Impacto del uso de herramientas de inteligencia artificial en la formación de ingeniería

Investigación aplicada a la innovación en el contexto educativo 248 Impacto del uso de herramientas de inteligencia artificial en la formación de ingeniería Alberto Picardo, Raquel Cañete, Estela Peralta Universidad de Sevilla (España) Abstract: The incorporation of artificial intelligence in university teaching opens up a set of possibilities for transforming teaching methodologies. Through personalized strategies tailored to student requirements, it can facilitate the development of teaching materials, the creation of interactive educational content, and the development of support tools such as virtual libraries, simulators, and collaboration platforms. Additionally, they provide assistance to faculty by easing tutoring and evaluation tasks. All of this enriches the educational experience and promotes active and autonomous learning among students. However, they are also linked to new challenges and barriers that have not yet been evaluated. In this context, this work analyzes the impact of using artificial intelligence tools in the university classroom, focusing on how these technologies can improve teaching and learning processes in engineering contexts. The benefits include personalized learning, greater efficiency in material preparation and evaluation by professors, and a more inclusive educational environment. The results also reveal significant challenges. Both professors and students expressed resistance to change; furthermore, accessibility and digital poverty, technical problems, and the need for continuous training to handle these technologies were identified as the most significant barriers. Keywords: University education, Higher education technological tools, artificial intelligence, quality education. 1. INTRODUCCIÓN La implementación de recursos basados en inteligencia artificial (IA) en las universidades puede suponer la transformación de la gestión, investigación y docencia, mejorando los resultados en personalización y calidad. Estas herramientas pueden agilizar los procesos administrativos, automatizando tareas rutinarias y repetitivas, liberando tiempo y recursos que podrían ser destinados a otras actividades. Específicamente, la incorporación de inteligencia artificial en la docencia abre un conjunto de posibilidades para transformar la metodología de enseñanza. Mediante estrategias personalizadas según los requerimientos de los estudiantes, la IA facilita la elaboración de materiales didácticos, la creación de contenidos educativos interactivos y el desarrollo de herramientas de apoyo como bibliotecas virtuales, simuladores y plataformas de colaboración. Todo ello enriquece la experiencia educativa y fomenta un aprendizaje activo y autónomo en los estudiantes. Así mismo, proporcionan asistencia al profesorado facilitando las tareas de tutorización y evaluación. Su integración en los recursos didácticos convencionales aporta flexibilidad, universalidad e inclusión al proceso educativo, adaptándolo de manera personalizada a las necesidades del profesorado y del estudiantado. Sin embargo, también están ligadas a nuevos retos y barreras, que aún no han sido evaluadas. Investigación aplicada a la innovación en el contexto educativo 249 En este contexto, este trabajo analiza el impacto del uso de herramientas de inteligencia artificial en el aula universitaria, enfocándose en cómo estas tecnologías pueden mejorar los procesos de enseñanza y aprendizaje en contextos de ingeniería. Los resultados muestran la percepción sobre la utilidad, la usabilidad y las principales barreras que encontraron los estudiantes durante su aprovechamiento. Además, los datos recopilados permitieron analizar las experiencias de los estudiantes en relación con la integración de la IA en su proceso de aprendizaje. 2. MÉTODOS Este trabajo analiza el impacto del uso de herramientas de IA en el aula universitaria, enfocándose en cómo estas tecnologías pueden mejorar los procesos de enseñanza y aprendizaje en contextos de ingeniería. El estudio analiza una amplia gama de herramientas, desde plataformas de aprendizaje adaptativo hasta sistemas de tutoría inteligente y aplicaciones analíticas y examina cómo estas tecnologías pueden transformar la experiencia educativa en las titulaciones de ingeniería. Para llevar a cabo este análisis, se aplicó una metodología formada por técnicas cualitativas y cuantitativas. Se hizo uso de cuestionarios, siendo los participantes estudiantes de ingeniería que han utilizado herramientas de IA en sus estudios, con el objetivo de evaluar su percepción sobre la utilidad, la usabilidad y las principales barreras para su adopción. 2.1. Instrumentos utilizados El principal instrumento de recolección de datos fueron cuestionarios estructurados, los cuales se diseñaron Ad Hoc para evaluar la percepción de los estudiantes sobre la utilidad, usabilidad y las principales barreras para la adopción de herramientas de inteligencia artificial en su proceso de aprendizaje. Las preguntas se valoraron en una escala de Likert de 1 a 5. Además, se incluyeron preguntas abiertas para recopilar impresiones cualitativas. La sección introductoria del cuestionario incluía preguntas demográficas sobre edad, género, nivel educativo alcanzado y experiencia previa en el uso de IA, con el fin de contextualizar mejor las respuestas. 2.2. Participantes Los participantes fueron estudiantes de ingeniería que han utilizado herramientas de IA durante el estudio de las diferentes materias. Se seleccionaron un total de 130 estudiantes mediante muestreo aleatorio. La muestra incluyó una diversidad de géneros, niveles educativos (estudiantes y egresados, grado, máster y doctorado) con experiencias previas con tecnologías de inteligencia artificial para asegurar una representación equilibrada. 2.3. Procedimiento El procedimiento se desarrolló en varias fases: (1) diseño del cuestionario estructurado con preguntas demográficas y de evaluación, utilizando una escala de Likert de 1 a 5; (2) recolección de datos, siendo los cuestionarios distribuidos a los estudiantes de ingeniería a través de recurso web y durante clases presenciales. Se proporcionó una breve explicación del propósito del estudio y se garantizó la confidencialidad de las respuestas; (3) análisis de datos utilizando técnicas estadísticas descriptivas y pruebas de significancia; las respuestas cualitativas se sometieron a un análisis de contenido para identificar patrones recurrentes; (4) interpretación de resultados para identificar las percepciones generales sobre la utilidad y usabilidad de las herramientas de IA, así como las principales barreras para su adopción y los efectos sobre la experiencia educativa de los estudiantes. Investigación aplicada a la innovación en el contexto educativo 250 3. RESULTADOS 3.1. Análisis de herramientas de IA en el aula universitaria En la última década la educación superior en el área de ingeniería ha experimentado un cambio impulsado por los progresos tecnológicos de la industria. El uso de plataformas de gestión de contenidos digitales, plataformas de aprendizaje en línea y entornos virtuales de simulación se complementan para mejorar la metodología de aprendizaje, posibilitando que éste sea más interactivo y adaptable a las necesidades de los estudiantes. Este tipo de recursos ha flexibilizado la relación profesor-estudiante, incorporando métodos activos como el ABP (aprendizaje basado en proyectos), la colaboración interdisciplinaria y el desarrollo de habilidades blandas o transversales. A lo anterior, hay que añadir que, a partir de 2020, se alcanza un auge en la adopción del aprendizaje automático y las herramientas de inteligencia artificial. Aunque estas tecnologías ya tenían un desarrollo suficiente como para ser implementadas, es en el año 2023 cuando son promovidas por empresas como OpenAI, Google, Amazon y NVIDIA; el interés de utilización ha experimentado un crecimiento importante gracias a su accesibilidad y facilidad de integración con métodos tradicionales (Chen et al., 2020). El avance de la IA tendrá un impacto significativo en los procesos y prácticas de ingeniería. Muchas tareas repetitivas podrían automatizarse mediante flujos de trabajo inteligentes debido a la rapidez con la que la IA puede generar resultados. No obstante, revisar, verificar y mejorar los datos producidos por estas tecnologías sigue siendo una de las tareas más importantes para alcanzar calidad en los resultados generados. En el mismo sentido, la educación asistida con inteligencia artificial, también denominada AIEd (AI in education) (Wang et al., 2024) incluye la creación de sistemas autónomos de apoyo al profesorado, el aprendizaje virtual adaptativo y el análisis y la predicción de datos. Comenzó en los años 50, cuando John McCarthy organizó un taller en Dartmouth College y utilizó por primera vez el término "inteligencia artificial" en 1956 (Russell et al., 2016). La IA en la educación se aplica en tres categorías principales: tutores personales o sistemas de tutorización inteligente (STI), soporte inteligente para el aprendizaje colaborativo y realidad virtual inteligente (Claes et al., 2016). También pueden ser clasificadas según la utilidad de actores (Baker et al., 2019): a) orientadas al estudiante, b) orientadas al profesor y c) orientadas al sistema. Las herramientas orientadas al estudiante incluyen sistemas de gestión del aprendizaje personalizados e ITS. Las herramientas orientadas al profesor ayudan a reducir la carga de trabajo automatizando tareas administrativas y de evaluación, proporcionando información sobre el progreso del estudiante. Finalmente, las herramientas orientadas al sistema proporcionan información a administradores, coordinadores y gestores a nivel institucional; están enfocadas a la monitorización dentro de los sistemas de garantía de calidad, para analizar tasas de éxito, abandono, índices de satisfacción del profesorado y estudiantado, uso de recursos o desempeño docente. La tabla 1 resume el alcance de la IA en educación superior y las tecnologías más frecuentes para su implementación. Investigación aplicada a la innovación en el contexto educativo 251 Tabla 1. Tecnologías de inteligencia artificial para educación. Alcance de la IA Tecnologías de inteligencia artificial Evaluación del aprendizaje Reconocimiento de imágenes, visión por ordenador, sistemas de predicción, análisis de sentimiento, procesamiento de lenguaje natural (NLP) Personalización del aprendizaje Minería de datos, inferencia de conocimiento bayesiano, sistemas de enseñanza inteligente, análisis de aprendizaje, redes neuronales, sistemas de recomendación Enseñanza remota o en línea Edge computing, asistente virtual personalizado, análisis en tiempo real, plataformas de aprendizaje adaptativo, blockchain para la autenticación de certificados, chatbots educativos Interacción y seguimiento inteligente Reconocimiento facial, reconocimiento de voz, laboratorios virtuales, realidad aumentada (AR), realidad virtual (VR), tecnologías de audición y detección, sistemas de respuesta emocional Tutoría inteligente Chatbots, asistentes de tutoría virtual, análisis predictivo, sistemas de tutoría basados en IA, plataformas de aprendizaje colaborativo Gestión y administración educativa Automatización de procesos administrativos, análisis de desempeño institucional, sistemas de gestión de relaciones con los estudiantes (CRM), asistentes virtuales para administración educativa La AIEd se refiere a sistemas de enseñanza que hacen uso de tecnologías y métodos como el aprendizaje automático, el procesamiento de lenguaje natural y las redes neuronales (Baker et al., 2019). El aprendizaje automático, una subcategoría de la IA, se utiliza para clasificar y perfilar datos. En educación es interesante para predecir las tasas de éxito y abandono (es decir, aquellos estudiantes que corren el riesgo de no completar sus cursos) a través del análisis de diferentes factores como el rendimiento académico, la asistencia a clase, la participación en actividades y otras métricas de comportamiento (Popenici y Kerr, 2017). Otra de las propiedades fundamentales de la IA incluye facilitar el aprendizaje colaborativo en línea, formando grupos adaptativos y resumiendo discusiones (Jonassen et al., 1995; Salmon y Salmon, 2004). La realidad virtual inteligente (IVR) facilita el aprendizaje inmersivo; se utiliza para crear entornos de aprendizaje basados en la gamificación, donde los agentes virtuales actúan como profesores o compañeros (Perez et al., 2017); también es útil en la simulación de laboratorios o entornos experimentales, permitiendo la realización de prácticas complejas ligadas a restricciones de seguridad, coste o accesibilidad. La formación técnica y profesional se enriquece, al contextualizar el contenido de las materias con entrenamientos realistas, situaciones de aprendizaje útiles en disciplinas como la ingeniería, la medicina o prevención de riesgos laborales. También es una oportunidad para el aprendizaje colaborativo, ya que elimina las restricciones espaciales, flexibilizando las actividades grupales. Por el tipo de interfaces utilizadas en la IVR, que garantizan experiencias interactivas y visuales, la comprensión y retención de conceptos complejos es más efectiva. Dentro de estos grupos de herramientas, los más prometedores son los sistemas de tutorización inteligente (STI) destinados a guiar y tutorizar el aprendizaje de un campo o área de conocimiento. Constituyen la evolución de los modelos de enseñanza asistida por ordenador (Computer Assisted Instruction - CAI) (Nazimuddin, 2014). Los STI hacen Investigación aplicada a la innovación en el contexto educativo 252 uso de tecnologías de inteligencia artificial y aprendizaje automático para personalizar el contenido educativo, realizando un seguimiento del progreso del estudiante e identificando las áreas de dificultad; con estos resultados, generan la adaptación más adecuada del contenido con un conjunto de recomendaciones personalizadas para guiar el proceso y mejorar el aprendizaje. Pueden adaptarse en tiempo real a las habilidades de cada estudiante gracias a la recopilación exhaustiva de datos durante la interacción, los cuales son utilizados para personalizar la secuencia de instrucción. Esta interacción está orientada al proceso de pensamiento del usuario, a través de preguntas abiertas, diálogos simulados o juegos interactivos. Disponen de sistemas de recomendación, similares a los utilizados por plataformas de distribución digital de contenido multimedia, para crear experiencias de aprendizaje personalizadas; sugieren recursos educativos y actividades específicas según el perfil del estudiante definido a través de su rendimiento individual y factores como las preferencias de aprendizaje, la velocidad de progresión, las áreas de dificultad o el estilo de aprendizaje (activo, pragmático, teórico o reflexivo). Este enfoque centrado en el conocimiento y perfil de estudiante (Dermeval et al., 2018), otorga al STI la capacidad de actualizar el diseño instruccional y adaptar el contenido de la materia según las necesidades del grupo-aula. Hay que destacar que, como entornos colaborativos, tienen un alto potencial para la mejora progresiva de las asignaturas a través de la reutilización de materiales educativos existentes, el uso de resultados de cursos anteriores o con la participación de otros agentes externos a la materia, al posibilitar el desarrollo de comunidades de aprendizaje de profesores y estudiantes en línea. El uso de sistemas de tutorización inteligente se ha extendido rápidamente en la última década para la enseñanza universitaria. Open EdX (Universidad de Harvard y MIT, 2023), Smart Sparrow (Dror Ben-Naim y University of New South Wales in Sydney, 2023), Open Learning Initiative (Carnegie Mellon University, 2022) o ALEKS (College of Liberal Arts and Sciences y Department of Mathematics, 2023) son algunos ejemplos. Cabe destacar que, a causa de los cambios significativos en los nuevos modelos de enseñanza derivados de la pandemia de la COVI-19, la aceptación por parte de los estudiantes de este tipo de sistemas ha mejorado desde el año 2019 (Cao et al., 2021). Con el avance de AIEd y la disponibilidad de grandes volúmenes de datos, se está produciendo una transformación hacia los sistemas de evaluación retroalimentados y en tiempo real (Claes et al., 2016). Estos incluyen algoritmos para predecir con alta precisión la probabilidad de que un estudiante falle una tarea o abandone un curso (Bahadir, 2016). Haciendo uso de procesamiento de lenguaje natural (NLP), es posible identificar patrones en actividades académicas y evaluar la coherencia del contenido, así como detectar posibles incidencias de plagio. Dentro de los grupos descritos en la Tabla 1, es posible identificar diversas funcionalidades para aprovechar las herramientas de IA en el aula universitaria. La Tabla 2 clasifica el alcance de estas herramientas y proporciona ejemplos de las aplicaciones más utilizadas. Tabla 2. Clasificación de herramientas de inteligencia artificial para el aprovechamiento en el aula APOYO AL ESTUDIANTE Búsqueda y gestión de información Optimización del proceso de aprendizaje Técnicas de gestión del tiempo Ejemplos: Gemini, Copilot, ChatGPT, INK Editor, Turnitin, DALL·E, Grammarly, Ejemplos: Craft, Notion AI, Timely, Calendar.AI, RelojWise, Trevo IA, Socratic, MyStudyLife, Ejemplos: Clara Labs, RescueTime,Otter.ai, Toggl Plan, Todoist, Craft, Otter.ai, Alkeeda Investigación aplicada a la innovación en el contexto educativo 253 Quillbot Praxy AI APOYO A LAS ACTIVIDADES DOCENTES Herramientas de evaluación de la atención, compromiso y atención a la diversidad Herramientas de creación de contenido interactivo Herramientas de modelado, simulación y optimización de problemas de ingeniería Ejemplos: MorphCast, Eden AI, MoodleRooms, Face-API, GRIT Project Ejemplos: Canva, Sendsteps.ai, PopAI, Prezi, SlidesGo, Genially, Visme, Quiziz, Ejemplos: Ansys AI, SImScale, Orbital Stack, Monolith.ai, HEEDS AI GENERACIÓN DE CONTENIDO DOCENTE Y EVALUACIÓN Ejemplos: Plataformas de aprendizaje virtual, Sistemas de gestión de contenidos educativos Ejemplos: Evaluación y seguimiento del estudiante Ejemplos: Búsqueda de información en fuentes científicas Ejemplos: Blackboard Ultra, Microsoft Copilot, Google Classroom, Edmodo, Schoology Ejemplos: Crowdmark, Gradescope, Smodin, EssayGrader, Vexis, Edmodo, Schoology Ejemplos: Semantic Scholar, Consensus, Elicit, Wizfom.ai 3.2. Análisis del impacto de utilización de herramientas de IA Analizadas las herramientas de IA y sus funcionalidades, la segunda parte de este estudio evaluó el impacto de su utilización en el aula universitaria. Los datos recopilados permitieron analizar las experiencias de los estudiantes en relación con la integración de la IA en su proceso de aprendizaje. La mayoría de los estudiantes utiliza herramientas de inteligencia artificial (Gráfico 1) principalmente para la búsqueda y gestión de información, mientras que su uso para mejorar el proceso de aprendizaje y la resolución de actividades es significativamente menor. En cuanto a la frecuencia de uso (Gráfico 2), varía ampliamente: para la mayoría de los estudiantes (37%) es ocasional o puntual, aunque un 38% las ha utilizado al menos alguna vez. Esto sugiere que el uso de estas herramientas aún es limitado y no forman parte de la rutina diaria de estudio. Gráfico 1. Uso de herramientas de inteligencia artificial 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% Búsqueda y gestión de información Mejorar el proceso de aprendizaje Resolución de actividades Otras Nunca usadas Investigación aplicada a la innovación en el contexto educativo 254 Gráfico 2. Uso de herramientas de inteligencia artificial En cuanto al impacto sobre el aprendizaje que tiene el uso de estas herramientas, la mayoría de los estudiantes (64%) las considera útiles o muy útiles porque aumentan su capacidad de comprensión de los conceptos académicos; solo un 18% considera que no son ventajosas en este sentido. La mayoría (66.7%) no percibe que la IA disminuya la calidad de sus trabajos académicos, frente al 33.3% que sí lo considera. Sin embargo, cuando se les pregunta sobre la dependencia generada o la capacidad de resolver problemas de forma autónoma, la distribución es más equilibrada: aproximadamente el 40% de los estudiantes no perciben un impacto negativo, mientras que el 41% siente que la IA sí disminuye sus capacidades. Además, el 25% cree que crea dependencia en el proceso de estudio. En relación con su disposición a compartir información con el profesorado, el 60% indicó que no estarían dispuestos a hacerlo, mientras que el 40% manifestó una mayor predisposición a compartir dicha información con mayor frecuencia. Respecto al control de los datos y la selección de la información a compartir con el profesorado, el 78.3% de los estudiantes expresó el deseo de tener siempre o casi siempre control sobre estos datos. Estos resultados muestran una alta preocupación por la privacidad. Finalmente, el análisis de la pobreza digital muestra que un alto porcentaje de estudiantes no tiene dificultades significativas debido a la falta de recursos digitales en sus hogares. No obstante, el 20% de los encuestados identificaron problemas para completar tareas debido a la falta de medios adecuados, como la ausencia de un dispositivo personal digital, la necesidad de compartir equipos con otros miembros de la familia o una velocidad de conexión insuficiente. Cabe destacar que el 42% de los estudiantes han tenido que acudir en alguna ocasión a lugares públicos, como bibliotecas o cafeterías, para acceder a Internet y realizar actividades académicas. Estos datos subrayan la necesidad de que la integración y universalización de herramientas de IA sea consecuente con la solución previa del impacto de la pobreza digital. 4. DISCUSIÓN La integración de la inteligencia artificial en el ámbito educativo está transformando los procesos de enseñanza y aprendizaje. En particular, la educación en ingeniería es una rama privilegiada para aprovechar los beneficios de estas tecnologías inteligentes, debido a su naturaleza técnica y las competencias ligadas a la resolución de problemas. Las plataformas de aprendizaje adaptativo, los sistemas de tutoría inteligente y las aplicaciones analíticas están siendo introducidas por diversas instituciones académicas. Los beneficios incluyen personalización del aprendizaje, mayor eficiencia en la preparación de materiales y evaluación por parte de los profesores, así como un entorno educativo más inclusivo. Sin embargo, aunque estos recursos pueden mejorar 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% Muy alta, son un recurso más en mi estudio Alta, las utilizo como recurso de apoyo Media, las uso de forma puntual Baja, las he utilizado alguna vez Nula, nunca las he utilizado Investigación aplicada a la innovación en el contexto educativo 255 significativamente algunos aspectos relativos al rendimiento académico, la satisfacción y la autonomía de los estudiantes también presentan desafíos importantes. Tanto profesores como estudiantes manifestaron una resistencia al cambio; además, la accesibilidad y pobreza digital, los problemas técnicos o la necesidad de formación continua para manejar estas tecnologías fueron identificadas como las barreras más significativas. Cabe destacar que, actualmente, pocos programas docentes en el contexto de este estudio incluyen la utilización de herramientas de IA; éstas no son promovidas activamente por el profesorado. Debido a esta circunstancia, los estudiantes se ven obligados a buscar y seleccionar las herramientas que consideran más adecuadas. Una evaluación previa, selección y recomendación por parte de los docentes sobre las herramientas de IA a utilizar en sus asignaturas podría mejorar significativamente la calidad de los resultados y la percepción de utilidad y usabilidad por parte de los estudiantes. Las principales ventajas que aportan este tipo de herramientas incluyen: (1) guiar al estudiante en el proceso de aprendizaje de ciertos contenidos desde niveles inexpertos a expertos; (2) proporcionar instrucciones claras para la resolución de problemas; (3) minimizar la carga cognitiva en el proceso de aprendizaje, adaptando las actividades a los estilos concretos; (4) establecer procesos estructurados de estudio, así como materiales (de contenidos) personalizados según el desempeño; (5) proporcionar una retroalimentación en tiempo real (aciertos y errores) en el proceso de aprendizaje; (6) ajustar el nivel de dificultad de los contenidos según el nivel de conocimiento del estudiante; (7) facilitar aproximaciones sucesivas de la competencia final a adquirir de forma individualizada; (8) disponibilidad de aprendizaje y supervisión personalizada en las horas no lectivas o fuera de horarios de tutoría; (9) proporcionar datos en tiempo real a los docentes, con el objetivo de poder establecer modificaciones de programaciones didácticas (contenidos, actividades, métodos o evaluaciones) según el avance del conjunto de los estudiantes. En cuanto a los estudiantes universitarios de ingeniería, las mejores oportunidades que ofrece la IA son la creación de experiencias de aprendizaje personalizadas; el uso de un entorno inmersivo próximo a una experiencia real de la profesión donde se contextualiza el contenido de las materias; y la obtención de un historial de aprendizaje a través del cual las actividades a llevar a cabo puedan ser adaptadas en función de su experiencia y progreso, sus intereses o su estilo de aprendizaje. Estas estrategias mejorarán el rendimiento académico, es decir, la efectividad del proceso e incluso, aumentar la motivación y compromiso con la asignatura. 5. CONCLUSIONES Este estudio subraya el potencial transformador de la inteligencia artificial en la enseñanza de la ingeniería. Se analizaron diversas herramientas que incluyeron plataformas de aprendizaje adaptativo, sistemas de tutoría inteligente y aplicaciones analíticas. Los datos recopilados permitieron evaluar las experiencias de los estudiantes con estas nuevas tecnologías. Los beneficios identificados incluyen la personalización del aprendizaje, mayor eficiencia en la preparación de materiales y evaluación por parte de los profesores, y un entorno educativo inmersivo y colaborativo, próximo a una experiencia real de la profesión. Sin embargo, los resultados también revelan desafíos significativos. Tanto profesores como estudiantes manifestaron resistencia al cambio; se identificaron barreras importantes como la accesibilidad limitada, la pobreza digital, problemas técnicos y la necesidad de formación continua para manejar estas tecnologías. Estos resultados sugieren que la integración efectiva de la inteligencia artificial en la educación superior requerirá futuras investigaciones que aborden el impacto social generado. Investigación aplicada a la innovación en el contexto educativo 256 REFERENCIAS Bahadir, E. (2016). Using Neural Network and Logistic Regression Analysis to Predict Prospective Mathematics Teachers’ Academic Success upon Entering Graduate Education. Educational Sciences: Theory and Practice, 16(3), 943–964. https://doi.org/10.12738/estp.2016.3.0214 Baker, T., Smith with Nandra Anissa, L., Sheehan, K., Ward, K., Waters, A., Berditchevskaia, A., Van Den Berg, C., Campbell, N., Candsell, O., Casasbuenas, J., Cinnamon, J., Copeland, E., Duffy, E., Hannon, C., John, J., Grant, J., Klinger, J., Latham, M., Macken, C., … Ward-Dyer, G. (2019). Educ-AI-tion Rebooted? Exploring the future of artificial intelligence in schools and colleges. Cao, J., Yang, T., Lai, I. K. W., y Wu, J. (2021). Student acceptance of intelligent tutoring systems during COVID-19: The effect of political influence. International Journal of Electrical Engineering Education. https://doi.org/10.1177/00207209211003270 Carnegie Mellon University. (2022). OLI – Transforming higher education through the science of learning. https://oli.cmu.edu/ Chen, L., Chen, P., y Lin, Z. (2020). Artificial Intelligence in Education: A Review. IEEE Access, 8, 75264–75278. https://doi.org/10.1109/ACCESS.2020.2988510 Claes, J., Davies, T. E., Stevens, P. R., Wilkinson, T., Mur, L. A. J., y Kingston-Smith, A. H. (2016). Intelligence Unleashed: An argument for AI in Education. UCL Knowledge Lab: London, UK., 849–851. https://www.pearson.com/content/dam/corporate/global/pearson-dot- com/files/innovation/Intelligence-Unleashed-Publication.pdf College of Liberal Arts and Sciences, y Department of Mathematics. (2023). ALEKS PPL. ALEKS PPL Mathematics Assessment Exam. https://math.illinois.edu/academics/undergraduate-program/aleks-ppl- mathematics-assessment-exam Dermeval, D., Paiva, R., Bittencourt, I. I., Vassileva, J., y Borges, D. (2018). Authoring Tools for Designing Intelligent Tutoring Systems: a Systematic Review of the Literature. International Journal of Artificial Intelligence in Education, 28(3), 336–384. https://doi.org/10.1007/S40593-017-0157-9/TABLES/13 Dror Ben-Naim, y University of New South Wales in Sydney. (2023). Smart Sparrow. Smart Sparrow. https://www.smartsparrow.com/about/ Jonassen, D., Davidson, M., Collins, M., Campbell, J., y Haag, B. B. (1995). Constructivism and computer‐mediated communication in distance education. American Journal of Distance Education, 9(2), 7–26. https://doi.org/10.1080/08923649509526885 Nazimuddin, S. K. (2014). Computer Assisted Instruction (CAI): A New Approach in the Field of Education. International Journal of Scientific Engineering and Research (IJSER), 3, 2347–3878. Perez, S., Massey-Allard, J., Butler, D., Ives, J., Bonn, D., Yee, N., y Roll, I. (2017). Identifying Productive Inquiry in Virtual Labs Using Sequence Mining. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10331 LNAI, 287–298. https://doi.org/10.1007/978-3-319-61425-0_24 Popenici, S. A. D., y Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), 1–13. https://doi.org/10.1186/S41039-017-0062- 8/METRICS