Fecha de recibido: 09/02/2026
Fecha de aceptado: 09/05/2026
Fecha de publicado: 11/05/2026
Introducción
La inteligencia artificial (IA) se ha constituido como una tecnología fundamental en la creación de sistemas con capacidad de automatizar procesos, generar contenido variado y tomar decisiones de entornos digitales. Los avances en modelos de IA generativa, ha marcado un hito en el desarrollo de aplicaciones con capacidad de analizar preguntas en lenguaje natural y dar respuestas con relevancia, ampliando la interacción entre los usuarios y sistemas a utilizar (Bommasani et al., 2022; Dwivedi et al., 2023). Este nivel de interacción ha permitido la creación de herramientas digitales basadas en IA, dando paso a un ambiente tecnológico con gran diversidad, pero con ciertas limitaciones que dificultan al usuario al gestionar estas herramientas.
Ante este problema, emergen los sistemas web interactivos basados en IA, al contar con una estructura organizada, se presentan como una alternativa para poder organizar, filtrar y recomendar información. Por tanto, los sistemas de recomendación son eficientes para reducir la sobrecarga de información, dando mejor experiencia al usuario por medio de contenidos personalizados(Zhang et al., 2019). La implementación de arquitecturas modernas basadas en backend y frontend, junto a diversos modelos de IA generativas, permite el desarrollo de sistemas con capacidad de procesar consultas en lenguaje natural y obtener recomendaciones dinámicas. Angular, además de otros frameworks como React, son tecnologías que facilitan la creación de interfaces modulares y escalables, mientras que entornos de ejecución como Node.js y Express, permiten la comunicación con servicios inteligentes (Gemini), dando soluciones orientadas a la interacción del usuario.
La IA ha demostrado su capacidad al mejorar diversos procesos eficientemente y con precisión en diversas actividades, siendo este progresivamente territorial en ámbitos como salud, ingeniería, comercio, agricultura, comunicación y la educación (Cheng et al., 2023; Lanzagorta-Ortega et al., 2023; Puche-Villalobos, 2024). En el ámbito educativo, el surgir de estas herramientas ha tenido una consolidación muy notoria y aceptable, permitiendo abrir diversas puertas a la imaginación, “mundos infinitos de posibilidades” que conllevara al futuro de la pedagogía, evidenciando un potencial significativo para la integración en labores docentes(Padilla, 2019; Universidad Pedagógica Nacional et al., 2024; Zavala et al., 2025). Las herramientas de IA se desenvuelven con mayor exactitud al aprovechar algoritmos automatizados de aprendizaje donde presta una personalización más explícita a las experiencias de aprendizaje, dando más valor a planificaciones instruccionales, como al rendimiento estudiantil (Alwakid et al., 2025; Delgado et al., 2024).
Por consiguiente, el adoptar estas herramientas no fueron exentas de problemas y controversias. El lanzamiento gratuito de ChatGPT en noviembre del año 2022, generando una gran problemática, donde se cuestionaba si era de un uso adecuado para la educación, porque resulta difícil comparar entre cual fue escrito por una persona y cual por esta herramienta de IA(Stoyanova et al., 2025). En esta era digital han surgido nuevos retos y cambios a comparación de la antigua era de donde son más familiarizados los docentes(Zhao et al., 2025). Por lo tanto, entendemos que los docentes deben adaptarse y aprender a utilizar estas nuevas herramientas para mejorar su entorno educativo, mucho más en países sudamericanos, por ejemplo Ecuador, donde el uso en la educación secundaria comienza a emerger rápidamente(Pilataxi, 2025).
No obstante, existe una gran incertidumbre sobre si habrá una adopción por parte de los docentes, aunque el potencial de estas herramientas ya es reconocido, aún hay impedimentos o temores por parte de ellos, falta de formación, desconfianza en respuesta generadas a diversos contenidos, son algunas de estas enormes barreras(Delgado et al., 2024; Zhao et al., 2025). Estos impedimentos no solo afectan a una futura adopción de la IA, sino que manifiestan necesidad de incorporar soluciones tecnológicas enfocadas a la fácil exploración y elección de herramientas.
En este sentido, no solo analizando el ámbito educativo, es factible abordar este problema desde una perspectiva tecnológica, enfocado en el diseño de una página que permita organización y recomendación de forma eficiente. La carencia de plataformas que integren catálogos estructurados, módulos de filtrado y recomendación asistida por IA permite progresar en el desarrollo de soluciones y reducir los niveles de complejidad en el entorno digital actual.
Por lo tanto, se plantea como preguntas de investigación: ¿Cómo diseñar una página web de recomendación asistida por IA, que implemente una organización estructurada y facilite la selección de herramientas digitales en función de necesidades identificadas empíricamente?, además se plantea una segunda interrogante: ¿Cuáles son las principales barreras y necesidades que deben considerarse para el diseño e implementación de esta página?
El objetivo general del presente estudio es desarrollar un prototipo de página web con un sistema de recomendación asistida por IA generativa, utilizando tecnologías como Angular, Node.js y el modelo de IA Gemini, tomando como caso de aplicación la educación secundaria en la ciudad de Machala, mediante la metodología Design Science Research (DSR), permitiendo explorar y seleccionar herramientas de IA, dentro de este enfoque no solo responde a las barreras identificadas, sino que nos brinda una oportunidad de implementación en las instituciones educativas secundarias, con fines de mejora continua y creciente en el rendimiento de los docentes y poder fomentar la innovación educativa.
Materiales y métodos
Esta investigación se realizó siguiendo la metodología Design Science Research (DSR), seleccionada por su línea de acción concreta, la cual ayuda a poder solucionar un problema por medio de creación de un artefacto cual nos brindara la solución o sea un paso para encontrarla. Como señalan (López-Villanueva et al., 2025), "la DSR es una metodología de investigación que combina la creación y evaluación de productos resultantes, para resolver problemas específicos, mediante un proceso sólido e itinerante que permite la continua mejora del producto creado". La implementación de la metodología DSR se realizó por medio de tres fases principales: Identificación del problema, diseño y desarrollo del artefacto y evaluación, ilustradas en la Figura 1.
Figura 1. Fases de la Metodología DSR.
Fuente: Elaboración propia.
Fase 1: Identificación del problema – diseño y aplicación de la encuesta
Esta fase indaga en el levantamiento de requisitos del sistema, por medio de análisis de las percepciones, patrones de uso y barreras asociadas al uso de IA, por lo cual, se estructuro un instrumento de recolección de datos dirigido a docentes de educación secundaria, cuyos resultados definirán requerimientos funcionales y no funcionales del prototipo.
Población, muestra y participantes
El estudio estuvo dirigido a docentes profesores de educación secundaria en la ciudad de Machala. Considerando el enfoque exploratorio y la necesidad de abarcar una variedad distinta de perfiles, se optó por un realizar un muestreo no probabilístico basado en conveniencia y en la técnica de bola de nieve, lo que facilitó distribuir el instrumento a través de redes profesionales, grupos de profesores y contactos institucionales.
Se recopilaron un total de 116 respuestas, de las cuales 111 fueron consideradas válidas al cumplir con criterios de inclusión como: ser docente en servicio activo, impartir clases en instituciones de educación secundaria y disponer de acceso a internet para completar la encuesta, además esta muestra resultante estuvo conformada por docentes con trayectorias profesionales diversas, provenientes de diferentes tipos de instituciones y distintos niveles de acceso tecnológico, lo que facilitó obtener una perspectiva amplia y diversa del fenómeno estudiado.
Instrumento: cuestionario de percepción y uso de IA
Para la recolección de datos se elaboró un cuestionario compuesto por 23 preguntas, desarrollado específicamente para este estudio. Este instrumento abarcó cinco dimensiones claves tales como: características sociodemográficas (edad, años de experiencia y tipo de institución), acceso a recursos tecnológicos (acceso a internet y dispositivos), nivel de preparación percibida por los docentes en IA, frecuencia y modalidades de uso de herramientas basadas en IA y principales barreras para su adopción junto con las preferencias relacionadas con el diseño de un modelo de página web.
Validez y confiabilidad del instrumento
El instrumento fue sometido a la evaluación de dos especialistas en el ámbito de la tecnología educativa, quienes evaluaron la relevancia, claridad y coherencia de cada uno de los ítems. Como resultado, se obtuvo un Índice de Validez de Contenido (IVC) con un promedio de 0,82, indicando una validez elevada del instrumento.
Para verificar la consistencia interna, se llevó a cabo una prueba piloto con 15 docentes, obteniendo un coeficiente Alfa de Cronbach de 0,89, considerado “excelente” según la literatura psicométrica. Este resultado respalda que los ítems representan de forma adecuada las dimensiones propuestas.
Análisis estadístico aplicado
El procesamiento de los datos se realizó con el apoyo de Microsoft PowerBI y otras herramientas complementarias, aplicando métodos de estadística descriptiva como frecuencias, porcentajes, gráficos de barras y de pastel, comparaciones y tablas cruzadas. Estos métodos permitieron describir el nivel de adopción, el acceso, la preparación y las percepciones de los docentes.
De igual manera, se analizaron las relaciones entre variables mediante segmentaciones de datos y tabulaciones dinámicas, considerando cruces específicos como años de experiencia docente, preparación percibida por el uso de IA y tipo de institución por acceso a internet.
Además de estos análisis descriptivos, fue
necesario la aplicación de pruebas estadísticas inferenciales para la
respectiva identificación de las relaciones que tienen una mayor significancia
con otra de las variables, dentro de las pruebas aplicadas está: prueba
chi-cuadrado de independencia para conocer la conexión que se da entre el tipo
de institución y la pertinencia de recursos tecnológicos dentro de estas
mismas, logrando identificar una desproporción estadísticamente significativa .
De igual manera, se aplicó correlación de Spearman para poder aclarar la
relación entre años de experiencia del docente y la preparación percibida en el
uso de IA, obteniendo una correlación negativa moderada
.
Para las demás variables que resultan continuas, se realizaron cálculos de
medidas de tendencia central y dispersión (media, desviación estándar),
respaldando una caracterización más precisa de la muestra. Todos los análisis
resultantes fueron de un nivel de confianza de 95%, asegurando validez estadística
de estos hallazgos. Este análisis sirvió como base principal para la definición
de requerimientos del sistema en la Fase 2.
Fase 2: Diseño y Desarrollo del Artefacto
Dentro de este proceso, se centró en el diseño e implementación del sistema propuesto en esta investigación: un prototipo de página web funcional enfocada en brindar ayuda, donde se organizará, facilitará y presentará diversas herramientas de inteligencia artificial. El diseño corresponderá explícitamente a los hallazgos de los requerimientos identificados dentro de la Fase 1, cumpliendo con los procesos mostrados de la metodología DSR, donde a partir del problema fundamentado se creará un prototipo como solución, como se ilustra en la Figura 2.
Figura 2 Metodología DSR para prototipo.
Fuente: Elaboración propia.
Herramientas de diseño y desarrollo para construcción del modelo
El desarrollo del artefacto se llevó a cabo utilizando tecnologías modernas enfocadas en el desarrollo de interfaces limpias, modulares y de alto rendimiento. Para la capa de presentación se utilizó Angular (versión 20.3), destacando por su arquitectura basada en componentes reutilizables, su capacidad de escalabilidad, sistema de enrutamiento y eficiencia en aplicaciones de tipo SPA. La lógica del sistema fue desarrollada en TypeScript, mientras que HTML5 y CSS3 se utilizaron para estructurar y dar estilo a la interfaz.
El desarrolló fue realizado bajo un enfoque iterativo característico de la metodología DSR. Inicialmente, se realizaron bocetos manuales y diseños preliminares en la herramienta Figma, con el fin de definir la estructura general, el flujo de navegación y la organización de los componentes principales como son el encabezado, los filtros, la barra de búsqueda y el catálogo basado en formato de tarjetas. Posteriormente, se desarrollaron wireframes más detallados, incorporando criterios de diseño como el uso de degradados, tipografías claras y adaptabilidad en distintos dispositivos.
Arquitectura de la aplicación
El sistema implementado sigue una arquitectura cliente-servidor integrada por tres componentes principales: el frontend es desarrollado en Angular, componente encargado de recibir consultas en su lenguaje natural, el backend implementado en Node.js con Express que actua como intermediario entre la interfaz mostrada al usuario y el modelo de IA; módulo de IA(Gemini), ésta arquitectura permite una comunicación eficiente entre las capas del sistema, logrando una estabilidad fiable del flujo de datos, además del uso fluido por parte del usuario en esta interacción con el módulo de recomendación inteligente, tal cual se puede ver en la Figura 3.
Figura 3. Arquitectura de la aplicación.
Fuente: Elaboración propia.
Fase 3: Demostración y evaluación del artefacto
Como última parte se realizó las debidas pruebas para la demostración y evaluación del prototipo desarrollado, donde centro en validar la usabilidad y utilidad del prototipo, verificando que responda a los requerimientos definidos. Por lo tanto, se aplicó criterios de evaluación enfocados en la experiencia que tendrá el usuario, además de realizar pruebas del prototipo con docentes para comprobar la utilidad, claridad de interfaz y facilidad de uso del sistema construido.
Para poder visualizar de mejor manera la usabilidad y utilidad percibida, así como, los aspectos evaluados además de identificar los evaluadores, métodos de medición y justificación es necesario construir la Tabla 1 que se muestra a continuación.
Tabla 1. Evaluación del artefacto: criterios, indicadores y métodos de medición
|
Criterio |
Aspectos evaluados |
Indicadores / Ítems |
Método de medición |
Justificación |
|
Usabilidad |
Organización, comprensión, fluidez, carga visual, adaptabilidad |
Claridad de elementos; Intuición de botones; Tiempo de navegación; Nivel de saturación; Responsividad |
Observación, pruebas de tarea, encuesta Likert |
Asegura uso sin entrenamiento y reduce la barrera del desconocimiento |
|
Utilidad percibida |
Relevancia para la tarea pedagógica, ahorro de tiempo, comparación, adopción inicial, claridad |
Ayuda a encontrar herramientas; Reducción de tiempo; Facilidad para comparar; Intención de uso; Claridad frente a saturación |
Encuesta Likert, entrevistas semiestructuradas, tareas simuladas |
Determina si el artefacto aporta valor pedagógico y será adoptado |
Fuente: Elaboración propia.
Procedimiento de Evaluación
Fue necesario realizar pruebas de usabilidad con un pequeño grupo de docentes seleccionados, para la respectiva evaluación del prototipo, siguiendo las recomendaciones de Nielsen (Nielsen, Jakob & Molich, Rolf, 1990) el cual demuestra factibilidad que 5 y 10 usuarios son suficientes para identificar la mayoría de problemas de usabilidad en prototipos funcionales.
Por lo cual, 7 docentes de instituciones secundarias en Machala participaron voluntariamente en la prueba del prototipo, siendo un proceso muy similar a la muestra de la Fase 1, pero sin tener un conocimiento previo de como se ve o se utiliza este mismo. Siendo muy favorable al contar con las experiencias de usuarios nuevos, factor muy importante para la adopción de herramientas tecnológicas.
Los resultados confirmaron un sistema intuitivo, accesible y útil para práctica pedagógica, los participantes destacaron claridad en la interfaz, buen funcionamiento de módulo de recomendación inteligente, organización del catálogo, estos hallazgos ponen en evidencia que el desarrollo de este sistema no solo responde a las falencias encontradas en la encuesta, sino establece un artefacto tecnológico que puede ser replicable, en este caso, con un potencial de implementación en instituciones educativas.
Resultados y discusión
Para una mejor comprensión, se dividirá los resultados en dos aspectos, resultados de la encuesta y desarrollo del modelo de página web como catálogo de IA.
Resultados de la Encuesta
La Tabla 2, muestra un resumen total de 111 docentes de educación secundaria en Machala, la mayoría de los docentes encuestados cuentan con una experiencia laboral de entre los 4 y 15 años ejerciendo su labor docente, conformando en si la mayor cantidad de docentes con esta experiencia siendo el 36.9%, además el 16.2% provienen de instituciones particulares y el 55.9% tienen acceso a internet y dispositivos móviles.
Tabla 2. Datos descriptivos de la población participante.
|
Variable |
Categoría |
n |
% |
|
Años de experiencia docente |
Menos de 1 año |
12 |
10.8% |
|
1 - 3 años |
18 |
16.2% |
|
|
4 - 7 años |
28 |
25.2% |
|
|
8 - 15 años |
13 |
11.7% |
|
|
Más de 15 años |
21 |
18.9% |
|
|
Tipo de institución |
Fiscal |
86 |
77.5% |
|
Fiscomisional |
7 |
6.3% |
|
|
Particular |
18 |
16.2% |
|
|
Acceso a Internet y dispositivos móviles |
Sí, siempre |
62 |
55.9% |
|
Sí, a veces |
30 |
27.0% |
|
|
No |
19 |
17.1% |
Fuente: Elaboración propia.
Patrones de uso y barreras para la adopción de IA
La preparación percibida y el uso de las herramientas de IA son analizadas en la Tabla 3, siendo evidente que la mayoría de los docentes opinan encontrarse “Algo preparados” por lo que utilizan la IA como herramientas de trabajo de manera ocasional.
Tabla 3. Resultados generales de patrones de uso y preparación percibida.
|
Variable |
Categoría |
n |
% |
|
Preparación percibida |
Muy preparado |
17 |
15.3 |
|
Algo preparado |
69 |
62.2 |
|
|
Poco preparado |
25 |
22.5 |
|
|
Uso de IA |
Regularmente |
9 |
8.0 |
|
Algunas veces |
64 |
57.7 |
|
|
No, pero interesa |
38 |
34.2 |
Fuente: Elaboración propia.
Barreras que impiden la adopción de la IA
Los análisis demuestran que las barreras percibidas no solo se dan por temas institucionales o incluso por factores técnicos como dispositivos móviles, gran parte se debe también a cómo piensan y como se sienten, siendo estos la percepción y la actitud. El 20.7% de docentes concuerdan que la desconfianza es algo fundamental porque no están de acuerdo o piensan que pueden dar respuestas erróneas o no estén del par con los temas tratados en clases. El desconocimiento es otro factor que influye como barrera, el 20.7% está de acuerdo con este factor, porque tal vez no hay un interés de sobre cómo usar estas herramientas o también falta de guías de aprendizaje, lo que nos brinda la posibilidad de abrir una brecha formativa que puede abordarse con guías prácticas y acompañamiento. Un 15.3% de docentes confían en lo tradicional, las restricciones institucionales también forman una barrera de impedimento siendo un 13.5%, falta de tiempo (6.3%). Las barreras con mayor predominancia se ven reflejadas en la Tabla 4.
Tabla 4. Resultados de impedimentos para adopción de herramientas de IA.
|
Barrera |
n |
% |
|
Desconfianza |
23 |
20.7 |
|
Desconocimiento |
23 |
20.7 |
|
Preferencia por lo tradicional |
17 |
15.3 |
|
Restricciones institucionales |
15 |
13.5 |
|
Falta de tiempo |
7 |
6.3 |
|
Ninguna |
9 |
8.1 |
Fuente: Elaboración propia. Nota: Aunque la suma de respuestas es 94, no equivale al total de participantes, dado que la pregunta permitía elegir una opción o dar una respuesta abierta, por lo cual, el cálculo se realizó sobre el total de menciones registradas como respuestas.
Factores asociados a sentirse “muy preparado para uso de IA”
La Tabla 6 demuestra el impacto, el uso permitido de internet, los años de experiencia y el tipo de institución que se rigen los docentes.
Tabla 6. Regresión logística sobre la preparación percibida.
|
Variable independiente |
OR |
IC95% |
p-valor |
|
Acceso constante a internet |
2.30 |
1.25 – 4.21 |
0.008 |
|
Experiencia docente (>15 años) |
0.58 |
0.32 – 0.94 |
0.031 |
|
Tipo de institución (particular vs. fiscal) |
1.75 |
1.01 – 3.02 |
0.045 |
Fuente: Elaboración propia.
El contar con la posibilidad de acceso a
internet eleva 2.3 veces la probabilidad de un docente al sentirse “muy
preparado” ,
por lo cual, la experiencia docente que es >15años reduce la probabilidad
,
lo que evidencia diferencias generacionales en cómo es adoptada la IA. Además,
al pertenecer a una institución particular, donde se les facilita el uso de
tecnología aumenta en 1.75 veces la probabilidad de sentirse capaz del Uso de
estas mismas, a diferencia de los docentes de las instituciones fiscales
.
Obteniendo estos resultados, se planteó la posibilidad de crear un modelo de página web de recomendación inteligente, que responde directamente a las necesidades detectadas en esta encuesta.
Desarrollo de página web con sistema de recomendación inteligente
Por medio del análisis de patrones, barreras y preferencias sobre el uso de inteligencia artificial, podemos escoger con claridad los requisitos para el prototipo de página web, los requisitos identificados son importantes para la elaboración del prototipo, por lo que no solo responde a los hallazgos realizados en este estudio, sino también brinda un alineamiento con los principios de usabilidad, accesibilidad y pertinencia pedagógica. La Tabla 7 resume los requisitos definidos para el desarrollo de este prototipo:
Tabla 7. Requisitos funcionales y no funcionales para el prototipo.
|
Tipo de requisito |
Descripción |
Justificación |
|
Funcional |
Filtrado por categoría |
Ayuda a los docentes en la exploración personalizada de estas herramientas según sus necesidades. |
|
Funcional |
Catálogo organizado |
Mayor facilidad de encontrar cada herramienta |
|
Funcional |
Navegación intuitiva |
Brinda una mejor experiencia al usuario. |
|
Funcional |
Información detallada sobre utilidad pedagógica |
Promueve el uso informado y contextualizado de cada herramienta de IA. |
|
Funcional |
Compatibilidad con dispositivos inteligente (celulares, PC, etc.) |
Accesible desde distintos entornos educativos. |
|
No funcional |
Usabilidad: diseño moderno y simple |
En respuesta a preferencias de los docentes: 38%7 moderno, 33.3% simple y claro. |
|
No funcional |
Diseño limpio y accesible |
Percepción visual apreciable. |
|
No funcional |
Rendimiento: carga rápida |
Evita frustración y mejora la experiencia en las aulas. |
|
No funcional |
Arquitectura escalable |
Permite agregar nuevas funciones a versiones futuras. |
|
No funcional |
Responsividad: adaptaciones automáticas a todo tipo de pantalla |
Garantiza funcionalidad en cualquier dispositivo. |
Fuente: Elaboración propia.
Arquitectura del sistema de recomendación
El modelo implementado se basa en una arquitectura cliente – servidor, estructurada por tres componentes principales: en el frontend Angular, en el backend Node.js con Express y como modelo de inteligencia artificial Gemini. El flujo de funcionamiento de la página web se describe en la Figura 4.
Figura 4. Flujo de funcionamiento de consulta.
Fuente: Elaboración propia.
Construcción del backend para la comunicación con el modelo de IA
Para poder realizar este enlace, se desarrolló un servidor backend utilizando Node.js, además del framework Express, donde expondrá un endpoint (/api/Gemini) el cual recibirá solicitudes desde el frontend que está realizado en formato JSON. En la Figura 5 se pone a disposición la estructura del servidor para lograr la comunicación con el modelo de IA.
Figura 5. Código para creación del servidor backend, endpoint principal.
Fuente: Elaboración propia.
Desarrollo del servicio (Frontend)
En este apartado, se construyó el servicio enfocado en la gestión de comunicación con el backend, fue implementado en Angular, además de emplear un módulo HttpClient par solicitudes de tipo POST.
En la Figura 6 y Figura 7 se plantea la implementación del servicio GeminiService, por donde se dará esta comunicación, este servicio nos brinda el poder enviar consultas realizada por usuarios hacia el conjunto de datos de herramientas disponibles, este enfoque un catálogo con información de diversa Inteligencias artificiales, facilitando la construcción estructurada para el debido procesamiento del modelo de IA.
Figura 6. Implementación del servicio GeminiService en Angular I.
Fuente: Elaboración propia.
Figura 7. Implementación del servicio GeminiService en Angular II.
Fuente: Elaboración propia.
Asimismo, este servicio integra un proceso de transformación y validación de respuestas, donde se realiza una limpieza de formatos adicionales con el propósito de priorizar una interpretación correcta como un objeto JSON dentro de la aplicación.
Diseño del prompt y estrategia de interacción con la IA.
El diseño del prompt representa un componente clave y esencial del sistema, ya que permite guiar el comportamiento del modelo de inteligencia artificial al integrar la consulta del usuario, un listado de herramientas en formato JSON, instrucciones precisas para su selección y limitaciones destinadas a generar respuestas organizadas y estructuradas.
Mediante este enfoque, el modelo generativo se trasforma en un sistema de recomendación guiado y controlado, garantizando resultados consistentes. Como se observa en la Figura 8, el prompt establece de manera clara el rol del modelo a seguir, el contexto y las reglas necesarias para convertir una consulta en lenguaje natural en una recomendación estructurada.
Figura 8. Construcción del prompt utilizado para interacción con modelo de IA.
Fuente: Elaboración propia.
Procesamiento y visualización de resultados
Cuando se obtiene la respuesta, empezara un filtrado de herramientas, correspondiente al catálogo previamente creado, el cual presentara en la interfaz principal tarjetas de estas herramientas, acompañada de su debida información, mejorando la búsqueda y proporcionando u mejor contexto y justificación de recomendaciones. En la Figura 9 se observa fragmentos de código para el procesamiento de respuestas generadas por la IA. Limpiando y filtrando formatos adicionales para una correcta interpretación del formato JSON
Figura 9. Fragmento de código para el procesamiento y limpieza de la respuesta generada por la IA.
Fuente: Elaboración propia.
Resultado esperado de sistema de recomendación inteligente
Dentro de este sistema, se podrá tener una conversación con un chat Bot, realizar preguntas sobre herramientas de IA o cualquier tema, dependiendo de la información que sea almacenada, ofrece las mejores opciones de tecnologías ya que no podrá desviarse a otro tema, está especificado para poder dar la mejor ayuda en la selección de herramientas de este catálogo, además de mostrar automáticamente las herramientas en su parte superior, tal cual se observa en la Figura 10.
Figura 10. Búsqueda con ayuda de inteligencia artificial
Fuente: Elaboración propia.
Discusión
Los resultados obtenidos dan énfasis a una adopción inicial por parte de los docentes de educación secundaria sobre las herramientas de IA, aunque aún, barreras como la desconfianza en la generación de contenido, desconocimiento dentro de la aplicación pedagógica y limitación por parte de las instituciones donde ejercen, aún persisten e impiden que pueda haber una mejor acogida para estas tecnologías. Los hallazgos sugieren que no solo son las limitaciones por parte de las instituciones o la disponibilidad de uso de dispositivos tecnológicos, sino también de la percepción y la formación de los docentes para llevar a cabo su estrategia de enseñanza, si bien se encuentran coincidencias o algunas semejanzas con otros estudios previos donde se señala la importancia de la preparación y capacitación pedagógica a los docentes, en este caso se abre la oportunidad de poder fortalecer la formación inicial de docentes más jóvenes en el trayecto profesional, donde se observa que existe predisposición a integrar estas herramientas. Estas limitaciones son puntos claves para el diseño de soluciones digitales, el sistema desarrollado, implementa un enfoque de recomendación asistida, donde el modelo se rige bajo un catálogo estructurado y reglas, permitiendo la reducción de respuestas ambiguas y poder mejorar la confiabilidad del sistema.
El desconocimiento de estas herramientas, sostiene la necesidad de interfaces intuitivas, como respuesta aquello, el prototipo implementa funcionalidades como filtrado dinámico, consultas en lenguaje natural, facilitando la interacción, usuario-sistema, por lo tanto, este desarrollo se posiciona como parte de soluciones tecnológicas, donde se orienta a la exploración y selección de herramientas de IA, con una visión potencial en distintos entornos.
Conclusiones
El estudio evidencia que la incorporación de herramientas de IA en la educación secundaria en la ciudad de Machala se encuentra en una etapa temprana, aunque con un nivel de uso considerable. Un 91,9% de los docentes encuestados afirmaron haber empleado IA al menos en alguna ocasión, evidenciando una disposición positiva hacia su integración en la práctica educativa. Este resultado indica que la IA ya está presente en el entorno educativo, aunque todavía es necesario impulsar estrategias de apoyo para fortalecer y consolidar su uso. Las principales barreras para la adopción de herramientas de IA no están limitadas a factores técnicos, también incluyen otros aspectos como desconfianza, desconocimiento y restricciones institucionales, demostrando que este diseño de soluciones tecnológicas, no solo debe considerar la funcionalidad del sistema, sino la facilidad, claridad de la información y la confianza que genera en el usuario.
En cuanto al acceso tecnológico por parte de los docentes en las instituciones de educación secundaria en Machala, se evidenció que los docentes de instituciones fiscales enfrentan mayores dificultades en el acceso a internet y disponibilidad de dispositivos tecnológicos, lo que afecta directamente en la frecuencia y nivel de uso de herramientas de IA. Esta brecha tecnológica representa un reto estructural que debe ser atendido para garantizar una adopción más justa y equitativa.
El desarrollo de una página web asistida por IA, ofrece un entorno estructurado para la navegación y selección de herramientas tecnológicas, el uso de la arquitectura cliente-servidor, utilizando Angular para el desarrollo del frontend, además de Node.js con Express para el backend, junto a Gemini como modelo de IA, permite dar respuesta a la problemática identificada, la cual facilita la construcción de un sistema dinámico, escalable y capaz de gestionar la interacción con el usuario de manera eficiente.
El desarrollo de un modelo funcional de página web con servicio de recomendación inteligente, que enfatiza y muestra de mejor manera las herramientas de IA, responde y da solución a las necesidades detectadas en la investigación, donde se identifica el requerimiento de reforzar la orientación práctica, capacitación docente, por consiguiente, la creación de este tipo de páginas web se ve enlazado con la creación de guías, manuales académicos, material didáctico para la impartición de clases, abriendo un abanico de posibilidades para la diversificación de la enseñanza secundaria.
El desarrollo de una página web basado en IA generativa con capacidad de recomendación logra un enfoque transformador convirtiendo datos empíricos en soluciones tecnológicas funcionales, demostrando el verdadero potencial de la inteligencia artificial como componente central para la elaboración de sistemas interactivos enfocados a la experiencia de usuarios.
Agradecimientos
Expresamos nuestra mayor gratitud y agradecimientos a nuestros padres por el apoyo incondicional y por ser la motivación constante dentro de nuestra formación. A nuestros amigos por ser parte de este proceso y brindarnos el apoyo posible, asimismo, agradecemos la ardua labor en equipo durante el desarrollo de está investigación, el compromiso y la dedicación de ambos fueron pilar fundamental para alcanzar este gran objetivo.
Especialmente agradecemos a nuestro querido tutor, por el compromiso y a dedicación en todo este tiempo de trabajo, y además de agradecer a la Universidad Técnica de Machala y cada docente que la conforma, porque gracias a sus enseñanzas, orientación y dedicación, logran formar profesionales que serán el futuro de este país tan hermoso como es Ecuador.
Referencias
Alwakid, W. N., Dahri, N. A., Humayun, M., & Alwakid, G. N. (2025). Exploring the Role of AI and Teacher Competencies on Instructional Planning and Student Performance in an Outcome-Based Education System. Systems, 13(7), 517. https://doi.org/10.3390/systems13070517
Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., Arx, S. von, Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., … Liang, P. (2022). On the Opportunities and Risks of Foundation Models (arXiv:2108.07258). arXiv. https://doi.org/10.48550/arXiv.2108.07258
Cheng, C. C., Chung, E., & Correa, N. (2023). La inteligencia Artificial y su Impacto en la Industria de la Ingeniería. REICIT, 3(1), 26-40. https://doi.org/10.48204/reict.v3n1.3948
Delgado, N., Carrasco, L. C., Maza, M. S. de la, & Etxabe-Urbieta, J. M. (2024). Aplicación de la Inteligencia Artificial (IA) en Educación: Los beneficios y limitaciones de la IA percibidos por el profesorado de educación primaria, educación secundaria y educación superior. Revista Electrónica Interuniversitaria de Formación del Profesorado, 27(1), 207-224. https://doi.org/10.6018/reifop.577211
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., … Wright, R. (2023). Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
Lanzagorta-Ortega, D., Carrillo-Pérez, D. L., & Carrillo-Esper, R. (2023). Inteligencia artificial en medicina: Presente y futuro. Gaceta Médica de México, 158(91), 9778. https://doi.org/10.24875/GMM.M22000688
López-Villanueva, D., Palau, R., & Santiago, R. (2025). Analizando alternativas metodológicas para la investigación educativa: Design Science Research (DSR). UTE Teaching & Technology (Universitas Tarraconensis), 40(62), 1-10. https://doi.org/10.17345/ute.2025.4062
Nielsen, Jakob, & Molich, Rolf. (1990). Heuristic evaluation of user interfaces. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 249-256. https://doi.org/10.1145/97243.97281
Padilla, R. D. M. (2019). La llegada de la inteligencia artificial a la educación. Revista de Investigación en Tecnologías de la Información, 7(14), 260-270. https://doi.org/10.36825/RITI.07.14.022
Pilataxi, T. M. I. (2025). La Inteligencia Artificial dentro de la Formación Educativa Secundaria de Ecuador: Artificial Intelligence within the Secondary Educational Training of Ecuador. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 6(1), 518-526. https://doi.org/10.56712/latam.v6i1.3355
Puche-Villalobos, D. (2024). Inteligencia artificial como herramienta educativa: Ventajas y desventajas desde la perspectiva docente. Areté, Revista Digital del Doctorado en Educación, 10(ee), 85-100.
Stoyanova, D., Stoyanova-Petrova, S., & Mileva, N. (2025). Exploring Students’ and Teachers’ Perceptions about Using ChatGPT in Programming Education. International Journal of Engineering Pedagogy (iJEP), 15(2), 15-41. https://doi.org/10.3991/ijep.v15i2.50607
Universidad Pedagógica Nacional, Sanabria Medina, G., & Regil-Vargas, L. (2024). Artificial Intelligence for resource recommendation in online education. Apertura, 16(2), 6-21. https://doi.org/10.32870/Ap.v16n2.2542
Zavala, C. X. N., Castillo, J. N. S., Granizo, C. N. J., & Yucta, H. R. P. (2025). La Innovación Educativa con Inteligencia Artificial: Generación y Validación de Guiones para Monólogos Educativos en la Enseñanza Universitaria. Informática y Sistemas, 9(2), 126-139. https://doi.org/10.33936/isrtic.v9i2.7471
Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep Learning Based Recommender System: A Survey and New Perspectives. ACM Comput. Surv., 52(1), 5:1-5:38. https://doi.org/10.1145/3285029
Zhao, J., Li, S., & Zhang, J. (2025). Understanding Teachers’ Adoption of AI Technologies: An Empirical Study from Chinese Middle Schools. Systems, 13(4), 302. https://doi.org/10.3390/systems13040302