ISSN 2953-6367  
http://revistainvestigo.com  
Octubre 2026  
Vol. 7 No. 21, PP. 93-111  
https://doi.org/10.56519/pdhhp995  
APRENDER A APRENDER EN LA ERA DE LA IA:  
METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE  
RECUPERACIÓN PARA PREVENIR LA DEPENDENCIA DE LA  
INTELIGENCIA ARTIFICIAL  
LEARN IN THE AGE OF AI: METACOGNITION, SELF-  
REGULATION, AND RETRIEVAL STRATEGIES TO PREVENT  
DEPENDENCE ON ARTIFICIAL INTELLIGENCE  
Rodolfo Christian Cañarte Lino1, Alex Roberto Morán Naranjo 2, Ángel Wladimir Pilco  
Cajilema3, Lizbeth Jacqueline Alarcón Silva⁴  
{rocanarte8016@gmail.com1, morannaranjoalex@gmail.com 2, wladimir.95a@gmail.com3, bgub.alarconlizbeth@gmail.com4}  
Fecha de recepción: 01/09/2026  
/ Fecha de aceptación: 02/10/2026  
/ Fecha de publicación: 14/10/2026  
RESUMEN: La integración de la inteligencia artificial generativa en educación ha cambiado la  
forma de buscar información, resolver problemas y producir textos. Esta transformación ha  
creado tensión entre el apoyo al aprendizaje y la posible externalización de procesos cognitivos.  
Esta revisión sistemática analizó la relación entre metacognición, autorregulación, práctica de  
recuperación y patrones de dependencia cognitiva en el aprendizaje mediado por inteligencia  
artificial. Se siguió las directrices PRISMA 2020 y PRISMA-S, y se realizaron búsquedas en las  
bases de datos Scopus, Web of Science, ERIC, ScienceDirect, SpringerLink y PsycINFO,  
complementadas con una búsqueda en Google Scholar. La última búsqueda se realizó el 10 de  
septiembre de 2026, y se incluyeron artículos desde enero de 2020 hasta septiembre de 2026.  
Las bases de datos proporcionaron 1.247 resultados, y la búsqueda en Google Scholar arrojó  
otros 89 resultados. A continuación, se excluyeron los duplicados y se evaluaron los criterios de  
elegibilidad, y se calcularon que 7 estudios fueron artículos primarios y 10 documentos de  
investigación secundaria y de síntesis, para un total de 17 documentos. De los siete estudios  
primarios, dos eran ensayos aleatorios publicados en revistas científicas, uno era un ensayo  
aleatorio cuyo contenido circulaba en forma de preprint no revisado por pares, tres eran  
estudios mixtos y uno era un estudio transversal de tipo encuesta. Los estudios identifican  
factores como el uso no optimizado de la IA, lo que conducía a menores resultados a largo plazo  
en comparación con la asistencia al aprendizaje sin IA, el aumento de la externalización  
cognitiva y una mayor dependencia, aunque estas variables dependían del contexto y de las  
¹Investigador Independiente, Ecuador, https://orcid.org/0009-0001-6939-7144; rocanarte8016@gmail.com  
²Investigador Independiente, Ecuador, https://orcid.org/0009-0004-3676-5993; morannaranjoalex@gmail.com  
³Investigador Independiente, Ecuador, https://orcid.org/0009-0009-1474-790X; wladimir.95a@gmail.com  
⁴Investigador Independiente, Ecuador, https://orcid.org/0009-0002-0725-9560; bgub.alarconlizbeth@gmail.com  
93  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
instrucciones. Algunos estudios mencionan la metacognición y la autorregulación como  
factores explicativos de las diferencias detectadas en el uso de la IA. La «secuencia de  
recuperación primero, asistencia de la IA a continuación, verificación y pensamiento» fue la  
hipótesis operativa deducida de la revisión de la literatura. En resumen, en determinados  
marcos pedagógicos, el uso de la IA puede estar condicionado para fomentar el aprendizaje  
autónomo.  
Palabras clave: Inteligencia artificial; Metacognición; Aprendizaje autorregulado; Práctica de  
recuperación; Dependencia cognitiva; Tecnología educativa  
ABSTRACT: The integration of generative artificial intelligence in education has transformed  
the way information is searched, problems are solved, and texts are produced. This  
transformation has created tension between learning support and the potential externalization  
of cognitive processes. This systematic review analyzed the relationship between  
metacognition, self-regulation, retrieval practice, and patterns of cognitive dependence in  
artificial intelligence-mediated learning. The PRISMA 2020 and PRISMA-S guidelines were  
followed. Searches were conducted in the Scopus, Web of Science, ERIC, ScienceDirect,  
SpringerLink, and PsycINFO databases, supplemented by a search of Google Scholar. The final  
search was conducted on September 10, 2026, and studies published between January 2020  
and September 2026 were considered eligible. The databases yielded 1,247 records, while the  
Google Scholar search identified an additional 89 records. Duplicates were subsequently  
removed, and the eligibility criteria were assessed. A total of 17 documents were included:  
seven primary research articles and ten secondary research and synthesis documents. Of the  
seven primary studies, two were randomized controlled trials published in scientific journals,  
one was a randomized trial available as a non-peer-reviewed preprint, three were mixed-  
methods studies, and one was a cross-sectional survey study. The studies identified several  
factors associated with the use of AI, including suboptimal use of AI, which was associated with  
poorer long-term learning outcomes compared with learning without AI assistance, increased  
cognitive offloading, and greater dependence on AI, although these variables varied according  
to the context and the instructions provided. Some studies identified metacognition and self-  
regulation as explanatory factors for the differences observed in AI use. The sequence of  
“retrieval first, AI assistance second, verification, and thinking” emerged as the operational  
hypothesis derived from the literature review. Overall, within certain pedagogical frameworks,  
AI use may be structured to foster autonomous learning.  
Keywords: Artificial intelligence; Metacognition; Self-regulated learning; Retrieval practice;  
Cognitive dependence; Educational technology  
INTRODUCCIÓN  
Las tecnologías emergentes de la inteligencia artificial generativa se están imponiendo de forma  
dominante en las prácticas educativas. ChatGPT, Gemini y Copilot son solo algunos ejemplos  
destacados de la transformación revolucionaria que esta tecnología está trayendo a la  
94  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
comunicación, la escritura asistida, la resolución de problemas y la tutoría. Esta rápida adopción,  
sin embargo, está rodeada de controversia con respecto a sus consecuencias pedagógicas y  
cognitivas. Aunque esta tecnología ofrece oportunidades sin precedentes de personalización,  
retroalimentación e interacción continua, también podrían surgir riesgos importantes para la  
autonomía mental y la eficacia del aprendizaje de los estudiantes.  
Definición de términos. La metacognición, tal como conceptualizó Flavell, se refiere a la  
comprensión estructural de los procesos cognitivos, al mismo tiempo que regula y monitorea la  
obtención del conocimiento. A partir del marco de autorregulación de Zimmerman, extraímos el  
concepto de autocontrol del aprendizaje, que consiste en formular planos, actuar para alcanzar  
metas, evaluar, monitorear y revisar las acciones para optimizar los resultados del aprendizaje. El  
concepto de uso cognitivo de herramientas externas fue presentado por Risko y Gilbert bajo el  
nombre de «desvío cognitivo». La teoría de las dificultades deseables fue propuesta por Bjork y  
Bjork para explicar la aparición del uso inteligente de la práctica espaciada y otros métodos de  
aprendizaje difíciles. La teoría de la carga cognitiva, desarrollada por Sweller et al., aporta el  
concepto de la disminución de la carga cognitiva mediante el uso de herramientas externas. El  
método de práctica de recuperación fue conceptualizado por Roediger y Karpicke para enfatizar  
la importancia de la recuperación activa de la información almacenada en la memoria a corto y  
largo plazo. Los conceptos de «efecto Google» y de «ilusión de conocimiento», asociados con la  
búsqueda de información, pueden utilizarse para explicar el mecanismo detrás del uso cognitivo  
de la inteligencia artificial en la educación.  
Diferenciar los conceptos de metacognición, autorregulación del aprendizaje, práctica de  
recuperación, desvío cognitivo y «adicción a la IA» es uno de los principales desafíos en la  
conceptualización de las tecnologías emergentes de IA. La noción de metacognición cubre una  
variedad de marcos cognitivos, como la regulación cognitiva, el monitoreo en tiempo real y la  
modificación de las acciones. La noción de autorregulación del aprendizaje describe un proceso  
cíclico de autorregulación, que comprende objetivos, acción, retroalimentación, estrategias y  
evaluación. La práctica de recuperación difiere de la metacognición en que se centra  
específicamente en la recuperación activa de la información de la memoria. El desvío cognitivo  
presupone el uso de herramientas externas para facilitar la realización de tareas, mientras que la  
«adicción a la IA» se refiere a una «tendencia mental funcional» en el enfoque de problemas,  
juicios y toma de decisiones mediante el uso de la IA, así como a un «descenso de la  
autorregulación cognitiva o de la autoría» por parte del usuario de la herramienta. Por último, el  
sesgo de automatización se refiere a la aceptación de soluciones de programas informáticos  
especializados a pesar de la presencia de soluciones alternativas bien razonadas. El principal  
problema está en el hecho de que los distintos estudios a menudo exploran las mismas nocios  
conceptuales, aunque utilizando términos diferentes. Así, los términos «uso cognitivo de la IA» y  
«dependencia de la IA» son tratados como construcciones únicas por algunos investigadores,  
mientras que otros intentan correlacionar estos términos con variables como el sesgo de  
automatización o la adicción a la IA.  
La dependencia cognitiva es uno de los principales problemas que actualmente se exploran con  
respecto al uso de la inteligencia artificial en la educación. El principal dilema es distinguir entre  
95  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
el uso cognitivo y el uso dependiente de la IA. Algunos de los estudios analizados presentan las  
características del uso dependiente de la IA en términos del sesgo de automatización y de  
problemas subyacentes de dependencia. Según los resultados de un experimento, el uso  
espontáneo de la ayuda de la IA puede conducir a problemas de dependencia cognitiva entre los  
estudiantes. Esta revisión tuvo como objetivo cerrar la brecha en la comprensión del uso de la  
inteligencia artificial para el aprendizaje autorregulado. Algunos estudios han explorado la  
influencia de la práctica de recuperación en el aprendizaje autorregulado; sin embargo, los  
hallazgos acerca de las relaciones entre la práctica de recuperación y la dependencia cognitiva  
siguen siendo escasos.  
Vacío científico y justificación. Existe un vacío en la investigación sobre las tecnologías de IA y el  
aprendizaje autorregulado, particularmente en el papel de la motivación. Las dos últimas  
revisiones sistemáticas abordan parcialmente el tema. Aunque algunos artículos analizados  
estaban orientados a identificar la influencia de la IA y la práctica de recuperación sobre el  
aprendizaje autorregulado, la estructura del marco teórico y de los modelos del aprendizaje  
autorregulado no estaba en el centro del interés. El estudio realizado por Sardi et al. ofreció uno  
de los primeros análisis de los efectos de la IA sobre el aprendizaje autorregulado. En este estudio  
se utilizaron 38 artículos, y el 71,4 % de ellos reportó efectos positivos. Al mismo tiempo, en el  
artículo se pasó por alto la identificación de las diferencias en el orden de aplicación de la práctica  
de recuperación y el uso cognitivo de la IA. En el artículo de Banihashem et al. se presentaron  
otros datos relacionados con el tema. Este artículo se centra en el impacto del aprendizaje basado  
en la IA en una serie de conductas y cogniciones autorreguladoras; sin embargo, se ignora la  
consideración del uso cognitivo del aprendizaje basado en la IA.  
El objetivo principal de esta revisión es definir el alcance del impacto de la práctica de  
recuperación, la metacognición y la autorregulación en el aprendizaje autorregulado, al tiempo  
que se explora la posibilidad de que el uso de la inteligencia artificial conduzca a una «adicción a  
la IA» o a un uso dependiente de la IA. Para cumplir el objetivo, la revisión constó de cuatro  
preguntas de investigación: RQ1, que busca identificar cómo se utiliza la IA generativa en  
actividades educativas, ¿en qué forma o grado?; RQ2, que tiene como objetivo centrarse en el  
papel de la metacognición en el uso de la IA; RQ3, que busca comprender cómo las variables del  
aprendizaje autorregulado, incluida la práctica de recuperación, la retención y la transferencia de  
conocimientos, la autonomía cognitiva, la autorregulación y la adicción a la IA, interactúan o se  
relacionan con la práctica de recuperación; y RQ4, que tiene como objetivo identificar los  
enfoques que permiten utilizar la IA en actividades autorreguladas sin perjudicar el aprendizaje  
autorregulado.  
Finalmente, el objetivo de esta revisión sistemática es analizar a partir del material científico  
reciente los principales mecanismos del aprendizaje autorregulado, usando la práctica de  
recuperación, la metacognición y la autorregulación como predictores. Además, se integró el  
concepto de «usar la IA sin depender de ella» y se identificaron las posibles amenazas de la  
dependencia cognitiva.  
Objetivos:  
96  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
(1) Determinar cómo se está introduciendo actualmente la IA generativa en diversas actividades  
educativas.  
(2) Identificar el papel de las actividades metacognitivas en el uso de la IA.  
(3) Explorar las interacciones entre la autorregulación, la autonomía cognitiva y el aprendizaje  
basado en la IA.  
(4) Realizar una visión general del papel de la práctica de recuperación en el aprendizaje basado  
en la IA.  
(5) Resumir posibles problemas de dependencia cognitiva y «adicción a la IA» a partir del material  
científico.  
(6) Describir posibles enfoques basados en la IA que promueven el aprendizaje autorregulado.  
MATERIALES Y MÉTODOS  
Enfoque y diseño. Esta investigación es una revisión sistemática de la literatura científica. No se  
hizo metaanálisis porque los diseños, instrumentos y medidas de resultado fueron muy variados  
durante la extracción de datos. La revisión siguió las recomendaciones de PRISMA 2020 y la  
extensión PRISMA‑S para el reporte de búsquedas. El protocolo no se registró en un registro  
público de protocolos. Esta falta se reconoce como una limitación metodológica de esta revisión.  
Revisores y resolución de discordancias. Los estudios fueron seleccionados de manera  
independiente por dos revisores. Las diferencias fueron resultados de discusión y consenso. En  
caso de discordancia persistente, se consultó a un tercer revisor. El acuerdo en la fase de cribado  
por título y resumen se cifras mediante el coeficiente kappa de Cohen, que fue de κ = 0,84 ; Esto  
indica un acuerdo sustancial entre los revisores . El acuerdo en la evaluación del texto completo  
fue del 100% tras la discusión. Las referencias se organizaron y deduplicaron utilizando el  
software Rayyan.  
Criterios de elegibilidad (PICOS). Los criterios de elegibilidad se definen por los PICOS:  
•
P (Población): estudiantes, alumnos o adultos en cursos o programas de escuelas /  
universidades, y población objetivo de estudios que investigan procesos cognitivos  
asociados con facilitar o apoyar el aprendizaje utilizando ia  
•
I (Intervención/Exposición): intervención con una herramienta de ia generativa o lenguaje;  
la secuencia de la asistencia (antes / después de que el alumno intenta descubrir la  
respuesta); asistencia limitada ilimitada  
•
•
C (Comparador): sin asistencia generativa; la asistencia antes/después de que el alumno  
intente recuperar la respuesta;  
O (Resultados): retención, transferencia, metacognición, autorregulación del aprendizaje,  
pensamiento crítico, dependencia cognitiva, descarga cognitiva.  
97  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
•
S (Diseño del estudio): experimental, cuasiexperimental, observacional, cualitativo,  
métodos mixtos; revisión sistemática, metaanálisis, revisión de alcance y otros estudios de  
síntesis si son relevantes para formular la pregunta de investigación  
Fuentes de información y período de búsqueda. Se realizaron búsquedas sistemáticas en  
Scopus,WoS, ERIC, ScienceDirect, SpringerLink y PsycINFO. La fecha límite para la búsqueda fue  
el 10 de septiembre de 2026. Además, se utilizó Google Scholar para identificar registros  
adicionales. En el material suplementario S1 se detallan el número resultante de registros, los  
términos y los criterios de inclusión / exclusión. Ecuaciones de búsqueda. Las estrategias de  
búsqueda se desarrollaron teniendo en cuenta las diferencias en las opciones de formato y  
sintaxis utilizadas en diversas bases de datos. Las ecuaciones de búsqueda, campos incluidos,  
filtros y fechas de ejecución, se proporcionan como material suplementario S1.  
Criterios de inclusión. Se incluyen artículos publicados entre 2020 y 2026. Se incluyen estudios de  
investigación, experimentales, cuasiexperimentales, observacionales, cualitativos, revisiones  
sistemáticas, metaanálisis y estudios de síntesis. Se aceptaron artículos en inglés y español. Se  
incluyen investigaciones sobre estudiantes o participantes en cursos o programas de escuelas o  
universidades o sobre procesos cognitivos asociados con la facilitación/apoyo del aprendizaje  
humano mediante ia. Se incluyen estudios sobre el uso (aplicaciones) de ia para respaldar el  
aprendizaje humano (procesos cognitivos involucrados en la retención, la transferencia, la  
metacognición, la autorregulación del aprendizaje, el pensamiento crítico, la dependencia  
cognitiva y el offloading cognitivo), así como estudios que exploran el papel de ia en la facilitación  
del aprendizaje humano. Se incluyeron artículos con una metodología adecuadamente expuesta.  
Criterios de exclusión. Fuera del período de inclusión (2020 -2026), salvo la literatura de base.  
Estudios de naturaleza puramente técnica (sobre el desarrollo de modelos de ia) sin aplicaciones  
educativas. Editoriales, cartas al editor y opiniones sin metodología. Publicaciones comerciales,  
blogs y noticias. Artículos duplicados. Estructura metodológica insuficientemente detallada.  
Verificación bibliográfica inválida (incumplimiento de las comprobaciones estándar de Crossref,  
bases de datos y/ o sitios web de editores)  
Proceso de selección y diagrama PRISMA 2020. Identificación y selección de estudios se  
documenta en Figura 1.  
98  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
Figura 1. Diagrama PRISMA 2020.  
99  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
Clasificación de los documentos secundarios. Los 10 documentos secundarios se clasificaron  
como revisiones sistemáticas, revisiones de mapeo, revisiones de alcance, revisiones narrativas o  
trabajos conceptuales. Se usaron para contextualizar y triangular hallazgos de estudios primarios.  
No se contaron como evidencia empírica independiente. Identificación en Tabla 2.  
Evaluación de la calidad y del riesgo de sesgo. El riesgo de sesgo y la calidad metodológica se  
evalúan utilizando herramientas distintas. Para los estudios experimentales con asignación  
aleatoria, se utiliza Cochrane RoB 2, y para los estudios de métodos mixtos, se utiliza la  
herramienta MMAT. La herramienta «JBI Checklist for Analytical Cross-Sectional Studies » se  
utiliza para el estudio transversal por muestras, y el AMSTAR-2 se utiliza para las revisiones  
sistemáticas, así como para las revisiones de mapeo sistemático de forma exploratoria. El uso de  
dichas herramientas se interpreta con cautela. En el caso de los documentos de síntesis, las  
revisiones sistemáticas y los metaanálisis se evalúan utilizando las herramientas mencionadas  
anteriormente. Para los demás documentos de síntesis, se lleva a cabo una evaluación cualitativa  
crítica mediante el método de valoración por consenso de los revisores; dicha valoración no se  
utiliza para determinar el riesgo de sesgo de los estudios primarios. Los resultados  
proporcionados por las herramientas se presentan en la categoría en la que se expresan, en lugar  
de transformarse en una escala estandarizada. Dado que la síntesis es temática y no se basa en  
un metaanálisis, no se realiza ninguna ponderación estandarizada de los resultados.  
Extracción de datos. Se extrajeron los siguientes datos: los autores y el año de publicación; el país  
en el que se realizó el estudio; el contexto educativo en el que se llevó a cabo; el nivel educativo;  
el tamaño de la muestra; el diseño del estudio; el tipo de inteligencia artificial; la actividad; la  
variable cognitiva; la medida; las metamedidas; la autorregulación y la práctica de recuperación;  
los pensamientos críticos, la dependencia, los resultados y los límites; y las conclusiones. Los  
tamaños de los efectos con sus intervalos de confianza del 95 %, si los hubiera, también se extraen  
de los estudios primarios.  
Estrategia de síntesis. La síntesis temática consiste en analizar por separado los estudios  
individuales y los documentos secundarios para evitar duplicados de los mismos datos.  
Tabla 1. Evaluación metodológica de los documentos incluidos (n = 17; 11 con evaluación formal y 6 con valoración  
crítica cualitativa). Documentos evaluados mediante herramientas formales (n = 11):  
Herramienta de  
evaluación  
Diseño de los estudios  
evaluados  
n
Síntesis de los resultados de calidad  
metodológica  
Cochrane RoB 2  
Ensayos o experimentos  
aleatorizados, incluido un  
preprint  
3
Un estudio presentó bajo riesgo de sesgo,  
mientras que los otros dos mostraron  
algunas preocupaciones.  
MMAT  
Estudios con enfoque de  
métodos mixtos  
3
1
4
Dos estudios cumplieron 4 de los 5  
criterios establecidos y uno cumplió los 5  
criterios de evaluación.  
El estudio cumplió los criterios  
metodológicos establecidos por la  
herramienta.  
JBI Checklist  
AMSTAR-2  
Estudio transversal basado en  
encuesta  
Revisiones sistemáticas,  
incluida una revisión de mapeo  
Dos revisiones alcanzaron un nivel de  
confianza moderado, una presentó  
100  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
considerada con ciertas  
cautelas  
confianza baja y otra confianza  
críticamente baja.  
Total  
—
11  
—
Tabla 2. Documentos sin evaluación formal mediante herramienta específica (n = 6):  
Tipos de documentos  
n
6
Criterios de evaluación  
Revisiones  
narrativas,  
Se realizó una valoración crítica cualitativa mediante consenso entre los  
revisores. Estos documentos no se incorporaron a la clasificación  
formal del riesgo de sesgo.  
tecnológicas  
conceptuales  
y
Nota: Las categorías de cada herramienta se reportan según su terminología original. No se forzó una transformación  
a una escala común porque RoB 2, MMAT, JBI y AMSTAR-2 no producen categorías directamente comparables. Los  
6 documentos de síntesis no sistemáticos no fueron evaluados con AMSTAR-2 porque esta herramienta está diseñada  
específicamente para revisiones sistemáticas de intervenciones.  
Tabla 3. Identificación de los 10 documentos secundarios y de síntesis.  
ID  
Autor/año  
Tipo  
de  
Tema central  
Herramienta  
de evaluación  
Sin  
herramienta  
formal  
documento  
Revisión  
narrativa  
S1  
Kasneci  
(2023) (1)  
et  
al.  
Oportunidades y desafíos de los  
modelos de lenguaje de gran  
escala (LLM) en el ámbito  
educativo  
S2  
S3  
Farrokhnia et al.  
(2024) (2)  
Análisis SWOT  
Análisis estratégico del uso de  
ChatGPT en educación  
Sin  
herramienta  
formal  
AMSTAR-2  
Zhai et al. (2024)  
(3)  
Revisión  
sistemática  
Relación  
entre  
la  
sobredependencia de sistemas de  
diálogo basados en IA  
capacidades cognitivas  
y
las  
S4  
Noorbehbahani &  
Oyibo (2026) (4)  
Revisión  
mapeo  
sistemático  
de  
Sobre  
dependencia  
de  
la  
AMSTAR-2  
inteligencia artificial y posibles  
efectos sobre el funcionamiento  
cognitivo humano  
S5  
S6  
S7  
S8  
S9  
S10  
Barrot (2023) (16)  
Revisión  
tecnológica  
Aplicación de ChatGPT en la  
escritura en una segunda lengua  
Sin  
herramienta  
formal  
Sin  
herramienta  
formal  
Michel-Villarreal et  
al. (2023) (17)  
Revisión  
narrativa  
Oportunidades  
y
desafíos  
asociados con la IA generativa en  
la educación superior  
Relación entre IA generativa,  
aprendizaje autorregulado (SRL) y  
pensamiento crítico  
Sardi et al. (2025)  
(18)  
Revisión  
sistemática  
AMSTAR-2  
Banihashem et al.  
(2025) (19)  
Revisión  
mapeo  
sistemático  
Trabajo  
conceptual  
de  
Interrelación entre la inteligencia  
AMSTAR-2, con  
cautelas  
artificial  
autorregulado  
Tecnologías híbridas humano-IA  
y
el  
aprendizaje  
Molenaar (2022)  
(22)  
Sin  
orientadas  
al  
aprendizaje  
herramienta  
formal  
Sin  
herramienta  
formal  
autorregulado  
Cotton et al. (2024)  
(23)  
Trabajo  
conceptual  
Integridad académica frente a la  
incorporación de ChatGPT en  
educación  
101  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
RESULTADOS  
La búsqueda sistemática incluyó 17 documentos que cumplían los criterios de elegibilidad y  
verificabilidad bibliográfica. De estos 17 documentos, 7 eran estudios primarios y 10 eran  
documentos secundarios y de síntesis, como revisiones sistemáticas, metaanálisis, revisiones de  
alcance, revisiones narrativas, revisiones tecnológicas y conceptuales, según correspondiera. De  
entre los siete artículos obtenidos, dos eran ensayos aleatorios publicados, uno era un  
experimento aleatorio disponible como prepublicación sin revisión por pares, tres eran estudios  
con métodos mixtos y otro era un estudio transversal basado en una encuesta.  
En cuanto al año de publicación de los artículos, tres artículos (17,6 %) se publicaron entre 2020  
y 2022, seis artículos (35,3 %) entre 2023 y 2024, y ocho artículos (47,1 %) entre 2025 y 2026. Las  
muestras se obtuvieron en Turquía, Australia, Estados Unidos, en una muestra multinacional  
compuesta por participantes de Pakistán, China y Finlandia, y en China. El estudio de Gerlich  
(2025) también contó con la participación de 666 sujetos válidos del Reino Unido de los 669  
sujetos reclutados.  
Los niveles educativos de los estudios son los siguientes: cinco estudios se enfocaron en  
educación superior, uno en educación secundaria y uno incluyó una población educativa más  
amplia, no exclusivamente universitaria, como en Gerlich (2025). La evidencia disponible no  
permite establecer diferencias concluyentes entre los niveles educativos respecto a la regulación  
del uso de IA. De los 17 documentos incluidos, se encontraron usos de la función ChatGPT (n = 8),  
GPT-4 (n = 1), otros modelos de lenguaje (n = 5) y sistemas de tutoría inteligente (n = 2). Los  
ámbitos no son mutuamente excluyentes y el denominador se refiere a los 17 documentos  
incluidos.  
Uso de la inteligencia artificial en los procesos de aprendizaje (Pregunta de investigación 1)  
La literatura revisada muestra usos de la inteligencia artificial para proporcionar explicaciones,  
encontrar y resumir información, resolver problemas, apoyar la redacción y ofrecer  
retroalimentación formativa.  
En la revisión de Sardi et al. (18), el 71,4ꢀ% de los estudios incluidos mostraron resultados positivos  
en aprendizaje autorregulado. La revisión de Kasneci et al. (1) y el análisis SWOT de Farrokhnia et  
al. (2) identificaron oportunidades y riesgos. Señalan que la herramienta puede ayudar a  
comprender conceptos complejos, pero también puede facilitar la delegación cognitiva si no se  
estructura pedagógicamente.  
Metacognición en contextos mediados por IA (RQ2)  
Las revisiones señalan que la metacognición es un componente importante para entender cómo  
los estudiantes usan herramientas de IA, especialmente en los procesos de planificación,  
monitoreo y evaluación (18,19). Algunos estudios también han encontrado percepciones o  
indicadores que sugieren una menor implicación de la metacognición cuando el uso de IA no  
cuenta con andamiaje (3,17). El estudio longitudinal de Chen et al. (28), que analizó 786 diálogos,  
102  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
vio cambios que indican un mayor desarrollo de estrategias cognitivas, pero el apoyo a la  
metacognición y a la regulación motivacional fue bajo, con un desarrollo desigual entre ambos  
tipos de estrategias.  
Autorregulación del aprendizaje (RQ3)  
La autorregulación se presenta como otro factor crítico. La evidencia disponible sugiere que el  
uso no restringido de inteligencia artificial puede asociarse con menor rendimiento posterior sin  
ayuda y con menor esfuerzo cognitivo (3,24). El estudio de Hashmi et al. (26) con 861 estudiantes  
de programas STEM y ciencias sociales en Pakistán, China y Finlandia encontró una relación  
positiva y significativa entre el uso de herramientas de IA generativa y el aprendizaje  
autorregulado percibido, con efectos de mediación vinculados a la autoeficacia tecnológica y al  
cognitive offloading. La literatura también indica que la autorregulación puede desarrollarse  
mediante reflexión estructurada (18,19)  
Práctica de recuperación (RQ3)  
La práctica de recuperación cuenta con amplio respaldo en la literatura de psicología cognitiva  
(8,10); sin embargo, la secuenciación específica de la práctica de recuperación con el uso de IA  
generativa no se ha estudiado suficientemente en el corpus incluido y no permite conclusiones  
firmes. Se requieren estudios experimentales adicionales que comparen directamente distintas  
secuencias de asistencia. En cuanto a la retención y la transferencia, los estudios primarios  
incluidos aportaron pruebas escasas y heterogéneas; la información disponible no permitió  
determinar los efectos de la asistencia a la IA sobre estas variables. Existe escasa información  
sobre estas secuencias en entornos educativos mediados por la IA.  
Dependencia, rechazo y delegación cognitiva (Pregunta 3)  
Los datos demuestran las relaciones entre el uso de la IA y una serie de constructos asociados a  
la dependencia.  
La revisión de Zhai et al. (3) encontró que la sobredependencia se asocia con reducción del  
pensamiento crítico y la creatividad. Gerlich (17) reportó una asociación negativa entre frecuencia  
de uso de herramientas de IA y desempeño en pensamiento crítico, con cognitive offloading como  
variable mediadora. El estudio de Tian y Zhang (27) con 698 estudiantes universitarios chinos  
identificó una ruta de asociación positiva entre inmersión atencional y pensamiento crítico y una  
ruta secuencial negativa en la que la AI dependency se asociaba con menor pensamiento crítico.  
Un estudio de Bastani et al. (24) reveló que un acceso no regulado a GPT-4 se asociaba con una  
reducción del rendimiento tras quitárselo a los participantes; las recomendaciones pedagógicas  
para su mitigación fueron beneficiosas. Resulta difícil llegar a la conclusión de que todos los  
usuarios se vuelven dependientes de la tecnología, dado que dicha relación puede ser meramente  
correlacional y puede haber otras variables intervinientes. Por lo tanto, hay que actuar con  
cautela a la hora de concluir que recurrir a la IA con el fin de delegar en ella parte del proceso  
cognitivo es síntoma de una adicción.  
103  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
Pensamiento crítico y evaluación de la información (Pregunta de investigación 3)  
Los resultados relativos al pensamiento crítico son diversos, y dependen del nivel de interacción  
con la IA.  
La literatura indica dos rutas distintas: una ruta de inmersión atencional que puede estar  
vinculada positivamente con pensamiento crítico, y otra ruta de dependencia que se relaciona  
negativamente con pensamiento crítico (3,17,27). Verificar de forma independiente las  
respuestas generadas es un componente importante del uso crítico y responsable de IA.  
Estrategias pedagógicas para un uso activo de IA (RQ4)  
A partir de la convergencia entre la literatura revisada y los marcos de psicología cognitiva, se  
proponen las siguientes orientaciones pedagógicas provisionales sujetas a validación empírica:  
(1) recuperación antes de la asistencia (8,10);  
(2) formular hipótesis antes de consultar;  
(3) solicitar explicaciones en lugar de respuestas finales (22);  
(4) verificar sistemáticamente la información (3,17);  
(5) reflexionar de forma estructurada (18,19);  
(6) complementar la evaluación de productos finales con evidencia del proceso de pensamiento  
(defensas orales, traza de prompting, diarios reflexivos, pruebas de recuperación en vivo sin  
tecnología) (23);  
(7) enseñar explícitamente competencias para el uso crítico y la verificación de IA. Estas  
orientaciones son recomendadas por la convergencia entre investigación en psicología cognitiva  
y estudios aplicados, no son hallazgos empíricos confirmados en todos los contextos.  
Síntesis conceptual  
La evidencia permite construir una síntesis conceptual sobre dos trayectorias opuestas, que se  
presenta como un modelo heurístico y no como un resultado demostrado.  
104  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
Figura 2. Modelo conceptual: uso de IA orientado al aprendizaje vs. uso predominantemente delegativo.  
Nota: Modelo heurístico derivado de la integración conceptual de la literatura revisada; no representa una trayectoria  
causal validada.  
Tabla 4. Matriz de síntesis de estudios primarios: diseño, muestra y herramienta.  
ID  
Autor/año  
País  
muestra  
/
Diseño del  
estudio  
Participantes  
Tecnología  
Evaluación  
metodológica  
de  
IA  
utilizada  
1
Bastani et  
al. (2025)  
(24)  
Turquía  
Ensayo  
aleatorizado  
Cerca  
1.000  
de  
GPT-4  
RoB 2: algunas  
preocupaciones  
estudiantes  
de secundaria  
1.625  
estudiantes  
universitarios  
distribuidos  
en 10 cursos  
666  
participantes  
con  
válidos  
reclutados)  
54  
2
3
4
Darvishi et  
al. (2024)  
(15)  
Australia  
Ensayo  
aleatorizado  
Asistente  
de IA  
RoB 2: bajo  
riesgo  
Gerlich  
(2025)  
(17)  
Reino  
Unido  
Estudio  
métodos  
mixtos  
de  
IA  
MMAT:  
cumplimiento  
de 4/5 criterios  
generativa  
datos  
(669  
Kosmyna  
Estados  
Unidos  
Experimento  
aleatorizado  
ChatGPT  
RoB 2: algunas  
preocupaciones  
et  
al.  
estudiantes  
105  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
(2025)  
(25)  
no revisado  
por pares  
universitarios  
en las sesiones  
(preprint)  
1–3;  
18  
completaron  
la sesión 4  
861  
estudiantes  
de STEM  
ciencias  
sociales  
698  
estudiantes  
universitarios  
5
6
7
Hashmi et  
al. (2026)  
(26)  
Pakistán,  
China  
Finlandia  
Estudio  
IA  
MMAT:  
cumplimiento  
de 4/5 criterios  
y
transversal  
de métodos  
mixtos  
generativa  
y
Tian  
&
China  
Estudio  
IA  
JBI:  
Zhang  
(2026)  
(27)  
transversal  
mediante  
encuesta  
generativa  
cumplimiento  
de los criterios  
establecidos en  
la evaluación  
MMAT:  
Chen et al.  
(2026)  
(28)  
China  
Estudio  
30  
IA  
longitudinal  
de métodos  
mixtos  
estudiantes  
universitarios;  
786 diálogos  
con GenAI  
generativa  
(GenAI)  
cumplimiento  
de 5/5 criterios  
Tabla 5. Matriz de síntesis de estudios primarios: variable, hallazgo y naturaleza de la evidencia.  
ID Autor/año  
Variable cognitiva o Principales hallazgos  
de aprendizaje  
Naturaleza de la  
evidencia  
1
Bastani  
et Aprendizaje  
y
El acceso no restringido a GPT-4 se relacionó Ensayo  
con un menor rendimiento cuando se retiró la aleatorizado,  
al.  
(2025) rendimiento  
(24)  
posterior  
sin herramienta. La incorporación de salvaguardas publicado  
en  
asistencia de IA  
redujo este efecto.  
PNAS (2025)  
2
Darvishi et Agencia  
y
Los estudiantes mostraron una tendencia a Ensayo  
al.  
(15)  
(2024) aprendizaje  
autorregulado  
estudiante  
apoyarse en la asistencia de IA en lugar de aleatorizado  
del aprender a partir de ella. Tras retirar la  
asistencia, las estrategias de autorregulación no  
compensaron  
dependencia.  
completamente  
esta  
3
4
Gerlich  
(2025) (17)  
Pensamiento crítico y Se identificó una asociación negativa entre la Estudio  
cognitive offloading  
frecuencia de uso de IA y el desempeño en observacional de  
pensamiento crítico, con el cognitive offloading métodos mixtos  
como posible variable mediadora.  
Kosmyna et Conectividad  
Se  
observaron  
resultados  
exploratorios Preprint  
no  
al.  
(2025) cerebral y autoría del relacionados con la actividad/conectividad revisado  
por  
(25)  
trabajo  
cerebral y las medidas de desempeño y autoría. pares  
La interpretación debe realizarse con cautela  
debido al reducido tamaño muestral y al  
carácter de preprint.  
5
6
Hashmi  
et Aprendizaje  
Se encontró una relación positiva y significativa Estudio  
entre el uso de IA generativa y el aprendizaje transversal  
al.  
(2026) autorregulado  
de  
(26)  
percibido y cognitive autorregulado percibido, con efectos de métodos mixtos  
offloading  
mediación relacionados con la autoeficacia  
tecnológica y el cognitive offloading.  
Tian  
&
Pensamiento crítico y Se identificó una asociación positiva entre la Estudio  
Zhang  
(2026) (27)  
dependencia de la IA  
inmersión atencional y el pensamiento crítico, transversal  
junto con una ruta secuencial negativa en la que  
106  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
la dependencia de la IA se relacionó con un basado  
menor desempeño en pensamiento crítico. encuesta  
en  
7
Chen et al. Aprendizaje  
Se observaron cambios compatibles con un Estudio  
mayor desarrollo de estrategias cognitivas, longitudinal  
mientras que la evidencia de mejoras en métodos mixtos  
metacognición y regulación motivacional fue  
más limitada.  
(2026) (28)  
autorregulado:  
dimensiones  
cognitivas  
de  
y
metacognitivas  
Nota: Los estudios teóricos clásicos (Flavell, Zimmerman, Risko y Gilbert, Sweller y otros, Bjork y Bjork, Roediger y  
Karpicke), así como la relación de los antecedentes sobre la externalización cognitiva y la referencia a sesgos de  
automática, quedan incluidos en la introducción y la discusión como marco teórico; Sin embargo, no se incluyen en  
la matriz de estudios primarios revisada. Los criterios de elegibilidad se refieren únicamente a estudios publicados  
entre los años 2020 y 2026; no obstante, se relacionan con temas como el uso de la inteligencia artificial en contextos  
educativos o procesos cognitivos.  
DISCUSIÓN  
Implicaciones teóricas. En general, cabe concluir que, basándonos en los resultados expuestos, el  
uso de la inteligencia artificial puede tener efectos diferentes sobre el aprendizaje, dependiendo  
de las condiciones específicas, los procedimientos y las variables que intervengan, tal y como  
sugieren las hipótesis mencionadas inicialmente. En este sentido, los modelos de metacognición  
y autorregulación pueden ser indicadores del uso eficaz de la IA para la comprensión y el  
aprendizaje. La hipótesis del «desvío cognitivo» ofrece una posible explicación de las  
características observadas en los resultados relacionados con la asistencia parcial y la  
recuperación. Del mismo modo, podría utilizarse la teoría de la dificultad deseada, que analiza el  
impacto de la asistencia durante el aprendizaje. En mi opinión, la «secuencia cíclica» parece ser  
una aproximación plausible, aunque la investigación llevada a cabo no resulta concluyente, y  
habría que realizar estudios al respecto para ver cómo se correlacionan estos datos. Las  
observaciones podrían utilizarse para ilustrar los resultados teóricos en un contexto realista y  
aplicado.  
Análisis de la variabilidad de los resultados. Los resultados de los estudios revisados parecen  
variar sustancialmente en función de los antecedentes y la formación de los participantes, la  
naturaleza de las tareas y los tipos específicos de IA, el momento del uso de la IA durante la tarea,  
la metacognición y la autorregulación, y los procedimientos de evaluación, entre otros factores.  
Por lo tanto, habría que llevar a cabo investigaciones en las que se tuvieran en cuenta algunas de  
estas variables para poder generalizar los resultados y las tendencias. Además, los términos  
mencionados podrían definirse de forma más específica y operativa, y sería útil realizar más  
investigaciones comparativas para determinar los posibles niveles de dependencia, sobre  
dependencia y uso de la «deslocalización cognitiva» en los distintos contextos educativos y  
procedimientos.  
Implicaciones pedagógicas. Basándome en la información presentada, propondría las siguientes  
recomendaciones para su aplicación e integración en la práctica docente : planificar actividades  
en las que los alumnos tengan que recuperar información antes de utilizar la IA , incluida la  
verificación de la respuesta ; incluir procedimientos de verificación en los diseños de actividades  
107  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
de aprendizaje para fomentar la autorreflexión metacognitiva a través de estos procesos; diseñar  
tareas en las que tenga lugar una interacción iterativa entre la metacognición del alumno y la  
herramienta tecnológica; incluir una variedad de tareas de demostración del proceso,  
procedimientos y pensamiento del alumno , como discursos, transcripciones de indicaciones,  
diarios o verificación de preguntas formuladas sin tecnología; enseñar a los alumnos a utilizar la  
IA de forma crítica , como se menciona en la discusión de resultados; y centrados en proporcionar  
ayuda al alumno dentro del ciclo, al tiempo que se anima al alumno a utilizar sus propios recursos.  
La diferencia entre un buen desempeño inmediato y un aprendizaje a largo plazo. Algunos  
estudios experimentales muestran que la ayuda de la inteligencia artificial puede mejorar la  
forma en que se hace una tarea en el momento, pero eso no siempre significa que se haya  
aprendido algo que se pueda usar después. Esta diferencia es muy importante. Que una  
herramienta ayude a dar una respuesta o mejorar una actividad no siempre implica que haya  
aprendizaje real.  
Efecto del riesgo de sesgo en la forma de interpretar los resultados. De los 11 documentos  
analizados con una herramienta formal, uno obtuvo una calificación de confianza muy baja según  
AMSTAR-2. Se tuvo más cuidado con este documento y no se usó como base principal para las  
conclusiones. No se usó ningún peso estadístico porque la revisión fue de tipo temático, no de  
metaanálisis.  
Limitaciones de los estudios originales. La mayoría de ellos se basan en informes de los propios  
pacientes, tienen una duración limitada, se centran en muestras de estudiantes universitarios,  
presentan una amplia variedad de herramientas utilizadas y pueden verse afectados por sesgos  
de publicación o por la disponibilidad de datos. Los resultados relativos a las conexiones  
cerebrales (25) se extrajeron de un artículo que no había pasado por revisión por pares y que  
utilizó una muestra reducida, por lo que hay que evaluarlos con cautela. La evidencia sobre la  
relación entre recuperación e inteligencia artificial sigue siendo escasa y no permite sacar  
conclusiones claras. La forma en que se definen los conceptos relacionados con la dependencia  
es muy diferente, lo que dificulta hacer una síntesis numérica.  
Limitaciones de la revisión. La gran variedad en los diseños y en las herramientas usadas no  
permitió hacer un metaanálisis. Solo se incluyeron documentos en inglés y español. No se puede  
descartar el sesgo de publicación ni el sesgo por resultados disponibles. Los modelos de  
inteligencia artificial cambian muy rápido. No se registró el protocolo de forma anticipada, lo que  
es una limitación metodológica clara. Además, hay diferencias culturales y educativas. El uso  
estricto de los criterios de selección y verificación de los documentos redujo el número de  
estudios incluidos.  
CONCLUSIONES  
La evidencia revisada indica que algunos diseños pedagógicos pueden apoyar un uso de la IA que  
favorezca el aprendizaje autónomo, sobre todo cuando incluyen apoyo, reflexión y formas de  
comprobar la información. La hipótesis de que la ayuda se ofrece al estudiante después de su  
108  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
intento constituye una hipótesis que debe comprobarse experimentalmente. Las variables de la  
metacognición y la autorregulación pueden actuar como factores mediadores que explican las  
diferencias en el uso de las herramientas por parte de los estudiantes.  
La teoría de la práctica de la recuperación cuenta con numerosos fundamentos teóricos en  
psicología cognitiva. Sin embargo, carece de datos empíricos que respalden las relaciones de  
secuencia entre la recuperación y el aprovechamiento de las IAs generativas en el contexto del  
aprendizaje. No se puede afirmar que una secuencia en particular sea mejor en general. La idea  
de hacer recuperación primero y luego usar la IA es una hipótesis conceptual que necesita  
validación experimental.  
Varios estudios señalan que usar la IA de forma intensiva o dependiente está asociado con  
resultados como un peor rendimiento posterior sin ayuda, mayor externalización cognitiva y  
menos pensamiento crítico. Pero la diversidad de los diseños y las formas de medir estos efectos  
hace que sea prematuro considerar estos resultados como un efecto general del uso de IA. Los  
resultados sugieren la necesidad de enseñar a los alumnos a utilizar la inteligencia artificial de  
forma crítica y a verificar la información que reciben, en relación con el autocontrol. Las futuras  
investigaciones deben abordar cuestiones como el análisis longitudinal, los diseños  
experimentales, las variables socioculturales, las implicaciones interdisciplinares y las tasas de  
retención a lo largo de diferentes etapas educativas, centrándose no solo en el rendimiento  
inmediato.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
4.  
Kasneci E, Sessler K, Küchemann S, Bannert M, Dementieva D, Fischer F, et al. ChatGPT for  
good? On opportunities and challenges of large language models for education. Learn  
Individ Differ. 2023;103:102274. doi:10.1016/j.lindif.2023.102274  
Farrokhnia M, Banihashem SK, Noroozi O, Wals A. A SWOT analysis of ChatGPT: Implications  
for educational practice and research. Innov Educ Teach Int. 2024;61(3):460-474.  
doi:10.1080/14703297.2023.2195846  
Zhai C, Wibowo S, Li LD. The effects of over-reliance on AI dialogue systems on students'  
cognitive  
abilities:  
A
systematic  
review.  
Smart  
Learn  
Environ.  
2024;11:28.  
doi:10.1186/s40561-024-00316-7  
Noorbehbahani F, Oyibo K. AI-overdependence and human cognitive decline: Hazards,  
evidence, and mitigation strategies. Comput Hum Behav Rep. 2026;22:101102.  
doi:10.1016/j.chbr.2026.101102  
5.  
6.  
Flavell JH. Metacognition and cognitive monitoring: A new area of cognitive-developmental  
inquiry. Am Psychol. 1979;34(10):906-911. doi:10.1037/0003-066X.34.10.906  
Zimmerman BJ. Attaining self-regulation: A social cognitive perspective. In: Boekaerts M,  
Pintrich PR, Zeidner M, editors. Handbook of self-regulation. San Diego: Academic Press;  
2000. p. 13-39.  
7.  
Risko EF, Gilbert SJ. Cognitive offloading. Trends Cogn Sci. 2016;20(9):676-688.  
doi:10.1016/j.tics.2016.07.002  
109  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
8.  
Bjork RA, Bjork EL. Desirable difficulties in theory and practice. J Appl Res Mem Cogn.  
2020;9(4):475-479. doi:10.1016/j.jarmac.2020.09.003  
9.  
Sweller J, van Merriënboer JJG, Paas F. Cognitive architecture and instructional design: 20  
years later. Educ Psychol Rev. 2019;31:261-292. doi:10.1007/s10648-019-09465-5  
Roediger HL III, Karpicke JD. The critical role of retrieval practice in long-term retention.  
Trends Cogn Sci. 2011;15(1):20-27. doi:10.1016/j.tics.2010.09.003  
10.  
11.  
Sparrow B, Liu J, Wegner DM. Google effects on memory: Cognitive consequences of having  
information  
doi:10.1126/science.1207745  
Fisher M, Goddu MK, Keil FC. Searching for explanations: How the internet inflates  
estimates of internal knowledge. Exp Psychol Gen. 2015;144(3):674-687.  
doi:10.1037/xge0000070  
at  
our  
fingertips.  
Science.  
2011;333(6043):776-778.  
12.  
J
13.  
14.  
15.  
16.  
17.  
18.  
Ward AF. People mistake the internet's knowledge for their own. Proc Natl Acad Sci USA.  
2021;118(43):e2105061118. doi:10.1073/pnas.2105061118  
Parasuraman R, Riley V. Humans and automation: Use, misuse, disuse, abuse. Hum Factors.  
1997;39(2):230-253. doi:10.1518/001872097778543886  
Darvishi A, Khosravi H, Sadiq S, Gašević D, Siemens G. Impact of AI assistance on student  
agency. Comput Educ. 2024;210:104967. doi:10.1016/j.compedu.2023.104967  
Barrot JS. Using ChatGPT for second language writing: Pitfalls and potentials. Assess Writ.  
2023;57:100745. doi:10.1016/j.asw.2023.100745  
Gerlich M. AI tools in society: Impacts on cognitive offloading and the future of critical  
thinking. Societies. 2025;15(1):6. doi:10.3390/soc15010006  
Sardi J, Darmansyah, Candra O, Yuliana DF, Habibullah, Yanto DTP, Eliza F. How generative  
AI influences students' self-regulated learning and critical thinking skills? A systematic  
review. Int J Eng Pedagogy. 2025;15(1):94. doi:10.3991/ijep.v15i1.53379  
Banihashem SK, Bond M, Bergdahl N, Khosravi H, Noroozi O. A systematic mapping review  
at the intersection of artificial intelligence and self-regulated learning. Int J Educ Technol  
High Educ. 2025;22(1):50. doi:10.1186/s41239-025-00548-8  
Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA  
2020 statement: An updated guideline for reporting systematic reviews. BMJ.  
2021;372:n71. doi:10.1136/bmj.n71  
19.  
20.  
21.  
Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Page MJ, et al. PRISMA-S: an  
extension to the PRISMA Statement for Reporting Literature Searches in Systematic  
Reviews. Syst Rev. 2021;10(1):39. doi:10.1186/s13643-020-01542-z  
22.  
23.  
Molenaar I. Towards hybrid human-AI learning technologies. Eur J Educ. 2022;57(4):632-  
645. doi:10.1111/ejed.12527  
Cotton DRE, Cotton PA, Shipway JR. Chatting and cheating: Ensuring academic integrity in  
the  
era  
of  
ChatGPT.  
Innov  
Educ  
Teach  
Int.  
2024;61(2):228-239.  
doi:10.1080/14703297.2023.2190148  
110  
APRENDER A APRENDER EN LA ERA DE LA IA: METACOGNICIÓN, AUTORREGULACIÓN Y ESTRATEGIAS DE RECUPERACIÓN  
PARA PREVENIR LA DEPENDENCIA DE LA INTELIGENCIA ARTIFICIAL  
24.  
25.  
26.  
Bastani H, Bastani O, Sungu A, Ge H, Kabakcı Ö, Mariman R. Generative AI without guardrails  
can harm learning: Evidence from high school mathematics. Proc Natl Acad Sci USA.  
2025;122(26):2422633122. doi:10.1073/pnas.2422633122  
Kosmyna N, Hauptmann E, Yuan YT, Situ J, Liao XH, Beresnitzky AV, et al. Your brain on  
ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task.  
arXiv. 2025. doi:10.48550/arXiv.2506.08872  
Hashmi ZF, Iqbal J, Asghar MZ, Abid MN. Generative AI tool usage and perceived self-  
regulated learning: The mediating roles of technological self-efficacy and cognitive  
offloading in blended learning. Humanit Soc Sci Commun. 2026. doi:10.1057/s41599-026-  
07924-3  
27.  
28.  
Tian J, Zhang R. Outsourcing thinking to AI? Focused immersion, AI dependency, and the  
double-edged impact on critical thinking. Humanit Soc Sci Commun. 2026;13:1015.  
doi:10.1057/s41599-026-07153-8  
Chen J, Tian X, Fu Y, Liu P. How does GenAI support self-regulated learning? Evidence from  
learners'  
questioning  
behavior  
analysis.  
Humanit  
Soc  
Sci  
Commun.  
2026.  
doi:10.1057/s41599-026-08610-0  
111