Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
TRANSFORMACIÓN DE LA EVALUACIÓN EDUCATIVA UNIVERSITARIA MEDIANTE  
INTELIGENCIA ARTIFICIAL: OPORTUNIDADES Y DESAFÍOS  
TRANSFORMATION OF UNIVERSITY EDUCATIONAL ASSESSMENT THROUGH  
ARTIFICIAL INTELLIGENCE: OPPORTUNITIES AND CHALLENGES  
Autores: ¹Evelin Lilibeth Chucuyan Chucuyan, ²Manuel Alexander Ortega Baque y ³Jenniffer  
Dayana Carranza Mata.  
¹ORCID ID: https://orcid.org/0000-0002-9360-4924  
²ORCID ID: https://orcid.org/0000-0002-9578-1246  
3ORCID ID: https://orcid.org/0000-0002-8062-0490  
¹E-mail de contacto: echucuyanc@uteq.edu.ec  
²E-mail de contacto: mortegab3@uteq.edu.ec  
³E-mail de contacto: jcarranzam3@uteq.edu.ec  
Afiliación: 1*2*3*Universidad Técnica Estatal de Quevedo, (Ecuador).  
Artículo recibido: 22 de Julio del 2026.  
Artículo revisado: 24 de Julio del 2026.  
Artículo aprobado: 24 de Julio del 2026.  
1Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).  
2Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).  
3Estudiante de la carrera de Educación Básica de la Universidad Técnica Estatal de Quevedo, (Ecuador).  
Resumen  
asimismo,  
se  
identificaron  
desafíos  
El presente artículo tuvo como objetivo  
analizar, sistematizar e integrar críticamente la  
evidencia científica publicada durante los  
últimos cinco años sobre la transformación de  
la evaluación educativa universitaria mediante  
inteligencia artificial con el propósito de  
relacionados con la formación docente, la  
infraestructura tecnológica, la transparencia de  
los algoritmos, la protección de datos y la  
necesidad de establecer marcos éticos y de  
gobernanza que orienten su implementación, se  
concluye que la inteligencia artificial constituye  
una oportunidad para fortalecer la calidad de la  
evaluación educativa universitaria, siempre que  
identificar  
los  
principales  
avances,  
oportunidades, desafíos y tendencias que  
caracterizan este campo de investigación; para  
ello, se desarrolló una investigación documental  
con enfoque cualitativo, nivel descriptivo-  
analítico y alcance interpretativo sustentada en  
una revisión sistemática de la literatura  
siguiendo las directrices de la declaración  
Preferred Reporting Items for Systematic  
Reviews and Meta-Analyses, la búsqueda  
bibliográfica se realizó en las bases de datos  
Scopus, Web of Science, SciELO, Redalyc y  
Dialnet aplicando criterios de inclusión y  
exclusión previamente definidos, lo que  
permitió seleccionar veinte artículos científicos  
publicados entre 2021 y 2026 para su análisis  
mediante una matriz de extracción de datos y un  
proceso de análisis temático; los hallazgos  
evidenciaron que la inteligencia artificial está  
transformando los procesos de evaluación  
universitaria al favorecer la retroalimentación  
continua, la personalización del aprendizaje, el  
uso de analítica educativa y el fortalecimiento  
de la toma de decisiones basada en evidencias;  
su  
incorporación  
responda  
a
principios  
pedagógicos, éticos e institucionales que  
garanticen un uso responsable y centrado en el  
aprendizaje.  
Palabras  
clave:  
Inteligencia  
artificial,  
Evaluación educativa, Educación superior,  
Evaluación  
personalizado.  
universitaria,  
Aprendizaje  
Abstract  
The objective of this article was to analyze,  
systematize and critically integrate the scientific  
evidence published during the last five years on  
the transformation of university educational  
evaluation through artificial intelligence in  
order  
to  
identify  
the  
main  
advances,  
opportunities, challenges and trends that  
characterize this field of research; To this end, a  
documentary research was developed with a  
qualitative  
approach,  
descriptive-analytical  
level and interpretative scope based on a  
systematic review of the literature following the  
Página 31  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
guidelines of the statement Preferred Reporting  
critérios de inclusão e exclusão previamente  
definidos. o que permitiu que vinte artigos  
científicos publicados entre 2021 e 2026 fossem  
selecionados para análise usando uma matriz de  
extração de dados e um processo de análise  
temática; Os resultados mostraram que a  
inteligência artificial está transformando os  
Items for Systematic Reviews and Meta-  
Analyses, the bibliographic search was carried  
out in the Scopus, Web of Science, SciELO,  
Redalyc and Dialnet databases applying  
previously defined inclusion and exclusion  
criteria.  
which allowed twenty scientific  
articles published between 2021 and 2026 to be  
selected for analysis using a data extraction  
matrix and a thematic analysis process; The  
findings showed that artificial intelligence is  
transforming university assessment processes  
processos  
favorecer o feedback contínuo, a personalização  
da aprendizagem, uso de análises  
educacionais e o fortalecimento da tomada de  
decisão baseada em evidências; Da mesma  
de  
avaliação  
universitária  
ao  
o
by  
favoring  
continuous  
feedback,  
the  
forma,  
foram  
identificados  
desafios  
personalization of learning, the use of  
educational analytics, and the strengthening of  
evidence-based decision-making; Likewise,  
relacionados à formação de professores,  
infraestrutura tecnológica, transparência de  
algoritmos, proteção de dados e a necessidade  
de estabelecer estruturas éticas e de governança  
para orientar sua implementação; concluiu-se  
que a inteligência artificial constitui uma  
oportunidade para fortalecer a qualidade da  
avaliação educacional universitária, desde que  
challenges  
related  
to  
teacher  
training,  
technological infrastructure, transparency of  
algorithms, data protection and the need to  
establish ethical and governance frameworks to  
guide its implementation were identified, it is  
concluded that artificial intelligence constitutes  
an opportunity to strengthen the quality of  
university educational evaluation, provided that  
its incorporation responds to pedagogical  
principles, ethical and institutional policies that  
ensure responsible and learning-focused use.  
sua  
incorporação  
responda  
a
princípios  
pedagógicos, políticas éticas e institucionais  
que garantem o uso responsável e focado no  
aprendizado.  
Palavras-chave:  
Inteligência  
artificial,  
Avaliação educacional, Ensino superior,  
Keywords:  
Artificial  
intelligence,  
Avaliação  
universitária,  
Aprendizagem  
Educational assessment, Higher education,  
personalizada.  
University  
learning.  
assessment,  
Personalized  
Introducción  
evaluación educativa  
La  
universitaria  
Sumário  
experimenta una transformación profunda  
impulsada por la convergencia entre la  
innovación pedagógica y el acelerado desarrollo  
de la inteligencia artificial (IA); pese a ello, las  
demandas actuales de la educación superior  
exigen modelos de evaluación capaces de  
valorar competencias complejas, promover la  
autorregulación del aprendizaje y generar  
retroalimentación permanente para favorecer  
procesos formativos más significativo; la  
O objetivo deste artigo foi analisar, sistematizar  
e integrar criticamente as evidências científicas  
publicadas nos últimos cinco anos sobre a  
transformação  
da  
avaliação  
educacional  
universitária por meio da inteligência artificial,  
a fim de identificar os principais avanços,  
oportunidades, desafios e tendências que  
caracterizam esse campo de pesquisa; Para isso,  
foi desenvolvida uma pesquisa documental com  
abordagem  
qualitativa,  
nível  
descritivo-  
analítico e escopo interpretativo, baseada em  
uma revisão sistemática da literatura seguindo  
as diretrizes da declaração Itens de Reporte  
Preferenciais para Revisões Sistemáticas e  
Meta-Análises; a busca bibliográfica foi  
realizada nos bancos de dados Scopus, Web of  
Science, SciELO, Redalyc e Dialnet, aplicando  
inteligencia  
artificial  
emerge  
como  
una  
tecnología con capacidad para redefinir la  
manera en que las instituciones universitarias  
diseñan, implementan y analizan la evaluación  
del aprendizaje. Esta concepción encuentra  
sustento en los aportes de Black y Wiliam  
Página 32  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
(1998), quienes plantean que la evaluación  
estudiantes, docentes y sistemas inteligentes.  
No obstante, los autores advierten que tales  
beneficios coexisten con desafíos vinculados a  
la brecha digital, la resistencia al cambio, la  
infraestructura tecnológica y la ausencia de  
adquiere un verdadero valor educativo cuando  
se integra al proceso de enseñanza y  
aprendizaje,  
proporcionando  
información  
continua que permite ajustar las estrategias  
pedagógicas y favorecer el progreso del  
estudiante; desde esta perspectiva, la evaluación  
deja de limitarse a la certificación de resultados  
para convertirse en un instrumento orientado a  
mejorar el aprendizaje, principio que mantiene  
plena vigencia en los actuales escenarios de  
incorporación de la inteligencia artificial. La  
incorporación de la IA en la educación superior  
no constituye únicamente una innovación  
tecnológica, sino un cambio estructural que  
marcos  
regulatorios  
suficientemente  
consolidados. Este escenario adquiere una  
dimensión aún más compleja cuando la  
transformación digital es analizada desde la  
perspectiva organizacional de las instituciones  
de educación superior. Flores (2025) plantea  
que las universidades deben comprenderse  
como sistemas complejos en permanente  
adaptación,  
donde  
la  
incorporación  
de  
inteligencia artificial generativa trasciende la  
simple adopción de herramientas digitales para  
convertirse en un proceso de transformación  
cultural e institucional. Bajo esta mirada, la IA  
modifica simultáneamente los procesos de  
enseñanza, investigación, gestión y gobernanza  
modifica  
las  
dinámicas  
de  
enseñanza,  
aprendizaje y gestión académica.  
Desde esta perspectiva, Ventura y Contreras  
(2025) y Arias et al. (2024) y sostienen que la  
expansión de estas tecnologías representa uno  
de los principales desafíos para los sistemas  
educativos contemporáneos, debido a que su  
universitaria,  
aunque  
también  
plantea  
interrogantes relacionados con la equidad, la  
transparencia y la formulación de políticas  
integración  
reduccionistas de la tecnología y avanzar hacia  
modelos orientados por principios de  
exige  
superar  
visiones  
capaces  
de  
orientar  
su  
implementación  
responsable (García et al., 2025).  
transformación social, ética y desarrollo  
humano; los autores evidencian que, aunque  
docentes y directivos han incrementado el uso  
de herramientas basadas en inteligencia  
artificial, persisten limitaciones relacionadas  
con la comprensión de sus implicaciones éticas,  
institucionales y pedagógicas. En paralelo, la  
literatura reciente coincide en señalar que la  
inteligencia artificial ha comenzado a modificar  
de manera sustancial los procesos de enseñanza  
y aprendizaje en las instituciones de educación  
La evidencia disponible demuestra que dichos  
procesos adquieren particular relevancia en  
América Latina, donde las universidades  
enfrentan desafíos asociados a la modernización  
de sus modelos educativos en escenarios  
caracterizados por importantes diferencias en  
infraestructura tecnológica y competencias  
digitales. En el caso ecuatoriano, Campoverde-  
Cajas y Campoverde (2025) y López (2026),  
mediante una revisión sistemática desarrollada  
bajo la metodología PRISMA, identifican  
avances significativos en la incorporación de  
herramientas inteligentes; sin embargo, también  
destacan limitaciones relacionadas con la  
superior;  
la  
revisión  
desarrollada  
por  
Valderrama et al. (2025), a partir del análisis de  
investigaciones publicadas en bases de datos  
internacionales, identifica que estas tecnologías  
favorecen la personalización de los procesos  
educativos, optimizan la gestión institucional y  
facilitan nuevas formas de interacción entre  
conectividad,  
la  
formación  
docente,  
la  
gobernanza institucional y la protección de  
datos, factores que continúan condicionando  
una adopción efectiva y sostenible de estas  
Página 33  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
tecnologías. Dentro de este proceso de  
transformación, la evaluación educativa  
artificial educativa, Aparicio y Aparicio (2024)  
explican que los sistemas de aprendizaje  
adaptativo emplean algoritmos capaces de  
analizar grandes volúmenes de información  
para construir itinerarios educativos ajustados a  
las necesidades individuales del estudiante. En  
una línea similar, Beltrán et al. (2025) destacan  
que la convergencia entre inteligencia artificial  
y aprendizaje adaptativo posibilita experiencias  
educativas más inclusivas y eficaces, siempre  
constituye probablemente uno de los ámbitos  
donde la inteligencia artificial genera mayores  
expectativas y, al mismo tiempo, mayores  
controversias (Játiva et al., 2025). Mientras que  
tradicionalmente la evaluación universitaria se  
concebía como un mecanismo de certificación  
del  
permiten desarrollar procesos continuos de  
seguimiento, análisis predictivo,  
aprendizaje,  
las  
nuevas  
tecnologías  
que  
existan  
condiciones  
institucionales,  
retroalimentación personalizada y adaptación  
de las actividades evaluativas conforme a las  
necesidades individuales de cada estudiante  
(Quiroz y Alcivar, 2025).  
tecnológicas y formativas que respalden su  
implementación. Los beneficios asociados a la  
personalización también encuentran respaldo en  
investigaciones desarrolladas sobre sistemas de  
gestión del aprendizaje, como explica Campbell  
(2025) evidencia que la integración de  
inteligencia artificial en plataformas LMS  
contribuye a mejorar el rendimiento académico,  
y adapta los contenidos conforme a sus  
necesidades particulares.  
En base a lo expuesto, Hernández (2024) señala  
que la incorporación de inteligencia artificial en  
la  
evaluación  
universitaria  
involucra  
dimensiones que trascienden la automatización  
de la calificación, puesto que comprende  
aspectos relacionados con la capacitación  
docente,  
la  
aceptación  
tecnológica,  
la  
Sin embargo, advierte que estos avances deben  
efectividad de los sistemas inteligentes de  
tutoría, la percepción estudiantil sobre la  
retroalimentación automatizada y los dilemas  
éticos derivados de su utilización. (Cherrez et  
al., 2026); y por otro lado Cuevas (2025)  
acompañarse  
de  
políticas  
orientadas  
a
garantizar la equidad en el acceso, la  
transparencia de los algoritmos y la protección  
de los datos utilizados para alimentar los  
sistemas inteligentes, elementos que adquieren  
especial importancia cuando la evaluación del  
demuestran  
que  
la  
retroalimentación  
personalizada apoyada por sistemas inteligentes  
incrementa la motivación estudiantil y favorece  
aprendizajes más significativos, al proporcionar  
aprendizaje  
depende  
crecientemente  
de  
procesos automatizados. Paralelamente, la  
expansión de la inteligencia artificial también  
redefine el papel del profesorado universitario  
dentro de los procesos evaluativos; lejos de  
sustituir la labor docente, las investigaciones  
recientes muestran que estas tecnologías  
desplazan el énfasis desde la transmisión de  
contenidos hacia el diseño de experiencias de  
aprendizaje, la mediación ética y el desarrollo  
de competencias propias del siglo XXI  
(Ruilova, 2025). Posso (2025) sostiene que el  
docente se convierte en un actor estratégico para  
orientar el uso responsable de la inteligencia  
artificial, y garantizar que las decisiones  
respuestas  
desempeño individual; en cualquier caso, el  
estudio también reconoce que su  
implementación gran escala continúa  
inmediatas  
y
adaptadas  
al  
a
enfrentando desafíos técnicos y pedagógicos  
que requieren diseños institucionales sólidos y  
estrategias de acompañamiento docente que  
garanticen un uso pedagógicamente pertinente  
de estas herramientas. La personalización  
constituye precisamente uno de los conceptos  
que mayor desarrollo ha experimentado dentro  
de la literatura reciente sobre inteligencia  
Página 34  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
evaluativas continúen sustentándose en criterios  
pedagógicos y no exclusivamente tecnológicos.  
Aunque la producción científica sobre  
disponible sobre la transformación de la  
evaluación educativa universitaria mediante  
inteligencia artificial, con el fin de identificar  
los principales avances, oportunidades, desafíos  
y tendencias de desarrollo en este campo de  
estudio (Santos, 2022). En concordancia con la  
naturaleza del problema de investigación, se  
adoptó un diseño metodológico sustentado en la  
revisión sistemática de literatura, siguiendo las  
recomendaciones de la declaración PRISMA  
2020 (Preferred Reporting Items for Systematic  
Reviews and Meta-Analyses), ampliamente  
reconocida como referente internacional para  
garantizar la transparencia, reproducibilidad y  
rigurosidad de las revisiones científicas. Desde  
el punto de vista metodológico, el estudio  
corresponde a una investigación documental, de  
enfoque cualitativo, nivel descriptivo-analítico  
y alcance interpretativo, debido a que no  
pretende establecer relaciones causales entre  
variables, sino comprender el estado actual del  
conocimiento científico sobre la aplicación de  
la inteligencia artificial en los procesos de  
evaluación educativa universitaria (Hernández  
et al., 2014).  
inteligencia artificial aplicada a la educación  
superior ha experimentado un crecimiento  
acelerado durante los últimos años, el análisis  
de la literatura evidencia una marcada  
dispersión temática, por lo que gran parte de las  
investigaciones se concentran en herramientas  
específicas, experiencias institucionales o  
aplicaciones particulares de la inteligencia  
artificial, mientras que aún son limitados los  
estudios de revisión que integren de forma  
sistemática las evidencias disponibles acerca de  
la transformación de la evaluación educativa  
universitaria desde una perspectiva pedagógica,  
tecnológica y ética.  
En atención a este vacío, la presente  
investigación  
orientadora:  
plantea  
¿cuáles  
desafíos  
como  
las  
pregunta  
principales  
tendencias  
son  
oportunidades,  
y
identificadas en la literatura científica reciente  
sobre la transformación de la evaluación  
educativa universitaria mediante inteligencia  
artificial? En consecuencia, el objetivo del  
artículo consiste en analizar, sistematizar e  
integrar críticamente la evidencia científica  
publicada durante los últimos cinco años sobre  
la aplicación de la inteligencia artificial en la  
evaluación educativa universitaria, con el  
propósito de identificar los avances alcanzados,  
las oportunidades que ofrece para fortalecer los  
procesos evaluativos, los desafíos éticos,  
tecnológicos y pedagógicos que condicionan su  
implementación y las tendencias que orientan la  
La revisión permitió comparar resultados de  
investigaciones  
recientes,  
identificar  
convergencias y divergencias entre autores, así  
como reconocer los principales vacíos de  
investigación que continúan presentes en la  
literatura  
especializada.  
La  
búsqueda  
bibliográfica se realizó entre los meses de junio  
y julio de 2026, consultando bases de datos  
científicas de reconocido prestigio internacional  
y regional, se seleccionaron aquellas que  
concentran publicaciones arbitradas en el  
ámbito de la educación, tecnología educativa e  
evolución  
futura  
de  
este  
campo  
de  
investigación.  
inteligencia  
artificial,  
garantizando  
la  
Materiales y Métodos  
recuperación de estudios de alta calidad  
científica. La estrategia de búsqueda combinó  
descriptores en español mediante operadores  
booleanos (AND, OR), utilizando palabras clave  
previamente identificadas a partir del objetivo  
La presente investigación se desarrolló bajo el  
enfoque de artículo científico de revisión, cuyo  
propósito consistió en analizar, sistematizar e  
integrar críticamente la evidencia científica  
Página 35  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
de  
investigación  
y
de  
los  
tesauros  
exportados y organizados en una base  
documental para facilitar su depuración y  
análisis, durante esta etapa se realizó una  
revisión manual de los registros recuperados  
con el fin de identificar documentos duplicados,  
verificar la correspondencia entre el título, el  
resumen y el contenido del estudio, así como  
comprobar el cumplimiento de los criterios de  
elegibilidad previamente establecidos. Este  
procedimiento permitió conformar un corpus  
bibliográfico consistente y metodológicamente  
homogéneo, condición indispensable para  
garantizar la calidad del análisis documental y  
minimizar posibles sesgos derivados de la  
selección de la evidencia científica; de igual  
manera, la revisión manual facilitó identificar  
investigaciones con enfoques metodológicos  
especializados en educación y ciencias sociales.  
Tabla 1. Estrategia de búsqueda bibliográfica.  
Base de  
datos  
Fecha  
Búsqueda  
Ecuación de búsqueda utilizada  
Inteligencia artificial “OR” “IA”  
“AND” evaluación educativa “OR”  
evaluación del aprendizaje “AND”  
educación superior “OR” universidad.  
Artificial Intelligence “AND”  
Educational Assessment “AND”  
Higher Education  
Scopus  
05/7/2026  
Web of  
Science  
06/07/2026  
10/07/2026  
10/07/2026  
11/07//2026  
Inteligencia artificial “AND”  
evaluación educativa “AND”  
educación superior  
Scielo  
Redalyc  
Dialnet  
Inteligencia artificial “AND”  
evaluación universitaria  
Inteligencia artificial “AND”  
evaluación del aprendizaje “AND”  
universidad  
Fuente: Elaboración propia.  
Como complemento de la estrategia de  
búsqueda, se aplicaron filtros específicos en  
cada base de datos con el propósito de  
incrementar la pertinencia de los documentos  
recuperados y reducir la incorporación de  
estudios que no respondieran al objetivo de la  
investigación en paralelo, se restringió la  
búsqueda a publicaciones comprendidas entre  
los años 2021 y 2026, periodo que concentra el  
complementarios,  
enriqueciendo  
la  
interpretación de los hallazgos y fortaleciendo  
la confiabilidad del proceso de síntesis  
desarrollado en las etapas posteriores de la  
investigación.  
La selección de los estudios respondió a  
criterios previamente definidos para asegurar la  
calidad metodológica y la pertinencia temática  
de la evidencia incorporada. El procedimiento  
de selección siguió las cuatro fases establecidas  
por la metodología PRISMA: identificación,  
cribado, evaluación de elegibilidad e inclusión.  
En una primera etapa se identificaron los  
registros provenientes de las diferentes bases de  
mayor  
crecimiento  
de  
investigaciones  
relacionadas con la incorporación de la  
inteligencia artificial en la educación superior  
tras la consolidación de herramientas de  
inteligencia artificial generativa y aprendizaje  
automático. A ello se agrega, que se  
consideraron únicamente artículos científicos  
publicados en revistas arbitradas e indexadas,  
disponibles en texto completo y redactados en  
idioma español, debido a que el interés de esta  
revisión se orientó hacia la producción  
datos  
seleccionadas,  
posteriormente  
se  
eliminaron  
los documentos  
duplicados  
mediante revisión automática y manual; así, los  
registros restantes fueron sometidos a una  
evaluación inicial considerando únicamente el  
título y el resumen, aquellos que evidenciaron  
científica  
desarrollada  
en  
el  
contexto  
iberoamericano y latinoamericano, donde las  
particularidades de los sistemas educativos  
correspondencia  
con  
el  
objetivo  
de  
investigación fueron revisados íntegramente  
para verificar el cumplimiento de los criterios  
permiten  
establecer  
un  
análisis  
más  
contextualizado de los procesos de evaluación  
universitaria. Posteriormente, los resultados  
obtenidos en cada base de datos fueron  
de  
elegibilidad  
previamente  
establecidos;  
finalmente, únicamente los estudios que  
satisfacían todos los requisitos metodológicos y  
Página 36  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
temáticos fueron incorporados al análisis  
documental. Los veinte artículos finalmente  
posteriormente en una matriz de extracción de  
datos diseñada para sintetizar información  
seleccionados  
documental  
constituyeron  
análisis de  
fueron  
la  
la  
unidad  
relacionada  
resultados,  
con  
objetivos,  
metodología,  
identificadas,  
de  
presente  
oportunidades  
investigación  
y
organizados  
desafíos reportados y principales conclusiones.  
Tabla 2. Criterios de inclusión y exclusión.  
Criterios de inclusión  
Criterios de exclusión  
Libros, capítulos de libro, editoriales, ensayos, notas técnicas o actas de  
congresos.  
Artículos científicos publicados entre 2021 y 2026.  
Investigaciones revisadas por pares.  
Estudios duplicados entre bases de datos.  
Investigaciones enfocadas exclusivamente en educación básica o  
secundaria.  
Publicaciones en idioma español e ingles  
Estudios relacionados con inteligencia artificial aplicada a la educación  
superior.  
Publicaciones sin acceso al texto completo.  
Investigaciones que abordaran la evaluación educativa, evaluación del  
aprendizaje, o procesos evaluativos mediados por inteligencia artificial.  
Artículos disponibles en texto completo.  
Trabajos cuyo contenido no guardaba relación directa con la evaluación  
educativa universitaria.  
Fuente: Elaboración propia.  
Tabla 3. Proceso de selección de estudios.  
inteligencia artificial analizadas en cada estudio  
y los principales resultados obtenidos. La  
recopilación sistemática de estos elementos  
permitió identificar tendencias, similitudes y  
diferencias entre las investigaciones, aportando  
una base sólida para la interpretación de los  
hallazgos y la elaboración de las conclusiones  
de la revisión. Posteriormente, la información  
recopilada fue sometida a un proceso de análisis  
temático mediante comparación constante,  
identificando patrones recurrentes y categorías  
emergentes. El análisis se desarrolló en cuatro  
etapas secuenciales; en primer lugar, se efectuó  
una lectura exploratoria de todos los artículos  
seleccionados para obtener una comprensión  
global de su contenido; posteriormente, se  
realizó una lectura analítica orientada a  
Número de  
Etapa  
estudios  
Registros identificados en las bases de  
146  
datos  
Registros después de eliminar duplicados  
Registros evaluados mediante título y  
resumen  
128  
128  
Artículos revisados en texto completo  
Estudios incluidos en el análisis final  
38  
20  
Fuente: Elaboración propia.  
Con el propósito de sistematizar la información  
recuperada durante el proceso de revisión, se  
elaboró una matriz de extracción de datos  
diseñada específicamente para los objetivos de  
la presente investigación. Esta herramienta  
permitió organizar de manera estructurada y  
homogénea la información proveniente de cada  
uno de los estudios seleccionados, facilitando la  
comparación, el análisis crítico y la síntesis de  
la evidencia científica recopilada. Asimismo,  
contribuyó a garantizar la consistencia en el  
registro de los datos relevantes y a reducir  
posibles sesgos durante la etapa de análisis. La  
matriz de extracción incluyó información  
esencial de cada publicación, como el autor o  
autores y el año de publicación, el objetivo de la  
identificar  
las  
contribuciones  
específicas  
relacionadas con la evaluación educativa  
mediada por inteligencia artificial. En una  
tercera fase se codificaron los hallazgos  
mediante categorías temáticas previamente  
definidas y categorías emergentes derivadas del  
análisis  
comparativo.  
Posteriormente,  
los  
resultados fueron integrados e interpretados de  
manera crítica, contrastando las diferentes  
perspectivas encontradas en la literatura  
científica con el propósito de identificar  
investigación  
y
el  
diseño  
metodológico  
empleado. De igual manera, se registraron las  
técnicas e instrumentos utilizados para la  
recolección de datos, las herramientas de  
Página 37  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
tendencias, consensos, desafíos persistentes y  
análisis exhaustivo mediante una matriz de  
extracción de datos diseñada para identificar  
información relacionada con las características  
metodológicas de cada investigación, los  
enfoques de aplicación de la inteligencia  
líneas futuras de investigación. Como resultado  
de este proceso surgieron tres grandes  
categorías analíticas: Transformación de los  
procesos de evaluación mediante inteligencia  
artificial.  
Oportunidades  
para  
la  
artificial  
en  
la  
evaluación  
educativa  
personalización y mejora del aprendizaje.  
Desafíos éticos, pedagógicos y tecnológicos. Al  
tratarse de una investigación documental basada  
universitaria, las oportunidades identificadas,  
los desafíos reportados y las principales  
tendencias emergentes, la sistematización de  
esta información permitió realizar una síntesis  
crítica de la evidencia disponible y establecer  
las categorías analíticas que estructuran la  
presentación y discusión de los resultados del  
presente artículo.  
exclusivamente  
en  
literatura  
científica  
publicada, el estudio no involucró participantes  
humanos ni recopiló información confidencial;  
de este modo, no fue necesaria la aprobación  
por parte de un comité de ética; no obstante,  
durante todo el proceso investigativo se  
respetaron  
científica,  
los  
principios  
de  
integridad  
transparencia  
metodológica  
y
honestidad académica, citando las fuentes  
consultadas conforme a las Normas APA,  
séptima  
edición,  
y
garantizando  
el  
reconocimiento de la propiedad intelectual de  
los autores analizados.  
El proceso de selección de los estudios,  
sintetizado en el diagrama de flujo PRISMA  
(Figura 1), permitió documentar de manera  
transparente  
cada  
una  
de  
las  
etapas  
desarrolladas durante la revisión sistemática de  
la literatura (Page et al., 2021). La aplicación  
secuencial de los criterios de inclusión y  
exclusión favoreció la depuración progresiva de  
los registros recuperados, eliminando aquellos  
que no presentaban relación directa con el  
objeto de estudio, se encontraban duplicados o  
no cumplían con los estándares metodológicos  
establecidos, este procedimiento contribuyó a  
fortalecer la trazabilidad del proceso de  
búsqueda y selección, reduciendo el riesgo de  
Figura 1. Identificación de estudios a través de  
diagrama PRISMA 2020.  
Fuente: Elaboración propia.  
Resultados y Discusión  
El análisis de los estudios seleccionados  
permitió identificar un consenso progresivo en  
torno al papel que desempeña la inteligencia  
artificial como agente de transformación de la  
evaluación educativa en la educación superior.  
Aunque las investigaciones revisadas difieren  
sesgos  
documental analizado. Como resultado de este  
proceso se seleccionaron 20 artículos  
en  
la  
conformación  
del  
corpus  
científicos, los cuales constituyeron la muestra  
documental definitiva de la investigación, estos  
estudios fueron sometidos posteriormente a un  
Página 38  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
en sus enfoques metodológicos, contextos  
institucionales y objetivos específicos, la  
evidencia converge en señalar que la  
inteligencia artificial incorporan funciones  
orientadas a construir experiencias evaluativas  
más flexibles, contextualizadas y coherentes  
con el desarrollo de competencias. Por lo  
expuesto, los cuestionarios inteligentes, las  
plataformas adaptativas y los sistemas tutoriales  
apoyados por IA permiten generar actividades  
diferenciadas según el nivel de desempeño del  
estudiante, ofreciendo recorridos de aprendizaje  
que responden a necesidades individuales sin  
perder coherencia con los resultados de  
aprendizaje establecidos por cada programa  
académico.  
incorporación de sistemas inteligentes está  
modificando de manera significativa los  
procesos de evaluación, desplazándolos desde  
modelos predominantemente sumativos hacia  
enfoques  
caracterizados  
por  
la  
retroalimentación continua, la personalización  
del aprendizaje y el análisis sistemático de  
evidencias académicas, esta transición refleja  
un cambio conceptual en el que la evaluación  
deja de concebirse únicamente como un  
mecanismo de certificación del aprendizaje para  
convertirse en un proceso dinámico que  
acompaña el desarrollo de competencias  
durante toda la trayectoria formativa del  
estudiante.  
Otro hallazgo recurrente corresponde a la  
consolidación del aprendizaje personalizado  
como una de las principales contribuciones de  
la inteligencia artificial a la educación superior,  
en donde la mayoría de las investigaciones  
Una de las tendencias más consistentes  
identificadas en la literatura corresponde al  
creciente uso de la inteligencia artificial para  
fortalecer la evaluación formativa; por ello,  
diversos estudios coinciden en que los  
algoritmos de aprendizaje automático y los  
revisadas  
coincide  
en  
señalar  
que  
las  
herramientas inteligentes poseen la capacidad  
de analizar patrones de interacción, ritmo de  
aprendizaje, desempeño previo y estilos  
cognitivos para adaptar contenidos, actividades  
y mecanismos de evaluación; por lo cual, esta  
posibilidad representa una ruptura con los  
modelos homogéneos que tradicionalmente han  
modelos  
retroalimentaciones más inmediatas, precisas y  
adaptadas al desempeño individual,  
de  
lenguaje  
permiten  
ofrecer  
caracterizado  
la  
evaluación  
universitaria,  
favoreciendo procesos de autorregulación que  
difícilmente podrían desarrollarse con igual  
permitiendo avanzar hacia procesos más  
inclusivos donde el progreso académico se  
analiza considerando las particularidades de  
cada estudiante y no únicamente mediante  
criterios uniformes de medición.  
rapidez  
mediante  
procedimientos  
convencionales, la incorporación de sistemas  
capaces de analizar grandes volúmenes de  
información facilita además el seguimiento  
continuo del progreso académico, permitiendo  
La revisión también permitió identificar que la  
retroalimentación automática constituye uno de  
los recursos tecnológicos con mayor nivel de  
desarrollo dentro de la literatura reciente, los  
estudios muestran que los estudiantes valoran  
especialmente la inmediatez de las respuestas  
generadas por sistemas inteligentes, ya que  
estas facilitan la identificación de errores,  
fortalecen la comprensión de los contenidos y  
favorecen procesos permanentes de mejora;  
detectar  
aprendizaje y ajustar las estrategias didácticas  
antes de que se consoliden brechas  
tempranamente  
dificultades  
de  
significativas en el rendimiento estudiantil. Los  
trabajos analizados evidencian igualmente una  
evolución en la concepción de los instrumentos  
de evaluación, en lugar de limitarse a  
automatizar  
procesos  
tradicionales  
de  
calificación, las aplicaciones actuales de  
Página 39  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
pese a ello, la evidencia revela que la calidad de  
dicha retroalimentación depende en gran  
medida del diseño pedagógico de las  
transformación del rol docente dentro de los  
procesos evaluativos; lejos de plantear una  
sustitución de la labor académica, la evidencia  
revisada muestra que la inteligencia artificial  
actividades, de la configuración de los modelos  
de inteligencia artificial utilizados y del  
acompañamiento que continúa ejerciendo el  
profesorado durante el proceso formativo. De  
manera paralela, los hallazgos muestran que las  
redefine  
las  
funciones  
tradicionales  
del  
profesorado, donde el docente comienza a  
desempeñar un papel más orientado hacia el  
diseño de experiencias de aprendizaje, la  
instituciones de educación  
superior han  
interpretación  
producida por los algoritmos y la mediación  
ética durante el uso de herramientas  
inteligentes.  
crítica  
de  
la  
información  
comenzado a incorporar la inteligencia artificial  
no solo para apoyar la evaluación del  
aprendizaje, sino también para fortalecer la  
gestión académica, diversas investigaciones  
destacan el uso de sistemas predictivos capaces  
Por esta razón, la capacidad para seleccionar  
tecnologías  
educativos  
apropiadas,  
orientar  
interpretar  
procesos  
datos  
de  
de  
analizar  
indicadores  
de  
desempeño,  
y
identificar estudiantes en riesgo de deserción,  
monitorear trayectorias académicas y generar  
información útil para la toma de decisiones  
institucionales, esta ampliación del campo de  
aplicación evidencia que la evaluación deja de  
ser entendida exclusivamente como una  
retroalimentación adquiere una relevancia  
comparable a la que históricamente tuvieron las  
competencias asociadas únicamente a la  
evaluación convencional. En relación con las  
competencias digitales, los estudios muestran  
que tanto docentes como estudiantes presentan  
actitudes generalmente favorables hacia la  
incorporación de la inteligencia artificial en los  
actividad  
desarrollada  
en  
el  
aula  
para  
convertirse en un componente estratégico de los  
procesos de aseguramiento de la calidad  
educativa.  
procesos  
educativos;  
ahora  
bien,  
esa  
disposición positiva no siempre se acompaña de  
conocimientos suficientes para utilizar estas  
herramientas de manera crítica y responsable;  
cabe advertir que aún persisten limitaciones  
relacionadas con la alfabetización digital, el  
conocimiento de los principios éticos asociados  
a la inteligencia artificial y la comprensión de  
sus alcances reales dentro de la evaluación  
educativa, esta situación evidencia que la  
adopción tecnológica, por sí sola, resulta  
insuficiente si no se acompaña de procesos  
permanentes de formación institucional. La  
revisión también permitió reconocer que la  
dimensión ética constituye uno de los ejes  
transversales más relevantes dentro de la  
producción científica reciente, la mayoría de los  
estudios identifica preocupaciones relacionadas  
con la privacidad de los datos, la transparencia  
de los algoritmos, la protección de la  
Los resultados ponen de manifiesto, además,  
una creciente integración entre inteligencia  
artificial y plataformas virtuales de aprendizaje,  
por lo que la incorporación de herramientas  
generativas en entornos LMS ha permitido  
automatizar determinados procesos evaluativos,  
gestionar grandes volúmenes de evidencias  
académicas  
y
ofrecer  
experiencias  
de  
aprendizaje más interactivas; en cualquier caso,  
la revisión evidencia que las instituciones aún  
atraviesan diferentes niveles de madurez  
tecnológica, situación que genera diferencias  
importantes en cuanto a infraestructura digital,  
disponibilidad de recursos y competencias  
necesarias para aprovechar plenamente las  
posibilidades que ofrecen estas tecnologías.  
Otro aspecto que emerge con claridad en los  
estudios analizados se relaciona con la  
Página 40  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
información académica, los posibles sesgos  
fuentes y utiliza evidencias generadas durante  
todo el proceso formativo, lo que contribuye a  
obtener una comprensión más amplia del  
desempeño estudiantil. De igual manera, la  
evidencia recopilada pone de manifiesto un  
incremento significativo en el interés científico  
por estudiar la relación entre inteligencia  
artificial y evaluación educativa universitaria,  
los análisis bibliométricos incluidos en la  
revisión muestran un crecimiento sostenido de  
publicaciones durante los últimos años. De  
forma particular a partir de la consolidación de  
modelos de inteligencia artificial generativa,  
por lo que este comportamiento refleja que el  
debate académico ha dejado de centrarse  
presentes en los modelos predictivos y la  
necesidad de preservar el juicio profesional del  
docente frente a las decisiones automatizadas.  
Aunque estas preocupaciones no representan un  
rechazo al uso de la inteligencia artificial, sí  
reflejan la necesidad de establecer marcos  
normativos que regulen su implementación y  
garanticen un equilibrio adecuado entre  
innovación  
educativa.  
tecnológica  
y responsabilidad  
En esta misma línea, la literatura revisada  
coincide en que la consolidación de la  
inteligencia artificial dentro de la educación  
superior dependerá menos del desarrollo  
tecnológico que de la capacidad institucional  
exclusivamente  
en  
las  
posibilidades  
tecnológicas para incorporar progresivamente  
aspectos relacionados con la calidad de los  
procesos evaluativos, la formación docente, la  
gobernanza institucional y las implicaciones  
éticas derivadas del uso de estas herramientas.  
para  
construir  
políticas  
de  
gobernanza  
orientadas a promover un uso transparente,  
inclusivo y éticamente responsable de estas  
herramientas; en efecto, se pudo demostrar que  
las universidades comienzan a incorporar  
lineamientos relacionados con protección de  
datos, integridad académica y uso responsable  
de sistemas inteligentes; pese a ello, dichas  
En cuanto a los escenarios de aplicación, la  
mayor parte de las investigaciones se desarrolló  
en instituciones de educación superior de  
América Latina y España, donde la inteligencia  
artificial comienza a integrarse tanto en  
modalidades presenciales como virtuales e  
híbridas, aunque los niveles de implementación  
iniciativas  
aún  
presentan  
importantes  
diferencias entre instituciones y países, lo que  
evidencia un campo de desarrollo que continúa  
en construcción.  
presentan  
diferencias  
importantes  
entre  
Los estudios revisados también permiten  
observar que la expansión de la inteligencia  
artificial ha impulsado una reconfiguración de  
las estrategias pedagógicas que sustentan los  
instituciones, existe una coincidencia general en  
reconocer que las plataformas digitales, los  
asistentes  
conversacionales,  
los  
sistemas  
tutoriales inteligentes y las herramientas de  
análisis de datos constituyen los recursos con  
mayor presencia dentro de los procesos de  
evaluación, esta diversidad de aplicaciones  
confirma que la inteligencia artificial no se  
limita a una única función, sino que participa de  
manera transversal en diferentes momentos del  
proceso educativo. Otro hallazgo relevante está  
relacionado con la creciente incorporación de  
procesos de autoevaluación y coevaluación  
apoyados por inteligencia artificial, en donde se  
procesos  
de  
evaluación;  
en  
numerosos  
contextos universitarios, la incorporación de  
herramientas inteligentes ha favorecido el  
tránsito desde metodologías centradas en la  
transmisión de contenidos hacia propuestas  
orientadas al desarrollo de competencias, la  
resolución de problemas y el aprendizaje  
autónomo; en este escenario, la evaluación  
adquiere un carácter más flexible, pues  
incorpora información procedente de múltiples  
Página 41  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
evidencia que estas estrategias favorecen la  
herramientas, las investigaciones coinciden en  
señalar que aún existen brechas importantes en  
cuanto al dominio técnico, la comprensión de  
los modelos algorítmicos y la capacidad para  
reflexión metacognitiva del estudiante al  
proporcionar información inmediata sobre sus  
fortalezas y aspectos susceptibles de mejora; al  
mismo  
tiempo,  
permiten al  
profesorado  
interpretar  
críticamente  
la  
información  
disponer de evidencias adicionales para orientar  
la planificación didáctica y ajustar las  
generada por los sistemas inteligentes, esta  
situación limita el aprovechamiento pleno de  
sus potencialidades y, en algunos casos,  
favorece un uso restringido a funciones  
actividades  
de  
aprendizaje  
según  
las  
necesidades detectadas; de este modo, la  
evaluación deja de ser un acto aislado al final de  
un período académico para convertirse en un  
mecanismo permanente de acompañamiento  
que promueve una participación más activa del  
estudiante en la construcción de su propio  
aprendizaje. La revisión también muestra que la  
operativas  
o
administrativas.  
A
estas  
limitaciones se suman las desigualdades en  
infraestructura tecnológica observadas entre las  
instituciones de educación superior; mientras  
algunas universidades disponen de plataformas  
digitales robustas e integran soluciones basadas  
en inteligencia artificial dentro de sus  
ecosistemas de aprendizaje, otras aún enfrentan  
dificultades relacionadas con conectividad,  
inteligencia  
artificial  
para  
ha  
ampliado  
las  
posibilidades  
analizar  
información  
educativa mediante técnicas de analítica del  
aprendizaje, la capacidad de procesar grandes  
volúmenes de datos facilita la identificación de  
patrones de comportamiento académico que  
anteriormente resultaban difíciles de detectar  
mediante procedimientos convencionales.  
disponibilidad  
financiamiento  
de  
y
recursos  
acceso  
tecnológicos,  
herramientas  
a
especializadas; como resultado, el ritmo de  
adopción de estas innovaciones resulta  
heterogéneo, condicionando tanto la calidad de  
las experiencias evaluativas como las  
oportunidades de innovación pedagógica.  
Entre las aplicaciones más frecuentes se  
encuentran la predicción del rendimiento  
estudiantil,  
la  
identificación  
de  
factores  
En el plano ético, los estudios revisados  
coinciden en señalar que la utilización de  
asociados al riesgo de abandono, el monitoreo  
del progreso individual y la generación de  
indicadores que apoyan la toma de decisiones  
inteligencia  
artificial  
exige  
fortalecer  
mecanismos de transparencia y rendición de  
cuentas, la automatización de determinados  
procesos evaluativos genera interrogantes  
acerca de la aplicabilidad de los algoritmos, la  
protección de la información personal y la  
equidad en las decisiones apoyadas por sistemas  
inteligentes. Aunque la mayoría de las  
investigaciones reconoce el potencial de estas  
tecnologías para mejorar la eficiencia de la  
evaluación, también advierte que las decisiones  
con impacto académico deben conservar un  
componente de supervisión humana que  
garantice la contextualización de los resultados  
y la consideración de factores que difícilmente  
pueden ser interpretados por un algoritmo.  
pedagógicas  
e
institucionales,  
estas  
funcionalidades han fortalecido el carácter  
preventivo de la evaluación y permiten diseñar  
intervenciones oportunas dirigidas a mejorar la  
permanencia y el éxito académico. Cabe  
advertir que, la revisión evidencia que la  
incorporación de estas tecnologías continúa  
enfrentando limitaciones de diversa naturaleza,  
una de las más recurrentes corresponde a la  
insuficiente preparación del profesorado para  
integrar la inteligencia artificial dentro de los  
procesos de evaluación desde una perspectiva  
pedagógica.  
Aunque  
numerosos  
docentes  
manifiestan actitudes favorables hacia estas  
Página 42  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
Asimismo, los resultados permiten identificar  
elemento estratégico para impulsar procesos de  
innovación educativa, fortalecer la calidad  
institucional y promover nuevas formas de  
interacción entre estudiantes, docentes y  
recursos digitales, esta evolución refleja una  
maduración conceptual que trasciende la  
incorporación instrumental de la tecnología y la  
sitúa como parte de las estrategias de  
transformación de la educación superior.  
un cambio progresivo en la percepción  
institucional sobre el papel de la inteligencia  
artificial, en las primeras investigaciones  
predominaba un enfoque orientado hacia la  
automatización de tareas específicas; a pesar de  
ello, los estudios más recientes demuestran una  
comprensión más amplia, en la que la  
inteligencia artificial es concebida como un  
Tabla 4. Matriz de extracción de datos.  
Tipo de  
Técnicas e  
instrumentos  
Autor y año  
País  
Metodología  
Contexto educativo  
Resultados principales  
estudio  
Cabero-  
Almenara et al.  
(2026)  
Actitudes positivas;  
formación ética  
requerida  
España-  
Ecuador  
Descriptivo, no  
experimental  
Cuestionario SATAI,  
análisis estadístico  
Posgrado  
universitario  
Cuantitativo  
López-  
Meseguer et al.  
(2026)  
Filgueira y  
Berlanga (2026)  
Campusano y  
Valderrama  
(2026)  
Cuestionarios,  
entrevistas,  
observación  
Secuencial  
(CUAN-CUAL)  
Autoevaluación;  
metacognición  
España  
España  
Chile  
Mixto  
Universidad virtual  
Grados  
universitarios  
Competencias; uso  
responsable  
Cuantitativo  
Bibliométrico  
Descriptivo  
Documental  
Encuesta estructurada  
Análisis bibliográfico  
Educación superior  
iberoamericana  
Tendencias;  
transformación digital  
Condori et al.  
(2025)  
Díez-Gutiérrez  
y Jarquín (2025)  
González  
Transversal,  
descriptivo  
Personalización; riesgos  
éticos  
Capitalismo digital;  
gobernanza  
Perú  
Cuantitativo  
Reflexivo  
Cuestionario validado Universidad peruana  
España-  
México  
Educación superior  
Análisis crítico  
Revisión documental  
virtual  
Matriz documental,  
Revisión  
sistemática  
Fernández et al.  
(2025)  
España  
PRISMA  
MAXQDA, VOS  
viewer  
Educación superior  
Regulación; ética  
Núñez-Canal et  
al. (2024)  
Paredes-Chacín  
et al. (2023)  
Acevedo et al.  
(2025)  
Aprendizaje generativo;  
competencias  
Evaluación digital;  
indicadores  
España  
Venezuela  
Colombia  
Perú  
Teórico  
Hermenéutico  
Explicativo  
PRISMA  
Revisión documental  
Educación superior  
Programas virtuales  
Cuestionario piloto,  
análisis documental  
Cualitativo  
Revisión  
sistemática  
Revisión  
sistemática  
Ensayo  
académico  
Reflexión  
científica  
Universidades  
latinoamericanas  
Sistemas tutoriales  
universitarios  
Innovación;  
Matriz temática  
Revisión documental  
Revisión bibliográfica  
Revisión narrativa  
sostenibilidad  
Retroalimentación;  
personalización  
Evaluación inteligente;  
ética  
Revisión por pares;  
supervisión  
Planificación;  
evaluación  
Lossio-Larrea et  
al. (2025)  
PRISMA  
Torrico (2025)  
Repiso (2024)  
Rivera (2025)  
Bolivia  
Análisis teórico  
Educación superior  
Análisis  
documental  
Publicación  
científica  
Docentes  
España  
Ecuador  
Cualitativo  
Descriptivo  
Encuestas, entrevistas  
universitarios  
Método Delphi,  
implementación en  
Moodle  
Leiva-Guerrero  
et al. (2026)  
Estudiantes  
universitarios  
Retroalimentación; IA  
generativa  
Chile  
Cualitativo  
Exploratorio  
López-Vasco et  
al. (2025)  
Jardón Gallegos  
et al. (2024)  
Cuasi  
experimental  
Revisión  
sistemática  
Docentes  
universitarios  
Competencias digitales;  
formación  
Ecuador  
México  
Pretest–postest  
Cuestionarios  
Personalización;  
objetividad  
Bibliométrica  
Scopus, Bibliometrix  
Educación superior  
Iñigo, Lázaro y  
García (2025)  
Evaluación  
universitaria  
España  
Bibliométrico  
PRISMA  
Web of Science  
Tendencias; feedback  
Aprendizaje  
personalizado;  
innovación  
Masache et al.  
(2025)  
Revisión  
documental  
Ecuador  
Perú  
Análisis temático Revisión bibliográfica  
Educación superior  
Núñez Michuy  
et al. (2024)  
Revisión  
sistemática  
Scopus, Scielo,  
Documental  
Educación  
universitaria  
Autonomía; aprendizaje  
adaptativo  
Science Direct  
Fuente: Elaboración propia.  
Página 43  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
Posteriormente, la síntesis de la evidencia  
enseñanza y aprendizaje desde una perspectiva  
más flexible y adaptativa. En una línea similar,  
Flores (2025) interpreta esta transformación  
como parte de un proceso de cambio  
permite afirmar que la transformación de la  
evaluación educativa universitaria mediante  
inteligencia artificial constituye un proceso en  
expansión, caracterizado por la coexistencia de  
avances significativos y desafíos aún no  
organizacional  
más  
amplio,  
donde  
la  
digitalización modifica simultáneamente las  
prácticas docentes, los mecanismos de gestión y  
la cultura institucional, ambos enfoques  
permiten comprender que la evaluación  
mediada por inteligencia artificial no puede  
analizarse como un fenómeno aislado, sino  
como una manifestación de la transformación  
digital que actualmente experimentan las  
universidades. Desde esta perspectiva, uno de  
los aspectos que adquiere mayor relevancia  
corresponde al cambio de paradigma evaluativo  
identificado en la literatura; tradicionalmente, la  
evaluación universitaria estuvo orientada hacia  
la comprobación de resultados finales mediante  
instrumentos estandarizados; sin embargo, las  
resueltos.  
Las  
investigaciones  
revisadas  
muestran un panorama ampliamente favorable  
respecto a las posibilidades de mejorar la  
personalización del aprendizaje, optimizar la  
retroalimentación,  
fortalecer la toma de  
decisiones basada en evidencias y favorecer  
procesos evaluativos más dinámicos; aunque,  
también ponen de manifiesto que el éxito de  
estas innovaciones dependerá de la articulación  
entre  
desarrollo  
tecnológico,  
formación  
docente, políticas institucionales, marcos éticos  
y mecanismos de gobernanza capaces de  
garantizar una implementación responsable; en  
conjunto, estos hallazgos proporcionan una  
visión  
integrada  
del  
estado  
actual  
del  
investigaciones  
revisadas  
evidencian  
un  
conocimiento y constituyen la base analítica  
para la discusión crítica que se desarrolla en el  
apartado siguiente, donde se contrastan las  
divergencias y tendencias identificadas en la  
literatura científica reciente.  
desplazamiento progresivo hacia modelos  
donde la evaluación acompaña el aprendizaje  
durante todo el proceso formativo.  
Hernández (2024) señala que la inteligencia  
artificial  
amplía  
considerablemente  
las  
Las constataciones obtenidas permiten afirmar  
que la incorporación de la inteligencia artificial  
posibilidades de seguimiento individual del  
estudiante mediante sistemas inteligentes de  
tutoría y retroalimentación, mientras que  
en la evaluación  
educativa universitaria  
constituye un proceso de transformación que  
trasciende la simple automatización de tareas  
académicas, la evidencia analizada muestra que  
las instituciones de educación superior están  
transitando hacia modelos de evaluación más  
dinámicos, caracterizados por la integración de  
tecnologías capaces de procesar grandes  
Cuevas  
(2025)  
demuestra  
que  
la  
retroalimentación personalizada fortalece la  
motivación y favorece aprendizajes más  
significativos cuando se incorpora dentro de  
estrategias de evaluación formativa. Estos  
planteamientos encuentran respaldo en los  
trabajos de Leiva et al. (2026), quienes  
muestran que la utilización de inteligencia  
artificial generativa mejora la calidad de la  
retroalimentación percibida por los estudiantes,  
aunque subrayan la necesidad de mantener la  
intervención docente para contextualizar las  
recomendaciones generadas automáticamente,  
en conjunto, estas investigaciones sugieren que  
volúmenes  
de  
información,  
ofrecer  
retroalimentación personalizada y apoyar la  
toma de decisiones pedagógicas basada en  
evidencias. Esta tendencia coincide con lo  
planteado por Valderrama et al. (2025), quienes  
sostienen que la inteligencia artificial representa  
una oportunidad para replantear los procesos de  
Página 44  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
el verdadero aporte de la inteligencia artificial  
contextos latinoamericanos. De forma similar,  
Acevedo et al. (2025) concluyen que la  
no reside en sustituir la evaluación realizada por  
el profesor, sino en ampliar sus posibilidades  
mediante procesos de acompañamiento más  
incorporación  
de  
inteligencia  
artificial  
representa simultáneamente una oportunidad  
estratégica y un desafío estructural para las  
universidades de la región, debido a las brechas  
existentes en capacidades técnicas, recursos  
institucionales y políticas educativas, estas  
observaciones permiten interpretar que la  
innovación tecnológica, por sí sola, no garantiza  
mejoras en la calidad de la evaluación, sino que  
requiere una articulación permanente entre  
oportunos  
y
continuos.  
Otro  
aspecto  
ampliamente respaldado por la literatura  
corresponde a la capacidad de la inteligencia  
artificial para favorecer procesos de aprendizaje  
personalizado,  
los  
resultados  
obtenidos  
coinciden con Aparicio y Aparicio (2024),  
quienes sostienen que los sistemas adaptativos  
permiten ajustar contenidos y actividades  
conforme a las características individuales del  
estudiante, rompiendo con los esquemas  
recursos  
tecnológicos,  
planificación  
institucional y desarrollo profesional docente.  
homogéneos  
que  
históricamente  
han  
En relación con el papel del profesorado, la  
predominado en la educación superior; esta  
interpretación es reforzada por Beltrán et al.  
(2025), quienes destacan que el aprendizaje  
adaptativo incrementa la motivación y favorece  
trayectorias formativas más inclusivas cuando  
se apoya en algoritmos capaces de interpretar el  
progreso académico en tiempo real.  
evidencia  
recopilada  
muestra  
una  
transformación más profunda de la que  
inicialmente podría suponerse; por su parte,  
Posso (2025) sostiene que el docente deja de  
desempeñar  
exclusivamente  
funciones  
asociadas a la transmisión de contenidos para  
asumir responsabilidades relacionadas con la  
De manera complementaria, Campbell (2025)  
demuestra que la integración de inteligencia  
artificial dentro de plataformas de gestión del  
aprendizaje incrementa la interacción entre  
estudiantes y recursos educativos, facilitando  
experiencias formativas más ajustadas a las  
necesidades individuales, la tendencia entre  
estos estudios confirma que la personalización  
constituye uno de los principales ejes de  
innovación derivados del uso de inteligencia  
artificial en la evaluación universitaria. No  
obstante, la revisión también evidencia que los  
beneficios asociados a la personalización  
dependen de condiciones institucionales que  
aún presentan importantes diferencias entre  
universidades, Campoverde y Campoverde  
mediación  
pedagógica,  
el  
desarrollo  
de  
habilidades complejas y la orientación ética del  
uso de la inteligencia artificial.  
Esta interpretación resulta consistente con los  
hallazgos de López et al. (2025), quienes  
evidencian que los programas de formación  
docente  
competencias digitales necesarias para integrar  
herramientas inteligentes dentro de la  
fortalecen  
significativamente  
las  
enseñanza y la evaluación. Asimismo, Rivera  
(2025) identifica que los docentes que  
incorporan  
inteligencia  
artificial  
en  
la  
planificación académica perciben mejoras en la  
organización de las actividades evaluativas,  
aunque reconocen la necesidad de ampliar sus  
conocimientos  
técnicos  
para  
aprovechar  
(2025)  
identifican  
que  
factores  
como  
plenamente estas herramientas; se observó que,  
la literatura coincide en que la transformación  
de la evaluación universitaria depende tanto del  
desarrollo tecnológico como de la capacidad del  
infraestructura  
tecnológica,  
conectividad,  
gobernanza institucional y formación docente  
continúan limitando la implementación efectiva  
de estas herramientas, especialmente en  
Página 45  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
profesorado para reinterpretar su papel dentro  
de escenarios educativos crecientemente  
mecanismos mediante los cuales se verifica el  
aprendizaje. En este contexto, Repiso (2024)  
advierte que la inteligencia artificial debe  
comprenderse como un recurso de apoyo y no  
digitalizados. Uno de los hallazgos más  
relevantes de esta revisión radica en la  
importancia que adquiere la dimensión ética  
como elemento transversal del proceso de  
como  
un  
sustituto  
del  
juicio  
experto,  
especialmente en procesos que requieren  
valoración crítica y toma de decisiones  
complejas. Esta apreciación resulta consistente  
con la postura de Torrico (2025), quien sostiene  
que la automatización de la evaluación puede  
incrementar la eficiencia y la precisión en  
determinadas tareas; dicho esto, presenta  
limitaciones cuando se trata de valorar  
transformación  
educativa,  
si  
bien  
las  
investigaciones coinciden en reconocer las  
ventajas que ofrece la inteligencia artificial para  
optimizar la evaluación, también advierten  
riesgos que no pueden ser ignorados. González  
et al. (2025) enfatizan la necesidad de construir  
marcos normativos que regulen el uso de estas  
tecnologías dentro de las instituciones de  
educación superior, promoviendo principios de  
transparencia, responsabilidad e inclusión; en  
una perspectiva más crítica, Díez y Jarquín  
(2025) advierten que la incorporación acrítica  
de plataformas digitales puede reproducir  
dinámicas asociadas al capitalismo de datos y  
competencias  
como  
la  
creatividad,  
la  
argumentación o el pensamiento crítico,  
dimensiones cuya interpretación continúa  
dependiendo de la experiencia pedagógica del  
docente, ambos contextos evidencian que el  
verdadero desafío no consiste en decidir entre  
evaluación humana o evaluación automatizada,  
sino en construir modelos híbridos que integren  
las fortalezas de ambas perspectivas.  
profundizar  
tecnológica  
universitaria.  
mecanismos  
que afectan  
de  
la  
vigilancia  
autonomía  
La revisión también permitió identificar un  
creciente interés por comprender la percepción  
de los diferentes actores universitarios frente a  
la incorporación de la inteligencia artificial, los  
resultados reportados por Cabero et al. (2026)  
muestran que los estudiantes universitarios  
manifiestan actitudes generalmente favorables  
hacia estas tecnologías, especialmente cuando  
reconocen su utilidad para fortalecer el  
aprendizaje y facilitar el desarrollo de  
competencias. Aunque, el estudio revela que las  
dimensiones éticas generan mayores niveles de  
incertidumbre, lo que confirma que la  
aceptación tecnológica no depende únicamente  
de la facilidad de uso, sino también de la  
confianza que los usuarios depositan en los  
Por su parte, Arias et al. (2024) plantean que la  
apropiación social de la inteligencia artificial  
exige comprender no solo sus posibilidades  
técnicas, sino también sus implicaciones éticas,  
políticas y culturales, estos enfoques convergen  
en señalar que el desafío actual no consiste  
únicamente en desarrollar tecnologías cada vez  
más sofisticadas, sino en garantizar que su  
utilización  
preserve  
los  
principios  
fundamentales de la educación superior y  
fortalezca el juicio pedagógico antes que  
reemplazarlo. La dimensión ética adquiere una  
relevancia aún mayor cuando se analiza la  
creciente utilización de modelos de inteligencia  
artificial generativa en los procesos de  
evaluación, más allá de las ventajas asociadas a  
la automatización y al procesamiento de  
información, la literatura revisada coincide en  
que estas herramientas modifican la naturaleza  
misma de la producción académica y de los  
sistemas  
inteligentes;  
en  
una  
dirección  
semejante, Condori et al. (2025) evidencian que  
el profesorado reconoce ventajas relacionadas  
con la personalización del aprendizaje y la  
retroalimentación inmediata, aunque expresa  
Página 46  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
preocupación por la posible pérdida de  
estas tecnologías y a la disminución del  
esfuerzo cognitivo cuando los estudiantes  
delegan procesos intelectuales que deberían  
interacción humana y por los sesgos que  
podrían incorporarse durante el procesamiento  
automatizado  
de  
la  
información,  
estas  
formar  
parte  
de  
su  
aprendizaje.  
Esta  
percepciones muestran que la incorporación de  
la inteligencia artificial continúa siendo un  
proceso de adaptación institucional que requiere  
construir confianza, fortalecer competencias  
digitales y promover espacios permanentes de  
reflexión crítica. Otro aspecto que merece  
especial atención corresponde al desarrollo de  
nuevos instrumentos de evaluación mediados  
por inteligencia artificial. López et al. (2026)  
interpretación encuentra respaldo en los  
planteamientos de Núñez et al. (2024), quienes  
proponen un modelo de aprendizaje generativo  
integral donde la alfabetización en inteligencia  
artificial  
constituye  
una  
competencia  
transversal indispensable para aprovechar las  
posibilidades educativas de estas herramientas  
sin comprometer la autonomía intelectual del  
estudiante; por ende, la evidencia sugiere que el  
reto actual no consiste únicamente en enseñar a  
utilizar inteligencia artificial, sino en desarrollar  
capacidades para interactuar críticamente con  
ella.  
demuestran  
que  
los  
cuestionarios  
de  
autoevaluación generados mediante sistemas  
inteligentes favorecen procesos de reflexión  
metacognitiva y proporcionan información  
valiosa para orientar las decisiones pedagógicas  
Los resultados revisados muestran igualmente  
que la transformación de la evaluación  
del  
profesorado;  
desde  
una  
perspectiva  
complementaria, se evidencia que la integración  
de inteligencia artificial generativa en procesos  
de retroalimentación incrementa la percepción  
de utilidad entre los estudiantes debido a la  
rapidez y claridad de las respuestas obtenidas.  
universitaria  
se  
encuentra  
estrechamente  
vinculada con la evolución de las estrategias  
docentes; por su parte Lossio et al. (2025) y  
Masache et al. (2025) sostienen que la  
inteligencia artificial favorece la transición  
hacia metodologías centradas en el estudiante,  
promoviendo experiencias de aprendizaje más  
personalizadas y flexibles.  
Ahora bien, ambas investigaciones coinciden en  
señalar que dichos instrumentos alcanzan  
mejores resultados cuando forman parte de una  
estrategia  
evaluativa  
cuidadosamente  
A su vez, Núñez et al. (2024) destacan que estas  
planificada y supervisada por el docente, este  
dato resulta especialmente relevante porque  
confirma que la calidad de la evaluación  
continua dependiendo del diseño pedagógico y  
no exclusivamente del nivel de sofisticación  
tecnológica empleado. En relación con el  
aprendizaje universitario, Filgueira y Berlanga  
(2026) destacan que herramientas como  
tecnologías  
fortalecen  
la  
autonomía  
del  
alumnado y facilitan la adaptación de las  
actividades evaluativas a distintos ritmos de  
aprendizaje,  
aunque  
advierten  
una  
que  
su  
implementación  
exige  
adecuada  
planificación metodológica y criterios claros  
para evitar usos inadecuados, estas  
contribuciones permiten comprender que la  
innovación tecnológica solo adquiere verdadero  
significado cuando se integra dentro de  
propuestas pedagógicas coherentes con los  
ChatGPT  
favorecen  
el  
desarrollo  
de  
determinadas  
competencias  
académicas,  
particularmente aquellas vinculadas con la  
búsqueda de información, la resolución de  
problemas y el análisis de situaciones  
complejas; no obstante, también identifican  
riesgos asociados a la dependencia excesiva de  
principios  
de  
la  
educación  
superior  
contemporánea. Por otra parte, la evolución de  
la producción científica refleja la consolidación  
Página 47  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
de este campo como una línea de investigación  
artificial para transformar la evaluación  
educativa universitaria, la literatura coincide en  
emergente; Campusano y Valderrama (2026)  
muestran que las publicaciones relacionadas  
con tecnologías digitales e inteligencia artificial  
han experimentado un crecimiento sostenido  
durante los últimos años, evidenciando una  
transición desde estudios centrados en el uso  
instrumental de las TIC hacia investigaciones  
orientadas a comprender los procesos de  
transformación educativa, este comportamiento  
es consistente con el análisis bibliométrico  
desarrollado por Iñigo et al. (2025), quienes  
identifican un incremento significativo de  
investigaciones sobre inteligencia artificial  
destacar  
avances  
relacionados  
con  
la  
la  
personalización  
del aprendizaje,  
automatización de procesos. evaluativos, la  
generación de retroalimentación inmediata, el  
fortalecimiento de la analítica del aprendizaje y  
el apoyo a la toma de decisiones institucionales.  
Lo anterior indica que, también existe un  
amplio consenso sobre la necesidad de abordar  
desafíos asociados a la formación docente, la  
transparencia algorítmica, la protección de  
datos, la regulación ética y la preservación del  
componente humano dentro de la evaluación,  
esta doble perspectiva confirma que la  
inteligencia artificial no representa una solución  
tecnológica aislada, sino un fenómeno complejo  
aplicada  
a
la  
evaluación  
universitaria,  
especialmente a partir de 2023, ya que el interés  
científico continuará expandiéndose conforme  
las  
universidades  
incorporen  
nuevas  
cuya  
implementación  
requiere  
integrar  
aplicaciones de inteligencia artificial en sus  
procesos académicos y administrativos.  
dimensiones pedagógicas, organizacionales,  
tecnológicas y éticas.  
En una perspectiva más amplia, los hallazgos de  
Paredes et al. (2023) permiten interpretar que la  
A partir de este panorama, puede sostenerse que  
la transformación de la evaluación educativa  
universitaria no dependerá exclusivamente del  
desarrollo de algoritmos más sofisticados ni de  
transformación  
digital  
acelerada  
por  
la  
pandemia modificó profundamente la manera  
de comprender la evaluación del aprendizaje en  
entornos universitarios, si bien su investigación  
se desarrolló en el contexto de programas  
la  
incorporación  
masiva  
de  
plataformas  
inteligentes; pues, su consolidación estará  
determinada principalmente, por la capacidad  
de las instituciones para construir modelos  
educativos donde la innovación tecnológica  
fortalezca la calidad del aprendizaje sin  
desplazar los principios que históricamente han  
dado sentido a la educación superior, en otras  
palabras, el desafío futuro no radica únicamente  
en incorporar inteligencia artificial a los  
procesos evaluativos, sino en garantizar que  
dicha incorporación contribuya efectivamente  
al desarrollo del pensamiento crítico, la  
autonomía intelectual, la formación ética y la  
construcción de conocimiento significativo.  
académicos  
virtuales,  
sus  
conclusiones  
mantienen plena vigencia al evidenciar que la  
evaluación requiere integrarse como un proceso  
continuo sustentado en indicadores múltiples y  
no únicamente en pruebas finales, esta visión  
dialoga con las investigaciones más recientes  
sobre inteligencia artificial, las cuales amplían  
dicho planteamiento mediante herramientas  
capaces de generar información permanente  
para apoyar la toma de decisiones pedagógicas  
(Jardon et al., 2024).  
En conjunto, el análisis comparativo de las  
veinte investigaciones permite reconocer una  
convergencia significativa respecto a las  
oportunidades que ofrece la inteligencia  
Precisamente, esta perspectiva constituye el  
principal aporte que emerge de la evidencia  
analizada y permite responder a la pregunta que  
Página 48  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
orientó la presente revisión, al demostrar que las  
constituyen condiciones indispensables para  
garantizar un uso pertinente y sostenible de  
estas herramientas. La revisión permitió  
oportunidades y los desafíos derivados del uso  
de la inteligencia artificial son inseparables y  
deben  
comprenderse  
como  
dimensiones  
identificar  
que  
los  
principales  
desafíos  
complementarias de un mismo proceso de  
transformación educativa.  
asociados al uso de la inteligencia artificial  
trascienden el ámbito tecnológico e involucran  
dimensiones  
éticas,  
normativas  
como  
y
Conclusiones  
De los resultados obtenidos, de su análisis y de  
organizacionales;  
aspectos  
la  
transparencia algorítmica, la protección de  
datos personales, la equidad en los procesos  
evaluativos, la integridad académica y la  
preservación del juicio profesional del docente  
continúan representando retos prioritarios para  
las instituciones de educación superior. La  
evidencia científica analizada confirma que la  
inteligencia artificial no sustituye el papel del  
profesorado dentro de la evaluación, sino que  
redefine sus funciones; en este nuevo escenario,  
el docente adquiere un rol estratégico como  
diseñador de experiencias de aprendizaje y  
garante de la dimensión ética de los procesos  
evaluativos.  
la interpretación crítica de la literatura científica  
revisada, se derivan las siguientes conclusiones:  
La inteligencia artificial está redefiniendo la  
evaluación educativa universitaria al favorecer  
el tránsito desde modelos centrados en la  
medición del rendimiento hacia procesos  
evaluativos  
continuos,  
personalizados  
y
orientados al desarrollo de competencias, esta  
transformación evidencia que la evaluación deja  
de constituir un momento aislado dentro del  
proceso formativo para convertirse en un  
mecanismo permanente de acompañamiento al  
aprendizaje.  
Las principales oportunidades identificadas se  
relacionan con la capacidad de la inteligencia  
artificial para proporcionar retroalimentación  
oportuna, adaptar las estrategias evaluativas a  
las necesidades individuales del estudiante,  
fortalecer la analítica del aprendizaje y apoyar  
El análisis de la producción científica reciente  
evidencia una evolución sostenida de las  
investigaciones sobre inteligencia artificial  
aplicada a la evaluación educativa universitaria,  
caracterizada por un creciente interés en  
modelos  
de  
aprendizaje  
personalizado,  
sistemas  
la  
toma  
de  
decisiones  
académicas  
estas  
retroalimentación  
inteligente,  
fundamentadas  
en evidencias,  
adaptativos y analítica del aprendizaje; esta  
tendencia permite prever que la evaluación  
mediada por inteligencia artificial continuará  
consolidándose como una de las principales  
líneas de innovación dentro de la educación  
superior durante los próximos años.  
posibilidades contribuyen a mejorar la calidad  
de los procesos educativos siempre que su  
implementación  
responda  
a
criterios  
pedagógicos claramente definidos.  
La incorporación efectiva de la inteligencia  
artificial en la evaluación universitaria depende,  
en mayor medida, de factores institucionales y  
humanos que del desarrollo tecnológico en sí  
mismo; la formación continua de los docentes,  
el fortalecimiento de las competencias digitales,  
la disponibilidad de infraestructura tecnológica  
y la existencia de políticas institucionales  
Posteriormente, la revisión permite responder a  
la pregunta de investigación planteada al  
establecer que la transformación de la  
evaluación educativa universitaria mediante  
inteligencia artificial constituye un proceso  
complejo en el que las oportunidades y los  
desafíos  
son  
dimensiones  
inseparables,  
Página 49  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
mientras las tecnologías inteligentes amplían  
significativamente las posibilidades para  
latinoamericanos.  
Educational Research,  
https://doi.org/10.1007/s44322-026-00063-2  
Campbell, V. (2025). Revolucionando la  
New  
Approaches  
15(13), 1–22.  
in  
mejorar la calidad, eficiencia y personalización  
de la evaluación, su implementación exige  
marcos institucionales sólidos, principios éticos  
claramente definidos y una visión pedagógica  
que garantice que la innovación tecnológica  
permanezca al servicio del aprendizaje y del  
desarrollo integral del estudiante.  
educación:  
artificial  
Integración  
en sistemas  
de  
inteligencia  
de gestión del  
aprendizaje. RIDE Revista Iberoamericana  
para la Investigación y el Desarrollo  
Educativo,  
15(30),  
1–19.  
https://doi.org/10.23913/ride.v15i30.2242  
Campoverde, E., & Campoverde, M. (2025).  
Desafíos y oportunidades de la inteligencia  
Referencias Bibliográficas  
artificial  
en  
la  
educación  
Latina  
superior  
Revista  
Acevedo, M., Cabezas, N., La Serna, P., &  
Araujo, S. (2025). Desafíos y oportunidades  
de la inteligencia artificial en la educación  
ecuatoriana.  
Ciencia  
Científica Multidisciplinar, 9(3), 2684–2704.  
https://doi.org/10.37811/cl_rcm.v9i3.17896  
Campusano, R., & Valderrama, J. (2026).  
superior  
latinoamericana:  
Una  
revisión  
sistemática de la literatura. Zenodo, 1(1), 1–  
22. https://doi.org/10.5281/zenodo.15508755  
Aparicio-Gómez, O., & Aparicio, W. (2024).  
Innovación educativa con sistemas de  
Evolución  
educación superior en Iberoamérica a través  
de las publicaciones en la revista  
internacional Formación Universitaria. Parte  
de  
la  
investigación  
sobre  
aprendizaje  
adaptativo  
impulsados  
por  
3:  
TIC  
y
ramas  
afines.  
19(2),  
Formación  
inteligencia artificial. Revista Internacional  
de Pedagogía e Innovación Educativa, 4(2),  
343–363.  
Universitaria,  
https://doi.org/10.4067/S0718-  
50062026000200001  
1–12.  
https://doi.org/10.51660/ripie42222  
Arias, M., Loaiza, K., Fontaines, T., & Apolo,  
Cherrez, E., Aquilla, S., Maygualema, M., &  
Oleas, R. (2026). Uso responsable de la  
inteligencia artificial generativa en la  
evaluación formativa: Un enfoque ético en el  
aula. Revista Científica Multidisciplinar G-  
D.  
(2024).  
Inteligencia  
artificial  
y
transformación social: Desafíos para el  
sistema educativo en Ecuador. Revista de  
Educación y Derecho, 2(1), 304–330.  
https://doi.org/10.1344/REYD2024.2-  
Nerando,  
7(1),  
4896.  
https://doi.org/10.66473/rcmg.v7i1.1132  
Condori, M., Reyna, G., Rafaele de la Cruz, M.,  
& Espiritú, J. (2025). Percepción docente  
sobre las ventajas y desventajas de la  
inteligencia artificial en una universidad  
peruana. Edutec. Revista Electrónica de  
Extraordinario.49191  
Beltrán, M., Arcos, A., Viscarra, W., Barahona,  
G., & Sánchez, A. (2025). Integración de la  
inteligencia artificial y el aprendizaje  
adaptativo para personalizar la experiencia  
educativa. Revista Científica de Salud y  
Tecnología  
Educativa,  
93,  
322–337.  
Desarrollo  
Humano,  
6(1),  
1882–1914.  
https://doi.org/10.21556/edutec.2025.93.383  
5
https://doi.org/10.61368/r.s.d.h.v6i1.567  
Black, P., & Wiliam, D. (1998). Assessment  
and classroom learning. Assessment in  
Education: Principles, Policy & Practice,  
Cuevas, H. (2025). Evaluación formativa e  
inteligencia artificial: Estrategias para un  
aprendizaje humano y eficaz. MLS Journals,  
5(1),  
69–74.  
2(1),  
126–141.  
https://drive.google.com/file/d/1mc_VUX6p  
HPnae2qDnLKKRBnKwtyq888O/view?usp  
=drive_link  
https://www.mlsjournals.com/Pedagogy-  
Culture-Innovation/article/view/4153  
Díez, E., & Jarquín, M. (2025). La educación  
superior en entornos virtuales: Riesgos  
educativos del uso de tecnología privada al  
servicio del capitalismo digital. Edutec.  
Cabero, J., Barroso, J., & Loaiza, M. (2026).  
Inteligencia  
artificial  
en  
la  
educación  
superior: Actitudes cognitivas, emocionales,  
conductuales  
y
éticas  
de  
estudiantes  
Página 50  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
Revista Electrónica de Tecnología Educativa,  
91, 55–69.  
https://doi.org/10.21556/edutec.2025.91.366  
5
Jardon, M., Allas, W., Zamora, D., & Cedeño,  
N. (2024). Impacto de la inteligencia artificial  
en la educación superior: Percepciones de  
alumnos y profesores sobre el uso de IA en el  
aprendizaje y la evaluación. Reincisol, 3(6),  
7008–7033.  
Filgueira, C., & Berlanga, V. (2026). ChatGPT  
en la formación universitaria. Impacto en la  
adquisición de competencias en dirección de  
empresas y marketing. Edutec. Revista  
Electrónica de Tecnología Educativa, 96, 1–  
18.  
https://doi.org/10.59282/reincisol.V3(6)7008  
-7033  
Játiva, B., Erazo, S., Bejarano, X., & Aimacaña,  
R. (2025). Ética y desafíos de la inteligencia  
artificial en la evaluación del aprendizaje.  
https://doi.org/10.21556/edutec.2026.96.438  
5
Imaginario  
Social,  
8(2),  
1–22.  
Flores, C., & Sánchez, C. (2025). Universidades  
como sistemas complejos: Los desafíos y  
oportunidades de la transformación digital  
mediada por inteligencia artificial generativa.  
Revista Iberoamericana de Complejidad y  
https://doi.org/10.59155/is.v8i2.303  
Leiva, M., Araya, I., Escobar, R., & Silva, F.  
(2026). Retroalimentación de aprendizajes  
con inteligencia artificial generativa en  
estudiantes  
universitarios.  
RIED-Revista  
Ciencias  
Económicas,  
3(4),  
57–70.  
Iberoamericana de Educación a Distancia,  
https://doi.org/10.48168/ricce.v3n4p57  
29(1),  
241–267.  
García, G., Tapia, J., Mejía, C., & Egüez, R.  
https://doi.org/10.5944/ried.45547  
(2025).  
Uso  
de  
inteligencia  
artificial  
López, A. (2026). Tecnologías emergentes en la  
enseñanza universitaria de los programas de  
rehabilitación. Ciencia y Educación, 7(3), 1–  
18. https://doi.org/10.5281/zenodo.19477498  
López, R., Gómez, M., Alonso, J., & Mata, L.  
generativa como herramienta de apoyo  
académico en la innovación pedagógica  
universitaria. Revista Social Fronteriza, 5(6),  
955.  
https://doi.org/10.59814/resofro.2025.5(6)95  
5
(2026).  
aprendizaje competencial en educación  
superior mediante cuestionarios de  
autoevaluación generados con inteligencia  
artificial. RIED-Revista Iberoamericana de  
Educación a Distancia, 29(2), 235–256.  
https://doi.org/10.5944/ried.47154  
Promoviendo  
la  
enseñanza-  
González, M., Romero-López, M., Sgreccia, N.,  
& Latorre, M. (2025). Marcos normativos  
para una IA ética y confiable en la educación  
superior: Estado de la cuestión. RIED-  
Revista Iberoamericana de Educación a  
Distancia,  
https://doi.org/10.5944/ried.28.2.43511  
Hernández, N. (2024). Inteligencia artificial  
28(2),  
181–208.  
López, F., Angulo, M., & Sosa, D. (2025).  
Formación docente en IA generativa:  
Impacto ético y retos en educación superior.  
aplicada  
a
la  
evaluación  
educativa  
Alteridad,  
20(2),  
166–177.  
universitaria [Tesis doctoral, Universidad de  
Salamanca].  
https://hdl.handle.net/10366/159077  
Hernández, R., Fernández, C., & Baptista, P.  
(2014). Metodología de la investigación (6.ª  
https://doi.org/10.17163/alt.v20n2.2025.01  
Lossio, P., León, M., Carrasco, G., Puente, E.,  
& Holgado, A. (2025). Revisión sistemática  
sobre la influencia de la inteligencia artificial  
en los sistemas tutoriales académicos.  
ed.).  
McGraw-Hill.  
Prohominum,  
7(4),  
416–425.  
https://dialnet.unirioja.es/servlet/libro?codig  
o=775008  
https://doi.org/10.47606/ACVEN/PH0406  
Masache, D., López, F., Maza, A., & Alvarado,  
J. (2025). Transformando las estrategias  
docentes y el aprendizaje personalizado en la  
educación superior a través de la inteligencia  
Iñigo, A., Lázaro, J., & García, E. (2025). La  
inteligencia artificial en los procesos de  
evaluación en educación superior: Un análisis  
bibliométrico. Dialnet, 77(3), 131–154.  
https://dialnet.unirioja.es/servlet/articulo?co  
digo=10403959  
artificial.  
Dialnet,  
4(7),  
1581–1599.  
https://dialnet.unirioja.es/servlet/articulo?co  
digo=10051249  
Página 51  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
Núñez, M., Fernández, A., Díaz, L., & Aguado,  
Ruilova, B. (2025). Innovación pedagógica y  
consideraciones éticas en el diseño didáctico  
con inteligencia artificial generativa en la  
formación sociológica universitaria. Ciencia  
Latina Revista Científica Multidisciplinar,  
O. (2024). Aprendizaje generativo integral:  
Un modelo para la educación superior ante  
los desafíos de la inteligencia artificial.  
European Public & Social Innovation  
Review,  
9(1),  
1–21.  
9(3),  
1–12.  
https://doi.org/10.31637/epsir-2024-1685  
Núñez C., Velasco, J., Carrasco, B., &  
Guambuguete, J. (2024). Aplicaciones de la  
inteligencia artificial en el proceso de  
aprendizaje en la educación universitaria.  
Magazine de las Ciencias: Revista de  
Investigación e Innovación, 9(1), 92–109.  
https://doi.org/10.33262/rmc.v9i1.3055  
https://doi.org/10.37811/cl_rcm.v9i3.18107  
Santos, Y. (2022). Algunas recomendaciones  
para publicar un artículo científico en una  
revista de impacto. Revista de Estomatología  
Herediana,  
32(3),  
287–294.  
https://doi.org/10.20453/reh.v32i3.4287  
Torrico, A. (2025). La evaluación educativa en  
la era de la inteligencia artificial. Educación  
Page, M., McKenzie, J., Bossuyt, P., Boutron,  
I., & Hoffmann, T. (2021). Declaración  
PRISMA 2020: Una guía actualizada para la  
Superior,  
12(1),  
73–88.  
https://doi.org/10.53287/undf7848pz65o  
Valderrama, G., Vallejo, H., De Lourdes, E., &  
Lara, D. (2025). Impacto de la inteligencia  
artificial en la transformación de los procesos  
de enseñanza-aprendizaje en la educación  
superior. Revista Tribunal, 5(12), 1–20.  
https://doi.org/10.59659/revistatribunal.v5i1  
2.190  
publicación  
de  
revisiones  
sistemáticas.  
Revista Española de Cardiología, 74(9), 790–  
799.  
https://doi.org/10.1016/j.recesp.2021.06.016  
Paredes, A., Vargas, L., Inciarte, A., &  
Mercado, C. (2023). Assessment of learning  
in online academic programs from the digital  
Ventura, L., & Contreras, R. (2025). Impacto de  
la inteligencia artificial generativa en el  
transformation  
impelled  
by  
Covid-19.  
Revista de Ciencias Sociales, 29(1), 18–34.  
https://doi.org/10.31876/rcs.v29i1.39761  
Posso, R. (2025). El rol del docente en la era de  
la inteligencia artificial: Del transmisor de  
contenido al desarrollador de habilidades y  
valores del siglo XXI. MENTOR Revista de  
Investigación Educativa y Deportiva, 4(11),  
1–8.  
https://doi.org/10.56200/mried.v4i11.10185  
Quiroz, D., & Alcivar, R. (2025). La aplicación  
de la inteligencia artificial generativa y  
realidad aumentada en la educación: Una  
revisión sistemática de literatura. Reincisol,  
desarrollo  
educativas: Análisis crítico. Revista Simón  
Rodríguez, 5(10), 1–22.  
https://doi.org/10.62319/simonrodriguez.v.5i  
10.76  
de  
competencias  
digitales  
Esta obra está bajo una licencia de  
Creative Commons Reconocimiento-No Comercial  
4.0 Internacional. Copyright  
©
Evelin Lilibeth  
Chucuyan Chucuyan, Manuel Alexander Ortega  
Baque y Jenniffer Dayana Carranza Mata.  
4(7),  
919–945.  
https://doi.org/10.59282/reincisol.V4(7)919-  
945  
Repiso, R. (2024). La inteligencia artificial en  
los procesos editoriales y la evaluación por  
pares. Revista de Investigación e Innovación  
en Ciencias de la Salud, 6(2), 1–4.  
https://doi.org/10.46634/riics.317  
Rivera, A. (2025). Implementación de la  
inteligencia artificial. Revista Digital de  
Investigación y Postgrado, 6(12), 153–166.  
https://doi.org/10.59654/5b86nv09  
Página 52  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 7.2  
Edición Especial UTEQ 2026  
Declaraciones éticas y editoriales del artículo  
Contribución de los autores (Taxonomía CRediT)  
Evelin Lilibeth Chucuyan Chucuyan: 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.  
Manuel Alexander Ortega Baque: curación y organización de los datos, participación en la recolección de información, validación de los resultados  
obtenidos y elaboración de representaciones gráficas y visualización de los datos.  
Jenniffer Dayana Carranza Mata: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del proyecto  
investigativo y revisión editorial del manuscrito antes de su publicación.  
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.  
Página 53