Vol. 12/ Núm. 4 2025 pág. 2222
https://doi.org/10.69639/arandu.v12i4.1813
Sistema de Gestión del Aprendizaje con Soporte de
Inteligencia Artificial Generativa en el Centro de
Entrenamiento Escuela de Artillería Antiaérea de la Fuerza
Aérea Ecuatoriana
Learning Management System with Generative Artificial Intelligence Support at the
Ecuadorian Air Force Anti-Aircraft Artillery Training Center
Edison Daniel Villafuerte Mera
https://orcid.org/0009-0002-1245-8724
ev87682@gmail.com
Fuerza Aérea Ecuatoriana
Guayaquil- Ecuador
Omar Adolfo Bustos Insuasti
https://orcid.org/0009-0000-7757-5695
esgri.ecuobi@gmail.com
Fuerzas Terrestre del Ecuador
Quito -Ecuador
Artículo recibido: 18 noviembre 2025 -Aceptado para publicación: 28 diciembre 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La presente investigación evalúa la implementación de una plataforma educativa Learning
Management System (LMS) y su integración con Inteligencia Artificial Generativa (GPT) para
fortalecer los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de
Artillería Antiaérea Conjunta “Octavio Ycaza” de la Fuerza Aérea Ecuatoriana. En la primera
fase, se diagnosticó que los procesos educativos se basan en métodos tradicionales, limitando el
desarrollo de competencias digitales y el acceso a recursos actualizados. Con un enfoque
cuantitativo, diseño no experimental y transversal, se encuestó a 60 miembros de la comunidad
educativa militar y se aplicó la prueba de Chi Cuadrado, obteniendo un valor de 19,891 superior
al valor crítico de 15,5073, lo que permitió aceptar la hipótesis alterna. Los resultados evidencian
que el LMS mejora la planificación didáctica, la gestión de contenidos, la evaluación y la
participación estudiantil. En la segunda fase, se propuso integrar un modelo GPT y
complementos (plugins) al LMS para personalizar contenidos, ofrecer retroalimentación
automática, simular escenarios tácticos y fortalecer el pensamiento estratégico. La evaluación,
con las mismas encuestas, arrojó promedios del 80,46% y 83% para las variables “uso de
inteligencia artificial” e “impacto y preferencias de aplicación”, con alta correlación (r = 0.9947)
y sin diferencias significativas (p = 0.6932), identificando el conocimiento limitado de
complementos (72%) como área de mejora. Se concluye que la combinación de LMS e IA
Vol. 12/ Núm. 4 2025 pág. 2223
generativa es una estrategia integral para modernizar la educación militar, optimizar la gestión
académica y fomentar el aprendizaje adaptativo.
Palabras clave: plataforma LMS, inteligencia artificial generativa, gpt, educación
militar, competencias digitales
ABSTRACT
This research evaluates the implementation of a Learning Management System (LMS) and its
integration with Generative Artificial Intelligence (GPT) to strengthen teaching and learning
processes at the “Octavio Ycaza” Joint Anti-Aircraft Artillery Training School (CEEAAC) of the
Ecuadorian Air Force. In the first phase, it was diagnosed that educational processes rely mainly
on traditional methods, limiting the development of digital skills and access to updated resources.
Using a quantitative, non-experimental, cross-sectional design, a survey was conducted with 60
members of the military educational community, and the Chi-Square test was applied. The
calculated value of 19.891 exceeded the critical value of 15.5073, leading to the acceptance of the
alternative hypothesis. Results show that the LMS significantly improves didactic planning,
content management, assessment, and student engagement. In the second phase, the integration
of a GPT model and plugins into the LMS was proposed to personalize content, provide
automated feedback, simulate tactical scenarios, and enhance strategic thinking. The evaluation,
using the same survey, yielded averages of 80.46% and 83% for the variables “use of artificial
intelligence” and “impact and application preferences,” respectively, with a high correlation (r =
0.9947) and no significant differences (p = 0.6932). Limited knowledge of plugins (72%) was
identified as an area for improvement. It is concluded that combining an LMS with generative AI
represents a comprehensive strategy to modernize military education, optimize academic
management, and promote adaptive learning
Keywords: LMS platform, teaching and learning processes, digital competencies, military
education
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
generativa es una estrategia integral para modernizar la educación militar, optimizar la gestión
académica y fomentar el aprendizaje adaptativo.
Palabras clave: plataforma LMS, inteligencia artificial generativa, gpt, educación
militar, competencias digitales
ABSTRACT
This research evaluates the implementation of a Learning Management System (LMS) and its
integration with Generative Artificial Intelligence (GPT) to strengthen teaching and learning
processes at the “Octavio Ycaza” Joint Anti-Aircraft Artillery Training School (CEEAAC) of the
Ecuadorian Air Force. In the first phase, it was diagnosed that educational processes rely mainly
on traditional methods, limiting the development of digital skills and access to updated resources.
Using a quantitative, non-experimental, cross-sectional design, a survey was conducted with 60
members of the military educational community, and the Chi-Square test was applied. The
calculated value of 19.891 exceeded the critical value of 15.5073, leading to the acceptance of the
alternative hypothesis. Results show that the LMS significantly improves didactic planning,
content management, assessment, and student engagement. In the second phase, the integration
of a GPT model and plugins into the LMS was proposed to personalize content, provide
automated feedback, simulate tactical scenarios, and enhance strategic thinking. The evaluation,
using the same survey, yielded averages of 80.46% and 83% for the variables “use of artificial
intelligence” and “impact and application preferences,” respectively, with a high correlation (r =
0.9947) and no significant differences (p = 0.6932). Limited knowledge of plugins (72%) was
identified as an area for improvement. It is concluded that combining an LMS with generative AI
represents a comprehensive strategy to modernize military education, optimize academic
management, and promote adaptive learning
Keywords: LMS platform, teaching and learning processes, digital competencies, military
education
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 4 2025 pág. 2224
INTRODUCCIÓN
En el marco de la transformación digital y la modernización de los procesos educativos,
las Fuerzas Armadas del Ecuador reconocen la necesidad de incorporar tecnologías que
fortalezcan la formación de su personal, optimicen la gestión académica y respondan a las
crecientes exigencias operativas. En este contexto, los Learning Management Systems (LMS) se
han consolidado como herramientas esenciales para administrar de forma eficiente y centralizada
los contenidos, actividades y evaluaciones, permitiendo un aprendizaje flexible, personalizado e
interactivo.
En el Centro de Entrenamiento y Escuela de Artillería Antiaérea Conjunta “TCRN.
Octavio Ycaza” (CEEAAC) de la Fuerza Aérea Ecuatoriana, persisten limitaciones derivadas del
predominio de métodos tradicionales, lo que impacta la calidad de la instrucción, dificulta el
seguimiento académico y restringe el desarrollo de competencias digitales, esenciales para un
entorno castrense moderno. Ante esta realidad, la primera fase del presente proyecto se orienta a
la implementación de un LMS que permita modernizar y optimizar la gestión de los procesos
formativos, tomando como referencia modelos instruccionales reconocidos como ADDIE y
PACIE, adaptados a las particularidades de la formación militar.
La validación de esta fase se realizó mediante la prueba de Chi cuadrado, obteniendo un
valor estadístico de prueba de 19,891 y un valor crítico de 15,5073. Conforme a la regla de
decisión, se rechaza la hipótesis nula al ser el valor calculado mayor que el valor crítico, aceptando
la hipótesis alterna que sustenta la eficacia del LMS propuesto para mejorar los procesos de
enseñanza y aprendizaje en el CEEAAC.
No obstante, la digitalización de contenidos y la gestión virtual representan solo el punto
de partida. La creciente complejidad de los escenarios operativos y la necesidad de formar líderes
militares capaces de actuar con autonomía, pensamiento crítico y adaptabilidad requieren ir más
allá. Por ello, la segunda fase del proyecto propone la integración de Inteligencia Artificial
Generativa (IA-G), específicamente mediante modelos conversacionales como GPT (Generative
Pre-trained Transformer) y el uso de complementos (plugins), dentro del LMS ya implementado.
Esta innovación busca potenciar la experiencia de enseñanza-aprendizaje mediante un asistente
virtual inteligente capaz de interactuar en tiempo real, personalizar contenidos, generar
retroalimentación automática, simular escenarios tácticos y fortalecer las capacidades estratégicas
y éticas de los estudiantes militares.
Para evaluar la viabilidad de esta segunda fase, se desarrolló un estudio con 60
participantes (docentes y estudiantes del CEEAAC), midiendo dos variables: uso de inteligencia
artificial (aceptación, confianza, utilidad percibida y conocimiento de complementos) e impacto
y preferencias de aplicación (expectativas de mejora y funciones preferidas como simulaciones
tácticas, resúmenes automáticos y tutorías virtuales). Los resultados reflejaron promedios del
INTRODUCCIÓN
En el marco de la transformación digital y la modernización de los procesos educativos,
las Fuerzas Armadas del Ecuador reconocen la necesidad de incorporar tecnologías que
fortalezcan la formación de su personal, optimicen la gestión académica y respondan a las
crecientes exigencias operativas. En este contexto, los Learning Management Systems (LMS) se
han consolidado como herramientas esenciales para administrar de forma eficiente y centralizada
los contenidos, actividades y evaluaciones, permitiendo un aprendizaje flexible, personalizado e
interactivo.
En el Centro de Entrenamiento y Escuela de Artillería Antiaérea Conjunta “TCRN.
Octavio Ycaza” (CEEAAC) de la Fuerza Aérea Ecuatoriana, persisten limitaciones derivadas del
predominio de métodos tradicionales, lo que impacta la calidad de la instrucción, dificulta el
seguimiento académico y restringe el desarrollo de competencias digitales, esenciales para un
entorno castrense moderno. Ante esta realidad, la primera fase del presente proyecto se orienta a
la implementación de un LMS que permita modernizar y optimizar la gestión de los procesos
formativos, tomando como referencia modelos instruccionales reconocidos como ADDIE y
PACIE, adaptados a las particularidades de la formación militar.
La validación de esta fase se realizó mediante la prueba de Chi cuadrado, obteniendo un
valor estadístico de prueba de 19,891 y un valor crítico de 15,5073. Conforme a la regla de
decisión, se rechaza la hipótesis nula al ser el valor calculado mayor que el valor crítico, aceptando
la hipótesis alterna que sustenta la eficacia del LMS propuesto para mejorar los procesos de
enseñanza y aprendizaje en el CEEAAC.
No obstante, la digitalización de contenidos y la gestión virtual representan solo el punto
de partida. La creciente complejidad de los escenarios operativos y la necesidad de formar líderes
militares capaces de actuar con autonomía, pensamiento crítico y adaptabilidad requieren ir más
allá. Por ello, la segunda fase del proyecto propone la integración de Inteligencia Artificial
Generativa (IA-G), específicamente mediante modelos conversacionales como GPT (Generative
Pre-trained Transformer) y el uso de complementos (plugins), dentro del LMS ya implementado.
Esta innovación busca potenciar la experiencia de enseñanza-aprendizaje mediante un asistente
virtual inteligente capaz de interactuar en tiempo real, personalizar contenidos, generar
retroalimentación automática, simular escenarios tácticos y fortalecer las capacidades estratégicas
y éticas de los estudiantes militares.
Para evaluar la viabilidad de esta segunda fase, se desarrolló un estudio con 60
participantes (docentes y estudiantes del CEEAAC), midiendo dos variables: uso de inteligencia
artificial (aceptación, confianza, utilidad percibida y conocimiento de complementos) e impacto
y preferencias de aplicación (expectativas de mejora y funciones preferidas como simulaciones
tácticas, resúmenes automáticos y tutorías virtuales). Los resultados reflejaron promedios del
Vol. 12/ Núm. 4 2025 pág. 2225
80,46% y 83% respectivamente, con una alta correlación (r = 0.9947) y sin diferencias
significativas (p = 0.6932), lo que evidencia un entorno favorable para su adopción. No obstante,
el menor puntaje en conocimiento de complementos (72%) se presenta como un área de mejora
para maximizar los beneficios de la IA en el entorno militar.
De esta forma, el proyecto combina la implementación de un LMS como base tecnológica
y organizativa con la incorporación estratégica de IA generativa, posicionando al CEEAAC a la
vanguardia de la formación militar digital y alineando sus procesos educativos con las demandas
del siglo XXI.
La investigación planteó las siguientes hipótesis:
H₀: La implementación de una plataforma educativa LMS no tiene un efecto significativo
en los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Hi: La implementación de una plataforma educativa LMS fortalece significativamente
los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Segunda fase
H₀: No existe una diferencia significativa entre la percepción del uso de inteligencia
artificial generativa y el impacto percibido en el aprendizaje militar en el entorno del LMS del
CEEAAC.
H₁: Existe una diferencia significativa entre la percepción del uso de inteligencia
artificial generativa y el impacto percibido en el aprendizaje militar en el entorno del LMS del
CEEAAC.
MATERIALES Y MÉTODOS
Diseño metodológico primera fase
Para esta primera parte este proyecto de investigación adopta un enfoque cuantitativo, el
cual se caracteriza por la recolección y análisis de datos numéricos para probar hipótesis y
establecer patrones o relaciones entre variables. Este enfoque permitirá recolectar información a
través de los instrumentos de medición (encuestas) aplicados a los directivos académicos,
instructores y alumnos militares. Los hallazgos de la investigación se relacionarán con el
problema planteado, y los resultados serán organizados utilizando fórmulas estadísticas, para su
posterior análisis e interpretación de acuerdo con el marco teórico. Así lo afirma Novoa (2017)
"la investigación cuantitativa se caracteriza por ser objetiva y deductiva, producto de los
diferentes procesos que pueden ser medibles” (pág. 45).
Diseño de la Investigación
El diseño de esta investigación es no experimental y transversal. En un diseño no
experimental, las variables no son manipuladas deliberadamente; en cambio, se observan los
80,46% y 83% respectivamente, con una alta correlación (r = 0.9947) y sin diferencias
significativas (p = 0.6932), lo que evidencia un entorno favorable para su adopción. No obstante,
el menor puntaje en conocimiento de complementos (72%) se presenta como un área de mejora
para maximizar los beneficios de la IA en el entorno militar.
De esta forma, el proyecto combina la implementación de un LMS como base tecnológica
y organizativa con la incorporación estratégica de IA generativa, posicionando al CEEAAC a la
vanguardia de la formación militar digital y alineando sus procesos educativos con las demandas
del siglo XXI.
La investigación planteó las siguientes hipótesis:
H₀: La implementación de una plataforma educativa LMS no tiene un efecto significativo
en los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Hi: La implementación de una plataforma educativa LMS fortalece significativamente
los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Segunda fase
H₀: No existe una diferencia significativa entre la percepción del uso de inteligencia
artificial generativa y el impacto percibido en el aprendizaje militar en el entorno del LMS del
CEEAAC.
H₁: Existe una diferencia significativa entre la percepción del uso de inteligencia
artificial generativa y el impacto percibido en el aprendizaje militar en el entorno del LMS del
CEEAAC.
MATERIALES Y MÉTODOS
Diseño metodológico primera fase
Para esta primera parte este proyecto de investigación adopta un enfoque cuantitativo, el
cual se caracteriza por la recolección y análisis de datos numéricos para probar hipótesis y
establecer patrones o relaciones entre variables. Este enfoque permitirá recolectar información a
través de los instrumentos de medición (encuestas) aplicados a los directivos académicos,
instructores y alumnos militares. Los hallazgos de la investigación se relacionarán con el
problema planteado, y los resultados serán organizados utilizando fórmulas estadísticas, para su
posterior análisis e interpretación de acuerdo con el marco teórico. Así lo afirma Novoa (2017)
"la investigación cuantitativa se caracteriza por ser objetiva y deductiva, producto de los
diferentes procesos que pueden ser medibles” (pág. 45).
Diseño de la Investigación
El diseño de esta investigación es no experimental y transversal. En un diseño no
experimental, las variables no son manipuladas deliberadamente; en cambio, se observan los
Vol. 12/ Núm. 4 2025 pág. 2226
fenómenos tal como ocurren en su contexto natural. Este tipo de diseño es apropiado cuando el
objetivo es describir variables y analizar su incidencia o interrelación en un momento
determinado. Según González (2021)"en este tipo de diseño no se realiza manipulación directa
de variables, se busca observar las relaciones naturales, en un único momento en el tiempo sin
alterar ninguna situación" (pág. 65)
Nivel o alcance de la Investigación
El estudio se enmarca en los niveles descriptivo y correlacional. El nivel descriptivo tiene
como objetivo especificar las propiedades, características y perfiles de personas, grupos,
comunidades, procesos, objetos o cualquier otro fenómeno que se someta a un análisis. Este nivel
permite detallar cómo son y cómo se manifiestan ciertos fenómenos. Por otro lado, el nivel
correlacional tiene como finalidad conocer la relación o grado de asociación que existe entre dos
o más conceptos, categorías o variables en un contexto específico. De acuerdo con Maureira y
Flores (2024)"se trata de un estudio observacional de cohorte o estacional, descriptivo-
comparativo, con enfoque cuantitativo, no experimental y transversal" (pág. 28)
Tipos de Investigación
Esta investigación es de tipo de campo y evaluativa. La investigación de campo se
caracteriza por la recolección directa de datos en el lugar donde ocurren los hechos, permitiendo
obtener información de primera mano y en el contexto real de los fenómenos estudiados. La
investigación evaluativa, en cambio, se centra en la valoración sistemática de programas, procesos
o productos con el fin de determinar su eficacia, eficiencia y relevancia. Este tipo de investigación
es útil para tomar decisiones informadas sobre la continuidad, modificación o terminación de
intervenciones específicas.
Descripción del contexto, los participantes o población y el periodo en el que se realizó la
investigación.
El estudio se llevará a cabo en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta “Octavio Ycaza”, perteneciente a la Fuerza Aérea Ecuatoriana. La población
objeto de estudio está conformada por los directivos, instructores y alumnos militares, que
participan en los procesos de enseñanza y aprendizaje dentro de esta institución. Dado que se
conoce el número total de (60 individuos), que conforman esta población, se considera una
población finita. Según Rojas (2017)"población finita: cuando el número de elementos que la
forman es finito, por ejemplo, el número de alumnos de un centro de enseñanza, o grupo clase"
(pág. 12)
fenómenos tal como ocurren en su contexto natural. Este tipo de diseño es apropiado cuando el
objetivo es describir variables y analizar su incidencia o interrelación en un momento
determinado. Según González (2021)"en este tipo de diseño no se realiza manipulación directa
de variables, se busca observar las relaciones naturales, en un único momento en el tiempo sin
alterar ninguna situación" (pág. 65)
Nivel o alcance de la Investigación
El estudio se enmarca en los niveles descriptivo y correlacional. El nivel descriptivo tiene
como objetivo especificar las propiedades, características y perfiles de personas, grupos,
comunidades, procesos, objetos o cualquier otro fenómeno que se someta a un análisis. Este nivel
permite detallar cómo son y cómo se manifiestan ciertos fenómenos. Por otro lado, el nivel
correlacional tiene como finalidad conocer la relación o grado de asociación que existe entre dos
o más conceptos, categorías o variables en un contexto específico. De acuerdo con Maureira y
Flores (2024)"se trata de un estudio observacional de cohorte o estacional, descriptivo-
comparativo, con enfoque cuantitativo, no experimental y transversal" (pág. 28)
Tipos de Investigación
Esta investigación es de tipo de campo y evaluativa. La investigación de campo se
caracteriza por la recolección directa de datos en el lugar donde ocurren los hechos, permitiendo
obtener información de primera mano y en el contexto real de los fenómenos estudiados. La
investigación evaluativa, en cambio, se centra en la valoración sistemática de programas, procesos
o productos con el fin de determinar su eficacia, eficiencia y relevancia. Este tipo de investigación
es útil para tomar decisiones informadas sobre la continuidad, modificación o terminación de
intervenciones específicas.
Descripción del contexto, los participantes o población y el periodo en el que se realizó la
investigación.
El estudio se llevará a cabo en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta “Octavio Ycaza”, perteneciente a la Fuerza Aérea Ecuatoriana. La población
objeto de estudio está conformada por los directivos, instructores y alumnos militares, que
participan en los procesos de enseñanza y aprendizaje dentro de esta institución. Dado que se
conoce el número total de (60 individuos), que conforman esta población, se considera una
población finita. Según Rojas (2017)"población finita: cuando el número de elementos que la
forman es finito, por ejemplo, el número de alumnos de un centro de enseñanza, o grupo clase"
(pág. 12)
Vol. 12/ Núm. 4 2025 pág. 2227
Tabla 1
Población
Personal Militar Población Muestra %
Directivos 5 5 100%
Instructores Militares 14 14 100%
Alumnos Militares 41 41 100%
Total 60 60 100%
Diseño metodológico segunda fase
Enfoque de la investigación
El enfoque de esta investigación es cuantitativo ya que busca no solo implementar y
observar el funcionamiento del asistente virtual basado en IA dentro del LMS, sino también medir
y analizar la percepción de los usuarios sobre su efectividad y aplicabilidad en el entorno de
enseñanza militar.
Tipo de investigación
Se trata de una investigación de tipo aplicada, de carácter exploratorio-descriptivo, pues
pretende implementar una solución tecnológica innovadora (GPT) y describir sus efectos en el
proceso formativo. La propuesta también tiene un componente tecnológico-proyectivo, al diseñar
una metodología replicable en otros entornos militares de formación.
Diseño metodológico
El diseño es cuasi-experimental no probabilístico, con un grupo de usuarios que interactúa
con el LMS antes y después de la integración de IA. Se compararán percepciones y resultados
pedagógicos antes y después de la implementación.
Población y muestra
Población: El estudio se llevó a cabo en el Centro de Entrenamiento y Escuela de
Artillería Antiaérea Conjunta “Octavio Ycaza”, perteneciente a la Fuerza Aérea Ecuatoriana. La
población objeto de estudio está conformada por los directivos, instructores y alumnos militares,
que participan en los procesos de enseñanza y aprendizaje dentro de esta institución. Dado que se
conoce el número total de 60 individuos, que conforman esta población, se considera una
población finita conceptualizada por Rojas (2017)como "población finita: cuando el número de
elementos que la forman es finito, por ejemplo, el número de alumnos de un centro de enseñanza,
o grupo clase". La muestra seleccionada fue la misma que participó en la primera fase.
RESULTADOS Y DISCUSIÓN
Para la comprobación de la hipótesis planteada, se empleó la prueba estadística no
paramétrica de Chi Cuadrado (χ²), apropiada para establecer la existencia de una posible relación
entre variables categóricas. Al respecto a esta prueba, (Biswal, 2025) explica que “la prueba
Tabla 1
Población
Personal Militar Población Muestra %
Directivos 5 5 100%
Instructores Militares 14 14 100%
Alumnos Militares 41 41 100%
Total 60 60 100%
Diseño metodológico segunda fase
Enfoque de la investigación
El enfoque de esta investigación es cuantitativo ya que busca no solo implementar y
observar el funcionamiento del asistente virtual basado en IA dentro del LMS, sino también medir
y analizar la percepción de los usuarios sobre su efectividad y aplicabilidad en el entorno de
enseñanza militar.
Tipo de investigación
Se trata de una investigación de tipo aplicada, de carácter exploratorio-descriptivo, pues
pretende implementar una solución tecnológica innovadora (GPT) y describir sus efectos en el
proceso formativo. La propuesta también tiene un componente tecnológico-proyectivo, al diseñar
una metodología replicable en otros entornos militares de formación.
Diseño metodológico
El diseño es cuasi-experimental no probabilístico, con un grupo de usuarios que interactúa
con el LMS antes y después de la integración de IA. Se compararán percepciones y resultados
pedagógicos antes y después de la implementación.
Población y muestra
Población: El estudio se llevó a cabo en el Centro de Entrenamiento y Escuela de
Artillería Antiaérea Conjunta “Octavio Ycaza”, perteneciente a la Fuerza Aérea Ecuatoriana. La
población objeto de estudio está conformada por los directivos, instructores y alumnos militares,
que participan en los procesos de enseñanza y aprendizaje dentro de esta institución. Dado que se
conoce el número total de 60 individuos, que conforman esta población, se considera una
población finita conceptualizada por Rojas (2017)como "población finita: cuando el número de
elementos que la forman es finito, por ejemplo, el número de alumnos de un centro de enseñanza,
o grupo clase". La muestra seleccionada fue la misma que participó en la primera fase.
RESULTADOS Y DISCUSIÓN
Para la comprobación de la hipótesis planteada, se empleó la prueba estadística no
paramétrica de Chi Cuadrado (χ²), apropiada para establecer la existencia de una posible relación
entre variables categóricas. Al respecto a esta prueba, (Biswal, 2025) explica que “la prueba
Vol. 12/ Núm. 4 2025 pág. 2228
Chi‑Cuadrado se utiliza para determinar si existe una diferencia estadísticamente significativa
entre las frecuencias observadas y esperadas en categorías”. El análisis permitirá determinar si
existe una asociación significativa entre el uso de la plataforma LMS y los procesos de enseñanza
y aprendizaje, con base en los datos empíricos obtenidos del instrumento aplicado,
específicamente en la pregunta nro. 10 “el proceso enseñanza aprendizaje ha mejorado con el
uso de la plataforma LMS del CEEAAC”.
Hipótesis nula (H0): Independencia de las variables.
Hipótesis Alterna (Hi): Variables relacionadas.
Formula de estadístico de prueba.
𝑥2 = ∑ (𝑂𝑖 − 𝐸𝑖)2
𝐸𝑖
𝑘
𝑖=1
H₀: La implementación de una plataforma educativa LMS no tiene un efecto significativo
en los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Hi: La implementación de una plataforma educativa LMS fortalece significativamente
los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Tabla 2
Pregunta 10
Items Frecuencia Porcentaje
1. Totalmente de acuerdo 41 68,00%
2. De acuerdo 19 32,00%
3. Ni de acuerdo ni en desacuerdo 0 0,00%
4. En desacuerdo 0 0,00%
5. Totalmente en desacuerdo 0 0,00%
Total 60 100%
De acuerdo con la tabla 4, referente a la pregunta nro. 10, se puede evidenciar que del
total de la población (60 encuestados) el 68% (41 individuos), afirman que están “totalmente de
acuerdo”; y el 32% (19 encuestados), afirman que están “de acuerdo”.
Chi‑Cuadrado se utiliza para determinar si existe una diferencia estadísticamente significativa
entre las frecuencias observadas y esperadas en categorías”. El análisis permitirá determinar si
existe una asociación significativa entre el uso de la plataforma LMS y los procesos de enseñanza
y aprendizaje, con base en los datos empíricos obtenidos del instrumento aplicado,
específicamente en la pregunta nro. 10 “el proceso enseñanza aprendizaje ha mejorado con el
uso de la plataforma LMS del CEEAAC”.
Hipótesis nula (H0): Independencia de las variables.
Hipótesis Alterna (Hi): Variables relacionadas.
Formula de estadístico de prueba.
𝑥2 = ∑ (𝑂𝑖 − 𝐸𝑖)2
𝐸𝑖
𝑘
𝑖=1
H₀: La implementación de una plataforma educativa LMS no tiene un efecto significativo
en los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Hi: La implementación de una plataforma educativa LMS fortalece significativamente
los procesos de enseñanza y aprendizaje en el Centro de Entrenamiento y Escuela de Artillería
Antiaérea Conjunta 'Octavio YCAZA' de la Fuerza Aérea Ecuatoriana.
Tabla 2
Pregunta 10
Items Frecuencia Porcentaje
1. Totalmente de acuerdo 41 68,00%
2. De acuerdo 19 32,00%
3. Ni de acuerdo ni en desacuerdo 0 0,00%
4. En desacuerdo 0 0,00%
5. Totalmente en desacuerdo 0 0,00%
Total 60 100%
De acuerdo con la tabla 4, referente a la pregunta nro. 10, se puede evidenciar que del
total de la población (60 encuestados) el 68% (41 individuos), afirman que están “totalmente de
acuerdo”; y el 32% (19 encuestados), afirman que están “de acuerdo”.
Vol. 12/ Núm. 4 2025 pág. 2229
Tabla 3
Datos Observados
Items Directivos Instructores Alumnos
Militares Subtotal
1. Totalmente de acuerdo 3 3 35 41
2. De acuerdo 2 11 6 19
3. Ni de acuerdo ni en desacuerdo 0 0 0 0
4. En desacuerdo 0 0 0 0
5. Totalmente en desacuerdo 0 0 0 0
Total del Grupo 5 14 41 60
De acuerdo con la tabla 5, referente a los datos observados, se detalla la división de los
datos obtenidos por cada grupo de encuestado.
Tabla 4
Datos Esperados
Items Directivos e
Instructores Instructores Alumnos
Militares Subtotal
1. Totalmente de acuerdo 3 10 28 41
2. De acuerdo 2 4 13 19
3. Ni de acuerdo ni en desacuerdo 0 0 0 0
4. En desacuerdo 0 0 0 0
5. Totalmente en desacuerdo 0 0 0 0
Total del Grupo 5 14 41 60
En la tabla 6, están registradas los datos esperadas por cada grupo encuestados, estos
datos se obtuvieron de los resultados de la multiplicación de la frecuencia marginal de la fila
(subtotal) por la frecuencia marginal de columna (total de grupos) dividida entre el sumatorio
total (60).
Tabla 5
Estadístico de Prueba
items Directivos e
Instructores Instructores Alumnos Militares
1. Totalmente de acuerdo 0,051 4,507 1,741
2. De acuerdo 0,110 9,727 3,756
Tabla 3
Datos Observados
Items Directivos Instructores Alumnos
Militares Subtotal
1. Totalmente de acuerdo 3 3 35 41
2. De acuerdo 2 11 6 19
3. Ni de acuerdo ni en desacuerdo 0 0 0 0
4. En desacuerdo 0 0 0 0
5. Totalmente en desacuerdo 0 0 0 0
Total del Grupo 5 14 41 60
De acuerdo con la tabla 5, referente a los datos observados, se detalla la división de los
datos obtenidos por cada grupo de encuestado.
Tabla 4
Datos Esperados
Items Directivos e
Instructores Instructores Alumnos
Militares Subtotal
1. Totalmente de acuerdo 3 10 28 41
2. De acuerdo 2 4 13 19
3. Ni de acuerdo ni en desacuerdo 0 0 0 0
4. En desacuerdo 0 0 0 0
5. Totalmente en desacuerdo 0 0 0 0
Total del Grupo 5 14 41 60
En la tabla 6, están registradas los datos esperadas por cada grupo encuestados, estos
datos se obtuvieron de los resultados de la multiplicación de la frecuencia marginal de la fila
(subtotal) por la frecuencia marginal de columna (total de grupos) dividida entre el sumatorio
total (60).
Tabla 5
Estadístico de Prueba
items Directivos e
Instructores Instructores Alumnos Militares
1. Totalmente de acuerdo 0,051 4,507 1,741
2. De acuerdo 0,110 9,727 3,756
Vol. 12/ Núm. 4 2025 pág. 2230
items Directivos e
Instructores Instructores Alumnos Militares
3. Ni de acuerdo ni en desacuerdo 0,000 0,000 0,000
4. En desacuerdo 0,000 0,000 0,000
5. Totalmente en desacuerdo 0,000 0,000 0,000
Total de Estadístico de Prueba 19,891
De acuerdo con la tabla 7, se aplicó el estadístico de prueba, correspondiente al sumatorio
total de las potencias correspondiente a las frecuencias observadas menos el total de las
frecuencias esperadas elevada al cuadrado, dividido entre las frecuencias esperadas, cuyo valor
total del estadístico fue de 19,891.
Tabla 6
Fórmula Chi-Cuadrado
Detalle Datos Valor
Estadístico de prueba x^2 19,891
Grado de libertad
(nro. de fila – 1) * (nro. de columna -1) (5-1) * (3-1) 8
Alfa (5%) 0,05
Valor crítico (1- α), (r-1), (c-1) 15,5073
Para la comprobación de hipótesis se evidencia en la tabla 6, que el valor estadístico de
prueba es de 19,891 y el valor crítico es de 15,5073, tomando como decisión de no aceptar la
hipótesis nula, en vista que el modelo Chi Cuadrado tiene como regla rechazar la hipótesis nula
cuando el valor calculado de estadístico de prueba es mayor al valor crítico; por lo tanto, se acepta
la hipótesis alterna.
Análisis de resultados segunda fase
Los resultados obtenidos ofrecen una visión clara sobre el nivel de apertura del personal
hacia la innovación tecnológica en contextos formativos militares, y constituyen una base sólida
para proponer la implementación definitiva de soluciones basadas en IA generativa en el CE-
EAAC. Los resultados obtenidos fueron tabulados en el programa Excel, graficados y los
resultados sintetizados los promedios de cada variables determinaron la significación o validez
de la hipótesis alterna o nula. El análisis completo por pregunta se puede apreciar en el Anexo F
Variable independiente: Uso de la Inteligencia Artificial
Esta variable se analizó a través de tres dimensiones clave:
• Aceptación y confianza en la IA (P1 y P7)
items Directivos e
Instructores Instructores Alumnos Militares
3. Ni de acuerdo ni en desacuerdo 0,000 0,000 0,000
4. En desacuerdo 0,000 0,000 0,000
5. Totalmente en desacuerdo 0,000 0,000 0,000
Total de Estadístico de Prueba 19,891
De acuerdo con la tabla 7, se aplicó el estadístico de prueba, correspondiente al sumatorio
total de las potencias correspondiente a las frecuencias observadas menos el total de las
frecuencias esperadas elevada al cuadrado, dividido entre las frecuencias esperadas, cuyo valor
total del estadístico fue de 19,891.
Tabla 6
Fórmula Chi-Cuadrado
Detalle Datos Valor
Estadístico de prueba x^2 19,891
Grado de libertad
(nro. de fila – 1) * (nro. de columna -1) (5-1) * (3-1) 8
Alfa (5%) 0,05
Valor crítico (1- α), (r-1), (c-1) 15,5073
Para la comprobación de hipótesis se evidencia en la tabla 6, que el valor estadístico de
prueba es de 19,891 y el valor crítico es de 15,5073, tomando como decisión de no aceptar la
hipótesis nula, en vista que el modelo Chi Cuadrado tiene como regla rechazar la hipótesis nula
cuando el valor calculado de estadístico de prueba es mayor al valor crítico; por lo tanto, se acepta
la hipótesis alterna.
Análisis de resultados segunda fase
Los resultados obtenidos ofrecen una visión clara sobre el nivel de apertura del personal
hacia la innovación tecnológica en contextos formativos militares, y constituyen una base sólida
para proponer la implementación definitiva de soluciones basadas en IA generativa en el CE-
EAAC. Los resultados obtenidos fueron tabulados en el programa Excel, graficados y los
resultados sintetizados los promedios de cada variables determinaron la significación o validez
de la hipótesis alterna o nula. El análisis completo por pregunta se puede apreciar en el Anexo F
Variable independiente: Uso de la Inteligencia Artificial
Esta variable se analizó a través de tres dimensiones clave:
• Aceptación y confianza en la IA (P1 y P7)
Vol. 12/ Núm. 4 2025 pág. 2231
• Utilidad percibida del asistente GPT (P2 y P3)
• Conocimiento de complementos (plugins) (P8)
Tabla 7
Variable independiente
Aceptación y
confianza en la
IA (P1, P7)
Utilidad
percibida del
asistente GPT
(P2, P3)
Conocimiento
complementos
(P8)
PROMEDIO
1. Totalmente de acuerdo 44,71% 36,67% 25% 35,46%
2. De acuerdo 43,34% 45,83% 31,67% 40,28%
3. Ni de acuerdo ni en
desacuerdo 10% 15,00% 25% 16,67%
4. En desacuerdo 2,50% 2,50% 13,33% 6,11%
5. Totalmente en desacuerdo 0% 0% 5% 1,67%
Total general 100% 100,00% 100% 100,00%
Este análisis cobra relevancia en el contexto institucional del CE-EAAC, dado que la
ausencia de una plataforma educativa moderna ha limitado la integración de metodologías activas,
seguimiento académico automatizado y recursos digitales interactivos. En este sentido, la
implementación de un LMS combinado con IA generativa se presenta como una solución
transformadora, capaz de elevar la calidad y eficiencia de la formación militar.
Los resultados obtenidos reflejan una actitud predominantemente positiva del personal
militar hacia el uso de IA generativa:
• En cuanto a la aceptación y confianza en la IA, un 44,71% de los participantes se mostró
totalmente de acuerdo y un 43,34% de acuerdo, lo que evidencia un 88% de aprobación
en esta dimensión.
• Respecto a la utilidad percibida del asistente GPT, el 45,83% de los encuestados estuvo
de acuerdo, mientras que el 36,67% se mostró totalmente de acuerdo.
• En cuanto al conocimiento de complementos, si bien el nivel de acuerdo fue más
moderado, con un 31,67% de acuerdo y un 25% totalmente de acuerdo, esta dimensión
señala un área de oportunidad para formación técnica en el uso e integración de plugins
especializados en Moodle u otros LMS compatibles.
En conjunto, los datos muestran una base sólida de receptividad institucional para
incorporar soluciones de inteligencia artificial generativa al entorno educativo militar. Esta
disposición positiva sugiere que una adecuada implementación acompañada de capacitación y
acompañamiento técnico permitiría fortalecer no solo la infraestructura digital del CEEAAC, sino
• Utilidad percibida del asistente GPT (P2 y P3)
• Conocimiento de complementos (plugins) (P8)
Tabla 7
Variable independiente
Aceptación y
confianza en la
IA (P1, P7)
Utilidad
percibida del
asistente GPT
(P2, P3)
Conocimiento
complementos
(P8)
PROMEDIO
1. Totalmente de acuerdo 44,71% 36,67% 25% 35,46%
2. De acuerdo 43,34% 45,83% 31,67% 40,28%
3. Ni de acuerdo ni en
desacuerdo 10% 15,00% 25% 16,67%
4. En desacuerdo 2,50% 2,50% 13,33% 6,11%
5. Totalmente en desacuerdo 0% 0% 5% 1,67%
Total general 100% 100,00% 100% 100,00%
Este análisis cobra relevancia en el contexto institucional del CE-EAAC, dado que la
ausencia de una plataforma educativa moderna ha limitado la integración de metodologías activas,
seguimiento académico automatizado y recursos digitales interactivos. En este sentido, la
implementación de un LMS combinado con IA generativa se presenta como una solución
transformadora, capaz de elevar la calidad y eficiencia de la formación militar.
Los resultados obtenidos reflejan una actitud predominantemente positiva del personal
militar hacia el uso de IA generativa:
• En cuanto a la aceptación y confianza en la IA, un 44,71% de los participantes se mostró
totalmente de acuerdo y un 43,34% de acuerdo, lo que evidencia un 88% de aprobación
en esta dimensión.
• Respecto a la utilidad percibida del asistente GPT, el 45,83% de los encuestados estuvo
de acuerdo, mientras que el 36,67% se mostró totalmente de acuerdo.
• En cuanto al conocimiento de complementos, si bien el nivel de acuerdo fue más
moderado, con un 31,67% de acuerdo y un 25% totalmente de acuerdo, esta dimensión
señala un área de oportunidad para formación técnica en el uso e integración de plugins
especializados en Moodle u otros LMS compatibles.
En conjunto, los datos muestran una base sólida de receptividad institucional para
incorporar soluciones de inteligencia artificial generativa al entorno educativo militar. Esta
disposición positiva sugiere que una adecuada implementación acompañada de capacitación y
acompañamiento técnico permitiría fortalecer no solo la infraestructura digital del CEEAAC, sino
Vol. 12/ Núm. 4 2025 pág. 2232
también sus métodos pedagógicos, elevando los estándares de formación militar en el contexto
nacional.
Análisis Ponderado de la Variable Independiente: Uso de Inteligencia Artificial Generativa
en el LMS del CEEAAC
Al analizar la ponderación total de la variable independiente Uso de inteligencia artificial
generativa, se observa un promedio ponderado de 4,023 sobre 5, lo cual representa un nivel de
aprobación del 80,46%. Este resultado refleja una alta valoración global por parte del personal
militar encuestado, lo que confirma una percepción favorable hacia la adopción de tecnologías de
IA generativa en el entorno educativo del CE-EAAC.
Tabla 8
Análisis ponderado de la variable independiente
Ponderación Promedio variable
independiente Valor asignado
1,773 35,46% 5
1,611 40,28% 4
0,500 16,67% 3
0,122 6,11% 2
0,017 1,67% 1
Total promedio ponderado 4,023 100,00%
Nivel de aprobación % 80,46%
Al desglosar los resultados por categorías de respuesta, se destaca que la mayoría de los
participantes se ubica en los niveles más altos de la escala. Un 35,46% eligió la opción totalmente
de acuerdo (valor 5) y un 40,28% seleccionó de acuerdo (valor 4), lo que en conjunto representa
más del 75% de respuestas con una percepción positiva. Las posiciones neutrales (valor 3) fueron
elegidas por un 16,67%, mientras que los niveles de desacuerdo (valores 2 y 1) registraron
porcentajes mínimos, con un 6,11% y un 1,67%, respectivamente.
Estos datos sugieren que, además de existir una alta aceptación y confianza en el uso de
IA generativa, también hay un reconocimiento claro de su utilidad dentro del LMS, especialmente
en funciones como asistencia virtual, generación de contenidos y retroalimentación automatizada.
Sin embargo, el porcentaje moderado de respuestas neutras sugiere la conveniencia de fortalecer
procesos de capacitación técnica para asegurar una apropiación completa de estas herramientas,
especialmente en lo relacionado al uso de complementos y plugins especializados que refleja los
valores más bajos de aceptación.
En conclusión, la ponderación alcanzada demuestra que el personal militar del CEEAAC
tiene una disposición altamente favorable hacia la implementación de IA generativa en su entorno
también sus métodos pedagógicos, elevando los estándares de formación militar en el contexto
nacional.
Análisis Ponderado de la Variable Independiente: Uso de Inteligencia Artificial Generativa
en el LMS del CEEAAC
Al analizar la ponderación total de la variable independiente Uso de inteligencia artificial
generativa, se observa un promedio ponderado de 4,023 sobre 5, lo cual representa un nivel de
aprobación del 80,46%. Este resultado refleja una alta valoración global por parte del personal
militar encuestado, lo que confirma una percepción favorable hacia la adopción de tecnologías de
IA generativa en el entorno educativo del CE-EAAC.
Tabla 8
Análisis ponderado de la variable independiente
Ponderación Promedio variable
independiente Valor asignado
1,773 35,46% 5
1,611 40,28% 4
0,500 16,67% 3
0,122 6,11% 2
0,017 1,67% 1
Total promedio ponderado 4,023 100,00%
Nivel de aprobación % 80,46%
Al desglosar los resultados por categorías de respuesta, se destaca que la mayoría de los
participantes se ubica en los niveles más altos de la escala. Un 35,46% eligió la opción totalmente
de acuerdo (valor 5) y un 40,28% seleccionó de acuerdo (valor 4), lo que en conjunto representa
más del 75% de respuestas con una percepción positiva. Las posiciones neutrales (valor 3) fueron
elegidas por un 16,67%, mientras que los niveles de desacuerdo (valores 2 y 1) registraron
porcentajes mínimos, con un 6,11% y un 1,67%, respectivamente.
Estos datos sugieren que, además de existir una alta aceptación y confianza en el uso de
IA generativa, también hay un reconocimiento claro de su utilidad dentro del LMS, especialmente
en funciones como asistencia virtual, generación de contenidos y retroalimentación automatizada.
Sin embargo, el porcentaje moderado de respuestas neutras sugiere la conveniencia de fortalecer
procesos de capacitación técnica para asegurar una apropiación completa de estas herramientas,
especialmente en lo relacionado al uso de complementos y plugins especializados que refleja los
valores más bajos de aceptación.
En conclusión, la ponderación alcanzada demuestra que el personal militar del CEEAAC
tiene una disposición altamente favorable hacia la implementación de IA generativa en su entorno
Vol. 12/ Núm. 4 2025 pág. 2233
formativo, validando así la propuesta de innovación educativa que combina el uso de un LMS
con inteligencia artificial como estrategia de modernización institucional.
Variable dependiente Impacto y Preferencias de Aplicación de la IA Generativa
Tabla 9
Variable dependiente
Impacto esperado en el
aprendizaje militar (P4,
P6)
Preferencias de
aplicación (simulación,
evaluación, resumen,
tutoría) (P5, P9, P10)
Promedio
1. Totalmente de acuerdo 36,67% 34% 35,34%
2. De acuerdo 47,50% 47% 47,25%
3. Ni de acuerdo ni en
desacuerdo 14,17% 14% 14,09%
4. En desacuerdo 1,67% 3% 2,34%
5. Totalmente en
desacuerdo 0,00% 0% 0,00%
Total general 100,00% 100% 100,00%
La variable dependiente del estudio, impacto y preferencias de aplicación de la
inteligencia artificial generativa en el proceso de formación militar se evaluó mediante dos
dimensiones clave:
1. Impacto esperado en el aprendizaje militar, y
2. Preferencias de aplicación de la IA generativa en funciones específicas como simulación
de escenarios tácticos, evaluaciones automatizadas, resúmenes doctrinarios y tutorías
virtuales.
Este análisis es crucial en el marco de la propuesta, ya que apunta a determinar no solo el
grado de aceptación de la tecnología, sino también las áreas en las que su implementación podría
generar mayor valor pedagógico y operativo para el CEEAAC.
• En cuanto al impacto esperado en el aprendizaje militar, el 47,50% de los
encuestados estuvo de acuerdo en que la integración de inteligencia artificial
generativa puede mejorar significativamente los procesos formativos, mientras
que el 36,67% se mostró totalmente de acuerdo. Esto refleja un nivel de
aprobación del 84,17%, lo cual evidencia una percepción mayoritariamente
positiva sobre el aporte potencial de esta tecnología al desarrollo de competencias
técnicas, estratégicas y operativas en el entorno militar.
formativo, validando así la propuesta de innovación educativa que combina el uso de un LMS
con inteligencia artificial como estrategia de modernización institucional.
Variable dependiente Impacto y Preferencias de Aplicación de la IA Generativa
Tabla 9
Variable dependiente
Impacto esperado en el
aprendizaje militar (P4,
P6)
Preferencias de
aplicación (simulación,
evaluación, resumen,
tutoría) (P5, P9, P10)
Promedio
1. Totalmente de acuerdo 36,67% 34% 35,34%
2. De acuerdo 47,50% 47% 47,25%
3. Ni de acuerdo ni en
desacuerdo 14,17% 14% 14,09%
4. En desacuerdo 1,67% 3% 2,34%
5. Totalmente en
desacuerdo 0,00% 0% 0,00%
Total general 100,00% 100% 100,00%
La variable dependiente del estudio, impacto y preferencias de aplicación de la
inteligencia artificial generativa en el proceso de formación militar se evaluó mediante dos
dimensiones clave:
1. Impacto esperado en el aprendizaje militar, y
2. Preferencias de aplicación de la IA generativa en funciones específicas como simulación
de escenarios tácticos, evaluaciones automatizadas, resúmenes doctrinarios y tutorías
virtuales.
Este análisis es crucial en el marco de la propuesta, ya que apunta a determinar no solo el
grado de aceptación de la tecnología, sino también las áreas en las que su implementación podría
generar mayor valor pedagógico y operativo para el CEEAAC.
• En cuanto al impacto esperado en el aprendizaje militar, el 47,50% de los
encuestados estuvo de acuerdo en que la integración de inteligencia artificial
generativa puede mejorar significativamente los procesos formativos, mientras
que el 36,67% se mostró totalmente de acuerdo. Esto refleja un nivel de
aprobación del 84,17%, lo cual evidencia una percepción mayoritariamente
positiva sobre el aporte potencial de esta tecnología al desarrollo de competencias
técnicas, estratégicas y operativas en el entorno militar.
Vol. 12/ Núm. 4 2025 pág. 2234
• Respecto a las preferencias de aplicación, el 47% de los participantes estuvo de
acuerdo con el uso de IA generativa en funcionalidades como simulaciones
tácticas, tutorías automatizadas, resúmenes doctrinarios y evaluaciones
inteligentes, mientras que un 34% manifestó estar totalmente de acuerdo. Esto da
cuenta de una aprobación global del 81%, lo que refuerza la viabilidad de
implementar estas herramientas en el entorno educativo militar de forma
funcional y específica.
Estos resultados reflejan no solo una alta expectativa sobre el impacto formativo de la IA
generativa, sino también una clara orientación hacia su aplicación práctica en áreas pedagógicas
clave, lo que representa una oportunidad concreta para transformar el enfoque tradicional de
enseñanza-aprendizaje mediante el uso de tecnologías emergentes adaptadas al contexto
castrense.
Análisis Ponderado de la Variable Dependiente: Impacto y Preferencias de Aplicación de la
IA Generativa en el Aprendizaje Militar
Tabla 10
Análisis ponderado de la variable dependiente
Ponderación Promedio variable
independiente Valor asignado
1,7668 35,34% 5
1,8900 47,25% 4
0,4226 14,09% 3
0,0467 2,34% 2
0,0000 0,00% 1
Total promedio ponderado 4,1260 100,00%
Nivel de aprobación % 83%
La variable dependiente se evaluó a partir de las dimensiones “Impacto esperado en el
aprendizaje militar” y “Preferencias de aplicación de la IA generativa”. El análisis ponderado
refleja una valoración positiva por parte de los participantes respecto al uso de inteligencia
artificial generativa como herramienta de apoyo educativo en contextos militares.
En cuanto a la puntuación más alta, un 47,25% de los encuestados seleccionó la opción
“de acuerdo” (valor 4), mientras que un 35,34% eligió “totalmente de acuerdo” (valor 5), lo que
suma un 83% de aprobación sobre el impacto y la aplicabilidad de estas herramientas en la
formación técnica, táctica y estratégica. Esto se traduce en una ponderación total de 4,126,
equivalente a un nivel de aprobación del 83%.
• Respecto a las preferencias de aplicación, el 47% de los participantes estuvo de
acuerdo con el uso de IA generativa en funcionalidades como simulaciones
tácticas, tutorías automatizadas, resúmenes doctrinarios y evaluaciones
inteligentes, mientras que un 34% manifestó estar totalmente de acuerdo. Esto da
cuenta de una aprobación global del 81%, lo que refuerza la viabilidad de
implementar estas herramientas en el entorno educativo militar de forma
funcional y específica.
Estos resultados reflejan no solo una alta expectativa sobre el impacto formativo de la IA
generativa, sino también una clara orientación hacia su aplicación práctica en áreas pedagógicas
clave, lo que representa una oportunidad concreta para transformar el enfoque tradicional de
enseñanza-aprendizaje mediante el uso de tecnologías emergentes adaptadas al contexto
castrense.
Análisis Ponderado de la Variable Dependiente: Impacto y Preferencias de Aplicación de la
IA Generativa en el Aprendizaje Militar
Tabla 10
Análisis ponderado de la variable dependiente
Ponderación Promedio variable
independiente Valor asignado
1,7668 35,34% 5
1,8900 47,25% 4
0,4226 14,09% 3
0,0467 2,34% 2
0,0000 0,00% 1
Total promedio ponderado 4,1260 100,00%
Nivel de aprobación % 83%
La variable dependiente se evaluó a partir de las dimensiones “Impacto esperado en el
aprendizaje militar” y “Preferencias de aplicación de la IA generativa”. El análisis ponderado
refleja una valoración positiva por parte de los participantes respecto al uso de inteligencia
artificial generativa como herramienta de apoyo educativo en contextos militares.
En cuanto a la puntuación más alta, un 47,25% de los encuestados seleccionó la opción
“de acuerdo” (valor 4), mientras que un 35,34% eligió “totalmente de acuerdo” (valor 5), lo que
suma un 83% de aprobación sobre el impacto y la aplicabilidad de estas herramientas en la
formación técnica, táctica y estratégica. Esto se traduce en una ponderación total de 4,126,
equivalente a un nivel de aprobación del 83%.
Vol. 12/ Núm. 4 2025 pág. 2235
El grupo que se mostró neutral (“ni de acuerdo ni en desacuerdo”) representó un 14,09%,
mientras que apenas un 2,34% expresó algún grado de desacuerdo, y ningún participante
seleccionó “totalmente en desacuerdo”, lo cual reafirma una tendencia favorable y con bajo nivel
de resistencia a estas innovaciones.
Este resultado permite inferir que existe una alta expectativa y disposición hacia la
implementación de soluciones basadas en IA generativa dentro de la plataforma LMS,
especialmente en funciones como simulaciones, evaluaciones automatizadas, resúmenes
doctrinarios y tutorías personalizadas. Esta aceptación representa una oportunidad clara para
integrar tecnología avanzada en beneficio de la formación militar moderna.
Análisis del método cuantitativo
El enfoque cuantitativo adoptado en esta investigación permitió estructurar la recolección
de datos de manera objetiva, medible y sistemática. A través de un cuestionario validado y
confiable (α de Cronbach = 0,913), se obtuvo información precisa sobre la percepción del personal
militar respecto al uso de inteligencia artificial generativa y su impacto en el aprendizaje militar.
Esta metodología facilitó el procesamiento estadístico de datos, identificando patrones, tendencias
y niveles de aceptación con altos niveles de confianza. Asi como una alta correlación entre
variables con un coeficiente de Pearson de 0,994
Sin embargo, como limitación natural del enfoque cuantitativo, se debe reconocer que
este método, aunque robusto en su capacidad para medir y comparar, no capta matices subjetivos,
emocionales ni contextuales que podrían enriquecer la comprensión del fenómeno. La percepción
sobre tecnologías emergentes como la IA generativa puede estar influenciada por factores
culturales, experiencias previas, o resistencias institucionales, aspectos que un cuestionario
estructurado no siempre logra visibilizar plenamente. El enfoque cuantitativo no permite una
exploración profunda de cómo los participantes imaginan la aplicación real de estas herramientas
dentro de su práctica pedagógica o militar.
Los resultados cuantitativos revelan un alto nivel de aprobación tanto hacia el uso de
inteligencia artificial generativa (IA-G) como hacia su impacto esperado en el aprendizaje militar.
La prueba t aplicada evidenció una relación coherente y no contradictoria entre ambas variables,
lo que indica que la percepción favorable hacia la IA no es superficial ni aislada, sino que está
alineada con expectativas educativas tangibles.
Este hallazgo refuerza la viabilidad de la propuesta innovadora: no solo es técnicamente
posible integrar GPT y otros complementos al LMS del CEEAAC, sino que existe un terreno
favorable en términos de aceptación institucional y motivación del personal militar. No obstante,
este entusiasmo debe gestionarse con responsabilidad. La alta aprobación debe ser canalizada
hacia una implementación crítica, gradual y pedagógicamente fundamentada, que no sustituya al
instructor humano, sino que potencie su labor.
El grupo que se mostró neutral (“ni de acuerdo ni en desacuerdo”) representó un 14,09%,
mientras que apenas un 2,34% expresó algún grado de desacuerdo, y ningún participante
seleccionó “totalmente en desacuerdo”, lo cual reafirma una tendencia favorable y con bajo nivel
de resistencia a estas innovaciones.
Este resultado permite inferir que existe una alta expectativa y disposición hacia la
implementación de soluciones basadas en IA generativa dentro de la plataforma LMS,
especialmente en funciones como simulaciones, evaluaciones automatizadas, resúmenes
doctrinarios y tutorías personalizadas. Esta aceptación representa una oportunidad clara para
integrar tecnología avanzada en beneficio de la formación militar moderna.
Análisis del método cuantitativo
El enfoque cuantitativo adoptado en esta investigación permitió estructurar la recolección
de datos de manera objetiva, medible y sistemática. A través de un cuestionario validado y
confiable (α de Cronbach = 0,913), se obtuvo información precisa sobre la percepción del personal
militar respecto al uso de inteligencia artificial generativa y su impacto en el aprendizaje militar.
Esta metodología facilitó el procesamiento estadístico de datos, identificando patrones, tendencias
y niveles de aceptación con altos niveles de confianza. Asi como una alta correlación entre
variables con un coeficiente de Pearson de 0,994
Sin embargo, como limitación natural del enfoque cuantitativo, se debe reconocer que
este método, aunque robusto en su capacidad para medir y comparar, no capta matices subjetivos,
emocionales ni contextuales que podrían enriquecer la comprensión del fenómeno. La percepción
sobre tecnologías emergentes como la IA generativa puede estar influenciada por factores
culturales, experiencias previas, o resistencias institucionales, aspectos que un cuestionario
estructurado no siempre logra visibilizar plenamente. El enfoque cuantitativo no permite una
exploración profunda de cómo los participantes imaginan la aplicación real de estas herramientas
dentro de su práctica pedagógica o militar.
Los resultados cuantitativos revelan un alto nivel de aprobación tanto hacia el uso de
inteligencia artificial generativa (IA-G) como hacia su impacto esperado en el aprendizaje militar.
La prueba t aplicada evidenció una relación coherente y no contradictoria entre ambas variables,
lo que indica que la percepción favorable hacia la IA no es superficial ni aislada, sino que está
alineada con expectativas educativas tangibles.
Este hallazgo refuerza la viabilidad de la propuesta innovadora: no solo es técnicamente
posible integrar GPT y otros complementos al LMS del CEEAAC, sino que existe un terreno
favorable en términos de aceptación institucional y motivación del personal militar. No obstante,
este entusiasmo debe gestionarse con responsabilidad. La alta aprobación debe ser canalizada
hacia una implementación crítica, gradual y pedagógicamente fundamentada, que no sustituya al
instructor humano, sino que potencie su labor.
Vol. 12/ Núm. 4 2025 pág. 2236
En síntesis, el análisis integrado permite concluir que existe un entorno favorable para la
implementación de un LMS potenciado con inteligencia artificial generativa en el CEEAAC. La
comunidad educativa militar no solo acepta la IA, sino que también identifica usos prácticos
alineados con sus objetivos operacionales. Sin embargo, se hace evidente la necesidad de
capacitación técnica en el uso e integración de herramientas complementarias (plugins), como
condición para garantizar la sostenibilidad del sistema propuesto.
Interpretación de los resultados
El valor t calculado (0,4243) es notablemente menor que el valor crítico de t (2,7764), y
el p-valor (0,6932) es mayor que 0,05, lo que indica que no hay una diferencia estadísticamente
significativa entre las medias de las dos variables.
El valor p (> 0.05) no rechaza la hipótesis nula. Esto sugiere que, desde el punto de vista
estadístico, el nivel de aceptación y percepción del uso de la IA generativa está alineado con el
nivel de impacto y preferencia en su aplicación educativa, lo cual refuerza la consistencia entre
lo que los usuarios consideran útil y lo que esperan como efecto educativo.
El alto coeficiente de correlación de Pearson (0,9947) indica una fuerte relación positiva
entre ambas variables: a mayor aceptación y confianza en el uso de IA generativa, mayor es la
expectativa de impacto positivo en el proceso formativo.
Validación de la propuesta
Los resultados permiten concluir que las percepciones sobre el uso de IA generativa y su
impacto educativo están estrechamente relacionadas, y que existe una coherencia favorable en las
respuestas de los participantes. Esta evidencia respalda y valida la propuesta de integrar
soluciones de IA como GPT dentro del entorno del LMS del CEEAAC, no solo como innovación
tecnológica, sino también como respuesta a una necesidad formativa percibida por toda la
comunidad militar evaluada.
CONCLUSIONES
Sobre la identificación de debilidades y limitaciones de los métodos tradicionales: Se
evidenciaron diversas deficiencias en los métodos de enseñanza previos al uso del LMS, tales
como limitada interacción entre instructor y alumno, escasa retroalimentación, acceso restringido
a contenidos actualizados y ausencia de seguimiento sistemático del aprendizaje.
Sobre los beneficios de la plataforma educativa LMS: La implementación del LMS
influyó de manera significativa y positiva en el fortalecimiento de los procesos de enseñanza y
aprendizaje en el CEEAAC. El análisis estadístico mediante la prueba Chi Cuadrado confirmó
una asociación significativa entre el uso del LMS y la mejora en la planificación didáctica, gestión
de contenidos, evaluación del desempeño académico y autonomía del alumno militar.
Sobre la guía metodológica para el LMS: Se diseñó una propuesta metodológica basada
en los modelos ADDIE y PACIE, que permite estructurar de manera efectiva el uso del LMS en
En síntesis, el análisis integrado permite concluir que existe un entorno favorable para la
implementación de un LMS potenciado con inteligencia artificial generativa en el CEEAAC. La
comunidad educativa militar no solo acepta la IA, sino que también identifica usos prácticos
alineados con sus objetivos operacionales. Sin embargo, se hace evidente la necesidad de
capacitación técnica en el uso e integración de herramientas complementarias (plugins), como
condición para garantizar la sostenibilidad del sistema propuesto.
Interpretación de los resultados
El valor t calculado (0,4243) es notablemente menor que el valor crítico de t (2,7764), y
el p-valor (0,6932) es mayor que 0,05, lo que indica que no hay una diferencia estadísticamente
significativa entre las medias de las dos variables.
El valor p (> 0.05) no rechaza la hipótesis nula. Esto sugiere que, desde el punto de vista
estadístico, el nivel de aceptación y percepción del uso de la IA generativa está alineado con el
nivel de impacto y preferencia en su aplicación educativa, lo cual refuerza la consistencia entre
lo que los usuarios consideran útil y lo que esperan como efecto educativo.
El alto coeficiente de correlación de Pearson (0,9947) indica una fuerte relación positiva
entre ambas variables: a mayor aceptación y confianza en el uso de IA generativa, mayor es la
expectativa de impacto positivo en el proceso formativo.
Validación de la propuesta
Los resultados permiten concluir que las percepciones sobre el uso de IA generativa y su
impacto educativo están estrechamente relacionadas, y que existe una coherencia favorable en las
respuestas de los participantes. Esta evidencia respalda y valida la propuesta de integrar
soluciones de IA como GPT dentro del entorno del LMS del CEEAAC, no solo como innovación
tecnológica, sino también como respuesta a una necesidad formativa percibida por toda la
comunidad militar evaluada.
CONCLUSIONES
Sobre la identificación de debilidades y limitaciones de los métodos tradicionales: Se
evidenciaron diversas deficiencias en los métodos de enseñanza previos al uso del LMS, tales
como limitada interacción entre instructor y alumno, escasa retroalimentación, acceso restringido
a contenidos actualizados y ausencia de seguimiento sistemático del aprendizaje.
Sobre los beneficios de la plataforma educativa LMS: La implementación del LMS
influyó de manera significativa y positiva en el fortalecimiento de los procesos de enseñanza y
aprendizaje en el CEEAAC. El análisis estadístico mediante la prueba Chi Cuadrado confirmó
una asociación significativa entre el uso del LMS y la mejora en la planificación didáctica, gestión
de contenidos, evaluación del desempeño académico y autonomía del alumno militar.
Sobre la guía metodológica para el LMS: Se diseñó una propuesta metodológica basada
en los modelos ADDIE y PACIE, que permite estructurar de manera efectiva el uso del LMS en
Vol. 12/ Núm. 4 2025 pág. 2237
los cursos del CEEAAC, respondiendo a las necesidades institucionales y fortaleciendo la
formación técnica y táctica del personal militar.
Sobre la percepción de los usuarios respecto a la Inteligencia Artificial (GPT) y
complementos: La evaluación de instructores y estudiantes evidenció una percepción
mayoritariamente positiva, reconociendo la utilidad, confiabilidad y aplicabilidad de la IA en el
entorno educativo militar. Esto valida un entorno receptivo a tecnologías emergentes dentro del
LMS.
Sobre la metodología de aplicación de la IA generativa: Se desarrolló una guía
metodológica detallada, integrando aspectos pedagógicos, técnicos y de seguridad doctrinaria,
aplicable a los módulos teóricos y prácticos del LMS. Esta metodología es escalable y adaptable
a otros centros militares.
Sobre el asistente virtual basado en GPT: Se diseñó e integró un asistente virtual
funcional y operativo, con roles específicos, aplicaciones directas, medidas de control y procesos
de capacitación. Este asistente se posiciona como un elemento transformador del aprendizaje
autónomo, estratégico y personalizado dentro del CEEAAC.
los cursos del CEEAAC, respondiendo a las necesidades institucionales y fortaleciendo la
formación técnica y táctica del personal militar.
Sobre la percepción de los usuarios respecto a la Inteligencia Artificial (GPT) y
complementos: La evaluación de instructores y estudiantes evidenció una percepción
mayoritariamente positiva, reconociendo la utilidad, confiabilidad y aplicabilidad de la IA en el
entorno educativo militar. Esto valida un entorno receptivo a tecnologías emergentes dentro del
LMS.
Sobre la metodología de aplicación de la IA generativa: Se desarrolló una guía
metodológica detallada, integrando aspectos pedagógicos, técnicos y de seguridad doctrinaria,
aplicable a los módulos teóricos y prácticos del LMS. Esta metodología es escalable y adaptable
a otros centros militares.
Sobre el asistente virtual basado en GPT: Se diseñó e integró un asistente virtual
funcional y operativo, con roles específicos, aplicaciones directas, medidas de control y procesos
de capacitación. Este asistente se posiciona como un elemento transformador del aprendizaje
autónomo, estratégico y personalizado dentro del CEEAAC.
Vol. 12/ Núm. 4 2025 pág. 2238
REFERENCIAS
Aguirre L, V. E., & Saona R, L. V. (2025). La didáctica y su influencia en el proceso de
enseñanza- aprendizaje en estudiantes de bachillerato. Arandu UTIC, 12(1), 1633–1652.
doi: https://doi.org/10.69639/arandu.v12i1.699
Andrea Basantes, Miguel Naranjo, & Vivian Ojeda. (2018). Metodología PACIE en la Educación
Virtual: una experiencia en la Universidad Técnica del Norte. Formación Universitaria.
doi: http://dx.doi.org/10.4067/S0718-50062018000200035
Bell R, R. F., Lema A, C. N., & Martin Y, A. M. (2024). Integración de la docencia y el
aprendizaje activo en la educación superior. Metodologías, componentes y actores.
Prohominum., 6(1), 97–105. doi:https://doi.org/10.47606/ACVEN/PH0230
Biswal, A. (7 de Abril de 2025). Simplilearn - Proveedor de cursos de certificación en línea.
Obtenido de https://www.simplilearn.com/tutorials/statistics-tutorial/chi-square-test
Cabero Almenara J, & Cejudo Llorente C. (2020). Transformación radical de la digitalización en
las instituciones universitarias. Universidad de Sevilla de España Campus Virtual.
Obtenido de
http://www.uajournals.com/ojs/index.php/campusvirtuales/article/view/713/410
Cameron Hashemi. (2024). Techtarget. (Q. e. (LMS), Productor) Obtenido de
https://www.techtarget.com/searchcio/definition/learning-management-system
Candia J, L. C. (2023). Competencias digitales en la educación superior. Horizontes. Revista De
Investigación En Ciencias De La Educación., 7(29), 1548–1563. doi:
https://doi.org/10.33996/revistahorizontes.v7i29.612
Charuan Aguilera. (2022). Ispring. (G. c. e-learning, Productor) Obtenido de
https://www.ispring.es/blog/modelo-addie
Gallegos M, F. A., Cárcamo H, V. G., Jarpa C, A. G., & V. H. (2023). Procesos de enseñanza y
aprendizaje de la investigación en trabajo social. Perspectiva Educacional, 62(4), 157–
178. doi:https://doi.org/10.4151/07189729-Vol.62-Iss.4-Art.1287
Gonzales, J., & Covinos, M. (2021). DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN.
Obtenido de
https://www.researchgate.net/publication/352157132_DISENO_Y_METODOLOGIA_
DE_LA_INVESTIGACION/citation/download
Gutiérrez C, C. N., Narváez M, O. E., Castillo D, C. P., & Tapia S, P. R. (2023). Metodologías
activas en el proceso de enseñanza-aprendizaje: implicaciones y beneficios. Ciencia
Latina Revista Científica Multidisciplinar, 7(3), 3311-3327. doi:
https://doi.org/10.37811/cl_rcm.v7i3.6409
REFERENCIAS
Aguirre L, V. E., & Saona R, L. V. (2025). La didáctica y su influencia en el proceso de
enseñanza- aprendizaje en estudiantes de bachillerato. Arandu UTIC, 12(1), 1633–1652.
doi: https://doi.org/10.69639/arandu.v12i1.699
Andrea Basantes, Miguel Naranjo, & Vivian Ojeda. (2018). Metodología PACIE en la Educación
Virtual: una experiencia en la Universidad Técnica del Norte. Formación Universitaria.
doi: http://dx.doi.org/10.4067/S0718-50062018000200035
Bell R, R. F., Lema A, C. N., & Martin Y, A. M. (2024). Integración de la docencia y el
aprendizaje activo en la educación superior. Metodologías, componentes y actores.
Prohominum., 6(1), 97–105. doi:https://doi.org/10.47606/ACVEN/PH0230
Biswal, A. (7 de Abril de 2025). Simplilearn - Proveedor de cursos de certificación en línea.
Obtenido de https://www.simplilearn.com/tutorials/statistics-tutorial/chi-square-test
Cabero Almenara J, & Cejudo Llorente C. (2020). Transformación radical de la digitalización en
las instituciones universitarias. Universidad de Sevilla de España Campus Virtual.
Obtenido de
http://www.uajournals.com/ojs/index.php/campusvirtuales/article/view/713/410
Cameron Hashemi. (2024). Techtarget. (Q. e. (LMS), Productor) Obtenido de
https://www.techtarget.com/searchcio/definition/learning-management-system
Candia J, L. C. (2023). Competencias digitales en la educación superior. Horizontes. Revista De
Investigación En Ciencias De La Educación., 7(29), 1548–1563. doi:
https://doi.org/10.33996/revistahorizontes.v7i29.612
Charuan Aguilera. (2022). Ispring. (G. c. e-learning, Productor) Obtenido de
https://www.ispring.es/blog/modelo-addie
Gallegos M, F. A., Cárcamo H, V. G., Jarpa C, A. G., & V. H. (2023). Procesos de enseñanza y
aprendizaje de la investigación en trabajo social. Perspectiva Educacional, 62(4), 157–
178. doi:https://doi.org/10.4151/07189729-Vol.62-Iss.4-Art.1287
Gonzales, J., & Covinos, M. (2021). DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN.
Obtenido de
https://www.researchgate.net/publication/352157132_DISENO_Y_METODOLOGIA_
DE_LA_INVESTIGACION/citation/download
Gutiérrez C, C. N., Narváez M, O. E., Castillo D, C. P., & Tapia S, P. R. (2023). Metodologías
activas en el proceso de enseñanza-aprendizaje: implicaciones y beneficios. Ciencia
Latina Revista Científica Multidisciplinar, 7(3), 3311-3327. doi:
https://doi.org/10.37811/cl_rcm.v7i3.6409
Vol. 12/ Núm. 4 2025 pág. 2239
Maureira, F., & Flores, E. (2024). Manual de Investigación Cuantitativa. Obtenido de
https://www.researchgate.net/publication/346927987_Manual_de_investigacion_cuantit
ativa_3_edicion
Medina Ana. (2024). Evolmind. (l. f.-l. El modelo Addie, Productor) Obtenido de
https://www.evolmind.com/blog/que-es-y-en-que-consiste-el-modelo-addie/
Modelo Educativo de Fuerzas Armadas. (2021). Quito.
Moodle.org. . (2024). Obtenido de https://moodle.org/?lang=es
Novoa, C. A. (2017). Investigación cuantitativa. Colombia. Obtenido de chrome-
extension://efaidnbmnnnibpcajpcglclefindmkaj/
https://core.ac.uk/download/pdf/326424046.pdf?utm_source=chatgpt.com
Pedro Camacho. (1998). Pacie Education. Obtenido de
https://www.pacie.education/portal/mod/page/view.php?id=9
Reglamento de Educación Militar de Fuerzas Armadas. (2025). Reglamento de Educación Militar
de Fuerzas Armadas. Quito.
Rojas, A. (2017). Investigación e Innovación Metodológica. Obtenido de
https://investigacionmetodologicaderojas.blogspot.com/2017/09/poblacion-y-
muestra.html?utm_source
Salinas, J. (Septoembre - noviembre de 2024). Innovación docente y uso de las TIC en la
enseñanza universitaria. Revista Universidad y Sociedad del Conocimiento. Obtenido de
https://www.redalyc.org/articulo.oa?id=78011256006
Maureira, F., & Flores, E. (2024). Manual de Investigación Cuantitativa. Obtenido de
https://www.researchgate.net/publication/346927987_Manual_de_investigacion_cuantit
ativa_3_edicion
Medina Ana. (2024). Evolmind. (l. f.-l. El modelo Addie, Productor) Obtenido de
https://www.evolmind.com/blog/que-es-y-en-que-consiste-el-modelo-addie/
Modelo Educativo de Fuerzas Armadas. (2021). Quito.
Moodle.org. . (2024). Obtenido de https://moodle.org/?lang=es
Novoa, C. A. (2017). Investigación cuantitativa. Colombia. Obtenido de chrome-
extension://efaidnbmnnnibpcajpcglclefindmkaj/
https://core.ac.uk/download/pdf/326424046.pdf?utm_source=chatgpt.com
Pedro Camacho. (1998). Pacie Education. Obtenido de
https://www.pacie.education/portal/mod/page/view.php?id=9
Reglamento de Educación Militar de Fuerzas Armadas. (2025). Reglamento de Educación Militar
de Fuerzas Armadas. Quito.
Rojas, A. (2017). Investigación e Innovación Metodológica. Obtenido de
https://investigacionmetodologicaderojas.blogspot.com/2017/09/poblacion-y-
muestra.html?utm_source
Salinas, J. (Septoembre - noviembre de 2024). Innovación docente y uso de las TIC en la
enseñanza universitaria. Revista Universidad y Sociedad del Conocimiento. Obtenido de
https://www.redalyc.org/articulo.oa?id=78011256006