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.
Horizonte Científico International Journal publica sus contenidos bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Se permite compartir y adaptar la obra para cualquier propósito, siempre que se reconozca adecuadamente la autoría, se proporcione un enlace a la licencia y se indiquen los cambios realizados. Licencia: https://creativecommons.org/licenses/by/4.0/deed.es
