Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 486
IMPACTO DEL USO DE LA IAGENERATIVA EN LA ENSEÑANZA UNIVERSITARIA:
RIESGO, OPORTUNIDADES Y COMPETENCIAS DIGITALES DOCENTES.
IMPACT OF THE USE OF AGENERATIVE ICT IN UNIVERSITY TEACHING: RISKS,
OPPORTUNITIES AND DIGITAL TEACHING COMPETENCIES.
Autores: ¹Maricela Kathiusca Giler Herrera, ²Stefania Alexandra Guillen Vallejo, y
3
Walter
Alfredo Carvajal Torres.
¹ORCID ID: https://orcid.org/0009-0008-5148-0098
²ORCID ID: https://orcid.org/0000-0002-5017-3706
3
ORCID ID: https://orcid.org/0000-0001-8915-3377
¹E-mail de contacto: mgilerh@unemi.edu.ec
²E-mail de contacto: sguillenv@unemi.edu.ec
3
E-mail de contacto: wcarvajalt1@unemi.edu.ec
Afiliación:
1*2*3*
Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 5 de abril del 2026
Artículo revisado: 7 de Abril del 2026
Artículo aprobado: 9 de Abril del 2026
¹Ingeniera Comercial mención Administración Financiera, graduada de la Universidad Estatal de Milagro, (Ecuador), con 19 años de
experiencia laboral. Magíster en Tributación y Finanzas, graduada de la Universidad de Guayaquil, (Ecuador). Maestrante de la Maestría
en Educación con mención en Docencia e Investigación en Educación Superior, de la Universidad Estatal de Milagro, (Ecuador).
²Ingeniera Comercial mención Administración Financiera, graduada de la Universidad Estatal de Milagro, (Ecuador), con 19 años de
experiencia laboral. Magister en Administración de Pequeñas y Medianas Empresas, egresada de la Universidad Estatal de Milagro,
(Ecuador). Maestrante de la Maestría en Educación con mención en Docencia e Investigación en Educación Superior, de la Universidad
Estatal de Milagro, (Ecuador). Doctorante en Educación en la Universidad Cesar Vallejo, (Perú).
3
Ingeniero Comercial mención Administración de Recursos Humanos, graduado de la Universidad Estatal de Milagro, (Ecuador), con 11
años de experiencia laboral. Magíster en Gestión de Proyectos, graduado de la Universidad Estatal de Milagro, (Ecuador). Maestrante de
la Maestría en Educación con mención en Docencia e Investigación en Educación Superior de la Universidad Estatal de Milagro,
(Ecuador).
Resumen
El objetivo de este estudio fue analizar el
impacto de la Inteligencia Artificial Generativa
(IAG) en la enseñanza universitaria,
identificando los riesgos asociados a su uso, las
oportunidades pedagógicas que ofrece y las
competencias digitales que el profesorado
requiere para una integración ética y efectiva.
Se realizó una revisión sistemática de literatura
de tipo integrativo, con enfoque cualitativo y
alcance descriptivo-analítico, siguiendo las
directrices PRISMA. La búsqueda se efectuó en
Web of Science, Scopus y Google Académico,
considerando artículos publicados entre 2020 y
2025 que abordaran el uso de IAG en contextos
de enseñanza universitaria. Se seleccionaron 15
estudios, los cuales fueron analizados mediante
análisis temático con codificación mixta. Los
resultados revelan que los principales riesgos
incluyen el plagio automatizado, la dependencia
tecnológica, la erosión del pensamiento crítico,
los sesgos algorítmicos y la profundización de
brechas digitales. Las oportunidades destacadas
son la personalización del aprendizaje, la
optimización de tareas administrativas, el
fortalecimiento de competencias digitales y
cognitivas superiores, y la democratización del
acceso al conocimiento. En cuanto a
competencias docentes, se identifica la
necesidad de alfabetización en IA, competencia
didáctica, ética y actitudinal, así como
formación continua y especializada. Se
concluye que la efectividad de la IAG depende
del diseño instruccional y la mediación docente;
que el profesorado requiere competencias
digitales multidimensionales; y que las
universidades deben establecer políticas
institucionales claras que garanticen equidad,
protección de datos e integridad académica.
Palabras clave: Inteligencia artificial,
Educación superior, Competencias digitales,
Innovación educativa, Riesgos tecnológicos.
Abstract
The aim of this study was to analyze the impact
of Generative Artificial Intelligence (GAI) on
university teaching, identifying the risks
associated with its use, the pedagogical
opportunities it offers, and the digital skills that
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 487
faculty require for ethical and effective
integration. A systematic literature review of an
integrative nature was conducted, with a
qualitative approach and a descriptive-
analytical scope, following the PRISMA
guidelines. The search was carried out in Web
of Science, Scopus, and Google Scholar,
considering articles published between 2020
and 2025 that addressed the use of GAI in
university teaching contexts. Fifteen studies
were selected and analyzed using thematic
analysis with mixed coding. The results reveal
that the main risks include automated
plagiarism, technological dependence, erosion
of critical thinking, algorithmic biases, and the
widening of the digital divide. Key
opportunities include personalized learning,
optimization of administrative tasks,
strengthening of higher-order digital and
cognitive skills, and democratization of access
to knowledge. Regarding teaching
competencies, the need for AI literacy,
pedagogical competence, ethical and
attitudinal skills, as well as ongoing and
specialized training, is identified. It is
concluded that the effectiveness of AI depends
on instructional design and teacher mediation;
that faculty require multidimensional digital
competencies; and that universities must
establish clear institutional policies that
guarantee equity, data protection, and
academic integrity.
Keywords: Artificial intelligence, Higher
education, Digital competencies,
Educational innovation, Technological
risks.
Sumário
O objetivo deste estudo foi analisar o impacto
da Inteligência Artificial Generativa (IAG) no
ensino universitário, identificando os riscos
associados ao seu uso, as oportunidades
pedagógicas que oferece e as competências
digitais necessárias ao corpo docente para uma
integração ética e eficaz. Foi realizada uma
revisão sistemática da literatura de caráter
integrativo, com abordagem qualitativa e
escopo descritivo-analítico, seguindo as
diretrizes PRISMA. A busca foi realizada nas
bases de dados Web of Science, Scopus e
Google Scholar, considerando artigos
publicados entre 2020 e 2025 que abordassem o
uso da IAG em contextos de ensino
universitário. Quinze estudos foram
selecionados e analisados por meio de análise
temática com codificação mista. Os resultados
revelam que os principais riscos incluem plágio
automatizado, dependência tecnológica, erosão
do pensamento crítico, vieses algorítmicos e o
aprofundamento da exclusão digital. As
principais oportunidades incluem
aprendizagem personalizada, otimização de
tarefas administrativas, fortalecimento de
competências digitais e cognitivas de ordem
superior e democratização do acesso ao
conhecimento. Em relação às competências
docentes, identifica-se a necessidade de
alfabetização em IA, competência pedagógica,
habilidades éticas e comportamentais, bem
como formação continuada e especializada.
Conclui-se que a eficácia da IA depende do
planejamento instrucional e da mediação do
professor; que o corpo docente necessita de
competências digitais multidimensionais; e que
as universidades devem estabelecer políticas
institucionais claras que garantam equidade,
proteção de dados e integridade acadêmica.
Palavras-chave: Inteligência artificial,
Ensino superior, Competências digitais,
Inovação educacional, Riscos tecnológicos.
Introducción
La irrupción de la Inteligencia Artificial
Generativa (IAG) en el ecosistema digital
contemporáneo representa un punto de
inflexión cuya magnitud ha sido comparada con
la llegada de internet (Belkina et al., 2025).
Herramientas como ChatGPT, Gemini o
Copilot, basadas en grandes modelos de
lenguaje (LLM), han democratizado el acceso a
una tecnología capaz de generar contenido
novedoso textos, imágenes, código en
fracciones de segundo, desafiando las
estructuras tradicionales de creación y
transmisión del conocimiento (Gallent et al.,
2023). Este fenómeno tecnológico no ha
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 488
tardado en permear los muros de la academia,
instalándose en las aulas universitarias y en los
procesos de enseñanza-aprendizaje con una
velocidad y una profundidad que han tomado
por sorpresa a gran parte de la comunidad
educativa. Lo que comenzó como una
preocupación casi exclusiva por la integridad
académica y el plagio ha evolucionado hacia un
debate mucho más complejo que abarca la
propia naturaleza de la pedagogía, la evaluación
y el rol del docente en el siglo XXI.
El problema que se investiga en este artículo,
lejos de ser una mera actualización tecnológica,
aborda una disrupción profunda en la
epistemología de la enseñanza universitaria. La
naturaleza del desafío es doble, por un lado, la
IAG ofrece oportunidades sin precedentes para
personalizar el aprendizaje, automatizar tareas
administrativas y actuar como un asistente
cognitivo que puede potenciar la creatividad y
la investigación (Nikolic et al., 2024). Por otro
lado, su uso generalizado conlleva riesgos
significativos como el ya mencionado plagio, la
dependencia tecnológica, la desinformación, el
sesgo algorítmico y, lo que es más preocupante,
la posible atrofia del pensamiento crítico y
autónomo del estudiante (Barcia et al., 2024). El
alcance de esta investigación se centra, en
analizar al profesorado universitario como el eje
central para una integración exitosa y ética.
La literatura académica reciente ha abordado
con celeridad el fenómeno de la IAG en
educación superior, creando un corpus
bibliográfico de gran dinamismo, pero también
de notable fragmentación (Clarke, 2025). Se
observan estudios que se centran en el
rendimiento de la tecnología, como aquellos
que demuestran la capacidad de GPT-4 para
superar exámenes universitarios en disciplinas
tan diversas como ingeniería, medicina o
economía (Kumar et al., 2024). Estas
investigaciones, aunque necesarias para calibrar
el poder de la herramienta, a menudo se quedan
en un análisis técnico-descriptivo. Por otro lado,
una prolífica línea de investigación ha
explorado los riesgos éticos y las amenazas a la
integridad académica, documentando casos de
suplantación de autoría y la necesidad de
recalibrar los sistemas de evaluación (Romeu et
al., 2025).
Por otra parte, ha emergido un tercer bloque de
literatura que investiga las oportunidades
pedagógicas. Estudios recientes destacan cómo
la IAG puede actuar como un tutor
personalizado, facilitar la comprensión de
conceptos complejos mediante resúmenes,
apoyar a estudiantes con dificultades
idiomáticas en su redacción, o servir como una
herramienta para estimular la creatividad y la
generación de ideas en el aula (Exintaris et al.,
2023). Autores como Gómez-García et al.
(2025) han explorado las percepciones de
docentes y estudiantes sobre el futuro de la
profesión, planteando un escenario de
colaboración humano-IA más que de
sustitución. Sin embargo, estas investigaciones,
aunque optimistas, suelen presentar casos de
uso aislados que carecen de una visión integral
y sistémica.
Un análisis más profundo de las revisiones
sistemáticas recientes revela una brecha
fundamental que justifica la necesidad de este
artículo. Clarke (2025), en su construcción de
una taxonomía sobre la literatura de IAG y
educación, identifica una tensión crítica entre
los avances técnicos y las realidades
pedagógicas. El autor advierte sobre el
crecimiento de dos vertientes de investigación
que discurren en paralelo, como silos
inconexos: una centrada en lo técnico y otra en
lo pedagógico, sin que exista un diálogo fluido
entre ellas. Esta desconexión provoca que las
conversaciones sobre el rol de la IAG en la
educación corran el riesgo de volverse
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 489
excesivamente abstractas y carentes de
relevancia práctica para los educadores, que son
quienes, en última instancia, deben implementar
estos cambios en el día a día del aula.
Otros estudios sistemáticos, como el de Liu et
al. (2025), confirman esta fragmentación,
señalando que la investigación existente carece
de una integración teórica sólida y de una
síntesis de diseño que permita trasladar los
hallazgos a la práctica docente de manera
efectiva. Se han identificado aplicaciones
variadas de la IAG, pero falta un marco
coherente que guíe su integración pedagógica,
la innovación en la evaluación y el desarrollo de
políticas institucionales claras. Esta laguna
científica es crítica en lo que respecta al
profesorado, aunque se menciona la necesidad
de alfabetización en IA, son escasos los estudios
que profundizan en el modelo de competencias
digitales específicas.
El vacío identificado no es menor, pues sitúa al
docente en una posición de vulnerabilidad.
Mientras que la tecnología avanza a un ritmo
exponencial, la formación y el acompañamiento
del profesorado suelen ser reactivos y lentos. La
literatura existente demanda marcos éticos
robustos y regulaciones institucionales claras,
pero olvida con frecuencia que el agente
principal para aplicar esa ética y esa regulación
en el aula es el profesor (Díaz Valencia, 2025).
Sin un mapa de competencias digitales docentes
actualizado para la era de la IAG que vaya más
allá del mero uso instrumental de las
herramientas, cualquier política institucional
corre el riesgo de ser ineficaz o, peor aún, de ser
percibida por el claustro como una imposición
vertical y desconectada de su práctica real. Esta
investigación propone abordar la intersección
precisa donde confluyen los riesgos de la IAG,
sus oportunidades pedagógicas y las
competencias digitales necesarias para el
profesorado universitario. La necesidad de este
estudio radica en su enfoque integrador no se
trata de un análisis técnico de la herramienta ni
de una mera especulación sobre sus riesgos
futuros, sino de una propuesta fundamentada
que parte del análisis de la evidencia empírica
reciente para construir un marco de acción
docente. Este enfoque responde a la llamada de
autores como Clarke (2025), que instan a
superar la brecha entre el discurso técnico y el
pedagógico para devolver al educador un papel
protagónico y bien informado en esta
transformación digital.
Para lograr este objetivo, el método empleado
en esta investigación se basa en una revisión
sistemática y crítica de la literatura de corriente
principal publicada en los últimos años, con
especial énfasis en estudios empíricos y casos
de aplicación práctica en educación superior. Se
ha prestado particular atención a la literatura en
inglés que aborda marcos teóricos
consolidados, como el Technological
Pedagogical Content Knowledge (TPACK) y el
modelo SAMR, y su necesaria evolución hacia
lo que algunos autores denominan GenAI-
TPACK, para comprender cómo estos modelos
pueden guiar la integración efectiva y
transformadora de la IAG en el currículo
(García et al., 2025).
Los resultados que se presentan ofrecen, una
caracterización detallada de los riesgos y
oportunidades que la IAG plantea para la
enseñanza universitaria, extrapolados del
análisis de la literatura y como contribución
central, se presenta un análisis de las
competencias digitales docentes emergentes,
estructuradas a partir de la evolución del marco
TPACK y de programas de formación docente
que ya están incorporando la IAG como objeto
de estudio y herramienta pedagógica. Sin
embargo, se discuten las implicaciones de estos
hallazgos para la formulación de políticas
institucionales y para el diseño de programas de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 490
desarrollo profesional que empoderen al
profesorado, no como un mero usuario de la
tecnología, sino como un mediador crítico
capaz de guiar a los estudiantes en el uso ético,
creativo y responsable de la IAG.
Materiales y Métodos
La presente investigación se enmarca en un
paradigma interpretativo con un enfoque
cualitativo, adoptando un diseño de revisión
sistemática de la literatura de tipo integrativo.
Este diseño resulta adecuado cuando el
propósito es sintetizar el conocimiento existente
sobre un fenómeno emergente y complejo,
como es el impacto de la Inteligencia Artificial
Generativa en la docencia universitaria,
permitiendo combinar estudios con diversas
metodologías (empíricos, teóricos, revisiones
previas) para construir una comprensión más
holística del problema. El alcance de la revisión
es descriptivo-analítico, ya que no solo se busca
mapear la producción científica, sino también
analizar críticamente sus hallazgos para
identificar los riesgos, oportunidades y
competencias docentes asociadas al uso de la
IAG en la educación superior.
La población objeto de estudio estuvo
constituida por la totalidad de documentos
académicos publicados sobre la temática en los
últimos años. La muestra final se seleccionó
mediante un muestreo intencional o por
criterios, siguiendo las directrices PRISMA
para garantizar la transparencia y replicabilidad
del proceso. Los criterios de inclusión fueron:
(1) artículos publicados en revistas académicas
indexadas en bases de datos de corriente
principal (Web of Science, Scopus, Google
académico); (2) trabajos publicados entre 2020
y 2025, período que abarca desde la irrupción
pública de los modelos generativos avanzados
hasta la consolidación de la literatura
especializada; (3) estudios redactados en inglés
o español; y (4) investigaciones que abordaran
explícitamente el uso de IAG en contextos de
enseñanza universitaria. Se excluyeron
editoriales, cartas al director, resúmenes de
congresos y aquellos artículos centrados
exclusivamente en el desarrollo técnico de los
algoritmos sin implicaciones pedagógicas.
Como técnicas de recolección de datos, se
implementaron dos estrategias
complementarias. Se realizó una búsqueda
sistemática en las bases de datos indexadas
utilizando cadenas de búsqueda booleanas que
combinaban términos como "Generative AI",
"Higher Education", "University Teaching",
"ChatGPT", "Digital Competences" y "Teacher
Training".
Por otra parte, se aplicó la técnica rastreo de
referencias, revisando las bibliografías de los
artículos identificados para localizar estudios
adicionales relevantes que pudieran haber
escapado a la ecuación de búsqueda inicial. El
instrumento de recolección fue una matriz de
extracción de datos diseñada ad hoc en una hoja
de cálculo, que permitió registrar
sistemáticamente para cada documento
incluido: autores, año, objetivo, metodología,
tipo de IAG estudiada, riesgos identificados,
oportunidades descritas y competencias
docentes mencionadas o implícitas. El análisis
de los datos se llevó a cabo mediante la técnica
de análisis temático o análisis de contenido
categorial, siguiendo un proceso de
codificación mixta. Inicialmente, se
establecieron categorías deductivas derivadas
del marco teórico. Posteriormente, mediante un
proceso iterativo de lectura y relectura de los
textos, emergieron categorías inductivas que
matizaban y enriquecían las anteriores,
permitiendo identificar, por ejemplo, subtipos
de riesgos (éticos, pedagógicos, epistémicos) o
dimensiones específicas de las competencias
digitales (técnica, didáctica, ético-crítica).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 491
Resultados y Discusión
La Inteligencia Artificial Generativa (IAG)
representa una evolución significativa dentro
del campo de la inteligencia artificial,
diferenciándose de los sistemas tradicionales
por su capacidad para crear contenido nuevo
textos, imágenes, audio, código a partir de
descripciones en lenguaje natural (Cruz et al.,
2024). Mientras que la IA clásica se centraba en
el reconocimiento de patrones, la clasificación
o la predicción, la IAG introduce una dimensión
creativa que ha sido calificada como un salto
cualitativo equiparable a la llegada de internet.
Herramientas como ChatGPT, Gemini o
Copilot, basadas en grandes modelos de
lenguaje (LLM), han democratizado el acceso a
esta tecnología, permitiendo que cualquier
usuario con conexión a internet pueda generar
textos estructurados y coherentes en cuestión de
segundos (Blesa et al., 2024).
Esta accesibilidad ha propiciado una adopción
masiva en las universidades de todo el mundo,
tanto por parte del estudiantado como del
profesorado, transformando radicalmente el
panorama de la educación superior en los
últimos años. La irrupción de la IAG en el
ámbito académico no es un fenómeno
meramente tecnológico, sino que conlleva
profundas implicaciones pedagógicas, éticas y
epistemológicas. Como señalan Flores y García
(2023), el uso de la IA en educación ha crecido
significativamente, vislumbrándose un futuro
prometedor, pero también emergiendo
implicaciones éticas que requieren regulación.
La Organización de las Naciones Unidas para la
Educación, la Ciencia y la Cultura (UNESCO)
ha insistido en la importancia de un uso ético de
la IA, asegurando la protección de datos y la
privacidad estudiantil, así como la necesidad de
que los sistemas educativos garanticen que el
estudiantado esté preparado para desenvolverse
en un mundo transformado por esta tecnología
(López et al., 2025). En este sentido,
comprender los fundamentos de la IAG resulta
indispensable para abordar con criterio tanto sus
riesgos como sus oportunidades en la enseñanza
universitaria. La integración efectiva de
cualquier tecnología en la práctica docente
requiere de marcos conceptuales que orienten
su aplicación pedagógica. El modelo TPACK
(Technological Pedagogical Content
Knowledge), desarrollado por Mishra y Koehler
entre 2006 y 2009, se ha consolidado como uno
de los referentes teóricos más sólidos para
comprender la compleja interrelación entre el
conocimiento tecnológico, pedagógico y
disciplinar que debe poseer un docente (Ricra et
al., 2025).
Este modelo sostiene que el profesor no utiliza
estas áreas de conocimiento de forma aislada,
sino que al trabajarlas interrelacionadamente
logra desarrollar nuevas competencias: el
conocimiento pedagógico del contenido (PCK),
el conocimiento tecnológico del contenido
(TCK), el conocimiento tecnológico
pedagógico (TPK) y, finalmente, el
conocimiento tecnológico pedagógico del
contenido (TPACK), que representa la síntesis
virtuosa de los tres saberes (Cordón García,
2023). La llegada de la IAG ha impulsado una
necesaria actualización de este marco teórico.
Investigaciones recientes han propuesto
adaptaciones del modelo TPACK para
incorporar la inteligencia artificial generativa.
Celik (2023) acuñó el término "Intelligent-
TPACK" para referirse al conocimiento
profesional que los docentes necesitan para
integrar éticamente herramientas basadas en IA
en la educación, destacando que este
conocimiento va más allá del manejo técnico e
incluye dimensiones éticas y críticas (Cabero-
Almenara et al., 2025). Por otra parte, Zapa
Cedeño & Núñez Portilla (2026) expresan que
la implementación de "GenAI-TPACK", para la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 492
formación del profesorado universitario en el
uso de IAG, integrando el conocimiento ético
como un componente transversal y
fundamental.
Estos desarrollos teóricos responden a una
evidencia empírica creciente: estudios recientes
demuestran que conocer la herramienta no
garantiza un uso pedagógico adecuado, por lo
que es esencial integrar aspectos éticos y
didácticos en la formación docente. Cabero et
al. (2025) han profundizado en esta línea,
analizando cómo las creencias pedagógicas de
los docentes influyen en la aceptación y
adopción de la inteligencia artificial en la
educación superior, en un estudio comparativo
entre países que subraya la importancia de las
actitudes y percepciones docentes en este
proceso de transformación digital. La literatura
académica reciente ha documentado un amplio
abanico de oportunidades que la IAG ofrece
para la enseñanza universitaria. Destaca su
capacidad para personalizar el aprendizaje y
adaptar la educación a las necesidades
individuales de los estudiantes.
La IAG permite diseñar herramientas de
aprendizaje como rúbricas, trivias educativas y
cuentos interactivos, ajustando el contenido a
las características específicas de cada estudiante
y favoreciendo procesos de aprendizaje más
autónomos (Radtke y Meireles, 2025). Esta
personalización se ve reforzada por la
posibilidad de proporcionar apoyo en tiempo
real mediante chatbots o tutorías automáticas, lo
que resulta especialmente valorado en contextos
de alta diversidad y recursos limitados. La IAG
contribuye a la eficiencia docente al
automatizar tareas administrativas y de creación
de contenido, liberando tiempo del profesorado
para funciones de mayor valor pedagógico.
García Peñalvo et al. (2023) destacan cómo la
IA generativa permite enriquecer la enseñanza
a través de la programación de actividades, la
evaluación y la personalización de recursos
didácticos. Esta automatización no solo
optimiza la gestión educativa, sino que también
amplía el acceso al conocimiento y mejora la
enseñanza a nivel global. Asimismo, la IAG
ofrece un apoyo sustancial a la investigación y
a la producción académica, facilitando la
búsqueda bibliográfica, la generación de ideas y
la revisión de textos, actuando como un
asistente cognitivo que puede potenciar la
creatividad y la productividad científica
(Uzcátegui y Ríos, 2024).
Asimismo, la IAG abre posibilidades para la
inclusión y la accesibilidad, permitiendo apoyar
a estudiantes con diversidad funcional o con
barreras idiomáticas. Estas capacidades
contribuyen a una educación más inclusiva,
centrada en el estudiante y eficiente, lo que ha
sido especialmente valorado en contextos de
alta diversidad demográfica, económica y social
(Córica, 2020). La evidencia sugiere que, si esta
adopción es consciente y ética, podría fortalecer
la innovación pedagógica y mejorar
sustancialmente el proceso de enseñanza-
aprendizaje en la universidad.
Junto a las oportunidades, la investigación ha
identificado múltiples riesgos y desafíos
asociados al uso de la IAG en la educación
superior. Uno de los más acuciantes es la
amenaza a la integridad académica mediante el
denominado "plagio automatizado" (Acuña,
2024). A diferencia del plagio tradicional, el
contenido generado por IA puede ser original en
su estructura y redacción, pero carecer de un
proceso genuino de elaboración intelectual, lo
que dificulta enormemente su detección con
herramientas convencionales como Turnitin o
SafeAssign, que se basan en la comparación con
bases de datos preexistentes. Según Vega- et al.
(2025) advierten que, con la llegada de la IAG
al ámbito académico, se generan novedosas
formas de plagio que dificultan la evaluación tal
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 493
como era conocida anteriormente. Chica et al.
(2025) añaden que cuanto más uso hagan los
estudiantes de la IA para producir sus trabajos,
más difícil será precisar la autoría real y la
fiabilidad del proceso evaluativo. Un estudio
realizado en universidades europeas reportó que
el 62% de los estudiantes han utilizado IA para
redactar ensayos, lo que ha generado debates
sobre la originalidad del contenido y la
necesidad de adaptar los métodos de evaluación
(Bolaño y Duarte, 2023).
Por otra parte, existe la posible dependencia
tecnológica y la consiguiente atrofia del
pensamiento crítico y autónomo. Los
estudiantes, aunque perciben la IAG como una
herramienta útil, son conscientes de que en
algún momento pueden acostumbrarse a "no
pensar" y sufrir la pérdida de competencias
críticas fundamentales (Nivela y Echeverría
2024). Muñoz Martínez et al. (2025) han
documentado esta preocupación entre el
alumnado, que teme que el uso excesivo de la
IA limite el desarrollo de habilidades analíticas,
de síntesis y de argumentación. El uso excesivo
de la IA puede generar dependencia y limitar el
desarrollo de habilidades críticas y analíticas en
los estudiantes, por lo que es necesario
establecer estrategias que equilibren el uso de la
IA como recurso didáctico con el
fortalecimiento de competencias cognitivas
fundamentales (Del Cisne et al., 2024).
En el plano ético, emergen preocupaciones
adicionales como los sesgos algorítmicos, la
privacidad de los datos y la equidad en el
acceso. La IAG puede reproducir y amplificar
sesgos presentes en los datos con los que ha sido
entrenada, perpetuando desigualdades sociales
y culturales (López, 2024). Asimismo, el uso
masivo de la IA en educación plantea serios
retos respecto a la privacidad de datos y la
protección de la identidad digital del estudiante.
Para Jiménez y Ramírez (2024) subrayan la
necesidad de abordar estas cuestiones con
marcos regulatorios claros, proponen
profundizar en la equidad sobre el uso y acceso
a la IAG para evitar brechas sociales. La
carencia de marcos regulatorios específicos en
muchas universidades genera incertidumbre
entre docentes y estudiantes sobre los límites
del uso de la IA en la producción de trabajos
académicos, facilitando usos indebidos al no
existir pautas explícitas que orienten su
aplicación ética y responsable.
El desarrollo de competencias digitales para la
era de la IAG se ha convertido en una necesidad
imperiosa para el profesorado universitario. El
Marco Europeo de Competencia Digital para
Educadores (DigCompEdu), desarrollado por
Redecker (2020), define la competencia digital
como la capacidad para utilizar las tecnologías
digitales no solo para mejorar la enseñanza, sino
también en las interacciones profesionales,
subrayando que es parte de la competencia
digital de los educadores capacitar a los
estudiantes para participar de forma activa en la
vida y el trabajo en una era digital (Jiménez et
al., 2024). Este marco enfatiza que la
competencia digital en educación no se limita al
mero uso de tecnologías, sino que implica
considerar cómo se integran en los procesos de
enseñanza-aprendizaje.
Identificar las dimensiones específicas que
debería contemplar la competencia digital
docente en relación con la IAG. La
alfabetización en IA emerge como una
competencia fundamental, que incluye la
comprensión conceptual del funcionamiento de
estas herramientas, su uso crítico y la capacidad
para evaluar la fiabilidad y los sesgos de los
contenidos generados (Santana & Romero
Maza, 2025). García-Peñalvo et al. (2025)
afirman que los estudiantes deben estar
preparados para enfrentarse a dilemas
inexistentes y desarrollar el pensamiento crítico
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 494
que les será necesario para la adaptación al
futuro, pues al estar específicamente formados
en IAG mejoran sus conocimientos y su
capacidad crítica. Por este motivo, la
alfabetización en IA es una tarea preponderante
y un desafío ético para la universidad de hoy.
La competencia didáctica con IAG implica la
capacidad para diseñar actividades de
aprendizaje, adaptar los sistemas de evaluación
y proporcionar retroalimentación aumentada
mediante estas herramientas (Díaz et al., 2024).
Los docentes necesitan saber cómo integrar la
IAG en sus estrategias pedagógicas de manera
que potencie el aprendizaje sin sustituir el
esfuerzo intelectual del estudiante. López et al.
(2025) encontraron en su estudio con 244
participantes de universidades españolas que, si
bien los estudiantes utilizan con mayor
frecuencia herramientas de IA, es el
profesorado quien destaca en la creación de
contenidos mediante estas tecnologías, lo que
sugiere la existencia de diferentes niveles
competenciales que deben ser atendidos en la
formación.
La competencia ética se perfila como una
dimensión transversal de máxima relevancia.
Cabero et al. (2025) han validado un modelo
predictivo que explica la relación entre las
dimensiones del TPACK adaptadas a la IAG y
la Evaluación Ética Tecnológica (TEAK),
demostrando que conocer la herramienta no
garantiza un uso pedagógico adecuado si no se
integran aspectos éticos y didácticos en la
formación docente. La competencia ética
implica el uso responsable y transparente de la
IAG, la formación en ciudadanía digital y la
capacidad para guiar a los estudiantes en el
discernimiento de los límites entre la ayuda
legítima y la suplantación de autoría (Vega et
al., 2025). La competencia actitudinal la gestión
de la incertidumbre, la apertura al cambio y la
disposición para el aprendizaje continuo resulta
crucial en un contexto tecnológico
caracterizado por la rápida obsolescencia y la
transformación permanente.
Las competencias docentes no se desarrollan en
el vacío, sino que requieren un contexto
institucional que las favorezca y las estimule.
La revisión sistemática de Ricra et al. (2026)
enfatiza la necesidad imperativa de integrar la
ética y la alfabetización en IAG en los
currículos para un uso responsable, fomentando
así el pensamiento crítico y evitando la
dependencia cognitiva. Los hallazgos de esta
revisión se centran en la formación ética, los
desafíos institucionales, la carencia de marcos
regulatorios, la percepción de la comunidad
universitaria y los riesgos éticos emergentes,
concluyendo que la integración de la IAG en la
educación superior implica una respuesta
estratégica de parte de las universidades que
incluya la ética integral y prepare a las futuras
generaciones.
Diversas instituciones han comenzado a
desarrollar estrategias normativas y
tecnológicas. Según el autor Crue (2024)
propone establecer principios éticos comunes
entre universidades, definir competencias de IA
para estudiantes y profesorado, promover el
debate interno institucional, planificar la
incorporación gradual de la IAG con atención a
costos, equidad y privacidad, fomentar
comunidades docentes para compartir buenas
prácticas, y monitorear continuamente los
efectos del uso de la IAG en la docencia.
Asimismo, la UNESCO (2024) ha publicado
directrices éticas sobre el uso de la IA y los
datos en educación y formación para
educadores, proporcionando un marco de
referencia internacional. La evidencia reciente
sobre la materia sugiere que las universidades
requieren de normas o políticas institucionales,
así como marcos regulatorios, pues se han
identificado vacíos normativos o nulas políticas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 495
institucionales que regulen la IAG y su uso en
el ámbito académico. Gásquez et al. (2023)
señalan que se requieren consensos jurídicos y
éticos para su regulación y supervisión, puesto
que son incipientes o en algunos casos
inexistentes (González Guzmán, 2025). La
colaboración entre instituciones y expertos en
IA resulta fundamental para desarrollar un
marco regulador que garantice la ética y la
calidad educativa en la era digital. La
integración de la IAG en la educación superior
exige una respuesta institucional coordinada
que proporcione al profesorado el soporte, la
formación y el marco normativo necesario para
ejercer su labor con criterio, ética y eficacia en
un entorno educativo profundamente
transformado por la inteligencia artificial
generativa.
Tabla 1. Comparativa de estudios recientes (2020-2025)
Autores/año
Objetivo
Metodología
Tipo de IAG estudiada
Riesgos identificados
Oportunidades descritas
Larico Rogelio,
2025
Realizar una revisión sistemática de
la literatura publicada entre 2019 y
2024 sobre el impacto de la
Inteligencia Artificial Generativa
ChatGPT en la enseñanza
universitaria, con el fin de
comprender su efectividad, potencial,
percepciones y áreas de desarrollo
futuro.
Revisión sistemática
siguiendo el
protocolo PRISMA.
ChatGPT, en sus
versiones GPT-3.5 y GPT-
4, desarrollado por
OpenAI.
Plagio y deshonestidad
académica
Dependencia y desaprendizaje
Sesgos y desinformación
Limitaciones pedagógicas
Preocupaciones éticas
Aprendizaje superficial
Mejora del rendimiento
académico
Desarrollo de habilidades
cognitivas
Personalización del
aprendizaje
(Lazo Ramos et
al., 2025)
Analizar el impacto de la Inteligencia
Artificial Generativa (IAG) en el
desarrollo de competencias digitales
dentro del sistema educativo
peruano, explorando las
oportunidades de aprendizaje, los
desafíos pedagógicos y las
necesidades de formación que surgen
con su implementación, con especial
énfasis en el contexto de la tutoría en
educación secundaria.
Revisión sistemática
de la literatura
siguiendo las
directrices del
método PRISMA.
Asistentes virtuales
inteligentes, chatbots
(como simuladores de
conversaciones), sistemas
de recomendación,
entornos virtuales
adaptativos y, en un caso
particular, las Redes
Generativas Antagónicas
(GANs) aplicadas a la
generación de datos
anónimos para
investigación educativa.
Existencia de una brecha
significativa en el conocimiento
y preparación del profesorado
sobre IAG; la falta de
programas de formación
específicos y bien estudiados;
dilemas éticos relacionados con
la protección de datos y la
privacidad; la posibilidad de
ampliar la brecha digital y
social, generando mecanismos
de exclusión para quienes
carecen de acceso o
competencias
Personalización del
aprendizaje mediante
entornos virtuales adaptados
a los intereses del estudiante;
la automatización de tareas
administrativas y docentes;
el incremento de la
motivación y participación
estudiantil; la mejora de
habilidades comunicativas y
de pronunciación a través de
simuladores de
conversación;
Fonseca Loya et
al., 2025
Analizar el impacto de la inteligencia
artificial generativa en la producción
académica universitaria,
identificando sus efectos en la
calidad, la ética, la autoría y los
procesos investigativos dentro de las
instituciones de educación superior,
con el fin de comprender cómo esta
tecnología está transformando las
dinámicas de escritura, investigación
y construcción del conocimiento.
Revisión
bibliográfica de
carácter narrativo,
basada en la
búsqueda exhaustiva
de artículos
publicados entre
2020 y 2025 en
bases de datos
científicas
La investigación se centra
en la inteligencia artificial
generativa (IAG) en
sentido amplio, con
especial atención a
modelos de lenguaje como
ChatGPT y Bard, así
como sistemas generativos
aplicados a la redacción
académica, síntesis de
información, revisión de
literatura y apoyo en la
construcción de marcos
teóricos.
Posible pérdida de habilidades
cognitivas y pensamiento
crítico por dependencia
tecnológica; la generación de
información errónea o
"alucinaciones" con tasas de
inexactitud que alcanzan el
18%; la homogeneización del
estilo académico que limita la
originalidad expresiva;
dificultades para determinar la
autoría genuina; prácticas de
"outsourcing cognitivo" que
comprometen la integridad
académica; y la falta de marcos
regulatorios claros que aumenta
la posibilidad de usos
éticamente cuestionables.
Las oportunidades incluyen
el incremento significativo
de la productividad
académica (hasta un 23% en
velocidad de elaboración de
manuscritos); la mejora en la
coherencia, cohesión y
claridad textual; la
facilitación de la síntesis de
información y revisión de
literatura; la democratización
del acceso a procesos
investigativos para
estudiantes con limitadas
habilidades de redacción; el
apoyo en la estructuración de
marcos teóricos; y la
capacidad de actuar como
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 496
"andamiaje conceptual" que
reduce la carga cognitiva en
fases iniciales del trabajo
académico.
García &
Pallarés, 2025
Analizar el impacto del uso
formativo de la inteligencia artificial
generativa en el desarrollo de
competencias digitales en estudiantes
universitarios, evaluando
específicamente cuatro áreas del
marco europeo DigComp 2.2:
alfabetización en información y
datos, comunicación y colaboración,
seguridad, y resolución de problemas
(esta última desglosada en dimensión
funcional y metacognitiva).
Ensayo controlado
aleatorizado (RCT)
Modelos de lenguaje de
gran escala (LLMs),
principalmente ChatGPT,
aunque también se
presentaron brevemente
otras herramientas como
Copilot y Gemini.
El estudio no se centró en
identificar riesgos, sino en
medir el impacto positivo de la
intervención.
Alfabetización en
información y datos,
Interacción con herramientas
tecnológicas y
autorregulación digital.
López-Vasco et
al., 2025
Analizar el impacto de un programa
de formación de 80 horas en
inteligencia artificial generativa (IA-
G) impartido a 299 docentes de ocho
universidades ecuatorianas, con el fin
de fortalecer sus competencias
digitales y su disposición hacia estas
tecnologías, evaluando también los
desafíos éticos y pedagógicos
asociados.
Diseño
cuasiexperimental
con mediciones
pretest y postest
y
análisis cualitativo
La IA-G estudiada abarcó
herramientas como
ChatGPT y Copilot,
enfocándose en su
aplicación docente.
Persistieron riesgos
relacionados con la percepción
de originalidad de los
contenidos generados, la
privacidad de datos, la equidad
en el acceso tecnológico y la
precisión de los detectores de
plagio.
Personalización del
aprendizaje, la
automatización de tareas y la
innovación pedagógica.
Abidi &
Universidad de la
Manouba, 2024
Explorar la integración de la
Inteligencia Artificial Generativa
(IAG) en la enseñanza universitaria
de la literatura hispánica,
identificando tanto los desafíos como
las oportunidades que esta tecnología
presenta para la innovación
pedagógica y la transformación de
las dinámicas entre profesor y
estudiante.
Carácter reflexivo y
analítico, basada en
una revisión de la
literatura
especializada y en el
análisis de
herramientas y
aplicaciones
concretas de IAG en
el ámbito educativo
Modelos de lenguaje
como ChatGPT y GPT-4,
herramientas de
procesamiento de lenguaje
natural (NLP) como
BERT, Perplexity, IBM
Watson y SpaCy,
asistentes virtuales como
Replika y Quill-Bot, así
como tecnologías de
realidad aumentada y
virtual (Google
Expeditions, ClassVR) y
plataformas de
aprendizaje adaptativo
como Knewton y Smart
Sparrow, todas aplicadas
al análisis textual, la
generación de contenido,
la personalización del
aprendizaje y la tutoría.
Insuficiente formación docente
en competencias digitales, la
dependencia tecnológica de los
estudiantes que puede afectar el
desarrollo del pensamiento
crítico y las habilidades
redaccionales, el incremento del
plagio académico, la posible
deshumanización de la
interacción educativa, la
automatización que podría
reducir el personal docente, y
las preocupaciones éticas sobre
la privacidad y protección de
datos personales.
Capacidad de la IAG para
realizar análisis textuales
profundos (identificación de
estilos, relaciones entre
personajes, análisis de
sentimientos), la
personalización del
aprendizaje mediante
adaptación curricular y
retroalimentación inmediata,
la generación de recursos
didácticos y materiales
educativos, el
fortalecimiento de la
autonomía del estudiante, la
optimización del tiempo
docente al automatizar tareas
como diseño de exámenes y
corrección, y la creación de
experiencias inmersivas que
enriquecen la comprensión
de contextos históricos y
culturales.
Mite & Granda,
2025
Examinar las implicaciones éticas y
los desafíos para la calidad
académica derivados del uso de la
inteligencia artificial generativa
(IAG) en la docencia universitaria,
con especial atención al contexto
ecuatoriano y a la Universidad
Estatal de Milagro
Enfoque cualitativo
exploratorio-
descriptivo
Modelos de lenguaje
como GPT-4, Gemini 1.5
y Claude 3, así como
herramientas de
generación de imágenes
(Midjourney, DALL·E),
asistentes de
programación (GitHub
Copilot) y plataformas
educativas integradas con
IA (Canvas, Moodle,
Khanmigo).
Plagio automatizado, la
desinformación por
"alucinaciones algorítmicas", el
debilitamiento de competencias
cognitivas por dependencia
tecnológica, la falta de
normativas específicas en
Ecuador (vacío legal en la Ley
Orgánica de Protección de
Datos Personales), la
inexistencia de marcos
institucionales en universidades
como UNEMI, y la exposición
Personalización del
aprendizaje, la tutoría virtual
adaptativa, la generación
automatizada de materiales
didácticos, la
retroalimentación inmediata,
el fomento de la creatividad
y el pensamiento crítico, y la
optimización de procesos
evaluativos mediante
sistemas inteligentes.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 497
a vulnerabilidades académicas
y legales.
Tiglla Tumbaico,
2025
Analizar el impacto de la Inteligencia
Artificial Generativa (IAG) en la
personalización del aprendizaje en
universidades latinoamericanas,
abordando la necesidad de enfoques
educativos adaptativos en la región.
Cualitativa de tipo
bibliográfico-
documental,
mediante una
revisión sistemática
de literatura
académica
Modelos generativos
como ChatGPT y sistemas
algorítmicos aplicados a la
personalización educativa.
Comprenden preocupaciones
sobre privacidad y autenticidad
del aprendizaje, la baja
preparación docente, y desafíos
éticos relacionados con la
adaptación cultural y la falta de
marcos regulatorios
Evidencian una alta adopción
institucional, una mejora del
rendimiento académico con
el uso de ChatGPT, un
aumento del en competencias
digitales de los estudiantes, y
una actitud positiva hacia la
IAG
López-Secanell
et al., 2025
Analizar la relación entre la
inteligencia artificial (IA), las
aficiones personales y la
competencia digital de estudiantes y
docentes universitarios, explorando
diferencias según el rol, el sexo, el
nivel educativo y la institución de
procedencia.
Cuantitativa no
experimental
Herramientas generativas
como ChatGPT y otras
aplicaciones de IA para la
creación de contenidos,
automatización y
personalización del
aprendizaje.
Protección de datos, la
privacidad estudiantil, la
posible ampliación de la brecha
digital, la dependencia excesiva
de la tecnología y la necesidad
de un uso crítico y regulado de
la IA en educación.
Los estudiantes utilizan con
mayor frecuencia
herramientas de IA, mientras
que el profesorado destaca
en la creación de contenidos
digitales mediante estas
tecnologías
Morán-Ortega et
al., 2024
Explorar y comprender en
profundidad la percepción de los
docentes sobre la integración de la
Inteligencia Artificial generativa,
específicamente basada en chatbots,
en el entorno educativo de nivel
superior, identificando las barreras
percibidas, los beneficios potenciales
y los desafíos éticos asociados.
Cualitativa de nivel
exploratorio con
diseño de campo
Comprende chatbots
conversacionales y
herramientas generativas
como ChatGPT,
Midjourney, Perplexity,
CodeWhisperer y
CodeLlama, entre otras.
Dependencia tecnológica que
puede generar nulo aprendizaje
y falta de compromiso
estudiantil; la suplantación de
identidad mediante clonación
de voz o imagen; la difusión de
contenido falso y
desinformación; el plagio
académico y la creación de
artículos científicos sin citar
fuentes; la falta de veracidad en
la información generada; y los
desafíos éticos en la interacción
humano-máquina.
Abarcan el apoyo en la
formación y
retroalimentación de
estudiantes; la simplificación
de tareas administrativas y
de investigación
(transformación de datos,
traducción de idiomas,
revisión de código); la
mejora en la redacción y
generación de propuestas
temáticas; la agilización del
trabajo docente
Alejandro, 2025
Analizar el estado actual del uso de
la inteligencia artificial (IA) en la
educación superior en América
Latina, identificando su potencial
pedagógico, los principales riesgos
asociados a su implementación y las
perspectivas futuras desde un
enfoque ético y crítico.
Cualitativa de
revisión sistemática
de literatura
siguiendo el
protocolo PRISMA
Modelos de lenguaje,
sistemas de analítica del
aprendizaje, tutorías
automatizadas, chatbots,
asistentes virtuales,
plataformas adaptativas y
herramientas de IA
generativa aplicadas a la
personalización del
aprendizaje, evaluación
automatizada y gestión
institucional.
Desafíos éticos relacionados
con la privacidad de datos y
sesgos algorítmicos;
profundización de brechas
digitales por falta de
infraestructura adecuada;
resistencia docente por
desconocimiento o temor a la
sustitución profesional;
Personalización del
aprendizaje adaptando
contenidos y ritmos según
el perfil estudiantil; mejora
en la retroalimentación y el
desempeño académico;
fortalecimiento de
competencias digitales y
cognitivas como
pensamiento
computacional, creatividad
y autonomía; optimización
de la gestión académica y
toma de decisiones basada
en datos; y democratización
del acceso a recursos
educativos de calidad.
Perezchica-Vega
et al., 2024
Explorar las percepciones y usos de
la Inteligencia Artificial Generativa
(IAG) entre docentes de la
Universidad Autónoma de Baja
California (México), identificando
sus preocupaciones sobre el
impacto en clases, los usos
profesionales y académicos que
realizan, los ajustes en mecanismos
de evaluación y su formación en la
materia.
Cuantitativa, no
experimental,
transversal con
alcance
exploratorio y
descriptivo
Herramientas de
generación de texto
como ChatGPT y
Grammarly, aunque
también se exploraron
aplicaciones para
creación de imágenes
(DALL·E 2,
Midjourney), contenido
audiovisual (Adobe
Sensei, Animaker) y
apoyo a la docencia
(Quizbot, WirisQuizzes)
Se centran en la honestidad
académica, propiedad
intelectual, privacidad de
datos y posible ampliación de
brechas digitales
Ahorro de tiempo y
automatización, la
preparación de alumnos en
herramientas novedosas, la
creación de mejores
materiales didácticos y
actividades de aprendizaje,
así como el apoyo en
análisis de datos,
generación de ideas y
diseño de proyectos.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 498
Godoy Pereyra et
al., 2025
Examinar el uso de la inteligencia
artificial en el fortalecimiento de las
habilidades digitales del
profesorado universitario, mediante
una revisión sistemática de la
literatura que permitiera analizar las
herramientas, aplicaciones y marcos
teóricos empleados, así como
comprender la influencia
multidimensional de la IA en el
desarrollo de competencias digitales
docentes desde perspectivas
pedagógicas, técnicas, éticas y
metodológicas.
Cualitativa de
revisión sistemática
siguiendo la
declaración
PRISMA
ChatGPT, sistemas de
análisis de datos,
sistemas de
recomendación,
herramientas de
generación de contenido
audiovisual, podcasts, y
aplicaciones para edición
de audio, síntesis de voz
e imagen.
Los riesgos identificados
abarcan la profundización de
brechas digitales, dependencia
tecnológica, sesgos
algorítmicos.
Las oportunidades descritas
comprenden la
personalización del
aprendizaje, optimización
de estrategias pedagógicas,
eficiencia en procesos
educativos, mejora en la
evaluación y administración
docente, innovación
educativa, competitividad
institucional,
democratización del
conocimiento, y el
fortalecimiento de
competencias digitales
García Gutiérrez
et al., 2025
Analizar el uso de la inteligencia
artificial generativa (IAG) como
herramienta de apoyo académico en
la innovación pedagógica
universitaria, examinando sus
aplicaciones, factores determinantes
de efectividad, desafíos éticos y
estrategias para una integración
responsable.
Revisión
integradora de
literatura, con
búsqueda
sistemática
Se centra
fundamentalmente en
ChatGPT y otros
modelos de lenguaje de
gran tamaño (LLM)
Incluyen el plagio y la
deshonestidad académica por
la dificultad de distinguir
producción humana de
artificial; la dependencia
tecnológica que puede
erosionar competencias de
pensamiento crítico y
autonomía intelectual; los
sesgos algorítmicos que
reproducen desigualdades
sociales
Descritas comprenden la
mejora en rendimiento
académico y motivación
estudiantil cuando la IAG
se integra con diseños
pedagógicos apropiados; la
potenciación de la
creatividad mediante
sinergias humano-IA; la
personalización efectiva del
aprendizaje en contextos de
alta matrícula; la
optimización de procesos
de retroalimentación; y el
desarrollo de nuevas
competencias de
alfabetización en IA.
Sánchez et al.,
2025
Proporcionar una visión integral
sobre el uso de IAG en educación
superior, analizando su impacto en
la enseñanza-aprendizaje e
identificando oportunidades.
Revisión
sistemática
siguiendo PRISMA
Herramientas como
ChatGPT, DALL-E2, y
en una tabla amplia cita
muchas: chatbots,
generadores de texto,
imagen, vídeo, audio,
etc. Pero el foco está en
los chatbots y asistentes
conversacionales.
Éticos (plagio, autoría,
propiedad intelectual),
necesidad de normativas,
desafíos de acceso tecnológico
(infraestructura digital
limitada), integridad
académica.
Personalización del
aprendizaje,
retroalimentación
instantánea, creación de
materiales didácticos
atractivos, automatización
de tareas administrativas,
soporte en tiempo real con
chatbots, mejora de la
motivación e implicación
estudiantil.
Fuente: elaboración propia.
La revisión de la literatura sobre el impacto de
la inteligencia artificial generativa (IAG) en la
educación superior, a partir de los estudios
recientes (2020-2025), revela un campo de
investigación en plena ebullición, caracterizado
por la diversidad de enfoques y la rápida
evolución de las tecnologías. Los trabajos
analizados abarcan desde revisiones
sistemáticas (Larico, 2025; Lazo et al., 2025;
Godoy et al., 2025). Hasta estudios empíricos
cuantitativos (García Y Pallarés, 2025;
Perezchica et al., 2024) y cualitativos (Morán et
al., 2024), así como propuestas teóricas y
reflexivas (Abidi, 2024). Esta pluralidad
metodológica refleja la complejidad del
fenómeno y la necesidad de abordarlo desde
múltiples perspectivas, combinando la síntesis
de conocimiento existente con la generación de
nueva evidencia empírica. La mayoría de los
estudios coinciden en situar a ChatGPT y otros
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 499
modelos de lenguaje de gran tamaño (LLM)
como las herramientas más representativas,
aunque también se exploran aplicaciones para
generación de imágenes, audio, código y
plataformas educativas adaptativas, lo que
evidencia la amplitud de posibilidades que la
IAG ofrece al ámbito universitario.
En cuanto a los riesgos identificados, existe un
consenso transversal sobre las amenazas a la
integridad académica, especialmente el plagio
automatizado y la dificultad para distinguir la
producción humana de la artificial (Larico,
2025; Fonseca et al., 2025; Mite y Granda,
2025). La dependencia tecnológica y la posible
erosión del pensamiento crítico y la autonomía
intelectual emergen como preocupaciones
recurrentes, junto con los sesgos algorítmicos
que pueden reproducir desigualdades sociales y
la desinformación derivada de las
“alucinaciones” de los modelos generativos
(Fonseca et al., 2025; García et al., 2025).
Además, se subrayan los dilemas éticos
relacionados con la privacidad de los datos, la
propiedad intelectual y la equidad en el acceso,
especialmente en contextos latinoamericanos
donde las brechas digitales y la falta de
infraestructura adecuada pueden profundizar las
desigualdades preexistentes (Lazo et al., 2025;
Mite y Granda, 2025; Sánchez et al., 2025).
La resistencia docente y la insuficiente
preparación del profesorado también se perfilan
como obstáculos significativos para una
integración responsable (Morán et al., 2024).
Frente a estos desafíos, las oportunidades
descritas son igualmente numerosas y
prometedoras. La personalización del
aprendizaje, mediante sistemas adaptativos que
ajustan contenidos y ritmos a las necesidades
individuales, es uno de los beneficios más
destacados (Larico, 2025; Tiglla, 2025; Sánchez
et al., 2025). La mejora en la productividad
académica, con incrementos en la velocidad de
elaboración de manuscritos y la optimización de
tareas administrativas, permite a docentes y
estudiantes centrarse en actividades de mayor
valor cognitivo (Fonseca et al., 2025;
Perezchica et al., 2024). La IAG también
favorece el desarrollo de competencias digitales
y cognitivas superiores, como el pensamiento
crítico, la creatividad y la resolución de
problemas, siempre que se integre con diseños
pedagógicos apropiados (García y Pallarés,
2025; Godoy et al., 2025).
Asimismo, se destaca su potencial para
democratizar el acceso al conocimiento y
ofrecer retroalimentación inmediata y tutorías
virtuales, lo que resulta especialmente valioso
en contextos de alta matrícula o recursos
limitados (López et al., 2025; García et al.,
2025). En el plano de las competencias
docentes, la literatura converge en la necesidad
imperiosa de una formación continua y
especializada que trascienda el mero dominio
técnico. Los profesores deben desarrollar una
alfabetización digital crítica que les permita
comprender el funcionamiento de la IAG,
evaluar sus limitaciones y sesgos, y utilizarla de
manera ética y pedagógicamente efectiva (Lazo
et al., 2025; López et al., 2025).
Se enfatiza la importancia de integrar marcos
como DigCompEdu y TPACK adaptados a la
era de la IA, que combinen conocimientos
tecnológicos, pedagógicos y disciplinares con
una sólida dimensión ética (López et al., 2025;
Godoy et al., 2025). Además, los docentes
deben asumir un rol de mediadores y
facilitadores, guiando a los estudiantes en el uso
responsable de estas herramientas y diseñando
actividades que promuevan el pensamiento
crítico y la metacognición (Abidi, 2024; García
Gutiérrez et al., 2025). La formación no puede
limitarse a cursos esporádicos, sino que debe ser
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 500
parte de una estrategia institucional que incluya
políticas claras, recursos adecuados y espacios
de reflexión colectiva (Mite y Granda, 2025).
Esta revisión evidencia que la efectividad de la
IAG en educación superior no depende
exclusivamente de las capacidades técnicas de
las herramientas, sino fundamentalmente del
diseño instruccional, la mediación docente y el
contexto institucional. Los estudios coinciden
en que las prohibiciones absolutas son inviables
y contraproducentes, mientras que la adopción
acrítica sin transformación pedagógica genera
riesgos sustanciales. Por ello, se aboga por una
integración reflexiva y estratégica, que
aproveche las oportunidades de personalización
y eficiencia sin comprometer los valores
fundamentales de la educación: la integridad
académica, la equidad y el desarrollo del
pensamiento autónomo.
Conclusiones
La efectividad de la IAG en la educación
superior no depende exclusivamente de las
capacidades técnicas de las herramientas, sino
fundamentalmente del diseño instruccional y la
mediación docente. Cuando se integra con
estrategias pedagógicas que promueven el
pensamiento crítico, la metacognición y la co-
creación, la IAG potencia el aprendizaje
personalizado y el desarrollo de competencias
cognitivas superiores; en cambio, su uso sin
transformación pedagógica genera riesgos
como la dependencia tecnológica, la erosión del
pensamiento autónomo y el aprendizaje
superficial. El profesorado requiere un
desarrollo de competencias digitales específicas
y multidimensionales para la era de la IAG, que
trasciendan el dominio técnico e integren
dimensiones éticas, críticas y didácticas. La
alfabetización en IA, la capacidad para diseñar
actividades que fomenten el pensamiento
crítico, la competencia ética para el uso
responsable y la actitud abierta al cambio
constituyen habilidades fundamentales que
deben ser desarrolladas mediante programas de
formación continua y especializada.
La integración responsable de la IAG en el
ámbito universitario exige políticas
institucionales claras y marcos normativos que
aborden los desafíos éticos, de equidad y de
integridad académica. La evidencia muestra que
la ausencia de lineamientos institucionales
genera incertidumbre en docentes y estudiantes,
facilita usos indebidos y puede profundizar las
brechas digitales existentes, por lo que las
universidades deben establecer estrategias que
garanticen un acceso equitativo, la protección
de datos y la transparencia en el uso de estas
tecnologías.
Referencias Bibliográficas
Abidi, (2024). Challenges and opportunities of
using generative artificial intelligence (GAI) in
university teaching of Hispanic literature.
Fuentes Humanísticas, 36(69), 137–156.
https://doi.org/10.24275/xetm1700
Acuña, E. (2024). Fortalecimiento de la integridad
académica a través de la IA: Estrategias de
prevención del plagio en la era digital. ARETÉ,
10(Edición especial), 49–67.
https://doi.org/10.55560/arete.2024.ee.10.4
Alejandro, G. (2025). El rol de la inteligencia
artificial en la enseñanza universitaria:
Potencial, riesgos y perspectivas futuras.
Innovarium International Journal, 3(2), 1–12.
http://revinde.org/index.php/innovarium/article
/view/55
Barcia, E., Tambaco, A., Angulo, O., Prado, M.,
& Valverde, N. (2024). Análisis de tendencias
y futuro de la inteligencia artificial en la
educación superior: Perspectivas y desafíos.
Ciencia Latina Revista Científica
Multidisciplinar, 8(1), 3061–3076.
https://doi.org/10.37811/cl_rcm.v8i1.9637
Belkina, M., Daniel, S., Nikolic, S., Haque, R.,
Lyden, S., Neal, P., Grundy, S., & Hassan, G.
(2025). Implementing generative AI (GenAI) in
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 501
higher education: A systematic review of case
studies. Computers and Education: Artificial
Intelligence, 8(100407), 100407.
https://doi.org/10.1016/j.caeai.2025.100407
Blesa, A., Ripollés, M., & Boughattas, Y. (2024).
Editorial del monográfico “Inteligencia
artificial en educación superior”. Red U, 22(2),
9–14. https://doi.org/10.4995/redu.2024.23133
Bolaño, M., & Duarte, N. (2023). Una revisión
sistemática del uso de la inteligencia artificial
en la educación. Revista Colombiana de
Cirugía.
https://doi.org/10.30944/20117582.2365
Cabero, J., Pedraza, C., Fredy, J., & Palacios, A.
(2025). Conocimiento de la inteligencia
artificial generativa del profesorado: Modelo
predictivo basado en el TPACK para la
integración ética de la inteligencia artificial
generativa en la educación superior. Revista
Electrónica Interuniversitaria de Formación del
Profesorado, 29(1), 15–31.
https://doi.org/10.6018/reifop.690971
Chica, A., Gonzalez, O., Loján, E., & Rivas, W.
(2025). Evaluación del uso de la inteligencia
artificial generativa en la Universidad Técnica
de Machala: Beneficios y riesgos. Estudios y
Perspectivas Revista Científica y Académica,
5(2), 1207–1235.
https://doi.org/10.61384/r.c.a..v5i2.1200
Clarke, S. (2025). Exploring the landscape of
GenAI and education literature: A taxonomy of
themes and sub-themes. British Educational
Research Journal, 51(5), 2573–2604.
https://doi.org/10.1002/berj.4186
Cordón, O. (2023). Inteligencia artificial en
educación superior: Oportunidades y riesgos.
Revista Interuniversitaria de Investigación en
Tecnología Educativa, 16–27.
https://doi.org/10.6018/riite.591581
Córica, J. (2020). Resistencia docente al cambio:
Caracterización y estrategias para un problema
no resuelto. RIED Revista Iberoamericana de
Educación a Distancia, 23(2), 255.
https://doi.org/10.5944/ried.23.2.26578
Cruz, F., García, I., Martínez, J., Ruiz, A., Ruiz,
P., Sánchez, A., & Turró, C. (Eds.). (2024). La
inteligencia artificial generativa en la docencia
universitaria: Oportunidades, desafíos y
recomendaciones. https://www.crue.org/wp-
content/uploads/2024/03/Crue-
Digitalizacion_IA-Generativa.pdf
Del Cisne, M., Antonio, J., Sancho, D., & Yajaira,
A. (2024). Consecuencias de la dependencia de
la inteligencia artificial en habilidades críticas y
aprendizaje autónomo en los estudiantes.
Ciencia Latina Revista Científica
Multidisciplinar, 8(2), 2368–2382.
https://doi.org/10.37811/cl_rcm.v8i2.10678
Díaz, J. (2025). Integración de la investigación en
el currículo pedagógico: Avances y desafíos.
Una revisión sistemática. RECIMUNDO, 9(2),
697–709.
https://doi.org/10.26820/recimundo/9.(2).abril.
2025.697-709
Díaz, J., Molina, R., Bayas, C., & Ruiz, A. (2024).
Asistencia de la inteligencia artificial generativa
como herramienta pedagógica en la educación
superior. Revista de Investigación en
Tecnologías de la Información, 12(26), 61–76.
https://doi.org/10.36825/riti.12.26.006
Exintaris, B., Karunaratne, N., & Yuriev, E.
(2023). Metacognition and critical thinking:
Using ChatGPT-generated responses as
prompts for critique in a problem-solving
workshop (SMARTCHEMPer). Journal of
Chemical Education, 100(8), 2972–2980.
https://doi.org/10.1021/acs.jchemed.3c00481
Flores, J., & García, F. (2023). Reflections on the
ethics, potential, and challenges of artificial
intelligence in the framework of quality
education (SDG4). Comunicar, 31(74), 37–47.
https://doi.org/10.3916/c74-2023-03
Fonseca, N., Cuji, C., Tapia, G., González, E., &
Usca, M. (2025). Impacto de la inteligencia
artificial generativa en la producción académica
universitaria.
https://doi.org/10.5281/ZENODO.17667234
Gallego, C., & Dittmar, E. (2025). Percepción del
aprendizaje de los alumnos universitarios con el
uso de herramientas de inteligencia artificial.
European Public & Social Innovation Review,
11, 1–17. https://doi.org/10.31637/epsir-2026-
2042
Gallent, C., Zapata, A., & Ortego, J. (2023). El
impacto de la inteligencia artificial generativa
en educación superior: Una mirada desde la
ética y la integridad académica. RELIEVE -
Revista Electrónica de Investigación y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 502
Evaluación Educativa, 29(2).
https://doi.org/10.30827/relieve.v29i2.29134
García, C., & Pallarés, N. (2025). Impacto de la
IA generativa en competencias digitales
universitarias: Evidencia experimental basada
en el marco DigComp. RIED Revista
Iberoamericana de Educación a Distancia.
https://doi.org/10.5944/ried.45533
García, C., Buzón, O., & González, E. (2025).
Evaluation of a program to enhance online
lecturers’ digital competence: TPACK and
artificial intelligence. Online Learning, 29(4),
109–132.
http://files.eric.ed.gov/fulltext/EJ1490328.pdf
García, G., Tapia, J., Mejía, C., & Egüez, R.
(2025). Uso de inteligencia artificial generativa
como herramienta de apoyo académico en la
innovación pedagógica universitaria. Revista
Social Fronteriza, 5(6).
https://doi.org/10.59814/resofro.2025.5(6)955
García, F., Llorens, F., & Vidal, J. (2023). La
nueva realidad de la educación ante los avances
de la inteligencia artificial generativa. RIED
Revista Iberoamericana de Educación a
Distancia, 27(1), 9–39.
https://doi.org/10.5944/ried.27.1.37716
Godoy, Y., Hernández, P., Chalco, M., & Cabrera,
M. (2025). Uso de la inteligencia artificial en las
habilidades digitales de la docencia
universitaria: Revisión sistemática. Revista
Simón Rodríguez, 5(10), 790–805.
https://doi.org/10.62319/simonrodriguez.v.5i1
0.100
Gómez, M., Ruiz, J., Boumadan, M., & Soto, R.
(2025). Percepciones de futuros docentes y
pedagogos sobre uso responsable de la IA: Un
instrumento de medida. RIED Revista
Iberoamericana de Educación a Distancia,
28(2). https://doi.org/10.5944/ried.28.2.43288
González, H. (2025). Factores que inciden en la
deserción y baja población estudiantil. Revista
Guatemalteca de Educación Superior,
8(Especial), 1–10.
https://doi.org/10.46954/revistages.v8iespecial.
177
Jimenez, A., & Ramirez, R. (2024). Uso de la
inteligencia artificial entre profesores de
educación básica superior en Ecuador. Revista
Conectividad, 5(3), 30–43.
https://doi.org/10.37431/conectividad.v5i3.148
Jiménez, M., & Mena, L. (2024). Competencias
digitales del profesorado de secundaria en
matemática de la región Caribe Norte-Costa
Rica. Revista Ensayos Pedagógicos, 19(2), 1–
23. https://doi.org/10.15359/rep.19-2.8
Kumar, S., Rao, P., Singhania, S., Verma, S., &
Kheterpal, M. (2024). Will artificial
intelligence drive the advancements in higher
education? A tri-phased exploration.
Technological Forecasting and Social Change,
201(123258), 123258.
https://doi.org/10.1016/j.techfore.2024.123258
Larico, R. (2025). Impacto de la inteligencia
artificial generativa ChatGPT en la enseñanza
universitaria. Revista Chakiñan de Ciencias
Sociales y Humanidades, (25), 317–341.
https://doi.org/10.37135/chk.002.25.14
Lazo, M., Santana, J., & Flores, F. (2025). El
impacto de la inteligencia artificial generativa
en el desarrollo de competencias digitales en la
tutoría de secundaria: Un análisis crítico.
Zenodo.
https://doi.org/10.5281/ZENODO.14807432
Lazo, M., Flores, F., & Santana, J. (2025). El
impacto de la inteligencia artificial generativa
en el desarrollo de competencias digitales en la
tutoría de secundaria: Un análisis crítico.
Revista InveCom, 5(4), 1–10.
https://zenodo.org/records/14807432
Liu, Y., Cui, W., Wu, S., & Tan, W. (2025).
Generative AI in education: A review of
applications, impacts, and future research
directions. International Conference on
Interaction Sciences.
https://aisel.aisnet.org/icis2025/learn_curricula
/learn_curricula/13
Lopez, I. (2024). Sesgos de la IAG: Reflexiones
desde la docencia universitaria. Edetania.
Estudios y Propuestas Socioeducativos, 65.
https://doi.org/10.46583/edetania_2024.65.113
5
López, I., Gamero, E., & López, E. (2025).
Inteligencia artificial, competencia digital y
aficiones personales: Implicaciones para la
educación superior. Pixel Bit, 73, 1–19.
https://doi.org/10.12795/pixelbit.115117
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 503
López, F., Angulo, M., & Sosa, D. (2025).
Formación docente en IA generativa: Impacto
ético y retos en educación superior. Alteridad,
20(2), 166–177.
https://doi.org/10.17163/alt.v20n2.2025.01
Lozada, R., Lopez, E., Espinoza, M., Arias, N., &
Quille, G. (2023). Los riesgos de la inteligencia
artificial en la educación. Ciencia Latina
Revista Científica Multidisciplinar, 7(5), 7219–
7234.
https://doi.org/10.37811/cl_rcm.v7i5.8301
Mite, J., & Granda, L. (Eds.). (2025). La
inteligencia artificial generativa en la docencia
universitaria: Implicaciones éticas y desafíos
para la calidad académica en la formación
profesional. Editorial Tecnocientífica
Americana and Sinergia Académica.
https://doi.org/10.51736/sa783
Morán, S., Ruiz, S., Simental, L., & Tirado, A.
(2024). Barreras de la inteligencia artificial
generativa en estudiantes de educación
superior: Percepción docente. Revista de
Investigación en Tecnologías de la
Información, 12(25), 26–37.
https://doi.org/10.36825/riti.12.25.003
Muñoz, C., Roger, V., & Castelló, F. (2025). IA
generativa y pensamiento crítico en la
educación universitaria a distancia: Desafíos y
oportunidades. RIED Revista Iberoamericana
de Educación a Distancia, 28(2).
https://doi.org/10.5944/ried.28.2.43556
Navarrete, J., Nuñez, W., Viscarra, L., Cedillo,
M., & Cedeño, R. (2025). Percepción de la
inteligencia artificial como amenaza o aliada en
la formación profesional de los universitarios.
Prohominum, 7(2), 123–136.
https://doi.org/10.47606/acven/ph0337
Nikolic, S., Sandison, C., Haque, R., Daniel, S.,
Grundy, S., Belkina, M., Lyden, S., Hassan, G.,
& Neal, P. (2024). ChatGPT, Copilot, Gemini,
SciSpace and Wolfram versus higher education
assessments: An updated multi-institutional
study of the academic integrity impacts of
generative artificial intelligence (GenAI) on
assessment, teaching and learning in
engineering. Australasian Journal of
Engineering Education, 1–28.
https://doi.org/10.1080/22054952.2024.237215
4
Nivela, M., & Echeverría, S. (2024). Desafíos y
perspectivas de la inteligencia artificial en la
educación superior. Código Científico Revista
de Investigación, 5(1), 1446–1464.
https://doi.org/10.55813/gaea/ccri/v5/n1/463
Perezchica, J., Sepúlveda, J., & Román, A. (2024).
Inteligencia artificial generativa en la educación
superior: Usos y opiniones de los profesores.
European Public & Social Innovation Review,
9, 1–20. https://doi.org/10.31637/epsir-2024-
593
Radtke, I., & Meireles, L. (2025).
Plataformización educativa con IA generativa:
Impactos en la autonomía docente. Alteridad,
20(2), 178–189.
https://doi.org/10.17163/alt.v20n2.2025.02
Ricra, R., Queque, E., Vega, F., Martínez, D.,
Ross, J., & Lara, L. (2025). Implicaciones éticas
de la inteligencia artificial generativa en la
educación superior: Una revisión sistemática.
Zenodo.
https://doi.org/10.5281/ZENODO.16734732
Romeu, T., Romero, M., Guitert, M., & Baztán, P.
(2025). Desafíos de la inteligencia artificial
generativa en educación superior: Fomentando
su uso crítico en el estudiantado. RIED Revista
Iberoamericana de Educación a Distancia,
28(2). https://doi.org/10.5944/ried.28.2.43535
Sánchez, K., Suarez, R., Espinoza, A., Pilataxi, J.,
& Salazar, P. (2025). La inteligencia artificial
generativa en la educación superior:
Oportunidades en el siglo XXI. South Florida
Journal of Development, 6(5), e5307.
https://doi.org/10.46932/sfjdv6n5-046
Santana, H., & Romero, L. (2025). Relación entre
alfabetización en inteligencia artificial (IA) y
pensamiento crítico en futuros docentes.
Congreso Internacional IDEICE, 15, 311–318.
https://doi.org/10.47554/cii.vol15.2024.pp311-
318
Tiglla, B. (2025). Impacto de la inteligencia
artificial generativa (IAG) en la personalización
del aprendizaje en universidades
latinoamericanas. Alpha International Journal,
3(1), 18–30.
https://doi.org/10.63380/aij.v3n1.2025.55
Uzcátegui, R., & Ríos, M. (2024). Inteligencia
artificial para la educación: Formar en tiempos
de incertidumbre para adelantar el futuro.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 504
ARETÉ, 10(Edición especial), 1–21.
https://doi.org/10.55560/arete.2024.ee.10.1
Vaněček, D., Yorulmaz, Y., & Dobrovská, D.
(2025). A holistic exploration of student
attitudes toward AI use in higher education: An
international comparison. Cogent Education,
12(1).
https://doi.org/10.1080/2331186X.2025.25716
91
Vega, S., Palacios, R., Pazmiño, Á., Peña, P., &
García, C. (2025). Implicaciones éticas del uso
de inteligencia artificial generativa en la
formación universitaria: Dilema entre la
innovación tecnológica y la responsabilidad
académica. REICOMUNICAR, 8(15), 833–
851.
https://www.reicomunicar.org/index.php/reico
municar/article/view/428
Zapa, J., & Núñez, J. (2026). Impacto de la IA
generativa en la alfabetización digital crítica:
Revisión de desafíos y oportunidades en
educación superior. LATAM Revista
Latinoamericana de Ciencias Sociales y
Humanidades, 6(6).
https://doi.org/10.56712/latam.v6i6.5117
Zhao, X., Chen, X., Huang, V., Rollins, M.,
Carratù, M., & Shallari, I. (2025). Students’ use
and attitudes toward generative artificial
intelligence: A comparative study between the
UK and China. Proceedings of the Annual
Hawaii International Conference on System
Sciences.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Maricela Kathiusca
Giler Herrera, Stefania Alexandra Guillen Vallejo y
Walter Alfredo Carvajal Torres.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Maricela Kathiusca Giler Herrera: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Stefania Alexandra Guillen Vallejo: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal
de los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Walter Alfredo Carvajal Torres: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el
artículo cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y
que sus observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben
ajustarse a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre
la responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del
manuscrito ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.