PDF
Publicado
2026-07-17
Número
Sección
Artículos Originales
Licencia
Derechos de autor 2026 Patricia Delgadillo Gómez, Leisdy Del Carmen Gutiérrez Olmos, Edim Martínez Rodríguez, Dora María Calderón Nepamuceno
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras.
Se permite el autoarchivo de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
Cómo citar
Integración de la IA generativa y autorregulación del aprendizaje en universitarios: efectos sobre la planificación y evaluación metacognitiva
Patricia Delgadillo Gómez
Universidad Autónoma del Estado de México, Centro Universitario UAEM Ecatepec, México.
https://orcid.org/0000-0001-7871-4925
Leisdy Del Carmen Gutiérrez Olmos
Universidad Autónoma del Estado de México, Centro Universitario UAEM Ecatepec, México.
https://orcid.org/0000-0001-5774-9635
Edim Martínez Rodríguez
Universidad Autónoma del Estado de México, Centro Universitario UAEM Ecatepec, México.
https://orcid.org/0000-0003-4483-8780
Dora María Calderón Nepamuceno
Universidad Autónoma del Estado de México, Centro Universitario UAEM Ecatepec, México.
https://orcid.org/0000-0002-4296-4049
DOI: https://doi.org/10.55204/trj.v5i1.e153
Palabras clave: inteligencia artificial generativa; autorregulación del aprendizaje; metacognición; planificación metacognitiva; educación superior.
Resumen
El presente artículo analiza la integración de la inteligencia artificial generativa en la autorregulación del aprendizaje de estudiantes universitarios, con énfasis en sus efectos sobre la planificación y la evaluación metacognitiva. Se desarrolló una revisión bibliográfica de alcance sistemático, orientada por los lineamientos PRISMA 2020. La búsqueda se realizó en Scopus, Web of Science, ERIC, ScienceDirect y SpringerLink, considerando publicaciones entre 2022 y 2026. De 214 registros identificados, 25 estudios cumplieron los criterios de inclusión y fueron examinados mediante una síntesis cualitativa temática. Los resultados muestran que la IA generativa puede favorecer la organización de tareas, la formulación de objetivos, el monitoreo del desempeño y la retroalimentación inmediata. Sin embargo, sus efectos dependen del diseño pedagógico, de la alfabetización en IA y del grado de control que conserva el estudiante. También se identificaron riesgos de dependencia, delegación cognitiva, aceptación acrítica e ilusión de comprensión. Se concluye que la IA fortalece la autorregulación cuando actúa como andamiaje para el razonamiento, pero puede debilitarla cuando sustituye la planificación, la evaluación crítica y la responsabilidad intelectual del aprendiz durante el proceso de aprendizaje.
Descargas
Citas
Achuthan, K. (2025). Artificial intelligence and learner autonomy: A meta-analysis of self-regulated and self-directed learning. Frontiers in Education, 10, 1738751. https://doi.org/10.3389/feduc.2025.1738751
Anders, A. D., & Speltz, E. D. (2025). Developing generative AI literacies through self-regulated learning: A human-centered approach. Computers and Education: Artificial Intelligence, 9, 100482. https://doi.org/10.1016/j.caeai.2025.100482
Chen, S., & Cheung, A. C. K. (2025). Effect of generative artificial intelligence on university students’ learning outcomes: A systematic review and meta-analysis. Educational Research Review, 49, 100737. https://doi.org/10.1016/j.edurev.2025.100737
Chiu, T. K. F. (2024). A classification tool to foster self-regulated learning with generative artificial intelligence by applying self-determination theory: A case of ChatGPT. Educational Technology Research and Development, 72(4), 2401–2416. https://doi.org/10.1007/s11423-024-10366-w
Efklides, A. (2011). Interactions of metacognition with motivation and affect in self-regulated learning: The MASRL model. Educational Psychologist, 46(1), 6–25. https://doi.org/10.1080/00461520.2011.538645
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
Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. https://doi.org/10.1016/j.edurev.2025.100714
Lee, H.-Y., Chen, P.-H., Wang, W.-S., Huang, Y.-M., & Wu, T.-T. (2024). Empowering ChatGPT with guidance mechanism in blended learning: Effect of self-regulated learning, higher-order thinking skills, and knowledge construction. International Journal of Educational Technology in Higher Education, 21, Article 16. https://doi.org/10.1186/s41239-024-00447-4
Liu, X., Xiao, Y., & Li, D. (2025). Assessing strategic use of artificial intelligence in self-regulated learning: Instrument development and evidence from Chinese university students. International Journal of Educational Technology in Higher Education, 22, Article 69. https://doi.org/10.1186/s41239-025-00567-5
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, n71. https://doi.org/10.1136/bmj.n71
Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in Psychology, 8, 422. https://doi.org/10.3389/fpsyg.2017.00422
Panadero, E., & Alonso-Tapia, J. (2014). How do students self-regulate? Review of Zimmerman’s cyclical model of self-regulated learning. Anales de Psicología, 30(2), 450–462. https://doi.org/10.6018/analesps.30.2.167221
