Artículo de Investigación DOI: https://doi.org/10.61154/holopraxis.v9i2.4176
Impacto de la Inteligencia Artificial Generativa en el aprendizaje de estudiantes de Desarrollo de Software
Impact of Generative Artificial Intelligence on the Learning of Software Development Students
Paulina Johanna Jácome-Ayala a, Marco Antonio Checa-Cabrera b
a Universidad Politécnica Estatal del Carchi, Carchi, Ecuador, Email: paulina.jacome@upec.edu.ec, ORCID: https://orcid.org/0009-0001-7046-7226
b Instituto Superior Tecnológico 17 de Julio, Urcuquí, Imbabura, Ecuador, Email: mcheca@ist17dejulio.edu.ec, ORCID: https://orcid.org/0000-0002-4169-581X
Recibido: 5 de mayo de 2025
Aprobado: 11 de julio de 2025
RESUMEN
La Inteligencia Artificial enfocada en la creación de contenido ha impulsado una nueva era de personalización en el aprendizaje de los estudiantes de la educación superior, generando debates sobre la autenticidad de los trabajos académicos y la calidad educativa. Además, plantea preocupaciones sobre el riesgo de fomentar un aprendizaje superficial y su dependencia. El presente estudio llevó a cabo una evaluación del impacto de la IA generativa en el proceso de aprendizaje de desarrollo de programas informáticos, centrándose especialmente en los fundamentos de programación, una asignatura dictada en las carreras de desarrollo de software. Para ello, se realizó un análisis detallado con la metodología analítica-sintética, desglosando sus conceptos, características principales, aplicaciones en las diferentes áreas del conocimiento y casos reales relevantes vinculados al aprendizaje de los estudiantes. Además, se emplearon herramientas estadísticas, como el Análisis de Varianza, para comparar el desempeño académico de los estudiantes que integraron esta tecnología en su proceso de aprendizaje. Los resultados obtenidos mostraron que el uso de IA generativa influye significativamente en el rendimiento académico de los estudiantes, sin embargo, su aprendizaje no depende del uso de esta tecnología sino de lo que aprendió en clase, pero puede aprovechar sus beneficios para la optimización de código reduciendo el tiempo de desarrollo de programas informáticos. Finalmente, se planteó la importancia de promover la ética en el uso de la IA generativa entre los estudiantes, así como el papel fundamental de los docentes para enriquecer los métodos de enseñanza y fomentar un uso responsable de estas tecnologías.
Descriptores: Inteligencia artificial; programación informática; tecnología educacional. (Tesauro UNESCO)
ABSTRACT
Artificial Intelligence focused on content creation has heralded a new era of personalized learning in higher education, igniting discussions regarding the authenticity of academic work and the overall quality of education. Concurrently, it raises concerns about the potential for promoting superficial learning and fostering dependency among students. This study assessed the impact of generative AI on student learning within software development programs, with a particular emphasis on programming fundamentals. A comprehensive analysis was undertaken using analytical-synthetic methodology to break down key concepts, main characteristics, and applications across various fields, alongside real-world cases related to student learning. Additionally, statistical tools such as Analysis of Variance (ANOVA) were utilized to compare the academic performance of students who integrated generative AI into their learning processes. The findings indicated that while generative AI has a notable influence on academic performance, the ultimate determinants of student learning are closely tied to classroom instruction than to technology itself. Nonetheless, the advantages of generative AI can be leveraged to optimize code and reduce programming time. Ultimately, the study underscored the importance of promoting the ethical use of generative AI among students and emphasized the critical role of educators in enhancing teaching strategies and fostering responsible technology integration.
Descriptors: Artificial Intelligence; Computer Programming; Educational Technology. (UNESCO Thesaurus).
INTRODUCCIÓN
La inteligencia artificial (IA) ha emergido como una de las tecnologías más transformadoras de nuestro tiempo, generando un impacto profundo en cada ámbito en el que se introduce y cambiando la manera en que se abordan los desafíos del mundo actual. Considerando, las numerosas posibilidades que ofrecen estas herramientas para facilitar el desarrollo de actividades, es importante analizar de manera profunda los efectos y consecuencias que pueden ocasionar en la sociedad. (Carlos et al., 2023)
Esta tecnología permite a las computadoras y máquinas simular el aprendizaje humano, la comprensión, la resolución de problemas, la toma de decisiones, la creatividad y la autonomía. Basándose en el uso de algoritmos y tecnologías de aprendizaje automático para darles a las máquinas la capacidad de aplicar ciertas habilidades cognitivas y realizar tareas por sí mismas de manera autónoma o semiautónoma. (IBM, 2024; Morandín-Ahuerma, 2022).
Una de las aplicaciones de la IA que más ha permeado socialmente y que más impacto y controversia ha causado es la destinada a la creación automatizada de contenido conocida como Inteligencia Artificial Generativa (IA generativa); que es reconocida por su “conjunto de métodos y aplicaciones capaces de generar contenidos (texto, imágenes, software o cualquier otra cosa) con características indistinguibles de las que produciría un ser humano” (Ramón & Corredera, 2023, p.2)
Al permitir la creación de contenido nuevo y personalizado de manera automática, la IA Generativa ha estimulado la innovación en múltiples campos como el marketing digital, motores de búsqueda mejorados, diseño y prototipado, experiencias de entretenimiento y herramientas educativas. Generando un aumento significativo en el interés de la comunidad de investigadores y profesionales en el campo de la IA generativa, por las oportunidades y retos que plantea su implementación en todos los campos posibles. (UNIR, 2024)
Uno de los campos en el que mayor interés ha provocado la IA Generativa es en el ámbito de la educación superior, marcando una nueva era de personalización en el proceso de aprendizaje. Un cambio que no solo implica la introducción de tecnologías avanzadas, sino que también plantea preguntas fundamentales sobre el impacto en la calidad del aprendizaje. (Vera, 2024)
En este sentido Vera (2024) hace evidente la importancia de una exploración de la integración de la IA generativa en la educación superior debido a la preocupación por la autenticidad de los trabajos académicos. Por otro lado, el problema identificado desde la perspectiva docente con el uso de esta tecnología según Cabellos et al. (2025) “puede fomentar un aprendizaje superficial y reducir la capacidad de reflexión y análisis autónomo de los estudiantes” (p.1), además de las consideraciones éticas y académicas sobre su uso.
De acuerdo con el análisis de (Gallent-Torres et al., 2023): Se ha detectado un alto porcentaje de estudiantes que han utilizado ChatGPT en tareas de evaluación, lo que ha llevado a algunas universidades a prohibir su uso. Esto plantea interrogantes sobre cómo garantizar la equidad y la autenticidad en las evaluaciones, y cómo evitar que el fraude académico comprometa el sistema educativo (p.6)
En el contexto de los estudios mencionados, se llevó a cabo una investigación previa con los docentes de la Carrera de Desarrollo de Software del Instituto Superior Tecnológico 17 de Julio (con enfoque en la asignatura de Fundamentos de Programación) que evidenció el uso de la IA generativa en la elaboración de trabajos académicos presentados por los estudiantes. Es imperativo promover activamente la reflexión crítica y fomentar la toma de decisiones éticas entre los estudiantes que interactúan con estas tecnologías.
Evaluar cómo la inteligencia artificial generativa influye en el proceso de aprendizaje del desarrollo de software, con enfoque en la asignatura de Fundamentos de Programación, es esencial en el ámbito actual educativo. Esta asignatura, impartida en las carreras tecnológicas orientadas al software, representa una base clave para la competencia de habilidades de codificación. El conocimiento de los resultados del impacto de estas nuevas herramientas permitirá identificar tanto beneficios como oportunidades pedagógicas, debido a que el uso de modelos generativos crea nuevas formas de interacción entre estudiantes, contenidos y docentes. Por ello, es importante comprender si estas tecnologías enriquecen el aprendizaje, fomentan la comprensión conceptual o generan dependencia.
MÉTODOS
El enfoque empleado en este estudio fue cuali-cuantitativo, ya que se llevaron a cabo mediciones y análisis numéricos de datos basados en encuestas y pruebas de evaluación académica con y sin el uso de la IA generativa aplicada a la muestra de estudiantes seleccionada para este fin. Se evaluó el impacto de manera cualitativa con el propósito de explorar posibles medidas de mitigación para el uso inapropiado de estas tecnologías en el futuro.
El tipo de investigación utilizada fue la descriptiva porque proporcionó procedimientos para resumir y describir las características más importantes de un conjunto de observaciones.(Sucasaire, 2021) Esto permitió detallar las características del software generados por la IA generativa, con el propósito de inferir cómo estos resultados influyeron en el proceso de aprendizaje.
En conjunto con el método analítico-sintético que abarca dos procesos intelectuales inversos: el análisis y la síntesis. A través del análisis se descompone un todo en sus partes y cualidades, permitiendo estudiar el comportamiento de cada elemento del estudio. Para posteriormente con la síntesis, combinar las partes analizadas y revelar relaciones y características generales entre los elementos de la realidad.(Rodríguez Jiménez & Pérez Jacinto, 2017) Además, se utilizaron técnicas como la encuesta y entrevista, para el levantamiento de información cuantitativa con significación estadística necesaria para el cumplimiento del objetivo propuesto,
Para proporcionar evidencia empírica se aplicó el método estadístico Análisis de Varianza (ANOVA), como herramienta para el análisis de los resultados de las pruebas de evaluación académica en el aula. Ya que ANOVA es esencial cuando se desea analizar simultáneamente el impacto de dos o más tratamientos diferentes, proporcionando una comprensión más profunda y significativa de los resultados obtenidos en el estudio. (Desai, 2025)
Por otro lado, se consideró como sujeto de estudio al Instituto Superior Tecnológico 17 de Julio (IST17J), ubicado en la ciudad de Urcuquí, en base a los archivos de secretaria se determinó que está conformado por 89 docentes y 800 estudiantes distribuidos en las diferentes carreras que la institución ofrece; debido a que el trabajo se enfoca al uso de la IA generativa en la generación de código fuente de lenguajes de programación cuya área de conocimiento se dicta exclusivamente en la carrera de Tecnología Superior en Desarrollo de Software, se identificó como población a los 80 estudiantes matriculados en ella y siete docentes, datos obtenidos en el reporte del período académico PAO 2024-II generado del Sistema Informático de Gestión Académica (SIGA) de la Secretaría de Educación Superior, Ciencia, Tecnología e Innovación (SENESCYT) ver Tabla 1.
Tabla 1
Elementos y técnicas de investigación utilizadas
|
Elementos |
Población |
Técnica |
|
Estudiantes |
80 |
Encuesta |
|
Docentes (Desarrollo de software). |
7 |
Encuesta y Entrevista |
Fuente: Elaboración Propia
En el estudio actual, no se utilizó una muestra, ya que el cálculo de la fórmula indicaba un tamaño de muestra de 77 elementos. Por lo tanto, se decidió llevar a cabo un estudio exhaustivo que abarque a todos los elementos involucrados.
El procedimiento realizado inició con una búsqueda bibliográfica exhaustiva de las herramientas IA generativa disponibles que permiten la generación de código fuente en el lenguaje Python para ejercicios elementales de la asignatura Fundamentos de Programación. Además, se realizó una encuesta para determinar cuál de estas herramientas es la más utilizada por los estudiantes.
Posteriormente se identificaron los ejercicios más relevantes en los cuales los estudiantes son más propensos a copiar y a utilizar herramientas IA generativa, en base a las entrevistas aplicadas a los siete docentes de esta área del conocimiento (Desarrollo de software) ver Tabla 1.
A continuación, se llevaron a cabo pruebas específicas para evaluar el nivel de comprensión y aplicación del conocimiento por parte de los estudiantes en el desarrollo de ejercicios de lógica de programación. Estas pruebas se realizaron tanto utilizando la herramienta IA generativa como sin ella. Finalmente, con la información resultante se aplica la prueba ANOVA, con el propósito de definir el nivel de impacto que tienen las herramientas IA generativa en el proceso de aprendizaje.
RESULTADOS
1. Datos generales del alcance del presente trabajo
Sujeto: IST 17J
Domicilio: Urcuquí
Carrera: Tecnología Superior en Desarrollo de Software
Asignatura: Fundamentos de programación
Lenguaje de programación: Python
2. Herramientas IA generativa para generación de código
El uso de herramientas de la IA generativa en el campo educativo debido a su accesibilidad al ser gratuitas o de bajo costo, ha abierto nuevas oportunidades para el aprendizaje, la enseñanza y la evaluación. (Díaz Vera et al., 2024)
Dada la diversidad de herramientas de IA generativa, en este estudio, se realiza un análisis de las mejores identificadas por Rebelo (2025) y el ranking de las más populares Cardillo (2025) al incluirlas en la encuesta aplicada, con el propósito de identificar cuáles de ellas son las más utilizadas por los estudiantes en el contexto de generación de código en el lenguaje de programación Python. A continuación, se resumen de manera concisa las características principales de las herramientas más destacadas en base a los resultados obtenidos en la encuesta que se centra mayormente en el uso de chatbots, los cuales tienen la función de interpretar y responder a las consultas de los usuarios de forma automatizada.
- ChatGPT
Chat GPT es un modelo de lenguaje de IA conversacional, desarrollado por OpenAI, que ha demostrado ser muy efectivo en el procesamiento de lenguaje natural debido a su entrenamiento con una gran cantidad de datos para generar texto coherente. Es utilizado en una amplia gama de aplicaciones, como la traducción automática, la generación de texto, la conversación por chat, la generación de código, entre otras. (Agustín et al., 2023)
- DeepSeek
Es un chatbot relativamente nuevo desarrollado por una empresa homónima, que es capaz de resolver todas aquellas cuestiones que le son formuladas por sus usuarios. Entre sus características principales se destaca ser de código abierto y gratuito, basarse en un modelo de lenguaje de gran tamaño, emplear aprendizaje por refuerzo y retroalimentación humana. Ha sido diseñado para desarrolladores, investigadores de IA y empresas que necesitan soporte técnico. (UNIR, 2025)
- Google Gemini
“Es un modelo de inteligencia artificial desarrollado por Google y diseñado para combinar lo mejor de los modelos de lenguaje a gran escala con capacidades multimodales. Lo que significa que no solo puede procesar texto, sino también imágenes, audio y vídeo” (De Torres, 2024) Algo que lo convierte en uno de los chatbot más reconocidos por su capacidad de generar contenido de manera más contextual y tiene el potencial de impulsar aplicaciones en una amplia gama de campos.
- Microsoft Copilot
Es un asistente conversacional de inteligencia artificial desarrollado por Microsoft, que integra una amplia gama de herramientas para múltiples ámbitos. Está diseñado para potenciar la productividad y facilitar la resolución de problemas a través de la búsqueda de información, generación de contenido y código, entre otras funciones. Además, está integrado en Microsoft 365 para su uso en todas las aplicaciones de la suite Office (Valero, 2024)
Comparativa entre las herramientas de IA generativa
Dhruv (2025) realiza una comparativa de algunas de las características principales ver Tabla 2 que diferencian a estas herramientas de IA generativa para poder seleccionarlas.
Tabla 2
Comparación de características de herramientas de IA generativa
|
Característica |
ChatGPT |
Gemini |
Microsoft Copilot |
DeepSeek Rl |
|
Lo mejor para |
Contenido, codificación, uso general con IA |
Investigaciónanálisis de datos con IA |
Automatización del flujo de trabajo empresarial |
Conocimientos impulsados por IA,razonamiento completo |
|
Precios |
Gratis y Pro ($20/mes) |
Planes Gratis y de Negocios |
Requiere Microsoft 365 |
Por determinar |
|
Facilidad de uso |
Alta |
Media |
Alta |
Media |
|
Personalización |
Media |
Baja |
Media |
Alta |
|
Acceso a datos en tiempo real |
Limitado (depende del plan) |
Sí |
Sí |
Por determinar |
|
Seguridad de nivel empresarial |
Medio |
Alto |
Muy alto |
Por determinar |
Nota. “ChatGPT, Gemini, Copilot o DeepSeek R1: ¿cuál debería usar? ” (Dhruv, 2025)
Tras el análisis y evaluación de la capacidad de generación de código de los chatbots mencionados, se concluye que comparten la habilidad de asistir a los usuarios en la generación de código fuente en varios lenguajes de programación, incluyendo Python. A pesar de utilizar modelos de IA similares, cada uno presenta características distintivas que los hacen únicos. ChatGPT se destaca por su destreza en la generación de código, DeepSeek sobresale por ofrecer un alto grado de personalización en sus soluciones de código. Copilot se distingue por su excelente integración con entornos de desarrollo, y Gemini resalta por sus sobresalientes capacidades en procesamiento multimodal.
Selección de la herramienta
Considerando el análisis previo y la encuesta realizada entre los estudiantes respecto a su preferencia para generar código, según los resultados presentados en la Figura 1, se determinó a ChatGPT como la herramienta más idónea para la evaluación académica con IA generativa de este estudio. Una elección basada en su popularidad, estabilidad y capacidad para la generación de código de diferentes lenguajes de programación.
Figura 1
Encuesta aplicada para conocimiento de preferencia herramientas de IA generativa
3. ChatGPT como generador de código
Como un modelo de lenguaje avanzado de inteligencia artificial, ChatGPT tiene la capacidad de generar código en una diversidad de lenguajes de programación muy utilizados, como JavaScript, Python, C#, PHP y Java. Además, de simplemente generar código que se pueda copiar y pegar, ofrece una explicación sobre el funcionamiento del código generado que resulta beneficioso para propósitos educativos y de aprendizaje. (Hasten, 2025)
En el campo del desarrollo de software brinda actividades de generación de código como: (Vedraj, 2024)
- Optimización de código: ayuda a mejorar la estructura y rendimiento del código a través de la refactorización.
- Identificación de errores: encuentra y sugiere correcciones a errores de código.
- Generación de código: permite crear fragmentos de código funcional para distintos lenguajes.
- Pruebas: facilita la creación de casos de prueba y la automatización de pruebas.
- Documentación: ayuda a generar la documentación
4. Identificación de las pruebas de evaluación académica
Siguiendo el procedimiento planteado para conocer el impacto del uso de la IA generativa en el proceso de aprendizaje de programación en los estudiantes, se planteó aplicar una evaluación supervisada que permita analizar cómo varía el desempeño del estudiante al resolver problemas de lógica y codificación básica en Python con y sin el uso de herramientas de inteligencia artificial, como ChatGPT.
Con base en la planificación de estudio de la asignatura "Fundamentos de Programación", la cual detalla los contenidos esenciales de la materia, y considerando los resultados de la entrevista realizada a los docentes, se ha optado por evaluar a los estudiantes en relación con cinco temas clave presentados en la Tabla 3, así como los ejercicios específicamente diseñados para abordar dichos temas durante la evaluación.
Tabla 3
Ejercicios planteados en la evaluación conforme a la entrevista
|
Fundamento |
Ejercicio |
|
Conceptos básicos |
Escribir un programa que calcule la suma de los primeros N números naturales, donde el valor de N es ingresado por el usuario. |
|
Estructuras de Control |
Crear un programa que determine si un número dado por el usuario es primo o no, utilizando estructuras de control de flujo. |
|
Listas y Ciclos |
Desarrollar un programa que tome una lista de números como entrada y devuelva la lista ordenada de forma ascendente, sin utilizar funciones predefinidas de ordenamiento. |
|
Manipulación de Cadenas |
Escribir un programa que tome una cadena de texto ingresada por el usuario y cuente la cantidad de vocales que contiene, mostrando el resultado final. |
|
Funciones y Recursión |
Implementar una función recursiva que calcule el factorial de un número entero ingresado por el usuario. |
Fuente: Elaboración Propia
5. Aplicación de las pruebas
Para ejecutar la evaluación, se definen dos etapas de aplicación, en la primera, se resuelven las preguntas de forma autónoma en a base al aprendizaje obtenido en clases; en la segunda resuelven las mismas preguntas con un acceso supervisado a la herramienta seleccionada ChatGPT.
Dada la extensa cantidad de registros, en la tabla 4, se muestran las calificaciones de los diez primeros estudiantes (sin un orden específico) tras la resolución de la evaluación, comparando sus puntajes promedios obtenidos, en donde se observa un incremento de 2.16 puntos en el rendimiento académico, evidenciando una mejora significativa en las calificaciones de la mayoría de los estudiantes cuando utilizan la tecnología de IA, lo que sugiere un impacto positivo en el rendimiento académico en programación.
Tabla 4
Resultados de rendimiento académico
|
Estudiante |
Resultados de la evaluación con los ejercicios propuestos (Tabla 3) |
|
|
Sin IA Generativa |
Con IA Generativa |
|
|
1 |
7,10 |
8,23 |
|
2 |
6,89 |
7,60 |
|
3 |
6,74 |
8,13 |
|
4 |
7,01 |
8,31 |
|
5 |
6,59 |
8,64 |
|
6 |
4,34 |
9,00 |
|
7 |
3,43 |
9,03 |
|
8 |
4,67 |
7,04 |
|
9 |
5,43 |
8,23 |
|
10 |
7,54 |
7,14 |
|
Promedio |
5,97 |
8,14 |
|
Incremento en el rendimiento |
2,16 |
|
Fuente: Elaboración Propia
6. Análisis ANOVA
Para evaluar el impacto de la tecnología IA generativa en el proceso de aprendizaje en el área del desarrollo de programas informáticos por parte de los estudiantes de la carrera de desarrollo de software, se utilizó la Prueba de Análisis de varianza (ANOVA) presentado por Desai (2025) donde manifiesta que su enfoque bidireccional determina el impacto de dos variables independientes sobre una variable dependiente, permitiendo identificar los efectos individuales de cada factor, como su interacción conjunta. En este caso, se compararon las calificaciones o resultados de aprendizaje de los estudiantes que utilizaron tecnología con aquellos que no lo hicieron, con el fin de identificar si existían diferencias significativas entre ambos grupos.
Para evaluar el rendimiento de los estudiantes. Se identifica al grupo de 80 estudiantes en dos grupos:
1. Grupo de control: Estudiantes que realizaron ejercicios de evaluación académica en el lenguaje de programación Python de forma tradicional (sin la IA generativa).
2. Grupo experimental: Estudiantes que realizaron los mismos ejercicios utilizando la IA generativa.
Se realizó un examen al final del período de aprendizaje en la materia de Fundamentos de programación, para evaluar su rendimiento académico en el aprendizaje de la asignatura. Luego, se utiliza un ANOVA para comparar los puntajes promedio de los dos grupos.
Pregunta a responder:
· Pregunta nula (P0): No hay diferencia significativa en el rendimiento académico entre los grupos que utilizaron la IA generativa y los que no.
· Pregunta alternativa (P1): Existe una diferencia significativa en el rendimiento académico entre los grupos.
Análisis de los resultados del ANOVA:
· Si el valor de p es menor que el nivel de significancia (generalmente 0.05), se rechaza la pregunta nula.
Esto significa que se rechaza la evidencia de una diferencia significativa en el rendimiento entre los grupos, lo que sugiere que la IA generativa tuvo un impacto en el aprendizaje.
· Si el valor de p es mayor que el nivel de significancia, no se rechaza la pregunta nula.
Indica que no hay evidencia de una diferencia significativa entre los grupos, lo que sugiere que la IA generativa no tuvo un impacto en el aprendizaje.
7. Evaluación del impacto
Con estos antecedentes se procedió a realizar el análisis ANOVA en la hoja de cálculo EXCEL con las calificaciones obtenidas de los 80 estudiantes a los cuales se aplicaron las pruebas definidas en el ítem anterior (Tabla 4 presenta una muestra de los resultados mencionados)
Las Tablas 5 y 6 contienen los resultados del análisis ANOVA, muestran cómo varían los datos tanto entre los grupos (por ejemplo, estudiantes que usan o no IA generativa) como dentro de los grupos (las diferencias individuales en cada grupo).
Se mencionan los valores de la estadística F, que permite saber si las diferencias entre los grupos son estadísticamente significativas, y del valor p, que indica la probabilidad de obtener esos resultados si no hubiera una diferencia real.
Tabla 5
Resultados del análisis ANOVA
|
Grupos |
Número estudiantes |
Promedio |
Varianza |
|
Usan tecnología IA generativa |
80 |
8,70775 |
0,69789614 |
|
No usan tecnología IA generativa |
80 |
6,3655 |
2,23456937 |
Fuente: Elaboración Propia
Tabla 6
Análisis de Varianza
|
Origen de las variaciones |
Suma de cuadrados |
Grados de libertad |
Promedio de los cuadrados |
F |
Probabilidad |
Valor crítico para F |
|
|
Entre grupos |
219,445403 |
1 |
219,445403 |
149,666144 |
1,2337E-24 |
3,9009887 |
|
|
Dentro de los grupos |
231,664775 |
158 |
1,46623275 |
||||
|
Total |
451,110178 |
159 |
|
|
|
|
|
Fuente: Elaboración Propia
De acuerdo con los resultados obtenidos, se observa claramente que el valor de p es de 1,2337E-24 siendo un número sumamente menor a 0.05 por lo que se aplica la sugerencia alternativa que significa que el uso de inteligencia artificial generativa (IA generativa) influye significativamente en los niveles de aprendizaje de los estudiantes.
Al observar esta diferencia en la columna promedio de la Tabla 5 se ve que del grupo de los que usan IA generativa es de 8.7 y de los que no usan IA generativa es de 6.3, por lo que puede interpretarse que el rendimiento académico se encuentra en la escala cualitativa de: Alcanza los aprendizajes requeridos (7 y 8) y Está próximo a alcanzar los aprendizajes requeridos (5 y 6) Ortega (2013). Es decir que el rendimiento académico de los estudiantes está en un nivel medio, independientemente si el estudiante ha utilizado o no la IA generativa, cabe destacar además que la nota obtenida de los que usan IA generativa depende de la forma de control que el docente hará en la evaluación, es decir, no implica que el estudiante tendrá libertad de usar IA generativa en un escenario real de la aplicación de la evaluación académica.
Además, la IA generativa genera código fuente en el lenguaje de programación, pero su ejecución en la herramienta de desarrollo posiblemente requiera de conocimientos obtenidos previamente en clase para realizar las adaptaciones respectivas y lograr una compilación válida de acuerdo con el ejercicio.
Por lo que se puede inferir:
- El uso de IA generativa mejora la nota mas no necesariamente puede indicar el nivel de aprendizaje que el alumno tenga en la asignatura.
- Para utilizar la IA generativa de generación de código fuente en lenguaje de programación Python el estudiante deben tener conocimientos básicos del tema tratado para que su uso sea efectivo.
- La poca diferencia del promedio Tabla 5 significa que los estudiantes tienen un nivel de aprendizaje que no depende en si del uso de la IA generativa EN LOS EXAMENES SINO DE LO QUE APRENDIÓ EN CLASE.
DISCUSIÓN
Héctor & Gaínza (2024) destacan como uno de los principales dilemas éticos el hecho de que los estudiantes utilicen la (IA generativa) para elaborar sus tareas y presentarlas como propias sin invertir el esfuerzo necesario para su elaboración, un factor que limita el desarrollo de habilidades que, en condiciones normales, se adquirirían de forma natural al realizar dichas tareas.
El uso de herramientas de IA generativa ha cobrado una importancia cada vez mayor en todas las áreas del conocimiento, revolucionando no solo los métodos de producción de contenido, sino también las dinámicas de enseñanza y aprendizaje. En el ámbito educativo, esta tecnología ha generado tanto entusiasmo como preocupación, pues si bien permite a los estudiantes acceder a soluciones inmediatas y personalizadas para resolver dudas, también ha expuesto ciertos riesgos pedagógicos y éticos que deben ser abordados. Como toda innovación tecnológica en sus primeras fases de adopción, su implementación conlleva ventajas, pero también retos que requieren una reflexión crítica y contextualizada. Tal como señala Martín (2025), se están produciendo transformaciones profundas en los hábitos de intercambio y en las formas de relacionamiento entre personas e instituciones, lo que puede entenderse como parte de un cambio social paradigmático impulsado en parte por la irrupción de la IA generativa.
En este contexto, la IA generativa ha facilitado el acceso a información y recursos educativos de forma ágil, lo cual ha sido especialmente útil para estudiantes que buscan resolver dudas específicas en sus materias. Sin embargo, esta misma facilidad puede dar pie a usos inapropiados o excesivamente automatizados de la tecnología, tales como realizar ejercicios sin reflexión, cumplir tareas con un mínimo esfuerzo e incluso emplearla para responder en evaluaciones sin comprender los contenidos. Estas prácticas, lejos de fomentar el aprendizaje autónomo, pueden derivar en conductas que limitan el desarrollo de habilidades cognitivas esenciales, como el pensamiento crítico, el análisis profundo y la resolución creativa de problemas. En palabras de Gallent-Torres et al. (2023), cuando los estudiantes se apoyan excesivamente en estas herramientas, se genera una “dinámica de dependencia” que reemplaza el crecimiento intelectual genuino por la inmediatez de respuestas automáticas.
Este es el escenario al que se enfrentan actualmente muchos estudiantes de la carrera de Desarrollo de Software, quienes utilizan IA generativa para generar código fuente, especialmente en lenguajes como Python. Esta herramienta les permite resolver con rapidez tanto tareas prácticas como ejercicios complejos, e incluso algunos la emplean durante sus evaluaciones. Ante esta situación, el presente estudio se propuso evaluar el impacto de dicha tecnología sobre el aprendizaje en la asignatura de Fundamentos de Programación, común en los programas de formación en desarrollo de software. Para ello, se utilizó la metodología analítica-sintética, desglosando sus conceptos, características principales y aplicaciones en distintas áreas del conocimiento, y vinculándolos con casos reales del entorno académico. Asimismo, se incorporaron herramientas estadísticas, como el Análisis de Varianza (ANOVA), con el fin de contrastar el desempeño académico de los estudiantes que utilizan o no IA generativa en su proceso formativo.
Los hallazgos del estudio revelaron que los estudiantes sí recurren a estas tecnologías en las formas descritas, y aunque se observa un impacto negativo en ciertos aspectos del aprendizaje relacionados con el desarrollo de programas informáticos, este efecto no resulta significativamente perjudicial desde un punto de vista estadístico, como se muestra en el ítem 7 de evaluación del impacto. Además, es fundamental considerar que el código generado por la IA no siempre responde de manera óptima a los requerimientos de los ejercicios o actividades asignadas por los docentes. Como indica GitLab (2025), los asistentes de código basados en IA funcionan como colaboradores digitales, capaces de sugerir soluciones y automatizar tareas repetitivas, pero no sustituyen la comprensión conceptual ni el juicio humano. De este modo, el estudiante sigue siendo responsable de revisar, interpretar, modificar y adaptar el código generado para cumplir con los objetivos educativos, lo cual exige conocimientos previos y habilidades adquiridas en clase.
Esta interacción entre el apoyo tecnológico y la intervención consciente del estudiante demuestra que el uso de la IA generativa no necesariamente limita el aprendizaje; por el contrario, puede convertirse en una poderosa herramienta complementaria cuando es empleada con criterio pedagógico y bajo una supervisión académica adecuada. Facilita la optimización del tiempo de desarrollo, ayuda a identificar errores sintácticos y lógicos, y permite al estudiante concentrarse en la comprensión estructural del código. En este sentido, la clave no radica en la tecnología en sí, sino en el enfoque con el que es integrada al proceso educativo.
En conclusión, el impacto de la Inteligencia Artificial generativa en el entorno educativo debe entenderse como un fenómeno complejo, que no es ni completamente positivo ni enteramente negativo. Su potencial para enriquecer los procesos de enseñanza-aprendizaje es innegable, siempre que su uso esté mediado por principios éticos, por una orientación docente activa, y por estrategias que promuevan la reflexión, la autonomía y la apropiación significativa del conocimiento. Así, lejos de reemplazar al estudiante o al educador, la IA generativa puede ser una aliada en la construcción de una educación más innovadora, crítica y adaptativa a las circunstancias de la actualidad.
CONCLUSIONES
Tras la evaluación del impacto de la inteligencia artificial generativa en el aprendizaje de desarrollo de programas informáticos, se llega a la conclusión de que, si bien esta tecnología brinda apoyo a los estudiantes en la resolución de dudas y la finalización de tareas, su uso inapropiado puede resultar en una dependencia perjudicial que afecta negativamente el proceso de aprendizaje. El valor extremadamente bajo de p (p = 1.2337E-24), significativamente menor a 0.05, indica que la influencia de la IA generativa en los niveles de aprendizaje de los estudiantes es significativa. Por lo tanto, se sugiere considerar alternativas para regular y supervisar el uso de esta tecnología con el fin de maximizar sus beneficios sin comprometer la autonomía y el desarrollo de habilidades de los alumnos en el campo de desarrollo de programas informáticos.
Aunque la generación de código por parte de la IA generativa puede acelerar el proceso de desarrollo, es esencial que los estudiantes lo adapten para cumplir con los objetivos académicos. Este enfoque no solo promueve una comprensión más profunda de los conceptos, sino que también reduce el impacto negativo en el aprendizaje, convirtiendo a la IA generativa en una herramienta valiosa para mejorar la comprensión en el campo del desarrollo de software.
El uso de herramientas de IA generativa plantea un dilema ético al facilitar a los estudiantes la presentación de tareas con poco esfuerzo, lo que puede obstaculizar su desarrollo natural de habilidades, por ende, es imperativo impulsar un aprendizaje genuino y sostenible en la educación que fomente el desarrollo de los estudiantes y la adquisición de habilidades significativas.
Conflicto de interés
Los autores no tienen conflictos de interés
Financiación
Este proyecto no contó con ninguna fuente de financiación
Responsabilidades Éticas
El proyecto fue aprobado por el comité de ética de la institución.
REFERENCIAS
Agustín, M., Papich, R., & Elizabeth, S. (2023). El futuro de la Educación Universitaria con Chat GPT. https://sedici.unlp.edu.ar/handle/10915/155869
Cabellos, B., Aldama, C., & Pozo, J. (2025, April 24). El impacto de la inteligencia artificial generativa en la educación: ¿cómo ven los docentes su impacto en las aulas? . https://www.muyinteresante.com/fundacion/categoria-humanidades/inteligencia-artificial-generativa-en-la-educacion.html
Cardillo, A. (2025, April 23). 60 Most Popular AI Tools Ranked (February 2025). https://explodingtopics-com.translate.goog/blog/most-popular-ai-tools?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc&_x_tr_hist=true
Carlos, R., Morán, D., Del Carmen, E., & Corzo, A. (2023). Desafíos éticos de la inteligencia artificial: implicaciones para la so-ciedad y la economía ethical challenges of artificial intelligence: implications for society and the economy. https://orcid.org/0000-0003-3181-8801
De Torres, A. (2024, August). Google Gemini IA: qué es y cómo funciona. https://www.esic.edu/rethink/marketing-y-comunicacion/que-es-google-gemini-y-como-funciona-c
Desai, P. (2025, February 12). Dominio del análisis de la varianza: Técnicas y aplicaciones. https://mindthegraph.com/blog/es/analysis-of-variance/
Dhruv, J. (2025, February 11). ChatGPT, Gemini, Copilot o DeepSeek R1: ¿cuál debería usar? https://dev-to.translate.goog/dhruvjoshi9/chatgpt-gemini-copilot-or-deepseek-r1-which-one-should-you-use-56ai?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc
Díaz Vera, J. P., Molina Izurieta, R., Bayas Jaramillo, C. M., & Ruiz Ramírez, A. K. (2024). Asistencia de la inteligencia artificial generativa como herramienta pedagógica en la educación superior. Revista de Investigación En Tecnologías de La Información, 12(26), 61–76. https://doi.org/10.36825/RITI.12.26.006
Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). The impact of Generative Artificial Intelligence in higher education: a focus on ethics and academic integrity. RELIEVE - Revista Electronica de Investigacion y Evaluacion Educativa, 29(2). https://doi.org/10.30827/RELIEVE.V29I2.29134
Hasten, G. (2025). Como usar chatgpt para escribir codigo. https://www.grupohasten.com/como-usar-chatgpt-para-escribir-codigo/
Héctor, E., & Gaínza, B. (2024). Inteligencia artificial (CHATGPT) en la educación universitaria: realidad y consideraciones éticas. chakiñan, revista de ciencias sociales y humanidades, 25, 299–316. https://doi.org/10.37135/chk.002.25.13
Ortega, W. (2013). Instructivo para la aplicación de la evaluación estudiantil. https://acortar.link/rTTXmM
Ramón, J., & Corredera, C. (2023). EDITORIAL Inteligencia artificial generativa.
Rebelo, M. (2025, March 4). The best AI chatbots in 2025. https://zapier.com/blog/best-ai-chatbot/
Rodríguez Jiménez, A., & Pérez Jacinto, A. O. (2017). Métodos científicos de indagación y de construcción del conocimiento. Revista Escuela de Administración de Negocios, 82, 175–195. https://doi.org/10.21158/01208160.n82.2017.1647
Sucasaire, J. (2021). Estadística Descriptiva para Trabajos de Investigación: Presentación e interpretación de los resultados.
UNIR, Universidad Internacional de la Rioja. (2024, November 14). Inteligencia Artificial Generativa: qué es y cómo funciona. https://ecuador.unir.net/actualidad-unir/inteligencia-artificial-generativa/
UNIR, Universidad Internacional de la Rioja R. (2025, April 16). ¿Qué es DeepSeek? ¿Es mejor que ChatGPT? https://www.unir.net/revista/ingenieria/deepseek-que-es/
Valero, J. (2024, January). ¿Qué es y cómo funciona Microsoft Copilot? El asistente de IA de Microsoft 365. https://blog.beservices.es/blog/que-es-como-funciona-microsoft-copilot
Vedraj. (2024). ChatGPT: Top 10 Use Cases in Software Development. https://www.valuecoders.com/blog/blockchain-ml/chatgpt-use-cases-in-software-development/
Vera, F. (2024). Integración de la Inteligencia Artificial Generativa en la Educación Superior. Transformar, 4(4), 36–46. Recuperado a partir de https://www.revistatransformar.cl/index.php/transformar/article/view/108
©2025 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/)