Acceso usuarios
Gerardo Gabriel Alfaro Calderón
, Daniel Carrillo Gómez, Ramón Ramos Díaz
Este estudio analiza los impactos indirectos del uso de inteligencia artificial (IA) en la educación universitaria, integrando la lógica difusa y la teoría de los efectos olvidados como herramientas para cuantificar trayectorias acumulativas no visibles en evaluaciones tradicionales. A partir de valoraciones expertas se construyeron matrices de incidencia directa, auto-incidencia y acumulación, aplicando un modelo convolutivo max–min. El análisis permitió identificar y cuantificar efectos olvidados, es decir, relaciones indirectas que no fueron reconocidas en la valoración inicial pero que emergen al considerar la estructura relacional del sistema. Los resultados revelan tres trayectorias destacadas donde variables como estrategias pedagógicas (a₃) y preparación docente (a₄) inciden significativamente en resultados como retención de conocimientos (b₇), satisfacción estudiantil (b₃) y desempeño académico (b₁). La presencia reiterada de políticas institucionales (a₆) como nodo articulador evidencia su rol estructural en la generación de efectos acumulativos. Este trabajo aplica el modelo de efectos olvidados al contexto universitario mediante una adaptación empírica basada en valoraciones difusas y representación gráfica. La propuesta ofrece elementos útiles para la interpretación de relaciones sistémicas en entornos educativos mediados por IA, y abre la posibilidad de desarrollar líneas de investigación que amplíen su validación empírica, comparen contextos institucionales diversos y articulen este enfoque con otros modelos analíticos en ciencias de la educación.
This study analyzes the indirect impacts of artificial intelligence (AI) in higher education by integrating fuzzy logic and the theory of forgotten effects as tools to quantify cumulative trajectories that are not visible through traditional evaluations. Based on expert assessments, matrices of direct incidence, self-incidence, and accumulation were constructed using a max–min convolution model. The analysis enabled the identification and quantification of forgotten effects—indirect relationships not initially recognized by experts but emerging from the system’s relational structure. The results highlight three key trajectories in which variables such as pedagogical strategies (a₃) and faculty preparedness (a₄) significantly influence learning outcomes such as knowledge retention (b₇), student satisfaction (b₃), and academic performance (b₁). The repeated presence of institutional policies (a₆) as an articulating node reveals their structural role in generating cumulative effects. This study applies the forgotten effects model to a university context through an empirical adaptation grounded in fuzzy expert assessments and graphical representation. The proposed approach provides meaningful insights for interpreting systemic relationships in AI-mediated educational environments and opens new research directions for expanding empirical validation, comparing institutional settings, and articulating this model with other analytical approaches in educational science.
