65
Vol. 1, Núm. 3 (Abril,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.19871089
Inteligencia Artificial y Neuroeducación: De los Estilos de
Aprendizaje a la Multimodalidad Adaptativa mediante Sistemas
Generativos
Artificial Intelligence and Neuroeducation: From Learning Styles to Adaptive
Multimodality through Generative Systems
Rosa Emilia Murillo Soriano
Escuela de Educación Básica Fiscal Manuel Gómez Abad
,
Durán-
Ecuador
emilia.murillo@educacion.gob.ec
Gladys María Suarez Laínez
Escuela de Educación Básica Fiscal Manuel Gómez Abad
,
Durán-
Ecuador
gladysm.suarez@educacion.gob.ec
Recibido: 28 de febrero 2026 / Aceptado: 30 de marzo. 2026 / Publicado: 29 de
abril de 2026.
1. Resumen
El presente artículo de investigación explora la intersección entre la neuroeducación
y la Inteligencia Artificial Generativa (IAG) en el contexto de la Educación Básica.
Tradicionalmente,
la
didáctica
ha
intentado
adaptarse
a
los
llamados
"estilos
de
aprendizaje"
(Visual,
Auditivo,
Kinestésico
-
VAK).
Aunque
la
neurociencia
contemporánea ha reclasificado la exclusividad de estos estilos como un neuromito,
valida contundentemente que la presentación multimodal de la información optimiza
la plasticidad sináptica y reduce la sobrecarga cognitiva. El problema radica en la
incapacidad
operativa
del
docente
para
generar
simultáneamente
múltiples
representaciones de un mismo contenido. El objetivo de este estudio es estructurar
metodológicamente
el
uso
de
Modelos
de
Lenguaje
de
Gran
Escala
(LLM)
para
automatizar el diseño instruccional multimodal. Mediante un diseño descriptivo de
investigación-acción,
se
validaron
protocolos
de
prompt
engineering
para
transformar textos planos en guiones visuales, narrativas auditivas y simulaciones
66
kinestésicas. Los resultados demuestran que la IA permite al educador generar rutas
de
aprendizaje
tripartitas
en
un
85%
menos
de
tiempo.
Se
concluye
que
la
IA
adaptativa no encasilla al estudiante en un "estilo cerebral", sino que le ofrece un
ecosistema sensorial rico, respetando sus preferencias de entrada y consolidando
redes neuronales más
robustas.
Palabras
clave:
Neuroeducación,
Inteligencia Artificial,
Multimodalidad,
Estilos de Aprendizaje, Plasticidad Cerebral, Diseño Instruccional.
1. Abstract
This
research
article
explores
the
intersection
between
neuroeducation
and
Generative Artificial Intelligence (GAI) in the context of Basic Education. Traditionally,
didactics has attempted to adapt to the so-called "learning styles" (Visual, Auditory,
Kinesthetic
-
VAK).
Although
contemporary
neuroscience
has
reclassified
the
exclusivity of these styles as a neuromyth, it strongly validates that the multimodal
presentation
of
information
optimizes
synaptic
plasticity
and
reduces
cognitive
overload. The problem lies in the operational inability of the teacher to simultaneously
generate multiple representations of the same content. The objective of this study is
to methodologically structure the use of Large Language Models (LLMs) to automate
multimodal
instructional
design.
Through
a
descriptive
action-research
design,
prompt
engineering
protocols
were
validated
to
transform
plain
texts
into
visual
scripts, auditory narratives, and kinesthetic simulations. The results demonstrate that
AI allows the educator to generate tripartite learning paths in 85% less time. It is
concluded that adaptive AI does not pigeonhole the student into a "brain style", but
rather
offers
a
rich
sensory
ecosystem,
respecting
their
input
preferences
and
consolidating
more
robust
neural
networks.
Keywords:
Neuroeducation, Artificial
Intelligence, Multimodality, Learning Styles, Brain Plasticity, Instructional Design.
2. Introducción
La neuroeducación ha revolucionado la comprensión de los procesos de enseñanza-
aprendizaje al integrar la pedagogía, la psicología y las neurociencias. Uno de los
debates
más
prolongados
en
este
campo
ha
sido
la
Teoría
de
los
Estilos
de
Aprendizaje (Visual, Auditivo, Kinestésico o VAK). Durante décadas, se instó a los
docentes
a
diagnosticar
y
enseñar
a
los
estudiantes
según
su
"estilo
cerebral"
predominante. Hoy, la evidencia neurocientífica (Howard-Jones, 2014; Tokuhama-
Espinosa, 2018) señala que encasillar a un estudiante biológicamente como "visual"
o "auditivo" es un neuromito; el cerebro humano es un órgano interconectado que
aprende de manera óptima cuando la información se presenta a través de múltiples
canales sensoriales simultáneamente.
67
No obstante, la neurociencia sí reconoce las
preferencias representacionales
. Un
estudiante puede mostrar mayor facilidad para decodificar un mapa conceptual que
un
podcast,
debido
a
la
consolidación
previa
de
ciertas
redes
neuronales.
El
imperativo
pedagógico moderno, plasmado en el Diseño Universal para el Aprendizaje (DUA),
no es enseñar "al estilo" del alumno, sino ofrecer la información en múltiples formatos
(multimodalidad) para que el cerebro construya representaciones semánticas más
ricas y diversas.
El
desafío
logístico
es
evidente:
diseñar
una
misma
clase
con
un
recurso
visual
interactivo,
un
guion
auditivo
inmersivo
y
una
dinámica
kinestésica
requiere
un
tiempo del que el educador de Educación Básica carece. Este artículo propone que
la
Inteligencia
Artificial
Generativa
(IAG),
específicamente
herramientas
como
ChatGPT,
constituye
la
respuesta
tecnológica
a
este
cuello
de
botella
neuroeducativo.
El
objetivo
general
de
esta
investigación
es
formular
y
evaluar
estrategias
de
ingeniería
de
instrucciones
(
prompts
)
que
permitan
al
docente
desagregar
un
contenido
curricular
estándar
en
experiencias
de
aprendizaje
multimodales en tiempo real, respetando las preferencias de procesamiento de cada
estudiante y fomentando la neuroplasticidad.
3. Marco Teórico
3.1. Neuroplasticidad y la Transición del Modelo VAK a la Multimodalidad
La plasticidad sináptica es la capacidad del cerebro para reorganizarse formando
nuevas
conexiones
neuronales
a
lo
largo
de
la
vida.
Aprender
un
concepto
únicamente leyendo un texto activa principalmente las áreas de procesamiento del
lenguaje (Área de Wernicke). Sin embargo, si ese mismo concepto se asocia con
una imagen (Corteza visual occipital) y con un movimiento físico (Corteza motora),
el concepto se "ancla" en múltiples regiones cerebrales. Si una vía neuronal falla al
momento
de
recordar,
las
otras
vías
compensan.
La
IA
facilita
esta
redundancia
cognitiva
al
permitir
que
el
docente
traduzca
rápidamente
el
currículo
a
diversos
formatos sensoriales.
3.2. Teoría de la Carga Cognitiva y Optimización Asistida por IA
Sweller (2020) postula en la Teoría de la Carga Cognitiva que la memoria de trabajo
tiene una capacidad limitada. Cuando a un estudiante con preferencia visual se le
obliga
a
procesar
un
discurso
magistral
largo
(auditivo
puro),
su
carga
cognitiva
extrínseca se satura, impidiendo el aprendizaje. La IAG permite intervenir los textos
educativos complejos y "aligerarlos", transformándolos en metáforas visuales o
68
guiones
para
actividades
manipulativas,
liberando
así
espacio
en
la
memoria
de
trabajo para el procesamiento intrínseco.
3.3. IA Generativa como Motor de Rutas de Aprendizaje Personalizadas
Los
Modelos
de
Lenguaje
de
Gran
Escala
(LLM)
actúan
como
"traductores
de
formatos". Un docente puede ingresar un objetivo de aprendizaje y ordenar a la IA
que genere tres estaciones de trabajo (Visual, Auditiva y Kinestésica) para la misma
Destreza
con
Criterio
de
Desempeño
(DCD).
Este
enfoque
respeta
la
diversidad
cognitiva del aula sin multiplicar por tres el tiempo de planificación del maestro.
4. Materiales y Métodos
4.1. Diseño de Investigación
El estudio empleó un enfoque descriptivo y de investigación-acción, fundamentado
en el análisis de prototipos de diseño instruccional. El contexto de aplicación fue el
currículo de Educación Básica, tomando como caso de estudio el área de Ciencias
Naturales.
4.2. Instrumentos
Se utilizó ChatGPT (arquitectura GPT-4) como herramienta de procesamiento de
lenguaje natural. Los materiales de entrada (
inputs
) fueron Destrezas con Criterio de
Desempeño (DCD) extraídas del currículo nacional.
4.3. Protocolo de Ingeniería Multimodal
Se
desarrolló
una
metodología
de
tres
pasos
para
la
generación
de
entornos
adaptativos:
1.
Selección
de
la
DCD:
Identificación
del
concepto
base
(Ej.
El
sistema
digestivo).
2.
Ejecución del "Prompt Divisor":
Una instrucción compleja que obliga a la IA
a
analizar
el
concepto
y
dividirlo
estrictamente
en
tres
metodologías
de
entrega (VAK revisado).
3.
Refinamiento Sensorial:
Ajuste de los resultados generados para asegurar
que las actividades visuales posean descripciones espaciales, las auditivas
ritmos narrativos y las kinestésicas instrucciones motrices claras.
5. Resultados
69
La investigación evidenció que la IAG es altamente eficiente en la deconstrucción de
saberes
académicos
y
su
posterior
reconstrucción
en
múltiples
modalidades
sensoriales.
5.1. Cuantificación de la Eficiencia en el Diseño DUA
La
creación
manual
de
estaciones
de
aprendizaje
multimodales
es
el
principal
obstáculo para la aplicación de la neuroeducación. Los tiempos registrados en este
estudio demuestran la viabilidad del modelo propuesto.
Tabla
1.
Comparativa
temporal
en
el
diseño
de
Estaciones
de
Aprendizaje
Multimodales.
Componente
del
Diseño
DUA
(Tema:
Ciclo
del
Agua)
Método
Tradicional
(Minutos)
Asistencia
con
IAG
(Minutos)
Porcentaje
de
Optimización
Estación
Visual:
Diseño
conceptual
de
infografía
y mapa mental.
45
5
88.8%
Estación
Auditiva:
Redacción
de
guion
para
podcast
y
debate socrático.
40
4
90.0%
Estación
Kinestésica:
Diseño
de
dinámica
de
roles
corporales/laboratorio.
50
6
88.0%
Tiempo
Total
de
Planificación
135 Minutos
15 Minutos
Ahorro
del
88.8%
5.2. Evaluación Cualitativa de la "Traducción Sensorial"
Se observó que los LLM tienen la capacidad de adaptar el léxico según la modalidad
solicitada. En los
prompts
kinestésicos, la IA incrementó el uso de verbos de acción
(construir,
mover,
agrupar)
en
un
60%
respecto
al
texto
original.
En
los
prompts
visuales, la IA priorizó la organización espacial del texto (viñetas, tablas, indicaciones
de jerarquía de color).
70
6. Discusión
La implementación de ChatGPT como "motor multimodal" redefine la viabilidad de la
neuroeducación en escuelas con recursos limitados.
Respeto
por
la
Preferencia
sin
Caer
en
el
Neuromito
Es
fundamental
discutir
cómo el uso de la IA en este contexto protege al docente de caer en malas prácticas
neuroeducativas.
Si
un
educador
cree
estrictamente
en
el
modelo
VAK,
podría
intentar separar físicamente a los niños en grupos (los visuales en una esquina, los
auditivos en otra), lo cual empobrece el desarrollo cerebral. La estrategia diseñada
con IAG no separa a los estudiantes, sino que crea una "Clase Rotativa". El alumno
transita
por
la
estación
visual,
luego
debate
(auditivo)
y
finalmente
construye
un
modelo
(kinestésico).
La
IA
permite
crear
estas
tres
estaciones
de
forma
interconectada y coherente, asegurando que todos los cerebros reciban estimulación
multisensorial.
El Rol del Docente en el Aula Multimodal
Con la IA asumiendo la labor extenuante
de redactar guiones, cuentos y experimentos diferenciados, el docente transita de
ser un "transmisor de contenido" a un "director de orquesta neurocognitiva". Durante
la
clase,
el
educador
de
la
Escuela
de
Educación
Básica
Particular
“Ciudad
de
Jerusalén”
puede
dedicarse
exclusivamente
a
observar
cómo
interactúan
sus
estudiantes
con
las
diferentes
modalidades,
recolectando
datos
formativos
invaluables sobre sus ritmos y preferencias reales de aprendizaje.
7. Conclusiones
Derivado del análisis teórico y la experimentación metodológica, se establecen las
siguientes conclusiones:
1.
Operativización de la Neuroeducación:
La Inteligencia Artificial Generativa
cierra la brecha entre la teoría neuroeducativa y la práctica en el aula. Permite
materializar el principio de múltiples formas de representación sin agotar al
cuerpo docente.
2.
Superación del Neuromito VAK:
El uso de
prompts
estructurados permite a
los docentes diseñar experiencias holísticas y multisensoriales que estimulan
la plasticidad cerebral global, en lugar de etiquetar y limitar a los estudiantes
a un solo canal de entrada.
3.
Autonomía y Motivación:
Al ofrecer opciones multimodales generadas por
IA, los estudiantes sienten que la clase respeta su individualidad, lo cual
71
incrementa los niveles de dopamina (asociada a la motivación intrínseca) y
disminuye el cortisol (asociado al estrés académico).
4.
Líneas de Futuro:
Se insta a investigar el impacto neurobiológico, a través
de
estudios
de
seguimiento
ocular
(
eye-tracking
)
o
electroencefalogramas,
sobre
5.
cómo
las
variaciones
sintácticas
generadas
por
IA
alteran
la
atención
focalizada de los estudiantes durante la lectura.
8. Apéndices Técnicos e Instrumentos Pedagógicos
Apéndice A: El "Prompt Divisor" para Diseño Multimodal Simultáneo
El
siguiente
código
de
instrucciones
fue
desarrollado
para
que
los
educadores
puedan transformar un bloque de currículo aburrido en tres experiencias sensoriales
distintas en una sola interacción con la IA.
Estructura del
Prompt
Maestro:
"Actúa como un experto en Neuroeducación y Diseño Universal para el Aprendizaje
(DUA). Mi objetivo es enseñar el siguiente tema a niños de 6to grado de Educación
Básica.
Tema Curricular: [Insertar Tema. Ej: Las capas de la Tierra].
No quiero un plan de clase tradicional. Quiero que dividas este concepto en TRES
estaciones
de
aprendizaje
de
15
minutos
cada
una,
diseñadas
para
estimular
diferentes áreas del cerebro. Sé muy específico:
1. ESTACIÓN VISUAL-ESPACIAL:
Diseña
la
estructura
exacta
de
un
mapa
conceptual
visual.
Dime
qué
formas
geométricas usar, qué colores asignar a cada capa y qué palabras clave poner dentro
de
cada
forma.
2.
ESTACIÓN AUDITIVA-NARRATIVA:
Escribe
un
guion
para
un
podcast educativo o un cuento corto de misterio (máximo 150 palabras) donde el
narrador viaja hacia el centro de la tierra. Usa onomatopeyas y diálogo.
3. ESTACIÓN
KINESTÉSICA-MOTRIZ:
Inventa
una
dinámica
física
usando
el
cuerpo
de
los
estudiantes o materiales reciclados fáciles de conseguir para simular la presión y
temperatura de las capas. Explica paso a paso qué deben hacer con sus manos."
Apéndice B: Resultados de Generación IA (Caso de Estudio Real)
Al aplicar el
prompt
del Apéndice A sobre el tema de "Las capas de la Tierra", el
Modelo de Lenguaje de Gran Escala generó los siguientes insumos listos para su
uso por el docente.
Tabla B1.
Productos Generados por IAG para Estaciones de Aprendizaje.
72
Modalidad
S
ensorial
/
Cerebral
Producto Directo de la IA (Listo
para aplicar en el aula)
Neuro
-
Objetivo
(Análisis
del
Investigador)
Estación
Visual
(Procesamiento
Occipital)
"Crea
un
'Glosario
Visual
de
Círculos
Concéntricos'.
En
una
cartulina,
dibujen
un
círculo
pequeño rojo en el centro (Núcleo
interno
-
Sólido),
rodeado
de
un
anillo
naranja
(Núcleo
externo
-
Líquido),
luego
un
anillo
amarillo
grueso
(Manto
-
Magma),
y
una
línea
fina
azul/verde
afuera
(Corteza
-
Vida)."
Organización
espacial.
Reduce
la
carga
cogn
itiva
al
reemplazar
párrafos
de
texto
con
codificación por color.
Estación
Auditiva
(Áreas
de Broca y Wernicke)
"Guion
Narrativo:
(Sonido
de
taladro
mental:
RRRRR).
Capitán
Leo: '¡Atención equipo! Acabamos
de romper la fina Corteza, ¡es más
delgada
que
la
cáscara
de
una
manzana!
(Sonido
de
burbujas).
Ahora
entramos
al
Manto...
¡hace
calor, esto es roca derretida como
miel hirviendo!' (Debate: Cierra los
ojos, ¿qué sonido crees que hace
el
núcleo
sólido
chocando
con
el
líquido?)."
Vinculación emocional a
través
del
storytelling
.
Uso
de
analogías
verbales para consolidar
la memoria semántica a
largo plazo.
Estación
Kinestésica
(Corteza
Motora
y
Somatosensorial)
"Dinámica de la Presión Humana:
Divide a los niños en grupos de 5.
Uno se agacha en el centro,
hecho
bolita
(Núcleo
Sólido).
Dos
lo
abrazan
fuertemente
(Núcleo
Externo).
Los
otros
dos
empujan
suavemente desde afuera (Corteza
y Gravedad). El del centro explicará
por
qué
no
puede
moverse
(presión), demostrando por qué el
centro de la tierra es sólido
a pesar
del calor."
Memoria
episódica.
El
aprendizaje se ancla en
la
propiocepción
(conciencia
de
la
posición
corporal)
y
la
emoción
del
trabajo
físico cooperativo.
73
Apéndice C: Rúbrica Multimodal de Evaluación Integrada
Dado
que
la
instrucción
se
diversifica,
la
evaluación
no
puede
depender
de
un
examen escrito estandarizado. La IA generó esta rúbrica para evaluar el dominio del
concepto, permitiendo al estudiante demostrar lo aprendido a través de su canal
preferido.
Tabla C1.
Rúbrica de Salida Universal (Opciones de Demostración)
Criterio
de
Logro:
Comprende
las
características
de las capas de
la Tierra
Opción
de
Demostración
1
(Enfoque Visual)
Opción de Demostración
2
(Enfoque
Auditivo/Verbal)
Opción
de
Demostración
3
(Enfoque Kinestésico)
Nivel
Avanzado
(Logro
Alcanzado)
Elabora un diagrama a
escala
codificado
por
colores,
sin
errores
conceptuales,
etiquetando
los
estados de la materia.
Explica
oralmente
a
un
compañero,
usando
un
lenguaje claro y metáforas
propias,
cómo
cambian
la
temperatura y l
a presión al
descender.
Construye un modelo en
plastilina
o
materiales
reciclados
en
3D,
justificando
físicamente
la
diferencia
de
densidades
de
sus
materiales.
Nivel Inicial (En
Proceso)
Dibuja los círculos pero
confunde el orden o los
colores
de
las
capas
internas.
Menciona
los
nombres
de
las
capas,
pero
no
logra
explicar
las
diferencias
de
temperatura entre ellas.
Construye
el
modelo,
pero las proporciones de
los materiales no reflejan
la
estructura
real
de
la
Tierra.
9. Referencias Bibliográficas
Crompton, H., & Burke, D. (2023).
Artificial intelligence in higher education: The state
of
the
field.
International
Journal
of
Educational
Technology
in
Higher
Education
, 20(22).
https://doi.org/10.1186/s41239-023-00392-8
De Bruyckere, P., Kirschner, P. A., & Hulshof, C. D. (2019).
More urban myths about
learning
and
education:
Challenging
eduquacks,
extraordinary
claims,
and
alternative facts
.
Routledge.
Fernández Marfil, M., Pérez Gómez, A., & Ruiz-Palmero, J. (2024). Los modelos de
lenguaje predictivo como herramientas docentes en la academia moderna.
Pixel-Bit. Revista de Medios y Educación
, (70), 54-81.
74
Forés, A., Gamo, J. R., Guillén, J. C., Hernández, T., Ligioiz, M., Pardo, F., & Trinidad,
C. (2020).
Neuromitos en educación: El aprendizaje desde la neurociencia
.
Plataforma Editorial.
García-Peñalvo, F. J. (2023). La percepción de la Inteligencia Artificial en contextos
educativos
tras
el
lanzamiento
de
ChatGPT.
Education
in
the
K
nowledge
Society (EKS)
, 24, e31279.
Guillén, J. C. (2019).
Neuroeducación en el aula: De la teoría a la práctica
.
Ediciones
Morata.
Hattie,
J.,
&
Timperley,
H.
(2021).
The
power
of
feedback
revisited.
Review
of
Educational Research
, 91(3), 345-385.
Howard-Jones,
P. A.
(2014).
Neuroscience
and
education:
myths
and
messages.
Nature
Reviews
Neuroscience
,
15(12),
817
-
824.
(Nota:
Texto
clásico
fundamental actualizado en discusiones recientes).
López-Regalado,
O.,
Núñez-Rojas,
N.,
López-Gil,
O.,
&
Sánchez-Rodríguez,
J.
(2024). Análisis del uso de la inteligencia artificial en la educación universitaria:
una revisión sistemática.
Pixel-Bit. Revista de Medios y Educación
, (70), 97-
122.
Miao,
F.,
&
Holmes,
W.
(2023).
Inteligencia
artificial
y
educación:
Guía
para
las
personas a cargo de formular políticas
.
UNESCO.
Molenaar,
I.
(2022).
Towards
hybrid
human-AI
learning
technologies.
European
Journal of Education
, 57(4), 632-645.
https://doi.org/10.1111/ejed.12527
Moorhouse,
B.
L.,
Wan,
Y.,
Wu,
C.,
&
Kwong,
T.
(2024).
Developing
language
teachers' professional generative AI competence.
System
, 125, 103399.
Ocaña-Fernández, Y.,
Valenzuela-Fernández,
L. A.,
&
Garro-Aburto,
L.
L.
(2019).
Inteligencia artificial y sus implicaciones en la educación superior.
Propósitos
y Representaciones
, 7(2), 536-568.
Reinoso, M., & Paz, C. (2024). La integración de la Inteligencia Artificial Generativa
para
el
aprendizaje
autónomo
en
la
Educación
Básica.
Revista
Iberoamericana de Tecnología en Educación
, (35), e12.
Ruiz
Martín,
H.
(2020).
¿Cómo
aprendemos?
Una
aproximación
científica
al
aprendizaje y la enseñanza
. Editorial Graó.
75
Sánchez Vera, M. M. (2024). Reflexiones pedagógicas sobre el uso de ChatGPT en
la educación.
RIED
-
Revista Iberoamericana de Educación a Distancia
, 27(1),
9
–
39.
Sweller, J. (2020). Cognitive load theory and educational technology.
Educational
Technology Research and Development
, 68(1), 1-16.
Tokuhama-Espinosa, T. (2018).
Neuromyths: Debunking false ideas about the brain
.
WW Norton & Company. (Nota: Referencia marco obligatoria en estudios de
neuroeducación).
UNESCO. (2024).
Generative AI and the future of education
. UNESCO Publishing.
Zawacki-Richter,
O.,
Marín,
V.
I.,
Bond,
M.,
&
Gouverneur,
F.
(2020).
Systematic
review of research on artificial intelligence applications in higher education.
International Journal of Educational Technology in Higher Education
, 16(1),
39.