Nota. Elaboración propia.
En este sentido, la búsqueda de información se realizó
entre el 16 de febrero y el 10 de marzo de 2026, en las bases de datos SciELO y
Scopus, seleccionadas por su calidad y alcance regional e internacional. Para
tal fin se escogieron artículos científicos originales a los que se les
consultaron los campos: título, resumen y palabras clave, en los idiomas
español e inglés. Los documentos seleccionados fueron exportados a un archivo
de Microsoft Excel, donde se compararon los títulos, autores, año de
publicación, revista e identificador DOI o URL. Luego, mediante el gestor de
referencias Zotero se verificó la existencia de registros duplicados para
asegurar la depuración de la base de datos y conservar una única versión de
cada artículo.
Se establecieron los siguientes criterios de inclusión: que
las investigaciones seleccionadas podrían ser artículos originales revisados
por pares expertos, basados en entornos formales de educación que aborden la
IAG en el ejercicio docente o sus alcances éticos en la educación superior. A
su vez, se excluyeron: las cartas al editor, los artículos de opinión,
revisiones sistemáticas y de literatura, documentos duplicados, aquellos que
solo ofrecían el resumen e investigaciones que no tuvieran hallazgos
importantes para el estudio.
El proceso de selección de los artículos fue realizado por
las autoras del estudio, siguiendo los lineamientos de la metodología PRISMA.
En la primera fase fueron revisados los títulos y resúmenes de los artículos
seleccionados de las bases de datos correspondientes, aplicando los criterios
anteriormente establecidos. Seguidamente, los registros con posibilidades de
ser elegidos fueron sometidos a una revisión de texto completo, con la
finalidad de verificar su pertinencia respecto al objetivo del estudio.
La evaluación de los registros se realizó de manera
independiente por cada una de las investigadoras. En los casos en que hubo
discrepancias respecto a incluir o excluir algún estudio, estas fueron
analizadas a través de la discusión y el consenso del equipo. Cuando fue necesario,
se efectuó una nueva revisión del registro completo hasta lograr un acuerdo
general acerca de la decisión final de inclusión.
Teniendo en consideración las explicaciones realizadas, se
identificaron un total de 153 artículos científicos en las bases de datos
consultadas. Luego, se eliminaron 38 registros duplicados, por lo que 115
publicaciones se sometieron al proceso de cribado a través de la revisión de
títulos y resúmenes. En esta fase se excluyeron 56 por no estar en concordancia
con el objetivo del estudio. Los 59 registros restantes fueron evaluados a
texto completo para establecer su elegibilidad. Como resultado de esta
evaluación, se excluyeron 43 estudios, principalmente por corresponder a
artículos de opinión y/o reflexión o por ser cartas al editor, revisiones
sistemáticas o de literatura, o por no estar alineados al objetivo del estudio.
Finalmente, la muestra para la revisión sistemática quedó constituida por 16
artículos, como se muestra en la Figura 1.
Figura 1
Diagrama de flujo PRISMA.
Nota. Elaboración propia.
Con el propósito de dar validez y rigor al estudio, se
efectuó la evaluación de la calidad metodológica a través de la herramienta
MMAT (Mixed Methods Appraisal Tool), evidenciando una calidad metodológica
adecuada de los documentos incluidos para dar respuesta al objetivo de la
investigación. La evaluación fue realizada de manera independiente por las
investigadoras; en caso de discrepancias en valoración asignada, estas se
resolvieron a través del consenso.
La aplicación del MMAT se efectuó según el diseño
metodológico de cada estudio. En las investigaciones cualitativas se consideró
la pertinencia del enfoque, la adecuación del recojo de información, la
derivación de los resultados, la fundamentación de las interpretaciones y la
coherencia entre las fuentes, el recojo, el análisis y la interpretación de la
información. En los estudios cuantitativos se tomaron en cuenta los criterios
correspondientes al diseño específico, mientras que en los estudios mixtos se
consideró la justificación del diseño, la integración de las perspectivas
cualitativas y cuantitativas, la interpretación de la integración y la calidad
de sus elementos.
En los estudios de análisis documental en los que los
documentos fueron la fuente de información y se identificó un procedimiento
claro de selección, análisis e interpretación, se aplicaron criterios relativos
a la perspectiva cualitativa, dada la naturaleza del proceso de análisis de la
información documental.
Los resultados de la evaluación se muestran en la Tabla 2.
La evaluación se realizó criterio por criterio mediante los reactivos: Sí (S),
No (N) y No se puede determinar (ND). Se evitó precisar una puntuación global,
con la finalidad de presentar de forma clara las fortalezas y posibles
limitaciones metodológicas de los registros incluidos. En general, los estudios valorados presentaron
un cumplimiento satisfactorio de los criterios metodológicos según sus diseños
y no se observaron debilidades críticas que comprometieran su contribución al
propósito de este estudio.
Tabla 2
Evaluación de la calidad de los estudios mediante
MMAT
|
Autor / Año
|
Metodología
|
C1
|
C2
|
C3
|
C4
|
C5
|
|
Yotov et al. (2026)
|
Enfoque cuantitativo
|
S
|
S
|
S
|
S
|
S
|
|
Jin et al. (2025)
|
Análisis documental
|
S
|
S
|
S
|
S
|
S
|
|
Karkoulian et al. (2025)
|
Enfoque cualitativo
|
S
|
S
|
S
|
S
|
S
|
|
Van Niekerk et al. (2025)
|
Intervención de aprendizaje activo
|
S
|
S
|
S
|
S
|
S
|
|
Kit et al. (2025)
|
Enfoque cualitativo
|
S
|
S
|
S
|
S
|
S
|
|
Daher (2025)
|
Cualitativo
|
S
|
S
|
S
|
S
|
S
|
|
González Rivas (2025)
|
Enfoque mixto
|
S
|
S
|
S
|
S
|
S
|
|
Silva-Atencio (2025)
|
Enfoque cualitativo
|
S
|
S
|
S
|
S
|
S
|
|
Sánchez Díaz (2024)
|
Análisis documental
|
S
|
S
|
S
|
S
|
S
|
|
Yang et al. (2024)
|
Enfoque mixto
|
S
|
S
|
S
|
S
|
S
|
|
Lee et al. (2024)
|
Enfoque cuantitativo
|
S
|
S
|
S
|
S
|
S
|
|
Sánchez-Bolívar et al. (2024)
|
Enfoque mixto
|
S
|
S
|
S
|
S
|
S
|
|
Tlili et al. (2023)
|
Enfoque cualitativo
|
S
|
S
|
S
|
S
|
S
|
|
Haroud & Saqri (2025)
|
Enfoque mixto
|
S
|
S
|
S
|
S
|
S
|
|
Moradi (2025)
|
Enfoque cuantitativo
|
S
|
S
|
S
|
S
|
S
|
|
Shahzad et al. (2024)
|
Enfoque cuantitativo
|
S
|
S
|
S
|
S
|
S
|
Nota. C1-C5 corresponden a los cinco
criterios específicos del MMAT aplicables al diseño metodológico de cada
estudio. S = Sí; N = No; ND = No se puede determinar.
El análisis de los estudios incluidos en la revisión se
efectuó a través de un proceso de codificación temática de naturaleza
inductiva. Para iniciar, las investigadoras realizaron la lectura de los 16
estudios elegidos, con la finalidad de identificar los resultados vinculados
con el propósito de la investigación. Seguidamente, se asignaron códigos a las
unidades de significado extraídas de cada registro y luego fueron agrupados por
categorías y subcategorías en correspondencia con las coincidencias
conceptuales o teóricas.
Las categorías temáticas se establecieron teniendo en
cuenta la frecuencia de ocurrencia y la similitud en los resultados reportados
en los estudios, priorizando los que están relacionados con el uso de la IAG,
la actividad docente y sus implicancias éticas en la educación universitaria. A
través de este proceso las categorías se revisaron y se ajustaron de forma
iterativa hasta lograr una estructura temática y coherente. Las diferencias en
la asignación de códigos o en la organización de las categorías se resolvieron
a través del consenso, con lo cual se garantizó la consistencia y confiabilidad
del análisis. Por último, las categorías establecidas sirvieron de fundamento
para sintetizar y analizar los hallazgos.
Para el presente estudio se estableció una diferenciación
entre las investigaciones que conformaron el corpus de análisis y los autores
utilizados como literatura de apoyo. Para la revisión sistemática el corpus
estuvo constituido por 16 artículos científicos seleccionados según los
criterios de inclusión y exclusión establecidos. Los artículos presentados en
la Tabla 3 fueron los únicos que se consideraron para el análisis temático y
resultados de la revisión.
De forma complementaria, se emplearon otras publicaciones
para fundamentar y contextualizar el problema de estudio, además de sustentar
conceptos, contrastar y discutir los resultados obtenidos. Estos estudios,
entre ellos los de Jensen et al. (2025), Ogunleye et al. (2024), Zhai (2025),
Uzcátegui Pacheco et al. (2024), Bittle & El-Gayar (2025), Ricra Ruiz et
al. (2026), y Camacho Vázquez et al. (2025), no forman parte de las 16
investigaciones incluidas en la revisión sistemática, por lo que sus aportes no
se consideraron en la codificación temática ni como parte de los resultados.
En la Tabla 3 se presenta el conjunto de los 16 estudios
que se utilizaron en la revisión, detallando el título, autor y año, el país,
el nombre de la revista, la metodología empleada en la investigación y la base
de datos en la que se encuentra alojado.
Tabla 3
Publicaciones seleccionadas para el estudio.
|
Título
|
Autor / Año
|
País
|
Revista
|
Metodología
|
Base de datos
|
|
AI in
education through the learners’ eyes: practical experience, perceptions, and
challenges
|
Yotov et al. (2026)
|
Bulgaria
|
Frontiers in Education
|
Enfoque cuantitativo
|
Scopus
|
|
Generative
AI in higher education: A global perspective of institutional adoption
policies and guidelines
|
Jin et al. (2025)
|
Australia
|
Computers and Education:
Artificial Intelligence
|
Cualitativodocumental
|
Scopus
|
|
ChatGPT Unveiled:
Understanding Perceptions of
Academic Integrity in Higher
Education - A Qualitative
Approach
|
Karkoulian et al. (2025)
|
Líbano
|
Journal of Academic Ethics
|
Enfoque cualitativo
|
Scopus
|
|
Addressing the use of generative AI in academic
writing
|
Van Niekerk et al. (2025)
|
Sudáfrica
|
Computers and Education:
Artificial Intelligence
|
Intervención
de aprendizaje activo
|
Scopus
|
|
Opportunities, challenges and school strategies for
integrating generative AI in education
|
Kit et al. (2025)
|
China
|
Computers and Education:
Artificial Intelligence
|
Enfoque cualitativo
|
Scopus
|
|
Integrating AI literacy into teacher education: a
critical perspective paper
|
Daher (2025)
|
Canadá
|
Discover Artificial Intelligence
|
Cualitativo
|
Scopus
|
|
Uso de la
Inteligencia Artificial Generativa (IAGEN) en el proceso de
enseñanzaaprendizaje en la Licenciatura en Administración
|
González
Rivas
(2025)
|
México
|
Punto CUNORTE
|
Enfoque mixto
|
SciELO
|
|
Retos y oportunidades de la ética en la inteligencia
artificial generativa en la era digital
|
SilvaAtencio
(2025)
|
Costa Rica
|
DYNA
|
Enfoque cualitativo
|
SciELO
|
|
Inteligencia artificial generativa y los retos en la
protección de los datos personales
|
Sánchez
Díaz
(2024)
|
México
|
Estudios en derecho a la información
|
Cualitativodocumental
|
SciELO
|
|
ChatGPT in Education: Ethical Considerations and
Sentiment
Analysis
|
Yang et al. (2024)
|
China
|
International Journal of
Information and
Communication Technology
Education
|
Enfoque mixto
|
Scopus
|
|
The
impact of generative AI on higher education learning and teaching: A study of
educators’ perspectives
|
Lee et al. (2024)
|
Australia
|
Computers and Education:
Artificial Intelligence
|
Enfoque cuantitativo
|
Scopus
|
|
La ética de la inteligencia
artificial en educación:
¿Amenaza u oportunidad?
|
SánchezBolívar et al. (2024)
|
España
|
Revista Electrónica Educare
|
Enfoque mixto
|
SciELO
|
|
What if
the devil is my guardian angel: ChatGPT as a case study of using chatbots in
education
|
Tlili et al.
(2023)
|
China
|
Smart Learning Environments
|
Enfoque cualitativo
|
Scopus
|
|
Generative AI in Higher
Education: Teachers’ and
Students’ Perspectives on
Support, Replacement, and
Digital Literacy
|
Haroud &
Saqri
(2025)
|
Marruecos
|
Education Sciences
|
Enfoque mixto
|
Scopus
|
|
Integrating AI in higher
education: factors influencing
ChatGPT
acceptance among Chinese university EFL students
|
Moradi (2025)
|
China
|
International Journal of
Educational Technology in
Higher Education
|
Enfoque cuantitativo
|
Scopus
|
|
ChatGPT
awareness, acceptance, and adoption in higher education: the role of trust as
a cornerstone
|
Shahzad et al. (2024)
|
China
|
International Journal of
Educational Technology in
Higher Education
|
Enfoque cuantitativo
|
Scopus
|
Nota. Elaboración propia.
RESULTADOS
Tras la aplicación del diseño muestral y la selección de
los 16 estudios, se efectuó un análisis profundo de las investigaciones y se
dispusieron en la Tabla 2, en la que se describió el título, autor y año, el
país de origen, el nombre de la revista, la metodología utilizada y la base de
datos en la que reposa. De acuerdo con lo presentado en la Figura 2, la
exploración reveló que, de los 16 artículos científicos, el 75.00 % (12) se
encuentra indexado en la base de datos Scopus, mientras que el 25.00 % (4) está
indexado en SciELO. Asimismo, de acuerdo con el año de publicación, el 56.25 %
(9) son de 2025, el 31.25 % (5) fueron publicados en 2024. El 6.25 % (1) de los
estudios corresponde al año
2023 y otro 6.25 % (1) al 2026. En
conjunto, ambos registros abarcan el 12.50 % (2) del total de estudios
analizados. No obstante, la mayoría de las indagaciones fueron publicadas en
2025.
Figura 2
Distribución de artículos según la base de datos y el año
de publicación
Nota. Elaboración propia.
Por otra parte, según la distribución de los estudios por
país, la Figura 3 muestra que China agrupa el mayor número de registros, con
31.25 % (5). En segundo lugar, México y Australia aportaron 12.50 % (2) de los
estudios cada uno, los cuales concentraron el 25.00 % (4). Por último,
Bulgaria, Líbano, Sudáfrica, Canadá, Costa Rica, España y Marruecos
contribuyeron con un estudio cada uno, representando el 6.25 % por país, y el
43.75 % (7) del total de los estudios analizados.
Figura 3
Distribución de artículos según el país de origen
Nota. Elaboración propia.
Respecto a la metodología reportada en cada estudio, de
acuerdo con la Figura 4, el 31.25% (5) son de enfoque cualitativo, el 25.00 %
(4) siguieron un enfoque cuantitativo y enfoque mixto, agrupando en conjunto el
50.00 % (8) de la producción científica analizada. Asimismo, el 12.50 % (2) son
de análisis documental, mientras que el 6.25 % (1) corresponde a una
intervención de aprendizaje activo. Dentro de este marco, la mayoría de los
estudios analizados son de enfoque cualitativo.
Figura 4
Distribución de artículos según la metodología empleada
Nota. Elaboración propia.
En general, la caracterización descriptiva de los estudios
incluidos en la revisión sistemática evidencia un aumento importante en la
producción científica sobre IAG, la gran parte de las indagaciones se ubican en
revistas indexadas en la base de datos Scopus, imperando las investigaciones
realizadas bajo el enfoque cualitativo, seguidas de las cuantitativas y mixtas.
Desde el punto de vista geográfico, se visualiza mayor presencia de
publicaciones de origen en China, México y Australia. Adicionalmente, la
evidencia revisada sugiere que las exploraciones principalmente se basan en el
empleo de herramientas como ChatGPT, convirtiéndose en el referente primordial
en el análisis de la IAG en el entorno educativo (Yotov et al., 2026; Kit et
al., 2025; Daher, 2025).
Análisis a partir de la codificación temática
Para el análisis se estableció un proceso de codificación
temática que identificó categorías nuevas asociados al empleo pedagógico de la
IAG, cambios en la actividad docente, retos éticos y aquellos relacionados a la
evaluación y producción de conocimiento. Las categorías temáticas no son
mutuamente excluyentes; por tanto, un mismo estudio puede estar incluido en una
o más categorías en función de los resultados y aportes identificados en la
codificación. En este sentido, los porcentajes que se muestran corresponden a
la proporción de estudio del corpus total (n=16) que brindaron evidencia en
cada categoría, por lo que se espera que la suma de estos porcentajes no sea
igual a 100 %. La Tabla 4 muestra el resumen de dichos hallazgos.
Tabla 4
Resumen de resultados
de la codificación temática
|
Categoría
|
Subcategoría
|
Descripción del resultado
|
N° de estudios/
% del
total de estudios (n=16)
|
Estudios
representativos
|
|
Uso pedagógico de la IAG
|
-Creación de contenido y de
materiales didácticos -Tutoría automatizada -Apoyo a la escritura académica
-Personalización del aprendizaje
|
La IAG se emplea
fundamentalmente en la creación de
materiales didácticos, generación de tareas académicas, apoyo a la redacción
y la tutoría automatizada.
|
8 (50.00 %)
|
González Rivas
(2025); Yotov et al. (2026); Tlili et al. (2023);
Haroud & Saqri (2025); Van
Niekerk et al. (2025); Yang et al. (2024); Moradi (2025); Kit et al. (2025).
|
|
Transformaci ones en la práctica docente
|
-Planificación docente -Diseño de recursos educativos -Retroalimentación
automatizada
-Mediación pedagógica
-Alfabetización en IAG.
Innovación pedagógica
|
La IAG está transformando el rol del
profesorado, pasando de simple transmisor de contenidos a mediador crítico
del aprendizaje. Se está utilizando en la planeación, diseño de recurso y
evaluación.
|
7 (43.75
%)
|
Lee et al. (2024); Daher
(2025); González Rivas
(2025); Jin et al. (2025); Kit et al. (2025); Tlili et al. (2023);
Shahzad et al. (2024).
|
|
Desafíos éticos del uso de la IAG
|
-Integridad académica
-Plagio y autoría
-Sesgos algorítmicos
-Privacidad de datos
-Transparencia de la IA
|
Se identificaron peligros éticos
importantes, específicamente asociados con el plagio, la autoría académica,
la problemática para diferenciar contenido generado por IA del creado por
humanos y la responsabilidad en el uso de la IAG.
|
8 (50.00 %)
|
Sánchez Díaz (2024); SilvaAtencio
(2025); Kit et al., (2025); Karkoulian et al.
(2025); Yang et al. (2024);
Van Niekerk et al. (2025);
Sánchez-Bolívar
et al. (2024);
Shahzad et al. (2024)
|
|
Evaluación del aprendizaje
|
-Diseño de evaluaciones
-Creación de
preguntas -Retroalimentación inmediata
-Rediseño evaluativo
|
La IAG permite la evaluación a
través de la creación automática de ítems y retroalimentación. Sin
embargo, existe la necesidad de rediseñar estrategias evaluativas para
asegurar la originalidad del aprendizaje y evitar su empleo inadecuado.
|
6 (37.50 %)
|
Lee et al.
(2024); Van Niekerk et al. (2025); Yotov et al.
(2026); Karkoulian et al.
(2025);
Sánchez-Bolívar et al.
(2024); Kit et al. (2025).
|
|
Producción del conocimiento
|
-Escritura académica
asistida
-Co-creación de contenido
-Ética en la investigación
|
La IAG influye en la producción
académica, ya que permite la redacción y organización del conocimiento. No
obstante, produce discusiones acerca de la
|
8 (50.00%)
|
Yang et al. (2024); Van
Niekerk et al.
(2025); Jin et al. (2025); Yotov et al. (2026);
Haroud &
Saqri (2025); Moradi
(2025); Sánchez
Díaz (2024); Silva-Atencio (2025).
|
Nota. Las categorías temáticas no son
mutuamente excluyentes. Un mismo estudio puede contribuir a más de una
categoría, por lo que los porcentajes no son acumulativos y se calculan
respecto del total de estudios seleccionados (n = 16).
Uso pedagógico de la IAG
Una de las categorías temáticas identificadas en el
análisis es la correspondiente al uso pedagógico de la IA. La evidencia
revisada coincide en precisar que la IAG está siendo aplicada básicamente en la
generación de contenido académico, elaboración de recursos pedagógicos, soporte
para la redacción de actividades y tutoría académica.
En este sentido, Yotov et al. (2026)
señalan que los estudiantes perciben que estas herramientas son beneficiosas
para comprender contenidos y permitir efectuar las tareas escolares. Del mismo
modo, González (2025) indica que su implementación en el proceso educativo
permite el acceso a los recursos educativos y favorece la diversificación de
estrategias didácticas utilizadas por los docentes.
Por otra parte, Lee et al. (2024) y Haroud y Saqri (2025)
resaltan que los estudiantes y docentes perciben la IAG como un recurso potente
para integrar en las actividades formativas, brindar soporte en la producción
de conocimiento y beneficiar la educación más flexible. Asimismo, Moradi (2025)
destaca que la aceptación e implementación de recursos como ChatGPT en la
educación superior están asociadas con aspectos como la alfabetización digital.
En contraste, Kit et al. (2025) y Tlili et al. (2023) advierten que el uso
frecuente de la IAG puede generar dependencia a estas herramientas y perjudicar
el desarrollo de habilidades cognitivas si no se aplican de forma adecuada, sin
tener la orientación del docente. Por tanto, el uso pedagógico de estos
recursos necesita la integración crítica y el acompañamiento docente.
Transformaciones en la práctica docente
Los estudios analizados reportan una transformación
significativa en cuanto al ejercicio docente. La integración de la IAG está
desplazando la perspectiva clásica basada en la transmisión de contenidos, así
como las maneras de planificar, realizar las actividades y evaluar el proceso
de enseñanza, pasando a modelos más flexibles en los que el profesorado ocupa
roles de mediación, facilitación y supervisión del aprendizaje. En este sentido,
la literatura revisada describe el empleo de la IAG para planear sesiones de
aprendizaje, diseñar evaluaciones, producir recursos académicos y brindar
retroalimentación más rápida y personalizada (Lee et al., 2024; Daher, 2025;
González Rivas, 2025). Asimismo, Haroud y Saqri (2025) precisan que docentes y
estudiantes perciben que las herramientas IAG pueden complementar la actividad
docente, siempre que su uso se integre con consideraciones pedagógicas y no
como un reemplazo del docente.
Por otra parte, Jin et al. (2025) argumentan que las
instituciones universitarias están desarrollando lineamientos y regulaciones
con el objetivo de dirigir la implementación de la IAG de forma responsable, lo
cual requiere de novedosas competencias digitales y didácticas de los docentes.
En la misma línea de investigación, Kit et al. (2025) y Van Niekerk et al.
(2025) advierten que la implementación eficaz de la IAG demanda la
potencialización de la alfabetización en este tipo de recursos, el fomento de
procesos de formación continua y el rediseño de las actividades pedagógicas
para asegurar su empleo crítico, ético y didáctico.
Desafíos éticos del uso de la IAG
Otra de las categorías identificadas concierne a los retos
éticos vinculados al uso de la IAG. La evidencia revisada concuerda en indicar
que uno de los peligros principales es el menoscabo de la integridad académica,
específicamente en relación con el plagio, la autoría de las actividades
académicas y la problemática para diferenciar entre una producción automatizada
y una humana (Karkoulian et al., 2025; Van Niekerk et al., 2025;
Sánchez-Bolívar et al., 2024).
Adicionalmente, las investigaciones destacan las
preocupaciones acerca de los sesgos algorítmicos, la escasa transparencia en
los sistemas de IAG y los peligros relacionados a la privacidad y el uso de
datos personales, elementos que pueden comprometer la equidad y la
confiabilidad en los procesos formativos (Sánchez Díaz, 2024; Silva-Atencio,
2025; Yang et al., 2024).
En ese sentido, la evidencia sugiere la necesidad de
desarrollar marcos regulatorios y éticos que guíen el uso responsable de la IAG
en entornos educativos universitarios. Del mismo modo, entre las principales
recomendaciones se tienen la creación de políticas institucionales, la potencialización
de la alfabetización en IAG, y el fomento de lineamientos de transparencia e
integridad académica, con la finalidad de garantizar la aplicación ética de
estos recursos en el proceso de enseñanza y aprendizaje (Silva-Atencio, 2025;
SánchezBolívar et al., 2024; Yang et al., 2024).
Evaluación del aprendizaje
La evidencia revisada sugiere que el uso de
la IAG está produciendo
transformaciones significativas en las
perspectivas de los procesos de evaluación, debido a que estas herramientas
permiten automatizar la evaluación, efectuar preguntas y ofrecer
retroalimentación de forma rápida, mejorando la eficacia e inmediatez en el proceso
evaluativo de los estudiantes (Lee et al., 2024; Van Niekerk et al., 2025;
Yotov et al., 2026).
Asimismo, los estudios analizados reportan que esta
herramienta facilita la creación de evaluaciones que pueden ajustarse a las
necesidades y al grado de desempeño de los discentes logrando que el proceso
pueda ser individualizado. Sin embargo, los estudios coinciden en que la
automatización trae consigo desafíos importantes relacionados con la
originalidad y validez de las evaluaciones cuando la IAG se emplea sin
criterios pedagógicos claros (Karkoulian et al., 2025; Sánchez-Bolívar et al.,
2024).
En este contexto, las investigaciones destacan que para
evitar el empleo incorrecto de la IAG en los estudiantes y garantizar un
proceso de evaluación íntegro, existe la necesidad de reestructurar el proceso
de evaluación. Asimismo, como parte de las estrategias se propone la
construcción de evaluaciones fundamentadas en el pensamiento crítico. También
se pueden hacer evaluaciones orales, proyectos y actividades (Karkoulian et
al., 2025; Van Niekerk et al., 2025; Lee et al., 2024).
Producción del conocimiento
Los estudios revisados evidencian que la IAG ha incidido
significativamente en la escritura y la generación de contenido por parte de
los docentes y estudiantes. En este sentido, inteligencias artificiales como
ChatGPT facilitan la redacción textual, la organización de ideas y la
esquematización de documentos escolares, lo que sugiere que favorece la
productividad en la investigación (Tlili et al., 2023; Van Niekerk et al.,
2025; Haroud & Saqri, 2025).
Adicionalmente, la evidencia muestra que la IAG promueve
nuevas formas de coautorías de conocimientos, mediante las cuales los autores
pueden interactuar con sistemas de IA para crear contenidos, evaluar ideas y
generar proyectos académicos. Este panorama propone una reestructuración de los
procesos clásicos de generación de conocimiento en el contexto escolar (Haroud
& Saqri, 2025; Tlili et al., 2023). No obstante, existen estudios que
coinciden en el debate sobre la tutoría escolar, la originalidad de los
trabajos y la ética en la investigación: específicamente, se discute sobre la
participación de la IA en la producción de texto y la necesidad de la
transparencia en su uso en actividades escolares (Karkoulian et al., 2025;
Sánchez-Bolívar et al., 2024; Yang et al., 2024).
DISCUSIÓN
Los estudios analizados reportan que la implementación de
la IAG en la educación universitaria ha generado cambios importantes en dicho
contexto, mostrando tensiones frecuentes dado su potencial pedagógico y los
desafíos éticos que emergen de su aplicación en el aula. A este respecto, la
evidencia sugiere el análisis de tres elementos esenciales: la innovación
pedagógica, la reestructuración del rol del docente y la necesidad de
implementar lineamientos éticos y normativos que regulen su empleo. Esta
interpretación coincide con estudios recientes que indican que el desarrollo de
la IAG en la educación superior no solo tiene que ver con la integración de
nuevas tecnologías, sino que plantea la necesidad de examinar las actividades
del proceso de enseñanza y aprendizaje, así como los escenarios institucionales
que hacen parte de su implementación (Qian, 2025; Dabis & Csáki, 2024).
Respecto al uso pedagógico de la IAG, los estudios
revisados muestran que estas herramientas se están utilizando mayormente en la
creación de contenidos, tutoría personalizada y aprendizaje individualizado.
Estos resultados son similares a los de Quian (2025), quien describe que las
aplicaciones educativas de la IAG en la educación superior están relacionadas
con distintas maneras de apoyo a la enseñanza y el aprendizaje, resaltando
tendencias asociadas con la autonomía del discente, la creatividad, el
pensamiento crítico y el despliegue de competencias para trabajar con estas
tecnologías. Esta tendencia es consistente con Ogunleye et al. (2024), quienes
identificaron un incremento de estudios vinculados con el empleo de la IAG para
la enseñanza, el aprendizaje y la evaluación, así como la demanda de progresar
hacia formas más detalladas de integración curricular.
Sin embargo, existen riesgos vinculados a la dependencia de
estas herramientas y al detrimento de las habilidades cognitivas,
específicamente cuando estas tecnologías son usadas sin la mediación crítica
(Kit et al., 2025; Tlili et al., 2023). A este respecto, Jensen et al. (2025) indican que gran
parte de la narrativa sobre la IAG en la educación superior tiende a destacar
sus posibilidades de innovación, personalización e inclusión, a pesar de que se
requiere debatir sus efectos y tener en cuenta la participación activa de los
estudiantes. Por lo cual, los resultados de este estudio sugieren que el valor
pedagógico de la IAG no tiene que ver solo con la capacidad de crear
contenidos, sino con la evaluación que realizan docentes sobre dichos
contenidos.
En cuanto a la transformación de la práctica docente, la
literatura analizada presenta una transformación de enfoques basados en la
transmisión de conocimientos hacia perspectivas a través de las cuales el
profesorado ocupa un papel de mediador, preparador y guía del aprendizaje. Esto
puede interpretarse como un efecto del aumento en la disponibilidad de
herramientas desarrolladas por los docentes.
Este hallazgo coincide con el estudio de Jensen et al.
(2025), quienes identificaron transformaciones en las actividades pedagógicas
de las instituciones y de los profesores vinculadas con el desarrollo de la
IAG. No obstante, también destacan que la respuesta educativa no debe
restringirse a incluir tecnología, sino que requiere un análisis crítico de las
actividades existentes.
Respecto a los retos éticos, los resultados confirman que
la IAG plantea grandes desafíos para las instituciones respecto a la integridad
académica, vinculados con el plagio y la dificultad para reconocer el contenido
generado por humanos y el generado por la IA.
Estos hallazgos son importantes porque la
capacidad de la IAG para generar textos, imágenes y otros productos escolares
en poco tiempo cambia las condiciones tradicionales en las cuales se valoraba
la autoría y la producción individual.
Estos hallazgos coinciden con los de Bittle y El-Gayar
(2025), quienes identificaron beneficios vinculados al uso de la IAG, pero
también reconocieron los riesgos asociados con las conductas deshonestas. Estos
referentes plantean que la respuesta institucional demanda consolidar la
alfabetización digital y precisar mecanismos que faciliten la gestión
responsable en torno al uso de estas tecnologías.
En cuanto a la evaluación del aprendizaje, los resultados
sugieren que la IAG está promoviendo un cambio en los sistemas de evaluación
tradicional, si bien los sistemas de IA permiten automatizar algunos procesos y
ofrecer una retroalimentación de forma rápida (Lee et al., 2024; Van Niekerk et
al., 2025; Yotov et al., 2026). Sin embargo, esta posibilidad también genera la
necesidad de tomar en cuenta otras perspectivas, con el propósito de garantizar
que el aprendizaje sea original.
Estos resultados coinciden con los de Ogunleye et al.
(2024) y Jensen et al. (2025), quienes reconocieron la evaluación como uno de
los aspectos que necesita mayor atención ante el desarrollo e implementación de
la IAG. En este sentido, el reto no es solo detectar si una actividad fue
realizada con IA, sino crear experiencias evaluativas que faciliten observar
procesos cognitivos y desempeños que no puedan limitarse a la creación de
respuestas automáticas.
Por otra parte, la literatura revisada
destaca que una de las áreas más importantes en las que han surgido múltiples
inquietudes es la producción de conocimiento, pues a pesar de que la IAG
facilita la redacción académica y la organización de saberes, formula, a su
vez, cuestionamientos sobre la originalidad, la autoría y la ética en la
investigación (Tlili et al., 2023; Van Niekerk et al., 2025; Haroud &
Saqri, 2025). Estos cuestionamientos son particularmente importantes en el
contexto universitario, donde la producción académica no se limita a la
creación de textos, sino que implica procesos de análisis, fundamentación y
construcción de conocimiento.
Bittle y El-Gayar (2025) permiten extender
este debate al indicar que los riesgos vinculados con la honestidad académica
necesitan consolidar la alfabetización digital y establecer mecanismos que
permitan emplear la IAG sin debilitar la honestidad académica. La evidencia
revisada revela que las causas de adopción y aceptación facilitan la
comprensión de que la implementación de la IAG no se está dando de forma
homogénea (Moradi, 2025; Shahzad et al., 2024). Por otra parte, las
perspectivas futuras de la investigación revelan que el área de estudio de la
IAG en la educación se sitúa en una etapa de difusión acelerada; sin embargo,
es necesario realizar estudios empíricos orientados a la comprensión de su
impacto a largo plazo sobre el aprendizaje, la labor docente y la construcción
de conocimiento.
Es importante señalar que en este estudio de revisión
sistemática se presentan algunas limitaciones que deben tenerse en cuenta en la
interpretación de sus resultados. En primer lugar, el estudio solo consideró
las bases de datos SciELO y Scopus; por tanto, es probable que estudios
importantes de fuentes no hayan sido incluidas en la revisión. En segundo
lugar, solo se incluyeron registros publicados en el periodo 2023-2026, lo que
restringe la inclusión de investigaciones previas sobre el tema.
CONCLUSIONES
El presente estudio de revisión sistemática evidencia que
la IAG se ha fortalecido como un elemento transformador en la educación
superior, con incidencia directa en los procesos de enseñanza, evaluación y
producción de conocimiento. Su empleo facilita la personalización del
aprendizaje, la automatización de los procesos y la entrada a novedosas formas
de construcción académica.
En el campo pedagógico, se identifica una reestructuración
del papel del profesorado tendente a desempeños de mediación crítica y diseño
de experiencias de aprendizaje, lo que requiere la consolidación de
competencias en alfabetización digital y en IAG. Sin embargo, esta
reconfiguración también presenta retos importantes, específicamente respecto a
la dependencia de la tecnología y la necesidad de una utilización educativa
intencionada.
Desde el punto de vista ético, destacan
dificultades vinculadas a la integridad académica, el plagio, los sesgos
algorítmicos y la reserva de datos, lo que sugiere la necesidad de establecer
marcos regulatorios y pedagógicos que guíen su utilización responsable.
La evaluación del aprendizaje necesita ser replanteada
hacia perspectivas más genuinas que tomen como prioridad el pensamiento crítico
y la producción original. Por otra parte, la producción de conocimiento expone
debates acerca de la autoría y la ética en la investigación.
Por último, se concluye que la integración de la IAG está
transformando los procesos de enseñanza y aprendizaje, ya que brinda
posibilidades para potenciar la actividad docente, dar soporte al proceso de
evaluación del aprendizaje y facilitar la producción de conocimiento. Sin
embargo, su implementación plantea grandes retos vinculados con la honestidad
académica, la autoría, la privacidad de datos y la claridad en el uso de estas
herramientas. Dentro de este marco, la implementación de la IAG en la educación
superior necesita una perspectiva crítica, ética y pedagógicamente fundamentada
que facilite el aprovechamiento de su capacidad, sin dejar de lado sus
implicancias.
REFERENCIAS
Barquero Morales, W. G. (2022).
Análisis de PRISMA como metodología para revisión sistemática: Una aproximación
general. Saúde em Redes, 8(1),
339-360.
https://doi.org/10.18310/2446-4813.2022v8nsup1p339-360
Bittle, K., &
El-Gayar, O. (2025). Generative AI and Academic Integrity in Higher Education:
A Systematic Review
and Research Agenda. Information, 16(4). https://doi.org/10.3390/info16040296
Bond, M., Khosravi,
H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W.,
& Siemens, G. (2024). A meta systematic review of artificial intelligence
in higher education: A call for increased ethics, collaboration, and rigour. International
Journal of Educational Technology
in Higher Education, 21(1),
4. https://doi.org/10.1186/s41239-023-00436-z
Camacho Vázquez, M. R., Pérez Méndez,
J., Cárdenas Castellanos, J., & Adaile Benítez, N. T. (2025). Implicaciones
éticas del uso de Inteligencia Artificial en educación superior. Emerging trends in education, 8(15),
122-139. https://doi.org/10.19136/etie.v8n15.6343
Ciapponi, A. (2021). La
declaración PRISMA 2020: Una guía actualizada para reportar revisiones
sistemáticas. Evidencia actualización en la práctica ambulatoria, 24(3),
1-
4. https://doi.org/10.51987/evidencia.v24i4.6960
Contreras Rivera, L., Puma Mamani, I.,
Morales Chalco, J. R., Gil Jáuregui, C. A., & Chalco Castillo, N. S.
(2024). Ética en el uso de la inteligencia artificial en la investigación
científica: Desafíos y consideraciones. Aula Virtual, 5(12). https://doi.org/10.5281/zenodo.14653200
Daher, R. (2025).
Integrating AI literacy into teacher education: A critical perspective paper. Discover
Artificial Intelligence, 5(1), 217. https://doi.org/10.1007/s44163-025-004757
Dabis, A., &
Csáki, C. (2024). AI and ethics: Investigating the first policy responses of
higher education institutions to the challenge of generative AI. Humanities
and Social Sciences Communications, 11(1). https://doi.org/10.1057/s41599-024-03526-z
Espinoza-Freire, E.
E. (2025). PRISMA en la práctica: Guía y desafíos en la conducción de
revisiones sistemáticas. Sociedad & Tecnología, 8(S2), 623-646. https://doi.org/10.51247/st.v8iS2.227
González Rivas, E. N. (2025). Uso de
la Inteligencia Artificial Generativa (IAGEN) en el proceso de
enseñanza-aprendizaje en la Licenciatura en Administración. Punto CUNORTE,
(20). https://doi.org/10.32870/punto.v1i20.224
Haroud, S., & Saqri, N. (2025). Generative AI in Higher Education: Teachers’ and Students’
Perspectives on Support,
Replacement, and Digital Literacy. Education Sciences,
15(4). https://doi.org/10.3390/educsci15040396
Jensen, L. X., Buhl,
A., Sharma, A., & Bearman, M. (2025). Generative AI and higher education: A
review of claims from the first months of ChatGPT. Higher Education, 89(4),
1145-1161. https://doi.org/10.1007/s10734-024-01265-3
Jin, Y., Yan, L.,
Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2025). Generative AI
in higher education: A global perspective of institutional adoption policies
and guidelines. Computers and Education: Artificial Intelligence, 8. https://doi.org/10.1016/j.caeai.2024.100348
Karkoulian, S.,
Sayegh, N., & Sayegh, N. (2025). ChatGPT Unveiled: Understanding
Perceptions of Academic Integrity in Higher Education - A Qualitative Approach.
Journal of Academic Ethics, 23(3), 1171-1188. https://doi.org/10.1007/s10805-02409543-6
Kit, D. T., Chan, E.
K. C., & Lo, C. K. (2025). Opportunities, challenges and school strategies
for integrating generative AI in education. Computers and Education:
Artificial Intelligence, 8. https://doi.org/10.1016/j.caeai.2025.100373
Lázaro Soto, B. E., Contreras Rivera,
R. J., Tejada Arana, A. A., & Incasoller Vilca, C. A. C. (2025). La
importancia de la ética en la investigación en inteligencia artificial:
Implicaciones y perspectivas.
Revista Impulso, 5(11), 195-208. https://doi.org/10.59659/impulso.v.5i11.138
Lee, D., Arnold, M., Srivastava, A.,
Plastow, K., Strelan, P., Ploeckl, F., Lekkas, D., & Palmer, E. (2024). The impact of generative AI on higher education learning and teaching:
A study of educators’ perspectives. Computers and Education: Artificial Intelligence,
6. https://doi.org/10.1016/j.caeai.2024.100221
Matos, E. J., Bertoncini, A. L. C.,
Ames, M. C. F. D. C., & Serafim, M. C. (2024). The (lack
of) ethics at generative AI in Business Management education and research. RAM.
Revista de Administração Mackenzie,
25. https://doi.org/10.1590/16786971/eRAMD240061
Moradi, H. (2025).
Integrating AI in higher education: Factors influencing ChatGPT acceptance
among Chinese university EFL students. International Journal of Educational
Technology in Higher Education, 22(30), 1-25. https://doi.org/10.1186/s41239-025-00530-4
Ogunleye, B.,
Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A
Systematic Review of Generative AI for Teaching and Learning Practice. Education
Sciences,
14(6). https://doi.org/10.3390/educsci14060636
Qadhi, S. M.,
Alduais, A., Chaaban, Y., & Khraisheh, M. (2024). Generative AI, Research
Ethics, and Higher Education Research: Insights from a Scientometric Analysis. Information,
15(6). https://doi.org/10.3390/info15060325
Qian, Y. (2025).
Pedagogical Applications of Generative AI in Higher Education: A Systematic Review
of the Field. TechTrends, 69(5), 1105-1120. https://doi.org/10.1007/s11528-025-01100-1
Ricra Ruiz, R. A., Queque Luque, E.
F., Vega Lazo, F. H., Martínez Horna, D. J., Ross Audureau, J., & Lara
Tapia, L. M. (2026). Implicaciones éticas de la inteligencia artificial
generativa en la educación superior: Una revisión sistemática. Revista
InveCom, 6(2). https://doi.org/10.5281/zenodo.16734732
Romani Pillpe, G., Macedo Inca, K. S., Soto
Loza, G. E., Franco Guevara, A. M., & Ore
Choque, M. K. (2025). Revisión sistemática
de inteligencia artificial generativa
(GenIA) para el diseño de experiencias de
aprendizaje, 2020-2025. Revista Espacios, 46(3), 13-27. https://doi.org/10.48082/espacios-a25v46n03p02
Sánchez-Bolívar, L.,
Escalante-González, S., & Martínez-Martínez, A. (2024). La ética de la
inteligencia artificial en educación: ¿Amenaza u oportunidad? Revista
Electrónica Educare, 28, 255-274. https://doi.org/10.15359/ree.28-s.20541
Sánchez Díaz, M. F. (2024).
Inteligencia artificial generativa y los retos en la protección de los datos
personales. Estudios en derecho a la información, (18), 179-205. https://doi.org/10.22201/iij.25940082e.2024.18.18852
Shahzad, M. F., Xu,
S., & Javed, I. (2024). ChatGPT awareness, acceptance, and adoption in
higher education: The role of trust as a cornerstone. International Journal
of
Educational Technology in Higher
Education, 21(1), 46. https://doi.org/10.1186/s41239-024-00478-x
Silva-Atencio, G. (2025). Retos y
oportunidades de la ética en la inteligencia artificial generativa en la era
digital. DYNA, 92(236), 26-35. https://doi.org/10.15446/dyna.v92n236.117144
Tlili, A., Shehata,
B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B.
(2023). What if the devil is my guardian angel: ChatGPT as a case study of
using chatbots in education. Smart Learning Environments, 10(1),
15. https://doi.org/10.1186/s40561-023-00237-x
Uzcátegui Pacheco, R. A., Ríos
Colmenárez, M. J., Uzcátegui Pacheco, R. A., & Ríos Colmenárez, M. J.
(2024). Inteligencia Artificial para la Educación: Formar en tiempos de
incertidumbre para adelantar el futuro. Areté, Revista Digital del
Doctorado en Educación, 10(ESPECIAL), 1-21.
https://doi.org/10.55560/arete.2024.ee.10.1
Van Niekerk, J.,
Delport, P. M. J., & Sutherland, I. (2025). Addressing the use of generative
AI in academic writing. Computers and Education: Artificial Intelligence, 8.
https://doi.org/10.1016/j.caeai.2024.100342
Yang, S., Dong, Y., &
Gen Yu, Z. (2024). ChatGPT in Education: Ethical Considerations and
Sentiment Analysis. International Journal
of Information and Communication Technology Education, 20(1), 1-19. https://doi.org/10.4018/IJICTE.346826
Yotov, K., Gaftandzhieva, S.,
Hadzhikolev, E., Hadzhikoleva, S., & Gorgorova, M. (2026). AI in education through the learners’ eyes: Practical experience,
perceptions, and challenges. Frontiers in Education, 11. https://doi.org/10.3389/feduc.2026.1717886
Zhai, X. (2025).
Transforming Teachers’ Roles and Agencies in the Era of Generative AI: Perceptions,
Acceptance, Knowledge, and Practices. Journal of Science Education and
Technology, 34(6), 1323-1333. https://doi.org/10.1007/s10956-024-10174-0