Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
153
Artículos
Jorge Andrés Bayona Martínez
Universidad Estatal de Milagro, Ecuador
jbayonam@unemi.edu.ec
ORCID https://orcid.org/0009-0005-9332-5764
Edwin Esneider Andrade Perdomo
Universidad estatal de Milagro, Ecuador
eandradep7@unemi.edu.ec
ORCID https://orcid.org/0009-0001-1200-9593
Steven Arturo Torres Burgos
Universidad estatal de Milagro, Ecuador
storresb5@unemi.edu.ec
ORCID https://orcid.org/0000-0001-9299-3254
Resumen: Introducción: La inactividad física y las
dificultades del bienestar emocional representan
problemas crecientes en la población escolar,
mientras que las tecnologías basadas en inteligencia
artificial ofrecen nuevas posibilidades pedagógicas.
Objetivo: evaluar el efecto de un programa de
educación física mediado por inteligencia artificial
sobre la condición física y el bienestar emocional
de estudiantes de educación básica. Materiales y
métodos: se empleó un diseño cuasiexperimental
con dos grupos y mediciones antes y después,
durante doce semanas. Participaron doscientos
cuarenta estudiantes de educación básica,
asignados a un grupo experimental y a un grupo
control. Se evaluaron la resistencia
cardiorrespiratoria mediante una prueba de carrera
de doce minutos, la fuerza-resistencia con
flexiones de codo en treinta segundos, la velocidad
en cincuenta metros y un índice de bienestar
emocional. Se aplicaron análisis de covarianza,
análisis de varianza mixtos, tamaños del efecto con
intervalos de confianza y análisis de potencia.
Resultados: el grupo experimental mostró mejoras
significativamente mayores que el grupo control en
todas las variables, con interacciones significativas
entre grupo y tiempo y magnitudes del efecto entre
moderadas y grandes. Los incrementos de la
condición física se asociaron positivamente con la
mejora del bienestar emocional. Conclusiones: los
resultados, obtenidos a partir de datos simulados
con fines metodológicos, sugieren que la
inteligencia artificial, utilizada como herramienta
pedagógica, podría favorecer de manera simultánea
la condición física y el bienestar emocional, si bien
se requieren estudios con datos empíricos para
confirmar estas tendencias.
Palabras claves: Inteligencia artificial; condición
física; bienestar emocional; educación básica;
tecnología educativa.
Abstract: Introduction: Physical inactivity and
emotional well-being difficulties are growing
problems in the school population, whereas
artificial-intelligence-based technologies offer new
pedagogical possibilities. Objective: to assess the
La inteligencia artificial como herramienta pedagógica para la condición física y el
bienestar emocional en educación básica
Artificial intelligence as a pedagogical tool for physical fitness and emotional
well-being in basic education
Jorge Andrés Bayona Martínez
1
; Edwin Esneider Andrade Perdomo
2
& Steven Arturo Torres Burgos
3
RIAF. Revista Internacional de Actividad Física
Universidad de Guayaquil, Ecuador
Periodicidad: Semestral
Vol. 4, núm. 2, 2026
revista.riaf@ug.edu.ec
Recepción: 5 de junio de 2026
Aprobación: 6 de julio de 2026
Publicado: 25 de julio de 2026
URL: https://revistas.ug.edu.ec/index.php/riaf
DOI: https://doi.org/10.53591/riaf.v4i2.3372
Los
autores que publican en RIAF conocen y aceptan las siguientes
condiciones: Los autores retienen los derechos de copia (copyright)
sobre los trabajos, y ceden a RIAF el derecho de la primera
publicación del trabajo, bajo licencia internacional Creative
Commons Atribución-NoComercial-SinDerivadas 4.0 que
permite a terceros compartir la obra siempre que se indique su
autor y su primera publicación esta revista. Los autores conservan
los derechos de autor y garantizan a RIAF el derecho de publicar el
trabajo a través de los canales que considere adecuados. Los
autores son libres de compartir, copiar, disturber, ejecutar y
comunicar públicamente la versión del trabajo publicado en RIAF,
haciendo reconocimiento a su publicación en esta revista. Se
autoriza a los autores a difundir electrónicamente sus trabajos una
vez que sean aceptados para publicación.
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
154
Introducción
La actividad física regular constituye un determinante reconocido de la salud durante la infancia y la
adolescencia. La Organización Mundial de la Salud recomienda que niños, niñas y adolescentes de cinco
a diecisiete años acumulen al menos sesenta minutos diarios de actividad física de intensidad moderada
a vigorosa, e incorporen ejercicios de fortalecimiento muscular y óseo al menos tres días por semana
(Bull et al., 2020). Pese a estas recomendaciones, la mayor parte de la población escolar a nivel mundial
no alcanza los niveles mínimos de actividad física, y la prevalencia de inactividad tiende a aumentar con
la edad y a ser mayor entre las niñas (Marques et al., 2020). Las revisiones internacionales más recientes
confirman que cerca del ochenta por ciento de los adolescentes son insuficientemente activos y que los
entornos escolares, sociales y digitales resultan decisivos para revertir esta tendencia (van Sluijs et al.,
2021). El panorama global de indicadores de actividad física refuerza esta preocupación, al evidenciar
calificaciones bajas de manera sostenida en la mayoría de los países (Aubert et al., 2022).
La condición física, entendida como la capacidad para realizar tareas motrices con eficiencia, integra
componentes como la resistencia cardiorrespiratoria, la fuerza-resistencia muscular y la velocidad, e
históricamente se ha vinculado con mejores indicadores de salud y, en menor medida, con el desempeño
académico de los escolares (Xu et al., 2023). Junto con la dimensión física, el bienestar emocional ha
cobrado relevancia en la agenda educativa, dado que la adolescencia es un periodo sensible para la
aparición de síntomas de ansiedad, estrés y bajo estado de ánimo. La evidencia disponible indica que las
jh
pedagogical possibilities. Objective: to assess the
effect of a physical education programme mediated
by artificial intelligence on the physical fitness and
emotional well-being of basic-education students.
Materials and methods: a quasi-experimental
design with two groups and pre- and post-
measurements was used over twelve weeks. Two
hundred and forty primary and secondary students
participated and were assigned to an experimental
group and a control group. Cardiorespiratory
endurance was assessed with a twelve-minute run
test, muscular endurance with elbow push-ups in
thirty seconds, speed over fifty metres, and an
emotional well-being index. Analyses of
covariance, mixed analyses of variance, effect sizes
with confidence intervals and power analysis were
applied. Results: the experimental group showed
significantly greater improvements than the
control group in all variables, with significant
group-by-time interactions and moderate-to-large
effect sizes. Gains in physical fitness were
positively associated with improvements in
emotional well-being. Conclusions: the results,
derived from simulated data for methodological
purposes, suggest that artificial intelligence, used as
a pedagogical tool, could simultaneously favour
physical fitness and emotional well-being, although
studies with empirical data are required to confirm
these trends.
Keywords: Artificial intelligence; physical fitness;
emotional well-being; basic education; educational
technology.
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
155
intervenciones de actividad física producen
mejoras pequeñas a moderadas en distintos
indicadores de salud mental de niños y
adolescentes, con efectos especialmente notables
sobre el estrés y la competencia social (Fu et al.,
2025). Estudios controlados de base escolar han
documentado reducciones de síntomas
depresivos e incrementos de la satisfacción con la
vida tras programas multicomponente de
actividad física (Ahmed et al., 2023).
En este contexto, la inteligencia artificial ha
emergido como un conjunto de tecnologías
capaces de personalizar la enseñanza, automatizar
la evaluación del aprendizaje y ofrecer
retroalimentación adaptativa. En el ámbito de la
educación física, se ha propuesto su utilidad para
individualizar las clases, proporcionar
conocimiento, evaluar a los estudiantes y orientar
procesos de acompañamiento (Lee & Lee, 2021).
Diversos desarrollos recientes muestran su
aplicación en la valoración de la enseñanza, el
diseño de entornos de simulación motriz y la
mejora de la calidad integral de la salud escolar (Li
et al., 2024; Zhang et al., 2022). De manera
complementaria, los dispositivos vestibles con
analítica automatizada han mostrado efectos
favorables, aunque heterogéneos, sobre la
actividad física diaria de la población escolar
(Casado-Robles et al., 2022; Chen et al., 2025), y
los videojuegos activos han evidenciado
beneficios sobre la condición física, el disfrute y
el bienestar psicológico en contextos educativos
(Marsigliante et al., 2024; Rosi et al., 2025).
En la dimensión socioemocional, las
tecnologías digitales y los enfoques apoyados en
inteligencia artificial se han incorporado a
programas de aprendizaje social y emocional,
cuya eficacia sobre competencias, actitudes y
clima escolar cuenta con respaldo metaanalítico
sólido (Cipriano et al., 2023). Asimismo, se ha
descrito el potencial de los sistemas
conversacionales y de las aplicaciones de analítica
emocional para apoyar la salud mental de niños y
adolescentes, siempre bajo principios de
supervisio
supervisión humana, equidad y protección de
datos (Dritsona et al., 2025). No obstante, su
adopción exige el desarrollo de competencias y
alfabetización en inteligencia artificial tanto en
estudiantes como en docentes, así como la
consideración de implicaciones éticas (Farrelly &
Baker, 2023; Ng et al., 2024).
Pese al creciente interés, persiste una brecha
en el estado del conocimiento: la mayor parte de
la literatura aborda por separado los efectos de la
inteligencia artificial sobre el aprendizaje motriz o
sobre el bienestar emocional, sin integrar ambas
dimensiones en un mismo diseño orientado a la
educación básica. Además, los estudios
disponibles se concentran en la educación
superior y en contextos de altos ingresos, y rara
vez articulan pruebas de condición física con
medidas de bienestar emocional dentro de una
propuesta pedagógica única. Esta carencia limita
la comprensión de si una intervención mediada
por inteligencia artificial puede favorecer, de
forma simultánea y coherente, el desarrollo físico
y el equilibrio emocional del estudiantado.
Por consiguiente, el presente trabajo tiene
como objetivo evaluar el efecto de un programa
de educación física mediado por inteligencia
artificial sobre la condición física y el bienestar
emocional de estudiantes de educación básica, e
indagar la relación entre las ganancias físicas y
emocionales. La relevancia de esta propuesta
radica en aportar un modelo metodológico
replicable que articule la valoración objetiva de la
condición física con la medición del bienestar
emocional en el marco de la innovación
tecnológica educativa.
Materiales y métodos
Diseño del estudio
Se adoptó un diseño cuasiexperimental con
dos grupos no equivalentes —experimental y
control— y mediciones repetidas en dos
momentos, antes y después de la intervención,
con una duración de doce semanas. Esta
aproximación se seleccionó por su viabilidad en
contextos escolares reales, en los que la
asignación
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
156
asignación aleatoria individual resulta inviable y
los estudiantes se hallan agrupados en aulas
preexistentes; por ello, la asignación a las
condiciones se efectuó por conglomerados (aulas
completas), preservando la organización natural
del grupo-clase y reduciendo la contaminación
entre condiciones. La unidad de análisis fue el
estudiante y el esquema factorial fue mixto, al
combinar un factor intersujeto (grupo:
experimental frente a control) y un factor
intrasujeto (tiempo: medición previa frente a
posterior). Con el propósito de minimizar sesgos,
las pruebas físicas y la escala de bienestar fueron
aplicadas por evaluadores ajenos a la condición de
los participantes (evaluación ciega), se
mantuvieron constantes el volumen y la
frecuencia de las clases de educación física en
ambos grupos y se controlaron, en lo posible,
variables contextuales como el horario de las
sesiones y las características del profesorado. La
planificación y el reporte del estudio se ajustaron
a las recomendaciones para investigaciones no
aleatorizadas.
Contexto, población y muestra
La población de referencia estuvo conformada
por estudiantes de educación básica del municipio
San Gil en el Departamento de Santander en
Colombia. El estudio se desarrolló en
instituciones educativas de dicha ciudad durante
un periodo de doce semanas correspondiente a
un bloque del año lectivo 2025-2026. La muestra
incluyó a 240 estudiantes, distribuidos de forma
equilibrada en un grupo experimental (n = 120) y
un grupo control (n = 120), con representación
igualitaria de los niveles de 6to y 7mo grados (n =
120) y 8vo y 9no grado (n = 120) —60 estudiantes
por nivel en cada grupo— y una distribución
balanceada por sexo. La conformación de los
grupos procuró la equivalencia inicial en nivel
educativo, edad y composición por sexo,
condición que se verificó empíricamente y se
reporta en la sección de resultados.
Criterios de inclusión:
estudiantes
matriculados
matriculados en los niveles de educación
básica considerados, con asentimiento del
estudiante y consentimiento informado de la
persona responsable, y sin contraindicación
médica para la práctica de actividad física.
Criterios de exclusión:
presencia de lesiones
o condiciones médicas que impidieran la
realización de las pruebas físicas, participación
inferior al ochenta por ciento de las sesiones, o
ausencia en alguna de las mediciones. El muestreo
se describe como no probabilístico por
conveniencia, con asignación de los grupos por
conglomerados (aulas) para reducir la
contaminación entre condiciones.
Intervención mediada por inteligencia
artificial
El grupo experimental desarrolló el programa
de educación física apoyado en cuatro
componentes tecnológicos basados en
inteligencia artificial, mientras que el grupo
control continuó con clases de educación física
convencionales de igual frecuencia y volumen.
Los componentes fueron: (1) aplicaciones de
monitoreo de la actividad física con planes
adaptativos y retroalimentación automatizada del
rendimiento, en línea con la evidencia sobre
dispositivos vestibles en el entorno escolar
(Casado-Robles et al., 2022; Chen et al., 2025); (2)
un asistente conversacional educativo orientado a
la psicoeducación y la autorregulación emocional,
enmarcado en programas de aprendizaje social y
emocional (Cipriano et al., 2023; Dritsona et al.,
2025); (3) análisis automatizado del gesto motor
mediante visión por computadora para la
corrección de la técnica; y (4) videojuegos activos
para promover el disfrute y la adherencia a la
actividad física (Marsigliante et al., 2024; Rosi et
al., 2025). El diseño pedagógico se sustentó en el
marco de aplicación de la inteligencia artificial en
educación física propuesto por Lee y Lee (2021)
y atendió a las competencias docentes y a la
alfabetización en inteligencia artificial (Ng et al.,
2024).
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
157
La aplicación del programa estuvo a cargo del
profesorado de educación física, previamente
capacitado en el uso de las herramientas y dotado
de protocolos e instrucciones para cada
componente, con el fin de asegurar la
homogeneidad de la implementación. La fidelidad
de la intervención se controló mediante registros
de uso de las aplicaciones y de asistencia, e incluyó
en el análisis únicamente a los estudiantes con una
participación igual o superior al ochenta por
ciento de las sesiones. El grupo control desarrolló
clases de educación física convencionales con la
misma carga horaria y los mismos contenidos
curriculares, de modo que la única diferencia
sistemática entre condiciones fue la mediación
tecnológica basada en inteligencia artificial.
Variables e instrumentos
Resistencia cardiorrespiratoria. Se utilizó la
prueba de carrera de doce minutos (test de
Cooper), registrando la distancia recorrida en
metros. A partir de ella se estimó el consumo
máximo de oxígeno mediante la ecuación de
Cooper: consumo máximo de oxígeno =
(distancia en metros−504,9)/44,73. La validez y
la fiabilidad de esta prueba en preadolescentes y
adolescentes han sido objeto de revisión
sistemática, por lo que sus estimaciones deben
interpretarse con cautela (Martínez-Lemos et al.,
2024); como alternativa de campo bien validada
se reconoce además la prueba de carrera de ida y
vuelta de veinte metros (Mayorga-Vega et al.,
2015). En su aplicación, la prueba se desarrolla en
una pista demarcada y consiste en recorrer la
mayor distancia posible durante doce minutos a
un ritmo autorregulado; la distancia total
alcanzada permite estimar el consumo máximo de
oxígeno, indicador de referencia de la capacidad
aeróbica.
Fuerza-resistencia del tren superior. Se aplicó
la prueba de flexiones de codo en treinta
segundos, contabilizando el número de
repeticiones correctas. La prueba cuantifica la
fuerza- resistencia del tren superior a partir del
número máximo de repeticiones correctas
ejejejeje
ejecutadas en treinta segundos, conforme a un
criterio técnico estandarizado de amplitud y
cadencia del movimiento.
Velocidad. Se midió el tiempo, en segundos,
empleado en recorrer cincuenta metros en línea
recta, donde los valores menores indican mejor
desempeño. El tiempo se registró mediante
cronometraje en un recorrido de cincuenta
metros en línea recta con salida de pie,
conservando el mejor de dos intentos; al tratarse
de una prueba de velocidad, los menores tiempos
expresan un mejor rendimiento.
Bienestar emocional. Se empleó el Índice de
Bienestar de la Organización Mundial de la Salud,
compuesto por cinco ítems y transformado a una
escala de 0 a 100, donde puntuaciones mayores
reflejan mejor bienestar; se trata de un
instrumento de autoinforme breve con adecuadas
propiedades psicométricas (Topp et al., 2015). El
índice reúne cinco enunciados de connotación
positiva referidos a las dos últimas semanas,
valorados en una escala ordinal; la puntuación
bruta se transforma a un rango de 0 a 100, en el
que los valores más altos reflejan un mejor estado
de bienestar, y constituye una medida breve,
sensible y de fácil administración.
Procedimiento
El estudio se organizó en tres fases. En la fase
basal (semana cero) se aplicaron, en condiciones
estandarizadas y en una misma franja horaria, las
cuatro mediciones —test de Cooper, flexiones de
codo, velocidad en cincuenta metros y bienestar
emocional— a la totalidad de los participantes de
ambos grupos. Durante la fase de intervención
(semanas uno a doce), el grupo experimental
desarrolló el programa de educación física
mediado por inteligencia artificial, mientras el
grupo control siguió la educación física
convencional con idéntica frecuencia y volumen.
En la fase posterior (semana trece) se repitieron
las mediciones con los mismos instrumentos, los
mismos evaluadores y las mismas condiciones de
aplicación empleadas en la línea de base. Para
reducir sesgos, los evaluadores desconocían la
condi
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
158
condición de cada aula, el orden de aplicación de
las pruebas se mantuvo constante y los datos se
codificaron de forma anonimizada antes de su
análisis.
Tamaño muestral y potencia estadística
El tamaño muestral (N=240; n=120 por
grupo) se consideró adecuado para detectar
efectos de magnitud moderada. Un análisis de
sensibilidad indica que, con dos grupos, un nivel
de significación de 0,05 y una potencia de 0,80, el
diseño permite detectar diferencias
estandarizadas a partir de d ≈ 0,37, valor inferior
a los efectos esperados según la literatura. La
potencia estadística alcanzada (post hoc) para
cada contraste se reporta en la sección de
resultados.
Análisis estadístico
La gestión y la depuración de los datos se
realizaron con Microsoft Excel y el
procesamiento estadístico con el lenguaje y
entorno R (versión 4.4.1). La organización y la
transformación de los datos se efectuaron con el
ecosistema tidyverse (paquetes dplyr y tidyr), y los
estadísticos descriptivos —medias, desviaciones
estándar e intervalos— se obtuvieron con el
paquete psych. Con el fin de garantizar la
reproducibilidad, se fijó una semilla aleatoria
(set.seed) antes de cualquier procedimiento
basado en remuestreo.
El plan analítico inferencial comprendió: (a) la
verificación de la equivalencia basal entre grupos
mediante pruebas t para muestras independientes
y la prueba de ji cuadrado para el sexo; (b) la
comprobación de los supuestos de normalidad
con la prueba de Shapiro-Wilk (función
shapiro.test) y de homogeneidad de varianzas con
la prueba de Levene (paquete car); (c) un análisis
de covarianza (ANCOVA) sobre la medición
posterior, con la basal como covariable, estimado
con el paquete car (sumas de cuadrados de tipo
III) y cuyas medias marginales ajustadas e
intervalos de confianza del 95 % se obtuvieron
con el paquete emmeans; (d) un análisis de
varianza
varianza mixto de dos factores (grupo × tiempo)
con el paquete afex (función aov_ez) y eta
cuadrado parcial; (e) pruebas t para muestras
relacionadas e independientes —estas últimas con
corrección de Welch ante varianzas desiguales—
y, cuando los supuestos no se cumplieron, su
equivalente no paramétrico (pruebas de
Wilcoxon); (f) el cálculo del tamaño del efecto d
de Cohen y del eta cuadrado parcial con el
paquete effectsize, con intervalos de confianza
del 95 % obtenidos por remuestreo bootstrap
(2000 repeticiones) mediante el paquete boot; (g)
el análisis de la potencia estadística —tanto el
cálculo a priori de sensibilidad como la potencia
alcanzada— con el paquete pwr; (h) el análisis de
moderación, evaluando las interacciones grupo ×
nivel educativo y grupo × sexo sobre las
puntuaciones de cambio; (i) la estabilidad test-
retest, estimada con la correlación pre-post en el
grupo control; y (j) las correlaciones de Pearson
entre los cambios de la condición física y del
bienestar emocional, con sus intervalos de
confianza y potencia, calculadas con el paquete
correlation. Las figuras se elaboraron con el
paquete ggplot2. Se fijó un nivel de significación
de 0,05. Como limitación metodológica esencial,
se reitera que los datos son simulados, por lo que
los resultados ilustran el procedimiento analítico
y no constituyen evidencia empírica.
Introducción
Los análisis se realizaron sobre la totalidad de
los 240 casos simulados, sin valores perdidos. La
presentación sigue una secuencia lógica:
estadística descriptiva y cambios; equivalencia
basal y supuestos; efecto de la intervención
mediante análisis de covarianza y modelo mixto;
análisis de moderación; fiabilidad de las
mediciones; y asociación entre dominios.
Estadística descriptiva y cambios pre-post
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
159
El examen de los estadísticos descriptivos
revela un patrón consistente de mejora superior
en el grupo experimental. En términos relativos,
este grupo incrementó la capacidad aeróbica en
torno al 4,3 % (frente al 1,5 % del control), la
fuerza-resistencia cerca del 14 % (frente al 4,5 %),
la velocidad un 3,2 % (frente al 1,6 %) y el
bienestar emocional un 10,4 % (frente al 2,8 %),
mientras que el consumo máximo de oxígeno
estimado aumentó un 5,9 % (frente al 2,1 %). Los
contrastes intragrupo mediante pruebas t para
muestras relacionadas confirmaron que dichos
cambios fueron estadísticamente significativos en
el grupo experimental para las cuatro variables
(todas con p < 0,001), con tamaños del efecto
grandes (d de Cohen entre 1,00 y 1,24); en el
grupo control los cambios también alcanzaron
significación, aunque con magnitudes de
pequeñas a moderadas (d de Cohen entre 0,36 y
0,61). Este contraste preliminar en la magnitud de
los cambios anticipa el efecto diferencial que se
confirma formalmente en los análisis
inferenciales posteriores.
Tras la intervención, el grupo experimental
incrementó la distancia en el test de Cooper en
87,4 metros frente a 31,2 del control, mejoró 2,4
repeticiones en flexiones frente a 0,7, redujo 0,28
segundos en la velocidad de cincuenta metros
frente a 0,14 y aumentó 6,4 puntos de bienestar
frente a 1,7. La Figura 1 ilustra la evolución de las
medias y la Figura 2 muestra las distribuciones
completas mediante diagramas de caja, que
evidencian el desplazamiento favorable del grupo
experimental sin valores atípicos influyentes.
Tabla 1.
Estadísticos descriptivos (media y desviación estándar) por grupo y momento. (N = 240).
Variable
Grupo
Pre M (DE)
Post M (DE)
Cambio
(Δ)
Test de Cooper (m)
Experimental
2013,9 (283,1)
2101,3 (288,5)
+87,4
Test de Cooper (m)
Control
2018,1 (286,5)
2049,3 (291,8)
+31,2
VO₂máx estimado (ml/kg/min)
Experimental
33,7 (6,3)
35,7 (6,5)
+2,0
VO₂máx estimado (ml/kg/min)
Control
33,8 (6,4)
34,5 (6,5)
+0,7
Flexiones de codo 30 s (rep)
Experimental
17,1 (4,8)
19,4 (5,3)
+2,4
Flexiones de codo 30 s (rep)
Control
15,7 (5,9)
16,4 (6,3)
+0,7
Velocidad 50 m (s)
Experimental
8,88 (1,11)
8,60 (1,15)
−0,28
Velocidad 50 m (s)
Control
8,77 (1,03)
8,63 (1,05)
−0,14
Bienestar WHO-5 (0–100)
Experimental
61,2 (13,3)
67,5 (14,2)
+6,4
Bienestar WHO-5 (0–100)
Control
61,4 (13,4)
63,1 (13,8)
+1,7
Figura 1. Medias (con error estándar) antes y después de la intervención, por grupo.
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
160
Figura 2. Distribuciones (diagramas de caja) pre y post por grupo
Equivalencia basal y verificación de supuestos
Antes de la intervención, los grupos no difirieron de manera significativa en la mayoría de las variables,
con tamaños del efecto triviales (Tabla 2). Únicamente las flexiones de codo mostraron una diferencia
basal pequeña (p=0,041; d=0,27), y la distribución por sexo fue homogénea entre grupos (χ²=2,40;
p=0,121). Esta equivalencia, junto con el empleo del análisis de covarianza, controla el posible sesgo de
selección propio de los diseños cuasiexperimentales.
Tabla 2.
Equivalencia basal entre grupos (mediciones previas)
Variable
M Exp.
M Control
t
p
d
Test de Cooper (m)
2013,9
2018,1
−0,11
0,910
0,01
Flexiones de codo 30 s (rep)
17,1
15,7
2,05
0,041
0,27
Velocidad 50 m (s)
8,88
8,77
0,83
0,409
0,11
Bienestar WHO-5 (0–100)
61,2
61,4
−0,13
0,896
0,02
La prueba de Shapiro-Wilk indicó normalidad de las puntuaciones de cambio para el test de Cooper,
la velocidad y el bienestar (p>0,05), mientras que las flexiones se apartaron de la normalidad; la prueba
de Levene reveló homogeneidad de varianzas para Cooper y bienestar, y varianzas desiguales para
flexiones y velocidad (Tabla 3). En consecuencia, las comparaciones entre grupos se realizaron con la
corrección de Welch y los contrastes principales se complementaron con el análisis de covarianza, robusto
ante estas desviaciones; los resultados se confirmaron mediante pruebas no paramétricas, con
conclusiones equivalentes.
Tabla 3.
Verificación de supuestos sobre las puntuaciones de cambio
Variable
Shapiro p
(Exp.)
Shapiro p (Ctrl.)
Levene p
Decisión
Test de Cooper (m)
0,206
0,802
0,158
Cumple
Flexiones de codo 30 s
0,007
< 0,001
0,002
Welch/no param.
Velocidad 50 m (s)
0,296
0,456
0,035
Welch
Bienestar WHO-5
0,409
0,505
0,117
Cumple
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
161
Efecto de la intervención: ANCOVA y modelo mixto
El análisis de covarianza, que ajusta la medición posterior por la basal, confirmó un efecto significativo
del grupo en las cuatro variables, con medias ajustadas sistemáticamente más favorables en el grupo
experimental (Tabla 4). De forma convergente, el análisis de varianza mixto evidenció interacciones grupo
× tiempo significativas, y las puntuaciones de cambio difirieron entre grupos con tamaños del efecto
entre moderados y grandes, intervalos de confianza que excluyeron el cero y una potencia estadística
alcanzada cercana a la unidad (Tabla 5; Figura 3).
Tabla 4.
Análisis de covarianza (medición posterior ajustada por la basal) y medias marginales ajustadas con
IC del 95 %.
Variable
F(1,2
37)
η²
parcial
M ajustada Exp. [IC 95
%]
M ajustada Ctrl. [IC 95
%]
Test de Cooper (m)
36,25
0,133
2103,4 [2090,4–2116,4]
2047,3 [2034,3–2060,3]
Flexiones 30 s (rep)
55,65
0,190
18,70 [18,40–18,99]
17,10 [16,80–17,39]
Velocidad 50 m (s)
18,38
0,072
8,55 [8,50–8,59]
8,69 [8,64–8,73]
Bienestar WHO-5
49,48
0,173
67,63 [66,70–68,55]
62,98 [62,06–63,90]
Todos los efectos del análisis de covarianza fueron significativos (p< 0,001), salvo la velocidad
(p<0,001 igualmente). Los valores de eta cuadrado parcial, entre 0,072 y 0,190, corresponden a efectos
de magnitud media a grande.
Tabla 5.
Interacción grupo × tiempo, diferencia del cambio entre grupos, tamaño del efecto con IC del 95 %
y potencia.
Variable
Interacción
F(1,238) [η²p]
d de Cohen [IC 95
%]
Potencia
p
Test de Cooper (m)
36,38 [0,133]
0,78 [0,52–1,04]
1,00
< 0,001
Flexiones 30 s (rep)
59,77 [0,201]
1,00 [0,76–1,29]
1,00
< 0,001
Velocidad 50 m (s)
18,63 [0,073]
−0,56 [−0,82–−0,30]
0,99
< 0,001
Bienestar WHO-5
49,62 [0,173]
0,91 [0,64–1,21]
1,00
< 0,001
Figura 3. Tamaño del efecto entre grupos (d de Cohen) con intervalos de confianza del 95 %
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
162
Análisis de moderación
Las interacciones grupo × nivel educativo y
grupo × sexo no resultaron significativas en
ninguna de las variables (todas con p > 0,28 y eta
cuadrado parcial ≤ 0,005), lo que indica que la
magnitud del efecto de la intervención fue
homogénea entre primaria y secundaria y entre
estudiantes de uno y otro sexo. Esta consistencia
respalda la robustez y la potencial generalización
del patrón de resultados dentro del modelo
simulado.
Fiabilidad de las mediciones
La estabilidad test-retest, estimada mediante la
correlación entre las mediciones previa y
posterior en el grupo control, fue alta para las
pruebas físicas (r = 0,98 en el test de Cooper, las
flexiones y la velocidad) y elevada para el
bienestar emocional (r = 0,94), lo que sugiere que
los instrumentos ofrecieron mediciones
consistentes y que los cambios observados en el
grupo experimental no se atribuyen a
fluctuaciones aleatorias del instrumento.
Asociación entre condición física y bienestar
emocional
En el grupo experimental, los cambios en la
condición física se asociaron con la mejora del
bienestar emocional (Tabla 6; Figura 4). La
correlación más elevada correspondió a la
relación entre el cambio en la capacidad aeróbica
y el cambio en el bienestar, seguida por la fuerza;
la mejora en la velocidad (cambio negativo del
tiempo) se asoció igualmente con un mayor
bienestar. La matriz de correlaciones entre todos
los cambios (Figura 5) muestra un patrón
coherente de asociaciones de magnitud baja a
moderada.
Tabla 6.
Correlaciones de Pearson entre los cambios de condición física y de bienestar emocional (grupo
experimental, n = 120).
Relación entre cambios
r [IC 95 %]
p
potencia
Δ capacidad aeróbica (Cooper) – Δ bienestar
0,38 [0,21–0,52]
< 0,001
0,99
Δ fuerza (flexiones) – Δ bienestar
0,28 [0,11–0,44]
0,002
0,88
Δ velocidad (50 m) – Δ bienestar
−0,25 [−0,41–−0,08]
0,006
0,80
Figura 4. Diagramas de dispersión con recta de regresión entre los cambios en condición física y en
bienestar (grupo experimental).
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
163
Figura 5. Matriz de correlaciones de los cambios (grupo experimental).
Discusión
El presente trabajo evaluó, mediante un
modelo metodológico con datos simulados, el
efecto de un programa de educación física
mediado por inteligencia artificial sobre la
condición física y el bienestar emocional de
estudiantes de educación básica. Los resultados
simulados mostraron mejoras significativamente
mayores en el grupo experimental en las cuatro
variables, con efectos de interacción grupo por
tiempo significativos, medias ajustadas favorables
tras controlar la medición basal, magnitudes del
efecto entre moderadas y grandes con intervalos
de confianza precisos, y asociaciones positivas
entre las ganancias físicas y emocionales. Estos
hallazgos deben interpretarse como una
ilustración del comportamiento esperable bajo las
hipótesis del estudio, y no como evidencia
empírica.
La dirección de los resultados simulados
resulta coherente con la literatura disponible. En
relación con la condición física, los efectos
favorables observados concuerdan con la
evidencia sobre programas escolares apoyados en
dispositivos vestibles, que han reportado
incrementos pequeños a moderados de la
dfdffffff
actividad física diaria (Casado-Robles et al., 2022),
si bien con resultados heterogéneos según el
diseño y el tipo de dispositivo (Chen et al., 2025).
De manera similar, los videojuegos activos han
mostrado mejoras de la condición física, del
disfrute y del bienestar psicológico en escolares
(Marsigliante et al., 2024; Rosi et al., 2025), lo que
respalda la plausibilidad del componente de
gamificación incluido en la intervención.
En cuanto al bienestar emocional, la mejora
simulada del grupo experimental es congruente
con el cuerpo de evidencia que vincula la
actividad física con beneficios en la salud mental
infantil y adolescente, en particular sobre el estrés
y la competencia social (Fu et al., 2025), y con
ensayos escolares que han documentado
reducciones de síntomas depresivos e
incrementos de la satisfacción vital (Ahmed et al.,
2023). La incorporación de un asistente
conversacional orientado a la autorregulación
emocional se alinea con la sólida evidencia
metaanalítica sobre programas de aprendizaje
social y emocional (Cipriano et al., 2023) y con las
perspectivas, aún emergentes y prudentes, sobre
el uso de la inteligencia artificial en la salud mental
de menores (Dritsona et al., 2025).
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
164
La asociación positiva entre las ganancias
físicas y emocionales en el grupo experimental
sugiere, dentro de los límites del modelo, que
ambos dominios podrían beneficiarse de manera
conjunta cuando la inteligencia artificial articula la
personalización del entrenamiento con el
acompañamiento socioemocional (Lee & Lee,
2021; Li et al., 2024; Zhang et al., 2022). No
obstante, una posible explicación alternativa es
que la mejora del bienestar derive del mayor
disfrute y de la novedad tecnológica más que de
la ganancia física en sí misma, lo que debería
esclarecerse en estudios empíricos con análisis de
mediación.
Desde el punto de vista de la robustez
analítica, los resultados resultaron consistentes a
través de procedimientos complementarios: el
análisis de covarianza, que controla la medición
basal, coincidió con el modelo mixto y con la
comparación de las puntuaciones de cambio; los
efectos se mantuvieron tras emplear la corrección
de Welch ante varianzas desiguales y pruebas no
paramétricas; los intervalos de confianza de los
tamaños del efecto fueron precisos y la potencia
estadística alcanzada fue cercana a la unidad; y el
análisis de moderación no evidenció diferencias
según el nivel educativo o el sexo, lo que apunta
a un patrón estable. La elevada estabilidad test-
retest refuerza la fiabilidad de las mediciones. En
conjunto, estos elementos ilustran el tipo de
control metodológico exigible a una investigación
de calidad, aunque su valor permanece
condicionado por la naturaleza simulada de los
datos.
Entre las fortalezas del enfoque destacan la
integración de dos dominios habitualmente
estudiados por separado, el uso de pruebas de
campo reconocidas y de un índice validado de
bienestar, y la aplicación de un plan analítico
exhaustivo y reproducible. Como limitaciones, la
más relevante es que los datos son simulados, por
lo que las conclusiones no pueden generalizarse a
poblaciones reales; el diseño cuasiexperimental
no permite inferencias causales sólidas; las
pruebas
pruebas de campo ofrecen estimaciones y no
medidas directas, en especial el test de Cooper en
preadolescentes, cuya validez ha sido cuestionada
(Martínez-Lemos et al., 2024); y el periodo de
doce semanas no informa sobre la sostenibilidad
de los efectos. Asimismo, el uso de inteligencia
artificial con menores plantea retos éticos de
privacidad, equidad y supervisión humana que
condicionan su implementación (Farrelly &
Baker, 2023; Ng et al., 2024).
Las implicaciones de este modelo son
principalmente metodológicas y pedagógicas. En
el plano metodológico, el estudio aporta una
plantilla replicable para articular la valoración
objetiva de la condición física con la medición del
bienestar emocional. En el plano pedagógico,
ofrece un esquema de intervención que combina
monitoreo adaptativo, análisis del gesto motor,
gamificación y acompañamiento socioemocional.
Las futuras líneas de investigación deberían
ejecutar el protocolo con datos empíricos,
emplear diseños aleatorizados por
conglomerados con seguimiento prolongado,
incorporar medidas objetivas de actividad física,
analizar mecanismos de mediación entre
condición física y bienestar, y evaluar la equidad
del acceso a las herramientas tecnológicas. En
síntesis, el alcance de este trabajo se limita a
demostrar la coherencia de un modelo analítico;
su trascendencia dependerá de la verificación
empírica posterior.
Conclusiones
En coherencia con el objetivo planteado, los
resultados obtenidos a partir de datos simulados
sugieren que un programa de educación física
mediado por inteligencia artificial podría
asociarse con mejoras superiores de la condición
física y del bienestar emocional en estudiantes de
educación básica, en comparación con la
educación física convencional, y que ambas
mejoras tenderían a relacionarse positivamente.
Estas afirmaciones poseen un carácter ilustrativo
y prudente, dado que no derivan de mediciones
reales.
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
165
Por tanto, se concluye que la inteligencia
artificial, utilizada como herramienta pedagógica,
constituye una vía prometedora para integrar el
desarrollo físico y el equilibrio emocional dentro
de la educación básica, siempre que su adopción
se acompañe de rigor metodológico, salvaguardas
éticas y supervisión docente. Se requieren
investigaciones con datos empíricos, diseños
robustos y seguimiento prolongado para
confirmar estas tendencias y precisar los
mecanismos implicados.
Referencias bibliográficas
Ahmed, K. R., Horwood, S., & Khan, A. (2023).
Effects of a school-based physical activity
intervention on adolescents’ mental health: A
cluster randomized controlled trial. Journal of
Physical Activity and Health, 20(12), 1102–
1108.
https://journals.humankinetics.com/view/jo
urnals/jpah/20/12/article-p1102.xml
Aubert, S., Barnes, J. D., Demchenko, I.,
Hawthorne, M., … Tremblay, M. S. (2022).
Global Matrix 4.0 physical activity report card
grades for children and adolescents: Results
and analyses from 57 countries. Journal of
Physical Activity and Health, 19(11), 700–728.
https://doi.org/10.1123/jpah.2022-0456
Bull, F. C., Al-Ansari, S. S., Biddle, S., Borodulin,
K., Buman, M. P., Cardon, G., … Willumsen,
J. F. (2020). World Health Organization 2020
guidelines on physical activity and sedentary
behaviour. British Journal of Sports Medicine,
54(24), 1451–1462.
https://doi.org/10.1136/bjsports-2020-
102955
Casado-Robles, C., Viciana, J., Guijarro-Romero,
S., & Mayorga-Vega, D. (2022). Effects of
consumer-wearable activity tracker-based
programs on objectively measured daily
physical activity and sedentary behavior
among school-aged children: A systematic
review and meta-analysis. Sports Medicine -
Open, 8, 18.
https://doi.org/10.1186/s40798-021-00407-
6
Chen, X., et al. (2025). Effectiveness of wearable
activity trackers on physical activity among
adolescents in school-based settings: A
systematic review and meta-analysis. BMC
Public Health, 25(1).
https://doi.org/10.1186/s12889-025-22170-
z
Cipriano, C., Strambler, M. J., Naples, L. H., Ha,
C., Kirk, M., Wood, M., … Durlak, J. A.
(2023). The state of evidence for social and
emotional learning: A contemporary meta-
analysis of universal school-based SEL
interventions. Child Development, 94(5),
1181–1204.
https://doi.org/10.1111/cdev.13968
Dritsona, A., Koutroumpa, M. E., Sergentanis, T.
N., & Tsitsika, A. K. (2025). Artificial
intelligence and mental health of children and
adolescents: Current status and perspectives.
Advances in Experimental Medicine and
Biology, 1489, 477–484.
https://doi.org/10.1007/978-3-032-03394-
9_45
Farrelly, T., & Baker, N. (2023). Generative
artificial intelligence: Implications and
considerations for higher education practice.
Education Sciences, 13(11), 1109.
https://doi.org/10.3390/educsci13111109
Fu, Q., Li, L., Li, Q., & Wang, J. (2025). The
effects of physical activity on the mental health
of typically developing children and
adolescents: A systematic review and meta-
analysis. BMC Public Health, 25(1), 1514.
https://doi.org/10.1186/s12889-025-22690-
8
Lee, H. S., & Lee, J. (2021). Applying artificial
intelligence in physical education and future
perspectives. Sustainability, 13(1), 351.
https://doi.org/10.3390/su13010351
Li, S., Wang, C., & Wang, Y. (2024). Fuzzy
evaluation model for physical education
teaching methods in colleges and universities
using artificial intelligence. Scientific Reports,
14. https://doi.org/10.1038/s41598-024-
53177-y
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
166
Marques, A., Henriques-Neto, D., Peralta, M.,
Martins, J., Demetriou, Y., Schönbach, D. M.
I., & Gaspar de Matos, M. (2020). Prevalence
of physical activity among adolescents from
105 low, middle, and high-income countries.
International Journal of Environmental
Research and Public Health, 17(9), 3145.
https://doi.org/10.3390/ijerph17093145
Marsigliante, S., My, G., Mazzotta, G., &
Muscella, A. (2024). The effects of exergames
on physical fitness, body composition and
enjoyment in children: A six-month
intervention study. Children, 11(10), 1172.
https://doi.org/10.3390/children11101172
Martínez-Lemos, I., et al. (2024). Reliability and
criterion-related validity of the Cooper test in
pre-adolescents and adolescents: A systematic
review and meta-analysis. Journal of Sports
Sciences, 42(3), 222–236.
https://doi.org/10.1080/02640414.2024.232
6352
Mayorga-Vega, D., Aguilar-Soto, P., & Viciana, J.
(2015). Criterion-related validity of the 20-m
shuttle run test for estimating
cardiorespiratory fitness: A meta-analysis.
Journal of Sports Science & Medicine, 14(3),
536–547.
https://www.jssm.org/hfpdf.php?volume=1
4&issue=3&page=536
Ng, D. T. K., Su, J., Leung, J. K. L., & Chu, S. K.
W. (2024). Artificial intelligence (AI) literacy
education in secondary schools: A review.
Interactive Learning Environments, 32(10),
6204–6224.
https://doi.org/10.1080/10494820.2023.225
5228
Rosi, E., Bianchi, V., Baù, I., Nuzzo, R.,
Valsecchi, S., Molteni, M., & Colombo, P.
(2025). Effects of exergames on motor skills,
psychological well-being, and cognitive
abilities in schoolchildren and adolescents:
Scoping review. JMIR Pediatrics and
Parenting, 8, e71416.
https://doi.org/10.2196/71416
Topp, C. W., Østergaard, S. D., Søndergaard, S.,
& Bech, P. (2015). The WHO-5 Well-Being
Index: A systematic review of the literature.
Psychotherapy and Psychosomatics, 84(3),
167–176.
https://doi.org/10.1159/000376585
van Sluijs, E. M. F., Ekelund, U., Crochemore-
Silva, I., Guthold, R., Ha, A., Lubans, D., et al.
(2021). Physical activity behaviours in
adolescence: Current evidence and
opportunities for intervention. The Lancet,
398(10298), 429–442.
https://doi.org/10.1016/S0140-
6736(21)01259-9
Xu, K., et al. (2023). Predicting academic
performance associated with physical fitness
of primary school students using machine
learning methods. Complementary Therapies
in Clinical Practice, 51, 101736.
https://doi.org/10.1016/j.ctcp.2023.101736
Zhang, B., Jin, H., & Duan, X. (2022). Physical
education movement and comprehensive
health quality intervention under the
background of artificial intelligence. Frontiers
in Public Health, 10, 947731.
https://doi.org/10.3389/fpubh.2022.947731
Declaración de conflictos de intereses: A
través del presente, los autores del presente
articulo asumimos las disposiciones regulatorias y
normativas de publicación de la Revista RIAF,
por lo que no ofrecemos conflictos de intereses al
respecto.
Participación de los autores:
Jorge Andrés Bayona Martínez: Elaboró la
metodología de la investigación, elaboró los
instrumentos y técnicas de diagnóstico y realizó la
aplicación del programa en el grupo experimental.
Edwin Esneider Andrade Perdomo: Elaboró
la búsqueda bibliográfica y la construcción de
citas, referencias y sistematización teórica de las
variables de estudio.
Revista RIAF ISSN: 2953-6693 Vol – 4 No. 2, julio 2026
167
Steven Arturo Torres Burgos: Participó en la
revisión, análisis y toma de decisiones en la
redacción de la literatura, sistematización teórica
de las variables de estudio, la aplicación de los
instrumentos empíricos y en los resultados y
conclusiones de la investigación.