Impacto de las estrategias de enseñanza basadas en inteligencia artificial y el Diseño Universal para el Aprendizaje (DUA) en la inclusión de estudiantes de Educación General Básica
DOI:
https://doi.org/10.55204/trc.v6i1.e690Keywords:
Inteligencia artificial; Diseño Universal para el Aprendizaje; inclusión educativa; Educación General Básica; estrategias de enseñanza; accesibilidad curricular.Abstract
El presente artículo analiza el impacto de las estrategias de enseñanza basadas en inteligencia artificial y el Diseño Universal para el Aprendizaje (DUA) en la inclusión de estudiantes de Educación General Básica. Se desarrolló una revisión bibliográfica con enfoque cualitativo, orientada por el método PRISMA 2020, a partir de la selección de 15 fuentes científicas e institucionales recientes. Los resultados evidencian que la articulación entre IA y DUA puede favorecer la personalización del aprendizaje, la accesibilidad curricular, la participación, la motivación y la autonomía estudiantil. Asimismo, se identificó que herramientas como plataformas adaptativas, lectores de texto, subtitulación automática, asistentes virtuales, analítica de aprendizaje y recursos multimodales pueden reducir barreras para estudiantes con diversas necesidades educativas. No obstante, el impacto inclusivo de estas estrategias depende de la formación docente, la equidad tecnológica, la protección de datos y una planificación pedagógica ética. Se concluye que la IA puede fortalecer la inclusión cuando se integra al DUA como apoyo pedagógico y no como sustituto de la mediación docente.
Downloads
References
AlRawi, J. M., & AlKahtani, M. A. (2021). Universal design for learning for educating students with intellectual disabilities: A systematic review. International Journal of Developmental Disabilities. https://doi.org/10.1080/20473869.2021.1900505
Casal-Otero, L., Catala, A., Fernández-Morante, C., Taboada, M., Cebreiro, B., & Barro, S. (2023). AI literacy in K-12: A systematic literature review. International Journal of STEM Education, 10, Article 29. https://doi.org/10.1186/s40594-023-00418-7 críticamente con tecnologías inteligentes.
CAST. (2024). Universal Design for Learning Guidelines version 3.0. CAST.
https://doi.org/10.1007/s40692-023-00304-9
Ikeda, N., Yamauchi, Y., & Yamada, M. (2023). Challenges and opportunities of AI in inclusive education: A case study of data-enhanced active reading in Japan. Smart Learning Environments, 10, Article 67. https://doi.org/10.1186/s40561-023-00286-2
Lee, S. J., & Kwon, K. (2024). A systematic review of AI education in K-12 classrooms from 2018 to 2023: Topics, strategies, and learning outcomes. Computers and Education: Artificial Intelligence, 6, 100211. https://doi.org/10.1016/j.caeai.2024.100211
Martin, F., Zhuang, M., & Schaefer, D. (2024). Systematic review of research on artificial intelligence in K-12 education (2017–2022). Computers and Education: Artificial Intelligence, 6, 100195. https://doi.org/10.1016/j.caeai.2023.100195
Melo-López, V. A., Basantes-Andrade, A., Gudiño-Mejía, C. B., & Hernández-Martínez, E. (2025). The impact of artificial intelligence on inclusive education: A systematic review. Education Sciences, 15(5), 539. https://doi.org/10.3390/educsci15050539
Ok, M. W., Rao, K., Bryant, B. R., & McDougall, D. (2024). Artificial intelligence for enhancing special education for K-12: A decade of trends, themes, and global insights (2013–2023). International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-024-00422-0
Rusconi, L., & Squillaci, M. (2023). Effects of a Universal Design for Learning (UDL) training course on the development teachers’ competences: A systematic review. Education Sciences, 13(5), 466. https://doi.org/10.3390/educsci13050466
Song, Y., Weisberg, L. R., Zhang, S., Tian, X., Boyer, K. E., & Israel, M. (2024). A framework for inclusive AI learning design for diverse learners. Computers and Education: Artificial Intelligence, 6, 100212. https://doi.org/10.1016/j.caeai.2024.100212
UNESCO. (2022). Recommendation on the Ethics of Artificial Intelligence. UNESCO.
Fuente institucional para fundamentar los criterios éticos de la investigación: derechos humanos, dignidad, transparencia, equidad, supervisión humana, privacidad, no discriminación e inclusión.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252, 124167. https://doi.org/10.1016/j.eswa.2024.124167
Yim, I. H. Y., & Su, J. (2025). Artificial intelligence (AI) learning tools in K-12 education: A scoping review. Journal of Computers in Education, 12, 93–131.
Zhang, L., Carter, R. A., Greene, J. A., & Bernacki, M. L. (2024). Unraveling challenges with the implementation of Universal Design for Learning: A systematic literature review. Educational Psychology Review, 36, Article 35. https://doi.org/10.1007/s10648-024-09860-7
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Katterin Johanna Urban Muñoz, Victoria Rebeca Choez Pincay, Ginnina Lisbeth Tapia Sisalema, Carmen Del Rocío Contreras Rodríguez
This work is licensed under a Creative Commons Attribution 4.0 International License.
The authors retain the moral and patrimonial rights of their works. They only give to the magazine Tesla Revista Científica the right to the first publication of this. Since Tesla Revista Científica is an open access publication, readers can fully or partially reproduce its content as long as they properly credit the corresponding authors and the journal itself. Tesla Revista Científica undertakes not to make commercial use of the texts it receives and/or publishes.
Our journal is governed by the international policies SHERPA/RoMEO: Green journal: They allow the self-archiving of both the pre-print (draft of a paper) and the post-print (the version corrected and reviewed by peers) and even the final version ( layout as it will be published in the journal).
See also "Copyright and licences".
