Vol. 13/ Núm. 1 2025 pág. 415
https://doi.org/10.69639/arandu.v13i1.1924
Disrupción de la Inteligencia Artificial Generativa en la
Educación Superior: Análisis de la Brecha de Segunda
Generación en Ciencias Veterinarias
Generative Artificial Intelligence Disruption in Higher Education: Analysis of the
Second-Generation Gap in Veterinary Sciences
Carlos Miguel Garzón Cárdenas
carlosmiguelaries1974@gmail.com
https://orcid.org/0009-0005-1414-5547
Universidad Internacional de Investigación México
México – Cancún
Robinson José García Gavilánez
robinson.garcia@uiimex.edu.mx
https://orcid.org/0009-0005-0929-3844
Universidad Autónoma del Río de la Plata
México – Cancún
Artículo recibido: 10 diciembre 2025 -Aceptado para publicación: 18 enero2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La irrupción de la Inteligencia Artificial Generativa (IAG) ha reconfigurado los ecosistemas de
aprendizaje, desafiando los modelos pedagógicos tradicionales, especialmente en disciplinas
clínicas como las ciencias de la salud. El presente estudio evalúa la viabilidad pedagógica y las
brechas de adopción de la IAG en la carrera de Medicina Veterinaria de una Institución de
Educación Superior (IES) en la región interandina del Ecuador. Mediante un diseño cuantitativo
de alcance correlacional (n = 277 estudiantes, n = 24 docentes), se contrastaron las competencias
digitales del profesorado frente a los patrones de adopción del estudiantado. Los resultados
revelan una asimetría crítica: mientras el 95.8 % del profesorado se sitúa en niveles iniciales de
autoeficacia digital, careciendo de destrezas para integrar pedagógicamente la IA, el 73.6 % de
los estudiantes utiliza la IAG de manera frecuente como un tutor cognitivo informal. El análisis
inferencial demostró una correlación positiva moderada (r = 0.67) entre el uso de IAG y la
percepción de personalización del aprendizaje. Se concluye que existe una brecha digital de
segunda generación caracterizada no por el acceso a la tecnología, sino por la disparidad en la
competencia pedagógica para orquestar entornos de aprendizaje adaptativo, lo que sugiere la
urgencia de marcos formativos institucionales que trasciendan la alfabetización instrumental.
Palabras clave: inteligencia artificial generativa, brecha digital docente, educación
veterinaria, personalización del aprendizaje, innovación educativa
Vol. 13/ Núm. 1 2025 pág. 416
ABSTRACT
The emergence of Generative Artificial Intelligence (GenAI) has reconfigured learning
ecosystems, challenging traditional pedagogical models, especially in clinical disciplines such as
health sciences. This study evaluates the pedagogical feasibility and adoption gaps of GenAI in
the Veterinary Medicine pro- gram at a Higher Education Institution (HEI) in the interAndean
region of Ecuador. Through a quantitative correlational design (n = 277 students, n = 24
professors), teaching digital competencies were contrasted against student adoption patterns.
Results reveal a critical asymmetry: while 95.8 % of fa- culty rank at initial levels of digital self-
efficacy, lacking skills to pedagogically integrate AI, 73.6 % of students frequently use GenAI as
an informal cognitive tutor. Inferential analysis demonstrated a moderate positive correlation (r
= 0.67) between GenAI usage and perceived learning personalization. It is concluded that a
second-generation digital gap exists, characterized not by access to technology but by the
disparity in pedagogical competence to orchestrate adaptive learning environments, suggesting
the urgency for institutional training frameworks that transcend instrumental literacy.
Keywords: generative artificial intelligence, faculty digital gap, veterinary education,
personalized learning, educational innovation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
The emergence of Generative Artificial Intelligence (GenAI) has reconfigured learning
ecosystems, challenging traditional pedagogical models, especially in clinical disciplines such as
health sciences. This study evaluates the pedagogical feasibility and adoption gaps of GenAI in
the Veterinary Medicine pro- gram at a Higher Education Institution (HEI) in the interAndean
region of Ecuador. Through a quantitative correlational design (n = 277 students, n = 24
professors), teaching digital competencies were contrasted against student adoption patterns.
Results reveal a critical asymmetry: while 95.8 % of fa- culty rank at initial levels of digital self-
efficacy, lacking skills to pedagogically integrate AI, 73.6 % of students frequently use GenAI as
an informal cognitive tutor. Inferential analysis demonstrated a moderate positive correlation (r
= 0.67) between GenAI usage and perceived learning personalization. It is concluded that a
second-generation digital gap exists, characterized not by access to technology but by the
disparity in pedagogical competence to orchestrate adaptive learning environments, suggesting
the urgency for institutional training frameworks that transcend instrumental literacy.
Keywords: generative artificial intelligence, faculty digital gap, veterinary education,
personalized learning, educational innovation
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. 13/ Núm. 1 2025 pág. 417
INTRODUCCIÓN
La educación superior contemporánea atraviesa un momento de disrupción sin
precedentes impulsa- do por la integración de tecnologías emergentes. Entre estas, la Inteligencia
Artificial Generativa (IAG) ha transitado rápidamente de ser una curiosidad técnica a convertirse
en un actor central en los procesos de enseñanza-aprendizaje. A diferencia de las tecnologías
educativas precedentes, que se centraban en la digitalización de contenidos o la gestión
administrativa (LMS), la IAG posee la capacidad de generar contenido nuevo, emular diálogos
complejos y ofrecer retroalimentación adaptativa en tiempo real (Flores-Vivar & García-Peñalvo,
2023). Este cambio de paradigma implica una transición desde modelos educativos
estandarizados hacia ecosistemas de aprendizaje personalizados.
En el contexto específico de las Ciencias Veterinarias, la formación profesional demanda
una integración rigurosa entre el conocimiento biomédico teórico y el razonamiento clínico
práctico. Tradicionalmente, este aprendizaje se ha basado en la exposición a casos clínicos reales
y la mentoría directa. Sin embargo, las limitaciones de recursos y la masificación de las aulas a
menudo restringen las oportunidades de práctica individualizada. Aquí es donde la IAG emerge
como una herramienta potente, capaz de simular escenarios clínicos infinitos, actuar como
paciente virtual o tutor socrático, y apoyar el diagnóstico diferencial (Behrmann et al., 2023).
No obstante, la implementación efectiva de estas herramientas no es automática. La
literatura cien- tífica reciente advierte sobre la emergencia de una "brecha digital de segunda
generación"(UNESCO, 2023). Si la primera brecha se refería a la desigualdad en el acceso físico
a computadoras e internet, esta nueva brecha se define por la disparidad en las competencias
necesarias para utilizar la tecnología de manera significativa y pedagógicamente rica. En este
escenario, se observa frecuentemente que el estu- diantado, nativo digital, adopta estas tecnologías
con mayor velocidad que el cuerpo docente, generando tensiones en el aula y cuestionando la
autoridad epistémica tradicional (Mubin et al., 2024).
El presente estudio se sitúa en una Institución de Educación Superior (IES) de la región
interandina del Ecuador, un contexto donde la adopción tecnológica se entrelaza con desafíos
estructurales propios de la región. La investigación aborda la disonancia entre la alta adopción
estudiantil de herramientas como ChatGPT, Claude o Gemini y la preparación tecnopedagógica
del cuerpo docente. El objetivo principal es diagnosticar la magnitud de esta brecha y evaluar el
potencial de la IAG para transitar hacia un mo- delo de aprendizaje verdaderamente
personalizado. Se plantea la hipótesis de que, sin una intervención institucional deliberada, el uso
de la IAG por parte de los estudiantes permanecerá en un nivel informal y potencialmente acrítico,
desaprovechando su potencial para la transformación educativa profunda (Allam et al., 2025).
INTRODUCCIÓN
La educación superior contemporánea atraviesa un momento de disrupción sin
precedentes impulsa- do por la integración de tecnologías emergentes. Entre estas, la Inteligencia
Artificial Generativa (IAG) ha transitado rápidamente de ser una curiosidad técnica a convertirse
en un actor central en los procesos de enseñanza-aprendizaje. A diferencia de las tecnologías
educativas precedentes, que se centraban en la digitalización de contenidos o la gestión
administrativa (LMS), la IAG posee la capacidad de generar contenido nuevo, emular diálogos
complejos y ofrecer retroalimentación adaptativa en tiempo real (Flores-Vivar & García-Peñalvo,
2023). Este cambio de paradigma implica una transición desde modelos educativos
estandarizados hacia ecosistemas de aprendizaje personalizados.
En el contexto específico de las Ciencias Veterinarias, la formación profesional demanda
una integración rigurosa entre el conocimiento biomédico teórico y el razonamiento clínico
práctico. Tradicionalmente, este aprendizaje se ha basado en la exposición a casos clínicos reales
y la mentoría directa. Sin embargo, las limitaciones de recursos y la masificación de las aulas a
menudo restringen las oportunidades de práctica individualizada. Aquí es donde la IAG emerge
como una herramienta potente, capaz de simular escenarios clínicos infinitos, actuar como
paciente virtual o tutor socrático, y apoyar el diagnóstico diferencial (Behrmann et al., 2023).
No obstante, la implementación efectiva de estas herramientas no es automática. La
literatura cien- tífica reciente advierte sobre la emergencia de una "brecha digital de segunda
generación"(UNESCO, 2023). Si la primera brecha se refería a la desigualdad en el acceso físico
a computadoras e internet, esta nueva brecha se define por la disparidad en las competencias
necesarias para utilizar la tecnología de manera significativa y pedagógicamente rica. En este
escenario, se observa frecuentemente que el estu- diantado, nativo digital, adopta estas tecnologías
con mayor velocidad que el cuerpo docente, generando tensiones en el aula y cuestionando la
autoridad epistémica tradicional (Mubin et al., 2024).
El presente estudio se sitúa en una Institución de Educación Superior (IES) de la región
interandina del Ecuador, un contexto donde la adopción tecnológica se entrelaza con desafíos
estructurales propios de la región. La investigación aborda la disonancia entre la alta adopción
estudiantil de herramientas como ChatGPT, Claude o Gemini y la preparación tecnopedagógica
del cuerpo docente. El objetivo principal es diagnosticar la magnitud de esta brecha y evaluar el
potencial de la IAG para transitar hacia un mo- delo de aprendizaje verdaderamente
personalizado. Se plantea la hipótesis de que, sin una intervención institucional deliberada, el uso
de la IAG por parte de los estudiantes permanecerá en un nivel informal y potencialmente acrítico,
desaprovechando su potencial para la transformación educativa profunda (Allam et al., 2025).
Vol. 13/ Núm. 1 2025 pág. 418
La IAG en la Educación Superior: Hacia la Personalización
La personalización del aprendizaje ha sido durante mucho tiempo el ideal inalcanzable
de la edu- cación masiva. Modelos clásicos como la Taxonomía de Bloom o la Zona de Desarrollo
Próximo de Vygotsky sugieren que el aprendizaje se optimiza cuando se ajusta al nivel y ritmo
del estudiante. Sin embargo, la personalización a escala humana resulta costosa e impracticable
en grandes grupos. La IAG rompe esta barrera de escalabilidad. Según Huang et al. (2025), los
sistemas basados en modelos de lenguaje grande (LLM) pueden funcionar como tutores
inteligentes que adaptan no solo el ritmo, sino el estilo de explicación y el tipo de andamiaje
pedagógico a las necesidades cognitivas del estudiante.
En disciplinas STEM y de salud, Wu & Chiu (2025) han demostrado que la integración
de las carac- terísticas del aprendiz con las prestaciones de la IA fomenta el aprendizaje
autorregulado. La capacidad de la IAG para generar explicaciones alternativas, simplificar
conceptos complejos o crear analogías per- tinentes permite atender la diversidad cognitiva del
aula de una manera que un solo docente difícilmente podría lograr simultáneamente para todos
sus alumnos.
Competencia Digital Docente y la Brecha de Segunda Generación
El concepto de competencia digital docente ha evolucionado sustancialmente. Ya no
basta con la ope- ratividad instrumental de proyectores o la gestión de aulas virtuales en Moodle.
Autores como Akanzire et al. (2025) proponen marcos de competencia específicos para la era de
la IA, que incluyen la capacidad de diseñar instrucciones precisas ("prompt engineering"), evaluar
críticamente la salida de los algoritmos y guiar a los estudiantes en el uso ético y responsable de
estas herramientas.
La "brecha de segunda generación", documentada por UNESCO (2023) y Kallunki et al.
(2024), describe un fenómeno preocupante: mientras los estudiantes utilizan la IA como un
çopiloto cogniti- vo"(Khojasteh et al., 2025), un segmento considerable del profesorado la percibe
con reticencia o carece de la autoeficacia necesaria para integrarla. Esta asimetría puede derivar
en prácticas de evaluación obso- letas (como ensayos que la IA puede redactar con facilidad) en
lugar de evolucionar hacia evaluaciones de proceso y pensamiento crítico que incorporen la
tecnología de manera transparente.
MATERIALES Y MÉTODOS
Diseño de Investigación
Se adoptó un paradigma positivista con un enfoque cuantitativo. El diseño fue no
experimental, de corte transversal y alcance descriptivo-correlacional (Sushma &
Sriramakrishnan, 2025). Este diseño se considera idóneo para capturar una "fotografía"del estado
actual de la adopción tecnológica y examinar las relaciones estadísticas entre variables (uso de
IAG y percepción de aprendizaje) sin manipular el entorno educativo natural.
La IAG en la Educación Superior: Hacia la Personalización
La personalización del aprendizaje ha sido durante mucho tiempo el ideal inalcanzable
de la edu- cación masiva. Modelos clásicos como la Taxonomía de Bloom o la Zona de Desarrollo
Próximo de Vygotsky sugieren que el aprendizaje se optimiza cuando se ajusta al nivel y ritmo
del estudiante. Sin embargo, la personalización a escala humana resulta costosa e impracticable
en grandes grupos. La IAG rompe esta barrera de escalabilidad. Según Huang et al. (2025), los
sistemas basados en modelos de lenguaje grande (LLM) pueden funcionar como tutores
inteligentes que adaptan no solo el ritmo, sino el estilo de explicación y el tipo de andamiaje
pedagógico a las necesidades cognitivas del estudiante.
En disciplinas STEM y de salud, Wu & Chiu (2025) han demostrado que la integración
de las carac- terísticas del aprendiz con las prestaciones de la IA fomenta el aprendizaje
autorregulado. La capacidad de la IAG para generar explicaciones alternativas, simplificar
conceptos complejos o crear analogías per- tinentes permite atender la diversidad cognitiva del
aula de una manera que un solo docente difícilmente podría lograr simultáneamente para todos
sus alumnos.
Competencia Digital Docente y la Brecha de Segunda Generación
El concepto de competencia digital docente ha evolucionado sustancialmente. Ya no
basta con la ope- ratividad instrumental de proyectores o la gestión de aulas virtuales en Moodle.
Autores como Akanzire et al. (2025) proponen marcos de competencia específicos para la era de
la IA, que incluyen la capacidad de diseñar instrucciones precisas ("prompt engineering"), evaluar
críticamente la salida de los algoritmos y guiar a los estudiantes en el uso ético y responsable de
estas herramientas.
La "brecha de segunda generación", documentada por UNESCO (2023) y Kallunki et al.
(2024), describe un fenómeno preocupante: mientras los estudiantes utilizan la IA como un
çopiloto cogniti- vo"(Khojasteh et al., 2025), un segmento considerable del profesorado la percibe
con reticencia o carece de la autoeficacia necesaria para integrarla. Esta asimetría puede derivar
en prácticas de evaluación obso- letas (como ensayos que la IA puede redactar con facilidad) en
lugar de evolucionar hacia evaluaciones de proceso y pensamiento crítico que incorporen la
tecnología de manera transparente.
MATERIALES Y MÉTODOS
Diseño de Investigación
Se adoptó un paradigma positivista con un enfoque cuantitativo. El diseño fue no
experimental, de corte transversal y alcance descriptivo-correlacional (Sushma &
Sriramakrishnan, 2025). Este diseño se considera idóneo para capturar una "fotografía"del estado
actual de la adopción tecnológica y examinar las relaciones estadísticas entre variables (uso de
IAG y percepción de aprendizaje) sin manipular el entorno educativo natural.
Vol. 13/ Núm. 1 2025 pág. 419
Contexto y Participantes
El estudio se llevó a cabo en la Facultad de Ciencias Agropecuarias de una universidad
ecuatoriana. La población objetivo incluyó a todos los actores del proceso educativo en la carrera
de Medicina Veterinaria.
Docentes (N = 24): Se realizó un censo poblacional debido al tamaño manejable del
cuerpo do- cente. La muestra final representa al 100 % de la población. La edad media fue de 47.9
años (DE = 5.4). En cuanto a formación, el 75 % posee grado de Maestría y el 25 % grado de
Doctora- do (PhD). La distribución por género fue de 66.7 % hombres y 33.3 % mujeres.
Estudiantes (n = 277): A partir de un universo de 978 estudiantes matriculados en el
periodo académico vigente, se calculó el tamaño muestral utilizando la fórmula para poblaciones
finitas con un nivel de confianza del 95 %, un margen de error del 5 % y una heterogeneidad del
50 %. La selección se realizó mediante muestreo probabilístico aleatorio simple estratificado por
semestres, garantizando la representatividad de todos los niveles formativos.
Instrumentos de Recolección de Datos
Se diseñaron y validaron dos instrumentos específicos para esta investigación, sometidos
a validación de contenido por juicio de expertos (V de Aiken > 0.80) y análisis de fiabilidad
mediante el coeficiente Alfa de Cronbach.
1. Escala de Preparación Docente ante la IAG (EPD-IAG): Este instrumento de 45 ítems
evalúa tres dimensiones clave: (a) Conocimiento Técnico sobre IAG, (b) Competencia
Pedagógica para su integración, y (c) Autoeficacia Digital. La fiabilidad global del
instrumento fue alta (α = 0.89).
2. Cuestionario de Personalización del Aprendizaje Percibida (CPAP-IAG): Dirigido a
estudiantes, consta de 38 ítems que miden la frecuencia de uso de herramientas de IAG, los
tipos de uso (consulta, generación, revisión) y la percepción de mejora en la
personalización del aprendizaje (adaptabilidad, flexibilidad, feedback). La consistencia
interna fue excelente (α = 0.92).
Procedimiento y Análisis de Datos
La recolección de datos se realizó mediante formularios digitales autoadministrados
durante el periodo académico 2025. Se garantizó el anonimato y se obtuvo el consentimiento
informado de todos los participantes, siguiendo protocolos éticos estándar. Los datos fueron
procesados utilizando el software SPSS versión 27. Se realizaron análisis descriptivos
(frecuencias, medias, desviación estándar) para caracterizar la muestra y las variables. Para la
prueba de hipótesis, se verificó la normalidad de los datos mediante la prueba de Kolmogorov-
Smirnov y se utilizó el coeficiente de correlación de Pearson para determinar la relación entre la
intensidad de uso de IAG y la personalización percibida.
Contexto y Participantes
El estudio se llevó a cabo en la Facultad de Ciencias Agropecuarias de una universidad
ecuatoriana. La población objetivo incluyó a todos los actores del proceso educativo en la carrera
de Medicina Veterinaria.
Docentes (N = 24): Se realizó un censo poblacional debido al tamaño manejable del
cuerpo do- cente. La muestra final representa al 100 % de la población. La edad media fue de 47.9
años (DE = 5.4). En cuanto a formación, el 75 % posee grado de Maestría y el 25 % grado de
Doctora- do (PhD). La distribución por género fue de 66.7 % hombres y 33.3 % mujeres.
Estudiantes (n = 277): A partir de un universo de 978 estudiantes matriculados en el
periodo académico vigente, se calculó el tamaño muestral utilizando la fórmula para poblaciones
finitas con un nivel de confianza del 95 %, un margen de error del 5 % y una heterogeneidad del
50 %. La selección se realizó mediante muestreo probabilístico aleatorio simple estratificado por
semestres, garantizando la representatividad de todos los niveles formativos.
Instrumentos de Recolección de Datos
Se diseñaron y validaron dos instrumentos específicos para esta investigación, sometidos
a validación de contenido por juicio de expertos (V de Aiken > 0.80) y análisis de fiabilidad
mediante el coeficiente Alfa de Cronbach.
1. Escala de Preparación Docente ante la IAG (EPD-IAG): Este instrumento de 45 ítems
evalúa tres dimensiones clave: (a) Conocimiento Técnico sobre IAG, (b) Competencia
Pedagógica para su integración, y (c) Autoeficacia Digital. La fiabilidad global del
instrumento fue alta (α = 0.89).
2. Cuestionario de Personalización del Aprendizaje Percibida (CPAP-IAG): Dirigido a
estudiantes, consta de 38 ítems que miden la frecuencia de uso de herramientas de IAG, los
tipos de uso (consulta, generación, revisión) y la percepción de mejora en la
personalización del aprendizaje (adaptabilidad, flexibilidad, feedback). La consistencia
interna fue excelente (α = 0.92).
Procedimiento y Análisis de Datos
La recolección de datos se realizó mediante formularios digitales autoadministrados
durante el periodo académico 2025. Se garantizó el anonimato y se obtuvo el consentimiento
informado de todos los participantes, siguiendo protocolos éticos estándar. Los datos fueron
procesados utilizando el software SPSS versión 27. Se realizaron análisis descriptivos
(frecuencias, medias, desviación estándar) para caracterizar la muestra y las variables. Para la
prueba de hipótesis, se verificó la normalidad de los datos mediante la prueba de Kolmogorov-
Smirnov y se utilizó el coeficiente de correlación de Pearson para determinar la relación entre la
intensidad de uso de IAG y la personalización percibida.
Vol. 13/ Núm. 1 2025 pág. 420
RESULTADOS Y DISCUSIÓN
Análisis de la Brecha Docente
Los resultados de la EPD-IAG revelan un escenario desafiante para la institución. A pesar
de que la totalidad de los docentes (100 %) reportó haber participado en cursos de capacitación
docente en TIC en los últimos cinco años, esta formación parece no haberse traducido en
competencias específicas para la era de la Inteligencia Artificial Generativa.
Como se observa en la Tabla 1, la inmensa mayoría del profesorado se ubica en el nivel
inicial de autoeficacia.
Tabla 1
Niveles de Autoeficacia Digital Docente frente a la IAG
Nivel de
Competencia
Rango Frecuencia Porcentaje (%)
Inicial 0-25% 23 95.8
Básico 26-50% 1 4.2
Intermedio 51-75% 0 0.0
Avanzado 76-100% 0 0.0
Este 95.8 % en nivel inicial indica que los docentes, si bien pueden conocer la existencia
de herra- mientas como ChatGPT, no se sienten capaces de diseñar actividades de aprendizaje
que las involucren, ni de evaluar sus resultados con criterio técnico. Al desglosar los datos por
dimensiones, la dimensión de Çonocimiento Técnico.obtuvo las puntuaciones más bajas, seguida
por la Çompetencia Pedagógica". Curiosamente, la dimensión de. Actitud hacia la
Tecnología"mostró valores moderadamente positivos, sugiriendo que la barrera principal no es el
rechazo ideológico, sino la falta de capacitación instrumental y metodológica específica.
Patrones de Adopción Estudiantil
En contraposición a la realidad docente, el análisis del CPAP-IAG evidencia una
penetración masiva de la tecnología en el cuerpo estudiantil. El 73.6 % de los estudiantes reportó
utilizar herramientas de IAG con una frecuencia de "Frecuentemente"(varias veces a la semana)
o "Siempre"(diariamente) para fines académicos.
Los usos más comunes reportados fueron:
Explicación de conceptos complejos (82 %).
Resumen de textos académicos y papers (65 %).
Generación de ideas para proyectos de investigación (58 %).
Simulación de casos clínicos básicos y sintomatología (41 %).
Es notable que un 41 % de los estudiantes ya esté intentando utilizar la IAG para
simulaciones clínicas, una actividad central en la formación veterinaria, sin la supervisión o guía
explícita de sus docentes.
RESULTADOS Y DISCUSIÓN
Análisis de la Brecha Docente
Los resultados de la EPD-IAG revelan un escenario desafiante para la institución. A pesar
de que la totalidad de los docentes (100 %) reportó haber participado en cursos de capacitación
docente en TIC en los últimos cinco años, esta formación parece no haberse traducido en
competencias específicas para la era de la Inteligencia Artificial Generativa.
Como se observa en la Tabla 1, la inmensa mayoría del profesorado se ubica en el nivel
inicial de autoeficacia.
Tabla 1
Niveles de Autoeficacia Digital Docente frente a la IAG
Nivel de
Competencia
Rango Frecuencia Porcentaje (%)
Inicial 0-25% 23 95.8
Básico 26-50% 1 4.2
Intermedio 51-75% 0 0.0
Avanzado 76-100% 0 0.0
Este 95.8 % en nivel inicial indica que los docentes, si bien pueden conocer la existencia
de herra- mientas como ChatGPT, no se sienten capaces de diseñar actividades de aprendizaje
que las involucren, ni de evaluar sus resultados con criterio técnico. Al desglosar los datos por
dimensiones, la dimensión de Çonocimiento Técnico.obtuvo las puntuaciones más bajas, seguida
por la Çompetencia Pedagógica". Curiosamente, la dimensión de. Actitud hacia la
Tecnología"mostró valores moderadamente positivos, sugiriendo que la barrera principal no es el
rechazo ideológico, sino la falta de capacitación instrumental y metodológica específica.
Patrones de Adopción Estudiantil
En contraposición a la realidad docente, el análisis del CPAP-IAG evidencia una
penetración masiva de la tecnología en el cuerpo estudiantil. El 73.6 % de los estudiantes reportó
utilizar herramientas de IAG con una frecuencia de "Frecuentemente"(varias veces a la semana)
o "Siempre"(diariamente) para fines académicos.
Los usos más comunes reportados fueron:
Explicación de conceptos complejos (82 %).
Resumen de textos académicos y papers (65 %).
Generación de ideas para proyectos de investigación (58 %).
Simulación de casos clínicos básicos y sintomatología (41 %).
Es notable que un 41 % de los estudiantes ya esté intentando utilizar la IAG para
simulaciones clínicas, una actividad central en la formación veterinaria, sin la supervisión o guía
explícita de sus docentes.
Vol. 13/ Núm. 1 2025 pág. 421
Correlación entre Uso y Personalización
El análisis inferencial buscó establecer si el uso de estas herramientas se asocia con una
mejor experiencia de aprendizaje percibida. Los estudiantes evaluaron el nivel de personalización
de su aprendizaje en dos escenarios contrastantes: con métodos tradicionales y apoyados por IAG.
Personalización percibida (Método Tradicional): 𝑥̅ = 38. %
Personalización percibida (Con IAG): 𝑥̅ = 69.9%
La diferencia es estadísticamente significativa (t = 12.4, p < .001). Además, el coeficiente
de correla- ción de Pearson arrojó un valor de r = 0.67 (p < .05), indicando una correlación
positiva moderada-alta. Esto implica que a mayor frecuencia de uso de la IAG, mayor es la
percepción de que el aprendizaje se ajusta a las necesidades individuales del estudiante. Los datos
sugieren que los estudiantes sienten que la IAG llena los vacíos de atención personalizada que el
sistema tradicional masificado no logra cubrir.
DISCUSIÓN
Los hallazgos de esta investigación confirman la existencia de una profunda "brecha de
segunda generación. En la educación veterinaria de la región. Mientras que autores como Ofosu-
Ampong (2024) señalan que la aceptación docente es clave para la integración tecnológica,
nuestros datos muestran que la adopción estudiantil está ocurriendo *a pesar* de la falta de
preparación docente, no gracias a ella.
Esta desconexión plantea riesgos pedagógicos y éticos significativos. Como advierte
Frick (2024), los sistemas de IAG pueden generar alucinaciones (información falsa pero
convincente). Si los estudiantes utilizan estas herramientas como tutores principales sin la
mediación de un experto disciplinar (el docente) que valide la información y enseñe a
cuestionarla, se corre el riesgo de fosilizar errores conceptuales graves, lo cual es crítico en
ciencias de la salud donde el error puede tener consecuencias fatales.
Por otro lado, la percepción estudiantil sobre la mejora en la personalización (69.9 % vs
38.0 %) va- lida las tesis de Sun et al. (2025) y Anderson et al. (2025) sobre el potencial de la
IAG para democratizar el acceso a la tutoría personalizada. Los estudiantes están, en efecto,
"hackeando"su propia educación para hacerla más adaptativa a sus ritmos de aprendizaje. La
universidad tiene la responsabilidad de insti- tucionalizar estas prácticas para garantizar equidad
y calidad.
La falta de docentes en niveles intermedios o avanzados de competencia digital (0 %) es
un llamado de atención urgente. Coincidiendo con Khan et al. (2025), la sostenibilidad de la
educación superior depende de la actualización constante del capital humano. No se trata solo de
enseñar a usar el software, sino de desarrollar una ïnteligencia viva"(Allam et al., 2025) que
combine la sabiduría humana con la potencia computacional para resolver problemas complejos.
Correlación entre Uso y Personalización
El análisis inferencial buscó establecer si el uso de estas herramientas se asocia con una
mejor experiencia de aprendizaje percibida. Los estudiantes evaluaron el nivel de personalización
de su aprendizaje en dos escenarios contrastantes: con métodos tradicionales y apoyados por IAG.
Personalización percibida (Método Tradicional): 𝑥̅ = 38. %
Personalización percibida (Con IAG): 𝑥̅ = 69.9%
La diferencia es estadísticamente significativa (t = 12.4, p < .001). Además, el coeficiente
de correla- ción de Pearson arrojó un valor de r = 0.67 (p < .05), indicando una correlación
positiva moderada-alta. Esto implica que a mayor frecuencia de uso de la IAG, mayor es la
percepción de que el aprendizaje se ajusta a las necesidades individuales del estudiante. Los datos
sugieren que los estudiantes sienten que la IAG llena los vacíos de atención personalizada que el
sistema tradicional masificado no logra cubrir.
DISCUSIÓN
Los hallazgos de esta investigación confirman la existencia de una profunda "brecha de
segunda generación. En la educación veterinaria de la región. Mientras que autores como Ofosu-
Ampong (2024) señalan que la aceptación docente es clave para la integración tecnológica,
nuestros datos muestran que la adopción estudiantil está ocurriendo *a pesar* de la falta de
preparación docente, no gracias a ella.
Esta desconexión plantea riesgos pedagógicos y éticos significativos. Como advierte
Frick (2024), los sistemas de IAG pueden generar alucinaciones (información falsa pero
convincente). Si los estudiantes utilizan estas herramientas como tutores principales sin la
mediación de un experto disciplinar (el docente) que valide la información y enseñe a
cuestionarla, se corre el riesgo de fosilizar errores conceptuales graves, lo cual es crítico en
ciencias de la salud donde el error puede tener consecuencias fatales.
Por otro lado, la percepción estudiantil sobre la mejora en la personalización (69.9 % vs
38.0 %) va- lida las tesis de Sun et al. (2025) y Anderson et al. (2025) sobre el potencial de la
IAG para democratizar el acceso a la tutoría personalizada. Los estudiantes están, en efecto,
"hackeando"su propia educación para hacerla más adaptativa a sus ritmos de aprendizaje. La
universidad tiene la responsabilidad de insti- tucionalizar estas prácticas para garantizar equidad
y calidad.
La falta de docentes en niveles intermedios o avanzados de competencia digital (0 %) es
un llamado de atención urgente. Coincidiendo con Khan et al. (2025), la sostenibilidad de la
educación superior depende de la actualización constante del capital humano. No se trata solo de
enseñar a usar el software, sino de desarrollar una ïnteligencia viva"(Allam et al., 2025) que
combine la sabiduría humana con la potencia computacional para resolver problemas complejos.
Vol. 13/ Núm. 1 2025 pág. 422
CONCLUSIONES
La presente investigación permite concluir que la carrera de Medicina Veterinaria
estudiada se encuentra en un punto de inflexión tecnológica. La IAG ha permeado la práctica de
estudio de los alumnos, quienes la valoran altamente por su capacidad de personalización,
mientras que el cuerpo docente permanece rezagado en competencias digitales específicas.
Esta asimetría no debe interpretarse únicamente como un problema, sino como una
oportunidad latente. La demanda estudiantil ya existe; el desafío institucional es canalizarla
pedagógicamente. Se recomienda a la institución:
Diseñar programas de formación docente situados: Alejarse de cursos genéricos de
ofimática y centrarse en talleres aplicados como Ingeniería de Prompts para Ciencias de la
Salud",. Evaluación
Asistida por IA "Ética de la IA en la Clínica Veterinaria".
1. Institucionalizar el uso de la IAG: Crear políticas claras que regulen y fomenten el uso
ético de la IA, integrándola en los sílabos como una herramienta oficial y no como un
recurso clandestino.
2. Fomentar la co-creación: Involucrar a los estudiantes identificados como üsuarios
avanzados"pa- ra que actúen como mentores pares o ayudantes de cátedra, apoyando a los
docentes en la transición tecnológica y cerrando la brecha generacional mediante la
colaboración.
Finalmente, se sugiere que futuras líneas de investigación aborden el impacto de la IAG
no solo en la percepción subjetiva, sino en el rendimiento académico objetivo y en la adquisición
de competencias clínicas prácticas, mediante estudios experimentales longitudinales que permitan
medir la eficacia real de estas herramientas en la formación profesional.
CONCLUSIONES
La presente investigación permite concluir que la carrera de Medicina Veterinaria
estudiada se encuentra en un punto de inflexión tecnológica. La IAG ha permeado la práctica de
estudio de los alumnos, quienes la valoran altamente por su capacidad de personalización,
mientras que el cuerpo docente permanece rezagado en competencias digitales específicas.
Esta asimetría no debe interpretarse únicamente como un problema, sino como una
oportunidad latente. La demanda estudiantil ya existe; el desafío institucional es canalizarla
pedagógicamente. Se recomienda a la institución:
Diseñar programas de formación docente situados: Alejarse de cursos genéricos de
ofimática y centrarse en talleres aplicados como Ingeniería de Prompts para Ciencias de la
Salud",. Evaluación
Asistida por IA "Ética de la IA en la Clínica Veterinaria".
1. Institucionalizar el uso de la IAG: Crear políticas claras que regulen y fomenten el uso
ético de la IA, integrándola en los sílabos como una herramienta oficial y no como un
recurso clandestino.
2. Fomentar la co-creación: Involucrar a los estudiantes identificados como üsuarios
avanzados"pa- ra que actúen como mentores pares o ayudantes de cátedra, apoyando a los
docentes en la transición tecnológica y cerrando la brecha generacional mediante la
colaboración.
Finalmente, se sugiere que futuras líneas de investigación aborden el impacto de la IAG
no solo en la percepción subjetiva, sino en el rendimiento académico objetivo y en la adquisición
de competencias clínicas prácticas, mediante estudios experimentales longitudinales que permitan
medir la eficacia real de estas herramientas en la formación profesional.
Vol. 13/ Núm. 1 2025 pág. 423
REFERENCIAS
Allam, H. M., Gyamfi, B., & AlOmar, B. (2025). Sustainable innovation: Harnessing AI and
living intelligence to transform higher education. Education Sciences, 15(4), 398.
https://doi.org/10.3390/educsci15040398
Akanzire, B. N., Nyaaba, M., & Nabang, M. (2025). Generative AI in teacher education: Teacher
educators perception and preparedness. Journal of Digital Educational Technology, 5(1),
ep2508. https://doi.org/10.30935/jdet/15887
Anderson, J. E., Nguyen, C. A., & Moreira, G. (2025). Generative AI-driven personalization of
the Community of Inquiry model. The International Journal of Information and Learning
Technology, 42(3), 296–310. https://doi.org/10.1108/IJILT-10-2024-0240
Asamoah, M. K., & Amarteifio, J. (2025). Overcoming barriers and ethical challenges in imple-
menting intelligent tutoring systems. Discover Education, 4(1), 179.
https://doi.org/10.1007/s44217-025-00593-5
Behrmann, J., Hong, E. M., & Mitre, M. (2023). ChatGPTs performance on dermatology-specific
ques- tions. Journal of Medical Artificial Intelligence, 6. https://dx.doi.org/10.21037/jmai-
23-47
Feng, W., Lai, X., Zhang, X., Fan, X., & Du, Y. (2025). Research on the construction and
application of intelligent tutoring system for English teaching based on generative pre-
training model. Systems and Soft Computing, 7, 200232.
https://doi.org/10.1016/j.sasc.2025.200232
Flores-Vivar, J., & García-Peñalvo, F. (2023). La vida algorítmica de la educación: Herramientas
y sistemas de inteligencia artificial para el aprendizaje en línea. McGraw-Hill.
https://www.researchgate.net/publication/369389139_LA_VIDA_ALGORITMICA_DE_
LA_EDUCACION_HERRAMIENTAS_Y_SISTEMAS_DE_INTELIGENCIA_ARTIFI
CIAL_PARA_EL_APRENDIZAJE_EN_LINEA
Frick, T. W. (2024). Are We Dupes? Limitations of AI Systems: What Should Educators Do with
Them? TechTrends, 68(1), 14–26.
https://eric.ed.gov/?q=source%3A%22TechTrends%3A+Linking+Research+and+Practic
e+to+Improve+Learning%22&pg=6&id=EJ1406259
García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2023). La nueva realidad de la educación
ante los avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de
Educación a Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716
González, S. J. G., & González, N. de la N. (2024). Perspectivas de docentes universitarios sobre
la inteligencia artificial en la educación. Yachana Revista Científica, 13(2), 69–82.
https://doi.org/10.62325/10.62325/yachana.v13.n2.2024.929
REFERENCIAS
Allam, H. M., Gyamfi, B., & AlOmar, B. (2025). Sustainable innovation: Harnessing AI and
living intelligence to transform higher education. Education Sciences, 15(4), 398.
https://doi.org/10.3390/educsci15040398
Akanzire, B. N., Nyaaba, M., & Nabang, M. (2025). Generative AI in teacher education: Teacher
educators perception and preparedness. Journal of Digital Educational Technology, 5(1),
ep2508. https://doi.org/10.30935/jdet/15887
Anderson, J. E., Nguyen, C. A., & Moreira, G. (2025). Generative AI-driven personalization of
the Community of Inquiry model. The International Journal of Information and Learning
Technology, 42(3), 296–310. https://doi.org/10.1108/IJILT-10-2024-0240
Asamoah, M. K., & Amarteifio, J. (2025). Overcoming barriers and ethical challenges in imple-
menting intelligent tutoring systems. Discover Education, 4(1), 179.
https://doi.org/10.1007/s44217-025-00593-5
Behrmann, J., Hong, E. M., & Mitre, M. (2023). ChatGPTs performance on dermatology-specific
ques- tions. Journal of Medical Artificial Intelligence, 6. https://dx.doi.org/10.21037/jmai-
23-47
Feng, W., Lai, X., Zhang, X., Fan, X., & Du, Y. (2025). Research on the construction and
application of intelligent tutoring system for English teaching based on generative pre-
training model. Systems and Soft Computing, 7, 200232.
https://doi.org/10.1016/j.sasc.2025.200232
Flores-Vivar, J., & García-Peñalvo, F. (2023). La vida algorítmica de la educación: Herramientas
y sistemas de inteligencia artificial para el aprendizaje en línea. McGraw-Hill.
https://www.researchgate.net/publication/369389139_LA_VIDA_ALGORITMICA_DE_
LA_EDUCACION_HERRAMIENTAS_Y_SISTEMAS_DE_INTELIGENCIA_ARTIFI
CIAL_PARA_EL_APRENDIZAJE_EN_LINEA
Frick, T. W. (2024). Are We Dupes? Limitations of AI Systems: What Should Educators Do with
Them? TechTrends, 68(1), 14–26.
https://eric.ed.gov/?q=source%3A%22TechTrends%3A+Linking+Research+and+Practic
e+to+Improve+Learning%22&pg=6&id=EJ1406259
García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2023). La nueva realidad de la educación
ante los avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de
Educación a Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716
González, S. J. G., & González, N. de la N. (2024). Perspectivas de docentes universitarios sobre
la inteligencia artificial en la educación. Yachana Revista Científica, 13(2), 69–82.
https://doi.org/10.62325/10.62325/yachana.v13.n2.2024.929
Vol. 13/ Núm. 1 2025 pág. 424
Huang, C., Zhong, Y., Li, Y., Wang, X., & Liu, M. (2025). Enhancing student reading
performance through a personalized two-tier problem-based learning approach with
generative artificial intelligence. Humanities and Social Sciences Communications, 12(1),
645. https://doi.org/10.1057/s41599-025-04919-4
Kallunki, V., Kinnunen, P., & Myyry, L. (2024). Navigating the evolving landscape of teaching
and learning: University faculty and staff perceptions of the AI-altered terrain. Education
Sciences, 14(7), 727. https://doi.org/10.3390/educsci14070727
Khan, S., Mazhar, T., & Hamam, H. (2025). Harnessing AI for sustainable higher education:
Ethical considerations, operational efficiency, and future directions. Discover
Sustainability, 6(1), 23. https://doi.org/10.1007/s43621-025-00809-6
Khennouche, F., Elmir, Y., Himeur, Y., Djebari, N., & Amira, A. (2024). Revolutionizing
generative pre-traineds: Insights and challenges in deploying ChatGPT. Expert Systems
with Applications, 246.
https://doi.org/10.1016/j.eswa.2024.123224
Khojasteh, L., Kafipour, R., Pakdel, F., & Mukundan, J. (2025). Empowering medical students
with AI writing co-pilots: Design and validation of AI self-assessment toolkit. BMC
Medical Education, 25. 10.1186/s12909-025-06753-3
Kovari, A. (2025). A systematic review of AI-powered collaborative learning in higher education:
Trends and outcomes. Social Sciences & Humanities Open, 11, 101335.
https://doi.org/10.1016/j.ssaho.2025.101335
Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated
learning in higher education. Npj Science of Learning, 10(1), 21.
https://doi.org/10.1038/s41539-025-00319-0
Martínez-Rolá, X., Cabezuelo-Lorenzo, F., & Oliveira, L. (2025). The new scenarios of the digital
society in the face of the challenge of Generative Artificial Intelligence. Encontros Bibli,
30. 10.5007/1518-2924.2025.e105080
Monzon, N., & Hays, F. (2025). Leveraging Generative Artificial Intelligence to Improve
Motivation and Retrieval in Higher Education Learners. Journal of Educational Computing
Research. doi:10.2196/59210
Mubin, O., Alnajjar, F., Trabelsi, Z., & Zou, Z. (2024). Tracking ChatGPT Research: Insights
from the literature and the web. IEEE Access, 12, 1–1. 10.1109/ACCESS.2024.3356584
Ofosu-Ampong, K. (2024). Beyond the hype: Exploring faculty perceptions and acceptabi- lity
of AI in teaching practices. Discover Education, 3(1), 38. https://doi.org/10.1007/s44217-
024-00128-4
Prananto, K., Cahyadi, S., Lubis, F. Y., & Hinduan, Z. R. (2025). Perceived teacher support and
student engagement among higher education students. BMC Psychology, 13(1), 112.
10.1186/s40359-025-02412-w
Huang, C., Zhong, Y., Li, Y., Wang, X., & Liu, M. (2025). Enhancing student reading
performance through a personalized two-tier problem-based learning approach with
generative artificial intelligence. Humanities and Social Sciences Communications, 12(1),
645. https://doi.org/10.1057/s41599-025-04919-4
Kallunki, V., Kinnunen, P., & Myyry, L. (2024). Navigating the evolving landscape of teaching
and learning: University faculty and staff perceptions of the AI-altered terrain. Education
Sciences, 14(7), 727. https://doi.org/10.3390/educsci14070727
Khan, S., Mazhar, T., & Hamam, H. (2025). Harnessing AI for sustainable higher education:
Ethical considerations, operational efficiency, and future directions. Discover
Sustainability, 6(1), 23. https://doi.org/10.1007/s43621-025-00809-6
Khennouche, F., Elmir, Y., Himeur, Y., Djebari, N., & Amira, A. (2024). Revolutionizing
generative pre-traineds: Insights and challenges in deploying ChatGPT. Expert Systems
with Applications, 246.
https://doi.org/10.1016/j.eswa.2024.123224
Khojasteh, L., Kafipour, R., Pakdel, F., & Mukundan, J. (2025). Empowering medical students
with AI writing co-pilots: Design and validation of AI self-assessment toolkit. BMC
Medical Education, 25. 10.1186/s12909-025-06753-3
Kovari, A. (2025). A systematic review of AI-powered collaborative learning in higher education:
Trends and outcomes. Social Sciences & Humanities Open, 11, 101335.
https://doi.org/10.1016/j.ssaho.2025.101335
Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated
learning in higher education. Npj Science of Learning, 10(1), 21.
https://doi.org/10.1038/s41539-025-00319-0
Martínez-Rolá, X., Cabezuelo-Lorenzo, F., & Oliveira, L. (2025). The new scenarios of the digital
society in the face of the challenge of Generative Artificial Intelligence. Encontros Bibli,
30. 10.5007/1518-2924.2025.e105080
Monzon, N., & Hays, F. (2025). Leveraging Generative Artificial Intelligence to Improve
Motivation and Retrieval in Higher Education Learners. Journal of Educational Computing
Research. doi:10.2196/59210
Mubin, O., Alnajjar, F., Trabelsi, Z., & Zou, Z. (2024). Tracking ChatGPT Research: Insights
from the literature and the web. IEEE Access, 12, 1–1. 10.1109/ACCESS.2024.3356584
Ofosu-Ampong, K. (2024). Beyond the hype: Exploring faculty perceptions and acceptabi- lity
of AI in teaching practices. Discover Education, 3(1), 38. https://doi.org/10.1007/s44217-
024-00128-4
Prananto, K., Cahyadi, S., Lubis, F. Y., & Hinduan, Z. R. (2025). Perceived teacher support and
student engagement among higher education students. BMC Psychology, 13(1), 112.
10.1186/s40359-025-02412-w
Vol. 13/ Núm. 1 2025 pág. 425
Sun, C., Huang, S., Sun, B., & Chu, S. (2025). Personalized learning path planning for higher
education based on deep generative models. Discover Artificial Intelligence, 5(1), 29.
https://doi.org/10.1007/s44163-025-00252-6
Sushma, P. G., & Sriramakrishnan, G. V. (2025). Exploring predictive algorithms: Linear
regression and decision tree in student performance. AIP Conference Proceedings.
10.1063/5.0264437
UNESCO. (2023). Guía para el uso de IA generativa en educación e investigación. París:
UNESCO. https://www.unesco.org/es/articles/guia-para-el-uso-de-ia-generativa-en-
educacion-e-investigacion
Valova, I., Mladenova, T., & Kanev, G. (2024). Students Perception of ChatGPT Usage in
Education. International Journal of Advanced Computer Science and Applications, 15(1),
466–473. https://dx.doi.org/10.14569/IJACSA.2024.0150143
Wu, X.-Y., & Chiu, T. K. F. (2025). Integrating learner characteristics and generative AI
affordances to enhance self-regulated learning. Journal of New Approaches in Educational
Research, 14(1), 10. https://doi.org/10.1007/s44322-025-00028-x
Sun, C., Huang, S., Sun, B., & Chu, S. (2025). Personalized learning path planning for higher
education based on deep generative models. Discover Artificial Intelligence, 5(1), 29.
https://doi.org/10.1007/s44163-025-00252-6
Sushma, P. G., & Sriramakrishnan, G. V. (2025). Exploring predictive algorithms: Linear
regression and decision tree in student performance. AIP Conference Proceedings.
10.1063/5.0264437
UNESCO. (2023). Guía para el uso de IA generativa en educación e investigación. París:
UNESCO. https://www.unesco.org/es/articles/guia-para-el-uso-de-ia-generativa-en-
educacion-e-investigacion
Valova, I., Mladenova, T., & Kanev, G. (2024). Students Perception of ChatGPT Usage in
Education. International Journal of Advanced Computer Science and Applications, 15(1),
466–473. https://dx.doi.org/10.14569/IJACSA.2024.0150143
Wu, X.-Y., & Chiu, T. K. F. (2025). Integrating learner characteristics and generative AI
affordances to enhance self-regulated learning. Journal of New Approaches in Educational
Research, 14(1), 10. https://doi.org/10.1007/s44322-025-00028-x