output

La  incorporación  de  la  inteligencia  artificial  en  los  sistemas  educativos  ha  generado
nuevas posibilidades para identificar patrones de aprendizaje, dificultades académicas y
características individuales de los estudiantes. El propósito de este artículo es analizar
las oportunidades, desafíos y perspectivas relacionadas con el uso de herramientas de
inteligencia  artificial  para  la  detección  temprana  de  necesidades  psicopedagógicas  en
estudiantes  de  educación  inicial  y  educación  básica,  así  como  sus  posibilidades  para
favorecer  la  personalización  del  aprendizaje.  Se  realizó  una  revisión  documental  de
literatura  científica  reciente,  con  énfasis  en  revisiones  sistemáticas  y  estudios
publicados  entre  2024  y  2026  en  revistas  académicas  arbitradas.  La  evidencia
examinada  indica  que  los  sistemas  inteligentes  de  aprendizaje,  el  aprendizaje
adaptativo, la analítica educativa, el aprendizaje automático y determinados sistemas de
reconocimiento  de  patrones  pueden  contribuir  a  identificar  indicadores  asociados  con
dificultades  de  aprendizaje,  desarrollo  del  lenguaje,  desempeño  académico  y  otras
necesidades  educativas.  No  obstante,  la  evidencia  también  revela  limitaciones
relacionadas  con  la  calidad  y  representatividad  de  los  datos,  la  explicabilidad  de  los
algoritmos,  la  privacidad  infantil,  los  sesgos,  la  preparación  docente  y  la  escasez  de
estudios  longitudinales  realizados  en  contextos  educativos  reales.  Se  concluye  que  la
inteligencia  artificial  puede  funcionar  como  una  herramienta  complementaria  para
fortalecer  los  procesos  de  observación,  evaluación  y  toma  de  decisiones
psicopedagógicas,  pero  no  debe  sustituir  el  juicio  profesional  ni  los  procesos  de
evaluación integral. Su mayor potencial reside en apoyar sistemas educativos capaces
de  detectar  señales  tempranas,  orientar  intervenciones  diferenciadas  y  proporcionar
experiencias de aprendizaje más ajustadas a las características de cada estudiante.

Docente Titular. Universidad Técnica Estatal de Quevedo. Quevedo Ecuador.

Magister en Contabilidad y Auditoría (Contable). Ingeniero en Gestión Empresarial. Contador Público Autorizado.

Docente. Facultad de Ciencias Empresariales. Universidad Técnica Estatal de Quevedo. Quevedo Ecuador.

Docente Titular. Universidad Técnica Estatal de Quevedo. Quevedo Ecuador.

Página 52

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

Palabras clave:

inteligencia artificial, necesidades psicopedagógicas, educación inicial,

educación básica, aprendizaje personalizado.

Abstract

The  integration  of  artificial  intelligence  into  educational  systems  has  created  new
possibilities for identifying learning patterns, academic difficulties, and individual student
characteristics.  This  article  analyzes  the  opportunities,  challenges,  and  perspectives
associated  with  using  artificial  intelligence  tools  for  the  early  detection  of  psycho-
pedagogical  needs  in  early  childhood  and  basic  education  students,  as  well  as  their
potential  to  foster  personalized  learning.  A  review  of  recent  scientific  literature  was
conducted,  focusing  on  systematic  reviews  and  studies  published  between  2024  and
2026  in  peer-reviewed  academic  journals.  The  evidence  indicates  that  intelligent
learning  systems,  adaptive  learning,  learning  analytics,  machine  learning,  and  certain
pattern  recognition  systems  can  help  identify  indicators  linked  to  learning  difficulties,
language development, academic performance, and other educational needs. However,
the  evidence  also  reveals  limitations  regarding  data  quality  and  representativeness,
algorithm  explainability,  child  privacy,  bias,  teacher  preparedness,  and  a  scarcity  of
longitudinal  studies  conducted  in  real-world  educational  settings.  The  study  concludes
that artificial intelligence can serve as a complementary tool to strengthen observation,
assessment,  and  psycho-pedagogical  decision-making  processes,  but  it  should  not
replace  professional  judgment  or  comprehensive  assessment  procedures.  Its  greatest
potential  lies  in  supporting  educational  systems  capable  of  detecting  early  warning
signs,  guiding  differentiated  interventions,  and  providing  learning  experiences  better
tailored to each student's characteristics.

Key words:

artificial intelligence, psycho-pedagogical needs, early childhood education,

basic education, personalized learning.

Introducción

La identificación temprana de las necesidades psicopedagógicas constituye uno de los
componentes  esenciales  de  una  educación  orientada  a  la  atención  de  la  diversidad.
Durante  los  primeros  años  de  escolarización  pueden  manifestarse  diferencias
relacionadas  con  el  desarrollo  del  lenguaje,  las  habilidades  cognitivas,  la
autorregulación, la lectoescritura, el razonamiento matemático, la interacción social y el
ritmo  de  adquisición  de  determinados  aprendizajes.  Cuando  estas  señales  son
identificadas  oportunamente,  los  profesionales  pueden  implementar  estrategias  de
apoyo  antes  de  que  las  dificultades  se  consoliden  y  afecten  de  manera  significativa  la
trayectoria  educativa.  La  incorporación  de  tecnologías  capaces  de  procesar  grandes
cantidades  de  información  ha  abierto  nuevas  posibilidades  para  complementar  los
procedimientos tradicionales de observación y evaluación.

La inteligencia artificial aplicada a la educación comprende un conjunto amplio de
tecnologías que incluyen aprendizaje automático, procesamiento del lenguaje natural,
sistemas de recomendación, analítica del aprendizaje, sistemas tutoriales inteligentes y

Página 53

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

modelos  capaces  de  adaptar  contenidos  y  actividades  a  las  características  del
estudiante.  Una  revisión  sistemática  de  66  estudios  sobre  inteligencia  artificial  en
educación  K-12  identificó  aplicaciones  relacionadas  con  la  predicción  del
comportamiento  y  desempeño  académico,  el  diseño  curricular,  la  mejora  de  los
ambientes de aprendizaje y la evaluación de aspectos éticos y de seguridad (Martin et
al., 2024). La amplitud de estas aplicaciones evidencia que la IA no constituye una única
tecnología,  sino  un  conjunto  de  herramientas  con  diferentes  niveles  de  autonomía  y
propósitos educativos.

La  investigación  reciente  también  ha  mostrado  un  crecimiento  de  los  sistemas
inteligentes de aprendizaje específicamente en educación primaria y secundaria. Cerón
Salazar y Burbano González (2026), a partir de una revisión sistemática de 72 estudios
publicados  entre  2014  y  2024,  encontraron  una  presencia  importante  de  sistemas
tutoriales  inteligentes  y  tecnologías  de  aprendizaje  adaptativo  en  estos  niveles.  La
revisión identificó resultados educativos favorables en una proporción importante de los
estudios,  aunque  los  autores  también  señalaron  la  necesidad  de  investigaciones
longitudinales  y  de  una  mayor  consideración  de  factores  pedagógicos,  contextuales  y
de equidad.

Una de las aplicaciones particularmente relevantes para la psicopedagogía consiste en
utilizar  algoritmos  para  identificar  patrones  que  puedan  funcionar  como  indicadores
tempranos  de  posibles  dificultades.  Estos  patrones  pueden  derivarse  de  respuestas  a
actividades,  errores  recurrentes,  velocidad  de  ejecución,  trayectorias  de  aprendizaje,
producción  escrita,  lenguaje,  interacción  con  plataformas  digitales  o  cambios  en  el
desempeño  a  lo  largo  del  tiempo.  Zaibi  y  Bezine  (2024),  por  ejemplo,  estudiaron  la
utilización  de  características  obtenidas  mediante  análisis  de  escritura  y  técnicas  de
aprendizaje  automático  para  la  detección  de  dificultades  de  aprendizaje. Aunque  este
tipo  de  resultados  debe  interpretarse  con  cautela  y  no  equivale  por  sí  mismo  a  un
diagnóstico  psicopedagógico,  demuestra  la  posibilidad  de  utilizar  información
observable para desarrollar sistemas de apoyo a la detección temprana.

La  investigación  sobre  desarrollo  infantil  ofrece  otro  campo  de  evidencia  relevante.
Reinhart  et  al.  (2024),  en  una  revisión  sistemática  sobre  IA  y  monitoreo  del  desarrollo
infantil,  encontraron  que  las  principales  áreas  investigadas  incluyen  el  desarrollo
cognitivo,  social  y  lingüístico,  así  como  la  detección  temprana  de  características
relacionadas  con  el  autismo.  Sin  embargo,  los  autores  señalaron  que  pocas
aplicaciones  habían  sido  suficientemente  validadas  en  la  práctica  y  que  los  resultados
clínicos y la aceptación por parte de los usuarios habían recibido una atención limitada.
Esta  observación  resulta  particularmente  pertinente  para  el  ámbito  educativo,  donde
una  señal  identificada  mediante  IA  debe  ser  interpretada  dentro  del  contexto  del
desarrollo global del niño.

La IA también puede relacionarse con la personalización del aprendizaje. Los sistemas
adaptativos tienen la capacidad de utilizar información sobre el desempeño de los
estudiantes para modificar la dificultad, secuencia, ritmo o tipo de actividad propuesta.

Página 54

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

Una revisión sistemática de 125 estudios sobre aprendizaje personalizado basado en IA
encontró  una  amplia  utilización  de  técnicas  de  aprendizaje  automático,  sistemas  de
recomendación,  aprendizaje  adaptativo  y  otras  tecnologías  destinadas  a  modificar  las
experiencias educativas según las características del estudiante (Farhood et al., 2025).
Por consiguiente, la detección temprana y la personalización pueden concebirse como
procesos  relacionados:  la  primera  permite  identificar  señales  relevantes,  mientras  que
la segunda posibilita responder pedagógicamente a ellas.

Sin  embargo,  la  utilización  de  IA  con  niños  pequeños  plantea  exigencias  particulares.
Los  datos  educativos  pueden  incluir  información  personal,  registros  de  desempeño,
producciones  lingüísticas,  imágenes,  grabaciones  o  indicadores  de  comportamiento.
Además,  los  niños  constituyen  una  población  particularmente  vulnerable  frente  a
decisiones automatizadas y prácticas de recopilación de datos. La revisión  sistemática
de  Gouseti  et  al.  (2025)  sobre  ética  de  la  IA  en  educación  K-12  identificó
preocupaciones  relacionadas  con  privacidad,  transparencia,  sesgos,  responsabilidad  y
protección  de  los  estudiantes.  Por  ello,  cualquier  implementación  de  IA  orientada  a  la
detección  de  necesidades  psicopedagógicas  debe  fundamentarse  en  principios  de
protección  infantil,  proporcionalidad,  supervisión  humana  y  utilización  responsable  de
los datos.

A  partir  de  esta  problemática,  el  presente  artículo  tiene  como  objetivo  analizar  las
posibilidades  de  la  inteligencia  artificial  para  contribuir  a  la  detección  temprana  de
necesidades psicopedagógicas en estudiantes de educación inicial y educación básica,
considerando  sus  aplicaciones,  oportunidades,  limitaciones,  implicaciones  éticas  y
perspectivas para la personalización del aprendizaje.

Materiales y métodos

Se  realizó  una  revisión  documental  de  literatura  científica  reciente  sobre  inteligencia
artificial  aplicada  a  la  educación,  detección  de  dificultades  de  aprendizaje,  sistemas
inteligentes  de  aprendizaje,  desarrollo  infantil  y  personalización  del  aprendizaje.  El
análisis  tuvo  un  carácter  descriptivo  e  interpretativo  y  se  orientó  a  integrar  hallazgos
provenientes  de  investigaciones  recientes  en  lugar  de  estimar  un  efecto  cuantitativo
mediante metaanálisis.

La  búsqueda  documental  se  concentró  en  publicaciones  académicas  arbitradas
disponibles  en  bases  y  plataformas  de  literatura  científica,  entre  ellas  Scopus,  Web  of
Science,  PubMed,  Springer  Nature,  ScienceDirect  y  Frontiers.  Se  utilizaron
combinaciones  de  los  términos  artificial  intelligence,  machine  learning,  early  detection,
learning  difficulties,  psychoeducational  needs,  intelligent  learning  systems,  adaptive
learning,  personalized  learning,  early  childhood  education  y  K-12  education,  junto  con
sus equivalentes conceptuales.

Se priorizaron artículos publicados entre 2024 y 2026, aunque se consideraron trabajos
anteriores cuando resultaban necesarios para contextualizar líneas de investigación
consolidadas. Los criterios de inclusión fueron: a) artículos publicados en revistas

Página 55

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

académicas  arbitradas;  b)  investigaciones  relacionadas  con  inteligencia  artificial,
aprendizaje  automático,  analítica  del  aprendizaje  o  sistemas  inteligentes;  c)  estudios
vinculados con educación inicial, primaria, secundaria o población infantil; y d) trabajos
que  abordaran  detección,  evaluación,  adaptación,  personalización,  aprendizaje  o
aspectos  éticos  de  la  IA  educativa.  Se  excluyeron  documentos  de  opinión,
publicaciones  sin  información  metodológica  suficiente  y  fuentes  no  académicas
utilizadas únicamente para promoción tecnológica.

La información se organizó en cuatro categorías  analíticas:  detección de necesidades,
personalización  del  aprendizaje,  desafíos  de  implementación  e  implicaciones  éticas.
Posteriormente  se  realizó  una  síntesis  narrativa  orientada  a  identificar  coincidencias,
diferencias y vacíos en la evidencia disponible.

Resultados

Inteligencia artificial como herramienta para la detección temprana de necesidades
psicopedagógicas

Los resultados de la revisión muestran que una de las aplicaciones con mayor potencial
de la inteligencia artificial en el ámbito educativo consiste en el análisis sistemático de
patrones  de  desempeño  que  pueden  proporcionar  señales  tempranas  sobre  las
necesidades  de  los  estudiantes. A  diferencia  de  una  evaluación  puntual,  los  sistemas
digitales  pueden  registrar  información  producida  durante  diferentes  actividades  y
momentos del proceso educativo, lo que permite observar tendencias y variaciones en
el aprendizaje. Esta  capacidad resulta especialmente relevante  cuando  las dificultades
no  son  evidentes  en  una  única  actividad,  sino  que  se  manifiestan  mediante  errores
recurrentes,  progresos  más  lentos,  cambios  en  el  rendimiento  o  respuestas  que  se
alejan de los patrones esperados para determinadas tareas.

La  literatura  sobre  inteligencia  artificial  en  educación  K-12  evidencia  que  los  sistemas
pueden utilizar técnicas de aprendizaje automático, analítica del aprendizaje y sistemas
tutoriales  inteligentes  para  procesar  información  relacionada  con  el  desempeño  de  los
estudiantes.  Martin  et  al.  (2024),  mediante  una  revisión  sistemática  de  investigaciones
sobre IA en educación K-12, identificaron aplicaciones relacionadas con predicción del
desempeño, evaluación, ambientes de aprendizaje y apoyo al proceso educativo. Estos
resultados  sugieren  que  la  IA  puede  contribuir  a  transformar  los  datos  educativos  en
información  potencialmente  útil  para  la  toma  de  decisiones,  aunque  la  utilidad  de  esa
información  depende  de  la  calidad  de  los  datos,  de  la  validez  del  modelo  y  de  la
interpretación que realicen los profesionales.

Una  característica  relevante  de  estos  sistemas  es  la  posibilidad  de  realizar  un
seguimiento  longitudinal  del  estudiante.  En  lugar  de  interpretar  exclusivamente  el
resultado obtenido en una prueba determinada, un sistema podría analizar la evolución
de las respuestas, el tipo de errores, el tiempo empleado en una actividad y los cambios
observados  después  de  determinadas  intervenciones.  Esta  perspectiva  resulta
especialmente pertinente para la detección psicopedagógica porque permite diferenciar,

Página 56

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

al  menos  parcialmente,  entre  una  dificultad  circunstancial  y  un  patrón  persistente  que
requiere una valoración más profunda. Sin embargo, la identificación de una trayectoria
atípica  no  debe  interpretarse  automáticamente  como  evidencia  de  un  trastorno  o  una
necesidad  educativa  específica,  debido  a  que  el  desarrollo  infantil  presenta  una
importante variabilidad individual.

Los  sistemas  inteligentes  de  aprendizaje  representan  una  de  las  aplicaciones  más
desarrolladas dentro de este campo. Cerón Salazar y Burbano González (2026), en una
revisión sistemática de 72 estudios correspondientes al periodo 2014-2024, encontraron
una  presencia  significativa  de  sistemas  tutoriales  inteligentes  y  tecnologías  de
aprendizaje adaptativo en educación primaria y secundaria. Estas herramientas pueden
proporcionar retroalimentación inmediata, modificar determinadas características de las
actividades  y  utilizar  información  sobre  el  desempeño  para  ajustar  la  experiencia
educativa. Desde una perspectiva psicopedagógica, esta capacidad puede favorecer la
identificación  de  estudiantes  que  requieren  mayor  acompañamiento  y  permitir  que
determinadas dificultades sean observadas durante el proceso de aprendizaje, en lugar
de esperar hasta una evaluación final.

Otra  línea  de  investigación  se  relaciona  con  el  análisis  automatizado  de  producciones
de  los  estudiantes.  Zaibi  y  Bezine  (2024)  estudiaron  la  utilización  de  características
derivadas  de  la  escritura  y  técnicas  de  aprendizaje  automático  para  identificar
indicadores  asociados  con  dificultades  de  aprendizaje.  Este  tipo  de  aproximación
resulta  relevante  porque  algunas  dificultades  pueden  manifestarse  mediante
características  específicas  de  la  producción  escrita,  la  organización  espacial,  la
velocidad,  la  precisión  o  determinados  patrones  de  error.  No  obstante,  la  capacidad
predictiva observada en un conjunto de datos determinado no equivale a un diagnóstico
psicopedagógico  y  debe  ser  sometida  a  validación  externa  antes  de  trasladarse  a
contextos educativos diversos.

La literatura sobre desarrollo infantil aporta evidencia complementaria para comprender
las  posibilidades  y  limitaciones  de  estas  tecnologías.  Reinhart  et  al.  (2024)  realizaron
una  revisión  sistemática  sobre  el  uso  de  IA  para  el  monitoreo  del  desarrollo  infantil  y
encontraron  investigaciones  relacionadas  principalmente  con  los  dominios  cognitivo,
social y lingüístico, además de una importante línea orientada a la detección temprana
de características relacionadas con el autismo. Sin embargo, los autores señalaron que
existen  pocas  aplicaciones  suficientemente  consolidadas  y  que  una  proporción
considerable  de  los  estudios  no  había  sido  evaluada  adecuadamente  en  contextos  de
práctica.  Esta  limitación  resulta  particularmente  importante  en  educación  inicial,  donde
las características del desarrollo pueden variar ampliamente entre niños de una misma
edad.

La  detección  mediante  IA  también  puede  contribuir  a  identificar  cambios  en  la
trayectoria académica antes de que estos se traduzcan en un fracaso escolar evidente.
Un  sistema  que  analiza  regularmente  el  desempeño  puede  detectar  una  disminución
progresiva  en  la  adquisición  de  determinadas  competencias  o  una  ausencia  de

Página 57

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

progreso  después  de  varias  oportunidades  de  aprendizaje.  Esta  información  podría
permitir  que  el  docente  intensifique  la  observación  y  que  el  equipo  psicopedagógico
determine  si  es  necesario  realizar  una  evaluación  adicional.  La  ventaja  potencial,  por
tanto,  no  reside  únicamente  en  detectar  dificultades,  sino  en  posibilitar  una  respuesta
más temprana frente a ellas.

La  utilidad  de  estos  sistemas  aumenta  cuando  la  información  automatizada  se  integra
con  diferentes  fuentes  de  evidencia.  Los  datos  derivados  de  una  plataforma  educativa
podrían  combinarse  con  observaciones  docentes,  resultados  de  evaluaciones
curriculares, producciones del estudiante y antecedentes proporcionados por la familia,
siempre que dicha integración respete las normas de privacidad y protección de datos.
Una  aproximación  multimodal  permitiría  evitar  que  una  única  variable  determine  la
interpretación de las necesidades del estudiante. Esta consideración es especialmente
relevante porque el comportamiento observado en un entorno digital no necesariamente
representa de manera completa el funcionamiento del niño en el aula, en el hogar o en
otros contextos sociales.

La revisión de la literatura también muestra que la IA puede apoyar la identificación de
necesidades  relacionadas  con  diferentes  dimensiones  del  aprendizaje.  Estas
dimensiones  incluyen  competencias  lingüísticas,  lectura,  escritura,  razonamiento
matemático, desempeño académico general y determinados indicadores asociados con
procesos cognitivos o de desarrollo. Sin embargo, la evidencia se encuentra distribuida
de  manera  desigual  entre  las  diferentes  áreas  y  niveles  educativos,  por  lo  que  no  es
posible afirmar que todas las necesidades psicopedagógicas puedan detectarse con el
mismo  nivel  de  precisión.  La  disponibilidad  de  herramientas  tecnológicas  tampoco
significa  que  exista  suficiente  evidencia  para  recomendar  su  utilización  como
instrumentos independientes de evaluación.

Un  hallazgo  transversal  consiste  en  la  diferencia  entre  detección  automatizada  y
evaluación psicopedagógica. La primera puede generar una alerta basada en patrones
identificados  mediante  datos,  mientras  que  la  segunda  requiere  integrar  información
sobre desarrollo, contexto, historia educativa, características familiares, funcionamiento
académico  y  comportamiento  del  estudiante.  Esta  diferencia  debe  mantenerse
claramente delimitada para evitar que una predicción algorítmica sea interpretada como
diagnóstico  o  clasificación  definitiva.  En  consecuencia,  el  uso  educativo  más
responsable de estas tecnologías consiste en emplearlas como instrumentos de apoyo
para orientar la observación y la toma de decisiones profesionales.

Personalización del aprendizaje a partir de la identificación de necesidades

Los  resultados  indican  que  la  detección  temprana  adquiere  mayor  valor  educativo
cuando se encuentra vinculada con mecanismos de intervención y personalización. La
identificación de un patrón de dificultad carece de utilidad práctica si no conduce a una
respuesta  pedagógica  apropiada  para  el  estudiante.  En  este  sentido,  la  IA  puede
establecer  una  conexión  entre  la  información  obtenida  del  desempeño  y  determinadas

Página 58

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

modificaciones en las actividades, los contenidos, la retroalimentación o el ritmo de
aprendizaje.

Farhood  et  al.  (2025),  a  partir  de  una  revisión  sistemática  de  125  estudios  sobre
aprendizaje personalizado basado en IA, identificaron el uso de aprendizaje adaptativo,
sistemas  de  recomendación,  aprendizaje  automático  y  otras  tecnologías  destinadas  a
ajustar  las  experiencias  educativas  a  las  características  de  los  estudiantes.  Estas
herramientas  pueden  utilizar  información  sobre  el  desempeño  para  seleccionar
actividades  con  diferentes  niveles  de  complejidad  o  proporcionar  retroalimentación
diferenciada. La evidencia sugiere, por tanto, que la personalización constituye una de
las  principales  vías  mediante  las  cuales  la  información  producida  por  los  sistemas
inteligentes puede transformarse en una respuesta educativa concreta.

Los  sistemas  tutoriales  inteligentes  representan  una  aplicación  particularmente
relevante  porque  combinan  evaluación,  retroalimentación  y  adaptación.  Létourneau  et
al. (2025), en una revisión sistemática de 28 estudios que incluyeron 4,597 estudiantes
K-12,  encontraron  resultados  generalmente  positivos  asociados  con  estos  sistemas,
aunque los efectos fueron menos claros cuando se compararon con sistemas tutoriales
no  inteligentes.  Este  resultado  indica  que  la  presencia  de  inteligencia  artificial  no
constituye  por  sí  misma  una  garantía  de  mejores  resultados  educativos.  El  beneficio
parece  depender  de  la  forma  en  que  la  tecnología  se  integra  con  la  estrategia
pedagógica, las características del estudiante y la naturaleza de la intervención.

La  personalización  puede  producirse  en  diferentes  niveles  del  proceso  educativo.  Un
sistema  puede  modificar  la  dificultad  de  una  tarea,  cambiar  la  cantidad  de  práctica,
ofrecer  explicaciones  alternativas,  proporcionar  retroalimentación  inmediata  o
recomendar  actividades  adicionales.  En  estudiantes  que  presentan  dificultades
específicas,  estas  adaptaciones  podrían  contribuir  a  proporcionar  oportunidades
adicionales  de  aprendizaje  sin  separar  necesariamente  al  estudiante  del  grupo.  Sin
embargo,  estas  decisiones  deben  estar  vinculadas  con  objetivos  curriculares  y  con  la
evaluación profesional de las necesidades del estudiante.

La personalización también puede contribuir a una mayor diferenciación dentro del aula.
Cuando  un  grupo  presenta  diferentes  niveles  de  dominio  de  una  competencia,  una
plataforma  adaptativa  puede  proporcionar  actividades  diferenciadas  sin  requerir  que
todos  los  estudiantes  realicen  exactamente  las  mismas  tareas  al  mismo  tiempo.  Esta
posibilidad  puede  ser  particularmente  útil  en  aulas  heterogéneas,  donde  los  docentes
necesitan  responder  simultáneamente  a  estudiantes  con  diferentes  ritmos  y  estilos  de
aprendizaje.  No  obstante,  la  diferenciación  tecnológica  no  debe  reemplazar  la
interacción  pedagógica,  porque  el  aprendizaje  también  depende  de  factores  sociales,
afectivos,  comunicativos  y  contextuales  que  no  pueden  reducirse  a  variables  de
desempeño digital.

Bayly-Castaneda  et  al.  (2024),  en  una  revisión  sistemática  de  78  estudios  sobre  IA  y
personalización  del  aprendizaje,  identificaron  diferentes  modalidades  de  aplicación,
entre  ellas  ambientes  adaptativos,  sistemas  de  recomendación,  evaluación

Página 59

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

personalizada,  aprendizaje  automático  y  agentes  conversacionales.  Los  autores
también  observaron  una  concentración  importante  de  investigaciones  en  educación
superior,  lo  que  evidencia  una  limitación  cuando  se  intenta  trasladar  directamente  los
resultados hacia la educación inicial y básica. Esta diferencia etaria es relevante porque
las  estrategias  de  personalización  apropiadas  para  estudiantes  universitarios  no
necesariamente  son  adecuadas  para  niños  pequeños,  cuyas  necesidades  de
interacción, mediación y acompañamiento adulto son diferentes.

En educación inicial,  la personalización debe considerar además el carácter global del
desarrollo infantil. Una intervención orientada exclusivamente al desempeño académico
podría  ignorar  dimensiones  importantes  como  el  lenguaje,  la  interacción  social,  la
autorregulación,  la  motricidad  y  la  autonomía.  Por  esta  razón,  la  utilización  de  IA  en
estas  edades  requiere  modelos  de  evaluación  que  reconozcan  el  desarrollo  como  un
proceso  multidimensional.  La  tecnología  puede  aportar  indicadores,  pero  la
interpretación  de  estos  indicadores  debe  realizarse  desde  una  perspectiva  integral  y
evolutivamente pertinente.

Oportunidades para la intervención psicopedagógica

Una  primera  oportunidad  consiste  en  avanzar  desde  modelos  de  evaluación
predominantemente  reactivos  hacia  estrategias  de  seguimiento  preventivo.  Los
procedimientos tradicionales pueden identificar una dificultad después de que esta haya
producido  consecuencias  académicas  observables,  mientras  que  los  sistemas  de
análisis continuo pueden proporcionar señales durante el proceso de aprendizaje. Esta
diferencia  temporal  podría  ser  relevante  para  implementar  apoyos  antes  de  que  se
amplíe la brecha entre el desempeño del estudiante y las demandas curriculares.

Una  segunda  oportunidad  corresponde  al  seguimiento  de  la  respuesta  a  las
intervenciones. Una vez implementado un apoyo educativo, los datos generados por las
actividades  pueden  utilizarse  para  observar  si  el  estudiante  muestra  progreso,
estabilidad o nuevas dificultades. Esto permitiría complementar la evaluación inicial con
información  sobre  la  evolución  posterior  a  la  intervención.  Desde  una  perspectiva
psicopedagógica, este enfoque puede favorecer decisiones basadas en evidencia sobre
la continuidad, modificación o intensificación de determinadas estrategias.

Una  tercera  oportunidad  consiste  en  facilitar  el  trabajo  de  los  docentes  mediante
sistemas  que  organicen  grandes  cantidades  de  información.  En  aulas  con  numerosos
estudiantes,  analizar  manualmente  todos  los  registros  de  desempeño  puede  resultar
complejo  y  consumir  una  cantidad  considerable  de  tiempo.  La  IA  puede  ayudar  a
identificar  patrones  que  posteriormente  sean  revisados  por  el  docente,  permitiendo
concentrar  la  atención  profesional  en  aquellos  casos  que  requieren  mayor  análisis.  El
propósito no sería automatizar la decisión, sino mejorar la disponibilidad y organización
de la información necesaria para tomarla.

Una cuarta oportunidad está relacionada con la comunicación entre los diferentes
profesionales que participan en la atención educativa. Cuando la información sobre el

Página 60

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

progreso  del  estudiante  se  encuentra  organizada  y  documentada,  puede  facilitar  la
coordinación entre docentes, orientadores, psicopedagogos y familias. Esta integración
podría  contribuir  a  construir  intervenciones  más  coherentes  y  evitar  que  diferentes
profesionales  trabajen  con  información  fragmentada.  No  obstante,  la  integración  de
datos  debe  realizarse  únicamente  dentro  de  los  límites  legales  y  éticos
correspondientes y con mecanismos adecuados de protección de la información infantil.

Finalmente, la IA puede contribuir a desarrollar modelos educativos más sensibles a las
diferencias individuales. La posibilidad de identificar patrones de aprendizaje y adaptar
determinadas  experiencias  educativas  puede  reducir  la  dependencia  de  modelos
uniformes en los que todos los estudiantes reciben exactamente las mismas actividades
y  tiempos  de  enseñanza.  Esta  oportunidad  adquiere  especial  relevancia  en  contextos
caracterizados  por  una  elevada  diversidad  en  capacidades,  ritmos,  experiencias
lingüísticas y necesidades educativas.

Desafíos asociados con la detección automatizada

A  pesar  de  las  oportunidades  identificadas,  la  revisión  evidencia  importantes  desafíos
metodológicos. Uno de los principales consiste en la calidad de los datos utilizados para
entrenar  y  validar  los  modelos.  Un  algoritmo  puede  generar  resultados  aparentemente
precisos  cuando  trabaja  con  datos  homogéneos,  pero  su  rendimiento  puede  disminuir
cuando  se  enfrenta  a  estudiantes  con  características  lingüísticas,  culturales,
socioeconómicas  o  educativas  diferentes.  La  generalización  constituye,  por  tanto,  uno
de los principales problemas que deben abordarse antes de considerar una herramienta
como suficientemente válida para su utilización generalizada.

Otro  desafío  corresponde  a  los  falsos  positivos  y  falsos  negativos.  Un  falso  positivo
puede conducir a que un estudiante sea considerado en riesgo cuando  en realidad no
presenta  la  dificultad  que  el  sistema  predice,  mientras  que  un  falso  negativo  puede
impedir  que  un  estudiante  reciba  una  evaluación  adicional  cuando  realmente  necesita
apoyo.  En  ambos  casos  existen  consecuencias  educativas  que  pueden  afectar  las
expectativas  de  los  docentes  y  la  experiencia  del  estudiante.  Por  esta  razón,  los
sistemas destinados a la detección temprana deben evaluarse no solamente mediante
indicadores  de  precisión  estadística,  sino  también  mediante  sus  consecuencias
educativas y psicopedagógicas.

La  explicabilidad  constituye  otro  problema  central.  Cuando  un  sistema  produce  una
alerta,  el  profesional  necesita  conocer  qué  variables  contribuyeron  a  esa  predicción  y
cuáles  son  los  límites  de  su  interpretación.  Una  clasificación  que  no  puede  ser
comprendida  o  cuestionada  por  los  profesionales  puede  favorecer  una  dependencia
excesiva  de  la  tecnología.  La  explicabilidad  adquiere  una  importancia  todavía  mayor
cuando la información puede influir en decisiones relacionadas con apoyos educativos,
derivaciones o evaluaciones especializadas.

La privacidad representa un desafío adicional debido a la naturaleza de los datos
infantiles. Las plataformas pueden recopilar información relacionada con desempeño,

Página 61

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

lenguaje,  comportamiento,  interacción  digital  y  características  personales  del
estudiante. Wieczorek et al. (2025), en una revisión sistemática de 48 fuentes sobre las
implicaciones éticas de la IA en educación primaria y secundaria, identificaron un amplio
conjunto  de  preocupaciones  éticas  y  señalaron  la  necesidad  de  fortalecer  la
investigación  empírica  sobre  estos  problemas.  Estas  preocupaciones  muestran  que  la
incorporación  de  IA  en  las  escuelas  no  puede  evaluarse  exclusivamente  desde  la
perspectiva de la eficiencia o los resultados académicos.

La  formación  de  los  docentes  también  constituye  una  condición  necesaria  para  la
implementación responsable. Los profesionales necesitan comprender las posibilidades
y  limitaciones  de  los  sistemas  que  utilizan,  interpretar  críticamente  sus  resultados  y
reconocer situaciones en las que una predicción puede ser poco confiable. La revisión
de  Gouseti  et  al.  (2025)  mostró  que  la  preparación  insuficiente  de  docentes  y
estudiantes constituye uno de los problemas presentes en la literatura sobre ética de la
IA  en  educación  K-12.  Por  tanto,  la  incorporación  tecnológica  debe  acompañarse  de
formación  en  alfabetización  digital,  interpretación  de  datos,  ética  y  pensamiento  crítico
frente a los resultados algorítmicos.

Discusión

Los  resultados  obtenidos  permiten  interpretar  la  inteligencia  artificial  como  una
tecnología  con  capacidad  para  ampliar  determinadas  funciones  de  la  evaluación  y  la
intervención  psicopedagógica,  pero  no  como  un  sustituto  de  los  profesionales
responsables  de  dichas  funciones.  La  principal  contribución  potencial  de  la  IA  se
encuentra  en  su  capacidad  para  procesar  información,  reconocer  patrones  y
proporcionar  retroalimentación  en  escalas  que  pueden  ser  difíciles  de  alcanzar
mediante  procedimientos  exclusivamente  manuales.  Esta  capacidad  puede  resultar
especialmente  valiosa  en  sistemas  educativos  que  atienden  grupos  numerosos  y
necesitan identificar tempranamente a estudiantes que podrían beneficiarse de apoyos
adicionales.

La  diferencia  entre  identificación  de  señales  y  diagnóstico  constituye  uno  de  los
aspectos  conceptuales  más  importantes  derivados  de  la  revisión.  Un  algoritmo  puede
detectar  que  determinadas  características  del  desempeño  aparecen  con  mayor
frecuencia  entre  estudiantes  que  posteriormente  presentan  una  dificultad,  pero  esta
asociación  no  significa  que  el  algoritmo  haya  establecido  una  condición  individual.  La
evaluación  psicopedagógica  requiere  considerar  múltiples  fuentes  de  información  y
comprender  al  estudiante  dentro  de  su  contexto.  Por  esta  razón,  los  sistemas  de  IA
deberían  utilizarse  como  instrumentos  de  apoyo  que  generen  hipótesis  o  alertas  para
orientar una valoración profesional más profunda.

Esta  consideración  es  particularmente  relevante  en  educación  inicial  porque  el
desarrollo  infantil  no  sigue  trayectorias  completamente  uniformes.  Un  niño  puede
presentar un ritmo diferente en una determinada competencia y posteriormente alcanzar
el desempeño esperado sin requerir una intervención especializada. De manera similar,
una  dificultad  observada  en  una  actividad  digital  puede  estar  relacionada  con  factores

Página 62

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

externos  al  aprendizaje,  como  falta  de  familiaridad  con  la  tecnología,  cansancio,
atención  momentánea  o  características  del  entorno.  Interpretar  automáticamente
cualquier  desviación  como  una  necesidad  psicopedagógica  podría  producir
intervenciones  innecesarias  y  generar  etiquetas  que  condicionen  las  expectativas
educativas.

La evidencia sobre desarrollo infantil respalda esta necesidad de cautela. Reinhart et al.
(2024) encontraron que, aunque existe una creciente investigación sobre IA aplicada al
monitoreo  del  desarrollo,  pocas  aplicaciones  cuentan  con  suficiente  evidencia  de
implementación  práctica  y  los  resultados  relacionados  con  aceptación  por  parte  de  los
usuarios  han  recibido  una  atención  limitada.  Estos  hallazgos  indican  que  el  desarrollo
de un algoritmo técnicamente funcional representa solamente una primera etapa. Para
que  una  herramienta  pueda  incorporarse  responsablemente  a  la  práctica  educativa  se
requiere demostrar también su validez, utilidad, seguridad, aceptabilidad y capacidad de
funcionar en contextos reales.

Los resultados sobre sistemas tutoriales inteligentes permiten realizar una interpretación
similar. Létourneau et al. (2025) encontraron resultados generalmente favorables en los
estudios  analizados,  pero  también  observaron  que  los  beneficios  no  siempre  fueron
superiores  a  los  obtenidos  mediante  sistemas  tutoriales  no  inteligentes.  Este  hallazgo
cuestiona la idea de que la incorporación de IA sea suficiente para producir una mejora
educativa.  La  tecnología  parece  adquirir  mayor  valor  cuando  responde  a  un  diseño
pedagógico  explícito,  cuando  se  utiliza  con  objetivos  definidos  y  cuando  existe  una
adecuada integración entre automatización y mediación docente.

La personalización del aprendizaje debe comprenderse desde esta misma perspectiva.
Adaptar  automáticamente  la  dificultad  de  una  actividad  puede  constituir  una  forma  de
personalización,  pero  no  necesariamente  implica  que  se  haya  respondido  a  todas  las
necesidades  educativas  del  estudiante.  La  personalización  psicopedagógica  requiere
considerar  las  características  cognitivas,  lingüísticas,  sociales,  emocionales  y
contextuales  que  influyen  en  el  aprendizaje.  Por  ello,  los  sistemas  de  IA  deberían
complementar,  y  no  reemplazar,  las  decisiones  pedagógicas  y  psicopedagógicas
realizadas por profesionales.

La  literatura  reciente  también  muestra  que  la  investigación  sobre  personalización
mediante IA no se encuentra distribuida de manera uniforme entre los diferentes niveles
educativos. Bayly-Castaneda et al. (2024) encontraron una concentración importante de
estudios  en  educación  superior,  mientras  que  la  investigación  específicamente
orientada a estudiantes pequeños es menos extensa. Esta situación constituye un vacío
importante  porque  los  modelos  diseñados  para  estudiantes  mayores  no  pueden
trasladarse  automáticamente  a  educación  inicial.  Las  características  del  desarrollo
infantil  requieren  interfaces,  estrategias  de  interacción  y  modelos  de  interpretación
especialmente diseñados para esas edades.

La equidad constituye otro elemento central de la discusión. Los sistemas algorítmicos
pueden reproducir o amplificar desigualdades cuando los datos de entrenamiento no

Página 63

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

representan  adecuadamente  la  diversidad  de  las  poblaciones  escolares.  Si
determinados grupos lingüísticos o culturales están subrepresentados, el sistema podría
generar  predicciones  menos  precisas  para  esos  estudiantes.  En  consecuencia,  la
evaluación  de  una  herramienta  de  IA  debe  incluir  análisis  de  desempeño  diferenciado
entre grupos y no limitarse a una medida global de precisión.

Las consideraciones éticas adquieren especial relevancia debido a que los usuarios son
niños. Gouseti et al. (2025) identificaron en su revisión sistemática diferentes problemas
relacionados  con  el  uso  ético  de  IA  en  educación  K-12  y  señalaron,  entre  otros
aspectos,  la  necesidad  de  fortalecer  la  preparación  de  docentes  y  estudiantes.
Wieczorek  et  al.  (2025)  también  identificaron  múltiples  categorías  de  implicaciones
éticas asociadas con el uso de IA en educación primaria y secundaria y señalaron que
todavía  se  requiere  mayor  investigación  empírica  y  reflexión  filosófica  sobre  estas
cuestiones.  La  convergencia  de  estos  trabajos  indica  que  la  ética  no  puede
considerarse  un  componente  secundario  que  se  incorpora  después  de  desarrollar  la
tecnología.

La  protección  de  datos  debe  integrarse  desde  el  diseño  de  los  sistemas.  En  lugar  de
recopilar  indiscriminadamente  toda  la  información  disponible,  las  instituciones
educativas  deberían  determinar  qué  datos  son  realmente  necesarios  para  cumplir  una
finalidad educativa concreta. También deben establecer mecanismos que regulen quién
puede  acceder  a  la  información,  durante  cuánto  tiempo  puede  conservarse  y  con  qué
propósito  puede  utilizarse.  Cuando  los  datos  pueden  generar  inferencias  sobre
necesidades  educativas  o  características  del  desarrollo,  las  exigencias  de  protección
deben ser particularmente rigurosas.

La  transparencia  constituye  una  condición  complementaria  de  la  protección  de  datos.
Las  familias  y  los  profesionales  deberían  conocer  qué  tipo  de  información  recopila  un
sistema, para qué se utiliza y qué tipo de decisiones puede apoyar. La existencia de una
herramienta  tecnológicamente  sofisticada  no  elimina  la  necesidad  de  explicar  sus
límites.  La  confianza  educativa  depende,  en  buena  medida,  de  que  las  personas
comprendan  cómo  interviene  la  tecnología  en  las  decisiones  que  afectan  a  los
estudiantes.

La  formación  docente  representa,  por  ello,  una  dimensión  estructural  de  la
implementación. El docente no necesita convertirse en especialista en programación o
aprendizaje  automático,  pero  sí  requiere  competencias  suficientes  para  interpretar  los
resultados  de  los  sistemas  y  cuestionarlos  cuando  no  coinciden  con  la  evidencia
disponible. La literatura reciente sobre competencias éticas docentes relacionadas con
IA  también  señala  la  importancia  del  conocimiento  de  las  limitaciones  de  estas
tecnologías,  la  transparencia,  la  explicabilidad,  el  análisis  crítico  y  la  incorporación  de
perspectivas  inclusivas  y culturalmente sensibles.  Estas competencias permiten que el
docente  permanezca como  agente  activo  en  el  proceso  de  decisión  y  no  como  simple
receptor de recomendaciones algorítmicas.

Página 64

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

Desde  una  perspectiva  institucional,  la  incorporación  de  IA  debería  desarrollarse
mediante  protocolos  claramente  definidos.  Estos  protocolos  deberían  especificar  qué
finalidad tiene la herramienta, qué profesionales pueden interpretar sus resultados, qué
procedimientos  se  utilizan  para  verificar  una  alerta  y  qué  acciones  pueden  adoptarse
después  de  su  identificación.  También  deberían  establecer  mecanismos  para  revisar
periódicamente el rendimiento del sistema y detectar posibles sesgos o cambios en su
comportamiento. La implementación responsable requiere, por tanto, una estructura de
gobernanza que trascienda la decisión individual de utilizar una determinada plataforma.

Un modelo de implementación especialmente pertinente para la psicopedagogía sería el
de  humano  en  el  circuito  de  decisión.  En  este  modelo,  el  sistema  recopila  y  analiza
información, genera indicadores y presenta posibles patrones de riesgo, mientras que el
profesional  interpreta  la  información  y  decide  si  es  necesario  realizar  una  evaluación
adicional.  La  familia  y  otros  actores  educativos  pueden  aportar  información  contextual
que  el  sistema  no  posee.  De  esta  manera,  la  IA  se  integra  como  una  herramienta  de
apoyo dentro de un proceso de decisión colaborativo.

Este  modelo  permitiría  aprovechar  las  ventajas  de  la  automatización  sin  atribuir  al
algoritmo una autoridad que no puede justificar por sí mismo. Una alerta automatizada
podría  desencadenar  una  observación  más  sistemática,  una  conversación  con  la
familia,  una  evaluación  curricular  o  una  valoración  psicopedagógica,  dependiendo  de
las  características  del  caso.  La  decisión  final  debería  sustentarse  en  un  conjunto  de
evidencias  y  no  exclusivamente  en  la  puntuación  o  clasificación  producida  por  el
sistema.  Esta  estructura  también  permite  identificar  errores  algorítmicos  antes  de  que
se conviertan en decisiones educativas con consecuencias duraderas.

La relación entre detección y personalización puede representarse, por tanto, como un
proceso  continuo.  Primero,  la  IA  analiza  información  disponible  y  detecta  patrones
relevantes;  posteriormente,  el  profesional  interpreta  dichos  patrones  y  determina  si
existe  una  necesidad  que  requiere  atención.  A  partir  de  esta  valoración,  pueden
diseñarse  estrategias  diferenciadas  y  utilizar  nuevamente  los  datos  para  analizar  la
respuesta  del  estudiante  a  la  intervención.  Este  ciclo  de  identificación,  intervención,
seguimiento y ajuste puede contribuir a desarrollar modelos educativos más preventivos
y dinámicos.

No obstante, la personalización no debería conducir a una individualización excesiva del
aprendizaje. La educación básica cumple también funciones sociales relacionadas con
la  cooperación,  la  comunicación,  la  participación  y  la  construcción  colectiva  del
conocimiento.  Si  los  sistemas  adaptativos  asignan  permanentemente  actividades
diferentes a cada estudiante sin considerar la interacción con sus compañeros, podrían
limitar algunas oportunidades de aprendizaje social. La personalización debe equilibrar
la  respuesta  a  las  diferencias  individuales  con  la  pertenencia  del  estudiante  a  una
comunidad educativa.

Otro aspecto que requiere investigación futura es la evaluación de resultados a largo
plazo. Muchos estudios actuales se concentran en medidas inmediatas de desempeño

Página 65

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

o  en  la  precisión  de  los  sistemas,  mientras  que  existe  menor  evidencia  sobre  sus
efectos  sostenidos  en  las  trayectorias  educativas.  Será  necesario  determinar  si  una
detección algorítmica temprana conduce realmente a intervenciones más oportunas, si
esas  intervenciones  producen  mejores  resultados  y  si  los  beneficios  se  mantienen  a
través del tiempo. También será necesario estudiar si la utilización prolongada de estas
tecnologías modifica las prácticas docentes, la autonomía profesional o la relación entre
docentes, estudiantes y familias.

La  investigación  futura  debería  prestar  especial  atención  a  diseños  longitudinales  y
estudios  realizados  en  contextos  educativos  auténticos.  Los  experimentos  controlados
pueden  proporcionar  información  importante  sobre  el  funcionamiento  de  una
herramienta,  pero  las  escuelas  presentan  condiciones  más  complejas  que  los
ambientes  experimentales.  La  diversidad  de  estudiantes,  docentes,  recursos,  culturas
institucionales  y  condiciones  familiares  puede  modificar  significativamente  los
resultados.  Por  ello,  la  transferencia  de  evidencia  desde  laboratorios  o  plataformas
experimentales  hacia  sistemas  escolares  debe  realizarse  de  manera  progresiva  y  con
evaluación continua.

También  resulta  necesario  desarrollar  investigaciones  específicamente  centradas  en
educación inicial. La literatura existente ofrece indicios sobre el potencial de la IA para
analizar  desarrollo  lingüístico,  cognitivo  y  social,  pero  todavía  existe  una  distancia
considerable  entre  el  desarrollo  de  prototipos  y  su  validación  educativa.  Las
investigaciones futuras deberían establecer con mayor claridad qué indicadores pueden
analizarse  de  manera  válida  mediante  sistemas  automatizados  y  cuáles  requieren
necesariamente  observación  profesional  directa.  También  deberían  determinarse  las
condiciones bajo las cuales una herramienta puede generar beneficios sin aumentar los
riesgos de etiquetamiento o vigilancia excesiva.

En términos generales, los resultados sugieren que la IA tiene mayor potencial cuando
se  integra  dentro  de  un  ecosistema  pedagógico  y  psicopedagógico  que  cuando  se
utiliza como solución tecnológica aislada. La tecnología puede mejorar la disponibilidad
de  información,  facilitar  el  seguimiento  y  apoyar  la  diferenciación,  pero  no  elimina  la
complejidad  del  aprendizaje  infantil.  La  intervención  educativa  continúa  requiriendo
relaciones  humanas,  conocimiento  profesional,  interpretación  contextual  y  capacidad
para responder a situaciones que no pueden reducirse a patrones cuantificables.

La  principal  perspectiva  que  emerge  de  esta  revisión  es,  por  tanto,  la  construcción  de
modelos de inteligencia aumentada para la educación. En lugar de sustituir al docente o
al  profesional  psicopedagógico,  estos  sistemas  podrían  ampliar  su  capacidad  para
observar, analizar y realizar seguimiento de los estudiantes. La finalidad sería utilizar la
capacidad  computacional  de  la  IA  para  procesar  información  mientras  se  mantiene  el
razonamiento profesional como elemento central de la interpretación y la decisión. Bajo
estas  condiciones,  la  IA  podría  contribuir  a  una  educación  más  preventiva  y
personalizada  sin  desplazar  la  dimensión  humana  que  caracteriza  la  intervención
psicopedagógica.

Página 66

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

Conclusiones

La  inteligencia  artificial  ofrece  nuevas  posibilidades  para  fortalecer  la  detección
temprana  de  necesidades  psicopedagógicas  y  la  personalización  del  aprendizaje  en
educación inicial y educación básica. El aprendizaje automático, la analítica educativa,
los  sistemas  tutoriales  inteligentes  y  las  plataformas  adaptativas  pueden  analizar
patrones  de  desempeño  y  proporcionar  información  que  complemente  los
procedimientos tradicionales de observación y evaluación.

La principal aportación de estas tecnologías no debería entenderse como la sustitución
de la evaluación psicopedagógica, sino como la posibilidad de ampliar la capacidad de
los  profesionales  para  identificar  señales  tempranas  y  realizar  un  seguimiento  más
sistemático  de  las  trayectorias  de  aprendizaje.  La  evidencia  disponible  respalda  el
potencial  de  los  sistemas  inteligentes,  pero  también  muestra  que  los  resultados
dependen de la calidad del diseño pedagógico, las características de los estudiantes, la
duración de las intervenciones y las condiciones en que se implementan.

Los  desafíos  relacionados  con  privacidad,  sesgo  algorítmico,  transparencia,
explicabilidad, equidad y preparación docente adquieren especial relevancia cuando las
tecnologías  se  utilizan  con  niños.  Una  implementación  responsable  requiere  que  las
decisiones  educativas  relevantes  permanezcan  bajo  supervisión  humana  y  que  los
resultados  de  los  algoritmos  sean  interpretados  dentro  de  una  evaluación  integral  del
estudiante.

La  personalización  del  aprendizaje  constituye  una  de  las  perspectivas  más
prometedoras.  La  posibilidad  de  utilizar  información  sobre  el  progreso  individual  para
ajustar  contenidos,  actividades,  ritmo  y  retroalimentación  puede  favorecer  respuestas
educativas más diferenciadas. Sin embargo, la personalización efectiva requiere mucho
más  que  adaptar  automáticamente  ejercicios:  demanda  una  articulación  entre
tecnología,  pedagogía,  conocimiento  del  desarrollo  infantil  y  acompañamiento
profesional.

En  consecuencia,  el  futuro  de  la  IA  aplicada  a  la  detección  temprana  de  necesidades
psicopedagógicas  dependerá  menos  de  la  capacidad  de  los  algoritmos  para  producir
predicciones aisladas y más de la construcción de ecosistemas educativos en los que la
tecnología,  los  docentes,  los  profesionales  de  apoyo  y  las  familias  colaboren  para
interpretar  la  información  y  responder  oportunamente  a  las  necesidades  de  cada
estudiante.  La  IA  puede  convertirse  así  en  un  recurso  de  apoyo  para  una  educación
más  preventiva,  diferenciada  y  personalizada,  siempre  que  su  utilización  se  encuentre
subordinada a criterios pedagógicos, científicos, éticos y de protección de la infancia.

Referencias bibliográficas

Página 67

Inteligencia artificial aplicada a la detección temprana de necesidades psicopedagógicas en

estudiantes de Educación inicial y Educación básica

Bautista Rafael Pinto Cotto

Rafael Antonio Pinto Arboleda

Andres Rafael Pinto Arboleda

Volumen: 18 Número: 4 Trimestre: octubre-diciembre Año: 2026
Recepción: 16/07/2026 Aprobado: 30/09/2026 Artículo original

Aljemely, Y. (2024). Challenges and best practices in training teachers to utilize artificial

intelligence: A systematic review.

Frontiers in Education, 9

, 1470853.

https://doi.org/10.3389/feduc.2024.1470853

Bayly-Castaneda, K. B., Ramirez-Montoya, M. S., & Morita-Alexander, A. (2024).

Crafting personalized learning paths with AI for lifelong learning: A systematic
literature

review.

Frontiers

Education,

1424386.

https://doi.org/10.3389/feduc.2024.1424386

Cerón Salazar, E. M. & Burbano González, D. C. (2026). Intelligent learning systems in

primary and secondary education: A systematic review (2014

–2024).

Frontiers in

Education, 11

, 1720377.

https://doi.org/10.3389/feduc.2026.1720377

Farhood, H., Nyden, M., Beheshti, A. & Muller, S. (2025). Artificial intelligence-based

personalised learning in education: A systematic literature review.

Discover

Artificial Intelligence, 5

, 331.

https://doi.org/10.1007/s44163-025-00598-x

Gouseti, A., James, F., Fallin, L. & Burden, K. (2025). The ethics of using AI in K-12

education: A systematic literature review.

Technology, Pedagogy and Education,

(2), 161

–182.

https://doi.org/10.1080/1475939X.2024.2428601

Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J. &

Léger, P. M. (2025). A systematic review of AI-driven intelligent tutoring systems
(ITS)

K-12

education.

Science

Learning,

29.

https://doi.org/10.1038/s41539-025-00320-7

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

Reinhart, L., Bischops, A. C., Kerth, J.-L., Hagemeister, M., Heinrichs, B., Eickhoff, S. B.,

Dukart, J., Konrad, K., Mayatepek, E. & Meissner, T. (2024). Artificial intelligence
in child development monitoring: A systematic review on usage, outcomes and
acceptance.

Intelligence-Based

Medicine,

100134.

https://doi.org/10.1016/j.ibmed.2024.100134

Sharma, S., Mittal, P., Kumar, M., & Bhardwaj, V. (2025). The role of large language

models in personalized learning: A systematic review of educational impact.

Discover Sustainability, 6

, 243.

https://doi.org/10.1007/s43621-025-01094-z

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

Zaibi, T. & Bezine, H. (2024). Early detection of learning disabilities through handwriting

analysis and machine learning.

Procedia Computer Science, 246

, 3702

–3712.

https://doi.org/10.1016/j.procs.2024.09.186

Conflicto de intereses: Los autores declaran no tener conflictos de intereses en relación con el artículo.

Página 68