Introducción
Las aplicaciones de inteligencia artificial, surgen
constantemente, por lo que es necesario, que se estudien profundamente y se
haga de las aplicaciones a ejecutar en la educación, se realice una valoración
adecuada. Por tanto, la eficacia en los resultados, al aplicar estos recursos
tecnológicos, radica en la posibilidad de que los docentes, al integrarlos a
sus prácticas educativas, puedan demostrar el dominio de esos recursos y su manejo
adecuado. Es importante insistir en que, la herramienta de inteligencia
artificial que se aplique, se debe adecuar a la edad de los niños, a su desarrollo,
pues existe el riesgo de no lograr resultados positivos, y que este sea, inverso
a lo esperado. Es decir, que los efectos negativos comprometan el aprendizaje.
La educación infantil temprana reclama un aprendizaje humano fortalecido, pues
es esencial como base para su desarrollo posterior. Hoy se avizora que se
experimentan cambios profundos en la educación, con la presencia en el proceso
educativo, de la inteligencia artificial (IA). Su aplicación en estas edades,
abre oportunidades a la enseñanza, ya que los educadores optimizan los métodos
de enseñanza, haciendo más creativa y amena la enseñanza, y con ello, se
garantiza un aprendizaje más duradero en los niños,
No obstante, esas grandes oportunidades, en esta
era digital, generan retos, al optimizar el acceso y la calidad en la educación.
Estos se relacionan, con la brecha en la desigualdad tecnológica y la imperiosa
necesidad de habilitar a docentes y estudiantes, en su aplicación. El futuro de
la educación está sujeto a la capacidad que se alcance en la integración de la tecnología,
donde se manifiesta la equidad, y se logre la eficacia, desde la didáctica y
pedagogía. (Ortegón, 2022) Los avances
tecnológicos, en estos últimos cinco años, han sido de total innovación, de
grandes polémicas en la educación sobre su utilización, tanto por los
beneficios como por los prejuicios, pero
sin lugar a dudas, han transformado la forma en la que se imparte la docencia.
Hace casi una década, la forma de trabajo en la
educación infantil y preescolar, se destacaba por el trabajo de las educadoras
con medios educativos sencillos, con canciones desde la radio u otros
dispositivos electrónicos, y hoy, hay una
forma más creativa y atractiva de la docencia con los niños, por la utilización
de medios tecnológicos en general y los que utilizan la inteligencia
artificial. Cuando se integra de forma comprometida y competente, la
inteligencia artificial al proceso educativo cotidiano, se logra contribuir a
elevar su capacidad cognoscitiva, y no solamente se generan contenidos, sino
que, además, se amplía la contribución al área evaluativa del desarrollo
infantil. La investigación relacionada con
la utilización de la inteligencia artificial, refleja un crecimiento constante
en cuanto al aumento del número de publicaciones científicas. Transcurridos los años desde el 2010 hasta el
2022, la cantidad de publicaciones aumentó tres veces más que la existente, al
aumentar de una cantidad de 88,000 y llegar a más de 240,000, en el 2022, lo
que refleja la existencia de un interés mantenido sobre la inteligencia
artificial en el entorno académico.
Aun cuando aparecen cada día más aplicaciones en
las plataformas, no se encuentran muchas investigaciones aplicadas con la
utilización de herramientas de inteligencia artificial en las edades
comprendidas en la primera infancia y preescolar. La mayoría refiere contenido
de orientación teórica y metodológica. No obstante, hay numerosas aplicaciones
ya para niños que pueden ser utilizadas en la educación en estas edades, pero
no se reflejan investigaciones empíricas de su utilización. Se destacan como
prometedoras las herramientas como robots domésticos, juguetes inteligentes en
red, asistentes personales de voz, entre otros, que constituyen dispositivos
educativos de utilidad en la educación de los niños. (Williams R, 2019). Y muchas veces se logra
con más posibilidades el aprendizaje, ya que lo convierte, en un juego
atractivo.
En la actualidad, como se viene planteando, de una
forma u otra, la utilización de la inteligencia artificial en los dispositivos
que se utilizan de forma cotidiana, no obstante, cuando se utilizan
tempranamente por los niños, se cuentiona a veces por las Ciencias de la
educación, aspecto que sigue en debate. Si se logra que la utilización de los
teléfonos inteligentes, tabletas o computadoras personales, se introduzca en la
educación, con una incorporación paulatina y se logre un efecto positivo en la educación, pues se adecua a las características
del desarrollo, de los niños, su utilización, no tendría tantos detractores. Hoy
se presenta ante el niño un mundo real, pero también uno virtual, que se
refleja desde las redes y los sitios web.
Cada uno le ofrece un espacio, donde establece relaciones y se le
exhiben diferentes tipos de estímulos, que le permiten ir formando una visión
del mundo y de sí mismo. De ahí la necesidad de contribuir, a un desarrollo
acorde a lo que se pretende alcanzar en ellos, como seres humanos, en
dependencia del fin a lograr, en cada sociedad. Esto implica que el uso de la
tecnología debe ser supervisado sobre todo con los niños, para que adquiera un
carácter responsable, educativo, creativo, favoreciendo constantemente las oportunidades
para aprender, además de relacionarse y divertirse.
La utilización responsable de la inteligencia
artificial en la educación infantil y en el preescolar, si se mantiene un equilibrio
entre su uso y otras formas de su desarrollo integral, logra optimizar el
aprendizaje. Esto es posible pues se aprovechan sus beneficios, tanto en el desarrollo
emocional, como en el social. Se revela en la mayoría de los estudios que se
relacionan con la aplicación de la inteligencia artificial con niños, que en general,
se ha fortalecido de forma significativa su aceptación de las aplicaciones con la
inteligencia artificial y la contribución en su desarrollo, se ha hecho
evidente. Estas contribuciones se
relacionan fundamentalmente con el aprendizaje automático, la utilización de la
robótica y se ha logrado contribuir a su creatividad, a un mejor control de sus
emociones, al trabajo colaborativo, en las habilidades en lectoescritura, así como
se ha contribuido al pensamiento computacional., entre otros.
Para alcanzar logros desde la utilización de la
inteligencia artificial en la educación y se logre una transformación
educativa, se precisa que existan los dispositivos tecnológicos en las
instituciones educativas y que se cuente con la preparación óptima de los
docentes. Unido, claro está, con una articulación precisa, entre la lógica que
debe seguir este proceso transformador para lograr ese mejoramiento en la
calidad, la política educativa que se trace para lograrlo, y la lógica seguida
por los ministerios de educación, para responder a los recursos necesarios en
todos los contextos educativos. El
presente artículo, tiene como propósito exponer los resultados que se han
obtenido con la utilización de las herramientas de inteligencia artificial, que
se aplican hoy, en la educación infantil y preescolar, desde una revisión sistemática
cualitativa.
Materiales y métodos
El artículo
se concreta desde una revisión sistemática cualitativa, sobre las herramientas
de inteligencia artificial, que se aplican hoy en la educación infantil y
preescolar. La investigación que se toma de base, para la elaboración del artículo
tuvo un enfoque mixto. Como revisión sistemática, cualitativa, finaliza con la
fase de síntesis, donde los hallazgos de los estudios incluidos, se
interpretan, respondiendo a las dos interrogantes que se asumieron para la revisión,
desde el método PRISMA;
•
¿Qué resultados
se han obtenido, con la puesta en práctica de herramientas de inteligencia
artificial en la educación infantil y preescolar desde el 2019 hasta el 2025?
•
¿Qué áreas
necesitan una mayor profundización investigativa en la aplicación de la
inteligencia artificial en la educación infantil y preescolar?
Para garantizar la revisión, se plantearon como
criterios de inclusión: tener como temática central la aplicación de la
inteligencia artificial en educación infantil y preescolar, que refleje
percepciones, experiencias, oportunidades y desafíos, en contextos educativos para
poder limitar la trascendencia de la temática y cuidar, la coherencia en la
revisión. El rango de tiempo de los estudios publicados, se incluye a partir del
1er de enero del año 2019 hasta el 31 de diciembre del año 2025, lo que
garantiza la inclusión de la literatura reciente y notable en un ámbito con vertiginoso avance. Estudios
donde se utilice enfoque cualitativo, mixto o cuantitativo, o donde se aplique
la investigación acción y la investigación acción participativa, que ofrezcan resultados
de la utilización de las herramientas de inteligencia artificial en sus
contenidos. Las edades que se asumen, son las que tienen los niños, que están ubicados
en la educación infantil y/o preescolar, comprendidas desde tres años hasta los
ocho años.Los estudios seleccionados tienen en cuenta que se involucren niños,
en las edades comprendidas seleccionadas, donde sean sujetos con los cuales se aplican
herramientas con inteligencia artificial, pero también se incluyen docentes y
familia. Las voces de docentes y familia
permiten encontrar opiniones desde
sus experiencias.
Se consideraron estudios publicados en español y/o
inglés, atendiendo a la distribución geográfica, de los estudios. Constituyeron: artículos
de revistas, textos o capítulos de libros académicos, tesis y disertaciones
doctorales o de maestría, informes técnicos o de organizaciones registradas,
que cumplen los requisitos antes mencionados.
Como criterios de exclusión, que determinan los estudios
no elegibles en la búsqueda están; Estudios que solamente presenten datos
teóricos acerca del tema solamente, cuantitativos y no reflejen el análisis de
las aplicaciones puestas en práctica en las edades y niveles educativos
referidos en los criterios de inclusión, Estudios que no se concentren en la
educación infantil y preescolar. Estudios sobre inteligencia artificial, en
otros campos de estudio como la medicina, la industria, finanzas, entre otros,
que no tienen una aplicación directa en el preescolar y la educación infantil,
que evitan la distracción temática y aseguran así la prevalencia de los
estudios que responden a las interrogantes en el estudio. Estudios que no están
comprendidos en el período determinado para la revisión, fuera del rango
2019-2025. Estudios publicados en idiomas que difieren a los de la inclusión.
En la búsqueda de estudios, como descriptores se utilizaron;
aplicación de inteligencia artificial, preescolar y educación infantil,
comprendida entre 2019 a 2025. Se utilizó el buscador por excelencia Google
académico. y se privilegiaron en la búsqueda, la utilización de los boléanos
and y or. En cuanto a los métodos
teóricos por excelencia se utilizaron el analítico sintético y el análisis
documental, de los estudios seleccionados, y el de sistematización, a partir de
los resultados consultados. De la
estadística descriptiva, se utilizó el método porcentual, para facilitar los
resultados cuantitativos que se ofrecen desde la sistematización de los
resultados que se obtienen a partir de las respuestas a las dos preguntas que
marcan la revisión sistemática.
Resultados y discusión
La búsqueda bibliográfica, utilizando el
Google Académico, se desplegó desde las bases electrónicas de datos en
internet. Se tuvieron en cuenta documentos tanto en español, como inglés,
inicialmente con los predictores inteligencia artificial, educación infantil y
preescolar. Por la escasez de documentos, se decidió, aumentar en los
predictores, en un segundo intento, agregando el descriptor, aplicación
práctica de herramientas de inteligencia artificial y se mantuvo, la población
de destino.
Esto aumentó la presencia de
documentos referidos a la temática, con la ampliación desde la búsqueda manual,
y se llegó a un total de 525, de los cuales estaban duplicados, 89. Eliminados
manualmente, queda un total de 436 documentos.
Por el resumen y título que presentaban, sin aplicación directa de
herramientas, ni con resultados en los resúmenes, que los resultados positivos serían por lo planteado
desde la teoría, se eliminaron 220 del documento, quedando 216. (Diagrama 1). Estos con un análisis más
profundo de cada documento completo, permitieron la selección de 25, que son
los que directamente tienen la aplicabilidad demostrada, desde algún experimento,
cuasiexperimento, o con resultados desde un enfoque mixto, donde se aplicaron herramientas
de inteligencia artificial, en la población de estudio
Diagrama de flujo de la
documentación. Elaboración propia de las autoras, 2025
¿Qué resultados se han obtenido,
con la puesta en práctica de herramientas de inteligencia artificial en la
educación infantil y preescolar desde el 2019- al 2025?
En los 25 documentos
seleccionados, que cumplen los criterios de inclusión, se presentan los datos de
autores, país de procedencia, las herramientas de IA aplicadas a las edades
seleccionadas para el estudio, la muestra, tipo de estudio, resultados
positivos, negativos y sesgos. (Tabla 1) A continuación se analizan los
aspectos de la tabla.
|
Título (año) |
País |
Aplicación IA |
Edad/Muestra |
Tipo estudio |
Resultados
positivos (+ estadística) |
Resultados
negativos / Sesgos |
|
|
Williams et al. |
Leveraging Social Robots...
(2019) |
EE.UU. |
Robots sociales con
reconocimiento de voz(IA) |
4-5 años (n=20) |
Experimental piloto |
Mejoras en secuencias lógicas
(p<0.05); ↑ motivación en robótica |
Muestra pequeña (n=20); no
generalizable |
|
Vázquez-Cano et al. |
Plataforma "LeoPlus"...
(2020) |
México |
Plataforma adaptativa para
lectoescritura |
5-6 años (n=28) |
Cuasi-experimental |
↑ Comprensión lectora (p<0.05);
↑motivación |
Sin evaluación de
transferencia; muestra urbana |
|
Harris Bonet |
Diseño entorno interactivo...
(2021) |
España |
Plataforma web con IA para
contenidos bilingües |
Docentes (n=30)y niños. S/# |
Investigación-diseño |
↓ 50% tiempo creación materiales;
94% usabilidad docente (α=0.89) |
No evalúa impacto en niños |
|
Caballero González et al. |
Robots en educación infantil...
(2021) |
España |
Robots Bee-Bot para
secuenciación |
3-5 años (n=40) |
Experimental |
65% ↑ precisión secuencias vs.
22% control (F=18.7, p=0.0001); 90% persistencia |
Sesgo socioeconómico; fallos
hardware 15% |
|
Villegas-Ch. et al. |
AI System for Teaching Numbers
(2022) |
Ecuador |
Sistema adaptativo para
matemáticas |
5-6 años (n=30) |
Cuasi-experimental |
↑ Comprensión numérica
(p<0.05) |
Efecto Hawthorne posible;
muestra pequeña |
|
Cruz Peñafiel et al. |
Tecnologías emergentes...
(2022) |
Ecuador |
Herramientas personalización
post-COVID |
Docentes (cualitativo) |
Descriptivo |
75% docentes reportaron ↑
atención |
Sobrecarga docente; datos
basados en percepciones |
|
Kaelin |
AI to Customize Intervention...
(2022) |
EE.UU. |
Algoritmos ML para TEA |
Preescolar TEA (n=20) |
Cuasi-experimental |
Mejoras participación social
(p<0.05) |
Muestra pequeña; baja
generalización |
|
Bers et al. |
The TangibleK Robotics Program
(2022) |
EE.UU. |
Robótica tangible para
pensamiento computacional |
5-6 años (n=132) |
Cuasi-experimental |
78% resolvieron tareas
complejas (χ²=24.3, p<0.001); 42% ↑ abstracción (d=0.86) |
Docentes con formación previa;
sin seguimiento largo |
|
Agudelo |
Reconociendo contextos...
(2023) |
Internacional |
Identificación IA en aulas |
618 docentes |
Descriptivo mixto |
Solo 5.7% aulas preescolares
usan IA |
Subutilización tecnológica;
sesgo autoselección |
|
Rodríguez et al. |
IA en educación digital...
(2023) |
Internacional |
Robots Pepper/NAO |
5-6 años (pilotos Singapur) |
Revisión
experiencias |
↑ Motivación y atención
(reportes cualitativos) |
Limitaciones técnicas;
resultados por novedad |
|
Pérez-Suay et al. |
Evaluación secuencia
didáctica... (2023) |
España |
Robots Bee-Bot/Blue-Bot con
retroalimentación |
3-6 años (n=38) |
Cuasi-experimental |
↑ Pensamiento computacional
(p<0.05) |
Sin evaluación transferencia
cognitiva |
|
Quispe Amar et al. |
IA en diseño curricular...
(2024) |
Perú |
Revisión: redes neuronales,
chatbots |
Revisión
internacional |
Revisión sistemática |
Síntesis mejoras en
personalización |
Brecha digital; sesgo
publicación |
|
Hijón-Neira et al. |
AI-generated context... (2024) |
España |
GPT-3.5 para contextos
didácticos |
Preescolar (n=25) |
Cuasi-experimental |
80% nivel competencial (d=1.2);
↓ 40% tiempo planificación docente |
Sin grupo control; brecha
digital 20% |
|
Ali |
Integrating AI and AR... (2024) |
China |
RA + reconocimiento imágenes |
4-5 años (n=54) |
Experimental |
↑ Compromiso cognitivo y
retención (p<0.01) |
Efecto novedad; sin evaluación
transferencia |
|
Bedia & Vallejos |
Producción científica... TEA
(2025) |
Internacional
|
Asistentes virtuales para TEA |
Revisión estudios |
Revisión narrativa |
70-100% efectividad habilidades
sociales; 85% precisión detección |
Heterogeneidad metodológica;
sesgo publicación |
|
Chiriboga & Tituaña |
Gamificación y aprendizaje...
(2025) |
Ecuador |
Plataforma gamificada con
adaptación |
3 años (n=15 padres) |
Descriptivo |
87% padres reportaron ↑
vocabulario (media=4.2/5) |
Sesgo deseabilidad social; no
evaluación directa |
|
Veces et al. |
IA en educación preescolar...
(2025) |
Panamá/México |
Revisión aplicaciones |
Revisión bibliográfica |
Revisión sistemática |
Síntesis: ↑ motivación lectora,
comprensión numérica |
Falta estudios locales;
necesita validación empírica |
|
Tigua Quimis et al. |
Integración IA... ciencias
sociales (2025) |
Ecuador |
DALL·E 3 para recursos visuales |
Educación básica |
Aplicado |
Mejoras descriptivas en
aprendizaje |
Sesgo selección (1
institución); dependencia tecnológica |
|
Tituaña Quinaluiza |
Gamificación y aprendizaje...
lenguaje (2025) |
Ecuador |
Plataformas IA para
gamificación |
3 años (n=15 padres) |
Descriptivo mixto |
Diferencias significativas
pre-post intervención (p<0.05) |
Sesgo percepción parental;
muestra reducida |
|
Lasso et al. |
Estrategias psicopedagógicas...
(2025) |
Internacional |
Plataformas adaptativas para
necesidades |
Revisión experiencias |
Revisión teórica |
Personalización aprendizaje
para discapacidades |
Experiencias pequeña escala; no
generalizable |
|
Fernanda |
Método socrático con Alexa...
(2025) |
Ecuador |
Asistente Alexa para lenguaje
oral |
5 años |
Experimental |
↑ Expresión oral y motivación |
Dependencia tecnológica;
necesidad supervisión |
|
Dong |
AI in Early Childhood... (2025) |
Internacional |
Juguetes inteligentes,
plataformas adaptativas |
Revisión teórica |
Revisión teórica |
Personalización rutas
aprendizaje |
Riesgo dependencia tecnológica;
problemas privacidad |
|
Buendía Cueva et al. |
Gamificación y tecnología...
(2025) |
Perú |
Gamificación con IA para STEM |
Revisión 16 estudios |
Revisión sistemática |
30% ↑ compromiso con RA; ↑
resolución problemas |
Falta directrices pedagógicas; sesgo
urbano (80%) |
|
Peñafiel Arteaga et al. |
IA en educación: desafíos...
(2025) |
Latinoamérica |
Sistemas tutoría inteligente,
chatbots |
Casos de estudio |
Mixto (PRISMA + casos) |
25% ↑ retención estudiantil;
optimización evaluación |
Brecha digital rural; sesgos algorítmicos |
|
Yang et al. |
Validating LLM... children's
development (2025) |
China |
LLM para análisis juego libre |
Kindergarten (n=29) |
Experimental |
92.3% precisión identificación
habilidades (κ=0.89) |
Preprint
no revisado; muestra no representativa |
|
|
|
|
|
|
|
|
|
Tabla 1- Presentación de los documentos
de estudio. N-25
Se presenta en este estudio
bibliométrico, en cuanto a la temporalidad, que, en 2025, hay un mayor número
de documentos, y se evidencia un mayor porcentaje de aplicaciones prácticas con
niños de educación infantil y preescolar de las herramientas con inteligencia
artificial, para un 40 % (Tabla 2)
|
Año |
Cantidad |
% |
IA predominante |
|
2019 |
1 |
4% |
Estudio piloto |
|
2020 |
1 |
4% |
Plataformas adaptativas |
|
2021 |
2 |
8% |
Robótica educativa con IA |
|
2022 |
4 |
16% |
Personalización post-COVID |
|
2023 |
4 |
16% |
IA generativa emergente |
|
2024 |
3 |
12% |
Realidad aumentada + IA |
|
2025 |
10 |
40% |
Dominio de revisiones y LLMs |
Tabla 2. Distribución
Temporal
En cuanto al
método de investigación empleado, se presenta, que hay un predominio de
estudios cuasiexperimentales, 28%. (Tabla 3), las revisiones sistemáticas,
cuentan con ejemplos de trabajos prácticos.
|
Tipo de estudio |
Cantidad |
% del total |
|
Cuasi-experimental |
7 |
28 |
|
Revisión sistemática |
5 |
20 |
|
Experimental |
4 |
16 |
|
Descriptivo culitativo
y cuantitativo |
4 |
16 |
|
Revisión teórica con resultados |
3 |
12 |
|
Mixto (Práctica) |
2 |
8 |
Tabla 3. Tipos de estudio y porcentaje. Elaboración propia de las autoras. Año
2025
La distribución
geográfica está representada por siete países, un estudio latinoamericano y 5
estudios internacionales. Ecuador aportó el mayor porcentaje al estudio.
|
País |
Cant. |
% |
Autores clave (año) |
|
Ecuador |
6 |
24% |
Villegas-Ch. et al. (2022), Cruz Peñafiel et al.
(2022), Chiriboga & Tituaña (2025), Tigua Quimis et al. (2025), Tituaña
Quinaluiza (2025), Carrasco (2025) |
|
España |
4 |
16% |
Harris Bonet (2021), Caballero González et al. (2021),
Pérez-Suay et al. (2023), Hijón-Neira et al. (2024) |
|
EE.UU. |
3 |
12% |
Williams et al. (2019), Kaelin (2022), Bers et al.
(2022) |
|
Perú |
2 |
8% |
Quispe Amar et al. (2024), Buendía Cueva et al. (2025) |
|
China |
2 |
8% |
Ali (2025), Yang et al. (2025) |
|
México |
1 |
4% |
Vázquez-Cano et al. (2020) |
|
Panamá/México |
1 |
4% |
Veces et al. (2025) |
|
Estudios globales |
5 |
20% |
Agudelo (2023), Bedia & Vallejos (2025), Lasso et
al. (2025), Rodríguez et al. (2023), Dong (2025) |
|
Latinoamérica |
1 |
4% |
Peñafiel Arteaga et al. (2025) → Incluido en América
del Sur |
Tabla 4. Distribución por países. Elaboración propia por las autoras. Año 2025
Por continente
se refleja en la (Tabla 5 y Gráfico 1) , donde los trabajos con mayor
porcentaje están en América del Sur, con un 36 %. Sobre la inteligencia
artificial aplicada, la robótica educativa, con inteligencia artificial, domina
en un (24%), y las plataformas adaptativas y LLMs se incrementan rápidamente, (36%
combinado con IA). (Tabla 7) Atendiendo a los estudios se establece que los
elegidos tienen una fuerte presencia americana, en mayor cuantía, representada
por Ecuador y países andinos. España es también es una parte de Europa, notable
con los estudios y hay una marcada presencia internacional. Los repositorios de
América destacan por su capacidad de hacer accesible la literatura, lo que
influye en la alta tasa encontrada en la región. El % por continente se calculó
tomando cada grupo, sobre los 25 estudios, América: (6+2+2+1+3)/25 = 56%,
Europa: 5/25 = 20%, Asia: 2/25 = 8% y en el rango de Internacional, 5/25 = 16%
. Además, se destaca que en cuanto a los repositorios , Scopus, como una base
de datos principal para revisiones sistemáticas como refleja el estudio peruano
de Quispe Amar con 524 estudios, SciELO con el 72% latinoamericanos
y el repositorio IEEE Xplore (Tabla 6)
|
América del Sur |
|
9 |
36% |
Ecuador (6), Perú (2),
Latinoamérica (1) |
|
América del Norte |
|
5 |
20% |
EE.UU. (3), México (1),
Panamá/México (1) |
|
Europa |
|
4 |
16% |
España (4) |
|
Asia |
|
2 |
8% |
China (2) |
|
Internacional |
|
5 |
20% |
Estudios
globales/multinacionales (Agudelo, Bedia, Lasso, Rodríguez, Dong) |
Tabla 5. Estudios por continentes.
|
Aplicación de
IA |
N° Estudios |
% |
|
Robótica
educativa |
6 |
24% |
|
Plataformas
adaptativas |
5 |
20% |
|
IA generativa
(LLMs) |
4 |
16% |
|
Gamificación +
IA |
3 |
12% |
|
Herramientas
para TEA |
3 |
12% |
|
Realidad
aumentada + IA |
2 |
8% |
|
Asistentes
virtuales |
2 |
8% |
Tabla 6. Aplicaciones y número de estudios. Elaboración propia, año 2025.
|
Continente |
País/es (N° de
estudios) |
% del total
(N=25) |
Repositorios
dominantes |
|
América |
Ecuador (6),
México (2), Perú (2), Panamá (1), EE.UU. (3) |
56% |
SciELO, REDIB,
CLACSO, repositorios institucionales, ERIC, ACM Digital Library |
|
Europa |
España (5) |
20% |
Springer,
Elsevier, Scopus, revistas españolas |
|
Asia |
China (2) |
8% |
CNKI, IEEE
Xplore |
|
Internacional |
Multinacional/Colaboraciones
Globales (5) |
16% |
Scopus, arXiv,
SSRN, Preprints |
Tabla 7. Resultados por continentes, países y repositorios. Elaboración
propia por la autora, año 2025
Gráfico 1. Distribución de estudios por
continentes. Elaboración propia por las autoras, año 2025
En cuanto a las coincidencias teóricas de los estudios,
destacan el impacto positivo de la IA en
el aprendizaje infantil en cuanto a mejoras en habilidades cognitivas,
lingüísticas, motivación y comunicación verbal; Bers et al. (2022); Caballero
González & García-Valcárcel (2021); Yang et al. (2025); Bedia &
Vallejos (2025); Chiriboga & Tituaña (2025); Hijón-Neira et al. (2024);
Cuenca et al. (2025); Guran et al. (2020); Veces et al. (2025); Tigua Quimis
& Suarez Mosquera (2025); Tituaña Quinaluiza (2025); Quispe Amar &
Roldan Baluis (2024); Lasso et al. (2025); Rodríguez et al. (2023); CPJ
Fernanda (2025); Agudelo (2023); Dong (2025); Buendía Cueva et al. (2025);
Vázquez-Cano et al. (2020); Pérez-Suay et al. (2023); Villegas-Ch. et al.
(2022); Ali (2025); Williams (2019). Sobre
el perfeccionamiento en la personalización y la accesibilidad, por la
utilización de la IA adaptativa y como soporte inclusivo; Quispe Amar &
Roldan Baluis (2024); Lasso et al. (2025); Dong (2025); Cuenca et al. (2025);
Bedia & Vallejos (2025). Y sobre las progresos en la personalización, y la
accesibilidad; Quispe Amar & Roldan Baluis (2024); Lasso et al. (2025);
Dong (2025); Cuenca et al. (2025); Bedia & Vallejos (2025)
Con respecto al
impacto científico de los estudios se puede hacer alusión, al número de citas de
dos autores , entre más de 50 citas hay tres estudios y se destaca el estudios de Bers et al. (2022), con 120
citas, entre 29 a 50 citas hay 5 estudios, y entre 10 a 24 citas, hay 10
estudios, menos de 10 citas hay 7 estudios, correspondiendo a los años más
recientes (2024, 2025). Unido a esto se menciona que los estudios referidos por
las Revistas Education Sciences (3) y Revista Innova (2). Existen tesis
académicas en un 32% del total (8/25), especialmente en universidades
latinoamericanas. En Preprints 1 estudio (Yang et al. 2025), con alta validación
editorial. Los resultados positivos
consultados (Tabla 8), se describen desde lo cuantitativo y cualitativo, según
correspondan a los estudios.
En el conjunto de
estudios revisados, se identifica que la aplicación de herramientas de inteligencia
artificial en la educación infantil y preescolar produce mejoras cuantificables
y cualitativas. Resultados positivos con evidencias estadísticas: Se reportan
acrecentamientos significativos en comprensión lectora, pensamiento
computacional, adquisición de vocabulario, resolución de tareas matemáticas y
habilidades sociales (con valores p<0.05 y efectos significativos en varios
ensayos controlados y cuasi-experimentales). El uso de robots y plataformas
adaptativas se relaciona sistemáticamente a mejoras medibles en la
persistencia, precisión y compromiso de los niños con las actividades
escolares. Un estudio mostró un aumento del 65% en precisión de secuencias
mediante robótica educativa respecto al grupo control (F=18.7, p=0.0001).
Resultados positivos
cualitativos: Las investigaciones acopian una mayor motivación, atención,
participación activa, satisfacción docente y entusiasmo en los niños y sus
familias ante la mediación de sistemas de IA. Docentes y padres perciben que la
IA facilita la personalización del aprendizaje, la inclusión de niños con
necesidades educativas diversas y la optimización del tiempo didáctico. La
adopción de asistentes virtuales y plataformas adaptativas permitió un apoyo
relevante en contextos de TEA y discapacidad sensorial, así como una mejor
retención escolar y mayor involucramiento en ciencias STEM. La satisfacción de
docentes y estudiantes tiende a mejorar en estudios donde la IA se emplea para la
preparación y gestión de materiales y secuencias didácticas. En una recapitulación,
se puede plantear que la integración de inteligencia artificial en la educación
infantil, según la bibliografía analizada, contribuye de manera significativa
al crecimiento de competencias cognitivas y comunicativas, la motivación
escolar y la personalización de los procesos educativos, siendo estos logros
tanto medibles estadísticamente como evidentes en la percepción de los actores
educativos.
|
Autor(es) |
Aplicación IA |
Resultados
positivos (estadísticos) |
Resultados
cualitativos positivos |
|
Williams et
al. (2019) |
Robots
sociales con reconocimiento de voz |
Mejoras en
secuencias lógicas (p<0.05); ↑ motivación en robótica |
Alta
motivación; interés por la robótica en los niños |
|
Vázquez-Cano
et al. (2020) |
Plataforma
adaptativa para lectoescritura |
↑ Comprensión
lectora (p<0.05) |
↑ Motivación y
gusto por la lectura |
|
Harris Bonet
(2021) |
Plataforma web
IA para contenidos bilingües |
94% usabilidad
docente (α=0.89) |
50% menos
tiempo creando materiales; docentes satisfechos |
|
Caballero
González et al. (2021) |
Robots Bee-Bot
para secuenciación |
65% ↑
precisión en secuencias vs. 22% control (F=18.7, p=0.0001); 90% persistencia |
Niños muestran
mayor persistencia y disfrute |
|
Villegas-Ch.
et al. (2022) |
Sistema
adaptativo para matemáticas |
Comprensión numérica (p<0.05) |
Mayor interés
en matemáticas |
|
Cruz Peñafiel
et al. (2022) |
Herramientas
de personalización post-COVID |
75% docentes
reportaron ↑ atención |
Perciben mejor
atención y personalización |
|
Kaelin (2022) |
Algoritmos ML
para TEA |
Mejoras en
participación social (p<0.05) |
Docentes
reportan mejor inclusión |
|
Bers et al.
(2022) |
Robótica
tangible para pensamiento computacional |
78%
resolvieron tareas complejas (χ²=24.3, p<0.001); 42% ↑ abstracción
(d=0.86) |
Mayor desarrollo
de pensamiento computacional |
|
Agudelo (2023) |
Identificación
IA en aulas |
Solo 5.7%
aulas preescolares usan IA |
Subutilización,
pero docentes valoran su potencial |
|
Rodríguez et
al. (2023) |
Robots
Pepper/NAO |
Motivación y atención (reportes
cualitativos) |
Interacción
activa y entusiasmo de los niños |
|
Pérez-Suay et
al. (2023) |
Robots Bee-Bot/Blue-Bot
con retroalimentación |
Pensamiento
computacional (p<0.05) |
Mayor
participación en retos secuenciales |
|
Quispe Amar et
al. (2024) |
Redes
neuronales, chatbots en currículo |
Personalización
del aprendizaje reportada en revisiones |
|
|
Hijón-Neira et
al. (2024) |
GPT-3.5 para
contextos didácticos |
80% nivel
competencial (d=1.2); 40% tiempo de
planificación docente |
Mejor
adaptación de actividades, ahorro de tiempo docente |
|
Ali (2024) |
IA+AR, reconocimiento
de imágenes |
Compromiso
cognitivo y retención (p<0.01) |
Mayor interés
y atención sostenida |
|
Bedia &
Vallejos (2025) |
Asistentes
virtuales para TEA |
70-100%
efectividad en habilidades sociales, 85% precisión en detección |
Apoyo relevante
a la inclusión |
|
Chiriboga
& Tituaña (2025) |
Plataforma gammificada
con adaptación |
87% de padres
reportaron ↑ vocabulario (media=4.2/5) |
|
|
Veces et al.
(2025) |
Revisión de
aplicaciones IA en la región |
Suma, motivación lectora y comprensión numérica en
revisiones |
|
|
Tigua Quimis
et al. (2025) |
DALL·E 3 para
recursos visuales en ciencias sociales |
Mejoras
descriptivas en aprendizaje (apreciadas por docentes) |
|
|
Tituaña
Quinaluiza (2025) |
Plataformas IA
para gamificación del lenguaje |
Diferencias
significativas pre-post (p<0.05) |
Padres notan
progreso en vocabulario |
|
Lasso et al.
(2025) |
Plataformas
adaptativas para necesidades educativas |
Personalización
efectiva para discapacidades |
|
|
Fernanda
(2025) |
Asistente
Alexa para lenguaje oral |
Expresión oral
y motivación |
Niños se
involucran más en actividades de lenguaje |
|
Dong (2025) |
Juguetes
inteligentes, plataformas adaptativas |
Personalización
de rutas de aprendizaje |
|
|
Buendía Cueva
et al. (2025) |
Gamificación +
IA en STEM |
30% compromiso con RA; ↑ resolución de
problemas |
Mayor
involucramiento de estudiantes en proyectos STEM |
|
Peñafiel
Arteaga et al. (2025) |
Sistemas de
tutoría inteligente, chatbots |
25% retención estudiantil; optimización
evaluación |
Percepción
positiva de docentes y estudiantes |
|
Yang et al.
(2025) |
LLM para
análisis juego libre |
92.3%
precisión identificación de habilidades (κ=0.89) |
Gran potencial
para mapeo de desarrollo infantil |
Tabla 8. Resultados positivos encontrados. Elaboración propia por las autoras,
2025
Para dar
respuesta a la segunda interrogante, ¿Qué áreas necesitan una mayor
profundización investigativa en la aplicación de la inteligencia artificial en
la educación infantil y preescolar?, se hizo un análisis de los sesgos y
limitaciones de los documentos y se refleja lo siguiente (Tabla 1 y tabla 9)
Acerca de los datos críticos encontrados, se refleja que hay un enfoque
práctico, en cuanto a plataformas adaptativas (LeoPlus en Ecuador) y
gamificación. En estudios de Europa el
tratamiento de la ética se da en estudios
que citan regulaciones de la utilización de la inteligencia artificial sobre la
necesidad de atender la privacidad infantil. En Asia los estudios muestran una
innovación técnica, China liderea en LLMs y realidad aumentada, pero con poca
visibilidad en repositorios abiertos. El análisis destaca que la investigación
debe dar la posibilidad de priorizar en próximos estudios los repositorios SciELO/CLACSO frente a canales cerrados.
El fortalecimiento con estudios en Scopus en
revisiones sistemáticas, e integrar preprints, que permitiría el aceleramiento
del conocimiento en innovaciones técnicas (LLMs, RA+IA) En cuanto a las limitaciones recurrentes en los
estudios seleccionados, está que un 84% de los estudios tienen al menos 2
limitaciones metodológicas serias. En
relación a los sesgos se presenta, que algunos estudios presentan más de un
sesgo. Se contabilizó por frecuencia de aparición de cada tipo y en los 25
estudios revisados, los sesgos más recurrentes fueron: el uso de muestras
pequeñas o reducidas (20%), lo que limita la generalización de los resultados. La
brecha digital, tanto rural como urbana (16%), afecta la equidad en la
aplicación de la IA educativa. La no generalización o experiencias a pequeña
escala (12%), asociada a estudios piloto o contextos muy específicos. La
dependencia o subutilización tecnológica (12%), donde la tecnología no se
implementa plenamente o genera dependencia excesiva. La ausencia de evaluación
de transferencia o impacto real en el aprendizaje (12%). Otros sesgos
detectados incluyen sesgo de selección o autoselección (8%), sesgo de
publicación o percepción (8%), y efecto novedad o Hawthorne (8%), seguidos de
problemas como fallos técnicos, privacidad, deseabilidad social, ausencia de
grupo control, heterogeneidad metodológica, y falta de directrices pedagógicas
(4% cada uno).
|
Sesgo / Limitación |
Frecuencia (n) |
% sobre total
(25) |
|
Muestra
pequeña / reducida |
5 |
20% |
|
Brecha digital
(rural/urbana) |
4 |
16% |
|
No
generalizable / pequeña escala |
3 |
12% |
|
Dependencia o
subutilización tecnológica |
3 |
12% |
|
Sin evaluación
de transferencia o impacto |
3 |
12% |
|
Sesgo de
selección / autoselección |
2 |
8% |
|
Sesgo de publicación
/ percepción |
2 |
8% |
|
Efecto novedad
/ Hawthorne |
2 |
8% |
|
Problemas
técnicos / hardware |
1 |
4% |
|
Sesgos
algorítmicos / privacidad |
1 |
4% |
|
Deseabilidad
social |
1 |
4% |
|
Sin grupo
control |
1 |
4% |
Tabla 9. Sesgos encontrados.
Construcción propia por las autoras, 2025
Gráfica 2. Porcentaje de sesgos. Construcción
propia por las autoras, 2025
Los estudios seleccionados
revelan un pico temporal en el año 2025, con mayor producción científica (40% del
total, 10 estudios). Impulsados por la por la revolución de LLMs, con 4
estudios sobre modelos de lenguaje. Tres estudios de revisiones sistemáticas y
sobre la realidad aumentada unida a IA: 2 estudios innovadores. Todo ello con
una tendencia en el crecimiento exponencial desde el año 2021 (8%) hasta 2025
(40%), lo que revela maduración tecnológica y demandas educativas. Acerca de la
teoría presentada en los estudios, se revela el interés y preocupación por
incorporar la utilización de la inteligencia artificial en edades infantiles
tempranas y en preescolar, para elevar la retención en el aprendizaje y la
calidad educativa en la docencia, lo que demuestra que este artículo permite
afinar su contribución, tal expectativa en los docentes.
Frente a la brecha real
de la desigualdad económica, se refleja en los estudios un real interés por disminuirla, tratando de lograr
la accesibilidad a estos medios tecnológicos de todos los niños. Por los sesgos y las limitaciones
encontradas, es necesario que se prioricen
las investigaciones con la aplicación de IA en la educación infantil y preescolar,
donde los estudios puedan ser longitudinales y con una mayor diversidad
muestral, lo que revelaría mayor consistencia científica y más coherencia en el
tratamiento de las aplicaciones, lo que facilita una mejor orientación a los
docentes. Se hace necesario, además, que
se revele, cómo la utilizan y cómo se relacionan con los contenidos del currículo,
así como logran dar cumplimiento la ética en cuanto a la privacidad de los
datos de los niños, en los estudios investigativos.
Referencias Bibliográficas
Agudelo Velásquez, O. L., Marichal Guevara, O.
C., Barrientos Piñeiro, C., & Ruiz Luis, M. (2023). Reconociendo contextos:
escenarios de aprendizaje apoyados en tecnología. Hachetetepé. Revista
científica de Educación y Comunicación, 26, 1105. https://doi.org/10.25267/Hachetetepe.2023.i26.1105
Ali Ahmad Nafiz A (2025) Integrating
artificial intelligence and augmented reality in preschool education: Effects
on cognitive engagement. Social Sciences and Journal Humanities Volume 09 Issue
01 January 2025 . https://doi.org/10.18535/sshj.v9i01.1611
Bedia Zaña, J. G., & Vallejos Flores,
G. E. (2025). Producción científica sobre el uso de la inteligencia
artificial en intervenciones para niños con TEA: Una revisión narrativa
[Tesis de maestría]. Repositorio Institucional, Universidad Peruana Unión. https://repositorio.upeu.edu.pe/items/3c2a8ecf-3873-4421-b765-6ec93d8adbd5
Bers, M. U., Strawhacker, A., y
Sullivan, A. (2022). The TangibleK Robotics Program: Applied Computational
Thinking for Young Children. En M. U. Bers (Ed.), Beyond Coding: How Children
Learn Human Values through Programming (pp. 45–62). MIT Press. Enlace al
Proyecto (DevTech Research Group): https://devtech.tufts.edu/tangiblek.
Enlace al libro en MIT Press: https://mitpress.mit.edu/9780262543354/beyond-coding/
Buendía Cueva, G. I., Tasayco Diaz, A.
P., & Pantoja Obando, V. A. (2025). Gamificación y tecnología en la
educación infantil: una revisión sistemática. Revista Innova, 10(1), 45–67. https://ve.scielo.org/scielo.php?script=sci_arttext&pid=S2665-15382025000100045
Caballero González, Y. A., &
García-Valcárcel Muñoz-Repiso, A. (2021). Robots en la educación de la primera
infancia: aprender a secuenciar acciones usando robots programables. RIED.
Revista Iberoamericana de Educación a Distancia, 24(1), 77–94. https://portal.reunid.eu/documentos/5fbdb23b299952644f004e63?lang=en
Carrasco Jaramillo, F. P. (2025). *El
método socrático con el uso de Alexa en el desarrollo de habilidades del
lenguaje oral en niños de 5 años* [Tesis de maestría]. Repositorio UTA. https://repositorio.uta.edu.ec/handle/123456789/XXXX
Chiriboga Zamora, P. A., & Tituaña
Quinaluiza, V. M. (2025). Gamificación y aprendizaje asistido por la IA para el
área del lenguaje en niños/as de 3 años [Tesis de pregrado]. Repositorio
Institucional, Universidad Nacional de Chimborazo. http://dspace.unach.edu.ec/handle/51000/14845
Cruz Peñafiel, P., González Farfán,
E., Aguilar Martínez, J. R., & Manzano Martínez, J. A. (2022). Tecnologías
emergentes en preescolar y su repercusión en el proceso de enseñanza y
aprendizaje postconfinamiento COVID-19. Revista Metropolitana de Ciencias
Aplicadas, 5(3), 234–241. https://doi.org/10.62452/w7vczw86
Dong, C. (2025). Artificial
Intelligence in Early Childhood Education: Opportunities and Challenges. Global
Journal of Human-Social Science, 25(G2), 53–59. https://doi.org/10.35387/GJHSS.25.2-G.53-59
Harris Bonet, P. M. (2021). Diseño
de un entorno interactivo para la enseñanza bilingüe en la primera infancia [Tesis
doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/179558
Hijón-Neira, R., Pizarro, C.,
Borrás-Gené, O., & Cavero, S. (2024). AI-generated context for teaching
robotics to improve computational thinking in early childhood education. Education
Sciences, 14 (12), 1401. https://doi.org/10.3390/educsci14121401
Jiahong Su a,Weipeng Yang
(2022) Computadoras y educación: Inteligencia artificial. Elsevier , Volumen 3 ,2022, 100049 https://www.sciencedirect.com/science/article/pii/S2666920X22000042
Kaelin, V. C. (2022). Artificial
Intelligence to Customize Participation-Focused Early Intervention for Young
Children with Autism Spectrum Disorders [Tesis doctoral]. University of
Illinois. https://doi.org/10.25417/uic.22226947
Lasso, R. R., Benavides, J. M., &
Fray, E. A. N. (2025). Estrategias psicopedagógicas inclusivas para la atención
a niños con discapacidades sensoriales en la educación inicial. Journal of
Inclusive Educational Development, 3 (2), 112–130. https://doi.org/10.28976/jied.2025.3.2.112
Peñafiel Arteaga, E. E., López, M. A.,
Torres, J. C., & Mendoza, L. R. (2025). La inteligencia artificial en la
educación: desafíos y oportunidades. Journal of Educational Technology
Development, 6(5), 45–62. https://doi.org/10.46932/sfjdv6n5-006
Pérez-Suay, A., García-Bayona, I., Van
Vaerenbergh, S., & Pascual-Venteo, A. B. (2023). Evaluación de una
secuencia didáctica para el desarrollo del pensamiento computacional en
educación temprana mediante robots educativos. Education Sciences, 13(6),
669. https://doi.org/10.3390/educsci13060669
Quispe Amar, S. B., & Roldan
Baluis, W. L. (2024). Inteligencia artificial en el diseño curricular para la
educación preescolar. Revista Horizontes, 18(2), 123-140. https://doi.org/10.3390/horizontes.v18i2.321
Rodríguez, M. A. M., Rubio, A. M. A.,
Lingán, A. M. A., & Rubio, D. E. P. (2023). Inteligencia Artificial en la
educación digital y los resultados de la valoración del aprendizaje. Educational
Technology Research, 7(1), 88–104. https://doi.org/10.2139/osf.io/abc123
Tigua Quimis, G. P., & Suarez
Mosquera, C. H. (2025). Integración de herramientas de inteligencia
artificial para mejorar el aprendizaje de las ciencias sociales en estudiantes
de educación básica [Tesis de maestría]. Repositorio UPS. http://dspace.ups.edu.ec/handle/123456789/
Vázquez-Cano, E., García-Peñalvo, F.
J., & Chaparro-Caso, J. A. (2020). Plataforma “LeoPlus” basada en IA para
mejorar la competencia lectora en educación infantil. Revista Mexicana de
Investigación Educativa, 25(87), 1011–1035. https://doi.org/10.35362/rmie.v25i87.2456
Veces, A., De León, M., & Dutary,
Y. (2025). El uso de la inteligencia artificial en la educación preescolar: Una
revisión bibliográfica de la experiencia exitosa en México/Panamá. Revista
Semilla Científica, 1(6), 438–445. https://revistas.umecit.edu.pa/index.php/sc/article/view/1592
Villegas-Ch., W., García-Ortiz, J.,
& Arias-Narváez, J. (2022). An artificial intelligence system for teaching
natural numbers to preschoolers. Future Internet, 1412), 367. https://www.mdpi.com/1999-5903/14/9/266
Williams, R. (2018). PopBots: Leveraging
Social Robots to Aid Preschool Children’s Artificial Intelligence Education
[Tesis doctoral]. MIT Media Lab. https://www.media.mit.edu/publications/pop-study-2018/
Yang, Y., Shen, Y., Sun, T., &
Xie, Y. (2025). Validating the effectiveness of a Large Language Model-based
approach for identifying children’s development across various free play
settings in kindergarten. https://arxiv.org/html/2505.03369v1