Revista de Ciencias Sociales (RCS)
Vol. XXXII, No. 3, Julio-Septiembre 2026. pp. 391-408
FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431
Como citar: Aspajo-Torres, N.,
Valdés-Cabodevilla, R. C., Hernández-Junco, V., y Ziadet-Bermúdez, E. I.
(2026). Inteligencia artificial generativa para medir el pensamiento crítico y
el rendimiento académico en universitarios. Revista De Ciencias Sociales,
XXXII(3), 391-408.
Inteligencia artificial generativa para medir el
pensamiento crítico y el rendimiento académico en universitarios
Aspajo-Torres, Neisser*
Valdés-Cabodevilla,
Regla Cristina**
Hernández-Junco,
Varna***
Ziadet-Bermúdez,
Elicza Isabel****
Resumen
La
inteligencia artificial generativa se ha incorporado a la educación superior
modificando prácticas de producción académica y demandando evidencias sobre su
relación con el pensamiento crítico y el rendimiento. Este trabajo analiza la
inteligencia artificial generativa como herramienta para la medición del
pensamiento crítico y rendimiento académico de estudiantes en la Universidad
Técnica de Ambato-Ecuador. Se empleó un enfoque cuantitativo, investigación
aplicada con nivel descriptivo-analítico y diseño no experimental-transversal.
La recolección de datos se realizó mediante un cuestionario escala Likert de
cinco puntos, integrada por 20 ítems distribuidos en cuatro dimensiones:
Reflexión y evaluación crítica; búsqueda activa de evidencia; conciencia
epistémica; y, disposición al pensamiento independiente. Los resultados
evidenciaron niveles altos de pensamiento crítico y asociaciones
significativas, aunque de magnitud limitada, con el rendimiento académico. No
se observaron diferencias sistemáticas del rendimiento según la herramienta
utilizada, salvo contraste entre ChatGPT y Gemini con efecto pequeño. En el
modelo, la reflexión y evaluación crítica, búsqueda activa de evidencia y
conciencia epistémica, predijeron positivamente el rendimiento; mientras que la
disposición al pensamiento independiente no resultó significativa. Se concluye
que el aporte de la inteligencia artificial generativa depende de un uso guiado
y de prácticas de verificación, recomendándose estudios longitudinales en la
región.
Palabras clave: Inteligencia artificial; educación superior;
pensamiento crítico; evaluación del aprendizaje; rendimiento escolar.
* Doctor en Ciencias Contables y Financieras. Magister en Auditoría y Control de Gestión Empresarial. Docente en la Universidad Nacional Agraria de la Selva (UNAS), Tingo María, Perú. E-mail: neisser.aspajo@unas.edu.pe ORCID: https://orcid.org/0000-0002-1442-6278
** Doctora en Medicina. Especialista de Primer Grado en Histología. Docente en la Universidad Técnica de Ambato, Tungurahua, Ambato, Ecuador. E-mail: rc.valdes@uta.edu.ec ORCID: https://orcid.org/0000-0002-2513-8861
*** Doctora en Ciencias Técnicas. Magister en Dirección. Licenciada en Psicología. Docente en la Universidad Técnica de Ambato, Tungurahua, Ambato, Ecuador. E-mail: v.hernandez@uta.edu.ec ORCID: https://orcid.org/0000-0001-7864-6723
**** Magister en Administración de Empresas con mención en Marketing. Abogada. Licenciada en Ciencias Sociales y Políticas. Docente en la Universidad Estatal de Milagro, Milagro, Guayas, Ecuador. E-mail: eziadetb@unemi.edu.ec ORCID: http://orcid.org/0000-0001-9755-3936
Recibido: 2026-02-20 • Aceptado: 2026-05-10
Generative artificial intelligence to measure critical thinking and academic performance in university students
Abstract
Generative artificial intelligence has been incorporated into higher education, modifying academic production practices and demanding evidence regarding its relationship with critical thinking and performance. This study analyzes generative artificial intelligence as a tool for measuring critical thinking and academic performance in students at the Technical University of Ambato, Ecuador. A quantitative approach was used, employing applied research with a descriptive-analytical level and a non-experimental, cross-sectional design. Data collection was carried out using a five-point Likert scale questionnaire, comprised of 20 items distributed across four dimensions: critical reflection and evaluation; active search for evidence; epistemic awareness; and disposition toward independent thinking. The results showed high levels of critical thinking and significant, though limited, associations with academic performance. No systematic differences in performance were observed according to the tool used, except for a small effect size in the contrast between ChatGPT and Gemini. In the model, critical reflection and evaluation, active search for evidence, and epistemic awareness positively predicted performance, while disposition toward independent thinking was not significant. It is concluded that the contribution of generative artificial intelligence depends on guided use and verification practices, and longitudinal studies in the region are recommended.
Keywords: Artificial intelligence; higher education; critical thinking; learning assessment; school achievement.
Introducción
La
Inteligencia Artificial Generativa (IAG) se ha consolidado como una tecnología
de alta incidencia en la transformación de la educación superior por su
capacidad para producir contenido, analizar información compleja y apoyar
procesos cognitivos avanzados (Bahroun et al., 2023; Nikolopoulou, 2024; Salgado
et al., 2024). En el ámbito universitario, su uso se ha extendido a la
escritura analítica, la resolución de problemas y la evaluación del
aprendizaje, lo que ha reconfigurado enfoques tradicionales de enseñanza y
evaluación (Maki, 2023; Peñalver-Higuera et al., 2024; Blanco et al., 2024;
Meylani, 2024). Al respecto, la literatura coincide en que su potencial para
fortalecer habilidades de orden superior, como el pensamiento crítico, depende
de una integración guiada por criterios pedagógicos claros y consideraciones
éticas (Ruiz-Rojas et al., 2024; Lin y Zhang, 2024; Zhao et al., 2025;
Erazo-Arteaga et al., 2026).
En
cuanto a la evidencia empírica, se ha observado que el uso guiado de la IAG
favorece procesos de análisis, argumentación y reflexión cuando la interacción
se orienta a la construcción activa del conocimiento (Wang, 2020; Liu et al.,
2023). En ese marco, se ha reportado que más del 60% del estudiantado percibe
mejoras en su razonamiento crítico tras un uso sistemático en contextos
académicos estructurados (Ruiz-Rojas et al., 2024).
De
forma complementaria, estudios recientes y un metaanálisis basado en diseños
experimentales y cuasi-experimentales, identifican un efecto positivo moderado
sobre pensamiento crítico y resolución de problemas, con efectos más robustos
en intervenciones de mediana duración y en estudiantes con mayor
autorregulación del aprendizaje (Sabando-García et al., 2025; Zhao et al.,
2025; Zhu et al., 2025). Estas tendencias refuerzan que la tecnología no
garantiza mejoras por sí sola, sino que su efectividad depende del diseño
instruccional que la acompaña.
Diversos
estudios han identificado problemáticas asociadas al uso de inteligencia
artificial generativa en el ámbito universitario, debido a que el incremento de
eficiencia en tareas académicas no se traduce de forma consistente en mejoras
del rendimiento medido con indicadores objetivos (Yu y Guo, 2023; Cordero et
al., 2024; Hmoud et al., 2024; McDonald et al., 2025).
En
esa línea, aunque se reportan ganancias en rapidez de estudio, una proporción
relevante del estudiantado no evidencia cambios sustanciales en el desempeño
global, lo que confirma efectos heterogéneos y dependientes del contexto (Fan
et al., 2025). Además, la evidencia basada en ecuaciones estructurales sugiere
que la relación entre IAG y rendimiento académico suele estar mediada por
variables situacionales y pedagógicas, de modo que los efectos tienden a
potenciarse con entornos de aprendizaje inteligentes y estrategias
metacognitivas; mientras que en su ausencia se debilitan (Liang et al., 2023;
Kamau, 2025; Shahzad et al., 2025).
A
pesar del aumento de investigaciones, persisten vacíos relevantes en la
literatura sobre la medición directa del pensamiento crítico mediante
inteligencia artificial generativa y su vinculación empírica con el rendimiento
académico, puesto que predominan estudios centrados en percepciones, revisiones
sistemáticas o ámbitos disciplinares acotados (Wang et al., 2025; Zhao et al.,
2025). Además, la evidencia disponible es limitada en universidades
latinoamericanas y son escasas las aproximaciones que integren, de forma
simultánea, medición cognitiva, desempeño académico y uso real de la tecnología
en contextos universitarios (Premkumar et al., 2024; Liu et al., 2025).
En
este escenario, resulta pertinente impulsar investigaciones situadas que
aporten evidencia empírica desde instituciones de la región. La Universidad
Técnica de Ambato en Ecuador, se configura como un contexto adecuado para
examinar estas relaciones debido a su orientación hacia la innovación educativa
y la formación basada en competencias. Analizar conjuntamente IAG, pensamiento
crítico y rendimiento, permitiría generar insumos aplicables al diseño de
estrategias pedagógicas y políticas institucionales orientadas al
fortalecimiento del aprendizaje universitario.
En
consecuencia, la investigación se orienta a responder la siguiente pregunta:
¿Cómo el uso de la inteligencia artificial generativa mide el pensamiento
crítico y el rendimiento académico de los estudiantes de la Universidad Técnica
de Ambato? A partir de este planteamiento, el objetivo del estudio consiste en
analizar el uso de la inteligencia artificial generativa como herramienta para
la medición del pensamiento crítico y el rendimiento académico de los
estudiantes de la Universidad Técnica de Ambato, para contribuir al debate científico
y a la toma de decisiones educativas basadas en evidencia.
1.
Metodología
El
estudio se desarrolló con un enfoque cuantitativo, orientado a la medición
objetiva de variables y al análisis estadístico de datos recolectados mediante
un instrumento estructurado. Este enfoque permitió examinar relaciones
empíricas entre el uso de inteligencia artificial generativa, el pensamiento
crítico y el rendimiento académico en el contexto universitario, a partir de
evidencia numérica verificable y comparable. Asimismo, facilitó la
identificación de patrones de comportamiento académico vinculados al empleo de
estas herramientas y posibilitó la aplicación de técnicas estadísticas para
sustentar el rigor analítico y la precisión interpretativa, incluyendo la
verificación de la consistencia del instrumento.
La
investigación fue de tipo aplicada, al generar evidencia con utilidad práctica
para mejorar procesos de evaluación y toma de decisiones en educación superior.
Se adoptó un diseño no experimental, debido a que no se manipuló
intencionalmente ninguna variable, y las observaciones se realizaron en el
entorno natural de los participantes. Además, presentó un corte transversal,
puesto que la recolección de datos ocurrió en un único momento. En cuanto al
nivel, se ubicó como descriptivo–analítico, puesto que combinó la
caracterización sociodemográfica y académica de la muestra con el análisis de
las variables centrales, permitiendo describir el fenómeno y profundizar en su
comportamiento estadístico para reconocer tendencias relevantes en el uso de
herramientas digitales.
La
Tabla 1, presenta la caracterización sociodemográfica, académica y tecnológica
de la muestra estudiada, con el propósito de contextualizar los análisis
posteriores sobre el uso de la inteligencia artificial generativa y el
pensamiento crítico en estudiantes universitarios.
Tabla 1
Características sociodemográficas, académicas y de uso de inteligencia
artificial
|
Variable |
Categoría |
Frecuencia |
Porcentaje (%) |
|
Sexo |
Femenino |
262 |
66,2 |
|
Masculino |
134 |
33,8 |
|
|
Edad (años) |
15–19 |
177 |
44,7 |
|
20–25 |
185 |
46,7 |
|
|
> 25 |
34 |
8,6 |
|
|
Carrera |
Administración de Empresas |
73 |
18,4 |
|
Enfermería |
101 |
25,5 |
|
|
Fisioterapia |
59 |
14,9 |
|
|
Educación Básica |
37 |
9,3 |
|
|
Arquitectura |
25 |
6,3 |
|
|
Nutrición y Dietética |
12 |
3,0 |
|
|
Sistemas de la Información |
15 |
3,8 |
|
|
Derecho |
25 |
6,3 |
|
|
Contabilidad y Auditoría |
42 |
10,6 |
|
|
Medicina |
3 |
0,8 |
|
|
Ingeniería Civil |
4 |
1,0 |
|
|
Semestre universitario |
Primero |
116 |
29,3 |
|
Segundo |
49 |
12,4 |
|
|
Tercero |
102 |
25,8 |
|
|
Cuarto |
39 |
9,8 |
|
|
Quinto |
43 |
10,9 |
|
|
Sexto |
21 |
5,3 |
|
|
Séptimo |
15 |
3,8 |
|
|
Octavo |
11 |
2,8 |
|
|
Herramienta de IA preferida |
ChatGPT |
268 |
67,7 |
|
Gemini |
69 |
17,4 |
|
|
Copilot |
22 |
5,6 |
|
|
Claude |
8 |
2,0 |
|
|
Siri |
9 |
2,3 |
|
|
DeepSheet |
10 |
2,5 |
|
|
Grok |
6 |
1,5 |
|
|
Fireflies |
3 |
0,8 |
|
|
Midjourney |
1 |
0,3 |
|
|
Total |
396 |
100,0 |
Nota: Los porcentajes fueron
calculados sobre el total de la muestra. La preferencia por herramientas de
inteligencia artificial corresponde a la utilizada con mayor frecuencia en
actividades académicas al momento de la recolección de datos.
Fuente:
Elaboración
propia, 2026.
La muestra de la Tabla 1, presentó mayor participación femenina y predominio de estudiantes de 15 a 25 años, ubicados en etapas iniciales y medias de la formación universitaria. La distribución por carreras fue heterogénea, con mayor representación en salud, administración y educación, lo que aportó un enfoque multidisciplinario. La información se recolectó mediante encuesta con un cuestionario Likert de cinco puntos, conformado por 20 ítems. El instrumento evaluó cuatro dimensiones del pensamiento crítico: Reflexión crítica, búsqueda activa de evidencia, conciencia epistémica, y disposición al pensamiento independiente.
La aplicación del instrumento se realizó de forma virtual mediante Google Forms, lo que permitió administrar el cuestionario y gestionar las respuestas con eficiencia; previamente, se incorporó un consentimiento informado que garantizó participación voluntaria y confidencialidad, habilitando el acceso únicamente a quienes lo aceptaron. La confiabilidad se evaluó mediante análisis factorial exploratorio con pruebas de adecuación muestral, obteniéndose un valor KMO de ٠,٩٦١ y una prueba de esfericidad de Bartlett estadísticamente significativa, lo que respaldó la idoneidad de la muestra, la consistencia interna y la estructura dimensional del instrumento.
Posteriormente, los datos se exportaron para depuración y codificación, y se analizaron con SPSS (estadística descriptiva) y Orange (análisis exploratorio avanzado), fortaleciendo la interpretación desde una perspectiva analítica y multidimensional.
2. Resultados y discusión
En esta sección se presentan y analizan los resultados obtenidos a partir del procesamiento estadístico de los datos, con el propósito de responder a la pregunta de investigación y contrastar empíricamente el objetivo planteado. Los hallazgos se exponen de manera sistemática, integrando análisis descriptivos y exploratorios que permiten identificar patrones relevantes en el uso de la inteligencia artificial generativa y sus disposiciones asociadas al pensamiento crítico.
A continuación, se presenta la Tabla 2, donde se muestra el análisis descriptivo y discriminante del pensamiento crítico en relación con el uso de herramientas de inteligencia artificial. Los valores de media, desviación típica y coeficientes psicométricos para cada uno de los ítems, organizados en cuatro dimensiones: Reflexión y evaluación crítica, búsqueda activa de evidencia, conciencia epistémica, y disposición al pensamiento independiente.
Tabla 2
Análisis descriptivo y discriminante del
pensamiento critico
|
Pensamiento crítico (0,964) |
Media |
DT |
R |
α ítems |
α constructo |
λ |
AVE |
|
Dimensión 1: Reflexión y evaluación crítica |
|||||||
|
Antes de aceptar como cierta una respuesta generada por IA, analizo si es coherente con lo que ya sé. |
3,99 |
0,95 |
0,741 |
0,962 |
0,901 |
0,835 |
0,695 |
|
Me esfuerzo por contrastar la información generada por IA con otras fuentes. |
3,90 |
0,93 |
0,733 |
0,962 |
0,803 |
||
|
Cuando una herramienta de IA me da una respuesta sorprendente, investigo más antes de utilizarla. |
3,92 |
0,94 |
0,748 |
0,962 |
0,821 |
||
|
Considero los posibles sesgos o limitaciones de la IA antes de tomar sus respuestas como válidas. |
3,91 |
0,94 |
0,801 |
0,961 |
0,874 |
||
|
Dimensión 2: Búsqueda activa de evidencia |
|||||||
|
Me interesa saber si lo que dice la IA está basado en hechos comprobables |
3,95 |
0,94 |
0,780 |
0,961 |
0,907 |
0,821 |
0,713 |
|
No me conformo con lo primero que dice la IA; intento buscar evidencia adicional. |
3,92 |
1,01 |
0,778 |
0,962 |
0,856 |
||
|
Prefiero consultar varias fuentes (además de la IA) antes de dar por válida una afirmación. |
3,91 |
0,96 |
0,793 |
0,961 |
0,876 |
||
|
Dudo de las respuestas que parecen demasiado “perfectas” o bien redactadas, si no tienen sustento. |
3,89 |
0,95 |
0,787 |
0,961 |
0,823 |
||
|
Dimensión 3: Conciencia epistémica (cómo se construye el conocimiento) |
|||||||
|
Reconozco que las herramientas de IA no siempre generan conocimiento verdadero, sino que simulan respuestas probables. |
3,78 |
0,95 |
0,778 |
0,962 |
0,916 |
0,850 |
0,735 |
|
Entiendo que la IA puede construir contenidos que parecen reales, aunque no lo sean. |
3,90 |
0,93 |
0,780 |
0,961 |
0,868 |
||
|
Reflexiono sobre cómo el conocimiento que uso es producido y quién lo valida. |
3,85 |
0,89 |
0,817 |
0,961 |
0,890 |
||
|
Me preocupo por desarrollar mi propio criterio, incluso cuando uso herramientas automáticas. |
3,99 |
0,90 |
0,772 |
0,962 |
0,820 |
||
|
Dimensión 4: Disposición al pensamiento independiente |
|||||||
|
Me siento capaz de cuestionar las respuestas de la IA, aunque parezcan correctas. |
3,68 |
0,96 |
0,740 |
0,962 |
0,922 |
0,821 |
0,755 |
|
Trato de pensar con mis propias ideas antes de usar IA como apoyo. |
3,81 |
0,90 |
0,798 |
0,961 |
0,895 |
||
|
Evito depender exclusivamente de la IA para resolver tareas complejas. |
3,76 |
0,93 |
0,796 |
0,961 |
0,911 |
||
|
Uso la IA como una herramienta, pero mantengo el control sobre mis decisiones académicas. |
3,88 |
0,97 |
0,773 |
0,962 |
0,845 |
||
Nota: Media = promedio; DT =
desviación típica; R = correlación ítem-total corregida; α ítems = alfa de Cronbach si se elimina
el ítem; α constructo = alfa de
Cronbach del constructo; λ = carga factorial estandarizada; AVE = varianza
media extraída. Valores correspondientes al análisis del pensamiento crítico en
el uso de herramientas de inteligencia artificial.
Fuente: Elaboración propia, ٢٠٢٦.
La Tabla 2, sintetiza un análisis descriptivo y discriminante del pensamiento crítico en estudiantes que usan herramientas de inteligencia artificial, integrando tendencia central y consistencia psicométrica para valorar desempeño e instrumento. Las medias evidencian una orientación moderadamente alta hacia prácticas reflexivas, evaluativas y autónomas, coherente con estudios que indican que el pensamiento crítico no se debilita necesariamente si la IA se incorpora con estrategias pedagógicas activas (Chaparro-Banegas et al., 2024). Además, las dimensiones de reflexión y evaluación crítica y de búsqueda activa de evidencia, se alinean con la necesidad de filtros cognitivos ante la sobreabundancia informativa. Este enfoque favorece la contrastación de fuentes y la validación del conocimiento como componentes centrales del pensamiento crítico contemporáneo (Kouzov, 2019).
Por su parte, la conciencia epistémica y la disposición al pensamiento independiente, resultan relevantes ante el riesgo de delegación cognitiva asociado al uso irreflexivo de la IA. La evidencia empírica advierte que una alta dependencia puede promover descarga cognitiva y reducir la implicación reflexiva profunda, con posible debilitamiento de habilidades críticas (Gerlich, 2025). Sin embargo, cuando el estudiantado reconoce límites epistemológicos de la IA y mantiene control sobre sus decisiones académicas, la tecnología puede apoyar el desarrollo del pensamiento crítico. Esta interpretación coincide con revisiones que describen una relación bidireccional y contextual entre IA y pensamiento crítico, mediada por diseño pedagógico y autorregulación del aprendiz (Lin et al., 2025).
La Figura I, describe la distribución del pensamiento crítico y sus dimensiones según la herramienta de IA generativa utilizada por estudiantes universitarios. Esto permite comparar niveles de desempeño cognitivo entre plataformas e identificar patrones diferenciales por dimensión, aportando una lectura integral del vínculo entre uso de IA y disposiciones cognitivas en el contexto académico.
Fuente: Elaboración propia, 2026.
Figura I: Pensamiento crítico y dimensiones según herramienta de inteligencia artificial generativa utilizada por estudiantes universitarios
La Figura I, compara la distribución del pensamiento crítico y sus dimensiones según la herramienta de IA generativa utilizada por estudiantes universitarios, evidenciando patrones diferenciados por mediación tecnológica. Los resultados muestran que el pensamiento crítico varía según cómo la IA interviene en los procesos cognitivos, y puede potenciar habilidades de orden superior cuando su uso se orienta a reflexión, autonomía y análisis. En cambio, su aporte se debilita cuando predomina la automatización de respuestas en lugar de la elaboración cognitiva (Tuquinga-Cercado et al., 2025).
Las variaciones en reflexión y evaluación crítica, búsqueda activa de evidencia, conciencia epistémica y disposición al pensamiento independiente, se alinean con la necesidad de fortalecer filtros cognitivos ante la sobreabundancia informativa en entornos digitales. La contrastación de fuentes, el cuestionamiento de respuestas aparentemente concluyentes y la verificación del sustento informativo, constituyen núcleos del pensamiento crítico contemporáneo (Kouzov, 2019). No obstante, un uso intensivo y acrítico de ciertas herramientas puede favorecer delegación cognitiva y reducir la implicación reflexiva profunda. En cambio, reconocer límites epistemológicos y mantener control sobre decisiones académicas permite que la tecnología apoye el pensamiento independiente (Gerlich, 2025; Torres et al., 2025).
La Figura II, sintetiza un análisis multivariado del pensamiento crítico y sus dimensiones en relación con el uso de IA generativa, incorporando variables sociodemográficas y académicas, lo que revela una asociación heterogénea entre perfiles estudiantiles e indicadores cognitivos. La visualización permite identificar patrones de agrupamiento y dispersión entre ítems y perfiles estudiantiles, facilitando una comprensión integrada del vínculo entre uso de IA y disposiciones cognitivas en el aprendizaje universitario.
Fuente: Elaboración propia, 2026.
Figura II: Análisis multivariado del pensamiento crítico según uso de inteligencia artificial generativa
La coexistencia de zonas de alta concentración y áreas de mayor dispersión sugiere subgrupos de desempeño, coherente con la idea de que los resultados dependen del modo de uso y de la integración pedagógica de estas herramientas (Tuquinga-Cercado et al., 2025). Esta variabilidad también se interpreta como efecto de exposición y formación tecnológica diferenciada, con discrepancias asociadas al nivel académico y variables demográficas en competencias digitales (Moreira-Choez et al., 2024).
En términos aplicados, el patrón respalda intervenir sobre barreras estructurales y didácticas, como conectividad, recursos y brechas competenciales, que condicionan la adopción de innovaciones y exigen fortalecimiento docente (Illescas et al., 2025). A la vez, se alinea con enfoques que sitúan la IA como recurso estratégico para optimizar procesos universitarios, bajo análisis crítico de riesgos ligados a transparencia algorítmica, propiedad intelectual y equilibrio entre lo tecnológico y lo humano (González et al., 2025).
La Figura III, presenta la distribución de los puntajes de pensamiento crítico según la herramienta de IA generativa utilizada por estudiantes universitarios. Se muestran densidad, dispersión y medidas centrales, permitiendo comparar patrones de desempeño e identificar similitudes y diferencias entre plataformas. En ella se observan distribuciones del pensamiento crítico muy próximas entre Gemini, Otras y ChatGPT, con medianas similares y mayor concentración en rangos medios y medio altos, lo que sugiere que la herramienta no explica por sí sola, diferencias sustantivas en la tendencia central.
Fuente: Elaboración propia, ٢٠٢٦.
Figura III: Distribución del puntaje de pensamiento crítico según herramienta de inteligencia artificial generativa
Además, las diferencias en la forma de las distribuciones apuntan a que la calidad del uso pesa más que la plataforma, en especial cuando se integran criterios explícitos, justificación y contraste, lo que conecta con la exigencia de validez en evaluaciones mediadas por IA (Kaldaras et al., 2024). A la vez, la automatización puede aportar consistencia, pero mantiene limitaciones para captar matices en producciones reflexivas, lo que requiere rúbricas robustas y supervisión docente (Awidi, 2024). En paralelo, la evidencia sobre descarga cognitiva advierte que una dependencia mayor puede reducir implicación crítica si desplaza el esfuerzo intelectual hacia la herramienta, por lo que se requiere equilibrio pedagógico entre apoyo tecnológico y actividad cognitiva profunda (Gerlich, 2025).
La Tabla 3, presenta los resultados del análisis de comparaciones múltiples mediante la prueba HSD de Tukey, aplicado para identificar diferencias significativas en el rendimiento académico de los estudiantes según la herramienta de inteligencia artificial generativa utilizada con mayor frecuencia.
Tabla 3
Comparaciones múltiples del rendimiento
académico según la herramienta de inteligencia artificial generativa utilizada
(HSD de Tukey)
|
IACODE (I) |
IACODE (J) |
Diferencia de medias (I–J) |
Error estándar |
Sig. |
IC 95 % Límite inferior |
IC 95 % Límite superior |
|
ChatGPT |
Gemini |
1,84869* |
0,75040 |
0,038 |
0,0833 |
3,6141 |
|
ChatGPT |
Otras |
1,17392 |
0,79938 |
0,307 |
−0,7067 |
3,0546 |
|
Gemini |
ChatGPT |
−1,84869* |
0,75040 |
0,038 |
−3,6141 |
−0,0833 |
|
Gemini |
Otras |
−0,67477 |
0,98566 |
0,773 |
−2,9937 |
1,6441 |
|
Otras |
ChatGPT |
−1,17392 |
0,79938 |
0,307 |
−3,0546 |
0,7067 |
|
Otras |
Gemini |
0,67477 |
0,98566 |
0,773 |
−1,6441 |
2,9937 |
Nota: HSD = Honest Significant Difference; IC = Intervalo de
confianza. La diferencia de medias es significativa al nivel ٠,٠٥.
Fuente: Elaboración propia, ٢٠٢٦.
La Tabla 3, reporta comparaciones múltiples (HSD de Tukey) del rendimiento académico según la herramienta de IA generativa, e indica ausencia de diferencias sistemáticas entre la mayoría de pares, por lo que la herramienta, de forma aislada, no explica variaciones amplias del desempeño. Se identifica, no obstante, una diferencia significativa entre ChatGPT y Gemini, con efecto pequeño y específico, consistente con evidencia que describe asociaciones heterogéneas entre uso de IA y rendimiento según propósito de uso y perfil académico (Aktaş, 2025).
Este contraste puede reflejar estilos de interacción y estrategias de consulta más que superioridad intrínseca, dado que un uso sustitutivo puede aumentar variabilidad y perjudicar a subgrupos por dependencia que debilita habilidades como escritura y pensamiento crítico (Revesai, 2025). Además, la lectura requiere cautela porque el rendimiento depende del modo de evaluación y de la validez de la medición en contextos mediadas por IA, donde se exige equivalencia con criterios humanos entrenados (Kaldaras et al., 2024). De forma complementaria, la evaluación automatizada puede mejorar consistencia y eficiencia, aunque mantiene limitaciones para captar matices y criterios complejos, lo que exige rúbricas robustas y supervisión docente (Awidi, 2024).
Por su parte, la Tabla 4 sintetiza el análisis estadístico de asociación entre las dimensiones del pensamiento crítico y el rendimiento académico en estudiantes universitarios. A partir de los coeficientes de determinación (R²) y los valores de significancia (p), se estima la magnitud explicativa y la fuerza del vínculo entre cada dimensión y el desempeño.
Tabla 4
Impacto del pensamiento sobre el rendimiento académico
Fuente: Elaboración propia, ٢٠٢٦.
La Tabla 4, evidencia una asociación entre pensamiento crítico y rendimiento académico estadísticamente significativos en varios ítems, aunque con magnitudes acotadas, reflejadas en valores p < 0,05 y coeficientes de determinación modestos. La presencia de ítems no significativos indica variación en la fuerza del vínculo según el componente evaluado y las condiciones de medición, coherente con la naturaleza multicausal del rendimiento y su sensibilidad a factores personales y contextuales (Orhan, 2022). Además, se ha reportado que la relación se intensifica cuando el pensamiento crítico se orienta a resolución de problemas y toma de decisiones (Guamanga et al., 2024).
Los tamaños de efecto moderados sugieren un aporte parcial del pensamiento crítico, cuyo fortalecimiento requiere intervenciones explícitas y medición válida, mediante instrumentos sólidos y experiencias formativas centradas en explicación y decisión (Rivas et al., 2023). Este patrón coincide con evidencia en formación profesional y preuniversitaria que asocia mayores niveles de pensamiento crítico con mejor desempeño, con variaciones por características del estudiantado y condiciones institucionales (AkbariLakeh et al., 2018; Shahzadi et al., 2020).
Finalmente, la Tabla 5 presenta los resultados de la validación del modelo hipotético, mediante el análisis de los efectos de las dimensiones del pensamiento crítico sobre el rendimiento académico de los estudiantes universitarios. Los coeficientes estimados permiten evaluar la magnitud, dirección y significancia estadística de cada dimensión, proporcionando evidencia empírica sobre su contribución diferencial al desempeño académico.
Tabla 5
Validación del modelo hipotético: efectos de
las dimensiones del pensamiento crítico sobre el rendimiento académico
|
Hipótesis |
B |
D.E |
Beta |
T |
p-valor |
Umbral |
|
Dimensión 1: Reflexión y evaluación crítica |
0,241 |
0,084 |
0,142 |
2,854 |
0,005 |
Aceptada |
|
Dimensión 2: Búsqueda activa de evidencia |
0,193 |
0,082 |
0,119 |
2,372 |
0,018 |
Aceptada |
|
Dimensión 3: Conciencia epistémica (cómo se construye el conocimiento) |
0,204 |
0,086 |
0,119 |
2,388 |
0,017 |
Aceptada |
|
Dimensión 4: Disposición al pensamiento independiente |
0,146 |
0,083 |
0,088 |
1,756 |
0,080 |
No Aceptada |
|
Pensamiento crítico |
0,059 |
0,023 |
0,129 |
2,576 |
0,010 |
Aceptada |
Nota: B = coeficiente no
estandarizado; D.E. = desviación estándar; β = coeficiente estandarizado. Nivel
de significancia: p < ٠,٠٥.
Fuente: Elaboración propia, ٢٠٢٦.
La Tabla 5, respalda el modelo hipotético al evidenciar que reflexión y evaluación crítica, búsqueda activa de evidencia, y conciencia epistémica, predicen positivamente el rendimiento académico, lo que vincula el desempeño con prácticas observables de análisis, contraste y evaluación más que con un tratamiento superficial del contenido (Gonsalves, 2024; Anwar, 2025). En contraste, la disposición al pensamiento independiente no resultó significativa, lo que sugiere que la autonomía declarada no siempre se traduce en mejoras directas bajo esquemas evaluativos específicos y puede operar de forma indirecta mediante autoeficacia y motivación (Jia y Tu, 2024). Además, la dependencia de herramientas generativas, cuando sustituye la elaboración propia, puede debilitar escritura y pensamiento crítico, afectando el rendimiento y aumentando la variabilidad entre estudiantes (Revesai, 2025).
Conclusiones
El estudio aportó evidencia empírica sobre la relación entre inteligencia artificial generativa (IAG), pensamiento crítico y rendimiento académico en educación superior, a partir del caso de la Universidad Técnica de Ambato en Ecuador, cumpliendo el objetivo de analizar la IAG como herramienta para la medición del pensamiento crítico y del rendimiento. Asimismo, respondió la pregunta de investigación al constatar que el rendimiento no difiere de manera sistemática según la herramienta utilizada en la mayoría de las comparaciones.
No obstante, al identificar una diferencia significativa y de efecto pequeño entre ChatGPT y Gemini (ΔM = 1,84869; p = 0,038) se sugiere un impacto específico dependiente del contraste, sin sustentar superioridad generalizable de una plataforma. Además, el modelo hipotético mostró que reflexión y evaluación crítica, búsqueda activa de evidencia, y conciencia epistémica, predicen positivamente el rendimiento (p < 0,05); mientras que la disposición al pensamiento independiente no alcanzó significancia (p = 0,080), lo que enfatiza el peso de prácticas cognitivas observables por encima de percepciones generales de autonomía.
Entre las limitaciones se puede mencionar que el diseño no experimental y transversal restringe la inferencia causal y la direccionalidad entre variables, y la focalización en una sola institución limita la generalización a otros contextos universitarios. Asimismo, la magnitud y estabilidad de las asociaciones pueden variar según criterios de evaluación, exigencias curriculares y condiciones de integridad académica, por lo que los resultados requieren interpretación contextualizada.
Como líneas futuras, se recomienda desarrollar estudios longitudinales y cuasi-experimentales que comparen intervenciones pedagógicas específicas, incorporen métricas de uso real de IAG y evalúen mediadores como autorregulación, motivación y autoeficacia; también resulta pertinente ampliar el análisis a muestras multiinstitucionales en Latinoamérica. De forma complementaria, conviene profundizar en marcos de uso responsable y en criterios éticos e institucionales que aseguren transparencia, equidad y preservación del trabajo intelectual humano, con el fin de maximizar beneficios y mitigar riesgos asociados a la adopción de IAG en educación superior.
Referencias bibliográficas
AkbariLakeh, M., Naderi, A., y
Arbabisarjou, A. (2018). Critical Thinking
and Emotional Intelligence Skills and Relationship with Students’ Academic
Achievement. La Prensa Medica, 104(2). https://www.scholarsliterature.com/article_pdf/4/scientific_4_183_07022019063229.pdf
Aktaş, T. (2025). The relationship
between students’
use of generative artificial intelligence tools and their academic
success. Kosova Eğitim Araştırmaları Dergisi, 6(1), 108-118. https://doi.org/10.29228/kerjournal.81898
Anwar, N. (2025). The use of generative artificial intelligence to
develop student research, critical thinking, and problem-solving skills. Trends
in Higher Education, 4(3), 34. https://doi.org/10.3390/higheredu4030034
Awidi, I. T. (2024). Comparing expert tutor evaluation of reflective
essays with marking by generative artificial intelligence (AI) tool. Computers
and Education: Artificial Intelligence, 6, 100226. https://doi.org/10.1016/j.caeai.2024.100226
Bahroun, Z., Anane, C., Ahmed, V., y Zacca, A. (2023). Transforming
Education: A Comprehensive Review of Generative Artificial Intelligence in
Educational Settings through Bibliometric and Content Analysis. Sustainability,
15(17), 12983. https://doi.org/10.3390/su151712983
Blanco, Y., Fragozo, L. D. J.,
y Gómez, M. E. (2024). Inteligencia Artificial: Posibilidades, límites y
desafíos en la educación superior. Revista de
Ciencias Sociales (Ve), XXX(4), 178-187. https://doi.org/10.31876/rcs.v30i4.42985
Chaparro-Banegas, N., Mas-Tur,
A., y Roig-Tierno, N. (2024). Challenging
critical thinking in education: new paradigms of artificial intelligence. Cogent Education,
11(1), 2437899. https://doi.org/10.1080/2331186X.2024.2437899
Cordero, J., Torres-Zambrano,
J., y Cordero-Castillo, A. (2024). Integration
of Generative Artificial Intelligence in Higher Education: Best practices. Education Sciences,
15(1), 32. https://doi.org/10.3390/educsci15010032
Erazo-Arteaga, V. A., Vacas, S.
M., y Cisneros, M. B. (2026). Inteligencia artificial generativa para la
enseñanza de matemáticas y programación en educación
superior:
Revisión sistemática. Revista de Ciencias Sociales (Ve),
XXXII(2), 320-340. https://doi.org/10.31876/rcs.v32i2.45578
Fan, L., Deng, K., y Liu, F.
(2025). Educational impacts of generative
artificial intelligence on learning and performance of engineering students in
China. Scientific Reports, 15(1), 26521. https://doi.org/10.1038/s41598-025-06930-w
Gerlich, M. (2025). AI Tools in Society: Impacts on cognitive offloading
and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Gonsalves, C. (2024). Generative AI’s Impact on Critical Thinking:
Revisiting Bloom’s
Taxonomy. Journal of Marketing Education, 48(1), 4-19. https://doi.org/10.1177/02734753241305980
González, G. A., Martínez, L. E., Muegues, W. S., y Verdecía, L. J.
(2025). Inteligencia
Artificial y su impacto sobre la gerencia estratégica y la cultura
investigativa. Revista de Ciencias Sociales (Ve), XXXI(E-11), 312-322. https://doi.org/10.31876/rcs.v31i.44003
Guamanga, M. H., Saiz, C.,
Rivas, S. F., y Almeida, L. S. (2024). Analysis
of the contribution of critical thinking and psychological well-being to
academic performance. Frontiers in Education, 9, 1423441. https://doi.org/10.3389/feduc.2024.1423441
Hmoud, M., Swaity, H., Hamad, N., Karram, O., y Daher, W. (2024). Higher
Education Students’
Task Motivation in the Generative Artificial Intelligence Context: The
Case of ChatGPT. Information, 15(1), 33. https://doi.org/10.3390/info15010033
Illescas, W. H., Nugra, M. A.,
Santana, R. E., y Sancho, C. S. (2025). Transformación digital aplicada a
la educación: Un mapeo sistémico. Revista
de Ciencias Sociales (Ve), XXXI(E-12), 301-318. https://doi.org/10.31876/rcs.v31i.44566
Jia, X.-H., y Tu, J.-C. (2024).
Towards a new conceptual Model of
AI-Enhanced Learning for College Students: The roles of artificial intelligence
capabilities, general self-efficacy, learning motivation, and critical thinking
awareness. Systems, 12(3), 74. https://doi.org/10.3390/systems12030074
Kaldaras, L., Akaeze, H. O., y Reckase, M. D. (2024). Developing valid
assessments in the era of generative artificial intelligence. Frontiers in
Education,
9, 1399377. https://doi.org/10.3389/feduc.2024.1399377
Kamau, J. N. (2025). Generative Artificial Intelligence and Academic
Performance. African Journal of Business and Development Studies, 1(2),
199-213. https://doi.org/10.70641/ajbds.v1i2.98
Kouzov, O. (2019). The New Paradigms In Education and Support of
Critical Thinking with Artificial Intelligence (AI) Tools. Serdica Journal of Computing, 13(1–2),
27-40. https://doi.org/10.55630/sjc.2019.13.27-40
Liang, J., Wang, L., Luo, J., Yan, Y., y Fan, C. (2023). The relationship
between student interaction with generative artificial intelligence and
learning achievement: serial mediating roles of self-efficacy and cognitive
engagement. Frontiers in Psychology, 14, 1285392. https://doi.org/10.3389/fpsyg.2023.1285392
Lin, H., Wei, W., y Lu, H. (2025). Facilitator or barrier? A systematic
review on the relationship between Artificial Intelligence technologies and the
development of critical thinking skills. Journal of Educational Technology
and Innovation,
7(2). https://doi.org/10.61414/f2ah8r08
Lin, Y., y Zhang, L. (2024). Applications and Challenges of Generative
Artificial Intelligence Enabling Critical Thinking Development in International
Undergraduate Education. Proceedings of the 2024 3rd International
Conference on Artificial Intelligence and Education, 944-949. https://doi.org/10.1145/3722237.3722399
Liu, C.-C., Liu, S.-J., Hwang, G.-J., Tu, Y.-F., Wang, Y., y Wang, N.
(2023). Engaging EFL students’ critical thinking tendency and in-depth reflection in technology-based
writing contexts: A peer assessment-incorporated automatic evaluation approach.
Education and Information Technologies, 28(10), 13027-13052. https://doi.org/10.1007/s10639-023-11697-6
Liu, J., Sihes, A. J. B., y Lu, Y. (2025). How do generative artificial
intelligence (AI) tools and large language models (LLMs) influence language
learners’ critical
thinking in EFL education? A systematic review. Smart Learning Environments, 12(1),
48. https://doi.org/10.1186/s40561-025-00406-0
Maki, P. L. (2023). Assessing for Learning: Building a Sustainable
Commitment Across the Institution. Routledge. https://doi.org/10.4324/9781003443056
McDonald, N., Johri, A., Ali, A., y Collier, A. H. (2025). Generative
artificial intelligence in higher education: Evidence from an analysis of
institutional policies and guidelines. Computers in Human Behavior:
Artificial Humans, 3, 100121. https://doi.org/10.1016/j.chbah.2025.100121
Meylani, R. (2024). A Comparative Analysis of Traditional and Modern
Approaches to Assessment and Evaluation in Education. Batı Anadolu Eğitim Bilimleri Dergisi,
15(1), 520-555. https://doi.org/10.51460/baebd.1386737
Moreira-Choez, J. S., Lamus, T.
M., Arias-Iturralde, M. C., Vega-Intriago, J. O., Mendoza-Fernández, V. M.,
Zambrano-Acosta, J. M., y Cardenas-Hinojosa, R. D. (2024). Influence of gender and academic level on the
development of digital competencies in university teachers: a multidisciplinary
comparative analysis. Frontiers in Education, 9, 1436368. https://doi.org/10.3389/feduc.2024.1436368
Nikolopoulou, K. (2024). Generative Artificial Intelligence in Higher
Education: Exploring Ways of Harnessing Pedagogical Practices with the
Assistance of ChatGPT. International Journal of Changes in Education, 1(2),
103-111. https://doi.org/10.47852/bonviewIJCE42022489
Orhan, A. (2022). The Relationship between Critical Thinking and
Academic Achievement: A Meta-Analysis Study. Psycho-Educational Research
Reviews,
11(1), 283-299. https://doi.org/10.52963/PERR_Biruni_V11.N1.18
Peñalver-Higuera, M. J., Guerra-Castellanos,
Y. B., Rodríguez, L. R., y López, R. D. P. (2024). Transformando la
educación
con
Inteligencia Artificial: Hacia un aprendizaje personalizado en la Era 4.0. Revista
de Ciencias Sociales (Ve), XXX(4)., 416-430. https://doi.org/10.31876/rcs.v30i4.43040
Premkumar, P. P., Yatigammana,
M. R. K. N., y Kannangara, S. (2024). Impact
of Generative AI on Critical Thinking Skills in Undergraduates: A Systematic
Review. Journal of Desk Research Review and Analysis, 2(1), 199-215. https://doi.org/10.4038/jdrra.v2i1.55
Revesai, Z. (2025). Generative AI dependency: the emerging academic
crisis and its impact on student performance—a case study of a university in
Zimbabwe. Cogent Education, 12(1), 2549787. https://doi.org/10.1080/2331186X.2025.2549787
Rivas, S. F., Saiz, C., y
Almeida, L. S. (2023). The Role of
Critical Thinking in Predicting and Improving Academic Performance. Sustainability,
15(2), 1527. https://doi.org/10.3390/su15021527
Ruiz-Rojas, L. I.,
Salvador-Ullauri, L., y Acosta-Vargas, P. (2024). Collaborative Working and Critical Thinking: Adoption
of Generative Artificial Intelligence Tools in Higher Education. Sustainability,
16(13), 5367. https://doi.org/10.3390/su16135367
Sabando-García,
Á.
R.,
Olguín-Martínez, C. M., Benavides-Lara, R. M.,
Salazar-Echeagaray, T. I., Huerta-Mora, E. A., Bumbila-García,
B. B.,
Cedeño-Barcia, L. A., y Moreira-Choez, J. S. (2025). Artificial intelligence for determining learning
strategies in university students. Frontiers in Education, 10, 1611189. https://doi.org/10.3389/feduc.2025.1611189
Salgado, B., Inzhivotkina, Y.,
Ibáñez, M. F., y Ugarte, J. G. (2024). Educational
innovation: Exploring the Potential of Generative Artificial Intelligence in
cognitive schema building. Edutec, Revista Electrónica de Tecnología Educativa, 89,
44-63. https://doi.org/10.21556/edutec.2024.89.3251
Shahzad, M. F., Xu, S., An, X., Zahid, H., y Asif, M. (2025). Learning
and Teaching in the Era of Generative Artificial Intelligence Technologies: An
In-Depth Exploration Using Multi-Analytical SEM-ANN Approach. European
Journal of Education, 60(1), e70050. https://doi.org/10.1111/ejed.70050
Shahzadi, U., Nimmi, y Khan, I. (2020). Exploring the Relationship
between Critical Thinking Skills and Academic Achievement. Sjesr,
3(1), 236-242. https://doi.org/10.36902/sjesr-vol3-iss1-2020(236-242)
Torres, G. A., Torres, J. M., y
Pacheco, M. C. (2025). Inteligencia artificial generativa: Impactos y dilemas
éticos en el ámbito educativo. Revista de Ciencias Sociales (Ve), XXXI(2),
535-543. https://doi.org/10.31876/rcs.v31i2.43784
Tuquinga-Cercado, M. A.,
López-Ramírez, M. L., Gutiérrez-Aguayo, J. A., y Delgado-Fajardo, S. J. (2025).
Análisis crítico del uso de inteligencia artificial en la formación
de
estudiantes universitarios. Revista de Ciencias Sociales (Ve), XXXI(E-12),
319-334. https://doi.org/10.31876/rcs.v31i.44567
Wang, Y., Zhang, T., Yao, L., y Seedhouse, P. (2025). A scoping review
of empirical studies on generative artificial intelligence in language education.
Innovation in Language Learning and Teaching, 1-28. https://doi.org/10.1080/17501229.2025.2509759
Wang, Y.-H. (2020). Design-based research on integrating learning
technology tools into higher education classes to achieve active learning. Computers
& Education,
156, 103935. https://doi.org/10.1016/j.compedu.2020.103935
Yu, H., y Guo, Y. (2023). Generative artificial intelligence empowers
educational reform: current status, issues, and prospects. Frontiers in
Education,
8, 1183162. https://doi.org/10.3389/feduc.2023.1183162
Zhao, G., Sheng, H., Wang, Y., Cai, X., y Long, T. (2025). Generative
Artificial Intelligence amplifies the role of critical thinking skills and
reduces reliance on prior knowledge while promoting in-depth learning. Education
Sciences,
15(5), 554. https://doi.org/10.3390/educsci15050554
Zhao, Y., Yue, Y., Sun, Z., Jiang, Q., y Li, G. (2025). Does Generative
Artificial Intelligence Improve Students’ Higher-Order Thinking? A Meta-Analysis
Based on 29 Experiments and Quasi-Experiments. Journal of Intelligence, 13(12),
160. https://doi.org/10.3390/jintelligence13120160
Zhu,
Y., Liu, Q., y Zhao, L. (2025). Exploring the impact of generative
artificial intelligence on students’ learning outcomes: a meta-analysis. Education
and Information Technologies, 30(11), 16211-16239. https://doi.org/10.1007/s10639-025-13420-z