H
orizon Nexus Journal |
Vol
.
0
4
| Núm
.
0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
ISSN:
3073
-
1275
183
Rev
isi
ón
Revisión Sistemática sobre la Inteligencia Artificial Generativa y Aprendizaje
Autorregulado en Educación Superior
Systematic Review on Generative Artificial Intelligence and Self
-
Regulated Learning in
Higher Education
Fausto Vinicio
Calderón
-
Pineda
1
*
y
José Giovanni
Palacios
-
Meléndez
2
1
Universidad Católica Andres Bello
,
Venezuela
,
Caracas
;
https://orcid.org/0000
-
0001
-
5425
-
1057
2
Universidad Estatal Peninsula de Santa Elena
,
Ecuador
,
La Libertad
;
https://orcid.org/0000
-
0002
-
4738
-
4641
;
jpalaciosm@upse.edu.ec
*
Correspondencia
:
fausto.calderon@gmail.com
https://doi.org/10.70881/hnj/v4/n1/108
Resumen:
La inteligencia artificial generativa ha transformado
profundamente la educación superior desde el lanzamiento de
ChatGPT en noviembre de 2022, generando tanto oportunidades
como riesgos para el desarrollo de competencias de aprendizaje
autónomo. La relaci
ón entre estas herramientas y la capacidad de los
estudiantes para planificar, monitorear y regular sus propios procesos
cognitivos es compleja y dependiente del diseño pedagógico:
mientras un andamiaje instruccional estructurado potencia la
planificación
estratégica y el control metacognitivo, el uso no guiado
favorece la "pereza metacognitiva" y la dependencia tecnológica. La
alfabetización en IA, la autoeficacia y la disciplina académica modulan
significativamente estos efectos, y la producción científic
a sobre el
tema crece de manera exponencial, concentrando el 71.4% de la
evidencia disponible en 2025. Integrar la IA generativa en la
universidad no es una decisión tecnológica sino pedagógica, que
exige rediseñar intencionalmente los entornos de aprendiz
aje para
preservar y fortalecer la autorregulación estudiantil.
Palabras clave:
inteligencia artificial generativa; aprendizaje
autorregulado; educación superior; metacognición; andamiaje
adaptativo.
Abstract:
Generative artificial intelligence has profoundly transformed
higher education since the launch of ChatGPT in November 2022,
creating both opportunities and risks for the development of
autonomous learning competencies. The relationship between these
tools
and students' ability to plan, monitor, and regulate their own
cognitive processes is complex and highly dependent on pedagogical
design: while structured instructional scaffolding enhances strategic
planning and metacognitive control, unguided use foster
s
"metacognitive laziness" and technological dependence. AI literacy,
self
-
efficacy, and academic discipline significantly modulate these
effects, and scientific output on the topic is growing exponentially, with
71.4% of available evidence concentrated in
2025. Integrating
Cita:
Calderón
-
Pineda, F. V., &
Palacios
-
Meléndez, J. G. (2026).
Revisión Sistemática sobre la
Inteligencia Artificial Generativa y
Aprendizaje A
utorregulado en
Educación Superior.
Horizon
Nexus Journal
,
4
(1), 183
-
199
.
https://doi.org/10.70881/hnj/
v4/n1/108
Recibido:
02
/
02
/20
26
Revisado:
28
/
02
/20
26
Aceptado:
01
/
03/
20
26
Publicado:
1
6
/
03
/20
26
Copyright:
© 202
6
por los
autores
.
Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
184
generative AI into higher education is not a technological decision but
a pedagogical one, requiring the intentional redesign of learning
environments to preserve and strengthen student self
-
regulation.
Keywords:
generative artificial in
telligence; self
-
regulated learning;
higher education; metacognition; adaptive scaffolding.
1. Introducción
La educación superior ha atravesado consecutivas revoluciones tecnológicas
que han reconfigurado las prácticas pedagógicas y los roles de docentes
y
estudiantes. Desde la implementación de Sistemas de Gestión del Aprendizaje
(LMS) en los años noventa hasta la expansión de los Cursos Masivos Abiertos
en Línea (MOOCs) en la década de 2010, cada innovación prometió
democratizar el acceso al conocimiento
y personalizar el aprendizaje (Luckin et
al., 2016). Sin embargo, ninguna de estas transformaciones se
equipará
en
velocidad, alcance e intensidad con la perturbación inducida por la inteligencia
artificial generativa, especialmente tras el lanzamiento pú
blico de ChatGPT por
OpenAI en noviembre de 2022.
En pocas semanas, esta tecnología alcanzó más de 100 millones de usuarios,
convirtiéndose en la aplicación de adopción más acelerada de la historia (Chen,
2023). A diferencia de los sistemas tutoriales int
eligentes de primera generación,
fundamentados en reglas y dominios limitados (Roll & Wylie, 2016), los modelos
de lenguaje grande (LLMs) actuales basados en arquitecturas transformer con
mecanismos de atención multi
-
cabeza (Vaswani et al., 2017)
operan de manera
transdisciplinaria, integrándose velozmente en actividades académicas que van
desde la elaboración de materiales didácticos hasta la provisión de
retroalimentación personalizada (Nguyen et al., 2024).
Esta irrupción ha generado respuest
as ambivalentes en la comunidad
educativa: mientras que voces críticas advierten sobre riesgos de plagio, erosión
del pensamiento crítico y sesgos algorítmicos (Ou et al., 2024; Weng et al.,
2024), perspectivas más optimistas destacan su potencial para dem
ocratizar el
acceso a tutorías, apoyar a estudiantes con necesidades especiales y reducir la
carga administrativa docente (Chang et al., 2023; Van der Wal, 2024). Resulta
claro que la incorporación de la IA generativa en educación superior no es una
cuesti
ón de "si", sino de "cómo", "para quién" y "
en qué condiciones
pedagógicas
y éticas" (Ma et al., 2025).
En este contexto, el aprendizaje autorregulado (SRL, por sus siglas en inglés)
emerge como el constructo teórico más pertinente para analizar el impact
o de la
IA generativa en los procesos de aprendizaje. El SRL se define como el proceso
mediante el cual los estudiantes inician y sostienen cogniciones, afectos y
conductas orientadas al logro de metas autodeterminadas, constituyendo un
predictor sólido de
éxito académico, persistencia y aprendizaje profundo
(Zimmerman, 2002; Schunk & Zimmerman, 2012). El modelo sociocognitivo de
Zimmerman (2002, 2008) concibe el SRL como un ciclo recursivo de tres fases
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
185
previsión, ejecución y autorreflexión, modulado por l
a autoeficacia percibida
(Bandura, 1997).
De manera complementaria, el modelo COPES de Winne y Hadwin (1998)
distingue entre monitoreo metacognitivo comparar estándares y productos
actuales y control metacognitivo
modificar procesos al detectar
discrepancias,
distinción que resulta crítica para comprender cómo la IA puede intervenir en la
regulación del aprendizaje. Ambos modelos comparten con Flavell (1979) la
premisa de que la metacognición la conciencia de los propios procesos
cognitivos
es co
ndición necesaria para el aprendizaje autónomo y efectivo.
La introducción de IA generativa en este ecosistema plantea oportunidades y
riesgos simultáneos para el SRL. Por un lado, la capacidad de la IA de proveer
feedback inmediato y personalizado, genera
r ejemplos adaptados y sostener
diálogos metacognitivos la posiciona como un potencial "par más capaz" en la
zona de desarrollo próximo del estudiante (Vygotsky, 1978; Wood et al., 1976;
Chang et al., 2023; Lee et al., 2024).
Por otro lado, el acceso irres
tricto a herramientas que resuelven tareas
complejas puede inducir lo que Fan et al. (2025) denominaron "pereza
metacognitiva": la reducción del esfuerzo cognitivo propio cuando la IA asume
los procesos de planificación, monitoreo y razonamiento. Zhang y X
u (2025)
documentaron una paradoja asociada: el uso de IA generativa eleva la
autoeficacia
percibida,
pero incrementa simultáneamente la dependencia
tecnológica, comprometiendo la autonomía intelectual futura.
Ante esta evidencia, el presente estudio bus
ca mapear sistemáticamente la
relación entre IA generativa y SRL en educación superior, integrando la teoría
del andamiaje vygotskiano con los modelos actuales de autorregulación para
identificar las condiciones bajo las cuales la IA amplifica y no erosion
a las
competencias de aprendizaje autónomo.
2. Materiales y Métodos
Diseño del Estudio
Se adoptó un enfoque metodológico mixto que integra una revisión sistemática
de literatura con técnicas de análisis bibliométrico. Este modelo híbrido es apto
para combinar los hallazgos de la evidencia empírica emergente y, por lo tanto,
describir la estr
uctura, el proceso y las corrientes de producción científica en este
campo en expansión.
Para asegurar la transparencia, la exhaustividad y la reproducibilidad, se utiliza
el método de revisión sistemática
PRISMA (Preferred Reporting Items for
Systematic R
eviews and Meta
-
Analyses) (Page et al., 2021)
Por su parte, el
análisis bibliométrico ofrece un mapeo cuantitativo de la estructura intelectual del
campo a través del análisis de citas, coocurrencia de palabras clave y
visualización de redes.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
186
La Figura 1
presenta el marco integrador propuesto, que articula la teoría del
andamiaje de Vygotsky con los modelos de SRL de Zimmerman y Winne y
Hadwin, y que orientó la síntesis e interpretación de la evidencia empírica
analizada.
Figura 1
Marco integrador: IA gen
erativa como andamiaje adaptativo para el aprendizaje
autorregulado.
=
Nota:
El modelo integra el ciclo SRL de Zimmerman con la teoría de andamiaje vygotskiano,
identificando mediadores individuales, moderadores contextuales, principios de diseño y
riesgos
asociados.
Fuentes de Información y Estrategia de Búsqueda
La búsqueda se realizó en Scopus (Elsevier) y Web of Science Core Collection
(Clarivate Analytics), seleccionadas por su cobertura multidisciplinaria rigurosa,
indexación de revistas de alt
o impacto y calidad de metadatos bibliográficos.
La
ecuación de búsqueda booleana implementada fue: ("generative artificial
intelligence" OR "generative AI" OR "ChatGPT" OR "LLM" OR "large language
model" OR "GPT
-
4") AND ("self
-
regulated learning" OR "self
-
directed learning"
OR "autonomous learning" OR "metacognition") AND ("higher education" OR
"university" OR "undergraduate" OR "postgraduate").
El período de búsqueda se
delimitó entre 2022 y 2026.
Proceso de Selección PRISMA
La búsqueda inicial arrojó 124
documentos a través de ambas bases de datos.
Tras desduplicación automática y manual utilizando R Studio y el paquete
Bibliometrix, se eliminaron 33 duplicados, resultando en 91 documentos únicos
para cribado inicial. Los criterios de inclusión fueron: (a
) artículos de
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
187
investigación empírica o revisiones sistemáticas; (b) enfoque explícito en la
intersección entre IA generativa y procesos de SRL/SDL; (c) contexto de
educación superior; (d) publicación en revistas con revisión por pares; (e)
idiomas inglés
o español; (f) acceso a texto completo. Los criterios de exclusión
fueron: (a) editoriales, comentarios, cartas; (b) estudios en educación primaria o
secundaria; (c) IA no generativa; (d) publicaciones sin datos empíricos. La Figura
2 presenta el diagrama
de flujo PRISMA.
Figura 2
Diagrama de flujo PRISMA del proceso de selección sistemática de estudios.
=
Fuente.
Diagrama PRISMA adaptado de
Page et al.,
(
2021).
Se identificaron 124 registros iniciales en Scopus y Web of
Science, resultando
en 91 documentos incluidos tras desduplicación, cribado por título/resumen y
búsqueda complementaria por referencias.
Extracción de Datos y Análisis
Se diseñó una matriz de extracción de datos en Microsoft Excel que capturaba
información en tres categorías: variables bibliométricas (autores, año, revista,
citas, palabras clave), variables metodológicas (diseño de investigación,
muestra, instrumentos, a
nálisis) y variables sustantivas (constructos medidos,
hallazgos principales, limitaciones).
El análisis bibliométrico se realizó utilizando el paquete Bibliometrix en R. La
síntesis cualitativa de hallazgos siguió un enfoque de síntesis narrativa temática
,
organizando documentos según efectos principales, mecanismos, mediadores y
moderadores.
3. Resultados
Panorama Bibliométrico
El análisis de la distribución temporal de publicaciones revela un crecimiento
exponencial en la investigación sobre IA generativa y aprendizaje autorregulado
H}]}v N˘ J}vo
H}]}v N˘ J}vo n V}o X
n N•u
n
Ev
t
M
n
n ``` XZ}]}vv˘i}vo X]}]o}} X}u
(Tabla 1). En 2022, año de lanzamiento de ChatGPT, se registró únicamente un
documento, lo que re
fleja la novedad del fenómeno. Esta cifra ascendió a 5
publicaciones en 2023 y a 14 en 2024, evidenciando un interés creciente pero
aún incipiente.
El año 2025 marcó un punto de inflexión significativo, concentrando 65
artículos
el
71.4% de la producción
t
otal
,
lo que confirma la consolidación acelerada del
campo como área de investigación prioritaria.
Los 6 documentos de 2026
corresponden exclusivamente a enero, sugiriendo que la tendencia de
crecimiento se mantiene.
Este patrón es consistente con el cicl
o de adopción de tecnologías disruptivas
en la investigación educativa: un período de latencia seguido de una explosión
productiva (Figura 3). El dominio de 2025 implica que gran parte de la evidencia
es reciente y puede carecer aún de replicación independ
iente, lo cual constituye
una limitación que debe considerarse en la interpretación de los hallazgos.
Tabla 1
Distribución Temporal de la Producción Científica (N = 91)
Año
Documentos
Porcentaje
Acumulado
2022
1
1.1
1
2023
5
5.5
6
2024
14
15.4
20
2025
65
71.4
85
2026*
6
6.6
91
Nota.
*Datos para 2026 corresponden únicamente a enero. Los porcentajes se calculan sobre
el total del corpus (N = 91).
Figura 3
Crecimiento de la producción científica en IA generativa y aprendizaje
autorregulado (2022
-
2026).
H}]}v N˘ J}vo
H}]}v N˘ J}vo n V}o X
n N•u
n
Ev
t
M
n
n ``` XZ}]}vv˘i}vo X]}]o}} X}u
ı
Nota:
Las barras representan documentos anuales y la línea púrpura el acumulado. El pico de
2025 (71.4%) confirma la consolidación acelerada del campo.
El análisis de las fuentes de publicación revela que la investigación se c
oncentra
en revistas especializadas de alto impacto (Tabla 2). El
British Journal of
Educational Technology
y
Education and Information Technologies
lideran la
producción con 5 artículos cada una, ambas clasificadas en el primer cuartil (Q1)
con factores de impacto de 6.6 y 4.8, respectivamente.
Esta concentración en revistas Q1 indica que el campo está atrayendo
contribuciones de alta calidad metodol
ógica desde sus etapas iniciales, a
diferencia de áreas emergentes que suelen publicarse inicialmente en foros de
menor impacto.
La presencia de
The Internet and Higher Education
(IF = 8.6, Q1) entre los cinco
primeros, pese a tener solo 3 artículos, refl
eja su relevancia para estudios sobre
tecnología educativa en contextos universitarios. Cabe destacar que ninguna
revista hispanohablante figura entre las más productivas, lo que evidencia una
brecha en la producción científica en español sobre este tema
.
Tabla 2
Revistas Más Productivas en el Dominio de Estudio
Revista
n
IF
Cuartil
British Journal of Educational Technology
5
6.6
Q1
Education and Information Technologies
5
4.8
Q1
H}]}v N˘ J}vo
,}]}vE˘:}vons}oX
nE•u
n
v
t
D
n
n```XZ}]}vv˘i}voX]}]o}}X}u
ı
Education Sciences
4
2.9
Q2
Journal of Information Technology
Education
4
3.5
Q2
The Internet and Higher Education
3
8.6
Q1
Nota.
IF = Factor de Impacto (Journal Citation Reports, 2024).
Q = Cuartil en la categoría
Education & Educational Research.
La revisión de los documentos más citados del corpus permite identificar las
contribuciones teóricas y empíricas que están estructurando el debate
académico en este campo (Tabla 3).
El estudio de Chang et al. (2023) lidera con 144 citas, destacando por hab
er
sistematizado los principios de diseño para chatbots educativos que apoyan el
SRL incluyendo establecimiento de metas, retroalimentación y personalización,
constituyéndose en referencia obligada para el diseño instruccional con IA.
El trabajo de Fan e
t al. (2025), con 142 citas en apenas un año de publicación,
refleja el alto impacto del concepto de "pereza metacognitiva" en la comunidad
investigadora. El estudio de Nguyen et al. (2024) sobre patrones de colaboración
humano
-
IA en escritura académica (1
31 citas) señala que la producción escrita
es el contexto más investigado.
En conjunto, los cinco documentos más citados comparten una preocupación
central: comprender bajo qué condiciones la IA generativa apoya u obstaculiza
los procesos de autorregulació
n, lo que define la agenda investigativa del campo.
Tabla 3
Documentos Más Citados del Corpus Analizado
Estudio
Citas
Contribución principal
Chang et al. (2023)
144
Principios de diseño educativo de chatbots
IA que apoyan
SRL: establecimiento de metas, feedback y personalización
Fan et al. (2025)
142
Concepto de "pereza metacognitiva": efectos de IA
generativa en motivación, procesos y rendimiento del
aprendizaje
Nguyen et al. (2024)
131
Patrones de
colaboración humano
-
IA en escritura académica
asistida
H}]}v N˘ J}vo
H}]}v N˘ J}vo n V}o X
n N•u
n
Ev
t
M
n
n ``` XZ}]}vv˘i}vo X]}]o}} X}u
ı
Dahri et al. (2024)
113
Modelo TAM extendido para aceptación de ChatGPT en
educación superior
Lee et al. (2024)
106
Mecanismo de guía ChatGPT en blended learning: SRL y
pensamiento de orden
superior
Nota.
Las citas corresponden al conteo acumulado hasta enero 2026
Estructura Temática del Campo
El análisis de
coocurrencia
de palabras clave identificó tres
clústeres
temáticos
principales que revelan la estructura intelectual del dominio (Fig
ura 4). El primer
clúster
, denominado "Desafíos Emergentes" (representado en rojo), agrupa los
conceptos asociados a riesgos y tensiones críticas del uso de IA en educación.
Los términos con mayor centralidad en este
clúster
son "pereza metacognitiva",
"de
pendencia tecnológica" e "integridad académica", lo que indica que la
preocupación por los efectos negativos no intencionados constituye una línea de
investigación consolidada.
La
coocurrencia
de "alfabetización en IA" con "pensamiento crítico" sugiere qu
e
los investigadores conciben ambas competencias como respuestas necesarias
ante estos riesgos. El segundo
clúster
, "Modelos Pedagógicos" (en azul), articula
los conceptos relacionados con el diseño instruccional efectivo. Los nodos más
densamente conectad
os son "andamiaje adaptativo", "feedback personalizado"
y "prompting metacognitivo", revelando que la comunidad científica está
convergiendo hacia principios de diseño específicos que permitan que la IA
potencie y no sustituya los procesos de autorregulaci
ón. La fuerte conexión entre
"zona de desarrollo próximo" y "desvanecimiento gradual" confirma la influencia
del marco vygotskiano en la conceptualización de intervenciones efectivas.
El tercer
clúster
, "Aplicaciones Disciplinares" (en verde), mapea
los contextos
específicos de implementación. La "escritura académica" emerge como el
dominio más investigado, seguida de "STEM" y "aprendizaje de idiomas", lo que
indica que la integración de IA generativa ha tenido mayor penetración en áreas
donde la prod
ucción textual y la resolución de problemas son centrales. Las
conexiones inter
-
clúster
entre este grupo y el de "Modelos Pedagógicos"
sugieren que los principios de diseño se están adaptando a las especificidades
disciplinares.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
192
Figura 4
Mapa de cluster
s temáticos identificados mediante análisis de co
-
ocurrencia de
palabras clave.
=
Nota:
Se identifican tres agrupaciones principales: desafíos emergentes (rojo),
modelos pedagógicos (azul) y aplicaciones disciplinares (verde). Las líneas
punteadas indican conexiones inter
-
cl
ú
ster.
Síntesis de Evidencia Empírica
Efectos Positivos con Diseño Ap
ropiado.
Múltiples estudios reportan efectos
positivos significativos cuando la integración de IA generativa incluye
componentes instruccionales estructurados. Lee et al. (2024) hallaron efectos
notables en las capacidades de razonamiento avanzado (d = 0.7
2) y en el
aprendizaje autorregulado (d = 0.68), por medio de la elaboración de un
"mecanismo de guía" que abarcaba instrucciones explícitas para utilizar
ChatGPT como instrumento adicional a nivel metacognitivo. Chang et al. (2023)
encontraron que el uso
de ciertos principios de diseño (andamiaje, modelado,
retroalimentación adaptativa) produjo un aumento del 34% en las conductas
vinculadas con la planificación estratégica. Pan et al. (2025) encontraron
progresos significativos en las estrategias de lectur
a (
η² = 0.42)
que emplean el
soporte interactivo GenAI, en escenarios de inglés como lengua extranjera.
Efectos Negativos y Riesgos.
En cambio, Fan et al. (2025) observaron el
fenómeno de "pereza metacognitiva", que se refiere a la situación en la que los
alumnos con acceso a ChatGPT sin una guía estructurada mostraron un
esfuerzo metacognitivo más bajo, una comprensión menos profunda y una
motivación intrínseca reducida. Zhang y Xu (2025) identificaron la "paradoja de
autoeficacia
-
dependencia": el uso de I
A incrementa la autoeficacia percibida
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
193
pero simultáneamente aumenta la dependencia tecnológica y reduce la
capacidad para funcionar independientemente.
La Figura 5 presenta una síntesis forestal de los tamaños del efecto reportados
en los estudios princip
ales del corpus, permitiendo una comparación sistemática
de la magnitud e incertidumbre de las intervenciones analizadas. Los efectos
positivos (representados en azul y verde) corresponden a intervenciones con
diseño instruccional estructurado y se concent
ran en el rango d = 0.42
–
0.72,
categoría considerada moderada a grande según los criterios de Cohen (1988).
El mayor efecto positivo corresponde a Lee et al. (2024) con d = 0.72 en
razonamiento de orden superior, seguido de d = 0.68 en planificación estrat
égica
del mismo estudio. Destaca que todos estos efectos presentan intervalos de
confianza al 95% que no cruzan el cero, lo que indica su significancia estadística
y robustez.
En contraste, los efectos negativos (en rojo) asociados al uso no guiado de IA
muestran tamaños de efecto en la dirección opuesta: Fan et al. (2025) reportan
una reducción significativa del esfuerzo metacognitivo (d = −0.54), mientras
Zhang y Xu (2025) documentan un incremento de la dependencia tecnológica (d
= −0.48). La amplitud de
algunos intervalos de confianza, particularmente en
estudios con muestras pequeñas, advierte sobre la necesidad de interpretar
estos resultados con cautela y replicarlos en contextos distintos. En conjunto, el
gráfico evidencia que el signo del efecto de
la IA generativa sobre el SRL no es
intrínseco a la tecnología, sino que depende de las condiciones pedagógicas
bajo las cuales se implementa.
Figura 5
=
Síntesis de tamaños del efecto reportados en estudios clave.
Nota:
Los diamantes
representan el tamaño del efecto puntual y las líneas
horizontales los intervalos de confianza al 95%. Efectos positivos (azul/verde)
corresponden a intervenciones con diseño instruccional estructurado; efectos
negativos (rojo) corresponden a uso no guiado
o riesgos identificados.
H}]}v N˘ J}vo
H}]}v N˘ J}vo n V}o X
n N•u
n
Ev
t
M
n
n ``` XZ}]}vv˘i}vo X]}]o}} X}u
ı
La Tabla 4 sistematiza los mediadores individuales y moderadores contextuales
identificados a través del corpus analizado, diferenciando entre variables que
operan a nivel del estudiante y variables que operan a nivel del diseño
i
nstruccional o institucional. Entre los mediadores individuales, la alfabetización
en IA emerge como el predictor más consistente: Ji et al. (2025) demostraron
que estudiantes con mayor competencia digital en IA presentan
comportamientos innovadores mediad
os por el SRL, lo que sugiere que el
dominio técnico de la herramienta es condición necesaria para su
aprovechamiento metacognitivo. Los rasgos de personalidad muestran efectos
en direcciones opuestas: la responsabilidad (conscientiousness) predice un uso
estratégico y efectivo de la IA (Weng et al., 2024), mientras que el neuroticismo
se asocia a patrones de dependencia tecnológica.
La autoeficacia presenta el efecto más paradójico del corpus: su incremento
asociado al uso de IA coexiste con una mayor dependencia tecnológica (Zhang
& Xu, 2025), lo que plantea interrogantes sobre la validez ecológica de la
autoeficacia percibida en ent
ornos con IA. Respecto a los moderadores
contextuales, la disciplina académica emerge como un factor diferenciador
relevante: los efectos documentados en áreas STEM difieren cualitativamente
de los observados en humanidades y ciencias sociales, posiblement
e debido a
las diferencias en la naturaleza de las tareas y los estándares de evaluación. La
modalidad de implementación presencial, híbrida o virtual y la duración de las
intervenciones también modulan significativamente los efectos, siendo las
intervenci
ones sostenidas en entornos blended learning las que producen
resultados más robustos (Lee et al., 2024).
Tabla 4
Mediadores Individuales y Moderadores Contextuales Identificados
Variable
Tipo
Efecto observado
Fuente
Alfabetización IA
Mediador
individual
Predice positivamente
comportamiento innovador vía
SRL
Ji et al.
(2025)
Conscientiousness
Mediador
individual
Predice uso estratégico y
efectivo de IA
Weng et al.
(2024)
Neuroticism
Mediador
individual
Predice dependencia
tecnológica
Weng et a
l.
(2024)
Autoeficacia
Mediador
individual
Efecto paradójico: incrementa
con IA pero genera dependencia
Zhang & Xu
(2025)
Disciplina
Moderador
contextual
Efectos diferenciados STEM vs.
Humanidades
Múltiples
H}]}v N˘ J}vo
H}]}v N˘ J}vo n V}o X
n N•u
n
Ev
t
M
n
n ``` XZ}]}vv˘i}vo X]}]o}} X}u
ı æ
Modalidad
Moderador
contextual
Efectos más robustos en
blended learning
Lee et al.
(2024)
Duración
Moderador
contextual
Intervenciones sostenidas
producen efectos más
duraderos
Múltiples
Nota.
Los mediadores individuales operan a nivel del estudiante; los moderadores
contextuales operan a nivel del diseño instruccional o institucional.
4. Discusión
Integración de Hallazgos con Marco Teórico
Los hallazgos empíricos confirman las predicciones derivadas del modelo cíclico
de Zimmerman (2002, 2008): la IA generativa puede
apoyar las tres fases de
previsión, ejecución y autorreflexión cuando el diseño instruccional lo facilita
intencionalmente. La evidencia de Lee et al. (2024) y Chang et al. (2023)
demuestra que intervenciones estructuradas que incluyen prompts
metacogniti
vos y orientación explícita producen mejoras significativas en
planificación estratégica y monitoreo metacognitivo, consistentes con el principio
de andamiaje contingente propuesto por Wood et al. (1976).
De igual manera, los resultados confirman la disti
nción teórica de Winne y
Hadwin (1998) entre monitoreo y control metacognitivo, demostrando que la IA
puede disminuir el monitoreo proactivo del estudiante, a menos que el diseño
instruccional incorpore elementos metacognitivos explícitos. La "pereza
metac
ognitiva" que observaron Fan et al. (2025) se justifica teóricamente por la
externalización de la parte de control del modelo COPES: al obtener
evaluaciones y retroalimentación automáticas de la IA, los estudiantes
disminuyen su propio esfuerzo de control
metacognitivo.
El análisis integrado de la evidencia permite identificar tres tensiones
conceptuales fundamentales que estructuran el debate teórico en este campo.
La primera y más crítica es la tensión entre andamiaje y sustitución cognitiva:
mientras el
andamiaje genuino implica un apoyo temporal con desvanecimiento
gradual y transferencia progresiva de la responsabilidad al estudiante (Wood et
al., 1976), la sustitución cognitiva supone la ejecución continua de procesos
metacognitivos por un agente exte
rno sin desarrollo de competencia autónoma.
La evidencia de Fan et al. (2025) sugiere que, sin diseño instruccional
intencional, los estudiantes tienden hacia la sustitución más que hacia el
andamiaje. La segunda tensión opone eficiencia y profundidad de
p
rocesamiento: la IA puede eliminar las "dificultades deseables" que Bjork y Bjork
(2011) identificaron como condiciones necesarias para el aprendizaje profundo
y la retención a largo plazo, reduciendo el esfuerzo cognitivo inmediato a
expensas de la compre
nsión duradera.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
196
La tercera tensión enfrenta autonomía y dependencia: paradójicamente,
herramientas diseñadas para empoderar al estudiante pueden, bajo condiciones
no estructuradas, erosionar la capacidad para operar sin asistencia tecnológica,
comprometiendo el desarrollo
de la autorregulación a largo plazo (Zhang & Xu,
2025). Estas tres tensiones no son mutuamente excluyentes, sino que
interactúan de manera dinámica, lo que subraya la necesidad de un diseño
instruccional que contemple explícitamente cómo y cuándo reducir
el apoyo
tecnológico para favorecer la autonomía.
La tensión más crítica identificada se refiere a la distinción entre andamiaje
genuino y sustitución cognitiva. El andamiaje eficaz, tal como lo conceptualizaron
inicialmente Wood et al. (1976) y su adapta
ción al campo de la IA, consiste en
un apoyo temporal con desvanecimiento gradual y transferencia progresiva de la
responsabilidad al estudiante. En cambio, la sustitución cognitiva supone la
ejecución continua de procesos por un agente externo sin llegar
a desarrollar
competencia. Una segunda tensión se refiere al equilibrio entre eficiencia y
profundidad de procesamiento; la IA puede deshacerse de lo que Bjork y Bjork
(2011) las catalogan como "dificultades deseables" que son aquellas que
ralentizan el re
ndimiento inmediato,
aunque favorecen
el aprendizaje profundo y
la retención a largo plazo.
Implicaciones para el Diseño Instruccional
Los resultados sugieren un conjunto de principios de diseño pedagógico para la
integración efectiva de IA generativa: (a)
orientación explícita que establezca
expectativas claras sobre el rol de la IA como herramienta de apoyo
metacognitivo, no como sustituto del esfuerzo intelectual; (b) prompts
metacognitivos integrados que estimulen reflexión antes, durante y después de
l
a interacción con IA; (c) desvanecimiento progresivo del apoyo tecnológico
conforme el estudiante desarrolla competencia; (d) evaluaciones auténticas que
no puedan ser completadas mediante delegación total a la IA; y (e) formación en
alfabetización en IA q
ue desarrolle uso crítico y estratégico.
5. Conclusiones
La síntesis sistemática de 91 estudios revela que la IA generativa puede
amplificar o erosionar la autorregulación del aprendizaje según el diseño
pedagógico implementado. Diseños instruccionales apr
opiados que incluyen
orientación explícita, prompting metacognitivo y desvanecimiento gradual
muestran mejoras significativas en planificación estratégica (d = 0.68) y
monitoreo metacognitivo, mientras que el uso no guiado presenta riesgos
documentados de
pereza metacognitiva y dependencia tecnológica. El marco
integrador propuesto, aunando la teoría de Vygotsky con modelos actuales de
SRL, proporciona la base para diseñar intervenciones que reduzcan los riesgos
y amplíen los beneficios.
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
197
La futura agenda d
e investigación necesita abordar cinco áreas prioritarias: (a)
estudios longitudinales que rastreen la trayectoria del SRL usando
continuamente la IA generativa; (b) diseños experimentales rigurosos con grupos
de control aleatorizados para establecer infer
encias causales; (c) medidas
objetivas más allá de los autoinformes, como el seguimiento ocular, el análisis
de huellas de interacción y los protocolos de pensar en voz alta; (d) estudios de
equidad para saber quiénes se benefician y quiénes no con la IA e
n la educación;
y (e) estudios sobre ética y privacidad en la educación. La integración de IA
generativa en educación superior no es una cuestión de adopción tecnológica
simple, sino de cultivo intencionado de competencias humanas fundamentales.
Contribución de los autores:
Conceptualización,
F.V.C.P
.
; metodología,
F.V.C.P
., e
J
.
G
.
P
.
M
.
; análisis formal,
F.V.C.P
.
; investigación,
F.V.C.P
.
; recursos,
J
.
G
.
P
.
M
F.V.C.P
.
; redacción del borrador original,
J
.
G
.
P
.
M
. y
F.V.C.P
.
;
redacción, revisión y edición,
J
.
G
.
P
.
M
. e
F.V.C.P
.
; visualización,
F.V.C.P
.
;
supervisión,
F.V.C.P.
Todos los autores han leído y aceptado la versión
publicada del manuscrito.
Financiamiento:
Esta investigación no ha recibido financiación externa
Declaración de disponibilidad de datos:
Los datos están disponibles previa
solicitud a los autores de correspondencia:
fausto.calderon@gmail.com
Conflicto de interés:
Los autores declaran no tener ningún co
nflicto de intereses
Referencias Bibliográficas
Bandura, A. (1997). Self
-
efficacy: The exercise of control. W. H. Freeman.
Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good
way: Creating desirable difficulties to enhance le
arning. En M. A.
Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Eds.),
Psychology and the real world: Essays illustrating fundamental
contributions to society (pp. 56
-
64). Worth Publishers.
Chang, D., Lin, M., Hajian, S., & Wang, Q. Q. (2023). Edu
cational design
principles of using AI chatbot that supports self
-
regulated learning in
education: Goal setting, feedback, and personalization. Sustainability,
15(17), Article 12921.
https://doi.org/10.33
90/su151712921
Chen, S. Y. (2023). Generative AI, learning and new literacies. Journal of
Educational Technology Development and Exchange, 16(2), 1
-
14.
https://doi.org/10.18785/jetde.1602.01
Fan, Y., Tang, L., Le, H
., Shen, K., Tan, S., Zhao, Y., Zhang, H., Zhang, Y., Wang,
J., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of
generative artificial intelligence on learning motivation, processes, and
performance. British Journal of Educational Technol
ogy, 56(1), 144
-
168.
https://doi.org/10.1111/bjet.13513
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
198
Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of
cognitive
-
developmental inquiry. American Psychologist, 34(10), 906
-
911
.
https://doi.org/10.1037/0003
-
066X.34.10.906
Garrison, D. R. (1997). Self
-
directed learning: Toward a comprehensive model.
Adult Education Quarterly, 48(1), 18
-
33.
https://doi.org/10.1177/074171369704800103
Ji, Y., Zhong, M., Lyu, S., Li, T., Niu, S., & Zhan, Z. (2025). How does AI literacy
affect individual innovative behavior? The mediating role of psychological
need satisfaction, crea
tive self
-
efficacy, and self
-
regulated learning.
Education and Information Technologies, 30, 1847
-
1872.
https://doi.org/10.1007/s10639
-
025
-
13437
-
4
Knowles, M. S. (1975). Self
-
directed learning: A
guide for learners and teachers.
Association Press.
Lee, H., Chen, P., Wang, W., Huang, Y., & Wu, T. (2024). Empowering ChatGPT
with guidance mechanism in blended learning: Effect of self
-
regulated
learning, higher
-
order thinking skills, and knowledge cons
truction.
International Journal of Educational Technology in Higher Education, 21,
Article 47.
https://doi.org/10.1186/s41239
-
024
-
00454
-
4
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2
016). Intelligence
unleashed: An argument for AI in education. Pearson Education.
Ma, W., Ma, W., Hu, Y., & Bi, X. (2025). The who, why, and how of AI
-
based
chatbots for learning and teaching in higher education: A systematic
review. Education and Informat
ion Technologies, 30, 2845
-
2879.
https://doi.org/10.1007/s10639
-
024
-
13128
-
6
Nguyen, A., Hong, Y., Dang, B., & Huang, X. (2024). Human
-
AI collaboration
patterns in AI
-
assisted academic writing. Stu
dies in Higher Education,
49(8), 1456
-
1475.
https://doi.org/10.1080/03075079.2024.2323593
Ou, A. W., Khuder, B., Franzetti, S., & Negretti, R. (2024). Conceptualising
and
cultivating critical GAI literacy for academic writing. Journal of Second
Language Writing, 66, Article 101156.
https://doi.org/10.1016/j.jslw.2024.101156
Page, M. J., McKenzie, J. E., Bossuyt
, P. M., Boutron, I., Hoffmann, T. C., Mulrow,
C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R.,
Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder,
E. W., Mayo
-
Wilson, E., McDonald, S., & Moher, D. (2021
). The PRISMA
2020 statement: An updated guideline for reporting systematic reviews.
BMJ, 372
, Article n71.
https://doi.org/10.1136/bmj.n71
Pan, M., Lai, C., & Guo, K. (2025). Effects of GenAI
-
empowered inter
active
support on university EFL students' self
-
regulated strategy use and
Horizon Nexus Journal
Horizon Nexus Journal | Vol.0
4
| Núm 0
1
|
Ene
–
Mar
| 202
6
| www.horizonnexusjournal.editorialdoso.com
199
engagement in reading. The Internet and Higher Education, 65, Article
100991.
https://doi.org/10.1016/j.iheduc.2024.1009
91
Roll, I., & Wylie, R. (2016). Evolution and revolution in artificial intelligence in
education. International Journal of Artificial Intelligence in Education,
26(2), 582
-
599.
https://doi.org/10.1007
/s40593
-
016
-
0110
-
3
Schunk, D. H., & Zimmerman, B. J. (2012). Motivation and self
-
regulated
learning: Theory, research, and applications. Routledge.
Van der Wal, J. (2024). Generative AI for writing support: Opportunities and
challenges for
equitable access. Journal of Writing Research, 16(1), 105
-
134.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N.,
Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in
Neural Information Processing Systems,
30, 5998
-
6008.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological
processes. Harvard University Press.
Weng, C. H., Hsieh, J. S. C., & Tsai, C. C. (2024). The role of personality traits
and AI anxiety in predicting university
students' usage of generative AI
tools. Education and Information Technologies. Advance online
publication.
https://doi.org/10.1007/s10639
-
024
-
12856
-
z
Winne, P. H., & Hadwin, A. F. (1998). Studyin
g as self
-
regulated learning. En D.
J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Metacognition in
educational theory and practice (pp. 277
-
304). Lawrence Erlbaum
Associates.
Wood, D., Bruner, J. S., & Ross, G. (1976). The role of tutoring in problem so
lving.
Journal of Child Psychology and Psychiatry, 17(2), 89
-
100.
https://doi.org/10.1111/j.1469
-
7610.1976.tb00381.x
Zhang, Y., & Xu, J. (2025). The paradox of AI
-
enhanced self
-
efficacy:
T
echnological dependence in academic learning. Computers in Human
Behavior, 152, Article 108247.
https://doi.org/10.1016/j.chb.2024.108247
Zimmerman, B. J. (2002). Becoming a self
-
regulated learner:
An overview.
Theory Into Practice, 41(2), 64
-
70.
https://doi.org/10.1207/s15430421tip4102_2
Zimmerman, B. J. (2008). Investigating self
-
regulation and motivation: Historical
background, methodolo
gical developments, and future prospects.
American Educational Research Journal, 45(1), 166
-
183.
https://doi.org/10.3102/0002831207312909