La inteligencia artificial como recurso didáctico en Química General para el aprendizaje significativo
La inteligencia artificial como recurso didáctico en Química General para el aprendizaje significativo
Dionisia de la Caridad Isalgué Álvarez.
Master en Enseñanza de la Química. Facultad de Ciencias Aplicadas, Universidad de Camagüey Ignacio Agramonte Loynaz, Camagüey, Cuba. ORCID: https://orcid.org/0000-0003-0695-2072. Correo electrónico: disalgue1957@gmail.com. Teléfono: 51829796.
Resumen
El objetivo del trabajo es evaluar el uso de la inteligencia artificial como recurso didáctico en las clases de Química General para desarrollar un aprendizaje significativo en estudiantes de primer año de la Licenciatura en Educación Química. Se partió de la hipótesis de que el uso de la IA favorece el desarrollo de un aprendizaje significativo. El estudio se realizó a partir de la necesidad de que los estudiantes adquieran conocimientos básicos de Química, pero presentan una comprensión limitada y fragmentada de los conceptos químicos y no se explotan las potencialidades de la inteligencia artificial para el logro de un aprendizaje significativo. Se emplearon métodos teóricos como el histórico-lógico, análisis y síntesis para fundamentar la propuesta, y empíricos como la encuesta, prueba pedagógica y revisión documental. Se implementaron actividades docentes en las clases donde los estudiantes utilizaron herramientas de IA para resolver ejercicios y problemas de Química. Para obtener evidencia objetiva, se empleó un sistema de evaluación basado en tres dimensiones: uso pedagógico de la inteligencia artificial, cognitiva y motivación hacia el aprendizaje de la Química. Los principales hallazgos fueron que mejora el rendimiento académico, el aprendizaje autónomo, la interpretación de problemas complejos de Química, aumenta la motivación, la participación en clases, el estudio independiente, la comprensión de contenidos sobre estequiometría, equilibrio químico, estructura del átomo y disoluciones, además de un mejor desempeño de las actividades prácticas. Se concluye que el uso de la inteligencia artificial es un recurso didáctico efectivo para el desarrollo holístico de un aprendizaje significativo.
Palabras clave: aprendizaje, artificial, cognición, didáctica, inteligencia
Abstract
The objective of this work is to evaluate the use of artificial intelligence as a teaching resource in General Chemistry classes to develop meaningful learning in first-year students of the Bachelor's Degree in Chemistry Education. The hypothesis was that the use of AI promotes the development of meaningful learning. The study stems from the need for students to acquire basic knowledge of Chemistry, but they exhibit a limited and fragmented understanding of chemical concepts, and the potential of artificial intelligence for achieving meaningful learning is not being fully utilized. Theoretical methods such as historical-logical analysis and synthesis were used to support the proposal, while empirical methods included surveys, pedagogical tests, and document review. Teaching activities were implemented in classes where students used AI tools to solve chemistry exercises and problems. To obtain objective evidence, an evaluation system based on three dimensions was employed: pedagogical use of artificial intelligence, cognitive development, and motivation for learning chemistry. The main findings were that it improves academic performance, autonomous learning, interpretation of complex chemistry problems, increased motivation and participation in class, independent study, understanding of content related to stoichiometry, chemical equilibrium, atomic structure, and solutions, as well as improved performance in practical activities. It is concluded that the use of artificial intelligence is an effective didactic resource for the holistic development of meaningful learning.
Keywords: artificial, cognition, didactics, intelligence, learning
Introducción
Muchos son los autores que han abordado el uso de la inteligencia artificial en la Educación y en estos trabajos se exponen los beneficios, logros, la falta de preparación de los docentes en este aspecto y las limitaciones del uso de las IA en la Educación. Por otra parte, la enseñanza de la Química General en la Educación Superior presenta múltiples desafíos debido al carácter abstracto de algunos contenidos, la necesidad de razonamiento simbólico y la relación entre los niveles macroscópico, microscópico y simbólico del conocimiento químico. Estas dificultades provocan, en algunos casos, un aprendizaje memorístico y no sólido que limita la comprensión profunda de los fenómenos químicos.
En este contexto, la inteligencia artificial emerge como una herramienta educativa innovadora capaz de transformar el proceso de enseñanza-aprendizaje. Su aplicación permite generar explicaciones personalizadas, simulaciones interactivas, resolución guiada de problemas y apoyo en el aprendizaje autónomo. Según Huwer et al. (2025), las aplicaciones de IA en la educación científica ofrecen entornos de simulación y laboratorios virtuales que permiten un aprendizaje más seguro y controlado, además de facilitar la comprensión de temas complejos mediante herramientas como ChatGPT.
Asimismo, el modelo TPACK (Technological Pedagogical Content Knowledge) subraya que los docentes requieren competencias específicas que integran el conocimiento tecnológico, pedagógico y disciplinar para implementar efectivamente la IA en el aula (Lameras y Arnab, 2022; Koehler et al., 2013). En la formación de futuros docentes de Química se observa que los estudiantes de primer año adquieren conocimientos básicos de Química, pero presentan una comprensión limitada y fragmentada de los conceptos químicos y la interrelación entre ciencia y sociedad, y no se aprovecha el potencial pedagógico de la IA para enriquecer el aprendizaje que lo convierta en un aprendizaje significativo.
Lo anterior conduce al siguiente problema científico: ¿Cómo contribuir al desarrollo de un aprendizaje significativo mediado por la inteligencia artificial en los estudiantes de primer año de la carrera Licenciatura en Educación Química? La importancia de la solución del problema radica en que la articulación de las actividades docentes y la inteligencia artificial se presenta como una vía para desarrollar un aprendizaje significativo y una formación científica. El presente estudio tiene como objetivo general evaluar la efectividad del uso de la inteligencia artificial como recurso didáctico en las clases de Química General para el desarrollo de un aprendizaje significativo. Al combinar Química con IA en un diseño pedagógico intencional, este estudio pretende superar las limitaciones del enfoque tradicional como la fragmentación del contenido y la falta de motivación, y ofrecer experiencias pedagógicas contextualizadas.
De esta forma, se busca desarrollar un aprendizaje significativo del futuro docente. Materiales y Métodos Diseño de la investigación El diseño de la investigación consta de tres etapas. Primera etapa: Pretest. Se aplicó una prueba pedagógica inicial para diagnosticar el nivel de conocimientos de los estudiantes en los contenidos de Química General. Segunda etapa: Diseño de actividades y su aplicación en las clases utilizando la inteligencia artificial como recurso didáctico para explicación de los contenidos, resolución de ejercicios, simulaciones químicas, retroalimentación inmediata y actividades interactivas. Tercera etapa: Postest.
Se aplicó una prueba pedagógica final para evaluar el aprendizaje significativo alcanzado por los estudiantes después de la implementación de las actividades docentes mediadas por la inteligencia artificial. Se implementó un diseño cuasi-experimental de medición repetida (pre-post) con un grupo, orientado a evaluar el uso de la inteligencia artificial en las clases de Química General para el desarrollo de un aprendizaje significativo. La investigación se desarrolló bajo un enfoque cuantitativo con apoyo cualitativo. Búsqueda bibliográfica Se realizó una revisión documental en bases de datos como Google Scholar, PubMed, Cochrane Library, ResearchGate, Scopus y Scielo. Se utilizaron palabras clave como: aprendizaje significativo, inteligencia artificial, recurso didáctico, formación inicial, en español e inglés.
Los criterios de inclusión contemplaron artículos publicados entre 2020 y 2026, de acceso abierto, en inglés y español, relacionados con la integración de la IA en la enseñanza de las ciencias y el aprendizaje significativo en contextos universitarios. Como criterios de exclusión se consideraron artículos publicados antes del 2020, artículos de acceso cerrado, además de excluir el análisis de libros, conferencias y tesis. Los artículos seleccionados consideraron 30 artículos de base de datos: 10 de Scopus, 10 de Scielo y 10 de Google Scholar para la construcción de la investigación.
Matriz de extracción de datos La extracción de datos se realizó mediante una matriz de análisis que incluyó los siguientes elementos para cada artículo revisado: objetivos de la investigación, diseño metodológico, muestra y contexto, variables estudiadas, instrumentos de medición, principales hallazgos y limitaciones. Esta matriz permitió sistematizar la información, identificar tendencias en el uso de la IA como recurso didáctico en Química, y establecer las bases teórico-metodológicas para el diseño de la intervención pedagógica.
A partir de esta extracción se constató que la mayoría de los estudios recientes (2023-2025) enfatizan el potencial de la IA para la personalización del aprendizaje, la simulación de fenómenos químicos abstractos y el desarrollo del pensamiento crítico, aunque también señalan la necesidad de una mediación pedagógica intencional para evitar la dependencia tecnológica (Sardiñas y Valdés, 2025; Ubal et al., 2023). Contexto, población y muestra La investigación se desarrolló en la Universidad de Camagüey Ignacio Agramonte Loynaz, Cuba, en el contexto de la asignatura Química General de la carrera Licenciatura en Educación Química. La muestra estuvo conformada por los 6 estudiantes de primer año de dicha carrera, seleccionados mediante muestreo intencional no probabilístico.
La muestra es pequeña, pero permite un análisis cuantitativo y cualitativo del fenómeno en estudio, dada la naturaleza exploratoria y la profundidad de la intervención pedagógica realizada. Hipótesis de investigación El uso de la inteligencia artificial como recurso didáctico en las clases de Química General favorece el aprendizaje significativo en los estudiantes. La variable independiente es el uso de la inteligencia artificial como recurso didáctico en las clases de Química General.
La variable dependiente es el aprendizaje significativo. Análisis de datos Para la evaluación se establecieron tres dimensiones competenciales (uso pedagógico de la inteligencia artificial, cognitiva y motivación hacia el aprendizaje de la Química) en correspondencia con los objetivos de aprendizaje de la intervención. Cada dimensión se operacionalizó en indicadores específicos para los cuales se definieron criterios de medida (alto, medio, bajo). Los instrumentos de medición, diseñados para recoger evidencia tangible del desempeño, incluyeron listas de cotejo, rúbricas analíticas, guías de observación y pruebas pedagógicas.
El procesamiento de la información se realizó mediante análisis porcentual y comparación de resultados, calculando los porcentajes de alto, medio y bajo por indicador para las mediciones pre y post. La efectividad de la intervención se analizó comparando estos porcentajes mediante la diferencia en puntos porcentuales. Se empleó estadística descriptiva para distribuciones de frecuencias absolutas y relativas, así como medidas de tendencia central (moda y mediana) para las categorías de logro alcanzadas.
El análisis cualitativo se basó en la triangulación entre: a) los resultados cuantitativos de los indicadores de medida; b) las observaciones registradas del docente durante las clases; c) el análisis de las actividades docentes realizadas por los estudiantes (informes, modelos, propuestas, ejercicios, problemas). Esta triangulación permitió interpretar el significado cualitativo de los cambios cuantitativos registrados.
Control de variables
El control de las variables externas se llevó a cabo manteniendo el mismo profesor, los mismos contenidos, objetivos de aprendizaje, tiempo de clases, mismo grupo, las mismas condiciones tecnológicas y aplicando instrumentos con el mismo nivel de dificultad en el pretest y postest. Consideraciones éticas La investigación se desarrolló conforme a los principios éticos de la investigación científica en el área de la educación, la salud y el deporte, establecidos en la Declaración de Helsinki de la Asociación Médica Mundial y las Pautas Éticas Internacionales para la Investigación Biomédica en Seres Humanos del Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS). Se obtuvo el consentimiento informado de los participantes garantizando la confidencialidad de los datos y el derecho a retirarse del estudio en cualquier momento.
La intervención pedagógica no implicó riesgos físicos o psicológicos superiores a los inherentes al proceso educativo regular. Se respetó la privacidad de los estudiantes mediante el uso de códigos alfanuméricos en lugar de nombres en los registros de datos. El protocolo de investigación fue evaluado y aprobado por el comité de ética institucional de la Facultad de Ciencias Aplicadas, asegurando que el estudio cumpliera con los estándares de equidad, minimización de riesgos y beneficio potencial para la formación docente.
Resultados y Discusión
Caracterización del estado inicial y diagnóstico realizado El análisis del pretest aplicado a los 6 estudiantes reveló un dominio bajo y medio de los contenidos de Química General antes de la intervención. Los indicadores de la dimensión cognitiva mostraron que el 83.3% de los estudiantes presentaba nivel bajo en comprensión de conceptos químicos y aplicación de conocimientos a problemas, mientras que el 16.6% alcanzó nivel medio.
En la dimensión de uso pedagógico de la IA, el 100% de los estudiantes se ubicó en nivel bajo, evidenciando la ausencia de experiencias previas sistemáticas con herramientas de inteligencia artificial en el contexto educativo. La dimensión motivacional reflejó una participación activa limitada (83.3% en nivel bajo) y escasa disposición al aprendizaje autónomo (83.3% en nivel bajo). Este diagnóstico confirmó la necesidad de una intervención pedagógica que integrara la IA de manera estructurada para transformar el aprendizaje memorístico en un aprendizaje significativo.
Resultados de los instrumentos científicos aplicados La intervención consistió en la implementación de actividades docentes donde los estudiantes utilizaron herramientas de inteligencia artificial (ChatGPT, GeoGebra IA, Canva AI, simuladores) para resolver problemas complejos. Estas se implementaron a lo largo del curso, abarcando desde el tema 1 (Estructura electrónica), tema 2 (Nomenclatura química), tema 3 (Leyes de las combinaciones químicas), tema 4 (Termoquímica) y tema 5 (Disoluciones), del programa de la asignatura de Química General, lo que permitió una integración longitudinal y progresiva de los contenidos. Una vez implementadas las actividades se procedió a evaluar su efectividad mediante el sistema descrito en la metodología.
Los resultados del análisis pre y post de la intervención se presentan en la Tabla 1. Tabla 1 Logro de dominio pre y post tras intervención con IA, por indicador (n=6)
Dimensión 1.
Uso pedagógico de la inteligencia artificial Indicador 1.1. Integración de la IA en la clase de Química General: Pretest (Alto 0, Medio 1, Bajo 5); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Indicador 1.2. Uso de la IA para explicar contenidos químicos: Pretest (Alto 0, Medio 0, Bajo 6); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Indicador 1.3. Empleo de la IA en la resolución de problemas: Pretest (Alto 0, Medio 0, Bajo 6); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Indicador 1.4. Uso de IA para generar actividades didácticas: Pretest (Alto 0, Medio 0, Bajo 6); Postest (Alto 5, Medio 1, Bajo 0). Porcentaje postest Alto: 83.3%, Medio: 16.6%, Bajo: 0%.
Dimensión 2.
Cognitiva Indicador 2.1. Relación entre conocimientos previos y nuevos: Pretest (Alto 0, Medio 1, Bajo 5); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Indicador 2.2. Comprensión de conceptos químicos: Pretest (Alto 0, Medio 1, Bajo 5); Postest (Alto 4, Medio 1, Bajo 1). Porcentaje postest Alto: 66.6%, Medio: 16.6%, Bajo: 16.6%. Indicador 2.3. Aplicación de conocimientos a problemas: Pretest (Alto 0, Medio 1, Bajo 5); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Indicador 2.4. Interpretación de representaciones químicas: Pretest (Alto 0, Medio 0, Bajo 6); Postest (Alto 5, Medio 1, Bajo 0).
Porcentaje postest Alto: 83.3%, Medio: 16.6%, Bajo: 0%. Indicador 2.5. Aplicación del aprendizaje a nuevas situaciones: Pretest (Alto 0, Medio 1, Bajo 5); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Dimensión 3. Motivación hacia el aprendizaje de la Química Indicador 3.1. Participación activa en clases, seminarios, talleres y clases prácticas: Pretest (Alto 0, Medio 1, Bajo 5); Postest (Alto 4, Medio 2, Bajo 0). Porcentaje postest Alto: 66.6%, Medio: 33.3%, Bajo: 0%. Indicador 3.2. Disposición ante el aprendizaje autónomo: Pretest (Alto 0, Medio 0, Bajo 6); Postest (Alto 3, Medio 3, Bajo 0).
Porcentaje postest Alto: 50%, Medio: 50%, Bajo: 0%. Indicador 3.3. Disposición al uso de las herramientas de la IA para su aprendizaje: Pretest (Alto 0, Medio 0, Bajo 6); Postest (Alto 6, Medio 0, Bajo 0). Porcentaje postest Alto: 100%, Medio: 0%, Bajo: 0%. Como síntesis de los datos, la intervención generó aumentos sustanciales en el logro de los indicadores, reflejado en los datos porcentuales. Alineación con investigaciones previas
El análisis de la literatura revisada evidencia una tendencia creciente hacia la integración de la inteligencia artificial como herramienta de apoyo en la enseñanza de las ciencias. Desde una perspectiva didáctica, esta combinación de actividades docentes potenciadas con IA favorece el desarrollo de competencias científicas, la reflexión crítica y la formación de valores, al situar a los estudiantes en escenarios de investigación auténticos donde deben analizar, modelar y tomar decisiones informadas.
En paralelo, la inteligencia artificial se ha introducido en la educación como una herramienta con potencial transformador para los procesos de enseñanza y aprendizaje. Por lo que es necesario formar a los estudiantes en nuevas habilidades que les permitan aprovechar la IA para potenciar sus cualidades investigativas y personalizar sus experiencias, optimizando además el seguimiento de su proceso. Por lo tanto, los profesores deben rediseñar su forma de enseñar la Química buscando involucrar al estudiante en actividades docentes novedosas y creativas donde se utilice la IA como recurso didáctico para facilitar la comprensión de los contenidos químicos.
No obstante, la literatura no presenta un consenso absoluto sobre los beneficios de esta incorporación. Sardiñas y Valdés (2025) reconocen el potencial motivador de la IA, pero enfatizan que su efectividad está condicionada por la formación docente y el acceso equitativo a recursos digitales, lo que representa un desafío mayor en contextos con brechas tecnológicas. Al cruzar ambos ámbitos, surge un consenso matizado. Si bien existe una tendencia clara hacia la integración de la IA como herramienta de apoyo en la enseñanza de las ciencias, esta incorporación no está exenta de tensiones teóricas ni desafíos prácticos, como lo evidencian los estudios revisados.
Autores como Cruz et al. (2025) subrayan que la IA tiene un gran potencial para favorecer el aprendizaje interdisciplinario, y se concluye que puede potenciar el aprendizaje autónomo y la creatividad científica si, y solo si, se articula con actividades significativas y bien diseñadas. No obstante, algunos autores adoptan una postura crítica y advierten que la excesiva dependencia tecnológica podría reducir la capacidad reflexiva de los estudiantes.
Así, el éxito de las actividades docentes apoyadas en IA depende de un diseño pedagógico triplemente fundamentado: contextualizado (vinculado a problemáticas reales), ético (que evite la dependencia y fomente el pensamiento crítico), y centrado en el desarrollo de un aprendizaje significativo. Esta triangulación entre didáctica, tecnología y aprendizaje significativo representa el principal desafío y, a su vez, la brecha que la presente investigación busca explorar.
En consonancia con esta visión crítica, Ubal et al. (2023) enfatizan que la implementación de la IA en la enseñanza enfrenta brechas de acceso y capacitación docente. Según su investigación, el potencial pedagógico de estas tecnologías solo se materializa plenamente si los educadores poseen competencias digitales y una comprensión clara de su propósito educativo. Además, plantean que la IA debe emplearse con sentido crítico y ético, de modo que promueva la equidad y no profundice las desigualdades tecnológicas preexistentes. Siguiendo esta línea de pensamiento, Kroff et al. (2024) alertan que para implementar la IA efectivamente en la educación, se necesita formación continua, políticas éticas claras y colaboración entre universidades, gobiernos y el sector privado.
En conjunto, las obras analizadas muestran una diversidad de enfoques hacia la adopción de la IA en el contexto de la educación. Mientras algunos autores resaltan sus aportes a la personalización y la interdisciplinariedad del aprendizaje, otros alertan sobre sus limitaciones y riesgos éticos. De esta revisión se desprende que la eficacia del uso de la inteligencia artificial depende de factores clave: una mediación pedagógica consciente, que oriente el uso de la tecnología hacia fines formativos y críticos; una capacitación docente sólida, que garantice la interpretación y aplicación adecuada de los recursos digitales; y una contextualización de las actividades docentes auténtica, que asegure que los contenidos y actividades respondan a problemas locales y globales con relevancia para el estudiante.
Efectividad de la implementación de la propuesta La presente propuesta pedagógica surge de la necesidad de crear puentes explícitos entre la Química, asignatura del primer año de la Licenciatura en Educación Química, y la vida. Su diseño se alinea con los objetivos generales de la disciplina buscando operacionalizarlos a través de una evaluación formativa y significativa. Por un lado, el programa de Química persigue integrar conocimientos sobre las propiedades y aplicaciones de sustancias inorgánicas mediante la aplicación de leyes y teorías fundamentales, revelando la relación causal entre estructura, propiedades y aplicaciones.
Simultáneamente, fomenta el desarrollo de habilidades para la construcción e interpretación de modelos gráficos y datos, así como cualidades profesionales como la sensibilidad, el amor por la naturaleza y la convicción de mejorar la práctica pedagógica y lograr un aprendizaje significativo. Según Olivera (2025), en contextos contemporáneos, el aprendizaje significativo también se potencia mediante el uso adecuado de tecnologías y la inclusión activa del estudiante en la transformación pedagógica.
En este marco, la innovación educativa se posiciona como un eje fundamental para el fortalecimiento de procesos de enseñanza-aprendizaje que promuevan la participación activa, la motivación y el compromiso del alumnado (Prendes et al., 2020). De este modo, el aprendizaje significativo no solo se consolida mediante el vínculo entre lo nuevo y lo conocido, sino también a través de prácticas pedagógicas centradas en el estudiante, que reconocen su papel como agente activo en la construcción del conocimiento.
La incorporación de las Tecnologías de la Información y la Comunicación en el diseño de estrategias educativas contribuye al logro de un aprendizaje significativo, promoviendo el desarrollo integral de habilidades cognitivas, sociales, operativas y valorativas (Puicaño, 2024). Por otra parte, Mena et al. (2025) plantean que la transformación educativa se ve cada vez más influenciada por las tecnologías emergentes, que ofrecen oportunidades únicas para redefinir el aprendizaje significativo.
Para maximizar el impacto positivo de estas tecnologías, es esencial un enfoque pedagógico fundamentado que considere las ventajas y los desafíos que conllevan. Según Mosquera (2023), el aprendizaje significativo se produce como resultado de la contextualización del contenido y la localización y personalización de las experiencias en las actividades de aprendizaje propuestas en el aula para involucrar a los estudiantes en su realización.
Esto implica diseñar actividades docentes que fomenten el pensamiento reflexivo, la participación creativa y la construcción de conocimiento a partir de las experiencias previas del estudiantado. Para materializar esta articulación, se diseñó e implementó una intervención basada en actividades docentes mediadas por la inteligencia artificial. Estas son actividades que sitúan al estudiante ante un contexto o problema específico, donde debe aplicar y sintetizar los conocimientos y habilidades de la asignatura para proponer soluciones o análisis fundamentados.
Cada actividad siguió una estructura estandarizada para garantizar claridad en los objetivos y el proceso de trabajo: Tema y Título (delimita el ámbito conceptual específico); Objetivo (define el propósito de aprendizaje y la competencia a demostrar); Contexto del Problema (presenta una situación realista o un escenario que sirve como punto de partida motivador); Actividades a Desarrollar (describe las acciones concretas que el estudiante debe realizar: investigar, analizar, crear, calcular, proponer); Bibliografía (lista fuentes recomendadas y obligatorias); Herramientas con Inteligencia Artificial a utilizar (indica, de manera guiada y crítica, recursos digitales que pueden emplearse como apoyo en la investigación o el desarrollo de la tarea).
Se implementaron actividades docentes bajo este modelo. A modo de ejemplo, una de ellas abordó los siguientes problemas socio-científicos: Tema: Disoluciones. Título: Acción de los fertilizantes químicos en los cuerpos de agua. Objetivo: Calcular la concentración másica y la concentración de la cantidad de sustancia de un lago a partir de datos reales para la contribución a la educación ambiental en los futuros profesores de Química. Problema: El lago Lake Erie se encuentra ubicado entre Canadá y Estados Unidos en la región de los grandes lagos y está ampliamente afectado por la acción de fertilizantes agrícolas utilizados en los cultivos de sus áreas aledañas.
Actividades a desarrollar: 1) Investiga los siguientes aspectos: volumen que ocupa el lago, masa promedio de fósforo anual depositada en el lago por las lluvias y escorrentías, afectaciones que produce para los seres vivos y vegetales. 2) Calcula la concentración másica del lago. 2.1 Calcula la concentración de la cantidad de sustancia anual. 2.2 Haz un gráfico de barras donde se refleje la concentración de fósforo en el lago en los últimos 4 años. 2.3 Determina cuál es el año de mayor concentración de fósforo en el lago. 2.4 Qué daños provocó este aumento de la concentración del fósforo. 2.5 Redacta un informe donde expongas qué medidas deben tomarse para evitar esta situación. Bibliografía: Libro de texto Química General segunda parte de la autora Lourdes del Pilar González.
Herramientas de inteligencia artificial a utilizar: Canva, GeoGebra, ChatGPT, Chat Perplexity. Análisis diferencial de la propuesta presentada El hallazgo más notable reside en la dimensión uso pedagógico de la IA, donde 4 estudiantes alcanzaron la categoría de alto para un 66.6% y 2 en la categoría de medio, demostrando el dominio operativo de las herramientas de IA para resolver problemas. En la categoría de alto se sitúan 4 estudiantes (66.6%) y 2 en la categoría medio. En la integración de la IA en la clase de Química General, 4 estudiantes en la categoría de alto y 2 en medio demostraron capacidad para procesar y comunicar información.
Esta mejora indica que, bajo una mediación pedagógica intencionada como la establecida, la inteligencia artificial no genera una dependencia pasiva, sino que actúa como un recurso didáctico que potencia la capacidad de resolución de problemas y ejercicios. Esto valida que los estudiantes se apropian de lo esencial y pueden evolucionar de usuarios acríticos a creadores de contenido informado, utilizando la IA para sustentar propuestas propias y complejas. Los avances en la dimensión cognitiva son igualmente sustanciales.
El incremento de puntos porcentuales tanto en la comprensión conceptual (4 en la categoría alto, 66.6%, y 1 en la media, 16.6%) sugiere que la IA facilitó más que la retención de información: propició la comprensión profunda. Según los datos, de los 6 estudiantes dominaron la comprensión conceptual. Las actividades docentes de modelado y análisis con IA permitieron visualizar y conectar fenómenos de la Química y su vinculación con otras ciencias. Los resultados de la dimensión motivación hacia el aprendizaje de la Química son altos: los 6 alumnos mostraron un interés marcado por el aprendizaje de la Química.
Conclusiones
Los resultados demuestran que, cuando la IA se orquesta pedagógicamente dentro de un diseño fundamentado, contextualizado y ético, logra trascender su función instrumental. Así, se responde a las posturas críticas: lejos de generar dependencia pasiva, la tecnología, bajo esta mediación, actúa como un catalizador que potencia y complementa la reflexión ética, el pensamiento sistémico y la capacidad de acción informada, validando la necesidad del equilibrio dialéctico entre tecnología, pedagogía y aprendizaje significativo. Transformaciones significativas evidenciadas tras la aplicación de la propuesta Las mejoras registradas en la variable de la investigación se evidenciaron en las tres dimensiones evaluadas.
En la dimensión cognitiva, se observó una transformación desde un aprendizaje memorístico hacia la comprensión relacional y la aplicación funcional de los contenidos de estequiometría, equilibrio químico, estructura del átomo y disoluciones. En la dimensión pedagógica, los estudiantes desarrollaron competencias para utilizar la IA como herramienta de simulación, modelado y generación de actividades didácticas, lo cual constituye una competencia profesional clave para su futuro desempeño docente. En la dimensión motivacional, se registró un cambio desde la pasividad hacia la participación activa, el estudio independiente y la disposición crítica ante nuevas tecnologías. Limitaciones y prospectiva de la investigación
La principal limitación del estudio radica en el tamaño reducido de la muestra (n=6), producto del muestreo intencional en un grupo único de la carrera, lo que impide la generalización estadística de los resultados a poblaciones más amplias. Asimismo, el diseño cuasi-experimental sin grupo control limita la atribución causal exclusiva a la intervención, aunque el control de variables externas mitigó este efecto.
Otra limitación identificada fue el acceso heterogéneo a dispositivos con conectividad estable, lo que generó brechas temporales en la participación de algunos estudiantes. Como prospectiva, se recomienda ampliar la muestra a múltiples grupos e instituciones, incorporar un grupo control en futuras replicas, y profundizar en el desarrollo de competencias de prompt engineering y alfabetización algorítmica en los futuros docentes de Química, siguiendo las líneas del modelo TPACK y las competencias DiKoLAN para la enseñanza de las ciencias con IA (Huwer et al., 2025).
Asimismo, se sugiere explorar el uso de laboratorios autónomos y sistemas de retroalimentación adaptativa basados en IA como próximas fronteras de la innovación pedagógica en Química General. Conclusiones La inteligencia artificial constituye un recurso didáctico efectivo en las clases de Química, permitiendo modelar fenómenos químicos, elaborar representaciones simbólicas, facilitar la resolución de problemas complejos y fomentando un aprendizaje significativo en los futuros profesores de Química. Desde una perspectiva teórica, los resultados permiten afirmar que la integración pedagógica de la IA en la formación inicial docente enriquece el aprendizaje significativo al vincular los contenidos químicos abstractos con contextos socio-científicos reales, promoviendo la comprensión profunda más allá de la memorización.
Esto contribuye al avance del conocimiento científico sobre la didáctica de la Química mediada por tecnologías emergentes. En el plano metodológico, el diseño cuasi-experimental pre-post con triangulación de datos cuantitativos y cualitativos demostró ser una estrategia apropiada para evaluar el impacto de la IA en el aprendizaje significativo. El sistema de evaluación por dimensiones competenciales (uso pedagógico, cognitiva y motivacional) con sus respectivos indicadores y niveles de logro, constituye una herramienta válida para obtener evidencia objetiva del desempeño estudiantil en entornos mediados por tecnología.
En términos prácticos, las actividades docentes mediadas por la IA constituyen una estrategia pedagógica efectiva para promover competencias, habilidades, valores y formación científica que hacen que el aprendizaje sea significativo. La intervención permitió que los estudiantes transformaran su rol de receptores pasivos a agentes activos del conocimiento, utilizando herramientas de IA para investigar, modelar, argumentar y proponer soluciones a problemas químicos contextualizados, lo cual fortalece su preparación profesional para la enseñanza de la Química en la educación secundaria.
Recomendaciones
Dado que la investigación no pudo resolver de manera definitiva la generalización de los resultados debido al tamaño reducido de la muestra, se recomienda replicar el estudio en otras facultades de ciencias y carreras de formación docente de Química a nivel nacional, ampliando la muestra y diversificando los contextos institucionales para validar la efectividad de la propuesta en escenarios socioculturales diferenciados.
Asimismo, no se logró desarrollar en profundidad un programa sistemático de alfabetización digital en IA para los docentes en formación inicial, por lo que se sugiere diseñar e implementar cursos específicos de prompt engineering, evaluación crítica de contenidos generados por IA y diseño de actividades didácticas mediadas por tecnología, fundamentados en el modelo TPACK y las competencias DiKoLAN para la enseñanza científica con IA.
Resulta necesario establecer políticas institucionales claras sobre el uso ético de la IA en la educación superior, que incluyan lineamientos sobre integridad académica, confiabilidad de fuentes generadas por IA y estrategias para evitar la dependencia tecnológica, garantizando que la inteligencia artificial se mantenga como un recurso complementario y no sustitutivo del pensamiento crítico del estudiante.
Referencias
Berber, S., Brückner, M., & Maurer, N. (2025). Artificial intelligence in science and chemistry education. SN Social Sciences, 5(6), 1-25. https://doi.org/10.1007/s44217-025-00622-3
Cruz Carballosa, Y., Neyra Mosqueda, R., Noa García, M., Cruz Suárez, B., & Gainza López, X. (2025). Inteligencia artificial: una herramienta clave en la enseñanza de la investigación científica en Mayarí. Revista Cubana de Informática Médica. https://revinformatica.sld.cu/index.php/rcim/article/view/838 Huwer, J.,
Kroff, F. J., Coria, D. F., & Ferrada, C. A. (2024). Inteligencia artificial en la educación universitaria: Innovaciones, desafíos y oportunidades. Revista Espacios, 45(5), 78-80. https://doi.org/10.48082/espacios-a24v45n05p09
Mena, A., Lopez, L., Bernal, C., & Ballesteros, C. (2025). Educational transformation through emerging technologies: Critical review of scientific impact on learning. Education Sciences, 15(3), 368. https://doi.org/10.3390/educsci15030368
Mosquera, D. (2023). Teacher-made materials based on meaningful learning to foster writing skills. https://doi.org/10.14483/issn.2248-7085
Olivera, C. Y. (2025). La capacidad investigativa como base del aprendizaje significativo y su aporte a una educación. Aula Virtual, 13(3), 610-629. https://doi.org/10.5281/zenodo.15976886
Prendes Espinosa, M. P. (2020). Tecnologías en enseñanza superior: profesores innovadores e instituciones innovadoras. Revista de Ciencias Sociales Ambos Mundos, 1, 23-39. https://doi.org/10.14198/ambos.2020.1.31
Puicaño Camavilca, A. L. (2024). Las TIC y su influencia en el aprendizaje significativo en una institución educativa peruana. Horizontes Revista de Investigación en Ciencias de la Educación, 8(32), 225-235. https://doi.org/10.33996/revistahorizontes.v8i32.718
Sardiñas Padilla, E., & Valdés García, K. (2025). Incorporación de la inteligencia artificial a la educación cubana: Ventajas y limitaciones. Región Científica, 4(1), 5. https://doi.org/10.58763/rc2025372
Ubal, M., Tambasco, P., Martínez, S., & García, M. (2023). El impacto de la inteligencia artificial en la educación: Riesgos y potencialidades de la IA en el aula. RiiTE Revista Interuniversitaria de Investigación en Tecnología Educativa, 15, 41-57. https://doi.org/10.6018/riite.584501