REVISTA CIENTÍFICA
rcientica@uisrael.edu.ec
• e-ISSN: 2631 - 2786
113
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
Período Mayo - Agosto 2025
Vol. 12, No. 2
El impacto de la inteligencia articial en la personalización del
aprendizaje y sus efectos en rendimiento académico e inclusión
educativa
The impact of articial intelligence on the personalization of learning
and its effects on academic performance and educational inclusión
Fecha de recepción: 2024-08-19 Fecha de aceptación: 2025-03-10 Fecha de publicación: 2025-05-10
Carlos Manuel Núñez-Michuy
1
Universidad Técnica Estatal de Quevedo, Ecuador
cnunezm@uteq.edu.ec
https://orcid.org/0000-0003-2298-7697
Diego Bonilla-Jurado
2
Instituto Tecnológico Superior España, Ecuador
diego.bonilla@iste.edu.ec
https://orcid.org/0000-0002-4784-7861
Thalía Isabel Baquedano Moya
3
Universidad Técnica Estatal de Quevedo, Ecuador
tbaquedanom@uteq.edu.ec
https://orcid.org/0000-0002-5072-3296
Luis Marcial Agualongo-Chela
4
Universidad Estatal de Bolivar, Ecuador
lagualongo@ueb.edu.ec
https://orcid.org/0000-0003-4804-0522
https://doi.org/10.35290/rcui.v12n2.2025.1435
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
114
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
Resumen
La introducción de la Inteligencia Articial (IA) en la educación está revolucionando la
personalización del aprendizaje, posicionándose como una herramienta crucial para el progreso
pedagógico. Este artículo analiza cómo la IA está transformando el ámbito educativo, facilitando la
personalización de contenidos y estrategias pedagógicas según las necesidades individuales de los
estudiantes. A través de un análisis de caso en entornos educativos, se exploraron los efectos de la
IA en el rendimiento académico, destacando mejoras en la comprensión y retención de información.
El estudio empleó un enfoque cuantitativo con diseño cuasi-experimental para evaluar la contribución
de la IA a la inclusión educativa, proporcionando apoyo personalizado a estudiantes con necesidades
especiales y dicultades de aprendizaje, promoviendo un entorno más equitativo. Los hallazgos
destacan que la integración de esta herramienta en el aula puede potenciar el rendimiento académico
al proporcionar experiencias de aprendizaje ajustadas a las características de cada estudiante. Sin
embargo, se identican desafíos que deben ser abordados, como la privacidad de datos y el sesgo
en los algoritmos. El artículo concluye con recomendaciones para una implementación efectiva
de la IA en la educación, y considera implicaciones éticas y sociales para asegurar una integración
responsable en el ámbito educativo.
Palabras clave: Retroalimentación, inteligencia articial, rendimiento académico, personalización del
aprendizaje, inclusión
Abstract
The introduction of Articial Intelligence (AI) in education is revolutionizing the The introduction of
Articial Intelligence (AI) in education is revolutionizing the personalization of learning, positioning
it as a crucial tool for pedagogical progress. This article analyses how AI is transforming the eld
of education, facilitating the personalization of content and pedagogical strategies according to the
individual needs of learners. Through a case study analysis in educational settings, the effects of AI
on academic performance were explored, highlighting improvements in comprehension and retention
of information. The study employed a quantitative approach with a quasi-experimental design to
evaluate the contribution of AI to educational inclusion by providing personalized support to students
with special needs and learning diculties, promoting a more equitable environment. The ndings
highlight that the integration of this tool in the classroom can enhance academic performance by
providing learning experiences tailored to the characteristics of each student. However, challenges
are identied that need to be addressed, such as data privacy and bias in the algorithms. The article
concludes with recommendations for effective implementation of AI in education and considers
ethical and social implications for ensuring responsible integration in education.
Keywords: Feedback, articial intelligence, academic performance, personalization of learning,
inclusion
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
115
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
Introducción
La educación en su búsqueda constante de mejorar la ecacia y la equidad ha experimentado
signicativos avances con la incorporación de nuevas tecnologías, en este contexto, la Inteligencia
Articial (IA) surgió como una herramienta potente y prometedora, capaz de transformar el
panorama educativo (Ortiz Muñoz, 2024). La inteligencia articial cuenta con una capacidad para
procesar un gran número de datos y a su vez aprender de ellos, además de ofrecer un potencial
considerable para personalizar el aprendizaje y, por ende, optimizar los resultados académicos y
promover la inclusión educativa (García Villaroel, 2021).
En los últimos años, como menciona Navarrete-Cazales y Manzanilla-Granados (2023) organismos
internacionales como la UNESCO y la OCDE han promovido la integración de la inteligencia articial
en la educación como parte de estrategias para mejorar el acceso, la equidad y la calidad del
aprendizaje, a su vez no debe considerarse como un punto de acceso cotidiano. Además, diversas
políticas gubernamentales han comenzado a incorporar herramientas de IA en los planes de
estudio y metodologías de enseñanza, evidenciando una tendencia creciente hacia la digitalización
y automatización educativa.
En este sentido, la inteligencia articial emerge como una solución innovadora para superar
estas limitaciones, permitiendo una personalización del aprendizaje más efectiva a través de
herramientas adaptativas que ajustan dinámicamente los contenidos y metodologías pedagógicas
según el desempeño y las preferencias del estudiante. Además, su capacidad de análisis y
adaptación contribuye a la promoción de la inclusión educativa, al ofrecer soporte especíco para
estudiantes con necesidades diversas, asegurando un acceso equitativo a la educación (Morocho
Cevallos et al., 2023).
La incorporación de la Inteligencia Articial en este proceso ofrece una solución prometedora al
superar estas limitaciones. Mediante el uso de herramientas adaptativas, la IA permite ajustar de
manera dinámica tanto el contenido como las estrategias pedagógicas en función del rendimiento
y las preferencias de cada estudiante (O.-Y. Aparicio-Gómez & Aparicio-Gómez, 2024).
El presente estudio tiene como objetivo analizar el impacto de la inteligencia articial en la
personalización del aprendizaje, el rendimiento académico y la inclusión educativa, mismo que
evaluó su ecacia en comparación con los métodos pedagógicos tradicionales. A través de un
diseño cuasi-experimental, se examina cómo el uso de herramientas adaptativas basadas en
IA permite ajustar dinámicamente los contenidos y estrategias de enseñanza en función del
desempeño y necesidades individuales de los estudiantes.
Revisión de la Literatura
La inteligencia articial, denida como la habilidad de los sistemas informáticos para realizar
funciones que normalmente dependen de la inteligencia humana, ha tenido una inuencia notable
en diversas disciplinas, entre ellas la educación (Moreno Padilla, 2019). Se ha consolidado como
una herramienta fundamental para transformar los procesos de enseñanza y aprendizaje en
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
116
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
el contexto educativo, ofreciendo aplicaciones como plataformas de aprendizaje adaptativo,
sistemas de tutoría inteligente y herramientas avanzadas de análisis de datos educativos que
permiten ajustar los contenidos y las estrategias pedagógicas a las necesidades individuales y al
rendimiento de cada estudiante (Romero & Ventura, 2020).
La personalización del aprendizaje, estimulada por la inteligencia articial, se considera una
de las áreas más innovadoras y prometedoras de la educación contemporánea, ya que este
enfoque se pretende alinear los contenidos educativos y las metodologías de enseñanza con las
características únicas de cada estudiante. Como la de CHAT-GPT donde Kirwan (2023) explica
algunas reexiones iniciales sobre la enseñanza de la integridad académica en la era de los
grandes modelos lingüísticos.
Esta personalización de las diferentes IA se ve facilitada ya que emplea algoritmos para analizar
datos complejos sobre el rendimiento académico, ajustando dinámicamente el nivel de dicultad
y el contenido de las tareas (Holmes et al., 2019). Estos sistemas recopilan información en tiempo
real como los chats bots, como tiempos de respuesta, patrones de interacción y respuestas a
encuestas, lo que permite generar recomendaciones y ajustes personalizados que optimizan el
proceso de aprendizaje de cada individuo (Alshahrani, 2023).
Además de sus benecios en la personalización del aprendizaje, la inteligencia articial también
desempeña un papel fundamental en la inclusión educativa. Al adaptar los contenidos y estrategias
pedagógicas a las necesidades individuales, la IA facilita el acceso a una educación más
equitativa, permitiendo que estudiantes con dicultades de aprendizaje o necesidades especiales
reciban apoyo personalizado y progresen a su propio ritmo (Xu et al., 2019).
Para ilustrar estos benecios, se pueden considerar dos estudios de caso relevantes, el primero es
un análisis de una plataforma adaptativa de aprendizaje enfocada en matemáticas que ajusta los
ejercicios según el nivel de competencia del estudiante. Este estudio encontró una mejora del 15%
en el rendimiento académico de los estudiantes en comparación con los métodos convencionales
(Pane et al., 2015).
Además de su inuencia en el rendimiento académico, la IA es fundamental en la promoción de
la inclusión educativa, ya que los sistemas basados en inteligencia articial pueden adaptar el
contenido y las estrategias pedagógicas a las necesidades individuales lo que contribuye a la
creación de un entorno educativo más inclusivo y como Cotton et al. (2024) explica, cuidar la
integridad académica en la era del ChatGPT.
Por otro lado, los sistemas de IA pueden proporcionar apoyo especializado a estudiantes con
necesidades educativas especiales, permitiendo una experiencia de aprendizaje más accesible y
equitativa (Kabudi et al., 2021). Tecnologías como los lectores de pantalla y las aplicaciones de
reconocimiento de voz facilitan a los estudiantes con discapacidades visuales o con dicultades
para escribir un acceso más eciente al material educativo (Khan & Khusro, 2021).
Los sistemas adaptativos tienen la capacidad de proporcionar recursos personalizados que
permiten a los estudiantes progresar a su propio ritmo, lo que favorece una mayor participación
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
117
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
y disminuye las barreras para el aprendizaje (Zhang et al., 2020). Además, la posibilidad de
ofrecer retroalimentación continua y ajustada a las necesidades individuales permite que los
estudiantes con necesidades especiales reciban el apoyo necesario en tiempo real, mejorando
signicativamente su experiencia educativa (Desmond et al., 2018).
Algunos ejemplos de implementación efectiva incluyen aplicaciones de lectura adaptativas
que ajustan el nivel de dicultad en función de las habilidades del estudiante y ofrecen
retroalimentación personalizada, lo que ha demostrado ser ecaz para mejorar las habilidades
de lectura en estudiantes con dicultades especícas (Muñoz et al., 2022). Otro ejemplo es el
desarrollo de material educativo accesible en múltiples formatos, como texto, audio y video, lo que
facilita el aprendizaje para estudiantes con diversas discapacidades (Crisol-Moya et al., 2020).
A pesar de los benecios sustanciales que la inteligencia articial proporciona en el sector
educativo, también existen importantes desafíos éticos que deben abordarse. La privacidad
de los datos, la minería algorítmica y la creciente dependencia de la tecnología son algunos de
ellos (Hoofnagle et al., 2018). La recopilación de datos sobre el rendimiento académico de los
estudiantes plantea serias preocupaciones con respecto a la privacidad y la seguridad de los datos,
lo que resalta la necesidad de establecer políticas claras e implementar medidas de seguridad
integrales (Chassignol et al., 2018).
Los sistemas de inteligencia articial pueden reejar los sesgos presentes en los datos con
los que han sido entrenados, lo que potencialmente podría perjudicar a grupos especícos de
estudiantes (Gallent-Torres et al., 2023). Para mitigar este riesgo, es crucial emplear una variedad
de datos y realizar auditorías periódicas que permitan identicar y corregir cualquier discrepancia.
Además, depender excesivamente de la tecnología podría restringir el desarrollo de habilidades
críticas, como el pensamiento crítico y la resolución de problemas. En consecuencia, es de suma
importancia integrar las herramientas de IA con los métodos de enseñanza tradicionales (Selwyn,
2019).
Metodología
2.1. Diseño de investigación
Este estudio empleó un enfoque cuantitativo para explorar el efecto de la inteligencia articial en la
personalización del aprendizaje, el rendimiento académico, y la inclusión educativa basada en los
datos empíricos del estudio. Así mismo, se desarrolló un diseño cuasi-experimental con la nalidad
de analizar la inuencia de las herramientas de inteligencia articial, por ende, se seleccionaron
dos grupos de estudio: uno compuesto por estudiantes y docentes que utilizan plataformas de
aprendizaje adaptativo basadas en IA, y otro grupo de control con estudiantes y docentes que
emplean métodos tradicionales de enseñanza. La comparación entre estos dos grupos permitió
medir los efectos de la personalización del aprendizaje impulsada por IA en el rendimiento
académico de los estudiantes y en la promoción de la inclusión educativa.
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
118
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
2.2. Muestra
Para el desarrollo de esta investigación, se seleccionó como participante a la Unidad Educativa
del Milenio APCH: San Miguel, esta se encuentra ubicada en la ciudad de Bolívar. La muestra
adoptada para el análisis y desarrollo consistió en dos cursos pertenecientes a la institución de 35
estudiantes c/u, abarcando un total de 70 estudiantes. Dentro de esta institución se identicó los
dos grupos estudio: el grupo experimental (que utiliza sistemas de IA para la personalización del
aprendizaje) y el grupo de control (que utiliza métodos pedagógicos tradicionales).
2.3. Recolección de datos
Para la recolección de datos cuantitativos se empleó tres instrumentos principales que
proporcionaron una evaluación integral del impacto de la inteligencia articial en la personalización
del aprendizaje y sus efectos en el rendimiento académico. En primer lugar, se realizaron
evaluaciones académicas estandarizadas al inicio y al nal del período del estudio, enfocándose
en materias clave como matemáticas, ciencias y lengua. Estas evaluaciones fueron diseñadas para
mantener una equivalencia en dicultad y contenido, lo que permitió una comparación precisa y
consistente de los resultados obtenidos por los estudiantes, brindando así una medida objetiva del
cambio en el rendimiento académico a lo largo del estudio.
Además, se administraron encuestas de satisfacción a estudiantes y docentes para captar
sus percepciones sobre la ecacia e impacto de las herramientas de inteligencia articial en el
aprendizaje y la enseñanza. Las encuestas incluyeron preguntas sobre la facilidad de uso de
las herramientas, la calidad de la retroalimentación proporcionada y la percepción general de la
personalización del aprendizaje, ofreciendo una perspectiva general sobre la experiencia de los
usuarios con las herramientas de IA implementadas.
Finalmente, se recopilaron datos de interacción mediante el seguimiento de la actividad de los
estudiantes en las plataformas de aprendizaje adaptativo, incluyendo el tiempo dedicado al
estudio, la frecuencia de acceso y los patrones de interacción. La información proporcionada por
las plataformas de IA fue utilizada para evaluar la efectividad de la personalización del aprendizaje
y para identicar cómo las interacciones de los estudiantes con las plataformas inuían en su
experiencia educativa.
Además, las observaciones se centraron en las dos muestras analizadas: el grupo experimental,
que empleó plataformas online de inteligencia articial como Chat GPT versión gratuita y pagada,
Gemini y Copilot para personalizar el aprendizaje, y el grupo de control, que empleó métodos
pedagógicos de aprendizaje tradicionales. El propósito de estas observaciones era documentar
la implementación de herramientas de IA en el proceso de enseñanza y aprendizaje dentro de
estos grupos. Se prestó especial atención a la interacción entre alumnos y profesores, al uso de
tecnologías de IA en las actividades educativas y a la dinámica general de la clase.
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
119
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
2.4. Análisis de resultados
Para evaluar las diferencias en el rendimiento académico entre el grupo experimental, que empleó
herramientas de inteligencia articial para personalizar el aprendizaje, y el grupo de control, que
empleó métodos pedagógicos convencionales, se realizaron análisis estadísticos comparativos.
Se aplicó pruebas t de muestras independientes y un análisis de varianza (ANOVA) para vericar la
signicancia estadística de las diferencias observadas. Estos métodos facilitaron la identicación
de si el uso de la IA en el proceso educativo producía mejoras signicativas en los sujetos
evaluados, proporcionando así una base sólida para comparar el impacto educativo de ambas
estrategias pedagógicas en la muestra seleccionada.
Resultados
Los resultados de las estadísticas de grupo se presentan en la Tabla 1, que demuestra diferencias
signicativas entre el grupo experimental, que empleó herramientas de inteligencia articial, y
el grupo de control, que empleó métodos pedagógicos convencionales, en varias dimensiones
clave. Antes de la intervención, ambos grupos mostraron medias de rendimiento académico muy
similares (7.26 para el grupo experimental y 7.23 para el grupo de control), con desviaciones y
errores estándar de promedio también muy próximos, lo que indicó que los grupos se encontraban
en un equilibrio adecuado antes de la aplicación de la inteligencia articial. Sin embargo, el
rendimiento académico del grupo experimental experimentó un aumento sustancial tras la
intervención, alcanzando una media de 9,00, mientras que el grupo de control experimentó un
descenso hasta 6,60. Este resultado resalta que la intervención tuvo un impacto signicativo en el
rendimiento académico del grupo experimental.
La mejora en la comprensión y la calidad de la retroalimentación percibida fueron notablemente
superiores en el grupo experimental en comparación con el grupo de control. En el grupo
experimental, la media de mejora en la comprensión fue de 4.26, en contraste con solo 1.37
en el grupo de control, lo que destaca que la IA facilitó una comprensión más profunda de los
contenidos académicos. De manera similar, la asimilación de conocimientos fue percibida de mejor
manera por el grupo experimental, con una media de 4.23, mientras que el grupo de control obtuvo
solo 1.40. Las bajas desviaciones estándar en estas mediciones enfatizan una consistencia en las
respuestas dentro de cada grupo de estudio, reforzando la efectividad de la intervención en estos
aspectos.
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
120
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
Tabla 1
Estadísticas de grupo - resultados
Estadísticas de grupo
Es N Media Desv. desviación Desv. error pro-
medio
Rendimiento antes Experimental 35 7.2571 1.12047 .18939
Control 35 7.2286 1.16533 .19698
Rendimiento des-
pués
Experimental 35 9.0000 .93934 .15878
Control 35 6.6000 1.41837 .23975
Mejora compren-
sión
Experimental 35 4.26 .657 .111
Control 35 1.37 .646 .109
Retroalimentación Experimental 35 4.23 .770 .130
Control 35 1.40 .497 .084
El análisis comparativo evidencia que el grupo experimental presenta un rendimiento
signicativamente superior al control en las categorías evaluadas después de la intervención,
destacando una mejora notable en comprensión y retroalimentación. Esto reeja que las
estrategias aplicadas al grupo experimental generaron un impacto positivo medible, mientras
que el rendimiento inicial similar entre ambos grupos conrma que las condiciones de partida
fueron homogéneas, permitiendo atribuir los resultados a las intervenciones de aprendizaje con IA
realizadas.
Figura 1.
Comparación de medias entre grupos experimentales y control
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
121
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
En la Tabla 2 la prueba de muestras independientes determina que, en términos de rendimiento
académico antes de la intervención, no existen diferencias signicativas entre el grupo
experimental y de control. La prueba de Levene para la igualdad de varianzas, con un valor de F
= 0.026 y una signicancia (Sig.) de 0.872, indica que las varianzas son homogéneas. De igual
manera, la prueba t (t = 0.105, gl = 68, Sig. = 0.917) reeja una diferencia mínima en las medias
entre los dos grupos (0.02857), la cual no es estadísticamente signicativa, como lo conrma el
intervalo de conanza del 95% que varía de -0.51671 a 0.57385. Estos resultados dan a entender
que ambos grupos de estudio estaban equilibrados en términos de rendimiento académico antes
de la intervención.
En cuanto al rendimiento académico, los resultados tras la intervención muestran una mejora
considerable en el grupo experimental en comparación con el grupo de control. La prueba de
Levene indicó una diferencia signicativa en las varianzas (F = 7.974, Sig. = 0.006), lo que sugiere
que no se deben asumir varianzas iguales para esta variable. La prueba t correspondiente (t =
8.346, gl = 59.013, Sig. = 0.000) revela una diferencia signicativa en las medias de rendimiento
académico después de la intervención, con una diferencia de medias de 2.40000. El intervalo
de conanza del 95% para esta diferencia oscila entre 1.82460 y 2.97540, lo que refuerza la
conclusión de que la intervención (uso de IA) tuvo un impacto signicativo en el rendimiento del
grupo experimental.
Asimismo, la mejora en la comprensión y la retroalimentación fueron signicativamente superiores
en el grupo experimental, con respecto a la mejora en la comprensión, la prueba de Levene
mostró que las varianzas pueden asumirse como similares (F = 0.064, Sig. = 0.801), y la prueba
t (t = 18.531, gl = 68, Sig. = 0.000) indicó una diferencia de medias de 2.886 con un intervalo de
conanza del 95% entre 2.575 y 3.196, lo que resalta que el grupo experimental presentó una
mejoría considerable en la comprensión en relación con el grupo de control. De manera similar, la
retroalimentación mostró una diferencia signicativa entre los grupos de estudio, con una prueba
de Levene que reveló diferencias en las varianzas (F = 7.509, Sig. = 0.008) y una prueba t (t =
18.255, gl = 58.132, Sig. = 0.000) que reportó una diferencia de medias de 2.829, con un intervalo
de conanza del 95% entre 2.518 y 3.139. Estos resultados indican que el grupo experimental
percibió una retroalimentación académica más efectiva que el grupo de control.
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
122
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
Tabla 2
Prueba de muestras independientes - resultados
Prueba de muestras independientes
Prueba de leve-
ne de igualdad
de varianzas
prueba t para la igualdad de medias
F Sig. t gl Sig. bi-
lateral
Diferencia
de medias
Diferencia
de error
estándar
95% de intervalo
de conanza de la
diferencia
Inferior Superior
Rendi-
miento
antes
Se
asumen
varianzas
iguales
.026 .872 .105 68 .917 .02857 .27326 -.51671 .57385
No se
asumen
varianzas
iguales
.105 67.896 .917 .02857 .27326 -.51672 .57386
Rendi-
miento
después
Se
asumen
varianzas
iguales
7.974 .006 8.346 68 .000 2.40000 .28756 1.82619 2.97381
No se
asumen
varianzas
iguales
8.346 59.013 .000 2.40000 .28756 1.82460 2.97540
Mejora
compren-
sión
Se
asumen
varianzas
iguales
.064 .801 18.531 68 .000 2.886 .156 2.575 3.196
No se
asumen
varianzas
iguales
18.531 67.978 .000 2.886 .156 2.575 3.196
Retroa-
limenta-
ción
Se
asumen
varianzas
iguales
7.509 .008 18.255 68 .000 2.829 .155 2.519 3.138
No se
asumen
varianzas
iguales
18.255 58.132 .000 2.829 .155 2.518 3.139
El análisis del ANOVA evidencia diferencias signicativas entre los grupos en varias dimensiones
clave, resaltando la relevancia del enfoque adoptado, en la mejora de la comprensión, la suma
de cuadrados entre grupos es de 113.230 con 6 grados de libertad (gl), resultando en una media
cuadrática de 18.872. El valor F de 19.378, con una signicancia (Sig.) de 0.000, señala una
diferencia estadísticamente signicativa en la capacidad de comprensión entre los grupos, lo que
evidencia que las variaciones observadas reejan un impacto sustancial en el aprendizaje de los
estudiantes tras la intervención.
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
123
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
En relación con el sentimiento de inclusión, la suma de cuadrados entre grupos es de 26.144
con 6 grados de libertad, produciendo una media cuadrática de 4.357. El valor F de 2.781 y una
signicancia de 0.018 revelan diferencias signicativas en la percepción de inclusión entre los
distintos grupos dentro del entorno educativo, lo que destaca la importancia de considerar tanto
los resultados académicos como el bienestar y la integración de los estudiantes en el proceso de
aprendizaje.
Por otro lado, la variable de participación no mostró diferencias signicativas entre los grupos,
con una suma de cuadrados entre grupos de 2.368, un valor F de 0.812 y una signicancia de
0.564, lo que indica que la intervención no tuvo un impacto considerable en la participación de los
estudiantes dentro del aula.
Por último, la retroalimentación, con una suma de cuadrados entre grupos de 78.608, media
cuadrática de 13.101, un valor F de 9.173 y una signicancia de 0.000, revela diferencias
signicativas entre los grupos, indicando que los estudiantes experimentaron variaciones notables.
Estas diferencias, junto con las observadas en la mejora de la comprensión y el sentimiento de
inclusión, demuestran que la intervención tuvo un impacto considerable en la percepción y el
proceso de aprendizaje de los estudiantes.
Tabla 3
ANOVA - resultados
ANOVA
Suma de
cuadrados
gl Media cua-
drática
F Sig.
Mejora Compren-
sión
Entre grupos 113.230 6 18.872 19.378 .000
Dentro de grupos 61.355 63 .974
Total 174.586 69
Participación Entre grupos 2.368 6 .395 .812 .564
Dentro de grupos 30.617 63 .486
Total 32.986 69
Sentimiento Inclu-
sión
Entre grupos 26.144 6 4.357 2.781 .018
Dentro de grupos 98.727 63 1.567
Total 124.871 69
Retroalimentación Entre grupos 78.608 6 13.101 9.173 .000
Dentro de grupos 89.978 63 1.428
Total 168.586 69
Los resultados demuestran que la intervención con herramientas basadas en Inteligencia
Articial inuye positivamente en diversas dimensiones del proceso educativo, evidenciando
mejoras notables en el grupo experimental en comparación con el grupo de control. Además,
el estudio resalta la importancia de factores como el sentimiento de inclusión y la calidad de la
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
124
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
retroalimentación, los cuales presentan diferencias signicativas entre los grupos. Sin embargo, no
todas las variables analizadas reejan cambios signicativos, como en el caso de la participación
en el aula, lo que sugiere que ciertos aspectos del entorno educativo podrían estar menos
inuenciados por la intervención. En conjunto, los resultados alcanzados destacan el potencial de
la personalización del aprendizaje en la experiencia educativa de los estudiantes, al tiempo que
muestran la complejidad de medir de manera integral los efectos de nuevas metodologías en el
entorno académico.
Discusión
Los datos reejan que el grupo experimental, que utilizó herramientas basadas en IA, presentó
un aumento considerable en el rendimiento académico tras la intervención, alcanzando una
media de 9.00 en comparación con el grupo de control, cuyo rendimiento descendió a 6.60.
Este hallazgo resalta la efectividad de la IA como en el estudio de Ifenthaler et al. (2024) para
optimizar el aprendizaje, evidenciando su potencial como una herramienta clave en la enseñanza
personalizada. Este hallazgo coincide con estudios previos, como los de Lavidas et al. (2024) y
Obregón et al. (2023) que señalan que las plataformas adaptativas basadas en IA, al ajustar los
contenidos según el progreso del estudiante, mejoran la comprensión y retención de la información
(Holmes et al., 2019; Romero & Ventura, 2020).
Uno de los aspectos más relevantes es la mejora en la comprensión académica, donde el grupo
experimental mostró una media de 4.26 frente a 1.37 en el grupo de control. Este resultado sugiere
que las herramientas de IA, como los sistemas de tutoría inteligente, generan benecios tangibles
en el aprendizaje, lo cual ha sido previamente documentado en estudios como Álvarez y Cepeda
(2024) y Aparicio-Gómez (2023) que destacan su capacidad para ofrecer dinámicas que permitan
superar dicultades especícas en el aprendizaje (Xu et al., 2019; Pane et al., 2015). Además, esta
personalización es consistente con la perspectiva de Moreno Padilla (2019), quien describe la IA
como una tecnología transformadora en los procesos educativos.
La retroalimentación que percibieron los estudiantes también presentó diferencias signicativas
entre los grupos, con una media de 4.23 en el grupo experimental frente a 1.40 en el grupo de
control. Esto respalda los hallazgos de estudios como el de Álvarez y Cepeda (2024) que destacan
el uso de IA en contextos educativos a nivel superior. Esta capacidad de la IA para ajustar en
tiempo real los contenidos y estrategias pedagógicas refuerza su relevancia en contextos
educativos, especialmente al atender las necesidades individuales de los estudiantes (Holmes et
al., 2019).
Otro aspecto destacado en los resultados es el sentimiento de inclusión, donde la intervención
basada en IA generó diferencias signicativas, evidenciando su potencial para mejorar la equidad
en el acceso a la educación. La capacidad de la IA para Korzynski et al. (2023) al adaptar
contenido y proporcionar apoyo especializado a estudiantes con necesidades especícas resalta
la importancia de desarrollar políticas educativas que promuevan el uso de estas tecnologías en
contextos de educación inclusiva (Sanchez-Acedo et al., 2024).
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
125
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
Por ejemplo, la implementación de asistentes virtuales y herramientas de aprendizaje accesibles
podría convertirse en un componente esencial dentro de los programas de educación especial.
Asimismo, se recomienda que los ministerios de educación y las instituciones académicas
establezcan estrategias para evaluar la efectividad de la IA en la reducción de barreras educativas
y la promoción de experiencias de aprendizaje más equitativas. (Kabudi et al., 2021; Khan & Khusro,
2021). Este impacto refuerza la importancia de la IA en la promoción de la inclusión educativa
como un componente esencial de la transformación tecnológica (Magallanes Ronquillo et al.,
2023).
Sin embargo, no todas las dimensiones analizadas reejaron cambios signicativos. En el caso
de la participación, no se encontraron diferencias relevantes entre los grupos, lo que sugiere
que este aspecto puede depender más de factores contextuales y pedagógicos no directamente
inuenciados por la IA (Dwivedi et al., 2021). Este hallazgo coincide con la necesidad, planteada
por Selwyn (2019), de integrar las herramientas tecnológicas con metodologías pedagógicas
tradicionales para abordar de manera integral los desafíos del aprendizaje.
Abordar desafíos relacionados con la privacidad de los datos resulta algo elemental, ya que
los sesgos algorítmicos y la dependencia tecnológica muetsran sus bases para garantizar
que la IA sea una herramienta complementaria que potencie las capacidades pedagógicas y
fomente un aprendizaje equitativo y sostenible (Chassignol et al., 2018; Gallent-Torres et al.,
2023). Estos hallazgos abren nuevas oportunidades para investigaciones futuras, especialmente
en la integración de la IA con prácticas según Nedungadi et al. (2024) educativas inclusivas,
sostenibilidad y éticamente responsables.
Conclusiones
Se demostró que la implementación de la inteligencia articial en el ámbito educativo tiene un
impacto signicativo en la personalización del aprendizaje y que sus efectos se extienden al
rendimiento académico y al mismo tiempo, brindó datos satisfactorios que esta metodología
puede servir a la inclusión educativa. Los resultados obtenidos mediante la prueba t y el ANOVA
refuerzan la evidencia de que la implementación de herramientas basadas en inteligencia articial
en el ámbito educativo tiene un impacto signicativo y multifacético en el aprendizaje.
Las pruebas t para muestras independientes demostraron que, tras la intervención con IA, el grupo
experimental a diferencia del grupo de control presentó mejoras considerables en el rendimiento
académico, en la comprensión de contenidos y en la calidad de retroalimentación recibida. Los
hallazgos mencionados sustentan la idea de que la IA puede personalizar el aprendizaje de manera
efectiva, ajustando el contenido y las estrategias pedagógicas a las necesidades individuales de
los estudiantes, lo que se traduce en una optimización de los resultados académicos.
A través de la implementación de herramientas adaptativas, los estudiantes con necesidades
educativas especiales pueden acceder a materiales personalizados y recibir apoyo inmediato, lo
que favorece una experiencia de aprendizaje más inclusiva y equitativa. Además, las encuestas
y entrevistas realizadas a docentes y estudiantes han corroborado que la inteligencia articial
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
126
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
promueve una mayor participación y compromiso, contribuyendo a la reducción de las barreras
educativas para estudiantes con discapacidades y diversas necesidades.
La integración de la inteligencia articial en la educación, aunque prometedora, conlleva desafíos
que requieren atención constante, especialmente en temas como la protección de la privacidad
de los datos y la corrección de posibles sesgos en los algoritmos. Para garantizar que estas
herramientas benecien de manera equitativa a todos los estudiantes, es fundamental proteger
la información personal y corregir cualquier prejuicio en los algoritmos. Además, es fundamental
preservar un equilibrio adecuado entre la integración de la IA y los enfoques pedagógicos
convencionales, con el n de prevenir una dependencia excesiva de la tecnología y promover
el desarrollo de habilidades esenciales como el pensamiento crítico y la capacidad de resolver
problemas.
Al mismo tiempo, la incorporación de esta herramienta tecnológica en la educación brinda
importantes oportunidades para optimizar la personalización del aprendizaje, mejorar los
resultados académicos y promover una mayor inclusión en el sistema educativo. Para que estas
tecnologías transformen de manera positiva el entorno educativo, es necesario abordar de manera
anticipada los desafíos éticos y técnicos que pueden surgir a lo largo del tiempo. Se recomienda
una inversión continua en la creación de programas especícos de capacitación continua que
conlleve, tanto el aprendizaje personal de los docentes en el manejo técnico e interpretativo de los
resultados que arrojan estas tecnologías emergentes como la forma de aplicarlo a la enseñanza.
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
127
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
Referencias
Álvarez Merelo, J. C., & Cepeda Morante, L. J. (2024). El impacto de la inteligencia articial en la enseñanza
y el aprendizaje. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 5(3).
https://doi.
org/10.56712/latam.v5i3.2061
Alshahrani, A. (2023). The impact of ChatGPT on blended learning: Current trends and future research direc-
tions. International Journal of Data and Network Science, 7(4), 2029–2040.
https://doi.org/10.5267/j.ijd-
ns.2023.6.010
Aparicio-Gómez, O.-Y., & Aparicio-Gómez, W.-O. (2024). Innovación educativa con sistemas de aprendizaje adap-
tativo impulsados por Inteligencia Articial. Revista Internacional de Pedagogía e Innovación Educativa,
4(2).
https://doi.org/10.51660/ripie42222
Aparicio-Gómez, W.-O. (2023). La Inteligencia Articial y su Incidencia en la Educación: Transformando el Apren-
dizaje para el Siglo XXI. REVISTA INTERNACIONAL DE PEDAGOGÍA E INNOVACIÓN EDUCATIVA, 3(2), 217–
230.
https://editic.net/journals/index.php/ripie/article/view/156/143
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Articial Intelligence trends in education: A
narrative overview. Procedia Computer Science, 136, 16–24. https://doi.org/10.1016/j.procs.2018.08.233
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the
era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–239.
https://doi.org/10.1
080/14703297.2023.2190148
Crisol-Moya, E., Herrera-Nieves, L., & Montes-Soldado, R. (2020). Virtual education for all: Systematic review.
Education in the Knowledge Society, 21.
https://doi.org/10.14201/eks.20327
Desmond, D., Layton, N., Bentley, J., Boot, F., Borg, J., Dhungana, B., Gallagher, P., Gitlow, L., Gowran, R., Groce,
N., Mavrou, K., Mackeogh, T., McDonald, R., Pettersson, C., & Scherer, M. (2018). Assistive technology and
people: a position paper from the rst global research, innovation and education on assistive technology
(GREAT) summit. Disability and Rehabilitation: Assistive Technology, 13(5), 437–444.
https://doi.org/10.1
080/17483107.2018.1471169
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J., Eirug,
A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B.,
… Williams, M. D. (2021). Articial Intelligence (AI): Multidisciplinary perspectives on emerging challenges,
opportunities, and agenda for research, practice and policy. International Journal of Information Manage-
ment, 57.
https://doi.org/10.1016/j.ijinfomgt.2019.08.002
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
128
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). The impact of Generative Articial In-
telligence 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
García Villaroel, J. J. (2021). Implicancia de la inteligencia articial en las aulas virtuales para la educación su-
perior. Orbis Tertius UPAL, 5(10), 31–52.
https://doi.org/10.59748/ot.v5i10.98
Holmes, W., Bialik, M., & Fadel, C. (2019). Articial Intelligence in Education Promises and Implications for Tea-
ching and Learning. MA: Center for Curriculum Redesign.
Hoofnagle, C. J., Van Der Sloot, B., & Zuiderveen Borgesius, F. (2018). The European Union General Data Pro-
tection Regulation: What It Is And What It Means. SSRN Electronic Journal.
https://doi.org/doi:10.2139/
ssrn.3254511
Ifenthaler, D., Majumdar, R., Gorissen, P., Judge, M., Mishra, S., Raffaghelli, J., & Shimada, A. (2024). Articial Inte-
lligence in Education: Implications for Policymakers, Researchers, and Practitioners. Technology, Knowle-
dge and Learning.
https://doi.org/10.1007/s10758-024-09747-0
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic mapping of the
literature. Computers and Education: Articial Intelligence, 2.
https://doi.org/10.1016/j.caeai.2021.100017
Khan, A., & Khusro, S. (2021). An insight into smartphone-based assistive solutions for visually impaired and
blind people: issues, challenges and opportunities. Universal Access in the Information Society, 20(2), 265–
298.
https://doi.org/10.1007/s10209-020-00733-8
Kirwan, A. (2023). ChatGPT and university teaching, learning and assessment: some initial reections on tea-
ching academic integrity in the age of Large Language Models. Irish Educational Studies.
https://doi.org/1
0.1080/03323315.2023.2284901
Korzynski, P., Mazurek, G., Altmann, A., Ejdys, J., Kazlauskaite, R., Paliszkiewicz, J., Wach, K., & Ziemba, E. (2023).
Generative articial intelligence as a new context for management theories: analysis of ChatGPT. Central
European Management Journal, 31(1), 3–13.
https://doi.org/10.1108/CEMJ-02-2023-0091
Lavidas, K., Voulgari, I., Papadakis, S., Athanassopoulos, S., Anastasiou, A., Filippidi, A., Komis, V., & Karacapilidis,
N. (2024). Determinants of Humanities and Social Sciences Students’ Intentions to Use Articial Inte-
lligence Applications for Academic Purposes. Information (Switzerland), 15(6).
https://doi.org/10.3390/
info15060314
Magallanes Ronquillo, K. K., Mora Rodríguez, A. J., Aguas Veloz, J. F., & Plúas Pérez, L. del R. (2023). La inteligen-
cia articial aplicada en la innovación educativa en el proceso de enseñanza y aprendizaje. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, 4(2). https://doi.org/10.56712/latam.v4i2.706
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
129
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
Moreno Padilla, R. D. (2019). La llegada de la inteligencia articial a la educación. Revista de Investigación En
Tecnologías de La Información, 7(14), 260–270.
https://doi.org/10.36825/riti.07.14.022
Morocho Cevallos, R. A., Cartuche Gualán, A. P., Tipan Llanos, A. M., Guevara Guevara, A. M., & Ríos Quiñónez, M.
B. (2023). Integración de la Inteligencia Articial en la Educación. Ciencia Latina Revista Cientíca Multidis-
ciplinar, 7(6), 2032–2053.
https://doi.org/10.37811/cl_rcm.v7i6.8832
Muñoz, J. L. R., Ojeda, F. M., Jurado, D. L. A., Peña, P. F. P., Carranza, C. P. M., Berríos, H. Q., Molina, S. U., Farfan,
A. R. M., Arias-Gonzáles, J. L., & Vasquez-Pauca, M. J. (2022). Systematic Review of Adaptive Learning Te-
chnology for Learning in Higher Education. Eurasian Journal of Educational Research, 2022(98), 221–233.
https://doi.org/10.14689/ejer.2022.98.014
Navarrete-Cazales, Z., & Manzanilla-Granados, H. M. (2023). Una perspectiva sobre la inteligencia articial en
la educación. Perles Educativos, 45(Especial), 87–107.
https://doi.org/10.22201/iisue.24486167e.2023.
Especial.61693
Nedungadi, P., Tang, K. Y., & Raman, R. (2024). The Transformative Power of Generative Articial Intelligence for
Achieving the Sustainable Development Goal of Quality Education. Sustainability (Switzerland), 16(22).
https://doi.org/10.3390/su16229779
Obregón, L. A., Onofre, C. Y., Ii, B., Pareja, E. J., & Iii, Z. (2023). The impact of articial intelligence in the educa-
tional eld O impacto da inteligência articial na área educacional. POCAIP, 8(39), 342–354.
https://doi.
org/10.23857/pcaec.v8i3
Ortiz Muñoz, F. J. (2024). La Inteligencia Articial como elemento disruptivo para consolidar el cambio del para-
digma educativo. Derecom, 36, 65–85.
https://dialnet.unirioja.es/servlet/articulo?codigo=9509032
Pane, J., Steiner, E., Baird, M., & Hamilton, L. (2015). Continued Progress: Promising Evidence on Personalized
Learning. RAND Corporation.
https://www.rand.org/pubs/research_reports/RR1365.html
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley In-
terdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3).
https://doi.org/10.1002/widm.1355
Sanchez-Acedo, A., Carbonell-Alcocer, A., Gertrudix, M., & Rubio-Tamayo, J. L. (2024). The challenges of media
and information literacy in the articial intelligence ecology: deepfakes and misinformation. Communica-
tion and Society, 37(4 Special Issue), 223–239.
https://doi.org/10.15581/003.37.4.223-239
Selwyn, N. (2019). Should robots replace teachers? AI and the Future of Education (1st ed.). Polity Press.
Xu, Z., Wijekumar, K., Ramirez, G., Hu, X., & Irey, R. (2019). The effectiveness of intelligent tutoring systems on
K-12 students’ reading comprehension: A meta-analysis. British Journal of Educational Technology, 50(6),
3119–3137.
https://doi.org/10.1111/bjet.12758
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
130
REVISTA CIENTÍFICA UISRAEL – VOL. 12 NÚM. 2 – MAYO AGOSTO 2025
Zhang, L., Basham, J. D., & Yang, S. (2020). Understanding the implementation of personalized learning: A re-
search synthesis. In Educational Research Review (Vol. 31). Elsevier Ltd. https://doi.org/10.1016/j.edu-
rev.2020.100339
REVISTA CIENTÍFICA UISRAEL
QUITO-ECUADOR
2025
131
e-ISSN: 2631 - 2786
rcientica@uisrael.edu.ec
EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN LA PERSONALIZACIÓN DEL APRENDIZAJE Y SUS EFECTOS EN
RENDIMIENTO ACADÉMICO E INCLUSIÓN EDUCATIVA
Copyright (2025) © Carlos Manuel Núñez-Michuy, Diego Bonilla-Jurado, Thalía Isabel
Baquedano Moya, Luis Marcial Agualongo-Chela
Este texto está protegido bajo una licencia internacional Creative Commons 4.0.
Usted es libre para Compartir—copiar y redistribuir el material en cualquier medio o formato
— y Adaptar el documento — remezclar, transformar y crear a partir del material—para
cualquier propósito, incluso para nes comerciales, siempre que cumpla las condiciones de
Atribución. Usted debe dar crédito a la obra original de manera adecuada, proporcionar un
enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma
razonable, pero no de forma tal que sugiera que tiene el apoyo del licenciante o lo recibe por
el uso que hace de la obra.
Resumen de licencia – Texto completo de la licencia
