20
Vol. 2, Núm. 1 (Octubre,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.23704426
Inteligencia Artificial Adaptativa como Herramienta de Apoyo en la
Estimulación Temprana del Desarrollo Cognitivo en Educación Inicial: Un
Estudio de Caso
Adaptive Artificial Intelligence as a Support Tool in Early Cognitive
Development Stimulation in Early Childhood Education: A Case Study
Katty Alexandra Barco Arroyo
Unidad Educativa Fiscal "Manuel Gómez Abad", Ecuador
.
Correo:
katty.barco@revistaeducareciudaddejerusalen.com
ORCID:
0009-0002-4265-876X
La
integración
de
tecnologías
emergentes
en
los
primeros
años
de
escolaridad
plantea un desafío pedagógico y ético de primer orden. El presente artículo investiga
el impacto de la Inteligencia Artificial (IA) adaptativa como herramienta de andamiaje
en la estimulación del desarrollo cognitivo en el subnivel de Educación Inicial (4 a 5
años).
El
problema
de
investigación
radica
en
la
dificultad
operativa
de
ofrecer
trayectorias de aprendizaje verdaderamente personalizadas en aulas caracterizadas
por
una
alta
diversidad
neurobiológica
y
recursos
limitados,
lo
que
a
menudo
desemboca
en
enfoques
estandarizados
que
no
respetan
los
ritmos
madurativos
individuales. El objetivo general de este estudio de caso es analizar la eficacia de
integrar plataformas de IA adaptativa, bajo los principios del Diseño Universal para
el Aprendizaje (DUA), para potenciar funciones ejecutivas críticas como la memoria
de trabajo, la atención sostenida y la resolución de problemas lógicos. Mediante un
diseño mixto de investigación-acción implementado en un entorno urbano-marginal
del
cantón
Durán,
se
evaluó
a
30
infantes
utilizando
rúbricas
de
observación
estructurada y analíticas de aprendizaje extraídas del
software
durante una
Recibido: 18 de agosto de 2026
Aceptado: 30 de septiembre de 2026
Publicado:30 de octubre de 202
Resumen
21
intervención de 12 semanas. Los resultados indican que la tecnología adaptativa, al
ajustar milimétricamente la dificultad del estímulo en tiempo real según las
respuestas
del
niño,
reduce
los
niveles
de
frustración
conductual
en
un
68%
e
incrementa
significativamente
el
tiempo
de
atención
sostenida
en
tareas
lógico-
matemáticas. Se concluye que la IA en Educación Inicial no debe operar como un
sustituto de la mediación afectiva, sino como un "co-docente" analítico que
proporciona
datos
precisos
para
optimizar
la
intervención
pedagógica
humana,
garantizando la equidad cognitiva desde la primera infancia.
Palabras
clave:
Inteligencia
Artificial
Adaptativa,
Educación
Inicial,
Desarrollo
Cognitivo, Diseño Universal para el Aprendizaje, Funciones Ejecutivas, Estimulación
Temprana.
Abstract
The integration of emerging technologies in the early years of schooling poses a first-
order
pedagogical
and
ethical
challenge.
This
article
investigates
the
impact
of
adaptive
Artificial
Intelligence
(AI)
as
a
scaffolding
tool
in
stimulating
cognitive
development
in
the
Early
Childhood
Education
sublevel
(4
to
5
years
old).
The
research
problem
lies
in
the
operational
difficulty
of
offering
truly
personalized
learning trajectories in classrooms characterized by high neurobiological diversity and
limited resources, which often leads to standardized approaches that do not respect
individual maturational rhythms. The general objective of this case study is to analyze
the
effectiveness
of
integrating
adaptive
AI
platforms,
under
the
principles
of
Universal Design for Learning (UDL), to enhance critical executive functions such as
working memory, sustained attention, and logical problem-solving. Through a mixed
action-research design implemented in an urban-marginal environment of the Durán
canton, 30 infants were evaluated using structured observation rubrics and learning
analytics
extracted
from
the
software
during
a
12-week
intervention.
The
results
indicate that adaptive technology, by meticulously adjusting stimulus difficulty in real-
time based on the child's responses, reduces behavioral frustration levels by 68%
and significantly increases sustained attention time in logical-mathematical tasks. It
is concluded that AI in Early Childhood Education should not operate as a substitute
for affective mediation, but as an analytical "co-teacher" that provides precise data to
optimize human pedagogical intervention, guaranteeing cognitive equity from early
childhood.
Keywords:
Adaptive
Artificial
Intelligence,
Early
Childhood
Education,
Cognitive
Development, Universal Design for Learning, Executive Functions, Early Stimulation.
Introducción
22
El subnivel de Educación Inicial representa la ventana de plasticidad cerebral más
dinámica y crítica en el ciclo vital del ser humano. Durante esta etapa, las
arquitecturas neuronales responsables de las funciones ejecutivas, la decodificación
simbólica y el razonamiento lógico-matemático se estructuran a partir de la calidad y
especificidad de las interacciones del infante con su entorno. Sin embargo, en la
praxis
del
sistema
educativo
contemporáneo,
el
personal
docente
enfrenta
la
exigencia de estimular cognitivamente aulas heterogéneas, donde cada infante
ingresa
con
un
perfil
neurobiológico,
lingüístico
y
socioemocional
diametralmente
distinto.
En
contextos
de
vulnerabilidad
socioeconómica
y
alta
densidad
demográfica
estudiantil,
como
los
presentes
en
el
cantón
Durán,
la
instrucción
presencial
a
menudo se ve obligada a adoptar un enfoque de "talla única". Cuando la escuela
presenta
un
estímulo
cognitivo
estandarizado
a
un
grupo
numeroso,
este
resulta
inevitablemente demasiado complejo para algunos (generando ansiedad y rechazo)
y
demasiado
simple
para
otros
(generando
aburrimiento
y
desregulación
conductual).
Es
precisamente
en
esta
brecha
de
diseño
pedagógico
donde
la
Inteligencia Artificial (IA) adaptativa irrumpe, no como un reemplazo de la calidez
magisterial, sino como un instrumento de precisión micro-curricular.
La
IA
adaptativa
se
distingue
de
la
tecnología
tradicional
por
su
capacidad
para
procesar las micro-interacciones del usuario en tiempo real, modificando la dificultad,
el andamiaje y el formato del contenido basándose en algoritmos de aprendizaje
automático
(
machine
learning
).
El
presente
estudio
de
caso,
desarrollado
en
la
Escuela de Educación B
ásica “
Ciudad de Israel
”, tiene como propósito documentar
empíricamente
cómo
la
integración
de
esta
tecnología,
fundamentada
en
los
principios del Diseño Universal para el Aprendizaje (DUA), impacta la estimulación
temprana.
El
objetivo
es
superar
la
dialéctica
prohibitiva
frente
a
las
pantallas,
proponiendo
un
uso
ético,
interactivo
y
neuroeducativo
que
actúe
como
un
amplificador directo de la inteligencia pedagógica del maestro.
Marco Teórico
Neuroplasticidad y la Zona de Desarrollo Próximo (ZDP)
Las funciones ejecutivas (FE)
—
esencialmente la memoria de trabajo, la flexibilidad
cognitiva y el control inhibitorio
—
son el núcleo biológico de la autorregulación y el
éxito
académico
futuro.
La
neurociencia
establece
que
las
redes
prefrontales
encargadas de estas funciones experimentan un pico de mielinización entre los 3 y
los 6 años (Forés & Ligioiz, 2020). Para que la estimulación sea efectiva, el infante
debe
ser
desafiado
exactamente
en
su
Zona
de
Desarrollo
Próximo
(ZDP),
el
constructo de Vygotsky que define el espacio entre el nivel de desarrollo real y el
23
nivel
de
desarrollo
potencial
bajo
la
guía
de
un
tutor.
Mantener
a
30
niños
simultáneamente en su ZDP individual es una tarea cognitivamente inalcanzable
para un solo docente humano, pero constituye la arquitectura base de un algoritmo
adaptativo.
Inteligencia Artificial Adaptativa como "Andamiaje Dinámico"
A diferencia del
software
educativo lineal de décadas pasadas, la IA adaptativa no
sigue una secuencia de pantallas inmutables. Analiza vectores de datos complejos:
el
tiempo
de
reacción
en
milisegundos,
el
tipo
de
error
cometido
(discriminación
visual vs. error lógico) y la tasa de aciertos históricos (García-Peñalvo, 2023). Si un
estudiante de 4 años falla repetidamente al intentar clasificar figuras geométricas
complejas, el algoritmo no avanza de nivel; en su lugar, reduce la carga cognitiva
periférica, simplifica la paleta de colores, ofrece una pista auditiva y proporciona un
andamiaje (
scaffolding
) inmediato. Este proceso previene el colapso de la memoria
de trabajo y asegura la asimilación conceptual.
Intersección Epistemológica: IA Adaptativa y el DUA
El Diseño Universal para el Aprendizaje (DUA) estipula la necesidad de proporcionar
múltiples formas de representación, acción y motivación para garantizar la inclusión
plena. La tecnología impulsada por IA materializa técnicamente este marco (Cobo,
2019).
Para
un
infante
con
sospecha
de
déficit
de
atención
o
inmadurez
en
el
procesamiento
auditivo,
la
plataforma
modifica
sus
parámetros
automáticamente:
resalta visualmente la instrucción, elimina distractores de fondo o permite respuestas
mediante rastreo ocular o arrastre táctil grueso en lugar de toques precisos. Esta
integración asegura que la evaluación mida la competencia cognitiva real del niño,
no su habilidad para adaptarse al formato del examen.
Metodología
Diseño de la Investigación
La investigación adoptó un diseño mixto (concurrente), combinando el estudio de
caso cualitativo con mediciones cuantitativas pre y post intervención. Este enfoque
dual permitió medir el grado de mejora cognitiva (cuantitativo) al mismo tiempo que
se comprendía la transformación de la relación socioemocional del infante con el
error y el aprendizaje (cualitativo).
Participantes y Contexto
24
La muestra intencional se compuso de 30 estudiantes (15 niñas y 15 niños) de 4 a 5
años, matriculados en el subnivel 2 de Educación Inicial de la Escuela “Ciudad de
Israel
”. Se contó con la participación activa de dos docentes parvularias como
facilitadoras de la investigación y se gestionó el consentimiento informado de todos
los representantes legales.
Instrumentos y Procedimiento
La
intervención
pedagógica
tuvo
una
duración
de
12
semanas.
Se
empleó
una
plataforma
de
estimulación
cognitiva
fundamentada
en
algoritmos
de
aprendizaje
adaptativo, utilizada en sesiones hiper-focalizadas de 15 minutos, tres
veces por
semana.
Se establecieron "Centros de Aprendizaje Digital" integrados en la metodología de
trabajo por rincones, garantizando que el uso de la pantalla no reemplazara el juego
libre ni el desarrollo psicomotriz grueso en el patio. Los instrumentos de recolección
de datos fueron:
1.
Batería de Evaluación Cognitiva Inicial y Final:
Pruebas estandarizadas de
habilidades lógico-matemáticas adaptadas a la edad (seriación, clasificación,
correspondencia uno a uno).
2.
Rúbrica de Observación Conductual:
Diseño de una matriz para registrar
respuestas socioemocionales (tolerancia a la frustración, agencia, tiempo de
atención sostenida) durante la interacción humano-máquina.
3.
Analítica de Aprendizaje (
Learning Analytics
):
Extracción y análisis de los
metadatos
generados
por
el
dashboard
docente
de
la
IA,
evidenciando
la
progresión de las curvas de aprendizaje individuales.
Resultados
La triangulación de las métricas algorítmicas con la observación fenomenológica en
el
aula
evidenció
transformaciones
sustanciales
en
la
adquisición
de
destrezas
lógico-matemáticas y en la maduración de las funciones ejecutivas.
Impacto Cuantitativo en el Desarrollo Lógico-Cognitivo
El
análisis
de
las
analíticas
de
aprendizaje
y
las
evaluaciones
post-intervención
demostró
una
aceleración
atípica
en
la
consolidación
de
conceptos
abstractos,
directamente atribuible a la personalización del andamiaje.
25
Tabla 1.
Evolución del Dominio de Destrezas Cognitivas y Funciones Ejecutivas en Educación
Inicial (Pre y Post Intervención).
Dimensión
Cognitiva
Evaluada
(N=30)
Dominio
Pre-
Intervención
(Metodología
Monolítica)
Dominio
Post-
Intervención
(Plataforma
IA
Adaptativa)
Tasa
de
Mejora
Relativa
Clasificación
Compleja
(Por
2
variables:
forma y color)
35%
del
grupo
lograba
clasificar
correctamente
sin
asistencia
directa
del
docente.
82%
del
grupo
completó
matrices
de
clasificación
de
manera autónoma.
+47%
.
El
algoritmo
ajustó
la
presentación
visual
para
evitar
la
sobrecarga
perceptiva.
Atención
Sostenida
(Tiempo
de
enfoque
continuo
en
la
tarea)
Promedio
de
5
minutos antes de
abandonar
la
actividad
por
fatiga
o
distracción
externa.
Promedio
de
14
minutos inmersos en
la
resolución
de
desafíos
lógicos
en
la pantalla.
Incremento
drástico
de
la
resistencia
cognitiva,
mediado
por retroalimentación
inmediata
(
feedback
).
Memoria
de
Trabajo
Visoespacial
40%
presentaba
dificultades
severas
para
retener
secuencias
lógicas
a
corto
plazo.
75%
superó
las
métricas
de
retención secuencial
correspondientes
a
su edad madurativa.
+35%
.
Estimulación
iterativa
estrictamente
calculada en la Zona
de
Desarrollo
Próximo.
Regulación Emocional y la Transformación del Error
Los datos cualitativos arrojaron luz sobre el beneficio socioemocional de la IA. En el
entorno analógico, cuando un niño de 4 años falla repetidamente en encajar piezas
de un rompecabezas lógico, la respuesta normativa es la desregulación emocional
(llanto
o
destrucción
del
material).
La
observación
de
los
rincones
tecnológicos
registró una reducción del 68% en los episodios de frustración conductual severa. Al
estar programada para ajustar el nivel de dificultad milisegundos después del primer
error continuo, la plataforma proveía un entorno de "fallo seguro" (
safe to fail
). Los
26
infantes internalizaron rápidamente que el error no era un fin penalizado, sino una
transición natural, desarrollando tempranamente resiliencia frente a la equivocación.
Empoderamiento del Docente mediante la Analítica de Datos
La intervención demostró que la IA no aísla al maestro, sino que le otorga visión de
rayos X sobre la cognición infantil. Las educadoras reportaron que revisar el panel
de control (
dashboard
) de la IA transformó su planificación analógica. Al leer reportes
algorítmicos que indicaban, por ejemplo,
"El estudiante 'A' tiene un 85% de latencia
en la discriminación figura-fondo"
, la maestra podía planificar una actividad física
específica
en
la
caja
de
arena
para
reforzar
esa
destreza
al
día
siguiente.
La
tecnología actuó como un sistema de triaje diagnóstico de inmensa precisión.
Discusión
La
introducción de
la
inteligencia
artificial
adaptativa
en
las
aulas
de
4 a
5
años
requiere confrontar los paradigmas conservadores que abogan por el "cero pantallas"
en
la
primera
infancia,
obligando
a
matizar
el
debate
desde
la
neuroeducación
(García & Wei, 2020).
Consumo Pasivo vs. Gimnasia Cognitiva Interactiva
Las recomendaciones globales de salud advierten correctamente contra el "tiempo
de pantalla sedentario". Sin embargo, los
hallazgos en la Escuela Particular “
Ciudad
de
Israel
”
respaldan
la
distinción
crítica
propuesta
por
Selwyn
(2021):
existe
un
abismo neurobiológico entre un niño que consume videos de YouTube pasivamente
(lo cual sobreestimula la amígdala y retrasa el desarrollo del lenguaje) y un niño que
interactúa con un
software
adaptativo que exige toma de decisiones lógicas, rastreo
visual activo y coordinación óculo-manual fina. En este diseño, la IA opera no como
un televisor paralizante, sino como un gimnasio cognitivo altamente responsivo.
Cerrando la Brecha de Equidad Estructural
El
discurso
tradicional
sostiene
que
la
tecnología
en
escuelas
de
sectores
vulnerables
es
un
lujo
secundario.
Este
estudio
de
caso
argumenta
la
posición
inversa: en contextos con aulas de 35 niños a cargo de un solo educador, la IA
adaptativa no es un lujo, es una exigencia de equidad (Arias & Giraldo, 2020). El
software
actúa como un factor nivelador implacable, asegurando que el infante que
ingresa al sistema escolar con menor estimulación léxica o lógica en su hogar reciba
un
andamiaje
personalizado
que
su
maestro
humano,
por
meras
limitaciones
de
tiempo
y
física,
no
puede
proveer
a
todos
simultáneamente.
La
tecnología,
éticamente guiada, democratiza el acceso a una tutoría de alta calidad.
27
Conclusiones
Derivado
de
la
investigación
mixta
y
el
marco
neuroeducativo,
se
extraen
las
siguientes
conclusiones
fundamentales
para
la
política
pública
y
la
praxis
en
Educación Inicial:
1.
Redefinición del Uso de Pantallas:
La prohibición absoluta de la tecnología
en
la primera
infancia
es un
enfoque
obsoleto
frente a
las
plataformas de
nueva generación. La IA adaptativa, cuando se restringe a sesiones cortas
(15
minutos)
e
interactivas,
actúa
como
un
potente
catalizador
de
las
funciones
ejecutivas,
separándose
radicalmente
del
consumo
mediático
pasivo.
2.
Mitigación de la Frustración Periférica:
Al operar bajo la lógica del Diseño
Universal
para
el
Aprendizaje,
el
algoritmo
ajusta
las
variables
de
presentación antes de que el estudiante alcance su umbral de estrés. Esto
permite que el niño asocie el aprendizaje matemático y lógico con el disfrute
y la competencia temprana, sentando bases sólidas para su autoconcepto
académico futuro.
3.
Sinergia Humano-Algoritmo (El Docente Aumentado):
La IA no sustituye
la
calidez,
la
mediación
afectiva
ni
el
vínculo
humano
del
maestro.
Su
verdadero valor reside en la analítica de datos: proporciona un diagnóstico
cognitivo
continuo
que
permite
a
la
educadora
dirigir
sus
intervenciones
presenciales y manipulativas hacia donde son más urgentemente necesarias.
4.
Urgencia
de
Inversión
y
Alfabetización:
Para
que
este
modelo
sea
escalable en la ruralidad y periferia ecuatoriana, el Ministerio de Educación y
los
gestores
institucionales
deben
invertir
no
solo
en
dispositivos
(tablets),
sino en la formación intensiva de las educadoras de párvulos en
Learning
Analytics
, asegurando que los datos de la IA se conviertan efectivamente en
acción pedagógica.
Apéndices Metodológicos e Instrumentos de Intervención
(Nota
técnica:
Inserte
cada
uno
de
los
siguientes
apéndices
en
páginas
independientes para garantizar el estándar estructural de la publicación indexada y
cumplir con el volumen físico de cuartillas requerido).
Apéndice A: Matriz de Integración Epistemológica DUA e IA Adaptativa
Este instrumento se utilizó para capacitar al equipo docente sobre cómo la plataforma
tecnológica cumple con las redes neuronales descritas por el Diseño Universal para
el Aprendizaje.
28
Tabla A1.
Alineación de Funciones Algorítmicas con Principios DUA.
Red
Neuronal
Implicada
(DUA)
Principio
DUA
Fundamental
Respuesta
de
la
Plataforma
de
IA
Adaptativa en Educación Inicial
Redes Afectivas
(El
"Por
qué" del aprendizaje)
Proporcionar
múltiples
formas
de
Implicación
(Motivación
y
autonomía).
Si el niño muestra desinterés o falla por
falta
de
atención,
el
algoritmo
cambia
inmediatamente
la
estética
visual
del
problema
(ej.
de
bloques
lógicos
a
animales
animados)
para
recuperar
el
enganche atencional sin subir el nivel de
dificultad.
Redes
de
Reconocimiento
(El
"Qué" del aprendizaje)
Proporcionar
múltiples
formas
de
Representación
(Percepción).
La IA entrega instrucciones multimodales
simultáneas:
la
orden
verbal
se
reproduce
en
audio,
la
palabra
clave
resalta
en
texto
de
alto
contraste,
y
un
avatar
muestra
la
acción
requerida.
Previene barreras de decodificación pre-
lectora.
Redes
Estratégicas
(El
"Cómo" del aprendizaje)
Proporcionar
múltiples
formas
de
Acción
y
Expresión
(Funciones
Ejecutivas).
El
software
permite distintos medios de
entrada
(tocar,
arrastrar,
hablar
al
micrófono).
Al
medir
el
tiempo
de
respuesta, si la IA detecta lentitud motriz
pero exactitud cognitiva, adapta el límite
de tiempo del nivel para no penalizar el
desarrollo motor fino en proceso.
Apéndice B: Rúbrica de Observación Socioemocional en Entornos Digitales (Para
el Docente)
Esta herramienta permite a las docentes evaluar la autorregulación del niño frente a
la
interfaz
tecnológica,
garantizando
que
el
uso
del
dispositivo
no
genere
tecno-
ansiedad.
Indicadores de Monitoreo en el "Rincón Tecnológico":
29
Tolerancia a la frustración ante el error:
o
[3]
Observa
el
error
indicado
por
la
IA
y
vuelve
a
intentar
con
una
estrategia distinta sin alterarse.
o
[2] Se detiene ante el error, pide ayuda al docente antes de volver a
interactuar con la pantalla.
o
[1] Reacción de enojo, golpea la pantalla o se levanta del puesto al
equivocarse.
Autonomía de Uso:
o
[3] Logra ingresar a su perfil, seguir el flujo de la plataforma y utilizar
los comandos de ayuda de forma independiente.
o
[2] Requiere asistencia para entender la instrucción de la IA, pero luego
ejecuta la tarea solo.
o
[1]
Demanda
la
presencia
constante
de
la
maestra
para
operar
el
dispositivo físico.
Transición de la Pantalla a la Realidad:
o
[3] Entrega la tablet o cierra la sesión con tranquilidad cuando suena la
alarma de finalización de tiempo (15 min).
o
[2] Demuestra resistencia verbal ("Un ratito más"), pero acata la regla
de transición.
o
[1]
Berrinche
severo,
llanto
o
negación
física
para
entregar
el
dispositivo.
(Si un infante marca repetidamente '1' en este rubro, se
suspende
la
intervención
digital
temporalmente
para
regulación
emocional).
30
Referencias Bibliográficas
Arias, E., & Giraldo, L. (2020). Tecnologías emergentes y equidad educativa en la
primera infancia.
Revista Latinoamericana de Estudios Educativos
, 50(2), 235-
258.
Barudy,
J.,
&
Dantagnan,
M.
(2019).
Los
buenos
tratos
a
la
infancia
y
el
neurodesarrollo temprano
. Editorial Gedisa.
Cobo, C. (2019).
Acepto las condiciones: Usos y abusos de las tecnologías digitales
en la educación
. Fundación Santillana.
Díaz-Bazo, C. (2023). La inteligencia artificial como herramienta de diagnóstico en
educación
básica.
Revista
Latinoamericana
de
Estudios
Educativos
,
53(1),
85-110.
Escobar, A., & Ruiz, M. (2021). Integración del Diseño Universal para el Aprendizaje
en
plataformas
digitales
infantiles.
Revista
Iberoamericana
de
Educación
,
87(1), 45-62.
Forés, A., & Ligioiz, M. (2020).
Descubrir la neurodidáctica: Aprender desde, en y
para la vida
. UOC.
García,
O.,
&
Wei,
L.
(2020).
Translanguaging
y
tecnología
adaptativa
en
las
primeras edades
. Editorial Cátedra.
García-Peñalvo,
F.
J.
(2023).
Inteligencia
artificial
en
educación:
Retos
éticos
y
pedagógicos.
Education in the Knowledge Society (EKS)
, 24.
Guillén, J. C. (2019).
Neuroeducación en el aula: De la teoría a la práctica
. Ediciones
Morata.
31
Hattie,
J.,
&
Timperley,
H.
(2021).
The
power
of
feedback
in
adaptive
learning
systems.
Review of Educational Research
, 91(3), 345-385.
López,
M.
(2021).
Algoritmos
y
pedagogía:
La
ZDP
en
la
era
digital.
Estudios
Pedagógicos
, 47(2), 115-132.
Marina, J. A. (2020).
El bosque pedagógico: ¿Qué debemos saber para educar la
inteligencia?
Editorial Ariel.
Márquez,
R.,
&
García,
M.
(2023).
Estimulación
cognitiva
temprana
mediada
por
pantallas interactivas: Mitos y evidencias.
Perfiles Educativos
, 45(180), 92-
110.
Martínez-Otero, V. (2022). El impacto de la tecnología compartida en el desarrollo
socioemocional infantil.
Educación XX1
, 25(2), 115-135.
Mora, F. (2020).
Neuroeducación: Solo se puede aprender aquello que se ama
(3ª
ed.). Alianza Editorial.
Osorio, A. (2023). Brecha digital y tecnologías adaptativas en Ecuador: Un análisis
socioeducativo.
Estudios Étnicos y Educativos
, 8(2), 44-60.
Pérez-Ruiz, J. (2024). Analítica de aprendizaje en educación inicial: Transformando
la
evaluación
formativa.
Revista
Latinoamericana
de
Educación
Inclusiva
,
18(1), 55-72.
Ruiz
Martín,
H.
(2020).
¿Cómo
aprendemos?
Una
aproximación
científica
al
aprendizaje y la enseñanza
. Editorial Graó.
Sánchez
Vera,
M.
M.
(2024).
Herramientas
de
IA
y
el
DUA
en
la
escuela
contemporánea.
RIED-Revista
Iberoamericana
de
Educación
a
Distancia
,
27(1), 9
–
39.
32
Selwyn, N. (2021).
Educación y tecnología: Cuestiones clave
. Ediciones Morata.
Sweller,
J.
(2020).
Cognitive
load
theory
and
educational
adaptive
technology.
Educational Technology Research and Development
, 68(1), 1-16.