Uso de la inteligencia artificial generativa como estrategia didáctica para fortalecer la indagación científica sobre la calidad del agua en estudiantes de educación secundaria
DOI:
https://doi.org/10.67166/dh845241Palabras clave:
inteligencia artificial generativa; indagación científica; calidad del agua; educación secundaria; estrategia didáctica.Resumen
El estudio tuvo como objetivo determinar en qué medida el uso de la inteligencia artificial generativa (IAG) como estrategia didáctica fortalece la indagación científica sobre la calidad del agua en estudiantes de educación secundaria. La investigación se planteó desde un enfoque cuantitativo, con diseño cuasi experimental, alcance descriptivo-correlacional y aplicación de pretest y postest a un grupo experimental y un grupo de control. Participaron 80 escolares distribuidos en dos grupos equivalentes. Se elaboró un test de base estructurada orientado a medir destrezas de formulación de preguntas investigables, planteamiento de hipótesis, diseño de procedimientos, registro de datos, interpretación de evidencias y comunicación de conclusiones. El instrumento fue validado por juicio de expertos y alcanzó una confiabilidad de alfa de Cronbach de .89, considerada alta para fines educativos. La intervención AquaIA-Gen integró prompts guiados, análisis de datos de pH, turbidez y conductividad, contraste de fuentes y elaboración de conclusiones argumentadas. Los resultados modelo evidenciaron que el grupo experimental obtuvo mejoras superiores al grupo de control en el desempeño global de indagación científica, con diferencias estadísticamente significativas en la prueba t de Student para muestras independientes y tamaños del efecto altos según d de Cohen. Asimismo, la correlación de Pearson mostró asociaciones positivas entre la calidad del uso guiado de la IAG y el desarrollo de destrezas de indagación. Se concluye que la IAG, utilizada con mediación docente, criterios éticos y verificación de evidencias, puede constituirse en una estrategia pertinente para fortalecer aprendizajes científicos contextualizados sobre problemas ambientales cercanos.
Descargas
Referencias
Araújo, J. L., Morais, C., & Paiva, J. C. (2023). Students’ attitudes towards the environment and marine litter in the context of a coastal water quality educational citizen science project. Australian Journal of Environmental Education, 39(4), 1–17. https://doi.org/10.1017/aee.2023.14
Baidoo-Anu, D., & Owusu Ansah, L. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52–62. https://doi.org/10.61969/jai.1337500
Bakker, A., Cai, J., & Zenger, L. (2019). Beyond small, medium, or large: Points of consideration when interpreting effect sizes. Educational Studies in Mathematics, 102, 1–8. https://doi.org/10.1007/s10649-019-09908-4
Baptista, M., Pinho, A. S., & Alves, A. R. (2025). Students’ learning for action through inquiry-based science education on a local environmental problem. Sustainability, 17(9), Article 3907. https://doi.org/10.3390/su17093907
Boon, H. J. (2024). A comprehensive approach to water literacy in the context of climate change. Education Sciences, 14(6), Article 564. https://doi.org/10.3390/educsci14060564
Ceccaroni, L., Woods, S. M., Butkevičienė, E., Parkinson, S., Sprinks, J., Costa, P., Simis, S. G. H., Lessin, G., Liñán, S., Companys, B., Bonfill, E., & Piera, J. (2023). The role of citizen science in promoting ocean and water literacy in school communities: The ProBleu methodology. Sustainability, 15(14), 11410. https://doi.org/10.3390/su151411410
Comisión Económica para América Latina y el Caribe. (2024). Superar las trampas del desarrollo de América Latina y el Caribe en la era digital: El potencial transformador de las tecnologías digitales y la inteligencia artificial. CEPAL. https://conferenciaelac.cepal.org/9/sites/elac9/files/s2401013_es.pdf
Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32, 444–452. https://doi.org/10.1007/s10956-023-10039-y
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224
Farrelly, T., & Baker, N. (2023). Generative artificial intelligence: Implications and considerations for higher education practice. Education Sciences, 13(11), 1109. https://doi.org/10.3390/educsci13111109
Furtak, E. M., Seidel, T., Iverson, H., & Briggs, D. C. (2012). Experimental and quasi-experimental studies of inquiry-based science teaching: A meta-analysis. Review of Educational Research, 82(3), 300–329. https://doi.org/10.3102/0034654312457206
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., ... Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kim, H. Y. (2019). Statistical notes for clinical researchers: The independent samples t-test. Restorative Dentistry & Endodontics, 44(3), e26. https://doi.org/10.5395/rde.2019.44.e26
Liu, C., Zowghi, D., Kearney, M., & Bano, M. (2021). Inquiry-based mobile learning in secondary school science education: A systematic review. Journal of Computer Assisted Learning, 37(1), 1–23. https://doi.org/10.1111/jcal.12505
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693
Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391105
Minner, D. D., Levy, A. J., & Century, J. (2010). Inquiry-based science instruction: What is it and does it matter? Journal of Research in Science Teaching, 47(4), 474–496. https://doi.org/10.1002/tea.20347
Ministerio de Educación del Perú. (2025). Fascículo de la competencia “Indaga mediante métodos científicos para construir conocimientos”. MINEDU. https://repositorio.minedu.gob.pe/handle/20.500.12799/11847
Mostacedo-Marasovic, S. J., Forbes, C. T., & Roehrig, G. H. (2022). Towards water literacy: An interdisciplinary analysis of standards for teaching and learning about humans and water. Disciplinary and Interdisciplinary Science Education Research, 4, Article 23. https://doi.org/10.1186/s43031-022-00065-y
Moundridou, M., Matzakos, N., & Doukakis, S. (2024). Generative AI tools as educators’ assistants: Designing and implementing inquiry-based lesson plans. Computers and Education: Artificial Intelligence, 7, 100277. https://doi.org/10.1016/j.caeai.2024.100277
Ogunleye, B., Zakariyyah, K., Ajao, O., Olayinka, O., & Sharma, H. (2024). A systematic review of generative AI for teaching and learning practice. Education Sciences, 14(6), 636. https://doi.org/10.3390/educsci14060636
Owan, V. J., Abang, K. B., Idika, D. O., Etta, E. O., & Bassey, B. A. (2023). Exploring the potential of artificial intelligence tools in educational measurement and assessment. Eurasia Journal of Mathematics, Science and Technology Education, 19(8), em2307. https://doi.org/10.29333/ejmste/13428
Pedaste, M., Mäeots, M., Siiman, L. A., de Jong, T., van Riesen, S. A. N., Kamp, E. T., Manoli, C. C., Zacharia, Z. C., & Tsourlidaki, E. (2015). Phases of inquiry-based learning: Definitions and the inquiry cycle. Educational Research Review, 14, 47–61. https://doi.org/10.1016/j.edurev.2015.02.003
Pedaste, M., Baucal, A., & Reisenbuk, E. (2021). Towards a science inquiry test in primary education: Development of items and scales. International Journal of STEM Education, 8, Article 19. https://doi.org/10.1186/s40594-021-00278-z
Savelsbergh, E. R., Prins, G. T., Rietbergen, C., Fechner, S., Vaessen, B. E., Draijer, J. M., & Bakker, A. (2016). Effects of innovative science and mathematics teaching on student attitudes and achievement: A meta-analytic study. Educational Research Review, 19, 158–172. https://doi.org/10.1016/j.edurev.2016.07.003
Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the p value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
Taber, K. S. (2018). The use of Cronbach’s alpha when developing and reporting research instruments in science education. Research in Science Education, 48, 1273–1296. https://doi.org/10.1007/s11165-016-9602-2
Urdanivia Alarcón, D. A., Ríos Incio, F. A., & Peralta, R. (2023). Science and inquiry-based teaching and learning: A systematic review. Frontiers in Education, 8, 1170487. https://doi.org/10.3389/feduc.2023.1170487
Wang, X., Zainuddin, Z., & Hai Leng, C. (2025). Generative artificial intelligence in pedagogical practices: A systematic review of empirical studies (2022–2024). Cogent Education, 12(1), Article 2485499. https://doi.org/10.1080/2331186X.2025.2485499
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 María Maricela Llerena Aguilar (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
