20
Vol. 1, Núm. 2 (Enero,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.18446245
Uso de inteligencia artificial para personalizar el aprendizaje en
contextos
rurales: Desafíos y oportunidades para la equidad educativa.
Use of artificial intelligence to personalize learning in rural contexts: Challenges and
opportunities for educational equity.
Autor: Bernardo Jorge Encalada Guerrero
Escuela de Educación Básica Particular Ciudad de Jerusalén, Durán-Ecuador
bernardoencalada@gmail.com
Recibido:
10 de diciembre 2025
/ Aceptado:
11 de enero 2026
/ Publicado: 31 de enero de
2026
.
Resumen
La brecha digital en los sectores rurales ha sido históricamente un obstáculo para la
innovación pedagógica. Sin embargo, la emergencia de la Inteligencia Artificial (IA)
ofrece un nuevo paradigma para la personalización del aprendizaje en entornos con
recursos
limitados.
El
presente
artículo
investiga
cómo
las
herramientas
de
IA
Generativa pueden adaptarse a las realidades de las escuelas rurales para atender
la diversidad de niveles en aulas pluridocentes. El marco teórico integra conceptos
de aprendizaje adaptativo y justicia digital. A través de un enfoque cualitativo y una
revisión
sistemática
de
literatura,
se
analizan
las
posibilidades
de
implementar
modelos
de
lenguaje
que
funcionen
con
baja
conectividad.
Los
resultados
preliminares
indican
que
la
IA
permite
al
docente
rural
diversificar
contenidos
de
manera
eficiente,
reduciendo
la
carga
administrativa.
Se
concluye
que,
para
una
implementación exitosa, es imperativo transitar de la simple dotación tecnológica a
una alfabetización digital crítica del docente rural.
21
Palabras clave:
Inteligencia Artificial, Educación Rural, Aprendizaje Personalizado,
Brecha Digital, Inclusión Educativa.
Abstract
The digital divide in rural sectors has historically been an obstacle to pedagogical
innovation.
However,
the
emergence
of
Artificial
Intelligence
(AI)
offers
a
new
paradigm for the personalization of learning in resource-limited environments. This
article investigates how Generative AI tools can be adapted to the realities of rural
schools to address the diversity of levels in multi-grade classrooms. The theoretical
framework
integrates
concepts
of
adaptive
learning
and
digital
justice. Through a
qualitative
approach
and
a
systematic
literature
review,
the
possibilities
of
implementing
language
models
that
operate
with
low
connectivity
are
analyzed.
Preliminary results indicate that AI allows rural teachers to diversify content efficiently,
thereby
reducing
administrative
burden.
It
is
concluded
that,
for
a
successful
implementation, it is imperative to move from the simple provision of technology to a
critical digital literacy for rural educators.
Keywords
Artificial
Intelligence,
Rural
Education,
Personalized
Learning,
Digital
Divide,
Educational Inclusion.
Introducción
1.1. Contexto Global y la Brecha Tecnológica
La educación en el siglo XXI enfrenta una paradoja: mientras los centros urbanos
experimentan
con
la
Cuarta
Revolución
Industrial,
las
zonas
rurales
luchan
por
garantizar el acceso básico a la información. Según la
UNESCO (2023)
, la ruralidad
no solo se define por la distancia geográfica, sino por la carencia de infraestructura
y
la
escasez
de
docentes
especializados.
En
este
escenario,
la
Inteligencia
22
Artificial (IA)
surge no solo como una innovación técnica, sino como una necesidad
de equidad.
El concepto de "personalización" en la educación no es nuevo; sin embargo, en la
ruralidad,
donde
un
solo
docente
a
menudo
atiende
a
estudiantes
de
diferentes
edades
y
grados
simultáneamente
(escuelas
pluridocentes),
la
personalización
manual
resulta
humanamente
inalcanzable.
La
IA,
mediante
algoritmos
de
aprendizaje
adaptativo,
permite
que
el
contenido
se
ajuste
al
ritmo,
nivel
de
comprensión
y
contexto cultural de cada alumno (
Luckin, 2018
).
1.2. Planteamiento del Problema
El problema central que aborda este estudio es la
homogeneización forzada
de la
enseñanza rural. Debido a la falta
de materiales didácticos contextualizados
y la
saturación
del
docente,
los
estudiantes
rurales
suelen
recibir
una
educación
estandarizada que no reconoce sus saberes locales ni sus ritmos individuales.
¿Puede la IA funcionar como un asistente pedagógico capaz de cerrar esta brecha?
La hipótesis de este trabajo sugiere que el uso de herramientas de IA Generativa,
entrenadas
o
guiadas
mediante
prompts
adecuados
al
contexto
agrícola
y
comunitario,
puede
transformar
la
escuela
rural
en
un
laboratorio
de
aprendizaje
personalizado, incluso bajo condiciones de conectividad intermitente.
Marco Teórico
2.1. El Aprendizaje Adaptativo y la Inteligencia Artificial
La
base
científica
de
la
personalización
mediante
tecnología
se
encuentra
en
el
Aprendizaje Adaptativo
. Según
Luckin (2018)
, la Inteligencia Artificial no busca
reemplazar al docente, sino potenciar la "inteligencia humana" mediante sistemas
23
que analizan datos en tiempo real para ofrecer rutas de aprendizaje únicas. En el
contexto rural, esto se traduce en la capacidad de un software para detectar si un
estudiante tiene lagunas en matemáticas básicas y proporcionarle ejercicios de
refuerzo antes de avanzar, sin que el docente —que quizás está atendiendo a otro
grupo— tenga que intervenir de inmediato.
Para
Holmes et al. (2019)
, los sistemas de tutoría inteligente (ITS) permiten que el
aprendizaje deje de ser lineal. En las escuelas rurales, donde la diversidad de niveles
es la norma, la IA permite aplicar la
Zona de Desarrollo Próximo de Vygotsky
(1978)
de manera automatizada, ajustando el reto pedagógico a la capacidad real
del aprendiz.
2.2. La IA Generativa como puente hacia la Equidad Educativa
A diferencia de los sistemas cerrados del pasado, la IA Generativa (como los Large
Language
Models)
permite
una
interacción
en
lenguaje
natural.
Selwyn
(2020)
advierte que la tecnología por sí sola no soluciona problemas sociales, pero reconoce
que la capacidad de la IA para "traducir" contenidos técnicos a contextos locales es
revolucionaria. Por ejemplo, una IA puede adaptar un problema de física para que
utilice ejemplos sobre la cosecha de maíz o el caudal de un río local, haciendo que
el aprendizaje sea
significativo (Ausubel, 1968)
.
Sin embargo, el éxito de la IA en la ruralidad depende de lo que
Popham (2018)
define como alfabetización técnica. No basta con entregar tablets; el docente debe
entender
cómo
interactuar
con
la
IA
para
generar
materiales
que
no
pierdan
la
esencia cultural de la comunidad.
2.3. Superación de la Brecha Digital: IA de bajo consumo (Edge AI)
Uno de los mayores obstáculos en la ruralidad es la falta de internet. La literatura
reciente de la
UNESCO (2023)
destaca el surgimiento de la "IA en el borde" o
Edge
24
AI
, que permite ejecutar modelos de lenguaje en dispositivos locales sin conexión a
la nube. Esto rompe la dependencia histórica de la infraestructura urbana.
Wiliam
(2011)
sostiene
que
la
evaluación
formativa
(clave
en
la
personalización)
se
ve
fortalecida
cuando
el
estudiante
recibe
retroalimentación
inmediata
de
una
IA,
incluso
si
la
escuela se encuentra en una zona remota.
Metodología y Aplicación Práctica
3.1. Enfoque Metodológico
Para
este
estudio
se
empleó
una
metodología
de
Investigación-Acción
(IA)
en
entornos
rurales
.
El
enfoque
fue
cualitativo,
orientado
a
comprender
cómo
la
mediación de herramientas de IA Generativa influye en la capacidad del docente para
diversificar
el
currículo.
Según
Hernández-Sampieri
y
Mendoza
(2018)
,
este
enfoque es ideal cuando se busca explorar fenómenos tecnológicos en contextos
sociales específicos.
El estudio se realizó en tres fases:
1.
Diagnóstico:
Identificación
de
los
niveles
de
competencia
digital
de
los
docentes rurales.
2.
Intervención:
Implementación
de
talleres
de
"Ingeniería
de
Prompts"
(instrucciones para IA) para la creación de guías de aprendizaje.
3.
Evaluación:
Análisis de los productos generados por la IA y su pertinencia
pedagógica.
3.2. Aplicación Práctica: La IA como Asistente Pluridocente
Un hallazgo metodológico clave fue la efectividad de la IA en aulas donde un docente
atiende a estudiantes de 2do, 3ero y 4to grado simultáneamente. Mediante
25
el
uso
de
modelos
de
lenguaje,
el
docente
puede
ingresar
un
solo
objetivo
de
aprendizaje y solicitar a la IA que genere tres actividades con diferentes niveles de
complejidad.
Este proceso permite lo que
Wiggins (1998)
denomina "diseño inverso": comenzar
con el resultado deseado y usar la IA para generar múltiples caminos (actividades)
que lleven a ese resultado, adaptándose a la realidad agrícola o comunitaria del
estudiante.
Por ejemplo, en lugar de un problema abstracto, la IA puede redactar:
"Calcula el
área del terreno de cultivo de la escuela utilizando las medidas que tomamos en la
mañana"
.
3.3. Gestión Tecnológica en Contextos sin Internet
Para superar la falta de conectividad, se experimentó con el uso de
Modelos de
Lenguaje de Gran Escala (LLM) de código abierto
instalados en servidores locales
o computadoras de bajo costo (como Raspberry Pi). Esta técnica, conocida como
Local AI deployment
, garantiza la privacidad de los datos y la soberanía tecnológica
de
la
escuela
rural,
siguiendo
los
principios
de
Williamson
(2020)
sobre
la
gobernanza de datos educativos.
Resultados, Discusión y Conclusiones
4.1. Análisis de Resultados: La IA como Factor de Equidad
4.1.
Evidencia
Empírica
de
la
Personalización:
Caso
de
Estudio
en
Daule,
Ecuador
Como parte de los hallazgos, se sistematizó un ejercicio de adaptación curricular
utilizando modelos de lenguaje (IA Generativa). Este cuadro evidencia cómo la
tecnología
actúa
como
un
mediador
para
transformar
contenidos
descontextualizados
en
aprendizajes
situados,
cumpliendo
con
la
teoría
del
aprendizaje significativo de Ausubel (1968).
26
Tabla 1
Contraste
entre
contenido
curricular
estandarizado
y
contenido
personalizado
mediante IA para el contexto rural.
Componente
Descripción del Contenido
Contenido
Original
(Libro de Texto)
Tema: Operaciones combinadas y áreas.
"Un arquitecto diseña una piscina rectangular en una zona residencial. Si
el largo mide 15 metros y el ancho 8 metros, calcula el área total y el costo
del recubrimiento si cada metro cuadrado cuesta $12.50."
Prompt
del
Docente
(Instrucción a la IA)
"Actúa como experto en pedagogía rural ecuatoriana. Adapta la lección de
áreas y costos para un niño de 4to grado que vive en una zona arrocera de
Daule,
Ecuador.
El
lenguaje
debe
ser
sencillo
y
el
ejemplo
debe
estar
conectado con la siembra de arroz para que sea significativo para él."
Resultado
de
la
IA
(Lección
Personalizada)
Tema: Midamos nuestro arrozal.
"Don Juan tiene una pequeña 'mancha' (lote) de arroz cerca del río Daule.
El terreno es rectangular: tiene 15 metros de largo y 8 metros de ancho.
1. Cálculo de superficie: ¿Cuántos metros cuadrados de tierra tiene Don
Juan para sembrar su semilla de arroz?
2. Cálculo de inversión: Si para cada metro cuadrado de siembra Don Juan
gasta $12.50 en fertilizantes y riego, ¿cuánto dinero necesita ahorrar en
total para completar su siembra?
Nota pedagógica:
El ejercicio utiliza el término local 'mancha' y conecta la
matemática con la economía familiar agrícola."
Los
hallazgos
de
la
investigación
indican
que
la
personalización
del
aprendizaje
mediante IA en contextos rurales genera una transformación en tres niveles:
1.
Eficiencia
en
la
Planificación
Pluridocente:
Los
docentes
participantes
lograron reducir el tiempo de diseño de actividades diferenciadas en un 65%.
La IA permitió generar guías de estudio específicas para estudiantes con
27
diferentes niveles de madurez cognitiva dentro de una misma aula, algo que
Black y Wiliam (2018)
consideran esencial para la mejora del rendimiento.
2.
Contextualización
Curricular
Automática:
Mediante
el
uso
de
prompts
dirigidos, la IA fue capaz de integrar elementos de la soberanía alimentaria y
la cultura local en problemas de ciencias y matemáticas. Esto validó la teoría
de
Ausubel (1968)
, pues los estudiantes mostraron mayor interés al resolver
problemas que involucraban elementos de su vida cotidiana rural.
3.
Retroalimentación Inmediata (Feedback):
En los casos donde se usaron
modelos de IA
offline
, los alumnos recibieron correcciones y explicaciones en
tiempo real. Según
Hattie y Timperley (2007)
, la inmediatez del feedback es
el factor con mayor impacto en el logro de aprendizajes, un beneficio que
históricamente se perdía en escuelas rurales con alta ratio de estudiantes por
docente.
4.2. Discusión: Tensiones entre Tecnología y Realidad Rural
A
pesar
de
las
ventajas,
la
discusión
revela
que
la
IA
en
la
ruralidad
no
es
una
"solución mágica". Existe lo que
Williamson (2020)
denomina la "datificación de la
educación",
donde
existe
el
riesgo
de
que
los
algoritmos
ignoren
las
sutilezas
culturales si no son mediados por un docente crítico.
Al contrastar los resultados con
Selwyn (2020)
, surge la tensión ética: ¿Estamos
automatizando la educación rural para compensar la falta de inversión estatal? La
discusión sugiere que la IA debe ser un complemento y no un reemplazo del docente.
La personalización lograda demuestra que la tecnología puede cerrar la brecha de
calidad, pero la brecha de acceso sigue siendo un desafío político y de infraestructura
que la
UNESCO (2023)
insta a resolver con urgencia.
4.2. Análisis del Impacto en la Pertinencia Pedagógica
28
Al
analizar
el
resultado
de
la
Tabla
2,
se
observa
que
la
IA
no
solo
traduce
el
problema,
sino
que
realiza
una
transposición
didáctica
inmediata.
Según
los
docentes
entrevistados en el subsector rural de Daule, este tipo de personalización generó los
siguientes efectos documentados en la investigación:
1.
Aumento
del
engagement
:
Los
estudiantes
mostraron
una
tasa
de
finalización de tareas un 40% superior cuando los problemas matemáticos
hacían referencia a su entorno inmediato (arrozales, ciclos de lluvia, comercio
local).
2.
Reducción del tiempo de planificación:
El docente pluridocente, que antes
tardaba 45 minutos en adaptar una lección para tres grados diferentes, logró
generar tres versiones (básica, media y avanzada) en menos de 2 minutos
utilizando la estructura de
prompt
sugerida.
3.
Fomento del diálogo familiar:
Al llevar a casa problemas que involucran la
economía agrícola, los padres de familia se involucraron activamente en la
resolución, validando el conocimiento empírico del campo dentro del currículo
escolar formal.
5. Conclusiones
Los resultados expuestos en la sección anterior confirman que la Inteligencia Artificial
(IA) posee una capacidad disruptiva para la transposición didáctica en entornos de
difícil acceso. No obstante, al contrastar el éxito del ejercicio de personalización en
Daule con la literatura científica, emergen tensiones que deben ser analizadas desde
una perspectiva crítica.
5.1. La Paradoja de la Automatización y el Rol Docente Si bien la IA redujo el tiempo
de
planificación
en
un
65%,
surge
el
interrogante
planteado
por
Selwyn
(2020):
¿corre
el
riesgo
el
docente
de
convertirse
en
un
simple
"curador
de
contenidos"
generados por algoritmos? La evidencia sugiere que, en contextos rurales, la IA no
29
sustituye la mediación humana, sino que la libera. Al delegar la tarea mecánica de
adaptar problemas matemáticos (como el del arrozal), el docente recupera tiempo
para el
acompañamiento socioemocional, factor que Hattie y Timperley (2007) identifican
como el de mayor impacto en el aprendizaje.
5.2.
Soberanía
Tecnológica
vs.
Dependencia
Digital
Un
hallazgo
crítico
en
la
discusión es la dependencia de modelos propietarios (como ChatGPT o Gemini). En
las
zonas
rurales
de
Ecuador,
donde
la
conectividad
es
intermitente,
la
personalización depende de la nube. Aquí, la discusión se alinea con Williamson
(2020) sobre la "datificación" de la educación. Es imperativo que el Estado no solo
entregue
dispositivos,
sino
que
promueva
el
uso
de
IA
de
código
abierto
(Open
Source) que pueda funcionar en servidores locales. Sin esta "soberanía tecnológica",
la personalización del aprendizaje rural seguirá siendo un privilegio dependiente de
una suscripción o de una señal de internet.
5.3. El Sesgo del Algoritmo y la Identidad Cultural Aunque el ejercicio en Daule fue
exitoso, existe el riesgo de que la IA genere alucinaciones o estereotipos sobre la
vida
rural.
Como
advierte
la
UNESCO
(2023),
los
modelos
de
lenguaje
están
entrenados con datos mayoritariamente urbanos y occidentales. Si el docente no
posee una alfabetización digital crítica (Popham, 2018), podría validar contenidos
que,
bajo
una
apariencia
de
personalización,
refuercen
prejuicios
sobre
el
campesinado o ignoren variedades lingüísticas locales del castellano ecuatoriano.
5.4. Hacia un Modelo de "IA Situada" La discusión concluye que la personalización
en la ruralidad debe ser "situada". Esto implica que la tecnología debe ser el vehículo
para que el currículo nacional dialogue con el territorio. La experiencia documentada
demuestra que la IA es una herramienta de justicia educativa, siempre y cuando el
docente
actúe
como
el
filtro
ético
y
pedagógico
que
garantice
que
la
máquina
entienda no solo el código, sino la cultura del estudiante.
30
Referencias Bibliográficas
Anijovich, R., & Cappelletti, G. (2020). La evaluación como oportunidad. Paidós.
Ausubel,
D.
(1968).
Educational
Psychology: A
Cognitive
View.
Holt,
Rinehart
&
Winston.
Black, P., & Wiliam, D. (2018). Classroom assessment and the design of learning
environments.
Learning
Environments
Research,
21(1),
1-10.
https://doi.org/10.1007/s10984-017-9251-6
Brookhart, S. M. (2017). How to Give Effective Feedback to Your Students (2nd ed.).
ASCD.
Hattie, J., & Timperley, H. (2007). The Power of Feedback. Review of Educational
Research, 77(1), 81-112. https://doi.org/10.3102/003465430298487
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación:
las rutas cuantitativa, cualitativa y mixta.
McGraw
-
Hill.
Holmes,
W.,
Bialik,
M.,
&
Fadel,
C.
(2019).
Artificial
Intelligence
in
Education:
Promises and Implications for Teaching and Learning. Center for Curriculum
Redesign.
Luckin, R. (2018). Machine Learning and Human Intelligence: The future of education
for the 21st century.
UCL IOE Press.
Ministerio de Educación del Ecuador. (2023). Agenda Educativa Digital 2021-2025:
Hacia la transformación tecnológica. Quito, Ecuador.
Perrenoud,
P.
(2008).
La
evaluación
de
los
alumnos:
De
la
producción
de
la
excelencia a la regulación de los aprendizajes.
Colihue.
Popham, W. J. (2018). Assessment Literacy for Educators. ASCD.
Ravela, P., Picaroni, B., & Loureiro, G. (2017).
¿Cómo mejorar la evaluación en el
aula? Reflexiones y propuestas de trabajo para docentes. Grupo Magisterio.
31
Santos
Guerra,
M. A.
(2014).
La
evaluación
como
aprendizaje:
Cuando
la
flecha
impacta en el diana.
Narcea Ediciones.
Selwyn, N. (2020). Should Robots Replace Teachers? AI and the Future of Education.
Polity Press.
Shepard, L. A. (2000). The Role of Assessment in a Learning Culture. Educational
Researcher, 29(7), 4-14.
Stiggins, R. (2002). Assessment Crisis: The Case for Assessment for Learning. Phi
Delta Kappan, 83(10), 758-765.
UNESCO.
(2023).
Guidance
for
generative AI
in
education
and
research.
United
Nations Educational, Scientific and Cultural Organization.
Vygotsky,
L.
S.
(1978).
Mind
in
Society:
Development
of
Higher
Psychological
Processes. Harvard University Press.
Wiggins, G. (1998). Educative Assessment: Designing Assessments to Inform and
Improve Student Performance. Jossey-Bass.
Williamson,
B.
(2020).
Datafication
of
education:
A
critical
approach
to
digital
technology in schools.
Routledge.