https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
437
Artículo de investigación
El futuro de la educación: Google Learn y el aprendizaje
personalizado
The future of education: Google Learn and personalized learning
Iván Marcelo Avendaño Carpio*
Unidad Educativa Fiscomisional de Fuerzas
Armadas Colegio Militar No. 6
“Combatientes de Tapi”
Riobamba - Ecuador
acim30@hotmail.com
https://orcid.org/0009-0007-4680-6113
Socorro Isabel Castelo Haro
Unidad Educativa Fiscomisional de Fuerzas
Armadas Colegio Militar No. 6
“Combatientes de Tapi”
Riobamba - Ecuador
socorro.castelo@comil6.edu.ec
https://orcid.org/0009-0001-2650-3672
Ligia Elena Castañeda Condo
Unidad Educativa Fiscomisional de Fuerzas
Armadas Colegio Militar No. 6
“Combatientes de Tapi”
Riobamba - Ecuador
ligia.castaneda@comil6.edu.ec
https://orcid.org/0009-0004-7310-7041
Elvia Rosario Guadalupe Tamayo
Unidad Educativa Fiscomisional de Fuerzas
Armadas Colegio Militar No. 6
“Combatientes de Tapi”
Riobamba - Ecuador
rosarito7267@gmail.com
https://orcid.org/0009-0001-2078-256X
*Correspondencia:
acim30@hotmail.com
Cómo citar este artículo:
Avendaño, I., Castelo, S., Castañeda, L., &
Guadalupe, E. (2025). El futuro de la
educación: Google Learn y el aprendizaje
personalizado. Esprint Investigación, 4(2),
437-450. https://doi.org/10.61347/ei.v4i2.187
Recibido: 13 de octubre de 2025
Aceptado: 12 de noviembre de 2025
Publicado: 17 de noviembre de 2025
Resumen: La educación contemporánea enfrenta dificultad para integrar de manera
efectiva las tecnologías emergentes en prácticas pedagógicas capaces de atender la
diversidad de necesidades estudiantiles. Ante este escenario, el estudio analiza el
potencial de Google Learn para impulsar el aprendizaje personalizado a través de
herramientas basadas en inteligencia artificial. Mediante un enfoque cualitativo y una
revisión documental, se examinan los fundamentos teóricos del aprendizaje centrado en
el estudiante y los avances tecnológicos como la analítica del aprendizaje, los sistemas
adaptativos y los modelos generativos que posibilitan su implementación. Los resultados
muestran que Google Learn integra recursos como LearnLM, Gemini, NotebookLM y
funciones de Google Workspace que permiten rutas personalizadas, retroalimentación
inmediata y acompañamiento inteligente. No obstante, se identifican desafíos éticos,
pedagógicos y tecnológicos vinculados con la privacidad, los sesgos algorítmicos, la falta
de lineamientos y las brechas de infraestructura. Se concluye que, aunque Google Learn
posee un alto potencial para transformar las prácticas educativas, su impacto dependerá
del fortalecimiento de marcos éticos, competencias docentes y condiciones tecnológicas
que garanticen una implementación equitativa y coherente.
Palabras clave: Aprendizaje personalizado, Google Learn,
inteligencia artificial
educativa.
Abstract: Contemporary education faces challenges in effectively integrating emerging
technologies into pedagogical practices capable of addressing the diverse needs of students.
Against this backdrop, this study analyzes the potential of Google Learn to promote personalized
learning through artificial intelligence-based tools. Using a qualitative approach and a literature
review, the theoretical foundations of student-centered learning and technological advancements
such as learning analytics, adaptive systems, and generative models that enable its
implementation are examined. The results show that Google Learn integrates resources such as
LearnLM, Gemini, NotebookLM, and Google Workspace features that allow for personalized
learning paths, immediate feedback, and intelligent support. However, ethical, pedagogical, and
technological challenges are identified, related to privacy, algorithmic bias, a lack of guidelines,
and infrastructure gaps. The study concludes that, while Google Learn has significant potential
to transform educational practices, its impact will depend on strengthening ethical frameworks,
teacher competencies, and technological conditions that guarantee equitable and consistent
implementation.
Keywords: Educational artificial intelligence, Google Learn, personalized learning.
Copyright: Derechos de autor 2025 Iván
Marcelo Avendaño Carpio, Socorro Isabel
Castelo Haro, Ligia Elena Castañeda Condo,
Elvia Rosario Guadalupe Tamayo.
Esta obra está bajo una licencia internacional
Creative
Commons Atribución-
NoComercial 4.0.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 438
1. Introducción
El futuro de la educación presenta una brecha notable entre el potencial de las tecnologías emergentes
y su efectiva incorporación en los sistemas educativos. En este escenario, Google Learn se proyecta
como una plataforma capaz de fortalecer el aprendizaje personalizado mediante inteligencia artificial;
no obstante, su adopción continúa limitada por deficiencias en infraestructura tecnológica, insuficiente
capacitación digital del profesorado y una integración aún incipiente con los marcos pedagógicos
contemporáneos (Sajja et al., 2023).
Durante las últimas dos décadas, los avances tecnológicos han transformado profundamente los
procesos de enseñanza y aprendizaje, favoreciendo modelos más flexibles, interactivos y centrados en
el estudiante. La pandemia de la COVID-19 aceleró esta transición al evidenciar la necesidad de
plataformas capaces de atender la diversidad de ritmos, estilos y necesidades de aprendizaje presentes
en las aulas contemporáneas (Tarun et al., 2025). En este escenario, la inteligencia artificial (IA) se
posiciona como un recurso esencial para diseñar experiencias educativas más personalizadas y
eficaces, lo que permite comprender el papel estratégico que herramientas como Google Learn pueden
desempeñar en los sistemas educativos del futuro (Anchundia et al., 2024).
La evolución de las plataformas digitales de aprendizaje ha estado estrechamente vinculada al
desarrollo de las tecnologías de la información y la comunicación. Desde finales del siglo XX, los
primeros entornos virtuales se enfocaron en la gestión básica de contenidos, principalmente en
instituciones universitarias. Sin embargo, con la expansión del acceso a internet en la década de 2000,
la educación digital adquirió mayor alcance y sofisticación (Aparicio-Gómez et al., 2024). Este proceso
se consolidó con la aparición de los MOOC (Massive Open Online Courses), que democratizaron el
conocimiento al ofrecer cursos abiertos de instituciones de prestigio a una audiencia global (Chiappe
& Amaral, 2019; Bucio et al., 2022)
Paralelamente, las instituciones educativas adoptaron sistemas más estructurados para gestionar
actividades académicas. Un hito relevante fue el lanzamiento de Google Classroom en 2014, herramienta
que dinamizó la interacción docente–estudiante mediante la organización de tareas, retroalimentación y
recursos digitales (Trámpuz, 2022). Su uso se incrementó sustancialmente durante la pandemia,
convirtiéndose en una plataforma central para la educación remota (Bondarenko et al., 2019).
En los últimos años, el ecosistema educativo ha evolucionado hacia entornos adaptativos, sistemas
basados en analítica del aprendizaje y aplicaciones de IA (García et al., 2025). Estas innovaciones han
impulsado la transición hacia modelos centrados en las necesidades y ritmos particulares de los
estudiantes. El aprendizaje adaptativo, por ejemplo, ajusta dinámicamente los contenidos y
actividades en función del desempeño individual, apoyándose en algoritmos que identifican patrones
de comprensión y seleccionan los recursos más pertinentes (Anchundia et al., 2024; Mejía et al., 2024).
La inteligencia artificial profundiza esta personalización mediante técnicas como el aprendizaje
automático, la minería de datos educativos y el procesamiento del lenguaje natural, que permiten
anticipar dificultades, ofrecer recomendaciones en tiempo real y mejorar la toma de decisiones
pedagógicas. Complementariamente, la analítica del aprendizaje genera información valiosa sobre
participación, interacción y rendimiento, facilitando intervenciones oportunas y prácticas educativas
basadas en evidencia (Cukurova, 2024; Sadallah, 2025; Bura & Myakala, 2024).
En este ecosistema digital surge Google Learn, entendido no como una plataforma única, sino como
un conjunto de herramientas, modelos y recursos pedagógicos con IA orientados a distintos niveles y
ámbitos educativos, desde la escuela hasta la formación profesional, reunidos en el sitio Google
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 439
Learning (Gomes, 2025). Su potencial radica en integrar capacidades adaptativas, analíticas y de tutoría
inteligente que fortalecen la personalización del aprendizaje.
Entre sus propuestas más relevantes destacan: Learn Your Way, un experimento que utiliza el
modelo LearnLM para transformar libros de texto en experiencias interactivas y multimodales,
generando mejoras en la retención estudiantil (Meares, 2025); Gemini y su modo Guided Learning, que
actúa como tutor personalizado y genera guías de estudio, explicaciones paso a paso o rutas de
aprendizaje (Mohr, 2025); NotebookLM, herramienta con capacidades de Retrieval-Augmented
Generation (RAG) para estudiar a partir de documentos propios con resúmenes, guías y cuestionarios
fiables (Tufino, 2025); y el Teaching and Learning Add-on, que integra IA en Google Workspace para
crear prácticas y actividades con retroalimentación automática. A ello se suma la oferta de formación
en IA para estudiantes y docentes, orientada a desarrollar alfabetización digital ética y responsable
(Equipo de Google Workspace, 2025).
Gracias a estos mecanismos, Google Learn ofrece un potencial significativo para la personalización
masiva, el aumento de la accesibilidad educativa, el apoyo a la labor docente y la mejora del
rendimiento académico, además de fomentar el aprendizaje continuo en diversos contextos (Google
One, s.f). No obstante, la incorporación de tecnologías basadas en IA también plantea desafíos éticos y
pedagógicos que deben ser abordados con rigor. La privacidad de los datos es uno de los aspectos más
críticos, debido al volumen y sensibilidad de la información que estas plataformas recopilan sobre los
estudiantes (Maza & Montenegro, 2025). Una gestión inadecuada podría derivar en vulneración de la
confidencialidad o sesgos algorítmicos, por lo que se requieren marcos regulatorios y prácticas
institucionales robustas que garanticen transparencia y protección de datos (Molina et al., 2025).
Asimismo, la equidad educativa constituye un reto central. La efectividad del aprendizaje adaptativo
depende del acceso a infraestructura tecnológica y habilidades digitales, condiciones que no se
distribuyen de manera equitativa (Olalla-Chávez et al., 2025). Además, los algoritmos pueden reproducir
sesgos si se entrenan con datos no representativos, afectando a grupos vulnerables. Esto exige políticas
de inclusión digital y evaluaciones permanentes del desempeño algorítmico (Amén-Mora et al., 2025).
En el plano pedagógico, el rol docente adquiere un significado renovado. Aunque la automatización
facilita tareas como el monitoreo del progreso o la generación de actividades, la mediación pedagógica
sigue siendo esencial para cultivar pensamiento crítico, acompañamiento emocional y orientación
académica (Quinto, 2025). Por ello, se requiere fortalecer las competencias tecnopedagógicas del
profesorado y garantizar que los sistemas automatizados complementen, pero no condicionen de
forma excesiva, las decisiones educativas (Alfredo et al., 2023; Karpouzis, 2024).
Aunque Google Learn ofrece herramientas basadas en inteligencia artificial capaces de personalizar
rutas de aprendizaje y mejorar la retroalimentación estudiantil, su impacto real en los entornos
educativos sigue siendo limitado debido a la falta de criterios pedagógicos unificados para su
implementación. La ausencia de lineamientos claros sobre cómo integrar estas tecnologías en la
práctica docente genera inconsistencias en su uso, lo que afecta la calidad de la personalización y puede
profundizar desigualdades entre estudiantes con distintos niveles de alfabetización digital.
El objetivo general de este estudio es analizar el potencial de Google Learn como herramienta
impulsora del aprendizaje personalizado, identificando sus aportes, limitaciones y posibles
implicaciones en la transformación de los modelos educativos del futuro. Para ello, se plantean tres
objetivos específicos: examinar los fundamentos teóricos y tecnológicos del aprendizaje personalizado
y su relación con las tendencias actuales de educación digital; describir las principales características,
funciones y estrategias pedagógicas que incorpora Google Learn para promover la personalización del
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 440
aprendizaje; y evaluar los desafíos éticos, pedagógicos y tecnológicos asociados con la implementación
de plataformas basadas en inteligencia artificial en los sistemas educativos contemporáneos.
2. Metodología
Este estudio se llevó a cabo mediante un enfoque de investigación cualitativa, complementado con un
análisis documental y de revisión bibliográfica, para explorar en profundidad el potencial de Google
Learn en la facilitación del aprendizaje personalizado y su relación con las tendencias actuales en
educación digital.
Se recopilaron y analizaron información sobre los fundamentos teóricos del aprendizaje centrado
en el estudiante, funcionalidades y herramientas del ecosistema Google, así como casos y propuestas
relacionadas con la inteligencia artificial en este contexto. Además, se evaluaron aspectos éticos,
pedagógicos y tecnológicos mediante la revisión de informes y estudios recientes, permitiendo
identificar oportunidades y limitaciones sin realizar un estudio de campo, enfocándose en un análisis
conceptual y teórico para ofrecer una visión integral sobre el tema.
3. Resultados
Aprendizaje personalizado y su relación con las tendencias actuales de educación digital
La Tabla 1 evidencia que los fundamentos teóricos del aprendizaje personalizado coinciden en un
principio común: la centralidad del estudiante como agente activo en la construcción del conocimiento
Tabla 1
Fundamentos teóricos del aprendizaje personalizado
Autor(es) / Año Aportes teóricos centrales Enfoque pedagógico asociado
Enríquez &
Navarro (2024)
Enfoque centrado en el estudiante; diferenciación de necesidades
e intereses; control autónomo del proceso de aprendizaje;
importancia de la reflexión continua y la cooperación docente–
alumno.
Aprendizaje centrado en el
alumno; pedagogía experiencial y
colaborativa.
Reyes et al.
(2024)
Convergencia de aportes de Montessori (autonomía), Dewey
(experiencia y reflexión), Piaget y Vygotsky (desarrollo cognitivo
e interacción social); aprendizaje a ritmo propio y construcción
significativa del conocimiento.
Constructivismo; educación
progresista; aprendizaje activo y
contextualizado
Guerschberg &
Gutierrez (2024)
Fomento del aprendizaje autodirigido; relevancia del
constructivismo para generar contenidos adaptativos;
microaprendizajes que potencian autonomía, autoeficacia y
participación.
Constructivismo;
autoaprendizaje; enfoque
centrado en la autonomía del
estudiante.
Quezada et al.
(2025)
Adaptación según intereses, habilidades y ritmos; énfasis en
motivación, autoeficacia y acompañamiento docente;
consideración del contexto socioemocional del estudiante.
Enfoques motivacionales y
socioemocionales del aprendizaje;
pedagogía diferenciada.
Klioukina &
Engel (2024)
Personalización basada en la identificación activa de necesidades
por parte del estudiante; toma de decisiones sobre su propio
proceso; fortalecimiento de autonomía y responsabilidad.
Pedagogía centrada en la voz del
estudiante; constructivismo
orientado a la participación activa.
Beltrán et al.
(2025)
Adaptación sustentada en análisis de datos en tiempo real;
personalización para necesidades diversas, incluyendo
estudiantes con discapacidad; énfasis en accesibilidad e inclusión.
Enfoque inclusivo basado en
datos; aprendizaje personalizado
orientado a la equidad.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 441
Los autores revisados coinciden en que la personalización no se limita a ajustar contenidos, sino
que implica reconocer las diferencias cognitivas, emocionales, sociales y motivacionales de cada
aprendiz. Desde las aproximaciones clásicas como el énfasis de Montessori en la autonomía, la visión
experiencial de Dewey y las bases constructivistas de Piaget y Vygotsky hasta perspectivas
contemporáneas que integran la autoeficacia, el acompañamiento docente y la accesibilidad, se
configura un marco teórico robusto que fundamenta la personalización educativa.
La personalización del aprendizaje se sustenta en tres pilares transversales: la autonomía del
estudiante, expresada en su capacidad para tomar decisiones, autorregularse y avanzar a su propio
ritmo; la construcción significativa del conocimiento, basada en actividades contextualizadas y
experiencias auténticas; y la atención a la diversidad, que reconoce las necesidades, capacidades e
intereses individuales, integrando dimensiones socioemocionales y motivacionales. Estos principios se
articulan con modelos pedagógicos contemporáneos que promueven el aprendizaje activo, la
participación del estudiante y la personalización como una vía para fortalecer el compromiso, la
equidad y la inclusión. De este modo, la evidencia presentada muestra que los fundamentos teóricos,
aunque diversos, son complementarios y contribuyen a comprender el aprendizaje personalizado
como un enfoque integral y orientado al desarrollo global del estudiante.
La Tabla 2 evidencia que el aprendizaje personalizado se ha visto profundamente potenciado por
el desarrollo de tecnologías digitales emergentes, que permiten materializar en la práctica los
principios teóricos revisados.
Tabla 2
Fundamentos tecnológicos y relación con tendencias actuales de educación digital
Autor(es) / Año Fundamentos tecnológicos
Relación con tendencias actuales de educación
digital
Enríquez &
Navarro (2024)
Adaptación de contenido, rutas e interfaces;
que identifican características del estudiante.
Avance de plataformas adaptativas; educación
flexible y centrada en datos; mayor personalización de
experiencias digitales.
Reyes et al.
(2024)
aprendizaje adaptativo basado en datos.
Gamificación, analíticas de aprendizaje y entornos
que fomentan autodirección y pensamiento crítico.
Guerschberg &
Gutierrez (2024)
IA generativa para contenidos adaptativos;
fragmentada y retroalimentación inmediata.
Expansión de IA generativa, contenidos modulares y
educación ubicua; experiencias inmersivas e
interactivas.
Quezada et al.
(2025)
datos.
Educación en línea, aprendizaje a distancia, inclusión
digital; necesidad de regulación y cierre de brechas
digitales.
Klioukina &
Engel (2024)
Analíticas de aprendizaje, minería de datos,
digitales escolares.
Educación híbrida; participación activa del
estudiante; personalización mediante algoritmos de
recomendación.
Beltrán et al.
(2025)
chatbots; asistentes virtuales; herramientas de
accesibilidad.
Transformación digital; aprendizaje adaptativo;
educación inclusiva; automatización pedagógica y
optimización por datos.
Las contribuciones tecnológicas señaladas por los autores como plataformas LMS, analíticas de
aprendizaje, inteligencia artificial generativa, sistemas adaptativos y minería de datos actúan como
mecanismos que posibilitan una personalización dinámica, continua y basada en evidencia.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 442
Se evidencia tres líneas tecnológicas centrales para el aprendizaje personalizado: la adaptación
automatizada del contenido, mediante la cual las plataformas ajustan rutas, recursos y actividades
según el desempeño del estudiante; la retroalimentación inmediata basada en analíticas de aprendizaje
que permiten monitorear el progreso y orientar decisiones pedagógicas en tiempo real; y el uso de IA
generativa y microaprendizajes para crear experiencias educativas flexibles, interactivas y altamente
personalizadas.
Estas tecnologías no solo operacionalizan los principios teóricos del enfoque, sino que también se
articulan con las tendencias actuales de la educación digital, que priorizan el aprendizaje adaptativo y
centrado en el estudiante, la inclusión y accesibilidad, el análisis de datos para la toma de decisiones,
la gamificación y las experiencias inmersivas, así como modalidades híbridas, flexibles y autónomas.
Se muestra una relación directa entre fundamentos tecnológicos y tendencias educativas: los avances
tecnológicos habilitan nuevas formas de personalización, mientras que dichas tendencias consolidan
la transición hacia prácticas educativas más individualizadas, participativas y orientadas a las
necesidades reales del alumnado.
Google Learn para promover la personalización del aprendizaje
En la Figura 1 se presenta un conjunto de herramientas del ecosistema Google que conforman la base
operativa sobre la cual Google Learn impulsa experiencias de aprendizaje personalizadas. Google
Classroom, Google Forms, Google Docs/Sheets/Slides, Google Meet y las prácticas guiadas con IA
aparecen como elementos interconectados que facilitan la gestión del aprendizaje, la diferenciación de
tareas, la evaluación continua y la interacción docente–estudiante.
Figura 1
Características y funciones principales
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 443
Cada herramienta cumple un propósito específico: Classroom centraliza el flujo de trabajo y permite
asignar actividades diferenciadas; Forms posibilita evaluaciones diagnósticas y formativas con lógica
condicional; los recursos colaborativos como Docs, Sheets y Slides fomentan la co-creación y permiten
al docente observar el progreso en tiempo real; Meet ofrece un espacio para tutorías sincrónicas que
refuerzan el acompañamiento individual; y las prácticas guiadas con IA brindan retroalimentación
inmediata, corrección automática y estadísticas que orientan la toma de decisiones pedagógicas
(Garzón & Rodríguez, 2024).
En la Figura 2 expone los principios didácticos que orientan el uso de Google Learn para lograr una
auténtica personalización del aprendizaje.
Figura 2
Estrategias pedagógicas
Estrategias como la instrucción diferenciada, el aprendizaje a ritmo propio, la evaluación formativa
continua, el trabajo colaborativo y el empoderamiento del estudiante constituyen los fundamentos
pedagógicos que permiten transformar los recursos tecnológicos en experiencias centradas en las
necesidades individuales (Soto-Rodríguez et al., 2023). La instrucción diferenciada se vincula con la
posibilidad de adaptar actividades según niveles, ritmos y estilos de aprendizaje; el aprendizaje a ritmo
propio se apoya en la disponibilidad de recursos digitales que permiten avanzar de manera flexible; la
evaluación formativa continua se fortalece con el uso de analíticas y retroalimentación inmediata; el
aprendizaje colaborativo se facilita mediante herramientas de co-edición y comunicación; y el
empoderamiento del estudiante emerge al otorgarle voz, autonomía y capacidad de decisión dentro
de la plataforma (Red de Educación Continua de Latinoamérica y Europa, 2024).
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 444
Desafíos éticos, pedagógicos y tecnológicos en los sistemas educativos contemporáneos
La Tabla 3 evidencia que la implementación de plataformas educativas basadas en inteligencia artificial
presenta desafíos multidimensionales que deben abordarse de manera integrada para garantizar una
adopción ética, equitativa y pedagógicamente coherente.
Tabla 3
Desafíos éticos, pedagógicos y tecnológicos
Dimensión Desafíos principales Descripción
Implicaciones para los sistemas
educativos
Ética
Privacidad y
protección de datos
Las plataformas recopilan
grandes volúmenes de
información sensible sobre
desempeño, interacción y
características del estudiante.
Requiere políticas robustas de seguridad,
transparencia y cumplimiento normativo
para evitar vulneraciones y usos
indebidos (Maza & Montenegro, 2025;
Molina et al., 2025).
Sesgos algorítmicos
Los modelos de IA pueden
reproducir inequidades si se
entrenan con datos no
representativos.
Puede afectar a grupos vulnerables y
generar decisiones injustas (Amén-Mora
et al., 2025).
Equidad digital
El acceso desigual a tecnologías
y competencias digitales
condiciona la eficacia de la
personalización.
Riesgo de ampliar brechas educativas
existentes (Olalla-Chávez et al., 2025).
Pedagógica
Transformación del
rol docente
La IA automatiza tareas, pero
no reemplaza la mediación
pedagógica para pensamiento
crítico y apoyo emocional.
Necesidad de fortalecer competencias
tecnopedagógicas (Quinto, 2025).
Inconsistencia en
criterios de uso
Falta de lineamientos sobre
cómo integrar IA en la práctica
educativa.
Genera usos arbitrarios y resultados
pedagógicos heterogéneos (Alfredo et al.,
2023).
Dependencia excesiva
de automatización
Riesgo de sustituir decisiones
docentes por algoritmos.
Puede limitar la autonomía profesional y
la toma de decisiones pedagógicas
(Karpouzis, 2024).
Tecnológica
Infraestructura
insuficiente
La IA requiere conectividad,
dispositivos y sistemas
integrados.
Su impacto se reduce en contextos con
limitaciones tecnológicas (Olalla-Chávez
et al., 2025).
Capacitación técnica
limitada
El profesorado puede
desconocer herramientas como
LearnLM, NotebookLM o
sistemas adaptativos.
Disminuye el aprovechamiento real de la
IA educativa (Quinto, 2025).
Falta de marcos
institucionales
No existen criterios claros para
evaluar, validar o supervisar el
uso de IA.
Dificulta su alineación con objetivos
formativos y políticas educativas (Molina
et al., 2025).
En el plano ético, la privacidad y protección de datos representan uno de los riesgos más relevantes,
debido al manejo continuo de información sensible sobre el rendimiento, comportamiento e
interacción de los estudiantes dentro de las plataformas. Tal como señalan Maza y Montenegro (2025)
y Molina et al. (2025), una gestión inadecuada de estos datos puede derivar en vulneraciones a la
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 445
confidencialidad, uso indebido de la información o falta de transparencia sobre los procesos
algorítmicos. Además, la presencia de sesgos algorítmicos constituye un riesgo adicional, dado que los
modelos de IA pueden replicar desigualdades estructurales cuando se entrenan con datos no
representativos, afectando especialmente a grupos vulnerables (Amén-Mora et al., 2025). A ello se
suma el desafío de la equidad digital, ya que el acceso desigual a tecnologías y habilidades digitales
condiciona directamente la eficacia del aprendizaje personalizado (Olalla-Chávez et al., 2025).
En la dimensión pedagógica, la tabla evidencia que la IA introduce cambios sustantivos en el rol
docente. Aunque permite automatizar tareas y ofrecer retroalimentación en tiempo real, su uso
requiere reforzar las competencias tecnopedagógicas del profesorado para evitar una dependencia
excesiva de los algoritmos (Quinto, 2025). Autores como Alfredo et al. (2023) destacan que la ausencia
de lineamientos claros sobre el uso pedagógico de la IA genera prácticas heterogéneas que pueden
afectar la calidad de la enseñanza y limitar la coherencia curricular. Asimismo, Karpouzis (2024)
advierte que la automatización no debe reemplazar la toma de decisiones docentes, ya que la
mediación humana sigue siendo esencial para fomentar el pensamiento crítico, el acompañamiento
emocional y la orientación académica.
En cuanto a los desafíos tecnológicos, la tabla revela limitaciones estructurales vinculadas a
infraestructura, interoperabilidad y capacitación. El acceso insuficiente a conectividad estable,
dispositivos adecuados y sistemas compatibles constituye un obstáculo significativo para la adopción
efectiva de estas plataformas (Olalla-Chávez et al., 2025). Además, la falta de formación técnica en el
profesorado reduce la capacidad para aprovechar herramientas avanzadas como modelos generativos,
sistemas adaptativos o asistentes virtuales (Quinto, 2025). Por otra parte, la ausencia de marcos
institucionales o normativos que regulen y supervisen el uso de IA en contextos educativos dificulta
su alineación con los objetivos formativos y las políticas educativas vigentes (Molina et al., 2025).
4. Discusión
Los resultados obtenidos muestran una correspondencia sólida entre los fundamentos teóricos del
aprendizaje personalizado y las evidencias presentadas sobre el potencial de Google Learn. Desde las
perspectivas clásicas y contemporáneas, el aprendizaje centrado en el estudiante se fundamenta en la
autonomía, la diferenciación y la construcción significativa del conocimiento, tal como señalan
Enríquez y Navarro (2024), Reyes et al. (2024) y Guerschberg y Gutiérrez (2024). Los hallazgos del
estudio reflejan estos mismos principios al identificar la autorregulación, la atención a la diversidad y
el aprendizaje contextualizado como ejes centrales que Google Learn operacionaliza mediante
herramientas de IA, retroalimentación inmediata y rutas de aprendizaje diferenciadas.
Asimismo, la revisión de tendencias tecnológicas contemporáneas confirma la relación estrecha
entre los fundamentos teóricos y los avances que sostienen el desarrollo del aprendizaje personalizado.
Tal como destacan Klioukina y Engel (2024) y Beltrán et al. (2025), tecnologías como la analítica del
aprendizaje, la IA generativa, los sistemas adaptativos y los microaprendizajes constituyen la base de
las transformaciones educativas actuales. Los resultados coinciden con esta visión, al mostrar que
herramientas como LearnLM, NotebookLM, Gemini en modo Guided Learning y el Teaching and
Learning Add-on permiten ajustar contenidos, monitorear el progreso y ofrecer recomendaciones en
tiempo real. Esto confirma la transición descrita en la literatura hacia entornos pedagógicos más
flexibles, basados en datos y centrados en las necesidades individuales.
En relación con las estrategias didácticas, los hallazgos también se alinean con lo propuesto por
Soto-Rodríguez et al. (2023) y la Red de Educación Continua de Latinoamérica y Europa (2024). La
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 446
instrucción diferenciada, el aprendizaje a ritmo propio y la evaluación formativa continua emergen
como prácticas que Google Learn facilita de manera coherente con los principios constructivistas y
socioemocionales expuestos por autores como Quezada et al. (2025). En este sentido, la plataforma no
solo integra recursos tecnológicos, sino que se articula con marcos pedagógicos capaces de transformar
la experiencia educativa en un proceso más autónomo, colaborativo y centrado en el estudiante.
No obstante, los resultados también revelan importantes tensiones entre el potencial teórico de estas
tecnologías y los desafíos que enfrenta su implementación. La dimensión ética, por ejemplo, evidencia
que la promesa de una personalización sustentada en datos convive con riesgos significativos en
materia de privacidad y sesgos algorítmicos. Tal como advierten Maza y Montenegro (2025) y Molina
et al. (2025), la recopilación masiva de información estudiantil exige políticas claras de seguridad y
transparencia. Los resultados muestran que, sin una gestión adecuada, estos sistemas pueden
reproducir inequidades, un riesgo también señalado por Amén-Mora et al. (2025) cuando los
algoritmos se entrenan con datos no representativos.
En términos pedagógicos, se observa una tensión adicional entre el rol docente y la automatización
de procesos educativos. Aunque la IA permite agilizar tareas y mejorar la retroalimentación, los
resultados coinciden con lo planteado por Quinto (2025) y Alfredo et al. (2023): la falta de lineamientos
claros sobre el uso pedagógico de la IA genera prácticas inconsistentes que pueden comprometer la
coherencia curricular. Asimismo, Karpouzis (2024) advierte que la dependencia excesiva de sistemas
automatizados puede limitar la autonomía docente, lo cual coincide con los desafíos identificados en
la adopción de Google Learn, donde la mediación pedagógica sigue siendo insustituible para fomentar
pensamiento crítico y acompañamiento emocional.
En el plano tecnológico, los resultados confirman lo señalado por Olalla-Chávez et al. (2025) y
Quinto (2025) respecto a las desigualdades en acceso a infraestructura y capacitación. Las herramientas
de Google Learn dependen de conectividad estable, dispositivos adecuados y habilidades digitales
avanzadas para su uso efectivo. La ausencia de marcos institucionales robustos, tal como indican
Molina et al. (2025), también limita la capacidad de integrar estas tecnologías de forma coherente con
las políticas educativas, reduciendo su impacto real en contextos con limitaciones estructurales.
A futuro, los resultados sugieren que Google Learn podría consolidarse como un agente
transformador del aprendizaje siempre que se fortalezcan simultáneamente tres dimensiones críticas:
la ética, mediante marcos sólidos de protección de datos y mecanismos de transparencia algorítmica;
la pedagógica, a través de una formación docente continua que garantice un uso tecnopedagógico
riguroso y evite la delegación excesiva en sistemas automatizados; y la tecnológica, mediante
inversiones en infraestructura y políticas de inclusión digital que aseguren el acceso equitativo a
dispositivos y conectividad. La convergencia de estas condiciones permitiría que Google Learn
impulse entornos educativos más adaptativos, accesibles y centrados en el estudiante, favoreciendo
modelos formativos coherentes con las demandas cognitivas, tecnológicas y sociales del siglo XXI.
5. Conclusiones
Los fundamentos teóricos del aprendizaje personalizado, sustentados en la autonomía, la
diferenciación y la construcción activa del conocimiento, encuentran un respaldo sólido en las
tecnologías actuales, especialmente en la analítica del aprendizaje y la inteligencia artificial. Estas
innovaciones permiten aplicar en la práctica los principios pedagógicos revisados, fortaleciendo
procesos de personalización dinámica, retroalimentación inmediata y adaptación continua a las
características individuales de los estudiantes.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 447
Las herramientas y estrategias integradas en Google Learn demuestran un alto potencial para
transformar las prácticas educativas hacia modelos más flexibles y centrados en el estudiante.
Funcionalidades como las tutorías inteligentes, los recursos multimodales, las rutas adaptativas y la
retroalimentación automatizada se articulan coherentemente con enfoques didácticos
contemporáneos, facilitando experiencias de aprendizaje más inclusivas, autónomas y ajustadas a los
ritmos y necesidades de cada estudiante.
A pesar del potencial identificado, persisten desafíos éticos, pedagógicos y tecnológicos que
condicionan la eficacia de las plataformas basadas en inteligencia artificial. La protección de datos, la
mitigación de sesgos algorítmicos, la capacitación docente en competencias tecnopedagógicas y la
disponibilidad de infraestructura adecuada son aspectos críticos que deben resolverse para garantizar
una implementación segura, equitativa y alineada con los fines formativos. Superar estas brechas será
determinante para consolidar la contribución de Google Learn en la construcción de modelos
educativos sostenibles y orientados al futuro.
Referencias
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2023).
Human-centred learning analytics and AI in education: A systematic literature review [Manuscrito no
publicado]. https://n9.cl/rq16j
Amén-Mora, P., Zavala-Baque, D., Moran-Lozano, N., & Intriago-Terán, A. (2024). Desafíos éticos y de
privacidad en la implementación de la inteligencia artificial en la educación superior. Revista
Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa REICOMUNICAR,
7(14), 613–628. https://n9.cl/7ym4tw
Anchundia, J., Macías, R., & Tubay, L. (2024). La personalización del aprendizaje: Estrategias de
adaptación de contenido con inteligencia artificial en entornos educativos. Educación y Vínculos.
Revista de Estudios Interdisciplinarios en Educación. https://doi.org/10.33255/2591/1940
Aparicio-Gómez, O., Ostos-Ortiz, O., & Abadía-García, C. (2024). Inteligencia artificial y aprendizaje
personalizado en el siglo XXI. Revista Interamericana de Investigación, Educación y Pedagogía, 10(3).
https://doi.org/10.15332/25005421.11122
Beltrán, M., Arcos, A., Viscarra, W., Barahona, G., & Sánchez, A. (2025). Integración de la inteligencia
artificial y el aprendizaje adaptativo para personalizar la experiencia educativa. Revista
Científica de Salud y Desarrollo Humano, 6(1), 1882–1914.
https://doi.org/10.61368/r.s.d.h.v6i1.567
Bondarenko, O., Mantulenko, S., & Pikilnyak, A. (2019). Google Classroom as a tool of support of blended
learning for geography students [Preprint]. arXiv. https://arxiv.org/abs/1902.00775
Bucio, J., Melo Flórez, J., Vadillo, G., & Sánchez Mendiola, M. (2022). Una aventura en movimiento:
Breve historia de los MOOC en la UNAM. Revista Digital Universitaria, 23(6).
https://doi.org/10.22201/cuaieed.16076079e.2022.23.6.7
Bura, C., & Myakala, P. (2024). Advancing transformative education: Generative AI as a catalyst for equity
and innovation [Preprint]. arXiv. https://arxiv.org/abs/2411.15971
Chiappe, A., & Amaral, M. (2019). Los MOOC en la línea del tiempo: Una biografía investigativa de
una tendencia educativa. Revista de Educación a Distancia (RED), (59).
https://doi.org/10.6018/red.438701
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 448
Cukurova, M. (2024). The interplay of learning, analytics, and artificial intelligence in education: A vision for
hybrid intelligence [Documento web]. https://n9.cl/58nf6
Enríquez, L., & Navarro, J. (2024). Explorar los matices: Aprendizaje personalizado y adaptativo en la
educación digital. Revista Digital Universitaria, 25(1), 1–20. https://n9.cl/rabds
Equipo de Google Workspace. (2025, 3 de abril). NotebookLM and the Gemini app are now core services
with enterprise-grade data protection for all education customers. Google Workspace Updates.
https://n9.cl/ca6uk
García, V., Moreira, R., Ponce, R., & Loor, M. (2025). Aprendizaje adaptativo a través de la inteligencia
artificial en la educación superior. Revista Científica de Innovación Educativa y Sociedad Actual
“ALCON”, 5(4), 480–489. https://doi.org/10.62305/alcon.v5i4.775
Garzón, C., & Rodríguez, M. (2024). Uso de la tecnología educativa para la personalización de recursos
en la enseñanza. LATAM: Revista Latinoamericana de Ciencias Sociales y Humanidades, 5(3), 1–15.
https://n9.cl/o2lvu
Gomes, B. (2025, 20 de mayo). Learn in newer, deeper ways with Gemini. Blog de Google.
https://n9.cl/x563vi
Google One / Google AI. (s.f.). Mejora tu aprendizaje con Google AI Pro para estudiantes. Google.
https://n9.cl/p9n7j
Guerschberg, L., & Gutierrez, Y. (2024). Revolución en la educación a través de la inteligencia artificial
y los microaprendizajes: Nuevas fronteras del aprendizaje personalizado. SAPIENS
International Multidisciplinary Journal, 1(3), 51–64. https://doi.org/10.71068/j4bnna33
Karpouzis, K. (2024). Artificial intelligence in education: Ethical considerations and insights from
Ancient Greek philosophy. In Proceedings of the 13th Hellenic Conference on Artificial Intelligence,
25, 1–7. https://doi.org/10.1145/3688671.3688772
Klioukina, S., & Engel, A. (2024). Prácticas de personalización del aprendizaje mediadas por las
tecnologías digitales: Una revisión sistemática. Edutec. Revista Electrónica de Tecnología
Educativa, (87), 236–250. https://n9.cl/kos4q
Maza, D., & Montenegro, J. (2025). Ética y desafíos de la inteligencia artificial en la educación:
Privacidad, equidad y el futuro del aprendizaje humano. Revista Científica Arbitrada
Multidisciplinaria PENTACIENCIAS, 7(5), 56–67.
https://doi.org/10.59169/pentaciencias.v7i5.1639
Meares, J. (2025, 23 de septiembre). How Gemini’s Guided Learning can help you study more effectively. Blog
de Google. https://n9.cl/pkvext
Mejía, C., Quinteros, N., Montenegro, J., Viscain, A., Quelal, D. del C., & Moreno, D. (2024). Aplicación
de la inteligencia artificial en la personalización del aprendizaje: Un enfoque adaptativo para
mejorar la experiencia educativa. Revista Latinoamericana de Calidad Educativa.
https://doi.org/10.70625/rlce/301
Mohr, C. (2025, 30 de junio). Gemini in Classroom: No-cost AI tools that amplify teaching and learning. Blog
de Google. https://n9.cl/gbh236
Molina, J., Lucio, A., & Chicaiza, D. (2025). Uso ético pedagógico de la inteligencia artificial en
educación. Ciencia Latina. Revista Científica Multidisciplinar, 9(3), 11458–11477.
https://doi.org/10.37811/cl_rcm.v9i3.19082
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 449
Olalla-Chávez, D., Vargas-Abad, C., Cadena-Toapanta, E., & Rojas-Rojas, E. (2025). Inteligencia
artificial en la educación: Análisis de sus aplicaciones, beneficios y desafíos éticos. Ministerio de
Educación del Ecuador. https://doi.org/10.33386/593dp.2025.3.3230
Quezada, M., Condo, M., & Salinas, J. (2025). Personalización del aprendizaje: Un factor clave para la
calidad. Revista Interamericana de Investigación, Educación y Pedagogía (RIIEP), 18(2), 265–286.
https://doi.org/10.15332/25005421.11126
Quinto, E., Mazzini, J., Erráez Mantilla, S., & Suasnabas, L. (2024). Integración de la IA en la educación:
Desafíos y oportunidades. RECIMUNDO, 8(1), 193–202.
https://doi.org/10.26820/recimundo/8.(1).ene.2024.193-202
Red de Educación Continua de Latinoamérica y Europa. (2024, 23 de octubre). Estrategias únicas de
aprendizaje personalizado. https://recla.org/blog/aprendizaje-personalizado/
Reyes, D., Rozo, H., & Buitrago, J. (2024). Aportes de la tecnología al aprendizaje personalizado: Una
revisión a la literatura. Diá-logos, (28), 9–29. https://doi.org/10.61604/dl.v16i28.352
Sadallah, M. (2025). From data to actionable understanding: A learner-centered framework for dynamic
learning analytics [Documento web]. https://n9.cl/fnguoo
Sajja, R., Sermet, Y., Cikmaz, M., Cwiertny, D., & Demir, I. (2023). Artificial intelligence-enabled intelligent
assistant for personalized and adaptive learning in higher education [Preprint]. arXiv.
https://n9.cl/zud3e
Soto-Rodríguez, E. A., Quispe-Mamani, F. F., Duran-Llaro, K. L., & Jeri-Carrasco, S. (2023). Google for
Education en el aprendizaje significativo de los estudiantes de educación superior. Revista
Arbitrada Interdisciplinaria Koinonía, 8, 269–287. https://doi.org/10.35381/r.k.v8i2.2876
Tarun, B., Du, H., Kannan, D., & Gehringer, E. F. (2025). Human-in-the-loop systems for adaptive learning
using generative AI [Preprint]. arXiv. https://arxiv.org/abs/2508.11062
Trámpuz, C. (2022). Google Classroom: Una plataforma virtual de aprendizaje para la educación ante
COVID-19. Polo del Conocimiento. https://n9.cl/qnvsby
Tufino, E. (2025). NotebookLM: An LLM with RAG for active learning and collaborative tutoring [Preprint].
arXiv. https://n9.cl/z3mauq
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (437-450)
Esprint Investigación
Iván Marcelo Avendaño Carpio, Socorro Isabel Castelo Haro, Ligia Elena Castañeda Condo, Elvia Rosario Guadalupe Tamayo 450
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Iván Marcelo Avendaño Carpio: Conceptualización, metodología, validación, análisis formal,
investigación, visualización, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, recursos, supervisión.
Socorro Isabel Castelo Haro: Conceptualización, metodología, software, validación, análisis formal,
investigación, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, recursos, supervisión.
Ligia Elena Castañeda Condo: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento.
Elvia Rosario Guadalupe Tamayo: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.