Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 32 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Artículo original. Vol. 5 - Nro. 1, pp. 32 - 52. Enero 2027. E-ISSN: 2960-8015
Inteligencia articial y rendimiento académico en
estadística descriptiva de estudiantes de ingeniería de la
UPEC
Articial Intelligence and Academic Performance in Descriptive
Statistics among UPEC Engineering Students
Walter Jored Jácome Vélez 1, Juan Carlos López Ruano 2
1 Universidad Politécnica Estatal del Carchi
walter.jacome@upec.edu.ec
Tulcán-Ecuador
2 Universidad Politécnica Estatal del Carchi
carlos.lopez@upec.edu.ec
Tulcán-Ecuador
¿Como citar?
Jácome Vélez , W. J. ., & López Ruano , J. C. . (2027). Inteligencia articial y rendimiento
académico en estadística descriptiva de estudiantes de ingeniería de la UPEC. Revista
Multidisciplinaria Investigación Contemporánea, 5(1), 32-52. https://doi.org/10.58995/red-
lic.rmic.v5.n1.a252
Recibido: 16-05-2026
Aceptado: 03-09-2026
Publicado: 01-01-2027
Nota del editor
REDLIC se mantiene neutral con respecto a re-
clamos jurisdiccionales en mensajes publicados y
aliaciones institucionales.
Editorial
Red Editorial Latinoamericana de Investigación
Contemporánea (REDLIC)
www.editorialredlic.com
Fuentes de nanciamiento
La investigación fue realizada con recursos propios
Conictos de interés
No presentan conicto de intereses.
Este es un artículo de acceso abierto, bajo licencia
Creative Commons (CC BY 4.0) de Atribución 4.0
Internacional
https://doi.org/10.58995/redlic.rmic.v5.n1.a252
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 33 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Resumen
La incorporación de herramientas de Inteligencia Articial (IA) en la educación superior ha
transformado el aprendizaje. Esta investigación tuvo como objetivo analizar la inuencia del
uso de IA en el rendimiento académico de estudiantes de Estadística Descriptiva de la UPEC.
Se empleó un enfoque cuantitativo y correlacional, aplicando una encuesta a 155 estudiantes.
Para validar la estructura del estudio, se utilizaron el Análisis Factorial Exploratorio (AFE) y
Conrmatorio (AFC). Los resultados del AFE y AFC conrmaron una estructura bidimensional
compuesta por “Uso y percepción académica de la IA” y “Competencia percibida en su uso”. Los
hallazgos sugieren que la integración de herramientas de IA contribuye positivamente al proceso
de aprendizaje de contenidos estadísticos. Se concluye que la IA es un recurso educativo valioso
que fortalece el desempeño académico, siempre que su utilización se desarrolle bajo principios
de equidad, transparencia y responsabilidad para apoyar las decisiones pedagógicas basadas en
evidencia.
Palabras clave: inteligencia articial; rendimiento académico; estadística; análisis factorial
exploratorio; análisis factorial comprobatorio.
Abstract
The incorporation of Articial Intelligence (AI) tools into higher education has transformed
learning. The objective of this study was to analyze the inuence of AI use on the academic
performance of students in the Descriptive Statistics course at UPEC. A quantitative and
correlational approach was employed, using a survey administered to 155 students. To validate
the study’s structure, Exploratory Factor Analysis (EFA) and Conrmatory Factor Analysis (CFA)
were used. The results of the EFA and CFA conrmed a two-dimensional structure comprising
“Use and Academic Perception of AI” and “Perceived Competence in Its Use.” The ndings suggest
that the integration of AI tools contributes positively to the learning process of statistical content.
It is concluded that AI is a valuable educational resource that enhances academic performance,
provided that its use is guided by principles of equity, transparency, and accountability to support
evidence-based pedagogical decisions.
Keywords: articial intelligence; academic performance; statistics; exploratory factor analysis;
conrmatory factor analysis.
1. Introducción
En la Universidad Politécnica Estatal del
Carchi (UPEC), el uso de herramientas de
inteligencia articial por parte de los estu-
diantes ha experimentado un crecimiento
considerable; existe escasa evidencia cien-
tíca que permita determinar cómo estas
tecnologías inuyen especícamente en el
rendimiento académico de los estudiantes
en asignaturas relacionadas con la estadís-
tica descriptiva. Esta situación justica la
realización de la presente investigación,
orientada a analizar la inuencia del uso de
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 34 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
herramientas de inteligencia articial en el
rendimiento académico de los estudiantes
de ingeniería de la UPEC, contribuyendo
así a la generación de conocimiento que
permita fortalecer los procesos educativos
y promover una integración efectiva de
estas tecnologías en la educación superior.
El desarrollo de la inteligencia articial
generativa, como ChatGPT, ha transforma-
do profundamente una amplia gama de
actividades humanas al permitir la pro-
ducción automatizada de textos, análisis
y respuestas en tiempo real. (Acero & Alba,
2025).
La inteligencia articial (IA) está trans-
formando rápidamente la sociedad y los
sectores, lo que plantea tanto oportunida-
des como retos éticos. La IA permite a las
máquinas realizar tareas que tradicional-
mente llevaban a cabo los seres humanos,
como el procesamiento del lenguaje natu-
ral, el reconocimiento de patrones, la toma
de decisiones y la resolución de problemas
(Leddy & McCreanor, 2024).
En el ámbito de la tecnología educativa,
la inteligencia articial aplicada a la edu-
cación (AIEd) es un campo emergente que
se prevé que tenga un profundo impacto
en el proceso de enseñanza y aprendizaje
(Tan, 2023).
El rendimiento académico se dene
de varias formas; de acuerdo con ciertos
autores, se considera que es un valor que
indica el nivel de aprendizaje de los estu-
diantes y que depende de varios factores.
El rendimiento académico es una parte
fundamental en el proceso de enseñanza y
aprendizaje, porque nos permite identicar
si el estudiante cumple con los estándares
de aprendizaje que dispone el currículo de
educación para ser promovido al siguiente
nivel. Dentro de la evaluación del rendi-
miento académico, se puede aplicar la inte-
ligencia articial para predecir el abandono
académico en la educación superior. Des-
taca que el abandono académico no solo
afecta a las personas, sino también a los
recursos institucionales y a la sociedad en
general (Tan, 2023).
En el estudio del rendimiento académi-
co se evidencia una premisa ampliamente
aceptada, sostiene que los estudios univer-
sitarios representan uno de los principales
factores de ascenso social y cultural en la
población de un país. Esta noción ayuda a
explicar los altos índices de matrícula uni-
versitaria en América Latina (Comolli et
al., 2026).
La inteligencia articial ha llegado al
mundo de la universidad, tanto en el plano
de los alumnos que acceden a los estudios
superiores como en el profesorado que se
encuentra en su doble vertiente como do-
centes e investigadores con esta realidad
tecnológica que no hace sino crecer (Garza,
2024).
2. Materiales y métodos
La investigación se centra en la Universidad
Politécnica Estatal del Carchi, universidad
pública ubicada en el cantón Tulcán, de
la provincia del Carchi; la misma es una
institución de educación superior pública
y acreditada, que satisface las demandas
sociales a través de la formación de grado
y posgrado, la investigación, la vinculación
con la sociedad y la gestión, generando
conocimiento que contribuye al desarrollo
económico, social, cientíco-tecnológico,
cultural y ambiental de la región.
El objetivo de este trabajo es determinar
cuáles son los factores de índole académi-
co, familiar, personal, y social que inuyen
en el rendimiento académico en un grupo
de estudiantes de la materia de Estadísti-
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 35 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
ca descriptiva de la UPEC, para lo cual se
aplicaron técnicas de análisis multivariado.
El presente estudio se enmarca en el
enfoque cualitativo, ya que se fundamenta
en la recolección y análisis de datos de una
encuesta realizada a los estudiantes de Es-
tadística Descriptiva de la UPEC, además
del enfoque cuantitativo, al aplicar matri-
ces de correlación y el análisis factorial de
reducción de dimensiones, como lo son el
análisis factorial exploratorio (AFE), y el
análisis factorial conrmatorio (AFC). Con
el objetivo de examinar relaciones estadís-
ticas entre variables y establecer conclu-
siones objetivas a partir de la aplicación
de métodos multivariantes. Las preguntas
realizadas en el cuestionario presentan una
buena orientación para una investigación
correlacional, o explicativa sobre el uso de
herramientas de inteligencia articial y el
rendimiento académico en los estudian-
tes, todo esto basado en la vericación de
los supuestos previos que los datos deben
cumplir, para que los resultados sean váli-
dos. El alcance de la investigación correla-
cional y explicativa: en primera instancia,
se busca establecer la existencia y la inten-
sidad de la relación entre el uso de herra-
mientas de IA, y el rendimiento académico;
posteriormente, se pretende explicar cómo
y en qué medida el uso de estas tecnologías
impacta en el aprendizaje de contenidos
estadísticos. Para esto, se aplica el análisis
multivariante, una técnica estadística avan-
zada que permite explorar patrones ocultos
entre múltiples variables simultáneamente,
identicar factores latentes, y comprender
estructuras subyacentes que afectan al des-
empeño estudiantil.
El tipo de estudio es no experimental,
dado que no se manipulan deliberadamen-
te las variables independientes, sino que
se observan en su contexto natural, el di-
seño es transversal, ya que la información
fue recolectada en un solo momento del
tiempo, permitiendo una “fotografía” del
fenómeno investigado durante el período
académico 2025A.
Se usa un programa de última genera-
ción para realizar análisis de datos, lo cual
lo hace versátil, con un lenguaje de pro-
gramación en un dialecto denominado S
(Jiménez, 2019).
Las técnicas cuantitativas incluyen mé-
todos o herramientas que se centran en la
medición objetiva y el análisis de números,
para sacar conclusiones sobre problemas
dados. Es un método o técnica cientíca
utilizado por el mundo empresarial y aca-
démico para la resolución de problemas
y la toma de decisiones. Así mismo, el es-
tudio de las técnicas cuantitativas ha sido
un concepto relativamente nuevo, que tie-
ne grandes aplicaciones en la academia y
otros campos de la vida (K. M. A. Sánchez
& Sandoval, 2024).
El AFE, es el nombre genérico con que
se designa a un conjunto de métodos es-
tadísticos multivariados de independen-
cia cuyo propósito principal es identicar
una estructura de factores subyacentes a
un conjunto amplio de datos (Pérez & Me-
drano, 2010).
Para el análisis estadístico de los datos,
se llevó a cabo un análisis factorial conr-
matorio, con la nalidad de obtener evi-
dencias de la validez de constructo de la
escala. Se eligió usar el método de estima-
ción de máxima verosimilitud robusta por
ajustarse correctamente a datos con faltas
de normalidad estadística o de muestras
medianas o pequeñas (Barrientos Durán
et al., 2024).
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 36 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
3. Resultados
Para realizar los criterios de métodos mul-
tivariados, se realizó una encuesta digital, a
los estudiantes que cursaron la materia de
Estadística descriptiva, en el período aca-
démico 2025A. Para desarrollar el análisis
de esta, y poder concluir el impacto que
tiene el uso de la inteligencia articial, en
materias de uso de datos, como lo es la esta-
dística. Es una encuesta estructurada tipo
cuestionario digital, mediante el Google
Forms, y exportada desde el Excel. Este
tipo de encuesta generalmente es utiliza-
da para investigaciones, porque recoge la
información estandarizada de muchos par-
ticipantes mediante preguntas cerradas y
de escalas.
La encuesta recoge datos cuantitativos,
datos numéricos y categóricos que se pue-
den analizar estadísticamente, además de
ser de forma transversal, ya que se obtiene
en un solo momento del tiempo, sin segui-
miento longitudinal.
Nos centraremos también en un análi-
sis correlacional, buscaremos relacionar las
variables, además de que, en su mayoría,
las respuestas son categóricas se usa como
instrumento las escalas Likert. Se escogió
de la encuesta la parte que conlleva el valor
de interés del trabajo: 15 preguntas de es-
calas Likert, para aplicar las herramientas
estadísticas como la reducción de dimen-
siones y poder interpretar su incidencia.
Después de analizar la base de datos
obtenida, que es de tipo ordinal con escala,
aplicada generalmente en las encuestas rea-
lizadas. Realizaremos un análisis factorial
exploratorio y conrmatorio; se realiza una
visualización de los datos por medio del
programa R-studio.
3.1. Visualización de los datos
Se realiza un summary, a todos los datos
para vericar que no haya ningún valor atí
-
pico, o algún valor faltante, identicando o
anunciando que existe algún valor dentro
de las columnas de la encuesta que estén
faltando.
Figura 1. Reeja que, de las 15 preguntas o variables, no hay inconsistencias. Fuente:
Walter Jácome Vélez (2026).
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 37 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Ahora procedemos a obtener las des-
viaciones estándar de cada una de las va-
riables; en caso de que alguna, resulte ser
igual entre variables, se procede a eliminar
una de las preguntas.
Tabla 1: SD de cada variable
Variable SD Variable SD Variable SD
P1 1.6525108 P6 1.1903114 P11 1.7487323
P2 0.4526142 P7 1.4287139 P12 1.7734484
P3 1.7706115 P8 1.7579075 P13 0.5256711
P4 1.3429516 P9 1.8265142 P14 1.5246336
P5 1.4293295 P10 1.6642574 P15 1.7722196
Nota. Fuente: Walter Jácome Vélez. (2026)
Podemos respaldar esto con un gráco, bajo la condición del comando boxplot.
Figura 2. Gráco de las variables en conjunto. Fuente: Walter Jácome Vélez (2026).
3.2. Tratamiento de los datos.
Se tienen varias variables; aplicaremos
una técnica, la cual es la distancia de
Mahalanobis, donde extraemos la parte
numérica de nuestros datos. La distancia
de Mahalanobis son puntajes muy pareci-
dos a las distancias euclidianas respecto a
un centroide.
Se calcula una distancia multivariante
para cada variable de la muestra; cada nú-
mero representa ¿qué tan lejos está cada
observación?, respecto al centro multiva-
riante de todas las variables analizadas.
Figura 3. Captura de las distancias de Mahalanobis. Fuente: Walter Jácome Vélez (2026)
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 38 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
El punto de corte es de 37.6973; esto signi-
ca que toda observación con la distancia
de Mahalanobis mayor a 37.6973 será con-
siderada un valor atípico multivariado.
Matemáticamente hablando:
D2>37.6973 (1)
El número mayor de los datos de las dis-
tancias calculadas es de 28.120504, lo cual
podemos dar como resultado que no existe
valor atípico multivariado en los datos, que
las 155 observaciones han sido aceptadas.
3.3. Supuestos estadísticos de la muestra
La vericación de los supuestos estadís-
ticos adicionales es para estar seguros de
que las técnicas multivariantes que se irán
a realizar no tengan ningún problema al
aplicarlas e interpretarlas.
3.3.1. Aditividad
Este supuesto estadístico, es para eviden-
ciar que no existen correlaciones perfectas,
o bivariadas perfectas, esto es, que una
columna no tenga los mismos valores que
otras columnas de los datos, y eso capaz
signique que se esté preguntando lo mis-
mo 2 veces.
Figura 3. Matriz de correlación entre las variables. Fuente: Walter Jácome Vélez (2026).
En caso de coincidir con el valor de 1 en
la matriz entre algunas de las preguntas, se
toma la decisión de eliminar una de las dos.
3.3.2. Normalidad
Se realiza el supuesto de normalidad, o
de falsa regresión; se utiliza la distribución
normal para una sola variable, la Ji- cuadra
-
do, para múltiples variables; cabe señalar
que, de ser multimodal, no se aceptaría, y
se estandariza la Ji-cuadrado para realizar
el histograma.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 39 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Figura 4. Histograma estandarizado de falsa regresión. Fuente: Walter Jácome Vélez (2026).
3.3.3. Linealidad
Es un gráco donde podemos considerar,
en el intervalo de -2 a 2, si cumple con el
supuesto de linealidad; de no cumplirse,
se rechaza la muestra con una muestra
paramétrica y tendrá que ser considerada
como una muestra no paramétrica.
Figura 5. Gráco QQ-plot de linealidad. Fuente: Walter Jácome Vélez (2026).
3.3.4. Homogeneidad y
Homocedasticidad
Al analizar la dispersión de los datos,
debemos observar que no haya divergen-
cia; dentro de la homogeneidad y homo-
cedasticidad, la dispersión debe estar bien
distribuida y como una nube ovalada;
podremos vericar que este supuesto sí se
cumple.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 40 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Figura 6. Gráco del supuesto de Homogeneidad y homocedasticidad. Fuente: Walter
Jácome Vélez (2026).
3.3.5. Suciencia de correlación
Se procede a aplicar la suciencia de corre-
lación de Bartlett; es uno de los supuestos
estadísticos dentro de la validación de los
datos obtenidos. Consiste en comparar
cada una de las preguntas, vericando
correlaciones signicativamente diferen-
tes. La decisión estadística sería:
p < 0.05 (2)
Basados en las hipótesis:
H
0
: la matriz de correlaciones es una matriz
identidad
H
1
: las variables si están correlacionadas sig-
nicativamente.
El valor del p-valor es de: 5.770485e-50, lo
cual es un valor extremadamente peque-
ño; por tanto, rechazamos la hipótesis
nula. Esto signica que sí existe una corre-
lación signicativa entre las variables de la
encuesta. Por lo que sí procede a un análisis
factorial.
3.3.6. Suciencia de muestreo (KAISER-
MEYER-OLKIN)
Este supuesto de suciencia nos permite
asegurar, que la muestra sea lo suciente-
mente grande, ya que se va a trabajar sobre
el modelo de correlación.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 41 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Tabla 2: Estadísticos de suciencia de muestreo KMO.
Preguntas P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15
Estadísticos
0.79
0.55
0.69 0.75 0.69
0.64
0.79
0.77 0.77
0.81 0.83 0.79
0.62
0.76
0.67
Nota. Fuente: Walter Jácome Vélez. (2026)
3.4. Análisis factorial exploratorio
Se realiza el análisis factorial explorato-
rio, lo cual trata de obtener una estructura
simple, o una estructura reducida en unos
pocos factores para todos esos conjuntos
de preguntas, cuáles se pueden asociar y
cuáles no.
3.4.1. Criterio de esfericidad
Se realiza el análisis factorial, comenzando
por el criterio de esfericidad mediante un
Scree Plot, o gráco de sedimentación del
análisis factorial exploratorio. Es el inicio
para evidenciar cuántos factores o compo-
nentes deben conservarse en el modelo.
El análisis presenta una estructura esta-
dística aceptable y puede continuar hacia
análisis factorial exploratorio. No obstan-
te, los ítems p2 y p13 muestran debilidad
psicométrica.
Normalmente, las encuestas suelen tener
como debilidad algunas preguntas, de ahí
la importancia del juicio de expertos en la
formulación de los cuestionarios. Los resul-
tados después de estos supuestos son muy
favorables, para continuar con el análisis
factorial exploratorio.
Figura 7. Criterio de Esfericidad para el AFE. Fuente: Walter Jácome Vélez (2026).
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 42 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Se busca un punto de inexión, o un
codo propiamente dicho, un lugar donde
cambia la curvatura, para realizar el si-
guiente paso del AFE. Es una forma gráca
de la interpretación de estudio, además de
los criterios de la varianza acumulada, el
criterio de Kaiser.
El gráco de sedimentación muestra
un descenso pronunciado en los primeros
Figura 8. Análisis paralelo en el estudio del AFE. Fuente: Walter Jácome Vélez (2026).
componentes y una estabilización posterior
de la curva, sugiriendo la presencia de en-
tre dos y tres factores principales.
3.4.2. Análisis paralelo
Este gráco es considerado uno de los
métodos más robustos y recomendados
para decidir cuántos factores deben rete-
nerse en un análisis factorial exploratorio.
Para poder interpretar el gráco, bus-
camos dónde se intersecan, dónde se acu-
mula la mayor cantidad de varianzas. Ade
-
más, muestra que únicamente dos factores
presentaron autovalores superiores a los
obtenidos mediante datos aleatorios simu-
lados. Aunque el tercer factor mostró una
contribución marginal, la solución factorial
de dos dimensiones resultó la más consis-
tente e interpretable.
3.4.3. Criterio de Kaiser
Este criterio da a conocer de manera ana-
lítica con cuántos factores es necesario tra-
bajar; según el criterio de Kaiser, se debe
trabajar con 2 factores.
3.4.4. Ejecución de la prueba
Es propiamente el resultado del análisis
factorial exploratorio, (AFE), se realiza para
encontrar cuál es la estructura factorial que
podemos utilizar para esta encuesta.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 43 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Figura 9. Análisis factorial exploratorio. Fuente: Walter Jácome Vélez (2026).
Se realiza el análisis factorial exploratorio
mediante el método de rotación matricial,
con el tipo de ajustes de máxima verosi-
militud.
Se procede a realizar las saturaciones en
cada factor, donde se va a buscar o se puede
considerar como miembro inuyente de
un factor aquel que tenga una saturación
mayor a 0.3, considerando que un factor,
no puede tener menos de 3 preguntas; en
caso contrario, tocará eliminar dicho fac-
tor. En la tabla 3, se puede observar que
las preguntas 2 y 13, no están dentro de
los factores interpretados, por tener una
saturación menor a lo especicado.
Tabla 3: Matriz de factores interpretados
Factor 1 (ML1) Factor 2 (ML2)
P1 0.32 P4 0.54
P3 0.38 P5 0.60
P8 0.81 P6 0.66
P9 0.73 P7 0.45
P10 0.49
P11 0.60
P12 0.41
P14 0.50
P15 0.41
Nota. Fuente:(George & Mallery, 2024)
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 44 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
El factor 1, representa la integración de
las herramientas de inteligencia articial
como apoyo académico en el aprendiza-
je de estadística descriptiva y se lo puede
denominar como “uso y percepción acadé-
mica de la inteligencia articial”.
El factor 2, reeja el nivel de familiari-
dad, capacitación y adaptación tecnológi-
ca hacia herramientas de IA; se lo puede
denominar “competencia percibida en el
uso de la IA”.
3.4.5. Validación del análisis factorial
exploratorio
En la validación, la conabilidad interna
del instrumento fue evaluada mediante
el coeciente Alfa de Cronbach, donde se
considera su interpretación en la siguiente
tabla.
Tabla 4: Interpretación del Alfa de Cronbach
Alfa Interpretación
Excelente
Muy bueno
Aceptable
Moderado
Deciente
Nota. Fuente: Walter Jácome Vélez. (2026)
Las cargas factoriales obtenidas eviden-
cian que comparten una dimensión común,
relacionada con la aceptación; el análisis de
conabilidad muestra un alfa de Cronbach,
de 0.78, indicando una adecuada consis-
tencia interna y conando en que los ítems
que conforman este factor presentan una
coherencia estadística, lo cual es un modelo
aceptable.
Figura 10. Validación del Alfa de Cronbach para el factor 1. Fuente: Walter Jácome Vélez
(2026).
El análisis de conabilidad presentó
un Alfa de Cronbach de 0.66, considerado
aceptable para estudios exploratorios en
ciencias sociales, lo cual indica una con-
sistencia interna moderada entre los ítems
que conforman este factor y evidencia una
adecuada relación conceptual dentro de la
estructura del instrumento.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 45 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Figura 11. Validación del Alfa de Cronbach para el factor 2. Fuente: Walter Jácome Vélez
(2026).
3.5. Análisis factorial conrmatorio
Se realiza la técnica multivariante, como el
análisis factorial conrmatorio, para veri-
car una estructura teóricamente ajustada o
realizada ante un análisis factorial explo-
ratorio. Se ajustan los datos observados;
la tarea es conrmar la relación existente
entre las variables observadas, y los fac-
tores latentes o constructos que se desean
medir.
3.5.1. Estructura factorial
La estructura que se presenta es un modelo
factorial de dos factores, correlacionados,
derivado del análisis factorial exploratorio,
que se realizó a priori, se busca una solu-
ción coherente, que no reeje indicios de
invalidez.
Figura 12. Estructura factorial. Fuente: Walter Jácome Vélez (2026).
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 46 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Las cargas interfactoriales: lo único que
se desea es que no existan valores cercanos
a 1; su valor es 0.4, esto representa su corre-
lación, indicando que ambas dimensiones
están relacionadas moderadamente entre
sí. Las cargas de cada pregunta hacia su
respectivo factor: no se observan indicios
de invalidez; la estructura factorial eviden-
cia una adecuada organización de los ítems
en dos dimensiones claramente diferen-
ciadas. En términos metodológicos, esta
estructura fortalece la validez de constructo
del cuestionario y demuestra que el instru-
mento posee una organización conceptual
consistente para evaluar tanto el uso aca-
démico de la Inteligencia Articial como la
familiaridad tecnológica de los estudiantes.
Figura 13. Resumen resultado del AFC. Fuente: Walter Jácome Vélez (2026).
El estimador de máxima verosimilitud, rea-
liza un modelo de optimización; además, se
observa que el test estadístico es de 114.811
para un Ji-cuadrado, con un p-valor de 0.
Se puede concluir que es signicante, que
el modelo alcanzó el nivel de signicancia.
3.5.2. Conjunto de modelos lineales
De cada uno de los factores, se puede
describir el conjunto de modelo lineal. Para
expresar el modelo lineal único, se suman
todos los indicadores ponderados por sus
cargas factoriales estandarizadas.
Factor 1: Uso y percepción académica
de la inteligencia articial
F
1
=0.370(p
1
)+0.391(p
3
)+0.805(p
8
)+0.730(p
9
)+0.527(p
10
)+0.587(p
11
)+0.475(p
12
)+0.448(p
14
)+0.385(p15 )+ε (3)
Donde:
•
p
1
Frecuencia de estudio fuera de clase
• p3 Uso de la IA para resolver tareas
•
p8 La IA ha mejorado mi desempeño
académico.
• p9 Recurro a la IA cuando no entiendo
explicaciones.
•
p
10
La IA proporciona respuestas claras.
• p11Confío en los resultados obtenidos
con IA.
• p12La IA complementa los contenidos
impartidos.
• p14Percepción de dicultad de la esta-
dística descriptiva
• p15Frecuencia de estudio en grupo
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 47 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Factor 2: competencia percibida en el
uso de la IA
F2=0.543(p4)+0.592(p5)+0.593(p6 )+0.571(p7 )
+ε (4)
Donde:
• p4 La IA ayuda a comprender concep-
tos estadísticos.
•
p
5
Comodidad en el uso de h e -
rramientas de IA
• p6 Orientación previa sobre IA
•
p
7
Frecuencia de consulta de herra-
mientas de IA
Figura 14. Factores del conjunto de modelos lineales del AFC. Fuente: Walter Jácome
Vélez (2026).
3.5.3. Índices de ajustes globales
La interpretación de saber si es aceptable
o no el análisis factorial conrmatorio,
depende de los índices de ajustes, donde
se analizan indicadores globales, bajo el
criterio de valores estandarizados.
Figura 15. Índices de ajustes globales del AFC. Fuente: Walter Jácome Vélez (2026).
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 48 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Estos índices presentan ajustes acep-
tables, pero no excelentes, por lo que se
puede considerar válido el análisis factorial
conrmatorio.
4. Discusión
Los resultados obtenidos coinciden con
los reportados en el estudio realizado en
la Universidad Privada Domingo Savio,
al evidenciar que el uso de la inteligencia
articial representa un recurso potencial
para fortalecer el proceso de enseñanza y
aprendizaje y favorecer el rendimiento aca-
démico de los estudiantes universitarios, la
muestra aleatoria fue de 326 estudiantes.
Por medio de un enfoque cuantitativo y
transversal, se recolectaron datos que per-
mitieron identicar las principales herra-
mientas de IA empleadas, entre las cuales
destaca ChatGPT como la más utilizada.
Donde un 57% de los estudiantes reportó
una mejora en su desempeño, mientras que
un 41% no percibió cambios signicativos
(Guzmán et al., 2024), existen diferencias
relevantes en el enfoque metodológico; la
presente investigación profundizó en la
validación de las dimensiones que expli-
can dicho fenómeno mediante técnicas de
análisis multivariante.
Dentro del proceso de aprendizaje de
educación y el uso de la inteligencia arti-
cial, el trabajo realizado en la Universidad
Nacional, José Faustino Sánchez Carrión,
determinó una relación estadísticamente
signicativa entre el uso de la inteligen-
cia articial y el proceso de aprendizaje
de los estudiantes, evidenciada mediante
un coeciente de correlación de Spearman
de 0.771 (p < 0.05). Estos resultados son
de la investigación realizada por (Lopez
Gomero, 2025). Este enfoque proporciona
una explicación más profunda sobre los
componentes que inuyen en la percep-
ción y utilización de estas herramientas,
lo que constituye un aporte metodológi-
co para futuras investigaciones. Ambos
estudios coinciden en que la inteligencia
articial posee un importante potencial
para mejorar los procesos de aprendizaje
y el rendimiento académico; sin embargo,
sus benecios dependen del nivel de inte-
gración pedagógica, de las competencias
digitales desarrolladas por los estudiantes
y de un uso responsable y ético de estas
tecnologías.
Considerando los resultados mediante
la técnica de reducción de dimensiones, por
medio de un análisis factorial exploratorio,
y un análisis factorial comprobatorio, tales
hallazgos tienen una metodología similar
con una investigación realizada, por (Espi-
tia-Cubillos & Rodríguez-Carmona, 2023).
Donde utilizan técnicas multivariantes
usadas en el ámbito de la responsabilidad
social universitaria, Se realiza una revisión
bibliográca de los textos referentes a la
responsabilidad social universitaria. Poste-
riormente, se analizan estadísticamente pa-
ra reportar las tendencias en el campo. En
la literatura estudiada, los autores emplean
métodos estadísticos cuantitativos que per-
miten diagnosticar la implementación de
la Responsabilidad Social Universitaria, y
el 83% de los estudios corresponden a la
aplicación de técnicas estadísticas multi-
variantes.
Un trabajo interesante realizado por
(A. V. Sánchez et al., 2026), la validación
de un cuestionario para diagnosticar en la
integración pedagógica de la inteligencia
articial, El cuestionario inicial se com-
ponía de 72 ítems. Se realizó un análisis
exploratorio y, posteriormente, un análisis
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 49 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
conrmatorio, dando como resultado un
instrumento congurado por cinco dimen-
siones: conocimientos y creencias sobre la
IA en educación, competencias digitales
docentes, formación inicial y continua,
usos pedagógicos y didácticos de la IA, y
actitudes éticas y reexivas hacia la IA, lo
cual dentro de su metodología es similar a
la de este trabajo, ya que realiza un análisis
factorial exploratorio y conrmatorio para
la reducción de dimensiones.
5. Conclusiones
Para los factores del análisis factorial explo-
ratorio, el Raw-Alfa que es la prueba de
validez o constructo factorial, debe estar
entre los rangos de 0.7 – 0.9 para conside-
rarse aceptable. Para el primer factor, es
de 0.78, valor que indica una buena con-
abilidad; para el factor 2, el Raw-Alfa, o
Alfa de Cronbach, es de 0.66, es conside-
rado aceptable para estudios exploratorios
y escalas de pocos ítems, además de que
ningún ítem mostró evidencias de afectar
negativamente la consistencia interna del
constructo, para ambos factores.
Dentro del análisis factorial conrmato-
rio, los indicadores o los índices de ajustes
globales, tanto el CFI (comparativ t index);
TLI (Tocker & Lewis index); NFI (normet t
index); RMSEA (root mean square error of
approximation); SRMR (Standardized root
mean square residual), presentan un ajuste
aceptable a los datos. El RMSEA = 0.072
se encuentra dentro del rango recomen-
dado, menor a 0.08, indicando un error de
aproximación razonable, y una adecuada
estructura factorial.
Los niveles para validar el análisis fac-
torial conrmatorio, están por debajo del
criterio óptimo; sin embargo, los criterios se
aproximan a los niveles aceptables para los
estudios exploratorios y procesos iniciales
de validación de instrumentos, consideran-
do la encuesta de 155 participantes y la na
-
turaleza multidimensional del constructo
evaluado.
El modelo factorial conrmatorio pre-
sentó un ajuste global aceptable (RMSEA
= 0.072; SRMR = 0.073), evidenciando una
adecuada representación de los datos em-
píricos. Aunque los índices incrementales
CFI = 0.872, TLI = 0.844 y NFI = 0.759 no
alcanzaron el valor óptimo de 0.90, los re-
sultados obtenidos respaldan la validez
de la estructura bifactorial identicada y
permiten considerar el instrumento como
metodológicamente adecuado para nes
de investigación y validación en contextos
educativos.
6. Contribución de los autores
WJJV: Recolección de datos, análisis de
resultados
JCLR: discusión, revisión nal del artículo.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 50 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
9. Referencias
Acero, G. D. F., & Alba, M. A. A. (2025).
Authorship in the Age of ChatGPT:
New Challenges for Copyright Law;
[A autoria na era do ChatGPT: novos
desaos para o direito autoral]; [La au-
toría en tiempos de ChatGPT: nuevos
desafíos para el derecho de autor1].
Revista Iberoamericana de La Propiedad
Intelectual, (23), 227–303. https://doi.
org/10.26422/RIPI.2025.2300.o
Barrientos Durán, C., Bustos Aguayo, J. M.,
Vanegas Rico, M. C., & Pérez Durán, J.
(2024). Análisis factorial conrmatorio
de la escala de desempeño laboral en
profesionistas del Valle de México du-
rante el connamiento por COVID-19.
Revista Gestión de las Personas y Tecno-
logía, 17(49), 111–130.
Comolli, J. A., Cappello Villada, J. S.,
Méndez Galarza, S., García, L. D. M.,
& Obregón, G. R. E. (2026). Student
dropout in the Veterinary Science pro-
gram at the National University of the
Northeast; [Deserción estudiantil en la
carrera de Ciencias Veterinarias de la
Universidad Nacional del Nordeste].
Revista Veterinaria, 37, 1 – 7. https://
doi.org/10.30972/vet.3719057
Espitia-Cubillos, A. A., & Rodríguez-Car-
mona, E. (2023). Técnicas estadísticas
multivariantes usadas en el ámbito de
la responsabilidad social universitaria:
una revisión del estado del arte. Pros-
pectiva, 21(2).
Garza, L. M. G. de la. (2024). ARTIFICIAL
INTELLIGENCE AND HIGHER EDU-
CATION. Possibilities, acceptable risks
and limits that should not be crossed.;
[INTEL·LIGÈNCIA ARTIFICIAL I
EDUCACIÓ SUPERIOR. Possibilitats,
riscos acceptables i limitis que no s’han
de traspassar.]; [INTELIGENCIA AR-
TIFICIAL Y EDUCACIÓN SUPERIOR.
Posibilidades, riesgos aceptables y lími-
tes que no se deben traspasar]. Revista
de Educación y Derecho, (2-Extraor-
dinario). https://doi.org/10.1344/
REYD2024.2-Extraordinario.49175
George, D., & Mallery, P. (2024). IBM SPSS
Statistics 29 step by step: A simple guide
and reference. Routledge.
Guzmán, A. G. Z., Jara, P. M. F., Pardo, S.
O., & Coca, R. G. (2024). Percepción
y uso de la inteligencia articial en la
educación superior: Correlación con el
rendimiento académico en estudian-
tes universitarios. YUYAY: Estrategias,
metodologías y didácticas educativas,
4(1), 100–120.
Jiménez, J. U. (2019). Introducción a R y RS-
tudio.
Leddy, M., & McCreanor, N. (2024). Ex-
ploring how Education can Leverage
Articial Intelligence for Social Good.
Proceedings of the European Conferen-
ce on Innovation and Entrepreneurship,
ECIE, 19(1), 1041–1048. https://doi.
org/10.34190/ecie.19.1.2906
Lopez Gomero, R. J. (2025). Inteligencia ar-
ticial y el proceso de aprendizaje de los
estudiantes de la Facultad de Educación
de la Universidad Nacional José Faustino
Sánchez Carrión–2024.
Pérez, E. R., & Medrano, L. A. (2010). Aná-
lisis factorial exploratorio: bases con-
ceptuales y metodológicas. Revista Ar-
gentina de Ciencias del Comportamiento
(RACC), 2(1), 58–66.
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 51 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Sánchez, A. V., Fuentes, E. P., & Queiroz,
S. F. (2026). Validación de un cuestio-
nario para diagnosticar competencias
docentes en la integración pedagógica
de la inteligencia articial. RIED-Re-
vista Iberoamericana de Educación a Dis-
tancia, 29(2).
Sánchez, K. M. A., & Sandoval, J. L. S.
(2024). EVOLUTION OF MULTIVA-
RIATE ANALYSIS METHODS IN THE
FIELD OF MANAGEMENT SCIEN-
CES; [La evolución de los métodos
de análisis multivariante en el campo
de las ciencias de la administración].
Revista Academia and Negocios, 10(2),
239–250. https://doi.org/10.29393/
RAN10-15EMML20015
Tan, S. (2023). Harnessing Articial Intelli
-
gence for Innovation in Education. In
Learning Intelligence: Innovative and Di-
gital Transformative Learning Strategies:
Cultural and Social Engineering Perspecti-
ves. https://doi.org/10.1007/978-981-
19-9201-8_8
Revista multidisciplinaria
investigación Contemporánea ISSN-e: 2960-8015Vol. 5 -No. 1
DOI: https://doi.org/10.58995/redlic.rmic.v5.n1.a252 52 - 52
Jácome et al. Inteligencia articial y rendimiento académico en estadística descriptiva
01 - 2027
Copyright (c) 2027. Walter Jored Jácome Vélez, Juan Carlos López Ruano.
Este es un artículo de acceso abierto, bajo licencia Creative Commons
(CC BY 4.0) de Atribución 4.0 Internacional
Revista multidisciplinaria
Investigación Contemporánea 07 - 2025 Vol. 3 - No. 2 ISSN-e: 2960-8015
DOI: https://doi.org/10.58995/redlic.rmic.v3.n2.a90
Leucemia de células dendríticas plasmocitoides
- estudio y diagnóstico de un caso 49 -49
Copyright (c) 2025 Faicán Rocano Pedro Fernando, Dután Pérez Ibelice Salomé,
González González Camila Raquel, Matute Aguiar Joselyn Nayeli, Rodríguez Ver-
dugo Alejandra Valentina.
Este texto está protegido por una licencia 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 la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, propor-
cionar 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