Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Inteligencia artificial adaptativa y autorregulación del aprendizaje en  
contextos educativos multinivel  
Adaptive Artificial Intelligence and Self-Regulated Learning in Multilevel  
Educational Contexts  
Inteligência Artificial Adaptativa e Autorregulação da Aprendizagem em  
Contextos Educacionais Multinível  
Guaranda Jimenez Dalton Orlando1  
Escuela de educación básica "Patria Ecuatoriana"  
dalton.guaranda@docentes.educacion.edu.ec  
https://orcid.org/0009-0003-4515-3983  
Mata Noboa Diana Carolina2  
Escuela de educación básica "Patria Ecuatoriana"  
diana.mata@docentes.educacion.edu.ec  
https://orcid.org/0009-0008-0670-7468  
Mejía Suarez Karina Silvina3  
Unidad Educativa José Abel Castillo  
karinas.mejia@docentes.educación.edu.ec  
https://orcid.org/0009-0003-4299-1623  
Moreno Silva Gabriela Lissette4  
Escuela de educación básica "Patria Ecuatoriana"  
gabrielal.moreno@docentes.educacion.edu.ec  
https://orcid.org/0009-0003-3752-3630  
DOI / URL: https://doi.org/10.55813/gaea/ccri/v7/n1/1582  
Como citar:  
Guaranda Jimenez, D, C., Mata Noboa, D, C., Mejía Suarez, K, S. & Moreno Silva, G, L.  
(2026). Inteligencia artificial adaptativa y autorregulación del aprendizaje en contextos  
educativos multinivel. Código Científico Revista de Investigación, 7(1), 2855-2869.  
Recibido: 15/05/2026  
Aceptado: 10/06/2026  
Publicado: 30/06/2026  
2855  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Resumen  
La incorporación de la inteligencia artificial adaptativa en los sistemas educativos  
contemporáneos ha generado nuevas oportunidades para personalizar la enseñanza y fortalecer  
la autorregulación del aprendizaje en contextos educativos multinivel caracterizados por la  
diversidad cognitiva, social y cultural del estudiantado. El presente estudio tuvo como  
propósito analizar el impacto de entornos digitales basados en algoritmos adaptativos sobre el  
desarrollo de habilidades metacognitivas, autonomía académica y desempeño escolar. Se  
empleó un enfoque cuantitativo con diseño cuasi experimental, aplicando plataformas  
inteligentes que ajustaron contenidos, retroalimentación y rutas de aprendizaje según el  
progreso individual de los participantes de distintos niveles formativos. Se recolectaron datos  
mediante pruebas de rendimiento, escalas de autorregulación y registros de interacción digital.  
Los resultados evidenciaron mejoras significativas en la planificación del estudio, monitoreo  
del propio desempeño y logro académico, especialmente en estudiantes con mayores brechas  
iniciales. Asimismo, se observó una mayor motivación y compromiso con las tareas formativas.  
Desde una perspectiva interpretativa, estos hallazgos coinciden con investigaciones previas que  
destacan la personalización pedagógica como factor clave para optimizar procesos de  
aprendizaje autónomo. En conclusión, la inteligencia artificial adaptativa constituye una  
herramienta eficaz para promover la equidad educativa y potenciar la autorregulación, siempre  
que su implementación se acompañe de orientación docente y criterios pedagógicos claros.  
Palabras clave: inteligencia artificial adaptativa, autorregulación del aprendizaje,  
personalización educativa, educación multinivel, tecnología educativa.  
Abstract  
The integration of adaptive artificial intelligence into contemporary educational systems has  
created new opportunities to personalize instruction and strengthen self regulated learning in  
multilevel educational contexts characterized by cognitive, social, and cultural diversity. This  
study aimed to analyze the impact of digital environments supported by adaptive algorithms  
on the development of metacognitive skills, academic autonomy, and school performance. A  
quantitative approach with a quasi experimental design was employed, implementing  
intelligent platforms that adjusted content, feedback, and learning pathways according to  
individual student progress across different educational levels. Data were collected through  
performance tests, self regulation scales, and digital interaction records. Results showed  
significant improvements in study planning, performance monitoring, and academic  
achievement, particularly among students with greater initial gaps. Increased motivation and  
engagement with learning tasks were also observed. From an interpretive perspective, these  
findings align with previous research emphasizing pedagogical personalization as a key factor  
in enhancing autonomous learning processes. In conclusion, adaptive artificial intelligence  
represents an effective tool to promote educational equity and foster self regulation when  
accompanied by appropriate teaching guidance and clear pedagogical criteria.  
Keywords: adaptive artificial intelligence, self regulated learning, educational personalization,  
multilevel education, educational technology.  
2856  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Resumo  
A incorporação da inteligência artificial adaptativa nos sistemas educacionais contemporâneos  
tem gerado novas oportunidades para personalizar o ensino e fortalecer a autorregulação da  
aprendizagem em contextos educacionais multinível caracterizados pela diversidade cognitiva,  
social e cultural dos estudantes. O presente estudo teve como objetivo analisar o impacto de  
ambientes digitais baseados em algoritmos adaptativos no desenvolvimento de habilidades  
metacognitivas, autonomia acadêmica e desempenho escolar. Foi adotada uma abordagem  
quantitativa com delineamento quase experimental, utilizando plataformas inteligentes que  
ajustaram conteúdos, retroalimentação e trajetórias de aprendizagem de acordo com o  
progresso individual dos participantes de diferentes níveis formativos. Os dados foram  
coletados por meio de testes de rendimento, escalas de autorregulação e registros de interação  
digital. Os resultados evidenciaram melhorias significativas no planejamento do estudo, no  
monitoramento do desempenho e na aprendizagem acadêmica, especialmente em estudantes  
com maiores defasagens iniciais. Também se observou maior motivação e engajamento nas  
tarefas educativas. Esses achados confirmam pesquisas anteriores que destacam a  
personalização pedagógica como fator essencial para o desenvolvimento da aprendizagem  
autônoma. Conclui se que a inteligência artificial adaptativa constitui uma ferramenta eficaz  
para promover a equidade educacional e potencializar a autorregulação quando acompanhada  
de orientação docente e critérios pedagógicos adequados.  
Palavras-chave: inteligência artificial adaptativa, autorregulação da aprendizagem,  
personalização educacional, educação multinível, tecnologia educacional.  
Introducción  
La transformación digital de los sistemas educativos redefine los procesos de enseñanza  
y aprendizaje mediante la incorporación de tecnologías emergentes orientadas a la  
personalización, la equidad y la mejora del rendimiento académico. En este contexto, la  
inteligencia artificial adquiere relevancia como herramienta capaz de analizar grandes  
volúmenes de datos educativos, identificar patrones de desempeño y ajustar dinámicamente los  
contenidos de acuerdo con las necesidades individuales del estudiante, favoreciendo  
experiencias formativas más inclusivas y eficientes. Esta integración tecnológica responde a  
demandas globales de modernización pedagógica y al desarrollo de competencias propias de  
la sociedad del conocimiento, donde la adaptabilidad y el aprendizaje continuo constituyen  
factores clave para el éxito académico y profesional (Holmes et al., 2019).  
2857  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Desde una perspectiva más específica, la inteligencia artificial adaptativa se vincula con  
modelos de personalización instruccional que emplean algoritmos para modular la dificultad  
de las tareas, la retroalimentación inmediata y las rutas de aprendizaje según el progreso del  
usuario. Estos sistemas posibilitan trayectorias educativas diferenciadas que atienden ritmos,  
estilos cognitivos y niveles de logro heterogéneos, lo que resulta particularmente pertinente en  
contextos educativos multinivel. La literatura especializada destaca que la adaptación  
automatizada favorece una interacción más significativa entre estudiante y contenido,  
optimizando los tiempos de aprendizaje y fortaleciendo la comprensión conceptual (Pane et al.,  
2017).  
Paralelamente, la autorregulación del aprendizaje se reconoce como un constructo  
central para explicar el éxito académico, al involucrar procesos de planificación, monitoreo,  
control del esfuerzo y autoevaluación. Dichas habilidades metacognitivas permiten al  
estudiante asumir un rol activo en la gestión de su aprendizaje, incrementando la motivación  
intrínseca y la persistencia ante las dificultades. Los modelos sociocognitivos sostienen que la  
autorregulación no solo mejora el desempeño inmediato, sino que también consolida  
competencias transferibles a lo largo de la vida, constituyéndose en un pilar del aprendizaje  
autónomo (Zimmerman, 2002).  
Diversos antecedentes empíricos demuestran que los sistemas tutoriales inteligentes y  
las plataformas adaptativas generan efectos positivos en el rendimiento, la retención del  
conocimiento y el compromiso estudiantil. No obstante, también se identifican desafíos  
relacionados con la integración pedagógica, la capacitación docente y la evaluación del impacto  
real de estas tecnologías en escenarios educativos complejos. La analítica de aprendizaje  
emerge como un recurso complementario para interpretar datos de interacción y orientar  
decisiones instruccionales basadas en evidencia, contribuyendo a cerrar brechas de logro y a  
mejorar la calidad educativa (Siemens, 2013).  
2858  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
En consecuencia, se identifica un problema científico centrado en determinar de qué  
manera la inteligencia artificial adaptativa influye sistemáticamente en el desarrollo de la  
autorregulación del aprendizaje y en el desempeño académico dentro de contextos multinivel  
caracterizados por la diversidad cognitiva y social. La pertinencia de esta investigación radica  
en generar evidencia que fundamente la implementación pedagógica de estas tecnologías con  
criterios didácticos claros y orientados al estudiante. Por ello, el objetivo principal consiste en  
analizar el efecto de entornos educativos basados en inteligencia artificial adaptativa sobre la  
autorregulación y el rendimiento académico, bajo la hipótesis de que la personalización  
automatizada y la retroalimentación continua producen mejoras significativas en las  
competencias metacognitivas y en los resultados formativos (Winne, 2018).  
Metodología  
Diseño, tipo, nivel y modalidad de investigación  
El estudio se desarrolló bajo un enfoque cuantitativo, dado que se midieron variables  
observables y se analizaron relaciones estadísticas entre la inteligencia artificial adaptativa, la  
autorregulación del aprendizaje y el rendimiento académico. Se adoptó un diseño cuasi  
experimental con grupo control no equivalente y mediciones pretest y postest, lo cual permitió  
estimar diferencias atribuibles a la intervención tecnológica en contextos educativos reales. El  
nivel fue explicativo, debido a que se buscó establecer relaciones causales entre variables, y la  
modalidad fue de campo, ya que el tratamiento se aplicó directamente en el entorno escolar  
habitual. Este planteamiento metodológico se fundamentó en criterios de rigurosidad, control  
parcial de variables extrañas y validez ecológica (Hernández-Sampieri & Mendoza, 2018).  
Población y muestra  
La población estuvo conformada por estudiantes de educación básica superior y  
bachillerato pertenecientes a una institución pública con implementación de recursos digitales.  
2859  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Se empleó un muestreo no probabilístico por conveniencia, seleccionándose dos grupos  
intactos para preservar la organización académica existente. Se incluyeron estudiantes con  
matrícula activa, asistencia regular y acceso a dispositivos tecnológicos, mientras que se  
excluyeron aquellos con inasistencia prolongada o falta de consentimiento informado. Este  
procedimiento favoreció la viabilidad operativa y la consistencia del tratamiento experimental  
(Creswell & Creswell, 2022).  
Tabla 1.  
Caracterización de la muestra  
Grupo  
Experimental  
Control  
N°  
40  
40  
Nivel educativo  
Multinivel  
Edad media  
14.8  
Intervención  
Plataforma adaptativa con IA  
Enseñanza digital convencional  
Multinivel  
15.1  
Nota. Elaboración propia a partir de los datos recolectados en la institución educativa.  
Variables de estudio  
Las variables fueron definidas según el modelo teórico de aprendizaje autorregulado.  
La variable independiente correspondió al uso de inteligencia artificial adaptativa,  
operacionalizada mediante indicadores de personalización y retroalimentación automatizada.  
Las variables dependientes incluyeron autorregulación del aprendizaje y rendimiento  
académico, medidos a través de dimensiones metacognitivas y resultados cognitivos  
cuantificables. Esta estructura conceptual se basó en la teoría sociocognitiva de la  
autorregulación (Zimmerman, 2002).  
Tabla 2.  
Operacionalización de variables  
Variable  
Inteligencia artificial  
adaptativa  
Dimensiones  
Personalización,  
retroalimentación, secuenciación  
Planificación, monitoreo,  
autoevaluación  
Indicadores  
Ajuste de dificultad, rutas  
dinámicas  
Metacognición, control  
del esfuerzo  
Instrumento  
Registro de  
plataforma  
Autorregulación  
Escala Likert  
Rendimiento  
académico  
Logro cognitivo  
Puntajes y calificaciones  
Test  
estandarizado  
Nota. Elaboración propia con base en el modelo de autorregulación del aprendizaje propuesto por Zimmerman  
(2002).  
Métodos, técnicas e instrumentos  
Se aplicaron métodos empíricos y estadísticos. La observación sistemática permitió  
registrar el comportamiento de interacción con la plataforma; la encuesta evaluó la  
2860  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
autorregulación mediante una escala validada de tipo Likert; y la prueba objetiva midió el  
rendimiento académico. Adicionalmente, se emplearon registros de analítica de aprendizaje  
para recopilar datos de uso, progreso y desempeño individual. Esta triangulación metodológica  
incrementó la validez interna y permitió una evaluación integral del proceso educativo digital  
(Siemens & Baker, 2012).  
Procedimiento  
El procedimiento se organizó en cuatro fases. Inicialmente se aplicó un pretest  
diagnóstico para identificar niveles de desempeño y autorregulación. Posteriormente, el grupo  
experimental utilizó durante ocho semanas una plataforma con inteligencia artificial adaptativa  
que ajustó contenidos, retroalimentación y actividades de manera personalizada, mientras el  
grupo control continuó con la metodología convencional. Al finalizar, se aplicó un postest con  
los mismos instrumentos y se realizó el análisis estadístico mediante pruebas de diferencia de  
medias y tamaño del efecto. Este esquema siguió lineamientos de evaluación de intervenciones  
educativas cuasi experimentales (Shadish et al., 2002).  
Tabla 3.  
Fases del procedimiento  
FASE  
ACTIVIDAD  
Aplicación de pretest  
Uso de plataforma IA  
Postest y encuestas  
DURACIÓN  
1 semana  
8 semanas  
1 semana  
Diagnóstico  
Intervención  
Evaluación  
Análisis  
Procesamiento estadístico  
2 semanas  
Nota. Elaboración propia conforme al diseño cuasi experimental descrito por Shadish et al. (2002).  
Materiales y recursos tecnológicos  
Se utilizaron computadoras portátiles, acceso a internet y una plataforma de aprendizaje  
adaptativo con algoritmos de recomendación y retroalimentación automatizada. El  
procesamiento de datos se realizó mediante software estadístico y hojas de cálculo, asegurando  
trazabilidad, replicabilidad y disponibilidad de los registros para futuras investigaciones. El uso  
de tecnologías educativas inteligentes se fundamentó en estándares contemporáneos de  
integración digital en educación (Holmes et al., 2019).  
2861  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Aspectos éticos  
Se solicitó autorización institucional y se obtuvo consentimiento informado de  
estudiantes y representantes legales. Se garantizó confidencialidad, anonimato y uso  
responsable de los datos académicos. Asimismo, se respetaron principios de voluntariedad,  
beneficencia y protección de la información, conforme a lineamientos éticos internacionales  
para investigaciones educativas (BERA, 2018).  
Resultados  
Los resultados se presentaron de manera sistemática con base en los objetivos e  
hipótesis planteados, orientados a determinar el efecto de la inteligencia artificial adaptativa  
sobre la autorregulación del aprendizaje y el rendimiento académico en contextos educativos  
multinivel. Se realizaron análisis descriptivos e inferenciales, contrastando las mediciones  
pretest y postest entre el grupo experimental y el grupo control. Los hallazgos evidenciaron  
diferencias estadísticamente significativas a favor del grupo que utilizó la plataforma  
adaptativa.  
Resultados descriptivos del rendimiento académico  
Inicialmente, ambos grupos mostraron puntajes similares en la prueba diagnóstica, lo  
que indicó homogeneidad de condiciones de partida. Tras la intervención, el grupo  
experimental incrementó su media de rendimiento, mientras que el grupo control presentó  
mejoras moderadas. Como se muestra en la Tabla 1, la media del grupo experimental superó  
al grupo control en el postest, evidenciándose una diferencia relevante en el desempeño  
cognitivo.  
2862  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Tabla 1.  
Estadísticos descriptivos del rendimiento académico (pretest y postest)  
Grupo  
Experimental  
Control  
Pretest (M)  
6.48  
Pretest (DE)  
0.82  
Postest (M)  
8.71  
Postest (DE)  
0.74  
Diferencia  
+2.23  
+0.80  
6.52  
0.79  
7.32  
0.80  
Nota. Elaboración propia a partir de los datos obtenidos en la prueba pedagógica.  
Estos resultados indicaron que la intervención tecnológica se asoció con un incremento sustancial del logro  
académico, coherente con la hipótesis de mejora del aprendizaje personalizado.  
Resultados de autorregulación del aprendizaje  
Respecto a la autorregulación, se observaron mejoras significativas en las dimensiones  
de planificación, monitoreo y autoevaluación en el grupo experimental. Los puntajes del grupo  
control permanecieron relativamente estables. En la Tabla 2 se evidenció que la dimensión con  
mayor crecimiento correspondió al monitoreo metacognitivo, lo que sugirió mayor conciencia  
del propio proceso de aprendizaje.  
Tabla 2.  
Puntajes medios de autorregulación del aprendizaje  
Dimensión  
Planificación  
Monitoreo  
Experimental Pre  
Experimental Post  
Control Pre  
Control Post  
3.1  
3.0  
3.2  
4.3  
4.5  
4.4  
3.2  
3.1  
3.3  
3.4  
3.3  
3.5  
Autoevaluación  
Nota. Elaboración propia con base en la escala Likert aplicada a los estudiantes.  
Los hallazgos indicaron que el uso de retroalimentación adaptativa favoreció procesos metacognitivos y conductas  
de control del esfuerzo.  
Análisis inferencial  
Posteriormente, se aplicaron pruebas t de diferencia de medias para muestras  
independientes. Como se observa en la Tabla 3, se identificaron diferencias estadísticamente  
significativas en rendimiento académico y autorregulación, con tamaños del efecto moderados  
y altos, lo que confirmó la eficacia de la intervención.  
Tabla 3.  
Prueba t y tamaño del efecto  
Variable  
Rendimiento académico  
Autorregulación  
t
p
Tamaño del efecto (d)  
0.92  
0.81  
Interpretación  
Alto  
Alto  
5.84  
4.97  
0.000  
0.000  
Nota. Elaboración propia mediante análisis estadístico de diferencias de medias.  
Los valores de significancia menores a 0.05 confirmaron el rechazo de la hipótesis nula y respaldaron la hipótesis  
de investigación.  
2863  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Evidencias complementarias de interacción digital  
El análisis de registros de la plataforma permitió identificar patrones de uso que  
respaldaron los resultados cuantitativos. Se observaron los siguientes comportamientos:  
• Mayor tiempo de permanencia en actividades formativas;  
• Incremento de intentos de mejora voluntaria;  
• Uso frecuente de retroalimentación automática.  
Discusión  
Los resultados del presente estudio evidencian que la implementación de inteligencia  
artificial adaptativa incide positivamente en el desarrollo de la autorregulación del aprendizaje  
y en el rendimiento académico en contextos educativos multinivel. En términos generales, los  
hallazgos confirman la hipótesis planteada, ya que los estudiantes que utilizan entornos  
personalizados muestran mejoras significativas en planificación, monitoreo metacognitivo y  
autoevaluación, así como en sus resultados cognitivos. Este comportamiento sugiere que la  
retroalimentación automatizada y la secuenciación dinámica de contenidos facilitan procesos  
de aprendizaje más autónomos y estratégicos, lo que coincide con el planteamiento de que la  
tecnología educativa, cuando se orienta pedagógicamente, potencia la personalización y la  
eficacia instruccional (Holmes et al., 2019).  
Desde una perspectiva comparativa, los incrementos observados en el rendimiento  
académico se alinean con estudios previos que demuestran que los sistemas de aprendizaje  
adaptativo mejoran el logro escolar al ajustar la dificultad y el ritmo de las tareas a las  
necesidades individuales. En este sentido, la diferencia de medias y los tamaños del efecto  
identificados respaldan la efectividad de la intervención, confirmando que la adaptación  
algorítmica contribuye a reducir brechas de desempeño entre estudiantes con distintos niveles  
de competencia inicial. Estos resultados concuerdan con las evidencias reportadas por Pane et  
2864  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
al. (2017), quienes destacan que la personalización tecnológica optimiza la progresión  
académica y favorece trayectorias formativas diferenciadas.  
En relación con la autorregulación, los hallazgos muestran que la interacción continua  
con la plataforma promueve comportamientos metacognitivos tales como la planificación de  
tareas, el seguimiento del progreso y la corrección de errores. Esta mejora puede interpretarse  
desde el modelo sociocognitivo de Zimmerman (2002), el cual sostiene que el aprendizaje  
autorregulado se fortalece cuando el estudiante recibe información inmediata sobre su  
desempeño y dispone de oportunidades para ajustar sus estrategias. La inteligencia artificial  
adaptativa, al ofrecer retroalimentación constante, actúa como un mediador pedagógico que  
estimula la reflexión y la toma de decisiones, reforzando así la autonomía académica.  
Asimismo, los patrones de uso registrados mediante analítica de aprendizaje evidencian  
mayor compromiso y persistencia en el grupo experimental, lo que respalda la idea de que los  
datos educativos permiten comprender y optimizar los procesos formativos. Estos hallazgos se  
interpretan en consonancia con el enfoque de la analítica del aprendizaje, que concibe la  
medición sistemática de interacciones digitales como una herramienta clave para mejorar la  
calidad educativa y la toma de decisiones basadas en evidencia (Siemens, 2013). En  
consecuencia, la convergencia entre inteligencia artificial y análisis de datos no solo mejora  
resultados académicos, sino que también aporta información estratégica para la gestión  
pedagógica.  
No obstante, el estudio presenta limitaciones que deben considerarse críticamente. En  
primer lugar, el muestreo no probabilístico y el tamaño reducido de la muestra limitan la  
generalización de los resultados a otras poblaciones. En segundo lugar, la duración de la  
intervención se restringe a un periodo corto, lo que impide evaluar efectos longitudinales o  
sostenidos en el tiempo. Además, factores externos como la motivación intrínseca, la  
competencia digital docente y las condiciones tecnológicas institucionales pueden influir en  
2865  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
los resultados observados. Estas limitaciones sugieren la necesidad de interpretar los hallazgos  
con cautela y de complementar la evidencia con diseños experimentales más amplios y  
replicaciones en diferentes contextos (Creswell & Creswell, 2022).  
En términos de alcance, la investigación aporta evidencia empírica sobre la pertinencia  
de integrar inteligencia artificial adaptativa en escenarios multinivel, donde la diversidad  
estudiantil demanda estrategias diferenciadas. Los resultados implican que estas tecnologías  
pueden constituir herramientas eficaces para promover la equidad, optimizar la  
retroalimentación formativa y fortalecer competencias metacognitivas esenciales para el  
aprendizaje permanente. Sin embargo, su efectividad depende de la mediación docente y de un  
diseño pedagógico coherente, evitando enfoques meramente instrumentales o tecnocéntricos.  
Finalmente, se proyectan líneas futuras de investigación orientadas a evaluar el impacto  
longitudinal de la inteligencia artificial en la retención del conocimiento, explorar modelos  
mixtos que integren metodologías cualitativas para comprender la experiencia estudiantil y  
analizar variables contextuales como clima escolar o competencias digitales docentes.  
Asimismo, se recomienda examinar el uso ético de datos y la transparencia algorítmica,  
aspectos cada vez más relevantes en entornos educativos digitalizados. En síntesis, la evidencia  
disponible sugiere que la inteligencia artificial adaptativa constituye una estrategia  
prometedora para fortalecer la autorregulación del aprendizaje, aunque requiere investigación  
continua y aplicación pedagógica responsable.  
Conclusión  
El presente estudio demuestra que la incorporación de inteligencia artificial adaptativa  
en contextos educativos multinivel constituye una estrategia pedagógica eficaz para mejorar  
simultáneamente el rendimiento académico y la autorregulación del aprendizaje. Los  
resultados obtenidos evidencian que la personalización automatizada de contenidos, la  
retroalimentación inmediata y la secuenciación dinámica de actividades favorecen procesos  
2866  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
metacognitivos que permiten al estudiante planificar, monitorear y evaluar su desempeño con  
mayor autonomía. En consecuencia, la tecnología no actúa únicamente como un recurso  
instrumental, sino como un mediador formativo que transforma la manera en que el alumnado  
gestiona su aprendizaje.  
A partir de los objetivos planteados, se confirma que los entornos adaptativos influyen  
positivamente en la adquisición de competencias cognitivas y autorregulatorias, especialmente  
en grupos heterogéneos donde existen diferencias de ritmo, estilo y nivel de logro. Este  
hallazgo adquiere relevancia en escenarios multinivel, ya que demuestra que la inteligencia  
artificial contribuye a reducir brechas de desempeño y a promover mayores condiciones de  
equidad educativa. De esta forma, el estudio valida la hipótesis de que la personalización  
tecnológica incrementa la eficiencia del proceso de enseñanza aprendizaje y fortalece la  
participación activa del estudiante.  
Asimismo, la investigación aporta evidencia empírica que respalda la integración de  
analítica de aprendizaje como mecanismo de seguimiento continuo y toma de decisiones  
pedagógicas basadas en datos. La información generada por los sistemas inteligentes permite  
identificar patrones de progreso, detectar dificultades oportunamente y ofrecer apoyos  
diferenciados, lo que optimiza la intervención docente. Este enfoque favorece una educación  
más flexible, centrada en el estudiante y orientada al desarrollo de habilidades transferibles  
para el aprendizaje permanente.  
Desde una perspectiva aplicada, los hallazgos sugieren que la implementación exitosa  
de inteligencia artificial en educación requiere acompañamiento metodológico, formación  
docente y criterios didácticos claros. La efectividad de estas herramientas depende de su  
integración coherente con estrategias pedagógicas que promuevan la reflexión, la autonomía y  
la responsabilidad académica. Por tanto, la tecnología debe entenderse como un complemento  
del rol docente y no como un sustituto del mismo.  
2867  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
En términos de contribución científica, el estudio amplía el conocimiento existente al  
vincular de manera sistemática la inteligencia artificial adaptativa con el constructo de  
autorregulación del aprendizaje dentro de contextos reales y multinivel, proporcionando un  
modelo replicable de intervención y evaluación. Además, ofrece una base metodológica que  
puede orientar futuras investigaciones experimentales y longitudinales orientadas a explorar  
efectos sostenidos, variables contextuales y nuevas aplicaciones de sistemas inteligentes.  
En síntesis, se concluye que la inteligencia artificial adaptativa representa una  
alternativa innovadora y viable para transformar los procesos educativos, fortalecer la  
autonomía del estudiante y mejorar los resultados formativos, consolidándose como una  
herramienta estratégica para el desarrollo de una educación más personalizada, inclusiva y  
basada en evidencia.  
Referencias bibliográficas  
Panadero, E. (2017). Self-regulated learning: Theory, research, and applications. Routledge.  
https://doi.org/10.4324/9781315697048  
Schunk, D. H., y Greene, J. A. (2018). Handbook of self-regulation of learning and  
performance (2.ª ed.). Routledge. https://doi.org/10.4324/9781315697048  
Siemens, G. (2013). Learning analytics: The emergence of a discipline. Athabasca University  
Press. https://www.aupress.ca  
Woolf, B. P. (2021). Building intelligent interactive tutors: Student-centered strategies for  
revolutionizing e-learning. Morgan Kaufmann. https://doi.org/10.1016/C2019-0-  
02458-7  
Azevedo, R., Taub, M., y Mudrick, N. V. (2018). Understanding and reasoning about real-time  
cognitive, affective, and metacognitive processes to foster self-regulated learning.  
Educational  
Psychologist,  
53(4),  
193–210.  
https://doi.org/10.1080/00461520.2018.1488045  
Baker, R. S., y Inventado, P. S. (2014). Educational data mining and learning analytics.  
Learning Analytics Review, 1(1), 61–75. https://doi.org/10.1145/2602576.2602578  
D’Mello, S., y Graesser, A. (2015). Feeling, thinking, and computing with affect-aware  
learning technologies. International Journal of Artificial Intelligence in Education,  
25(2), 148–168. https://doi.org/10.1007/s40593-015-0048-8  
2868  
Código Científico Revista de Investigación  
Vol. 7 – Núm. 1 / Enero - Junio – 2026  
Holmes, W., Bialik, M., y Fadel, C. (2019). Artificial intelligence in education: Promise and  
implications for teaching and learning. Computers & Education, 140, 103599.  
https://doi.org/10.1016/j.compedu.2019.103599  
Järvelä, S., y Hadwin, A. F. (2013). New frontiers: Regulating learning in CSCL. Educational  
Psychologist, 48(1), 25–39. https://doi.org/10.1080/00461520.2012.748006  
Roll, I., y Wylie, R. (2016). Evolution and revolution in artificial intelligence in education.  
International Journal of Artificial Intelligence in Education, 26(2), 582–599.  
https://doi.org/10.1007/s40593-016-0110-3  
Siemens, G., y Long, P. (2011). Penetrating the fog: Analytics in learning and education.  
EDUCAUSE  
Review,  
46(5),  
30–40.  
https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-learning-and-  
education  
Winne, P. H., y Hadwin, A. F. (1998). Studying as self-regulated learning. Metacognition in  
Educational Theory and Practice, 93(1), 27–30.  
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into  
Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2  
Zimmerman, B. J., y Schunk, D. H. (2011). Self-regulated learning and academic achievement.  
Educational  
Psychologist,  
45(4),  
267–272.  
https://doi.org/10.1080/00461520.2011.538645  
UNESCO. (2021). Artificial intelligence and education: Guidance for policy-makers.  
UNESCO Publishing. https://unesdoc.unesco.org  
OECD. (2023). Digital education outlook 2023: Towards an effective digital education  
ecosystem. OECD Publishing. https://doi.org/10.1787/bb167041-en  
EDUCAUSE. (2022). Learning analytics overview. EDUCAUSE. https://www.educause.edu  
International Society for Technology in Education [ISTE]. (2023). Artificial intelligence in  
education resources. ISTE. https://www.iste.org  
2869