La ética como eje del uso de la inteligencia artificial en los procesos educativos del Ecuador contemporáneo
DOI:
https://doi.org/10.64747/zp5wat16Palabras clave:
ética de la IA, bachillerato, datos abiertos, gobernanza escolar, equidad algorítmicaResumen
Este estudio analizó, desde un enfoque comparativo y multimétodo, cómo se configura el uso ético de la inteligencia artificial (IA) en el Bachillerato ecuatoriano, contrastando Quito y Guayaquil. Se integraron datasets abiertos del Ministerio de Educación (MINEDUC), ARCOTEL y geoportales municipales para caracterizar infraestructura y entorno digital; además, se emplearon instrumentos primarios (encuestas, inventario de infraestructura y auditoría algorítmica ligera) y análisis cualitativo de entrevistas. El periodo cubrió los años lectivos 2023–2026 según régimen (Costa–Galápagos y Sierra–Amazonía). Los resultados describieron patrones diferenciales de conectividad (tendencia a acceso fijo en Quito y dinamismo móvil en Guayaquil) y mostraron asociación positiva entre gobernanza de datos y alfabetización ética en IA, junto con menores reportes de incidentes de privacidad en contextos con protocolos explícitos (consentimiento, minimización y trazabilidad). En tareas prototipo se evaluaron métricas de equidad (paridad demográfica, igualdad de oportunidades y odds igualados), con brechas más marcadas en estudiantes con discapacidad y mitigaciones post‑hoc de bajo costo en precisión. La discusión interpretó estos hallazgos como evidencia de ética situada, destacando la necesidad de articular infraestructura estable, gobernanza escolar y alfabetización crítica para un despliegue pedagógico responsable de la IA. Se propusieron líneas de política y gestión (protocolos mínimos de IA, auditorías periódicas, inversión focalizada en conectividad y formación docente), así como rutas de investigación futura (paneles longitudinales, ensayos de implementación y auditorías participativas).
Referencias
Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
Caranqui Flores, E. F., Nuñez Torres, X. M., Troya Valencia, L. I., & Tubay Cañizares, C. P. (2025). Innovación educativa para la educación básica media: Metodologías basadas en la participación activa de los estudiantes. Horizonte Científico International Journal, 3(2), 1–17. https://doi.org/10.64747/fwt3f229
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Routledge. https://doi.org/10.4324/9780203771587
Collins, G. S., Reitsma, J. B., Altman, D. G., & Moons, K. G. M. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement. Annals of Internal Medicine, 162(1), 55–63. https://doi.org/10.7326/M14-0697
Gebru, T., Morgenstern, J., Vecchione, B., Vaughan, J. W., Wallach, H., Daumé III, H., & Crawford, K. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86–92. https://doi.org/10.1145/3458723
Gouseti, A., James, F., Fallin, L., & Burden, K. (2025). The ethics of using AI in K‑12 education: A systematic literature review. Technology, Pedagogy and Education, 34(2), 161–182. https://doi.org/10.1080/1475939X.2024.2428601
Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems, 29, 3315–3323. https://doi.org/10.48550/arXiv.1610.02413
IEEE. (2021). IEEE Std 7000‑2021: IEEE Standard Model Process for Addressing Ethical Concerns During System Design. IEEE Standards Association. https://doi.org/10.1109/IEEESTD.2021.9536679
Idowu, J. A., Koshiyama, A. S., & Treleaven, P. (2024). Investigating algorithmic bias in student progress monitoring. Computers and Education: Artificial Intelligence, 7, 100267. https://doi.org/10.1016/j.caeai.2024.100267
Kizilcec, R. F., & Lee, H. (2020). Algorithmic fairness in education. arXiv. https://doi.org/10.48550/arXiv.2007.05443
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t‑tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency (FAccT), 220–229. https://doi.org/10.1145/3287560.3287596
O’Brien, B. C., Harris, I. B., Beckman, T. J., Reed, D. A., & Cook, D. A. (2014). Standards for reporting qualitative research: A synthesis of recommendations. Academic Medicine, 89(9), 1245–1251. https://doi.org/10.1097/ACM.0000000000000388
Paolucci, C., Vancini, S., Bex II, R. T., Cavanaugh, C., Salama, C., & de Araujo, Z. (2024). A review of learning analytics opportunities and challenges for K‑12 education. Heliyon, 10(4), e25767. https://doi.org/10.1016/j.heliyon.2024.e25767
QGIS Association. (2025). QGIS Geographic Information System (Version 3.34). QGIS.org. https://doi.org/10.5281/zenodo.6139224
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3–4), 591–611. https://doi.org/10.1093/biomet/52.3-4.591
The pandas development team. (2024). pandas (Version 2.2.3) [Software]. Zenodo. https://doi.org/10.5281/zenodo.13819579
Tovar, D. A. Y., & coautores. (2025). La formación docente y su influencia en el uso de recursos digitales en la enseñanza de ciencias naturales en Básica Superior. Horizonte Científico International Journal, 3(2), 1–16. https://doi.org/10.64747/6802zb52
Weerts, H., Dudík, M., Edgar, R., Jalali, A., Lutz, R., & Madaio, M. (2023). Fairlearn: Assessing and improving fairness of AI systems. arXiv. https://doi.org/10.48550/arXiv.2303.16626
White, I. R., Royston, P., & Wood, A. M. (2011). Multiple imputation using chained equations: Issues and guidance for practice. Statistics in Medicine, 30(4), 377–399. https://doi.org/10.1002/sim.4067
Wiese, L. J., Schiff, D., Magaña, A. J., & Patil, I. D. (2025). AI ethics education: A systematic literature review. Computers & Education: Artificial Intelligence, 8, 100405. https://doi.org/10.1016/j.caeai.2025.100405
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Edwin Guillermo Guamán Tonato, Mónica de las Mercedes Armas Cajas, Edison Paúl Aimacaña Crespata, María Olimpia Aimacaña Crespata (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
