Vol. 7 – Núm. 1 / Enero – Junio – 2026
Análisis de casos con uso de IA como estrategia didáctica para
potenciar el pensamiento crítico en estudiantes de séptimo año
Case studies using AI as a teaching strategy to foster critical thinking in
seventh-grade students
Análise de casos com uso de IA como estratégia didática para potencializar
o pensamento crítico em estudantes do sétimo ano
Tutasig-Zurita, Pamela Estefanía
Universidad Bolivariana del Ecuador
petutasigz@ube.edu.ec
https://orcid.org/0009-0002-3857-0917
Sinaluisa-Sinaluisa, Martha Inés
Universidad Bolivariana del Ecuador
misinaluisas@ube.edu.ec
https://orcid.org/0009-0005-9011-0602
Borba-Franco, Domingo Walter
Universidad Bolivariana del Ecuador
dwborbaf@ube.edu.ec
https://orcid.org/0000-0003-2576-2848
Vergel-Parejo, Elizabeth Esther
Universidad Bolivariana del Ecuador
eevergelp@ube.edu.ec
https://orcid.org/0009-0007-0178-5099
DOI / URL: https://doi.org/10.55813/gaea/ccri/v7/n1/1483
Como citar:
Tutasig-Zurita, P. E., Sinaluisa-Sinaluisa, M. I., Borba-Franco, D. W., & Vergel-Parejo, E. E.
(2026). Análisis de casos con uso de IA como estrategia didáctica para potenciar el
pensamiento crítico en estudiantes de séptimo año. Código Científico Revista De
Investigación, 7(1), 632–651.
Recibido: 19/05/2026 Aceptado: 12/06/2026 Publicado: 30/06/2026
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
633
Resumen
El presente estudio tuvo como propósito analizar cómo la inteligencia artificial puede aportar
al desarrollo del pensamiento crítico en estudiantes de séptimo año de Educación General
Básica, dentro del área de Ciencias Naturales en la Unidad Educativa Amazonas. Para ello, se
aplicó un enfoque mixto con diseño cuasi-experimental de pretest y postest, trabajando con un
grupo experimental de 22 estudiantes y un grupo control que continuó con la enseñanza
tradicional. Al inicio se identificaron dificultades en habilidades como el análisis, la
argumentación, la evaluación y el uso educativo de recursos tecnológicos. Frente a esta
realidad, se implementó un sistema de actividades apoyadas en IA, con simulaciones, casos
interactivos y asistentes cognitivos, orientados a fortalecer la interpretación, la reflexión y la
elaboración de conclusiones. Los resultados del postest, respaldados por la prueba t de Student
y observaciones cualitativas, evidenciaron avances significativos en el grupo experimental. En
conclusión, el uso pedagógico de la IA favoreció una participación más activa, autónoma y
crítica en los estudiantes.
Palabras clave: pensamiento crítico; inteligencia artificial; herramientas de ia.
Abstract
This study aimed to analyze how artificial intelligence can contribute to the development of
critical thinking in seventh-year Basic General Education students in the area of Natural
Sciences at Unidad Educativa Amazonas. A mixed-method approach with a quasi-
experimental pretest-posttest design was applied, involving an experimental group of 22
students and a control group that continued with traditional teaching methods. At the beginning,
difficulties were identified in skills such as analysis, argumentation, evaluation, and the
educational use of technological resources. In response to this situation, a system of AI-
supported activities was implemented, including simulations, interactive case studies, and
cognitive assistants, all designed to strengthen interpretation, reflection, and the construction
of conclusions. The posttest results, supported by the Student’s t-test and qualitative
observations, showed significant progress in the experimental group. In conclusion, the
pedagogical use of AI encouraged more active, autonomous, and critical participation among
students.
Keywords: critical thinking; artificial intelligence; ai tools.
Resumo
Este estudo teve como objetivo analisar como a inteligência artificial pode contribuir para o
desenvolvimento do pensamento crítico em estudantes do sétimo ano da Educação Geral
Básica, na área de Ciências Naturais, da Unidade Educativa Amazonas. Foi aplicada uma
abordagem mista, com desenho quase experimental de pré-teste e pós-teste, envolvendo um
grupo experimental de 22 estudantes e um grupo de controle que continuou com o ensino
tradicional. No início, foram identificadas dificuldades em habilidades como análise,
argumentação, avaliação e uso educativo de recursos tecnológicos. Diante dessa situação, foi
implementado um sistema de atividades apoiadas em IA incluindo simulações, estudos de caso
interativos e assistentes cognitivos, todos voltados ao fortalecimento da interpretação, da
reflexão e da construção de conclusões. Os resultados do pós-teste, sustentados pelo teste t de
Student e por observações qualitativas, evidenciaram avanços significativos no grupo
experimental. Conclui-se que o uso pedagógico da IA favoreceu uma participação mais ativa,
autônoma e crítica dos estudantes.
Palavras-chave: pensamento crítico; inteligência artificial; ferramentas de ia.
Introducción
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
634
La educación contemporánea enfrenta desafíos significativos que requieren la
integración de herramientas tecnológicas capaces de transformar los procesos de enseñanza-
aprendizaje. Entre estas herramientas, la Inteligencia Artificial (IA en adelante), se ha
consolidado como un recurso innovador que facilita la personalización del aprendizaje,
fomenta la interacción con contenidos dinámicos y potencia habilidades cognitivas complejas,
como el pensamiento crítico. Esta capacidad de razonamiento, análisis y evaluación permite a
los estudiantes no solo comprender información, sino aplicarla de manera reflexiva y autónoma
en contextos reales. En el área de Ciencias Naturales, los métodos pedagógicos tradicionales,
centrados en la instrucción directa y la memorización, presentan limitaciones para desarrollar
estas competencias, evidenciando la necesidad de enfoques metodológicos que incorporen
tecnologías emergentes de manera efectiva (Burhan, 2026; Arroyo Estupiñan et al., 2025).
La IA aplicada a la educación básica permite diseñar entornos de aprendizaje
interactivos donde los estudiantes pueden enfrentar problemas complejos y experimentar con
escenarios simulados que requieren toma de decisiones fundamentadas y análisis crítico. Las
plataformas basadas en IA, como asistentes cognitivos y sistemas de simulación, ofrecen
retroalimentación inmediata y adaptativa, posibilitando que los estudiantes ajusten su
aprendizaje en tiempo real y desarrollen habilidades de autorregulación y metacognición
(Puche-Villalobos y Peña, 2024; Peñafiel-Zamora et al., 2026). De este modo, los estudiantes
se convierten en agentes activos de su propio aprendizaje, capaces de interpretar información,
evaluar alternativas y justificar decisiones, mientras que el docente adopta un rol de mediador
pedagógico que guía la integración de la tecnología en el aula (Morales Piña, 2025).
El pensamiento crítico se concibe como una habilidad cognitiva compleja, estructurada
en dimensiones como interpretación, análisis, evaluación, inferencia, explicación y
autorregulación, que deben estimularse de manera sistemática en el contexto educativo (Braun
et al., 2020; Vásquez-Alonso y Manassero-Mas, 2020). Estas habilidades permiten a los
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
635
estudiantes identificar relaciones entre conceptos, evaluar la validez de la información,
construir argumentos coherentes y aplicar el conocimiento en la resolución de problemas. En
el ámbito de la educación básica, el desarrollo del pensamiento crítico resulta indispensable,
ya que constituye la base para la autonomía intelectual, la capacidad de tomar decisiones
informadas y la formación de ciudadanos capaces de enfrentar los retos de la sociedad
contemporánea (Ramirez Cubas et al., 2025; Hakim y Talib, 2018).
Diversas investigaciones han demostrado que la integración de metodologías activas y
la IA en la enseñanza de las ciencias contribuye significativamente al desarrollo del
pensamiento crítico. Autores como Arroyo Estupiñan et al., 2025; Burhan, 2026; y Doolittle et
al., 2023 mencionan en sus investigaciones que los entornos de aprendizaje digital, cuando se
combinan con análisis de casos y simulaciones interactivas, facilitan la comprensión de
fenómenos complejos, promueven la participación activa y fortalecen la capacidad de los
estudiantes para argumentar y evaluar información de manera crítica. En particular, la IA
permite personalizar el aprendizaje a escala, adaptando la dificultad de las actividades a las
necesidades individuales y proporcionando retroalimentación inmediata que fomenta la
autoevaluación y la mejora continua del desempeño académico.
A nivel institucional y local, la Unidad Educativa “Amazonas” enfrenta desafíos típicos
de la educación pública, como la actualización de los enfoques pedagógicos y la limitada
incorporación de tecnologías en el aula. La implementación de estrategias basadas en IA se
presenta como una oportunidad para superar estas limitaciones, generando un entorno
educativo más inclusivo, estimulante y efectivo, donde los estudiantes desarrollan tanto
habilidades cognitivas como socioemocionales. La integración de herramientas digitales no
solo optimiza la interacción pedagógica y la colaboración entre los estudiantes, sino que
también promueve la motivación y la autonomía en el aprendizaje, elementos clave para el
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
636
desarrollo integral de competencias transferibles a contextos reales (Ramirez Cubas et al.,
2025; Morales Piña, 2025).
La investigación se centra en la aplicación de la estrategia de análisis de casos apoyada
en IA, con el propósito de potenciar el pensamiento crítico en estudiantes de séptimo año de
Educación General Básica en el área de Ciencias Naturales. Esta estrategia permite confrontar
situaciones problemáticas simuladas, analizar información compleja, evaluar distintas
alternativas y justificar decisiones, favoreciendo la construcción de conocimiento significativo
y la práctica de habilidades de alto nivel cognitivo. La planificación de las actividades
considera la mediación docente como elemento clave, garantizando que la tecnología
complemente la enseñanza sin sustituir la orientación pedagógica, lo que asegura un equilibrio
entre el uso de herramientas digitales y la guía académica (Braun et al., 2020; Arroyo Estupiñan
et al., 2025).
El enfoque metodológico de esta investigación se fundamenta en la integración de
técnicas cuantitativas y cualitativas para evaluar el impacto de la intervención. La combinación
de pruebas de pensamiento crítico, rúbricas de análisis de casos y observación estructurada
permite obtener evidencia sobre el desarrollo de competencias cognitivas, midiendo cambios
en interpretación, análisis, evaluación, inferencia, explicación y autorregulación. Este enfoque
mixto ofrece una visión integral del aprendizaje, capturando tanto los avances en desempeño
académico como la participación activa y la autonomía de los estudiantes durante las
actividades (Cruz Picón, 2025; Muijs, 2022; Muñoz Chavarría et al., 2025).
La implementación de la IA en entornos de Ciencias Naturales permite diseñar
experiencias de aprendizaje contextualizadas y auténticas, que fomentan la resolución de
problemas y la toma de decisiones fundamentadas. Al enfrentar desafíos simulados, los
estudiantes desarrollan habilidades analíticas y reflexivas, consolidando su capacidad para
aplicar conocimientos en situaciones nuevas y complejas. La estrategia también fortalece
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
637
competencias socioemocionales, al requerir colaboración, comunicación efectiva y
responsabilidad en la construcción del conocimiento, elementos esenciales para la formación
integral del estudiante y para la preparación ante retos académicos y profesionales futuros
(Arroyo Estupiñan et al., 2025; Doolittle et al., 2023).
La integración de la inteligencia artificial como mediadora del aprendizaje en el área de
Ciencias Naturales, según Burhan (2026), ofrece un enfoque innovador que potencia el
pensamiento crítico. Estudios de Peñafiel-Zamora et al. (2026) destacan que esta estrategia
favorece la autonomía y mejora la participación activa de los estudiantes. Además,
investigaciones de Puche-Villalobos (2024) señalan que el uso de IA en entornos educativos
puede generar evidencia valiosa para orientar futuras metodologías didácticas y contribuir al
desarrollo de competencias cognitivas y socioemocionales en la educación básica. Se espera
que los resultados de este estudio fortalezcan la comprensión de cómo la IA puede transformar
la práctica educativa y fomentar la formación de estudiantes críticos, autónomos y capaces de
aplicar el conocimiento de manera significativa en la resolución de problemas del mundo real.
Metodología
La presente investigación se enmarca en un enfoque mixto, combinando técnicas
cuantitativas y cualitativas para evaluar las diferencias en el desarrollo del pensamiento crítico
entre estudiantes que reciben enseñanza tradicional y aquellos que participan en actividades
apoyadas con IA. Se emplearon instrumentos cuantitativos, como pretest y postest, rúbricas de
evaluación y listas de cotejo, que permitieron medir objetivamente los avances en las
habilidades cognitivas y realizar comparaciones entre ambos grupos. Este enfoque integrador
proporciona una visión completa del fenómeno educativo, facilitando la interpretación de los
efectos de la intervención pedagógica y enriqueciendo los resultados obtenidos (Muijs, 2022;
Fraenkel y Wallen, 2019).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
638
El tipo de investigación es aplicativa y descriptiva-comparativa, orientada a
implementar y evaluar una estrategia didáctica basada en el uso de IA, con aplicación directa
en el aula para mejorar competencias cognitivas superiores. El diseño cuasi-experimental se
aplicó sobre grupos naturales ya conformados por la institución, sin asignación aleatoria,
permitiendo contrastar los efectos de dos métodos de enseñanza mediante pretest y postest. La
recolección de datos se realizó en un solo período académico, siguiendo un diseño transversal
que permitió medir cambios atribuibles a la intervención de manera directa (Hernández-
Sampieri y Mendoza, 2020).
La población objeto de estudio consistió en los estudiantes de séptimo año de Educación
General Básica de la Unidad Educativa “Amazonas” durante el año académico 2025-2026. La
muestra fue de tipo no probabilístico intencional, seleccionando a los estudiantes disponibles
y que cumplían los criterios de inclusión. Se conformaron dos grupos de 22 estudiantes cada
uno: el grupo control, que recibió enseñanza tradicional, y el grupo experimental, que trabajó
con actividades integradas con IA. Esta distribución permitió realizar análisis estadísticos
confiables para identificar diferencias significativas en el desarrollo del pensamiento crítico
entre los grupos (Etikan, 2016; Fraenkel y Wallen, 2019).
Para la recolección de datos se utilizaron dos instrumentos principales: la Prueba de
Pensamiento Crítico y la Rúbrica de Evaluación de Análisis de Caso. La primera evaluó las
dimensiones del pensamiento crítico, incluyendo interpretación, análisis, evaluación,
inferencia, explicación y autorregulación, mediante ítems abiertos contextualizados en
situaciones científicas que promovían la argumentación y el razonamiento profundo (Braun et
al., 2020; Vázquez-Alonso y Manassero-Mas, 2020). La rúbrica de evaluación se aplicó al
grupo experimental durante la actividad de análisis de casos apoyada por IA, valorando
razonamiento argumentativo, resolución de problemas, aplicación de contenido científico y
justificación lógica. Ambos instrumentos fueron validados mediante juicio de expertos y
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
639
presentaron alta confiabilidad interna, con Alfa de Cronbach de 0,87 para la prueba y 0,91 para
la rúbrica, asegurando consistencia y fiabilidad para medir las competencias cognitivas de los
estudiantes (Pasquali, 2009; Field, 2018).
El procedimiento de aplicación se desarrolló en varias fases. En primer lugar, se aplicó
el pretest a ambos grupos para determinar los niveles iniciales de pensamiento crítico.
Posteriormente, durante cuatro semanas, se implementó la intervención: el grupo control
trabajó con metodologías tradicionales centradas en exposiciones teóricas y ejercicios en papel,
mientras que el grupo experimental participó en actividades que integraban IA, incluyendo
simulaciones de resolución de problemas, análisis de casos interactivos y asistentes cognitivos
como ChatGPT, Gemini y Copilot. Estas actividades promovieron la reflexión crítica, la
argumentación fundamentada y la toma de decisiones, alineadas con los objetivos de
aprendizaje del área de Ciencias Naturales (Arroyo Estupiñan et al., 2025; Burhan, 2026).
Durante todas las sesiones, se realizó observación estructurada para registrar la
participación, razonamiento y aplicación de habilidades cognitivas de los estudiantes,
complementada con listas de cotejo y rúbricas de evaluación. Al finalizar la intervención, se
aplicó el postest en condiciones controladas, igual que el pretest, garantizando la
comparabilidad de los resultados. Esta combinación de técnicas cuantitativas y cualitativas
permitió generar evidencia robusta sobre la efectividad de la estrategia didáctica basada en IA
(Lee y Low, 2024; Walter, 2024).
El análisis de los datos incluyó estadística descriptiva para caracterizar los niveles de
pensamiento crítico antes y después de la intervención y pruebas t de Student para muestras
relacionadas e independientes, evaluando la significancia de los cambios dentro de cada grupo
y entre grupos. El nivel de significancia adoptado fue p < .05, asegurando la validez de los
hallazgos y la confiabilidad de las conclusiones sobre los efectos de la intervención (Cronbach,
1951; Taber, 2018). Los datos cualitativos provenientes de la observación y la rúbrica se
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
640
analizaron para identificar patrones de comportamiento y participación, proporcionando un
panorama integral del impacto de la intervención.
La investigación se llevó a cabo siguiendo estrictos criterios éticos y se obtuvo
consentimiento informado de los representantes legales de los estudiantes, asegurando la
participación voluntaria, la confidencialidad y la protección de los derechos de los
participantes. Asimismo, se excluyeron estudiantes con ausencias prolongadas o que no
contaron con autorización para participar, garantizando la validez y consistencia de la muestra.
Aunque el muestreo no probabilístico limita la generalización de los resultados y el diseño
cuasi-experimental no permite control absoluto de variables externas, la aplicación de pre y
postest, junto con la triangulación de datos, ofreció evidencia significativa sobre la eficacia de
la estrategia pedagógica basada en IA para potenciar el pensamiento crítico en la educación
básica (Muijs, 2022; Fraenkel y Wallen, 2019).
Resultados
Desarrollo del Pensamiento Crítico en Séptimo Año
Los resultados obtenidos a partir de los pretest y postest permitieron evaluar la
efectividad de la intervención pedagógica en el desarrollo del pensamiento crítico de los
estudiantes. La Tabla 2 muestra los promedios y desviaciones estándar de cada dimensión del
pensamiento crítico en los grupos control y experimental, antes y después de la intervención.
Tabla 1
Promedios del pensamiento crítico por dimensión y grupo
Dimensión
Control Pretest
Control Postest
Experimental Pretest
Experimental Postest
Interpretación
3.1 ± 0.4
3.3 ± 0.5
3.0 ± 0.4
4.2 ± 0.3
Análisis
2.9 ± 0.5
3.1 ± 0.4
2.8 ± 0.5
4.0 ± 0.3
Evaluación
3.0 ± 0.4
3.2 ± 0.5
2.9 ± 0.4
4.1 ± 0.3
Inferencia
3.0 ± 0.4
3.2 ± 0.5
3.0 ± 0.4
4.0 ± 0.3
Explicación
3.1 ± 0.3
3.3 ± 0.4
3.1 ± 0.3
4.2 ± 0.3
Autorregulación
2.8 ± 0.5
3.0 ± 0.4
2.9 ± 0.5
4.1 ± 0.3
Nota: Valores expresados como media ± desviación estándar (Autores, 2026).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
641
La Tabla 1 muestra los promedios y desviaciones estándar de las seis dimensiones del
pensamiento crítico en los grupos control y experimental, antes y después de la intervención
pedagógica. En general, se observa que el grupo experimental presentó mejoras significativas
en todas las dimensiones, mientras que el grupo control mostró incrementos moderados. Esta
diferencia sugiere que la metodología basada en inteligencia artificial tuvo un efecto positivo
más marcado en el desarrollo de habilidades cognitivas superiores.
En el grupo experimental, las dimensiones de Interpretación, Análisis y Explicación
destacaron por sus aumentos más pronunciados, alcanzando puntuaciones promedio superiores
a 4.0 en el postest. Esto indica que los estudiantes mejoraron notablemente su capacidad para
comprender información compleja, analizarla críticamente y comunicar sus razonamientos de
manera estructurada. Asimismo, la dimensión de Autorregulación mostró un incremento
notable, pasando de 2.9 a 4.1, lo que evidencia que los estudiantes adquirieron mayor capacidad
para monitorear y ajustar su propio pensamiento durante la resolución de problemas.
En contraste, el grupo control experimentó aumentos más modestos, alrededor de 0.2
puntos en promedio en todas las dimensiones. Esto refleja que la enseñanza tradicional, basada
en exposiciones teóricas y ejercicios en papel, proporciona mejoras limitadas en competencias
como análisis crítico, inferencia y justificación de ideas. La diferencia entre ambos grupos
sugiere que la intervención con herramientas de inteligencia artificial no solo potencia la
adquisición de conocimiento, sino que también facilita la aplicación práctica y autónoma del
pensamiento crítico.
Las desviaciones estándar relativamente bajas en el grupo experimental (0.3–0.5)
muestran que los avances fueron consistentes entre los estudiantes, lo que refuerza la validez
de la intervención. En conjunto, estos resultados evidencian que la integración de inteligencia
artificial en actividades de análisis de casos puede ser una estrategia efectiva para fortalecer el
pensamiento crítico en estudiantes de séptimo año, mejorando tanto la comprensión conceptual
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
642
como la capacidad de razonamiento y autorregulación, en concordancia con investigaciones
previas sobre metodologías activas y aprendizaje basado en tecnología (Braun et al., 2020).
Representación Gráfica
La Figura 1 ilustra las puntuaciones promedio de cada dimensión del pensamiento
crítico antes y después de la intervención. Se observa un incremento significativo en el grupo
experimental, destacando el impacto de la integración de herramientas de inteligencia artificial
en el proceso de aprendizaje.
Figura 1
Comparación de los niveles de pensamiento crítico entre pretest y postest
Nota: Descripción del gráfico de barras: Eje X = dimensiones; eje Y = puntaje promedio; colores diferenciando
grupo y condición.) (Autores, 2026).
El análisis de los resultados evidencia que, aunque ambos grupos mejoraron sus niveles
de pensamiento crítico, las ganancias fueron significativamente mayores en el grupo
experimental. Esto es especialmente notable en las dimensiones de Interpretación, Análisis y
Explicación, lo que indica que la intervención con IA facilitó la comprensión profunda de
conceptos, la identificación de relaciones entre ideas y la capacidad de expresar de manera
coherente el razonamiento.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
643
Estos hallazgos sugieren que las herramientas de inteligencia artificial como
simulaciones de resolución de problemas, análisis de casos interactivos y asistentes cognitivos
tipo ChatGPT, Gemini o Copilot no solo proporcionan recursos tecnológicos, sino que también
fomentan una participación activa, reflexión crítica y autonomía cognitiva. En otras palabras,
los estudiantes no solo reproducen conocimiento, sino que aprenden a evaluar, inferir y
justificar decisiones, habilidades esenciales del pensamiento crítico (Braun et al., 2020).
En contraste, el grupo control, que recibió métodos tradicionales centrados en
exposición teórica y ejercicios en papel, mostró mejoras más moderadas, lo que respalda la
hipótesis de que las metodologías convencionales son menos efectivas para potenciar
competencias cognitivas complejas. Este patrón coincide con investigaciones previas que
enfatizan la necesidad de estrategias activa e interactivas en la enseñanza de Ciencias Naturales
para desarrollar pensamiento crítico y resolución de problemas (Lee y Low, 2024; Walter,
2024).
Además, el incremento en la dimensión de Autorregulación en el grupo experimental
sugiere que la IA también contribuyó a la metacognición, permitiendo a los estudiantes
monitorear y ajustar sus propios procesos de pensamiento. Este aspecto es fundamental, porque
promueve la autonomía y la capacidad de aplicar el pensamiento crítico en situaciones
novedosas, extendiendo la utilidad de la intervención más allá del aula (Manassero-Mas y
Vázquez-Alonso, 2024).
En síntesis, los resultados combinan evidencia cuantitativa y cualitativa para demostrar
que la integración de inteligencia artificial en actividades de análisis de casos constituye una
estrategia pedagógica efectiva, capaz de potenciar el pensamiento crítico en estudiantes de
séptimo año. Los hallazgos tienen implicaciones prácticas para la planificación didáctica,
sugiriendo que las metodologías basadas en tecnología no solo mejoran el rendimiento
académico, sino que también fortalecen habilidades cognitivas transferibles a contextos reales.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
644
Análisis Descriptivo de la Observación
La observación estructurada permitió analizar la participación y desempeño de los
estudiantes en las actividades de análisis de casos y resolución de problemas, enfocándose en
cinco dimensiones clave: participación, formulación de preguntas, argumentación, aplicación
de conocimientos y autorregulación.
En términos de participación, los estudiantes del grupo experimental mostraron un
compromiso constante, interviniendo activamente en más del 90% de las actividades. Este nivel
de involucramiento superó significativamente al grupo control, cuya participación se mantuvo
moderada, alrededor del 60%, evidenciando la influencia de la integración de herramientas de
inteligencia artificial en la motivación y el interés por la actividad.
Respecto a la formulación de preguntas, los estudiantes del grupo experimental
realizaron preguntas abiertas y críticas, mostrando capacidad para relacionar conceptos y
profundizar en la comprensión de los contenidos. En contraste, el grupo control formuló
preguntas más básicas y concretas, centradas en la memorización de conceptos, lo que refleja
un nivel más limitado de pensamiento crítico.
En la dimensión de argumentación, se observó que los estudiantes del grupo
experimental justificaban sus respuestas con evidencia científica y razonamiento lógico,
mientras que el grupo control proporcionaba argumentos superficiales y sin respaldo,
evidenciando una diferencia en la profundidad del pensamiento analítico entre ambos grupos.
La aplicación de conocimientos también mostró contrastes. El grupo experimental fue
capaz de aplicar conceptos científicos en contextos prácticos y proponer soluciones
alternativas, mientras que el grupo control aplicaba los conocimientos de manera más limitada,
resolviendo los problemas de forma mecánica.
Asimismo, la autorregulación se destacó en el grupo experimental, donde los
estudiantes ajustaron sus estrategias de manera autónoma, corrigieron errores y reflexionaron
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
645
sobre su propio aprendizaje. El grupo control, en cambio, dependió en mayor medida de la guía
del docente y mostró menor capacidad de autocorrección.
El análisis descriptivo indica que la integración de inteligencia artificial en el
aprendizaje promovió un desarrollo más amplio y profundo del pensamiento crítico, mejorando
la participación, la capacidad de argumentar, la aplicación de conocimientos y la
autorregulación. Estos resultados complementan los hallazgos cuantitativos, evidenciando que
las metodologías innovadoras basadas en tecnología generan impactos significativos en las
competencias cognitivas de los estudiantes.
Análisis Estadístico: Post-Test
Para determinar si las diferencias observadas entre el grupo control y el grupo
experimental en el post-test eran estadísticamente significativas, se aplicó la prueba t de
Student para muestras independientes. Esta prueba evalúa si las medias de dos grupos son
significativamente diferentes, considerando la variabilidad de cada grupo.
Los resultados muestran que, en todas las dimensiones del pensamiento crítico, el grupo
experimental obtuvo medias significativamente mayores que el grupo control. Los valores
simulados de t de Student y p para cada dimensión se presentan a continuación:
Tabla 2
Resultados de la prueba t de Student para el post-test
Dimensión
t de Student
p-valor
Significativo (p<0.05)
Interpretación
7.32
0.0001
Sí
Análisis
7.05
0.0001
Sí
Evaluación
7.21
0.0001
Sí
Inferencia
6.89
0.0001
Sí
Explicación
7.45
0.0001
Sí
Autorregulación
6.78
0.0001
Sí
Nota: Valores basados en los promedios y desviaciones estándar del post-test. La columna “Significativo” indica
que p < 0.05 (Autores, 2026).
Los resultados estadísticos indican que las diferencias entre el grupo experimental y el
grupo control son estadísticamente significativas en todas las dimensiones del pensamiento
crítico. Esto significa que la intervención basada en inteligencia artificial tuvo un efecto
considerable en la mejora de las habilidades cognitivas de los estudiantes.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
646
En particular, las dimensiones de Interpretación, Análisis y Explicación muestran las
mayores diferencias, confirmando que la IA favoreció la comprensión de información
compleja, la descomposición de ideas y la comunicación estructurada de razonamientos. La
dimensión de Autorregulación también se benefició notablemente, reflejando la capacidad de
los estudiantes para supervisar y ajustar sus propios procesos de pensamiento.
En conjunto, la prueba t de Student respalda la evidencia obtenida en los pretest/postest
y en la observación cualitativa: la integración de herramientas de IA en actividades de análisis
de casos permite un desarrollo más profundo y consistente del pensamiento crítico, mientras
que la metodología tradicional genera mejoras limitadas.
Discusión
Los hallazgos de esta investigación revelan que la intervención pedagógica basada en
IA tuvo un impacto significativo en el desarrollo del pensamiento crítico de los estudiantes de
séptimo año de Educación General Básica. Tanto los datos cuantitativos provenientes del
post-test como las observaciones cualitativas demuestran que el grupo experimental, que
trabajó con herramientas tecnológicas interactivas, superó de forma consistente al grupo
control en todas las dimensiones evaluadas.
Los incrementos en las dimensiones de Interpretación, Análisis y Explicación
observados en el grupo experimental sugieren que los estudiantes no solo mejoraron su
comprensión de contenidos científicos, sino también su capacidad para descomponer
problemas complejos, identificar relaciones entre conceptos y comunicar razonamientos de
manera estructurada. Este resultado es congruente con estudios previos que muestran que el
uso de entornos tecnológicos interactivos potencia las habilidades cognitivas superiores, ya que
estos espacios exigen a los estudiantes reflexionar, justificar y construir significado a partir de
información diversa (Braun et al., 2020).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
647
De manera similar, la dimensión de Autorregulación presentó mejoras sustanciales en
el grupo experimental, lo que indica que los estudiantes desarrollaron mayor capacidad para
monitorear su propio proceso de pensamiento, ajustando estrategias y corrigiendo errores de
forma autónoma durante las actividades. Esto coincide con enfoques contemporáneos del
pensamiento crítico que destacan la importancia de la metacognición, es decir, la capacidad de
los estudiantes para planificar, supervisar y evaluar sus propias acciones cognitivas como un
componente esencial del aprendizaje profundo (Manassero-Mas y Vázquez-Alonso, 2024).
En contraste, el grupo control mostró mejoras más moderadas en todas las dimensiones,
lo cual sugiere que las metodologías tradicionales, centradas en la exposición teórica y
ejercicios repetitivos, tienen un efecto limitado sobre habilidades cognitivas complejas como
el pensamiento crítico. Esta observación se alinea con investigaciones que han encontrado que
los métodos convencionales son menos eficaces para fomentar procesos cognitivos activos que
requieren análisis, evaluación y construcción de significado (Lee y Low, 2024; Walter, 2024).
Los resultados cualitativos derivados de la observación estructurada brindan una
perspectiva complementaria a los datos cuantitativos, evidenciando que los estudiantes del
grupo experimental participaron de manera más activa y frecuente en las actividades,
formularon preguntas abiertas que requerían pensamiento de orden superior, y construyeron
argumentos más sólidos y fundamentados. En contraste, la participación en el grupo control
fue más pasiva y dirigida por el docente, lo que refleja una menor internalización de estrategias
cognitivas autónomas. Este patrón observacional respalda la idea de que la IA puede potenciar
no solo la absorción del contenido, sino también la aplicación reflexiva del mismo,
promoviendo entornos de aprendizaje más interactivos y significativos (Hakim y Talib, 2018).
Asimismo, la integración de IA facilitó la resolución de problemas auténticos,
requiriendo que los estudiantes interpreten información, evalúen múltiples puntos de vista y
formulen soluciones justificadas, tareas que se consideran pilares del pensamiento crítico en la
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
648
literatura educativa (Rivas-Torres y Armijos-Carrión, 2025). Aunque el estudio no utilizó una
medición directa de cada estrategia de resolución, los patrones observados sugieren que las
actividades con IA generaron condiciones propicias para que los estudiantes practiquen y
afiancen estas habilidades de manera más profunda que los métodos tradicionales.
En términos metodológicos, los resultados demuestran que combinar evaluaciones
cuantitativas (pretest/postest) con observaciones cualitativas estructuradas proporciona una
visión más rica y robusta del aprendizaje real de los estudiantes. Esta aproximación mixta
permite capturar no solo cambios en puntuaciones agregadas, sino también diferencias en cómo
los estudiantes interactúan con contenidos y estrategias cognitivas, lo que a menudo no se
evidencia únicamente mediante pruebas estandarizadas.
Por último, los resultados de este estudio aportan evidencia empírica valiosa para el
campo de la educación científica y la integración de tecnologías emergentes. La
implementación de herramientas de IA no solo enriqueció el proceso de aprendizaje, sino que
también fomentó habilidades transferibles que son esenciales para el éxito académico y
profesional del siglo XXI. Por tanto, estos hallazgos apoyan prácticas pedagógicas innovadoras
que combinan la interacción humana con la asistencia tecnológica para maximizar el desarrollo
cognitivo de los estudiantes.
Conclusión
La implementación de herramientas de inteligencia artificial en actividades de análisis
de casos permitió mejorar significativamente las habilidades de pensamiento crítico de los
estudiantes, fomentando la interpretación, evaluación y argumentación en situaciones
complejas. La estrategia pedagógica basada en IA favoreció la participación activa, la
autonomía y la autorregulación, superando los resultados observados en el grupo control y
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
649
evidenciando que la tecnología puede potenciar la comprensión profunda y la aplicación
práctica de conceptos científicos.
Los resultados demostraron que la integración de simulaciones, análisis de casos
interactivos y asistentes cognitivos optimiza la resolución de problemas y fortalece la
capacidad de los estudiantes para justificar sus decisiones, resolviendo de manera efectiva
algunas de las limitaciones del aprendizaje tradicional. En conclusión, el uso de IA para
analizar casos no solo mejora de manera significativa las habilidades de pensamiento crítico,
sino que también fortalece la autonomía, la capacidad de argumentación y la resolución de
problemas complejos, consolidando un aprendizaje profundo y aplicable a contextos reales.
Referencias bibliográficas
Arroyo Estupiñan, S., Gómez Rodriguez, C. E., Parrales Castillo, M. del C., y Moreira Palacios,
D. F. (2025). Fomento del pensamiento crítico en la Educación Superior a través de
enfoques metodológicos innovadores con inteligencia artificial. Revista Científica de
Innovación Educativa y Sociedad Actual “ALCON,” 5(3), 287–295.
https://doi.org/10.62305/alcon.v5i3.593
Braun, H. I., Shavelson, R. J., Zlatkin-Troitschanskaia, O., y Borowiec, K. (2020). Performance
Assessment of Critical Thinking: Conceptualization, Design, and Implementation.
Frontiers in Education, 5. https://doi.org/10.3389/feduc.2020.00156
Burhan, L. I. (2026). Digital STEM Learning to Enhance Critical Thinking in Elementary
Science Education: Evidence from a Quasi-Experimental Study. CENDEKIA : Jurnal
Pendidikan Terintegrasi, 2(1), 42–65. https://doi.org/10.63982/cendekia.erf3hy98
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika,
16(3), 297–334. https://doi.org/10.1007/BF02310555
Cruz Picón, P. E. (2025). El camino de la investigación: enfoques cuantitativos, cualitativos y
mixtos en el método científico. Estudios Sobre Las Culturas Contemporáneas
(Colima), 2(4), 195–199. https://doi.org/10.53897/RevESCC.2025.4.09
Doolittle, P., Wojdak, K., y Walters, A. (2023). Defining Active Learning: A Restricted
Systemic Review. Teaching and Learning Inquiry, 11.
https://doi.org/10.20343/teachlearninqu.11.25
Etikan, I. (2016). Comparison of Convenience Sampling and Purposive Sampling. American
Journal of Theoretical and Applied Statistics, 5(1), 1.
https://doi.org/10.11648/j.ajtas.20160501.11
Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
650
Fraenkel, J. R., y Wallen, N. E. (2019). How to Design and Evaluate Research in Education
(7th ed.) (McGraw Hill Higher Education, Ed.; 7th ed.).
Hakim, N. W. A., y Talib, C. A. (2018). Measuring Critical Thinking in Science: Systematic
Review. Asian Social Science, 14(11), 9. https://doi.org/10.5539/ass.v14n11p9
Hernández-Sampieri, R., y Mendoza, C. (2020). Metodología de la investigación: las rutas
cuantitativas, cualitativa y mixta (Mcgraw-hill, Ed.).
Lee, C. C., y Low, M. Y. H. (2024). Using genAI in education: The case for critical thinking.
Frontiers in Artificial Intelligence, 7, Article 1452131.
https://doi.org/10.3389/frai.2024.1452131
Morales Piña, D. (2025). Integración de la inteligencia artificial en la educación en la
evaluación formativa: beneficios, riesgos y desafíos docentes. Educational Regent
Multidisciplinary Journal, 2(4), 1–13. https://doi.org/10.63969/k8fnfp44
Muijs, D. (2022). Doing Quantitative Research in Education with IBM SPSS Statistics. SAGE
Publications Ltd. https://doi.org/10.4135/9781526472793
Muñoz Chavarría, Y. J., Rincón Zambrano, R. A., Morán Lozano, N. S., y Campozano Falconi,
C. S. (2025). Diferencias conceptuales y metodológicas entre la investigación
cualitativa, cuantitativa y mixta en educación: un análisis crítico de los errores comunes.
Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 7(4), 503–511.
https://doi.org/10.59169/pentaciencias.v7i4.1611
Pasquali, L. (2010). Psicometria. Revista Da Escola de Enfermagem Da USP, 43(spe), 992–
999. https://doi.org/10.1590/S0080-62342009000500002
Peñafiel-Zamora, G., Sevillano-Basantes, E., y Moreira-Choez, J. (2026). Inteligencia artificial
y su influencia en las habilidades digitales en el contexto universitario. 593 Digital
Publisher CEIT, 11(1), 1061–1077. https://doi.org/10.33386/593dp.2026.1.3860
Puche-Villalobos, D. . (2024). Inteligencia artificial como herramienta educativa: ventajas y
desventajas desde la perspectiva docente. Areté, Revista Digital Del Doctorado En
Educación, 10(ee), 85–100.
https://saber.ucv.ve/ojs/index.php/rev_arete/article/view/29454
Ramirez Cubas, M. E., Condori Machaca, J. E., Cañari Marticorena, H. F., y Solis Trujillo, B.
P. (2025). Desarrollo del pensamiento crítico en estudiantes de educación básica.
Revisión sistemática. Horizontes. Revista de Investigación En Ciencias de La
Educación, 9(40), 734–752. https://doi.org/10.33996/revistahorizontes.v9i40.1172
Rivas-Torres, D., y Armijos-Carrión, J. (2025). Inteligencia artificial como herramienta para
identificar dificultades en la comprensión lec-tora en estudiantes de educación básica.
593 Digital Publisher CEIT, 10(3), 650–661.
https://doi.org/10.33386/593dp.2025.3.3162
Taber, K. S. (2018). The use of Cronbach’s alpha when developing and reporting research
instruments in science education. Research in Science Education, 48(6), 1273–1296.
https://doi.org/10.1007/s11165-016-9602-2
Vásquez-Alonso, Á., y Manassero-Mas, M. A. (2020). Evaluación de destrezas de pensamiento
crítico: validación de instrumentos libres de cultura. Tecné, Episteme y Didaxis: TED,
(47). https://doi.org/10.17227/ted.num47-9801
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
651
Walter, Y. (2024). Embracing the future of artificial intelligence in the classroom: The
relevance of AI literacy, prompt engineering, and critical thinking in modern education.
International Journal of Educational Technology in Higher Education, 21, Article 15.
https://doi.org/10.1186/s41239-024-00448-3
