Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 1
Uso de Inteligencia Artificial y su Impacto en la Autonomía del
Aprendizaje Universitario en Chihuahua
Use of Artificial Intelligence and Its Impact on Learner Autonomy in Higher
Education in Chihuahua
Ana Gabriela Franco Díaz
ana.fd@delicias.tecnm.mx
https://orcid.org/0009-0001-3929-6430
Instituto Tecnológico de Delicias
México
Laura Imelda Franco Díaz
laura.fd@delicias.tecnm.mx
https://orcid.org/0009-0000-5794-2646
Instituto Tecnológico de Delicias
México
Saúl Acosta Nájera
saul.an@delicias.tecnm.mx
https://orcid.org/0000-0001-9597-4219
Instituto Tecnológico de Delicias
México
Artículo recibido: 25/02/2026
Aceptado para publicación: 30/03/2026
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 2
RESUMEN
El uso de herramientas de inteligencia artificial en la educación superior ha
transformado las dinámicas de aprendizaje y generado debate sobre su impacto en el
desarrollo de competencias académicas. Este estudio analizó la relación entre el uso
académico de herramientas de inteligencia artificial y la autonomía del aprendizaje en
estudiantes universitarios de instituciones públicas de educación superior en el estado de
Chihuahua. Se utilizó un diseño cuantitativo, no experimental, correlacional y transversal. La
muestra incluyó 133 estudiantes de ingeniería, contabilidad y administración. Se aplicó un
cuestionario tipo Likert con alta confiabilidad (α = .882 y α = .857). Los resultados mostraron
niveles medio-altos en ambas variables y una correlación positiva moderada y
estadísticamente significativa (r = .42, p < .01). Los hallazgos indican que el uso de
inteligencia artificial no reduce la autonomía académica y puede integrarse como apoyo al
aprendizaje autónomo. El estudio aporta evidencia empírica en un contexto universitario
mexicano.
Palabras clave: inteligencia artificial, autonomía del aprendizaje, educación superior,
innovación educativa, estudiantes universitarios
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 3
ABSTRACT
The use of artificial intelligence tools in higher education has transformed learning
dynamics and generated debate regarding their impact on academic competencies. This study
analyzed the relationship between academic use of artificial intelligence tools and learner
autonomy among university students from public higher education institutions in Chihuahua,
Mexico. A quantitative, non-experimental, correlational, cross-sectional design was used. The
sample consisted of 133 undergraduate students from engineering, accounting, and business
programs. A Likert-scale questionnaire showed high reliability (α = .882 for AI use; α = .857
for autonomy). Results revealed medium-high levels in both variables and a moderate,
statistically significant positive correlation (r = .42, p < .01). These findings suggest that AI
use does not reduce academic autonomy and may function as a support tool within self-
regulated learning processes. The study contributes empirical evidence from a Mexican
higher education context.
Keywords: artificial intelligence, learner autonomy, higher education, educational
innovation, university students
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 4
INTRODUCCIÓN
En los últimos cinco años, la inteligencia artificial pasó de ser un tema de laboratorio a
ocupar un lugar cotidiano en la vida académica de millones de estudiantes. No es una
exageración: hoy resulta difícil imaginar un campus universitario donde nadie haya usado
ChatGPT, Gemini u otras herramientas similares para resolver una duda, revisar un texto o
buscar información. Esta presencia masiva no es neutral. Cambia la forma en que los
estudiantes aprenden, y plantea preguntas que la investigación educativa todavía está tratando
de responder.
Una de esas preguntas es si el uso de la inteligencia artificial favorece o debilita la autonomía
del aprendizaje. No hay una respuesta sencilla, en parte porque la respuesta depende de cómo
se use la tecnología, y en parte porque la autonomía del aprendizaje es en sí misma un
constructo complejo que abarca desde la autorregulación cognitiva hasta la motivación
intrínseca y la competencia digital. Este estudio parte de esa pregunta y ofrece evidencia
empírica desde un contexto concreto: estudiantes universitarios de instituciones públicas en el
estado de Chihuahua, México.
La inteligencia artificial en educación no es un fenómeno completamente nuevo. Desde la
década de los noventa existen sistemas de tutoría inteligente que adaptan los contenidos y el
ritmo de enseñanza a cada estudiante (Holmes et al., 2019). Lo que cambió en los últimos
años es la accesibilidad: los modelos de lenguaje generativo están disponibles desde cualquier
dispositivo con conexión a internet, sin costo en muchos casos, y sin necesidad de formación
técnica especializada para usarlos. Esa accesibilidad masificó el uso y, con ello, multiplicó
tanto las oportunidades como los riesgos pedagógicos.
Las oportunidades son reales. Zawacki-Richter et al. (2019) documentaron cómo los sistemas
de IA en educación superior pueden personalizar las rutas de aprendizaje, detectar
dificultades en tiempo real y ofrecer retroalimentación individualizada que en un aula
convencional sería imposible de escalar. Holmes et al. (2019) añaden que estas herramientas
tienen el potencial de liberar tiempo docente para actividades de mayor complejidad
cognitiva, desplazando hacia la máquina las tareas más rutinarias de evaluación y
seguimiento. Kasneci et al. (2023), en un análisis específico sobre los modelos de lenguaje
generativo, señalan que la posibilidad de mantener un diálogo activo con el conocimiento, en
lugar de simplemente consultarlo, representa un cambio cualitativo en la experiencia de
aprendizaje.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 5
Pero los riesgos también están documentados. Dwivedi et al. (2023) identificaron en una
revisión multidisciplinar que el uso de herramientas generativas de IA puede producir lo que
algunos investigadores llaman pereza metacognitiva: el estudiante obtiene una respuesta sin
haber pasado por el proceso de buscar, organizar y sintetizar información. Ese proceso, que
parece lento e ineficiente, es precisamente el que desarrolla las capacidades de análisis y
pensamiento crítico. Si la IA lo reemplaza, el resultado puede ser un estudiante que sabe usar
la herramienta, pero no ha fortalecido las competencias que la herramienta debería apoyar.
Esta tensión es el núcleo del debate. Y no se resuelve tomando una posición a favor o en
contra de la tecnología, sino entendiendo mejor cómo los estudiantes interactúan con ella. No
es lo mismo usar una herramienta de IA para que te dicte un resumen que usarla para
contrastar dos interpretaciones de un fenómeno, generar preguntas sobre un texto o revisar la
lógica de un argumento propio. En un caso, la IA hace el trabajo cognitivo; en el otro, lo
apoya.
La autonomía del aprendizaje es la variable que conecta estas dos posibilidades. Desde la
conceptualización clásica de Holec (1981), la autonomía se entiende como la capacidad del
estudiante para asumir la responsabilidad de su propio proceso de aprendizaje: definir
objetivos, seleccionar estrategias, monitorear el avance y evaluar los resultados. No es una
característica fija ni innata; se desarrolla, y depende tanto de disposiciones internas del
aprendiz como de las condiciones del entorno educativo.
Benson (2011) amplió esta definición al señalar que la autonomía no implica actuar sin
orientación externa, sino tomar decisiones informadas dentro de estructuras educativas. El
estudiante autónomo no es aquel que trabaja solo, sino aquel que sabe qué quiere aprender,
por qué, y qué recursos va a usar para lograrlo. Zimmerman (2002) añade una dimensión
temporal al modelo: los estudiantes autorregulados operan en ciclos de planificación,
ejecución y autorreflexión, y cada ciclo les permite ajustar sus estrategias a partir de lo que
aprendieron en el anterior.
A estas dos dimensiones clásicas, la literatura más reciente agrega una tercera: la
competencia digital. Redecker (2017) argumenta que, en entornos mediados por tecnología,
la autonomía requiere también la capacidad de evaluar críticamente la información producida
por herramientas digitales, identificar sesgos y limitaciones, y usar los recursos tecnológicos
de forma estratégica en lugar de reactiva. Esta dimensión es especialmente relevante cuando
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 6
se trata de herramientas de IA generativa, que producen textos plausibles, pero no siempre
precisos.
La motivación intrínseca es otra pieza del rompecabezas. Deci y Ryan (2000; 2020), desde la
teoría de la autodeterminación, sostienen que los estudiantes que perciben control sobre su
propio aprendizaje muestran mayor compromiso, persistencia y satisfacción académica. La
autonomía, en este marco, no es solo un medio para aprender mejor: también es un fin en sí
mismo, porque un estudiante que aprende a aprender tiene más recursos para adaptarse a
entornos cambiantes a lo largo de su vida.
La relación entre el uso de IA y estas dimensiones de la autonomía no está bien establecida
empíricamente, especialmente en contextos latinoamericanos. González y Ramírez-Montoya
(2024) realizaron una revisión sistemática de estudios sobre IA y educación superior en
América Latina y encontraron que la investigación en la región se concentra en actitudes y
percepciones, con escasez de estudios que midan la relación entre el uso de IA y variables
específicas del proceso de aprendizaje. García-Peñalvo (2023) señala que el debate posterior
al lanzamiento de ChatGPT generó mucha opinión y poca evidencia, y que existe una
necesidad urgente de investigaciones situadas que aporten datos concretos.
En México, esa brecha es aún más pronunciada. El contexto universitario mexicano tiene
características propias: una mezcla heterogénea de infraestructura tecnológica, distintos
niveles de formación docente en el uso de herramientas digitales, y culturas institucionales
que han respondido de manera desigual a la irrupción de la IA. Estudiar cómo los estudiantes
de instituciones públicas en Chihuahua usan la IA y qué relación tiene ese uso con su
autonomía del aprendizaje no solo aporta datos locales, sino que ofrece un punto de
comparación para investigaciones futuras en contextos similares.
Es importante señalar también lo que este estudio no pretende resolver. La correlación, por sí
sola, no permite establecer causalidad. No podemos afirmar a partir de estos datos que el uso
de IA produce autonomía, ni que la autonomía lleva a usar más la IA. Lo que sí podemos
hacer es documentar si existe una asociación entre ambas variables en esta muestra, y a partir
de ahí generar hipótesis que estudios con diseños más robustos puedan contrastar.
Dicho esto, la pregunta que guía esta investigación es la siguiente: ¿cuál es la relación entre
el uso académico de herramientas de inteligencia artificial y la autonomía del aprendizaje en
estudiantes universitarios de instituciones públicas de educación superior en el estado de
Chihuahua? Para responderla, el estudio se propone tres objetivos específicos: describir el
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 7
nivel de uso académico de herramientas de IA en la muestra; describir el nivel de autonomía
del aprendizaje; y analizar la relación estadística entre ambas variables.
METODOLOGÍA
Esta investigación utilizó un enfoque cuantitativo con diseño no experimental, correlacional y
transversal. La elección del diseño responde a la naturaleza de la pregunta de investigación:
no se buscó manipular ninguna variable ni intervenir en el contexto educativo, sino
documentar la relación entre el uso académico de la IA y la autonomía del aprendizaje tal
como ocurre de manera natural en la cotidianidad de los estudiantes. El diseño transversal
permite capturar esa relación en un momento específico, sin seguimiento longitudinal.
La opción por un enfoque cuantitativo se fundamenta en la necesidad de obtener datos que
puedan generalizarse, con mayor cautela, a poblaciones similares, y que permitan
comparaciones futuras con otros estudios. La investigación sobre IA en educación superior en
América Latina todavía es incipiente, y contar con mediciones estandarizadas y coeficientes
de correlación facilita el diálogo con la literatura internacional.
Consideraciones éticas. La participación fue completamente voluntaria. Antes de responder el
cuestionario, todos los estudiantes recibieron una explicación sobre los objetivos del estudio,
el carácter académico de la información solicitada y las condiciones de su participación. Se
obtuvo el consentimiento informado de cada participante. Se garantizó el anonimato: el
instrumento no recabó datos que permitieran identificar directamente a ninguna persona. Los
resultados se reportan exclusivamente de forma agregada. Los participantes fueron
informados de que podían retirarse del estudio en cualquier momento y sin consecuencias
académicas de ningún tipo.
Participantes. La población del estudio estuvo compuesta por estudiantes de pregrado de
instituciones públicas de educación superior en el estado de Chihuahua. La muestra final
incluyó 133 estudiantes, principalmente del Instituto Tecnológico de Delicias y, en menor
medida, de la Facultad de Contaduría y Administración de la Universidad Autónoma de
Chihuahua. Todos cursaban al menos el cuarto semestre en programas de ingeniería,
contabilidad o administración. Este criterio de inclusión se estableció para asegurar que los
participantes tuvieran experiencia previa con la dinámica académica universitaria y hubieran
tenido oportunidad de interactuar con herramientas digitales durante sus estudios.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 8
El muestreo fue no probabilístico por conveniencia, considerando la accesibilidad y la
disposición de los estudiantes para participar. Esta decisión tiene implicaciones para la
interpretación de los resultados: no es posible afirmar que la muestra es representativa del
total de estudiantes universitarios de Chihuahua, ni mucho menos del país. Sin embargo, el
criterio de conveniencia es habitual en estudios exploratorios de este tipo, y los hallazgos
pueden servir como punto de partida para investigaciones con muestras más amplias y
estratificadas.
La distribución por programa académico fue relativamente equilibrada, aunque con
predominio de estudiantes de ingeniería, dado el perfil del Instituto Tecnológico de Delicias.
Esta composición disciplinaria no es aleatoria y podría tener efecto en los resultados, ya que
los patrones de uso de herramientas digitales pueden variar entre carreras. Esta limitación se
discute en el apartado correspondiente.
Instrumento. Se aplicó un cuestionario desarrollado ad hoc con escala Likert de cinco puntos
(1 = totalmente en desacuerdo; 5 = totalmente de acuerdo). El instrumento constó de 24 ítems
distribuidos en tres dimensiones: uso académico de la IA, autonomía del aprendizaje y
percepción de la IA en educación. La construcción de los ítems se basó en la revisión de
literatura especializada sobre aprendizaje autorregulado (Zimmerman, 2002; Panadero,
2017), autonomía académica (Holec, 1981; Benson, 2011) y uso de tecnologías digitales en
educación superior (Redecker, 2017; Holmes et al., 2019).
La dimensión de uso académico de la IA incluyó ítems sobre frecuencia de uso, tipos de
tareas en que se emplea (búsqueda de información, generación de ideas, revisión de textos,
resolución de problemas, entre otras) y percepción del estudiante sobre la utilidad de estas
herramientas. La dimensión de autonomía del aprendizaje abarcó indicadores de
autorregulación, motivación intrínseca y competencia digital, siguiendo el modelo
multidimensional revisado en el marco teórico. La tercera dimensión, sobre percepción de la
IA en educación, recogió actitudes más generales sobre el rol de estas tecnologías en el
proceso formativo.
La validez de contenido del instrumento fue evaluada por un grupo de expertos del campo
educativo, quienes revisaron la claridad de cada ítem, su relevancia respecto a la dimensión
que pretendía medir y la coherencia del conjunto. A partir de esa revisión se realizaron
ajustes de redacción en varios ítems. La confiabilidad se estimó mediante el coeficiente alfa
de Cronbach, que arrojó α = .882 para la escala de uso académico de la IA y α = .857 para la
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 9
escala de autonomía del aprendizaje. Ambos valores superan el umbral de .70 establecido
como aceptable en la literatura metodológica (Nunnally y Bernstein, 1994), lo que indica una
consistencia interna alta.
Es importante señalar que un instrumento de autopercepción, como el utilizado en este
estudio, mide lo que los estudiantes creen sobre su propio comportamiento y capacidades, no
necesariamente lo que hacen o lo que son capaces de hacer. Esta distinción es relevante para
interpretar los resultados con cautela: un estudiante puede reportar niveles altos de autonomía
porque se percibe capaz de gestionar su aprendizaje, aunque en la práctica esa gestión sea
parcial o inconsistente. Los estudios de tipo observacional o con tareas concretas de
desempeño ofrecerían una imagen complementaria y posiblemente más precisa.
Procedimiento de recolección de datos. El cuestionario se aplicó en formato digital durante el
período académico de 2026. La invitación a participar se realizó a través de los docentes de
los programas involucrados, quienes distribuyeron el enlace al instrumento entre sus
estudiantes. Se estableció un período de respuesta de tres semanas y se envió un recordatorio
a la mitad del período para aumentar la tasa de participación. El tiempo estimado de respuesta
era de entre 10 y 15 minutos.
Análisis de datos. El procesamiento y análisis de los datos se realizó con IBM SPSS Statistics
versión 25. En primer lugar, se verificó la calidad de los datos: se revisaron los valores
perdidos, se detectaron respuestas inconsistentes y se depuró la base de datos antes del
análisis. Se calcularon estadísticos descriptivos para cada variable, incluyendo medias,
desviaciones estándar, frecuencias y porcentajes. Para estimar la consistencia interna de las
escalas se utilizó el coeficiente alfa de Cronbach. Finalmente, para analizar la relación entre
el uso académico de la IA y la autonomía del aprendizaje se calculó el coeficiente de
correlación de Pearson, verificando previamente los supuestos de normalidad mediante la
prueba de Kolmogorov-Smirnov. La significancia estadística se estableció en p < .05.
RESULTADOS
Los 133 estudiantes que conformaron la muestra estaban inscritos en programas de
ingeniería, contabilidad y administración, a partir del cuarto semestre. Esta condición de
inclusión garantizó que todos los participantes contaran con al menos dos años de experiencia
universitaria, lo que implica familiaridad con las dinámicas académicas propias de la
educación superior y exposición previa a herramientas digitales en contextos formativos.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 10
Un primer hallazgo descriptivo llama la atención: la totalidad de los participantes, es decir, el
100% de la muestra, reportó haber usado herramientas de inteligencia artificial con fines
académicos al menos una vez durante su trayectoria universitaria. Este dato, aunque no
sorprendente dado el momento histórico en que se realizó el estudio, confirma que estas
tecnologías forman parte de las prácticas cotidianas de los estudiantes universitarios del
contexto analizado. No estamos ante una minoría tecnológicamente aventajada, sino ante un
fenómeno extendido.
La distribución de respuestas dentro de la escala de uso académico de la IA mostró que la
mayoría de los estudiantes se ubican en los valores intermedios y altos de la escala.
Aproximadamente el 60% de los participantes indicó usar herramientas de IA con una
frecuencia que va de semanal a diaria para tareas académicas específicas. Los usos más
frecuentemente reportados fueron la búsqueda y síntesis de información, la generación de
ideas para trabajos escritos, la revisión y corrección de textos propios, y la resolución de
dudas conceptuales. Los usos menos frecuentes incluyeron la elaboración completa de
trabajos académicos y la resolución de problemas matemáticos o técnicos.
Estos patrones de uso son relevantes porque no son equivalentes en términos de demanda
cognitiva. Usar IA para buscar información o aclarar dudas es cualitativamente distinto a
usarla para generar el contenido completo de una tarea. El instrumento no permitió distinguir
con precisión entre estos usos en el análisis estadístico principal, pero la información
descriptiva sugiere que una parte importante de los estudiantes emplea estas herramientas de
manera complementaria, no sustitutiva, del proceso de aprendizaje.
Los estadísticos descriptivos correspondientes a las dos variables principales del estudio,
junto con los coeficientes de confiabilidad de cada escala, se presentan en la Tabla 1.
Tabla 1. Estadísticos descriptivos y confiabilidad de las variables
MEDIA
ALFA DE
CRONBACH
Uso de
inteligencia
artificial
3.62
.882
Autonomía de
aprendizaje
3.70
.857
Fuente: Elaboración propia.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 11
La media de 3.62 en la escala de uso académico de la IA indica un nivel medio-alto en esta
variable. Dado que el punto medio teórico de la escala es 3.0, los estudiantes se ubican por
encima del umbral neutral, lo que sugiere una frecuencia de uso moderada pero consistente.
No se trata de un uso esporádico o marginal, sino de una incorporación relativamente regular
de estas herramientas en las actividades académicas cotidianas.
La media de 3.70 en autonomía del aprendizaje es ligeramente superior, lo que indica que los
estudiantes se perciben como capaces de gestionar su propio proceso formativo a un nivel
medio-alto. Los ítems que obtuvieron las puntuaciones más altas fueron los relacionados con
la planificación de actividades de estudio y con la búsqueda de recursos adicionales cuando
no se comprende un tema. Los ítems con puntuaciones más bajas correspondieron a la
autoevaluación sistemática del propio desempeño y a la modificación activa de estrategias de
aprendizaje cuando los resultados no son los esperados, lo que sugiere que esas dimensiones
más reflexivas de la autorregulación son las que presentan mayor margen de desarrollo.
La proximidad entre las medias de ambas variables no es en sí misma evidencia de relación
entre ellas, pero motivó el análisis inferencial. Antes de calcular el coeficiente de correlación
de Pearson, se verificó el supuesto de normalidad. La prueba de Kolmogorov-Smirnov indicó
que ambas distribuciones no se alejaron significativamente de la normalidad, lo que validó el
uso del coeficiente de Pearson como medida de asociación. Los resultados del análisis de
correlación se presentan en la Tabla 2.
Tabla 2. Análisis de correlación
R
P
Uso de IA
autonomía de
aprendizaje
.42
< .01
Fuente: Elaboración propia.
El coeficiente de correlación de Pearson fue r = .42, con un nivel de significancia p < .01.
Este resultado indica una correlación positiva moderada y estadísticamente significativa entre
el uso académico de la IA y la autonomía del aprendizaje. Siguiendo los criterios
convencionales de interpretación (Cohen, 1988), un coeficiente de .42 se ubica en el rango de
correlación moderada, que va de .30 a .50. Esto significa que existe una asociación real entre
las variables, pero también que el uso de IA explica solo una parte de la varianza en
autonomía: hay otros factores que influyen en el desarrollo de la autonomía del aprendizaje
que este estudio no captura.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 12
El hecho de que la correlación sea positiva implica que los estudiantes con mayores niveles
de uso académico de IA tienden a reportar también mayores niveles de autonomía del
aprendizaje. Pero conviene ser cuidadoso con esta interpretación. No sabemos, con los datos
disponibles, si el uso de IA produce autonomía, si los estudiantes más autónomos son quienes
mejor aprovechan estas herramientas, o si ambas variables responden a un tercer factor no
medido, como la motivación general hacia el aprendizaje o el acceso a recursos tecnológicos.
En síntesis, los resultados muestran que: (a) el uso de herramientas de IA con fines
académicos está generalizado en la muestra estudiada; (b) los niveles percibidos de uso de IA
y de autonomía del aprendizaje son medio-altos; y (c) existe una asociación positiva
moderada y significativa entre ambas variables. Estos tres hallazgos constituyen la base
empírica de las interpretaciones que se desarrollan en el apartado de discusión.
DISCUSIÓN
Los resultados de este estudio muestran que el uso académico de herramientas de inteligencia
artificial y la autonomía del aprendizaje se relacionan de manera positiva en esta muestra de
estudiantes universitarios. Eso no era obvio a priori. Una parte importante del debate en la
literatura apunta en sentido contrario: que el acceso fácil a respuestas generadas
automáticamente podría reducir el esfuerzo cognitivo y, con ello, debilitar las capacidades de
autorregulación y pensamiento crítico (Dwivedi et al., 2023). Los datos de esta investigación
no apoyan esa hipótesis, al menos no de forma directa, aunque tampoco la descartan por
completo.
Vale detenerse en esta aparente contradicción. El instrumento utilizado mide autopercepción:
lo que los estudiantes dicen sobre su propio uso de la IA y sobre su propia autonomía. Es
posible que estudiantes con alta exposición a estas herramientas también hayan desarrollado
mayor confianza en su capacidad para gestionar su aprendizaje, sin que eso se traduzca
necesariamente en mejores desempeños académicos medibles. Esta distinción entre
percepción de autonomía y ejercicio real de autonomía es importante, y abre una línea de
investigación que requiere métodos complementarios: observaciones, análisis de tareas o
evaluaciones de desempeño.
Dicho esto, hay varias interpretaciones plausibles de los resultados que merecen
desarrollarse. La primera, y quizás la más sólida teóricamente, es que los estudiantes con
mayor autonomía son también quienes usan de manera más intencional las herramientas
disponibles, incluida la IA. Esta lectura es coherente con el modelo de aprendizaje
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 13
autorregulado de Zimmerman (2002), que describe a los estudiantes con alta autorregulación
como activos en la selección y uso de recursos de apoyo. Desde este punto de vista, la
correlación no refleja un efecto de la IA sobre la autonomía, sino que los estudiantes más
autónomos incorporan la IA como un recurso más dentro de su repertorio estratégico.
Panadero (2017), en su revisión de seis modelos de aprendizaje autorregulado, sostiene que
las estrategias cognitivas y metacognitivas que caracterizan a los estudiantes autorregulados
incluyen la selección activa de herramientas de apoyo, la evaluación de su eficacia y la
adaptación de su uso según los resultados obtenidos. Un estudiante que usa la IA para
clarificar conceptos, contrastar fuentes o reorganizar información antes de escribir un texto
propio está ejerciendo exactamente ese tipo de regulación. Uno que la usa para producir
directamente el texto que va a entregar, no.
La segunda interpretación posible es la inversa: que el uso de IA, cuando se realiza de manera
reflexiva, favorece el desarrollo de ciertas dimensiones de la autonomía. Los modelos de
lenguaje generativo tienen una característica que los distingue de otros recursos educativos:
responden a preguntas, generan explicaciones y pueden sostener un diálogo que exige al
estudiante formular sus dudas con precisión. Ese proceso de formular preguntas y evaluar las
respuestas recibidas es, en sí mismo, una práctica metacognitiva. No garantiza aprendizaje
profundo, pero lo puede facilitar cuando hay una disposición reflexiva de parte del estudiante.
Kasneci et al. (2023) señalan que los modelos de lenguaje generativo pueden actuar como
interlocutores que ayudan al estudiante a articular lo que sabe y lo que no sabe, un proceso
análogo al que en la psicología educativa se describe como conocimiento condicional: saber
cuándo y por qué usar una estrategia determinada. Si el estudiante usa la IA para hacerse
preguntas más difíciles, explorar perspectivas alternativas o identificar lagunas en su
comprensión, el uso de la herramienta puede estar fortaleciendo la dimensión metacognitiva
de la autonomía.
La teoría de la autodeterminación (Deci y Ryan, 2000; 2020) agrega otro ángulo. Para estos
autores, la autonomía está estrechamente ligada a la motivación intrínseca: los estudiantes
que perciben control sobre su propio aprendizaje se involucran más activamente y persisten
ante las dificultades. Si el uso de herramientas de IA genera en los estudiantes una sensación
de mayor control sobre el proceso, porque pueden resolver dudas de manera inmediata o
avanzar a su propio ritmo, eso podría reforzar la motivación intrínseca y, con ella, los
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 14
comportamientos autónomos. Esta es una hipótesis plausible, pero que requeriría un diseño
experimental o longitudinal para verificarse.
Una tercera interpretación no puede descartarse: que ambas variables respondan a un factor
subyacente no medido. Los estudiantes con mayor acceso a dispositivos de calidad, conexión
estable a internet y tiempo disponible para estudiar podrían puntuar más alto en ambas
escalas simplemente porque sus condiciones materiales facilitan tanto el uso de la IA como el
ejercicio de prácticas autónomas de aprendizaje. Esta hipótesis de confusión no se puede
descartar con los datos disponibles y constituye una limitación que se discute más adelante.
Comparado con la literatura crítica sobre dependencia tecnológica, los hallazgos de este
estudio ofrecen un matiz relevante. Dwivedi et al. (2023) advierten sobre el riesgo de que la
IA reemplace el esfuerzo cognitivo, pero esos riesgos son más probables en condiciones de
uso irreflexivo o cuando no hay orientación pedagógica sobre cómo usar las herramientas. En
la muestra de este estudio, donde la correlación con la autonomía es positiva, es posible que
el uso predominante sea del tipo complementario y estratégico. Pero no podemos afirmarlo
con certeza a partir del instrumento utilizado.
Desde una perspectiva latinoamericana, los resultados se alinean con las observaciones de
Ramírez-Montoya y Lugo-Ocando (2023), quienes señalan que la integración de tecnologías
digitales en contextos universitarios de la región no produce necesariamente los efectos
negativos que algunos estudios europeos o norteamericanos documentan, posiblemente
porque los patrones de uso son distintos y porque las condiciones institucionales generan
formas de apropiación tecnológica diferentes. Sin embargo, advierten también que estas
diferencias contextuales no son razón para bajar la guardia respecto a los riesgos potenciales.
Las implicaciones pedagógicas de los resultados son directas. Si la relación entre uso de IA y
autonomía es positiva en esta muestra, eso sugiere que el problema no es la presencia de la
herramienta, sino las condiciones en que se usa. La respuesta institucional más productiva no
es la prohibición, que, en la práctica resulta difícil de sostener, sino el diseño intencional de
actividades que promuevan un uso reflexivo. Eso implica tareas que requieran al estudiante
evaluar la información producida por la IA, contrastarla con fuentes adicionales, justificar sus
decisiones y reflexionar sobre su propio proceso de aprendizaje.
El papel del docente en ese diseño es ineludible. La integración de la IA en el aula no puede
dejarse al azar ni depender exclusivamente de las decisiones individuales de cada estudiante.
Los docentes tienen la posibilidad de estructurar cómo se usa la herramienta, para qué y con
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 15
qué propósito formativo. Eso requiere formación específica y, en algunos casos, un cambio
en la forma de entender la evaluación: si el objetivo es que el estudiante demuestre que ha
aprendido, no que ha producido un texto sin errores, los criterios y los formatos de evaluación
deben ajustarse en consecuencia.
Finalmente, cabe señalar que los resultados de este estudio no son extensibles sin más a otros
contextos universitarios. Las características de la muestra, las instituciones involucradas y el
momento en que se recolectaron los datos son factores que limitan la generalización. Lo que
sí pueden hacer estos datos es abrir una conversación informada sobre la relación entre IA y
autonomía del aprendizaje en el contexto mexicano, y ofrecer un punto de referencia para
investigaciones futuras con diseños más complejos.
CONCLUSIONES
Este estudio se propuso analizar la relación entre el uso académico de herramientas de
inteligencia artificial y la autonomía del aprendizaje en estudiantes universitarios de
instituciones públicas de educación superior en Chihuahua. Los resultados arrojan tres
conclusiones principales que conviene enunciar con claridad antes de discutir su alcance y
sus limitaciones.
En primer lugar, el uso de herramientas de IA con fines académicos es un fenómeno
generalizado en la muestra estudiada. La totalidad de los participantes reportó haber usado
estas herramientas al menos una vez, y la mayoría indicó un uso regular. Esto confirma que la
IA no es ya una tecnología periférica ni exclusiva de estudiantes con perfil tecnológico
particular, sino parte de la experiencia formativa ordinaria de los universitarios del contexto
analizado.
En segundo lugar, los niveles percibidos de uso de IA y de autonomía del aprendizaje son
medio-altos en esta muestra. Los estudiantes se reportan como usuarios activos de estas
herramientas y como aprendices que gestionan, con distinto grado de consistencia, su propio
proceso formativo. Dentro de la escala de autonomía, las dimensiones de planificación y
búsqueda de recursos adicionales obtuvieron las puntuaciones más altas, mientras que la
autoevaluación sistemática y la modificación activa de estrategias mostraron mayor margen
de desarrollo.
En tercer lugar, existe una correlación positiva moderada y estadísticamente significativa
entre el uso académico de la IA y la autonomía del aprendizaje (r = .42, p < .01). Este
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 16
coeficiente indica que los estudiantes con mayor uso académico de herramientas de IA
tienden a reportar también mayores niveles de autonomía. La magnitud de la correlación es
suficientemente relevante desde el punto de vista educativo, aunque no indica que ambas
variables sean equivalentes ni que una cause la otra.
Estas conclusiones tienen una implicación práctica central: el uso de inteligencia artificial en
la educación superior no está asociado, en esta muestra, con una reducción de la autonomía
del aprendizaje. Esto no equivale a afirmar que la IA siempre favorece la autonomía, ni que
todos los usos sean igualmente beneficiosos. Lo que los datos sugieren es que, en el contexto
estudiado, los estudiantes tienden a integrar estas herramientas de manera complementaria a
sus prácticas de aprendizaje, no como sustituto de ellas.
Para las instituciones educativas, este hallazgo plantea una tarea concreta: en lugar de asumir
que la IA es necesariamente una amenaza para el desarrollo de competencias académicas,
conviene investigar bajo qué condiciones su uso es más o menos favorable. Eso implica
diseñar experiencias de aprendizaje que hagan explícito el propósito del uso de la IA, que
exijan al estudiante evaluar críticamente los resultados que produce y que mantengan la
demanda cognitiva en las tareas, aunque la herramienta facilite algunas de sus etapas.
Para los docentes, el mensaje es similar. La prohibición de la IA en el aula es cada vez más
difícil de sostener y puede generar efectos contraproducentes si los estudiantes aprenden a
usarla de forma oculta, sin orientación pedagógica. Una estrategia más efectiva es diseñar
actividades que integren explícitamente el uso de la IA y que, al mismo tiempo, exijan al
estudiante ir más allá de lo que la herramienta produce: analizar, cuestionar, comparar,
reformular. Ese tipo de demanda cognitiva es compatible con el uso de la IA y, al mismo
tiempo, protege las competencias de pensamiento crítico y autorregulación que la formación
universitaria debe desarrollar.
El estudio tiene limitaciones que es necesario reconocer con honestidad. La principal es el
diseño muestral: el muestreo por conveniencia y la concentración en tres programas
académicos de dos instituciones limitan la posibilidad de generalizar los resultados. Los
hallazgos son válidos para describir la muestra estudiada, pero no permiten afirmar que el
mismo patrón se daría en universidades privadas, en otras disciplinas o en otras regiones del
país. Para obtener conclusiones más generalizables se requieren estudios con muestras
probabilísticas y mayor diversidad disciplinaria e institucional.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 17
Una segunda limitación es el diseño transversal. La correlación observada entre uso de IA y
autonomía del aprendizaje es una fotografía tomada en un momento específico. No permite
saber si esa relación se mantiene en el tiempo, si crece, si disminuye o si cambia de dirección
con el uso sostenido de las herramientas. Los estudios longitudinales son necesarios para
entender la dinámica de esta relación a lo largo de la trayectoria académica de los estudiantes.
Una tercera limitación, mencionada en la discusión, es el uso de instrumentos de
autopercepción. Lo que los estudiantes reportan sobre su propio uso de la IA y sobre su
propia autonomía puede diferir de lo que efectivamente hacen. Estudios que complementen el
cuestionario con observaciones directas, análisis de registros de uso o tareas de desempeño
evaluadas externamente ofrecerían una imagen más completa y más robusta del fenómeno.
A partir de estos resultados y sus limitaciones, se abren varias líneas de investigación que
merecen atención. La primera es el análisis del tipo de uso de la IA, no solo su frecuencia.
Distinguir entre usos más reflexivos y usos más superficiales permitiría identificar qué
formas de interacción con estas herramientas se asocian con mejores indicadores de
autonomía y de aprendizaje. La segunda es la exploración de la relación entre uso de IA y
otras variables formativas relevantes: pensamiento crítico, rendimiento académico,
motivación intrínseca, creatividad. La tercera son los estudios comparativos entre disciplinas,
que permitirían identificar si los patrones observados en ingeniería, contabilidad y
administración se replican en otras áreas del conocimiento.
Los estudios longitudinales, ya mencionados, son quizás la necesidad más urgente. La IA en
educación es un fenómeno en evolución acelerada: las herramientas de hoy no son las de hace
dos años, y las de dentro de dos años serán probablemente más capaces y más integradas en
los entornos de aprendizaje. Documentar cómo cambia la relación entre uso de IA y
autonomía del aprendizaje a lo largo del tiempo, y en respuesta a cambios en las herramientas
disponibles y en las estrategias pedagógicas, es una agenda de investigación de largo plazo
que este estudio apenas inicia.
En el conjunto de la literatura reciente, los resultados de este estudio se alinean con los de
investigaciones que han encontrado asociaciones positivas, aunque moderadas, entre el uso
de herramientas de IA y distintos indicadores de autorregulación y autonomía en la educación
superior. Al mismo tiempo, la literatura también documentó riesgos específicos cuando el uso
de la IA no está acompañado de estrategias metacognitivas: la dependencia tecnológica, la
reducción del esfuerzo reflexivo y lo que algunos investigadores denominan pereza
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 18
metacognitiva. Esa tensión no se resuelve con una posición ideológica a favor o en contra de
la tecnología, sino con investigación situada, con diseños pedagógicos cuidadosos y con una
comprensión realista de lo que los estudiantes hacen con las herramientas que tienen a su
disposición.
Este estudio es un paso en esa dirección. Sus hallazgos no son definitivos ni generalizables
sin cautela, pero ofrecen evidencia empírica desde un contexto universitario mexicano que
hasta ahora estaba poco representado en la literatura sobre IA y educación superior. Esa
contribución, aunque modesta, tiene valor en un campo donde la evidencia local es escasa y
donde las decisiones pedagógicas se suelen tomar con poca información empírica de
respaldo.
REFERENCIAS
Benson, P. (2011). Teaching and researching autonomy in language learning (2nd ed.).
Routledge.
Broadbent, J., y Poon, W. L. (2015). Self-regulated learning strategies and 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
Cotton, D. R. E., Cotton, P. A., y Shipway, J. R. (2023). Chatting and cheating: Ensuring
academic integrity in the era of ChatGPT. Innovations in Education and Teaching
International. https://doi.org/10.1080/14703297.2023.2190148
Deci, E. L., y Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and
the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
Deci, E. L., y Ryan, R. M. (2020). Self-determination theory: Basic psychological needs in
motivation, development, and wellness. Guilford Press.
Dwivedi, Y. K., et al. (2023). So what if ChatGPT wrote it? Multidisciplinary perspectives on
opportunities, challenges and implications of generative conversational AI for
research, practice and policy. International Journal of Information Management, 71,
102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
García-Peñalvo, F. J. (2023). The perception of artificial intelligence in educational contexts
after the launch of ChatGPT: Disruption or opportunity? Education in the Knowledge
Society, 24, e31233. https://doi.org/10.14201/eks.31233
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 19
González, M., y Ramírez-Montoya, M. S. (2024). Artificial intelligence and digital
transformation in higher education: A systematic review in Latin America. Education
Sciences, 14(2), 210. https://doi.org/10.3390/educsci14020210
Holmes, W., Bialik, M., y Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
Holec, H. (1981). Autonomy and foreign language learning. Pergamon.
Kasneci, E., et al. (2023). ChatGPT for good? On opportunities and challenges of large
language models for education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Little, D. (2007). Language learner autonomy: Some fundamental considerations revisited.
Innovation in Language Learning and Teaching, 1(1), 14–29.
Littlejohn, A., Hood, N., Milligan, C., y Mustain, P. (2016). Learning in MOOCs:
Motivations and self-regulated learning. The Internet and Higher Education, 29, 40–
48.
OECD. (2021). Digital education outlook 2021: Pushing the frontiers with AI, blockchain
and robots. OECD Publishing.
Panadero, E. (2017). 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
Ramírez-Montoya, M. S., y Lugo-Ocando, J. (2023). Digital innovation and artificial
intelligence in higher education: Perspectives from Latin America. Sustainability,
15(10), 7894. https://doi.org/10.3390/su15107894
Redecker, C. (2017). European framework for the digital competence of educators
(DigCompEdu). European Commission.
Salinas, J. (2020). Innovación docente y uso de tecnologías en la educación superior
latinoamericana. Revista Iberoamericana de Educación a Distancia, 23(2), 17–35.
Zawacki-Richter, O., Marín, V. I., Bond, M., y Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education. International
Journal of Educational Technology in Higher Education, 16(1), 39.
https://doi.org/10.1186/s41239-019-0171-0
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 20
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into
Practice, 41(2), 64–70.
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v5.i2.182
Cómo citar este artículo (APA 7ª edición):
Franco Díaz, A. G. ., Franco Díaz, L. I. ., & Acosta Nájera, S. . (2026). Uso de Inteligencia
Artificial y su Impacto en la Autonomía del Aprendizaje Universitario en Chihuahua. Prisma
ODS: Revista Multidisciplinaria Sobre Desarrollo Sostenible, 5(2), 1-
20. https://doi.org/10.65011/prismaods.v5.i2.182
