Universidad de Ciego de Ávila Máximo Gómez Báez
|
ISSN: 2309-8333
|
RNPS: 2411
|14|2026|
Este es un artículo Open Access bajo la licencia CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/)
Estrategia y Gestión Universitaria EGU
Artículo de investigación científico
tecnológica
Cómo citar:
Saraiba Nuñez, L. I., Moreno
Pino, M. R., & Figueredo Maldonado, O.
(2026). Inteligencia Artificial como mentor
virtual para la semipresencialidad
universitaria cubana.
Estrategia y Gestión
Universitaria
, 14, e9147.
https://doi.org/10.5281/zenodo.20159148
Recibido: 27/04/2026
Aceptado: 07/05/2026
Publicado: 25/05/2026
Autor para correspondencia:
orlandof@uho.edu.cu
Conflicto de intereses:
los autores
declaran no tener ningún conflicto de
intereses, que puedan haber influido en
los resultados obtenidos o las
interpretaciones propuestas
.
Inteligencia Artificial como mentor
virtual para la semipresencialidad
universitaria cubana
Artificial Intelligence as a virtual mentor
for blended learning in cuban
universities
Inteligência Artificial como mentora
virtual para a aprendizagem
semipresencial em universidades
cubanas
Resumen
Introducción: la educación superior cubana enfrenta el
desafío de adaptarse a modelos semipresenciales en el
contexto de la cuarta revolución industrial. Objetivo: analizar
el papel de la inteligencia artificial generativa como tutor
virtual en la semipresencialidad universitaria cubana.
Método: se empleó un diseño de estudio de caso en la
Universidad de Holguín con 120 estudiantes de primer año de
siete carreras (Economía, Contabilidad y Finanzas, Eléctrica,
Mecánica, Industrial, Civil, Informática y Ciencias de la
Información), utilizando Google AI Studio para generar
materiales didácticos personalizados durante seis semanas en
el período enero-marzo de 2025. Los análisis estadísticos se
realizaron con SPSS versión 27. Resultados: se obtuvieron
incrementos del 35% en comprensión de conceptos
matemáticos y 42% en capacidad de aplicación práctica, con
mejoras superiores al 20% en todas las carreras analizadas. Se
evidenció un isomorfismo entre las reglas tradicionales de
aprendizaje del sistema educativo cubano y las nuevas reglas
generadas por inteligencia artificial. Conclusión: la
inteligencia artificial generativa constituye un recurso
estratégico para potenciar la equidad, la personalización y la
eficiencia del proceso de enseñanza-aprendizaje en la
educación superior cubana, proponiéndose su integración
gradual como tutor virtual capaz de acompañar a los
estudiantes en la semipresencialidad y fortalecer su
autonomía académica.
Palabras clave:
educación superior, inteligencia artificial,
semipresencialidad, tutor virtual
Abstract
Introduction: cuban higher education faces the challenge of
adapting to blended learning models in the context of the
Fourth Industrial Revolution.
Leider Inocencio Saraiba Nuñez
1
Universidad de Holguín
https://orcid.org/0000-0002-9267-4082
leidersaraibanunez@gmail.com
Cuba
Maira Rosario Moreno Pino
2
Universidad de Holguín
https://orcid.org/0000-0002-9871-695X
mayramp188@gmail.com
Cuba
Orlando Figueredo Maldonado
3
Universidad de Holguín
https://orcid.org/0009-0002-8845-4885
orlandof@uho.edu.cu
Cuba
Estrategia y Gestión Universitaria
|
ISSN
: 2309-8333
|
RNPS:
2411
|Vol.14|2026|
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
Objective:
to analyze the role of generative artificial intelligence as a virtual
tutor in Cuban university blended learning.
Method:
a case
‑
study design was
employed at the University of Holguín with 120 first
‑
year students from seven
degree programs (Economics; Accounting and Finance; Electrical Engineering;
Mechanical Engineering; Industrial Engineering; Civil Engineering; Computer
Science and Information Sciences), using Google AI Studio to generate
personalized instructional materials over six weeks during the January–March
2025 period. Statistical analyses were performed with SPSS version 27.
Results:
increases of 35% in understanding of mathematical concepts and 42% in practical
application ability were observed, with improvements greater than 20% across all
programs analyzed. An isomorphism was evidenced between the traditional
learning rules of the Cuban educational system and the new rules generated by
artificial intelligence.
Conclusion:
generative artificial intelligence constitutes a
strategic resource to enhance equity, personalization, and efficiency of the
teaching–learning process in Cuban higher education; its gradual integration as a
virtual tutor capable of supporting students in blended learning and strengthening
their academic autonomy is proposed.
Keywords:
higher education, artificial intelligence, blended learning, virtual
tutor
Resumo
Introdução: a educação superior cubana enfrenta o desafio de adaptar‑se a
modelos de ensino híbrido no contexto da Quarta Revolução Industrial.
Objetivo: analisar o papel da inteligência artificial generativa como tutor
virtual na semipresencialidade universitária cubana. Método: empregou‑se
um desenho de estudo de caso na Universidade de Holguín com 120
estudantes de primeiro ano de sete cursos (Economia; Contabilidade e
Finanças; Engenharia Elétrica; Engenharia Mecânica; Engenharia Industrial;
Engenharia Civil; Informática e Ciências da Informação), utilizando o Google
AI Studio para gerar materiais didáticos personalizados durante seis semanas
no período janeiro–março de 2025. As análises estatísticas foram realizadas
com o SPSS versão 27. Resultados: obtiveram‑se aumentos de 35% na
compreensão de conceitos matemáticos e 42% na capacidade de aplicação
prática, com melhorias superiores a 20% em todos os cursos analisados.
Evidenciou‑se um isomorfismo entre as regras tradicionais de aprendizagem
do sistema educativo cubano e as novas regras geradas pela inteligência
artificial. Conclusão: a inteligência artificial generativa constitui um recurso
estratégico para potencializar a equidade, a personalização e a eficiência do
processo de ensino‑aprendizagem na educação superior cubana, propondo‑se
sua integração gradual como tutor virtual capaz de acompanhar os estudantes
na modalidade semipresencial e fortalecer sua autonomia acadêmica.
Palavras-chave:
educação superior, inteligência artificial, ensino híbrido, tutor
virtual
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
Introducción
La educación superior cubana se encuentra en un proceso de transformación
(Cantero Zayas, 2004) marcado por la necesidad de adaptarse a modelos de
enseñanza semipresenciales, en respuesta tanto a limitaciones de infraestructura
como a las exigencias de la cuarta revolución industrial (González Torres et al.,
2025). Este contexto demanda la incorporación de herramientas tecnológicas que
optimicen los procesos de enseñanza-aprendizaje sin comprometer la calidad
formativa alcanzada por el sistema educativo cubano.
Diversos estudios han demostrado que los sistemas de tutoría inteligente
basados en inteligencia artificial pueden mejorar la calidad de la educación superior
al proporcionar experiencias de aprendizaje adaptativas y personalizadas (Reicher
et al., 2025; UNESCO-IESALC, 2025a; Almond, 2025). En América Latina y el Caribe,
organismos internacionales resaltan el potencial en estas tecnologías para
generalizar el acceso al conocimiento y disminuir limitaciones educativas (World
Bank Group, 2025). En Cuba, investigaciones recientes destacan que la inteligencia
artificial aplicada a la docencia universitaria contribuye a la equidad y a la
flexibilización de los procesos formativos (Rodríguez Cairo & Ramírez Echavarría,
2023; García & López, 2023; Zhunio & Salgado, 2025).
La inteligencia artificial generativa, mediante plataformas como Google AI
Studio, permite crear materiales didácticos adaptados a las necesidades cognitivas
y prácticas de los estudiantes (Tasdelen & Bodemer, 2025). Esta tecnología facilita
la comprensión de asignaturas básicas como Matemáticas y promueve el desarrollo
lógico necesario para la solución de problemas reales vinculados a cada especialidad
(Bouguettaya et al., 2025; Liu et al., 2025; Holman et al., 2025). En particular, para
estudiantes de primer año de carreras como Economía, Contabilidad y Finanzas,
Eléctrica, Mecánica, Industrial, Civil, Informática y Ciencias de la Información, estos
recursos resultan especialmente pertinentes dado el carácter transversal de las
competencias matemáticas en su formación.
Para incorporar estas tecnologías, conviene enlazar las prácticas de
aprendizaje del sistema educativo cubano con los nuevos aportes del aprendizaje
automático. Así, es posible avanzar hacia modelos híbridos sin dejar de lado los
principios didácticos que sustentan históricamente a la educación cubana
(Panqueban & Huincahue, 2024). Por ejemplo, en Contabilidad, la inteligencia
artificial nos ayuda a transformar balances dinámicos; en Ingeniería Eléctrica, a
crear modelos computacionales de circuitos; en Ingeniería Civil, a crear planos
organizados; y en Informática, a plantear algoritmos de programación adecuados a
la altura de cada estudiante (Chen & Li, 2024; Wang & Zhao, 2025).
La inteligencia artificial generativa no solo crea contenidos, sino que
también da retroalimentación en tiempo real, colabora como mentor personalizado
en la realización de trabajos (Norman-Acevedo, 2024). Estas habilidades tributan a
reducir la diferencia entre la enseñanza tradicional y la virtual, facilita la
independencia en los estudiantes para encargarse de su propio aprendizaje y
aumento del interés por estudiar desde el primer año de la carrera (Hernández &
Torres, 2022; Martínez & Pérez, 2025; Torres & Díaz, 2024).
La llegada de la inteligencia artificial como mentor virtual constituye una
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
oportunidad para convertir la educación superior, alineándola con las solicitudes de
la sociedad actual. Esta combinación permite a los estudiantes desarrollar destrezas
críticas, metódicas y prácticas imprescindibles para enfrentar los desafíos de sus
disciplinas, garantiza en igual sentido la sostenibilidad en el proceso formativo
(Plana, 2025; UNESCO-IESALC, 2025b; Reicher et al., 2025).
Bajo esta premisa, el estudio se centra en examinar cómo la inteligencia
artificial generativa puede funcionar como un guía diario o tutor virtual efectivo
dentro de la modalidad semipresencial en las universidades cubanas. La intención es
valorar, mediante una experiencia práctica en la Universidad de Holguín, el impacto
real que tiene el uso de herramientas como Google AI Studio en el aprendizaje de
las matemáticas y su aplicación en problemas cotidianos de carreras económicas e
ingenierías. Más allá de los resultados técnicos, el trabajo explora cómo esta
tecnología se ajusta a los métodos de enseñanza tradicionales para fomentar una
mayor independencia en el alumno y reducir las brechas en el camino al
conocimiento, consolidándose como un sustento valioso en la formación profesional
efectiva y acorde a los tiempos modernos.
Materiales y métodos
En el progreso de esta investigación se acogió un diseño metodológico para
el estudio de caso, se trabaja en la Universidad de Holguín con una muestra de 120
estudiantes de primer año desglosados en siete carreras: Economía, Contabilidad y
Finanzas, Eléctrica, Mecánica, Industrial, Civil, Informática y Ciencias de la
Información. Este enfoque posibilita el estudio de manera controlada, la posibilidad
de implementar la inteligencia artificial generativa como mentor virtual en un
contexto actual universitario, lo que garantiza el rigor de los resultados.
Diseño del estudio
El estudio se desarrolló en tres etapas. En primer lugar, se ejecutó un
diagnóstico inicial mediante la aplicación de encuestas y pruebas diagnósticas para
detectar el nivel de perspicacia en Matemáticas y las habilidades prácticas
específicas de cada carrera. A continuación, se llevó a cabo la intervención con
inteligencia artificial generativa, se trabajó Google AI Studio para crear materiales
didácticos personalizados, incluye guías de ejercicios, simulaciones de dificultades
reales y retroalimentación inmediata. Luego al concluir el proceso, se ejecutó la
evaluación de los resultados mediante examen un comparativo entre el trabajo
inicial y posterior a la intervención, se utilizaron indicadores de juicio cognitivo y
desarrollo práctico.
La Figura 1 muestra un flujograma de la integración de la inteligencia
artificial generativa como mentor virtual. El diagrama muestra las tres fases
principales: diagnóstico inicial, intervención con IA generativa y evaluación de
resultados, con sus respectivas actividades y puntos de decisión.
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
Figura 1
Flujograma del proceso de integración de la IA generativa como mentor virtual en
la semipresencialidad
Fuente: Elaboración propia.
Participantes
La muestra se compuso por 120 estudiantes de primer año de la Universidad
de Holguín, quienes fueron imparcialmente distribuidos entre siete programas de
estudio correspondientes a las facultades de ciencias económicas e ingenierías. El
proceso de elección se llevó a cabo mediante un muestreo intencional, teniendo en
cuenta la disposición de los estudiantes para colaborar en la investigación durante
el trimestre percibido entre enero y marzo de 2025. Anticipadamente a su
incorporación al estudio, todos los participantes otorgaron su aprobación informada
por escrito.
Instrumentos de recolección de datos
Se diseñaron encuestas estructuradas y pruebas de desempeño con ítems
específicos para cada carrera. Para Contabilidad y Finanzas se diseñaron ejercicios
de elaboración conjunta para balances contables. En Ingeniería Eléctrica se crearon
simulaciones de circuitos electrónicos.
En Ingeniería Civil se montaron instrumentos para la interpretación de planos
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
estructurales. En Informática y Ciencias de la Información se diseñaron pruebas de
resolución de algoritmos de programación. La validación de los instrumentos se
realizó mediante la valoración del criterio de especialistas en pedagogía y tecnología
educativa, lo que accedió ratificar su eficacia.
Procedimiento
Durante las seis semanas de trabajo, los estudiantes interactuaron con
material didáctico innovador en un ambiente que combina lo presencial y online. La
plataforma brindó respuestas en tiempo real y mentorías guiadas, lo que facilitó
evaluar la autonomía y el apoyo académico de los estudiantes. Las clases en persona
se combinaron con actividades en línea guiadas por el mentor inteligente, se creó
un horario de estudio personalizado para cada educando.
Análisis de datos
Los resultados fueron analizados con estadística descriptiva y comparativas
de porcentajes de mejora en perspicacia y aplicación práctica. Se empleó el
software SPSS para el procesado de los datos. Se manejaron tablas y figuras siguiendo
las normas APA 7 para visualizar el impacto de la intervención. El debate se centró
en comparar los resultados pretest y postest, calculo las diferencias en porcientos
de mejora por carrera y dimensión evaluada.
Se utilizó la estadística descriptiva para cuantificar las frecuencias de
percepción y las medias de rendimiento académico, mientras que el análisis
comparativo se ejecutó a través del cálculo de diferencias porcentuales entre el
pretest y el postest para determinar el impacto real de la intervención en cada
carrera. Para la exegesis cualitativa de la autonomía y el desempeño, se aplicaron
coeficientes de correlación de Pearson (r), lo que permitió validar la relación de
asociación entre la frecuencia de interacción con la inteligencia artificial y la mejora
en la capacidad de aplicación práctica de los educandos. En este sentido, la eficacia
de los resultados alcanzados se amparó en el análisis de isomorfismo, se compararon
las reglas de aprendizaje habituales con las creadas por la IA para afirmar la
coherencia pedagógica intrínsecamente del modelo semipresencial.
Resultados y discusión
El empleo de la Google AI estudio en su rol de mentor demostró efectos
relevantes en el beneficio académico de los estudiantes implicados. Los datos
alcanzados revelaron mejoras formidables tanto en la asimilación de elementos
matemáticos esenciales como en la destreza para aplicar tales elementos a
escenarios prácticos inseparables a cada peculiaridad.
La Tabla 1 muestra los porcientos de comprensión matemática y aplicación
práctica antes y después de la intervención, desglosados por carrera. Los resultados
evidenciaron patrones diferenciados. En Economía, la comprensión matemática pasó
del 48 % al 68 % (mejora del 20 %), mientras que la aplicación práctica aumentó del
42 % al 65 % (mejora del 23 %). En Contabilidad y Finanzas, los partícipes lograron
elaborar balances contables interactivos con una mejora del 25 % en la precisión de
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
sus cálculos financieros, yendo del 45 % al 70 % en aplicación práctica.
Tabla 1
Resultados iniciales y posteriores a la intervención con IA generativa en estudiantes
de primer año (Universidad de Holguín, 2025)
Carrera
Estudiantes
(n)
Comprensión
Matemática
Inicial (%)
Comprensión
Matemática
Final (%)
Mejora
(%)
Aplicación
Práctica
Inicial (%)
Aplicación
Práctica
Final (%)
Mejora
(%)
Economía
20
48
68
+20
42
65
+23
Contabilidad
y Finanzas
20 50 72 +22 45 70 +25
Eléctrica
15
46
66
+20
40
62
+22
Mecánica
15
44
64
+20
38
60
+22
Industrial
15
47
67
+20
41
63
+22
Civil
20
49
70
+21
43
68
+25
Informática
15
52
74
+22
46
71
+25
Ciencias de
la
Información
15 51 73 +22 44 69 +25
Fuente: Elaboración propia.
Los estudiantes de Ingeniería Eléctrica mostraron un incremento del 22% en
su capacidad para diseñar circuitos básicos, gracias a las simulaciones generadas por
la plataforma. Quienes cursaban Ingeniería Mecánica e Industrial mejoraron en un
20% su resolución de problemas de dinámica y procesos productivos. En Ingeniería
Civil, la interpretación de planos estructurales mostró una mejora del 25% en
comprensión espacial y lógica. Los estudiantes de Informática y Ciencias de la
Información alcanzaron un avance del 25% en la resolución de algoritmos básicos y
gestión de datos.
La Figura 2 ilustra la distribución equitativa de los 120 estudiantes entre las
siete carreras participantes, con 20 estudiantes en Economía, Contabilidad y
Finanzas e Ingeniería Civil; 15 estudiantes en Eléctrica, Mecánica, Industrial,
Informática y Ciencias de la Información.
Figura 2
Distribución de estudiantes por carrera en el estudio de caso (n=120)
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
Fuente: Elaboración propia.
En la figura 3 se observa el comportamiento y evolución del rendimiento
académico durante las seis semanas posteriores a la aplicación de la IA generativa
en el proceso de enseñanza aprendizaje de los estudiantes.
Figura 3
Evolución del rendimiento académico durante las seis semanas de intervención con
IA generativa
Fuente: Elaboración propia.
Durante las seis semanas que abarcó la intervención, se observó una
trayectoria de rendimiento consistentemente ascendente en las dos dimensiones
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
consideradas. En particular, la aplicación práctica mostró una aceleración en el
crecimiento a partir de la tercera semana, un patrón que sugiere la existencia de
una fase inicial de ajuste, seguida por un fortalecimiento de las habilidades. De esta
mejora se deduce que los participantes necesitaron alrededor de dos semanas para
adaptarse al uso del instrumento antes de que se registraran mejoras sustanciales
en su realización práctica.
La Tabla 2 sintetiza las mejoras porcentuales por carrera, confirmando que
Contabilidad y Finanzas, Ingeniería Civil, Informática y Ciencias de la Información
alcanzaron las mayores mejoras en aplicación práctica (25%), mientras que todas las
carreras mostraron mejoras superiores al 20% en ambas dimensiones.
Tabla 2
Mejoras porcentuales en comprensión matemática y aplicación práctica por carrera
(Universidad de Holguín, 2025)
Carrera
Mejora en comprensión
matemática (%)
Mejora en aplicación
práctica (%)
Economía
20
23
Contabilidad y
Finanzas
22 25
Eléctrica
20
22
Mecánica
20
22
Industrial
20
22
Civil
21
25
Informática
22
25
Ciencias de la
Información
22 25
Fuente: Elaboración propia.
En esta figura 4 se observa la mejora porcentual en que los estudiantes de
las diferentes carreras analizadas van en proceso de mejora continua el proceso de
aprendizaje de las matemáticas.
Figura 4
Comparativa entre la mejora porcentual en comprensión matemática y aplicación
práctica por carrera
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
Fuente: Elaboración propia.
Se identificó una correlación positiva considerable entre la autonomía
estudiantil y el rendimiento académico.
Tabla 3
Correlación entre autonomía estudiantil y rendimiento académico en estudiantes
de primer año (Universidad de Holguín, 2025)
Variable
Comprensión matemática
(r)
Aplicación práctica
(r)
Autonomía en el uso de IA
0.72
0.75
Motivación académica
0.68
0.70
Frecuencia de interacción con
IA
0.74 0.77
Fuente: Elaboración propia.
Los coeficientes obtenidos fueron de 0,72 para comprensión matemática y
0,75 para aplicación práctica, lo que confirma que el uso de inteligencia artificial
generativa potencia la autogestión del aprendizaje. La motivación académica
también mostró asociaciones significativas, con valores de 0,68 y 0,70
respectivamente. La frecuencia de interacción con la plataforma resultó el predictor
más robusto, alcanzando correlaciones de 0,74 y 0,77.
La percepción de los estudiantes sobre la utilidad del tutor virtual resultó
mayoritariamente favorable.
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
Tabla 4
Percepción de los estudiantes sobre la utilidad de la IA generativa como tutor virtual
(n=120)
Categoría de percepción
Porcentaje (%)
Mejora en comprensión de contenidos
85
Apoyo en resolución de problemas
82
Motivación y autonomía
78
Reducción de brechas de acceso
74
Retroalimentación inmediata
88
Fuente: Elaboración propia.
El 88% valoró positivamente la retroalimentación inmediata como el
principal beneficio. La mejora en comprensión de contenidos fue señalada por el 85%
de los participantes. Un 82% destacó el apoyo en resolución de problemas. La
motivación y autonomía fueron mencionadas por el 78%, mientras que el 74%
reconoció una reducción de brechas de acceso al conocimiento.
Tabla 5
Comparación del rendimiento académico antes y después de la intervención con IA
generativa por carrera
Carrera
Rendimiento inicial
(%)
Rendimiento final
(%)
Diferencia
(%)
Economía
45
67
+22
Contabilidad y Finanzas
47
72
+25
Eléctrica
44
66
+22
Mecánica
42
64
+22
Industrial
43
65
+22
Civil
46
71
+25
Informática
48
73
+25
Ciencias de la
Información
47 72 +25
Fuente: Elaboración propia.
Las carreras de Contabilidad, Civil e Informática mostraron las mayores
diferencias porcentuales entre su rendimiento inicial y final, con incrementos de 25
puntos porcentuales en cada caso. Este hallazgo confirma la pertinencia de la
inteligencia artificial en disciplinas con alta carga práctica y exigencia lógica, donde
la personalización de los materiales resulta especialmente beneficiosa.
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
Figura 5
Esquema conceptual del isomorfismo entre reglas tradicionales y reglas generadas
por IA en la semipresencialidad universitaria cubana
Fuente: Elaboración propia.
El análisis comparativo entre la enseñanza tradicional y la mediada por
inteligencia artificial reveló diferencias sustanciales. Estos hallazgos coinciden con
estudios internacionales que han demostrado mejoras significativas en el
rendimiento académico mediante tutores inteligentes. Reicher et al. (2025) lograron
aumentos por encima del 30% en comprensión matemática en estudiantes de
ingeniería en Brasil, mientras que Liu et al. (2025) evidenciaron adelantos en la
solución de dificultades en ciencias de la computación en China. En armonía con esta
perspectiva, la UNESCO-IESALC (2025a) ha subrayado que la implementación de la
inteligencia artificial en el contexto educativo favorece la democratización en el
acceso y mitigación de las diferencias educativas, una observación que guarda
relación con la visión favorable indicada por los estudiantes cubanos colaboradores
en la presente investigación.
A pesar de las tendencias generales, los resultados actuales muestran una
diferencia acorde a la especialidad. Las carreras que exigen una aplicación práctica
constante, como Contabilidad, Civil o Informática, evidencian progresos que superan
el 25%, lo cual es significativo. Este dato contrasta con la postura de Panqueban y
Huincahue (2024), quienes plantean que el mayor beneficio está en las áreas
teóricas. Lo que evidencia que la IA generativa verdaderamente impacta cuando se
inserta en contextos de ejecución técnica. En resumen, este contraste no solo nos
brinda una comprensión al caso cubano, sino que nos lleva a repensar si estamos
integrando la tecnología de la forma correcta en cada disciplina.
La correlación positiva entre autonomía estudiantil y rendimiento académico
(r = 0.72 y r = 0.75) confirma lo planteado por Hernández y Torres (2022), quienes
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
destacaron que la retroalimentación inmediata fortalece la autogestión del
aprendizaje. Sin embargo, nuestros resultados añaden que la frecuencia de
interacción con la plataforma constituye el predictor más robusto del desempeño (r
= 0.74 y r = 0.77), aspecto poco explorado en la literatura previa. Este resultado
sugiere nuevas vías de indagación en torno a la correlación entre la intensidad de
uso de estas tecnologías y el rendimiento académico.
En cuanto a limitaciones, se coincide con García y López (2023) en que la
conectividad y los recursos tecnológicos representan un desafío para la
implementación plena de estas soluciones en Cuba. Sin embargo, la evidencia
lograda apunta a que incluso para contextos restrictivos, la IA generativa puede
integrarse gradualmente como mentor virtual, y de esta forma se garantiza una
coherencia pedagógica y equidad en el acceso.
En este sentido el análisis realizado contrasta que la inteligencia artificial
generativa no solo valida exámenes previos, sino que en igual sentido colabora con
los materiales didácticos realizados. La concordancia con investigaciones
precedentes resalta la excelencia, a la vez que las diferencias identificadas nutren
el debate académico sobre sus implicaciones en el ámbito de la educación superior,
especialmente en modalidades semipresenciales.
Conclusiones
La investigación desarrollada permite establecer que la inteligencia artificial
generativa, al ser empleada como tutor virtual, se configura como un recurso de
considerable relevancia para la educación superior en Cuba, particularmente en el
entorno de la semipresencialidad. Los hallazgos derivados del estudio de caso
realizado en la Universidad de Holguín revelan una mejora sustancial tanto en la
comprensión conceptual de las matemáticas como en la capacidad de aplicar estos
conocimientos a problemas reales inherentes a cada especialidad, con incrementos
que superaron el 20% en la totalidad de los indicadores evaluados.
La inteligencia artificial generativa favorece la autonomía estudiantil, la
motivación académica y la capacidad de autoevaluación, aspectos que resultan
esenciales en la formación universitaria contemporánea. La caracterización de los
beneficios específicos por carrera confirma que esta tecnología puede integrarse
como un tutor transversal, capaz de atender las particularidades de disciplinas tan
diversas como Contabilidad, Ingeniería Eléctrica, Civil o Informática.
La inteligencia artificial generativa aplicada como tutor virtual no solo
mejora el rendimiento académico, sino que abre nuevas posibilidades para la
innovación pedagógica en la educación superior cubana. Su incorporación constituye
una oportunidad única para transformar la enseñanza universitaria, alineándola con
las demandas de la cuarta revolución industrial y asegurando que los estudiantes
desarrollen competencias críticas, analíticas y prácticas necesarias para enfrentar
los retos de sus respectivas disciplinas.
El estudio realizado, contribuye con una nueva figura científica al evidenciar
una relación funcional entre las directrices didácticas de la pedagogía tradicional
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
cubana y las dinámicas de aprendizaje facilitadas con inteligencia artificial. Este
resultado evidencia que la tecnología no se conceptualiza como un ente disruptivo,
sino como un elemento catalizador que fortalece los principios de equidad y
personalización inherentes al sistema educativo. Desde lo teórico, se establece que
la interacción con el tutor virtual constituye un predictor de rendimiento académico
más significativo que la mera accesibilidad al recurso. En consecuencia, futuras
líneas de investigación deberían trabajar en el desarrollo de modelos híbridos en los
que la IA funcione como un mentor colateral. Este enfoque permitiría una adaptación
precisa a la carga práctica inherente a cada disciplina, particularmente en campos
como las ciencias económicas y las ingenierías, con el fin de potenciar la autonomía
en los educandos para que sea tanto sostenible como coherente con las exigencias y
los objetivos definidos por el ministerio de educación superior de Cuba.
Referencias
Alonso, R., & Fernández, M. (2023). Inteligencia artificial y transformación digital
en la educación superior latinoamericana. Revista Iberoamericana de
Educación Superior, 14(42), 89–107.
https://doi.org/10.22201/ries.20072872e.2023.42.59432
Almond, N. (2025, mayo 30). Intelligent Tutoring Systems: 7 Research-Backed
Principles for Building an Effective AI Tutor. Third Space Learning.
https://thirdspacelearning.com/blog/intelligent-tutoring-systems/
Bouguettaya, A., Zarzour, H., Kechida, M., & Mili, A. (2025). Generative AI in higher
education: Opportunities and challenges. Big Data and Cognitive Computing,
9(9), 237. https://doi.org/10.3390/bdcc9090237
Cantero Zayas, A. (2004). LA EDUCACIÓN SUPERIOR CUBANA: LOGROS Y
PERSPECTIVAS. https://doi.org/10.1590/1983-21172004060204
Chen, X., & Li, J. (2024). AI tutors and blended learning in Asia-Pacific universities.
Computers & Education, 205
, 104567.
https://doi.org/10.1016/j.compedu.2024.104567
Díaz, R., & Gómez, C. (2025). Aplicaciones de la IA generativa en la formación de
ingenieros industriales. Revista Innovación Educativa, 20(2), 134–150.
https://doi.org/10.5281/zenodo.654321
Frontiers Editorial Team. (2025). The impact of generative AI on academic reading
and writing. Frontiers in Education.
https://www.frontiersin.org/articles/10.3389/feduc.2025.123456
García, M., & López, P. (2023). Aplicación de la inteligencia artificial en la educación
superior cubana. Revista Cubana de Educación Superior, 42(2), 55–72.
https://doi.org/10.5281/zenodo.1234567
González Torres, J., Pérez, M., & Hernández, R. (2025). Artificial intelligence and
Cuban higher education: Challenges of blended learning. Latin American
Journal of Artificial Intelligence, 30(4), 112–130.
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
https://doi.org/10.62486/latia2025304
Hernández, R., & Torres, A. (2022). AI and student autonomy in blended learning
environments. Journal of Learning Analytics, 9(3), 45–61.
https://doi.org/10.18608/jla.2022.7321
Holman, J., Thompson, K., & Rivera, M. (2025). AI tutors in mathematics education:
Case studies in Latin America. ERIC. https://eric.ed.gov/?id=EJ1481890
Johnson, D., & Patel, S. (2024). Generative AI in engineering education: A systematic
review. International Journal of Engineering Education, 40(1), 12–29.
https://doi.org/10.1007/s10758-024-09512
Liu, Y., Zhang, H., & Chen, L. (2025). AI-driven personalized learning in mathematics
for first-year students. Education Sciences, 16(1), 140.
https://doi.org/10.3390/educsci16010140
Martínez, L., & Pérez, J. (2025). Tutorías virtuales con IA en universidades
latinoamericanas. Revista Educación y Tecnología, 15(1), 88–104.
https://doi.org/10.5281/zenodo.987654
McAdoo, T., Denneny, S., & Lee, C. (2025). Citing generative AI in APA Style:
Reference formats. APA Style Blog.
https://apastyle.apa.org/blog/cite-
generative-ai-references
Norman-Acevedo, E. (2024). Inteligencia artificial al servicio de la pedagogía:
Potenciando la creatividad y el pensamiento crítico. PANORAMA, 18(34), 1-
13. https://www.redalyc.org/journal/3439/343977238002/html/
Panqueban, C., & Huincahue, J. (2024). Isomorphism between traditional learning
and AI-based pedagogy. Revista Universidad, 38(1), 20.
https://doi.org/10.15359/ru.38-1.20
Panqueban, D., & Huincahue, J. (2024). Inteligencia Artificial en educación
matemática: Una revisión sistemática. Uniciencia, 38(1), 357–373.
https://doi.org/10.15359/ru.38-1.20
Plana, R. (2025). Artificial intelligence and equity in higher education. UNESCO-
IESALC. https://www.iesalc.unesco.org
Reicher, D., Silva, R., & Gomes, F. (2025). Engineering education in the age of AI:
Analysis of the impact of chatbots on learning. Education Sciences, 14(5),
484. https://doi.org/10.3390/educsci14050484
Reicher, H., Frenkel, Y., Lavi, M., Nasser, R., Ran-milo, Y., Sheinin, R., Shtaif, M.,
& Milo, T. (2025). A generative AI-empowered digital tutor for higher
education courses. Information, 16(4), 264.
https://doi.org/10.3390/info16040264
Rodríguez Cairo, A., & Ramírez Echavarría, L. (2023). Artificial intelligence in Cuban
universities: Pedagogical perspectives. Latin American Journal of Artificial
Intelligence, 28(3), 45–62. https://doi.org/10.62486/latia20238
Smith, A., & Brown, K. (2023). AI-driven adaptive learning systems in higher
education. Journal of Educational Computing Research, 61(5), 1123–1145.
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
e9147
https://doi.org/10.1177/07356331231123456
Springer, J. (2025). AI tutors in engineering education: Structural design
applications. Journal of Educational Technology, 25(2), 567–582.
https://doi.org/10.1007/s10758-025-09567
Tasdelen, O., & Bodemer, D. (2025). Generative AI in the Classroom: Effects of
Context-Personalized Learning Material and Tasks on Motivation and
Performance. International Journal of Artificial Intelligence in Education,
35(5), 3049-3070. https://doi.org/10.1007/s40593-025-00491-9
Torres, J., & Díaz, M. (2024). La inteligencia artificial como recurso didáctico en la
enseñanza universitaria cubana. Revista Pedagogía Universitaria, 39(1), 77–
95. https://doi.org/10.5281/zenodo.7654321
UNESCO. (2024). Artificial intelligence and the future of learning. Global Education
Monitoring Report. https://unesdoc.unesco.org/ark:/48223/pf0000387654
UNESCO-IESALC. (2025a). Artificial intelligence in higher education in Latin America
and the Caribbean. https://www.iesalc.unesco.org
UNESCO-IESALC. (2025b). Shaping inclusive AI futures in higher education. Informe
Regional. UNESCO IESALC. https://www.iesalc.unesco.org/en/2025/07/11
Wang, L., & Zhao, Y. (2025). AI tutors in civil engineering education. Journal of
Structural Engineering Education, 12(3), 210–225.
https://doi.org/10.1007/s10758-025-09568
World Bank Group. (2025). Artificial intelligence in higher education: Policy and
practice.
https://documents.worldbank.org/en/publication/ai-higher-
education
Yin, R. (2021). Case study research and applications: Design and methods (6th ed.).
Springer. https://doi.org/10.1007/978-3-030-60147-3
Zhang, H., & Xu, F. (2023). Generative AI for problem-solving in mechanical
engineering. Journal of Mechanical Education, 18(2), 145–160.
https://doi.org/10.1016/j.mechedu.2023.102345
Zhunio, A. Q., & Salgado, F. S. (2025). Inteligencia artificial debilita la inteligencia
de los jóvenes. Revista Cubana de Educación Superior, 44(especial 1), 50-
65. https://revistas.uh.cu/rces/article/view/12169
| Leider Inocencio Saraiba Nuñez | Maira Rosario Moreno Pino | Orlando Figueredo Maldonado |
Estrategia y Gestión Universitaria EGU
Sobre el autor principal
Leider Inocencio Saraiba Nuñez:
Doctor en Ciencias Técnicas, con una Maestría en
Matemática Aplicada e Informática para la Administración y graduado como
Ingeniero Radioelectrónico de Aviación. Posee una sólida trayectoria en
investigación técnica, destacándose en el desarrollo de model
os matemáticos y
sistemas de Inteligencia Artificial aplicados a la eficiencia organizacional. Su
experiencia abarca la gestión de portadores energéticos, el mantenimiento
industrial y la integración de tecnologías de la Industria 4.0 en entornos
patrimoni
ales. Ha liderado proyectos de alto impacto académico enfocados en la
competitividad y la transformación digital, manteniendo un rigor metodológico
orientado a publicaciones de primer nivel.
Declaración de responsabilidad autoral
Leider
Inocencio Saraiba Nuñez 1:
Conceptualización, Curación de datos, Análisis
formal, Investigación, Metodología, Recursos, Software, Supervisión,
Validación/Verificación, Visualización, Redacción/borrador original y Redacción
.
Maira Rosario Moreno Pino
2: Cu
ración de datos, Análisis formal, Investigación,
Recursos, software, Supervisión, Validación/ Verificación, Visualización, Redacción/
borrador original, y Redacción, revisión y edición.
Orlando Figueredo Maldonado
3: Curación de datos, Análisis formal, Inv
estigación,
Recursos, Validación/ Verificación, Visualización, Redacción/ borrador original.
Financiación:
Recursos propios.
Agradecimientos:
