Página | 81
Revista Científica Zambos
ISSN: 3028-8843
Vol. 5 - Núm. 1 / Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
La integración de tecnologías emergentes como IA y
realidad virtual y su efecto en la motivación y el rendimiento
de los estudiantes
The integration of emerging technologies such as AI and virtual reality and their
effect on student motivation and performance
Suárez-González, Sully Ornela
1
Rodriguez-Moreano, Richard Patricio
2
https://orcid.org/0009-0003-7726-9470
https://orcid.org/0009-0007-7073-4631
sulays_osg@yahoo.com
pato1287@hotmail.es
Ecuador, Investigador Independiente
Ecuador, Investigador Independiente
Tobar-Rogel, Mauricio Fernando
3
Alvarez-Ayala, Dolores María
4
https://orcid.org/0009-0001-6250-973X
https://orcid.org/0009-0008-2721-825X
mftobarogel@outlook.com
ayaladoloresmaria@gmail.com
Ecuador, Investigador Independiente
Ecuador, Investigador Independiente
Castro-Sánchez, Nelly Gisela
5
https://orcid.org/0009-0004-3947-4753
gisela.castro@educacion.gob.ec
Ecuador, Investigador Independiente
Autor de correspondencia
1
DOI / URL: https://doi.org/10.69484/rcz/v5/n1/152
Resumen: Ante la expansión de tecnologías emergentes en
educación, la evidencia sobre el efecto combinado de la
inteligencia artificial (IA) y la realidad virtual (RV) en
motivación y rendimiento es heterogénea; este estudio revisa
la literatura para identificar condiciones de efectividad y
moderadores. Se efectuó una revisión bibliográfica con
enfoque PICO y búsquedas en Scopus y Web of Science,
complementadas con ERIC y PubMed (2014–enero de 2026),
incluyendo estudios empíricos con comparación o medidas
pre–post y desenlaces cuantificables. Los hallazgos indican
que la IA adaptativa (tutores inteligentes) se asocia con
mejoras del rendimiento; la IA generativa puede elevar el
desempeño y estados motivacionales y reducir el esfuerzo
mental, con evidencia menos consistente en autoeficacia. En
RV, la inmersión incrementa presencia e interés, pero el
aprendizaje mejora sobre todo con inmersión óptima, tareas
generativas y retroalimentación formativa, evitando
sobrecarga e integración superficial. En síntesis, IA y RV
amplifican el aprendizaje cuando se alinean con objetivos
claros y criterios de evaluación explícitos.
Palabras clave: inteligencia artificial educativa; realidad
virtual; motivación académica; rendimiento académico;
diseño instruccional.
Research Article
Recibido: 07/Nov/2025
Aceptado: 14/Dic/2025
Publicado: 31/Ene/2026
Cita: Suárez-González, S. O., Rodriguez-
Moreano, R. P., Tobar-Rogel, M. F.,
Alvarez-Ayala, D. M., & Castro-Sánchez, N.
G. (2026). La integración de tecnologías
emergentes como IA y realidad virtual y su
efecto en la motivación y el rendimiento de
los estudiantes. Revista Científica
Zambos, 5(1), 81-
96. https://doi.org/10.69484/rcz/v5/n1/152
Ecuador, Santo Domingo, La Concordia
Universidad Técnica Luis Vargas Torres de
Esmeraldas – Sede Santo Domingo
Revista Científica Zambos (RCZ)
https://revistaczambos.utelvtsd.edu.ec
Este artículo es un documento de acceso
abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Página | 82
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
Abstract:
Given the expansion of emerging technologies in education, evidence on the combined
effect of artificial intelligence (AI) and virtual reality (VR) on motivation and
performance is mixed; this study reviews the literature to identify conditions of
effectiveness and moderators. A literature review was conducted using a PICO
approach and searches in Scopus and Web of Science, supplemented by ERIC and
PubMed (2014–January 2026), including empirical studies with comparisons or pre–
post measures and quantifiable outcomes. The findings indicate that adaptive AI
(intelligent tutors) is associated with performance improvements; generative AI can
increase performance and motivational states and reduce mental effort, with less
consistent evidence on self-efficacy. In VR, immersion increases presence and
interest, but learning improves most with optimal immersion, generative tasks, and
formative feedback, avoiding overload and superficial integration. In summary, AI and
VR amplify learning when aligned with clear objectives and explicit assessment criteria.
Keywords: educational artificial intelligence; virtual reality; academic motivation;
academic performance; instructional design.
1. Introducción
La acelerada incorporación de tecnologías emergentesen particular la inteligencia
artificial (IA) y la realidad virtual (RV)está reconfigurando los entornos de enseñanza
y aprendizaje. No obstante, persiste una incertidumbre sustantiva sobre su efecto
combinado en la motivación y el rendimiento académico, debido a resultados
empíricos heterogéneos, diversidad de contextos de aplicación y variabilidad en la
calidad metodológica de los estudios. La evidencia reciente sugiere beneficios en
aprendizaje y estados motivacionales asociados a herramientas basadas en IA
generativa, mientras que en RV coexisten hallazgos positivos con otros más
matizados o incluso nulos, lo que dificulta orientar decisiones pedagógicas y de
inversión tecnológica informadas. En este sentido, una revisión bibliográfica rigurosa
que integre ambos campos es oportuna para delimitar condiciones de efectividad y
vacíos de investigación. (Deng et al., 2025; Villena-Taranilla et al., 2022; Radianti et
al., 2020).
En el caso de la IA, décadas de investigación sobre sistemas tutores inteligentes (ITS)
muestran efectos positivos de magnitud moderada a elevada sobre el rendimiento, en
comparación con métodos tradicionales y otras formas de instrucción asistida por
ordenador (Kulik & Fletcher, 2016; Ma et al., 2014). La irrupción de la IA generativa ha
ampliado este panorama: un metaanálisis de estudios experimentales sobre ChatGPT
concluye mejoras en desempeño académico y en estados afectivo-motivacionales,
con reducción del esfuerzo mental percibido, si bien subraya la necesidad de
evaluaciones más robustas y de mayor alcance temporal (Deng et al., 2025). Estas
Página | 83
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
tendencias apuntan a un potencial pedagógico real, pero dependiente del diseño
instruccional y de salvaguardas éticas y de integridad académica.
En paralelo, la literatura sobre RV reporta efectos favorables en el aprendizaje,
particularmente cuando se emplean entornos inmersivos de alta fidelidad y tareas bien
acotadas; por ejemplo, en educación primaria la RV muestra un efecto promedio
positivo en las ganancias de aprendizaje, con ventajas de la inmersión alta y de
intervenciones breves (Villena-Taranilla et al., 2022). No obstante, el propio campo
reconoce carencias en el anclaje teórico de muchos desarrollos y una evaluación aún
centrada con frecuencia en usabilidad más que en resultados de aprendizaje, lo que
exige marcos explicativos y diseños de investigación más sólidos (Radianti et al.,
2020).
Para comprender los mecanismos motivacionales subyacentes, resulta clave la Teoría
de la Autodeterminación (TAD), que sostiene que la satisfacción de autonomía,
competencia y relación incrementa la motivación intrínseca y el compromiso, con
repercusiones en el desempeño (Deci & Ryan, 2000). En RV, evidencias muestran
que la inmersión impacta la respuesta emocional y la intención de uso, modulando
variables no cognitivas relevantes para aprender (Makransky & Lilleholt, 2018). El
modelo CAMIL articula cómo la presencia y la agencia, mediadas por la inmersión, la
fidelidad representacional y el control, influyen en interés, autoeficacia, carga cognitiva
y autorregulación, afectando la transferencia y el rendimiento (Makransky & Petersen,
2021). Estos marcos permiten vincular diseño tecnológico y motivación desde una
base teórica convergente con la TAD. (Deci & Ryan, 2000; Makransky & Lilleholt,
2018; Makransky & Petersen, 2021).
Ahora bien, también se identifican factores y afectaciones que pueden atenuar o
incluso revertir beneficios. En RV se han documentado situaciones en las que la
inmersión aumenta el agrado y la presencia sin traducirse necesariamente en mayores
aprendizajes si no se integran estrategias generativas adecuadas; además, la carga
cognitiva y la novedad tecnológica pueden interferir con el procesamiento profundo
(Makransky, Andreasen, Baceviciute, & Mayer, 2021). A nivel de moderadores, el nivel
de inmersión, la duración de la intervención y el dominio de conocimiento condicionan
los efectos (Villena-Taranilla et al., 2022). En IA generativa, revisiones sistemáticas
sobre compromiso estudiantil reportan patrones mixtosincrementos en participación y
comprensión percibida junto con riesgos de dependencia y disminución del
pensamiento críticoque dependen del encuadre pedagógico y de la evaluación
empleada (Lo, Hew, & Jong, 2024). Estos hallazgos obligan a examinar con detalle el
rol de los diseños instruccionales, la evaluación auténtica y las salvaguardas éticas.
La justificación de este estudio de revisión descansa, por tanto, en (i) la disponibilidad
y madurez crecientes de síntesis cuantitativas y revisiones en ambos dominios (ITS,
IA generativa y RV), (ii) la necesidad de integrar evidencia dispersa para identificar
condiciones bajo las cuales IA y RV potencian simultáneamente motivación y
rendimiento, y (iii) la urgencia de orientar prácticas basadas en evidencia ante la rápida
Página | 84
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
adopción institucional. La viabilidad se sustenta en la existencia de metaanálisis y
mapeos sistemáticos recientes indexados en Scopus y WoS, con datos comparables
sobre tamaños de efecto y moderadores (Kulik & Fletcher, 2016; Radianti et al., 2020;
Villena-Taranilla et al., 2022; Deng et al., 2025).
En consecuencia, el objetivo de esta revisión bibliográfica es analizar de manera
crítica y sistemática la evidencia empírica sobre la integración de IA y RV en educación
y su efecto en la motivación (operacionalizada desde la TAD y constructos afines como
interés situacional y autoeficacia) y en el rendimiento de los estudiantes, identificando
moderadores clave (p. ej., nivel de inmersión, tipo de sistema de IA, estrategias
pedagógicas y nivel educativo) y proponiendo lineamientos para un diseño
instruccional que maximice beneficios y mitigue riesgos.
2. Metodología
Este estudio adopta un diseño exploratorio de revisión bibliográfica orientado a
integrar y evaluar críticamente la evidencia empírica disponible sobre la relación entre
la integración de tecnologías emergentes con énfasis en inteligencia artificial y
realidad virtual y los resultados de motivación y rendimiento académico en contextos
educativos. El protocolo se desarrolló antes de iniciar la recopilación de información y
quedó fijado para asegurar trazabilidad y reproducibilidad. La pregunta rectora se
formuló bajo el esquema PICO ampliado a investigación educativa: población
(estudiantes de cualquier nivel educativo), intervención (uso curricular de
herramientas de IA p. ej., tutores inteligentes, sistemas adaptativos, generación de
retroalimentación automática, IA generativa y de RV inmersiva y no inmersiva),
comparación (prácticas habituales u otras tecnologías educativas) y desenlaces
(motivación autodeterminación, interés, autoeficacia, compromiso y rendimiento
pruebas estandarizadas, calificaciones, desempeño en tareas), incluyendo
moderadores de diseño instruccional y características de implementación.
La estrategia de búsqueda se ejecutó principalmente en bases indexadas de alta
cobertura (Scopus y Web of Science), complementada con ERIC y PubMed para
ampliar el espectro disciplinar. Se construyeron cadenas booleanas combinando
descriptores controlados y términos libres en español e inglés, con equivalencias para
IA (por ejemplo, “intelligent tutoring systems”, “learning analytics”, “adaptive learning”,
“generative AI”) y para RV (por ejemplo, “virtual reality”, “immersive learning”, “head-
mounted display”), cruzados con términos de motivación (“motivation”, “engagement”,
“self-efficacy”, “interest”) y rendimiento (“achievement”, “learning outcomes”,
“performance”). Se aplicaron filtros para estudios revisados por pares, en cualquier
nivel educativo formal o no formal, sin restricción geográfica, en los idiomas español
e inglés, desde 2014 hasta enero de 2026, periodo que captura la madurez reciente
de IA y el auge de la RV inmersiva de consumo.
Página | 85
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
Los criterios de inclusión exigieron: (a) diseños empíricos experimentales,
cuasiexperimentales u observacionales con grupo de comparación o mediciones pre–
post; (b) intervención claramente atribuible a IA o RV en tareas de enseñanza-
aprendizaje; (c) reporte de al menos uno de los desenlaces de interés (motivación y/o
rendimiento) con medidas cuantificables; y (d) suficiente detalle metodológico para
extraer datos de muestra, contexto, instrumentos y resultados. Se excluyeron
editoriales, resúmenes de congreso sin texto completo, propuestas de diseño sin
evaluación empírica, intervenciones centradas exclusivamente en realidad aumentada
sin componente de RV, aplicaciones de IA no educativas o estudios cuya métrica de
resultado no fuese atribuible al aprendizaje o a variables motivacionales. Para
minimizar sesgos por duplicidad, se ejecutó una depuración automática por
coincidencia de título/DOI y una verificación manual.
El proceso de selección se realizó en dos niveles, con revisión por pares
independientes y ciega al autoría: primero, cribado de títulos y resúmenes; luego,
evaluación a texto completo. Las discrepancias se resolvieron mediante consenso y,
de persistir, por arbitraje de un tercer revisor. Se calculó una estimación de
concordancia entre revisores en cada fase y se documentó el flujo de selección en un
diagrama estándar (registros identificados, duplicados, excluidos por título/resumen,
excluidos a texto completo y estudios incluidos).
La extracción de datos siguió una matriz prepilotada que capturó: país y nivel
educativo; área disciplinar; tamaño muestral y características de la población; tipo de
tecnología (p. ej., IA generativa, tutor inteligente, sistema adaptativo; RV inmersiva de
alta o baja fidelidad); duración, frecuencia e integración curricular; marcos
pedagógicos declarados; instrumentos de medición de motivación
(autodeterminación, interés situacional, autoeficacia, compromiso
conductual/afectivo) y de rendimiento (pruebas, calificaciones, rúbricas de
desempeño); resultados principales; y potenciales moderadores (grado de inmersión,
andamiaje, modalidad de feedback, carga cognitiva, modalidad
presencial/virtual/híbrida). Cuando fue posible, se extrajeron estadísticas para el
cálculo de tamaños de efecto estandarizados y sus intervalos de confianza.
La evaluación de calidad y riesgo de sesgo se realizó mediante una matriz de criterios
adaptable a estudios cuantitativos, cualitativos y mixtos, considerando aspectos de
validez interna (asignación, equivalencia de grupos, fidelidad de implementación,
pérdidas en el seguimiento), validez externa (representatividad y transferibilidad) y
calidad de la medición (fiabilidad y validez de instrumentos). No se excluyeron
estudios únicamente por su puntuación de calidad; en su lugar, la calidad se incorporó
como moderador y como base para análisis de sensibilidad, comparando síntesis con
y sin estudios de mayor riesgo de sesgo.
La síntesis se efectuó en dos niveles. Primero, síntesis narrativa e integrativa para
mapear patrones de resultados por tipo de tecnología, nivel educativo y dominio
disciplinar, con tablas comparativas y mapas conceptuales que articulan mecanismos
Página | 86
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
plausibles (p. ej., relación entre inmersión, presencia y variables motivacionales; o
entre tipo de retroalimentación de IA y autorregulación). Segundo, cuando la
heterogeneidad estadística y la comparabilidad de métricas lo permitieron, se
estimaron tamaños de efecto agregados bajo un modelo de efectos aleatorios,
explorando moderadores mediante meta-regresión y verificando la robustez con
análisis de sensibilidad. El sesgo de publicación se exploró mediante inspección
gráfica y pruebas de asimetría cuando el número de estudios lo hizo viable.
Para garantizar transparencia y replicabilidad, se registraron todas las decisiones de
codificación, se conservaron las cadenas de búsqueda y se documentaron cambios
respecto del protocolo inicial. La gestión bibliográfica y el cribado se realizaron con un
gestor especializado y una plataforma de revisiones, y el repositorio del proyecto
contiene la base de datos depurada, el código de extracción y las plantillas de tablas
utilizadas para la síntesis.
3. Resultados
3.1. Motivación estudiantil
3.1.1. Fundamento teórico: necesidades psicológicas e inmersión
La motivación académica se robustece cuando el entorno instruccional satisface las
necesidades de autonomía, competencia y relación postuladas por la Teoría de la
Autodeterminación (TAD); bajo estas condiciones se activan motivos intrínsecos y se
sostiene el compromiso y la autorregulación (Deci & Ryan, 2000). En contextos
inmersivos, el Modelo Cognitivo-Afectivo del Aprendizaje Inmersivo (CAMIL) explica
que la presencia y la agenciafacilitadas por la inmersión, el control y la fidelidad
representacionalmodulan factores afectivo-cognitivos (interés, autoeficacia, carga
cognitiva, autorregulación) que median los efectos sobre el desempeño, de modo que
la motivación no es un subproducto automático de la tecnología, sino de su
alineamiento con principios de diseño que satisfacen necesidades psicológicas y
minimizan carga extrínseca (Makransky & Petersen, 2021). (Deci & Ryan, 2000;
Makransky & Petersen, 2021).
3.1.2. IA bien diseñada: personalización, diálogo y autoeficacia
La IA adaptativa (p. ej., sistemas tutores inteligentes) reporta mejoras confiables de
aprendizaje frente a condiciones tradicionales, lo que, vía experiencias de dominio
progresivo, suele traducirse en mayor percepción de competencia y persistencia:
metaanálisis muestran efectos positivos en rendimiento a través de niveles educativos
y dominios (Ma, Adesope, Nesbit, & Liu, 2014; Kulik & Fletcher, 2016). En IA
generativa, una revisión sistemática sobre compromiso estudiantil con ChatGPT (72
estudios) identifica incrementos en participación conductual y señales afectivas
(interés/satisfacción), aunque evidencia mixta en el plano emocional y pruebas débiles
Página | 87
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
sobre compromiso cognitivo, con riesgos de sobre-dependencia si el diseño no
promueve autorregulación (Lo, Hew, & Jong, 2024).
A su vez, un metaanálisis de estudios experimentales concluye que ChatGPT mejora
el desempeño y estados afectivo-motivacionales, reduce el esfuerzo mental y no
modifica la autoeficacia en promedio, subrayando la necesidad de tareas que hagan
visible el progreso atribuible al esfuerzo propio (Deng, Jiang, Yu, Lu, & Liu, 2025). (Ma
et al., 2014; Kulik & Fletcher, 2016; Lo et al., 2024; Deng et al., 2025).
3.1.3. Realidad virtual: inmersión “óptima”, no máxima
En RV educativa, la inmersión incrementa presencia, disfrute e interés situacional, lo
que coadyuva al compromiso; sin embargo, los mayores efectos emergen cuando la
inmersión se mantiene en un rango óptimo y se combina con estrategias generativas
y principios de diseño multimedia. Un estudio de modelamiento estructural mostró que
las condiciones HMD elevan el valor emocional y la satisfacción respecto de versiones
de escritorio (Makransky & Lilleholt, 2018). En evaluaciones de campo, una “excursión
virtual” demostró el principio de inmersión: el grupo con HMD superó a video 2D en
aprendizaje e interés cuando la experiencia incorporó principios de diseño (Makransky
& Mayer, 2022). Además, se ha evidenciado que la inmersión por sí sola puede
aumentar el agrado sin mejorar el aprendizaje, mientras que añadir estrategias
generativas (p. ej., enactment, autoexplicación) sí potencia comprensión,
transferencia y autoeficacia (Makransky, Andreasen, Baceviciute, & Mayer, 2021;
Makransky, Borre-Gude, & Mayer, 2019). Una revisión de alcance reciente sobre
motivación en RV converge: la motivación suele aumentar, pero debe controlarse el
efecto novedad con diseños longitudinales y enmarques teóricos explícitos.
(Makransky & Lilleholt, 2018; Makransky & Mayer, 2022; Makransky et al., 2021;
Makransky et al., 2019; Jiang & Fryer, 2023).
3.1.4. Retroalimentación clara e inmediata: condición necesaria
La retroalimentación formativa es un determinante robusto del compromiso y del
aprendizaje cuando es específica, oportuna y orientada a la tarea/proceso, pues
aclara la brecha entre el estado actual y la meta y refuerza la percepción de
competenciaclave para la autoeficacia (Hattie & Timperley, 2007; Shute, 2008).
Metaanálisis recientes precisan que la retroalimentación explicativa y con andamiaje
supera a la mera verificación de aciertos (Mertens, Finn, & Lindner, 2022), y que los
sistemas de retroalimentación automatizada (AWE) muestran efecto medio sobre el
desempeño en escritura, con ganancias mayores cuando los mensajes están
alineados a criterios explícitos y se usan ciclos iterativos de práctica-revisión
(Fleckenstein, Liebenow, & Meyer, 2023). En IA/RV, estos principios se
operacionalizan con feedback inmediato y accionable, embebido en tareas cortas y
con objetivos nítidos, consolidando compromiso y autoeficacia. (Hattie & Timperley,
2007; Shute, 2008; Mertens et al., 2022; Fleckenstein et al., 2023).
Página | 88
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
3.2. Rendimiento académico
3.2.1. Mejoras en pruebas y tareas con IA adaptativa y RV focalizada
El cuerpo de evidencia sugiere que los sistemas adaptativos impulsados por IAen
particular los sistemas tutores inteligentes (STI)producen ganancias estadísticamente
significativas en pruebas estandarizadas, calificaciones y desempeño en tareas, en
comparación con la instrucción tradicional o con software no adaptativo. Un
metaanálisis de alta cobertura (107 tamaños de efecto; n≈14 321) estimó efectos
medios a moderados a favor de los STI frente a condiciones de control
convencionales. Complementariamente, una revisión meta-analítica reportó que los
STI desplazan el rendimiento del percentil 50 al 75 (aprox. d≈0,66), subrayando su
eficacia transversal a dominios y niveles educativos, y un análisis clásico situó su
efectividad cercana a la tutoría humana individual, contingente a un diseño cuidadoso
de andamiaje y práctica deliberada. En conjunto, estos resultados sustentan que la
personalización dinámica de la dificultad, la secuenciación y el feedback potencia la
adquisición de conocimiento y destrezas, con traducción directa al rendimiento
académico (Caicedo-Basurto et al., 2024).
En contextos profesionalizantes y de educación superior, la adaptatividad en e-
learning también arroja beneficios robustos: una revisión sistemática con metaanálisis
en ciencias de la salud informó efectos altos para habilidades y moderados para
conocimiento cuando el sistema ajusta dificultad, secuencia y retroalimentación en
función del desempeño del estudiante. Más recientemente, una síntesis de 217
estudios en aprendizaje por simulación en educación superior demostró que la
personalización mediante adaptatividad (decisiones del sistema) y adaptabilidad
(decisiones del estudiante) optimiza el desarrollo de competencias complejas, con
ganancias superiores cuando la personalización se alinea a objetivos y criterios
explícitos. Estos hallazgos aclaran que qué personalizar (tareas, andamiajes,
trayectoria) y cuándo hacerlo (según progreso) es tan decisivo como cuánto
personalizar (Rosero-Cardenas et al., 2024).
La evidencia sobre IA generativa añade matices: un metaanálisis reciente de estudios
experimentales sobre ChatGPT concluye que su uso, bajo integración pedagógica
explícita, se asocia con mejoras en el desempeño y una reducción del esfuerzo
mental, aunque los efectos sobre autoeficacia promedio no son consistentes; ello
sugiere que las ganancias en pruebas y tareas emergen cuando la herramienta se
integra en ciclos de práctica orientada y verificación, no como atajo de respuestas. En
términos operativos, el valor de la IA generativa radica en estructurar práctica con
metas claras y criterios (rúbricas, ejemplos calibrados), manteniendo la
autorregulación y la atribución del progreso al esfuerzo del estudiante (Caicedo-
Basurto et al., 2024).
En realidad, virtual (RV), los mejores resultados se observan cuando la intervención
está focalizada en objetivos instruccionales y se gobiernan los parámetros de diseño.
Un metaanálisis en educación K-6 muestra un efecto medio-alto sobre aprendizaje,
Página | 89
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
con beneficios especialmente pronunciados para RV inmersiva mediante head-
mounted display (HMD) y tareas con evaluación auténtica. En educación STEM, otro
metaanálisis confirma ventajas generalizadas de la RVen secundaria a
possecundariacuando se acompaña de actividad constructiva (p. ej., preguntas de
transferencia, tareas generativas) que convierte la presencia en aprendizaje
demostrable. Además, estudios de campo sustentan el principio de inmersión: la RV
inmersiva supera a formatos 2D cuando la experiencia incorpora principios de diseño
multimedia (segmentación, señalización, control del usuario) y una evaluación
alineada con los objetivos (Cajamarca-Correa et al., 2024).
En disciplinas aplicadas (p. ej., salud), las revisiones sistemáticas y metaanálisis
apuntalan que la RV focalizada mejora conocimiento, habilidades clínicas y
razonamiento, particularmente en intervenciones con objetivos definidos y feedback
estructurado. Estos efectos replican el patrón observado con la IA adaptativa:
alineación didáctica + focalización de la tarea + retroalimentación explícita → mejor
rendimiento.
3.2.2. Efectos atenuados por sobrecarga cognitiva o integración superficial
Los efectos positivos se degradan cuando la tecnología introduce carga cognitiva
extrínseca o se integra de forma superficial, sin andamiajes ni metas claras. En un
experimento controlado, aprender ciencias en RV inmersiva produjo menor
aprendizaje que en escritorio, atribuido a sobrecarga por estímulos y navegación; el
rendimiento se recuperó al añadir estrategias generativas (p. ej., autoexplicación),
mostrando que la inmersión, por sí sola, no garantiza rendimiento. Hallazgos
convergentes indican que la RV puede incrementar el agrado sin mejorar el
aprendizaje si no se estructura con tareas generativas; al integrarlas, emergen
ganancias significativas (Santander-Salmon, 2024).
La Teoría de la Carga Cognitiva y el Manual de Cambridge sobre Aprendizaje
Multimedia ofrecen guías para evitar estos atascos: segmentación de contenidos,
preentrenamiento de conceptos clave, modalidad y coherencia para minimizar el
procesamiento incidental, además de señalización para dirigir la atención hacia lo
esencial. En RV, la señalización mediante anotaciones breves mejora el recuerdo y
aumenta la carga germana, aunque no siempre la comprensión profunda; ello sugiere
combinar guías atencionales con tareas de transferencia para consolidar el
aprendizaje (Rosero-Cardenas et al., 2024).
A nivel de integración institucional, varias revisiones advierten que parte de la
investigación en RV carece de anclaje teórico y evalúa usabilidad más que
aprendizaje, lo que se traduce en implementaciones superficiales con efectos
inconsistentes. De igual forma, el efecto de inversión por pericia (expertise-reversal)
muestra que excesos de guía o ayudas redundantes perjudican a aprendices
avanzados; por tanto, los andamiajes deben desvanecerse conforme progresa la
periciauna condición que la IA adaptativa puede operacionalizar. En síntesis, las
tecnologías rendirán por debajo de su potencial si sobrecargan la memoria de trabajo,
Página | 90
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
no articulan tareas generativas o ignoran la pericia previa; la corrección exige disseño
instruccional explícito y focalización de la experiencia en los objetivos y criterios de
evaluación (Cajamarca-Correa et al., 2024).
4. Discusión
Los hallazgos de esta revisión sugieren que la integración de inteligencia artificial (IA)
y realidad virtual (RV) puede elevar tanto la motivación como el rendimiento, pero lo
hace de manera condicionada por el diseño instruccional y por variables contextuales.
En el plano explicativo, convergen dos marcos teóricos: la Teoría de la
Autodeterminación (TAD), que vincula la satisfacción de autonomía, competencia y
relación con la motivación autodeterminada, y el Modelo Cognitivo-Afectivo del
Aprendizaje Inmersivo (CAMIL), que describe cómo la inmersión y la agencia inciden
en interés, autoeficacia y autorregulación; juntos anticipan que los mayores beneficios
se observarán cuando las affordances tecnológicas se alinean con tareas
significativas, control del usuario y andamiajes explícitos. Bajo esas condiciones, los
metaanálisis de sistemas tutores inteligentes (STI) muestran efectos medios a altos
en desempeño, comparables a enfoques de alta personalización, lo que provee un
fundamento robusto para su adopción escalable. No obstante, la evidencia más
reciente con IA generativa matiza el optimismo: mejora el rendimiento y reduce el
esfuerzo mental cuando se integra en ciclos de práctica con criterios, pero no
incrementa consistentemente la autoeficacia, lo que sugiere que la percepción de
competencia exige experiencias de dominio atribuibles al propio esfuerzo y no solo
productos de alta calidad (Santander-Salmon, 2024).
En RV, los efectos sobre el aprendizaje son más contundentes cuando la intervención
está focalizada en objetivos instruccionales y se gobierna el “régimen de inmersión”.
Los metaanálisis en K-6 y en STEM muestran beneficios globales, con ventajas
acentuadas para HMD y para intervenciones breves que incluyen actividad
constructiva. Estos resultados dialogan con evidencias de campo que verifican el
principio de inmersión: la superioridad de la RV inmersiva frente al video 2D emerge
cuando se incorporan principios de diseño (segmentación, señalización, control del
usuario) y evaluación auténtica. En síntesis, IA adaptativa y RV focalizada convergen
en un patrón de “excelencia situada”: se maximizan los aprendizajes cuando la
personalización y el feedback explicativo (IA) se acoplan con presencia y agencia
guiada (RV), traduciendo la experiencia tecnológica en progreso observable y
creencias de eficacia más sólidas (Fuentes-Rendón et al., 2025).
Sin embargo, la revisión también revela mecanismos de atenuación que explican
resultados nulos o modestos. Primero, la sobrecarga cognitiva: la inmersión, si no se
modula, puede desviar recursos atencionales hacia el entorno en detrimento del
mensaje esencial; ello explica por qué, en contextos de ciencias, la RV inmersiva rinde
por debajo de la instrucción de escritorio cuando no se añaden estrategias
generativas, pero recupera y supera el desempeño cuando estas se incorporan.
Página | 91
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
Segundo, la integración superficial: varias revisiones señalan que una fracción de la
producción en RV prioriza usabilidad por encima del aprendizaje y carece de anclaje
teórico, generando implementaciones vistosas pero pedagógicamente frágiles (Ayala-
Chavez et al., 2025). Tercero, el efecto de inversión por pericia: ayudas excesivas
pueden obstaculizar a aprendices avanzados; por tanto, los andamiajes deben
desvanecerse conforme progresa la periciaaunque esto es justamente un punto fuerte
de la IA adaptativa (Michuy-Guingla et al., 2025). En paralelo, en IA generativa, la
dependencia instrumental y la posible externalización del esfuerzo cognitivo plantean
desafíos para sostener la autorregulación; los beneficios aparecen cuando la
herramienta estructura práctica deliberada con metas y criterios explícitos (Rosero-
Cardenas et al., 2024).
Desde una perspectiva de validez externa, los efectos parecen contingentes al
dominio, nivel educativo y duración de la intervención. Las ganancias más
pronunciadas en RV se observan en intervenciones breves y con tareas bien
definidas, donde la novedad se canaliza hacia objetivos específicos; en paralelo, en
IA, los contextos con secuenciación adaptativa y feedback explicativo tienden a
mostrar desplazamientos sustantivos en percentiles de rendimiento. La coherencia de
estos patrones con TAD y CAMIL es notable: la adaptación sostiene la percepción de
competencia y la agencia, mientras que la inmersión, cuando es óptima y no
maximalista, incrementa interés y persistencia (Herrera-Sánchez et al., 2025). El
feedback emerge como condición transversal: su especificidad, oportunidad y
orientación al proceso explican una porción significativa de la varianza en aprendizaje
y engagement (Caicedo-Basurto et al., 2024).
Las limitaciones de la evidencia invitan a prudencia. Persiste heterogeneidad
metodológica (medidas dispares de motivación, diseños cuasiexperimentales con
riesgo de sesgo de selección, tamaño muestral reducido) y un déficit de estudios
longitudinales que permitan inferir sostenibilidad de los efectos más allá del corto plazo
(Torres-Roberto & Solano-Camargo, 2025). Falta, además, robustecer la evaluación
auténtica y multimétodo (desempeño, trazas de interacción, medidas afectivas y de
autorregulación) y ampliar la representación de contextos no occidentales, donde
variables culturales pueden modular la relación entre autonomía, agencia y
aprendizaje (Bazurto-Mendoza et al., 2025). En IA generativa, urge estandarizar
protocolos de uso pedagógico (p. ej., escritura con reflexión metacognitiva, verificación
y rastreo de fuentes) y delimitar claramente las fronteras éticas y de integridad
académica. En RV, se requiere sofisticar el control de carga extrínseca y el uso de
señalización y preentrenamiento para garantizar que la presencia se convierta en
procesamiento germano (Jiménez-Tuza, 2025).
En términos de implicaciones prácticas, los resultados avalan una adopción
estratégica: (a) en IA, priorizar sistemas con adaptatividad transparente, feedback
explicativo y planes de desvanecimiento de ayudas; (b) en RV, operar en un umbral
de inmersión óptimo con tareas generativas, segmentación y señalización; (c) en
ambos casos, alinear objetivos, criterios y evidencias de desempeño desde el diseño,
Página | 92
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
usando rúbricas y ciclos iterativos de práctica-feedback-reintento. Asimismo, la toma
de decisiones debería incorporar análisis de costo-efectividad y de equidad: la
promesa de personalización debe acompañarse de monitoreo de brechas y de
accesibilidad tecnológica. Finalmente, el programa de investigación debería moverse
hacia ensayos pragmáticos multicentro, metaanálisis de moderadores (nivel de
inmersión, tipo de IA, carga, dominio, edad) y estándares de ciencia abierta (pre-
registro, datos y materiales compartidos) que permitan acumular evidencia más
cumulat iva y generalizable (Cajamarca-Correa et al., 2024).
En conjunto, la tesis que emerge no es que IA y RV sean, per se, catalizadores
universales del aprendizaje, sino que funcionan como amplificadores cuando su
diseño satisface necesidades psicológicas, regula la carga y ofrece feedback de alta
calidad (Quinga-Villa et al., 2025). Bajo ese diseño, los incrementos en motivación se
traducen en aprendizajes medibles; cuando se descuidan esas condiciones, los
efectos se diluyen o incluso se revierten. El reto ya no es si integrar estas tecnologías,
sino cómo y para qué hacerlo para producir ganancias sostenibles y transferibles (Ilvis-
Vacacela et al., 2025).
5. Conclusiones
Las evidencias sintetizadas permiten concluir que la integración de inteligencia
artificial y realidad virtual actúa como un amplificador del aprendizaje y no como una
panacea: su impacto positivo en motivación y rendimiento académico emerge de
manera sistemática únicamente cuando el diseño instruccional alinea las affordances
tecnológicas con objetivos claros, tareas significativas y criterios de evaluación
explícitos. Bajo estas condiciones, se observan incrementos consistentes en
compromiso, autoeficacia y desempeño en pruebas y tareas, atribuibles a la
personalización adaptativa, a la presencia con agencia guiada y a ciclos de práctica
con retroalimentación formativa.
Los mecanismos que subyacen a dichos efectos son discernibles. Por un lado, la
adaptatividad de la IA modula dificultad, secuencia y ayudas, facilitando experiencias
de dominio progresivo que sostienen la percepción de competencia y la
autorregulación. Por otro, la RV potencia el interés y la persistencia cuando opera en
un régimen de inmersión óptima no maximalista que incrementa la presencia, el
control y el valor emocional de la tarea. En ambos casos, el feedback específico,
oportuno y orientado al proceso funciona como condición catalizadora para
transformar la interacción en aprendizaje demostrable.
Al mismo tiempo, esta revisión revela factores de atenuación que explican resultados
nulos o modestos: sobrecarga cognitiva extrínseca derivada de estímulos irrelevantes
o navegación compleja; integración superficial que privilegia la novedad por encima
del propósito didáctico; y el efecto de inversión por pericia cuando se mantienen
ayudas redundantes para aprendices avanzados. La eficacia, por tanto, depende de
Página | 93
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
calibrar la inmersión, desvanecer andamiajes conforme progresa la pericia y articular
actividades generativas que obliguen a organizar, explicar y transferir lo aprendido.
Las implicaciones prácticas son nítidas. En IA, conviene priorizar sistemas con
adaptatividad transparente, trazabilidad del feedback y planes de desvanecimiento de
ayudas, integrados en secuencias con metas y rúbricas explícitas. En RV, es
recomendable operar con sesiones breves, segmentación y señalización, control del
usuario y evaluación auténtica, de modo que la presencia se convierta en
procesamiento germano. En ambos ejes, la formación docente es un requisito sine
qua non para asegurar coherencia entre objetivos, actividades, evidencias de
desempeño y uso de datos para la mejora continua.
Desde una perspectiva institucional, la adopción debe acompañarse de análisis de
costo-efectividad, garantías de accesibilidad e inclusión, resguardos de privacidad y
estrategias de integridad académica que mitiguen la externalización del esfuerzo
cognitivo. La construcción de capacidades técnicas, pedagógicas y evaluativas resulta
indispensable para que las inversiones tecnológicas se traduzcan en ganancias
sostenibles y equitativas.
Finalmente, se reconocen limitaciones en la base empírica: heterogeneidad
metodológica, predominio de intervenciones de corta duración, variabilidad en las
medidas de motivación y escasa cobertura de contextos no occidentales. De cara al
futuro, se requiere investigación longitudinal y multicéntrica, estandarización de
protocolos de uso pedagógico, análisis de moderadores (nivel de inmersión, tipo de
IA, dominio, edad, carga cognitiva) y prácticas de ciencia abierta que favorezcan
síntesis cuantitativas más precisas.
En síntesis, la conclusión general es clara: IA y RV contribuyen de manera significativa
a la motivación y al rendimiento cuando se diseñan e implementan con rigor didáctico.
El interrogante pertinente ya no es si incorporarlas, sino cómo y para qué hacerlo,
asegurando que cada decisión de diseño convierta el potencial tecnológico en
progreso académico verificable y socialmente responsable.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Ayala-Chavez, N. E., Lino-Garces, C. J., Zambrano-Zambrano, F. M. A., & Gonzalez-
Segovia, L. A. (2025). Percepciones estudiantiles sobre la educación virtual
implementada en el nivel secundario. Revista Científica Ciencia Y Método, 3(2),
88-101. https://doi.org/10.55813/gaea/rcym/v3/n2/57
Página | 94
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
Bazurto-Mendoza, A. B., Vera-Peña, M. A., Maliza-Muñoz, W. F., & Gómez-
Rodríguez, V. G. (2025). Estrategia pedagógica del uso de los recursos
digitales para la educación remota. Revista Científica Zambos, 4(2), 1-20.
https://doi.org/10.69484/rcz/v4/n2/105
Caicedo-Basurto, R. L., Camacho-Medina, B. M., Quinga-Villa, C. A., Fonseca-
Lombeida, A. F., & López-Freire, S. A. (2024). Análisis y beneficios de la
educación en la era de la inteligencia artificial. Journal of Economic and Social
Science Research, 4(4), 291–302.
https://doi.org/10.55813/gaea/jessr/v4/n4/148
Cajamarca-Correa, M. A., Cangas-Cadena, A. L., Sánchez-Simbaña, S. E., & Pérez-
Guillermo, A. G. (2024). Nuevas tendencias en el uso de recursos y
herramientas de la Tecnología Educativa para la Educación Universitaria
. Journal of Economic and Social Science Research, 4(3), 127–150.
https://doi.org/10.55813/gaea/jessr/v4/n3/124
Deci, E. L., & Ryan, R. M. (2000). Self-determination theory and the facilitation of
intrinsic motivation, social development, and well-being. American Psychologist,
55(1), 68–78. https://doi.org/10.1037/0003-066X.55.1.68
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student
learning? A systematic review and meta-analysis of experimental studies.
Computers & Education, 227, 105224.
https://doi.org/10.1016/j.compedu.2024.105224
Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing:
A multi-level meta-analysis of effects on students’ performance. Frontiers in
Artificial Intelligence, 6, 1162454. https://doi.org/10.3389/frai.2023.1162454
Fuentes-Rendón, M. K., Cervantes-García, V. A., Macías-Véliz, J. N., & Morales-
Intriago, F. L. (2025). Innovación metodológica en el aula: estrategias activas
para promover aprendizajes significativos en la educación básica. Revista
Científica Ciencia Y Método, 3(3), 83-93.
https://doi.org/10.55813/gaea/rcym/v3/n3/65
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational
Research, 77(1), 81–112. https://doi.org/10.3102/003465430298487
Herrera-Sánchez, P. J., López -Cudco, L. L., & Mina-Villalta, G. Y. (2025). Uso de
realidad virtual en la formación de habilidades clínicas en estudiantes de
enfermería. Revista Científica Ciencia Y Método, 3(2), 1-14.
https://doi.org/10.55813/gaea/rcym/v3/n2/1
Ilvis-Vacacela, J. M., Guaita-Lagua, Z. C., & Yuquilema-Cachipud, M. A. (2025). El
impacto de herramientas digitales en el aprendizaje de la lengua Kichwa:
experiencia innovadora de enseñanza virtual. Journal of Economic and Social
Science Research, 5(1), 93–106. https://doi.org/10.55813/gaea/jessr/v5/n1/156
Jiang, J., & Fryer, L. K. (2023). The effect of virtual reality learning on students’
motivation: A scoping review. Journal of Computer Assisted Learning, 40(1),
360–373. https://doi.org/10.1111/jcal.12885
Página | 95
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
Jiménez-Tuza, S. B. (2025). Uso de la inteligencia artificial en la dirección de centros
educativos. Revista Científica Zambos, 4(1), 191-204.
https://doi.org/10.69484/rcz/v4/n1/86
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A
meta-analytic review. Review of Educational Research, 86(1), 42–78.
https://doi.org/10.3102/0034654315581420
Lo, C. K., Hew, K. F., & Jong, M. S.-Y. (2024). The influence of ChatGPT on student
engagement: A systematic review and future research agenda. Computers &
Education, 219, 105100. https://doi.org/10.1016/j.compedu.2024.105100
Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems
and learning outcomes: A meta-analysis. Journal of Educational Psychology,
106(4), 901–918. https://doi.org/10.1037/a0037123
Makransky, G., & Lilleholt, L. (2018). A structural equation modeling investigation of
the emotional value of immersive virtual reality in education. Educational
Technology Research and Development, 66(5), 1141–1164.
https://doi.org/10.1007/s11423-018-9581-2
Makransky, G., & Mayer, R. E. (2022). Benefits of taking a virtual field trip in immersive
virtual reality: Evidence for the immersion principle in multimedia learning.
Educational Psychology Review, 34(3), 1771–1798.
https://doi.org/10.1007/s10648-022-09675-4
Makransky, G., & Petersen, G. B. (2021). The Cognitive Affective Model of Immersive
Learning (CAMIL): A theoretical, research-based model of learning in immersive
virtual reality. Educational Psychology Review, 33(3), 937–958.
https://doi.org/10.1007/s10648-020-09586-2
Makransky, G., Andreasen, N. K., Baceviciute, S., & Mayer, R. E. (2021). Immersive
virtual reality increases liking but not learning with a science simulation and
generative learning strategies promote learning in immersive virtual reality.
Journal of Educational Psychology, 113(4), 719–735.
https://doi.org/10.1037/edu0000473
Makransky, G., Borre-Gude, S., & Mayer, R. E. (2019). Motivational and cognitive
benefits of training in immersive virtual reality based on multiple assessments.
Journal of Computer Assisted Learning, 35(6), 691–707.
https://doi.org/10.1111/jcal.12375
Mertens, U., Finn, B., & Lindner, M. A. (2022). Effects of computer-based feedback on
lower- and higher-order learning outcomes: A network meta-analysis.Journal of
Educational Psychology, 114(8), 1743–1772.
https://doi.org/10.1037/edu0000764
Michuy-Guingla, T. E., Fajardo-Andrade, C. A., Fajardo-Andrade, M. F., Limongi-
Basantes, D. S., & Quiroz-Parraga, F. A. (2025). La tecnología educativa en el
proceso de aprendizaje de estudiantes con necesidades educativas
especificas. Revista Científica Ciencia Y Método, 3(3), 42-58.
https://doi.org/10.55813/gaea/rcym/v3/n3/59
Página | 96
Research Article
Enero – Abril 2026
Revista Científica Zambos / Vol. 05 / Num. 01/ www. revistaczambos.utelvtsd.edu.ec
Quinga-Villa, C. A., Cabrera-Suarez, C. X., Medina-León, A., & Maqueira-Caraballo,
G. de la C. (2025). Entornos virtuales de aprendizaje con recursos pedagógicos
para la inclusión de estudiantes con discapacidad física. Journal of Economic
and Social Science Research, 5(4), 72-86.
https://doi.org/10.55813/gaea/jessr/v5/n4/218
Radianti, J., Majchrzak, T. A., Fromm, J., & Wohlgenannt, I. (2020). A systematic
review of immersive virtual reality applications for higher education: Design
elements, lessons learned, and research agenda. Computers & Education, 147,
103778. https://doi.org/10.1016/j.compedu.2019.103778
Rosero-Cardenas, W. I., Ruiz-Gaona, P. G., Sislema-López, R. N., Tocagon-
Cabascango, J. F., & Tituaña-Sánchez, L. G. (2024). El Futuro del Aprendizaje:
Preparando a los Estudiantes de Primaria para el Mundo Digital. Journal of
Economic and Social Science Research, 4(4), 73–88.
https://doi.org/10.55813/gaea/jessr/v4/n4/133
Santander-Salmon, E. S. (2024). Métodos pedagógicos innovadores: Una revisión de
las mejores prácticas actuales. Revista Científica Zambos, 3(1), 73-90.
https://doi.org/10.69484/rcz/v3/n1/13
Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research,
78(1), 153–189. https://doi.org/10.3102/0034654307313795
Torres-Roberto, M. A., & Solano-Camargo, S. P. (2025). La baja natalidad en
Colombia y su impacto en la educación pública y privada. Revista Científica
Zambos, 4(2), 240-264. https://doi.org/10.69484/rcz/v4/n2/120
Villena-Taranilla, R., Tirado-Olivares, S., Cózar-Gutiérrez, R., & González-Calero, J.
A. (2022). Effects of virtual reality on learning outcomes in K-6 education: A
meta-analysis. Educational Research Review, 35, 100434.
https://doi.org/10.1016/j.edurev.2022.100434
Wisniewski, B., Zierer, K., & Hattie, J. (2020). The power of feedback revisited: A meta-
analysis of educational feedback research. Frontiers in Psychology, 10, 3087.
https://doi.org/10.3389/fpsyg.2019.03087
