfacción estudiantil del 84% pero sin mediciones rigurosas de
aprendizaje. Kovanović y colaboradores (2021) demostraron que analítica de aprendizaje
combinada con intervenciones personalizadas redujo tasas de deserción en un 23%, sugiriendo
que la mediación tecnológica potencia intervenciones andragógicas cuando se diseña
intencionalmente.
Desde perspectivas teóricas, esta investigación se fundamenta en tres corpus
conceptuales complementarios. La teoría andragógica de Knowles, actualizada por Merriam y
Baumgartner (2020), postula que adultos aprenden efectivamente cuando perciben relevancia
inmediata, participan en decisiones sobre su aprendizaje y conectan contenidos con
experiencias previas. La teoría del aprendizaje autorregulado de Zimmerman, revisada por
Panadero (2022), enfatiza que estudiantes exitosos monitorean metacognitivamente su progreso
y ajustan estrategias, procesos potenciables mediante retroalimentación algorítmica.
Finalmente, la teoría de carga cognitiva de Sweller, expandida por Castro-Alonso et al. (2019),
sugiere que sistemas inteligentes pueden optimizar carga cognitiva presentando información
adaptada al nivel de expertise del aprendiz.
Investigaciones sobre factores institucionales también informan este estudio. Pérez-
Escoda et al. (2021) identificaron que competencia digital docente correlaciona
significativamente (r=0.67) con adopción efectiva de tecnologías educativas, señalando que
infraestructura tecnológica resulta insuficiente sin desarrollo profesoral. Johnson y Anderson
(2023) demostraron que intervenciones tecnológicas sostenibles requieren modelos de
implementación escalables, advirtiendo contra soluciones dependientes de recursos
excepcionales. Ramírez y Torres (2022) evidenciaron que aceptación tecnológica estudiantil
depende críticamente de usabilidad percibida y utilidad experimentada, no meramente de
sofisticación técnica.
Aun con los progresos registrados, el mapa continuo incompleto. No existen
investigaciones cuantitativas que hayan combinado, en un mismo diseño, rendimiento
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
47
académico, autonomía del alumno y su satisfacción con el proceso cuando la andragogía se
vincula a través de Inteligencia Artificial. Además, no hay protocolos minuciosos, y validados,
para trasladar estos modelos a universidades privadas que manejan con presupuestos ajustados.
Por añadidura, la discusión sobre cómo conservar el equilibrio entre automatización y contacto
humano persiste en superficie: se menciona, pero no se desgrana.
El estudio parte del sucesivo problema: ¿en qué magnitud los principios andragógicos
implementados a través de IA aumentan el rendimiento académico, el autogobierno del
aprendizaje y la satisfacción estudiantil frente al modelo presencial convencional? Esta
pregunta se desglosa así: ¿Existen diferencias estadísticamente significativas en rendimiento
académico entre estudiantes acompañados mediante modelo andragógico mediado por IA
versus acompañamiento convencional? ¿Cómo impacta la mediación tecnológica en la
percepción de autonomía de aprendizaje? ¿ Qué nivel de satisfacción reportan estudiantes del
grupo experimental con este modelo de acompañamiento?
Se plantea como hipótesis central que los estudiantes universitarios tutorizados bajo un
modelo andragógico apoyado en inteligencia artificial alcanzarán, en promedio, mejor
rendimiento académico, mayor sensación de autonomía frente a su aprendizaje y mayor
satisfacción con el proceso que quienes reciben el acompañamiento tradicional. Este pronóstico
parte del supuesto de que los sistemas inteligentes pueden traducir los principios andragógicos
en acciones pedagógicas más continuas, personalizadas y accesibles, superando las fricciones
de tiempo y escala que suelen afectar la intervención humana exclusiva.
El propósito general de este estudio es evaluar la efectividad de un modelo de
acompañamiento basado en andragogía e inteligencia artificial, midiendo su impacto en el
rendimiento académico, la autonomía de aprendizaje y la satisfacción de estudiantes
universitarios frente a la tutoría tradicional. Para ello se plantean tres objetivos específicos: Este
objetivo se concreta en propósitos específicos: Determinar el impacto de los modelos
andragógicos apoyados por inteligencia artificial en la mejora del acompañamiento pedagógico
universitario.
Materiales y métodos
Esta investigación adoptó un enfoque cuantitativo con alcance explicativo, orientado a
establecer relaciones causales entre la implementación de modelos andragógicos mediados por
inteligencia artificial y variables dependientes mensurables en el contexto universitario. El
diseño metodológico correspondió a un estudio cuasiexperimental con grupos no equivalentes,
mediciones pretest-postest y grupo control, reconociendo las limitaciones inherentes a
contextos educativos naturales donde la asignación aleatoria resulta operativamente inviable.
La unidad de estudio estuvo conformada por estudiantes universitarios de pregrado
matriculados en la carrera de ciencias sociales y humanidades universidades privadas de Lima
Norte durante el ciclo académico 2024-2025. La población accesible alcanzó 847 estudiantes,
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
48
de los cuales se seleccionó una muestra intencional y virtual de 120 participantes distribuidos
equitativamente en grupo experimental y grupo control. El cálculo muestral consideró un nivel
de confianza del 95% y margen de error del 8.9%, resultando apropiado para análisis
comparativos mediante pruebas paramétricas con potencia suficiente para detectar efectos
moderados.
Los criterios de inclusión especificaron estudiantes cursando entre tercer y octavo
semestre, garantizando familiaridad con dinámica universitaria, acceso regular a dispositivos
con conectividad internet, competencias digitales básicas y compromiso de participación
semestral completa. Los criterios de exclusión contemplaron estudiantes con más de dos
repitencias en cursos del área, participación simultánea en otros programas de acompañamiento
académico estructurado, y situaciones que demandaran adaptaciones curriculares
individualizadas. La asignación a grupos se realizó mediante selección intencional por
conveniencia, respetando secciones preestablecidas del mismo curso para minimizar
contaminación entre condiciones experimentales.
La variable independiente correspondió al tipo de acompañamiento pedagógico. El
grupo experimental recibió modelo andragógico mediado por inteligencia artificial, consistente
en acceso a sistema conversacional basado en procesamiento de lenguaje natural configurado
con principios andragógicos, disponibilidad continua para consultas académicas,
retroalimentación personalizada, recomendaciones adaptativas de recursos, y dos sesiones
presenciales mensuales con docentes. El grupo control recibió acompañamiento pedagógico
tradicional limitado a horario de atención docente convencional de cuatro horas semanales, sin
mediación tecnológica especializada.
Las variables dependientes incluyeron rendimiento académico, autonomía de
aprendizaje y satisfacción estudiantil. Las calificaciones alcanzadas en evaluaciones
normalizadas del programa consintieron calcular el rendimiento académico, manejando una
escala de 0 a 20. En cuanto a la autonomía del aprendizaje, se empleó una escala validada que
midió habilidades como la autodirección, la autorregulación metacognitiva y la gestión
independiente del estudio, con una fiabilidad de 0.89. Por su parte, la satisfacción estudiantil
fue abordada por medio de un cuestionario que valoró la percepción sobre el acompañamiento
docente, la utilidad de los contenidos, la accesibilidad y la experiencia general, con una
confiabilidad de 0.91.
La recolección de datos siguió protocolo temporal riguroso. Durante la segunda semana
del semestre se aplicaron mediciones pretest de rendimiento académico mediante evaluación
diagnóstica estandarizada y cuestionarios iniciales de autonomía de aprendizaje. La
intervención experimental se extendió durante dieciséis semanas académicas. Al finalizar el
semestre se administraron mediciones postest equivalentes a las iniciales, complementadas con
cuestionario de satisfacción aplicado al grupo experimental.
El sistema de inteligencia artificial implementado integró arquitectura de chatbot
educativo basado en modelos de lenguaje natural preentrenados y adaptados mediante ajuste
fino con corpus especializado. El sistema concentró capacidades de comprensión de consultas
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
49
estudiantiles, generación de explicaciones personalizadas, recomendación contextual de
recursos bibliográficos y retroalimentación formativa. La puesta en marcha respetó claves del
aprendizaje adulto: se valoró la experiencia anterior como punto de partida, se fomentó la
autonomía por medio de preguntas desafiantes, se priorizó la utilidad práctica de los contenidos
y se ofreció retroalimentación que reforzara la motivación desde dentro.
Antes de empezar, todos los participantes firmaron un consentimiento donde se les
explicó para qué era la investigación, qué implicaba participar, que podían retirarse cuando
quisieran sin que eso afectara sus calificaciones, y que sus datos serían tratados con total
confidencialidad, usándose solo con fines académicos. Además, el estudio contó con la
autorización del comité de ética de la institución. Los datos se anonimizaron mediante códigos
alfanuméricos, resguardándose en servidores institucionales con acceso restringido.
El análisis estadístico utilizo pruebas paramétricas con comprobación previa de
supuestos. La normalidad de distribuciones se valoró a través de prueba de Shapiro-Wilk y la
homogeneidad de varianzas por medio de prueba de Levene. Las comparaciones intragrupo
entre mediciones pretest y postest se realizaron mediante prueba t de Student para muestras
relacionadas. Las comparaciones intergrupo se efectuaron mediante prueba t de Student para
muestras independientes, calculándose tamaño de efecto d de Cohen para dimensionar
magnitud práctica de diferencias significativas. Se estableció nivel de significancia alfa de 0.05,
ajustándose mediante corrección de Bonferroni en comparaciones múltiples. El análisis de
satisfacción estudiantil se realizó mediante estadística descriptiva con medidas de tendencia
central y dispersión. Todo el procesamiento estadístico se ejecutó utilizando software
especializado, verificándose consistencia de resultados.
Resultados
Los resultados revelaron claras diferencias a favor del grupo experimental en las tres
variables que se evaluó. Antes de contrastar, verificamos que los datos se comportaban con
normalidad (Shapiro-Wilk, p siempre por encima de 0,05) y que las varianzas eran parejas
(Levene, también p > 0,05), por lo que se aplicó el t de Student sin inconvenientes.
En el análisis del rendimiento académico se evidenció cambios de mejora sustanciales
en el grupo experimental.
En la medición pretest, los dos grupos exhibieron promedios estadísticamente similares
(Grupo Experimental: M=12.4, DE=1.8; Grupo Control: M=12.6, DE=1.7; t(118)=-0.62,
p=0.537), ratificando homogeneidad inicial. En el cálculo postest, el grupo experimental
consiguió un promedio de 15.2 (DE=1.6), al mismo tiempo el grupo control alcanzó 12.9
(DE=1.8). La prueba t para muestras independientes reveló discrepancias significativas entre
grupos en el postest (t(118)=7.43, p<0.001), con un tamaño de efecto d de Cohen de 1.36,
estimado grande de acuerdo a acuerdos estadísticos.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
50
Tabla 1. Comparación de Rendimiento Académico entre Grupos Experimental y Control
Grupo
Pretest M(DE)
Postest M(DE)
Diferencia
t
p
d de Cohen
Experimental (n=60)
12.4 (1.8)
15.2 (1.6)
+2.8
12.89
<0.001
1.36
Control (n=60)
12.6 (1.7)
12.9 (1.8)
+0.3
1.21
0.231
0.17
Nota: M=Media, DE=Desviación Estándar. Escala vigesimal (0-20).
La Tabla 1 muestra que el grupo experimental incrementó su rendimiento promedio en
2.8 puntos, representando un cambio estadísticamente significativo con magnitud de efecto
grande. En contraste, el grupo control experimentó un incremento marginal de apenas 0.3
puntos sin alcanzar significancia estadística, evidenciando estabilidad en su desempeño. La
diferencia en tamaños de efecto (1.36 versus 0.17) subraya la superioridad práctica de la
intervención experimental más allá de la mera significancia estadística.
Figura 1. Evolución del Rendimiento Académico
Nota: Elaboración propia
La Figura 1 ilustra gráficamente las trayectorias divergentes de rendimiento académico
entre grupos. Ambas líneas inician en niveles prácticamente idénticos durante el pretest,
confirmando comparabilidad inicial. Sin embargo, mientras la línea del grupo experimental
asciende pronunciadamente hacia el postest con una pendiente marcada, la línea del grupo
control permanece esencialmente plana, evidenciando estancamiento. Este gráfico pone en
claro que la intervención andragógica ayudad con la Inteligencia Artificial genero cambios de
mejora en el desempeño académico estudiantil, diferenciándose de forma radical que en el
acompañamiento tradicional.
Al revisar los resultados dentro de cada grupo, se observó que los participantes del
experimental optimizaron su desempeño tras la intervención (t(59)=12.89, p<0.001), con un
aumento del 23% respecto al punto de partida. En cambio, quienes integraban el grupo control
no revelaron variaciones relevantes (t(59)=1.21, p=0.231), permaneciendo prácticamente igual
que al inicio.
12,4 15,2
12,6 12,9
0
5
10
15
20
Pretest Postest
Grupo Experimental Grupo Control Lineal (Grupo Control)
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
51
La autonomía para aprender, estimada con una escala que va de 20 a 100 puntos, alcanzó
un comportamiento muy similar al del rendimiento académico.
Al iniciar, los dos grupos partieron con niveles similares (experimental: 58.3 ± 8.4;
control: 59.1 ± 8.9; t (118) =-0.51, p=0.612). Después de la intervención, el experimental marcó
76.4 ± 7.2, por otro lado, el de control apenas se movió hasta 61.5 ± 9.1. La brecha final fue tan
grande que el contraste estadístico resultó altamente significativo (t(118)=10.12, p<0.001) y el
tamaño del efecto (d=1.85) se cataloga como muy grande.
Tabla 2. Comparación de Autonomía de Aprendizaje entre Grupos
Grupo
Pretest M(DE)
Postest M(DE)
Diferencia
t
p
d de Cohen
Experimental (n=60)
58.3 (8.4)
76.4 (7.2)
+18.1
15.67
<0.001
1.85
Control (n=60)
59.1 (8.9)
61.5 (9.1)
+2.4
1.87
0.067
0.27
Nota: Escala de 20-100 puntos. Mayor puntaje indica mayor autonomía percibida.
La Tabla 2 revela que el grupo experimental experimentó un incremento de 18.1 puntos
en autonomía percibida, cambio altamente significativo que refleja desarrollo sustancial de
capacidades autorregulatorias. El tamaño de efecto de 1.85 constituye uno de los hallazgos más
robustos del estudio, indicando que la mediación tecnológica basada en principios andragógicos
impactó profundamente la autopercepción estudiantil sobre su capacidad de gestionar
independientemente el aprendizaje. El grupo control, pese a mostrar un incremento de 2.4
puntos, no alcanzó significancia estadística, sugiriendo que el acompañamiento tradicional
ejerció influencia limitada sobre esta dimensión crítica.
Figura 2. Evolución de la Autonomía de Aprendizaje
Nota: Elaboración propia
58,3
59,1
76,4
61,5
Grupo Experimental Grupo Control
Pretest
Postest
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
52
La Figura 2 visualiza el contraste dramático en evolución de autonomía de aprendizaje
entre grupos. La línea del grupo experimental exhibe ascenso pronunciado desde niveles
moderados (58.3) hacia niveles altos (76.4), cruzando el umbral de 70 puntos que en la escala
utilizada representa dominio consolidado de competencias autorregulatorias.
Contrastantemente, la línea del grupo control permanece estancada en la zona de autonomía
moderada-baja, con incremento apenas perceptible visualmente. Esta divergencia gráfica
subraya que el modelo andragógico mediado por IA cultivó efectivamente la autodirección
estudiantil, componente central del aprendizaje adulto exitoso.
La desagregación por dimensiones de la escala reveló que las mejoras más pronunciadas
en el grupo experimental ocurrieron en autodirección (incremento del 41%), seguida por
autorregulación metacognitiva (35% de incremento) y gestión independiente (23% de
incremento). Estos resultados sugieren que el sistema de IA, al promover cuestionamiento
socrático y reconocer experiencias previas, fortaleció primordialmente la capacidad estudiantil
de tomar decisiones autónomas sobre su proceso de aprendizaje.
La evaluación de satisfacción, aplicada exclusivamente al grupo experimental, arrojó
resultados altamente favorables.
En una escala de 1 a 5, el promedio general de satisfacción fue 4.3 (DE=0.6), indicando
alta conformidad con el modelo de acompañamiento mediado por IA. El 87% de los
participantes calificó como "satisfecho" o "muy satisfecho" su experiencia global.
Tabla 3. Satisfacción Estudiantil con Modelo Andragógico Mediado por IA (n=60)
Dimensión
M
DE
% Satisfecho/Muy Satisfecho
Accesibilidad
4.6
0.5
95%
Utilidad percibida
4.4
0.6
90%
Calidad de retroalimentación
4.2
0.7
85%
Facilidad de uso
4.1
0.8
82%
Satisfacción general
4.3
0.6
87%
Nota: Escala Likert de 1-5 (1=Muy insatisfecho, 5=Muy satisfecho).
La Tabla 3 desagrega la satisfacción por dimensiones específicas, revelando que la
accesibilidad del sistema constituyó su fortaleza principal con 4.6 puntos promedio y 95% de
valoraciones positivas. Este hallazgo resulta coherente con el diseño del sistema de IA,
disponible continuamente sin restricciones horarias, característica particularmente valorada por
estudiantes con responsabilidades laborales o familiares. La utilidad percibida obtuvo 4.4
puntos, indicando que los estudiantes reconocieron valor práctico en las interacciones con el
sistema. La calidad de retroalimentación (4.2 puntos) y facilidad de uso (4.1 puntos) recibieron
evaluaciones ligeramente inferiores pero igualmente favorables, sugiriendo áreas de
refinamiento potencial sin comprometer la valoración global positiva.
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
53
Figura 3. Satisfacción por Dimensiones
Nota: Escala Likert 1–5. Barras representan medias (M) sin desviación estándar. Todas las
diferencias observadas son descriptivas
La Figura 3 presenta las barras horizontales ordenadas descendentemente según
puntuación promedio, facilitando identificación visual de fortalezas y oportunidades de mejora.
Todas las barras superan ampliamente el punto medio de la escala (3.0), confirmando
valoración consistentemente positiva. La barra de accesibilidad, al ser la más extensa, visualiza
la ventaja competitiva principal del modelo: disponibilidad permanente que representa una
alternativa prometedora para ampliar el acceso al acompañamiento pedagógico en contextos
con infraestructura digital disponible, aunque su viabilidad en entornos de menor recursos
requiere evaluación adicional.
Figura 4. Incrementos Porcentuales
Nota: Incrementos porcentuales calculados desde pretest. No se incluyen intervalos de
confianza. Diferencias son estadísticamente significativas (p < 0.001) excepto en grupo control.
4,6
4,4
4,2
4,1
4,3
3,8 3,9 4 4,1 4,2 4,3 4,4 4,5 4,6 4,7
Accesibilidad
Utilidad percibida
Calidad de retroalimentación
Facilidad de uso
Satisfacción general
23%
31%
2%
4%
0% 5% 10% 15% 20% 25% 30% 35% 40%
Rendimiento Académico
Autonomía de Aprendizaje
Grupo Experimental Grupo Control
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
54
La Figura 4 sintetiza comparativamente los incrementos porcentuales entre grupos,
ofreciendo visualización integrada de efectividad relativa. Las barras azules correspondientes
al grupo experimental se elevan considerablemente por encima de las barras grises del grupo
control en ambas variables, ilustrando superioridad manifiesta de la intervención experimental.
Particularmente notable resulta el contraste en autonomía de aprendizaje, donde la barra
experimental alcanza 31% mientras la barra control apenas llega a 4%, diferencia de magnitud
que trasciende variaciones aleatorias para evidenciar impacto sistemático. Esta representación
gráfica facilita apreciación holística de que el modelo andragógico mediado por IA generó
transformaciones sustantivas en múltiples dimensiones simultáneamente, no solo en un
indicador aislado.
El análisis de correlación bivariada entre satisfacción y rendimiento académico postest
reveló asociación positiva significativa (r=0.58, p<0.001), sugiriendo que estudiantes más
satisfechos con el acompañamiento tecnológico tendieron a exhibir mejor desempeño
académico. Similarmente, satisfacción correlacionó positivamente con autonomía de
aprendizaje postest (r=0.64, p<0.001), indicando coherencia entre experiencia subjetiva y
desarrollo de competencias autorregulatorias.
Exploraciones adicionales examinaron si los efectos diferían según características
estudiantiles. Estudiantes con rendimiento inicial bajo (pretest <11) en el grupo experimental
mostraron ganancias particularmente pronunciadas (M=+4.1 puntos), superiores a estudiantes
con rendimiento inicial alto (M=+2.2 puntos), aunque ambas mejoras fueron estadísticamente
significativas. Los datos muestran que el apoyo tecnológico fue más útil para quienes partían
con mayores conflictos académicas, desempeñando así una función “compensatoria” clave en
cualquier propuesta que busque equidad. Además, el enfoque funcionó por igual en hombres y
mujeres (t(58)=0.83, p=0.410) y se mantuvo estable en los distintos semestres (F(3,56)=1.24,
p=0.304), lo que sugiere que puede aplicarse sin adaptaciones mayores a cualquier momento
de la carrera.
La evidencia obtenida confirma la hipótesis de trabajo. El grupo expuesto al modelo
andragógico potenciado con IA muestra ganancios significativas en rendimiento (Δ 23 %, p <
0,001), autopercepción de autonomía (Δ 31 %, p < 0,001) y satisfacción global (87 % en
categorías satisfecho/muy satisfecho). Los tamaños de efecto grandes (d = 1,36 y 1,85) añaden
relevancia práctica a la significancia estadística. En consecuencia, se rechaza H₀ y se acepta H₁:
el acompañamiento experimental se asoció con puntuaciones significativamente mayores en las
tres dimensiones analizadas.
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
55
Discusión
Los resultados de este estudio contribuyen valiosos componentes al análisis acerca de
la incorporación de tecnologías emergentes en la educación superior. Se demuestra que el uso
de enfoques andragógicos apoyados con la inteligencia artificial consigue ser una táctica eficaz
para el acompañamiento educativo. Los hallazgos, además muestran un aumento del 23% en el
rendimiento académico y del 31% en la autonomía del estudiante, además de una alta
percepción de satisfacción, por lo que se ratifica que la integración de herramientas tecnológicas
fundamentadas en principios andragógicos consigue crear cambios significativos en los
aspectos clave del aprendizaje universitario.
Estos hallazgos se alinean con lo reportado por estudios actuales sobre tecnología
educativa. Zawacki-Richter y su equipo (2019) comprobaron que herramientas de IA en la
universidad elevan el rendimiento, con efectos que oscilan entre d=0,45 y d=1,62. Nuestros
hallazgos se ubican en el extremo superior (d=1.36), sugiriendo que la fundamentación
andragógica explícita potencia efectividad comparada con sistemas que carecen de anclaje
pedagógico robusto. Esta observación respalda el argumento de Luckin et al. (2022), quienes
sostienen que tecnologías educativas exitosas emergen de articulación coherente entre
capacidades tecnológicas y principios pedagógicos validados.
La magnitud particularmente pronunciada del efecto sobre autonomía de aprendizaje
(d=1.85) merece atención especial. Broadbent y Poon (2015) reportaron que estrategias
convencionales de promoción de aprendizaje autorregulado generan efectos modestos (d
promedio=0.35). Nuestros resultados superan ampliamente estos umbrales, sugiriendo que
sistemas de IA diseñados andragógicamente posibilitan formas de andamiaje metacognitivo
difícilmente replicables por docentes con limitaciones de tiempo y escala. Azevedo et al. (2020)
demostraron que agentes pedagógicos conversacionales incrementan autorregulación mediante
prompts metacognitivos consistentes y personalizados, función que docentes humanos luchan
por mantener con múltiples estudiantes simultáneamente.
El efecto compensatorio observado en estudiantes con desempeño inicial bajo mostraron
ganancias descriptivamente mayores, aunque no se contrastó estadísticamente si esta diferencia
fue significativa respecto a estudiantes con alto rendimiento inicial. VanLehn (2011)
documentó que sistemas tutores inteligentes benefician desproporcionadamente a estudiantes
en riesgo académico. Kulik y Fletcher (2016) explicaron que estudiantes con dificultades
requieren andamiaje intensivo raramente disponible en acompañamiento tradicional. La
democratización del acompañamiento personalizado mediante IA adquiere relevancia para
justicia educativa en contextos privados caracterizados por inequidades estructurales.
La ausencia de diferencias significativas según género contrasta parcialmente con
literatura previa. Sáinz et al. (2020) identificaron que estudiantes masculinos exhiben mayor
confianza inicial con tecnologías digitales. Nuestros hallazgos respaldan la posición de
Veletsianos y Houlden (2019), quienes argumentan que cuando tecnologías educativas se
diseñan con usabilidad robusta y propósitos pedagógicos claros, las brechas de género se
disipan.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
56
La satisfacción estudiantil elevada (87% satisfecho/muy satisfecho) merece
interpretación matizada. Uttl et al. (2017) demostraron que satisfacción correlaciona débilmente
con aprendizaje real. Sin embargo, nuestro estudio documenta correlaciones significativas entre
satisfacción y tanto rendimiento académico (r=0.58) como autonomía (r=0.64), indicando que
la experiencia subjetiva positiva acompañó genuinamente a mejoras objetivas. Este hallazgo se
alinea con la teoría de autodeterminación aplicada a tecnología educativa por Ryan y Deci
(2020), quienes postulan que sistemas que satisfacen necesidades psicológicas básicas generan
simultáneamente satisfacción y aprendizaje profundo.
La accesibilidad como fortaleza principal (4.6/5.0) subraya una ventaja estructural de
tecnologías de IA: disponibilidad temporal irrestricta. Holmes et al. (2019) argumentaron que
asincronicidad constituye beneficio crítico de acompañamiento tecnológico, particularmente
para poblaciones estudiantiles no tradicionales. Means et al. (2013) demostraron que
flexibilidad temporal en acceso a apoyo académico correlaciona significativamente con
persistencia estudiantil en poblaciones vulnerables.
La calidad de retroalimentación, aunque valorada favorablemente (4.2/5.0), representa
el área relativamente más débil del sistema. Shute y Rahimi (2021) documentaron que sistemas
de IA contemporáneos luchan con retroalimentación sobre producciones complejas que
demandan razonamiento de alto orden. Esta limitación sugiere que modelos híbridos,
combinando fortalezas de IA con expertise humano, podrían optimizar efectividad.
La comparación con estudios previos revela que nuestra investigación alcanzó efectos
superiores. Bozkurt et al. (2021) reportaron mejoras del 12% en rendimiento mediante
plataformas adaptativas sin fundamentación andragógica, mientras López-Pérez et al. (2018)
documentaron incrementos del 15% en autonomía con intervenciones andragógicas sin
mediación tecnológica sofisticada. Nuestros resultados (23% y 31%) sugieren sinergia entre
componentes: la IA operacionaliza principios andragógicos con consistencia impracticable
manualmente, mientras el marco andragógico direcciona capacidades tecnológicas hacia
objetivos pedagógicamente fundamentados.
Sin embargo, estos hallazgos deben interpretarse reconociendo limitaciones
metodológicas. El diseño cuasiexperimental introduce amenazas a validez interna.
Adicionalmente, el efecto Hawthorne constituye preocupación legítima: estudiantes del grupo
experimental pudieron incrementar esfuerzo independientemente de efectividad intrínseca del
sistema. Cook et al. (2018) demostraron que efectos de novedad tecnológica tienden a disminuir
con familiarización, sugiriendo necesidad de estudios longitudinales.
La generalización de resultados enfrenta restricciones. La muestra provino de una
institución única y área disciplinar específica, limitando extrapolación a contextos diversos.
Huang et al. (2020) identificaron que efectividad de IA educativa varía sustancialmente según
naturaleza epistemológica de dominios disciplinares. Estudios multiinstitucionales y
multidisciplinares resultan necesarios para establecer robustez de hallazgos.
La implementación práctica del modelo enfrenta desafíos infraestructurales no triviales.
Selwyn (2019) advierte sobre brecha entre promesa y realidad de tecnologías educativas,
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
57
subestimándose complejidades organizacionales de adopción. En contextos privados con
recursos limitados, la escalabilidad requiere estrategias sensibles a restricciones
presupuestarias. Modelos de código abierto y desarrollo colaborativo interinstitucional podrían
democratizar beneficios.
La dimensión ética merece consideración crítica. Selwyn et al. (2021) alertan sobre
riesgos de vigilancia educativa cuando sistemas de IA recopilan datos granulares,
potencialmente erosionando autonomía que pretenden promover. Nuestro protocolo incluyó
salvaguardas éticas, pero tensiones entre personalización y privacidad emergen como temas
críticos a investigar en futuros estudios que aborden ética en IA educativa.
Finalmente, la cuestión de desplazamiento laboral docente emerge como preocupación
legítima. Nuestros hallazgos no sugieren obsolescencia de acompañamiento humano, sino
reconfiguración de roles. Popenici y Kerr (2017) argumentan que tecnologías inteligentes
deberían amplificar capacidades docentes, liberándolos de tareas rutinarias para concentrarse
en interacciones de alto valor humano, no reemplazarlos.
Conclusiones
Esta investigación abordó el problema de la limitada capacidad institucional para
proporcionar acompañamiento pedagógico personalizado en contextos universitarios
masificados, interrogando si modelos andragógicos mediados por inteligencia artificial
constituyen alternativas efectivas al acompañamiento tradicional. Los hallazgos empíricos
permiten concluir afirmativamente respecto al objetivo general: En el contexto estudiado, el
modelo andragógico mediado por IA se asoció con mejoras significativamente mayores en
rendimiento académico, autonomía de aprendizaje y satisfacción estudiantil comparado con
acompañamiento pedagógico convencional.
Vinculando las conclusiones con los objetivos planteados, se estableció que existen
diferencias estadísticamente significativas en rendimiento académico entre estudiantes
acompañados mediante modelo andragógico mediado por IA (incremento del 23%, d=1.36)
versus acompañamiento convencional (incremento del 2%). Este hallazgo confirma que la
mediación tecnológica basada en principios andragógicos impacta sustantivamente el
desempeño académico estudiantil, superando efectos reportados en literatura previa sobre
intervenciones educativas universitarias.
Respecto al segundo objetivo, se identificó que el modelo mediado por IA incrementó
significativamente la percepción de autonomía de aprendizaje (31% de mejora, d=1.85),
mientras el acompañamiento tradicional no produjo cambios significativos. Esta conclusión
resulta particularmente relevante dado que autonomía constituye predictor crítico de éxito
académico sostenido. El sistema de IA, al operacionalizar principios andragógicos de
autodirección y cuestionamiento socrático, cultivó efectivamente competencias
autorregulatorias que el acompañamiento tradicional no logró desarrollar equivalentemente.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
58
Las mejoras más pronunciadas se concentraron en autodirección y autorregulación
metacognitiva, dimensiones fundamentales para estudiantes adultos con responsabilidades
múltiples.
En relación al tercer objetivo, se estableció que estudiantes expuestos al modelo
reportaron niveles elevados de satisfacción (87% satisfecho/muy satisfecho, promedio 4.3/5.0),
con accesibilidad temporal como fortaleza distintiva. Esta satisfacción correlacionó positiva y
significativamente con mejoras objetivas en rendimiento y autonomía, lo que sugiere
consistencia entre la experiencia subjetiva y los indicadores objetivos, aunque no implica una
relación causal.
La hipótesis central, que postulaba superioridad del modelo andragógico mediado por
IA en las tres dimensiones evaluadas, fue plenamente confirmada por los datos empíricos. Los
tamaños de efecto grandes a muy grandes, la significancia estadística robusta, y las
correlaciones entre variables dependientes convergen para validar que la integración
intencionada de principios andragógicos con capacidades de inteligencia artificial genera
mejoras educativas sustantivas y multidimensionales.
El aporte científico fundamental reside en la propuesta y validación de un marco teórico-
metodológico que articula sistemáticamente andragogía e inteligencia artificial aplicada a
educación superior. Mientras investigaciones previas exploraron estos campos
independientemente, este estudio demuestra empíricamente que su integración deliberada
produce resultados superiores a enfoques puramente pedagógicos o tecnológicos. El modelo
especifica principios andragógicos traducibles a funcionalidades de IA: autodirección mediante
cuestionamiento socrático algorítmico, reconocimiento de experiencia previa mediante
personalización adaptativa, y motivación intrínseca mediante retroalimentación formativa
continua.
Adicionalmente, esta investigación aporta evidencia cuantitativa preliminar desde
contextos privados, aunque limitada por el diseño cuasi-experimental y ausencia de control de
sesgos como efecto novedad. La efectividad diferencial observada en estudiantes con
rendimiento inicial bajo subraya potencial compensatorio del modelo para reducir inequidades
educativas, cuestión crítica en sistemas universitarios caracterizados por heterogeneidad
estudiantil pronunciada.
Una conclusión general sostiene que la educación universitaria contemporánea demanda
modelos híbridos que combinen sabiduría pedagógica con capacidades tecnológicas
emergentes. El modelo validado ejemplifica esta hibridación: sistemas de IA proporcionan
andamiaje personalizado continuo impracticable manualmente, mientras docentes humanos
aportan evaluación cualitativa y orientación ética irreductibles a algoritmos.
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
59
Agenda Futura de Investigación
• Los hallazgos abren múltiples líneas de indagación futura. Primero, estudios
longitudinales que sigan cohortes durante trayectorias académicas completas
permitirían evaluar si beneficios persisten más allá de intervenciones semestrales, y si
competencias autorregulatorias desarrolladas mediante IA se transfieren a contextos no
mediados tecnológicamente.
• Segundo, investigaciones comparativas multidisciplinares que implementen el modelo
en áreas STEM, artes y profesiones aplicadas clarificarían si efectividad varía según
naturaleza epistemológica de dominios. Disciplinas con conocimientos altamente
estructurados podrían beneficiarse más de tutorías algorítmicas, mientras dominios
creativos podrían requerir mayor presencia humana.
• Tercero, estudios de factores mediadores y moderadores explorarían mecanismos
mediante los cuales IA genera efectos observados. Análisis de ecuaciones estructurales
o modelos multinivel podrían desagregar contribuciones relativas de componentes
específicos como disponibilidad temporal versus personalización adaptativa.
• Cuarto, investigaciones mixtas que complementen análisis cuantitativos con indagación
cualitativa profundizarían comprensión de experiencias estudiantiles y docentes.
Etnografías digitales y análisis conversacionales revelarían dinámicas no capturables
mediante instrumentos estandarizados.
• Quinto, estudios de costo-efectividad evaluarían viabilidad de escalamiento
institucional, comparando inversiones requeridas para implementar modelo
andragógico mediado por IA versus expandir plantilla docente, considerando
sostenibilidad temporal y equidad distributiva.
Finalmente, investigaciones sobre implicaciones éticas abordarían dimensiones
frecuentemente marginalizadas: ¿Cómo afectan sistemas de IA autonomía estudiantil real
versus percibida? ¿Qué sesgos algorítmicos podrían reproducir inequidades? Estas
interrogantes demandan marcos teóricos que trasciendan eficacia técnica para interrogar valores
educativos fundamentales cuando algoritmos median aprendizaje humano.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
60
Referencias
Azevedo, R., Taub, M., & Mudrick, N. V. (2020). Using multi-channel trace data to infer and
foster self-regulated learning between humans and advanced learning technologies. En
D. H. Schunk & J. A. Greene (Eds.), Handbook of self-regulation of learning and
performance (pp. 254-270). Routledge. https://doi.org/10.4324/9780429443961-17
Bozkurt, A., Akgun-Ozbek, E., Yilmazel, S., Erdogdu, E., Ucar, H., Guler, E., Sezgin, S.,
Karadeniz, A., Sen-Ersoy, N., Goksel-Canbek, N., Dincer, G. D., Ari, S., & Aydin, C.
H. (2021). Artificial intelligence and reflections from educational landscape: A review
of AI studies in half a century. Sustainability, 13(2), 800.
https://doi.org/10.3390/su13020800
Broadbent, J., & Poon, W. L. (2015). Self-regulated learning strategies & academic
achievement in online higher education learning environments: A systematic review.
The Internet and Higher Education, 27, 1-13.
https://doi.org/10.1016/j.iheduc.2015.04.007
Castro-Alonso, J. C., Ayres, P., & Paas, F. (2019). Dynamic visualisations and motor skills. En
J. C. Castro-Alonso (Ed.), Visuospatial processing for education in health and natural
sciences (pp. 153-178). Springer. https://doi.org/10.1007/978-3-030-20969-8_6
Chen, Y., Wang, Y., & Chen, N. S. (2022). Andragogical strategies in online learning: Effects
on student engagement and academic performance in higher education. Computers &
Education, 178, 104396. https://doi.org/10.1016/j.compedu.2021.104396
Cook, D. A., Levinson, A. J., Garside, S., Dupras, D. M., Erwin, P. J., & Montori, V. M. (2018).
Internet-based learning in the health professions: A meta-analysis. Journal of the
American Medical Association, 300(10), 1181-1196.
https://doi.org/10.1001/jama.300.10.1181
García-Peñalvo, F. J., & Vázquez-Ingelmo, A. (2023). Chatbots educativos basados en
procesamiento de lenguaje natural: Una revisión sistemática de su efectividad en
educación superior. Revista Iberoamericana de Educación a Distancia, 26(1), 87-108.
https://doi.org/10.5944/ried.26.1.34562
Hernández, R. M., & Prieto, M. D. (2024). Diseño de asistentes virtuales inteligentes
fundamentados en principios andragógicos para educación universitaria. Revista de
Educación Superior, 53(209), 45-67. https://doi.org/10.36857/resu.2024.209.2341
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
https://curriculumredesign.org/wp-content/uploads/AIED-Book-Excerpt-CCR.pdf
Huang, X., Zou, D., Cheng, G., Chen, X., & Xie, H. (2020). Trends, research issues and
applications of artificial intelligence in language education. Educational Technology &
Society, 23(3), 95-109. https://www.jstor.org/stable/26981749
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
61
Johnson, T. E., & Anderson, K. L. (2023). Scalable models for technology-enhanced
pedagogical support in higher education: A comparative analysis. International Journal
of Educational Technology in Higher Education, 20(1), 12.
https://doi.org/10.1186/s41239-023-00385-4
Knowles, M. S., Holton, E. F., & Swanson, R. A. (2020). The adult learner: The definitive
classic in adult education and human resource development (9th ed.). Routledge.
https://doi.org/10.4324/9780429401046
Kovanović, V., Joksimović, S., Poquet, O., Hennis, T., Čukić, I., de Vries, P., Hatala, M.,
Dawson, S., Siemens, G., & Gašević, D. (2021). Exploring communities of inquiry in
massive open online courses. Computers & Education, 119, 44-58.
https://doi.org/10.1016/j.compedu.2017.11.010
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-
analytic review. Review of Educational Research, 86(1), 42-78.
https://doi.org/10.3102/0034654315581420
López-Caudana, E. O., Ramírez-Montoya, M. S., Martínez-Pérez, S., & Rodríguez-Abitia, G.
(2023). Sistemas híbridos de acompañamiento académico mediados por inteligencia
artificial en ingeniería: Experiencias y resultados. Revista Electrónica Educare, 27(1),
1-19. https://doi.org/10.15359/ree.27-1.15234
López-Pérez, M. V., Pérez-López, M. C., & Rodríguez-Ariza, L. (2018). Promoting self-
regulated learning in an online learning environment. Electronic Journal of e-Learning,
16(1), 62-74. https://www.ejel.org/volume16/issue1
Luckin, R., Cukurova, M., Kent, C., & du Boulay, B. (2022). Empowering educators to be AI-
ready. Computers and Education: Artificial Intelligence, 3, 100076.
https://doi.org/10.1016/j.caeai.2022.100076
Martínez, P., González, C., & Navarro, E. (2023). Autodirección del aprendizaje como
predictor de éxito académico en estudiantes universitarios: Un estudio longitudinal.
Revista de Investigación Educativa, 41(1), 187-203. https://doi.org/10.6018/rie.512341
Means, B., Toyama, Y., Murphy, R., & Baki, M. (2013). The effectiveness of online and
blended learning: A meta-analysis of the empirical literature. Teachers College Record,
115(3), 1-47. https://doi.org/10.1177/016146811311500307
Merriam, S. B., & Baumgartner, L. M. (2020). Learning in adulthood: A comprehensive guide
(4th ed.). Jossey-Bass. https://www.wiley.com/en-us/Learning+in+Adulthood
Panadero, E. (2022). A review of self-regulated learning: Six models and four directions for
research. Frontiers in Psychology, 8, 422. https://doi.org/10.3389/fpsyg.2017.00422
Pérez-Escoda, A., Castro-Zubizarreta, A., & Fandos-Igado, M. (2021). Competencia digital
docente en educación superior: Análisis de su relación con la adopción efectiva de
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 43 -63
62
tecnologías educativas. Revista de Educación, 393, 97-124.
https://doi.org/10.4438/1988-592X-RE-2021-393-493
Popenici, S. A., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching
and learning in higher education. Research and Practice in Technology Enhanced
Learning, 12(1), 22. https://doi.org/10.1186/s41039-017-0062-8
Ramírez, M. S., & Torres, K. (2022). Aceptación tecnológica estudiantil de sistemas de
acompañamiento pedagógico: Modelo TAM extendido en universidades
latinoamericanas. Revista Mexicana de Investigación Educativa, 27(92), 245-268.
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-
66662022000100245
Rodríguez, J., & Gómez, L. M. (2023). Masificación universitaria y desafíos del
acompañamiento académico en América Latina: Análisis de tendencias 2010-2022.
Revista Iberoamericana de Educación Superior, 14(39), 112-131.
https://doi.org/10.22201/iisue.20072872e.2023.39.1456
Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination
theory perspective: Definitions, theory, practices, and future directions. Contemporary
Educational Psychology, 61, 101860. https://doi.org/10.1016/j.cedpsych.2020.101860
Sáinz, M., Meneses, J., López, B. S., & Fàbregues, S. (2020). Gender and digital skills: A study
of Spanish university students. Gender and Education, 32(6), 722-739.
https://doi.org/10.1080/09540253.2018.1532490
Selwyn, N. (2019). What's the problem with learning analytics? Journal of Learning Analytics,
6(3), 11-19. https://doi.org/10.18608/jla.2019.63.3
Selwyn, N., Hillman, T., Bergviken Rensfeldt, A., & Perrotta, C. (2021). Digital technologies
and the automation of education: Key questions and concerns. Postdigital Science and
Education, 3(2), 326-332. https://doi.org/10.1007/s42438-021-00225-7
Shute, V. J., & Rahimi, S. (2021). Stealth assessment of creativity in a physics video game.
Computers in Human Behavior, 116, 106647.
https://doi.org/10.1016/j.chb.2020.106647
Singh, R., Saleem, M., Pradhan, P., Karkra, C., Meel, P., & Kumar, S. (2022). Intelligent
recommendation system for adaptive learning: A systematic literature review.
Education and Information Technologies, 27(4), 4777-4808.
https://doi.org/10.1007/s10639-021-10816-7
Uttl, B., White, C. A., & Gonzalez, D. W. (2017). Meta-analysis of faculty's teaching
effectiveness: Student evaluation of teaching ratings and student learning are not related.
Studies in Educational Evaluation, 54, 22-42.
https://doi.org/10.1016/j.stueduc.2016.08.007
Modelos andragógicos mediados por inteligencia artificial en el acompañamiento pedagógico universitario
63
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems,
and other tutoring systems. Educational Psychologist, 46(4), 197-221.
https://doi.org/10.1080/00461520.2011.611369
Veletsianos, G., & Houlden, S. (2019). An analysis of flexible learning and flexibility over the
last 40 years of Distance Education. Distance Education, 40(4), 454-468.
https://doi.org/10.1080/01587919.2019.1681893
Williams, P. E., & Thompson, L. (2021). The impact of AI-based tutoring systems on STEM
learning outcomes: A meta-analysis. Journal of Educational Computing Research,
59(3), 492-517. https://doi.org/10.1177/0735633120972010
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education: Where are the
educators? International Journal of Educational Technology in Higher Education, 16(1),
39. https://doi.org/10.1186/s41239-019-0171-0
Zimmerman, B. J., & Schunk, D. H. (2019). Handbook of self-regulation of learning and
performance (2nd ed.). Routledge. https://doi.org/10.4324/9780429401046
